全球工业大数据发展及实践（6）

全球工业大数据发展及实践（六）

（2019年6月19日）

（二）工业大数据在行业领域中的应用

1. 解决半导体行业设计和制造困境

半导体行业作为信息产业的基础和核心，是关系国民经济和社会发展全局的战略性产业。当前，高度的自动化、信息化推动着晶圆制造生产线向智能生产线方向发展，海量数据成为推动这一发展的利器。大数据驱动的运行分析与决策方法的出现，为半导体行业生产过程的监测与管控提供了一种新 的思路。

近几年，若要将一款新的集成电路产品推向市场，所需要的时间在每个节点上都在逐渐上升。新的设计和制造技术，是造成这个问题的原因之一。但是，更复杂的检查、测试和验证程序，也是产生延误的重要原因。对此，许多技术公司创建分析工具，希望这些工具可以帮助晶圆厂用基于事实的知识、模式识别和结构学习，来代替猜测和人类的直觉。除了减少错误、精简生产和降低成本之外，这些工具甚至可以帮助晶圆厂发现新的业务模型，并获取额外的价值。

高级数据分析，可以在虚拟或数字设计文件中，测试和标记出可能的故障点，为晶圆厂提供极大的方便。不需要测试成品，晶圆厂就可以提前纠正物理设计中的错误，提高产量和可靠性，还可以使用相同的技术，生成和运行虚拟芯片进行测试，从而允许其在识别和消除边际效应的同时进行流程优化。大数据分析可以让晶圆厂将来自传感器的数据大量输入，与广泛的流程级信息相结合，创建丰富的多变量数据集。然后，可以快速诊断芯片或设备故障的可能来源，从而为潜在的问题提供早期警告。

例如，存储器大厂美光（Micron）通过大数据技术，导入到现有全球各地12寸晶圆厂，协助提升品质、良率、产出，优化生产周期与营运成本。第一，在品质方面，美光有远端操作中心（Remote Operations Center），借由在各个晶圆厂实施的故障感应检测（Sensor Based Fault Detection）、预测维修（Predictive Maintenance）、即时流程控管（Real Time Process Control）与预测分析（Predictive Analytics）等机制，实际运行后，提升高达 35% 的营运效率。第二，在良率方面，美光通过深度学习（Deep Learning）自动辨识与分类矽晶圆上的缺陷，系统将自动化诊断并分析造成矽晶圆缺陷的根本原因，再将分析结果与建议方案寄送给相关团队成员，修正问题后，进而提升良率表现。第三，在产出方面，美光通过搜集与分析跟工程营运相关的数据资料，包括设备运作资料、故障检测结果、统计制程管控 资料等，即时掌握各晶圆厂生产线的状况，调整与优化各产线营运状况，进一步提升营运效能与落实 品质管理。第四，在生产周期方面，美光通过分析晶圆生产流程、需求预测等数据资料的方式，来优 化排程。第五，在营运成本方面，通过搜集与分析数据，例如晶圆耗损等非结构化数据资料的方式，来预测需求，同时，借由零件管理与降低浪费、耗能等方式，来达到降低营运成本的目标。

2. 提高汽车行业价值链洞察力

在产能利用率下降、成本上升、行业竞争加剧、全球化趋势，以及科技与法规带来市场变化和波动的环境下，汽车行业正面临与日俱增的挑战和压力。大数据与数据分析为汽车制造商们带来了解决方法，应对挑战和难题。

德勤咨询（Deloitte Consulting）研究探讨了数据作为绩效分析的有效来源的重要性。例如在生产中，可以通过分析历史数据、参数和参数组合来确定某个事项是否正常。这些分析可用于汽车召回事件，汽车制造商能确定或预测什么时候可能会发生召回。这种方法和流程也能应用于客户、供应商， 以及汽车生态系统中的其他利益相关方。

汽车制造商可以从大量的客户数据中发现，特定客户群对哪些型号、配件或服务感兴趣。进而提供个性化和量身定制的产品与激励方案以提高销量。随着互联网和社交媒体的普及，以及各种交通工具关联性的不断提高，制造商们也能获得源源不断的客户数据，分析准确度越来越高。

美国通用汽车公司（GM）在 2014 年建立新的大数据中心，该大数据中心当时已经有 3 PB 的数据在网站上，包括：产品研发、采购、物流、质量、制造、客户服务、销售、市场营销、财务和其他种类的数据。GM 将大数据的创新方法应用在三个方面，包括：提升经销商业绩、进行个人化营销，以及远距通信连接智慧汽车。

（未完待续）

摘编自 江苏企业技改协会 重点行业研究