未来制造中的数据驱动计量
Data Centric Metrology in Future Manufacturing
Gregory W. Vogl¹, Aaron W. Cornelius¹, Xiaodong Jia²
¹ 美国马里兰州盖瑟斯堡国家标准与技术研究院工程实验室
² 美国俄亥俄州辛辛那提大学机械与材料工程系
E-mail: gregory.vogl@nist.gov
（2）虚拟计量用于估算那些无法在现场直接测量的零件质量特征或工艺参数。这一过程借助数字孪生和模型来实现——模型整合可用的工艺数据和计量数据，以估算缺失的参数[5]。
（3）数据管理系统收集所有可用的计量信息，用于追踪零件质量、提供测量值和系统行为的实时不确定度估计，并提出改进测量性能的建议，例如当虚拟计量不确定度过高时安排额外的测量周期，或标记不可靠的传感器进行维护[6]。
上述三个领域通过基于人工智能（AI）的模型进行统一，以帮助解析和处理所采集的海量数据。半导体行业或许为数据驱动计量（DCM）的未来潜力提供了最佳视角。工艺数据被用于生成实时缺陷估计，并筛选晶圆以进行进一步检测[6]。随后，机器学习（ML）工具对工艺数据进行收集和分析，以帮助操作人员理解和改进工艺。然而，向智能制造的转型并非均匀推进：许多行业落后于时代，尚未做好实施DCM的准备[7]。要使DCM得到广泛应用并赢得信任，仍有许多关键技术缺口亟需填补。
当前与未来的挑战
计量对于生产至关重要——它是工艺控制和质量控制的关键，新技术必须经过充分验证，才能提高制造商对数据驱动计量的信心并推动其应用。以下挑战目前制约着DCM的可行性：
（1）集成计量
集成计量和原位测量难以实施。在工艺过程中进行的测量不能干扰制造流程，但与此同时，由于测量发生在相同的工作区域内，测量结果可能受到工艺过程的影响[1]，并可能遭遇各种不可控的变化[8]。测量还必须跟上制造工艺的节奏，这进一步限制了哪些测量可以在现场进行。因此，在一项调查中仅有38%的企业进行了原位测量[1]。亟需新的发展来开发能够在各种环境条件下以可接受的节奏提供低不确定度结果的传感器。
（2）虚拟计量
人工操作员提供专业知识并保持对系统健康状况的可见性至关重要，但随着传感器数据流和自动化决策数量的增加，这变得日益困难。因此，必须开发新方法帮助用户快速消化、评估和处理大量工艺数据[9]。一个可能的发展路径是利用AI进行自动化、虚拟计量和计量数据的动态采样。实际虚拟计量面临的挑战包括：利用历史数据创建有效的初始模型，以及使用在线数据进行模型的自我学习更新[10]。
（3）带不确定度量化的数据管理
制造业的未来取决于安全、可检索、可扩展和标准化的数据架构——来自生产各层面的数字化信息将使实时调整成为可能，例如使用语言无关的标识符和标准化的机器可读SI格式[11]。此外，数据系统必须抵御网络攻击，因为互联性的提高已导致网络攻击数量的大幅增加[12]。在整个产品生命周期中应用AI驱动洞见所面临的挑战包括：大数据的整理、AI驱动结果的解释和信任[13]、AI模型的自动更新、隐私保护方法，以及对类别不平衡[14]和可变数据质量[15]的鲁棒性。AI技术通常难以泛化部署，因为大多数AI/ML方法需要大量训练数据，且在不同场景中可能无法按预期工作[13]。为赢得用户信心因此必须为AI模型提供可量化的不确定度估计[13]。
应对挑战的科技进步
图1展示了一条基于DCM三大支柱的数据驱动计量发展路线图：（1）集成计量、（2）虚拟计量、（3）带不确定度量化的数据管理：
（1）集成计量
由于无法轻易拆卸的集成传感器的溯源性难以实现，应开发新方法用于原位验证和校准，并可追溯至国际标准。为便于对性能不佳的传感器进行“热插拔”，仪器可以向集中式测量管理系统传达实时性能估计，以触发验证周期并标记待维修或更换的传感器。智能传感器——即带有定制ML推理功能的传感器——也可集成到芯片中，用于芯片健康的实时测量[16]。溯源性和校准方法可通过校准工件、自校准方法和计量专用数据的标准化处理加以实现[17]，例如用于机器人辅助计量及全自动化数据处理。
（2）虚拟计量
数字孪生内的数据采样率应以AI驱动的智能为基础，测量“适量”数据，在保持产品质量的同时最大限度地降低数据采集和存储成本。例如，当实时AI估计的不确定度超过阈值时，可以触发一次测量以获取一个数据点，在降低该时刻不确定度的同时添加额外数据用于模型更新。DCM利用AI的模式学习特性与计量的可信性相结合，创建可信的、同时具有机器独特性的工艺控制模型[18]。定期将实时可溯源测量与模型估计进行对比，将有助于量化AI模型的不确定度。此外，初始模型的挑战可以通过迁移学习[10]得到帮助——最初严重依赖集成计量，随着机器特异性模型随时间学习而逐渐减轻。
（3）带不确定度量化的数据管理
需要为所有制造数据建立普遍适用的标准化数据架构，以验证数据质量和溯源性，例如基于OPC-UA并通过数字校准证书实现校准报告的数字化[19]。应开发并在国际上标准化AI算法总输出不确定度的量化方法，包括学习模型的固有不确定度和输入数据的不确定度，类似于GUM[20]的方法。不确定度应被估计出来，以支持动态采样[6]和不确定度的传播，例如使用基于Shapley加性解释（SHAP）的可解释AI框架[15]。具有低计算延迟的全自动化数据流处理是DCM面临的另一重大挑战，需要物联网（IoT）硬件和软硬件优化方面的创新。
参考文献
[1] Leach RK 2020 Integrated Metrology 10-Year Roadmap for Advanced Manufacturing. High Value Manufacturing Catapult: 1- 38. https://hvm.catapult.org.uk/wp-content/uploads/2022/06/Integrated-Metrology-10-Year-Roadmap.pdf
