预测丢弃可持续产业5.0

上头计算机芯片缺点提示Geert范科伦堡博士和他在荷兰Eindhoven技术大学的同事寻找数据驱动法优化芯片制造过程madeIn4项目的一部分,开发预测丢弃框架,其中人工智能算法质量预测用于决定是否丢弃未完成产品这种方法可提高制造流程的盈利性和可持续性。与产业5.0目标一致,预测式丢弃为人类和AI协同实现提供一种方式sustainable manufacturing.

数字社会依赖计算机芯片,但这些芯片目前短缺这是因为各种全球事件交织在一起,在可预见的未来,缺粮问题将继续存在。芯片供应满足需求 芯片制造过程必须用新方式优化

预测式丢弃

几乎所有制造过程都使用传感器生成大量不完全产品和生产过程条件相关数据人工智能和机器学习方法可支持数据驱动大容量制造Geert van Kollengburg博士和他在荷兰Eindhoven理工大学的同事开发出“预测式丢弃法”。

预测式丢弃综合工业统计和指令解析方法,可在整个制造过程持续使用,预测产品是否符合所需质量标准如果模型表示无法满足质量标准,未完成产品不完成制造过程即可丢弃这会大大减少资源浪费,如能源、时间和原材料,否则将用来填充故障产品。并同时增加工厂吞吐量,有助于减少环境足迹

计算机芯片短缺

计算机芯片批量制作半导体材料薄片需要三个月完成成百上千步组成进程瓦法检测出多故障芯片 瓦法上所有芯片都丢弃制造厂商正在寻找新方式优化芯片制造过程生产流程中包括控制生产规划和监测质量系统并实时收集资料这使得预测丢弃极适合计算机芯片制作工业优化Van Kollengburg及其合作者在论文中解释,预测式丢弃除除减少生产一定量高质量芯片所需时间外,如何有助于全面减少afer制造生成的碳足迹

偏差和终端产品质量

微博内每一层精确对齐在整个制造过程都至关重要并密切监视研究队训练分类模型使用从单片层收集的偏差测量数据预测电测试结果发现偏差和终端产品质量之间的关系前所未见,可指导判断是继续制造或丢弃并展示预测式丢弃如何利用这些关系减少资源耗用,否则资源耗用将白费补全故障瓦

越快故障产品从制造流程中回收和丢弃,资源节约越大

预测不完全

预测并不总是完美无缺的,因此即使在使用预测式丢弃时,也有可能出现假阳性,一些高质量产品会丢弃类似地,假负值可能发生,一些劣质产品持续到生产过程结束这两种情况都浪费资源这使研究者调查预测式丢弃何时对制造商有利,并查明成功采行条件需要哪些条件

越快故障产品从制造流程中回收和丢弃,资源节约越大经济学上,已使用资源成本指unk成本这些问题不应影响决策过程。完成产品所需资源成本被称为“可避免成本”,如果正确决策可省下成本

预测式丢弃何时有利

研究者综合使用可避免成本、正确和不正确决策数和利润率计算预测丢弃的好处进行了两次敏感度分析,以确定预测丢弃从中得益的条件。首项审查正确丢弃物比例(回召)和假丢弃物比例(假正率)之间的关系第二项分析研究假正值和利润幅度之间的关系这表明,即使回想所有产品中的50%,预测式丢弃可减少总资源耗量9%,如果丢弃决策在制造过程早期作出。

实用应用

团队展示使用SECOM公开数据集预测丢弃的好处数据集由591流程变量组成,在生产1 567条长片时全程捕捉,104条长片(约7%)失效最终质量测试

SECOM数据集模拟研究通常,召回10%分类模型被认为不足研究者发现,正确识别有故障产品,如果成本高可避免,可产生重大效益。使用MonteCarlo程序验证结果,该程序复制经验分析100次,每次重复使用不同的培训/测试数据集拆分,以确保结果不仅仅是偶然发现

提高可持续性

研究团队显示,数据分析与资源认知合并通过预测丢弃可减少制作计算机芯片所需的资源总量,包括时间制造流程中许多关键故障已为制造商和流程与质量控制负责人所知使用AI质量预测可帮助决策过程丢弃故障未完成产品,研究表明,即使AI发现流程测量与终端产品质量关系弱化,如果决策过程提前完成,制造流程的总体可持续性会提高实施预测丢弃可提高芯片可用性,便于资源使用,因为用较少资源填全故障芯片

制造商投资资源智能数据驱动方法可提高生产流程的盈利性和可持续性。

向行业过渡5.0

人工智能补充人对制造过程的贡献是进化工业5.0的一个基本步骤研究表明,将资源耗入数据驱动技术可优化决策过程研究人员认为,制造商对资源智能数据驱动方法的投资可提高生产流程的盈利性和可持续性。

Van Kollengburg及其协作者表示预测式丢弃是制造控制资产实施预测丢弃只需要有限资源,可用标准流程测量中已经提供的数据探索其效益预测性丢弃可能因此成为行业5.0的标准实践 AI和人共事实现可持续生产