Bir robot gerçekten bir insanı yenebilir mi? Otomatik lehimlemenin arkasındaki verilere bakın.

Robot lehimlemeyi insan lehimlemeyle karşılaştırdığımda basit bir kazanan göremiyorum. Daha iyi seçim, kart tasarımına, üretim hacmine, bağlantı boyutuna ve kalite kontrol düzeyine bağlıdır. Bir robot aynı hareketi binlerce kez tekrarlayabilir. Yetenekli bir teknisyen hasarlı bir pedi okuyabilir, basıncı hissederek ayarlayabilir ve orijinal programın parçası olmayan bir sorunu çözebilir. Her iki güçlü yön de önemlidir. Yararlı soru şu değil: "Robotlar insanlardan daha iyi lehim yapabilir mi?" Soru şu: "Bir robot hangi lehimleme görevlerini yerine getirmelidir ve insan becerisi nerede hala daha fazla değer katar?" ## Robotların avantajlı olduğu yer Robot lehimleme, görev istikrarlı ve tekrarlanabilir olduğunda iyi sonuç verir. Bir üretim hattı, vardiya boyunca aynı konnektörü aynı devre kartına lehimleyebilir. Kart sabit bir konuma gelir, lehimleme ucu programlanmış bir yolu takip eder ve makine ısıyı, hızı ve lehim beslemesini kontrol eder. Bu kurulum eklemler arasındaki varyasyonu azaltır. Birkaç açık fayda görüyorum: - Tutarlı lehimleme hızı - Tekrarlanabilir uç hareketi - Kontrollü lehim hacmi - Kararlı üretim kayıtları - Isıya ve lehim dumanına daha az maruz kalma - Uzun üretim çalışmaları sırasında daha düşük yorgunluk riski Bir insan teknisyen birkaç saat boyunca lehimleme yapabilir. Uzun bir vardiyadan sonra küçük değişiklikler ortaya çıkabilir. El basıncı değişebilir. Lehim teli farklı bir açıyla beslenebilir. İş tekrarlandığında dikkat düşebilir. Bir robot aynı şekilde yorulmaz. Proses, malzeme veya ekipman değişene kadar programlanan eylemi tekrarlar. Bu, robotik lehimlemeyi aşağıdakiler için yararlı kılar: - Delik içi bileşen lehimleme - Tel ve terminal lehimleme - Konektör montajı - Tekrarlayan PCB bağlantıları - Otomotiv elektronik modülleri - Sabit tasarımlara sahip büyük üretim siparişleri Seçici bir lehimleme makinesi iyi bir örnek sağlar. Hassas bileşenlerden kaçınarak devre kartının seçilen alanlarına erimiş lehim uygular. Kart düzeni sabit kaldığında makine birçok ünitede benzer bir sonuç üretebilir. ## Vasıflı çalışanların avantajlı olduğu durumlarda İnsan lehimlemesi, iş sık sık değiştiğinde veya muhakeme gerektirdiğinde yararlı olmaya devam eder. Teknisyen bir bileşenin hafifçe yerinden çıktığını fark edebilir. Teknisyen ayrıca bir denetim sistemi sorunu tanımlamadan önce kalkmış bir ped, hasarlı iz, kirli yüzey veya zayıf bir bağlantı görebilir. Onarım çalışmaları bu farkı açıkça göstermektedir. Bir robot tanımlanmış bir yolu takip eder. Bir teknisyen durabilir, kartı inceleyebilir, alanı temizleyebilir, ucu değiştirebilir ve farklı bir yöntem seçebilir. Bir kartın ekstra akıya ihtiyacı olabilir. Bir başkasının küçük bir atlama teline ihtiyacı olabilir. Üçüncüsü, bağlantının yeniden inşa edilmesinden önce bileşenin çıkarılmasını gerektirebilir. Bu kararların her olası durum için programlanması zordur. İnsan lehimlemesi genellikle aşağıdakiler için daha uygundur: - Prototip kartlar - Küçük üretim partileri - Özel kablo işleri - Kart onarımı - Ürün testi - Karışık bileşen yerleşimleri - Sınırlı çizimlere sahip eski ekipmanlar - Bir siparişten diğerine değişen işler Bir onarım departmanında amaç yalnızca bir lehim bağlantısını tamamlamak değildir. Teknisyen yakındaki parçaları korumalı, bakır pedi kaldırmaktan kaçınmalı ve onarımın orijinal arızayı çözdüğünü doğrulamalıdır. Bu iş gözlem ve muhakeme gerektirir. ## Kalite yalnızca robottan gelmez Bir robot, kötü bir işlemi büyük bir tutarlılıkla tekrarlayabilir. Birçok alıcının hata yaptığı yer burasıdır. Makinenin hareketine odaklanırlar ve lehimleme işleminin geri kalanını unuturlar. Bir robot ucu doğru bir şekilde yerleştirebilir, ancak yanlış sıcaklık, zayıf yüzey hazırlığı, uygun olmayan lehim veya dengesiz bir fikstür nedeniyle bağlantı yine de başarısız olabilir. Robotik lehimlemeyi çeşitli işlem noktaları aracılığıyla değerlendiriyorum: ### 1. Kart ve bileşen konumu Makinenin sabit bir referans noktasına ihtiyacı vardır. Kart fikstüründeki küçük bir hareket lehimleme yolunu değiştirebilir. Gevşek bir konektör veya düzgün olmayan bir destek, zayıf bağlantı noktaları oluşturabilir. ### 2. Sıcaklık kontrolü Her lehimleme görevi uygun bir ısı aralığına ihtiyaç duyar. Çok az ısı zayıf bir bağlantı oluşturabilir. Çok fazla ısı yastığa, yalıtıma veya bileşene zarar verebilir. Kesin ayar lehim alaşımına, kart malzemesine, bileşen