iWave Insight / 工艺智能

自我优化背后的智能制造。

将生产数据转化为建议，帮助工艺随条件变化而调整。Builder Agents 开发并测试用于逐次运行优化的模型；经确认合格的自动化系统负责实施调整。

了解反馈闭环申请演示

平台如何运作模型调查

了解 Builder Agents 如何开展调查

每个模型都融入领域专业知识智能体-程序-智能体定制化可追溯的建议

一个平台 / 从数据到受治理的模型

构建。评估。
让证据。

Builder Agents 在贯通数据血缘、模型版本、验证和监控的生命周期中自动完成建模。

01
探索
明确问题并检查数据。
02
准备
处理数据缺口并准备输入数据。
03
评估基准
确定候选模型的评估方式。
04
搜索
提出并测试相互竞争的假设。
05
检查
审查结果所依据的模型和证据。

工程师批准问题界定、数据准备和评估基准，然后检查结果。在这些审批节点之间，已获批准的模型搜索可以自主运行。

逐次运行优化 / 运行闭环

每次运行都为下一次下一步。

当工艺发生偏移时，下一次运行应能受益于已获得的经验。Insight 将工艺历史记录和测量数据转化为建议，再由经确认合格的自动化系统完成闭环。

实际应用案例

芯片贴装机自我修复。

基于实际制造应用：通过 Insight 建议和 Autopilot 调整来纠正环氧树脂涂覆后的漂移。请查看每个步骤下方的芯片贴装机示例。

01 / 工艺证据
解读 运行。
结合已完成运行的测量数据、工艺条件和目标进行分析。
测量结果 + 工艺目标
芯片贴装机 / 01
检测环氧树脂涂覆后的漂移
环氧胶工序后的检测结果显示，固晶工艺正出现逐渐加剧的偏移。
02 / iWave Insight
提出一项 调整。
经工程师确认合格的模型评估证据并提出下一步调整建议，同时说明其局限性和来源脉络。
有证据支持的建议
芯片贴装机 / 02
确定纠正措施
Insight 评估偏移，并确定环氧胶点胶枪压力和高度的建议调整量。
03 / 经验证的自动化
验证并 应用。
Autopilot 或其他经验证的系统会检查运行限值，并仅执行获授权的调整。
已获批准的设备操作
芯片贴装机 / 03
Autopilot 调整偏移量
Autopilot 应用经验证的压力和高度偏移量，以纠正漂移并防止触发环氧树脂相关错误。
04 / 下一次运行
测量 再次。
根据目标评估新结果。将所得证据用于下一次建议。
新证据 → 下一项建议
芯片贴装机 / 04
持续监测结果
该解决方案持续监测环氧胶工序后的结果，检查修正效果，并留意是否出现进一步偏移。

