良率在工業(yè)生產(chǎn)中占據(jù)非常重要的地位，在某些高端制造行業(yè)，良率管理能力甚至可以被認為是企業(yè)核心競爭力。比如在面板生產(chǎn)中，如果面板良率偏低，將會影響終端設備如蘋果手機的出貨量。產(chǎn)品良率也成為了是否能入圍龍頭企業(yè)供應鏈的關鍵指標。

以往，產(chǎn)線上產(chǎn)生異常，工程師需要憑經(jīng)驗從多個系統(tǒng)中撈取數(shù)據(jù)查找導致異常的原因，這通常需要耗費好數(shù)小時、數(shù)天甚至更久，而引入數(shù)之聯(lián)智能品質(zhì)分析平臺(YMES)后，半小時內(nèi)就可以鎖定異常。

智能品質(zhì)分析平臺，利用AI+大數(shù)據(jù)技術幫助面板行業(yè)某龍頭企業(yè)實現(xiàn)了生產(chǎn)過程的故障診斷及優(yōu)化，極有效地減少了風險批的產(chǎn)生，降低生產(chǎn)成本。

數(shù)據(jù)分散 傳統(tǒng)良率分析難上加難

除了生產(chǎn)成本，良率也影響到生產(chǎn)資源的利用率，如何提高良率也是廠商頭疼的問題。

一塊液晶面板的生產(chǎn)過程大約會經(jīng)歷300余道工序，全程自動化。高自動化特點使面板行業(yè)具備海量數(shù)據(jù)基礎，并且數(shù)據(jù)格式在不同工廠、甚至不同機臺都會有區(qū)別。高速的數(shù)據(jù)流轉(zhuǎn)、分散的數(shù)據(jù)孤島、多樣化的數(shù)據(jù)類型往往使工程師需要花費大量時間來對這些數(shù)據(jù)進行預處理與清洗。以該企業(yè)為例，在這個階段，工程師需要花費80%的時間來對數(shù)據(jù)進行預處理，真正用于分析上的時間大概只有20%。

由于缺乏分析工具，依靠傳統(tǒng)方式進行的良率分析耗時長，不良根因查找難，風險批沒有得到及時控制，無法快速做出相應的生產(chǎn)調(diào)整和安排來規(guī)避不良帶來的影響。

AI賦能 分鐘級完成根因分析定位

為了幫助該面板企業(yè)解決良率管理難題，數(shù)之聯(lián)搭建了智能品質(zhì)分析平臺(YMES)，幫助工廠全方位的監(jiān)控、管理和分析良率，及時發(fā)現(xiàn)異常來源，保障產(chǎn)線的正常生產(chǎn)。

以前不同系統(tǒng)間關聯(lián)復雜，現(xiàn)在該面板廠通過智能品質(zhì)分析平臺整合了原MES、EDA、ADC、DFS、FDC等系統(tǒng)中孤立存在的人、機、料、法、環(huán)、測等不同維度的數(shù)據(jù)，統(tǒng)一了數(shù)據(jù)標準，建立數(shù)據(jù)庫集成平臺，大大縮短工程師清洗、處理數(shù)據(jù)的時間。

針對工藝履歷、工藝路徑、工藝參數(shù)、工藝時間等，數(shù)之聯(lián)建立了專屬AI分析模型，支持從多維度進行一鍵分析，能迅速定位不良根因，以前按天級的異常反饋現(xiàn)在可以降低至分鐘級。并具體到工廠、站點、機臺、參數(shù)等，幫助工程師及時調(diào)整。

Cum Yield、Defect、AOI、SPC等常規(guī)良率統(tǒng)計，也可以在系統(tǒng)中直接查詢，操作簡單方便。

工程師還可以設置良率報警規(guī)則，周期性監(jiān)控良率波動，同時預設分析流程，及時發(fā)現(xiàn)良率問題和癥結(jié)。讓工程師能將更多時間和精力花費在真正提升良率的更有價值的工作上。

工廠上線智能品質(zhì)分析平臺后，對良率的管理過程實現(xiàn)了全方位的優(yōu)化，極大的提升了分析效率，減少了不良帶來的影響，并間接提升了工廠的生產(chǎn)效率和產(chǎn)品質(zhì)量。

審核編輯：湯梓紅