W skrócie
- Firma
- Hitachi EnergyProducent półprzewodników mocy; w czasie badania fabryka należała do Hitachi ABB Power Grids
- Wielkość
- Duże (1000+ pracowników)
- Branża
- Produkcja
- Gdzie i kiedy
- Szwajcaria. Dane do kwietnia 2019, wdrożenie luty – sierpień 2020, opublikowane w 2021.
- Kto podał liczby
- Zmierzone przez badaczyLiczby pochodzą z badania naukowców uniwersyteckich, opublikowanego w recenzowanym czasopiśmie. Firma dostarczyła dane produkcyjne i przekazała badaczom liczbę 21,7%. Uzyski w pracy przeskalowano, żeby chronić poufne dane.
Co zrobili
Fabryka w Lenzburgu produkuje chipy tranzystorowe do urządzeń energetycznych. Chip przechodzi przez 200 etapów procesu. Na końcu każdy chip jest testowany, a te, które nie przejdą testu, idą do odrzutu. Odsetek chipów, które przechodzą, to uzysk.
Przy tak wielu etapach trudno stwierdzić, który powoduje wady. Zwykłymi narzędziami fabryki były analiza korelacji i osąd ekspertów.
Badacze wzięli zapisy 1197 dawnych partii produkcyjnych, czyli około 1,8 mln chipów. Do każdej partii było 3614 zapisanych ustawień i pomiarów. Wytrenowali model AI, który na tej podstawie przewidywał uzysk partii. Potem użyli metody, która pokazuje, ile każda dana wejściowa wniosła do przewidywania. Uszeregowało to 200 etapów według tego, jak bardzo wpływały na uzysk.
Wyróżniły się dwa etapy. W obu model ustalił, że wynik zależy od tego, która maszyna wykonała pracę. Zaproponował, żeby na każdym z tych etapów kierować materiał przez jedną konkretną maszynę. Fabryka potwierdziła, że nie spowoduje to problemu z mocami produkcyjnymi.
Liczby
Test. Fabryka wykonała jedną nową partię 24 płytek, czyli krzemowych krążków, z których wycina się chipy. Podzieliła ją na cztery grupy po sześć, po 372 chipy w każdej. Na skali 0–100 używanej w pracy:
| Grupa | Wynik uzysku |
|---|---|
| Wykonana zwykłym sposobem | 38,2 |
| Tylko pierwsza zmiana | 50,6 |
| Tylko druga zmiana | 85,7 |
| Obie zmiany | 86,0 |
- Straty uzysku niższe o 21,7%. Firma porównała grupę z obiema zmianami ze swoim średnim uzyskiem i przekazała tę liczbę badaczom.
Wdrożenie. Fabryka zastosowała potem tę metodę przy innym chipie, z niskim uzyskiem, którego nikt nie potrafił wyjaśnić. Model wskazał dwa etapy trawienia. Inżynierowie zmienili oba.
- Straty uzysku niższe o 51,3%, przy porównaniu produkcji z lipca i sierpnia 2020 roku z okresem od lutego do czerwca 2020 roku. Poprawa utrzymała się przez cały badany okres.
Dlaczego według badaczy to zadziałało
- Zwykłe narzędzia tego nie wychwyciły. Firma potwierdziła, że jej standardowe metody nie znalazły tych dwóch etapów w drugim produkcie. Zwykły model statystyczny, sprawdzony dla porównania, też niczego nie znalazł.
- Inżynierowie mogli odczytać wynik modelu. Model wskazywał etapy i maszyny. Gdy wyniki pokazano ekspertom od produkcji, znaleźli przyczyny: jeden typ maszyny dopuszczał cząstki na płytki, a inny rysował je przy załadunku.
- Naprawa niewiele kosztowała. Słabsze maszyny przeniesiono do etapów, na których nie szkodziły.
Co pokazuje ten przypadek
- AI w hali produkcyjnej może się opłacić bez nowego sprzętu. Zysk wziął się z danych, które fabryka już zapisywała, i ze zmiany drogi materiału przez maszyny.
- Potrzeba dużo czystej historii. Model uczył się na ponad tysiącu partii z tysiącami zapisanych wartości każda.
- AI proponowała; inżynierowie decydowali i sprawdzali. Fabryka przeprowadziła kontrolowany test na jednej partii, zanim zmieniła cokolwiek w zwykłej produkcji.
Co ten przypadek mówi o praktykach
Praktyki, które firma zastosowała
- Zacznij od jednego kosztownego procesu, a nie od wdrożenia w całej firmie Praca dotyczyła jednego produktu i jednego kosztu: chipy tranzystorowe, które nie przejdą testu końcowego, idą do odrzutu. Zrób najpierw · Nakład pracy: średni (tygodnie, kilka osób)
- Mierz czas zaoszczędzony na zadaniu względem pomiaru wyjściowego Jedną partię produkcyjną podzielono na cztery grupy. Jedną wykonano zwykłym sposobem, a pozostałe trzy z jedną lub obiema zaproponowanymi zmianami. Zrób najpierw · Nakład pracy: niski (dni, jedna osoba)
- Niech człowiek sprawdza wszystko, co trafia do klienta lub ma znaczenie prawne Model tylko wskazał, skąd biorą się straty. Inżynierowie procesu w fabryce zaproponowali możliwe działania, sprawdzili, czy da się je wykonać, i ustalili fizyczne przyczyny. Zrób najpierw · Nakład pracy: średni (tygodnie, kilka osób)
- Niech AI pokazuje, na czym opiera swoją odpowiedź Badacze użyli metody, która pokazuje, ile każdy etap procesu wniósł do przewidywania modelu, a eksperci od produkcji wykorzystali to do znalezienia fizycznych przyczyn. Zrób potem · Nakład pracy: średni (tygodnie, kilka osób)
Źródła
- Senoner, Netland and Feuerriegel (2022). Using Explainable Artificial Intelligence to Improve Process Quality: Evidence from Semiconductor Manufacturing. Management Science, 68(8), 5704–5723. doi.org
- The same paper, free to read in the ETH Zurich Research Collection. doi.org
- ETH Zurich (15 December 2021). Improving quality through artificial intelligence. News article naming the plant as Hitachi Energy, Lenzburg. ethz.ch