Denna studie undersöker hur artificiell intelligens (AI) kan användas för att analysera inspektionsdata från SPI (Solder Paste Inspection) och AOI (Automated Optical Inspection) i ytmonterad elektronikproduktion (SMT). Genom en fallstudie hos HMS Networks har data från 400 kretskort samlats in och analyserats för att identifiera mönster mellan tidiga processparametrar och kvalitetsutfall senare i tillverkningskedjan. Resultaten visar att vissa SPI-parametrar, såsom volym, höjd och position i Y-led, uppvisar tydliga samband med fel i AOI. 

Studien bygger på en kvantitativ ansats med korrelationsanalys, och diskuterar även potentialen i att använda dessa samband för att utveckla prediktiva AI-modeller. Ett centralt bidrag är att studien genomförs i en verklig produktionsmiljö, vilket stärker dess praktiska relevans och möjliggör en diskussion kring begränsningar såsom dataspårbarhet, systemintegration och toleransinställningar. Slutsatserna visar att det finns både teknisk och organisatorisk potential att använda befintlig SPI-data som beslutsstöd för proaktiv kvalitetsstyrning i SMT-produktion.

This study investigates how artificial intelligence (AI) can be used to analyze inspection data from SPI (Solder Paste Inspection) and AOI (Automated Optical Inspection) systems in surface-mount technology (SMT) production. Based on a case study at HMS Networks, data from 400 printed circuit boards were collected and analyzed to identify patterns between early process parameters and downstream quality outcomes. The results show that certain SPI parameters, such as solder paste volume, height and Y-axis offset, have a clear correlation with defects detected in AOI. 

The study adopts a quantitative approach using correlation analysis and discusses the potential of using these patterns as a foundation for predictive AI models. A central contribution is that the research is conducted in a real-world industrial setting, highlighting practical limitations such as traceability, system integration and tolerance calibration. The conclusions suggest that there is both technical and organizational potential to use existing SPI data as decision support for proactive quality control in SMT production environments.