Manufacturing Outputs and Compliance

Generate accurate manufacturing outputs while ensuring compliance with industry regulations, reducing production errors and time-to-market.

Filter
見つかりました
Sort by
役割
ソフトウェア
コンテンツタイプ
適用
フィルターをクリア
DFM for Space 航空宇宙プロジェクトのための必須DFMのヒント 1 min Blog PCB設計者 PCB設計者 PCB設計者 製造のための設計(DFM)はかなり複雑になることがあります。製造が容易でありながら、高品質、信頼性、およびコスト効率を確保する製品を作成することを含みます。DFMは、信頼性のための設計(DFR)、テスト可能性のための設計(DFT)、組み立てのための設計(DFA)などの関連概念も包含します。 宇宙産業では、DFMの要求はさらに大きくなります。設計者は、温度、放射線、真空などの極端な環境を考慮に入れなければなりません。ESAやNASAなどの異なる宇宙機関の厳格な信頼性要件と様々な基準のために複雑さが増します。これらの基準を満たすコンポーネントは非常に高価になることがあり、ボードのリビジョンごとにさらなる費用が加わります。宇宙用の最初のPCBを設計している場合でも、プロセスについて単に好奇心がある場合でも、読み続けてください。経験豊富なユーザーでもここで貴重な洞察を得ることができるかもしれません。 PCBメーカーとの早期連絡を維持する これは明らかに思えるかもしれませんが、非常に重要です。最初から、設計と品質の要件を満たすスタックアップと材料を選択する必要があります。プリプレグとコアが低いアウトガス特性を持っていることを確認してください、特にあなたのボードが光学要素の近くにある場合は特にです。早期にHDI(High Density Interconnect)を使用するかどうかを決定してください。これにより、PCBを小さく、より信頼性の高いものにすることができますが、製造およびテストのコストが高くなります。スタックアップでμviasを簡単に定義できます。 接続の信頼性を高めるために、低電流を運ぶ信号であっても、2つ以上のレーザービアを使用してください。 パッド内の2つのビア。ビアの色は、最下層とその直上の層を示しています。 組立工場と早期に連絡を取り合う この重要な点はしばしば見落とされます。各組立工場は異なるフットプリントに対して特定のプロセスを持っており、フットプリントのサイズは組立工場の要件に合わせる必要があります。エンジニアリングモデル(EM)の場合、異なるフットプリントを持つ宇宙用には認定されていないコンポーネントを使用するかもしれません。フライトモデル(FM)コンポーネント用にボード上にスペースを確保することは良い習慣です。さらに、比較レポートを使用して、すべてのフットプリントが最新であることを確認してください。 比較レポートのサンプルビュー 重いコンポーネントには接着剤を検討する 重いコンポーネントには安定性のために接着剤が必要です。この接着剤のためのスペースをフットプリント上に残してください。これを示すには、別のレイヤーに情報を配置するか、そのエリアに他のものを配置しないようにキープアウト領域を指定することができます。 接着剤の配置がキープアウト領域によってマークされたフットプリント(両側に二つの赤い長方形) テストを忘れないでください 宇宙産業では、軌道上での修理が不可能なため、テストは非常に重要です。はんだ接合部での信号のプロービングは避けてください。これはそれらにストレスを加える可能性があります。代わりに、徹底的なチェックのために基板上にテストポイントを配置してください。GNDポイントを近くに配置すると便利です。 テストポイントのための典型的な回路図シンボル PCB上のテストポイント 基板をアウトガスさせることを許可してください 宇宙産業の要件を満たす材料であっても、わずかにアウトガスすることがあります。これを容易にするために、PCB上でハッチングされたポリゴンを使用してください。しかし、 記事を読む
PCBビア製造のための直接金属化プロセス PCBビア製造のための直接金属化プロセス 1 min Blog PCBにビアやスルーホールが製造される際、穴の壁に必要な銅を構築するために金属の堆積とめっき処理が必要となります。ビアの壁に金属膜を構築する作業は電鋳として知られるプロセスで行われますが、このプロセスを実施する前に、さらなる堆積のためのシード層を形成するための初期金属化処理が必要です。後続の電鋳銅プロセスをサポートするために使用できる初期金属化処理には、無電解銅と直接金属化があります。 無電解銅は、業界全体で使用されている標準的な長期にわたる初期金属化処理です。低密度設計では、無電解銅は広く使用されているプロセスであり、適切に制御されていれば、顕著な信頼性の問題は発生しません。高密度PCBでは、マイクロビアの小さな特徴サイズのため、無電解銅めっきの信頼性の問題がより明らかになる可能性があります。 