在电子产业，制造行业的未来取决于开发和部署一系列技术平台，从而实现智能制造与工业4.0的能力。智能制造技术将通过整合更多的数据采集与分析系统来提高效率、安全性和生产率，建立覆盖从供应链到制造，最后到客户体验等所有方面的虚拟商业模式。随着大数据分析和人工智能的广泛使用，提高了收集大批量数据和后续分析的效率。

通过集成技术组合，把从供应商到客户的完整产品生命周期转变成虚拟的业务模式或信息物理模式开始变得可行。根据一些行业报告，在部署智能制造解决方案后，到2022年项目制造商将实现数百亿美元的收益。为了促进关键智能制造构件（例如，自动化、机器学习或ML、数据通信、数字线程）的开发和商业化应用，有几个国家建立了创新研究机构和大型研发项目。这些合作活动寻求开发出能够改进可追溯和可视化的技术，实现对工艺预测和设备控制的实时分析，并针对多品种、小批量的产品组装建立灵活的、模块化的制造设备平台。

电子产品制造业的垂直部门（半导体（SEMI）、外包系统组装和测试（OSAT）、印刷电路板组装（PCBA））正在融合，产品服务也在整合。之所以会这样是因为技术开发和市场变化的速度加快，从而为特定垂直部门的行业成员提供了从电子行业的总利润池中获取更高比例利润的机会。

SEMI、OSAT和PCBA部门的融合将改变整个供应链的物料流，并且引进跨部门的设备和工艺（例如，由PCBA部门提供后端的OSAT服务）。OSAT服务供应商使用通常只能在半导体后端制造中才能看到的设备和平台，PCBA服务供应商安装设备并开发类似于OSAT使用的工艺。

开发智能制造技术（即大数据分析、人工智能、云计算/边缘计算、机器人、自动化、物联网）的能力至关重要，这些技术既可以部署在垂直部门内部，也可以部署在垂直部门之间。此外，确保技术能够无障碍地演进的能力，对建立稳定可靠的集成数字纽带来说，也非常重要。

随着电子产品制造供应链的不断地演进和整合，传统的材料流的改变，将推动采用无缝连接制造运营所有部分技术的需求。iNEMI智能制造TWG发布了路线图，针对垂直部门和横向部门的课题，提供针对现状分析与关键要求的深刻见解。

在这个路线图中，赋能智能制造技术作被看成跨越了电子行业制造部门横向课题：安全、数据流架构和数字模块（人工智能、机器学习和数字映射）。

电子制造业的三个部门：半导体、OSAT和PCBA，将面临一些共同的挑战：

对快速变化、复杂业务需求做出响应

管理越来越复杂的工厂

在利润率不断下降的情况下实现财务增长目标

满足工厂和设备的可靠性、容量、生产能力和成本的要求

充分利用跨行业部门边界的工厂集成技术

满足前沿工厂的灵活性、可扩展性和可伸缩性的要求

提高针对环境问题的全球限制

这些挑战提高对部署的要求，赋能智能制造解决方案，使它能够跨垂直部门发挥作用。

赋能智能制造技术（横向部门的课题）：现状分析

通过跨电子行业制造部门的一些赋能智能制造技术（横向课题）可以解决许多智能制造面临的挑战，包括：安全性、数据流和数字模块。由于与不同垂直部门（SEMI、OSAT和PCBA）和垂直部门之间的交集相关，需要探讨这些问题的关键需求。

智能制造TWG的成员提出下述属性要求：安全性、数据流、数字模块和数字映射。常见的跨垂直部门情况是开发和部署适当解决方案的能力，从而有能力低成本地大批量制造出产品。智能制造被认为是需要高度专注以确保建立适当技术基础。构建强大、敏捷和可伸缩的基础，最重要的是赋能智能制造的横向课题。

安全性

我们从两方面来讨论安全性：物理安全和数字安全。为安全部署的工具与协议是越来越重要的课题，它横跨许多行业，而且不仅局限于电子制造业。安全性意味着保护大量重要的资产和系统属性，它们可能会随着工艺（新的与强大的竞争优势）和知识产权（IP）的内在价值而变化。

在某些例子中，安全性直接涉及工人、设备和制造工艺的安全。在其他情况下，它转化为保护电子资产形式，例如设计文档、材料清单、工艺、业务数据和其他资产。针对安全性的一些关键考量是访问控制、数据控制、输入验证、工艺保密性和系统完整性。

