制造商面临从工艺问题到设备故障在内的诸多挑战。然而,一个通常被忽视的挑战是,当支持工厂运行的关键软件和服务器出现问题时,人们往往不会注意到,直到出现无法挽回的后果。当一个工艺设备发生故障时,会造成不便,但如果制造执行系统(MES系统)出现故障,整个工厂将陷入瘫痪。
鉴于工厂的正常运行时间至关重要,您很可能已经制定了监控指标来监测工厂运行情况,并且有质量计划来进行改进。确保产品在工厂的各个工序之间连续流动,并得到正确处理,是保证您公司盈利的关键。制造软件系统在提高生产效率和质量方面也发挥着重要作用,无论它们是否正常运行。然而,虽然我们不愿意去面对这一点,但有时服务器会宕机,网络也时而会出现问题。有时,由于附近正在进行设备安装,整个服务器机房的电源会意外关闭,这将导致计划外的停机,甚至可能导致整个工厂停工。这对业务的影响是巨大的。
对于一个规模适中的产量较低的晶圆厂来说,一小时的意外停机就会给公司造成1万美元的损失。对于一个中等产量的晶圆厂来说,损失可能是10万美元。而对于一个先进的、产量较高的晶圆厂来说,损失可能高达100万美元。因此,找到减少甚至避免制造软件系统意外停机的方法至关重要。SmartFactory Monitor可以帮助您实现这一目标。
SmartFactory Monitor是一个实时监控软件解决方案,让您能够及时发现生产系统中的问题,并立即采取纠正措施,以确保生产系统不受影响。在其最基本的形式中,它提供了一个可定制、易于理解的仪表盘,显示您生产系统的当前状态。这样,当出现问题时,几乎可以无缝地查看和发送通知。
其关键特征之一是可定制性,您可以创建自定义视图,以显示随时间变化的性能趋势。其预测分析能力可在性能异常影响生产之前检测出这些异常。
SmartFactory Monitor可在普通硬件设备上运行,进程占用内存空间小,操作系统可任意选择。另外,它与SmartFactory智能工厂解决方案软件产品组合中的其他产品预集成,能够追踪您的所有制造系统——应用程序、数据库以及Windows和Linux服务器。该系统可实时监控系统性能日志、错误日志、事件日志、应用程序日志、系统日志、服务器日志等一切可以反映系统性能和健康状态的信息。
各种来源的数据都被汇总到Splunk软件中,该软件能够捕获、索引和关联实时数据。然后这些数据可以生成自动通知并实现可视化效果,以突出数据的趋势并发现问题。此外,汇总到Splunk的数据还可用作机器学习算法的训练数据,从而实现预测分析,以避免问题在上升为工厂级别的问题之前被识别和解决。
预构建的仪表盘可以让您快速启动和运行,监测所有系统日志。使用Splunk软件,您可以轻松地实现系统性能可视化,并利用应用材料公司工程师开发的复杂预测算法检测出趋势、异常和异常值。
SmartFactory Monitor提供一套全面的生产监控功能,可应对制造商面临的众多关键支持系统挑战。其主要目标是通过缩短发现和解决系统问题的时间,减少工厂意外停机时间。最终,通过性能趋势分析和预测分析,帮助预防对工厂运行产生影响的问题。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。