tipine ve üretim yöntemine bağlıdır. ### 3. Lehim ve flux dağıtımı Makine doğru miktarda lehimi doğru yere iletmelidir. Aşırı lehim köprüler oluşturabilir. Çok az lehim eksik bir bağlantı bırakabilir. Akı ayrıca ıslanmayı ve kalıntıyı da etkiler. İstikrarlı bir dağıtım sistemi yardımcı olur, ancak yine de düzenli kontrollere ihtiyaç vardır. ### 4. Uç durumu Aşınmış veya kirli bir uç, ısı transferini değiştirir. Robot aynı yolu izleyebilir ancak bağlantı kalitesi düşebilir. Uç temizleme, değiştirme ve inceleme iş programının bir parçası olmalıdır. ### 5. Denetim Görsel inceleme yararlı olmayı sürdürür ancak her sorunu tespit edemeyebilir. Ürüne bağlı olarak bir fabrika şunları kullanabilir: - Kamera denetimi - Elektrik testi - Kablolar için çekme testi - Kesit kontrolleri - Gizli bağlantılar için X-ışını denetimi - Fonksiyonel test Doğru muayene yöntemi bağlantıya ve arıza riskine bağlıdır. ## Pratik bir karşılaştırma Bir cihaz üreticisi için 20.000 adet aynı kontrol panosu üreten bir fabrika hayal edin. Her kart aynı konnektör konumlarına sahiptir. Lehimleme yolu değişmez. Fabrikada sabit donanımlar, eğitimli operatörler ve kalite test süreci bulunmaktadır. Bu durumda robotik lehimleme daha iyi tekrarlanabilirlik ve birim başına daha düşük maliyet sağlayabilir. Çalışanlar panoları yükleyebilir, süreci izleyebilir, numuneleri inceleyebilir ve yeniden işlemeyi gerçekleştirebilir. Şimdi küçük bir elektronik şirketinin yeni bir sensör ürünü için 30 prototip kart ürettiğini hayal edin. Bileşen düzeni birkaç günde bir değişebilir. Test sırasında bazı parçalar değiştirilebilir. Mühendislerin izleri değiştirmesi veya kablo eklemesi gerekebilir. Bir insan teknisyen genellikle bu ortamda daha verimli çalışacaktır. Her tasarım değişikliği için bir robotun programlanması, lehimlemenin elle tamamlanmasından daha fazla zaman alabilir. Üretim ölçeği cevabı değiştiriyor. ## Dengeli bir üretim modeli Birçok elektronik işletmesi için karma bir süreci tercih ediyorum. Robot sabit, tekrarlayan eklemleri yönetir. Nitelikli çalışanlar hattı hazırlar, çıktıyı denetler, sorunları düzeltir ve muhakeme gerektiren görevleri tamamlar. Bu düzenleme, en iyi performans gösterdiği her yöntemi kullanır. Yararlı bir iş akışı şu şekilde görünebilir: 1. Bir çalışan panoyu, bileşenleri ve fikstürü kontrol ediyor. 2. Robot programlanan lehimleme işini tamamlar. 3. Bir denetim sistemi bağlantı konumunu ve görünür kusurları kontrol eder. 4. Bir teknisyen numuneleri inceler ve olağandışı sonuçlarla ilgilenir. 5. Elektriksel veya işlevsel testler, kartın amaçlandığı gibi çalıştığını doğrular. 6. Proses kayıtları bir sonraki üretim partisinden önce gözden geçirilir. Bu yaklaşım aynı zamanda bir şirketin yararlı bilgiler toplamasına da yardımcı olur. Aynı kusur tekrar tekrar ortaya çıkarsa ekip fikstürü, uç durumunu, sıcaklığı, lehim beslemesini veya kart hazırlığını kontrol edebilir. Otomasyon, süreç sorunlarını gizlemek yerine süreç kontrolünü desteklemelidir. ## İkisi arasında nasıl seçim yapardım Robotik lehimlemeyi seçmeden önce beş soruyu gözden geçirirdim: - Kaç tane pano veya montaj üretilecek? - Tasarım uzun süre sabit kalacak mı? - Lehim bağlantıları tekrarlanıyor mu ve bulunması kolay mı? - Hangi düzeyde denetim gereklidir? - Ekipmanın bakımını ve ayarını kim yapacak? Ayrıca tam işletme maliyetini de hesaplarım. Makine fiyatı kararın yalnızca bir parçasıdır. Eğitim, fikstürler, programlama, bakım, uç değiştirme, inceleme ve operatör süresinin tamamı sonucu etkiler. Düşük hacimli bir işletme, iyi eğitimli bir teknisyenden ve iyi lehimleme araçlarından daha fazla kazanç elde edebilir. Stabil bir ürüne sahip yüksek hacimli bir hat, otomasyondan daha fazla kazanç sağlayabilir. ## Peki robotlar insanlardan daha iyi lehim yapabilir mi? Tekrarlayan işler için, bir robot genellikle elle çalışan bir kişiye göre daha tutarlı lehim bağlantıları üretebilir. Uzun bir üretim süreci boyunca hareketi, zamanlamayı ve lehim dağıtımını kontrol edebilir. Onarım, prototipler, karışık montajlar ve beklenmeyen kusurlar için insan teknisyenler hâlâ robotların kendi başlarına sağlayamadığı düzeyde bir muhakeme gücü sunuyor. Benim görüşüm basit: Robotlar tekrarlamada güçlüdür, insanlar ise uyum sağlamada güçlüdür. En iyi lehimleme işlemi, her görevi yerine getirmek için tek bir yöntemi zorlamaz. Makinelere tekrarlanabilir işler atar ve denetim, onarım ve süreç kararlarının önemli olduğu yerlerde vasıflı çalışanların katılımını sağlar.

