AI SMT抛料率分析定制：吸嘴识别与料带补偿

贴片机抛料率通常在 0.3%~1% 之间波动，只看设备报警很难定位原因。做 AI 抛料分析定制，第一步不是上模型，而是把四类数据按统一时间戳对齐：贴片头真空压力与吸取曲线、Z 轴下压高度、元件识别相机的报警码（尺寸偏差、引脚缺失、极性错误）、供料器编码与料带步进计数。 落地顺序建议先归因、再预测。归因把抛料拆成三类：吸嘴类（真空不足、端面磨损、异物堵塞）、供料类（料带孔距偏差、卷盘阻力、压料盖松动）、程序类（吸嘴型号与元件尺寸不匹配、识别阈值过严）。归到站位—吸嘴—物料三要素后，一般会发现约 70% 的抛料集中在 5% 的站位组合上，先处理这批即可见效。 两条可复用经验： 1. 吸嘴寿命用「累计吸取次数 + 真空建立时间」做特征比单看次数准。真空建立时间从 80ms 抬到 150ms 时，端面已接近更换阈值。 2. 识别报警不要一刀切放宽阈值。把报警码按元件封装分组统计，只对高误报封装做小幅微调，避免真实不良流出。 输出侧建议只做两件事：向设备端推送吸嘴更换与站位维护工单，向工艺端输出阈值调整建议，且均需人工确认后下发，保留可追溯记录。