Aktiv inspektion med knowledge distillation för kostnadseffektiv felprediktion i tillverkningsprocessen

Varför det är viktigt att fånga felfyllda produkter tidigt

Från smartphones till elbilar förlitar vi oss på komplexa produkter som byggs av tusentals små delar. Om bara några av dessa delar är defekta kan det leda till kostsam omarbetning i fabriken, produktåterkallelser eller till och med säkerhetsrisker för kunderna. Tillverkare genomför därför många tester för att upptäcka problem tidigt — men de mest grundliga testerna är också de långsammaste och dyraste. Denna artikel undersöker hur fabriker kan använda artificiell intelligens för att förutsäga vilka produkter som sannolikt kommer att gå sönder, samtidigt som testkostnaderna hålls under kontroll.

Två typer av fabriksgenomgångar

I moderna produktionslinjer genomgår inte varje artikel samma nivå av granskning. Enkla, snabba tester tillämpas på varje produkt; författarna kallar dessa grundinspektioner. Mer detaljerade tester, som kan kräva specialutrustning eller svåra förhållanden, reserveras för ett mindre urval eftersom de är kostsamma och tidskrävande; dessa är avancerade inspektioner. Datorbaserade modeller som förutsäger framtida fel fungerar bättre när de får både grundliga och avancerade testresultat, men det innebär att man måste betala för fler av de dyra inspektionerna. Modeller som enbart förlitar sig på grundresultaten är billigare att använda men brukar vara mindre precisa.

Att lära ett billigt test att tänka som ett dyrt

Forskarna anpassar en maskininlärningsidé känd som knowledge distillation till denna tillverkningsmiljö. Först tränar de en avancerad modell som har tillgång till både grundläggande och avancerade inspektionsdata och lär sig förutsäga om varje produkt så småningom kommer att misslyckas i sluttestet. Därefter tränar de en grundmodell som bara ser de lågkostnadstesterna — men de styr dess inlärning så att dess prediktioner imiterar den avancerade modellens. I praktiken lärs grundmodellen upp för att approximera den mer omfattande förståelsen hos den avancerade modellen, samtidigt som den vid driftsättning på linjen endast förlitar sig på de billiga mätningarna.

Att avgöra när det är värt att lägga mer på tester

När grundmodellen har förbättrats på detta sätt bygger författarna in den i en aktiv inspektionsram. Varje produkt genomgår först grundinspektioner och utvärderas av den uppgraderade grundmodellen, som också ger en uppskattning av hur säker den är i sitt omdöme. Om modellen är säker på att en artikel är tydligt bra eller tydligt dålig kan fabriken hoppa över de kostsamma avancerade testerna. Endast artiklar med osäkra prediktioner skickas vidare för avancerad inspektion och utvärdering av den avancerade modellen. Denna selektiva strategi syftar till att reservera dyra kontroller för de produkter där de gör störst nytta.

Test av idén inom chipstillverkning

För att se hur väl detta tillvägagångssätt fungerar i praktiken analyserade teamet verkliga data från en halvledartillverkare. Vid chiptillverkning genomgår wafers många elektriska tester; några utförs på varje chip, medan andra under kraftiga förhållanden endast appliceras på en delmängd. Författarna byggde både grundläggande och avancerade prediktionsmodeller med två olika typer av maskininlärningsalgoritmer och jämförde modeller tränade med och utan knowledge distillation. De undersökte också flera sätt att mäta prediktionsosäkerhet för att avgöra vilka chip som borde få avancerade inspektioner, och utvärderade prestanda med ett standardmått som speglar hur väl modellerna skiljer på bra och dåliga chip.

Bättre kvalitet till lägre kostnad

Experimenten visade att grundmodellerna tränade med knowledge distillation konsekvent var mer precisa än vanliga grundmodeller, och i en datamängd överträffade de till och med marginellt den fullständiga avancerade modellen. När dessa förbättrade grundmodeller kombinerades med den aktiva inspektionsstrategin kunde fabriker uppnå nästan samma felupptäckningsprestanda som att testa varje produkt med avancerade inspektioner, samtidigt som betydligt färre artiklar skickades genom de kostsamma testerna. Enkelt uttryckt låter metoden tillverkare upptäcka fler defekter tidigare och mer pålitligt, utan att behöva inspektera allt på högsta nivå, vilket erbjuder en praktisk väg mot högre kvalitet och lägre produktionskostnader.

Citering: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

Nyckelord: tillverkningskvalitet, felprediktion, inspektionskostnad, knowledge distillation, halvledartillverkning