Bir otomatik lehimleme işlemini incelerken makine ayarlarıyla başlamıyorum. Verilerle başlıyorum. Küçük sorunlar verimi düşürmeye devam ederken bir üretim hattı istikrarlı görünebilir. Lehim köprüleri tek vardiyada ortaya çıkıyor. Meme değişiminden sonra açık bağlantılar ortaya çıkıyor. Operatörler programı elle ayarladığında çevrim süresi uzar. Kayıtlar olmadan bu sorunlar rastgele görünebilir. Veriler ekibe daha net bir görüş sağlar. Kusurların nerede başladığını, hangi ayarların sonucu etkilediğini ve süreç değişikliğinin gerçek bir iyileşme yaratıp yaratmadığını gösterir. ## Hangi verileri toplamalıyım? Genellikle altı grup veriyi izlerim: - Lehimleme sıcaklığı - Lehimleme süresi - Konveyör veya robot hızı - Lehim teli besleme hızı - Kusur türü ve kusur konumu - İlk geçiş verimi ve yeniden işleme oranı Her üretim partisi için ayrıca kart modelini, lehim alaşımını, bileşen tipini, meme durumunu, operatör vardiyasını ve makine kimliğini de kaydederim. Bu ayrıntılar, bir kusurun olası bir nedene bağlanmasına yardımcı olur. Basit bir kayıt şöyle görünebilir: | Ürün | Örnek değer | |---|---:| | Tahta modeli | Kontrol panosu A | | Lehimleme sıcaklığı | 350°C | | İletişim süresi | 2,4 saniye | | Tel besleme hızı | 18 mm/sn | | Anakartlar test edildi | 500 | | Arızalı panolar | 12 | | İlk geçiş verimi | %97,6 | | Ana kusur | Yetersiz lehim | Bu tablonun değeri formatı değil. Değer, her gün aynı yöntemi kullanmaktan gelir. ## İlk geçiş verimi gerçek proses durumunu gösterir İlk geçiş verimi veya FPY, kaç ürünün onarım olmadan muayeneden geçtiğini ölçer. Hesaplama basittir: FPY = Yeniden işlenmeden geçirilen ürünler ÷ Test edilen toplam ürün × %100 Eğer 500 kart incelemeye girerse ve 12'sinin onarılması gerekiyorsa, FPY %97,6 olur. Yüksek bir çıktı numarası zayıf bir süreci gizleyebilir. 5.000 levha üreten bir hat, kusur oranı takip edilmediği takdirde hâlâ büyük bir onarım iş yükü oluşturabilir. Yeniden işleme aynı zamanda işçilik, lehim, test süresi ve denetim kapasitesinden de yararlanır. FPY'yi ürün modeline ve vardiyaya göre incelemeyi tercih ediyorum. Günlük ortalama, yalnızca bir kartta veya bir üretim döneminde meydana gelen bir sorunu gizleyebilir. ## Kusur verileri "kötü lehim"den daha belirgin olmalıdır "Kötü lehim" ifadesi teknisyene neyi ayarlaması gerektiğini söylemez. Denetim ekibinden kusurları açık isimlerle sınıflandırmasını istiyorum: - Yetersiz lehim - Fazla lehim - Lehim köprüsü - Soğuk bağlantı - Islanmama - Bileşen hareketi - Lehim topu - Yanık izi - Kaçırılan bağlantı Konum da önemlidir. Büyük bir bakır alanın yakınındaki bir kusurun nedeni, küçük bir ped üzerindeki kusurdan farklı olabilir. Örneğin, yetersiz lehim kusurlarının çoğu toprak terminallerinde görünüyorsa, ısı transferi bağlantıyı etkiliyor olabilir. İki ince aralıklı pin arasında köprüler görünüyorsa lehim hacminin, uç hareketinin veya ped aralığının gözden geçirilmesi gerekebilir. Bir kusur haritası yardımcı olabilir. Sorunlu yerleri bir tahta çiziminde işaretliyorum ve deseni birkaç partide karşılaştırıyorum. Tekrarlanan konumlar genellikle tek bir inceleme fotoğrafından fazlasını ortaya çıkarır. ## Sıcaklık verileri birden fazla sayıya ihtiyaç duyar Birçok takım yalnızca ayarlanan sıcaklığı kaydeder. Bu sayı gerçek lehimleme sonucuyla eşleşmeyebilir. Üç değeri kontrol ediyorum: 1. Makine ayar sıcaklığı 2. Gerçek uç veya meme sıcaklığı 3. Ölçümün uygun olduğu durumlarda lehim bağlantısındaki sıcaklık Lehimleme ucu büyük bir terminale temas ettiğinde ısı kaybedebilir. Bir makine, temas süresinin bir kısmında bağlantı noktası daha az ısı alırken 350°C gösterebilir. Lehim alaşımı da süreci etkiler. Kurşunsuz lehim genellikle kurşunlu lehimden farklı bir termal profile ihtiyaç duyar. Bileşen boyutu, ped tasarımı ve panel kalınlığı da ısı transferini değiştirir. Sıcaklık, temas süresi ve lehim hacmi ile birlikte gözden geçirilmelidir. Yüksek sıcaklık her proses sorununu gidermez. Aşırı ısı pedlere zarar verebilir, malzemelerin rengini bozabilir veya yakındaki bileşenlere baskı uygulayabilir. ## Döngü süresi, gizli üretim kaybının ortaya çıkarılmasına yardımcı olur Otomatik lehimleme genellikle tutarlılığı artırmak ve manuel çalışmayı azaltmak için seçilir. Makinenin hala ölçülmesi gerekiyor. Şunları takip ediyorum: - Yükleme süresi - Lehimleme süresi - Hareket süresi - İnceleme süresi - Temizleme süresi - Arıza süresi - Program değiştirme süresi Bir makine bir kartı 40 saniyede lehimleyebilir ancak yükleme için 20 saniye ve inceleme için 15 saniyeye ihtiyaç duyar. Pratik çevrim süresi 75 saniyeye yakındır. Bu bilgi makine kapasitesini üretim planıyla karşılaştırmama yardımcı oluyor. Ayrıca küçük bir düzen değişikliğinin, daha yüksek bir robot hızına göre nerede daha fazla yardımcı olabileceğini de gösterir. Daha hızlı bir hareket ayarı her zaman yararlı değildir. Lehim bağlantısının kalitesi düşerse, yeniden işleme hız değişiminden dolayı kazanılan zamanı ortadan kaldırabilir. ## Tüm satırı değiştirmeden önce küçük bir test kullanın. Bir kusur eğilimi gördüğümde, birden fazla ayarı aynı anda değiştirmekten kaçınırım. Kontrollü bir test daha iyi bilgi verir. Yararlı bir test planı şunları içerebilir: - Üç sıcaklık ayarı - İki temas süresi - İki lehim besleme hızı - Aynı kart modeli - Aynı lehim malzemesi - Sabit bir numune boyutu Her test grubu için FPY'yi, kusur tipini, çevrim süresini ve görünür bağlantı durumunu kaydederim. Örnek: | Test grubu | Sıcaklık | İletişim süresi | FPY | |---|---:|---:|---:| | bir | 340°C | 2,0 sn | %96,8 | | B | 350°C | 2,0 sn | %97,6 | | C | 350°C | 2,4 sn | %98,2 | | D | 360°C | 2,4 sn | %97,9 | Bu örnekte C grubu, A grubuna göre