关键三招，AI 让半导体厂产线健康产能满满！

但一年才岁修一次的半导体机台如何确保其他时间不故障呢？ 有办法在不停机的状态下发现机台的异常吗？ 甚至，有没有可能预先侦测机台的异常并主动警示呢？

根据 IBM 的研究报告显示，83％ 的信息长认为，设备维护以及总体资产分析优化为提升企业竞争力之最主要途径，导入机台故障预诊断技术效益可以增加 20% – 25% 生产力，工厂产线设备的稳定与正常， 是制造业的关键竞争力，于是台湾半导体产业找上了工研院的巨量数据分析团队，希望透过巨量数据分析，预先诊断并排除有可能产生故障的机台。

「半导体机台故障预诊断软件」这项研究早在四年前就开始启动，透过搜集、分析机台数据来监控与评估设备及其零件的健康状态，及早预测机台需要维修的时间点，减少产线因机台突然故障而必须停顿的风险，原理看似简单易懂，关键就在于 AI 的应用。

工研院巨量信息科技中心经理林群惟一语道破关键核心：「半导体机台故障预诊断软件」是一套人工智能（AI）与机器学习的系统平台，分析机台所产生的制程数据，进行实时监看、预测并以可视化数据呈现， 让产线管理者可以掌握设备的健康状态。 」。

▲「半导体机台故障预诊断软件」是一套人工智能（AI）与机器学习的系统平台。 （图片来源：工研院）。

而「半导体机台故障预诊断软件」获得光电半导体产业青睐的关键技术，在于工研院研发团队掌握了精准数据搜集、参数萃取与分析。

关键 1，搜集对的数据，从中萃取关键参数

由于半导体产线的数据参数，多达 400、500 种，要从中找到真正影响机台健康的参数，是研发这套系统的第一道关卡，林群惟表示，我们为此整合光、机、电与信息软件等领域的研发团队，经过反复验证与测试， 顺利找出能反映机台设备健康的关键参数。

关键 2，建立整体式学习预测技术

找到能反映机台设备健康的关键参数后，接着要建立数据分析模型。 研究团队跳脱过往采用单一「英雄式」的分析算法，整合数十几套先进机器学习算法建立「整体式学习预测分析模型」，提高机台预测分析的准确度。 林群惟指出，机台预测分析准确度如果不够高，一直发出误警报反而会造成产线工程师的困扰，影响产线生产效率，目前很多智能制造预测分析技术都有此类问题。 而工研院所研发的整体式学习预测分析技术，准确率达到 95% 以上，减少误警报的状况发生。

关键 3，建立数据分析准则

提高「半导体机台故障预诊断软件」的准确度还不够，为将此系统导入更多制造领域的产线，工研院研究团队进一步建立一套数据分析准则，让此系统实际导入应用于其他产线时，可以直捣产线生产环节的核心问题，快速建立分析模型。

「半导体机台故障预诊断软件」藉由预知异常事件即将发生，让产业提早排除异常，减少突发事件造成的查修时间压力与风险，提高产线工程师的工作效率，让工程师专心投入创新研发，为公司创造更多的附加价值，不仅技转给国内多家光电半导体厂商，同时也入围 2017 全球百大科技研发奖。