SMT 라인을 위한 수율 위험 모델 구축하기

유용한 제조 AI (Manufacturing AI) 프로젝트는 모델이 아닌 생산 문제에서 시작됩니다. 이 튜토리얼에서는 익숙한 사례를 사용합니다: 더 많은 가치가 추가되기 전에 검사하거나 격리할 수 있도록, 어떤 PCBA가 ICT 또는 기능 테스트 (Functional Test)에서 실패할 위험이 높은지 충분히 일찍 예측하는 것입니다.

smart SMT production line

실질적인 전자 제조 분야의 AI (AI in Electronics Manufacturing) 워크플로우는 상류(Upstream)의 SMT 데이터와 하류(Downstream)의 테스트 결과를 연결합니다. 목표는 SPI, AOI 또는 테스트 한계치를 대체하는 것이 아닙니다. 공정 및 테스트 엔지니어가 스테이션별로는 확인하기 어려운 위험 패턴을 인식할 수 있도록 이들의 신호를 결합하는 것입니다.

1단계: 의사결정 및 기준선 정의

운영 의사결정을 한 문장으로 작성하십시오: "AOI 이후, ICT 이전에 강화된 검토가 필요한 유닛을 식별한다." 이는 예측이 언제 이루어지는지, 누가 이를 소비하는지, 그리고 어떤 조치가 뒤따르는지를 설정합니다.

개발 전 기준선(Baseline) 측정값을 기록하십시오:

• ICT 및 기능 테스트(Functional-test) FPY (First Pass Yield)
• 오탐(False-positive) 격리율
• 평균 진단 및 재작업 시간
• 유닛당 스크랩(Scrap) 및 재테스트 비용
• 제품 및 공정군별 결함 DPPM (Defective Parts Per Million)

"품질 개선"과 같은 모호한 목표는 피하십시오. 더 강력한 목표는 합의된 임계값을 초과하여 검토 작업량을 늘리지 않으면서, 하류의 오탐 실패(False failures) 또는 유출(Escapes)을 줄이는 것입니다.

2단계: 직렬화된 학습 데이터셋 구축

유닛 시리얼 번호 또는 패널 식별자를 사용하여 기록을 결합합니다. 유용한 입력값으로는 SPI 페이스트 부피, 배치 예외(Placement exceptions), AOI 결함 호출, 리플로우 존(Reflow-zone) 온도, 피더(Feeder) 이벤트, 자재 로트(Material lots), 장비 식별자 및 공정 단계 사이의 경과 시간이 포함됩니다. 타겟 라벨(Target label)은 확정된 ICT, 기능 테스트, 수리 또는 고장 분석(Failure-analysis) 결과에서 가져올 수 있습니다.

BOM(Bill of Materials) 및 구성 이력(configuration history)은 조인(join) 과정에 반드시 포함되어야 합니다. ECN(Engineering Change Notice)을 통해 도입된 0201 커패시터는 이전 패키지나 공급업체의 제품과 다르게 동작할 수 있습니다. 만약 개정(revision) 맥락 없이 두 구성의 기록이 혼합된다면, 모델은 오해의 소지가 있는 관계를 학습할 수 있습니다.

중복된 재테스트(retests) 데이터는 주의해서 제거해야 합니다. 세 번 실패한 후 한 번 통과한 유닛은 하나의 일련화된 제조 결과(serialized manufacturing outcome)이지, 네 개의 독립적인 예시가 아닙니다. 간헐적인 동작(intermittent behavior) 자체가 예측 지표가 될 수 있으므로, 시퀀스(sequence)를 별도의 필드에 보존하십시오.

3단계: 프로세스 인지형 피처(process-aware features) 생성

엔지니어가 설명할 수 있는 변수부터 시작하십시오. 예로는 SPI(Solder Paste Inspection) 목표치에서의 편차, 결함 유형별 AOI(Automated Optical Inspection) 호출 횟수, 최대 배치 오프셋(placement offset), 액상선 상부 유지 시간(time above liquidus), 피더(feeder) 보충 횟수, 그리고 자재 로트(material-lot)와 장비 조합의 과거 FPY(First Pass Yield) 등이 있습니다.

전자 제조 분야의 AI는 피처 설계(feature design)가 프로세스 체인(process chain)을 반영할 때 가장 잘 작동합니다. 고립된 AOI 점수는 영향력이 약할 수 있지만, 낮은 페이스트 부피(paste volume), 배치 오프셋(placement offset), 그리고 경계선상의 테스트 시그니처(test signature)가 결합되면 오픈 조인트(open joint)를 강력하게 나타낼 수 있습니다.

훈련(training) 데이터와 검증(validation) 데이터는 인접한 유닛을 무작위로 분산시키기보다 시간 또는 빌드 로트(build lot) 단위로 분리하십시오. 무작위 분할(random split)을 사용하면 거의 동일한 공정 조건이 두 세트에 모두 유출되어, 비현실적으로 높은 검증 점수를 생성할 수 있습니다.