daha iyi performans gösteriyor ancak sonuç, 350°C ve 2,4 saniyenin her ürüne uygun olacağını kanıtlamıyor. Testten sonra hala bağlantı görünümünü, bileşen sınırlarını, ped durumunu ve performansını kontrol ediyorum. Veriler bir sonraki kontrole rehberlik eder. Mühendislik kararının yerini almaz. ## Bakım sonrası değişiklikleri izleyin Otomatik lehimleme sonuçları aşağıdaki durumlarda değişebilir: - Meme değişimi - Lehim teli değişimi - Uç temizliği - Program güncellemeleri - Fikstür değişiklikleri - Konveyör ayarı - Yazılım güncellemeleri - Önleyici bakım Verileri değişiklik öncesi ve sonrası karşılaştırırım. Nozül değişiminden sonra kusur oranı artarsa ​​nozul konumunu, lehim çıkışını, ısıtma tepkisini ve program ofsetini inceliyorum. Bir bakım günlüğü; tarihi, değiştirilen parçayı, makinenin durumunu, sorumlu kişiyi ve yeniden başlatma sonrasındaki üretim sonucunu içermelidir. Bu, ekipmanın çalışması ile ürün kalitesi arasında yararlı bir bağlantı oluşturur. ## Kart montaj hattından pratik bir örnek Büyük terminalleri ve küçük sinyal pedleri olan bir kart düşünün. Hat, vardiya başına 1.000 levha üretiyor. Denetim ekibi 30 lehim hatası rapor ediyor ve bunların çoğunda büyük terminallerde yetersiz lehim görülüyor. Ekip yalnızca lehim hacmini kontrol ediyor ve daha fazla malzeme ekliyor. Bazı kartlarda kusur sayısı düşüyor ancak küçük pedlerin yakınında lehim topları görünüyor. Daha geniş bir veri incelemesi, büyük terminallerin bağlantı noktasından ısıyı uzaklaştırdığını göstermektedir. Daha iyi yanıt, temas süresini, ön ısıtmayı, uç durumunu ve lehim yerleşimini gözden geçirmektir. Tek başına lehim eklemek yeni bir risk oluşturur. Bu örnek, neden tek bir veri noktasının tüm süreci nadiren açıkladığını gösteriyor. Otomatik lehimleme ısıya, zamana, harekete, malzemeye ve kart tasarımının birlikte çalışmasına bağlıdır. ## Otomatik lehimleme verilerini kullanma yaklaşımım Sistemi, operatörlerin ve teknisyenlerin her vardiyada kullanabileceği kadar basit tutuyorum. Önerilerim: - Net kusur kategorileri belirleyin - Her partide aynı proses değerlerini kaydedin - Verileri ürün modeline ve makineye göre inceleyin - Onarım çalışmalarını ilk geçiş sonuçlarından ayırın - Tam parametre değişikliğinden önce örnek testler kullanın - Bakım kayıtlarını kalite kayıtlarıyla bağlayın - Yalıtılmış sayılar yerine eğilimleri inceleyin İyi verilerin karmaşık olmasına gerek yoktur. Temiz bir elektronik tablo, daha büyük bir üretim kaybı ortaya çıkmadan önce tekrarlanan bir kusuru ortaya çıkarabilir. Otomatik lehimleme, kararlar kişisel tahminler yerine ölçülen sonuçlara dayandığında daha tutarlı performans gösterir. Makine bağlantı noktasını oluşturur ancak veriler, ekibin bağlantının arkasındaki süreci anlamasına yardımcı olur.

Aynı soruyu işletme sahiplerinden, yazarlardan ve ekip yöneticilerinden sıklıkla duyuyorum: "Robotlar insanların yerini alacak mı?" Soru basit gibi görünse de cevap yapılan işe bağlıdır. Bir robot kısa sürede binlerce kaydı inceleyebilir. Bir kişi endişeli bir müşteriyi tek bir cümle duyduktan sonra anlayabilir. Her ikisinin de değeri var ama aynı sorunları çözmüyorlar. Daha iyi soru “İnsan mı yoksa robot mu?” değil. "Herkes işin hangi bölümünü ele almalı?" ### Robotlar neyi iyi yapıyor? Robotlar ve yapay zeka araçları büyük miktarda bilgiyi işleyebilir. Verileri sıralayabilir, kalıpları tespit edebilir, sık sorulan soruları yanıtlayabilir ve aynı görevi odak noktasını kaybetmeden tekrarlayabilirler. Örneğin bir depo robotu, paketleri sabit bir rota boyunca taşıyabilir. Bir sohbet robotu teslimat süreleri, mağaza saatleri veya şifre değişiklikleriyle ilgili soruları yanıtlayabilir. Bir yazılım aracı binlerce ürün açıklamasını eksik ayrıntılar açısından kontrol edebilir. Bu görevler açık kurallara tabidir. Sistem verileri alır, belirlenen talimatları uygular ve bir sonuç üretir. Çok sayıda dosyayı karşılaştırmam veya uzun bir liste düzenlemem gerektiğinde dijital bir araç bana zaman kazandırıyor. Ayrıca yanlış numaranın bir e-tabloya kopyalanması gibi basit manuel hataları da azaltır. Robotlar, bir görev şu durumlarda faydalıdır: - Tekrarlanan - Kural tabanlı - Veri ağırlıklı - Ölçülmesi kolay - Sabit bir ortamda gerçekleştirilen Bu, makineyi her durumda "daha iyi" yapmaz. Bu, makinenin işin o kısmına uyduğu anlamına gelir. ### İnsanların iyi yaptığı şeyler İnsanlar muhakeme, güven ve bağlam getirir. Bir müşteri, bir ürünün geç ulaşması nedeniyle destek ekibiyle iletişime geçebilir. Yazılı soru rutin görünebilir ancak müşteri bir düğüne, iş etkinliğine veya aile gezisine hazırlanıyor olabilir. Senaryolu bir yanıt, asıl endişeye değinmeden soruyu yanıtlayabilir. Eğitimli bir çalışan başka bir soru sorabilir, tonu dinleyebilir ve uygun bir yanıt seçebilir. Bu insan eylemi müşteri ilişkilerini koruyabilir. İnsanlar ayrıca belirsiz durumlarla da başa çıkarlar. Bir robot verilerden ve talimatlardan çalışır. Durum değiştiğinde kişi farklı faktörleri karşılaştırabilir ve sınırlı bilgiyle seçim yapabilir. Bir hastane ortamını düşünün. Yazılım, personelin taramaları incelemesine veya hasta kayıtlarını düzenlemesine yardımcı olabilir. Doktorun yine de semptomları tartışması, seçenekleri açıklaması ve hastanın endişelerini anlaması gerekir. Araç kararı desteklemektedir. Konuşmanın tüm sorumluluğunu taşımaz. Bir görev aşağıdakileri gerektirdiğinde insanlar faydalıdır: - Empati - Etik muhakeme - Yaratıcı yönlendirme - Müzakere - Yerel bilgi - Duygusal ayrıntılarla iletişim Bu yetenekler satış, eğitim, sağlık, yönetim, tasarım ve müşteri hizmetlerinde önemlidir. ### Müşteri hizmetlerinden bir ders Birçok şirket, basit talepleri karşılamak için otomatik