从改革开放到现在已经有40年了,中国的工业和技术也经历了多次浮沉,从模仿山寨,到自主制造再到现在的中国智造,每个阶段的成就都来之不易.虽然整体还算不上完全的世界一流,但已名列前茅,多项创新和技术问鼎世界第一,不得不说的是,石英晶振在其中有着重要的作用.尤其在工业方面,小到工业产品,大到工业设备仪器,几乎都要用到各种各样的晶体或振荡器.中国智造已扬名海外,我国科研人员研发的超级计算机,多次比赛中位居NO.1,也是全球的汽车进出口大国,基础建设方面更是令国外惊叹,被誉为”基建狂魔”,目前也正在努力实现工业4.0计划.

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(IndustrialInternetofThings),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.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.

工业4.0可以分成三部分,或者说三个阶段.前两者关乎IoT设备和工程系统(engineeringsystem),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.

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:目前智能制造着力的还在前两个阶段,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.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.

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.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.实则也有着类似的蓝图.除了前文提到的数据范围的扩展,资深解决方案架构师VickyQiu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.

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.比如说工厂生产了晶振,和良率不过关的石英晶体,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.这么说还是太过抽象,首先说一说这里的根因分析.

通常在发现晶振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.

在图示的这一例遭遇的贴片晶振问题中,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,托盘与晶振的边缘接触,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.

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.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(predictivemaintenance).预测维护的价值在于提高维护效率,减少成本.

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-basedmaintenance),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.

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-drivenpreditiveanalysis),实时对关键参数做监测和分析,做到更准确的维护.

本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.

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.根据这批晶振的历史追踪数据,比如质量数据,实时分析在生产过程中每片耐高温晶振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.

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.

与此同时,通过AI来持续改善解决方案的质量.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.

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.当前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.

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.

一直以来,许多人都认为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,也会与压电石英晶体企业一起,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.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.

AI人工智能已经是未来发展的大热趋势,不仅只是体现在语音,视频,视觉效果方面,在医疗,工业,军事,商业等领域都有很大的应用空间,少不了电子元器件的辅助,如今诸如石英晶振,芯片,传感器这些主要的组件,较之以往,也有了明显的提升和变化,无论是尺寸,性能和功能方面,都更上一层楼.工艺复杂技术要求高的石英晶体振荡器,尺寸也已经做到了1.6*1.2mm,大大缩减了空间,节省成本.