Automatisierte Entscheidungsprozesse in der Fertigung

Transkript

1 Automatisierte Entscheidungsprozesse in der Fertigung Ein Erfahrungsbericht Infineon Technologies AG Dr. Johannes Sturm

2 Übersicht Infineon Technologies AG Echtzeit-Entscheidungen sind entscheidend Voraussetzungen für richtige Entscheidungen Beispiel: vom manuellen Dispatch zum scheduled Work Center Ausblick: Deep Learning in der Fertigung 2

3 Agenda Infineon Technologies AG Echtzeit-Entscheidungen sind entscheidend Voraussetzungen für richtige Entscheidungen Beispiel: vom manuellen Dispatch zum scheduled Work Center Ausblick: Deep Learning in der Fertigung 3

4 Infineon at a glance Business Segments Automotive 17% (ATV) 31% 42% 10% Revenue FY 2017 Industrial Power Control (IPC) Power Management & Multimarket (PMM) Chip Card & Security (CCS) Employees Around 37,500 employees worldwide (as of Sept. 2017) Americas 3,850 employees 36 R&D locations 17 manufacturing locations Europe 15,650 employees Asia/Pacific 18,000 employees Financials [EUR m] 3,843 4,320 5,795 6,473 7,063 Market Position Automotive Power Smart card ICs 14.4% 15.5% 15.2% 17.1% 9.8% FY 13 FY 14 FY 15 FY 16 FY 17 Revenue Segment Result Margin # 2 # 1 Strategy Analytics, April 2018 IHS Markit*, Technology Group, August 2017 # 1 IHS Markit*, Technology Group, July

5 37,479 Employees Worldwide (as of 30 September, 2017) 2,081 1,758 Americas 3,839 employees USA Mexico 99 3,749 10, Europe 15,644 employees 2,040 2, ,857 1, Romania Great Britain Austria Germany Portugal France Italy Sweden 712 Hungary 25 Denmark 17 Other Europe Asia/Pacific 17,996 employees Singapore Indonesia India Malaysia China Japan Korea Taiwan Philippines 7 Australia 1 Thailand 5

6 Worldwide manufacturing sites frontend and backend San Jose Leominster Warstein Dresden Kulim Beijing Wuxi Cheonan Mesa Singapore Temecula Tijuana Regensburg Villach Cegléd Melaka Batam Frontend Backend Status: 30 April

7 Agenda Infineon Technologies AG Echtzeit-Entscheidungen sind entscheidend Voraussetzungen für richtige Entscheidungen Beispiel: vom manuellen Dispatch zum scheduled Work Center Ausblick: Deep Learning in der Fertigung 7

8 Halbleiterfertigung ist sehr kapital- und energie-intensiv: Flächennutzung und Anlagendurchsatz stehen im Fokus Beispiel: Fertigung Dresden 5 Fortluftanlagen mit je cbm/h (mit Abluftreinigung) Filterdecke mit ca Schwebstofffiltern 34 Umluftanlagen mit je cbm/h; Luft wird bis zu 365 Mal/h ultrafein gefiltert Shop Floor 7 Außenluftanlagen je cbm/h: Vorfilterung, Luftwäscher, Feinfilterung und Schwebstofffilterung Beispiel: Neue Halbleiterfabrik in Villach kostet etwa EUR 8

9 Unterschiedliche Produkte mit stark unterschiedlichen Fertigungsabläufen sorgen für eine hochkomplexe Werkstattfertigung Beispiel: Fertigung Dresden Je nach Chipgröße: mehrere Hundert bis mehrere Tausende Chips befinden sich auf einer Siliziumscheibe 25 Wafer sind 1 Los Über Wafer sind gleichzeitig in Produktion unterwegs Über 400 verschiedene Produkte 45 Technologien und Technologie-Derivate Leistungshalbleiter: Volt Logik: nm 9

10 Die Komplexität wird durch rekursive Prozess-Führung weiter erhöht. 600 bis verschiedene Produktionsschritte für jeden Wafer Ofen Implantation Defektdichte Ätzen Abscheiden Start Test CMP (Chemical Mechanical Polishing) Nasschemie Metrologie Lithographie CVD (Chemical Vapor Deposition) 10

