Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«AI Explorer
Ausgangssituation
Bei der Herstellung von Solarzellen ist die plasmaunterstützte chemische Gasphasenabscheidung (PECVD) ein wichtiges Abscheidungsverfahren. Weil die hierfür genutzte Maschine sehr komplex ist, werden mehrere Kontroll- und Messgrößen, Maschinenzustände und Fehler/Ausfälle erzeugt. Über SECSGEM-Schnittstellen werden diese aufgezeichnet und in einer Backend-Datenbank gespeichert. Um den Prozess zu optimieren und den Gesamtdurchsatz zu verbessern, ist ein Einblick in die Fehlerursache unerlässlich. Dies würde auch die durch Störungen und Ausfallzeiten verursachten Wartungskosten reduzieren. Der erste Schritt, um diese Fehlerursache zu ermitteln, ist, zu analysieren, inwieweit ausgelöste Ereignisse mit aufgezeichneten Maschinenparametern korrelieren.
Lösungsidee
Da die Signale des PECVD-Prozesses in unterschiedlichsten Sampleraten über mehrere Monate erfasst wurden, werden zuerst sämtliche Tabellen der Datenbank entsprechend eines globalen Zeitstempels zusammengefügt. In diesem Format können Metainformationen generiert werden, wie z. B. Datentypen, Anzahl von einzigartigen Werten in einer Spalte, sowie der generelle Informationsgehalt einer Spalte. Nach benutzerdefinierten Kriterien können anschließend unnütze Informationen automatisiert entfernt werden. So liegen die Daten in einem Format vor, das als Basis für ein Machine- Learning-Modell dient.
