Re: Luchando por productos de cero defectosTan pocas preguntas después de conocer los datos masivos generados por el aprendizaje automático y las redes neuronales que ayudan a identificar defectos de interés en la fabricación de semiprocesos.
1) con el enfoque convencional de usar sistemas ópticos automatizados (AOI) que detectan defectos en línea entre varios pasos del proceso, solo nos enfocamos en los defectos de muerte que pueden fallar mueren a nivel de oblea o de producto y por eso colocamos estratégicamente la inspección recetas en las áreas de interés más críticas. Para utilizar nuestros recursos del proceso de fabricación de la manera más eficiente, lo que evitamos es capturar defectos que no maten. Según los algoritmos de aprendizaje automático y buscando un defecto específico, que podría estar en áreas críticas o no críticas en todas las obleas, ¿eso pone en peligro el tiempo del ciclo? ¿Muestra un alto coeficiente de correlación con fallas funcionales y de producto?
2) manteniendo el enfoque en la reducción de defectos y las expectativas del cliente, ¿la metodología (D0) se enfoca en eliminar todos los defectos? Si es así, ¿es rentable que la práctica actual de usar AOI?
3) ¿podría compartir algunos datos no propietarios para mostrar algunas correlaciones basadas en esta metodología?
¡Gracias!
/ Sajid Shamsi
Re: Luchando por productos de cero defectosHola @sajid -
Nos comunicamos con Ed Hutchins para que pudiera responder directamente. Esto es lo que dijo:
1) En nuestra experiencia, el uso de algoritmos de aprendizaje automático para identificar defectos de muerte puede implementarse de manera que no agregue un tiempo de ciclo apreciable al proceso en comparación con los sistemas AOI. Sin embargo, para lograr esto, uno tiene que configurar un sistema con varios elementos prácticos en mente: cuántos datos genera el sistema de inspección, qué tan poderosa es la computadora que ejecutará el algoritmo de aprendizaje automático y dónde está esa computadora relativa al sistema de inspección. Si se consideran esos elementos y el sistema está diseñado adecuadamente, todo el proceso puede ejecutarse rápidamente, desde segundos hasta unos pocos minutos por oblea, dependiendo de la cantidad de datos que se deben analizar. Cuando se entrena adecuadamente, un algoritmo de aprendizaje automático es muy preciso, y vemos una correlación directa entre sus hallazgos y los atributos o fallas de los productos posteriores.
2) La detección automática de defectos y defectos cero es complementaria. La inspección al 100% es mucho menos costosa y requiere mucho tiempo cuando se habilita con equipos de inspección automatizados y algoritmos de aprendizaje automático. Estos sistemas hacen dos cosas para promover el defecto cero: promueven los rendimientos aguas abajo al evitar que los defectos pasen a los productos, y permiten actividades de mejora aguas arriba al describir con precisión la aparición de defectos, incluso aquellos que aparecen con poca frecuencia.
3) El Dr. Robert Leonard de Wolfspeed presentó una aplicación de aprendizaje automático en la Conferencia interna de 2019 sobre carburo de silicio y materiales relacionados (ICSCRM). Cuando se publiquen las actas de la conferencia, su artículo contendrá imágenes de ejemplo que demuestran correlaciones.
Esforzándonos por lograr productos con cero defectos 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Ed Hutchins, de Wolfspeed, describe las nuevas y poderosas maneras en que los ingenieros se esfuerzan por crear productos sin defectos. Las organizaciones están adoptando una mayor automatización y el auge de la economía digital en la producción y entrega de productos. Y con los sensores en línea que ofrece el auge del Internet Industrial de las Cosas (IIoT) y los sistemas de medición avanzados, están generando y recopilando un volumen creciente de datos, más complejos que nunca. Ed Hutchins, gerente de Ingeniería de Producto de Wolfspeed, una empresa de Cree, lo explica en este videoclip. Puede ver la conversación completa del panel a pedido .
Empecé a hablar de eso antes, de las enormes cantidades de datos, pero eso es solo el principio. Creo que la forma en que se utilizan los datos está cambiando, y ha cambiado muy recientemente. Antes, con las herramientas de inspección automatizadas, se definían recetas para buscar características, atributos y defectos específicos.
"Pero ahora, con la llegada del aprendizaje automático y las redes neuronales profundas, es posible crear un algoritmo que busque un defecto que se puede ver a simple vista, pero que sería difícil reducir a un conjunto finito de parámetros o a una receta de instrucciones.
"Y lo que estas cosas nos permiten hacer es encontrar defectos que de otro modo habrían requerido intervención humana o muestreo, y ahora podemos ver el panorama completo.
Podemos analizar el producto completo, cada oblea, cada muestra para intentar encontrar estas características y así lograr cero defectos, lo que, nuevamente, forma parte de las expectativas de nuestros clientes hoy en día.
Aquí hay una vista previa del webcast a pedido :
Ed Hutchins, de Wolfspeed, describe las formas nuevas y poderosas en que los ingenieros utilizan la ingeniería de calidad y el aprendizaje automático para crear productos sin defectos.
