被强到爽的邻居人妻2,成人片黄色大片

行業(yè)分享丨TCL華星光電：AI 如何助力LCD顯示模組精準(zhǔn)老化預(yù)測？

澳汰爾 2025-09-06 | 閱讀：315

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(lǐng)域知識，真正幫助我們實現(xiàn)了數(shù)據(jù)價值的挖掘。

基于RapidMiner軟件調(diào)試后，我們使用了四個測試集進(jìn)行訓(xùn)練，收集了四個月的產(chǎn)線實時數(shù)據(jù)，統(tǒng)計發(fā)現(xiàn)SKIP率、精確率和漏放率均達(dá)到上線驗證標(biāo)準(zhǔn)。

—— TCL華星光電技術(shù)有限公司

仿真設(shè)計高級工程師巴靜

在2025 Altair 區(qū)域技術(shù)大會·華南站的精彩演講”

很榮幸本次能有機(jī)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(nèi)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(jié)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(shù)有限公司，成立于2009年，是TCL集團(tuán)旗下專注于半導(dǎo)體顯示的國家高新技術(shù)企業(yè)，同時也是中國第二大顯示屏生產(chǎn)商。公司總部位于深圳，在多地布局了產(chǎn)業(yè)，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(chǎn)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(chǎn)業(yè)布局和資金投入，構(gòu)建了覆蓋大中小尺寸面板以及高端顯示應(yīng)用的全球產(chǎn)業(yè)鏈。

華星光電的產(chǎn)品主要涵蓋TV顯示、商業(yè)顯示，以及手機(jī)、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(chǎn)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(guī)筆電品牌如戴爾，聯(lián)想，惠普，華碩（ASUS），熱門手機(jī)品牌如小米，OPPO、vivo等，還有汽車制造企業(yè)，如大眾、奧迪、比亞迪等。我們會根據(jù)客戶的需求，為其提供相應(yīng)的顯示屏產(chǎn)品。

接下來，介紹一下華星光電的組織及業(yè)務(wù)情況。我來自TCL華星研發(fā)中臺技術(shù)創(chuàng)新中心仿真開發(fā)組，主要從事仿真開發(fā)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(guān)仿真。我目前主要負(fù)責(zé)Design for制造相關(guān)的仿真工作。我們小組的前景是利用AI+仿真技術(shù)賦能研發(fā)設(shè)計制造，實現(xiàn)更快、更全、更優(yōu)的虛擬開發(fā)工作。

AI 仿真案例介紹

下面，跟大家詳細(xì)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(chǔ)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(huán)境中，通過通電進(jìn)行測試，目的是在高溫環(huán)境下對液晶面板進(jìn)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(yán)重影響顯示效果，導(dǎo)致圖像不完整或出現(xiàn)明顯的視覺干擾。

在當(dāng)前測試產(chǎn)能loading的情況下，我們需要借助AI技術(shù)進(jìn)行精準(zhǔn)Aging測試，節(jié)約的產(chǎn)能可用于加嚴(yán)Aging測試，以改善產(chǎn)品品質(zhì)。

項目目標(biāo)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(chǎn)品需要100% 通過Aging測試，但是大部分產(chǎn)品狀態(tài)經(jīng)過老化之后也是一個優(yōu)良品，因此需要進(jìn)行合理化Aging測試以節(jié)約資源來識別少量的不良；

其二，到2025年，客戶端的漏放標(biāo)準(zhǔn)需收嚴(yán)到500dppm，其中與面內(nèi)相關(guān)的漏放多為線不良，我們可以在廠內(nèi)通過加嚴(yán)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(wù)是利用AI建模完成一個二分類的預(yù)測任務(wù)，實現(xiàn)60%的SKIP率。

以往在完成對應(yīng)制程后，需要100%對模組進(jìn)行Aging測試，而現(xiàn)在通過AI預(yù)測Aging結(jié)果，對于合格樣本可直接跳過該環(huán)節(jié)，對于有問題的樣本則進(jìn)行正常Aging測試。

