人工智慧和大數據分析以提升工業 3.5 智慧製造—以科技部人工智慧製造系統研究中心之產學計畫為例

1. AI和大數據分析以提升工業 3.5 智慧製造
- 以人工智慧製造系統研究中心(AIMS)之產學計畫為例
簡禎富 Chen-Fu Chien, Ph.D.
清華講座教授
國立清華大學決策分析研究室
科技部人工智慧製造系統研究中心主任/工業工程與管理學門召集人
cfchien@mx.nthu.edu.tw
2018/7/21

2. 再工業化
再工業化(Manufacturing Renaissance)， 啟動AMP
計畫，積極引導製造業回流
- 3D Printing、Big Data、數位製造系統、先進機器人
為美國未來製造模式
第四次工業革命
以CPS為核心、智慧工廠為精髓，發展德國工業4.0
-整合資通訊軟硬體，建置『虛實整合系統(Cyber-
Physical System, CPS)』
融合先進機器人技術，發展人機共存未來工廠
-以優勢之機器人技術結合人工智慧，推動人和機器協
調共存的未來工廠
以ICT網際網路與機器人技術，發展下世代智慧型工廠
-以ICT網際網路與機器人技術，積極推動大邱市成為
機器人產業重鎮
中國製造 2025 「十二五計畫」發展製造業高端設備和重點產業
-製造大國變成製造強國
先進國家「重回製造」的競合戰略
產業創新3.0
Europe 2020
Robotics
Industry 4.1J
Industry
Innovation 3.0

3. 四次工業革命
1st: steam-powered mechanical manufacturing facilities
2nd: (start of 20th century)- electrically-powered mass production
3rd : IC and IT to achieve automation
4th : (today)- Cyber-Physical Systems
3
*Source: Federal Ministry of Education and Research
(2013), "Securing the future of German manufacturing
industry recommendation the strategic initiative
INDUSTRIE 4.0 final report of the industrie 4.0 working
group," National Academy of Science and Engineering.
Enabling Technologies (0 -> 1)
• Watt steam engine
• 電晶體 (1947/ Bardeen,
Brattain, and Shockley, 1956
Nobel Prize)
• IC (Jack Kilby, 1958/ 2000
Nobel Prize)

4. Industry 2.0 (1-> 10..0? )
The Second Industrial Revolution, also known as the Technological
Revolution,[1] was a phase of the larger Industrial Revolution corresponding
to the latter half of the 19th century, sometime between 1840 and 1860
until World War I. It is considered to have begun around the time of the
introduction of Bessemer steel in the 1850s and culminated in early
factory electrification, mass production and the production line. (Wikipedia)
4
Taylorism: Scientific Management (Industrial Engineering)

5. Source: Roland Berger
工業4.0目標是從新興國家
奪回10%全球製造份額

6. 工業3.5：混合策略
與破壞性創新
Industry 3.5：Hybrid
Strategy of best practice of
Industry 3.0 and to-be
Industry 4.0 with disruptive
innovations to empower
manufacturing intelligence
and smart production for
manufacturing system
revolution.
6
Source: 今週刊935期(2014)

7. IDB
7
2G
3G
2.5G
2.75G
時間
銷
售
量

8. 8

9. 9
TSMC Way
簡禎富

10. 10
「台灣製造」的機遇!?
子曰：「言而無文，行之不遠」
tsmc way: Industry 3.5+
837,000 項結果
Toyota Way: Industry 2.0+
21,300,000 項結果
New paradigm of Industry3.5-4.0!?
12 Harvard Case Studies
by Chen-Fu Chien 簡禎富

11. 11

12. 12
Industry 3.5 in 200mm fabs

13. 13

14. 工業3.5 “鋼鐵人” 工業4.0 “機器人”
人和智慧機械
分散式開放系統協同合作
虛實整合
集權式封閉系統製造平台
AI 強化人的機能 機器人取代人的工作
?

15. 工業3.5 “鋼鐵人” 工業4.0 “機器人”
人和智慧機械
分散式開放系統協同合作
虛實整合
集權式封閉系統製造平台
AI 強化人的機能 機器人取代人的工作
?

