Tekoälyprojektista työkaluja piikiekkojen tarkastukseen – harvinaiset poikkeamat pystytään havainnoimaan suuristakin datamääristä
Tekoälyn potentiaali on puolijohdeteollisuudessa merkittävä. Erittäin laatukriittisellä alalla, jossa käsitellään mikroskooppisen pieniä komponentteja, voi vähäinenkin parannus laaduntarkastukseen tuoda suuria höytyjä.
– Laaduntarkastuksen lisäksi toinen puolijohdealalle ominainen tekoälyn käyttökohde on tuotannonohjaus. Se on eri haara tekoälyn kehityksessä, ja voi tuoda suuriakin hyötyjä, kertoo Okmetic Oy:n tekoälyprojektia vetävä tuotekehitysinsinööri Tapani Alander.
Okmetic haki EU-hankkeesta vetoapua tekoälyn käyttöönottoon
Okmetic on ollut vuoden 2020 toukokuusta asti mukana Intelligent Reliability 4.0 (iRel40) –hankkeessa, jossa kehitetään elektroniikan luotettavuutta hyödyntämällä tekoälyä koko elektroniikan arvoketjussa. Laajaan hankkeeseen osallistuu useita johtavia eurooppalaisia tutkimuslaitoksia, yliopistoja ja puolijohdealan yrityksiä. Pääpaino on autoteollisuudessa, mutta edustettuna on myös muita toimialoja.
Okmeticin tavoitteena on parantaa projektin aikana piikiekkotuotantonsa prosessikontrolleja koneoppimisen ja tekoälyn avulla. Erityisesti Okmetic keskittyy C-SOI®-kiekkojensa liitosrajapinnan luotettavuuden parantamiseen.
– iRel40-hankkeen myötä meille tarjoutui mahdollisuus päästä kokeilemaan, millaista apua tekoäly voisi tuoda tuotteidemme luotettavuuden parantamiseen ja nähdä läheltä, mitä alan huiput tällä hetkellä kehittävät. Kunhan tämä koeponnistus on takana, pystymme paremmin tunnistamaan tekoälyn hyödyntämiseen soveltuvat alueet, Alander toteaa.
Tekoälyn käyttöönotto on sujunut Okmeticilla lupaavasti
Okmeticilla on nyt takana onnistunut pilotti ja tekoäly on valjastettu helpottamaan prosessi-insinöörin työtä. Koska talossa ei ollut aiempaa kokemusta tekoälystä, aloitettiin projekti hankkimalla syväosaamista ulkopuolelta.
– Kumppaniksemme valittiin suomalainen Labra AI. Meidän tehtäväksemme jäi mallin jatkojalostus tuotantoympäristöön soveltuvaksi ja koulutusdatan käsittely. Viime vuoden aikana olemme myös rekrytoineet taloon ihmisiä, joille tekoälyn kanssa työskentely on ennestään tuttua, Alander kertoo.
Tekoälyn työnä on väsymättä käydä läpi tarkastuslaitteiden tuottamaa dataa ja ilmoittaa prosessi-insinöörille, jos siinä havaitaan poikkeavia virhekuvioita.
– Tarkastuslaite ei pysty kuin tarkastamaan kiekon sirut yksitellen, mutta tekoäly osaa havaita myös sirujen yli menevät kuviot. Ne viestivät yleensä siitä, ettei vika ole satunnainen vaan että kiekolle on todennäköisesti tapahtunut jotain poikkeavaa, Alander selittää.
– Kun tekoäly suorittaa perusasioita ja tarkistaa tuotannossa syntyvää valtavaa datamäärää, voivat insinöörit keskittyä vaativampiin tehtäviin, hän jatkaa.
Okmeticin projektissa on seuraavana tavoitteena saada ensimmäinen järjestelmä tuotantokäyttöön vuoden loppuun menneessä.
– Teimme implementointipilotin, jonka avulla todistimme, että malli toimii oikealla tuotantodatalla. Nyt meidän täytyy miettiä, miten todellinen implementointi tuotantoon tehdään, Alander kertoo.
– Kun olemme verranneet pilottimme tuloksia muihin saman mallin tuloksiin, ovat meidän tuloksemme olleet artikkelien perusteella maailman huippua, hän lisää.
Tuoko tekoälyn käyttö todellista hyötyä?
Alanderin mukaan tekoäly on aina valppaana valvomassa laitteiden mittausdataa ja se pystyy havaitsemaan heti, jos tuloksissa alkaa näkyä virhekuvioita. Nopealla reagoinnilla ongelma saadaan kiinni välittömästi ja pystytään estämään poikkeavien tuotteiden valmistaminen.
– Tekoälyä käytettäessä kannattaa huomioida, että tekoäly korvaa ihmisen hyvässä ja pahassa. Hyvänä puolena voidaan nopeasti käydä läpi valtavia datamääriä ja havaita asioita, joita on vaikea määritellä matemaattisen eksaktisti. Huonona puolena tekoälykin tekee virhepäätöksiä: Pilotin aikana huomattiin, että yli 95 % päätöksistä menee oikein, mutta virheitä tapahtuu satunnaisesti, Alander sanoo.
– Ja kun toimitaan luotettavuusherkällä alueella, sekin on merkittävä ongelma, hän lisää.
Pilotin aikana havaittiin, että tekoäly havaitsee poikkeavat kiekot erittäin hyvin, mutta se ei välttämättä osaa lajitella vikakuvioita oikein. Sen sijaan, että insinööri joutuisi tarkistamaan jokaisen mittatuloksen erikseen, hän voi tekoälyn avustamana paremmin keskittyä ongelmien ratkaisemiseen.
– Tämän projektin kautta pystytään näkemään, mitä kaikkea voimme Okmeticilla tekoälyn kautta saavuttaa – ja miten paljon se vaatii panostusta. Meidän on täytynyt investoida muun muassa IT-infrastruktuuriin, sillä tekoäly vaatiihyvin raskaita laskennallisia malleja, Alander kertoo.
– Oletuksena on, että asiakkaidemme luotettavuuskriteerit tulevat kautta linjan nousemaan, Alander ennustaa.
Tällä hetkellä turvallisuuskriittisissä komponenteissa hyväksytään karkeasti yksi vikaantuminen miljoonaa tuotettua komponenttia kohden. Itseajavat autot moninkertaistavat kriittisen elektroniikan määrän ja luotettavuusvaatimukset nousevat vastaavasti.
– Meidän pitää yhä paremmin pystyä poimimaan pienet poikkeamat valtavasta datamäärästä. Tätä on vaikea saavuttaa ilman tekoälyjärjestelmiä, Alander tähdentää.
