Drei Millionen Bilder pro Tag analysiert

Der Spielraum für Fehler ist in der Fertigung von Hightech-Elektronik sehr klein. Um die ohnehin schon geringe Fehlerrate weiter zu reduzieren, hat Seagate bei der Wafer-Fertigung KI mit industrieller Bildverarbeitung gekoppelt.

Bild: ©sebastianreuter/stock.adobe.com

Seagate produziert jedes Jahr mehr als eine Milliarde Wandler in seiner Waferfertigung in Normandale, Minnesota, USA. Um die hohen Qualitätsstandards einzuhalten und Herstellungsfehler früh zu erkennen, müssen die Wandler umfassend analysiert und getestet werden. Die Produktion der Wandler startet mit dem Rohmaterial, das im Wesentlichen ein dünnes Halbleitersubstrat ist. Im Laufe eines fotolithografischen Prozesses wird das Substrat zu einem dünnen, flachen, kristallinen Wafer. Der Wafer wird, wenn er geschnitten und weiterverarbeitet wird, zu einem Wandler (auch bekannt als Schieberegler) – ein Element, das in der Lage ist, Daten auf eine rotierende Magnetplatte zu schreiben und sie zu lesen. Der Testprozess ist lang, komplex und erfordert viel Fingerspitzengefühl. In jedem 200mm-Wafer befinden sich 100.000 Schieber, die überprüft werden müssen. In der Fabrik in Normandale werden täglich Millionen von Mikroskopaufnahmen erzeugt. Das entspricht einem Volumen von 10 Terabyte an Daten, die gesichtet werden müssen, um mögliche Produktionsfehler zu erkennen, bevor die Wafer in Laufwerken verbaut werden.

Nur bekannte Fehler auffindbar

Bisher war es die Aufgabe der Ingenieure, all diese Bilder zu analysieren. Dies birgt ein gewisses Fehlerpotenzial, was dazu führen kann, dass defekte Wandler erst zu einem späteren Zeitpunkt im Herstellungsprozess erkannt werden und dadurch zusätzliche Kosten verursachen. Seagate benötigte eine Lösung, um mehr Bilder in kürzerer Zeit zu überprüfen. Doch selbst das Einstellen von mehr Bildanalyseexperten würde nicht ausreichen, um Millionen von Bildern zu verarbeiten. Schließlich wurde mit einer regelbasierten Bildanalyse zunächst ein erster Automatisierungsgrad erreicht. Mit diesem Ansatz ließen sich einige Anomalien identifizieren – die Voraussetzung dafür war jedoch, dass das System weiß, wonach es suchen muss. Hinzu kam, dass die Regeln manuell eingestellt werden mussten. Dies war ein zeitaufwendiger Prozess, der ständig optimiert und verfeinert werden musste. Das regelbasierte System konnte nur langsam eingerichtet und optimiert werden und lieferte dabei variable Ergebnisse. Abgesehen von einigen Fehlmeldungen des Systems konnte es durch die vorgegebenen Regeln nur bekannte Probleme erkennen. Dies führte zu dem potenziellen Risiko, dass fehlerhafte Wafer vor der Montage in Lese- und Schreibköpfe nicht erkannt werden konnten. Erst die Fortschritte in den Bereichen KI, maschinelles Lernen und Sensoren für das Internet der Dinge führte zu einer Lösung für das Problem.

Eine interne KI-Edge-Plattform

Einer Lösung standen zwei große Herausforderungen im Weg: Das riesige Volumen an Daten, das im täglichen Prozess zu bewältigen war und die Beschränkung bestehender regelbasierter Analyse-Tools, die es zu umgehen galt. Traditionelle Big-Data-Programme arbeiten nach einem Batch-Prozess – dieser eignet sich jedoch nicht für eine Produktionslinie, die rund um die Uhr und 365 Tage im Jahr betrieben wird. Der erste Schritt war der Aufbau eines neuronalen Netzes (Deep Neural Network, DNN), das Erkenntnisse zur Verbesserung der Automatisierung der Erkennung von defekten Wandlern liefern konnte. Das neuronale Netz wurde mit den Grafikprozessoren Nvidia V100 und P4 sowie leistungsstarken All-Flash-Array-Systemen der Reihe Nytro X 2U24 von Seagate entwickelt.

Das KI-System Athena

In das neuronale Netz wurden Wafer-Bilder eingespeist, um das KI-System so zu trainieren, dass es zwischen intakten und fehlerhaften Wafern unterscheiden kann. Denn die Lösung namens Athena lernt genauso wie eine menschliche Ingenieurin – indem sie Tausende von Fotos betrachtet. Doch dank der leistungsstarken Verarbeitung ist sie dabei viel schneller und auch präziser als ein Mensch. Im Laufe der Zeit hat das System die Fähigkeit erworben, auch potenzielle Prozessfehler zu erkennen. Die KI markiert anomale Bilder zur manuellen Beurteilung durch einen Experten. Zusätzlich kann Athena eigene Regeln aufstellen und verfeinern. Diese basieren auf Anomalien, die während des Bildanalyseprozesses aufgespürt werden. Darüber hinaus kann Athena Bilder, die vom Elektronenmikroskop erzeugt werden, in Echtzeit verarbeiten und analysieren. Seagate ist es dadurch möglich, täglich drei Millionen Bilder zu verarbeiten und selbst winzige Defekte unverzüglich zu identifizieren, die von einem menschlichen Ingenieur schnell übersehen werden können. Die Echtzeitverarbeitung ermöglicht es den Mitarbeitern, Fehler in der Fertigung schnell zu identifizieren und zu korrigieren, sodass ihre potenziellen Auswirkungen auf den Produktionsprozess und damit einhergehende Kosten deutlich reduziert werden.

Es bleibt bei der Unterstützung

Das Projekt Athena hilft bei der Identifizierung von Mängeln. Aber es kann und wird nicht die geschulten, menschlichen Experten ersetzen. Doch aus dem Projekt resultieren besonders interessante Möglichkeiten für Seagates Wafer-Experten, mit denen sie größere Probleme neu angehen und lösen können. Das System stellt eine beispielhafte Lösung dar, die eine weitaus breitere Palette von Problemen über den Fertigungsprozess hinaus bewältigen kann. Die Fähigkeit Anomalien schneller, adaptiver und aussagekräftiger zu erkennen, erweist sich über die Produktion in Smart Factories hinaus in den unterschiedlichsten Bereichen wie öffentliche Sicherheit, autonomes Fahren und Smart Cities als nützlich. „Wir gehen davon aus, dass wir Athena zu gegebener Zeit in allen unseren Produktionsstätten einsetzen werden“, sagt Jeffrey Nygaard, Executive Vice President of Operations, Products and Technology bei Seagate. „Und da die Kosten für Mikroskopkameras und IoT-Sensoren sinken, können die gleichen Technologien auch für andere Anwendungen eingesetzt werden. Dies ist ein wegweisender erster Schritt in der intelligenten Fertigung und der Grundstein, auf dem unsere anderen Fabriken aufbauen können.“

Seagate Technology GmbH
www.seagate.com

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.