sohbet sistemlerini kullanır. Bu, müşterilerin bir takip bağlantısına veya iade politikasına ihtiyaç duyduğu durumlarda işe yarayabilir. Müşteri insani bir seçenek bulamadığında sorunlar ortaya çıkıyor. Yanlış bir cevap birkaç kez tekrarlanabilir. Sistem tasarlandığı gibi çalışmasına rağmen müşteri daha fazla hayal kırıklığına uğrar. Daha iyi bir yapı gördüm: Otomatik aracın temel soruları ele almasına izin verin, ardından eğitimli bir çalışana ulaşmayı kolaylaştırın. Araç hacimle ilgilenir. Çalışan olağandışı durumlarla ilgilenir. Bu yaklaşım her iki tarafa da saygı duyar. Müşteriler basit sorunlar için hızlı yardım alırken, personel de bakım gerektiren durumlara odaklanabiliyor. ### İçerik oluşturma yapay zekasından alınacak bir ders, bir yazarın fikir toplamasına, bir taslak oluşturmasına ve dilbilgisini gözden geçirmesine yardımcı olabilir. Ayrıca bir konuyu açıklamanın farklı yollarını da önerebilir. Yazarın yine de gerçekleri kontrol etmesi, izleyiciyi anlaması ve net bir bakış açısı eklemesi gerekiyor. Bir içerik parçası dilbilgisi açısından doğru olabilir ancak yararlı bir deneyim veya belirli bir ayrıntı içermiyorsa yine de boş görünebilir. Örneğin yerel bir tamir şirketi ev bakımıyla ilgili genel bir makale yayınlayabilir. Müşterilerle konuşan bir yazar, ortak bir sorunu içerebilir: İnsanlar genellikle küçük bir su lekesini tavana yayılana kadar görmezden gelirler. Bu ayrıntı makaleye pratik bir amaç kazandırıyor. Bir araç makaleyi şekillendirmeye yardımcı olabilir. Yazar buna anlam katıyor. ### İşi kimin yapması gerektiğine nasıl karar verilir Basit bir gözden geçirme süreci kullanırım: 1. Görevi sade bir dille yazın. 2. Sık sık tekrarlanan adımları işaretleyin. 3. Sabit kuralları kişisel yargılardan ayırın. 4. Hataların parayı, güvenliği veya güveni etkileyip etkilemeyeceğini kontrol edin. 5. Yazılımın veriler ve rutin eylemler konusunda yardımcı olmasına izin verin. 6. Hassas veya belirsiz kararlar için insan incelemesini sürdürün. 7. Süreci gerçek müşteri sorularıyla test edin. 8. Yeni sorunlar ortaya çıktığında talimatları güncelleyin. Bu yöntem iki yaygın hatayı önler. Birincisi, insanların yazılımın üstesinden gelebileceği işlere saatler harcamasını beklemek. Diğeri ise dikkat ve sorumluluk gerektiren bir karar üzerinde makineye kontrol vermektir. ### Peki kim kazanır? Tek bir kazanan yok. Bir robot hız, tekrarlama ve veri işleme konularında kazanabilir. Bir kişi güven, muhakeme ve anlayışla kazanabilir. En güçlü sonuçlar genellikle her iki tarafın da net bir role sahip olduğu bir ekipten gelir. Güvenilir bir araç yardımcı olabilecekken, bir insandan binlerce kaydı elle saymasını istemem. Ayrıca, insani desteğe giden açık bir yol olmadan, bir chatbot'tan hassas bir şikayeti yönetmesini istemem. İşin geleceği, insanları değiştirmekten çok, insanların zamanlarını nasıl geçirdiklerini değiştirmekle ilgili olabilir. Rutin görevler makinelere taşındığında insanlar, insani bir bakış açısı gerektiren kararlara, ilişkilere ve fikirlere odaklanabilirler.

Otomatik lehimleme bazı üretim hatları için iyi bir seçim olabilir ancak her elle lehimleme işinin yerine geçecek basit bir yöntem değildir. Genellikle bunu üç soruyla değerlendiriyorum: Kaç tane pano inşa edilmesi gerekiyor? Ürün tasarımı ne kadar kararlı? İşletme hangi düzeyde kalite kontrolü destekleyebilir? Birkaç özel panoya sahip küçük bir atölye, büyük bir otomatik sistemden çok az kazanç sağlayabilir. Her gün aynı montajı üreten bir fabrika, tekrarlanabilir lehim bağlantılarının, daha kısa çevrim sürelerinin ve daha kolay süreç takibinin net değerini görebilir. ### Otomatik lehimleme neyi geliştirebilir? Asıl fayda tutarlılıktır. Eğitimli bir operatör güçlü lehim bağlantıları üretebilir, ancak elle lehimleme hala dikkat, beceri, alet durumu ve çalışma hızına bağlıdır. Otomatik lehimleme, lehim beslemesi, ısıtma süresi, hareket hızı ve alet konumu gibi faktörleri kontrol eder. Bu, bir partideki varyasyonu azaltabilir. Bu farkı kablo konnektörleri üreten küçük bir elektronik montaj hattında gördüm. Operatörler vardiya sırasında aynı bağlantıları birçok kez lehimlemek zorunda kalıyordu. Günün ilk panoları genellikle temizdi, daha sonraki panolarda ise lehim miktarı ve bağlantı şekli açısından daha fazla değişiklik görüldü. Süreç programlanmış bir lehimleme istasyonuna taşındıktan sonra ekip, temel kusurları kontrol etmeye daha az, kurulum ve incelemeye daha fazla zaman harcadı. Otomasyon aynı zamanda tekrarlayan işlerde de yardımcı olabilir. Bir bağlantının bir öncekine benzemesi nedeniyle makinenin duraklamasına gerek yoktur. Süreç değişene kadar aynı programlanmış yolu izler. Diğer olası faydalar şunlardır: - Daha istikrarlı lehim hacmi - Isıtma süresinin daha iyi kontrolü - Operatörlerin ısıya ve dumana daha az maruz kalması - Daha kolay proses kayıtları - Yüksek vasıflı bir işçiye daha az bağımlılık - Ekipmanı yöneten personel için daha hızlı eğitim Bu kazanımların, ürün istikrarlı bir tasarıma ve istikrarlı bir üretim programına sahip olduğunda görülmesi daha kolaydır. ### Otomatik lehimlemenin işe yaramayabileceği durumlar Otomasyonun makine fiyatının ötesinde bir maliyeti vardır. İşletmenin özel donanımlara, programlamaya, bakıma, operatör eğitimine, havalandırmaya, yedek parçalara ve inceleme ekipmanına ihtiyacı olabilir. Bir makine aynı zamanda tasarım değişiklikleri de gerektirebilir. Bileşenlerin daha düzenli bir yerleşim düzenine ihtiyacı olabilir ve her bağlantının etrafındaki erişim açık olmalıdır. Düşük hacimli üretim, geri dönüşün haklı gösterilmesini zorlaştırabilir. Bu ay 50 pano oluşturursam ve tasarım sık sık değişirse, manuel istasyon daha pratik