從改革開放到現在已經有40年了,中國的工業和技術也經歷了多次浮沉,從模仿山寨,到自主制造再到現在的中國智造,每個階段的成就都來之不易.雖然整體還算不上完全的世界一流,但已名列前茅,多項創新和技術問鼎世界第一,不得不說的是,石英晶振在其中有著重要的作用.尤其在工業方面,小到工業產品,大到工業設備儀器,幾乎都要用到各種各樣的晶體或振蕩器.中國智造已揚名海外,我國科研人員研發的超級計算機,多次比賽中位居NO.1,也是全球的汽車進出口大國,基礎建設方面更是令國外驚嘆,被譽為”基建狂魔”,目前也正在努力實現工業4.0計劃.

工業4.0用比較抽象的話來概括,就是生產環節的數字化,改變工廠的運營方式,提高生產效率.通過自動化和人工智能實時地解決生產問題.實現這個目標的重要一環就是IIoT(IndustrialInternetofThings),也就是工業生產設備都能夠接入網絡中,并且產生大量的數據.所以將數據交給誰,還要在正確的時間和位置給出這些數據,最終讓數據指導生產.都是實現智能制造的核心所在.實際上云大數據以及AI,都為解決這個問題而存在.尤其AI是用于海量數據分析的大趨勢,將基于AI的實時監控與數據分析工具,連接到IIoT設備和平臺.

工業4.0可以分成三部分,或者說三個階段.前兩者關乎IoT設備和工程系統(engineeringsystem),這兩者會與智能做融合,達到監測、分析、預測生產挑戰的目的.而第三階段,則是將智能融入到企業中去,構建完整互聯的智能工廠生態系統,其中的IoT設備設施、工程與企業級系統都完整互聯,實現大數據流、知識庫的跨生態系統共享、管理和優化.

第三階段可以認為是智能制造未來方向的某種共識.不過這么說似乎還是有些虛,在理論層面說得更具體些:目前智能制造著力的還在前兩個階段,即智能應用和智能系統.這里的智能應用,也就是應對不同制造場景、部署在工廠中的具體應用,例如前文提到的HMP健康監測與預測維護,再比如應用了AI的DFD動態故障檢測、CM新型腔室匹配等.而智能系統則強調將所有的應用串聯起來,構成檢測、分析、預測的閉環結構,在閉環形成過程中,借在智能制造方面的數據經驗積累,外加工廠本身產生的數據,去強化閉環的每個環節,并最終做到自適應,應用和系統能夠自主地發現、分析和解決問題.

根因分析、預測:

除了智能應用和智能制造,第三階段就是我們后續的藍圖了.將我們的生態系統和工廠內部,所有的其他設備,其他的智能系統連接起來,通過設備乃至系統彼此間的溝通,真正實現自主解決問題.在我們的理解中,也就是在整個工廠構成更大范圍的不同系統、組織間的互通和智能.實則也有著類似的藍圖.除了前文提到的數據范圍的擴展,資深解決方案架構師VickyQiu在”智”動化與工業4.0論壇上還提到”企業現在都是互聯的企業,不是孤立的,需要上下游生產商共同合作”.這個理念實際強調的,還將互聯和智能的范圍做了進一步的外延.

不過這些可能離我們還略顯遙遠.現階段正在落實的,如HMP這樣的應用講究的是獲取工廠和設備的追蹤數據(tracedata),進行數據分析,并實現根因分析與預測性分析,實現決策支持.比如說工廠生產了晶振,和良率不過關的石英晶體,部署數十萬傳感器,針對數百道工藝步驟做數據追蹤,借由AI針對這些數據做追蹤數據分析,獲得分級排序的根因結果,以及進行預測——對設備或生產做預測性維護、基于大數據分析即時優化工作參數、借由模型實現系統和供應商的優化等.這么說還是太過抽象,首先說一說這里的根因分析.

通常在發現晶振生產不良率高的問題以后,工程師們通常要花很長時間去找問題的根源.如果能夠對工廠中的不良品進行歸類,追蹤這些不良品的所有參數、數據,經過系統分析后得出影響不良品的參數,再按照關聯度大小對這些參數進行排序,在短期內找出問題根源,工廠的效率就會提升很多.

在圖示的這一例遭遇的貼片晶振問題中,出現了6個最優關聯度的參數(左下位置).第一和第二個參數關聯性最強,第一個參數是在Etch(蝕刻)這個流程的最后一步,電流發生顯著激增;第二個參數,則是氦氣值的明顯降低.此處,etch流程的最后一步實際上也就是氦氣分離,電流激增很可能是分離過程中,托盤與晶振的邊緣接觸,產生了小范圍的火花,所以這里托盤可能放置不平衡,托盤某些氦氣口堵塞造成氦氣值降低.這就是追蹤數據在半導體制造中一個很好的例子.

