Dieses Projekt simuliert einen praxisnahen AOI-Prozess (Automated Optical Inspection) zur Erkennung von Lotkugeln an THT-Lötstellen (Through-Hole Technology) – basierend auf realer Berufserfahrung in der Automobil-Elektronikfertigung.
Ziel ist es, mittels Machine Learning eine robuste Klassifikation kritischer Lötfehler zu ermöglichen. Der Fokus liegt dabei auf:
- Einhaltung der Qualitätsstandards gemäß IPC-A-610 und IATF 16949
- Sicherstellung von Null-Schlupf in sicherheitsrelevanten Elektronikprozessen
- Automatisierbare und auditfähige AOI-Ergebnisse
- Automatisierte Erkennung von Lotkugeln >170 µm Durchmesser
- Kombination aus 2D- und 3D-Prüfung zur Schlupfvermeidung
- 2D-Prüfung: Erkennung von Oberflächenmerkmalen (z. B. Glanz, Schatten, Kratzer)
- 3D-Prüfung: Analyse von Höhenprofil, Volumen, Querschnitt und Formabweichungen
- Training eines ML-Modells zur Fehlerklassifikation (OK / NOK)
- Auditfähige Nachweise (Cp/Cpk, Golden Samples, Driftanalyse)
- Simulation realer Einflussgrößen wie Trägerverunreinigungen, Glanz, Schatten, Prozesskammerleckage
- Python 3.x
- Scikit-Learn – Decision Tree Classifier
- Pandas & NumPy – Datenverarbeitung
- Matplotlib – Visualisierung
- Jupyter Notebook – Interaktive Analyse
- (Kontext: Keyence XG-X System mit 2D/3D-Funktionalität)
Das AOI-System dient in diesem Projekt als Firewall gegen sicherheitskritische Lötfehler – insbesondere bei Komponenten wie DC/DC-Wandlern. Ein Schlupf würde potenziell zu elektrischen oder thermischen Ausfällen im Fahrzeug führen.
Die AOI-Konfiguration wurde auf:
- Null-Schlupf
- False-Positive-Reduktion
- Schnelle Prüfzeit (<6s pro PCB)
ausgelegt – in Übereinstimmung mit Sicherheits- und Qualitätsvorgaben der IATF 16949.
In dieser ersten prototypischen Umsetzung wurde ein Entscheidungsbaum-Klassifikator eingesetzt. Dieses Modell wurde aufgrund seiner hohen Interpretierbarkeit, robusten Entscheidungsregeln und kurzen Trainingszeiten gewählt. Ziel war es nicht, verschiedene Modelle zu vergleichen, sondern ein industrietaugliches Grundmodell zu realisieren, das visuell und nachvollziehbar ist.
Zukünftig denkbare Erweiterungen:
- Vergleich mit anderen Modellen wie KNN, SVM, XGBoost
- Integration von GridSearch für Hyperparameteroptimierung
- Erhöhung der Datenmenge mit realen AOI-Bildern
aoi-tht-inspection/
│
├── notebooks/
│ ├── 01_generate_data_with_feature_explanation.ipynb
│ ├── 02_train_model.ipynb
│ └── 03_process_cp_ck.ipynb
│
├── data/
│ └── 01_generated_aoi_data_80_20_ratio_rounded.csv
│
├── diagrams/
│ └── Flowchart_THT_Soldering.png
│
├── docs/
│ └── Projekt_AOI_THT_Zusammenfassung.pdf
│
├── LESSONS.md
└── README.mdbaris-enes@outlook.de
www.linkedin.com/in/enes-baris-eng
Dieses Projekt basiert auf realen Industrieerfahrungen, wurde jedoch vollständig abstrahiert und anonymisiert.
Alle dargestellten Daten und Strukturen sind synthetisch erzeugt. Es besteht keine Verbindung zu bestimmten Unternehmen oder Marken.