在電子產業，制造行業的未來取決于開發和部署一系列技術平臺，從而實現智能制造與工業4.0的能力。智能制造技術將通過整合更多的數據采集與分析系統來提高效率、安全性和生產率，建立覆蓋從供應鏈到制造，最后到客戶體驗等所有方面的虛擬商業模式。隨著大數據分析和人工智能的廣泛使用，提高了收集大批量數據和后續分析的效率。

通過集成技術組合，把從供應商到客戶的完整產品生命周期轉變成虛擬的業務模式或信息物理模式開始變得可行。根據一些行業報告，在部署智能制造解決方案后，到2022年項目制造商將實現數百億美元的收益。為了促進關鍵智能制造構件（例如，自動化、機器學習或ML、數據通信、數字線程）的開發和商業化應用，有幾個國家建立了創新研究機構和大型研發項目。這些合作活動尋求開發出能夠改進可追溯和可視化的技術，實現對工藝預測和設備控制的實時分析，并針對多品種、小批量的產品組裝建立靈活的、模塊化的制造設備平臺。

電子產品制造業的垂直部門（半導體（SEMI）、外包系統組裝和測試（OSAT）、印刷電路板組裝（PCBA））正在融合，產品服務也在整合。之所以會這樣是因為技術開發和市場變化的速度加快，從而為特定垂直部門的行業成員提供了從電子行業的總利潤池中獲取更高比例利潤的機會。

SEMI、OSAT和PCBA部門的融合將改變整個供應鏈的物料流，并且引進跨部門的設備和工藝（例如，由PCBA部門提供后端的OSAT服務）。OSAT服務供應商使用通常只能在半導體后端制造中才能看到的設備和平臺，PCBA服務供應商安裝設備并開發類似于OSAT使用的工藝。

開發智能制造技術（即大數據分析、人工智能、云計算/邊緣計算、機器人、自動化、物聯網）的能力至關重要，這些技術既可以部署在垂直部門內部，也可以部署在垂直部門之間。此外，確保技術能夠無障礙地演進的能力，對建立穩定可靠的集成數字紐帶來說，也非常重要。

隨著電子產品制造供應鏈的不斷地演進和整合，傳統的材料流的改變，將推動采用無縫連接制造運營所有部分技術的需求。iNEMI智能制造TWG發布了路線圖，針對垂直部門和橫向部門的課題，提供針對現狀分析與關鍵要求的深刻見解。

在這個路線圖中，賦能智能制造技術作被看成跨越了電子行業制造部門橫向課題：安全、數據流架構和數字模塊（人工智能、機器學習和數字映射）。

電子制造業的三個部門：半導體、OSAT和PCBA，將面臨一些共同的挑戰：

對快速變化、復雜業務需求做出響應

管理越來越復雜的工廠

在利潤率不斷下降的情況下實現財務增長目標

滿足工廠和設備的可靠性、容量、生產能力和成本的要求

充分利用跨行業部門邊界的工廠集成技術

滿足前沿工廠的靈活性、可擴展性和可伸縮性的要求

提高針對環境問題的全球限制

這些挑戰提高對部署的要求，賦能智能制造解決方案，使它能夠跨垂直部門發揮作用。

賦能智能制造技術（橫向部門的課題）：現狀分析

通過跨電子行業制造部門的一些賦能智能制造技術（橫向課題）可以解決許多智能制造面臨的挑戰，包括：安全性、數據流和數字模塊。由于與不同垂直部門（SEMI、OSAT和PCBA）和垂直部門之間的交集相關，需要探討這些問題的關鍵需求。

智能制造TWG的成員提出下述屬性要求：安全性、數據流、數字模塊和數字映射。常見的跨垂直部門情況是開發和部署適當解決方案的能力，從而有能力低成本地大批量制造出產品。智能制造被認為是需要高度專注以確保建立適當技術基礎。構建強大、敏捷和可伸縮的基礎，最重要的是賦能智能制造的橫向課題。

安全性

我們從兩方面來討論安全性：物理安全和數字安全。為安全部署的工具與協議是越來越重要的課題，它橫跨許多行業，而且不僅局限于電子制造業。安全性意味著保護大量重要的資產和系統屬性，它們可能會隨著工藝（新的與強大的競爭優勢）和知識產權（IP）的內在價值而變化。

在某些例子中，安全性直接涉及工人、設備和制造工藝的安全。在其他情況下，它轉化為保護電子資產形式，例如設計文檔、材料清單、工藝、業務數據和其他資產。針對安全性的一些關鍵考量是訪問控制、數據控制、輸入驗證、工藝保密性和系統完整性。

