【智慧專欄】分解 OEE KPI ，並運用機器學習改善生產力

作者：郭仲仁 博士  宇清數位智慧股份有限公司公司董事長暨首席技術長

OEE (Overall Equipment Effectiveness)

OEE = Availability × Performance × Quality。三大構面分別代表可用率、性能與品質，能全面評估設備效能。透過細分指標分析，可精準識別效率損失來源。

以某半導體晶圓廠的關鍵生產機台為例，在總時間 24 小時當中，有 5 個小時是停機時間 (Down) 。在剩下的 20 個小時中，有4個小時是閒置 (Idle) 。當機器運行時，還會有效率損失 (Efficiency loss) 。此外，生產過程中也可能產生報廢 (Scrap) 。

最終只有約 60% 的設備資本支出 (CapEx) 真正有效地用於生產良品 (Good wafers)。因此，值得我們探討該如何減少停機時間、閒置時間和效率損失。特別是「效率」這塊，它就像一個黑盒子，需要我們去探索和拆解 KPI。

Downtime 分析與改善

宇清數位 (YouThought) 的資料庫包含了 16 座晶圓廠的個別 KPI 數據，其中就包括妥善率 (uptime) 。以離子植入機 (implanter) 為例，有些晶圓廠的妥善率很低，有些則很高。圖中顯示，這個案例晶圓廠 (The Fab) 的妥善率，比所有標竿廠 (benchmark) 的前 25% (Percentile 25) 低了 6% 。透過 Benchmark，可以發現有三個機台群組是造成妥善率偏低的主因。

Downtime 標竿比較 (benchmark) ▼

進一步將 uptime (妥善率) 拆解為 PM (預防性維護)、Monitor (監控) 和 Unscheduled down (非計畫性停機)。透過與 P25 標竿進行比較，我們發現這 3 個妥善率殺手的 PM 和 Monitor 時間都比標竿來得長。這在妥善率差的晶圓廠中非常普遍：他們過於保守，在 PM 和監控上浪費了資源。這不僅導致更多的停機時間，也浪費了許多零件與人力資源。

分解 uptime KPI ▼

Idle time 分析與改善

機台閒置的第一個原因是瓶頸機台的在製品 (WIP) 不足。我們需要一種方法來定義和維持安全在製品水位 (Safety WIP)。在這個瓶頸案例中，從第二天起實際產出 (Actual move) 就低於產能 (Capacity)，導致當週產生了約 3% 的閒置時間。

宇清的 AI 系統 u-Planning 會定義安全在製品存量 (safety WIP) 來防止瓶頸機台缺料。當 WIP 增加時，產出會隨之增加；但當 WIP 達到飽和點 (Saturated level) 時，產出就不再增加了。在加上 3 個標準差 (sigma) 的 WIP 變異後，就能識別出安全在製品水位。

在第一天，這個站點出現了 WIP 氣泡，u-Planning 定義了更高的目標產出 (u-Planning move)，將 WIP 推向瓶頸區。結果，到了第二天，瓶頸區擁有了比實際規劃更多的 WIP ，從而防止了機台因缺料而閒置。

維持瓶頸機台的 Safety WIP ▼

機台閒置的第二個原因是 PM 沒有安排在 WIP 較少的時候執行，因而造成閒置。因此，我們需要一個最佳的 PM 排程。

在這個案例中，週二的到貨量 (Arrival) 最少，這顯然是 PM 的最佳時機。然而，工廠卻在到貨量最大的週四進行 PM ，導致了 6% 的閒置 (Idle)。因此，我們需要將PM安排在適當的時間。PM 排程本質上是一個最佳化問題，其目標是最小化每日負載的變異，同時必須滿足每項 PM 的持續時間和允許的執行時間區間。最佳 PM 排程顯示，有些 PM 需要推遲，有些則需要提前。最終，每日的負載變得平衡，閒置時間也因此減少。

最佳化 PM Schedule ▼

另一個機台閒置的方法是將產品組合 (product mix) 最佳化，以利用更多的機台可用時間。根據原始的主生產排程 (MPS)，在 n 個產品和 6 個月的規劃中，有兩個瓶頸機台：M1 滿載了 2 個月， M2 滿載了 3 個月。

透過應用基因演算法 (Genetic Algorithm, GA)，經過交配 (Crossover)、突變 (Mutation) 和複製 (Reproduction)，我們可以獲得近乎最佳的產品組合。

