Praxisbeispiel: Innovation – Lebensdauerprognose für hochzuverlässige Elektronik mittels Machine Learning
Ein Gastbeitrag von Jonas Hepp
Aus dem Programm des Technologie-Transferkongresses 2023
Moderne Autos werden immer autonomer und enthalten dazu eine Vielzahl an elektronischen Baugruppen, wie z.B. Sensoren oder Steuergeräten. Unter widrigsten Einsatzbedingungen wie Kälte, Schnee, Regen oder Hitze muss in den Automobilen jahrelang sichergestellt werden, dass uns beispielsweise LED-Scheinwerfer oder Sensoren für das autonome Fahren sicher ans Ziel bringen. Für die Zuverlässigkeit von elektronischen Baugruppen sind vor allem Lötverbindungen essenziell, da sie die Komponenten sowohl mechanisch als auch elektrisch verbinden. Dementsprechend sind sie thermo-mechanischen Belastungen ausgesetzt, die zu einem Versagen von Lötverbindungen und damit auch der elektronischen Baugruppe führen können.
In dem Forschungsvorhaben MaWis-KI untersucht und erforscht XITASO zusammen mit den Projektpartner neuartige KI- und Deep-Learning-Ansätze, die bereits früh im Entwicklungsprozess von elektrischen Baugruppen effizient Lotmaterialien auf ihre Einsatzfähigkeit für den Anwendungsfall hin beurteilen können, um damit hochzuverlässige elektronische Baugruppen mit geringem Zeit- und Kostenaufwand entwickeln zu können.
Eine besondere Herausforderung hierbei ist die geringe Menge der zur Verfügung stehenden Daten. Im Gegensatz zu anderen Aufgaben, bei denen Deep-Learning-Ansätze mittlerweile weit verbreitet sind, wie z.B. der allgemeinen Bildklassifikation ist das Generieren von Trainingsdaten in den Materialwissenschaften sehr aufwändig und kostspielig. Daher müssen Methoden zum Einsatz kommen, die den Lernprozess gezielt lenken, um so mit der geringen Datenmenge umgehen zu können.
Aus dem Programm des Technologie-Transferkongresses 2023
Moderne Autos werden immer autonomer und enthalten dazu eine Vielzahl an elektronischen Baugruppen, wie z.B. Sensoren oder Steuergeräten. Unter widrigsten Einsatzbedingungen wie Kälte, Schnee, Regen oder Hitze muss in den Automobilen jahrelang sichergestellt werden, dass uns beispielsweise LED-Scheinwerfer oder Sensoren für das autonome Fahren sicher ans Ziel bringen. Für die Zuverlässigkeit von elektronischen Baugruppen sind vor allem Lötverbindungen essenziell, da sie die Komponenten sowohl mechanisch als auch elektrisch verbinden. Dementsprechend sind sie thermo-mechanischen Belastungen ausgesetzt, die zu einem Versagen von Lötverbindungen und damit auch der elektronischen Baugruppe führen können.
In dem Forschungsvorhaben MaWis-KI untersucht und erforscht XITASO zusammen mit den Projektpartner neuartige KI- und Deep-Learning-Ansätze, die bereits früh im Entwicklungsprozess von elektrischen Baugruppen effizient Lotmaterialien auf ihre Einsatzfähigkeit für den Anwendungsfall hin beurteilen können, um damit hochzuverlässige elektronische Baugruppen mit geringem Zeit- und Kostenaufwand entwickeln zu können.
Eine besondere Herausforderung hierbei ist die geringe Menge der zur Verfügung stehenden Daten. Im Gegensatz zu anderen Aufgaben, bei denen Deep-Learning-Ansätze mittlerweile weit verbreitet sind, wie z.B. der allgemeinen Bildklassifikation ist das Generieren von Trainingsdaten in den Materialwissenschaften sehr aufwändig und kostspielig. Daher müssen Methoden zum Einsatz kommen, die den Lernprozess gezielt lenken, um so mit der geringen Datenmenge umgehen zu können.