我們的模型應(yīng)用有三大指標(biāo)：第一，SKIP率大于60%，要釋放60%的Aging測試產(chǎn)能；第二，模型精確率需達(dá)到99.95%以上；第三，降低客訴漏放風(fēng)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(gòu)建，第二部分是在系統(tǒng)平臺進(jìn)行串接。

在模型構(gòu)建部分，我們首先分析了Aging線不良的相關(guān)異常原因，識別關(guān)鍵參數(shù)，下載了約10萬片數(shù)據(jù)樣本并進(jìn)行數(shù)據(jù)加工，然后使用AI軟件進(jìn)行模型開發(fā)和部署。

模型部署的整體路徑如下：通過良率管理系統(tǒng)（YMS）的數(shù)據(jù)獲取生產(chǎn)數(shù)據(jù)源，將開發(fā)好的模型部署在大數(shù)據(jù)分析平臺，實現(xiàn)實時預(yù)測，預(yù)測結(jié)果會推送到制造執(zhí)行系統(tǒng)（MES），模組端的Aging機(jī)臺讀取預(yù)測結(jié)果指令后執(zhí)行Aging動作，從而實現(xiàn)精準(zhǔn)Aging功能。

在詳細(xì)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(yè)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(lǐng)域知識。

我2019年畢業(yè)于南京大學(xué)化學(xué)工程專業(yè)，理論上與AI并無關(guān)聯(lián)，但機(jī)緣巧合從事了仿真相關(guān)工作，接觸到了AI這類新型仿真技術(shù)，這款A(yù)I大數(shù)據(jù)分析軟件真正幫助我們實現(xiàn)了數(shù)據(jù)價值的挖掘。

下面，正式介紹建模方案。

由于建模需要基于數(shù)據(jù)展開，當(dāng)前數(shù)據(jù)存在一些問題：

一是數(shù)據(jù)分布不平衡，NG樣本較少；

二是OK與NG樣本存在重復(fù)，可能與特征識別不全面有關(guān)；

三是模型指標(biāo)偏高，因為目標(biāo)是是改善客訴漏放，我們的目標(biāo)是要基于0漏放提出的，但是對于模型應(yīng)用來說，我們?yōu)槟Ｐ蛻?yīng)用預(yù)留了一定空間；

四是數(shù)據(jù)隨生產(chǎn)波動會有變異，這會影響模型預(yù)測的穩(wěn)定性，若穩(wěn)定性太差，SKIP率可能大幅波動，影響生產(chǎn)節(jié)奏。

基于以上問題，我們構(gòu)建了初步建模方案，利用RapidMiner軟件進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)采樣，選擇多個模型進(jìn)行初篩和交叉驗證，并結(jié)合代價敏感學(xué)習(xí)和置信度調(diào)整，最終得到一個較好的模型。經(jīng)過多測試集驗證，模型效果達(dá)到了產(chǎn)線應(yīng)用標(biāo)準(zhǔn)。

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(jìn)行初篩，但發(fā)現(xiàn)采用自助建模分析流程導(dǎo)入數(shù)據(jù)進(jìn)行預(yù)測存在問題。

因為我們的預(yù)測場景是二分類，重點關(guān)注漏放率，若預(yù)測失敗會有客訴風(fēng)險，所以需要設(shè)置成本敏感學(xué)習(xí)矩陣來調(diào)整參數(shù)，但同一套參數(shù)搭配不同模型，指標(biāo)差異較大，因此我們決定采用單獨建模進(jìn)行模型開發(fā)。

于是我們采用Design 模塊進(jìn)行單獨建模，主要包括數(shù)據(jù)預(yù)處理、模型構(gòu)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(guān)算子構(gòu)建流程，并進(jìn)行模型訓(xùn)練與測試。

初篩模型時，我們基于預(yù)測場景選取了貝葉斯、隨機(jī)森林和深度學(xué)習(xí)等模型，發(fā)現(xiàn)貝葉斯模型的調(diào)優(yōu)效果較好，后續(xù)便基于貝葉斯算法對算子和模型參數(shù)進(jìn)行微調(diào)。