总之，在当下的制造技术中，只有在开发流程结束时和特定的安全问题已经发生后，IT的安全问题才会被提出。但是，执行这种滞后的安全解决方案不仅代价不菲，而且常常无法为相关问题提供可靠的解决方案。结果是，有必要采用一种综合的方法作为流程，包括执行安全威胁识别、风险分析和减轻安全挑战的周期。

数据流

一般的工厂运作与制造技术（例如工艺、测试和检查），以及支持硬件和支持软件快速演进；传输和存储数据量越来越大的用于分析（人工智能、机器学习和预测）的数据的能力。此外，大数据的出现和随后的增长比最初预期的要快。这一趋势将继续突出现有的挑战并带来过去没有考虑到的新差距（图2）。

例如，数据保留做法必须迅速发展；已经确定了数据传输批量和数据存储归档长度的限制将消失（也就是说保留“所有”历史数据将成为标准做法）。考虑使用数据流密钥的例子包括数据管道、设备与设备（M2M）之间的通信和同步/异步数据传输。

数据流和选项考虑（例如云计算、雾计算和边缘计算）的灵活性、安全性和冗余的架构必须是明确的。必须识别和讨论收益和风险。数据流和加快大数据技术发展的能力将使解决方案的部署能够从数据产生、存储和使用的增加中取得收益。这些能力能够以实时和接近实时的速度传送更大的数据量，将提高设备参数数据的可用性，从而对成品率和质量带来积极作用。有一些挑战和潜在的解决方案与数据产生、存储和使用的增量有关，也与更高数据传输率的能力和额外的设备参数数据的可用性有关。

为了实现有效的在线制造方案，要解决的主要课题是数据质量和整合分析的专业知识。在电子制造业务出现的大数据要按照“5V框架”来讨论：

批量

速度

多样性（或数据合并）

真实性（或数据质量）

价值（或分析应用）

“5V”是了解电子行业广泛采用的大数据分析的基础。关键是解决已确定的差距，例如精确度、完整性、上下文信息丰富度、可用性与归档长度，提高数据质量以支持电子制造业的高级分析。

数字模块

开发数字模块（相互连接的数字技术）的进展为数字化、集成化和自动化提供了实现智能制造收益的机会。随着我们进入数字连接智能基础设备的开发和部署的时代，这些技术将使电子制造公司能够保持相互关联。有些技术被视为基础性数字模块技术（比如人工智能、机器学习、增强现实、虚拟现实和数字映射），他们在电子制造业中越来越受关注。

人工智能与机器学习

人工智能（AI）和机器学习（ML）工具与算法可以提高生产的成品率和质量。这些工具与算法将支持传统工艺与制造平台（工艺、设备和工具）的转换。人工智能和机器学习的现状分析，以及它们的影响因子，通常考虑以下特性和操作规范：固定频率通信、共性分析、材料和运输历史和可追溯性、预测成品率与性能的模型、预定义的图像处理算法、安全网关、仓库管理系统。

人工智能和机器学习提供几种汇总数据的机会，目的是在标准工艺中生成可执行的洞见。这些包括但不限于下述内容：

预防性维护：收集机器历史性能数据，开发出一套最佳机器的性能基准，在机器出现异常时识别出异常情况。

生产预测：根据随时间变化的产量与客户需求的趋势变化，更精确地计划生产周期。

质量控制：检查应用可以利用许多机器学习的变体来微调理想的检查标准。借助深度学习、卷积神经网络与其他方法可以得到可靠的检查结果，几乎不需要人工干预。

通信：对电子制造行业的成员来说，采用开放的通信协议和标准非常重要。

数字映射技术

实时模拟的概念通常被称为数字映射。预计全面推行数字映射技术将成为在旧的与新的设备类型中保持成本竞争力的要求。数字映射最开始是用来赋予工具和工艺平台预测能力的，这些工具和工艺平台在历史上引起最大且最有影响力的瓶颈。数字映射的最终价值将取决于它通过采集数据和与“5 V”（真实性、多样性、容量、速度和价值）有关的数据可用性的持续演进的能力。电子行业制造部门内部和部门之间的数字映射现状分析突出以下数据考虑：历史性数据、周期性数据和反应性数据。

