cookieOptions = {...}; .智慧工廠案例分析 – 成本降低 20%、流程縮短 10%,希捷如何讓智慧製造從自動化邁向智慧化 - 3S Market「全球智慧科技應用」市場資訊網

3S MARKET

2019年5月8日 星期三

Seagate HDD Manufacturing Process,

康橋科技 —— 白光攝影機專業廠商!

eiphone 作者:


案例分析丨成本降低 20%、流程缩短 10%,希捷如何让智能制造从自动化迈向智能化

內容綜述:
‧ 希捷打造了一個切實可行的、實用的人工智慧(AI)平台以提升生產線效率和產品品質。該平台可以將生產所需的,新型無塵室投資成本,降低達20%,而流程耗時則縮短10%。

‧ 該項目在希捷內部被擬定代號為雅典娜(Athena),系統每天處理數以百萬計的顯微鏡照片。

‧ 透過深度學習和自我訓練,Athena比人類專家更為迅速精準地辨識缺陷。

‧ 希捷能夠以更快的速度、更低的成本解決,不按規範問題和流程問題。透過提高效率和完善品質管理,希捷預計有望獲得高達300%的投資報酬率。

‧ Athena 項目技術,為製造業的所有客戶,提供了廣泛的應用。這是智慧製造邁出的最重要的第一步,也證明瞭工業 4.0 已經到來。
Athena 項目介紹
希捷已在其位於明尼蘇達州諾曼代爾(Normandale)的晶圓製造工廠,成功部署了有史以來,第一個深度學習製造項目。晶圓片(小片半導體材料)被用來生產硬碟上的讀寫頭。

希捷工廠中,記錄感應器的年生產量超過10億。為保障最高標準的品質水準,必須對這些感應器進行分析和測試,以檢測是否存在製造缺陷。

感應器是什麼?它們與晶片和驅動器有什麼關係?這得從原材料說起,其原材料實際上是一種薄的半導體基板。經過光刻工藝過程,基板變成薄的、扁平的、水晶般的晶圓片。晶圓切割並進行進一步處理後,就變成了感應器—— 一個能夠在旋轉的磁碟記錄表面,進行數據讀寫的部件。

測試過程漫長、複雜且需要大量人力。每張200毫米的晶圓上,有10萬個需要檢測的感應器。諾曼代爾工廠每天拍攝,數百萬張的顯微鏡照片,產生的數據量高達10TB,這些照片需要在晶圓組裝入硬碟前,得到篩選,以檢測潛在的產品缺陷。

由於需要分析的感應器數量龐大,工程師不可能對所有感應器進行檢測。即使製造過程漫長,也沒有足夠的時間,來檢查每一張圖像。這就意味著有缺陷的部件,有時候確實能夠躲過即時檢測,在隨後的過程中才被發現,而屆時付出的成本,則要高很多。
希捷需要一種能夠在更短時間內,檢測更多圖片的方式。但是僅僅靠雇用更多的圖像分析專家,還沒有辦法完全處理1700萬張圖片。

希捷團隊採用基於規則的圖像分析,實現了一定程度的自動化。採用這種方法,只要系統首先獲知,它要尋找什麼,就有可能辨識出異常。而規則是人工建立起來的,這是一個耗時,且必須經過不斷調整,和完善的過程。

基於規則的系統建立慢、完善慢並且可能會得出不同的結果。除了產生很多誤報之外,規則只能檢測出已知問題。這可能造成潛在風險—即有問題的晶圓在組裝進讀寫磁頭前,可能逃過檢測。

得益於人工智慧、機器學習,以及物聯網感應器的發展,一個新的,可以規避上述風險的解決方案應運而生,這就是希捷的Athena 項目。
解決方案
該方案需要解決兩大問題:每天需要處理的大量數據,以及當前基於規則的分析系統,所存在的缺陷。傳統的大數據程序,是進行批量處理的,但這完全不適用於24×7×365運行的生產線。

