向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

当工业4.0遇见AI:智能制造现在有多“智能”?

时间:2019-12-04 作者:黄烨锋 阅读:
工业制造在标准、互联等领域始终是很特殊的,现在谈工业4.0与AI是否为时过早?AI在工业4.0时代是否真的在发挥作用,以及究竟发挥到何种程度?这是我们期望以由上至下的方式,从工业制造AI解决方案、AI芯片、EDA,以及实际应用几个层面,来窥见当下工业制造的AI技术现状。

意大利有家公司叫ROJ,这家企业专注于针对工业领域的电子技术,产品典型如基于ARM Cortex-M/A、FPGA的工业板和模块。这家公司有个特色,是“基于客户软件、硬件需求来提供个性化解决方案”。其典型客户如Mares——这是个生产潜水装备的企业,包括潜水表。Mares的特色也在满足不同客户的产品定制化需求。而“定制化”就意味着产品生产周期必须短,制造响应速度必须快,而且可能某一款产品的需求量还不大。实际上越来越多的制造商开始转向这种量不大,但品种多样的生产模式,这也是工业4.0的重要特点。I2DEETC-电子工程专辑

这在传统的生产模式中是不可想象的,直到数字工厂、智能制造开始出现:不同小订单之间的不同需求,生产设备可以很方便地通过数字操控的方式实现转变和协调——当然还有IT/OT融合、TSN的出现、各类统一与融合标准在工业领域的出现,都是实现这种操作的必要条件。不过这些不是本文要探讨的核心。I2DEETC-电子工程专辑

ROJ在智能制造时,所选方案的其中一个关键是Valor Material Management材料管理系统——这是来自西门子数字工业软件的一部分。ROJ首席执行官Franco Oliaro曾表示:材料需要在正确的时间、正确的位置提供,而制造现场的停工往往是因为材料没有到位。数字化的材料管理系统能做的就是材料分发,在需要材料的时候确保其准备就绪。I2DEETC-电子工程专辑

这个例子实际只是数字化生产和工业4.0的基本应用。当生产设备本身变得越来越复杂,越来越智能,就会产生海量数据。当这些数据熔于一炉后做数据分析,不仅用以了解过去的生产状况,同时利用机器学习还能提高未来生产质量、降低制造成本,即是AI技术对工业4.0的推动了。I2DEETC-电子工程专辑

工业制造在标准、互联等领域始终是很特殊的,现在谈工业4.0与AI是否为时过早?AI在工业4.0时代是否真的在发挥作用,以及究竟发挥到何种程度?这是我们期望以由上至下的方式,从工业制造AI解决方案、AI芯片、EDA,以及实际应用几个层面,来窥见当下工业制造的AI技术现状。I2DEETC-电子工程专辑

AI智能制造解决方案能做什么?

“传感器数据速率正在持续增长。大部分客户现如今的工厂传感器数据采集速率还在1Hz,但越来越多的芯片制造商收集速率达到了10Hz、100Hz。晶圆厂的数据量级现在开始进入PB级别,而不再是MB或者TB。”BISTel首席执行官W.K. Choi表示,“客户需要更出色的分析来驱动产品质量提升;工程师则期望更快地进行根因分析,近实时地(in near real time)、准确地解决影响良率和工程生产的问题。”这能说明什么问题?BISTel是一家提供智能制造解决方案的韩国企业,解决方案离实际应用总是靠的更近。I2DEETC-电子工程专辑

以半导体制造为例,我们先来看一个例子:晶圆制造发生不良率高的问题时,常规手法是工程师们调查并讨论,这个过程一般需要很久。如W.K. Choi所说,实现数字生产的工厂,传感器数据采集速率现如今已经很高了。针对晶圆生产不良率高的问题,可观察的参数至少包括温度、振动、压力等各项指标。如果针对所有相关指标做监测,那么分析难度自然可以得到降低。在这个例子中,不少晶圆片靠近边缘位置出现问题,因此成为“bad”晶圆。I2DEETC-电子工程专辑

AI19120401.jpgI2DEETC-电子工程专辑

BISTel的HMP(Health Monitoring & Prediction)在数据追踪中,系统列出总共6个导致良率问题的最优关联度参数,其中前两个分别是蚀刻工序的最后一步,电流发生激增;以及氦气值明显降低(图1)。蚀刻流程的最后一步就是氦气分离,这一例的“根因”就是在分离过程中,托盘与晶圆边缘接触,产生小范围火花——所以电流出现了激增,与此同时托盘某些氦气口堵塞造成氦气值降低。I2DEETC-电子工程专辑

在晶圆制造良率问题的“根因分析”这一例中,至少能够表现持续增长的“数据速率”是怎么回事,以及将原本需要以天、周为单位计的根因分析时间缩短到分钟、小时级别内。而AI技术在此处的核心,即如何利用海量数据做分析,并得出结论。I2DEETC-电子工程专辑

