黑人溺人妻木下凛子中文字幕-久久,人妻一区二区三区-国产精品100000熟女乱伦-久久精品国产一区二区精品

我們使用的RapidMiner軟件非常友好，無需懂編程語言，也不需要具備深厚的AI算法領域知識，真正幫助我們實現了數據價值的挖掘。

基于RapidMiner軟件調試后，我們使用了四個測試集進行訓練，收集了四個月的產線實時數據，統計發現SKIP率、精確率和漏放率均達到上線驗證標準。

—— TCL華星光電技術有限公司 

仿真設計高級工程師 巴靜

在2025 Altair 區域技術大會·華南站的精彩演講”

很榮幸本次能有機會給大家分享目前華星光電在AI與仿真方向的案例，本次分享的內容主要包括三個部分：

1、華星光電公司介紹

2、AI仿真案例介紹

3、對AI仿真的總結與未來展望

正文如下：

華星光電公司介紹

首先，給大家介紹一下華星光電：華星光電全稱是TCL華星光電技術有限公司，成立于2009年，是TCL集團旗下專注于半導體顯示的國家高新技術企業，同時也是中國第二大顯示屏生產商。公司總部位于深圳，在多地布局了產業，擁有深圳、武漢、惠州、蘇州、廣州以及印度、越南等地的十多條面板生產線和模組基地。

截至目前，累計投資金額已超過2600億元。憑借這些產業布局和資金投入，構建了覆蓋大中小尺寸面板以及高端顯示應用的全球產業鏈。

華星光電的產品主要涵蓋TV顯示、商業顯示，以及手機、平板、VR、筆記本和車載等中小尺寸顯示屏幕，還有部分柔性電子顯示產品。我們擁有眾多客戶群體，例如大家熟知電視品牌，如TCL電視、LG、三星，常規筆電品牌如戴爾，聯想，惠普，華碩（ASUS），熱門手機品牌如小米，OPPO、vivo等，還有汽車制造企業，如大眾、奧迪、比亞迪等。我們會根據客戶的需求，為其提供相應的顯示屏產品。

接下來，介紹一下華星光電的組織及業務情況。我來自TCL華星研發中臺技術創新中心仿真開發組，主要從事仿真開發工作。

我們小組目前包含5個仿真模塊工作，第一部分是AI+工藝仿真，第二部分是AI+面板仿真，第三部分是AI+電子融合仿真，第四部分是AI+模組仿真，第五部分是Design for制造相關仿真。我目前主要負責Design for制造相關的仿真工作。我們小組的前景是利用AI+仿真技術賦能研發設計制造，實現更快、更全、更優的虛擬開發工作。

AI 仿真案例介紹

下面，跟大家詳細分享我們的AI仿真案例。在正式介紹之前，先和大家分享一些基礎信息。

“Aging”是老化的意思，Aging測試即老化測試，是指將液晶顯示模組置于高溫環境中，通過通電進行測試，目的是在高溫環境下對液晶面板進行檢測，通過輸入各種檢測信號，檢測面板的顯示狀況，以便有效暴露面板的缺陷。

缺陷類型主要包括線缺陷、氣泡缺陷、mura缺陷以及電器缺陷，其中線缺陷是完全不能接受的，因為它可能嚴重影響顯示效果，導致圖像不完整或出現明顯的視覺干擾。

在當前測試產能loading的情況下，我們需要借助AI技術進行精準Aging測試，節約的產能可用于加嚴Aging測試，以改善產品品質。

項目目標主要有兩個考量點：

其一，目前Aging線不良率大概在0.1% - 0.2%，實際上很多產品需要100% 通過Aging測試，但是大部分產品狀態經過老化之后也是一個優良品，因此需要進行合理化Aging測試以節約資源來識別少量的不良；

其二，到2025年，客戶端的漏放標準需收嚴到500dppm，其中與面內相關的漏放多為線不良，我們可以在廠內通過加嚴Aging（延長aging時間）提前攔截，避免不良片漏放到客戶端。我們的任務是利用AI建模完成一個二分類的預測任務，實現60%的SKIP率。

以往在完成對應制程后，需要100%對模組進行Aging測試，而現在通過AI預測Aging結果，對于合格樣本可直接跳過該環節，對于有問題的樣本則進行正常Aging測試。

我們的模型應用有三大指標：第一，SKIP率大于60%，要釋放60%的Aging測試產能；第二，模型精確率需達到99.95%以上；第三，降低客訴漏放風險，使得漏放率低于萬分之三。 

項目方案的整體實施過程主要包括兩部分，第一部分是AI模型的構建，第二部分是在系統平臺進行串接。

在模型構建部分，我們首先分析了Aging線不良的相關異常原因，識別關鍵參數，下載了約10萬片數據樣本并進行數據加工，然后使用AI軟件進行模型開發和部署。

模型部署的整體路徑如下：通過良率管理系統（YMS）的數據獲取生產數據源，將開發好的模型部署在大數據分析平臺，實現實時預測，預測結果會推送到制造執行系統（MES），模組端的Aging機臺讀取預測結果指令后執行Aging動作，從而實現精準Aging功能。

