{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
当前位置:首页>市场动态> 正文 
收藏
点赞
投稿
在电子制造智能工厂里应用高级分析的真实故事
  2021-01-05      294

作者:Derek OngBscEEKEYSIGHT TECHNOLOGIES公司

摘要

智能工厂开始真正走进我们的世界,成为工业4.0总体模式的一部分。在工业物联网(IIoT)和云计算等技术的推动下,电子制造的运营技术(OT)正在与传统的信息技术(IT)融合。除了数据获取与转换的挑战外,高级分析带来的快速投资回报率(ROI)“只有真正试过才知道”。这是将业务知识应用到数据科学中最重要的方法。我们将分享把机器学习(ML)应用到测量科学与数据科学相结合的电子产品生产线中的成功且有收益的例子。

前言

现在,工业4.0开始成为全球性的热门话题。第一次工业革命通过水和蒸汽动力实现机械化。第二次工业革命通过电的使用实现产品的大批量生产。

在第三次工业革命之前,几乎用了近一个世纪的时间,计算机才做到经济有效且功能强大,满足工厂的要求。然后凭借前所未有的处理和计算速度,工厂可以实现更多工艺的自动化,在工艺中提供更好的反馈。

数据开始成为生产力。供应链、商品、客户关系、质量和生产管理可以在企业级的平台上进行协调,该平台使公司能够优化制造成本,减少库存,加快发货并提高质量。

许多行业专家认为,技术快速发展到今天,物联网(IoT)预计将成为下一次工业革命的主要驱动力。这一概念仅仅意味着机器的智能化水平足以用最低限度的人工干预实现机器之间的通信和自动化处理,为机器建立自我监督和自动控制的机器互联网。

对智能工厂的大肆宣传

工业4.0涵盖范围非常广,许多看起来像是技术奇迹。在大数据、人工智能(AI)、增强现实、增材制造、机器人和自动机器方面已经出现了很多令人兴奋的东西,并且进入了市场推广阶段。但是,我们要认识到,这些技术的许多核心基础都是在几十年前就已经研发出来。例如,人工智能最早可以追溯到1956年[1],并且经过多年时间不断开发演进。尽管如此,由于我们长期的努力,电气元件、电子元件和无线元件开始达到适合的性能和成本,所有这些技术已经切实可行,所以我们相信,现在才是真正开始将这些技术投入生产的应用阶段。

工业4.0的应用必须着眼于工厂,最终的目标是让工厂变得“更智能”。永无止境地追求提高生产力和效率,始终是每一次产业革命的标志,最终的目标是改善人类的生活质量,实现智能工厂智能化水平和投资回报率的务实决策,将决定我们在这条道路上能够以多快的速度走多远,然后达到稳定的生产力水平(图1)[2]。

image.png

正如我们和许多客户讨论中和从他们的智能工厂计划中看到的,许多公司只是简单地跳上工业4.0的快车,这往往会导致灾难性的结果。

从愿景开始

我们有很多咨询和分析的案例,收集了世界范围内50多家工厂的数据集和超过1 TB的生产测试数据,以期为客户提供一套正确的价值差异化指标,这样,客户才有可能选择我们作为其关键解决方案的合作伙伴。因此,至少从我们的角度看,定义“智能工厂”中的“智能”是非常有必要的。

 “智能”要从战略做起,这一点至关重要。通常情况下,我们从很多我们有机会做咨询的工厂看到,由于制造机构的最高决策层缺乏远见和清晰的认识,导致工业4.0推广失败并很快彻底消失。如果没有明确的方向,这里的方向往往是多样的,根据管理层的工厂数字化转型战略,许多工厂和他们相关的管理层对怎样推广工业4.0技术都有他们自己的见解和考量。

这就产生他们可能没有预料到的重大问题,例如:

1.无法利用整个企业的核心基础设施和平台来保持经济效益。

A、在智能工厂的旅程中,我们走进单独的卫星工厂时,讨论的内容大多是工程和运营经理的授权问题。工业4.0技术的一个关键因素是能够针对运营进行大数据分析。但是,这需要企业的IT利益相关者参与,因为需要解决像安全、云计算和带宽等IT关注的问题。此外,IT方面的资本投入(capex),比如服务器硬件和数据中心不在运营团队或OT的权限范围内。

B、电子行业刚开始认识到OT/IT融合的重要性。不过,由于数字化转型(或数字化转型缺失)还有待在企业内部明确下来,这往往没有在企业的组织架构中体现出来。我们还认识到,IT团队和OT团队就像两个孤岛,他们在工作上没有多少交集。IT和OT在规则、预算、管理、文化、目标、专业知识,甚至使用的技术语言上都完全不同。

C、最终的结果是,因为OT团队认为IT团队的参与是障碍而不是必需的或者没有价值,所以OT团队并不愿意让全球的IT团队参与其中。那么,客户就会选择购买自己的服务器硬件并将其安装在工厂内,而不是把大数据制造分析解决方案放在公司的中央服务器或云上,因此,其他的工厂无法在不增加成本的情况下利用相同的基础设施。这种做法对在整个企业范围内扩大规模而言永远不会具有成本效益,而且会是代价高昂的教训。没有IT的协助,这种方案不管怎么看都不是长远之计。


