基于AI机器学习技术，赋能现场OT工程师提供数据处理、分析建模、实时预测、报告共享等功能，实现端到端一站式建模服务，工信部2020“工业互联网优秀APP解决方案”。
1、工业大数据分析方法多且复杂，运用困难
难点是数据复杂性，分析方法多，导致用户望而却步；
2、数据展示效率低，分析报告费时费力
自动生成分析结果，报告解释性及可读性强；
3、数据量大且异常
用户进行数据格式及异常处理耗时，需将数据处理过程流程化、功能化；
4、无法完成模型快速部署
加速模型部署落地，可以节约项目开发成本
分析时长由6h缩短为0.5h，批量异常从lot单位缩小为单个产品单位；
实现虚拟实时全检，站点抽检比例降低30%以上；
实时对生产产线进行异常监控，通过AI模型及时发现产品异常，通过异常报警防止大量异常产生；
与MES，SPC等生产系统联动，为工厂创造实际的效益
通过AI模型分析产品品质特征值，实现品质管控，虚拟检测
通过寻优算法寻找最优实验参数，减少实验次数，降低实验成本
快速定位异常样本生产路径，回追异常设备及制程参数
通过联动图表，分析品质特征值分析及异常
快速部署工业应用镜像，实时接收信息及反馈
客户：晶圆制造工厂
效果: 晶圆制造行业产品制造过程中对特征值的精度要求极高，任何微小错误随着制程的深入都会被放大，因此迅速找到问题根源做好预防措施变得极其重要。但由于制程和设备端的数据多，因子多、前后道关联性强，单纯依靠单因子分析工具会出现分析时间长，甚至找不到根源的情况。 解决方案： 利用多因子分析工具将设备和制程相关参数全部导入，通过多种降维、升维等自动化特征挖掘算法，不断筛选、提取，创建用户可以修改训练用的因子集。建立特征值异常根因分析模型，模型建立后上线应用，并随着时间累积不断优化。同时利用虚拟量测(VM)将影响特征值的各类复杂数据，通过各种算法，建立模型，高精度预测特征值，对异常值实时拦截，实现特征值“实时全检"。 项目效益： 1)异常排查时间缩短:分析时长由6h缩短为0.5h 2)抽检频率降低:站点抽检比例降低30%以上 3)批量异常减少:批量异常从lot单位缩小为wafer单位
实现自动化的特征降维，升维，转换等功能。深度挖掘数据中隐藏的信息。
应用现有机器学习模型进行调参建模。多种模型比较，从容选优。
记录用户每一步建模步骤，可以在任意节点进行回溯查看。
在线分析异常，通过报警对模型进行监控。
业务咨询
在线详询
关注我们
*您关注的问题?
*您的联系方式?
*怎么称呼您?
*您的公司名字？
