Welche AOI-Fehlalarme sich wegparametrieren lassen, welche unterhalb der Schwellenwertebene liegen und wie Sie den Unterschied erkennen, bevor Sie eine weitere Runde Optimierungsstunden investieren.
Um AOI-Pseudofehler zu reduzieren, beheben Sie Ursachen in dieser Reihenfolge: Prüfen Sie, ob das Golden Sample wirklich fehlerfrei ist, bringen Sie Beleuchtung und Optik wieder auf Sollwerte, bereinigen Sie die Bauteilbibliothek und stimmen Sie Schwellenwerte anschließend Fenster für Fenster anhand von IPC-A-610 neu ab. Grenzwerte pauschal aufzuweiten, ist keine Lösung. Man tauscht damit lediglich Pseudofehler gegen Schlupf ein. Und wenn die Pseudofehlerrate nach jedem Produktwechsel oder neuen Bauteillosen wieder ansteigt, stoßen Sie an die Grenze des regelbasierten Algorithmus selbst – ein Architekturproblem, kein Parametrierproblem.
Ein Pseudofehler (auch Falsch-Positiv oder Overkill genannt) tritt auf, wenn das AOI eine fehlerfreie Leiterplatte als defekt meldet. Jede dieser Meldungen leitet eine Leiterplatte zur manuellen Nachprüfung an einen Bediener weiter. Eine Maschine, die 50 Mal pro Schicht Fehlalarm schlägt, verschwendet Arbeitszeit. Schlimmer noch: Bediener verlieren das Vertrauen in die Meldungen – und genau das wird teuer. Dieser Artikel erklärt, wodurch Pseudofehler entstehen, welche Kosten sie verursachen, was sich bei einem traditionellen AOI realistisch beheben lässt und wie sich das Ganze ändert, wenn die Prüflogik auf AI statt auf Regeln basiert.
AOI-Pseudofehler entstehen, wenn Prüfregeln normale Prozessschwankungen nicht tolerieren können. Typische Ursachen sind Schwellenwerte, die enger gesetzt sind als von den Abnahmekriterien gefordert, Beleuchtungsdrift, Bauteillosen-Wechsel und Leiterplattenverzug. Einige Bauteiltypen gehen noch weiter und hebeln farbwertbasierte Algorithmen komplett aus: Bauteilkörper mit identischer Farbe wie das Leiterplattenlaminat sowie dichte Oberflächenbeschriftungen auf Chip-Induktivitäten und Quarzoszillatoren. Diese Bauteile erfordern besondere Beachtung, da keine Nachparametrierung von Schwellenwerten das Problem lösen kann.
Die meisten Diskussionen über Pseudofehler enden bei „zu eng gesetzte Schwellenwerte“. Das trifft zwar zu, kratzt aber nur an der Oberfläche. Die vollständige Übersicht sieht so aus:
Erstellen Sie eine Pareto-Analyse Ihrer Pseudofehlerursachen. Wenn die letzten drei Punkte dominieren, liegen algorithmische Grundsatzprobleme vor, die sich durch Feinjustierung nicht beheben lassen.
Pseudofehler verursachen Kosten auf drei Ebenen: Arbeitsaufwand für die Nachprüfung (ein Bediener muss jede markierte Leiterplatte manuell nachbeurteilen), Linienstopps durch Rückstau an der Verifikationsstation und Desensibilisierung des Personals – die am wenigsten sichtbare, aber teuerste Ebene. Wenn die Mehrheit der Alarme Fehlalarme sind, neigen Menschen zum Durchwinken, und echte Defekte passieren die Prüfung, weil die Maschine ihre Glaubwürdigkeit verspielt hat. DaoAI beziffert die Kosten für Nachprüfung und Linienstopps auf rund USD 15,000 to 40,000 pro Bediener und Jahr (DaoAI-reported).