總之，在當下的制造技術中，只有在開發流程結束時和特定的安全問題已經發生后，IT的安全問題才會被提出。但是，執行這種滯后的安全解決方案不僅代價不菲，而且常常無法為相關問題提供可靠的解決方案。結果是，有必要采用一種綜合的方法作為流程，包括執行安全威脅識別、風險分析和減輕安全挑戰的周期。

數據流

一般的工廠運作與制造技術（例如工藝、測試和檢查），以及支持硬件和支持軟件快速演進；傳輸和存儲數據量越來越大的用于分析（人工智能、機器學習和預測）的數據的能力。此外，大數據的出現和隨后的增長比最初預期的要快。這一趨勢將繼續突出現有的挑戰并帶來過去沒有考慮到的新差距（圖2）。

例如，數據保留做法必須迅速發展；已經確定了數據傳輸批量和數據存儲歸檔長度的限制將消失（也就是說保留“所有”歷史數據將成為標準做法）。考慮使用數據流密鑰的例子包括數據管道、設備與設備（M2M）之間的通信和同步/異步數據傳輸。

數據流和選項考慮（例如云計算、霧計算和邊緣計算）的靈活性、安全性和冗余的架構必須是明確的。必須識別和討論收益和風險。數據流和加快大數據技術發展的能力將使解決方案的部署能夠從數據產生、存儲和使用的增加中取得收益。這些能力能夠以實時和接近實時的速度傳送更大的數據量，將提高設備參數數據的可用性，從而對成品率和質量帶來積極作用。有一些挑戰和潛在的解決方案與數據產生、存儲和使用的增量有關，也與更高數據傳輸率的能力和額外的設備參數數據的可用性有關。

為了實現有效的在線制造方案，要解決的主要課題是數據質量和整合分析的專業知識。在電子制造業務出現的大數據要按照“5V框架”來討論：

批量

速度

多樣性（或數據合并）

真實性（或數據質量）

價值（或分析應用）

“5V”是了解電子行業廣泛采用的大數據分析的基礎。關鍵是解決已確定的差距，例如精確度、完整性、上下文信息豐富度、可用性與歸檔長度，提高數據質量以支持電子制造業的高級分析。

數字模塊

開發數字模塊（相互連接的數字技術）的進展為數字化、集成化和自動化提供了實現智能制造收益的機會。隨著我們進入數字連接智能基礎設備的開發和部署的時代，這些技術將使電子制造公司能夠保持相互關聯。有些技術被視為基礎性數字模塊技術（比如人工智能、機器學習、增強現實、虛擬現實和數字映射），他們在電子制造業中越來越受關注。

人工智能與機器學習

人工智能（AI）和機器學習（ML）工具與算法可以提高生產的成品率和質量。這些工具與算法將支持傳統工藝與制造平臺（工藝、設備和工具）的轉換。人工智能和機器學習的現狀分析，以及它們的影響因子，通?？紤]以下特性和操作規范：固定頻率通信、共性分析、材料和運輸歷史和可追溯性、預測成品率與性能的模型、預定義的圖像處理算法、安全網關、倉庫管理系統。

人工智能和機器學習提供幾種匯總數據的機會，目的是在標準工藝中生成可執行的洞見。這些包括但不限于下述內容：

預防性維護：收集機器歷史性能數據，開發出一套最佳機器的性能基準，在機器出現異常時識別出異常情況。

生產預測：根據隨時間變化的產量與客戶需求的趨勢變化，更精確地計劃生產周期。

質量控制：檢查應用可以利用許多機器學習的變體來微調理想的檢查標準。借助深度學習、卷積神經網絡與其他方法可以得到可靠的檢查結果，幾乎不需要人工干預。

通信：對電子制造行業的成員來說，采用開放的通信協議和標準非常重要。

數字映射技術

實時模擬的概念通常被稱為數字映射。預計全面推行數字映射技術將成為在舊的與新的設備類型中保持成本競爭力的要求。數字映射最開始是用來賦予工具和工藝平臺預測能力的，這些工具和工藝平臺在歷史上引起最大且最有影響力的瓶頸。數字映射的最終價值將取決于它通過采集數據和與“5 V”（真實性、多樣性、容量、速度和價值）有關的數據可用性的持續演進的能力。電子行業制造部門內部和部門之間的數字映射現狀分析突出以下數據考慮：歷史性數據、周期性數據和反應性數據。

