通过人工智能改善数字化生产的质量管理

ETH研究人员正在使用人工智能来改进数字生产过程中的质量管理。该团队在与半导体制造商日立能源的一项实验中成功地将缺陷产品的比例减半。

复杂的机械、医药产品或微芯片：产品越贵，其质量在市场上的生存就越重要。对于瑞士等高工资国家的工业生产来说尤其如此。更令人惊讶的是，质量低劣仍然平均占工业制造运营成本的15%，这通常是过时的质量管理的结果。

在一项新研究中，ETH研究人员JulianSenoner和TorbjørnNetland以及最近加入慕尼黑大学的StefanFeuerriegel强调了如何使用人工智能(AI)来改进复杂数字生产过程中的质量管理。他们的算法已经在位于伦茨堡的HitachiEnergy(前身为HitachiABBPowerGrids)的半导体工厂进行了成功测试：在一次实验中，缺陷产品的数量减少了50%以上，不仅提高了生产效率，而且更加可持续。

过时的质量管理

复杂工业产品的制造需要大量相互关联的工作步骤。例如，生产用于计算机、火车或风力涡轮机的半导体，涉及200到400个生产步骤。在这些步骤中的任何一个步骤中，各种事情都可能出错。例如，如果一台机器的温度太高，或者另一台机器的压力太低，那么很大一部分产品可能会受到错误的影响。“在半导体生产中，由于高度复杂的制造过程，错误率在5%到70%之间的情况并不少见。有大量资金处于危险之中，”来自生产和运营管理主席的ETH教授TorbjørnNetland解释说.

直到现在，在这种复杂的生产过程中精确识别错误来源是极其困难的。世界各地许多工厂用于质量保证的传统方法只能让工程师一次检查几个参数。然而，在复杂的生产过程中，现在测量了数千个相互关联的参数，但传统方法不允许分析这些参数如何相互作用并影响整体生产。ETH教授Netland和他的合著者旨在改变这一点：“我们希望将质量管理带入数字时代。许多生产商继续使用的方法通常已有100年的历史，”Netland说。

算法识别错误来源

首先，ETH研究人员开发了一种算法，可以模拟半导体生产中涉及的各个步骤。然后，他们向算法提供尽可能多的历史生产数据，例如机器中测量的温度或压力。“基于这些数据，该算法学习了确保良好半导体质量所需的条件，以及哪些条件会导致高错误率，”主要作者和Netland小组的研究员JulianSenoner说。

基于人工智能的方法的优势在于它可以用于分析生产过程中的任意数量的因素和关系，并揭示参数之间更复杂的相互关系。这使得能够以更系统的方式在整个生产过程中识别错误来源。提议的方法不会消除工厂对训练有素的工程师的需求——相反：“我们的算法主要识别以前未被发现的错误来源。但修复它们仍然需要大量的技术专长和人类的创造力，”Netland解释说。

损失减少50%

为了测试该算法，作者与伦茨堡的日立能源公司合作。日立能源生产用于电动汽车和火车以及风力涡轮机和电力线的半导体。来自半导体制造商的历史生产数据使研究人员能够确定对产品质量影响最大的两个制造步骤。

带着这些发现，他们到工厂进行了真实生产条件下的实验。作者与HitachiEnergy工程师一起，将1,488块半导体的生产批次分成大小相等的四组。虽然最初的372个半导体是在没有进行特定调整的情况下生产的，但每个制造步骤都针对第二组和第三组进行了优化，然后两个制造步骤都针对最后的372半导体进行了优化。“实验结果证实了算法的预测：在未经优化的对照组中，错误率是根据算法推荐产生的组的四倍，”ETH教授Netland说。

日立能源随后在另一个产品变体中实施了ETH研究人员的建议，并将缺陷产品的比例降低了一半以上。对于伦茨堡的半导体制造商来说，ETH研究人员开发的算法提供了显着的好处，有助于以有意义和持久的方式改善质量管理。

可转移到其他部门

但这些结果在其他行业也可行吗?“我们的方法需要大量的生产数据才能获得良好的结果，这需要高度数字化的生产过程，”ETH研究员Senoner解释说。这组作者说，这些情况目前主要存在于制药和化学工业以及塑料生产中。

然而，随着生产过程数字化程度的提高，ETH研究人员的算法在中期也应该对其他行业具有吸引力。为了利用人工智能在质量管理中的经济潜力并使该技术尽可能广泛地普及，主要作者JulianSenoner和ETHPioneer研究员BernhardKratzwald因此创立了ETH衍生产品EhonAIcall_made。

标签：