デバイスの小型化が進むにつれて、直接金属化の容量が増加することが期待され、これは UHDIデザインのための信頼性の高い製造およびめっき容量のニーズに対応することになります。これは、IC基板の需要の予想される成長と、電子製造容量の国内回帰の現在のトレンドに一致しています。 初期金属化の概要 PCB製造における主要な金属化プロセスは、穴あけとデスミアの後に実行され、このプロセスは、めっきが必要な穴内にシード層を形成するために使用されます。シード層は、下記に示すように、穴壁に沿って形成され、このシード層が後続の電気めっきの基盤を形成します。 電気めっきを用いた主要な金属化およびビア形成。 最終的な穴壁厚さ(ほとんどの設計で1ミル)まで電気めっきにより銅層が堆積された後、外層のめっきとはんだマスクが適用され、これにより最終的なめっき層を アンテントされないビアに適用することができます。ビア壁がめっきされると、穴壁内の堆積された銅の厚さを評価し、穴軸に沿っためっきの均一性を確保するために、微細構造分析が行われることがあります。 大きな直径では、大きなアスペクト比を含む場合、結果として得られるめっきは一般に非常に高品質であり、非常に信頼性が高いとされています。小さなサイズにスケールダウンすると、無電解銅はいくつかの信頼性の課題を示し始め、より厳密なプロセス制御の使用、または直接金属化プロセスへの完全な移行を動機付けます。 無電解銅 無電解銅は、電鋳前に使用される伝統的な一次金属化プロセスです。このプロセスは、PCB絶縁材料上に直接、パラジウム触媒を用いて溶液から銅の薄層を堆積させます。薄い銅層が堆積されると、最終的な銅めっき厚さに達するまで上に電鋳銅が堆積されます。このプロセスは、パラジウム触媒の存在下でホルムアルデヒドを使用して銅イオンの還元反応を含みます。 2HCHO + 2OH − → 3H 2 (g) 記事を読む
Generative AIを使用して組み込みコードを書き込み、実行する Generative AIを使用して組み込みコードを書き込み、実行する 1 min Altium Designer Projects ハードウェアと会話するカスタムGPTアクションの構築方法と AIラボアシスタントの構築で、Generative AIを使用してハードウェアを制御する方法を学びました。ChatGPT内でカスタムGPTアクションを利用することで、ChatGPTにラズベリーパイからLEDを点滅させるだけでなく、実験室の機器を制御しデータを取得する能力を与えることができました。これは、人工知能をラボアシスタントとして使用し、機器から取得したデータを処理することができることを意味します。この記事では、Generative AIによってコードを書くだけでなく、組み込みターゲット上で実行し、その過程でフィードバックを受け取ることによって、さらに一歩進んでいます。 背景 Generative AIを使用してコードを書くことは、組み込みシステムでさえ、新しいことではありません。既にコードを一から完全に書くか、提案するだけの多くのツールがあります。ChatGPT、Gemini、Claudeなどの最も人気のある大規模言語モデルは、すべてコードを書くのがかなり得意になっています(比較については、 Gemini vs. ChatGPT: どちらがより良いコードを書くかを参照してください)。私は1年以上前からChatGPTがコードを生成することについて書いてきました( ChatGPTを使用した自動テストを参照)し、それが今日の開発の唯一の方法であると説教してきました。本当の挑戦は、開発のループにAIを取り入れることです。 コード生成はある程度までしか役立ちませんが、Generative AIを使用する場合、それが機能することを検証し保証するには異なるアプローチが必要です。ChatGPTとのコードインタープリターは、ある程度、生成されたコードを実行し、それがあなたのために機能することを検証できるカプセル化されたPython環境を提供します。私はそれをさらに一歩進め、組み込みシステムで同じことを達成できるかどうかを見てみたいと思いました。OpenAIのChatGPTを使用するには2つのルートがあります。最も一般的なルートは、OpenAI APIを使用するクローズドループアプリケーションを作成することです。それはAPIを使用して大規模言語モデル(LLM)からコードをプロンプトして取得し、それをコンパイルし、Arduinoにロードし、生成されたコードの機能を検証するために追加のカスタムコードを使用します。私はGPTアクションを使用して、「コードペアリング体験」にすることで異なるアプローチを取ることにしました。その体験は次のようなものです: 図1: GPTアクションの例 例は単純かもしれません(つまり、オンボードLEDの点滅)が、上記のデモンストレーションで全てがまとまっています。私はカスタムGPTに明確な指示を与えることができ、期待通りに指示に従ってくれました。また、実際にデバイスにアップロードされ、LEDが1秒ごとに点滅することも確認できました。カスタムGPTを閉じたループシステムと比較して使用する良い点は、プロンプト内でかなり簡単に繰り返し作業ができることです: 図2: Arduinoスケッチの反復 記事を読む