數字映射概念本身適用于生產與產品生命周期的按需訪問、監控和端到端的可視化。通過模擬生產車間，工廠將能夠評估可得到的預測項目KPI（和需要做出哪些改變來實現這些目標），預測生產的產出，通過混合信息物理現狀（從物理世界到虛擬世界，再回到物理世界）得到的生產量，以及快速地把人員與設備部署到世界各地的制造車間。

賦能智能制造技術：關鍵屬性要求的安全性

安全仍然是電子制造業采用技術與工具的主要關注點，這些技術和工具依靠采集的數據來提高制造質量和成品率，并且以更低的成本和更高的性能提供不同的產品。SEMI成員發起一項調查，收集來自用戶、設備與系統供應商、安全專家與安全解決方案供應商更全面的輸入信息，目的是充分了解電子行業與其供應鏈的安全要求、面臨的挑戰和潛在的解決方案。這個課題涉及制造領域許多方面：設備、工具、設計、工藝準則、材料等。不斷要求大幅度提高工藝安全管理水平，最大限度減少有價值的專有技術知識產權流失；這個需求將引起大量的討論，例如數據分區、生產方法、設備和工具布局。安全性的幾個關鍵屬性要求是網絡市場細分、物理接入并逐步減少漏洞。

這些安全問題并不是微電子制造獨有的問題，而且其中的許多問題超出一般的制造范圍。安全性課題應參考整個制造領域面臨的挑戰和可能的解決方案。例如，IEC設立了信息安全與數據保密咨詢委員會。建議這個咨詢委員會和其他正在開發通用制造安全路線圖的標準和行業組織合作，描述具體的微電子制造問題并關注共同的需求。

數據流

開發可以靈活擴展的可伸縮架構；跨邊緣計算、霧計算和云計算的連接；集成各種可以產生數據流的設備和系統是非常重要的。例如，智能工廠架構可以適合在電子制造業中不同的垂直部門使用，也可以滿足非電子制造行業里的企業的要求。

就像前面所說的，尋求部署智能制造技術的不同行業應當充分利用可以提供預期屬性的架構；數據流架構被視為利用跨行業協作，確定最佳方案（即數據同步裝置、執行客戶端）最主要的選擇。

數據流技術的開發和部署正在加速。對數據分析和數據保留協議的關注度正在比最初預期的速度更快地增長。它必須收集關鍵數據，同時還要建立執行智能分析準則，并使用適當的算法決定數據驅動的決策。目前正在考慮幾個與數據有關的課題，例如以下的通用協議：

“全部”與“異?！睌祿Ａ魧嵺`

數據存儲容量的優化

分析數據格式準則來推動反應與預測技術

數據質量協議賦能時間同步、壓縮/解壓縮與混合/合并的改進

用來優化數據采集、傳輸、存儲和分析的準則

針對設備的數據考慮包括：

定義針對設備可視化的上下文數據組

改進數據的可訪問性，以支持多種功能

支持從反應功能到預測功能的數據轉變

設備信息的數據可視性（狀態、健康等）

數字模塊

部署必要的數字模塊來實現智能制造的能力處于成熟度的不同階段。

人工智能與機器學習

人工智能和機器學習需要的幾個關鍵屬性是數據通信標準、數據格式化標準和第三方物流（3PL）跟蹤解決方案。我們把像人工智能和機器學習這類技術視為向預測運行模式轉變的賦能者：預測維護、設備健康監測、故障預測、預測調度和成品率預測與反饋。這個范式在人工智能增強控制系統構架中將使系統能夠通過攝取和分析大數據集從它們的環境里“學習”。開發先進的學習技術，改進自適應模型控制系統和預測控制系統。人工智能和機器學習技術的持續開發和評估是建立支持新興的生產設備所需要的最耐用和優化好的預測引擎。

數字映射技術

數字映射技術的進步正在加速，同時其潛在的好處也傳遞給最終用戶。此外，賦能技術（硬件與軟件平臺）的成本正在下降。我們認為以下是提高數字映射（產品設計、產品制造和產品性能）被采納和大規模部署的關鍵屬性需求：數字紐帶、預測能力、規范性和全系統的連續數據訪問。

數字映射是一個長期愿景，它將依賴離散預測能力（設備、工具和算法）的支持，這些能力后續將集成在一個通用預測平臺上。一般認為，數字映射將提供設備運作的實時模擬，作為設備操作系統的擴展。

