SMT 贴装焊点缺陷检测系统

看到不良，却说不清哪里不良

客户产线的不良率波动很大，但每次异常发生后，能统计到的只有最终不良数。SMT 流程包含印刷、贴装、回流焊接、检测多个环节，一个焊点不良可能是锡膏印刷量不足、贴装偏移、也可能是回流曲线不当，而最终统计口径把这些都归为一类。

这导致改善动作缺乏方向：不知道该调印刷机、贴片机还是回流炉，只能凭经验逐个环节试。试错的成本被摊在产线上，而问题可能在下一次波动时以另一种形式重现。

把 AOI 数据接出来

突破口在 AOI（自动光学检测）设备。AOI 本来就在每个工位产生大量检测数据——缺陷位置、缺陷类型、图像。但这些数据通常只用于本工位的判定与报警，没有跨工位汇聚，也没有与工艺参数关联。

方案的第一步是把 AOI 数据接出来，与产线的工艺参数、批次信息关联，构成一条完整的工序链路数据。技术上不复杂，难的是数据口径统一：不同品牌 AOI 的缺陷分类命名不一致，同一个“虚焊”在两台设备上可能叫不同名称，必须先做映射。

归因模型的逻辑

不良回溯分析模型的核心不是复杂的算法，而是把工艺知识结构化：每一类缺陷在工序链路上的成因是相对确定的，模型要做的是用数据验证并量化这些成因的贡献度。

• 缺陷位置与焊盘几何、元器件引脚位置的偏差关联，指向贴装精度
• 缺陷类型（如连锡、少锡）与印刷参数、钢网开口的历史变化关联，指向印刷环节
• 缺陷的批次聚集性与回流曲线、环境温湿度的记录关联，指向焊接环节

模型输出的不只是“哪个环节”，还包括制程能力指数与关键参数的控制建议。前者告诉现场“这个环节稳不稳”，后者告诉现场“该把哪个参数收到什么范围”。

改善闭环怎么做起来

归因只是开始，真正见效在于闭环：归因结果要能转化为工艺参数的调整，调整后的效果要能被下一轮数据验证。为此把输出做成两份材料——一份是给工艺工程师的详细分析，一份是给班组长的单页控制建议。前者用于改参数，后者用于日常点检。

上线初期的做法是先“只报不改”：连续观察两周，让工艺人员核对模型归因与实际判断是否一致。一致性建立之后才开始按建议调整参数。这个阶段看似拖慢进度，实际上决定了这套系统能否被现场信任。

结果与沉淀

不良回溯定位效率提升 5 倍，原本需要逐环节排查的问题可以在数据层面直接定位到工序；贴装不良率环比下降 41%，年减少返修成本约 120 万元。

沉淀下来的是归因规则库与工序链路数据模型。前者随生产持续扩充，新出现的缺陷类型可以补充规则而不必重建模型；后者成为后续导入新产线时的数据底座，新线的数据接入不再从零开始梳理口径。