Pseudoausschuss senken: Grenzmuster, Fehlerklassen und die Frage, welcher Fehler zählt

An einer bestimmten Stelle bleiben die Anforderungen in der Elektronikfertigung auffällig oft offen. Gefragt wird nach der kleinsten relevanten Fehlergröße, und die Antwort lautet, sie werde sich aus der Erfahrung ergeben. Das ist keine Nachlässigkeit. Niemand im Werk kann sagen, ab welcher Ausdehnung ein Kratzer oder ein Rückstand stört, weil es dafür nie eine Zahl gab, sondern immer nur ein Urteil. Solange dieses Urteil bei Menschen liegt, fällt es unterschiedlich aus, und unter dem Druck einer Reklamation fällt es in eine Richtung. Aussortiert wird lieber zu viel. Dieser Beitrag zeigt, wie aus einer unbestimmten Erwartung eine Regel wird, die eine Prüfstation anwenden kann.

Wichtige Punkte im Überblick

In dokumentierten Anwendungen bleibt die kleinste relevante Fehlergröße fast immer offen und soll sich aus der Erfahrung ergeben, weshalb die Auslegung sinnvollerweise mit den beiden Werten beginnt, die immer bekannt sind, dem benötigten Bildfeld und der Taktzeit.
Wie weit die Spanne reicht, zeigen die dokumentierten Anwendungen mit 0,06 mm an einer Lötstelle, 25 µm an Halbleiterbasisplatten und einer vom Kunden vermuteten Fehlergröße von 2 bis 5 mm bei Dellen aus einem Pressprozess.
An die Stelle der fehlenden Zahl tritt ein Satz aus IO- und NIO-Teilen, in einem dokumentierten Versuch 2.300 Gutteile und 100 Schlechtteile, der die Grenzfälle und alle Varianten enthalten muss und als Grenzmusterkatalog die gemeinsame Grundlage in der Diskussion mit dem Kunden bleibt.
Pseudoausschuss kostet mehr als das gesperrte Teil, weil jede falsche Sperrung genau die manuelle Nachprüfung erzeugt, die entfallen sollte, und weil zu häufige Fehlmeldungen dazu führen, dass die Empfindlichkeit heruntergedreht wird.
Die Unterscheidung zwischen kosmetisch und funktionsrelevant gehört schriftlich fixiert, bevor eine Station trainiert wird, und erst eine AI-Klassifizierung auf der All-in-One Kamera mit integrierter AI der Modellreihe VS lässt eine kosmetische Klasse durchlaufen und sperrt nur die funktionsrelevante.

Wenn im Lastenheft steht, die Fehlergröße werde sich zeigen

Bei Maßen ist die Sache einfach. Eine Bohrung hat einen Nennwert und eine Toleranz, und die Prüfung misst dagegen. Bei einem Oberflächenfehler existiert dieser Nennwert nicht. Ein Kratzer ist nicht zu lang, er ist auffällig oder unauffällig, und die Grenze dazwischen hat bisher ein Prüfer gezogen.

Wie weit die Spanne reicht, zeigt schon ein Blick über die dokumentierten Anwendungen. An einer Lötstelle war eine Unterscheidung von 0,06 mm gefordert, an Halbleiterbasisplatten eine Auflösung von 25 µm, und bei Dellen aus einem Pressprozess vermutete der Kunde eine Fehlergröße von 2 bis 5 mm. Drei Größenordnungen für dieselbe Kategorie Oberflächenfehler. Wer eine Station allein nach Auflösung auswählt, ohne dass jemand die Fehlergröße benannt hat, kauft entweder deutlich zu viel oder deutlich zu wenig. Bekannt sind dagegen fast immer zwei andere Werte, nämlich das Bildfeld und die Taktzeit, und mit diesen beiden beginnt die Auslegung sinnvollerweise.