kalabilir. Programlama süresi, özellikle her siparişin farklı bir tahta şekline sahip olduğu durumlarda, üretim programının büyük bir bölümünü kaplayabilir. Küçük veya hassas bileşenler de sorun yaratabilir. Otomatik lehimleme, bağlantı konumu, yüzey durumu ve bileşen konumu sabit kaldığında en iyi sonucu verir. Aşağıdaki sorunlarla mücadele edebilir: - Düzensiz levhalar - Esnek kablolar - Farklı açılarda yerleştirilmiş parçalar - Isıya duyarlı bileşenler - Diğer parçaların arkasına gizlenmiş bağlantılar - Sık tasarım değişikliği gerektiren ürünler Bir makine aynı zamanda vasıflı personel ihtiyacını da ortadan kaldırmaz. Birinin hala süreci hazırlaması, bağlantıları incelemesi, hataları düzeltmesi ve hatanın lehimleme programından mı, malzemelerden mi yoksa kart tasarımından mı kaynaklandığına karar vermesi gerekiyor. ### Üretim hacmi önemlidir Üretim hacmini pratik bir başlangıç ​​noktası olarak kullanıyorum. Prototipler, onarım çalışmaları, özel siparişler ve kısa çalışmalar için basit bir manuel kurulum yeterli olabilir. Ekipman maliyeti daha düşük kalır ve operatör, ürün değiştikçe süreci ayarlayabilir. Yarı otomatik bir istasyon büyüyen bir atölyeye uygun olabilir. Bazı konumlandırma işlerini operatöre bırakırken lehim beslemesini veya alet hareketini kontrol edebilir. Bu yaklaşım, tüm süreci sabit bir makine döngüsüne zorlamadan tekrarlamayı azaltabilir. Tam otomatik bir sistem, aynı ürünün sıklıkla çalıştığı ve manuel tutarsızlığın maliyetinin ölçülmesinin kolay olduğu durumlarda daha anlamlı olur. İşletme, kaçırılan teslimat tarihleriyle, tekrarlanan inceleme çalışmalarıyla, operatörün yorgunluğuyla veya çok sayıda lehim kusuruyla karşı karşıya olabilir. Ekipmanı yalnızca tahta miktarına göre seçmem. On bin basit eklemin otomatikleştirilmesi, yüz karmaşık eklemin otomatikleştirilmesinden daha kolay olabilir. Ortak erişim, çevrim süresi, ürün ömrü ve değişim işinin tümü kararı etkiler. ### Satın almadan önce maliyeti hesaplayın Temel bir tahmin, pahalı bir hatayı önleyebilir. Manuel lehimlemenin mevcut maliyetini kaydedin: - Kart başına işçilik saatleri - Yeniden çalışma saatleri - Hurda ve malzeme kaybı - Denetim süresi - Eğitim süresi - Vardiya başına çıktı - Operatörün hazır bulunmasından kaynaklanan gecikmeler Daha sonra otomatik sürecin maliyetini tahmin edin: - Ekipman satın alma veya kiralama - Kurulum - Programlama - Demirbaşlar ve aletler - Bakım - Eğitim - Lehim ve diğer malzemeler - Denetim ve test Yararlı bir karşılaştırma yalnızca iş gücü tasarrufu değildir. Ayrıca kusurların maliyetine ve ekstra üretim kapasitesinin değerine de bakıyorum. Örneğin bir atölye, bir aksamı elle lehimlemek için 12 dakika harcayabilir. Otomatik bir istasyon aktif lehimleme süresini 5 dakikaya düşürebilir ancak operatörün yükleme, kontrol ve boşaltma için hala 3 dakikaya ihtiyacı olabilir. Gerçek tasarruf montaj başına 7 dakika değil 4 dakikadır. Daha büyük sayıya dayalı bir hesaplama gerçekçi olmayan bir sonuç verebilir. Makine gerçek kart, tel, lehim, akı ve fikstürle test edilmelidir. Basit bir numune kullanılarak yapılan tedarikçi gösterimi, gerçek ürünün neden olduğu sorunları göstermeyebilir. ### Kalite tüm sürece bağlıdır Otomatik lehimleme otomatik olarak güvenilir bağlantılar üretmez. Tahta yüzeyi uygun olmalıdır. Bileşenlerin istikrarlı bir şekilde yerleştirilmesi gerekir. Lehim ve akı prosese uygun olmalıdır. Sıcaklık ayarlarının kontrol edilmesi gerekir. Makine yolu, yakındaki parçalara temas etmeden bağlantı noktasına ulaşmalıdır. Süreci şu şekilde kontrol ederim: 1. Gerçek ürünle bir numune çalışması 2. Uygun aydınlatma altında görsel inceleme 3. Gerektiğinde bağlantı mukavemeti kontrolleri 4. Lehimlemeden sonra elektrik testi 5. Birkaç partideki kusurların gözden geçirilmesi 6. Uçlar, besleyiciler, fikstürler ve sensörler için bir bakım planı Yaygın kusurlar arasında soğuk bağlantılar, aşırı lehim, yetersiz lehim, köprüleme, kaldırılmış pedler ve ısı hasarı sayılabilir. Bir kamera sistemi bazı sorunların tespit edilmesine yardımcı olabilir ancak yine de doğru ayarlara ve düzenli kontrollere ihtiyaç duyar. İyi kayıtlar da yardımcı olur. Bir kusur ortaya çıkarsa ekip makine programını, malzeme partisini, operatörü, denetim sonucunu ve üretim süresini tanımlayabilmelidir. Bu bilgiler sorun gidermeyi tahminlere daha az bağımlı hale getirir. ### Başlamak için mantıklı bir yol Aşamalı bir yaklaşımı tercih ediyorum. Bir işletme, hattın tamamını değiştirmek yerine tekrarlayan bir işlemi otomatikleştirerek başlayabilir. Kablo terminali lehimleme, konnektör işi veya bir grup tekrarlanan bağlantı açık bir test durumu sunabilir. Ekip, aynı sayıda montajda manuel ve otomatik sonuçları karşılaştırabilir. Döngü süresini, kusur oranını, yeniden çalışmayı, malzeme kullanımını ve operatör çabasını ölçün. Kısa bir deneme genellikle bir satış broşüründen daha fazlasını ortaya çıkarır. Sonuçlar istikrarlıysa süreç diğer ürünlere de genişletilebilir. Tasarım çok sık değişirse işletme sabit görevler için otomasyonu koruyabilir ve özel bölümler için manuel çalışmayı kullanabilir. ### Benim görüşüme göre Otomatik lehimleme, üretimin tekrarlı olduğu, talebin sabit olduğu, bağlantı kalitesinin değişken olduğu ve şirketin programlama ve bakımı destekleyebildiği durumlarda dikkate alınmaya değerdir. Prototiplerle, düzensiz onarımlarla veya sık sık tasarım değişiklikleriyle uğraşan bir atölyeye uygun olmayabilir. En iyi seçim en gelişmiş makine değildir. Ürünle eşleşen ve gerçek verilerle ölçülebilen süreçtir. Dikkatli bir deneme, net maliyet tahmini ve gerçek kusur modellerinin incelenmesi, karar için tek başına makine hızından daha güçlü bir temel sağlar.

