Maschinelles Lernen zur Materialbewertung in der PV-Produktion

Neue Technologien des maschinellen Lernens haben im Jahr 2012 erstmals das menschliche Leistungsvermögen bei der Klassierung von Objekten erreicht. Mit zunehmender Kapazität der Produktionslinien gewinnen rein datenbasierte Verfahren zur Produktionskontrolle an Bedeutung, die sich mit diesen Technologien sehr effizient abbilden lassen. Im Rahmen seiner Digitalisierungsinitiative beschäftigt sich das Fraunhofer ISE mit dem Transfer tiefer Lernverfahren in verschiedenste Glieder der PV-Wertschöpfungskette. Für die  Bewertung multikristalliner Siliciumwafer wurde in den Projekten »Q-Wafer«^A und »Q-Crystal«^B eine hinreichend große Datenvielfalt geschaffen, um die erwartete Solarzellenqualität anhand von inline-Messungen bereits vor der Solarzellenproduktion vorherzusagen.

Neben einer präzisen Effizienz-Vorhersage mit einer mittleren Abweichung von 0,12%abs hat das Verfahren zusätzliche Vorteile: In unserem Anwendungsbeispiel erlernt ein faltendes neuronales Netz den direkten Zusammenhang zwischen den 2D-Photolumineszenz-Aufnahmen des Wafers und den Strom-Spannungs-Parametern der Solarzelle. Dabei wurden keine menschlichen Vorgaben zur Bewertung der Eingabebilder benötigt. Das Modell ist einfach um zusätzliche Prozess- und Eingabeparameter erweiterbar und die Vorhersage dauert nur wenige Millisekunden. Die korrekte Vorhersage von Wafern aus unbekannten Säulen zeigt die hohe Generalisierbarkeit, sodass Abweichungen zwischen erwarteter und gemessener Effizienz auf Prozessfehler und Materialanomalien hinweisen, die mit am Fraunhofer ISE verfügbaren Referenzmethoden (z. B. modulum) spezifizierbar sind.

Ein weiterer Vorteil ist die Qualitätskarte, die aus den räumlich aufgelösten Aktivierungen des Netzes abgeleitet werden kann. Sie verrät, wie das Netzwerk die Strukturen in den Eingabedaten bewertet. Somit können Ursachen für die Bewertung identifiziert und lokalisiert werden. Das Fraunhofer ISE bringt damit Licht in die »Blackbox« neuronales Netz. Ein wichtiger Aspekt verbirgt sich in der gelernten Repräsentation der Daten in den Tiefen des Netzwerks. Dieses komprimiert die Eingabedaten, sodass effizienzlimitierende Muster in den Bilddaten quantifiziert werden. Die Daten können anhand dieser aussagekräftigen Repräsentation miteinander verglichen werden. Wir sehen, was das Netzwerk in den Daten gelernt hat. Über die semantische Repräsentation selbst können wir die Bilddaten effizient speichern. Die Kristallisation können wir bewerten, indem wir die semantischen Repräsentationen verschiedener Kristalle vergleichen. Auch können Schwankungen des Solarzellenprozesses mit Hilfe der extrahierten Materialeigenschaften dedizierter untersucht werden.

^A gefördert vom Bundesministerium für Bildung und Forschung (BMBF)

^B gefördert vom Bundesministerium für Wirtschaft und Energie (BMWi)