11 Fazit: Entscheidungen sind entscheidend FRÜHER (bis ca. 2010) Abgegrenzte Verantwortungsbereiche Kaskadierte Entscheidungsfindung Entscheidungen meist durch Schichtpersonal Max 5 Parameter Aufwand: Schulung vieler Mitarbeiter HEUTE Zentrale Verantwortung mit Beratergremium Zentrale Entscheidungsfindung Entscheidung durch zentrale Software Mehrere 1000 Parameter Aufwand: Datenqualität und Regelerstellung 11

12 Agenda Infineon Technologies AG Echtzeit-Entscheidungen sind entscheidend Voraussetzungen für richtige Entscheidungen Beispiel: vom manuellen Dispatch zum scheduled Work Center Ausblick: Deep Learning in der Fertigung 12

13 Anlagen Anlagen 1. Voraussetzung: Stabile Prozesse und Produktionsanlagen Instabile Prozesse oder Anlagen, die oft ungeplant ausfallen, erlauben keine automatisierten Entscheidungsprozesse. 13

14 2. Voraussetzung: Standardisierung und hohe Datenverfügbarkeit Produktionspartner Maschine Methode (Prozesse) Material Mensch (Operator) Beladeroboter Typische Informationen Verfügbarkeit, geplante Ausfallzeiten, Konfigurationszustand Freigegebene Prozesse, Stabilität der einzelnen Prozesse Anarbeitungsgrad des Materials, Lokalisierung des Materials, Verfügbarkeit von Hilfsmaterialien und deren Lokalisierung Keine Informationen (rechtliche Gründe) Verfügbarkeit, geplante Ausfallzeiten, Konfiguration, Lokalisierung des Beladeroboters 14

15 3. Voraussetzung: Klare Ziele und Enscheidungskriterien Vorschriften für Operatoren zur Prozessvorbereitung Beispiel: Dresden, 2010 Transparenz der Abläufe, Ziele und Entscheidungskriterien erfordern höhere Aufwände in der Arbeitsvorbereitung und (manchmal) viel Abstimmung unter Experten 15

16 LOSANZAHL Beispiel: Manueller Betrieb und automatischer Betrieb % % % Manuelle Entscheidungsfindung & manuelles Handling IMP IMP IMP005-04: AVG. TOOL TIME = 0.44 HRS. IMP005-05: Vollautomatisch AVG. TOOL TIME = 0.33 HRS. 60% 40% % 0 0% ANLAGENBELEGUNGSZEIT Kontinuierlicher Anlagenbetrieb, kürzere Bearbeitungszeiten 16

17 Agenda Infineon Technologies AG Echtzeit-Entscheidungen sind entscheidend Voraussetzungen für richtige Entscheidungen Beispiel: vom manuellen Dispatch zum scheduled Work Center in der Ofentechnik Ausblick: Deep Learning in der Fertigung 17

18 Besonders komplizierte Logistik in der Ofentechnik Prozesszeiten liegen zwischen 6 und 12 Stunden (Durchschnitt aller anderen Prozesse ca. 1 Stunde) Es können bis zu 6 Lose gleichzeitig prozessiert werden, nicht belegte Positionen in der Anlage müssen durch Füllscheiben aufgefüllt werden. Großer Hebel für den Anlagendurchsatz. Ein Teil der Lose darf aus Qualitätsgründen vor dem Prozess nicht lange warten (z.b. max. 4 Stunden) Die Lose werden sequenziell eingeladen (nach der Zusammenstellung des Ofenbatchs ) 18

19 Bis 2005: Bestandsorientierte manuelle Batchzusammenstellung Operator sucht einen frei werdenden Ofen aus Operator schaut in Excel-Liste nach, welche Prozesse auf dem Ofen frei gegeben sind Operator schaut nach, welche Prozesse davon aktuell einen hohen Bestand haben Operator stellt (sechs) die Lose zusammen, die am Längsten auf die Prozessierung warten (FIFO) Wenn er nicht genügend Lose zusammenbekommt, wartet er oder füllt mit Füllerscheiben auf. Nachteile: Nicht die dringendsten Lose werden bearbeitet Fokussierung allein auf Kapazitätsauslastung Benachteiligung niedervolumiger Produkte und Entwicklungstechnologien Batchzusammenstellung meist ca. 3 Stunden vor Prozessbeginn: die aktuelle Bestandssituation wird verzögert abgebildet Alle Batchzusammenstellungen erfolgen für jeden Ofen ohne Berücksichtigung der anderen Öfen 19

