迈向智能制造之路首重AI、大数据
- DIGITIMES企划
-
自2013年被提出至今，智能制造已成为全球制造业积极追求的目标，市面上亦有不少转型成功的案例。如本身即拥有完整解决方案的西门子集团，便运用自家技术方案改善位于德国安倍格工厂，该工厂在引进MES、PLM系统，顺利整合众多生产设备，并且从众多生产数据中顺利找到最佳生产流程，目前该工厂自动化程度高达75%、产品合格率达到99.998%，也成为西门子集团广为宣传的案例。
只是各国制造产业的发展状况迥异，加上各产业营运特性有极大差异，根本没有可适用于全产业的成功案例。尤其智能制造是一套漫长的旅程，若无法在短时间内展现出一定成果，很难说服企业投注大笔资金推动大幅度改革，所以清华大学特聘教授简祯富特别推出工业3.5的概念，即在工业3.0基础上融入AI、大数据等技术结合，进而达到改善生产线品质，奠定日后迈向智能生产的基础。
简祯富指出，企业在引进工业4.0软硬件系统之余，相关生产流程也必须同时逐步改变，才能真正达到智能生产的目标，然这并非在短时间内可达到。在此状况之下，若能在原有的信息基础之上，运用AI技术强化机能，建立数码转型策略和智能制造技术蓝图，即可将整个生产系统的流程串连起来，进而为团队提供绝佳的解决之道，也为迈入先进制程打下良好的基础。
如某知名半导体业者每天会生产高达2万个5mm精度的传感器，过去只能仰赖经验丰富的工程师搭配高密度显微镜，透过目测方式逐一确认产品品质。但此种做法每次约得花费5秒钟，而精准率仅有60%左右，代表有高达40%产品可能是被误判，导致生产成本难以降低。
「但是该公司透过与清华大学决策分析研究室合作，将工业3.5概念融入到生产线之中，透过引进AIoT技术的方式，将检测工作交由AI系统负责。」简祯富解释：「AI系统判别产品仅需花费0.5秒，且正确率达到100%，企业初期投入费用并不是太高，却能创造出极大效益，这正是工业3.5概念。」
成大首创工业4.1，有效改善品质
2018年初，成功大学为配合行政院推动的智能机械产业推动方案，特别成立智能制造研究中心(iMRC)，并由成大制造信息与系统研究所讲座教授郑芳田担任计划主持人，协助台湾各式产业实现工业4.1，让产品品质能接近零缺陷(Zero Defects)目标。
郑芳田指出，市面上工业4.0技术主要放在提升生产效率，但并没有考虑到提高产品良率的重要性，也代表产品品质仅能接近零缺陷。相较之下，成功大学团队研发的全自动虚拟测(AVM)技术，不仅可助企业达成产品接近零缺陷目标，另个查找演算法(KSA)还可进一步找出品质缺陷主要原因，进而能根本解决生产率不佳的问题，这即是工业4.1的概念。
传统若要达成高产品良率的目标，就必须购置大量的量测机台，在生产过程中对所有半成品及成品进行全检。只是此举不仅成本极高，且得耗费大量生产时间，所以在考量成本、时间等多重因素下，泰半采取以抽检的方式来进行品质监测。但是，成功大学团队研发的全自动虚拟测技术，主要是利用生产机台在生产过程中产生的参数，进而推估生产时的产品品质，以进行在线且实时的产品品质预测，进而达到类似生产线全检的效果。
「虚拟量测技术可应用在半导体、面板或太阳能产业中。该技术最大特色除可监控机台效能，还能实时发现异常生产状况，避免生产过程中造成损失。」郑芳田指出：「2017年，智能制造研究中心与日月光签署技转合作，提供全自动虚拟量测、智能预测保养、智能良率管理等三大服务系统，全力助该公司大步迈向工业4.1的里程碑，强化在半导体封测领域的竞争力。」
台积电坐稳晶圆代工宝座，AI、大数据扮演幕后功臣
半导体技术从1958年问世开始，就成为驱动全球创新应用发展的重要核心，让许多原本复杂的硬件结构，都可用功能强大的半导体芯片完成。然而半导体发展过程也一度受限于材料技术上的限制，让芯片制程面临难以突破瓶颈，不过身为全球芯片代工龙头的台积电，自2014年跨入16纳米制程后，便几乎以不可思议速度跨入10纳米、7纳米领域，不仅超越原本技术领先的英特尔，更坐稳全球芯片带动龙头的宝座。
随着先进制程中的芯片线宽持续微缩，半导体产业被迫采取更严格的制程管制，才能达到提升良率的目标，这也成为芯片制造上的一大挑战。台积电为达到机台、制程与良率的全面最佳化，公司在制程管制和分析系统上，运用大数据结合人工智能、机器学习等技术，预先找出跨入先进制程可能面临的问题，进而达成在最短时间完成量产的工作。
根据该公司提供的数据，目前已顺利整合多个智能功能模块，分别是自我诊断、自我反应等，有助于达到提升良率、改善流程、错误侦测、降低成本与缩短研发周期等目标。目前台积电更进一步研发精准实时缺陷侦测分类系统、先进智能机台控制和先进智能制程控制系统等模块，具备实时监控并准确调整制程条件的功能。
另外，为满足先进且精准的制程控制，以及确保高效率和高效能的生产流程，台积电亦开发出精准机台腔体匹配和良率采矿分析等模块，可将制程变异和潜在的良率损失降至最低。此外，该公司更进一步将自动化生产制造系统融入机器学习技术，配合大数据分析工具协助，将生产流程从自动化进步为智能化，并应用在排程与派工、人员生产力、机台生产力、制程与机台控制、品质防御以及机器人控制等面向，进而达成提升生产效率、弹性和品质、最大化成本效益，并加速迈向全面创新的目标。
