Deep-Learning-Verfahren für die schnelle Qualitätskontrolle vom Wafer bis zur Solarzelle

Eine erfolgreiche Qualitätskontrolle im laufenden Produktionsprozess erfordert die schnelle und aussagekräftige Verarbeitung umfangreicher Sensordaten aus unterschiedlichen Quellen. Hierzu entwickeln wir multimodale Deep-Learning-Modelle, die eine Qualitätsbewertung der Probe ermöglichen.

In zahlreichen Anwendungsfeldern werden Verfahren entwickelt, die die Fertigung, Entwicklung und Produktion von Wafern und Solarzellen entlang der gesamten Wertschöpfungskette wesentlich verbessern. Mit unserer interdisziplinären Expertise in den Bereichen der Künstlichen Intelligenz und der Photovoltaik implementieren wir dazu aufgabenspezifische KI-Modelle. Hierbei steht uns eine umfangreiche Messtechnik zur Verfügung, die zur Charakterisierung der Proben und zum »intelligenten« Training der Modelle eingesetzt wird.

Im Folgenden werden zwei Beispiele vorgestellt:

Deep Learning zur kontaktlosen IV-Messung und schnellen Messung von Schindelzellen

Anhand der Elektrolumineszenz-Aufnahme des Hostwafers (links) kann die Qualität jeder einzelnen Schindelzelle (rechts) bestimmt werden. — © Fraunhofer ISE
Abbildung 1: Anhand einer gemittelten IV-Messung und einer Elektrolumineszenz-Aufnahme des Hostwafers (links) kann die Qualität jeder einzelnen Schindelzelle (rechts) präzise prognostiziert werden.

© Fraunhofer ISE
Korrelationsgraph zwischen den kontaktiert gemessenen IV-Werten und den prognostizierten IV-Werten, die mittels Deep Learning anhand kontaktloser Messungen bestimmt wurden.

KI-Modelle werden auch zur Entwicklung alternativer Messverfahren eingesetzt. Im Bereich der IV-Messung haben wir zwei Ansätze entwickelt, die ein erhebliches Potenzial zur Beschleunigung und Vereinfachung der Messung aufweisen:

Zur Charakterisierung von Halb- und Schindelzellen wurden KI-Verfahren entwickelt, die die Qualität der einzelnen Schindelzellen bereits aus Messungen im Waferverbund vor dem Schneidprozess (am sog. Hostwafer) vor dem Schneideprozess bestimmen. Hierdurch kann die aufwendige Messung jeder einzelnen Schindel ersetzt werden. Im Vergleich zur reinen IV-Messung der Hostzellen reduziert das KI-Modell den Ausschuss guter Teilschindeln (siehe Abbildung).

Die wichtigste Kenngröße einer Solarzelle ist die Strom-Spannungs-Kennlinie. Ihre Messung erfordert bisher eine elektrische Kontaktierung der Solarzelle, was den Durchsatz limitiert, die Zelle mechanisch belastet und eine regelmäßige Wartung der Kontaktiereinheiten erfordert. Unser KI-basiertes Verfahren ermöglicht eine kontaktlose Bestimmung der IV-Kennlinie aus einer Serie von Photolumineszenzbildern und anderen optischen Messungen und stellt so eine schnelle und schädigungsfreie Alternative zur kontaktierten Messung dar, die insbesondere für zukünftige Hochdurchsatzfertigungen von großem Interesse ist (siehe Abbildung).

Der Digitale Zwilling der Solarzelle

© Fraunhofer ISE
Abbildung 3: Basierend auf den Produktionsdaten wird ein datengetriebener Digitaler Zwilling der Solarzelle mit einem tiefen neuronalen Netz erzeugt. Dieser ermöglicht eine effiziente Interaktion mit den Experten als »Human-in-the-Loop« und damit die Definition von Sortierkritierien und die Erforschung von Defektursachen.

Das am Fraunhofer ISE entwickelte Verfahren für einen datengetriebenen Digitalen Zwilling adressiert die Herausforderung bei der Auswertung und Speicherung großer Datenmengen in der Produktion. Insbesondere bei multimodalen Daten verschiedener Messsysteme fällt es dem Menschen schwer, die meist komplexen Muster zu erkennen.

Unser patentiertes KI-Verfahren zur effizienten Datenkompression und Datenanalyse bietet eine elegante Lösung für dieses Problem: Durch die Korrelation der hochdimensionalen Messdaten mit den Qualitätsdaten erlaubt unser System eine datengetriebene Fusion der Messungen. Das Ergebnis ist eine kompakte Beschreibung der Probe, die nur relevante Defektsignaturen enthält und gespeichert werden kann. Dieser datengetriebene Digitale Zwilling der Solarzelle kann vom Experten durch eine effiziente Interaktion mit dem »Human-in-the-Loop« analysiert werden. Mit unserer KI-Unterstützung können so Defektursachen effizient identifiziert und Sortierkriterien für die Produktion entwickelt werden (siehe Abbildung).

Unsere FuE-Leistungen umfassen:

Entwicklung von KI-Modellen für die Produktion
Entwicklung multivariater KI-Modelle zur Qualitätsinspektion vom Wafer bis zur Zelle
Transfer der KI-Modelle in die Anwendung: Defektdetektion mit annotierten Daten oder anhand unserer Referenzmessungen mittels »Smart-Labeling«
Transfer und Anpassung des patentierten KI-Systems zur effizienten Datenanalyse, Komprimierung und Speicherung der Messungen, die zur Produktionskontrolle gemacht werden
Entwicklung von Bedienkonzepten für die Fertigungslinie zur Qualitätsinspektion mit wenigen Klicks und dem »Human-in-the-Loop« anhand des Digitalen Zwillings
KI-Verfahren zur schnellen, kontaktlosen IV-Messung
KI-Verfahren zur Inspektion von Schindelzellen anhand Messungen an Hostzellen
Transfer von KI-Modellen zur Qualitätsinspektion aus der Photovoltaik-Produktion in andere Anwendungsfelder (wie z. B. Brennstoffzellen- und Batterie-Produktion)

Forschungsprojekt zum Thema Deep-Learning-Verfahren zur schnellen Qualitätsinspektion vom Wafer bis zur Solarzelle

NextTec

Kontaktlose Leistungsmessung für Solarzellen: PV-Produktionstechnologien der nächsten Generation für eine Durchsatzsteigerung

zum Projekt

Weitere Informationen zu diesem Forschungsthema

Geschäftsfeldthema

Künstliche Intelligenz und Datenmanagement

Mehr Info

Geschäftsfeld

Photovoltaik – Produktionstechnologie und Transfer

Mehr Info

Multimodale Deep-Learning-Verfahren für die Produktionskontrolle