Predictive modeling of PCB assemblies: handling class imbalance, high dimensionality and non-stationarity in ICT data

This thesis investigates the use of In-Circuit Test (ICT) measurements for predictive quality control in the production of printed circuit board assemblies (PCBAs). The work, carried out in collaboration with Cisco Systems, addresses two key research questions: (i) how ICT data can be exploited to reliably predict the outcome of Functional Testing (FT), and (ii) how temporal variations and concept drift in ICT measurements can be effectively identified and characterized. To answer these questions, machine learning frameworks were developed to cope with three critical challenges of the manufacturing data: high dimensionality, extreme class imbalance, and temporal non-stationarity. Weighting and sliding-window schemes on Support Vector Machine (SVM) classifiers were implemented under causal settings, to adapt to evolving data distributions. In parallel, unsupervised drift-assessment techniques based on K-Nearest Neighbors (KNN) and Isolation Forests (IFOR) were introduced to quantify local and global distributional changes over time. Experiments conducted on three of Cisco's products revealed that current ICT measurements alone are insufficient for reliable prediction of FT failures. Even under ideal conditions, models achieved only moderate discriminative power, highlighting the limited observability of complex integrated components at the ICT stage. Nonetheless, the drift-analysis framework provided clear evidence of systematic, week-dependent distributional shifts in the ICT data, demonstrating that concept drift is a persistent and structured phenomenon in production. The results emphasize the need for improved test coverage and adaptive data-driven monitoring tools. Future developments should integrate dynamic ICT measurements, such as TestJets, and implement automated drift-detection dashboards to support more adaptive quality-control pipelines.

La presente tesi indaga l’utilizzo delle misure di In-Circuit Test (ICT) per il controllo qualità predittivo nella produzione di circuiti stampati assemblati (PCBA). Il lavoro, svolto in collaborazione con Cisco Systems, affronta due principali domande di ricerca: (i) in che modo i dati ICT possano essere sfruttati per prevedere in modo affidabile l’esito del Functional Test (FT), e (ii) come le variazioni temporali delle misure ICT possano essere individuati e caratterizzati. Per rispondere a tali quesiti, sono stati sviluppati modelli di apprendimento in grado di gestire tre sfide fondamentali dei dati di produzione: alta dimensionalità, forte sbilanciamento tra le classi e non-stazionarietà temporale. Sono stati implementati classificatori basati su Support Vector Machine (SVM) con schemi di pesatura e finestre mobili, in un contesto causale, per adattarsi all’evoluzione delle distribuzioni dei dati. Parallelamente, sono state introdotte tecniche non supervisionate di valutazione del drift basate su K-Nearest Neighbors (KNN) e Isolation Forest (IFOR), al fine di quantificare le variazioni locali e globali della distribuzione dei dati nel tempo. Gli esperimenti condotti su tre prodotti di Cisco hanno mostrato che le misure ICT attualmente disponibili non sono sufficienti per una previsione affidabile dei guasti rilevati al FT. Anche in condizioni ideali, i modelli hanno raggiunto solo una moderata capacità predittiva, evidenziando la limitata possibilità di individuare la difettosità dei componenti integrati complessi durante la fase di ICT. Tuttavia, la struttura metodologica di analisi del drift ha fornito prove chiare di variazioni sistematiche e dipendenti dalle settimane di produzione, dimostrando che la non-stazionarietà dei dati è un fenomeno strutturato e persistente nel processo produttivo. I risultati evidenziano la necessità di migliorare la copertura dei test e di sviluppare strumenti di monitoraggio adattivi basati sui dati. Gli sviluppi futuri dovrebbero prevedere l’integrazione di misure ICT dinamiche, come il TestJet, e l’implementazione di sistemi automatici di rilevamento del drift per integrare criteri di controllo qualità più adattive ed efficienti.