Elektrische Bauteile, beispielsweise Halbleiter, werden dank technischer Fortschritte immer kleiner. Durch diese Verkleinerung reagieren sie allerdings wesentlich empfindlicher auf äußere Einflüsse wie elektrostatische Entladungen oder elektromagnetische Emissionen anderer elektronischer Komponenten. Das erhöht nicht nur den Ausschuss in der Produktion, sondern es kann auch zu Fehlfunktionen oder sogar Ausfällen innerhalb eines Gesamtsystems führen, etwa einem Elektroantrieb.

Im heute (16.5.) eröffneten und vom Bundesministerium für Arbeit und Wirtschaft geförderten „Christian Doppler Labor für Elektromagnetisch verträgliche robuste elektronische Systeme“ forscht ein Team um Laborleiter Jan Hansen vom Institut für Elektronik der TU Graz mittels Modellierung auf Basis von Machine Learning daran, diese Problemquellen für Bauteile und Systeme zu beseitigen und die erarbeiteten Lösungen in die praktische Umsetzung zu bringen.

Gemeinsam mit den Unternehmenspartnern BMW Motoren GmbH, Infineon Technologies Austria AG und Infineon Technologies AG widmen sich Jan Hansen und sein Team zwei Bereichen: den Einflüssen auf elektronische Bauteile während des Design- und Fertigungsprozesses sowie deren Optimierung als Teil eines größeren Systems.

„In der Produktion durchläuft ein Halbleiter eine mehrere Meter lange Fertigungsstraße mit vielen Arbeitsschritten und Abschnitten, wo er sich statisch aufladen kann. Wenn er am Ende der Fertigung defekt ist, lässt sich häufig nur schwer feststellen, woran es gelegen hat. Dabei stellt uns insbesondere die weitere Miniaturisierung der Halbleiter vor neue Herausforderungen. Hier entwickeln wir neue physikalische Modelle, um die verschiedenen Effekte in diesem Prozess zu beschreiben und die Fehlerquellen aufzudecken“, erklärt Jan Hansen.

Weniger Fertigungsfehler und optimaler Antrieb

Im alltäglichen Betrieb spielen auch Umgebungsbedingungen, wie etwa die Luftfeuchtigkeit, eine Rolle. Viele solcher Parameter lassen sich allerdings nicht konkret bestimmen. Aus diesem Grund müssen Modelle in Abhängigkeit der Unsicherheit der unbekannten Parameter studiert werden. Mit normalen Berechnungen war das bisher nur schwer zu bewerkstelligen, weil tausende bis hin zu Millionen Einzelrechnungen durchgeführt werden müssen. Durch den Machine-Learning-Ansatz lässt sich dieser Vorgang stark beschleunigen.

WERBUNG

Zur Erstellung eines Machine-Learning-Modells genügt eine nur zwei- bis dreistellige Zahl an Trainingsdaten und ist es einmal berechnet, ist die Auswertung des Modells innerhalb von Millisekunden möglich. Das beschleunigt die Analyse der unterschiedlichen Ergebnisverteilungen um mehrere Größenordnungen. „Ein Machine-Learning-Modell rechnet so schnell, dass wir es im Grunde als einen Container fertig vorliegender Rechenergebnisse betrachten können, wie eine Datenbank“, sagt Jan Hansen.

Dieser Zugang für die Beseitigung von Fehlerquellen in der Fertigung lässt sich auch für die Optimierung von elektronischen Fahrzeugantrieben nutzen. Jan Hansen: „Wir erwarten, dass wir diese Methode zur Optimierung von elektronischen Systemen in unterschiedlichsten Umgebungen nutzen können, auch über einzelne Antriebstränge hinaus.“