Revolusi printed circuit boards atau papan sirkuit tercetak mampu mengubah kehidupan dan pekerjaan kita. Syaratnya adalah desain berkualitas yang dibuat dengan AI atau kecerdasan buatan. Aplikasi algoritma membantu penghematan listrik.
Tanpa papan sirkuit tercetak atau printed circuit boards (PCB), tidak akan pernah terjadi revolusi di sektor elektronik yang kemudian mengubah kehidupan dan pekerjaan kita sehari-hari.
PCB merupakan platform tempat komponen elektronik yang sangat kecil dan saling berinteraksi satu sama lain dalam menjalankan fungsinya.
Kita menemukan PCB dalam jumlah yang semakin besar dengan aplikasi yang semakin kompleks. Derngan demikian, pada gilirannya hal itu menyebabkan persyaratan yang semakin ketat terkait dengan desain dan jaminan kualitas.
Sangat penting diperhatikan, misalnya, untuk menghindari gangguan listrik dan memastikan kompatibilitas elektromagnetik.
Oleh sebab itu, tim peneliti di Institut Fraunhofer untuk Teknologi Informasi Terapan FIT mengembangkan platform kecerdasan buatan atau artificial intelligence (AI) berbentuk modular.
Tujuannya untuk mengoptimalkan desain dan pengujian PCB, sehingga mengurangi pengeluaran yang diperlukan sebanyak 20 persen.
Saat merancang PCB untuk aplikasi baru, setiap perawatan dilakukan untuk memanfaatkan sebaik mungkin ruang yang tersedia, dan menempatkan komponen sedekat mungkin tanpa risiko kegagalan.
Saat ini, proses ini sangat bergantung pada pengalaman para insinyur yakni para desainer PCB dan kemudian dilanjutkan dengan uji coba secara nyata.
Komplikasi yang terjadi kemudian adalah tidak didokumentasikan hasil secara ketat. Artinya desain rawan kesalahan, dan harus dilakukan pengujian berulang kali. Ujung-ujungnya terjadi peningkatan biaya.
Mengingat desainnya yang kompleks, PCB harus dibuat dengan spesifikasi yang sangat ketat. Untuk alasan iu, setiap PCB harus diuji coba dengan cara inspeksi optik otomatis atau automated optical inspection (AOI).
Cara inspeksi adalah dengan menggunakan teknik analisis gambar untuk menentukan bahwa PCB telah diproduksi sesuai desain, dan dijamin bahwa produk tidak memiliki cacat teknis.
Akan tetap, para peneliti menyebutkan bahwa dengan metode itu menghasilkan tingkat negatif palsu yang tinggi. Misalnya banyak PCB yang berfungsi penuh secara keliru dan hal itu termasuk klasifikasi yang cacat.
PCB yang rusak itu harus diperiksa sekali lagi dengan tangan, baik secara visual mau pun dengan alat ukur. Dengan kata lain, tingkat negatif palsu yang terlalu tinggi menandakan bahwa PCB yang tidak cacat harus ditolak.
PCB yang ditolak itu membutuhkan inspeksi ulang, yang pada gilirannya mengerus biaya yang lebih tinggi.
Di sisi lain, jika tingkat PCB terlalu rendah, biaya tindak lanjutnya lebih tinggi karena komponen yang cacat masuk ke rantai pasokan.
Kita sulit untuk mencapai tingkat positif benar atau salah negatif ideal berdasarkan inspeksi manusia. Oleh karena kesalahan manusia juga masuk ke dalam persamaan.
Bagaimana melakukan seleksi optimal berdasarkan teknik belajar mandiri? Hasil pengembangan tim pneliti Fraunhofer FIT menunjukkan bentuk proses inspeksi di masa depan.
Seperti pada inspeksi optik otomatis konvensional atau conventional automated optical inspection (AOI), kamera merekam gambar PCB. Cara ini bertujuah untuk meningkatkan kualitas keputusan yang dibuat denan teknologi algoritma.
Pada konteks ini, sangat penting modul dilengkapi dengan data pelatihan berkualitas tinggi. Awalnya, modul untuk pembelajaran mesin atau machine learning.
Bagaimana jika pembelajaran mendalam dilengkapi dengan pilihan data yang baik?
“Dengan desain modular, kita memanfaatkan beberapa algoritme dan secara terus-menerus meningkatkan kinerjanya. Data yang dihasilkan inspeksi otomatis komponen yang berkelanjutan mengalir kembali ke algoritma,“ ungkap Timo Brune, Manajer Proyek di Fraunhofer FIT.
Timo Brune menjelaskan bawa dengan memberikan dasar untuk proses belajar secara mandiri dengan menggunakan modul kecerdasan buatan atau AI.
“Umpan balik permanen ini meningkatkan database dan mengoptimalkan tingkat negatif yang sebenarnya. Perkiraan awal dari industri ini menunjukkan bahwa hasil dapat mengurangi penggunaan sumber daya produksi sekitar 20 persen,” tandas Timo Brune.
Pengguna dapat melatih modul sendiri, berdasarkan proses dan data produksi sendiri. Ini berarti bahwa perusahaan mempertahankan kendali atas data mereka sendiri, dan tidak diharuskan untuk mengirimkannya ke server eksternal, misalnya.
Pengembangan algoritma dapat dikombinasikan sesuka hati untuk aplikasi untuk memecahkan masalah tertentu.
Setelah dilatih, algoritme juga dapat digunakan untuk merancang PCB yang baru. Ini mengakhiri prosedur percobaan dan kesalahan yang panjang dengan ongkos mahal di mana komponen disusun di papan sampai konfigurasi optimal dapat dibuatkan.
Suatu algoritma membantu memprediksi jenis konfigurasi dari sejumlah opsi, dan menawarkan fungsionalitas terbaik.
Aplikasi printed circuit boards (PCB) hanya salah satu contoh di mana platform algoritma modular yang meningkatkan diri sendiri dapat meningkatkan desain dan jaminan kualitas.
Bahkan, pendekatan tim peneliti Fraunhofer FIT dapat diterapkan ke banyak sistem listrik lainnya.
Di sini juga, proses dapat dioptimalkan untuk mencapai penghematan yang signifikan dalam waktu dan biaya produksi yang lebih efisien.
