:::

【112年#18】封裝關鍵製程-晶圓研磨設備效能AI異常偵測系統建置

產業別

  • 製造業(C大類)
  • 其他製造業(33中類)

產業痛點

  • 成本管理:面對原材料成本、勞動力成本和設備投資等多方面的成本壓力,業者需要有效管理成本,提高生產效率和資源利用率,以維持盈利能力。
  • 品質控制:涉及到複雜的製造過程,需要確保產品的品質符合標準和客戶的期望,以及高效的控制系統和流程來監測和改進產品品質。
  • 供應鏈管理:涉及原材料採購、生產協調和產品分銷,供應鏈的管理和協調需要處理多個供應商和合作夥伴,確保生產運作的順利和產品交付的時程。
  • 市場競爭壓力:面對包括來自國內和國際市場的競爭對手,需要在價格、品質、創新和市場銷售策略等方面保持競爭優勢。
  • 技術創新和產品設計:隨著市場需求和技術進步的不斷變化,需要不斷進行技術創新和產品設計,以提供具有競爭力的產品和解決方案。

導入AI效益

  • 品質預測和改善:分析大量的生產資料和品質測量結果,建立預測模型並預測設備的品質和性能,提前發現可能的問題,針對性地調整生產參數,以達到更高的品質水準。
  • 故障檢測和預防性維護:分析設備的運作資料,監測設備的狀態和性能指標,並預測可能的故障,提前進行設備檢修和保養,避免生產中斷和生產品質問題,降低維修成本和提高生產效率。
  • 優化生產參數:分析設備運作過程中的各種參數,如壓力、速度和溫度等,找出最佳的生產參數組合,以達到更高的品質控制。
  • 自動化和智慧化生產:實現設備的自動化和智慧化控制,從而提高生產效率、降低人力成本,並確保生產過程的穩定性和一致性。
  • 品質追溯和溯源:將每個半成品/成品生產過程相關資料保存下來,提高生產的可追溯性和品質保證。

常見AI技術或應用

  • 支援向量機、隨機森林、長短期記憶網路:人工智慧如支援向量機、隨機森林或長短期記憶網路等演算法,可以自主學習最佳的設備參數設定和操作策略,以提高生產效率和品質控制。
  • 支援向量機:在品質管理中,人工智慧如支援向量機演算法可用於分析設備的生產資料,例如溫度、壓力、振動等,建立模型並預測產品的品質。
  • 隨機森林:在故障預測與預防性維護方面,人工智慧如隨機森林演算法,可以分析設備的歷史資料,例如溫度、壓力、振動等,建立模型並預測設備故障的發生機率、原因,協助業者制定維護計畫。
  • 卷積神經網路:使用人工智慧如卷積神經網路演算法,可以進行圖片分類和瑕疵檢測,快速識別和分析半成品/成品表面的缺陷和異常。