20 Bis 2015: Automatische Batchdispatch Ca. 1 h vor Ende des laufenden Prozess, stellt ein zentrales Entscheidungssystem die Batch zusammen und berücksichtigt dabei sowohl die Dringlichkeit der Lose als auch Kapazitätsaspekte in nachvollziehbarer Weise. Die Lose werden automatisch zum Ofen transportiert und durch Roboter eingeladen. Nachteile: Nur der eine Ofen wird beim Batchdispatch betrachtet Der Zeitpunkt des Batchdispatch ist nicht immer optimal Es werden nur Lose berücksichtigt, die bereits vor dem Ofen warten 20

21 Seit 2015: Scheduling Alle 20 min rechnet ein Optimierungsprogramm für alle Öfen und für die jeweils nächsten 12 bis 24 Stunden die optimale Zuordnung der Lose aus. Dabei werden auch die Lose betrachtet, die noch auf dem Weg zur Ofentechnik sind Einzelne Lose können auch an Vorprozessen bevorzugt abgearbeitet werden, damit die Ofenkapazität optimal ausgenutzt wird. Das Optimierungsprogramm berücksichtigt auch Anlagenkontrollen und geplante Wartungen Nachteil: Sehr viele (Echtzeit-)Informationen in hoher Qualität benötigt 21

22 Gant-Chart der Ofenbelegung Ofen 1 Ofen 2 Ofen 3 Ofen 4 Ofen 5 Ofen 6 Ofen 7 12h Zeithorizont 24h Mit der Einführung des Schedulings haben wir bei jedem Work Center mindestens eine 2% höhere Anlagenkapazität (gegenüber Dispatching) erreicht 22

23 Wann bringt Scheduling besondere Vorteile 1. Variable Prozessgeschwindigkeiten auf den Anlagen 2. Batchprozesse 3. Komplexe Logistik 4. Starke Dedizierung der Anlagen. Je komplexer die Aufgabe, desto wirkungsvoller die Entscheidungsautomatisierung 23

24 Agenda Infineon Technologies AG Echtzeit-Entscheidungen sind entscheidend Voraussetzungen für richtige Entscheidungen Beispiel: vom manuellen Dispatch zum scheduled Work Center Ausblick: Deep Learning in der Fertigung 24

25 Deep Learning - Merkmale Entscheidungen Deep Neural Network BIG DATA Nur Korrelation, keine Kausation Sehr oft: kontinuierliches Modell, das sich selbstständig verbessert bzw. anpasst Logisch auf den ersten Blick nicht erkennbare statistische Zusammenhänge können neue Erkenntnisse bringen (z.b. über Fehlermechanismen) Entscheidungen sind meistens Wahrscheinlichkeitsaussagen Für auditharte Entscheidungen, z.b. gesetzlich geregelte Entscheidungskriterien nicht verwendbar. Infineon steht noch am Anfang 25

26 Für viele Entscheidungsprozesse sind die DL- Resultate noch nicht eindeutig genug 26

27 Zusammenfassung / Ausblick Automatisierte Entscheidungsprozesse helfen, die kapitalintensiven Halbleiterfertigungen mit komplexer Logistik durch Synchronisation der 4 Partner Mensch, Maschine, Methode und Material optimal zu nutzen Automatisierung von Entscheidungsprozessen erfordert: Hohe Datentransparenz, - verfügbarkeit und -qualität Klare Zielwelt Perfekte Umsetzung der Entscheidungen, um Lernschleifen zu ermöglichen Deep Learning-Entscheidungsprozesse können in Zukunft für Entscheidungen interessant sein, in denen klare Kriterien nicht gefordert oder möglich sind. 27

28