Sayılar genellikle olduklarından daha kesin görünür. Bir gösterge tablosu daha yüksek satışları, daha fazla web sitesi ziyaretini veya daha güçlü bir dönüşüm oranını gösterebilir. Bu rakamlar bir iş kararına rehberlik edebilir, ancak tek bir rakam nadiren hikayenin tamamını anlatır. Satışlar sabit kalırken ekiplerin trafikteki artışı kutladığını gördüm. Ayrıca müşteri sayısındaki küçük bir düşüşün, satın alma alışkanlıklarında faydalı bir değişime işaret ettiğini gördüm. Yararlı soru yalnızca “Ne değişti?” değildir. O da şudur: - Bu sayı neyi ölçer? - Nereden geldi? - Aynı dönemde neler oldu? - Hangi müşteriler sonucu etkiledi? - Bu veriler hangi kararı destekleyebilir? ## Grafikle değil soruyla başlayın Birçok rapor grafiklerle başlar ve tahminlerle biter. Açık bir iş sorusuyla başlamayı tercih ederim. Bir mağaza sahibi "Gelir neden düştü?" diye sorabilir. Bu soru birçok kontrolün yapılmasına yol açabilir: - Mağazayı daha az kişi ziyaret etti mi? - Müşteriler daha az ürün mü satın aldı? - Fiyatlar değişti mi? - Ürün bulunabilirliği siparişleri etkiledi mi? - Geri ödemeler arttı mı? - Bir satış kanalı kötü performans gösterdi mi? Gelir tek başına bu sorulara cevap veremez. Yalnızca belirli bir dönemde toplanan nihai tutarı gösterir. Yararlı bir rapor, sayıyı amacına bağlar. Müşteri talebini anlamak istersem siparişleri, ortalama sipariş değerini, tekrarlanan satın alımları ve ürün görüntülemelerini birlikte inceleyebilirim. ## Değişime bakın, sadece toplam A toplamı değil ölçek verir. Bir değişiklik yön verir. Şu sonuçlara sahip bir çevrimiçi mağaza düşünün: - Ocak geliri: 50.000 ABD Doları - Şubat geliri: 52.000 ABD Doları - Ocak siparişleri: 1.000 - Şubat siparişleri: 800 Gelir %4 arttı, ancak siparişler %20 düştü. Bunun muhtemel nedeni ortalama sipariş değerinin daha yüksek olması olabilir. Müşteriler daha az sipariş aldı ancak her sipariş daha büyüktü. Bu, "satışların artması"ndan farklı bir hikaye anlatıyor. İşletme, her satın alımdan daha fazla kazanç elde ederken daha az alıcı çekiyor olabilir. Bu bir işletme için sağlıklı iken diğeri için riskli olabilir. Müşteri büyümesine odaklanan bir şirketin sipariş hacmindeki düşüşü incelemesi gerekebilir. Daha büyük satın almalara odaklanan bir şirket, değişikliğin kalıcı bir modelden mi yoksa kısa bir kampanyadan mı kaynaklandığını inceleyebilir. Her zaman toplamları, oranları ve hacmi birlikte kontrol ederim. ## Yüzdeleri dikkatli kullanın Yüzdeler küçük değişikliklerin büyük görünmesine neden olabilir. Ziyaretçi sayısı 10'dan 20'ye çıkan bir web sitesi %100 büyüdü. Artış güçlü gibi görünse de asıl kazanç yalnızca 10 ziyaretçidir. %1'den %2'ye çıkan dönüşüm oranı da iki katına çıkar. Bu bana değişikliğin 100 ziyaretçiden mi yoksa 100.000 ziyaretçiden mi geldiğini söylemiyor. Basit bir tablo gerekli bağlamı ekleyebilir: | Metrik | Önceki dönem | Cari dönem | |---|---:|---:| | Ziyaretçiler | 100.000 | 80.000 | | Siparişler | 2.000 | 1.600 | | Dönüşüm oranı | %2 | %2 | | Gelir | 100.000$ | 96.000$ | Dönüşüm oranı aynı kaldı. Gelirdeki düşüş, web sitesi performansının zayıflamasından değil, trafiğin azalmasından kaynaklandı. Bu ayrım bir sonraki eylemi etkiler. Ekip, ödeme sayfasını değiştirmek yerine pazarlama erişimini inceleyebilir. ## Zaman dilimini kontrol edin Raporlama dönemi değiştiğinde veriler değişebilir. Haftalık raporda resmi tatil nedeniyle düşüş görülebilir. Aylık bir rapor, kısa süreli satış artışını gizleyebilir. Bir önceki yıl arz sorunları yaşandığı için yıldan yıla bir karşılaştırma büyüme gösterebilir. Mümkün olduğunda eşleşen dönemleri karşılaştırırım: - Pazartesiden Pazartesiye - Bir yıldan diğerine aynı ay - Aynı kampanya süresi - Benzer iş günleri - Benzer ürün bulunabilirliği Sezonluk işletmelerin ekstra bakıma ihtiyacı vardır. Bir otel, kış talebini yaz ayıyla karşılaştırarak değerlendiremez. Bir okul malzemeleri mağazası, akademik yıl başlamadan önce farklı bir model görecektir. Zaman dilimi vermek istediğim kararla eşleşmelidir. ## Korelasyonu nedenden ayırın İki şekil, biri diğerine sebep olmadan aynı anda hareket edebilir. Bir sosyal medya gönderisinden sonra web sitesi trafiğinin arttığını ve satışların da arttığını varsayalım. Gönderi yardımcı olmuş olabilir. Değişiklik aynı