應用場景
製程優化、虛擬量測、維修預測
現況
面板是台灣重要產業之一，在全球供應鏈中佔有一席之地。然而，近年來，面板市場供需不平衡導致產能過剩且價格下跌，以及亞洲地區的低成本競爭對手，使得面板產業難以維持利潤。
挑戰
為因應這些挑戰，面板產業應提升其技術，創造與成熟製程的差異，包括下世代產品的開發與生產技術的精進，針對利基市場做差異化佈局。利用機器學習技術，可以實現面板製程的智能監控和設備故障預測，從而提高設備效率、降低維護成本，進一步提升生產良率。
關鍵製程品質特性預測
蝕刻等諸多關鍵製程顯著的影響製程良率與製造成本，建立關鍵製程參數掌握能力是提升職成能力的重要手段。
痛點分析
- 蝕刻工藝複雜：蝕刻劑的種類、濃度、溫度、壓力以及晶圓的材料等特性皆會影響到線寬的變化
- 缺乏即時反饋：檢測影響線寬變化的因子需要時間，因此製程中的變異可能會被忽視或是延遲反應，導致品質產生問題
- 依賴專業技術人員：依賴專業技術人員對製程進行監測和分析，需要大量時間和人力成本
成果效益
- 提高線寬結果的預測準確性，節省 30-50% 製程變異檢測時間
- 即時調整製程參數，降低產線上的廢品率，提升產品品質 15%
虛擬量測應用
部分檢測項目因檢測成本與時間，使用抽檢。
若透過 AI 進行虛擬量測，可大幅降低因品質異常批次造成的下游衍生品質損失成本。
痛點分析
- 人工抽檢成本高：過往透過投入大量人力進行抽測，人力成本和時間成本高
- 測量限制：某些製程或產品可能難以進行實際測量。例如：若產品檢驗為破壞性檢驗，則每次檢驗都會損壞產品
- 延誤反應時間：實際測量可能需要等待數小時或甚至更長時間才能獲得結果，導致反應時間延遲
成果效益
- 大幅減少實際測量的需求，提高生產效率 25%
- 提高產品設計和製程優化的速度和效率，降低開發成本 16%
- 降低製品缺陷率，提升產品品質 8%
設備預測性保養
面板產業需使用諸多物流與搬運設備，透過預測性保養提升設備稼動率，減少保養成本，進而優化整體製造成本。
痛點分析
- 設備無預警故障成本：除造成稼動率損失的成本外，異常的機況恐造成品質損失，甚者造成交期延宕
- 週期性保養成本：傳統週期性保養有諸多限制，在蒐集機台實際狀態資料，除可節省過度保養成本，亦可確保維修保養的有效性
成果效益
- 能快速有效地建模，減少 80% 分析時間
- 提高產品設計和製程優化的速度和效率，提升換線調參速度 20%
- 降低製品缺陷率，提升產品品質 6%