_Rewolucja w produkcji półprzewodników: jak firma chemiczna zoptymalizowała filtrację dzięki ML i IIoT 

Podsumowanie 

Azjatycka firma chemiczna działająca w sektorze produkcji półprzewodników postanowiła udoskonalić procesy kontroli jakości poprzez wdrożenie zaawansowanej analizy danych i systemów wykrywania anomalii. Zadaniem zespołu TT PSC było zapewnienie większej spójności jakości produktów oraz minimalizacja błędów produkcyjnych poprzez wykorzystanie modeli uczenia maszynowego (ML) i zaawansowanej analityki danych opartej na IIoT. Proces kontroli jakości w branży chemicznej jest ściśle powiązany z procesem filtracji, niezbędnym do uzyskania odpowiedniego składu produktów, bez zanieczyszczeń wpływających na jego skuteczność. 

Wyzwania biznesowe 

• Brak kompleksowego wglądu w dane – firma nie posiadała zintegrowanej platformy danych, co utrudniało efektywne monitorowanie i analizowanie procesów filtracji. Dane były rozproszone w różnych arkuszach kalkulacyjnych i systemach, co utrudniało śledzenie anomalii procesowych oraz odchyleń od ustalonych norm. 

• Nieefektywna analiza danych – procesy analizy danych i raportowania były wykonywane ręcznie, co pochłaniało dużo czasu, ograniczało produktywność  
  i pozostawiało mniej przestrzeni na realizację bardziej wartościowych zadań. 

• Kontrola jakości i zarządzanie procesami – pomimo dojrzałych procesów produkcyjnych, firma poszukiwała bardziej niezawodnych narzędzi do zapewnienia stabilnej jakości produkcji oraz spełnienia oczekiwań klientów w zakresie powtarzalności produktów. 

• Brak monitorowania w czasie rzeczywistym – brak bieżącego wglądu w kluczowe wskaźniki produkcyjne oznaczał, że analiza była możliwa dopiero po zakończeniu produkcji, co opóźniało wykrywanie i rozwiązywanie problemów. 

Zastosowane rozwiązania 

Aby sprostać tym wyzwaniom, zespół Transition Technologies PSC opracował dedykowaną aplikację do wykrywania anomalii, która zapewniła: 

• Zintegrowane zarządzanie danymi – wdrożyliśmy zautomatyzowany zestaw danych oparty na platformie Airflow, który umożliwia ich konsolidację, transformację i kontekstualizację, usprawniając analizę. 

• Skalowalne i opłacalne wdrożenie – wykorzystaliśmy infrastrukturę AWS oraz MLFlow do zarządzania cyklem życia modeli, co pozwoliło na ich płynne wdrażanie zarówno w środowisku testowym, jak i produkcyjnym. 

• Dedykowane modele Machine Learning – opracowaliśmy zaawansowane modele do wykrywania anomalii w procesie filtracji, w tym przewidywania strumienia przepływu i estymacji oporu filtrów, co pomogło wychwycić odchylenia, które wcześniej pozostawały niezauważone. 

• Dashboard i wizualizacja danych – zbudowaliśmy niestandardowy panel w ThingWorx, który zapewnia zespołowi produkcyjnemu naszego Partnera czytelne i praktyczne informacje – wizualizując anomalie w czasie rzeczywistym i ograniczając konieczność ręcznego przetwarzania danych. 

Kluczowe korzyści i efekty 

• Większa efektywność analizy danych – automatyzacja procesów pozwoliła naszemu Partnerowi znacznie ograniczyć czas poświęcany na ręczną analizę danych, zwiększając produktywność i umożliwiając zespołowi koncentrację na działaniach strategicznych. 

• Dostęp do informacji w czasie rzeczywistym i lepsze decyzje – dzięki bieżącym danym prezentowanym na dashboardzie firma może podejmować bardziej świadome decyzje, szybciej wykrywać i eliminować problemy, a tym samym redukować liczbę błędów i defektów produkcyjnych. 

• Poprawa jakości produktów – aplikacja zapewnia spójność jakościową partii produkcyjnych, co zwiększa zaufanie klientów i ich satysfakcję dzięki wcześniejszemu wykrywaniu potencjalnych anomalii oraz szybkiemu podejmowaniu działań korygujących. 

• Wyższa produktywność i niższe koszty – automatyzacja i integracja modeli ML eliminują konieczność opracowywania oddzielnych modeli dla każdego produktu, upraszczając cały proces i redukując koszty związane z ręcznym trenowaniem i wdrażaniem modeli.