Pseudoausschuss: was Überprüfen wirklich kostet

Pseudoausschuss wird gern als Randnotiz behandelt, weil ein zu Unrecht aussortiertes Teil ja niemanden beim Kunden erreicht. Die Kosten entstehen an anderer Stelle. Jedes fälschlich gesperrte Teil erzeugt einen manuellen Nachprüfschritt, und dieser Schritt ist genau die Sichtkontrolle, die durch die Station eigentlich entfallen sollte.

Schwerer wiegt der Vertrauensverlust. Meldet eine Station zu oft ohne Grund, beginnt die Schicht, ihre Meldungen zu erklären statt ihnen zu folgen, und irgendwann wird die Empfindlichkeit heruntergedreht, bis Ruhe einkehrt. Damit ist auch die Erkennungsleistung weg, für die das System beschafft wurde. Gemessen wird ein Prüfkonzept in der Praxis deshalb an der Ausschussquote, nicht an der Erkennungsrate.

Kosmetisch oder funktionsrelevant: die Unterscheidung, die alles trägt

Die wichtigste Vorarbeit ist keine technische, sondern eine Festlegung: Welche Abweichung beeinträchtigt die Funktion, und welche sieht nur ungewohnt aus. Aus den Unterlagen lassen sich beide Seiten mit Beispielen belegen. Eine Verfärbung durch Flussmittel an einer Lötstelle ist optisch auffällig, die Verbindung leitet einwandfrei. Eine Verfärbung der Kupferfläche auf einem Substrat der Leistungselektronik kann dagegen ein Hinweis auf ein Prozessproblem sein. Eine Delle auf der kameraabgewandten Seite eines Isolierkörpers sieht die Station ohnehin nicht, und in einem dokumentierten Fall war sie für die Funktion auch ohne Belang.

Diese Zuordnung kann kein Lieferant von Prüftechnik treffen. Sie gehört zu demjenigen, der die Anforderung besitzt, und das ist häufig der Endkunde. Was sich technisch sagen lässt: Solange kosmetische und funktionsrelevante Abweichungen dieselbe Reaktion auslösen, ist Pseudoausschuss unvermeidlich. Die Unterscheidung muss schriftlich vorliegen, bevor eine Station trainiert wird.

Grenzmuster statt Toleranz: mit IO- und NIO-Teilen definieren

Wenn keine Zahl existiert, tritt die Teilesammlung an ihre Stelle. In einem dokumentierten Projekt an Halbleiterbasisplatten aus Molybdän wurde ein Versuch mit 2.300 IO-Teilen und 100 NIO-Teilen aufgesetzt, bei einem Takt von etwa einer Sekunde und einer geforderten Auflösung von 25 µm. Diese Sammlung ist keine Formalie zur Absicherung, sie ist die Fehlerdefinition selbst.

Damit ein solcher Satz trägt, muss er ein paar Bedingungen erfüllen. Die NIO-Teile stammen aus der realen Fertigung und nicht aus einer Simulation, denn ein mit dem Skalpell erzeugter Kratzer sieht anders aus als einer aus dem Handling. Enthalten sein müssen die Grenzfälle, also die Teile, über die zwei Prüfer streiten würden, weil genau an ihnen die Schwelle festgelegt wird. Alle Varianten und beide Seiten gehören dazu. Und der Satz bleibt physisch erhalten, als Grenzmusterkatalog, denn er ist später die gemeinsame Grundlage in der Diskussion mit dem Kunden.

Erkennen reicht nicht: Fehler klassifizieren und unterschiedlich behandeln

Eine reine Fehlererkennung liefert eine binäre Aussage, und damit fällt jede Abweichung in denselben Topf. Genau das erzeugt Pseudoausschuss, sobald kosmetische Abweichungen häufiger sind als funktionsrelevante, was in der Regel der Fall ist.