在建模細(xì)節(jié)方面，考慮到數(shù)據(jù)分布不平衡的情況，我們從數(shù)據(jù)和算法層面進(jìn)行調(diào)整。在數(shù)據(jù)層面，采用采樣技術(shù)調(diào)節(jié)OK和NG樣本的占比；在算法層面，運用代價敏感學(xué)習(xí)賦予懲罰系數(shù)，以調(diào)控漏放率。

在模型選擇上，初篩發(fā)現(xiàn)貝葉斯算法較優(yōu)，但還有其他算法可供嘗試。若需要對建模過程和最終預(yù)測的各特征權(quán)重進(jìn)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(zhǔn)調(diào)控預(yù)測效果，我們對置信度閾值進(jìn)行了微調(diào)。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(yù)測的SKIP率從22000多片提升到26000多片，因為釋放產(chǎn)能需要滿足60%的SKIP率，這樣模組產(chǎn)線才能正常運轉(zhuǎn)。

采用相關(guān)策略后，模型預(yù)測效果逐漸變好，漏放片數(shù)從最初的15片減少到7片，SKIP樣本數(shù)量也在合理調(diào)整，以保證低漏放率。

基于RapidMiner軟件調(diào)試后，我們使用了四個測試集進(jìn)行訓(xùn)練，收集了四個月的產(chǎn)線實時數(shù)據(jù)，統(tǒng)計發(fā)現(xiàn)SKIP率、精確率和漏放率均達(dá)到上線驗證標(biāo)準(zhǔn)，但仍有提升空間。

目前漏放率為0.0286%，可繼續(xù)降低；SKIP率為69.9%，可調(diào)整至60%，以進(jìn)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(xùn)練集的模型穩(wěn)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(xù)探索如何進(jìn)一步提升模型穩(wěn)定性。

前面介紹的案例是基于65寸產(chǎn)品開發(fā)的，公司內(nèi)還有多種不同尺寸的產(chǎn)品。我們嘗試對75寸、85寸和98寸產(chǎn)品進(jìn)行Aging模型預(yù)測，從65寸遷移到75寸時，只需更新數(shù)據(jù)源并微調(diào)內(nèi)部算子，就能快速構(gòu)建75寸模型。

目前65寸和75寸已達(dá)標(biāo)，85寸和98寸還需持續(xù)優(yōu)化。

模型指標(biāo)受限因素主要有兩個：一是85寸和98寸屏幕較大，產(chǎn)量和出貨量少，可用數(shù)據(jù)有限；二是其不良率高于65寸和75寸，大尺寸屏幕出現(xiàn)異常的概率相對較高。

總結(jié)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(yè)數(shù)據(jù)人員，使用軟件前需初步了解機(jī)器學(xué)習(xí)相關(guān)知識，再進(jìn)行案例開發(fā)和軟件實操，這樣能加深理解。

第二，在仿真軟件中設(shè)置參數(shù)和選擇算子對仿真結(jié)果影響重大，關(guān)鍵參數(shù)的調(diào)控至關(guān)重要，需要不斷摸索。

第三，結(jié)果驗證與實際結(jié)果的匹配是大數(shù)據(jù)仿真工作的關(guān)鍵環(huán)節(jié)，過程中需實時調(diào)控。

第四，AI模型開發(fā)并非終點，模型應(yīng)用還需考慮落地規(guī)劃，這樣才能借助AI發(fā)揮數(shù)據(jù)潛在價值，這也是應(yīng)用AI大數(shù)據(jù)軟件開展工作的最終目的。

最后，進(jìn)行總結(jié)與展望。

本次主要為大家介紹了AI助力LCD顯示模組精準(zhǔn)老化預(yù)測工作，這是AI驅(qū)動的精準(zhǔn)賦能產(chǎn)品生產(chǎn)優(yōu)化與品質(zhì)進(jìn)階的案例。

但AI的應(yīng)用遠(yuǎn)不止于此，在技術(shù)開發(fā)、產(chǎn)品研發(fā)設(shè)計、制造生產(chǎn)管理以及測試與質(zhì)量管理等過程中，都可以融合AI大數(shù)據(jù)應(yīng)用，實現(xiàn)更多應(yīng)用場景的落地，助力企業(yè)更好地發(fā)展。