邁向智慧製造之路首重AI、大數據
- DIGITIMES企劃
-
自2013年被提出至今，智慧製造已成為全球製造業積極追求的目標，市面上亦有不少轉型成功的案例。如本身即擁有完整解決方案的西門子集團，便運用自家技術方案改善位於德國安倍格工廠，該工廠在引進MES、PLM系統，順利整合眾多生產設備，並且從眾多生產資料中順利找到最佳生產流程，目前該工廠自動化程度高達75%、產品合格率達到99.998%，也成為西門子集團廣為宣傳的案例。
只是各國製造產業的發展狀況迥異，加上各產業營運特性有極大差異，根本沒有可適用於全產業的成功案例。尤其智慧製造是一套漫長的旅程，若無法在短時間內展現出一定成果，很難說服企業投注大筆資金推動大幅度改革，所以清華大學特聘教授簡禎富特別推出工業3.5的概念，即在工業3.0基礎上融入AI、大數據等技術結合，進而達到改善生產線品質，奠定日後邁向智慧生產的基礎。
簡禎富指出，企業在引進工業4.0軟硬體系統之餘，相關生產流程也必須同時逐步改變，才能真正達到智慧生產的目標，然這並非在短時間內可達到。在此狀況之下，若能在原有的資訊基礎之上，運用AI技術強化機能，建立數位轉型策略和智慧製造技術藍圖，即可將整個生產系統的流程串連起來，進而為團隊提供絕佳的解決之道，也為邁入先進製程打下良好的基礎。
如某知名半導體業者每天會生產高達2萬個5mm精度的感測器，過去只能仰賴經驗豐富的工程師搭配高密度顯微鏡，透過目測方式逐一確認產品品質。但此種做法每次約得花費5秒鐘，而精準率僅有60%左右，代表有高達40%產品可能是被誤判，導致生產成本難以降低。
「但是該公司透過與清華大學決策分析研究室合作，將工業3.5概念融入到生產線之中，透過引進AIoT技術的方式，將檢測工作交由AI系統負責。」簡禎富解釋：「AI系統判別產品僅需花費0.5秒，且正確率達到100%，企業初期投入費用並不是太高，卻能創造出極大效益，這正是工業3.5概念。」
成大首創工業4.1，有效改善品質
2018年初，成功大學為配合行政院推動的智慧機械產業推動方案，特別成立智慧製造研究中心(iMRC)，並由成大製造資訊與系統研究所講座教授鄭芳田擔任計畫主持人，協助台灣各式產業實現工業4.1，讓產品品質能接近零缺陷(Zero Defects)目標。
鄭芳田指出，市面上工業4.0技術主要放在提升生產效率，但並沒有考慮到提高產品良率的重要性，也代表產品品質僅能接近零缺陷。相較之下，成功大學團隊研發的全自動虛擬測(AVM)技術，不僅可助企業達成產品接近零缺陷目標，另個搜尋演算法(KSA)還可進一步找出品質缺陷主要原因，進而能根本解決生產率不佳的問題，這即是工業4.1的概念。
傳統若要達成高產品良率的目標，就必須購置大量的量測機台，在生產過程中對所有半成品及成品進行全檢。只是此舉不僅成本極高，且得耗費大量生產時間，所以在考量成本、時間等多重因素下，泰半採取以抽檢的方式來進行品質監測。但是，成功大學團隊研發的全自動虛擬測技術，主要是利用生產機台在生產過程中產生的參數，進而推估生產時的產品品質，以進行線上且即時的產品品質預測，進而達到類似生產線全檢的效果。
「虛擬量測技術可應用在半導體、面板或太陽能產業中。該技術最大特色除可監控機台效能，還能即時發現異常生產狀況，避免生產過程中造成損失。」鄭芳田指出：「2017年，智慧製造研究中心與日月光簽署技轉合作，提供全自動虛擬量測、智慧型預測保養、智慧型良率管理等三大服務系統，全力助該公司大步邁向工業4.1的里程碑，強化在半導體封測領域的競爭力。」
台積電坐穩晶圓代工寶座，AI、大數據扮演幕後功臣
半導體技術從1958年問世開始，就成為驅動全球創新應用發展的重要核心，讓許多原本複雜的硬體結構，都可用功能強大的半導體晶片完成。然而半導體發展過程也一度受限於材料技術上的限制，讓晶片製程面臨難以突破瓶頸，不過身為全球晶片代工龍頭的台積電，自2014年跨入16奈米製程後，便幾乎以不可思議速度跨入10奈米、7奈米領域，不僅超越原本技術領先的英特爾，更坐穩全球晶片帶動龍頭的寶座。
隨著先進製程中的晶片線寬持續微縮，半導體產業被迫採取更嚴格的製程管制，才能達到提升良率的目標，這也成為晶片製造上的一大挑戰。台積電為達到機台、製程與良率的全面最佳化，公司在製程管制和分析系統上，運用大數據結合人工智慧、機器學習等技術，預先找出跨入先進製程可能面臨的問題，進而達成在最短時間完成量產的工作。
根據該公司提供的資料，目前已順利整合多個智慧功能模組，分別是自我診斷、自我反應等，有助於達到提升良率、改善流程、錯誤偵測、降低成本與縮短研發週期等目標。目前台積電更進一步研發精準即時缺陷偵測分類系統、先進智慧機台控制和先進智慧製程控制系統等模組，具備即時監控並準確調整製程條件的功能。
另外，為滿足先進且精準的製程控制，以及確保高效率和高效能的生產流程，台積電亦開發出精準機台腔體匹配和良率採礦分析等模組，可將製程變異和潛在的良率損失降至最低。此外，該公司更進一步將自動化生產製造系統融入機器學習技術，配合大數據分析工具協助，將生產流程從自動化進步為智能化，並應用在排程與派工、人員生產力、機台生產力、製程與機台控制、品質防禦以及機器人控制等面向，進而達成提升生產效率、彈性和品質、最大化成本效益，並加速邁向全面創新的目標。
