智能应用 影音
全汉(伍艺超群专案)
event

【数字转型 台湾最行】OEE下滑别怪稼动率?制造业该做的是归因分析

当发现生产现场OEE(Overall Equipment Effectiveness)下滑,一定是稼动率的问题吗?其实业者真正应该做的是归因分析,如果没有追根究柢从中找出真正影响结果的关键因子,可能是工艺参数,或材料问题,而只是一味拉高机台极限,最终仍难以维持长久且稳定的质量。《数字转型 台湾最行》应用篇系列第六集,DIGITIMES邀请到质量管理专家中方科技总经理邱培其,分享制造业如何运用AI在透过不断自我优化的过程中,达到更精确的质量管理。

 点击图片放大观看

《数字转型 台湾最行》邀请质量管理专家中方科技总经理邱培其(中)分析制造业的质量管理课题。DIGITIMES

在制造业中,质量一直是众所追求的终极目标。法新社

成立于1993年的中方科技,主要从事TQM全厂质量管理系统及精密检测自动化产品的研发与设计,过去曾协助将近五千家制造客户在生产现场中探究质量管理课题。在制造业中,质量一直是众所追求的终极目标,过去制造业已相当熟悉地运用如统计工艺控制(Statistical Process Control;SPC)来进行质量管理,但随著未来产品变化更迭速度加快,追求稳定的质量,不能只靠当下或事后的分析与管制,事实上业者该探究的是「为什么会造成这样的结果?」也就是透过归因分析,往前找出根本问题并解决,透过及早「预测」,才能超前部署。因此中方科技结合这样的概念,发展出新形态的质量管理系统:AIQ。

什么是AIQ(AI Quality System)?从字面叙述来看,指的就是人工智能(AI)质量系统,藉由AI协助业者进行质量要因分析。造成质量波动的因素包括5M1H(人、机、料、法、环、测),邱培其表示,以现在的科技工具来说,透过机联网或传感器等方式抓取机台参数,或各项关键数据都不难,AIQ是一个分析引擎,它可以把抓进来的数据过滤、整理、集成,透过AI把工艺当中的关键因子,与从SPC或AOI当中已知的质量结果进行比对,找出关联性,而透过结果不断的反馈,再从工艺中改进、优化,进而形成一个正向循环。

AIQ是用大数据做要因分析,藉此改善质量,企业部署的重点是什么?众所皆知,数据的质量越完整,AI就越精准,但这是否代表制造业者应该抓取全生产在线的所有的工艺参数?理论上是这样没错,但从成本投入来看,这是相当不现实的。邱培其因此也建议业者,第一步应先找出痛点,从影响最大的工站率先切入,先抓取局部工艺参数与相对应的质量结果,再透过AI系统进行关联比对,现场工程师就可以知道哪里些工艺与结果互有关连,藉此率先调整影响最大的关键工艺参数。

归因分析事实上就是一个不断自我优化的过程,这与当前智能制造所强调的适应性有著相同的理念,甚至带来意想不到的效果,邱培其实际以某DRAM封测业者举例,全厂多达3~4000部生产机台,但却发现即便是同一厂牌,也会出现质量不一的现象,为了优化产能,这家封测业者甚至藉由AI分析,在不投入任何成本的情况下,重新配置与部署机台,将表现稳定的机台集中承接高价订单,而相对表现较差的机台,则售出或转接低价订单。

智炬科技总经理欧俋伶藉过去辅导制造业数字转型的经历也分享,过去当OEE下滑,业者习惯先拉高机台极限,但却发现做越快、坏越多,这是因为业者通常没有追根究柢的抓出真正的关键因子,造成误判,在此情况下,就会造成良率时好时坏,而无法维持稳定的生产质量。当前智能制造数据采集的基础工程,市场上已有诸多成熟解决方案,技术上不难,因此只要有完整且真实的数据,制造业就能跨出第一步,透过数字治理改善生产在线的痛点。(更多精彩内容请锁定《数字转型 台湾最行》第二季应用篇)

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: SPC AI 智能制造 质量检测