在聊到工业4.0、智慧工厂、智能制造、IIoT的时候，除了研讨会、论坛以及文字资料，实际真正重要的是“落地”，唯有落地才能真正解决生产问题。我们在听到很多有关工业4.0的美好规划时，又有多少内容是已经能够真正实现，应用到生产一线的？

BISTel 中国区销售总监Stanley Shi在接受我们的采访时，举了一个具体的例子：在半导体制造CVD（化学气象沉积）流程中，根据HMP（Health Monitoring & Prediction）的追踪数据，发现某晶圆厂在生产的4月18日出现异常高的报警数，很多晶圆受到了影响。“TDS”设备某节气阀确定发生位置偏移。

而实际上，这个问题是有办法通过智能应用事先预知，或提前获取到异常信息的。BISTel HMP智能应用实际早在4月16日就侦测到了节气阀位置首次发生潜在漂移，这就给出了两天的提前量。

实际在监测的其他参数方面，更早就有征兆显现：前序压力由于节气阀的位置偏移，4月8日就发现了“第一个不规则现象”，漂移趋势当时就开始上行。

这个例子，即是HMP通过生产设备的监测，来提前发现参数偏移趋势，做到更早预知生产问题。对工厂而言，这种具体的应用是为了减少非计划性停机、提升资产利用率，并且降低维护成本，降低设备的downtime。类似HMP的这种已经落地的应用，简单说来就是对工厂内的设备设施，进行实时的监控、监测，并且进行预测性的分析；在工厂设备看板上，给出预警，算出资产设备寿命。这对生产的价值是不言自明的。

智能制造究竟长什么样？
工业4.0用比较抽象的话来概括，就是生产环节的“数字化”，改变工厂的运营方式，提高生产效率。通过“自动化”和“人工智能”实时地解决生产问题。实现这个目标的重要一环就是IIoT（Industrial Internet of Things），也就是工业生产设备都能够接入网络中，并且产生大量的数据。

Stanley说：“有了这样的新技术，就产生了海量的数据。人们才真正开始意识到数据是存在价值的。”在前不久Aspencore主办的“智”动化与工业4.0论坛苏州场的活动现场，Oracle就提到了智慧工厂的“数据范围”正在发生扩张，“现在的数据范围已经从传统的关节型数据，扩大到了设备端的万物互联，延伸到整个物联网，也就是大数据”。

所以将数据交给谁，还要在正确的时间和位置给出这些数据，最终让数据指导生产。都是实现智能制造的核心所在。实际上，云、大数据以及AI，都为解决这个问题而存在。尤其AI是用于海量数据分析的大趋势，将基于AI的实时监控与数据分析工具，连接到IIoT设备和平台。BISTel尝试解决的，主体上就是这个阶段的问题。

BISTel首席执行官W.K. Choi先前曾将工业4.0分成三部分，或者说三个阶段。前两者关乎IoT设备和工程系统（engineering system），这两者会与智能做融合，达到监测、分析、预测生产挑战的目的。而第三阶段，则是将智能融入到企业中去，构建完整互联的智能工厂生态系统，其中的IoT设备设施、工程与企业级系统都完整互联，实现大数据流、知识库的跨生态系统共享、管理和优化。

第三阶段可以认为是智能制造未来方向的某种共识。不过这么说似乎还是有些虚，在理论层面说得更具体些：如Stanley所说，目前智能制造着力的还在前两个阶段，以BISTel的维度来划分，即智能应用和智能系统。这里的智能应用，也就是应对不同制造场景、部署在工厂中的具体应用，例如前文提到的HMP健康监测与预测维护，再比如应用了AI的DFD动态故障检测、CM新型腔室匹配等。

而智能系统则强调将所有的应用串联起来，构成检测、分析、预测的闭环结构，在闭环形成过程中，借由BISTel本身在智能制造方面的数据经验积累，外加工厂本身产生的数据，去强化闭环的每个环节，并最终做到“自适应”，应用和系统能够“自主地发现、分析和解决问题”。

“所有的应用会共用一个知识库（knowledge base）。这个知识库里面会有所有的知识点、解决方案。当数据越来越多的时候，我们会去通过对接数据进行学习，然后自动去更新、优化。这就是我们所谓的AI自动建模，通过智能的积极学习去自动更新。”

其中这种“自适应”能力强调的是无需或较少人工干预的“自主控制&治愈”“IT与OT深度自动化整合”，自主地完成发现问题-学习问题-采取行动的过程，这属于前述第二阶段智能系统的进一步强化。实现这一步的关键，在BISTel看来自然就在人工智能了。而完整实现这个程度的自适应，还需要时间，也是BISTel乃至更多智能制造解决方案的方向。

