向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

智能制造,是如何解决晶圆生产中的问题的?

时间:2019-08-13 作者:黄烨锋 阅读:
在聊到工业4.0、智慧工厂、智能制造、IIoT的时候,除了研讨会、论坛以及文字资料,实际真正重要的是“落地”,唯有落地才能真正解决生产问题。我们在听到很多有关工业4.0的美好规划时,又有多少内容是已经能够真正实现,应用到生产一线的?
电子工程专辑 EE Times China -提供有关电子工程及电子设计的最新资讯和科技趋势

在聊到工业4.0、智慧工厂、智能制造、IIoT的时候,除了研讨会、论坛以及文字资料,实际真正重要的是“落地”,唯有落地才能真正解决生产问题。我们在听到很多有关工业4.0的美好规划时,又有多少内容是已经能够真正实现,应用到生产一线的?banEETC-电子工程专辑

BISTel 中国区销售总监Stanley Shi在接受我们的采访时,举了一个具体的例子:在半导体制造CVD(化学气象沉积)流程中,根据HMP(Health Monitoring & Prediction)的追踪数据,发现某晶圆厂在生产的4月18日出现异常高的报警数,很多晶圆受到了影响。“TDS”设备某节气阀确定发生位置偏移。banEETC-电子工程专辑

20190813-200.jpgbanEETC-电子工程专辑

而实际上,这个问题是有办法通过智能应用事先预知,或提前获取到异常信息的。BISTel HMP智能应用实际早在4月16日就侦测到了节气阀位置首次发生潜在漂移,这就给出了两天的提前量。banEETC-电子工程专辑

20190813-201.jpgbanEETC-电子工程专辑
实际在监测的其他参数方面,更早就有征兆显现:前序压力由于节气阀的位置偏移,4月8日就发现了“第一个不规则现象”,漂移趋势当时就开始上行。banEETC-电子工程专辑

20190813-202.jpgbanEETC-电子工程专辑

这个例子,即是HMP通过生产设备的监测,来提前发现参数偏移趋势,做到更早预知生产问题。对工厂而言,这种具体的应用是为了减少非计划性停机、提升资产利用率,并且降低维护成本,降低设备的downtime。类似HMP的这种已经落地的应用,简单说来就是对工厂内的设备设施,进行实时的监控、监测,并且进行预测性的分析;在工厂设备看板上,给出预警,算出资产设备寿命。这对生产的价值是不言自明的。banEETC-电子工程专辑

智能制造究竟长什么样?

工业4.0用比较抽象的话来概括,就是生产环节的“数字化”,改变工厂的运营方式,提高生产效率。通过“自动化”和“人工智能”实时地解决生产问题。实现这个目标的重要一环就是IIoT(Industrial Internet of Things),也就是工业生产设备都能够接入网络中,并且产生大量的数据。banEETC-电子工程专辑

Stanley说:“有了这样的新技术,就产生了海量的数据。人们才真正开始意识到数据是存在价值的。”在前不久Aspencore主办的“智”动化与工业4.0论坛苏州场的活动现场,Oracle就提到了智慧工厂的“数据范围”正在发生扩张,“现在的数据范围已经从传统的关节型数据,扩大到了设备端的万物互联,延伸到整个物联网,也就是大数据”。banEETC-电子工程专辑

所以将数据交给谁,还要在正确的时间和位置给出这些数据,最终让数据指导生产。都是实现智能制造的核心所在。实际上,云、大数据以及AI,都为解决这个问题而存在。尤其AI是用于海量数据分析的大趋势,将基于AI的实时监控与数据分析工具,连接到IIoT设备和平台。BISTel尝试解决的,主体上就是这个阶段的问题。banEETC-电子工程专辑

BISTel首席执行官W.K. Choi先前曾将工业4.0分成三部分,或者说三个阶段。前两者关乎IoT设备和工程系统(engineering system),这两者会与智能做融合,达到监测、分析、预测生产挑战的目的。而第三阶段,则是将智能融入到企业中去,构建完整互联的智能工厂生态系统,其中的IoT设备设施、工程与企业级系统都完整互联,实现大数据流、知识库的跨生态系统共享、管理和优化。banEETC-电子工程专辑