数字映射概念本身适用于生产与产品生命周期的按需访问、监控和端到端的可视化。通过模拟生产车间，工厂将能够评估可得到的预测项目KPI（和需要做出哪些改变来实现这些目标），预测生产的产出，通过混合信息物理现状（从物理世界到虚拟世界，再回到物理世界）得到的生产量，以及快速地把人员与设备部署到世界各地的制造车间。

赋能智能制造技术：关键属性要求的安全性

安全仍然是电子制造业采用技术与工具的主要关注点，这些技术和工具依靠采集的数据来提高制造质量和成品率，并且以更低的成本和更高的性能提供不同的产品。SEMI成员发起一项调查，收集来自用户、设备与系统供应商、安全专家与安全解决方案供应商更全面的输入信息，目的是充分了解电子行业与其供应链的安全要求、面临的挑战和潜在的解决方案。这个课题涉及制造领域许多方面：设备、工具、设计、工艺准则、材料等。不断要求大幅度提高工艺安全管理水平，最大限度减少有价值的专有技术知识产权流失；这个需求将引起大量的讨论，例如数据分区、生产方法、设备和工具布局。安全性的几个关键属性要求是网络市场细分、物理接入并逐步减少漏洞。

这些安全问题并不是微电子制造独有的问题，而且其中的许多问题超出一般的制造范围。安全性课题应参考整个制造领域面临的挑战和可能的解决方案。例如，IEC设立了信息安全与数据保密咨询委员会。建议这个咨询委员会和其他正在开发通用制造安全路线图的标准和行业组织合作，描述具体的微电子制造问题并关注共同的需求。

数据流

开发可以灵活扩展的可伸缩架构；跨边缘计算、雾计算和云计算的连接；集成各种可以产生数据流的设备和系统是非常重要的。例如，智能工厂架构可以适合在电子制造业中不同的垂直部门使用，也可以满足非电子制造行业里的企业的要求。

就像前面所说的，寻求部署智能制造技术的不同行业应当充分利用可以提供预期属性的架构；数据流架构被视为利用跨行业协作，确定最佳方案（即数据同步装置、执行客户端）最主要的选择。

数据流技术的开发和部署正在加速。对数据分析和数据保留协议的关注度正在比最初预期的速度更快地增长。它必须收集关键数据，同时还要建立执行智能分析准则，并使用适当的算法决定数据驱动的决策。目前正在考虑几个与数据有关的课题，例如以下的通用协议：

“全部”与“异常”数据保留实践

数据存储容量的优化

分析数据格式准则来推动反应与预测技术

数据质量协议赋能时间同步、压缩/解压缩与混合/合并的改进

用来优化数据采集、传输、存储和分析的准则

针对设备的数据考虑包括：

定义针对设备可视化的上下文数据组

改进数据的可访问性，以支持多种功能

支持从反应功能到预测功能的数据转变

设备信息的数据可视性（状态、健康等）

数字模块

部署必要的数字模块来实现智能制造的能力处于成熟度的不同阶段。

人工智能与机器学习

人工智能和机器学习需要的几个关键属性是数据通信标准、数据格式化标准和第三方物流（3PL）跟踪解决方案。我们把像人工智能和机器学习这类技术视为向预测运行模式转变的赋能者：预测维护、设备健康监测、故障预测、预测调度和成品率预测与反馈。这个范式在人工智能增强控制系统构架中将使系统能够通过摄取和分析大数据集从它们的环境里“学习”。开发先进的学习技术，改进自适应模型控制系统和预测控制系统。人工智能和机器学习技术的持续开发和评估是建立支持新兴的生产设备所需要的最耐用和优化好的预测引擎。

数字映射技术

数字映射技术的进步正在加速，同时其潜在的好处也传递给最终用户。此外，赋能技术（硬件与软件平台）的成本正在下降。我们认为以下是提高数字映射（产品设计、产品制造和产品性能）被采纳和大规模部署的关键属性需求：数字纽带、预测能力、规范性和全系统的连续数据访问。

数字映射是一个长期愿景，它将依赖离散预测能力（设备、工具和算法）的支持，这些能力后续将集成在一个通用预测平台上。一般认为，数字映射将提供设备运作的实时模拟，作为设备操作系统的扩展。

