回流焊温度调了三个月良率还是上不去？一家电路板厂用AI工艺优化系统把良率从91%做到98.5%

一条贴片线，三种回流炉，良率就是上不去

去年夏天，一家位于东莞的电子代工厂找到我们。他们的SMT车间有四条产线，主要做消费电子主板贴片，月产能约80万片。问题很统一：良率长年徘徊在91%-92%，和行业95%以上的标杆差距明显。

老板说了一句大实话："换了几任工艺工程师，每个来了都调参数，但从来没人说清楚到底哪几个参数是最关键的。"

这不是个案。国内大量中小型SMT代工厂面临同一个困境——工艺参数靠老师傅经验，老员工一走良率就崩。回流焊温度曲线更是玄学，每个工程师都有自己的"独门配方"，但谁也说不清哪个配方最优。

项目启动的第一个月，纯属踩坑。

团队把全部精力放在"调炉温曲线"上，想找一个万能公式。结果呢？今天调好了A产品，明天换B型号又崩了。用同一组参数跑不同批次，良率还能差出3-5个点。

后来才发现问题出在哪——影响回流焊质量的参数太多了。不仅包括八到十个温区的设定温度和链速，还有锡膏厚度、PCB板厚、元件密度、车间温湿度，甚至来料批次差异。这些因素之间存在复杂的耦合关系，根本不是靠"调一个参数、看一个指标"能解决的。

更扎心的是，现场的数据采集也很原始。AOI设备虽然有检测数据，但大部分只存了"Pass/Fail"结果，详细的偏移量数据根本没人导出。炉温曲线每天只测一次，数据写在纸质记录表上。

我们和客户花了两周时间做了三件事：

一、打通MES和AOI的数据链路。 把每块PCB条码和生产参数一一对应起来。每一片过炉的板子，都知道它是在什么炉温、链速、时间下生产的，AOI测出来有哪些缺陷。

二、补齐工艺数据。 在回流炉入口加装温度记录仪，每20秒采集一次实际炉温曲线。同时在车间部署温湿度传感器，把环境变量也纳入监控。

三、清洗历史数据。 调取了过去两年的MES和AOI数据，加上人工记录，总共整理了十几万条有效记录。每条包含60多个特征维度。

这一步比预想的痛苦得多。光是数据对齐就做了三天——MES的条码格式和AOI的条码格式差了两位，中间还有三个月的数据根本没有条码关联，只能靠时间戳模糊匹配。

数据准备好了，模型设计反而没那么神秘。

核心思路：用回归模型做"质量预测"，而不是直接做"缺陷分类"。

什么意思？我们不是训练一个模型去判断"这块板子有没有缺陷"（这种二分类模型产线上已经有了，就是AOI本身），而是预测连续的质量指标——比如焊点铺展面积比、IMC层厚度、空洞率等中间指标。

这样做的优势是：当模型预测出某个批次的焊点铺展面积比可能低于阈值时，产线可以提前预警，而非等到AOI报出虚焊才返工。

模型选型上用了XGBoost + LightGBM双模型融合。原因很简单：

"双模型融合"的流程是：XGBoost和LightGBM各自独立训练，用5折交叉验证做超参搜索，然后用一个简单的线性加权（权重0.6+0.4）做模型集成。最终输出的Feature Importance给到工艺工程师，告诉他们"当前批次，影响良率的前三个参数分别是XX温区温度、链速和锡膏厚度"。

模型上线三个月，产线交出了三组数据：

良率：91.2% → 98.5%。最关键的指标。提升幅度7.3个百分点。放在月产80万片的产线上，相当于每个月少报废将近6万片板子。

AOI误报率：从15%降到8%。这是意外收获——因为工艺参数更稳定了，AOI检测中的"疑似缺陷"大幅减少，QC人员不用反复核对虚报的假阳性。

工艺换型时间：从4小时缩到1小时。以前换一个产品型号，工艺工程师要调试大半天。现在直接把新产品的工艺要求（板厚、元件密度、锡膏类型）输入模型，模型输出推荐参数组合，微调一下就能跑。

客户老板算了一笔账：这套系统投入不到40万（数据采集+平台开发+建模），一年节省的报废成本和人工成本大约120万。ROI约3倍，周期不到4个月。

这个案例有个共性：不是AI多厉害，而是数据多稀缺。

国内大量制造企业的生产数据躺在设备和MES系统的角落里，从来没人把它们串起来看。工艺优化这件事，过去靠人，现在靠数据。不是要取代工艺工程师，而是给老师傅配一个数据参谋。

这种思路不只适用于SMT贴片。注塑、冲压、压铸、焊接——只要是有多个工艺参数耦合影响良率的场景，这套"数据采集→特征工程→良率预测→参数推荐"的闭环都可以迁移。

如果你所在的企业也有类似的生产良率瓶颈，或者想了解面向制造业场景的定制化软件开发方案，欢迎来智岳科技聊聊。我们不仅做AI建模，也帮企业做从数据采集到系统集成的全链路落地。

扫码咨询