You are here: Home → Proceedings
Document Actions

Proceedings

Automated, AI-based Inspection of Drive Wheels on Overhead Hoist Transport Vehicles

Automatische, KI-basierte Inspektion von Antriebsrädern an Overhead Ho-ist Transportfahrzeugen

  1. Dipl.-Ing. Hailong Zhu Lehrstuhl für Fördertechnik Materialfluss Logistik, Technische Universität München
  2. Dr.-Ing. Sebastian Rank Lehrstuhl für Fördertechnik Materialfluss Logistik, Technische Universität München
  3. Prof Dr.-Ing. Thorsten Schmidt Lehrstuhl für Fördertechnik Materialfluss Logistik, Technische Universität München

Abstracts

Overhead hoist transport systems are used to transport wafers in 300 mm semiconductor factories. These rail-based systems usually consist of hundreds of vehicles to ensure fast and safe transport of wafers between tools. Faults of individual vehicles can cause damage to the transferred goods and production downtimes. To minimize the risk of failure, extensive preventive maintenance of the vehicle's heavily stressed components is required. This includes the chassis and drive wheels. This article describes an automatic inspection approach that can drastically accelerate the inspection process. We have developed an automatic inspection approach for the drive wheels that can drastically speed up the inspection process. From the data obtained, we trained a deep convolutional autoencoder network to predict the growth of fractures on the surface of the wheels. With the help of our inspection approach, it is possible to carry out conditionbased predictive maintenance of the OHT vehicles. This approach promises cost savings compared to routine or time-based strategies for preventive maintenance, as we can carry out maintenance tasks only when they are justified.

Overhead Hoist Transportsysteme werden zum Transport von Wafern in 300-mm-Halbleiterfabriken eingesetzt. Diese schienenbasierten Systeme bestehen normalerweise aus Hunderten von Fahrzeugen, um einen schnellen und sicheren Transport von Wafern zwischen Werkzeugen zu gewährleisten. Fehler einzelner Fahrzeuge können zu Schäden an den übergebenen Waren und Produktionsausfällen führen. Um das Ausfallrisiko zu minimieren, ist eine umfassende vorbeugende Wartung der stark beanspruchten Fahrzeugkomponenten erforderlich. Wir haben einen automatischen Inspektionsansatz für die Antriebsräder entwickelt, der den Inspektionsprozess drastisch beschleunigen kann. Aus den erhaltenen Daten haben wir ein deep convolutional-Autoencoder-Netzwerk trainiert, um das Wachstum von Frakturen auf der Oberfläche der Räder vorherzusagen. Mit Hilfe unser Inspektionsansatz kann eine zustandsbasierte prädiktive Wartung der OHT-Fahrzeuge durchgeführt werden. Dieser Ansatz verspricht Kosteneinsparungen gegenüber routinemäßigen oder zeitbasierten Strategien zur präventiven Wartung, da Aufgaben nur dann ausgeführt werden, wenn dies gerechtfertigt ist.

Keywords

Fulltext

License

Any party may pass on this Work by electronic means and make it available for download under the terms and conditions of the free Digital Peer Publishing License. The text of the license may be accessed and retrieved at http://www.dipp.nrw.de/lizenzen/dppl/fdppl/f-DPPL_v1_de_11-2004.html.

Number of citations

Visit Google Scholar to find out, how often this paper is cited.