Die dritte Ebene verdient besondere Betrachtung, da sie den eigentlichen Zweck der Inspektion ins Gegenteil verkehrt. Ein im Overkill versinkendes AOI spart keine Arbeitszeit mehr ein, sondern erzeugt selbst Schlupf, da die nachgelagerte manuelle Verifikation abstumpft. Das Qualitätsteam verschärft daraufhin die Schwellenwerte, um durchgerutschte Defekte abzufangen – was wiederum zu noch mehr Pseudofehlern führt und die Abstumpfung verstärkt. Wegen dieser Spirale bleibt der Ansatz „Wir prüfen die Treffer einfach manuell nach“ niemals kostengünstig.
Hinzu kommt ein schleichender Kostenfaktor: Sobald Pseudofehler überhandnehmen, verliert das Engineering das Vertrauen in sämtliche AOI-Berichte. Fehlertrends und SPC-Diagramme, die auf diesen Daten basieren, degenerieren zu statistischem Rauschen, und die Maschine wird letztlich ignoriert. Ein ignoriertes Inspektionssystem ist eine extrem kostspielige Methode, Leiterplatten nicht zu prüfen.
Bei einem traditionellen AOI reduzieren Sie Pseudofehler, indem Sie das Messsystem korrigieren, bevor Sie Schwellenwerte verändern. Überprüfen Sie das Golden Sample erneut, bringen Sie die Beleuchtung wieder auf Sollwerte und aktualisieren Sie die Bauteilbibliothek für die tatsächlich in der Linie genutzten Lose. Passen Sie Grenzwerte erst danach Fenster für Fenster an die Kriterien der IPC-A-610 an – beginnend mit den Hauptverursachern laut Pareto-Analyse. Prüfen Sie abschließend die Wiederholgenauigkeit, um sicherzustellen, dass verbleibende Abweichungen vom Prozess und nicht von der Maschine stammen.
In dieser Reihenfolge erzielen Sie messbare Verbesserungen:
Keine dieser Maßnahmen ist jedoch von dauerhafter Wirkung. Jeder Rüstwechsel, jedes neue Produkt und jedes neue Bauteillos macht Teile des Aufwands wieder zunichte. High-Mix-Fertiger spüren das besonders stark, da die Parametrierschulden bei jeder NPI fällig werden.
AI reduziert Pseudofehler, indem sie Bauteile im Merkmalsraum statt im Pixelraum beurteilt. Ein trainiertes Vision-Modell extrahiert Form, Struktur, Textur sowie räumlichen Kontext und gleicht Anomalien mit dem realen Erscheinungsbild fehlerfreier Baugruppen ab – anstatt Rohpixel mit starren Regeln zu vergleichen. Dadurch wird die Bewertung unempfindlich gegenüber Beleuchtungsdrift, optischen Losschwankungen und Leiterplattenverzug – genau jenen Schwankungen, die hinter den meisten regelbasierten Pseudofehlern stehen (DaoAI-reported; auf eigenen Leiterplatten zu validieren).
Wirkungsweise im direkten Vergleich zu den oben genannten Grundursachen:
| Ursache | Traditionelle Gegenmaßnahme | AI-Wirkungsweise (DaoAI-reported) |
|---|---|---|
| Beleuchtungs-/Optikdrift | Regelmäßig neu kalibrieren und nachjustieren | Inferenz im Merkmalsraum; Modell reagiert nicht auf reine RGB-Farbwertverschiebungen |
| Bauteilschwankungen von Los zu Los | Bibliothek pro Los aktualisieren | Merkmale generalisieren über optische Varianzen hinweg, kein Teachen pro Los nötig |
| Leiterplattenverzug / Positionstoleranz | Fenster aufweiten unter Inkaufnahme von Schlupfrisiken | Hohe Toleranz gegenüber Positionsverschiebungen bei der Merkmalsextraktion |
| Farbgleiche Bauteile | Mit RGB-Regeln oft unlösbar | Mehrdimensionale Merkmals-Embeddings jenseits von RGB trennen Bauteil vom Laminat |
| Beschriftungen auf Induktivitäten/Oszillatoren | Bereiche ausblenden oder Rauschen tolerieren | Mehrdimensionaler Diskriminator trennt Beschriftungsmuster von Defektsignaturen |
| Ausrichtungsfehler durch Verunreinigungen | Manuelle Überprüfung | AI-Lokalisierung bleibt trotz Oberflächenverschmutzung präzise |
| Zu enge Schwellenwerte | Regelmäßiges manuelles Nachjustieren | Schwellenwerte werden anhand des Golden Board generiert und durch Feedback optimiert |
Der zweite strukturelle Unterschied ist der Feedback-Regelkreis. Im System von DaoAI fließt die Rückmeldung des Bedieners bei der Klassifizierung eines Pseudofehlers direkt zurück in das Modell, wodurch die Parameter aktualisiert werden. Die laufende Produktion jeder Linie fungiert somit als Trainingsdaten, sodass die Pseudofehlerrate im Betrieb sinkt, anstatt allmählich anzusteigen. (Der zugrunde liegende Golden-Board-Workflow wird in AOI programming without CAD files beschrieben.) Pseudofehler sinken durch Bediener-Feedback, während die Erkennungsgenauigkeit mit 98% oder höher spezifiziert ist; prüfen Sie diese Leistung anhand eigener Leiterplatten in einer Live-Demo.
