现在是时候转向更智能的制造了

2020年引发了全球数字化转型的巨大加速，推动了半导体需求的急剧增长，并加大了芯片工厂减少车间手工功能的压力。半导体行业的思维方式发生了显著的转变，因为它认识到迫切需要部署数据驱动的可视化、分析、调度和调度解决方案，以提高自动化程度，提高生产速度和效率。

在围绕工业4.0的新热潮中，芯片制造商正在迅速部署包括工业物联网(IIoT)、大数据、机器学习(ML)和自动智能汽车(aiv)在内的新技术。然而，对于许多芯片制造商来说，建设智能工厂的道路远不明朗，因为他们缺乏全面的数字化转型战略。

智能制造是一个广泛的概念，涵盖了一系列技术和解决方案，因此制定一个植根于整体业务战略的整体中长期数字化战略至关重要。没有捷径可以让制造商立即进入工业4.0。相反，这种转变是一个循序渐进的自然演变过程。

目前，工厂的一些任务必须保持手工

半导体行业已经到了一个地步，人工流程已经不足以支持大规模芯片定制和远程操作。自动化背后的许多技术和标准化进步可以帮助简化工厂的一些最劳动密集型的任务，包括机器的装卸或批量跟踪和数据收集，同时降低运营成本。

不过，有些任务仍然很难实现自动化。例如，处理错误和异常是最大的挑战，因为有些错误是难以预料的。此外，自动化错误处理的成本可能令人望而却步。

消除连接差距

通常情况下，由于缺乏设备集成、产品质量监控不完整或材料跟踪方面的差距，关键数据源无法使用。弥合这些连接方面的差距，可以收集数据，并为分析和报告提供丰富、可靠的信息，从而推动整个工厂的持续运营改进、优化和效率。请记住，数据集成本身就是一项具有挑战性的任务。在许多情况下，相关数据的选择和适当丰富不仅仅是一个技术问题，而且需要对要分析和优化的制造步骤有详细和深入的了解。

即使数据可用，如果数据是在孤立的系统中，需要人工流程来集成并转化为有用的信息，则可能仍然难以做出决策或实施改进。在这个层次上解决问题是可能的，但非常耗时。人工集成不仅效率低下，而且成本高昂，耗费了工厂的时间、人力资源和金钱。数据的正确上下文信息对于释放其潜力并使改进成为可能至关重要。分散的解决方案无法控制流程，因为它们跨越了功能领域和人员、物理实体和业务实体。控制所有其他应用程序的车间操作骨干软件是智能制造的核心。

数据驱动的制造业

半导体行业是数据收集方面的专家，并在该领域领先于许多其他行业。问题是芯片公司通常只使用他们收集的信息的一小部分来进行分析和洞察，以提高运营效率。通过将所有分布式数据全面集成到一个单一版本的真相中——在一个始终可用的位置——公司可以几乎无摩擦地进行数据分析和问题解决。在制造业的背景下，数据平台和边缘解决方案将不会被作为绿地计划的一部分。

只有通过部署机器学习和人工智能(AI)等新技术，才能构建可靠的自动化架构。对历史数据的分析提供了重要的背景，并揭示了一些偏差，如意想不到的加工时间、不常见的材料堆积或材料运输问题。通过对收集到的新数据点集成快速控制行动，制造运营可以从被动解决问题转变为主动分析和运营改进。

随着低成本传感器的出现，人们对用于制造业自动化的人工智能的兴趣和投资大幅增加，这些传感器可以生成大量数据，并以低成本存储和处理解决方案。人工智能和其他前沿技术改变了从数据中提取见解的繁琐但关键的过程，使其对每个制造商来说都是即时、精简和可实现的。

智能制造的成熟程度取决于工厂在多大程度上是数据驱动的。这需要基础投资，以提高可追溯性、连通性和实时操作，并最终确保数据有助于我们做什么以及何时做。

-本文最初发表于SEMI的博客。SEMI是CFE Media的内容合作伙伴。

原始内容可以在www.semi.org．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。