【DIGITIMES】大數據 (Big Data) 開啟新一代智慧工廠

宇清數位智慧股份有限公司總經理涂耀仁。

宇清數位智慧 (Youthought) 股份有限公司總經理涂耀仁先生，針對「大數據 (Big Data) 開啟新一代智慧工廠」做主題分享。他先介紹該公司，主要專精於 Big Data (大數據) 與 Data Mining (資料探勘) 的研究，開發出對工廠的生產力、生產週期與成本等進行有效改善的「智慧分析系統」。管理團隊來自台積電、旺宏等台灣製造業大廠，其研究亦獲得 2011 年 IEEE 自動化科學與工程學匯刊的最佳論文獎。

目前該公司主要產品為 u-Efficiency (生產效率智慧分析系統) 與生產力提升顧問服務。以分析方法為核心，透過內建分析流程的使用介面，達到問題重點排序、萃取問題特徵及最佳化資源之決策支援功能，並採用雲端架構以節省企業建構分析系統之成本。主要客戶有旺宏、鉅晶電子、聯電、中芯國際、Qualcomm (高通) 、台積電與恩智浦合資的 SSMC 、GLOBALFOUNDRIES (格羅方德) 等。合作夥伴有 IBM 、Teradata (天睿) 、Taki (探集) 、 Solomon 等公司。

工廠資料何其多  智慧分析以掏金

當工廠投入許多成本建制工廠管理系統與自動化之後，卻只應用極少部分資料，如何確認這麼多系統的整合目標與工廠的目標一致。此時得透過分析方法，才能從工廠的巨量資料中找到突破性改善的機會。

過去的工廠自動化，可分成 MES 、機台自動化、自動搬運物料、自動派工排程等階段。這些自動化需要投入不少資本，為的就是提升工廠的四大指標：品質、成本、交期、生產周期。雖說上下游完成自動化之後，已可透過各種資訊看板來看到已知的問題 (冰山之一角) ，但工廠蒐集到的各種資料，其實還潛藏著許多未來有用的資訊 (海底下的冰山) ，值得我們去發掘。

在工廠蒐集到的大數據這種礦山中，必須結合領域知識的資料探勘，才能有效挖到金礦。好比傳統挖礦機必須花兩年才挖得到金砂，而大廠的高檔挖礦機只要花一年就可以達到。若是透過智慧探勘機，搭配該領域知識，便可挖出兩倍的礦石，若再配合智慧探勘技術，便有機會在一個月內找到金礦。

傳統改善生產力或生產週期的手段，通常是僱用更多作業員、購買更多機台、增加 2% 的開機時間、減少 10% 的採樣、放寬製程條件、延遲製程管理等，這種失焦、錯過根本要因、忽視潛在因素的作法，只會耗費掉企業大量資源，而改善程度卻只有小幅度提升。

涂耀仁提出他們的改善作法，從限制理論 (Theory of Constraints；TOC) 中的產出=[(瓶 頸數)；釋出數量]之間取最小值的作法 (聚焦在生產力提升) ，以及利特爾法則 (Little’s Law) 中的生產週期= WIP (在製品) 產出 (聚焦在生產週期的提升) 的公式中，可知產出與生產週期是呈反比的情況，增加其一必降低另一，若導入其智慧分析系統，透過特殊的算法，便可將兩個值同時提升。他以其客戶的導入成果為例，說明晶圓廠製造過程，可有效降低 13%~41% 不等的生產週期，同時還能提升產出量 2%~5% 。

透過智慧分析，還找出其他改善的機會點。例如機器運作時間可能白天較少、晚上較多、一周裡哪幾天產量較多，都可透過平衡化的調整來提升效率。而在非瓶頸狀態時生產變異幅度較大 (如 88% ± 6% ) 的情況下，亦可透過控制變異 (如 88% ± 2% ) ，來提升其平均在製品數量。例如白天機台狀況比較不穩，就可以透過變更班別，挪到晚上來生產，便可在不增加成本下，降低 33% 的變異數。

多種智慧分析法  改善生產線效率

該 u-Efficiency 系統可提供全面的 KPI (關鍵績效指標)效率提升，透過機、材、人等控制變異方式來達成。其資料探勘模式可建立出工廠生產模式，以建立 KPI 指標。然後經由內嵌的 PDCA 循環，來定義出 KPI 的改善指標 (如主要和次要KPI改善目標) 。

涂耀仁接著解釋各種功能，包括： KPI 如何衝擊在製品數量與生產周期、確定關鍵 KPI 指數以達到目標 (聚焦在 20-80 區域來改善) 、以機台為優先的關鍵 KPI 、評估個人 KPI 的貢獻、提供有效方法來模擬各種產品組合下所影響生產週期、機器在飽和的瓶頸下之在製品移動模型。

以生產力為優先的 KPI 、監控生產力提升、日產出的差距分析、工作發包後的鄰近機台效率提升、作業員的動態配置、安全與備援的在製品等等。

在環保意識抬頭之下，該系統更可找出提升節能效率的機會。他以新加坡某 300mm 晶圓廠裡的大電流注入機為例，透過其數據分析，便找出 20% 的電力節約機會。整體而言，該公司的大數據分析服務，可針對生產效率、生產周期與節能等需求，來找出有效的改善計畫，進而為工廠提升整體效率，降低成本，增加競爭力。

文章轉自/https://reurl.cc/R966qZ