Bessere Qualität durch künstliche Intelligenz

Ob bei komplexen Maschinen, Pharmaprodukten oder Mikrochips: Je teurer ein Produkt, desto entscheidender seine Qualit?t, um am Markt bestehen zu k?nnen. Dies gilt besonders f¨¹r die industrielle Produktion in Hochlohnl?ndern wie der Schweiz. Umso ¨¹berraschender ist es, dass mangelnde Qualit?t im Durchschnitt weiterhin 15 Prozent der Betriebskosten in der industriellen Fertigung ausmacht. Der Grund daf¨¹r: ein oft veraltetes Qualit?tsmanagement.

Die beiden ETH-Forscher Julian Senoner und Torbj?rn Netland sowie Stefan Feuerriegel, der seit kurzem an der LMU M¨¹nchen t?tig ist, zeigen in einer neuen Studie auf, wie das Qualit?tsmanagement bei komplexen, digitalisierten Produktionsverfahren durch k¨¹nstliche Intelligenz (KI) verbessert werden kann. Erfolgreich getestet wurde ihr Algorithmus bereits in einer Hableiterfabrik von Hitachi Energy, vormals Hitachi ABB Power Grids, in Lenzburg: Die Anzahl fehlerhafter Produkte konnte in einem Experiment um ¨¹ber 50 Prozent gesenkt werden, was die Produktion nicht nur effizienter, sondern auch nachhaltiger macht.

Veraltetes Qualit?tsmanagement

Die Herstellung komplexer, industrieller Produkte erfordert eine Vielzahl miteinander verbundener Arbeitsschritte. Um zum Beispiel Halbleiter zu produzieren, die in Computern, Z¨¹gen, oder Windkraftanlagen verwendet werden, sind zwischen 200 und 400 Produktionsschritte notwendig. Bei jedem dieser Schritte k?nnen verschiedene Dinge schiefgehen. Ist zum Beispiel die Temperatur in einer Maschine etwas zu hoch, oder der Druck in einer anderen etwas zu nieder, k?nnen Fehler einen grossen Teil der Produkte beeintr?chtigen. ?In der Halbleiterproduktion ist es nicht un¨¹blich, dass die Fehlerquote zwischen 5 und 70 Prozent schwankt, da der Fertigungsprozess sehr kompliziert ist. Da steht sehr viel Geld auf dem Spiel?, erkl?rt ETH-Professor Torbj?rn Netland vom Lehrstuhl f¨¹r Produktionsmanagement.

Bis anhin war es bei komplexeren Produktionsverfahren dieser Art sehr schwierig, Fehlerquellen genau zu identifizieren. Traditionelle Methoden, die in zahlreichen Fabriken weltweit zur Qualit?tssicherung zum Einsatz kommen, erlaubten es Ingenieurinnen und Ingenieuren immer nur, einige wenige Parameter gleichzeitig zu untersuchen. In komplexen Produktionsabl?ufen werden aber mittlerweile tausende von zusammenh?ngenden Parametern gemessen. Wie diese interagieren und sich auf die gesamte Produktion auswirken, konnte mit traditionellen Methoden allerdings nicht analysiert werden. ETH-Professor Netland und seine Ko-Autoren haben vor dies zu ?ndern: ?Wir wollen das Qualit?tsmanagement ins digitale Zeitalter bringen. Denn die Methoden, die viele Produzenten weiterhin verwenden, sind oft bis zu 100 Jahre alt?, sagt Netland.

Algorithmus identifiziert Fehlerquellen

Die ETH-Forschenden entwickelten zun?chst einen Algorithmus, der die einzelnen Schritte bei der Produktion von Halbleitern imitiert. Anschliessend f¨¹tterten sie den Algorithmus mit m?glichst vielen historischen Produktionsdaten, wie zum Beispiel der Temperatur oder dem Druck, die in Maschinen gemessen werden. ?Auf Basis dieser Daten lernt der Algorithmus, unter welchen Bedingungen die Qualit?t der Halbleiter gut ist und wann es zu hohen Fehlerquoten kommt?, sagt Julian Senoner, der Erstautor und wissenschaftlicher Mitarbeiter an der Professur von Netland.