Eine AI-Klassifizierung trennt stattdessen Fehlerarten voneinander, sodass eine kosmetische Klasse durchlaufen darf, während eine funktionsrelevante gesperrt wird. Trainiert wird sie an den eigenen IO- und NIO-Teilen des Werks, was eine empirisch festgelegte Grenze überhaupt erst nutzbar macht. Auf der Plattform der All-in-One Kameras mit integrierter AI der Modellreihe VS gehört diese Klassifizierung zum Funktionsumfang. An einfacheren Stationen, an denen es um Anwesenheit, Anzahl und grobe Abweichungen geht, reichen die AI Vision-Sensoren der Modellreihe IV4 mit den Werkzeugen `AI Count` für bis zu 500 Objekte je Werkzeug, `AI Identify` und `AI Trigger`.

Bild und Ergebnis speichern: den Fehler dem Takt zuordnen

Eine Entscheidung, die nirgends abgelegt wird, lässt sich später nicht verteidigen. In mehreren Unterlagen ist die Bildablage je Teil deshalb Teil der Anforderung und nicht eine Option am Ende der Liste. Ein Projekt beschreibt den Nutzen konkret: Über die Kennung auf der Platine und den Zeitstempel des Kamerabilds ließ sich ein Fehlerbild dem exakten Presszyklus zuordnen, in dem es entstanden war.

Damit ändert sich der Charakter der Diskussion. Eine strittige Bewertung wird an einem Datensatz geklärt und nicht an der Erinnerung zweier Schichten. Zugleich entsteht die Datenbasis, mit der sich die Schwelle nach einigen Wochen Serienbetrieb nachjustieren lässt, weil sichtbar wird, welche Klasse wie oft auslöst. Das Lesen der Kennung selbst ist eine eigene Aufgabe und gehört in die Markier- und Identifikationsstrecke.

Grenzen der Station: Programme, Modelle und Varianten realistisch planen

Fehlerklassen und Varianten multiplizieren sich schneller, als die Planung annimmt. In einer Spezifikation aus der Stichprobe stand die Frage nach 42 AI-Modellen in einer Station, und mehrere Projekte prüfen mehrere Bauteiltypen an derselben Vorrichtung.

Hier lohnt der Blick in die harten Grenzen, bevor das Konzept steht. Die AI Vision-Sensoren der Modellreihe IV4 halten 32 Programme intern vor, 128 sind nur mit microSD-Karte und aktivierter Programmerweiterung möglich, und beim Umschalten über externe Eingänge deckelt die Zahl bei All-In-One-Modellen wieder bei 32. Wo mehrere Prüfstellen an einer Maschine zusammenlaufen, teilen sie sich sinnvollerweise einen Controller: Die High-Performance Bildverarbeitung mit integrierter AI der Modellreihe VS-G trägt bis zu acht Kameras je Controller. Die wirksamste Maßnahme bleibt trotzdem, die Klassenzahl von der Reaktion her zu denken. Was zur selben Reaktion der Linie führt, braucht keine eigene Klasse.

Vom Musterteil zum Serienbetrieb: Test, Testbericht und Freigabe

Der übliche Weg in diesen Anwendungen führt über einen Versuch mit Originalteilen, dessen Ergebnis schriftlich festgehalten wird. Diese Dokumentation ist kein Ritual, sondern ein Arbeitsmittel: Sie hält fest, welche Fehlerbilder mit welcher Beleuchtung und welchem Bildfeld erkannt wurden, und ebenso ehrlich, welche nicht.

Nach der Freigabe endet die Arbeit an der Fehlerdefinition nicht. Neue NIO-Teile aus der Serie wandern in den Grenzmusterkatalog, strittige Fälle werden anhand der gespeicherten Bilder entschieden, und die Schwelle wird bei Bedarf angepasst. Wie sich derselbe Ansatz auf zufällig auftretendes Fremdmaterial anwenden lässt, beschreibt der Beitrag „Fremdkörper und Verschmutzung auf der Baugruppe: Inline-Prüfung statt Stichprobe". Geht es dagegen um die Ursache eines Fehlers und nicht um die Entscheidung im Takt, ist die Fehleranalyse im Labor der richtige Ort.

