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 5: Workflow automation with TradeCloud One
The Business Problem In deze business case wordt de automatisering van AI-workflows geïllustreerd aan de hand van het voorbeeld van een TradeCloud-klant. De klant is een fabrikant van machines voor het sorteren van [...]
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 [...]
AI case study 3: Kostenbesparende AI in de productielogistiek
The Business Problem In de wereld van logistiek kan het beheer van lege containers niet over het hoofd worden gezien. Boston Consulting Group (BCG) schat dat in de containervaart tot 8% van de [...]
AI case study 2: Efficiënt voorraadbeheer met behulp van Artificiële Intelligence
The Business Problem Een grote uitdaging voor productiebedrijven is te weten wat, wanneer, waar en hoeveel voorraad moet worden besteld en opgeslagen. MKB-bedrijven berekenen dit traditioneel handmatig met behulp van Excel, Google Sheets of [...]
AI case study 1: Demand Forecasting met behulp van Artificial Intelligence
The Business Problem Een van de grootste uitdagingen voor bedrijfsleiders vandaag de dag is de volatiliteit van de vraag in relatie tot het voorspellen van de vraag. Terwijl de beschikbaarheid van data blijft [...]
