Seagate HDD Manufacturing Process,
 |
 |
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。
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。
0 comments:
張貼留言