AI智能制造解决方案能做什么？

【内容引用：黄烨锋《当工业4.0遇见AI：智能制造现在有多“智能”？》】

“传感器数据速率正在持续增长。大部分客户现如今的工厂传感器数据采集速率还在1Hz，但越来越多的芯片制造商收集速率达到了10Hz、100Hz。晶圆厂的数据量级现在开始进入PB级别，而不再是MB或者TB。如果客户需要更出色的分析来驱动产品质量提升；工程师则期望更快地进行根因分析，近实时地（in near real time）、准确地解决影响良率和工程生产的问题。

这能说明什么问题？

以半导体制造为例，我们先来看一个例子：晶圆制造发生不良率高的问题时，常规手法是工程师们调查并讨论，这个过程一般需要很久。实现数字生产的工厂，传感器数据采集速率现如今已经很高了。针对晶圆生产不良率高的问题，可观察的参数至少包括温度、振动、压力等各项指标。如果针对所有相关指标做监测，那么分析难度自然可以得到降低。在这个例子中，不少晶圆片靠近边缘位置出现问题，因此成为“bad”晶圆。

在某数据追踪中，系统列出总共6个导致良率问题的最优关联度参数，其中前两个分别是蚀刻工序的最后一步，电流发生激增；以及氦气值明显降低（图1）。蚀刻流程的最后一步就是氦气分离，这一例的“根因”就是在分离过程中，托盘与晶圆边缘接触，产生小范围火花——所以电流出现了激增，与此同时托盘某些氦气口堵塞造成氦气值降低。

在晶圆制造良率问题的“根因分析”这一例中，至少能够表现持续增长的“数据速率”是怎么回事，以及将原本需要以天、周为单位计的根因分析时间缩短到分钟、小时级别内。而AI技术在此处的核心，即如何利用海量数据做分析，并得出结论。

具备AI能力的智能应用，可让系统和流程实现自动化，让客户得以近实时地针对每天的生产问题，做出检测（detection）、分析（analyses）和预测（prediction）解决方案。

这里的“知识库”即是AI在“预测”中的大脑，其中包含所有“知识点”和解决方案，并通过学习不断完善。这里再来看一个例子，在某晶圆厂半导体制造CVD（化学气相沉积）流程中，追踪发现某一天（本例为4月18日）出现了异常高的报警数，很多晶圆质量都受到影响（图2）。报警内容为：“TDS”设备某节气阀发生位置偏移。如果这份数据拉长到为期半个月，那么很容易发现，在高报警事件发生的前两天，数据就已经显现出节气阀位置发生潜在漂移——而且早在10天以前，前序压力就因为节气阀位置偏移而出现不规则现象。

那么实际在发生高报警数之前，通过预测性维护（Predictive Maintenance）就能率先预知问题，“在错误发生之前就预测到错误”，以避免故障停机时间，因此得以提升效率并节省成本。更多的“预测”行为还包括预测设备的剩余可用寿命（RUL），以及各种执行基于条件的的预测性分析。

这里“基于条件”的预测性分析可认为是智能制造的核心产物。就好像日常的汽车保养，仍是基于时间或里程的：如每隔一个固定时间或固定行驶里程前往4S店做保养；但如果能够针对汽车发动机转速、温度、振动等各种参数做关联分析和预测，则在综合所有参数与AI分析过后，系统得出现在是否需要维护或下一次维护时间应该是在什么时候，这才是节约保养成本、提高生产效率的最佳方案。

现在我们知道，AI在智能制造中的应用，至少可有检测、分析和预测三步骤。不过这依然不是AI的全部。在某种定义中，AI能够实现的终极目标远不止此。AI应用，可嵌入已习得的知识，并实现自动化操作；应用AI获取的知识库，具备自主控制、自主治愈的能力。

这强调的是AI学习的“自适应”能力，全过程包括完全自主地发现问题、学习问题，并采取行动。工厂内部的这个过程无需或少有人工干预。所以说这是我们理想中的智能生产，即便这一步尚未达成。

「免责声明」文章内容部分转载于网络，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内联系作者，我们将在第一时间删除内容。

阅读全文；https://www.eet-china.com/news/201912040925.html