16. 16
系統化/Big Data
自動化/IOT
工業4.0
Smart
Manufacturing
標準化
合理化
系
統
化
程
度
彈性決策能力
?
「價值」是根本目標，關鍵在「智慧」
「工業3.5」
Decentralized DSS
AI-empowered
製造「智慧」
彈性「決策」

17. 台灣AI大戰略
17

18. 「製造」是台灣競爭優勢和核心能耐
18

19. 19
願景：台灣製造為利基的世界級、有產業影響力的「人工智慧製造系統研究中心」
(Artificial Intelligence for Intelligent Manufacturing Systems Research
Center; AIMS) 。
使命：推動人工智慧於智慧製造的前瞻技術開發及產業應用，協助AI產業化和產業AI化，
培養人才，協助台灣產業升級轉型。
任務：
1. 推動轄下計畫整合與合作，促進跨領域創新的綜效，整合人工智慧技術、統計、製造、
管理、科技法律和社會科學等領域專家，協助台灣製造為主的產業結構升級和轉型。
2. 建立製造大數據資料庫，並舉辦AI智慧製造和實做的競賽和訓練以培養人才，提高產
業獲利和競爭力，創造高薪的優質新工作機會。
3. 衍生可吸引投資的新創事業，媒合國內外資源加速新創團隊。並與產業協會和法人單
位策略聯盟以跨界合作，整合大學行政資源等，媒合產學合作促進創新創業。
4. 以台灣製造優勢為基礎，推動與世界頂尖研究中心和跨國企業的合作計畫，邀集國內
外專家來台交流、分享及傳承，主辦重要國際會議，提升台灣智慧製造國際影響力。
5. 研發台灣製造的AI解決方案，使台灣製造軟實力AI化，促成AI產業化，以輸出新興/新
南向國家。
人工智慧製造系統研究中心
Artificial Intelligence for Intelligent Manufacturing Systems
Research Center (AIMS)

20. 人工智慧製造系統(AIMS)研究中心
第一期計畫團隊及研究領域
20
主持人 機構 計畫名稱及研究領域
AI
創
新
研
究
中
心
-
智
慧
製
造
林沛群 國立臺灣大學 機械工程學系 以AI探索複雜系統的動態運動生成與控制機制
李慶鴻 國立中興大學 機械工程學系 AI於智慧機台系統開發：Arvis專業助理、機台預診與精度維持
賴尚宏 國立清華大學 資訊工程學系 深度學習應用於機器人視覺之最佳化(2/5~5/5)
楊秋忠 國立中興大學 土壤環境科學系
智慧農業循環經濟:開發「無人有機廢棄物的人工智慧快速處理廠」之
設計及建構
劉庭祿 中央研究院 資訊科學研究所 源於GAN的深度學習技術與網路精簡化在電腦視覺的應用
鄭志鈞 國立中正大學 機械工程學系 應用人工智慧於機聯網工具機之控制、預防維護與加工技術之研發
鍾文仁 中原大學 機械工程學系 應用於模具製造之整合式智慧規劃與排程系統
陳昇瑋 中央研究院 資訊科技創新研究中心 人工智慧製造：以人工智慧實現環境永續的卓越競爭力
陳添福 國立交通大學 資訊工程學系 實現深度學習於產業服務之邊端智慧系統架構與其設計流程
簡禎富 國立清華大學 工業工程與工程管理學系 工業 3.5 的智慧製造與大數據分析解決方案

21. 21

22. 22
Circuit probe (CP) test to identify
known good dies on the wafers

23. Intelligent Agents
A model-based, goal-based "intelligent agents" can perceive environment
and take actions to maximize its chance of success at some goal.
23
Agent
A=0.1
A is out of spec
Alter the parameter1 as 57
A=0.01
Sensors
What the world
is like now
What it will be like
if I do action A
What action I
should do now
Actuators
A

25. AI for defect detection in
precision forming industry (1/3)
 Step 1 : AOI image collection and Image preprocessing
• Data : 62 image data, 49 for training , 13 for testing
• Products are placed in the same position of image, so there is no need to
resize and rotation.
Image noise
computational speed
Original image Processed image
OK NG
Capture same pixel range of original image

26.  Step 2 : Image labeling
• In order to get a better model , we choose second way
26
First way Second way
Human check the light reflection of product
Fast but low accuracy
Measure product by microscope
• Measure the size of red area
Slow but high accuracy
OK NG
OK NG
AI for defect detection in
precision forming industry (2/3)

27.  Step 3 : CNN model training
• Environment :
– Nvidia GTX1080 + Tensorflow-1.3 + Keras-2.1.5 + Python-3.6
• Training 50 epochs within 5 minutes, accelerate 82% than using CPU
• Defects detected 100%
27
Input layer
Conv 3x3
Max pooling
2x2
Conv 3x3
Max pooling
2x2
OK rate
NG rate
4 Fully connected layer
Input Image
AI for defect detection in
precision forming industry (3/3)

