Jak strojové učení optimalizuje PCB procesy

Výroba desek plošných spojů je proces, ve kterém vzniká obrovské množství dat. Informace o výrobních parametrech, výsledcích kontrol, chování strojů nebo jednotlivých výrobních krocích dnes není problém získávat. Mnohem důležitější otázkou je, co z těchto dat dokážeme zjistit a jak je využít pro lepší výrobu PCB.

Právě zde se stále více uplatňuje strojové učení (machine learning). Jeho úkolem není pouze najít chybu, která už vznikla. Dokáže hledat souvislosti v datech a na jejich základě pomáhat předvídat problémy, optimalizovat výrobní procesy nebo upozornit na neobvyklé chování zařízení.

Ve výrobě PCB tak může strojové učení představovat další krok k chytřejší a stabilnější výrobě.

Co je strojové učení a proč má význam pro výrobu PCB?

Strojové učení je součást umělé inteligence, která umožňuje počítačovým systémům učit se z dostupných dat. Místo toho, aby člověk musel předem definovat každou možnou situaci, model hledá v datech určité vzorce a vztahy.

Rozdíl lze jednoduše ukázat na kontrole výrobního procesu.

Klasický automatizovaný systém může mít například nastaveno:

Pokud teplota překročí stanovenou hodnotu, systém upozorní obsluhu.

Model strojového učení může pracovat jinak. Zohlední teplotu, tlak, rychlost procesu, předchozí výsledky kontroly a další dostupné informace a může zjistit, že určitá kombinace hodnot často předchází vzniku konkrétní vady.

To je důležitý posun. Výrobní systém už pouze nereaguje na problém. Snaží se ho předvídat.

Výroba PCB vytváří data na každém kroku

Moderní výroba elektroniky je založena na celé řadě kontrol a měření. Data vznikají například při výrobě a osazování desek, při optické kontrole, při měření výrobních parametrů nebo při sledování samotných výrobních zařízení.

U osazování elektronických součástek lze například pracovat s daty ze systémů SPI (Solder Paste Inspection) a AOI (Automated Optical Inspection). Tyto systémy dokážou zachytit velké množství informací o kvalitě výroby.

Samotné množství dat ale ještě neznamená, že výrobní proces bude automaticky kvalitnější. Klíčové je umět data propojit a najít v nich vztahy, které nejsou na první pohled viditelné.

Výzkum využívající data ze SPI například pracoval s více než 6 miliony pinů, 2 miliony komponent a více než 15 tisíci PCB. Strojové učení zde sloužilo k detekci výrobních vad na různých úrovních – od jednotlivých pinů přes komponenty až po celou desku.

Právě velké množství výrobních dat je jednou z oblastí, kde má machine learning oproti ručnímu vyhodnocování výraznou výhodu.

Od odhalení vady k hledání její příčiny

Jedním z nejzajímavějších využití AI ve výrobě elektroniky není pouze otázka „Je tato deska v pořádku?“, ale také „Proč tato vada vznikla?“

Představme si výrobní linku, na jejímž konci AOI systém odhalí problém. Samotná kontrola může velmi dobře říct, kde se vada nachází. Její skutečná příčina ale může být mnohem dál v procesu.

Problém může souviset například s:

• nanesením pájecí pasty,
• nastavením tiskového procesu,
• polohou komponenty,
• teplotním profilem,
• parametry osazovacího zařízení,
• opotřebením některé části technologie,
• nebo kombinací několika faktorů.

Proto je důležité propojit data z různých výrobních kroků.

SPI → osazování → reflow → AOI → výsledná kvalita

Pokud jsou data z jednotlivých kroků dostupná v jednotném systému, může machine learning hledat souvislosti mezi výrobními parametry a výslednou kvalitou.

Výzkum Fraunhoferova institutu IZM se například zabývá právě využitím AI pro propojení dat ze SPI a AOI. Cílem není pouze automaticky najít vadné místo, ale také lépe porozumět tomu, co mohlo být příčinou vady.

To může být pro výrobce velmi cenné. Čím rychleji dokáže najít příčinu problému, tím rychleji může upravit proces a zabránit opakování stejné chyby.

Strojové učení a vizuální kontrola PCB

Další oblastí, kde se AI přirozeně uplatňuje, je automatická vizuální kontrola.

Kamery a optické systémy dokážou během výroby pořídit obrovské množství obrazových dat. Člověk by jejich vyhodnocování zvládal jen omezeně. Algoritmy strojového učení a zejména hlubokého učení (deep learning) dokážou obrazová data analyzovat automaticky.

V případě PCB může jít například o hledání:

• přerušených spojů,
• zkratů,
• chybějících otvorů,
• nadbytečné mědi,
• nesprávně osazených součástek,
• nebo dalších odchylek od požadovaného stavu.

Výhodou není pouze rychlost. Model může být trénován na velkém množství předchozích výrobních dat a postupně se tak zlepšovat v rozpoznávání různých typů vad.

