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。
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。
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。
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。
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。
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。
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。
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。
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。
“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。”
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。
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。
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。
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。”
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。
您可能感兴趣