4단계: 훈련, 검증 및 임계값(thresholds) 선택

해석 가능한 분류 모델(classification model)로 시작하여 이를 단순한 규칙 기반 베이스라인(rule-based baseline)과 비교하십시오. 정밀도(precision), 재현율(recall), 미검출률(false-negative rate), 그리고 추가 검토를 위해 보내진 유닛의 수를 평가하십시오. 결함이 드문 경우 정확도(accuracy)만으로는 오해를 불러일으킬 수 있습니다.

검증에는 다음 사항이 포함되어야 합니다:

• 다양한 제품 구성 및 ECN 레벨
• 서로 다른 SMT 라인 및 장비 프로그램
• 공급업체 및 자재 로트(material-lot) 변동
• 램프업(ramp), 정상 상태(steady-state), 및 교체(changeover) 조건
• 확정된 결함 및 비결함 예시

공정 엔지니어(Process engineers), 테스트 엔지니어(test engineers), 그리고 제조 품질 보증(manufacturing quality assurance) 담당자는 오탐(false positives)과 미탐(false negatives) 사례를 함께 검토해야 합니다. 이들의 검토 과정에서 잘못 라벨링된 수리 기록, 일관되지 않은 결함 코드, 또는 이전에 알려지지 않았던 공정 간 상호작용이 드러나는 경우가 많습니다.

5단계: 통제된 대응 통합

먼저 섀도 모드(shadow mode)로 모델을 배포하십시오. 유닛 흐름(unit flow)을 변경하지 않은 상태에서 예측값을 생성한 다음, 이를 실제 테스트 및 수리 결과와 비교합니다. 모델이 안정화되면 강화된 AOI(Automated Optical Inspection) 검토나 타겟팅된 검사 지침과 같은 통제된 조치를 도입합니다.

AI 에이전트 엔지니어링 파트너는 현재의 BOM(Bill of Materials)을 검색하고, 계보(genealogy) 증거를 수집하며, 검토 패킷을 생성하고, 올바른 공정 소유자에게 알림을 보내는 제한된 워크플로우(bounded workflow)를 구축하는 데 도움을 줄 수 있습니다. 에이전트는 테스트 한계(test limits)를 조용히 변경하거나, 격리된 자재(quarantined material)를 출고하거나, SMT 레시피(recipe)를 변경해서는 안 됩니다.

모든 예측에는 모델 버전, 입력 데이터, 임계값(threshold), 권장 조치 및 사용자 응답이 기록되어야 합니다. 이러한 감사 추적(audit trail)은 모델의 권장 사항이 봉쇄(containment) 또는 처분(disposition)에 기여했을 때 조사를 지원합니다.

6단계: 생산 드리프트(production drift) 모니터링

전자 제조 분야의 AI는 장비 프로그램이나 테스트 애플리케이션과 유사한 라이프사이클 제어(lifecycle control)가 필요합니다. 데이터 완전성, 특성 분포(feature distributions), 예측률, 확정된 결함, 그리고 제품군별 성능을 모니터링하십시오. 주요 ECO(Engineering Change Order), 대체 부품 도입, 지그(fixture) 변경, 또는 공장 간 공정 이전이 발생한 후에는 검토를 실행해야 합니다.

재학습(Retraining)은 버전 관리 및 롤백(rollback) 기능이 포함된 승인된 워크플로우를 따라야 합니다. 프로토타입 제작 단계에서 성능이 좋았던 모델이라도, 공급업체, 작업자, 장비 활용도 및 결함 분포가 변하는 양산(volume ramp) 단계에서는 성능이 저하될 수 있습니다.

결론

수율 위험 모델 (yield-risk model)은 추적성 (traceability)과 엔지니어링 권한 (engineering authority)을 유지하면서 공장이 더 조기에 조치를 취할 수 있도록 도울 때 성공합니다. 구현 순서는 명확합니다: 의사결정을 정의하고, 신뢰할 수 있는 계보 (genealogy)를 구축하며, 프로세스를 인지하는 피처 (process-aware features)를 설계하고, 실제 조건 하에서 검증하며, 점진적으로 배포하고, 드리프트 (drift)를 모니터링하는 것입니다.

High-Tech Manufacturing AI Solutions 도입을 고려하는 조직은 AOI 검토, 테스트 진단, 예지 보전 (predictive maintenance), 부품 위험 분석 (component-risk analysis), 그리고 RMA 분류 (RMA triage)에 이 방법을 재사용할 수 있습니다. 모델은 변하겠지만, 규율 있는 구성 관리 (configuration control)와 측정 가능한 생산 결과가 그 토대로 남을 것입니다.