没有印刷电路板（PCB），就不会有电子革命。PCB是微型电子组件相互交互的平台。今天，在越来越多的越来越复杂的应用中使用了PCB。这导致对设计和质量保证的要求越来越严格。例如，至关重要的是避免任何电干扰并确保电磁兼容性。弗劳恩霍夫应用信息技术研究所FIT开发了一个模块化的AI平台，以优化PCB的设计和测试，从而将所需的支出减少了多达20％。

 

　　在设计用于新应用的PCB时，应注意充分利用可用空间，并尽可能紧密地将组件放置在一起，而不会出现故障风险。目前，此过程很大程度上取决于工程师的经验，然后必须在实际试验中对他们的设计进行测试。更为复杂的是，结果没有得到严格记录，这意味着容易出错的设计要进行重复测试，从而导致成本增加。

 

　　高支出，保证质量

 

　　鉴于其复杂的设计，必须按照极其严格的规格制造PCB。因此，每个完成的PCB至少要经过自动光学检查（AOI）。使用图像分析技术来确定PCB是按照设计生产的，没有任何技术缺陷。但是，目前，这种方法会产生很高的误报率，即许多功能齐全的PCB被错误地归类为不良品。

 

　　然后必须目视或通过测量设备再次用手检查这些所谓的有缺陷的PCB。换句话说，假阴性率高得令人无法接受，这意味着无缺陷的PCB被拒收，然后需要重新检查，从而导致更高的成本。另一方面，如果该比率太低，则由于有缺陷的组件进入供应链而导致的后续成本很高。基于人为检查很难达到理想的真实正/假负率，因为人为误差也会进入方程式。

 

　　基于自学习技术的最优选择

 

　　Fraunhofer FIT现在显示了未来检查过程的外观。与传统的自动光学检查（AOI）一样，摄像机会记录PCB的图像。这提高了算法做出的决策的质量。在此，为模块提供高质量的培训数据至关重要。最初，用于机器学习和深度学习的模块提供了很好的数据选择。

 

　　“ 模块化设计意味着我们可以利用几种算法，这些算法可以不断提高自身的性能。通过对组件进行自动检查产生的数据流回到算法中。然后，这为人工智能模块进行自学习提供了基础， ” Fraunhofer FIT项目经理Timo Brune解释道。“这种永久性反馈增强了数据库并优化了真实的否定率。业界的早期估计表明，这可能会将生产资源的使用减少约20％。”

 

　　用户可以根据自己的过程和生产数据自己训练模块。这意味着公司保留对自己数据的控制权，而无需将其发送到外部服务器。该算法工具包可以随意组合以应用于特定问题。

 

　　新的智能设计

 

　　一旦经过训练，这些算法也可以用于设计新的PCB。这结束了冗长而昂贵的反复试验过程，由此将组件排列在板上，直到找到最佳配置为止。取而代之的是，一种算法可以帮助您从众多选项中预测出哪种配置可提供最佳功能。

 

　　PCB应用仅仅是模块化，自我增强算法平台可以增强设计和质量保证的一种情况。实际上，Fraunhofer FIT的这种方法可以应用于许多其他电气系统。在此，也可以优化流程，以节省大量时间和生产成本。