Lesson Learned Explained: Integracja systemów i modelowanie danych dla poprawy jakości produkcji półprzewodników

Wyzwanie: Monitorowanie i poprawa jakości produktów końcowych

Przedsiębiorstwo z sektora przemysłu elektronicznego, specjalizujące się w wytwarzaniu półprzewodników, postawiło sobie za główny cel wprowadzenie usprawnień wpływających pozytywnie na jakość produktów końcowych. Kluczowym elementem było monitorowanie i identyfikacja korelacji, które pozwolą przewidywać jakość wyrobów schodzących z linii produkcyjnej. Wykorzystano do tego dane pochodzące z maszyn oraz stacji kontroli jakości, które następnie podlegały dogłębnej analizie. Dzięki temu firma mogła lepiej zrozumieć, jakie czynniki wpływają na końcową jakość ich produktów.

Rozwiązanie: Integracja systemów i modelowanie danych

Aby osiągnąć zamierzony cel, firma we współpracy z TT PSC wdrożyła rozwiązanie obejmujące integrację ze sterownikami PLC oraz systemami wspomagającymi produkcję. Kluczowym elementem było przeprowadzenie analizy danych historycznych oraz ich modelowanie z wykorzystaniem predykcyjnych możliwości jakościowych. Dzięki temu możliwe było przewidywanie potencjalnych problemów jakościowych, ich szybkie wyłapywanie, rozwiązanie oraz zapobieganie występowania w przyszłości.

Problemy wdrożeniowe: Brak definitywnego powiązania między danymi procesowymi a jakością

Pomimo zaawansowanego modelowania AI (eng. Artificial Intelligence – Sztuczna Inteligencja) opartego na parametrach procesowych, rozwiązanie okazało się nieskuteczne i charakteryzowało się niską dokładnością. Problemem okazała się zbyt duża ilość czynników (monitorowanych i niemonitorowanych) oraz różnorodność wariantów produktów; sprawiło to, że algorytmy nie były w stanie dokładnie przewidzieć jakości produktów po zakończeniu procesu wytwarzania. Natomiast bardziej złożone modele AI, obsługujące większą liczbę danych, były na tyle drogie, że przestawały być opłacalne.

Korekta: Nowy model oparty na równaniach fizycznych

W odpowiedzi na zidentyfikowane problemy, eksperci TT PSC zbudowali nowy model oparty na równaniach fizycznych, co oznacza, że zamiast polegać wyłącznie na algorytmach sztucznej inteligencji (AI) i uczenia maszynowego (eng. Machine Learning – ML), które analizują dane procesowe, zastosowali podejście oparte na fundamentalnych zasadach fizyki.

Dzięki temu możliwe stały się:

• Redukcja złożoności: Modele oparte na równaniach fizycznych mogą być mniej złożone niż zaawansowane modele AI, ponieważ opierają się na dobrze zrozumianych zasadach fizyki, a nie na analizie dużej ilości danych. To zmniejsza ryzyko błędów wynikających z nadmiernej liczby zmiennych.
• Łatwiejsza interpretacja: Modele fizyczne są często bardziej przejrzyste i łatwiejsze do interpretacji niż modele AI, co pozwala inżynierom lepiej zrozumieć, jakie czynniki wpływają na jakość produktów.
• Stabilność i spójność: Modele fizyczne mogą być bardziej stabilne i spójne, ponieważ opierają się na stałych prawach fizyki, a nie na zmiennych danych procesowych, które mogą się różnić w zależności od serii produktów.
• Skalowalność: Modele fizyczne mogą być łatwiej skalowalne i adaptowalne do różnych wariantów produktów, co jest trudniejsze do osiągnięcia w przypadku złożonych modeli AI.

To podejście pozwoliło na dokładniejsze przewidywanie jakości produktów, eliminując wpływ zbyt wielu zmiennych i różnic między seriami produktów. Dzięki temu możliwe było uzyskanie spójnych i wiarygodnych wyników.

Rezultat: Skuteczna identyfikacja i przezwyciężenie wyzwań jakościowych

Początkowo zastosowany model ML analizujący parametry procesu nie mógł osiągnąć oczekiwanej dokładności. Było to spowodowane zbyt dużą ilością czynników oraz różnicami między seriami produktów. Dopiero wykorzystanie standardowych równań modelowania opartych na fizyce pozwoliło na efektywne działanie algorytmu AI/ML. W rezultacie, firma mogła lepiej kontrolować jakość swoich produktów i szybciej reagować na potencjalne problemy.

Wnioski

Na podstawie przeprowadzonych działań można wyciągnąć kilka kluczowych wniosków:

• Algorytmy powinny wspierać proces decyzyjny, dostarczając wartościowych informacji.
• Ekspercka wiedza branżowa oraz doświadczenie technologów produkcji są kluczowe dla skutecznego wdrożenia uczenia maszynowego (ML).
• Algorytmy mogą analizować dane, które zazwyczaj byłyby pominięte przez intuicyjne podejście ekspertów.
• Nawet zaawansowane algorytmy powinny generować wyniki, które są łatwe do interpretacji i praktyczne w użyciu.

• Lesson Learned Explained: Poprawa KPI w Branży FMCG dzięki automatyzacji i analizie danych z półautomatycznych linii produkcyjnych
• Lesson Learned Explained: Jak właściwe zbieranie i przechowanie danych okazało się kluczowe w predyktywnym utrzymaniu ruchu
• Lesson Learned Explained: Cyfryzacja procesów raportowania w branży produkcji opakowań szklanych
• Lesson Learned Explained: Pełna wizualizacja danych w procesie wytwarzania komponentów dla automatyki
• Lesson Learned Explained: Monitorowanie i poprawa stabilności produkcji oraz wzrost jakości wyrobów – branża motoryzacyjna