除了在岁修状态外，半导体产线机台一般都是 24 小时不停运作，如何维持机台正常运作和产线顺畅，影响半导体大厂绩效的关键，除了台面上的先进制程，更要确保机台不故障不出错，甚至能在发生非预期停机前故障前，就早一步掌握机台健康资讯。
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％ 的资讯长认为，设备维护以及总体资产分析最佳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资料分析团队，希望透过巨量资料分析，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、分析机台资料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。
工研院巨量资讯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资料，进行即时监看、预测并以视觉化资料呈现，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资料搜集、参数萃取与分析。
关键 1，搜集对的资料，从中萃取关键参数
由于半导体产线的资料参数，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、电与资讯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，接着要建立资料分析模型。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，目前很多智慧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，建立资料分析准则
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资料分析准则，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”借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，同时也荣获 2017 全球百大科技研发奖。
文章授权来源：半导体机台故障预诊断技术