28. Real Time Detection
28

29. 29
傳統產業的「工業3.5」戰略

30. 30
進行中(工業3.5)
進 程 1
現 在
進 程 3
未來願景(工業4.0)
即時資訊流資料蒐集、分析
設備監控-遠端控制生產條件參數
生產條件設備參數複製監控同步化
建構智慧整合感控系統
應用利用資通訊技術打造
生產線之移動互聯網
縱向：訂單系統互聯網
橫向：生產系統互聯網
工廠營運管制系統
最佳化自主交換訊息、自行診斷、
自動校正
設備自動化
設備條件參數蒐集
生產數據變化即時監視
智慧宏遠策略藍圖
進 程 2

31. 31
工業2.0+ 工業3.0
內建大數據分析和優化的數
位決策引擎，產能增加一倍
以上，規劃期更長、應變彈
性更大，且能降低存貨。
工業3.5
工業3.5案例：製造智慧和彈性決策

32. AIMS協助台灣中堅企業
32

34. 整合大數據分析與全面資源管理之
產品生命週期和營收管理系統
34
訂單、商情分析業務
營收優化、財務報表
採購 原料、存貨分析
生管 整合採購備料、生產、
資源調度、訂單分配之
智慧型數位決策系統
整合採購備料、生產、
資源調度、訂單分配之
智慧型數位決策系統製造
財務

35. 不同問題範圍和決策情境的分析優化
35
業務部
接單
採購部
買料
製造部
投產
訂單滿足
品檢交貨
time
最小化
製造成本
生管部
規劃
最小化
生產成本
最佳化
營收獲利

36. 延遲工單數 總延遲
天數
最大延
遲天數
產能
使用率
歷史 65張(11.6%) 186日 15日 73%
模型 8張(1.4%) 24日 9日 88%
 關東鑫林成立於2003年董事長呂志鵬先生，
提供半導體及光電等產業製程所需之高純度、
少量多樣電子化學品，除一般的排程限制，
還須考慮特殊產業特性：
• 總生產量大但批量小, JIT VMI
• 批量生產與連續生產混合
• 化學品的包材需要回流和事先處理
36
同時考慮原料、人力、包材、運輸、
交期等限制和多目標的智慧生產
 發展多目標電子化學品排程智慧系
統，整合進階演算法和動態機制：
• 處理非線性與多目標。
• 增加求解效率。
• 增加最佳解品質。
智慧供應鏈

37. 37
製造大數據分析

38. 38

39. 最佳化冰機優化調度決策建議
冰機健
康指標
建立
冰機組
合效能
預估
現場冷
凍噸需
求預測
高科技廠要維持恆溫製造環境，冰機佔廠務系統耗電大宗。科技部人工智慧
製造系統研究中心，清華大學決策分析研究室研發，利用AI和大數據分析技
術即時預測晶圓廠冷卻需求變化，有效提昇能源使用效益。
天氣預報資料
冰機平均負載
前人經驗法則
工程師
人為判斷
下決策
天氣預報資料 前人經驗法則
歷史資料庫
As-is
• 是否有需要開/
關冰機?
• 開/關哪一台最
省電?
39

40. Daily Max RT Forecast by
AI/machine learning algorithm
40
4000
4500
5000
5500
6000
6500
2016/12/100:00
2016/12/200:00
2016/12/300:00
2016/12/400:00
2016/12/500:00
2016/12/600:00
2016/12/700:00
2016/12/800:00
2016/12/900:00
2016/12/1000:00
2016/12/1100:00
2016/12/1200:00
2016/12/1300:00
2016/12/1400:00
2016/12/1500:00
2016/12/1600:00
2016/12/1700:00
2016/12/1800:00
2016/12/1900:00
2016/12/2000:00
2016/12/2100:00
2016/12/2200:00
2016/12/2300:00
2016/12/2400:00
2016/12/2500:00
2016/12/2600:00
2016/12/2700:00
2016/12/2800:00
2016/12/2900:00
2016/12/3000:00
Winter Daily Max RT Forecast
(MAPE=1.59%)
RT_MAX_Real RT_MAX_PREDICT
6500
6700
6900
7100
7300
7500
7700
7900
8100
Summer Daily Max RT Forecast
(MAPE=2.04%)
RT_MAX_Real RT_MAX_PREDICT
6500
6700
6900
7100
7300
7500
7700
7900
8100
Fall Daily Max RT Forecast
(MAPE=3.2%)
RT_MAX_Real RT_MAX_PREDICT
4000
4500
5000
5500
6000
6500
2017/3/100:00
2017/3/200:00
2017/3/300:00
2017/3/400:00
2017/3/500:00
2017/3/600:00
2017/3/700:00
2017/3/800:00
2017/3/900:00
2017/3/1000:00
2017/3/1100:00
2017/3/1200:00
2017/3/1300:00
2017/3/1400:00
2017/3/1500:00
2017/3/1600:00
2017/3/1700:00
2017/3/1800:00
2017/3/1900:00
2017/3/2000:00
2017/3/2100:00
2017/3/2200:00
2017/3/2300:00
2017/3/2400:00
2017/3/2500:00
2017/3/2600:00
2017/3/2700:00
2017/3/2800:00
2017/3/2900:00
2017/3/3000:00
Spring Daily Max RT Forecast
(MAPE=1.79%)
RT_MAX_Real RT_MAX_PREDICT

