【智慧製造新方向】工廠想導入 AI 虛擬量測提升產品良率，
在實踐前應注意什麼要點？

AI 分析應用如何協助製造業達成智慧製造目標？

已協助全球超過 2 千家製造業導入 AI 分析應用的 SAS，其台灣業務顧問部副總經理陳新銓指出，在智慧製造強調降低成本、提升良率與生產力的目標下，AI 於其中的應用發展出以下四種類型。

第一種是根因分析，透過 AI 模型找出可能影響製程良率的因子。如某精密機械業者以 MES 資料為基礎建立 AI 模型，由系統自動找出究竟是第幾道工序、哪一個機台出了問題，改變過往只能由工程師憑經驗法則尋找異常機台的做法，便有效縮減了 30% 異常機台運作時間。

第二種為異常偵測，即是跳脫 SPC（統計製程管制）的匯總式數據，而是使用製程相關的感測器原始數據，以時間序列建置 AI 異常監控模型，主動讓系統預先警示製造過程中的潛在異常狀況。

第三種為機台預測性保養，透過 AI 建模來預測機台何時需要保養並提前規劃，以確保產線正常運作。例如，某組裝業者便是運用感測器蒐集機台內馬達的溫度、震動頻率等資料，預測馬達需要進行更換的時間，成功降低 20% 停機頻率，同時提高 5% 製程能力。

第四種為虛擬量測：製程完成後，進量測站前，透過製程資訊建置AI模型，推估產品的品質特性。減少產品量測的抽樣週期，甚至可做到即時且自動地評估與篩選製程，以及達到線上全部檢測的效果，避免重大損失。

精準智造新寵：「虛擬量測」如何助攻生產零缺陷？

「製造業在轉型智慧工廠的過程中，應視自身所遇到最大營運成本或效率問題，排序要導入的 AI 應用類型，」陳新銓進一步說明，前一波談及智慧製造，多數業者多聚焦在提高生產力以及自動化設備導入的佈局，近期產業界則掀起了邁入「工業 4.1」的討論，國內學者倡導應該著力提高產品良率、實現產品零缺陷，才可提升成本效益與競爭力的終極目標。

事實上，虛擬量測應用起源於半導體業，也就是在生產前，先利用生產機台參數和感測器資料建置 AI 模型，做到即時性地預測其所生產產品的品質，出貨前再以抽檢方式比對系統數據，取代過往產品生產完後再進行抽檢的做法。

由於虛擬量測可以做到線上且即時的產品全檢，故能及早剔除瑕疵品，並且以此回饋讓AI學習，優化修正站點的參數設定，讓生產更接近零缺陷，也降低報廢成本，做到更具成本效益的精準「智」造。

以 SAS 曾服務的某晶圓廠為例，原本該廠使用人工抽測的方式量測單片晶圓的厚度。在導入 AI 虛擬量測後，由系統根據製程資訊預測出每一片晶圓的厚度，不只讓每千件抽檢量下降 50%，更因為縮減生產週期（Cycle time），讓製程能力提升 8%。

陳新銓進一步補充，虛擬量測最初使用統計學的概念與方式，只能由前面幾批產品資訊去預測下一批產品的品質狀況，而 AI 因為具備大量運算能力，可以由過去某一個區段或時間內的資料進行學習與建模，故能更自動化更精準地預測出品質有問題的產品，在應用領域也跨出半導體產業，包括 PCB、面板、精密機械等高科技製造業，都陸續導入虛擬量測提升品質。

想利用 AI 虛擬量測提升品質，首先注意三大評估重點

不過，要利用 AI 虛擬量測提升品質，前提是要有一個好的 AI 解決方案，對此，陳新銓建議製造業者在評估時，應注意以下三大重點。

第一、  是否為 Low Code 甚至 No code 的工具。

由於 AI 虛擬量測的使用者多為產線工程師，他們清楚產線上的各個流程與問題，卻不熟悉撰寫程式。因此，AI 解決方案必須操作簡單，最好不必寫程式就能完成建模作業，讓產線工程師能夠輕鬆上手，才能將 AI 虛擬量測應用快速複製到不同的生產區段，全面提高產品良率。

第二、  是否具備模型生命週期管理功能。

AI 模型建置後，隨著時間或其他因素影響，模型效能也會跟著改變，因此 AI 解決方案最好具備模型生命週期管理的能力，從 AI 模型的儲存、效能監控到部署，都能自動化完成，才能確保 AI 模型的效度。

第三、  得有產業領域專家加入核心建置團隊。

陳新銓指出，AI 虛擬量測應用並非一蹴可及，對製程各機台的功用與穩定度、還有其產出資料的品質及內容等，都會影響 AI 虛擬量測應用的導入成效。即便在同公司，不同產線或製程也存在差異，某製程的關鍵參數在另一製程不見得重要。

因此，團隊內需具有該生產領域的專家，隨時檢視 AI 模型開發過程中所遇到的瓶頸和需求，進而快速提供相應的建議，才可少走冤枉路、加速完成導入專案。

♦ 延伸閱讀：台灣製造業再戰 10 年新標配：AIoT 如何助力工廠從自動化邁向智慧化

迎向智慧製造，機台如何聯網、資料如何蒐集等底層問題仍是必經的基礎工，如今隨著 AI 解決方案愈來愈智慧化，包含自動化機器學習 AutoML 的技術挹注，產線專家皆可更輕易地入門得到資料科學的技能。

♦ 延伸閱讀：資料科學家還在自己做資料清理與特徵工程？怎麼不讓 AutoML 來幫你！

但唯有實際啟動各項概念驗證專案，並導入可端到端從資料分析、AI 建模到模型監控確保良率維持在高原期的 AI 平台，才可活絡運用從現場端蒐集到的數據，加速落地智慧製造的願景。