Die Abnahmenorm selbst ändert sich dadurch nicht. Gut- und Schlecht-Kriterien richten sich weiterhin nach IPC-A-610. Was das Modell verändert, ist die Zuverlässigkeit, mit der das System zwischen „abweichend, aber konform“ und „defekt“ unterscheiden kann. Details zur Fehlererkennung derselben Architektur finden Sie unter how single-image AI detection handles defect variety.
Parametrierung reicht nicht mehr aus, wenn die Pseudofehlerbekämpfung zu einer Daueraufgabe des Engineerings geworden ist, statt ein einmaliger Schritt bei der Inbetriebnahme zu sein. Die Warnzeichen: Jeder Rüstwechsel erfordert neu eingestellte Schwellenwerte, Pseudofehler steigen nach jedem Wechsel von Bauteillos oder Lieferant wieder an, Nachprüfung ist ein permanent besetzter Arbeitsplatz statt eine Ausnahme, und es tritt Schlupf auf, während der Overkill unverändert hoch bleibt. An diesem Punkt ist die regelbasierte Architektur der begrenzende Faktor – und weiteres Parametrieren verschafft Ihnen allenfalls wenige Wochen Aufschub.
Eine praxisnahe Entscheidungshilfe: Parametrierung ist weiterhin das richtige Werkzeug, wenn Ihr Produktmix stabil ist, NPIs selten vorkommen, die Bibliothek klar geführt wird und die Pseudofehlerrate nach den beschriebenen Wartungsschritten messbar gesunken ist. Stabile High-Volume-Linien mit sauber gepflegten Programmen funktionieren mit traditionellem AOI einwandfrei. In diesem Szenario ist es eine absolut passende Wahl; the fuller comparison beleuchtet dies genauer.
Die Architektur ist der Engpass, wenn der Aufwand für Pseudofehler mit Ihrem Produktmix skaliert. Jede NPI startet die Parametrierschleife von vorn. Bauteile von Zweitlieferanten bringen das Pattern-Matching zum Scheitern. Ihre Pareto-Analyse wird von farbgleichen Bauteilen, beschrifteten Induktivitäten, Oszillatoren oder Beleuchtungsdrift dominiert – Ursachen, die unterhalb der Schwellenwertebene liegen und durch Nachjustieren nicht erreichbar sind. Ein einfacher Test: Wenn Ingenieure jeden Monat aufs Neue bezahlt werden müssen, um dieselbe Pseudofehlerreduktion zu erreichen, haben Sie die Lösung nur gemietet, nicht besessen. Eine Architektur, die aus Feedback lernt, löst das Problem dauerhaft.
Es gibt keinen allgemeingültigen Referenzwert, dem man blind vertrauen kann, da Fertigungsbetriebe auf unterschiedlichen Grundlagen messen: pro Bauteil (PPM), pro Leiterplatte oder als Anteil der Gesamtmeldungen. Produktmix, Leiterplattenkomplexität und Schwellenwert-Philosophie verändern diese Kennzahl um Größenordnungen. Das einzig zielführende Vorgehen: Wählen Sie eine einheitliche Berechnungsbasis, erfassen Sie die Baseline jeder Linie und beobachten Sie den Trend. Ein steigender Pseudofehlertrend bei stabilem Prozess bedeutet, dass das Prüfprogramm driftet – nicht das Produkt.