这是经确认合格的自修复流程的基础：Insight 提供智能支持；经确认合格的自动化系统负责设备操作。

探索 iWave Autopilot

iWave Builder Agents / 专业知识的实际应用

每一次背后的专业知识建议。

难点在于决定要建立什么模型、还缺少哪些证据，以及哪种方法行得通。Builder Agents 利用制造和数据科学领域的专业知识，自动开展这项研究。

01 / 明确预期结果

提供数据，说明目标。

上传样本数据集或连接数据源。说明数据代表什么、运行背景，以及您希望实现的结果。

数据 + 领域背景 + 预期结果

本演示以冷水机组预警为例。建模开始前，智能体会厘清运行条件和有用的预警提前量。

Insight 工作流程演示：用户描述冷水机组读数，并请求提前预警设备停机。 — 工程对话为 Builder Agent 提供背景和目标。

02 / 生成假设

将单一目标转化为可测试的假设。

Builder Agents 提出可能的建模方法，确定每种方法所需的证据，并制定备选方法的测试方式。领域专业知识为调查提供指导。

智能体—程序—智能体 / 自动化专家调查

假设可以涉及不同的模型和特征选择，而不只是可能存在的物理故障。每个候选方案都有接受测试的理由和明确的数据要求。

Insight 工作流程演示：出现异常检测、停机风险预测和趋势预测候选方案；振动候选方案被标记为缺少数据。 — 智能体构建模型假设，并核查每项假设需要哪些证据。

03 / 处理数据缺口

让缺失的证据显现出来。

Builder Agents 识别数据缺口并说明其影响。您可以补充证据，也可以缩小范围；智能体不会编造缺失的观测数据。

证据缺口 / 由您决定如何继续

缺乏数据支持的候选方案仍不进行测试。在此示例中，用户选择依据现有证据继续；振动假设仍会显示，等待数据补充，且不参与排序。

Insight 工作流程演示：振动历史数据缺失被突出显示，用户选择继续使用有数据支持的模型。 — 由用户决定如何继续；缺乏数据支持的假设仍不进行测试。

04 / 测试与比较

让证据指引选择。

基准获批后，Builder Agents 根据商定的目标测试模型与特征的组合。比较结果，并检查某个候选方案为何表现更好。

已获批准的基准 → 自主搜索 → 审查

随着证据逐步积累，依据后续读数、已确认的事件和维护发现评估选定的方法。

Insight 工作流程演示：有数据支持的模型类别分支出经过优化的特征和验证的候选方案，并展示一个可供检查的选定试验。 — 跟踪智能体的模型搜索、特征优化和候选方案评估过程。

06 / 改变目标

改变目标，重新开展调查。

新的工艺或目标会改变数据要求、假设和测试。Builder Agents 自动完成相应的定制工作，让专业知识能够服务于下一项制造任务。

AI 可扩展性 / 新情境，新评估

比较逐次运行优化与劣化预警各自所需的调查。每项结果都须针对其自身目标完成验证。

06 / 通过定制实现 AI 规模化应用

改变目标。
重新构建调查。

改变目标。Builder Agents 会相应定制数据需求、模型假设和评估方式。

比较定制内容第二个示例用例

逐次运行优化

建议下一次运行如何调整

背景: 工艺轨迹 + 运行设置; 保留
结果证据: 关联的计量测量结果; 必需
模型假设: 工艺响应和漂移的候选因素; 已定制
评估: 预测误差及建议有效性; Task-specific
已验证合格的输出: 可追溯的逐次运行调整建议; 结果

性能退化预警

更早识别设备性能退化

背景: 相关设备轨迹 + 运行历史; 保留
结果证据: 维护事件 + 后续状态证据; 已变更
模型假设: 时间序列异常检测与预测的候选方案; 已变更
评估: 预警提前量与误报表现; 新测试
已验证合格的输出: 有证据支持的调查建议; 新结果

对新目标单独进行评估和合格认定。

Builder Agents 自动完成定制。针对所得模型自身的目标进行评估。

智能体-程序-智能体

Builder Agents 定制数据管道、候选模型和测试。工程师检查并验证结果。Insight 使用经验证的模型生成建议。

AI 规模化 / 自动完成定制化

新目标。
将专业知识应用于规模化。

工艺或目标不同，建模工作也会随之改变。Builder Agents 会调整数据准备、假设和评估方式以适应新任务，并将专业知识应用于下一项任务。

比较更改后的目标

更改工艺: 引入不同的设备历史记录、变量和测量数据。重新审视模型假设，并测试新情境。
更改目标: 从逐次运行建议转向退化预警。所需证据、候选模型和成功标准也随之变化。
验证结果是否合格: 在使用模型前，检查新的证据和局限性。专业知识通过定制和评估得到扩展。

另一项应用

在关键环节开展量测最大价值。

Insight 还可以根据设备健康状态确定量测抽样的优先级：来自健康状态较差设备的批次优先级更高；来自健康状态较好设备的批次优先级更低。优先级较低并不意味着自动跳过量测。

探索基于设备健康状态的批次抽样

凭借您的专业经验，开启新的可能。

让 AI 在您的操作发挥作用。

申请演示

自我优化背后的智能制造。

构建。评估。
让证据。

探索

准备

评估基准

搜索

检查