在 PCB 的制造过程中，一方面为满足客户对追溯性的要求，在发现问题时，需要可以快速定位问题原因和受影响的产品范围；另一方面，产品结构的变化也使得原有的各种系统无法满足需求，因此，大数据技术的引入势在必行。
引言
随着信息化技术的发展，数据的产生方式也在随之变化，数据的积累越来越迅速，存储容量也在不断增加，加之计算机的处理速度飞升，直接推动了以数据存储（内存和硬盘）、数据传输（网络）和数据计算（CPU 和分布式处理）为基础的大数据技术的发展。
大数据就是按照信息通信技术的发展逻辑，实现从提高生产效率向智能化生产阶段的自然转变，无处不在的信息识别感知系统和采集终端为我们采集了海量的数据，以分布式计算系统为代表的计算技术为我们提供了强大的计算能力，最终构建了一个与物理世界平行的数字化虚拟世界，而我们的目标就是将这个数字化的虚拟世界以数据视觉表现形式呈现出来。
早在多年以前，物联网、云计算、数字化制造等大数据技术的概念就已被提出；现如今，在智能城市、智能家居、智能物流及智能交通等非常多领域的应用已颇为成熟。而 PCB 制造领域在近一两年才开始引入这个概念，是原有的系统已经可以满足生产或是客户要求？还是因为导入过程有我们不知道的障碍因素？又或是信息安全的考虑？本文将带着这些问题展开讨论。
众所周知，数据的价值是有时效性的，越早分析越能更快地得到问题反馈或响应。对于 AOI 的检测结果，早期只能通过手工的方式进行记录，AOI 仅仅被作为生产设备将检测到的缺点进行标示或修理，或用于首件检查和抽检。随着客户需求的提升以及办公自动化的普及，企业开始将 AOI 的检测结果（缺点分类信息）录入电脑中并进行相应的统计分析，然后再将分析结果反馈给相关部门并要求改善，显然，这种处理方式的时效性仍然太低。再回顾 PCB 制造的追溯系统，最初只在产品上加生产周期，如果产品出现异常，将会影响整个批次的产品。
后来，大家开始采用 Lot 卡（生产流程信息卡）的方式进行管控，当有产品异常时，我们可以追溯到该 Lot 产品的生产情况。而随着客户需求的进一步提高和智能化生产的兴起，物联网被应用到工业领域，所有的产品都将被赋上标识信息，相应的数据也会被集中存储和处理，如果产品发生异常，则可以轻松地追溯到相应产品的生产日期、生产设备、生产参数及操作人员等信息。
如今，大数据、物联网以及数字化制造等中国制造 2025（工业 4.0）的概念正在逐渐应用到 PCB 的制造之中，而发展这些应用的迫切性和必要性，正是我们下面将要讨论的内容。
1. 大数据概述
提到大数据（Big Data），我们通常会想到物联网、云计算、分布式系统等概念，以及大数据的5V 特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）和 Veracity（真实性）。Gartner（高德纳公司）在给大数据定义时曾指出：数据量大小本身并不是判断大数据价值的核心指标，而数据的实时性和多元性对大数据的定义和价值更具直接的影响力，Gartner 还特别强调了大数据是多样化信息资产，不仅要关注实际数据，更要关注大数据的处理方法。
几十年来 PCB 制造企业尽管一直在通过历史记录、MES、ERP 等各种应用系统采集数据，但其实时性和多元性还是强差人意，并且这些不同类型的数据尚无法被完全运用到分析之中。
1.1. 大数据的发展历程
信息化科技的发展为大数据时代的到来提供了相应的技术支撑：存储设备的容量不断增加、CPU 处理能力大幅提升以及网络带宽的不断增加促成了大数据时代的来临。如表 1表示大数据发展的三阶段①中所述，大数据经历了运营式系统阶段、用户原创内容阶段和感知式系统阶段。
表 1：大数据发展的三阶段
1.2. 物联网
物联网是提供大数据的硬件基础，是物与物相连的互联网，是互联网的延伸。它利用电信网、电网及专用网等局部网络或互联网等通信技术把传感器、控制器、机器、人员和物等联在一起，形成人与物、物与物相联，实现信息化和远程管理控制。
我们熟悉的智能物流就是物联网的典型应用，参考图 1物联网系统层次结构①，当快递员收件时，会在物品上粘贴二维码并扫描（感知层），此时，物品的收寄信息被录入系统（网络层和处理层），我们便可以通过快递单号在其 APP 中进行物流信息的追踪（应用层）。