2.竖井式资源投入只关注某一个工厂目标,而没有与企业的战略和目标保持一致。

A、例如,一座工厂可能存在劳动力效率低下和能力方面的问题,这促使他们推行机器人技术来替代工人,利用增强现实技术来提供质量更高的培训,以及通过摄像头进行深度学习来监控工人的违规行为。不过,这可能无法从根本上解决问题,而且这可能是这座工厂没有严格遵循公司明确规定的最佳方案,或者它只是经营不善。

B、我们经常会发现,当我们遇到这类情况时,当我们咨询更高的管理层和企业的管理者,就会被告知企业有更迫切的关键绩效指标,例如减少质量问题和退货批准(RMA),或者因成品率和处理问题而需要减少以指数增长的废料成本,那么,我们就不会对此感到奇怪了。

3. 企业的工业4.0战略和工厂运营的真实需求与挑战不一致。

A、很多时候,对于那些具有远见卓识以实施数字化转型的公司战略的公司而言,该战略和计划由IT部门负责。

B、我们发现,对于OT团队想要解决的问题和挑战,IT团队往往没有充分参与和协作。这里的部分问题在于IT专家很难真正理解运营及其工艺的错综复杂之处。这就造成在企业的战略目标和它给工厂运营带来的实际价值之间出现严重的脱节。

C、例如,由IT驱动的基于私有云的商业智能平台可以从制造车间里获取大量的数据集。这与工业4.0的理念非常一致。不过,来自智能平台上的深刻见解与车间里的活动相距甚远。通常把它作为机器和成品率问题的报告工具或报警系统。操作人员或技术人员在车间里奋力解决各种问题时,不能利用这个平台采取快速、即时、简单的行动来减少由此造成的损失。

这些只是我们需要研究和掌握的一些问题,我们由此得出的结论是,尽可能做到技术准备工作和员工能力达到要求非常重要,智能工厂的“智能”要从企业清晰的数字化转型愿景开始,从而解决OI /IT融合所带来的挑战。

机器在电子产品电路板制造中的实际应用

在我们的一个成功实现高级分析的客户案例中,我们从概念验证(PoC)开始直到为他们生产线中的测试系统签署服务协议。图2是客户在工厂中实现高级分析的典型的印刷电路板组装生产线。

image.png

以云计算为基础的高级分析软件作为服务平台(图3),提供接近实时的测试系统数据采集、转换和分析并确定产品质量的衡量标准。

image.png

该解决方案必须解决用例,这些用例中的工作流自动化和产量损失预测是由于固定装置、测试程序设置以及其他非产品中使用的实际零件所致的故障所致。这些错误会增加生产成本。

在解决方案的核心部分,它所做的基本预测包括对生产中的每个测试进行几乎实时的异常检测。在任何一个产品测试上,都有几百到几千次这样的测量和测试。通常一天有几百种产品要通过这个强制性工艺。其中一些异常表现将被归入与固定装置特定的元器件直接相关的退化模式的分类。

简单地说,异常情况相对于正常情况而言是非典型的。这是制造和测试面临的第一个挑战。目前的工厂可能可以采集和存储高价值的关键数据,例如故障数据。获取良好的测量值从来都不是必须的,尤其是某个单独的测试。因此,为了预测异常情况,工厂必须能够采集执行测试得到的所有测量结果,不需要考虑与这个测量有关的结果的性质。

图4是系统预测的实际的异常情况的截屏。该元件预计是在一块复杂电子电路板上电阻值为10K欧姆的电阻器。绿色的点是在测试极限,白色的点是规格范围内的测量值,。粉红色的点是电阻异常的电阻器,测量值是9.429K欧姆。在生产中,当测试“通过”时,这不会引起关注,而且目前的工艺不具备检测这种情况的能力。

image.png

但是,很显然,这个制造工艺完全有能力产生如此稳定的测量值。测量结果的平均值和中位数是测试极限的标准差。在这种情况下,无论它是否在测试极限范围内,在生产中发生如此剧烈的异常都应引起警惕。

诸如此类的测量结果可能会突然改变或随时间改变,这取决于许多因素。异常检测算法必须能够尽可能快速学习“规范”,以避免过多的错误命中。检测异常是在工艺中把机器学习应用于制造测试的第一步。

在过于简化的机器学习模型开发过程中,把被称为训练数据的数据集注入模型中,帮助机器“学习”模式和趋势。然后用真实的数据测试模型,并且用各种不同的方法进行测量,例如:

•F1得分 [3]

•Mathews关联系数 [4]

•加权平均精确度 [5]

•加权平均召回率 [6]

其中一个可能不是很明显的重要因素是机器学习算法的预测可信度高度依赖于以下几个因素:

•可用的训练数据量(越大越好)

