您好,欢迎踏入金洛鑫电子有限公司

金洛鑫公众号 金洛鑫公众号 | 关于金洛鑫| 添加收藏| 网站地图| 会员登录| 会员注册

热门关键词 : 声表面滤波器陶瓷谐振器热敏晶体热敏晶振嘉硕晶振大河晶振亚陶晶振加高晶振TCXO晶振雾化片

当前位置首页 » 新闻动态 » 从中国制造到中国智造晶振扮演了什么角色?

从中国制造到中国智造晶振扮演了什么角色?

返回列表 来源:金洛鑫 浏览:- 发布日期:2019-08-14 10:45:18【
分享到:

从改革开放到现在已经有40年了,中国的工业和技术也经历了多次浮沉,从模仿山寨,到自主制造再到现在的中国智造,每个阶段的成就都来之不易.虽然整体还算不上完全的世界一流,但已名列前茅,多项创新和技术问鼎世界第一,不得不说的是,石英晶振在其中有着重要的作用.尤其在工业方面,小到工业产品,大到工业设备仪器,几乎都要用到各种各样的晶体或振荡器.中国智造已扬名海外,我国科研人员研发的超级计算机,多次比赛中位居NO.1,也是全球的汽车进出口大国,基础建设方面更是令国外惊叹,被誉为基建狂魔”,目前也正在努力实现工业4.0计划.

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(IndustrialInternetofThings),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.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.

工业4.0可以分成三部分,或者说三个阶段.前两者关乎IoT设备和工程系统(engineeringsystem),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.

从中国制造到中国智造晶振扮演了什么角色?

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:目前智能制造着力的还在前两个阶段,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AIDFD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.

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.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.实则也有着类似的蓝图.除了前文提到的数据范围的扩展,资深解决方案架构师VickyQiu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,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.比如说工厂生产了晶振,和良率不过关的石英晶体,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,首先说一说这里的根因分析.

通常在发现晶振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贴片晶振问题中,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,托盘与晶振的边缘接触,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.

一般制造行业发生不同的fault,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(predictivemaintenance).预测维护的价值在于提高维护效率,减少成本.

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-basedmaintenance),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.

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-drivenpreditiveanalysis),实时对关键参数做监测和分析,做到更准确的维护.

从中国制造到中国智造晶振扮演了什么角色?

本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.根据这批晶振的历史追踪数据,比如质量数据,实时分析在生产过程中每片耐高温晶振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.

HMP解决方案的几个功能特性能够总结上面这些提到的智能制造的特性,包括工厂范围内的实时监控,错误检测,错误分类(Fault Classification,这个环节包含了设备问题的分析,减少排插、修复时间),以及最终的预测分析.减少非计划停机,提升设备的资产利用率,维护成本降低,自然也就增加了产量.

与此同时,通过AI来持续改善解决方案的质量.数据很重要,因为我们需要具备know-how的能力,就是在发生问题时参数数据是什么样的.后续就能通过不断的学习去改善AI模型.目前我们的发展蓝图,是集中在人工智能的自我学习、自我完善方面.智能应用本身已经做得很完善了,下一步就是怎么让它去实现自主性,自主学习、自主扩大知识库、自主找出解决方案.

协力中国制造

HMP的基础设施部署方面,解决方案的数据库基础设施主体可以是在工厂本地,也可以是在云端.当前的案例主要是基于微软Azure.但未来我们也会跟其他的云合作,比如在中国的腾讯、阿里巴巴,我们未来可能都会合作.

从中国制造到中国智造晶振扮演了什么角色?

实际上,HMP只是BISTel诸多智能应用中的其中一例,实则在监测、分析、预测三个环节都有不同的应用.比如前面提到应用于监测环节的DFD,应用于分析环节的CM,HMPBISTel的智能系统中位处预测环节.这些应用的核心都在助力智能制造.

一直以来,许多人都认为主要竞争对手实际是企业内部的自己解决方案.但与此同时,也会与压电石英晶体企业一起,定制化打造共有的定制化解决方案.比如在应对中国制造2025计划时.中国制造2025计划,中国期望开发自己的AI技术,并且成为智能制造的No.1.许多中国企业都有自己的需求,想要建立自己的解决方案.所以我们会合作,根据客户需求,在我们产品的基础上,去实现一些产品的共有.

AI人工智能已经是未来发展的大热趋势,不仅只是体现在语音,视频,视觉效果方面,在医疗,工业,军事,商业等领域都有很大的应用空间,少不了电子元器件的辅助,如今诸如石英晶振,芯片,传感器这些主要的组件,较之以往,也有了明显的提升和变化,无论是尺寸,性能和功能方面,都更上一层楼.工艺复杂技术要求高的石英晶体振荡器,尺寸也已经做到了1.6*1.2mm,大大缩减了空间,节省成本.

推荐阅读

    【本文标签】:AI人工智能晶振 工业设备晶体 智能系统石英晶振
    【责任编辑】:金洛鑫版权所有:http://www.quartzcrystal.cn转载请注明出处