The Business Problem

Het fabricageproces van geheugenchips omvat ongeveer 1.500 stappen die in steriele omstandigheden moeten worden uitgevoerd om te voorkomen dat stofdeeltjes de wafers beschadigen. Helaas komen beschadigingen toch voor. De kwaliteitsproblemen die zich voordoen, krasjes, gaatjes enz., zijn vaak microscopisch en bijna onzichtbaar voor het menselijk oog!

In de productieomgeving bevinden zich een groot aantal machines, leidingen en onderdelen. Deze slijten, gaan kapot of beginnen te druppelen. Het in een vroeg stadium opsporen van deze problemen is van cruciaal belang. Ingenieurs zijn meestal verantwoordelijk voor het onderhoud. Maar zelfs de meest bekwame ingenieur kan vroege indicatoren missen dat er iets mis is.

Inherent aan het fabricageproces van geheugenchips is de mogelijkheid tot fouten. Vertrouwen op menselijke waakzaamheid om kwaliteitsproblemen en mechanische problemen op te sporen kostte Micron Technology veel geld, gemiddeld $250.000 per uur van stilstand (Micron Technology).

The Solution

Dit specifieke bedrijfsprobleem is zeer geschikt voor AI-oplossingen. De problemen zijn duidelijk gedefinieerd, meetbaar en er is genoeg data in huis om Machine Learning (ML) op meerdere fronten met goede nauwkeurigheid in te zetten. De oplossingen werken ook met kleinere hoeveelheden data, maar de nauwkeurigheid van het ML-algoritme zal dan minder goed zijn. Naarmate meer gegevens worden verzameld, verbeterd de nauwkeurigheid.

Een andere grote fabrikant van geheugenchips (Intel) heeft ook Machine Vision en Machine Learning algoritmen geïmplementeerd in zijn wafer productieproces. In een whitepaper over hun aanpak staat de volgende interessante conclusie:

“Similar technology can be used in many different industries-wherever machines capture images, regardless of the original use for those images.”

De ML-algoritmen zijn ontworpen om anomalieën in een vroeger stadium te detecteren, met een hogere precisie en frequentie dan zijn menselijke tegenhangers. Maar, en dit kan niet genoeg worden benadrukt, er zijn nog steeds mensen nodig om de door het systeem gegeven alarmen te interpreteren en erop te reageren.

Machine Vision

Micron Technology heeft Machine Vision-technologie geïmplementeerd in zijn fotolithografische camera’s wanneer zij de schakelingen in de wafers etsen. De technologie scant op vaak voorkomende gebreken en waarschuwt de ingenieurs wanneer een gebrek is ontdekt. Afhankelijk van het type fout duurt het tussen 15 seconden en 15 minuten voordat de waarschuwing wordt gegeven.

Het Auto-Defect-Classification-systeem (ADC) van het bedrijf lost het probleem op van het handmatig classificeren van elk defect. Het systeem maakt gebruik van deep learning (Opperman, 2019) om miljoenen defecten te sorteren en te categoriseren. In een whitepaper van Intel wordt het ADC-systeem nader toegelicht.

Thermal Imaging

Om de effectiviteit en nauwkeurigheid van AI verder aan te jagen, implementeerde Micron thermal imaging om het productieproces te monitoren. “Heat maps” van de fabrieksomgeving onder normale werkomstandigheden worden over een ‘digital twin’ gelegd, in wezen een digitale kopie van de fabrieksomgeving. Deze kaart vormt dan een basislijn om real-time infraroodbeelden van de fabriek mee te vergelijken. Als het systeem een anomalie opmerkt, bijv. onregelmatige temperaturen in vergelijking met de digitale tweeling, slaat het systeem alarm.

Acoustic Listening

Wellicht de meest verrassende van het trio, is een AI-oplossing gecreëerd om ongewone geluiden in het productieproces te identificeren. Net zoals uw auto vreemde geluiden maakt, wijst een machine die een ongewoon geluid maakt vaak op problemen. Het AI-systeem bij Micron is getraind om onregelmatigheden in geluidsfrequenties op te sporen door geluid om te zetten in  visuele datapunten. Om de geluiden van afzonderlijke machines in een lawaaierige omgeving op te vangen, worden audiosensoren dicht bij machines of pompen geplaatst. De technici categoriseren de geluiden en de mogelijke oorzaken.

Voordelen en impact

Ten eerste hebben de AI-oplossingen van Micron Technology de productie-efficiëntie en -nauwkeurigheid merkbaar verbeterd. Ten tweede is de veiligheid van werknemers verbeterd (werknemers komen minder vaak in contact met extreme temperaturen en schadelijke stoffen). Ten derde hebben de AI-oplossingen waardevolle tijd vrijgemaakt voor de ingenieurs van het bedrijf, zodat zij hun inspanningen elders op kunnen richten. Ten slotte heeft de implementatie van AI-oplossingen in het productieproces zich uitgebreid naar andere processen in het bedrijf, zoals prognoses van de vraag naar producten, waardoor de nauwkeurigheid met 10 tot 20 % is toegenomen.