根因分析、预测
除了智能应用和智能制造，“第三阶段就是我们后续的蓝图了。将我们的生态系统和工厂内部，所有的其他设备，其他的智能系统连接起来，通过设备乃至系统彼此间的沟通，真正实现自主解决问题。”Stanley说。在我们的理解中，也就是在整个工厂构成更大范围的不同系统、组织间的互通和智能。

Oracle实则也有着类似的蓝图。除了前文提到的“数据范围”的扩展，Oracle资深解决方案架构师Vicky Qiu在“智”动化与工业4.0论坛上还提到“企业现在都是互联的企业，不是孤立的，需要上下游生产商共同合作”。这个理念实际强调的，还将“互联”和“智能”的范围做了进一步的外延。

不过这些可能离我们还略显遥远。现阶段正在落实的，如HMP这样的应用讲究的是获取工厂和设备的追踪数据（tracedata），进行数据分析，并实现“根因分析”与“预测性分析”，实现决策支持。比如说工厂生产了“好的”晶圆，和良率不过关的晶圆，部署数十万传感器，针对数百道工艺步骤做数据追踪，借由AI针对这些数据做“追踪数据”分析，获得分级排序的根因结果，以及进行预测——对设备或生产做预测性维护、基于大数据分析即时优化工作参数、借由模型实现系统和供应商的优化等。

这么说还是太过抽象，Stanley在分享中举了几个例子。首先说一说这里的“根因分析”。

通常在发现晶圆生产不良率高的问题以后，工程师们通常要花很长时间去找问题的根源。如果能够对工厂中的不良品进行归类，追踪这些不良品的所有参数、数据，经过系统分析后得出影响不良品的参数，再按照关联度大小对这些参数进行排序，在短期内找出问题根源，工厂的效率就会提升很多。

在图示的这一例遭遇的晶圆edge patch问题中，出现了6个最优关联度的参数（左下位置）。第一和第二个参数关联性最强，第一个参数是在Etch（蚀刻）这个流程的最后一步，电流发生显著激增；第二个参数，则是氦气值的明显降低。此处，etch流程的最后一步实际上也就是氦气分离，电流激增很可能是分离过程中，托盘与晶圆的边缘接触，产生了小范围的火花，所以这里托盘可能放置不平衡，托盘某些氦气口堵塞造成氦气值降低。这就是追踪数据在半导体制造中一个很好的例子。

BISTel中国区销售总监汪锋补充说：“一般制造行业发生不同的fault时，数据表现都是不一样的，像制造中unbalance轴承的数据曲线会是某一种表现方式，mis-alignment的时候数据又是另外一种表现。通过历史数据的不同表现方式，跟实际的fault，结合起来进行实时分析，系统就能初步判断这可能是什么样的问题。”

除了这种根因分析，借由追踪数据还能实现预测，包括预测维护、工作参数优化、系统/供应链动态优化。比如HMP实现的就是“预测维护（predictive maintenance）”。预测维护的价值在于提高维护效率，减少成本。

汪锋打了个比方：“比如你有一辆车，通常每5000英里需要保养一次，这是基于时间的维护（time-based maintenance），而预测维护则是condition-based，比如我可能会把发动机的转速或者温度数据等等，都结合起来，预测我下一次可能会出现什么问题。这种分析是实时的，可能会告诉你说现在汽车运转良好，一个月以后需要进行一次维护。”

Stanley表示：“固定一个时间，每隔一段时间做维护，可能会造成几个问题，第一是过度维护（over-maintenance），第二是可能我们想到要做维护的时候，问题就可能已经发生了。所以我们需要数据驱动的预测分析（data-driven preditive analysis），实时对关键参数做监测和分析，做到更准确的维护。”

文首提到的案例就是典型的“预测性分析”，这里还是来看两个具体的例子。首先是RUL分析（Remaing Usage Life，剩余使用寿命），上图左侧是生产设备各种参数的实时监控，包括了压力、温度、振动等。根据所有的参数，分析漂移趋势，通过算法就能够了解到当前机器的健康值，并且预测设备寿命。

除了设备健康分析，这类应用实则针对产品也是有分析预测价值的。根据这批晶圆的历史追踪数据，比如质量数据，实时分析在生产过程中每片晶圆所有流程的追踪数据。上图是一个质量看板，浅绿色表示正常且后续健康状况良好；深绿色表示现在是好的，但后续会有风险；黄色表示现在有风险，但短期内不会加剧…依此类推；甚至进行实时的质量分析，给产品健康状况预测打分。这些都是BISTel HMP的典型应用。