Industrielle Bildverarbeitung bei Seagate
Drei Millionen Bilder pro Tag analysiert
Der Spielraum für Fehler ist in der Fertigung von Hightech-Elektronik sehr klein. Um die ohnehin schon geringe Fehlerrate weiter zu reduzieren, hat Seagate bei der Wafer-Fertigung KI mit industrieller Bildverarbeitung gekoppelt.
Seagate produziert jedes Jahr mehr als eine Milliarde Wandler in seiner Waferfertigung in Normandale, Minnesota, USA. Um die hohen Qualitätsstandards einzuhalten und Herstellungsfehler früh zu erkennen, müssen die Wandler umfassend analysiert und getestet werden. Die Produktion der Wandler startet mit dem Rohmaterial, das im Wesentlichen ein dünnes Halbleitersubstrat ist. Im Laufe eines fotolithografischen Prozesses wird das Substrat zu einem dünnen, flachen, kristallinen Wafer. Der Wafer wird, wenn er geschnitten und weiterverarbeitet wird, zu einem Wandler (auch bekannt als Schieberegler) – ein Element, das in der Lage ist, Daten auf eine rotierende Magnetplatte zu schreiben und sie zu lesen. Der Testprozess ist lang, komplex und erfordert viel Fingerspitzengefühl. In jedem 200mm-Wafer befinden sich 100.000 Schieber, die überprüft werden müssen. In der Fabrik in Normandale werden täglich Millionen von Mikroskopaufnahmen erzeugt. Das entspricht einem Volumen von 10 Terabyte an Daten, die gesichtet werden müssen, um mögliche Produktionsfehler zu erkennen, bevor die Wafer in Laufwerken verbaut werden.
Nur bekannte Fehler auffindbar
Bisher war es die Aufgabe der Ingenieure, all diese Bilder zu analysieren. Dies birgt ein gewisses Fehlerpotenzial, was dazu führen kann, dass defekte Wandler erst zu einem späteren Zeitpunkt im Herstellungsprozess erkannt werden und dadurch zusätzliche Kosten verursachen. Seagate benötigte eine Lösung, um mehr Bilder in kürzerer Zeit zu überprüfen. Doch selbst das Einstellen von mehr Bildanalyseexperten würde nicht ausreichen, um Millionen von Bildern zu verarbeiten. Schließlich wurde mit einer regelbasierten Bildanalyse zunächst ein erster Automatisierungsgrad erreicht. Mit diesem Ansatz ließen sich einige Anomalien identifizieren – die Voraussetzung dafür war jedoch, dass das System weiß, wonach es suchen muss. Hinzu kam, dass die Regeln manuell eingestellt werden mussten. Dies war ein zeitaufwendiger Prozess, der ständig optimiert und verfeinert werden musste. Das regelbasierte System konnte nur langsam eingerichtet und optimiert werden und lieferte dabei variable Ergebnisse. Abgesehen von einigen Fehlmeldungen des Systems konnte es durch die vorgegebenen Regeln nur bekannte Probleme erkennen. Dies führte zu dem potenziellen Risiko, dass fehlerhafte Wafer vor der Montage in Lese- und Schreibköpfe nicht erkannt werden konnten. Erst die Fortschritte in den Bereichen KI, maschinelles Lernen und Sensoren für das Internet der Dinge führte zu einer Lösung für das Problem. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Eine interne KI-Edge-Plattform
Einer Lösung standen zwei große Herausforderungen im Weg: Das riesige Volumen an Daten, das im täglichen Prozess zu bewältigen war und die Beschränkung bestehender regelbasierter Analyse-Tools, die es zu umgehen galt. Traditionelle Big-Data-Programme arbeiten nach einem Batch-Prozess – dieser eignet sich jedoch nicht für eine Produktionslinie, die rund um die Uhr und 365 Tage im Jahr betrieben wird. Der erste Schritt war der Aufbau eines neuronalen Netzes (Deep Neural Network, DNN), das Erkenntnisse zur Verbesserung der Automatisierung der Erkennung von defekten Wandlern liefern konnte. Das neuronale Netz wurde mit den Grafikprozessoren Nvidia V100 und P4 sowie leistungsstarken All-Flash-Array-Systemen der Reihe Nytro X 2U24 von Seagate entwickelt. Das Manufacturing Execution System (MES) HYDRA optimiert Produktionsprozesse für Fertigungsunternehmen, um Wettbewerbsvorteile zu erzielen. ‣ weiterlesen
MES-Integrator und 360-Grad-Partner für optimierte Fertigung
Das KI-System Athena
In das neuronale Netz wurden Wafer-Bilder eingespeist, um das KI-System so zu trainieren, dass es zwischen intakten und fehlerhaften Wafern unterscheiden kann. Denn die Lösung namens Athena lernt genauso wie eine menschliche Ingenieurin – indem sie Tausende von Fotos betrachtet. Doch dank der leistungsstarken Verarbeitung ist sie dabei viel schneller und auch präziser als ein Mensch. Im Laufe der Zeit hat das System die Fähigkeit erworben, auch potenzielle Prozessfehler zu erkennen. Die KI markiert anomale Bilder zur manuellen Beurteilung durch einen Experten. Zusätzlich kann Athena eigene Regeln aufstellen und verfeinern. Diese basieren auf Anomalien, die während des Bildanalyseprozesses aufgespürt werden. Darüber hinaus kann Athena Bilder, die vom Elektronenmikroskop erzeugt werden, in Echtzeit verarbeiten und analysieren. Seagate ist es dadurch möglich, täglich drei Millionen Bilder zu verarbeiten und selbst winzige Defekte unverzüglich zu identifizieren, die von einem menschlichen Ingenieur schnell übersehen werden können. Die Echtzeitverarbeitung ermöglicht es den Mitarbeitern, Fehler in der Fertigung schnell zu identifizieren und zu korrigieren, sodass ihre potenziellen Auswirkungen auf den Produktionsprozess und damit einhergehende Kosten deutlich reduziert werden.
Es bleibt bei der Unterstützung
Das Projekt Athena hilft bei der Identifizierung von Mängeln. Aber es kann und wird nicht die geschulten, menschlichen Experten ersetzen. Doch aus dem Projekt resultieren besonders interessante Möglichkeiten für Seagates Wafer-Experten, mit denen sie größere Probleme neu angehen und lösen können. Das System stellt eine beispielhafte Lösung dar, die eine weitaus breitere Palette von Problemen über den Fertigungsprozess hinaus bewältigen kann. Die Fähigkeit Anomalien schneller, adaptiver und aussagekräftiger zu erkennen, erweist sich über die Produktion in Smart Factories hinaus in den unterschiedlichsten Bereichen wie öffentliche Sicherheit, autonomes Fahren und Smart Cities als nützlich. „Wir gehen davon aus, dass wir Athena zu gegebener Zeit in allen unseren Produktionsstätten einsetzen werden“, sagt Jeffrey Nygaard, Executive Vice President of Operations, Products and Technology bei Seagate. „Und da die Kosten für Mikroskopkameras und IoT-Sensoren sinken, können die gleichen Technologien auch für andere Anwendungen eingesetzt werden. Dies ist ein wegweisender erster Schritt in der intelligenten Fertigung und der Grundstein, auf dem unsere anderen Fabriken aufbauen können.“
