Tervetuloa verkkosivuillemme.

Kuinka 3D AOI mullistaa piirilevyjen valmistuksen: laatu, tehokkuus ja strateginen investointi

Piirilevyjen kokoonpanossa voi esiintyä monia erilaisia ​​ongelmia. Näitä ovat puuttuvat komponentit, siirtyneet tai kiertyneet johdot, väärien komponenttien käyttö, riittämätön juottaminen, liian paksut liitokset, vääntyneet IC-nastat ja kostutuksen puute. Näiden vikojen poistamiseksi on välttämätöntä tarkastaa kootut ja juotetut komponentit huolellisesti. Komponenteista on kuitenkin vuosien varrella tullut erittäin pieniä, ja 3D-AOI:ta käytetään monimutkaisten vikojen löytämiseen.

微信图片_20250331155816

Vaikka 2D-AOI perustuu tasokuvantamiseen komponenttien tarkastamiseen värikontrastia ja harmaasävyanalyysiä käyttäen, 3D-AOI hyödyntää edistyneitä 3D-kuvantamoduuleja (esim. yksi DLP-projektori + monikulmakamerat) korkeuskarttojen ja tilavuustietojen tallentamiseen. Ilmeinen etu on, että 3D-AOI pystyy tunnistamaan vikoja, jotka ovat paljaalla silmällä näkymättömiä (varjostetut alueet esimerkiksi korkeiden komponenttien, kuten liittimien tai kondensaattoreiden, alla), mikä vähentää tarkastusprosessin läpi lipsahtavien vikojen määrää ja voi olla tarkempi.

微信图片_20250331155830

Ne ovat paljon tarkempia, koska ne ottavat useita kuvia eri kulmista. 3D-AOI-laite käyttää ohjelmistoa vertaillakseen tarkastamaansa piirilevyä ohjelmoituun kaavioon. Sitten se raportoi mahdolliset poikkeamat, mukaan lukien sijainnin, mittojen mittaukset ja komponenttien virheellisen linjauksen.

微信图片_20250331155850

3D-AOI on kriittinen edistyneille aloille:

Autoteollisuus: Varmistaa turvallisuuskriittisten piirilevyjen (esim. ADAS-moduulien) luotettavuuden

Lääkinnälliset laitteet: Vahvistaa juotoksen eheyden implantoitavissa elektroniikkalaitteissa.

Ilmailu- ja avaruusteollisuus: Täyttää IPC-luokan 3 standardit luotettaville kokoonpanoille.

Jotkut heidän piirilevyistään ovat monimutkaisia ​​ja tiheitä, mikä voi aiheuttaa piileviä vikariskejä, kuten älypuhelimet, tabletit, älykellot, AR-lasit, elektroniset ohjausyksiköt ja ajoneuvojen edistyneet kuljettajan avustusjärjestelmät, sydämentahdistimet, neurostimulaattorit, kannettavat näytöt, teollisuusautomaation ohjausmoduulit, 5G-tukiasemat, optiset tietoliikennelaitteet jne. Niillä teollisuudenaloilla, jotka vaativat mikroskooppisia tai tiheitä komponentteja, piirilevyjen on käytettävä 3D-AOI:ta BGA/LGA-juotospallojen virheiden havaitsemiseen, kuten mikroskooppiset komponentit, kuten 01005-kotelokomponentit (0,4 mm × 0,2 mm).

微信图片_20250331155903
微信图片_20250331155911
微信图片_20250331155918

Meillä on kapasiteettia tuottaa näitä erittäin tarkkoja tuotteita asiakkaille. Ja strategisena investointina valmistuksen huippuosaamisen saavuttamiseen käytämme 3D-AOI-koneita parantaaksemme piirilevykokoonpanojemme laatua ja tehokkuutta.

3D AOI:n arvo ulottuu virheiden havaitsemisen lisäksi prosessien optimointiin, kustannusten hallintaan ja datalähtöiseen päätöksentekoon.

Prosessien optimointi

1. Mittaa juotospastan määrän, korkeuden ja painuman, antaen reaaliaikaista palautetta sapluunatulostimille (esim. sapluunan paineen tai lastan nopeuden säätämiseksi) erätason juotosvirheiden estämiseksi.

2. Tarkastaa erityyppisiä piirilevyjä. Se on monipuolinen työkalu laadun testaukseen.

3. Tukee useiden tuotteiden tunnistusta (esim. vaihtaminen TV:n emolevyistä virtalähteen piirilevyihin) alle 5 minuutin vaihtoajalla, mikä vastaa paljon käytettyjä ja vähän käytettyjä tuotteita.

4. Havaitsee sekalaiset THT- (läpireikä-) ja SMT-levyt.

5. Tarkastelee laudan molempia puolia samanaikaisesti, nopeammin ja tehokkaammin.

Kustannusten hallinta

1. Havaitsee juotosongelmat SMT-vaiheessa (verrattuna kokoonpanon jälkeisiin ongelmiin) ja alentaa uudelleentyöstökustannuksia piirilevyä kohden 70 % (koteloiden/kaapeleiden purkamista ei tarvita).

2. Optimoi lämpöprofiloinnin reflow-uuneissa, vähentäen energiankulutusta 15–25 %.

3. Kulutuselektroniikan palautusprosenttien alentaminen säästää jälkimarkkinointikustannuksia ja välttää vaatimustenmukaisuuteen liittyviä riskejä.

Datalähtöinen päätöksenteko

Se pystyy automaattisesti tunnistamaan vikatyyppien (esim. kylmäjuotos, linjausvirheet) spatiaaliset ja ajalliset jakaumat prosessiongelmien (esim. suuttimien kuluminen poiminta-ja-paikkauskoneissa, reflow-uunin poikkeamat) paikantamiseksi.


Julkaisun aika: 31.3.2025