2023年06月05日
效率革命|大数据+AI:快速实现「LED封装制程」智能制造闭环


“ 智能制造的优势体现在:通过实现车间的设备和控制层的数据与企业信息系统融合,使得生产大数据传到云计算数据中心进行存储、分析,通过算法、模型来预测未来,形成决策并反过来指导生产。”


多变和多元,是当前LED封装企业面临着市场需求,且经多轮价格战后,传统制造模式的竞争力已然式微,智能化的变革推动制造走向动态与灵活,就成为必须迎接的挑战。

本次案例,将围绕「LED封装产业」来跟你一起窥探产业核心,分享讯能集思如何用AI技术深入挖掘大数据价值,快速实现超大规模和超复杂度产业的协同与创新,帮助一家全球LED生产领导厂商,提升了4%(前3大)落Bin集中度(良率核心参数),以及降低了80%的新产品导入时间,以更好适应当前LED封装的大环境。

同时在JarviX平台导入后,系统性地帮助厂商完善了管理流程,做到清晰掌握物料流向,实现物料的消耗与每个产品相对应,与市场需求相对应;再则产线管理人员可利用战情室实时监控,实时调用出所需的机台稼动率信息,实时操作调整指令。

为什麽传统制造的效率已见顶

基于传统制造的发展范式,论技术、经验、人才的积累,中国的制造业仍不如发达国家的老牌制造业,中国企业似乎一直在走「拣国外旧技术或合资办厂等方式,在薄利中活下来再求发展」这条老路。

LED产业亦是如此,面对LED封装落Bin率问题:当集中度较低时,就会出现库存呆滞,企业成本随之上升。而采用传统的良率优化方式,无论是倚重技术人员过往经验的方法,还是导入AI订制项目的作法,都会发现研制新配方耗时过长,不能及时的反馈结果,带来订单的丢失和交期延误,新产品的落地也会随之受限,等等的一系统痛点。



究其原因,生产工艺是制造业企业日积月累一丢丢地攒起来的,可是中国的企业是后起之秀,远没有传统制造强国德国、日本企业有长时间的数据积累与技术沉淀。

德日的制造业之所以强大,还在于他们有大批的科学家、工程师,以及经验老道的技术工人。用一个生动的例子来说明,如果你问日企厂里那些戴着“金星”、“银星”的技术骨干:“产品尺寸有20丝偏差,怎麽解决?”他们能做到的是,在设备旁边听听异响,就能判断出这20丝的偏差是怎麽来的。

因此,基于传统LED封装生产工艺——纷繁复杂的细节与杂乱相生的环节,即便做到了极致的精益生产与流程,仍会存在着大量非智能化环节,无法实现智能化闭环,这就导致了细节和隐性的成本根本做不到化繁为简,导致企业的进一步在无形中丢失利润。



但是,今天「智能制造」的新打法出现了:通过采集生产过程中的参数,做数据分析,从数据中找到关键指标,然后将这些指标通过关联性,找出合适的算法,从而将数据变成指导生产的信号。



结合导入JarviX全流程数据分析平台的解决方案来看,对比传统或AI的解决方案,完成一个系统性LED封装良率优化周期,效率提升了10倍以上。厂商也不需要把每个人都培养成为能工巧匠,而是用数据弥补经验不足的短板,同时数据的积累也让技术的改进有了累加性。

在这样的背景下,中国的制造业就有可能发生效率革命,异军突起。

大数据+AI:催化制造步入智能化

智能制造走完要分三步:

第一步是数据化,也就是要收集足够多的数据;

第二步是数字化,也就是要能用这些数据进行分析,给人的决策提供参考;

第三步才是智能化,也就是设置好算法,机器也可以作出生产决策。

智能制造的数据化相对容易,加上传感器,就采集制造过程数据,但是数字化的难度就比较大:因为数字化相当于是从数据中找到关键指标,然后将这些指标通过关联性分析,找出合适的算法,从而将数据变成指导生产的信号,怎麽办?

JarviX全流程数据分析平台,基于增强分析技术并整合了先进的大数据架构,能从数据治理、实时监控、数据探索、AutoML到AI预测模拟器等方面,帮助传统制造利用AI挖掘大数据价值,实现智能制造。





以下是讯能集思帮助一家全球LED生产领导厂商优化LED封装制程的专案还原。

厂商具体现况与问题:

原物料质量不一,制程中同款测试机台结果落差,导致产出质量难以掌控;

产品少量多样,新产品导入效益不易预测;

新实验设计成本高,且仅能针对部分重点产品使用、通用性不高。

另外就管理系统而言:目前产线管理系统功能存在一定的局限性,物料到成品的生产中,无法完成对产品的全程实时跟踪,出现数据断流,使核算管理缺乏有力的数据支持。


针对该厂商当前状况,并区别于传统制造拼工艺的背景下,当前封装企业拼竞争力拼的就是性价比和时间,简单的说就是:同等质量下拼价格,同等价格下拼交期,因此企业就需要把现有封装环节中的那些费时费钱的环节进行优化,特别是提高良品率、让主色区的集中度更强等等方面去做优化,讯能集思由此设置了以下系统架构:




总体实施步骤如下:




根据框定的商业问题,从确认数据集开始,到构思与确认数据分析的流程






围绕数据清理与特征工程的内容难点,以及考虑保有模型的弹性、避免机台差异、产品差异影响过大,并能学习两段分布,我们采用主架构使用深度神经网络、同时运用搭配对象侦测(Loss function)的核心算法来规划与评估模型。





在最终一个月的多步骤模拟应用期,JarviX根据各不同产品投料规格及AT机台测试条件进行最佳集中度预测演算,提升了整体的集中度。同时也依据客户的KPI指标(前3大集中度的不良率)作为衡量标准,由此利用演算模型来反推出每种产品最佳的前五名投料规格、供货商推荐。


以上为讯能集思用大数据+AI的方式,帮助这家LED封装厂商,提升了4%(前3大)落Bin集中度(良率核心参数),以及降低了80%的新产品导入时间。本项目在实施6个月后,盈利能力也得到了提升:人工成本降低35%,加工周期降低30%,材料利用率从88%提升高到97%,辅料节省3%。

从本案例中,其实我能看到对工业大数据价值进一步发掘,将成为制造企业智能化转型的核心驱动力,通过信息系统与物理系统融合开始,依托大数据与人的知识数字化,使整个价值过程云化、智能化,那麽中国的企业也能用最短的时间实现创新,包括且不限于提升企业整体营运效率、提升产品质量、减低库存、改善交货期、提供预防性的实时服务、减少劳动力的依赖等等。





【延伸阅读|带您深入了解各产业解决方案】对话式AI掀热潮,讯能集思推工业级ChatGPT


【联系我们|带您体验企业无痛快速转型升级】如何快速導入低代碼數據平台顛覆傳統企業數據流程,解決企業轉型面臨的效率、成本和價值等問題,提升企業的決策水準。



分享文章