在工廠環境中成功部署數字映射需要高質量的數據（例如精確性、速度、動態更新）來確保數字映射精確表示工廠的實時狀態。此外，這一遠景的實現取決于設計出一種架構的能力，該架構能夠提供通過共享數據和能力來進行協同操作的關鍵技術。最終，數字映射的成功要取決于能否開發出在推行數字映射時能夠提供冗余和多種風險評估關口路徑。

優先處理的研究、開發與執行要求

在電子行業主導的計劃中，經常會提到合作的主題，它是實現智能制造的優勢的關鍵。電子制造行業的成員強烈要求參與促進合作的活動。這些活動的參與者認識到，解決方案必須基于共識，而且被許多供應商所采納。設備供應商意識到，與數據分析相結合的深度知識只是可能獲得的潛在價值中的一小部分。只有在整個行業的工廠的制造生產線、垂直部門行業的供應鏈成員、還有整個垂直部門共享數據時才能獲得最大價值。

按優先級排列的研究、開發和實行要求的主題示例如下：

為所有設備和工具定義數據流標準接口與數據格式；

調查分析在垂直部門之間數據流的連續性是強制的還是可選的；

在用來決定工藝是接著往下走還是不往下走時，根據工藝流與數據流延遲的關系來確定最佳操作窗口并量化允許的數據流延遲；

在垂直部門之間共享通用的工藝工具與隔離工藝設備時，調查數據的安全性與加密要求；

為設備開發開放的與通用的跨垂直部門的通信標準與協議。

差距和最佳表現

人們普遍認為，數字化將推動數據量巨大增長。許多人預測，云計算和混合云計算解決方案對于通過人工智能算法充分發揮存儲和隨后的數據操作，從而獲得價值至關重要。但是，行業成員必須在連接協議與數據結構方面采用一致同意的標準與準則（圖3）。智能制造是個旅程，需要建立一套耐用穩定的可伸縮連接架構，在這個架構上部署數字模塊（例如人工智能，機器學習，從數據中提取最佳價值）。

可能會對智能制造的部署和采納度產生重大影響的關鍵差距包括：

未定義垂直部門間的數據安全性；

數據流的機器接口標準化不夠；

未定義數據流的數據格式；

違反安全性規定的數據漏洞；

穩定和可擴展的跨電子垂直部門的連接架構，以實現智能制造功能（事件與報警通知、數據可變采集、菜單管理、遠程控制、設置調整、面向操作人員的接口等）。

總結

iNEMI智能制造路線圖章節提供針對垂直部門內部和垂直部門之間的橫向主題的現狀分析與關鍵屬性要求。此外，該章節確定了橫向主題的主要差距和要求，這正是實現智能制造必須解決的問題。

定義：智能制造、智能工廠、工業4.0、人工智能、機器學習等

審核智能制造準備就緒：開發基于共識的文檔，利用已發布的文檔（例如新加坡準備度指數）

安全性：最佳實踐、物理、數字、本地與遠程訪問等

設備多樣性與數據流通信：舊的、新的與混合的

數據屬性分類與優先級：數量、速度、多樣性、真實性和價值

成本、風險預測、投資回報之間的關系

人才庫（主題技術專家）：數據與計算機科學家、制造工程師和自動化工程師

標準與準則：數據格式與結構、通信協議與數據保留

開放式協作：SEMATECH 2.0

為了定位確定差距和要求，需要不同垂直部門更多詳細狀態來構建適合的計劃。有人建議采用循環調查來收集信息，來解決這個問題。建議采用有一種調查格式作為范本：IRDS FI路線圖的制造數據安全性調查。

iNEMI與其他組織，例如SEMI，可以組織研討會來促進電子制造業的利益相關者之間的合作。此外，iNEMI還可以建立跨行業的合作項目，開發可以支持智能制造的技術，解決路線圖確定的要求和差距。

此外，像iNEMI和SEMI這類組織，可以合作建立準則和標準（例如，數據流接口和數據格式），并領導各個團隊開發設備和工具硬件的標準，降低在制造過程中的復雜性。不僅如此，iNEMI還可以與其他行業團體合作組，促進來自不同智能制造計劃的最佳實踐和關鍵知識進行交換。路線圖TWG的成員致力于在智能制造進程中提供指導：人員、工藝和技術。TWG的成員還建議參與微電子小組和非微電子的小組，評估利用現有的智能制造準則和標準的機會。
責任編輯：tzh