Hoe Micron Technology met machine vision, thermische beelden en geluid fouten en storingen vroeg signaleert, en wat je daarvoor nodig hebt.
door Tradecloud Marketing Team
6 september 2021

Het probleem
Geheugenchips maken is precisiewerk. Het proces telt ongeveer 1.500 stappen, die allemaal in een steriele omgeving plaatsvinden om stof bij de wafers weg te houden (bekijk hoe het werkt). Toch ontstaat er schade. Krassen en gaatjes zijn vaak microscopisch klein en bijna onzichtbaar.
Daarnaast slijten machines, leidingen en onderdelen, ze gaan kapot of gaan lekken. Dat vroeg opsporen is essentieel. Engineers verzorgen het onderhoud, maar ook ervaren engineers missen soms de eerste waarschuwingssignalen.
Het proces laat veel ruimte voor fouten. Vertrouwen op menselijke oplettendheid kostte Micron Technology gemiddeld zo'n 250.000 dollar per uur stilstand (Micron Technology, 2021).
De oplossing
Dit probleem past goed bij AI. Het is duidelijk afgebakend, meetbaar en er is genoeg interne data om machine learning op meerdere fronten in te zetten. Kleinere datasets werken ook, maar met een lagere nauwkeurigheid. Hoe meer data je verzamelt, hoe nauwkeuriger het systeem wordt.
Ook Intel gebruikte machine vision en machine learning in de productie van wafers. In de whitepaper staat:
"Similar technology can be used in many different industries." (Vergelijkbare technologie is in veel verschillende sectoren toepasbaar.)
De machine learning algoritmes signaleren afwijkingen eerder, preciezer en vaker dan mensen. Mensen blijven nodig om de alarmen te interpreteren en erop te handelen. Micron gebruikt drie technieken.
Machine vision
Micron voegde machine vision toe aan de fotolithografische camera's die de schakelingen in de wafers etsen. Het systeem scant op veelvoorkomende fouten en waarschuwt engineers. Afhankelijk van het type fout komt de melding tussen 15 seconden en 15 minuten na de detectie binnen.
Een Auto-Defect-Classification-systeem (ADC) gebruikt deep learning om miljoenen fouten automatisch te classificeren en te sorteren. De whitepaper van Intel beschrijft de ADC-aanpak in meer detail.
Thermische beeldvorming
Micron bewaakt de productie ook met thermische beelden. Warmtekaarten van de fabriek onder normale omstandigheden worden over een digital twin gelegd, een digitale kopie van de fabriek. Samen vormen ze een referentiebeeld. Realtime infraroodbeelden worden met dat referentiebeeld vergeleken. Wijkt de temperatuur af, dan gaat er een alarm af.
Akoestisch luisteren
Afwijkende machinegeluiden wijzen vaak op problemen. Het AI-systeem van Micron is getraind om onregelmatige geluidsfrequenties te herkennen door geluid om te zetten in visuele datapunten. Audiosensoren hangen vlak bij machines en pompen, zodat afzonderlijke geluiden in een lawaaiige omgeving te isoleren zijn. Engineers categoriseren de geluiden en bepalen de waarschijnlijke oorzaak.
Voordelen en impact
Micron meldt een duidelijk hogere efficiëntie en nauwkeurigheid in de productie. De veiligheid van medewerkers is verbeterd, omdat ze minder vaak worden blootgesteld aan extreme temperaturen en schadelijke stoffen. Engineers hebben meer tijd voor ander werk. Ook vond AI zijn weg naar andere bedrijfsprocessen, zoals vraagvoorspelling, waar de nauwkeurigheid met 10 tot 20% steeg.
De belangrijkste voordelen volgens Micron:
- 10% meer productieoutput
- 35% minder kwaliteitsproblemen
- 25% sneller tot een volwassen yield
- miljoenen dollars bespaard door storingen en kwaliteitsproblemen vroeg te signaleren
- meer tijd voor engineers voor ander werk
- betere veiligheid voor medewerkers
- een basis voor AI in andere bedrijfsprocessen
Toegankelijkheid en vereisten
Data is de kern van deze oplossing. Micron verzamelt petabytes aan productiedata uit meer dan 8.000 bronnen en ruim 500 servers wereldwijd. Die data gaat naar twee omgevingen waarop Apache Hadoop draait voor datamining. Hadoop verwerkt grote datasets parallel. In de Hadoop-omgeving staan meer dan 2.000.000 beelden voor machine vision.
Akoestische data gaat naar een GPU-systeem, dat de complexe machine learning taken snel verwerkt. Een GPU verdeelt taken over veel processoren die tegelijk werken.
Voor een vergelijkbare AI-oplossing heb je nodig:
- voldoende beelden en data over fouten, normale geluidsfrequenties en temperaturen
- een deep learning algoritme (classificatie van fouten met machine vision)
- een digital twin (thermische beeldvorming)
- infraroodcamera's (thermische beeldvorming)
- audiosensoren (akoestisch luisteren)
- Apache Hadoop voor datamining
- GPU-systemen
- machine learning algoritmes
Lees ook AI case study 1: vraagvoorspelling met artificial intelligence.
Bronnen
- Armstrong, M. M. (2020). Cheat sheet: What is Digital Twin? IBM.
- Caulfield, B. (2009). What's the Difference Between a CPU and a GPU? NVIDIA.
- Hyeongchan, K. (2020). Detecting Sounds with Deep Learning. Towards Data Science.
- Micron Technology (2021). Case Study: Micron Uses Data and Artificial Intelligence to See, Hear and Feel.
- Opperman, A. (2019). What is Deep Learning and How does it work? Towards Data Science.
- Tuv, E., Murat, G., Enis, P., & Lee, D. H. (2018). Faster, More Accurate Defect Classification Using Machine Vision. Intel.
Benieuwd wat AI en betere data voor jouw supply chain kunnen doen? Plan een demo.