為了最大化產出，演算法會尋找可充分利用閒置產能的產品組合。結果，M1 和 M2 這兩個瓶頸機台都能在更多月份中達到滿載。

最佳化產品組合 ▼

Efficiency 分析與改善

如前所述，效率是一個結構複雜的黑盒子。等候理論 (Queueing Theory) 的營運曲線 (Operating curve) 告訴我們，「變異性」(Variability) 會影響生產週期時間 (Cycle Time)。

以一個非瓶頸機台為例，隨著平均利用率 (Avg Uti.) 增加，平均在製量 (Avg Queue WIP) 會非線性地增加。在平均利用率同為 88% 的點上，案例A的WIP卻高於案例 B 。這是因為案例 A 的利用率變異很大（範圍從 82% 到 94% ），導致平均 WIP 高達 800 件。相比之下，案例 B 的利用率變異較小，平均 WIP 僅有 600 件。這證明了變異會導致效率損失。

進一步分析，案例 A 將 PM 和 Monitor 都集中在白天，導致每小時妥善率的變異為 3% 。相反地，案例 B 將 PM 留在白班，但將監控作業安排到夜班，就像一個平衡的天平，妥善率的變異因此從 3% 降至 2% ，進而降低了利用率變異與 WIP ，縮短 Cycle Time ，並提升Productivity 。

變異造成效率損失 ▼

完整的 OEE KPI

從前一個案例可知，除了平均值類型的 KPI ，我們還應該監控變異型的 KPI 。

傳統工廠往往僅關注 15 項平均值類型的 KPI ，且這些 KPI 多數得仰賴工程手段改善。宇清提出額外的 15 個變異型 KPI ，多數可以靠管理手法加以改善，例如 Monitor 執行時機會影響的KPI，以及排程 (Scheduling) 或協作機器人 (COBOT) 可以改善的 KPI 。

運用機器學習找出改善機會

為了建構 KPI 對生產力影響的模型，我們應用了機器學習 (Machine Learning)，例如類神經網路 (Neural Networks)。透過這個機器學習模型，飽和產出 (Saturated Move) 代表了產能。如果某個KPI得到改善，產能也將隨之提升。

以一個 Dry Etch 機台群為例，它與下游的 Dry Strip 有 Q-time 限制。模型辨識出 Dry Etch 的 6 個KPI和 Dry Strip 的 2 個 KPI 會影響 Dry Etch 的產能。透過 KPI 標竿分析和模型的敏感度分析，除了傳統的 KPI（如妥善率和處理時間），我們可以發掘額外的生產力改善機會。例如「機台 ID 負載變異 (COV of Machine ID Loading)」、「相同配方率 (Same Recipe Rate)」和「派工對到貨變異的影響」這三項，可以透過排程系統來改善。

發掘看不見得生產力改善機會 ▼

排程的目標在減少閒置時間和不必要的配方更換，從而提高生產力。要衡量排程系統導入對生產力提升的貢獻，需要一個方法排除工程改善或是產品組合變化的影響。宇清的系統將 KPI 分為「排程相關」與「非排程相關」。機器學習模型量化了每個 KPI 對生產力的影響。雖然模型的加總結果 (3.8%) 與實際改善 (3.6%) 略有差距，但經過誤差調整後，我們可以得出結論：排程系統對生產力的貢獻為 4% 。

衡量 Scheduling 系統對生產力的貢獻 ▼

結論

宇清結合資料驅動、AI 與人機協同，建構客戶專有的智慧製造體系，進而實現「以數據驅動卓越，以智慧實現未來」。

OEE 改善不僅關乎工廠效率，更是企業競爭力的核心所在。但 OEE 公式過於簡化，實務上很難據以研擬可行且有效的改善行動。宇清將 OEE 三項指標加以分解，發展出獨家的完整 KPI ，並運用 AI 機器學習技術，分析每一個客戶工廠自己的資料，找出其重點 KPI ，讓客戶將有限資源有效運用，發揮最大成效。

作者簡介

郭仲仁博士畢業於清華大學工業工程系，長期致力於研究機器學習（Machine Learning）與人工智慧（AI）技術，以提升製造效率，最佳化生產排程。現任宇清數位智慧股份有限公司董事長暨首席技術長（CTO），同時也擔任台積電顧問。