《半导体制造中的生产计划和控制：大数据分析和工业 4.0 应用（Production Planning and Control in Semiconductor Manufacturing: Big Data Analytics and Industry 4.0 Applications）》

本书从半导体制造管理的角度系统分析了大数据分析和工业4.0的适用性。 它以真实的例子进行报告，并提供案例研究作为支持证据。 近年来，大数据分析和工业4.0技术频繁应用于半导体制造的管理中。 然而相关研究成果大多分散在各类期刊或会议论文集中，迫切需要对这些成果进行系统整合。 此外，许多相关讨论过分强调信息系统的理论框架而不是半导体制造管理的需求。 而本书解决了这些问题。

半导体制造大数据分析

半导体制造业是一个特别需要大数据分析的行业，原因如下：

• 在晶圆厂中，同时有数千至数万个晶圆批次正在生产或等待生产。 这些晶圆批次伴随着大量的时间和质量相关的数据，必须收集和分析。 研究者提供了一个有趣的统计数据，表明在晶圆制造阶段中，沉积是产生最多数据的阶段，其次是蚀刻和缺陷检查。 每个阶段的数据生成点数量都在万亿级。

• 资金雄厚的半导体制造商更有能力投资于大数据分析的系统软硬件。 相比之下，许多小工厂的应用侧重于分析大量数据的方法论。

• 半导体工厂生产设备与计算机或信息系统的集成度较高，有利于大数据的实时采集和分析。

  因此，半导体制造也是较早采用大数据分析的行业之一。 大数据分析已应用于协助该行业的虚拟计量、预测性维护、作业周期时间预测和预测性调度。 设备健康监测、缺陷模式识别和良率预测的应用也很普遍。

根据国际半导体技术路线图（ITRS），半导体制造中的大数据问题可以沿着五个维度来定义，即所谓的五个V：

• 数量（Volume）：数据的大小（大小）；

• 速度（Velocity）：创建和分析数据的速度；

• 多样性（Variety）：数据的类型，例如结构化数据（例如表格数据）、半结构化数据（例如 XML 及其衍生物）和非结构化数据（例如传感器数据、社交媒体数据等）；

• 准确性（Veracity）：某些数据源固有的不可靠性（例如，不精确和不确定的数据）、数据质量；

• 价值（Value）：利用大数据分析提取的信息的价值。

有人认为，准确性（数据质量）是最关键的维度。 常见的数据质量问题包括缺乏准确性、可用性和上下文感知。 尽管如此，与其他行业相比，半导体制造的数据质量相对较好。 此外，也有人还强调了专家判断或主题专业知识（SME）在数据收集、数据处理、参数选择、模型构建、模型和极限优化以及解决方案部署和维护中的重要性。

本书将对上述问题进行了分析和讲解，并且作者提出了自己的观点。