Ein Pseudofehler stuft eine fehlerfreie Baugruppe fälschlicherweise als defekt ein. Ein Schlupf (Escape) lässt einen echten Defekt unentdeckt passieren. In regelbasierten Systemen verhalten sich beide gegenläufig: Verschärft man Schwellenwerte, steigen die Pseudofehler; weitet man sie auf, steigt der Schlupf. Hohe Pseudofehlerraten führen zudem indirekt zu Schlupf, da das Prüfpersonal an der Verifikationsstation abstumpft.
Pauschales Aufweiten führt unweigerlich dazu. Das bedeutet, sich Ruhe auf Kosten von Schlupf zu erkaufen. Weiten Sie nur Fenster auf, die nachweislich strenger als die Kriterien der IPC-A-610 eingestellt sind – und das erst, nachdem Referenz-, Beleuchtungs- und Bibliotheksprobleme behoben wurden. Lässt sich ein Fenster nicht beruhigen, ohne die Normvorgaben zu verletzen, liegt die Grenze in der Fähigkeit des Algorithmus, Schwankungen abzufangen, nicht in Ihrer Parametrierkompetenz.
Weniger als die meisten Ingenieure erwarten. Das System von DaoAI benötigt lediglich ein einziges Golden Board als Ausgangspunkt. Das Modell ist bereits mit mehr als 1 Million realen Produktionsbildern vortrainiert, passt sich anhand dieses einen Musters an Ihre Leiterplatte an und lernt im laufenden Betrieb kontinuierlich durch das Bediener-Feedback hinzu (DaoAI-reported). Zwischen Installation und erster Inspektion ist kein aufwendiges Datenerfassungsprojekt erforderlich.
Kein System kann seriös null Pseudofehler versprechen, da optische Inspektion stets ein Abwägen zwischen Empfindlichkeit und Rauschen bleibt. Das realistische Ziel ist eine so geringe Pseudofehlerbelastung, dass Nachprüfung eine Ausnahme statt eines eigenständigen Arbeitsplatzes darstellt, während der Schlupf bei null bleibt. Beurteilen Sie jedes Herstellerversprechen – einschließlich unseres – anhand konkreter Trenddaten auf Ihren eigenen Leiterplatten.
Wird Ihre Pseudofehler-Pareto-Analyse von der linken Spalte dieser Tabelle dominiert, lässt sich das Problem durch zusätzlichen Parametrieraufwand nicht lösen. Die P Series von DaoAI nutzt Merkmalsraum-Inspektion mit lernendem Bediener-Feedback für Offline- (P1/P2) und Inline-Konfigurationen (P3/P3D).
Erfahren Sie, wie AOI sichtbare offene Lötstellen identifiziert, wo feste Farbschwellenwerte an Grenzen stoßen und wie ein vortrainiertes 2D-Modell Standard- und Sonderfälle bewältigt.
17. September 2026
ROI-Rechner von Herstellern treffen die Annahmen für Sie. Hier ist das vollständige Modell: acht Kostenpositionen, die Formeln für False-Call- und Escape-Einsparungen und zwei durchgerechnete Szenarien – inklusive eines Falls, der sich nicht rechnet.
25. August 2026
Genauigkeitsangaben der Hersteller bedeuten nichts, bis Sie sie auf Ihren eigenen Boards reproduzieren. Sechs mitzubringende Boards, fünf Messgrößen und wie ein bestandenes Testergebnis aussieht.
11. August 2026
Einblicke in die AI-Inspektion, Produktneuheiten und Branchenanalysen. Einmal im Monat, nur das Wesentliche.
Wir verwenden Ihre Angaben zur Beantwortung Ihrer Anfrage. Siehe unsere Datenschutzerklärung.