zamanda bir indirimden, yeni bir üründen, ödeme günü döngüsünden veya bir rakibin stoğunun tükenmesinden de kaynaklanabilir. Aynı dönemdeki diğer değişiklikleri de kaydediyorum: - Fiyat güncellemeleri - Reklam değişiklikleri - Web sitesi yayınları - Stok seviyeleri - Teslimat gecikmeleri - Müşteri hizmetleri sorunları - Hava durumu veya yerel olaylar Bunun genel bir örneği Netflix'in 2022 yılının ilk çeyreği hissedar raporundan geliyor. Şirket bu çeyrekte 200.000 ücretli üyelik kaybı bildirdi. Rakam dikkat çekti ancak raporda hesap paylaşımı, rekabet, piyasa koşulları gibi faktörler de ele alındı. Abone sayısı önemliydi ancak anlamı daha geniş iş ortamına bağlıydı. Aynı alışkanlık küçük şirketler için de geçerlidir. Bir sayının ticari bir açıklamaya dönüşebilmesi için bağlama ihtiyacı vardır. ## Farklılıkları gizleyen ortalamalara dikkat edin Bir ortalama, çok farklı iki grubun birbirine benzemesine neden olabilir. Bir şirket ortalama sipariş değerini 80$ olarak bildirebilir. Bir müşteri segmenti 20$ harcayabilirken, bir diğeri 140$ harcayabilir. Ortalama hangi grubun büyüdüğünü veya küçüldüğünü göstermiyor. Verileri sıklıkla şuna göre ayırırım: - Müşteri türü - Konum - Cihaz - Ürün - Trafik kaynağı - Yeni ve geri gelen ziyaretçiler - Sipariş boyutu - Satın alma sıklığı Ödeme sayfasının küçük ekranda kullanılması zor olduğundan mobil dönüşüm oranı masaüstü dönüşümden daha düşük olabilir. Yerel talebin farklı olması nedeniyle bir ürün bir şehirde iyi satılırken diğerinde kötü satılabilir. Bölümlere ayrılmış veriler, geniş bir sinyali olası bir eyleme dönüştürür. ## Verilerin güvenilir olup olmadığını sorun Temiz görünen veriler hâlâ hatalar içerebilir. Kontrol ediyorum: - Takip kodlarının çalışıp çalışmadığı - Yinelenen siparişlerin kaldırılıp kaldırılmadığı - Geri ödemelerin dahil edilip edilmediği - Vergi ve kargonun aynı kuralları kullanıp kullanmadığı - Raporun her seferinde aynı veri kaynağını kullanıp kullanmadığı - Tarih ve saat diliminin doğru olup olmadığı Botlardan ani bir trafik artışı gelebilir. Ödeme takibi sorunundan dolayı satışlarda düşüş yaşanabilir. Rapor kurulumundaki bir değişiklik, müşteri davranışında herhangi bir değişiklik olmadan rakamlarda bir değişiklik yaratabilir. Bir sonuç olağandışı göründüğünde onu başka bir kaynakla karşılaştırırım. Web sitesi analizleri, ödeme kayıtları, sipariş verileri ve müşteri destek mesajları aynı etkinliğin farklı bölümlerini gösterebilir. ## Rakamları küçük bir teste dönüştürün Verilerin tek seferde büyük bir karar üretmesine gerek yok. Ödemeyi terk etme oranı artarsa ​​sınırlı bir hedef kitleyle daha kısa bir formu test edebilirim. Bir ürün sayfası ziyaret ediliyor ancak az sayıda sipariş alıyorsa fiyat ekranını, ürün ayrıntılarını, teslimat bilgilerini ve görsellerini inceleyebilirim. Test başlamadan önce ölçüyü belirliyorum: - Ne değişecek? - Değişikliği kim görecek? - Test ne kadar sürecek? - Hangi sonuç faydalı sayılacak? - Hangi risklerin izlenmesi gerekiyor? Test, ekibe tek bir raporu tam bir cevap olarak ele almadan öğrenmenin bir yolunu sunar. Sayılar daha iyi sorular sormama yardımcı olduklarında çok faydalıdır. Daha yüksek bir toplam, daha düşük talebi gizleyebilir. Küçük bir örnekten güçlü bir yüzde gelebilir. Hayal kırıklığı yaratan bir sonuç, düzeltilebilecek bir soruna işaret edebilir. Sayıyı okur, kaynağını kontrol eder, doğru dönemleri karşılaştırır, grupları ayırır ve sonucu pratik bir karara bağlarım. Bu süreç, manşetteki rakamın tekrarlanmasından daha fazla özen gerektirir ancak verilere daha net bir anlam kazandırır. Bu makalenin içeriğiyle ilgili sorularınız için lütfen Wu Lei ile iletişime geçin: info@automaticdispensing.com/WhatsApp +8615118326731.

IPC 2020 Elektronik Montaj Gereksinimlerinin Kabul Edilebilirliği ve Rehberlik Michael Pecht 2017 Elektronik Üretimi için Lehimleme Teknolojisi John H. Lau 2018 BGA CSP ve Flip Chip Düzeneklerinin Lehim Bağlantısı Güvenilirliği Uluslararası Standardizasyon Örgütü 2016 Robotlar ve Robotik Cihazlar Endüstriyel Robotlar için Güvenlik Gereksinimleri Thomas H. Davenport ve Julia Kirby 2016 Yalnızca İnsanların Başvurusu Gerekir Kazananlar ve Kaybedenler Akıllı Makineler Çağı Douglas C. Montgomery 2019 İstatistiksel Kalite Kontrole Giriş