•数据的集中程度与机器学习输出预期相关

•基于应用的专业知识和经验融合不同的机器学习和统计技术

在算法测试过程中,我们必须对基本的异常检测算法做出重大修改,达到我们要求的分数,让客户对此有信心,认识到异常既是相关的也很重要的。这个自定义算法目前还属于商业机密,不能在这里分享。不过,你可以使用流行的开源算法,比如局部异常因子(LOF)[7]或自编码神经网络(ANN)[8],并由此开始入手。

既然我们建立起基本的核心预测,即异常检测,我们就必须把这些异常的潜在的原因与制造工艺的问题联系起来进行分类。对操作人员和技术人员来说,这是采取适当行动来避免昂贵的停机时间或不良产品躲过检测的唯一途径。

图5说明我们如何根据具有相同的模式与特征对不同类型的异常进行分组。这些异常模式每一个都意味着来自制造工艺不同的潜在因果关系。例如,当预测到退化异常时(图6),客户可能会调查与这种异常相关的特定测试探针。通过全面测试,我们发现在制造测试工艺中,退化模式与测试探针的磨损高度相关。

image.png

image.png

与测试探针的磨损无关的其他异常通常不会随时间的推移而减少,而是在测量步骤或位移中突然发生(图7)。

image.png

还有一些表现为双峰性的异常情况(图8)。这种异常可能表示一种元件来源存在问题,它们可能来自两个供应商。采取一项措施来验证是否已安装了正确的组件或在组件消耗之前进行来料测量,可以为客户确定问题的根源。

image.png

为了总结使用该方法预测的组件异常的因果关系,请参阅图9。

由于这些异常是实时的并且会向生产团队发送警报,因此可以迅速采取行动来解决性能和质量问题,这些问题是不可预测的,或者要到过后很久才能检测出来。图10把退化异常映射到实际测试探针位置实现即时响应的接口。

image.png

计算投资回报率

为了让工厂获得切实的投资回报率并节约成本,我们决定以12个月为周期进行计算和指标跟踪。第一个重要的指标是第一次成品率(FPY),它是第一次通过测试的板数量占第一次测试板的总数。这个指标说明制造测试的稳定性,所以它非常重要。FPY越高意味着生产线的产量越高,最大限度地发挥机器的利用率。鉴于重新测试可能会破坏或恶化电路板的状况,这也意味着减少电路板的处理。这会缩短产品在使用现场的预期寿命。

根据图11,我们可以看到FPY的平均值和中位数明显提高,分别提高19%和23%。这是把异常检测引入生产线前的三个月的结果与引进异常检测后的跟踪结果进行比较。这意味着生产线按照每个月组装40,000块电路板的典型运行速度运转时,净产量将增加8,000多块电路板,这直接转化为工厂的产能增加。

除了从FPY得到净产出收益外,衡量生产率的另一个重要的指标是总的重新测试数量。这是个简单的总数,即总共重新测试电路板多少次。

在做每一次重新测试,操作人员都必须执行几分钟的人工任务。重新测试总数中的一定比例(一般是10-30%)需要工程师深入调查分析,这需要额外做5-10分钟的人工任务。每一座工厂对这些时间上的浪费都是以分钟为单位来计算固定成本。同样地,计算每个月在重新测试方面节约的成本是切实可行的。图12是实际的每个月重新测试总数的跟踪情况。很显然,自从开始应用异常检测的机器学习,每个月重新测试的总数几乎减少了19%。这直接转换为每个月增加了300多个小时的生产力。

image.png

结论

高级分析技术,例如异常检测,与用来执行实时数据采集与接入的大数据基础设施相结合,加上清晰的愿景与来自管理层的数字化转型战略,可以为大部分高价值的工厂带来巨大的收益。这些技术需要大量非常复杂的测量来定义产品的质量和数量。要实现投资回报率正收益的关键是成功地建立起预测结果与潜在的切实根源的映射表,这样生产团队能够在问题扩大之前果断地采取行动。

参考文献

1. S.J. Russel & P. Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, December 1994.

2. M. Walker, “Hype Cycle for Emerging Technologies, 2018,” Gartner Research, August 6, 2018.

3. Scikit Learn, “Metrics: F1 Score.”

4. Scikit Learn, “Metrics: Matthews Correlation Coefficient (MCC).”

5. Scikit Learn, “Metrics: Average Precision Score.”

6. Scikit Learn, “Metrics: Recall Score.”

7. Scikit Learn, “Metrics: Outlier Detection With Local Outlier Factor (LOF).”

8. DeepLearning4J, “Basic Autoencoder: Anomaly Detection Using Reconstruction Error.”

作者简介Derek OngBscEE,是Keysight Technologies公司的制造技术与软件解决方案规划经理。

分享到:
  点赞
  收藏
  打印

中国电子制造专业人士刊物

创于2003年

全国"一步步新技术研讨会"官媒

SbSTC服务号
actSMTC订阅号
扫一扫,掌握最新资讯
评论(0
已输入0
相关推荐
      
      
      
      
近期活动
热门标签