20190813-203.jpgbanEETC-电子工程专辑

 banEETC-电子工程专辑

第三阶段可以认为是智能制造未来方向的某种共识。不过这么说似乎还是有些虚,在理论层面说得更具体些:如Stanley所说,目前智能制造着力的还在前两个阶段,以BISTel的维度来划分,即智能应用和智能系统。这里的智能应用,也就是应对不同制造场景、部署在工厂中的具体应用,例如前文提到的HMP健康监测与预测维护,再比如应用了AI的DFD动态故障检测、CM新型腔室匹配等。banEETC-电子工程专辑

而智能系统则强调将所有的应用串联起来,构成检测、分析、预测的闭环结构,在闭环形成过程中,借由BISTel本身在智能制造方面的数据经验积累,外加工厂本身产生的数据,去强化闭环的每个环节,并最终做到“自适应”,应用和系统能够“自主地发现、分析和解决问题”。banEETC-电子工程专辑

20190813-204.jpgbanEETC-电子工程专辑

 banEETC-电子工程专辑

“所有的应用会共用一个知识库(knowledge base)。这个知识库里面会有所有的知识点、解决方案。当数据越来越多的时候,我们会去通过对接数据进行学习,然后自动去更新、优化。这就是我们所谓的AI自动建模,通过智能的积极学习去自动更新。”banEETC-电子工程专辑

其中这种“自适应”能力强调的是无需或较少人工干预的“自主控制&治愈”“IT与OT深度自动化整合”,自主地完成发现问题-学习问题-采取行动的过程,这属于前述第二阶段智能系统的进一步强化。实现这一步的关键,在BISTel看来自然就在人工智能了。而完整实现这个程度的自适应,还需要时间,也是BISTel乃至更多智能制造解决方案的方向。banEETC-电子工程专辑

根因分析、预测

除了智能应用和智能制造,“第三阶段就是我们后续的蓝图了。将我们的生态系统和工厂内部,所有的其他设备,其他的智能系统连接起来,通过设备乃至系统彼此间的沟通,真正实现自主解决问题。”Stanley说。在我们的理解中,也就是在整个工厂构成更大范围的不同系统、组织间的互通和智能。banEETC-电子工程专辑

Oracle实则也有着类似的蓝图。除了前文提到的“数据范围”的扩展,Oracle资深解决方案架构师Vicky Qiu在“智”动化与工业4.0论坛上还提到“企业现在都是互联的企业,不是孤立的,需要上下游生产商共同合作”。这个理念实际强调的,还将“互联”和“智能”的范围做了进一步的外延。banEETC-电子工程专辑

不过这些可能离我们还略显遥远。现阶段正在落实的,如HMP这样的应用讲究的是获取工厂和设备的追踪数据(tracedata),进行数据分析,并实现“根因分析”与“预测性分析”,实现决策支持。比如说工厂生产了“好的”晶圆,和良率不过关的晶圆,部署数十万传感器,针对数百道工艺步骤做数据追踪,借由AI针对这些数据做“追踪数据”分析,获得分级排序的根因结果,以及进行预测——对设备或生产做预测性维护、基于大数据分析即时优化工作参数、借由模型实现系统和供应商的优化等。banEETC-电子工程专辑

这么说还是太过抽象,Stanley在分享中举了几个例子。首先说一说这里的“根因分析”。banEETC-电子工程专辑

20190813-205.jpgbanEETC-电子工程专辑

 banEETC-电子工程专辑

通常在发现晶圆生产不良率高的问题以后,工程师们通常要花很长时间去找问题的根源。如果能够对工厂中的不良品进行归类,追踪这些不良品的所有参数、数据,经过系统分析后得出影响不良品的参数,再按照关联度大小对这些参数进行排序,在短期内找出问题根源,工厂的效率就会提升很多。banEETC-电子工程专辑

在图示的这一例遭遇的晶圆edge patch问题中,出现了6个最优关联度的参数(左下位置)。第一和第二个参数关联性最强,第一个参数是在Etch(蚀刻)这个流程的最后一步,电流发生显著激增;第二个参数,则是氦气值的明显降低。此处,etch流程的最后一步实际上也就是氦气分离,电流激增很可能是分离过程中,托盘与晶圆的边缘接触,产生了小范围的火花,所以这里托盘可能放置不平衡,托盘某些氦气口堵塞造成氦气值降低。这就是追踪数据在半导体制造中一个很好的例子。banEETC-电子工程专辑

