工研院的機台故障預診斷軟體

賴宛靖，提前預警設備故障　減少停機損失 半導體機台故障預診斷軟體，工業技術與資訊月刊，2017/10/15

工研院巨量資訊科技中心經理林群惟指出，根據IBM的研究報告顯示，83％的資訊長認為，設備維護以及總體資產分析最佳化為提升企業競爭力之最主要途徑，導入機台故障預診斷技術效益包括：達到10倍 投資報酬率（ROI）、減少20%-25%維護成本、消除70%-75%不預期當機、增加20%-25%生產力，由此可見，工廠產線設備的穩定與正常，深刻牽動製造業的競爭力。  

有鑑於此，工研院於2013年起開始投入「半導體機台故障預診斷軟體」研發，藉著收集、分析機台資料來監控與評估設備及其零件的健康狀態，及早預測機台需要維修的時間點，減少產線因機台突然故障而必須停頓的風險，目前已開發出應用於半導體產線的「機台故障預診斷系統」，為原本就具備競爭優勢的我國半導體產業，再注入新的競爭能量。  

林群惟說明，「半導體機台故障預診斷軟體」是一套基於人工智慧（AI）與機器學習的系統平台，分析機台所產生出的製程資料，進行即時監看、預測並以視覺化資料呈現，讓產線管理者可以掌握設備的健康狀態。  

以光電工廠產線上的磊晶製程機台為例，此系統可預測重要零件質量流量控制器（Mass Flow Controller；MFC）、微粒過濾器（Particle Filter；PF）的故障機率與剩餘使用壽命，藉此決定零件更換與維修的時程。林群惟指出，藉由預知異常事件即將發生，可提早排除，減少突發事件造成的查修時間壓力與風險，提高產線工程師的工作效率，讓工程師專心投入創新研發，為公司創造更多的附加價值。 ...

關鍵 1，蒐集對的資料，從中萃取關鍵參數 

由於半導體產線的資料參數，多達 400、500 種，要從中找到真正影響機台健康的參數，是研發這套系統的第一道關卡，林群惟表示，我們為此整合光、機、電與資訊軟體等領域的研發團隊，經過反覆驗證與測試，順利找出能反映機台設備健康的關鍵參數。 

關鍵 2，建立整體式學習預測技術 

找到能反映機台設備健康的關鍵參數後，接著要建立資料分析模型。研究團隊跳脫過往採用單一「英雄式」的分析演算法，整合數十幾套先進機器學習演算法建立「整體式學習預測分析模型」，提高機台預測分析的準確度。林群惟指出，機台預測分析準確度如果不夠高，一直發出誤警報反而會造成產線工程師的困擾，影響產線生產效率，目前很多智慧製造預測分析技術都有此類問題。而工研院所研發的整體式學習預測分析技術，準確率達到 95% 以上，減少誤警報的狀況發生。 

關鍵 3，建立資料分析準則 

提高「半導體機台故障預診斷軟體」的準確度還不夠，為將此系統導入更多製造領域的產線，工研院研究團隊進一步建立一套資料分析準則，讓此系統實際導入應用於其他產線時，可以直搗產線生產環節的核心問題，快速建立分析模型。 

「半導體機台故障預診斷軟體」藉由預知異常事件即將發生，讓產業提早排除異常，減少突發事件造成的查修時間壓力與風險，提高產線工程師的工作效率，讓工程師專心投入創新研發，為公司創造更多的附加價值，不僅技轉給國內多家光電半導體廠商，同時也入圍 2017 全球百大科技研發獎。