Machine Learning-basierte Qualitätssicherung in der Produktion von Röntgendetektoren
Dank Machine Learning Algorithmen lassen sich Defekte entlang der Produktionskette von Hybrid Photon Counting (HPC)-Detektoren frühzeitig detektieren und eliminieren.
Frühzeitige Erkennung von Chip-Defekten in HPC-Modulen mit Machine Learning-basierten Methoden
DECTRIS ist ein innovatives, weltführendes Unternehmen, welches Röntgendetektoren auf Basis der Hybrid Photon Count (HPC) -Technologie fertigt. Die Firma befindet sich in einer Transformationphase von der Einzelfertigung zur Kleinserie.
Vor diesem Hintergrund ist die Qualitätskontrolle ein zentraler Schritt im Herstellungsprozess von HPC Modulen insbesondere in einem internationalen und zunehmend kompetitiven Umfeld.
Eine frühzeitige Identifikation und Elimination von Defekten entlang der Produktionskette ist aus Gründen der Wirtschaftlichkeit von zentraler Bedeutung. Während der Qualifikation und Validierung der Produkte werden immer mehr Daten aufgenommen, die ein hohes Potential für Vorhersagen von Justage-Parametern der Geräte bieten.
Der Einsatz traditioneller analytischer Ansätze erzielte bislang nicht die gewünschten Resultate bei Identifikation und Elimination von Defekten.
Das Institut für Data Science FHNW untersuchte bestehende Daten hinsichtlich Korrelationen und modelliert Abhängigkeiten in den Daten mit Machine Learning (ML) Algorithmen. Insbesondere die Verwendung von Deep Learning bietet sich an, um aus Pixel oder Chip-Eigenschaften die Qualität der gefertigten Endprodukte vorherzusagen.
In ausgewählten Fällen konnte erfolgreiche eine ML-basierte Methode entwickelt werden, welche eine frühzeitige Vorhersage zwischen Messdaten und Qualitätsmerkmalen von Chips über Produktionsschritte hinweg ermöglicht. Als direkt praxis-relevant eingestuft wurden Vorhersagen von bestimmten Kalibrierungsgrössen, welche sich eignen die Kombinationen von Teilkomponenten in der Produktion zu verbessern und das Potential haben den Produktions-Yield zu steigern. Aufgrund der erfolgsversprechenden Resultate der Machbarkeitsstudie wurde nun ein Innosuisse Projekt eingereicht.
Auftraggeber | |
Ausführung | |
Dauer | 12 Monate |
Förderung | |
Projektteam | Marco Willi, Michael Graber, Daniel Perruchoud |