第一步是建立一個具備提高自動化,和感應器故障檢測洞察能力的深度神經網路(DNN)。神經網路的建構採用Nvidia V100和P4 GPUs*,以及希捷的高性能Nytro®X 2U24儲存,以支援Athena的深度學習,和人工智慧系統。

接著,將晶圓圖像輸入深度神經網路,從而訓練人工智慧系統區分「合格」和「不合格」的晶圓。Athena的學習方式,和人類工程師完全一樣——查看成千上萬張圖片。但得益於深度神經網路的原始處理能力,Athena比人類學得更快、更精準。

一段時間後,Athena獲得了,分辨流程中潛在缺陷的能力。人工智慧助手標記異常圖像,以供主題專家進行手動評估。Athena還可以基於圖像分析操作過程中,檢測到的異常情況,進行規則的建立和細化。

最為重要的是,Athena 可以對電子顯微鏡生成的圖像,進行即時接收和分析。深度神經網路能夠在每張圖片,生成的同時進行處理。截至目前,希捷已實現了每天處理當天生成的300萬張圖像,並能夠辨識,可能被人類工程師遺漏的微小缺陷。

即時處理有助於團隊,盡早辨識和糾正製造中的問題。發現問題越即時,希捷就能越有效地降低,其對生產流程和成本的影響。

未來
Athena項目擅長缺陷辨識,但它不會也不能完全取代工廠專家。Athena項目的關鍵,在於其為希捷的晶圓專家,開拓了新的思路,糾正生產流程中的重大問題。
Athena為解決希捷工廠外的更多問題,起到了示範作用。它能夠以更迅捷、更高適應性,以及更有意義的方式檢測到異常,這種能力可以擴展,應用到智慧工廠之外的其他地方,並在公共安全、自動駕駛汽車和智慧城市等,各種領域證明其行之有效。

希捷執行副總裁兼營運、產品和技術主管Jeffrey Nygaard表示:「我們希望盡快將Athena ,部署到我們所有的生產設施中。隨著微型相機和物聯網感應器成本的下降,類似的技術也可以應用於其他領域。這是智慧製造領域重大革新的第一步,也可以擴展應用於我們其他工廠的基礎架構。」

希捷的每個製造工具都包含至少30個感應器,它們每秒鐘都會記錄機器的健康狀況,和其他測量數據。生成的資訊,能夠幫助更好地發現不合規操作。將數據輸入Athena 深度神經網路,有助於更早地辨識生產的問題。這為採取積極防禦措施,進行修復和故障預防提供了機會。

Athena項目的受益人不僅限於希捷。類似的智慧工廠技術,可以部署到整個製造業,幫助希捷的客戶享受到更多類似Athena 能夠提供的優勢。客戶用例或許有所差異,但其基本原理——深度神經網路、人工智慧和機器學習——是相同的。

客戶需要可靠的技術平台,部署人工智慧項目,而希捷的解決方案能夠滿足這些需求。

邊緣驅動
為了有效地開展工作,Athena項目需要進行大量的數據處理——為了快速檢測到異常,每天要及時處理高達10TB的晶圓圖像數據。


未來幾年,全球數據創造量將會飆升,而Athena 的存在,順應了該趨勢。根據希捷贊助、IDC發佈的報告預測,到2025年,全球數據圈將成長至175ZB。

在這個數據密集的新世界中,對速度的需求亟待新的解決方案。邊緣計算(Edge computing),作為Gartner 預測的2018年十大策略技術趨勢之一,是對延遲需求降低的回應,也是對即時處理的關鍵應用程序的回應。它讓計算更靠近數據源,更迅捷地向最終用戶交付服務。

如果數據能夠在數據源附近得到處理,那麼就可以在離最終用戶更近的地方,生成即時洞察,從而大大降低網路資源的負載,並為潛在的新應用打開全新的局面。

以這種模式,數據中心技術——計算和儲存模式——都將更加接近網路邊緣,為新一代應用程序開創機會。

對於Athena項目,在智慧工廠處理數據本身,就已經實現了生產異常的即時辨識。



0 意見: