Viser des produits zéro défaut 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Ed Hutchins, de Wolfspeed, présente les nouvelles méthodes performantes employées par les ingénieurs pour créer des produits zéro défaut. Les entreprises adoptent une automatisation croissante et l'essor de l'économie numérique dans la production et la livraison de produits. Grâce aux capteurs intégrés, rendus possibles par l'essor de l'Internet industriel des objets (IIoT) et des systèmes de mesure avancés, elles génèrent et collectent un volume croissant de données, plus complexes que jamais. Ed Hutchins, responsable de l'ingénierie produit chez Wolfspeed, une société Cree, explique cela dans cette vidéo. Vous pouvez visionner l'intégralité de la table ronde à la demande .
J'ai déjà évoqué ce sujet plus tôt, celui des volumes massifs de données, mais ce n'est qu'un début. Je pense que la façon dont les données sont utilisées évolue, et ce, très récemment. Auparavant, avec les outils d'inspection automatisés, on définissait des formules pour rechercher des caractéristiques, des attributs et des défauts spécifiques.
« Mais maintenant, avec l'avènement de l'apprentissage automatique et des réseaux neuronaux profonds, vous êtes en mesure de créer un algorithme qui recherche un défaut que vous pouvez voir à l'œil nu mais qui aurait du mal à réduire à un ensemble fini de paramètres ou à une recette d'instruction.
« Et ce que ces outils nous permettent de faire, c'est de trouver des défauts qui, autrement, auraient nécessité une intervention humaine ou un échantillonnage, et nous pouvons désormais avoir une vue d'ensemble.
« Nous pouvons analyser le produit dans son ensemble, chaque plaquette, chaque exemple pour identifier ces caractéristiques et tendre vers le zéro défaut, ce qui, encore une fois, fait partie des attentes de nos clients aujourd'hui. »
Voici un aperçu du webcast à la demande :
Ed Hutchins, de Wolfspeed, décrit les nouvelles et puissantes méthodes utilisées par les ingénieurs pour utiliser l'ingénierie de qualité et l'apprentissage automatique pour créer des produits zéro défaut.
Re : En quête de produits zéro défautSalut @sajid -
Nous avons contacté Ed Hutchins afin qu'il puisse répondre directement. Voici ce qu'il a dit :
1) D'après notre expérience, l'utilisation d'algorithmes d'apprentissage automatique pour identifier les défauts de suppression peut être mise en œuvre de telle sorte qu'elle n'ajoute pas de temps de cycle appréciable au processus par rapport aux systèmes AOI.Pour y parvenir, cependant, il faut mettre en place un système en tenant compte de plusieurs éléments pratiques : la quantité de données générées par le système d'inspection, quelle est la puissance de l'ordinateur qui exécutera l'algorithme d'apprentissage automatique et où se trouve cet ordinateur par rapport au système d'inspection. au système de contrôle.Si ces éléments sont pris en compte et que le système est conçu de manière appropriée, l'ensemble du processus peut s'exécuter rapidement, de quelques secondes à quelques minutes par tranche, en fonction de la quantité de données à analyser.Lorsqu'il est formé correctement, un algorithme d'apprentissage automatique est très précis et nous constatons une corrélation directe entre ses résultats et les attributs ou les échecs des produits en aval.
2) Le zéro défaut et la détection automatisée des défauts sont complémentaires.L’inspection à 100 % est beaucoup moins coûteuse et prend beaucoup moins de temps lorsqu’elle est activée avec un équipement d’inspection automatisé et des algorithmes d’apprentissage automatique.Ces systèmes font deux choses pour promouvoir le zéro défaut : ils favorisent les rendements en aval en empêchant tout défaut de se répercuter sur les produits, et ils permettent des activités d'amélioration en amont en décrivant avec précision l'apparition de défauts, même ceux qui apparaissent rarement.
3) Le Dr Robert Leonard de Wolfspeed a présenté une application de l'apprentissage automatique lors de la conférence interne 2019 sur le carbure de silicium et les matériaux associés (ICSCRM).Lorsque les actes de la conférence seront publiés, son article contiendra des exemples d’images démontrant les corrélations.
Re : En quête de produits zéro défautSi peu de questions après avoir découvert les données massives générées par l'apprentissage automatique et les réseaux de neurones aidant à identifier les défauts d'intérêt dans la fabrication de semi-processus.
1) avec l'approche conventionnelle consistant à utiliser des systèmes optiques automatisés (AOI) détectant les défauts en ligne parmi les différentes étapes du processus, nous nous concentrons uniquement sur les défauts de suppression qui pourraient faire échouer les matrices au niveau de la tranche ou du produit et c'est pourquoi nous plaçons stratégiquement l'inspection recettes dans les domaines d’intérêt les plus critiques. Afin d'utiliser nos ressources de processus de fabrication de la manière la plus efficace possible, nous évitons de capturer des défauts non mortels. Selon les algorithmes d'apprentissage automatique et la recherche d'un défaut spécifique, qui pourrait se trouver dans des zones critiques ou non critiques sur toutes les tranches, cela met-il en danger le temps de cycle ? Présente-t-il un coefficient de corrélation élevé avec les pannes fonctionnelles et de produits ?
2) en gardant l'accent sur la réduction des défauts et les attentes des clients, la méthodologie (D0) se concentre-t-elle sur l'élimination de tous les défauts ? si oui, est-ce plus rentable que la pratique actuelle consistant à utiliser l'AOI ?
3) pourriez-vous partager des données non exclusives pour montrer certaines corrélations basées sur cette méthodologie ?
Merci!
/Sajid Shamsi