在工厂环境中成功部署数字映射需要高质量的数据（例如精确性、速度、动态更新）来确保数字映射精确表示工厂的实时状态。此外，这一远景的实现取决于设计出一种架构的能力，该架构能够提供通过共享数据和能力来进行协同操作的关键技术。最终，数字映射的成功要取决于能否开发出在推行数字映射时能够提供冗余和多种风险评估关口路径。

优先处理的研究、开发与执行要求

在电子行业主导的计划中，经常会提到合作的主题，它是实现智能制造的优势的关键。电子制造行业的成员强烈要求参与促进合作的活动。这些活动的参与者认识到，解决方案必须基于共识，而且被许多供应商所采纳。设备供应商意识到，与数据分析相结合的深度知识只是可能获得的潜在价值中的一小部分。只有在整个行业的工厂的制造生产线、垂直部门行业的供应链成员、还有整个垂直部门共享数据时才能获得最大价值。

按优先级排列的研究、开发和实行要求的主题示例如下：

为所有设备和工具定义数据流标准接口与数据格式；

调查分析在垂直部门之间数据流的连续性是强制的还是可选的；

在用来决定工艺是接着往下走还是不往下走时，根据工艺流与数据流延迟的关系来确定最佳操作窗口并量化允许的数据流延迟；

在垂直部门之间共享通用的工艺工具与隔离工艺设备时，调查数据的安全性与加密要求；

为设备开发开放的与通用的跨垂直部门的通信标准与协议。

差距和最佳表现

人们普遍认为，数字化将推动数据量巨大增长。许多人预测，云计算和混合云计算解决方案对于通过人工智能算法充分发挥存储和随后的数据操作，从而获得价值至关重要。但是，行业成员必须在连接协议与数据结构方面采用一致同意的标准与准则（图3）。智能制造是个旅程，需要建立一套耐用稳定的可伸缩连接架构，在这个架构上部署数字模块（例如人工智能，机器学习，从数据中提取最佳价值）。

可能会对智能制造的部署和采纳度产生重大影响的关键差距包括：

未定义垂直部门间的数据安全性；

数据流的机器接口标准化不够；

未定义数据流的数据格式；

违反安全性规定的数据漏洞；

稳定和可扩展的跨电子垂直部门的连接架构，以实现智能制造功能（事件与报警通知、数据可变采集、菜单管理、远程控制、设置调整、面向操作人员的接口等）。

总结

iNEMI智能制造路线图章节提供针对垂直部门内部和垂直部门之间的横向主题的现状分析与关键属性要求。此外，该章节确定了横向主题的主要差距和要求，这正是实现智能制造必须解决的问题。

定义：智能制造、智能工厂、工业4.0、人工智能、机器学习等

审核智能制造准备就绪：开发基于共识的文档，利用已发布的文档（例如新加坡准备度指数）

安全性：最佳实践、物理、数字、本地与远程访问等

设备多样性与数据流通信：旧的、新的与混合的

数据属性分类与优先级：数量、速度、多样性、真实性和价值

成本、风险预测、投资回报之间的关系

人才库（主题技术专家）：数据与计算机科学家、制造工程师和自动化工程师

标准与准则：数据格式与结构、通信协议与数据保留

开放式协作：SEMATECH 2.0

为了定位确定差距和要求，需要不同垂直部门更多详细状态来构建适合的计划。有人建议采用循环调查来收集信息，来解决这个问题。建议采用有一种调查格式作为范本：IRDS FI路线图的制造数据安全性调查。

iNEMI与其他组织，例如SEMI，可以组织研讨会来促进电子制造业的利益相关者之间的合作。此外，iNEMI还可以建立跨行业的合作项目，开发可以支持智能制造的技术，解决路线图确定的要求和差距。

此外，像iNEMI和SEMI这类组织，可以合作建立准则和标准（例如，数据流接口和数据格式），并领导各个团队开发设备和工具硬件的标准，降低在制造过程中的复杂性。不仅如此，iNEMI还可以与其他行业团体合作组，促进来自不同智能制造计划的最佳实践和关键知识进行交换。路线图TWG的成员致力于在智能制造进程中提供指导：人员、工艺和技术。TWG的成员还建议参与微电子小组和非微电子的小组，评估利用现有的智能制造准则和标准的机会。