“具备AI能力的智能应用,可让系统和流程实现自动化,让客户得以近实时地针对每天的生产问题,做出检测(detection)、分析(analyses)和预测(prediction)解决方案。”W.K. Choi说,“现在我们在生产流程中,融入了更多强有力的AI分析,能够从这些流程中学习。我们随后就会把这些新的智能,应用到知识库(knowledge base)中。”I2DEETC-电子工程专辑

这里的“知识库”即是AI在W.K. Choi所说“预测”中的大脑,其中包含所有“知识点”和解决方案,并通过学习不断完善。这里再来看一个例子,在某晶圆厂半导体制造CVD(化学气相沉积)流程中,追踪发现某一天(本例为4月18日)出现了异常高的报警数,很多晶圆质量都受到影响(图2)。报警内容为:“TDS”设备某节气阀发生位置偏移。如果这份数据拉长到为期半个月,那么很容易发现,在高报警事件发生的前两天,数据就已经显现出节气阀位置发生潜在漂移——而且早在10天以前,前序压力就因为节气阀位置偏移而出现不规则现象。I2DEETC-电子工程专辑

AI19120402.jpgI2DEETC-电子工程专辑

那么实际在发生高报警数之前,通过预测性维护(Predictive Maintenance)就能率先预知问题,“在错误发生之前就预测到错误”,以避免故障停机时间,因此得以提升效率并节省成本。更多的“预测”行为还包括预测设备的剩余可用寿命(RUL),以及各种执行基于条件的的预测性分析。I2DEETC-电子工程专辑

这里“基于条件”的预测性分析可认为是智能制造的核心产物。就好像日常的汽车保养,仍是基于时间或里程的:如每隔一个固定时间或固定行驶里程前往4S店做保养;但如果能够针对汽车发动机转速、温度、振动等各种参数做关联分析和预测,则在综合所有参数与AI分析过后,系统得出现在是否需要维护或下一次维护时间应该是在什么时候,这才是节约保养成本、提高生产效率的最佳方案。I2DEETC-电子工程专辑

现在我们知道,AI在智能制造中的应用,至少可有检测、分析和预测三步骤。不过这依然不是AI的全部。在BISTel的定义中,AI能够实现的终极目标远不止此。“AI应用,可嵌入已习得的知识,并实现自动化操作;应用AI获取的知识库,具备自主控制、自主治愈的能力。”I2DEETC-电子工程专辑

这句话强调的是AI学习的“自适应”能力,全过程包括完全自主地发现问题、学习问题,并采取行动。工厂内部的这个过程无需或少有人工干预。W.K. Choi说:“这是我们理想中的智能生产。”即便这一步尚未达成。I2DEETC-电子工程专辑

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
  • MLPerf跑分结果有看没懂?专家教你! MLPerf公布了AI芯片推论性能测试基准跑分结果,但可能有很多读者就算看了那些表格仍然一头雾水...
  • 亚马逊开发出第二代ARM架构处理器,速度快20% 云端数据中心是亚马逊(Amazon)主力业务,旗下云端服务AWS(Amazon Web Services)的利润占总营业利益的比重高达七成。据知情人士透露,亚马逊云端运算部门已设计出更强大的第二代数据中心处理器芯片,希望藉此降低对其他芯片商的依赖。
  • 听过“运动想象”吗?来看大学生的创新项目现在有多厉害 电子科技行业内的企业,与高校或者教育机构的合作,有个常规方案是在校园内举办科技竞赛,企业以奖学金的方式对高校人才进行鼓励。这种合作是激励“创新”,以及培养人才的重要方案。借着前不久艾睿电子在上海大学举办的“创新杯”活动,我们大致可以洞悉,现如今校企合作产生的这类“创新”大致发展到了何种程度,以及这种合作催生的项目有多大意义和价值。
  • “软硬兼施”才能让MEMS更聪明? 硬件,尤其是MEMS传感器,仍将是终端设备中不可或缺的部份,但未来,软件在为用户带来价值方面也扮演同样重要的角色…
  • 打造中国芯生态,IAIC人工智能&北斗导航专项赛登陆松山 11月22日,由中国电子信息产业集团有限公司主办,中电港、中电亿科、华大北斗、iCAN国际联盟承办的“IAIC中国芯应用创新设计大赛人工智能&北斗导航专项赛”于松山湖成功举办。来自于集成电路上、下游产业链一百多名专业人士齐聚松山湖,共同见证了人工智能以及北斗导航参赛项目的精彩路演。
  • 2020年Gartner十大策略科技趋势预测 Gartner近日提出2020年企业必须了解的十大策略性科技趋势。分别为超级自动化、多重体验、专业知识的全民化、增进人类赋能、透明化与可追溯性、更强大的边缘运算、分布式云端、自动化对象、实用性区块链,以及人工智能安全性。
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