41. 41
x1
y2
x2
y1

42. 覆蓋誤差(overlay error)
N+1 layer
N layer
1y
2y
1x2x
2
2
21
21
yy
d
xx
d
Yy
Xx






42

43. 考慮可控制覆蓋誤差原因的創新模式
Light source
Reticle
Lens
Wafer
Xdxd
Yd
yd
),( YyXx dd 
X
Y
43

44. 具體改善效益
H 15
98%
44

45. Proposed R2R control block diagram
for overlay error compensation
 Step1. Overlay process modeling for R2R control
 Step2. DAPI controller design
 Step3. Performance monitoring and evaluation
45

46. Empirical
Study for
Advanced
Equipment/
Process
Control
(AEC/APC)
46
‐0.07
‐0.065
‐0.06
‐0.055
‐0.05
‐0.045
‐0.04
‐0.035
‐0.03
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
103
106
Tx+X
input
Lot sequense EWMA DAPI
‐0.03
‐0.02
‐0.01
0
0.01
0.02
0.03
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
103
106
Tx+X
output
Lot sequence EWMA DAPI

47. Advanced Equipment/Process
Control (AEC/APC)
47
As Is
To be
加入智慧決策，減少
反應時間，減少損失。
反應時間太長，
造成損失。
• 預測模型
• 強化資料運用
• 時間點->時間區段
• 部分->整體
new
以時間點預測
以時間區段預測

48. 智慧工廠的核心：決策
48

49. 49
ECD control enhancement
Problem
definition
Correlation analysis for
identifying influence factors
Data collection & integration
Data cleaning & pre-inspection
Least square estimation
Linear model for
modeling etching bias
Dissimilarity measurement
Dispatching rule simulation
Performance tracing &
discussion
Data preparation
Implementation
Is fitness
good enough?
Model
construction Significant?
Parameter
estimation
Product & chamber effect
extraction
Is result acceptable?
Dispatching rule
development
Yes
Yes
Yes
No
No
No
 Problem definition
 Data preparation
 Model construction
 Parameter estimation
 Dispatching rule development &
offline validation
 Implementation

50. Manufacturing intelligence framework
for DCD-ECD variation reduction
 Estimate the chamber effects via mining historical data.
 Define similarity measurement for etching chambers and
tools, respectively, to match with DCD results of wafers.
 Determine tool priority for each process lot to support real-
time tool assignment and production control.
50

51. Validation and Implementation
 The Cpk improvement was 20% in
average after implementation in an
empirical study for a few months for
a field test in Taiwan.
 The scaling score is used to monitor
the operational effectiveness of the
dispatching rules to trace the
control performance.
51
Product
Before implementation After implementation
Cpk improvementNumber
of lot
RMSE
Standard
deviation
Cpk
Number
of lot
RMSE
Standard
deviation
Cpk
A 163 0.0075 0.0073 2.34 140 0.0063 0.0061 2.84 21.39%
B 100 0.0103 0.0068 2.56 108 0.0101 0.0062 2.82 10.12%
C 98 0.0073 0.0073 2.25 136 0.0066 0.0066 2.51 11.28%
D 239 0.0084 0.0084 1.61 493 0.0058 0.0058 2.40 48.87%
E 105 0.0108 0.0096 1.90 156 0.0080 0.0079 2.49 30.95%
F 215 0.0099 0.0083 2.19 274 0.0069 0.0072 2.72 24.30%
G 183 0.0091 0.0085 2.22 219 0.0083 0.0085 2.35 5.56%
H 224 0.0090 0.0086 2.23 370 0.0076 0.0074 2.80 25.69%
13.03%
3.73% 4.03%
7.85% 7.79% 7.37%
10.26%
11.65% 11.59%
22.69%
0%
5%
10%
15%
20%
25%
10 20 30 40 50 60 70 80 90 100
Frequency
Tool score interval
Average Cpk: 2.42
Average Cpk: 2.83

52. 52

53. © 2016 AU Optronics Corporation – Proprietary 53
MFG 1.0
Automation
&
Reactive
Smart Manufacturing Stages
MFG 2.0
Prediction
&
Proactive

54. 54
「藍湖策略」(Blue Lakes Strategy)

55. 55
感謝聆聽拙見，懇請不吝賜教!!!
cfchien@mx.nthu.edu.tw

56. Q&A?
Thank you very much for your kind attentions!!!
56