BISTel中国区销售总监汪锋补充说:“一般制造行业发生不同的fault时,数据表现都是不一样的,像制造中unbalance轴承的数据曲线会是某一种表现方式,mis-alignment的时候数据又是另外一种表现。通过历史数据的不同表现方式,跟实际的fault,结合起来进行实时分析,系统就能初步判断这可能是什么样的问题。”banEETC-电子工程专辑

除了这种根因分析,借由追踪数据还能实现预测,包括预测维护、工作参数优化、系统/供应链动态优化。比如HMP实现的就是“预测维护(predictive maintenance)”。预测维护的价值在于提高维护效率,减少成本。banEETC-电子工程专辑

汪锋打了个比方:“比如你有一辆车,通常每5000英里需要保养一次,这是基于时间的维护(time-based maintenance),而预测维护则是condition-based,比如我可能会把发动机的转速或者温度数据等等,都结合起来,预测我下一次可能会出现什么问题。这种分析是实时的,可能会告诉你说现在汽车运转良好,一个月以后需要进行一次维护。”banEETC-电子工程专辑

Stanley表示:“固定一个时间,每隔一段时间做维护,可能会造成几个问题,第一是过度维护(over-maintenance),第二是可能我们想到要做维护的时候,问题就可能已经发生了。所以我们需要数据驱动的预测分析(data-driven preditive analysis),实时对关键参数做监测和分析,做到更准确的维护。”banEETC-电子工程专辑

20190813-206.jpgbanEETC-电子工程专辑

 banEETC-电子工程专辑

文首提到的案例就是典型的“预测性分析”,这里还是来看两个具体的例子。首先是RUL分析(Remaing Usage Life,剩余使用寿命),上图左侧是生产设备各种参数的实时监控,包括了压力、温度、振动等。根据所有的参数,分析漂移趋势,通过算法就能够了解到当前机器的健康值,并且预测设备寿命。banEETC-电子工程专辑

20190813-207.jpgbanEETC-电子工程专辑
banEETC-电子工程专辑
除了设备健康分析,这类应用实则针对产品也是有分析预测价值的。根据这批晶圆的历史追踪数据,比如质量数据,实时分析在生产过程中每片晶圆所有流程的追踪数据。上图是一个质量看板,浅绿色表示正常且后续健康状况良好;深绿色表示现在是好的,但后续会有风险;黄色表示现在有风险,但短期内不会加剧…依此类推;甚至进行实时的质量分析,给产品健康状况预测打分。这些都是BISTel HMP的典型应用。banEETC-电子工程专辑

HMP解决方案的几个功能特性能够总结上面这些提到的智能制造的特性,包括工厂范围内的实时监控,错误检测,错误分类(Fault Classification,这个环节包含了设备问题的分析,减少排插、修复时间),以及最终的预测分析。“减少非计划停机,提升设备的资产利用率,维护成本降低,自然也就增加了产量。”Stanely说。banEETC-电子工程专辑

与此同时,通过AI来持续改善解决方案的质量,这是BISTel现在正在持续优化的方向。“数据很重要,因为我们需要具备know-how的能力,就是在发生问题时参数数据是什么样的。后续就能通过不断的学习去改善AI模型。”“目前我们的发展蓝图,是集中在人工智能的自我学习、自我完善方面。智能应用本身已经做得很完善了,下一步就是怎么让它去实现自主性,自主学习、自主扩大知识库、自主找出解决方案。”banEETC-电子工程专辑

协力中国制造

在HMP的基础设施部署方面,解决方案的数据库基础设施主体可以是在工厂本地,也可以是在云端。Stanley表示,当前BISTel的案例主要是基于微软Azure。“但未来我们也会跟其他的云合作,比如在中国的腾讯、阿里巴巴,我们未来可能都会合作。”banEETC-电子工程专辑

20190813-208.jpgbanEETC-电子工程专辑

 banEETC-电子工程专辑

实际上,HMP只是BISTel诸多智能应用中的其中一例,实则在监测、分析、预测三个环节都有不同的应用。比如前面提到应用于监测环节的DFD,应用于分析环节的CM,HMP在BISTel的智能系统中位处预测环节。这些应用的核心都在助力智能制造。banEETC-电子工程专辑

BISTel目前的业务支柱虽然仍是半导体和面板制造,但业务线已经扩展到了PCB、生物科技、汽车制造及各种非半导体相关领域。或许在整个制造行业也很难找到BISTel智能制造领域的同级竞争对手,汪锋说:“很多厂商都说要去做AI,但很少能看到有真正完整的产品,大家普遍在讲概念。我们在很多行业,已经做过这些预测的解决方案。比如在化工行业、汽车行业、半导体、液晶行业都有实际的案例。甚至包括像是传送设备相关的,底下的马达,通过马达振动来完成预测。”Stanley补充道:“换句话就是落地。”banEETC-电子工程专辑