图 1：物联网系统层次结构
2. AOI 检测中的大数据应用
大数据一词被人们用来描述和定义信息爆炸时代产生海量数据的时代来临，尽管其概念在十多年前就已经出现，却只在近些年，随着中国制造 2025、工业 4.0 等概念的提出，国内制造业对自动化、智能化生产模式的需求日益增长，大数据技术方开始兴起并被应用于越来越多的生产制造项目之中。
AOI 无疑是此大潮中的佼佼者。我们一起来回顾一下 AOI 检测结果的记录方式，从而了解大数据技术是如何应用于其中的。
2.1. AOI 检测结果的记录方式
AOI 的检测结果首先应用于 PCB 产品的追溯系统。当前，电子产品呈现两个明显的趋势，一是轻薄短小、二是高速高频。这样的趋势相应地带动了 PCB 向高密度、高集成、封装化、细微化和多层化的方向发展，对高层板和 HDI 的要求也在日益提升。
PCB 的追溯系统从早期的“按料号和日期管控”，发展到“按批次号（Lot 卡，生产流程信息卡）”进行管控。随着每个批次号的 PCB 数量的逐渐减少，客户要求精确管理到每一块 PCB 板的生产状况，相应的，AOI 测试结果记录方式也要随之而改变。
手工记录表：无论是早期的人工目检还是现在自动光学检测，操作人员均使用记号笔在 PCB 板上标识缺点位置，并用表格的方式进行检测结查的记录，相信大家对下面表格（表 2 :xxx 检测结果记录表）并不陌生。各检测工序除了缺点类型不同之外，记录的内容大同小异，并通过画“正”字的方式来记录问题点的种类和数量。
表 2：xxx 检测结果记录表
手工记录表的方式，存在着明显的缺陷与不足：
随着智能手机、平板电脑和穿戴设备等电子产品向小型化和多功能化方向发展，要搭载的元器件数量大大增多，然而留给线路板的空间却越来越有限，操作人员难以手动标示或修理缺点，缺点信息无法生成指定格式的文件并被其他设备调用；
在发现问题时，客户希望可以快速准确的定位问题原因和受影响的产品范围，手工记录方法显然无法满足客户对追溯性的要求；
按批次手工记录，难以确认缺点是否发生在同一 Panel/Set/Unit，也无法按 Panel/Set/Unit 来计算产品的良率；
只记录缺点的数量，没有保存缺点图片，无法为问题的分析提供有力的依据；
问题点需要被动反馈，无法实时反馈。
手工记录+电脑录入：记录的方式与上述方法相同，但有专人将手工记录录入到电脑中，并生成 Excel 文件或电子图表（如下表3：xxx 工序总报废柏拉图，当然还会制作更多图表来展现问题，如 Top-x 缺点趋势图等），将录入的数据进行简单可视化处理。众所周知，Excel 对处理的记录数有限（最大行数 1048756），且当数据量超过上百 MB 后，其处理速度将明显变慢；当数据达到 GB 级时，Excel 根本无法处理。再者，电脑录入通常是在隔天进行，所以问题反馈的实时性会更差。
表3：xxx 工序总报废柏拉图
自动记录：在 PCB 的检测过程中，无论是人工目检还是自动光学检测，都需要经历人工判定的过程。检测设备将检测出的问题点呈现给判定人员，判定人员根据检测标准进行缺点分类Classification。如果我们将判定人员的操作过程直接与系统关联，那么，分类的信息将被会自动更新到数据库管理系统中，我们随即可以通过各种工具，将采集到的数据进行分析和各种数据可视化处理。自动记录的优点主要表现在：
① 无需在 PCB 板上标示缺点，即可生成 E-Mapping 图；
② 问题的数据准确，可定位到批号、板号、甚至是单元号；
③ 满足客户可追溯性的要求；
④ 相应的缺点图片被关联保存，可供问题分析；
⑤ 每台 AOI 光学检测机每天可产生 100K 条记录，数据处理速度快、无延时；
⑥ 可实时反馈问题点等。
2.2. PCB 检测的大数据应用
前述提到因为客户对产品自动化检测和产品可追溯性的需求，AOI 的检测结果需要精确到按每块板来自动记录。我借由康代公司的 CDB（CIMS DataBase）系统为例，来向大家介绍自动光学检测的大数据应用，并将结合物联网层次结构模型，简述如何将大数据技术导入到 AOI 光学检测中，以及导入过程中会出现的技术难点和导入后的部分应用现状。
2.2.1 物联网技术的导入
