人工智慧與機器學習(AI/ML)在半導體晶圓廠、先進封裝及電子製造等領域的智慧製造中,可有各種應用,且通常涉及幾個關鍵要素:感測、連通性、預測與控制。正如許多產業組織所認可的,智慧製造會歷經幾個階段逐步成熟:反應式、預防式、預測式及自主式(圖 1)。
自適應控制是半導體智慧製造領域中人工智慧/機器學習(AI/ML)的「聖杯」。業界現有各式各樣的人工智慧/機器學習平台,可應用於供應鏈管理、新產品導入(NPI)、生產規劃、可追溯性,乃至預測性維護、生產力提升、製程優化及良率提升等領域。最新的 AI/ML 平台能透過感測、連網、預測與控制,助您直接達到最高水準一應俱全,同時提供一個可擴展、開放且具成本效益的平台,能無縫且循序漸進地整合所有關鍵要素(圖 2)。
該 AI/ML 平台可利用機器內建的現有感測器所蒐集的數據,通常無需加裝額外感測器。此「邊緣優先」解決方案能與其他雲端及邊緣服務整合,使舊有系統的數據能與幾乎所有主要自動化供應商的元件連通,並提供靈活的數據管理工具,以在複雜的企業邊緣至雲端網路架構中,安全且可靠地傳輸 OT 數據。 這些機器學習模型具備預測性優化能力——涵蓋機器性能與製造製程;其控制智慧能力經客戶核准後,可直接與機器協作,對機器本身進行自適應控制。因此,該 AI/ML 平台不僅提供可觀察性與監控功能,更進一步具備預測分析、優化及控制的強大能力(圖 3)。
邊緣為基礎的架構
舉例來說,該軟體解決方案將先進的 AI/ML 與分散式、基於邊緣的架構相結合(圖 4)。 該平台能以時間同步的方式,在毫秒級週期內即時連接並匯入多重邊緣資料流(例如:流程日誌、機器資料及儀表資料)。此外,它還能從客戶的端到端營運中收集全堆疊資料,並對關鍵系統資料進行即時同步與驗證。
這種靈活且採用容器化的架構,能在邊緣端支援多種通訊協定(包括專有既有系統的通訊協定部署),從而使平台能輕鬆與工業設備整合以進行資料擷取。專為分散式邊緣環境打造的開放且可擴展架構,有助於避免從一開始就將所有資料移至雲端或集中式位置所產生的額外負擔。 這種開放且可擴展的架構,使平台能夠支援從邊緣到混合雲的部署拓撲,從而輕鬆與第三方技術整合。
因此,全球企業能夠輕鬆將數據虛擬化與邊緣端的無監督學習等數位轉型技術要素整合,並以可擴展、靈活且具成本效益的方式,在機器、生產線及地理上分散的據點之間進行遷移學習。這使客戶能夠擺脫對特定雲端平台的依賴,並加速創新,從而實現具體的業務轉型成果。
推論模型能在邊緣端擷取、儲存並分析即時資料,並在數毫秒內為生產環境提供預測性資料智慧。例如,這種基於時間觸發的架構能夠以毫秒級的精確度,預測所監測的資料讀數是否處於允許範圍內。 若數據超出範圍,即可觸發多種不同的應對措施。這讓客戶能重新掌握生產系統的控制權,無需進行昂貴的系統整合或耗時的 IT 部署。一旦機器學習模型趨於成熟,並經客戶批准後,該平台即可直接與機器本身協作,進行自適應控制與優化。
智慧製造應用
該 AI/ML 平台可快速部署——在大多數情況下,客戶能在當天即取得關鍵的系統級資料;透過與未來數週內將開發的 ML 模型協同運作,客戶得以預測設備劣化狀況、預防故障、減少非計畫性停機,並改善資產健康狀態與利用率。 該平台使半導體產業的客戶能夠從依賴被動式維護策略,轉向對端到端營運進行預測性監控與管理,尤其當其所使用的機械與系統日益複雜時更是如此。這套無程式碼/低程式碼解決方案不僅能快速且輕鬆地部署,還能隨著需求增長而擴展規模。此外,該平台不僅能對製造設備進行預測性分析,必要時還能遠端測試與控制設備。
可觀測性、可視化與可追溯性,皆可從廠區或生產線層級一路延伸至機器感測器層級,其細緻程度是過去難以想像的,為優化與持續改進提供了前所未有的洞察與智慧。機器學習模型透過即時持續的精進,不僅用於預測性維護(透過異常偵測),更重要的是,還能直接對機器與製程進行自適應控制。
多家全球大型企業已將這些能力應用於半導體晶圓廠、先進封裝、收發器用光纖,以及表面貼裝技術(SMT)的精密貼裝等具挑戰性的製程,不僅顯著提升了製程良率,同時縮短了週期時間並減少了設備停機時間。這在半導體產業面臨產能短缺時尤為有益。例如,某家大型跨國半導體公司便部署了該 AI/ML 平台來管理其微型裝置組裝生產線。 系統每 25 毫秒追蹤一次所有設備馬達軸的移動、元件的動作以及子系統的位置,以將任何非預期的停機時間降至最低。該軟體平台在客戶廠區內本地運行,既能保障資料安全免受外部風險威脅,又能確保程式執行時間達到超低延遲。
由於該平台具有跨設備兼容性,因此可部署於工廠生產線上各類設備。這項功能尤為強大,因為上下游設備如今能夠「協作」,以實現整體同步優化。平台能即時(以「製程速度」)運行涉及資料來源間多變量關聯的複雜模型。
在半導體晶圓廠、先進封裝、組裝及測試等智慧製造領域中,人工智慧(AI)與機器學習(ML)在智慧邊緣自動化方面擁有眾多潛在應用。隨著先進技術對製造製程的要求日益複雜,這項技術已成為推動產業創新不可或缺的關鍵工具。如需進一步資訊,請造訪[email protected]。


