智慧應用 影音
全漢(伍藝超群專案)
event

【數位轉型 台灣最行】OEE下滑別怪稼動率?製造業該做的是歸因分析

當發現生產現場OEE(Overall Equipment Effectiveness)下滑,一定是稼動率的問題嗎?其實業者真正應該做的是歸因分析,如果沒有追根究柢從中找出真正影響結果的關鍵因子,可能是製程參數,或材料問題,而只是一味拉高機台極限,最終仍難以維持長久且穩定的品質。《數位轉型 台灣最行》應用篇系列第六集,DIGITIMES邀請到品質管理專家中方科技總經理邱培其,分享製造業如何運用AI在透過不斷自我優化的過程中,達到更精確的品質管理。

 點擊圖片放大觀看

《數位轉型 台灣最行》邀請品質管理專家中方科技總經理邱培其(中)分析製造業的品質管理課題。DIGITIMES

在製造業中,品質一直是眾所追求的終極目標。法新社

成立於1993年的中方科技,主要從事TQM全廠品質管理系統及精密檢測自動化產品的研發與設計,過去曾協助將近五千家製造客戶在生產現場中探究品質管理課題。在製造業中,品質一直是眾所追求的終極目標,過去製造業已相當熟悉地運用如統計製程控制(Statistical Process Control;SPC)來進行品質管理,但隨著未來產品變化更迭速度加快,追求穩定的品質,不能只靠當下或事後的分析與管制,事實上業者該探究的是「為什麼會造成這樣的結果?」也就是透過歸因分析,往前找出根本問題並解決,透過及早「預測」,才能超前部署。因此中方科技結合這樣的概念,發展出新形態的品質管理系統:AIQ。

什麼是AIQ(AI Quality System)?從字面敘述來看,指的就是人工智慧(AI)品質系統,藉由AI協助業者進行品質要因分析。造成品質波動的因素包括5M1H(人、機、料、法、環、測),邱培其表示,以現在的科技工具來說,透過機聯網或感測器等方式抓取機台參數,或各項關鍵數據都不難,AIQ是一個分析引擎,它可以把抓進來的數據過濾、整理、整合,透過AI把製程當中的關鍵因子,與從SPC或AOI當中已知的品質結果進行比對,找出關聯性,而透過結果不斷的反饋,再從製程中改進、優化,進而形成一個正向循環。

AIQ是用大數據做要因分析,藉此改善品質,企業部署的重點是什麼?眾所皆知,數據的品質越完整,AI就越精準,但這是否代表製造業者應該抓取全生產線上的所有的製程參數?理論上是這樣沒錯,但從成本投入來看,這是相當不現實的。邱培其因此也建議業者,第一步應先找出痛點,從影響最大的工站率先切入,先抓取局部製程參數與相對應的品質結果,再透過AI系統進行關聯比對,現場工程師就可以知道哪些製程與結果互有關連,藉此率先調整影響最大的關鍵製程參數。

歸因分析事實上就是一個不斷自我優化的過程,這與當前智慧製造所強調的適應性有著相同的理念,甚至帶來意想不到的效果,邱培其實際以某DRAM封測業者舉例,全廠多達3~4000部生產機台,但卻發現即便是同一廠牌,也會出現品質不一的現象,為了優化產能,這家封測業者甚至藉由AI分析,在不投入任何成本的情況下,重新配置與部署機台,將表現穩定的機台集中承接高價訂單,而相對表現較差的機台,則售出或轉接低價訂單。

智炬科技總經理歐俋伶藉過去輔導製造業數位轉型的經歷也分享,過去當OEE下滑,業者習慣先拉高機台極限,但卻發現做越快、壞越多,這是因為業者通常沒有追根究柢的抓出真正的關鍵因子,造成誤判,在此情況下,就會造成良率時好時壞,而無法維持穩定的生產品質。當前智慧製造數據採集的基礎工程,市場上已有諸多成熟解決方案,技術上不難,因此只要有完整且真實的數據,製造業就能跨出第一步,透過數位治理改善生產線上的痛點。(更多精彩內容請鎖定《數位轉型 台灣最行》第二季應用篇)

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: SPC AI 智慧製造 品質檢測