一般制造行業發生不同的fault時,數據表現都是不一樣的,像制造中unbalance軸承的數據曲線會是某一種表現方式,mis-alignment的時候數據又是另外一種表現.通過歷史數據的不同表現方式,跟實際的fault,結合起來進行實時分析,系統就能初步判斷這可能是什么樣的問題.除了這種根因分析,借由追蹤數據還能實現預測,包括預測維護、工作參數優化、系統/供應鏈動態優化.比如HMP實現的就是預測維護(predictivemaintenance).預測維護的價值在于提高維護效率,減少成本.

打了個比方:比如你有一輛車,通常每5000英里需要保養一次,這是基于時間的維護(time-basedmaintenance),而預測維護則是condition-based,比如我可能會把發動機的轉速或者溫度數據等等,都結合起來,預測我下一次可能會出現什么問題.這種分析是實時的,可能會告訴你說現在汽車運轉良好,一個月以后需要進行一次維護.

固定一個時間,每隔一段時間做維護,可能會造成幾個問題,第一是過度維護(over-maintenance),第二是可能我們想到要做維護的時候,問題就可能已經發生了.所以我們需要數據驅動的預測分析(data-drivenpreditiveanalysis),實時對關鍵參數做監測和分析,做到更準確的維護.

本文首提到的案例就是典型的預測性分析,這里還是來看兩個具體的例子.首先是RUL分析(Remaing Usage Life,剩余使用壽命),上圖左側是生產設備各種參數的實時監控,包括了壓力、溫度、振動等.根據所有的參數,分析漂移趨勢,通過算法就能夠了解到當前機器的健康值,并且預測設備壽命.

除了設備健康分析,這類應用實則針對產品也是有分析預測價值的.根據這批晶振的歷史追蹤數據,比如質量數據,實時分析在生產過程中每片耐高溫晶振所有流程的追蹤數據.上圖是一個質量看板,淺綠色表示正常且后續健康狀況良好;深綠色表示現在是好的,但后續會有風險;黃色表示現在有風險,但短期內不會加劇…依此類推;甚至進行實時的質量分析,給產品健康狀況預測打分.這些都是BISTel HMP的典型應用.

HMP解決方案的幾個功能特性能夠總結上面這些提到的智能制造的特性,包括工廠范圍內的實時監控,錯誤檢測,錯誤分類(Fault Classification,這個環節包含了設備問題的分析,減少排插、修復時間),以及最終的預測分析.減少非計劃停機,提升設備的資產利用率,維護成本降低,自然也就增加了產量.

與此同時,通過AI來持續改善解決方案的質量.數據很重要,因為我們需要具備know-how的能力,就是在發生問題時參數數據是什么樣的.后續就能通過不斷的學習去改善AI模型.目前我們的發展藍圖,是集中在人工智能的自我學習、自我完善方面.智能應用本身已經做得很完善了,下一步就是怎么讓它去實現自主性,自主學習、自主擴大知識庫、自主找出解決方案.

協力中國制造

在HMP的基礎設施部署方面,解決方案的數據庫基礎設施主體可以是在工廠本地,也可以是在云端.當前的案例主要是基于微軟Azure.但未來我們也會跟其他的云合作,比如在中國的騰訊、阿里巴巴,我們未來可能都會合作.

實際上,HMP只是BISTel諸多智能應用中的其中一例,實則在監測、分析、預測三個環節都有不同的應用.比如前面提到應用于監測環節的DFD,應用于分析環節的CM,HMP在BISTel的智能系統中位處預測環節.這些應用的核心都在助力智能制造.

一直以來,許多人都認為主要競爭對手實際是企業內部的自己解決方案.但與此同時,也會與壓電石英晶體企業一起,定制化打造共有的定制化解決方案.比如在應對中國制造2025計劃時.中國制造2025計劃,中國期望開發自己的AI技術,并且成為智能制造的No.1.許多中國企業都有自己的需求,想要建立自己的解決方案.所以我們會合作,根據客戶需求,在我們產品的基礎上,去實現一些產品的共有.

AI人工智能已經是未來發展的大熱趨勢,不僅只是體現在語音,視頻,視覺效果方面,在醫療,工業,軍事,商業等領域都有很大的應用空間,少不了電子元器件的輔助,如今諸如石英晶振,芯片,傳感器這些主要的組件,較之以往,也有了明顯的提升和變化,無論是尺寸,性能和功能方面,都更上一層樓.工藝復雜技術要求高的石英晶體振蕩器,尺寸也已經做到了1.6*1.2mm,大大縮減了空間,節省成本.