Häufige Fragen

F Was tun, wenn die kleinste erkennbare Fehlergröße im Lastenheft nicht steht?

Das ist in dieser Anwendungsgruppe der Normalfall und kein Planungsfehler. Statt eine Zahl zu erfinden, wird die Grenze empirisch aus IO- und NIO-Teilen bestimmt. Für die Auslegung genügen zunächst die beiden Werte, die immer bekannt sind, nämlich das benötigte Bildfeld und die Taktzeit. Die Fehlergröße folgt aus dem Versuch mit Originalteilen, dessen Ergebnis schriftlich festgehalten wird.

F Wie viele IO- und NIO-Teile braucht ein Grenzmusterkatalog?

Eine allgemeingültige Zahl gibt es nicht, die Größenordnung zeigt aber ein dokumentierter Versuch mit 2.300 IO-Teilen und 100 NIO-Teilen. Wichtiger als die Menge ist die Zusammensetzung. Der Satz muss die Grenzfälle enthalten, über die zwei Prüfer streiten würden, er muss alle Varianten und beide Bauteilseiten abdecken, und die NIO-Teile sollten aus der realen Fertigung stammen statt künstlich erzeugt zu sein.

F Woran erkennt man, ob ein Fehler kosmetisch oder funktionsrelevant ist?

Diese Entscheidung trifft nicht die Prüftechnik, sondern derjenige, dem die Anforderung gehört, häufig der Endkunde. Typische kosmetische Fälle aus der Praxis sind eine Flussmittelverfärbung an einer einwandfrei leitenden Lötstelle oder eine Delle an einer funktionsfreien Fläche. Solange beide Kategorien dieselbe Reaktion auslösen, bleibt Pseudoausschuss unvermeidlich, deshalb gehört die Unterscheidung schriftlich fixiert, bevor eine Station trainiert wird.

F Wie senkt eine Fehlerklassifizierung den Pseudoausschuss?

Eine binäre Fehlererkennung behandelt jede Abweichung gleich und sperrt damit auch Teile, die einwandfrei funktionieren. Eine AI-Klassifizierung unterscheidet Fehlerarten, sodass eine kosmetische Klasse durchlaufen darf und nur die funktionsrelevante Klasse gesperrt wird. Trainiert wird an den eigenen IO- und NIO-Teilen des Werks, weshalb die Qualität der Teilesammlung direkt auf die Ausschussquote durchschlägt.

F Wie viele Prüfprogramme und Varianten kann eine Station verwalten?

Das ist eine echte Planungsgrenze und keine Nebensache. Die AI Vision-Sensoren der Modellreihe IV4 halten 32 Programme intern vor, 128 sind nur mit microSD-Karte und aktivierter Programmerweiterung möglich, und die Umschaltung über externe Eingänge deckelt bei All-In-One-Modellen bei 32. Laufen mehrere Prüfstellen an einer Maschine zusammen, trägt die High-Performance Bildverarbeitung mit integrierter AI der Modellreihe VS-G bis zu acht Kameras je Controller.

Weiterführende Artikel

Übergeordnete Themenseite: Qualitätssicherung und Rückverfolgbarkeit in der Elektronik- und Halbleiterfertigung: Der Überblick für Fertigungs- und Prozessverantwortliche

Hauptartikel zum Thema: Lötstellenprüfung in der Elektronikfertigung: Lotperlen, Brücken und Fehlstellen in der Linie erkennen

Weiterer Artikel im Thema: Kratzer, Grate und Dellen an Steckverbindern und Kunststoffteilen der Elektronik prüfen

Weiterer Artikel im Thema: Wafer und Substrate im Handling prüfen: Kantendefekte, Bruch und Partikel

Weiterer Artikel im Thema: Fremdkörper und Verschmutzung auf der Baugruppe: Inline-Prüfung statt Stichprobe