Akustische Diagnose im Vorbeifahren

Akustische Diagnose im Vorbeifahren

Der gemeinsam von Telekom MMS und dem Smart Systems Hub entwickelte „GlobalFoundries Health Predictor“ wurde im laufenden Betrieb an einer Schiene des Wafer-Transportsystems im Reinraum installiert. Während der Smart Systems Hub die Hardware lieferte, steuerte Telekom MMS die Software- und KI-Komponenten bei.
Ein hochsensibler akustischer Edge Computing-Sensor erfasst bei der smarten Lösung den Schall der vorbeigleitenden Fahrzeuge und kann Anomalien feststellen, beispielsweise, wenn ein Rad beschädigt oder ein Kugellager defekt ist. Mithilfe von Machine Learning und Künstlicher Intelligenz werden die Daten zu Schwingungen und Vibrationen mit den bereits verfügbaren historischen Daten in einer Datenbank abgeglichen. Dank Edge Computing kann die Latenzzeit bei der Übermittlung der Daten – im Gegensatz zu einer Cloud-Lösung – so geringgehalten werden, dass die Erkennung und Analyse von Fehlern in Echtzeit erfolgen kann. Auf einem Dashboard wird der „Gesundheitszustand“ der Transportroboter mit einem Ampel-System permanent gemonitort. Dabei kommt die Cloud-Plattform Amazon Web Services AWS zum Einsatz. In die KI-basierte Cloud-Lösung wurden verschiedene Datenquellen integriert, unter anderem neuartige MEMS-Akustiksensoren und eine Big-Data-Anwendung, die pro Tag mehr als 10.000 Files mit fahrzeugbezogenen Daten auswertet.

Zu erwartende Ausfälle und Wartungsbedarfe können nun vorausgesagt werden, indem bei der Annäherung an definierte Schwellenwerte Alarm ausgelöst wird und die Transportroboter mit hoher Ausfallwahrscheinlichkeit entsprechend identifiziert werden können. Die erhobenen Fehler-Daten dienen auch dem Reporting, so für Analysen, Berichte und Audits. Die im Dresdner Halbleiterwerk installierte Pilotlösung „GlobalFoundries Health Predictor“ diente zunächst dazu, die technische Machbarkeit zu klären. Inzwischen wird ein Folgeprojekt umgesetzt, bei dem Edge Computing-Sensoren an mehreren Stellen, beispielsweise auch in Kurven und in verschiedenen Schienensystemen, installiert werden. Bei erfolgreichem Verlauf ist der Rollout der IoT-Anwendung weltweit auch anderen Produktionsstandorten von GlobalFoundries vorgesehen, so in New York und Singapur.

Maximaler Output dank Smart Maintenance

Ohne in die laufende Produktion eingreifen zu müssen, wird der Wartungsbedarf der Transportroboter frühzeitig erkannt, präzise bestimmt und visuell aufgezeigt. Denn lange bevor Schäden auftreten, registriert der Health Predictor Auffälligkeiten in Echtzeit. Wartung und Instandhaltung des hochkomplexen Wafer-Transportsystems können somit am tatsächlichen Bedarf ausgerichtet, Wartungszyklen optimiert und die Verfügbarkeit des Transportsystems weiter maximiert werden.
Denn dank des Health Predictors können die Chipfertigung weiter optimiert und die Produktionskapazitäten maximal ausgelastet werden – gerade beim aktuellen Chipmangel auf dem Weltmarkt von erheblicher Bedeutung. Zudem sinkt der Ressourcenaufwand in Bezug auf Material, Personal und Zeit. So erhöht sich die Lebensdauer der Transportroboter infolge der rechtzeitigen Wartung, zudem müssen intakte Teile nicht mehr routinemäßig ausgetauscht werden. Ein Umstand, der auch dem Thema Nachhaltigkeit Rechnung trägt. Auch kann bei höchster Fertigungsqualität gleichzeitig die Vor-Ort-Präsenz der Wartungsingenieure im Reinraum deutlich reduziert werden. Da die Hard- und Software-Komponenten des Health Predictors modular aufgebaut sind, kann die KI-basierte Anwendung zukünftig auch für weitere Fertigungs- und Logistiksysteme von GlobalFoundries zum Einsatz kommen.
Das Halbleiterwerk in Dresden kann sich so als Vorreiter zum Thema Smart Factory und sensorgestützte Überwachung sowohl innerhalb des Unternehmens als auch in der Branche insgesamt positionieren.