Je však důležité zdůraznit, že AI nenahrazuje samotný kamerový systém. Kamera získává obrazová data. Algoritmus strojového učení následně pomáhá tato data interpretovat.

Prediktivní údržba: problém dříve, než zastaví výrobu

Strojové učení nemusí sledovat pouze kvalitu vyrobených PCB. Může pomáhat také se sledováním samotných výrobních technologií.

Výrobní zařízení během provozu vytvářejí data o například:

• teplotě,
• vibracích,
• tlaku,
• rychlosti,
• provozních cyklech,
• nebo dalších parametrech.

Pokud systém dlouhodobě sleduje jejich vývoj, může odhalit odchylku od běžného chování.

Klasický přístup může znamenat:

porucha → odstávka → oprava

Prediktivní údržba se snaží dostat k modelu:

sledování dat → předpověď problému → plánovaná údržba

Neznamená to, že strojové učení dokáže přesně předpovědět každou poruchu. Jeho přínos spočívá především v tom, že může upozornit na neobvyklé chování zařízení a pomoci údržbě rozhodnout, kdy je vhodné zasáhnout.

Optimalizace výrobních parametrů

Další možností je využití machine learningu přímo pro optimalizaci procesu.

Ve výrobě často existuje velké množství parametrů, které mohou ovlivnit konečný výsledek. Některé změny jsou přitom velmi malé a jejich vzájemné působení může být obtížné vyhodnotit ručně.

Strojové učení může pracovat s vazbou:

vstupní parametry → výrobní proces → výsledná kvalita

Na základě historických dat může například pomoci určit, které kombinace parametrů vedou k lepším výsledkům a které naopak zvyšují pravděpodobnost vzniku vady.

Výsledkem nemusí být automatické řízení celé výroby. V praxi může být velmi užitečné už to, když systém technologovi nabídne doporučení nebo upozornění, které mu pomůže rozhodnout se rychleji a přesněji.

Největší výzvou nejsou algoritmy, ale kvalitní data

Při debatách o AI se často mluví především o tom, jaký model použít. Ve výrobě je ale minimálně stejně důležitá otázka:

Máme dostatečně kvalitní data?

Strojové učení se učí z dat. Pokud jsou data neúplná, nekonzistentní nebo špatně označená, může být problematický i výsledek velmi pokročilého algoritmu.

Výzvou může být také propojení dat z různých systémů. Jedna výrobní technologie může používat jiný formát dat než jiná. Data mohou být uložena v různých systémech a nemusí být mezi sebou jednoduše propojitelná.

Proto je důležitým základem pro využití AI ve výrobě digitalizace, správná struktura dat a jejich dostupnost.

Teprve na dobře připravených datech může strojové učení hledat smysluplné souvislosti.

Může AI nahradit člověka?

V souvislosti s umělou inteligencí se často objevuje otázka, zda jednou nahradí člověka. Ve výrobě PCB je ale praktičtější dívat se na AI jako na nástroj pro podporu rozhodování.

Technolog má zkušenosti s výrobním procesem a zná jeho souvislosti. AI dokáže velmi rychle zpracovat množství dat, která by člověk ručně analyzoval jen obtížně.

Ideální kombinací proto nemusí být člověk proti AI, ale:

člověk + data + AI

Systém může například upozornit, že určité výrobní parametry vykazují nestandardní kombinaci. Člověk následně vyhodnotí situaci a rozhodne, zda je nutné výrobní proces upravit.

Důležitá je přitom také vysvětlitelnost výsledků AI. Pokud má pracovník podle doporučení systému změnit výrobní proces, potřebuje rozumět alespoň základnímu důvodu, proč mu systém takové doporučení poskytl.

Kam může machine learning posunout výrobu PCB?

Strojové učení samo o sobě není kouzelným řešením všech problémů výroby. Jeho potenciál ale spočívá v kombinaci několika oblastí.

Může pomoci:

• předvídat vznik některých výrobních vad,
• rychleji hledat jejich příčiny,
• analyzovat obrazová data z automatické kontroly,
• sledovat stav výrobních zařízení,
• plánovat prediktivní údržbu,
• optimalizovat výrobní parametry,
• snižovat množství odpadu a reworku,
• a především lépe využívat data, která už ve výrobě vznikají.

Budoucnost výroby PCB tak nemusí spočívat pouze v rychlejších strojích a větší automatizaci. Stále důležitější bude také schopnost učit se z dat, která během výroby vznikají.

A právě v tom může mít strojové učení jednu z největších rolí. Nejde pouze o to zjistit, co se ve výrobě stalo. Cílem je postupně dokázat lépe pochopit proč se to stalo, co se může stát příště a jak výrobní proces včas upravit.

Zdroj: Lee, Jay, et al. “2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing.” Machine Learning: Engineering, edited by , vol. 2, no. 2, July 2026, p. 22001[2605.00839] 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing