设备预测性保养是近十年来很热门的话题，特别是大数据／深度学习／人工智能等技术崛起之后，市面上出现了大量的相关公司，提供相关的产品和服务。

这篇文章，让我们从一个不一样的角度来探讨这个问题。

我们认为最主要的原因是要保证设备的可靠性，定期地更换零部件和进行调试(Calibration)。在 199x 年刚进入半导体行业时，其中当时生产安全气囊芯片的 M 公司，发现在贴片机 (Die Bonder) 的生产过程中，会造成最后的成品出现芯片破裂的情况，当时 M 公司向 Die Bonder 的设备制造商 (简称为 E 公司）进行了数以亿计的索赔（因为需要回收大量的芯片），E 公司派了大量的工艺和研发人员到 M 公司去找出原因，最后发现是M公司没有按照规定，少做了一个必须要进行的“定时”保养的项目，最后 E 公司逃过需要巨额赔偿的命运。这件事我们印象十分的深刻，第一次发现到了保养的重要性。

预测性保养，是在常规的“定时”和“定量”的保养以外，去预测设备是否需要进行保养了。简单来说，就是“用科技”的方法来算命。和统计过程控制 (SPC) 理论方法一样，预测未来过程的好坏。很多工程师都有一个误差，SPC 比的就是 “规格上下限”（spec limit），其实不然，SPC 最重要的是西方电气规则 (Western Electric Rule，WER)，用趋势去预测生产过程的稳定性。

市面上的大数据公司的做法都是告诉客户，他们可以透过平台／方法，从数据中找到“因子”，进而帮助客户做到 “预测性保养”。方法从最早期的回归分析，一直到最近流行的深度学习都是主要的卖点，由名校毕业的博士和专家团队负责操刀。但现实上，并没有一个让“普通人”可以使用的系统，快速“建构”一个可以马上使用的模型。大部分的时候，专家的结论都是 “数据不够，而且不可靠，所以我们做不出来”。现实中，如果可以采到可用的可靠数据，客户大约就能自行研制出设备预测性保养了，不需要复杂的算法和专家。 

其实要做到预测性保养是需要具备很多条件的，如果不具备以下的条件，成功的可能性是很低的：

1）要能取得设备的报警资料 

报警和保养有关系吗 ？ 其实报警是预测性保养的重要输入之一，报警发生的趋势在很多设备上其实是保养的很重要的一个因素。以英飞凌做例子，APC 中 FDC 的其中一个输入就是报警；这里的报警不是知道状态而已（红绿灯中的红灯），而是报警的内容。在半导体封测中，没有 SECS/GEM 的设备，大约就可以直接略过了。 

2）要能够从设备中取出和工艺相关的数据 

其实大部分的设备都不具备这一个功能，包括了很多半导体封测的设备，有SECS/GEM 不代表所有的数据都能取出。很多时候，工艺相关的数据是配方相关的，而配方很多时候是 “黑箱”。 

3）客户有透过 MES 记录对应的工艺相关数据 

这里有几个条件，首先要有 MES，其次 MES 能记录工艺相关的数据（包括了使用的消耗品，检测站点的量测数据等），最后客户还要愿意去花人力去收集数据。 这往往是最困难的部分，因为人力为主的数据收集是有代价的，而人力是半导体封测厂要节省的部分。如果一个公司连基础的MES/EAP都无法很好地实现，连RMS 等系统都还在规划中，那要实现设备预测性保养是很难的。

下一次，我们会探讨半导体封测中有可能实现的设备预测性保养是哪一些，敬请期待。