在詳細介紹案例的實施過程之前，需要先介紹一下我們使用的RapidMiner軟件。

對于我這樣非專業人員來說，它非常友好，無需懂編程語言，也不需要具備深厚的AI算法領域知識。

我2019年畢業于南京大學化學工程專業，理論上與AI并無關聯，但機緣巧合從事了仿真相關工作，接觸到了AI這類新型仿真技術，這款AI大數據分析軟件真正幫助我們實現了數據價值的挖掘。

下面，正式介紹建模方案。

由于建模需要基于數據展開，當前數據存在一些問題：

一是數據分布不平衡，NG樣本較少；

二是OK與NG樣本存在重復，可能與特征識別不全面有關；

三是模型指標偏高，因為目標是是改善客訴漏放，我們的目標是要基于0漏放提出的，但是對于模型應用來說，我們為模型應用預留了一定空間；

四是數據隨生產波動會有變異，這會影響模型預測的穩定性，若穩定性太差，SKIP率可能大幅波動，影響生產節奏。

基于以上問題，我們構建了初步建模方案，利用RapidMiner軟件進行數據清洗和數據采樣，選擇多個模型進行初篩和交叉驗證，并結合代價敏感學習和置信度調整，最終得到一個較好的模型。經過多測試集驗證，模型效果達到了產線應用標準。

下面介紹具體的建模過程。起初由于對軟件使用不太熟練，我想偷懶借用Auto Model模塊自動建模來進行初篩，但發現采用自助建模分析流程導入數據進行預測存在問題。

因為我們的預測場景是二分類，重點關注漏放率，若預測失敗會有客訴風險，所以需要設置成本敏感學習矩陣來調整參數，但同一套參數搭配不同模型，指標差異較大，因此我們決定采用單獨建模進行模型開發。

于是我們采用Design 模塊進行單獨建模，主要包括數據預處理、模型構建和測試集驗證三個部分。這三個部分均基于RapidMiner軟件，融合相關算子構建流程，并進行模型訓練與測試。

初篩模型時，我們基于預測場景選取了貝葉斯、隨機森林和深度學習等模型，發現貝葉斯模型的調優效果較好，后續便基于貝葉斯算法對算子和模型參數進行微調。

在建模細節方面，考慮到數據分布不平衡的情況，我們從數據和算法層面進行調整。在數據層面，采用采樣技術調節OK和NG樣本的占比；在算法層面，運用代價敏感學習賦予懲罰系數，以調控漏放率。

在模型選擇上，初篩發現貝葉斯算法較優，但還有其他算法可供嘗試。若需要對建模過程和最終預測的各特征權重進行可視化展示，就需要重點考慮模型的可解釋性。

確定模型后，為精準調控預測效果，我們對置信度閾值進行了微調。軟件自帶閾值為0.5，大于0.5判定為OK，小于0.5判定為NG。通過降低閾值，將預測的SKIP率從22000多片提升到26000多片，因為釋放產能需要滿足60%的SKIP率，這樣模組產線才能正常運轉。

采用相關策略后，模型預測效果逐漸變好，漏放片數從最初的15片減少到7片，SKIP樣本數量也在合理調整，以保證低漏放率。

基于RapidMiner軟件調試后，我們使用了四個測試集進行訓練，收集了四個月的產線實時數據，統計發現SKIP率、精確率和漏放率均達到上線驗證標準，但仍有提升空間。

目前漏放率為0.0286%，可繼續降低；SKIP率為69.9%，可調整至60%，以進一步降低漏放率，這也符合項目改善漏放的初衷。

同時四個訓練集的模型穩定性可能存在偏差，特別是漏放率，最好情況為0.018%，最差情況為0.045%，我們還需持續探索如何進一步提升模型穩定性。

前面介紹的案例是基于65寸產品開發的，公司內還有多種不同尺寸的產品。我們嘗試對75寸、85寸和98寸產品進行Aging模型預測，從65寸遷移到75寸時，只需更新數據源并微調內部算子，就能快速構建75寸模型。

目前65寸和75寸已達標，85寸和98寸還需持續優化。

模型指標受限因素主要有兩個：一是85寸和98寸屏幕較大，產量和出貨量少，可用數據有限；二是其不良率高于65寸和75寸，大尺寸屏幕出現異常的概率相對較高。

總結與展望

下面分享一下本案例實施過程中的心得：

第一，作為非專業數據人員，使用軟件前需初步了解機器學習相關知識，再進行案例開發和軟件實操，這樣能加深理解。

第二，在仿真軟件中設置參數和選擇算子對仿真結果影響重大，關鍵參數的調控至關重要，需要不斷摸索。

第三，結果驗證與實際結果的匹配是大數據仿真工作的關鍵環節，過程中需實時調控。

第四，AI模型開發并非終點，模型應用還需考慮落地規劃，這樣才能借助AI發揮數據潛在價值，這也是應用AI大數據軟件開展工作的最終目的。

最后，進行總結與展望。

本次主要為大家介紹了AI助力LCD顯示模組精準老化預測工作，這是AI驅動的精準賦能產品生產優化與品質進階的案例。

但AI的應用遠不止于此，在技術開發、產品研發設計、制造生產管理以及測試與質量管理等過程中，都可以融合AI大數據應用，實現更多應用場景的落地，助力企業更好地發展。

以上就是我本次介紹的全部內容，謝謝大家！

A

申請免費試用

如您對 Altair 軟件及解決方案感興趣

歡迎掃描二維碼申請免費試用：