将智能制造的AI和自动化方案“落地”,大概是BISTel的底气所在。一直以来,BISTel都认为其主要竞争对手实际是企业内部的自己解决方案。但与此同时,BISTel本身也会与制造企业一起,定制化打造共有的定制化解决方案。比如在应对中国制造2025计划时。banEETC-电子工程专辑

“中国制造2025计划,中国期望开发自己的AI技术,并且成为智能制造的No.1。许多中国企业都有自己的需求,想要建立自己的解决方案。所以我们会合作,根据客户需求,在我们产品的基础上,去实现一些产品的共有。”banEETC-电子工程专辑

“比如我们在跟BOE京东方合作,我们和整个京东方集团,基于大数据的下一代分析产品。这个就是基于我们产品的基础之上,我们共同做开发,通过合作去完成大家共有的产品,就是这种方式。”“我们愿意分享最新的技术,共同把中国的智能制造带到新高度。”banEETC-电子工程专辑

电子工程专辑 EE Times China -提供有关电子工程及电子设计的最新资讯和科技趋势
本文为EET电子工程专辑 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
黄烨锋
欧阳洋葱,编辑、上海记者,专注成像、移动与半导体,热爱理论技术研究。
您可能感兴趣的文章
  • 5G画下智能制造的未来愿景,TSN正在驱动工业智能当前产 5G通过强大的无线连接、边缘计算和网络切片技术,将助力无线自动化控制、工业云化机器人、预测性维护、柔性生产等行业突破,驱动工业4.0的真正落地,进一步推动未来工厂的诞生。然而,尽管在技术性能指标上5G可以承载工业网络不同的典型业务,但业界普遍认为5G工业应用仍然存在很多关键问题有待解决。
  • 五步打造关键战略合作伙伴,ADI突破工业4.0落地的普遍焦 很明显,这是一场技术变革的竞速赛,在政策和市场的双重推动下,全球各大厂商纷纷大力发展智能制造技术,加速其落地。然而,就如F1赛道,如果缺乏娴熟的技术则会欲速不达,而跟随观望注定提前出局。“当下是投资的合适时机吗?能否升级现有系统,还是必须全部安装新系统?今天投资真会有回报吗……这是当前面临工业4.0即将落地的趋势下企业普遍存在的困惑。”ADI中国区工业自动化行业市场部经理于常涛(Roger)指出。
  • 打造智能工厂不可或缺的关键元素 智能工厂的建置可能没有想象中简单,这当中将须面临诸多挑战,为解决建置智能工厂的难题,组件与网通业者各利用其专长的技术,来协助业者打造真正的智能工厂。
  • 欧洲成立边缘计算联盟以开发标准边缘计算平台 边缘计算对于解决许多连接平台的安全性和延迟问题变得越来越重要,无论是针对产业还是联网车辆。基于此,18家供应商和组织签署了一份合作协议,共同成立欧洲边缘计算联盟,旨在建立一个标准参考架构和技术堆栈,以便在智能制造、其他工业物联网应用领域和网络运营商之间部署。
  • 打通任督二脉——智能制造就在眼前 智能制造、工业4.0、工业物联网(IIoT)…等引发的制造产业新革命正如火如荼地展开。其中,2019年移动通信技术正式开始进入商用部署阶段,借助5G技术特性,以及其他通信技术、创新组件,包括增强现实(AR)、人工智能(AI)、机器视觉、深度学习,以及云端服务…等,皆可望快速打通工业市场前端智慧化到后端云端服务管理的任督二脉,协助企业实现工业4.0智能制造愿景。
  • 为电动汽车和新一代家电的蓬勃发展提供“动力” 在物联网时代,电子设备的数量正呈爆发式增长。在目前的热点话题中,无论是人工智能还是增强现实和虚拟现实系统,它们的发展都有赖于大量的数据传输和处理。这些功能的实现都离不开电源供电。无论是数据传输还是数据处理,电源的能效水平至关重要,有时是出于简单的经济考虑,有时则是受到强制性法规的约束。
相关推荐
    广告
    近期热点
    广告
    广告
    广告
    可能感兴趣的话题
    广告