文、圖／科勝科技提供
半導體製程持續往2奈米以下推進，3D IC與先進封裝拉高對製造環境穩定度的要求，電力、超純水、真空與無塵室潔淨度任一關鍵參數異常或波動不穩都可能導致晶圓報廢。要解決此問題，必須讓廠務管理系統從以往的被動監控與事後維護，轉向資料整合與主動預測異常狀態。近年科勝科技就結合AVEVA工業數據平台與在地系統整合能力，協助半導體業者建立可供AI使用的廠務資料基礎。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
廠務走進良率核心 從監控轉向主動預測最佳化
科勝科技總經理鄭孟宗指出，過去廠務多採定期保養，但固定週期難以防範突發故障；以 Sub-Fab 的乾式真空泵為例，在製程中若管路阻塞、無法抽出反應氣體，一旦跳機將導致整批晶圓報廢。這類故障發生前，電流、溫度或壓力早有些微偏移的跡象，若能提前辨識，便能在跳機前完成預防處置。
AVEVA亞太區半導體產業暨工業數據與分析全球業務負責人Rajesh Nair提到，進入次奈米與3D IC世代後，晶圓廠已如同一座高度同步的「巨型工具」。超純水、氣體流量與電力品質的細微變化，都可能影響高價值晶圓，廠務基礎設施因此成為維持製程穩定的重要一環。
AVEVA台灣銷售總監黃瑞珩則補充，客戶愈來愈希望以廠務監控系統（Facility Monitoring and Control System，FMCS）為整合節點，把生產機台、廠務設備與即時資料放進同一個營運視角，讓工程人員可更快辨識異常、縮短處置時間。
廠務AI要能落地 資料標準化與既有OT整合先行
要讓廠務管理由監控走向預測，資料品質是第一道門檻。鄭孟宗表示，半導體廠內的監控點位可能動輒百萬以上，常見的管理問題包括命名規則不一致、資料缺乏設備關聯，以及高頻資料持續寫入後，傳統資料庫難以負荷。當資料缺乏關連與情境化，工程人員無法快速判讀，後續分析與異常判讀也會受到限制。
資料收集方式也需要重新檢視。鄭孟宗指出，現場常有「收得愈多愈好」的想法，但大量重複數值只會增加資料庫負擔。科勝透過Swinging Door等壓縮方式，可僅在數值出現趨勢變化時記錄，在維持精度的同時剔除逾半無用數據。這類資料整理工作完成後，才有條件將資料交給後續分析與AI應用。
Rajesh提醒，工業AI能否規模化，與資料是否具備一致性與情境高度相關。透過AVEVA PI System可將感測數值與設備、製程及操作資訊建立關聯。當系統能確認哪台設備的參數變化可能牽動哪段製程，原始資料才具備更高的分析價值。Rajesh分享AVEVA全球客戶案例，透過PI System整合Sub-Fab、超純水與潔淨室等資料後，根因分析時間縮短50%，潔淨室能源消耗降低10~15%。
對既有晶圓廠而言，資料整合還必須兼顧原有系統的穩定運作。黃瑞珩表示，半導體業者通常已累積多年的軟硬體投資，不可能因導入AI就大幅更動既有OT架構。實務作法是先串接現有OT系統與資料庫，完成資料標準化與資產模型建立，再循序推展至預知保養、能源管理與品質預測等應用。
AI進入設備維運 預知保養與智慧應變加速落地
資料架構建立後，AI才有條件進入設備維運流程。鄭孟宗表示，透過AVEVA Historian、PI System等工業資料平台承接高頻數據，再搭配AVEVA預測分析（AVEVA Predictive Analytics，APA）建立設備運行模型，可在設備真正故障前數天甚至數週發出預警；處方性AI則可進一步指出可能原因，例如軸承磨損或潤滑不足，讓工程師能提前備料並安排維修。
這套做法已經應用在科勝的實際專案。在乾式真空泵與尾氣處理設備的預知保養案例中，科勝透過震動、電流與溫度等資料持續監測設備健康，可在損壞前一至兩週提出警示，讓廠方配合計畫性維修更換零件，降低突發異常影響晶圓生產的風險。
AI 亦延伸至公用設施的製程最佳化。科勝已在半導體廠廢水處理加藥系統導入AI，依進水水質與流量即時調整藥劑用量，降低過量加藥造成的浪費，也減少加藥不足導致水質不穩的風險；在冰水主機節能方面，則透過環境溫濕度、冰水負載等參數，計算較適合的運轉組合，以改善能源使用效率。同時，科勝結合檢索增強生成（RAG）與生成式 AI整合進廠務緊急應變中心（ERC），將標準作業程序、異常處理準則與歷史案例轉化為知識庫，讓前線值班人員在遭遇異常時能及時獲得最佳處置方案，
工程經驗走向數位化 支援全球擴廠與跨廠維運
即使預測與處置能力已導入系統，現場仍需要工程人員判讀與執行。全球晶圓廠持續擴建後，人才養成速度也成為營運限制。鄭孟宗提到，資深工程師往往需要三到五年才能獨當一面，因此科勝與AVEVA將工程經驗整理成知識庫、專家系統與標準作業程序，再結合生成式AI，讓新進工程師遇到異常時，可以快速查找過往案例與處理方式。透過跨廠戰情室，台灣總部的專家也能遠端支援海外廠區，減少各地重複累積相同維運經驗所需時間。
黃瑞珩補充，成熟廠區已驗證的監控架構與工程實務，也可將範本套用到新廠，縮短重新設計監控系統與資料架構所需時間；平均修復時間、保養派工效率與能耗透明度，都是企業評估導入成效時常關注的指標。
面對埃米製程與3D IC的挑戰，鄭孟宗提出未來廠務系統的能力將往自我感知、自我預測與自我修復進化。科勝累積三十多年自動化與系統整合經驗，後續將持續結合AI、數位孿生與全廠戰情室，讓異常辨識、預測與處置能力更貼近日常維運需求，朝思考型工廠發展。