Der Vorteil der auf KI basierenden Methode ist, dass man beliebig viele Faktoren und Beziehungen des Produktionsprozesses analysieren und komplexere Zusammenh?nge zwischen Parametern aufdecken kann. Dadurch k?nnen Fehlerquellen systematischer und ¨¹ber den gesamten Produktionsprozess hinweg identifiziert werden. Gut ausgebildete Ingenieurinnen und Ingenieure in den Fabriken werden damit aber keineswegs ¨¹berfl¨¹ssig. Im Gegenteil: ?Unser Algorithmus zeigt vor allem bislang unentdeckte Fehlerquellen auf. Wie diese aber genau behoben werden, erfordert weiterhin sehr viel technisches Fachwissen und menschliche Kreativit?t?, erkl?rt Netland.

50 Prozent weniger Verlust

Um den Algorithmus zu testen, arbeiteten die Autoren mit Hitachi Energy in Lenzburg zusammen. Hitachi Energy produziert Halbleiter, die in Elektro-Fahrzeugen und Z¨¹gen gleichermassen eingesetzt werden, wie in Windkraftanlagen oder der Stromleitungen. Die historischen Produktionsdaten des Halbleiterproduzenten erm?glichten es den Forschenden, zwei Herstellungsschritte zu identifizieren, die die Qualit?t der Halbleiter am st?rksten beeintr?chtigten. Mit diesen Erkenntnissen in der Tasche gingen sie in die Fabrik, um ein Experiment unter realen Produktionsbedingungen durchzuf¨¹hren.

Gemeinsam mit den Ingenieurinnen und Ingenieuren von Hitachi Energy teilten die Autoren eine Produktionscharge von 1488 Halbleitern in vier gleiche grosse Gruppen auf. W?hrend die ersten 372 Halbleiter ohne spezifische Anpassungen produziert wurden, wurde f¨¹r Gruppe zwei und drei jeweils ein Herstellungsschritt optimiert. Bei den letzten 372 Halbleitern wurden dann beide Herstellungsschritte optimiert. ?Die Ergebnisse des Experiments best?tigten die Vorhersage des Algorithmus: In der Kontrollgruppe, die ohne Optimierung gefertigt wurde, war die Fehlerquote viermal h?her als in jener Gruppe, die nach der Empfehlung des Algorithmus produziert wurde?, sagt ETH-Professor Netland.

Hitachi Energy setzte die Empfehlungen der ETH-Forschenden anschliessend bei einer anderen Produktvariante um und senkte den Anteil fehlerhafter Produkte um ¨¹ber die H?lfte. F¨¹r den Halbleiterproduzenten aus Lenzburg ist der Algorithmus der ETH-Forschenden damit ein wichtiger Vorteil, der das Qualit?tsmanagement entscheidend und nachhaltig verbessert.

Auch f¨¹r andere Branchen relevant

Doch lassen sich diese Ergebnisse auch in anderen Industriezweigen erreichen? ?Damit unsere Methode gute Ergebnisse erzielen kann, sind sehr viele Daten zur Herstellung notwendig und dies erfordert hochgradig digitalisierte Produktionsprozesse?, erkl?rt ETH-Forscher Senoner. Aktuell, so die Autoren, seien diese Bedingungen vor allem in der Pharmaindustrie, der Chemiebranche oder in der Kunststoffherstellung gegeben.

Mit der zunehmenden Digitalisierung von Produktionsprozessen sollte der Algorithmus der ETH-Forschenden aber mittelfristig auch f¨¹r andere Branchen interessant werden. Um das wirtschaftliche Potential von k¨¹nstlicher Intelligenz im Qualit?tsmanagement zu nutzen und die Technologie m?glichst breit zug?nglich zu machen, gr¨¹ndete Erstautor Julian Senoner gemeinsam mit ETH Pioneer Fellow Bernhard Kratzwald daher das ETH Spin-off externe SeiteEthonAIcall_made.