Key benefits:

  • 10% toename van de productie-output
  • 35% minder kwaliteitsproblemen
  • 25% snellere tijd tot yield maturity
  • Miljoenen $USD vermeden door vroegtijdige detectie van machinestoringen en kwaliteitsproblemen
  • Tijd vrijgemaakt voor ingenieurs om hun inspanningen elders te richten
  • Verhoogde veiligheid van werknemers
  • Maakt de weg vrij voor AI-oplossingen in andere bedrijfsprocessen

Toegankelijkheid en vereisten

De drijvende kracht achter de drie AI-oplossingen die bij Micron Technology zijn geïmplementeerd, is data, heel veel data. Het bedrijf verzamelt petabytes aan productiegegevens uit meer dan 8.000 bronnen en meer dan 500 servers wereldwijd. Deze gegevens worden naar twee omgevingen van het open-source softwareprogramma “Apache Hadoop” gestuurd voor datamining. Hadoop is ontworpen voor parallelle verwerking van grote datasets, wat betekent dat meerdere datasets tegelijk kunnen worden verwerkt.

Voor Machine Vision worden meer dan 2.000.000 beelden opgeslagen in de Hadoop-omgeving. Voor Akoestisch Luisteren stuurt Micron de relevante data naar een GPU systeem  om de enorme werklast van het complexe machine learning-algoritme op een snelle manier te verwerken. GPU’s kunnen toepassingen blijven versnellen door taken te verdelen over vele processors, waardoor de enorme hoeveelheid gegevens die in het systeem wordt gegoten, kan worden verwerkt.

Vereisten voor AI-oplossingen

  • Voldoende beelden en gegevens over gebreken, ‘normale’ geluidsfrequenties en temperaturen
  • Deep learning-algoritme (voor classificatie van gebreken voor Machine Vision)
  • Een digitale tweeling (voor Thermal Imaging)
  • Infraroodcamera’s (voor Thermal Imaging)
  • Auditieve sensoren (voor Acoustic Listening)
  • Apache Hadoop voor gegevensontginning
  • GPU-systemen
  • Machine-Learning algoritmen

Want to know more what AI can do for your supply chain?
Contact us.

More AI Case Studies:

AI case study 4: Machine Learning in the Manufacturing Process

The Business Problem Het fabricageproces van geheugenchips omvat ongeveer 1.500 stappen die in steriele omstandigheden moeten worden uitgevoerd om te voorkomen dat stofdeeltjes de wafers beschadigen. Helaas komen beschadigingen toch voor. De kwaliteitsproblemen [...]

Bibliography

Alexsoft. (2019, November 11). Demand Forecasting Methods: Using Machine Learning and Predictive Analytics to See the Future of Sales. Retrieved April 6, 2021, from Alexsoft

Armstrong, M. M. (2020, December 4). Cheat sheet: What is Digital Twin? Retrieved April 21, 2021, from ibm.com

BCG. (2015, November 17). Think Outside Your Boxes: Solving the Global Container-Repositioning Puzzle . Retrieved from Boston Consulting Group

Best Practice AI. (n.d.). Danone reduces forecast error and lost sales by 20 and 30 percent respectively and achieve a 10 point ROI improvement in promotions with machine learning. Retrieved April 6, 2021, from Bestpractice

Brosset, P., Patsko, S., Khadikar, A., Thieullent, A., Buvat, J., Khemka, Y., & Jain, A. (n.d.). Scaling AI in Manufacturing Operations. Retrieved April 06, 2021, from Capgemini

Caulfield, B. (2019, December 16). What’s the Difference Between a CPU and a GPU? Retrieved April 22, 2021, from nvidia.com

Dilmegani, C. (2021, January 7). Demand forecasting in the age of AI & machine learning [2021]. Retrieved April 6, 2021, from AImultiple

Europawire. (2020, April 15). Shipment planning and inventory management improved with AI and big data on Kuehne + Nagel’s new version of SeaExplorer. Retrieved from Europawire

Hyeongchan, K. (2020, December 16). Detecting Sounds with Deep Learning. Retrieved April 21, 2021, from towardsdatascience.com

Kvartalnyi, N. (2021, May 11). 6 TIPS OF HOW TO IMPROVE INVENTORY MANAGEMENT USING ARTIFICIAL INTELLIGENCE. Retrieved from Inoxoft

Majumdar, D. (n.d.). Case Study-How SynergyLabs AI solutions Brought Efficiency in warehouse Inventory management. Retrieved April 19, 2021, from Synlabs

Micron Technology. (2021). Case Study: Micron Uses Data and Artificial Intelligence to See, Hear and Feel. Retrieved April 21, 2021, from sg.micron.com

Opperman, A. (2019, November 19). What is Deep Learning and How does it work? Retrieved April 21, 2021, from towardsdatascience.com

Serheichuk, N. (2020, December 15). Inventory management automation: How you can benefit from it. Retrieved from N-ix

Subramanyam, J. (2019, July 8). Prediction Models: Traditional versus Machine Learning. Retrieved May 20, 2021, from Gartner.com

Supply Chain 247. (2017, March 28). Coca-Cola Leverages AI for Inventory Management. Retrieved from SupplyChain247

Supply Chain Dive. (2018, August 17). Two-thirds of companies consider Excel a supply chain system. Retrieved from Supply Chain Dive

Symphony Retail. (n.d.). demand forecasting ai. Retrieved April 06, 2021, from symphonyretail

TradeGecko. (2019, December 4). What is inventory management? Retrieved from tradegecko

Tuv, E., Murat, G., Enis, P., & Lee, D. H. (2018, November). Faster, More Accurate Defect Classification Using Machine Vision. Retrieved April 21, 2021, from Intel.com