Verbundprojekt: Maschinelles Lernen zur Verbesserung des Technologie-Laufweges in einer komplexen Halbleiterfertigung (LOTSE)
Teilprojekt: Vorhersage von Laufwegen und Messparametern in einer komplexen Halbleiterfertigung
Laufzeit: 10.05.2023 bis 09.05.2026
Förderkennzeichen: 100686469
Die Ziele des Projektes „LOTSE“ sind kürzere Produktionszeiten, die Minderung von Prozessrisiken sowie virtuelle Messungen in der Chipproduktion mit Hilfe Künstlicher Intelligenz (KI).
GlobalFoundries entwickelt mit den Projektpartnern TU Dresden, HTW Dresden sowie den Dresdner Unternehmen Advanced Data Processing (ADP) und FlowLogiX bis 2026 Lösungen mit den Methoden Advanced Analytics (AA) und Machine Learning (ML).
In der dreijährigen Laufzeit wird das Vorhaben mit Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE) und des Freistaates Sachsen gefördert. Die Mittel stammen aus der sächsischen EFRE-Technologieförderung 2021 bis 2027 für Vorhaben zur Forschung und Entwicklung (FuE) an neuen Produkten und Verfahren. In FuE-Verbundprojekten unterstützt der Freistaat die Zusammenarbeit kleiner und mittlerer sächsischer Unternehmen (KMU) mit anderen Unternehmen, Forschungseinrichtungen oder Hochschulen in Sachsen.
In LOTSE adressiert die Professur für Technische Logistik den Themenschwerpunkt der automatischen Überwachung der Schienen des Transportsystems (AMHS). Damit wird die manuelle und lückenhafte Sichtkontrolle jedes einzelnen Streckenabschnittes überflüssig. Erkannte Abweichungen und Fehler werden an die zentrale AMHS-Steuerung übermittelt, sodass Reparaturaufträge und/oder Routenänderungen ausgelöst werden können. Dazu wird ein Konzept zur automatischen Fehlererkennung an Schienen mittels Sensoren entwickelt und in ein Demo-Messfahrzeug überführt. Parallel wird ein Datenmodell samt Integration in die Infrastruktur vorgeschlagen und umgesetzt. Zur eigentlichen Überwachung der Schienen erfolgt die Integration der Zustandsdaten in die AMHS-Steuerung (Konzept, Feldversuch und Bewertung). Zum Konzept gehört die Bewertung der Sensordaten (Fehlermuster), ein Prozess zur fertigungstauglichen Nutzung der Daten, deren Monitoring sowie die Szenarien für die Anpassung der Transportsystem-Steuerung im Fehlerfall.
