PCBA quality control, error classifiation and repair recommendation

Abstract

Controlling the quality of products is imperative for any company. Every time a product is not working as it should, it makes the costumer unsatisfied and, therefore, loose the company a lot of money. So, if one could make the quality control process much more efficient, it would be beneficial for the business and the company itself. In the case of Bosch, we will be working with data from the quality testing of Printed Circuit Boards from heating boilers produced in the company. The testing process consists in making measurements of any kind related to the board and checking if they belong to a pre-set interval. The board will pass the test if that happens and, if not, it fails. The goal of this project is to find labels to each type of error that appears in the dataset and use them to make recommendations of what could be the most adequate repair to the failure in question. So, throughout this report, initially we present a previous study of the behavior of the quality control tests done throughout time to, consequently, find patterns that help us classify the different types of failure and create a recommendation system that indicates the repairs for each type of failure. This will also be helpful to succeeding processes, such as the checking of the repair and the repair itself, since the technicians will have some background knowledge on what they can do. In practical terms, we will firrstly analyze the dataset in order to identify distinct behaviors and important information, such as the test steps that never fail and the ones that fail the most, to then use it to our favor. We will apply machine learning techniques - Random Forests and Gradient Boosted Trees - in order to predict the values and failures of a certain step. With this, we will label the different types of failures, via the Root Cause Analysis methodology and the creation of metrics related to each failure, based on their behavior through time, which will be key information to the building of a recommendation system - with Collaborative Filtering techniques - that recommends what repairs should be done on the different failures. This report was inspired in problems presented in the application for the project "Augmented Humanity" (Projeto Mobilizador nº46103), P2020, which was approved.

Controlar a qualidade de produtos é imperativo para qualquer empresa. Sempre que um produto não está a funcionar corretamente, deixa o cliente insatisfeito e, por isso, faz a empresa perder muito dinheiro. Então, se se pudesse tornar o processo de controlo de qualidade muito mais eficiente, seria benéfico para o negócio e a empresa em si. No caso da Bosch, irá trabalhar-se com dados provenientes dos testes de qualidade a Printed Circuit Boards que fazem parte de caldeiras produzidas pela empresa. O processo de teste consiste em fazer medidas de qualquer tipo á placa e verificar se estas se encontram contidas num intervalo predeterminado. A placa passa no teste se isso acontecer e, caso contrário, falha. O objetivo do projeto é encontrar títulos para cada tipo de erro que existe no conjunto de dados e usá-los para fazer recomendações de qual será a reparação mais adequada para a falha em questão. Então, ao longo deste relatório, inicialmente apresenta-se um estudo prévio do comportamento dos testes de controlo de qualidade feitos ao longo do tempo para, consequentemente, encontrar padrões que nos ajudem a classificar os diferentes tipos de falha e criar um sistema de recomendação que indique as reparações para cada tipo de falha. Isto será também útil para processos seguintes, tal como a verificação da falha e a própria reparação, visto que os técnicos terão um conhecimento prévio de o que poderão fazer. Em termos práticos, irá ser analisado o conjunto de dados, de maneira a identificar comportamentos distintos e informação importante, tal como os steps de teste que nunca falham e aqueles que mais falham, para depois utilizá-la a nosso favor. Aplicar-se ão técnicas de aprendizagem computacional - Random Forests e Gradient Boosted Trees - de maneira a prever os valores e as falhas de um certo step. Com isto, serão etiquetados os diferentes tipos de falhas, pela metodologia de Root Cause Analysis e a criação de métricas relacionadas a cada um, baseado no seu comportamento ao longo do tempo, o que será informação essencial para a construção de um sistema de recomendação -com técnicas de Collaborative Filtering - que recomenda quais as reparações que devem ser feitas nas diferentes falhas. Este trabalho foi inspirado em problemas apresentados na candidatura do projeto "Augmented Humanity" (Projeto Mobilizador nº46103), P2020, o qual foi aprovado.