因 PCB 产品种类繁多、生产批量大、工艺流程长、加工工艺复杂、结构复杂等多方面因素，导致大数据系统的概念在 PCB 行业一直被提起，却久久未被实施。物联网技术的导入，是为了满足客户对可追溯性的需求。以下，将按照物联网的层次结构进行分别分析。
感知层：对于感知层的导入，我们需要考虑以下几点：
① 是在产品中植入 RFID 标签？还是制作二维码？显然，植入 RFID 标签成本太高（即便 RFID 标签可重复使用），而制作二维码也存在着因产品结构而引发困难的可能性；
② 二维码的制作方法：二维码的大小、内容、位置、是否内置，以及是通过蚀刻直接生成、还是激光打码或是钻孔的方式来制作，乃至不同压合类型的二维码的关联等，都将面临着一系列的问题。如何制作需要根据每个厂商自身的产品结构和制程方法来定制；
③ 关联关系：单双面板或四层板，基本上可以保证二维码的唯一性，对于六层以上的板，我们既要保证压合前后二维码的关联关系，更要考虑到成型前后的关联关系；
④ 二维码的制作方式确定后，相应的读码器也随之确定，是采用二维码读码器还是采用摄像头来读取，相应的安装位置都是需要考虑的点。
网络层：网络层的设计思路，首先，要选定网络带宽，是百兆还是千兆？该问题主要是考虑到缺点图片的保存以及缺点文件的分析等应用；其次，是否需要接入 Internet 网或电信网络用于移动终端的应用开发？检测数据的分析是否需要引入云计算？再者，其他生产线的 PLC 数据的是否互联和企业办公网络的是否接入？进而，网络信息安全也是需要考量的重要因素。
处理层和应用层：不同厂商的检测设备采用不同的数据库系统，PCB 制造商也都有各自的系统，系统之间的接口程序如何分工，平台信息共享过程中的信息安全如何保证，都是需要经过深思熟虑的（对于数据库系统以及整套系统的部署细节，在此将不做详细讨论）。在采集到数据后，我们需要使用各种数据可视化工具，按照需求来展现相应的报告、报表、图表等，随后详述。
2.2.2 大数据的应用
通过物联网技术，我们一旦采集到设备的状态数据和检测数据，即可对其进行各种数据 可视化设计。以下是康代公司 CDB 系统的少部分应用，仅作为抛砖引玉供大家参考。
定制化报表：产品缺点信息和产品型号，批次号，层次和单元号以及产品的生产设备已相互关联，我们可以根据需要来设计设备生产情况，产品按 Panel/Set/Unit统计的良率，获得每个型号的缺点分类情况，每个缺点类型的走势等报告或图表。
虚拟确认站：产品完成扫描后，相应的检测数据被存入数据库，我们可通过装有相关应用程序的终端导入缺点图片进行确认，在此过程中，可同时进行多个缺点的虚拟确认。其主要目的，是过滤假缺点或非关键缺点，从而减少确认机数量和人工。
Defect Mapping：通过缺点分类信息，我们可以生成某个批次的缺点分布图，也可查看某类缺点在板上的分布情况，从而给问题分析提供更准确的依据。
E-Mapping 系统简介：目前高端 HDI 板都采用新型的 SLP 类载板制作技术。类载板（Substrate-Like PCB，简称 SLP）是在 HDI 技术的基础上，采用mSAP 制程的新一代精细线路印制板，因此检测人员无法在产品上修理甚至标示问题点。采用 CDB 系统后，操作人员只需在确认缺点过程中输入相应的缺点代码，缺点分类信息将通过系统生成指定格式的电子档，即 E-Mapping 图。此电子档（内含缺点坐标信息）可提供给相关部门的报废系统所使用。实际上，E-Mapping 系统早在半导体和 BGA 载板上被采用。
3. 大数据技术在 AOI 自动光学检测方面的应用展望
将机器学习应用到 AOI 检测 — 正如前文所述，PCB 的检测结果都需要经过人工判定，而采用大数据系统后，人工判定的缺点分类信息将被大量记录在数据库中，如果采用 AI（人工智能，Artificial Intelligence）技术对已有的缺点分类信息进行学习，可更进一步地实现生产制造过程智能化、信息化管控，是未来智能制造的典型应用，对客户提升产品形象也起到重要作用。
当然，如果将机器学习应用到自动光学检测，对每个缺点类型（甚至不同的产品类型）都需要数以万计的图片进行计算机训练来生成相应的模型，加上机器学习算法 CNN（卷积神经网络）需要的计算资源等，都需要庞大的系统资源，那么，分布式文件系统、计算机集群或云计算等的部署也将成为必然趋势。
