数之联方育柯：工业智能助力制造业绿色复苏

10月29日，由成都市人民政府主办的“2020年NexTus创新者之夜”圆满落幕。大会聚焦“公共卫生突发事件应急能力提升”、“以人为本的可持续发展社区”、“建设新型基础设施，推动工业创新发展”、“清洁能源与公园城市”主题，邀请了20位新经济领域创新者分享创新方案。

数之联联合创始人方育柯以“数之联工业智能创新实践案例”为演讲主题，分享了以数字化解决方案为手段，打造智能生产新场景的实践案例。

方育柯指出，新冠疫情推动着全球的数字化变革，我国企业的数字化发展水平有明显上升趋势。在制造型企业中，智能制造更是深入人心。

与此同时，国家政策层面也在持续鼓励企业的数字化转型。2020年中央政治局会议指出要加速推动生物医药、医疗设备、5G、工业互联网的发展。据赛迪顾问对制造、政府、金融等十大重点领域的调研数据显示，制造业2019年数字化转型支出超过2200亿元，排名第一。

以半导体生产制造为例，主生产设备成百上千，生产过程中会有参数、设备状态日志等数据需要去管控，这期间工程师每天都需要分析这些参数有什么关联，哪些会影响产品品质。除了主生产设备，还有很多的检测设备。

工业智能典型场景——ADC缺陷检验

制造行业非常强调品质管控，特别是在电子制造领域。比如苹果最近发布的APPLE 12，手机里搭载A14芯片里有近百亿个晶体管，在这些生产制造过程中可能会出现很多瑕疵。所以检测环节是各制程生产中的必备环节，但是传统的AOI设备误报率偏高，缺陷分类主要采用人工判图，“一个工程师每天几乎要看1万到2万张图片，”方育柯说，“这样的方式效率低、消耗人力大，还容易造成误检和漏检。”

针对这一情形，数之联应用深度学习和人工智能技术，研发了数之联自动缺陷分类系统（ADC），通过AI的方式去识别上百种缺陷，也可以同步缺陷问题和位置，对缺陷加以分类。

方育柯在主题演讲中以为某半导体显示行业龙头企业A所打造的自动缺陷分类系统（ADC）为例，通过该系统为企业日均处理图片百万张，节省50%人力成本，降低产品品质风险，提升检测效率。

工业智能典型场景——YMES良率大数据分析

除了对缺陷进行检测，还需要知道是什么原因导致了缺陷。半导体生产工序、工艺、设备繁复，突发不良和未知不良发生较多。在生产过程中还会产生大量数据，“他们之前每发现一个不良，技术工人就从数据库里人肉地把数据拉出来放进excel进行分析，这种方式不仅数据整合慢、数据关联困难，还分析维度有限且大多依靠经验。”方育柯分享了一个传统制造问题。

由此，数之联运用大数据手段打造YMES良率大数据分析系统，从数据角度分析某面板龙头企业B不良产生的根本原因，对多个工序上万个参数进行整合和分析，找出每个环节有可能产生缺陷的主要原因，给出合理调优参数，提升良品率。现在，该企业效率提升5倍，直接经济效益达1200万。

“国内制造和国外制造还是存在一定差异，三星的良率就会比较高。良率决定了生产成本，也间接影响产能。良率如果跟其他工厂相差1%，基本很难在市场竞争。”方育柯解释。

智能制造是推动制造业转型升级、加快制造业高质量发展的重要抓手，方育柯总结到，数之联希望帮助更多企业利用人工智能和大数据技术加速融入到智能制造中，实现持续创新与成长。