[2] Lee J, Kundu P, Gore P 2022 Industrial AI-Augmented Data-Centric Metrology for Highly Connected Production Systems. Smart and Networked Manufacturing: Wiener Produktionstechnik Kongress 2022. Vienna, Austria: new academic press. 20-3. https://www.newacademicpress.at/gesamtverzeichnis/fertigungstechnik/smart-and-networked-manufacturing-ebook/
[3] Archenti A, Gao W, Donmez A, Savio E, Irino N 2024 Integrated Metrology for Advanced Manufacturing. CIRP Annals 73 639- 65. https://doi.org/10.1016/j.cirp.2024.05.003
[4] Gunasegaram DR, Barnard AS, Matthews MJ, Jared BH, Andreaco AM, Bartsch K, et al. 2024 Machine Learning-Assisted in-Situ Adaptive Strategies for the Control of Defects and Anomalies in Metal Additive Manufacturing. Additive Manufacturing 81 104013. https://doi.org/10.1016/j.addma.2024.104013
[5] Zhang Y, Li L, Yu Q 2024 Virtual Metrology for Enabling Zero-Defect Manufacturing: A Review and Prospects. The International Journal of Advanced Manufacturing Technology 130 3211-27. https://doi.org/10.1007/s00170-023-12726-x
[6] Han X, Miller M, Moyne J, Vogl GW, Penkova A, Jia X 2025 A Comparative Study of Semiconductor Virtual Metrology Methods and Novel Algorithmic Framework for Dynamic Sampling. IEEE Transactions on Semiconductor Manufacturing 38 232-9. https://doi.org/10.1109/TSM.2025.3531920
[7] World Economic Forum 2022 The Global Smart Industry Readiness Index Initiative: Manufacturing Transformation Insights Report 2022. World Economic Forum: 1-38. https://www3.weforum.org/docs/WEF_The_Global_Smart_Industry_Readiness_Index_Initiative_2022.pdf Figure 1. Roadmap for data-centric metrology (DCM) in future manufacturing based on the three main pillars of DCM: (1) integrated metrology, (2) virtual metrology, and (3) data management with uncertainty quantification. Journal XX (XXXX) XXXXXX A Author et al 94
[8] IEEE 2023 International Roadmap for Devices and Systems™: 2023 Update - Metrology. Institute of Electrical and Electronics Engineers (IEEE): 1-67. https://irds.ieee.org/images/files/pdf/2023/2023IRDS_MET.pdf
[9] Filz M-A, Bosse JP, Herrmann C 2024 Digitalization Platform for Data-Driven Quality Management in Multi-Stage Manufacturing Systems. Journal of Intelligent Manufacturing 35 2699-718. https://doi.org/10.1007/s10845-023-02162-9
[10] Hsieh YM, Wang TJ, Lin CY, Tsai YF, Cheng FT 2022 Convolutional Autoencoder and Transfer Learning for Automatic Virtual Metrology. IEEE Robotics and Automation Letters 7 8423-30. https://doi.org/10.1109/LRA.2022.3187617
[11] Barbosa CRH, Sousa MC, Almeida MFL, Calili RF 2022 Smart Manufacturing and Digitalization of Metrology: A Systematic Literature Review and a Research Agenda. Sensors 22 6114. https://doi.org/10.3390/s22166114
[12] Mekala SH, Baig Z, Anwar A, Zeadally S 2023 Cybersecurity for Industrial IoT (IIoT): Threats, Countermeasures, Challenges and Future Directions. Computer Communications 208 294-320. https://dx.doi.org/10.1016/j.comcom.2023.06.020
[13] Case Western Reserve University 2024 A Manufacturing Technology Roadmap for AI-Enhanced Multimodal Sensing of Materials and Processes for Complete Product Lifecycle Performance. Case Western Reserve University: 1-60. https://case.edu/issacs/sites/default/files/2024- 02/A_Manufacturing_Technology_Roadmap_for_AI_Enhanced_Multimodal_Sensing_of_Materials_and_Processes_for_Complete_ Product_Lifecycle%20_Performance.pdf
[14] Cerquitelli T, Pagliari DJ, Calimera A, Bottaccioli L, Patti E, Acquaviva A, et al. 2021 Manufacturing as a Data-Driven Practice: Methodologies, Technologies, and Tools. Proceedings of the IEEE 109 399-422. https://doi.org/10.1109/JPROC.2021.3056006
[15] Blair J, Amin O, Brown BD, McArthur S, Forbes A, Stephen B 2024 The Transfer Learning of Uncertainty Quantification for Industrial Plant Fault Diagnosis System Design. Data-Centric Engineering 5 e41. https://doi.org/10.1017/dce.2024.54
[16] David J, Gupta A, Bamb R, Akar S, Holt J, Strojwas A, et al. 2024 New Paradigm of Yield Analysis in Big Data and AI Era in Semiconductor Manufacturing. 2024 8th IEEE Electron Devices Technology & Manufacturing Conference (EDTM). https://doi.org/10.1109/EDTM58488.2024.10512106
[17] Catalucci S, Thompson A, Piano S, Branson DT, Leach R 2022 Optical Metrology for Digital Manufacturing: A Review. The International Journal of Advanced Manufacturing Technology 120 4271-90. https://doi.org/10.1007/s00170-022-09084-5
[18] Pandhare V, Miller M, Vogl GW, Lee J 2023 Ball Screw Health Monitoring with Inertial Sensors. IEEE Transactions on Industrial Informatics 19 7323-34. https://doi.org/10.1109/TII.2022.3210999
[19] Grasso Toro F, Lehmann H 2021 Brief Overview of the Future of Metrology. Measurement: Sensors 18 100306. https://doi.org/10.1016/j.measen.2021.100306
[20] Eichstädt S, Keidel A, Tesch J 2021 Metrology for the Digital Age. Measurement: Sensors 18 100232. https://doi.org/10.1016/j.measen.2021.100232