Impegnarsi per prodotti a zero difetti 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Ed Hutchins, Wolfspeed, illustra i nuovi e potenti modi in cui gli ingegneri si stanno impegnando per creare prodotti a zero difetti. Le aziende stanno adottando una maggiore automazione e l'ascesa dell'economia digitale nella produzione e nella consegna dei prodotti. E con i sensori in linea resi possibili dall'avvento dell'Internet of Things industriale (IIoT) e dei sistemi di misurazione avanzati, stanno generando e raccogliendo un volume di dati crescente, più complesso che mai. Ed Hutchins, Product Engineering Manager di Wolfspeed, A Cree Company, spiega in questo video. È possibile guardare l'intera tavola rotonda on demand .
"Ho iniziato a parlarne prima, delle enormi quantità di dati, ma questo è solo l'inizio. Credo che il modo in cui vengono utilizzati i dati stia cambiando, e molto di recente. In passato, con gli strumenti di ispezione automatizzati, si definivano delle ricette per cercare caratteristiche specifiche, attributi specifici, difetti specifici.
"Ma ora, con l'avvento dell'apprendimento automatico e delle reti neurali profonde, è possibile creare un algoritmo che cerca un difetto visibile a occhio nudo, ma che sarebbe difficile ridurre a un insieme finito di parametri o a una ricetta per le istruzioni.
"Queste cose ci consentono di trovare difetti che altrimenti avrebbero richiesto l'intervento umano o il campionamento, e ora possiamo osservare il quadro completo.
"Possiamo analizzare il prodotto nel suo complesso, ogni wafer, ogni esempio, per cercare di individuare queste caratteristiche e puntare a zero difetti, che, ancora una volta, rientra nelle aspettative dei nostri clienti odierni".
Ecco un'anteprima del webcast on-demand :
Ed Hutchins, Wolfspeed, illustra i nuovi e potenti metodi con cui gli ingegneri utilizzano l'ingegneria della qualità e l'apprendimento automatico per creare prodotti privi di difetti.
Ri: Ricerca di prodotti senza difettiCIAO @sajid -
Abbiamo contattato Ed Hutchins in modo che potesse rispondere direttamente. Ecco cosa ha detto:
1) Nella nostra esperienza, l'uso di algoritmi di apprendimento automatico per identificare i difetti di uccisione può essere implementato in modo tale da non aggiungere un tempo di ciclo apprezzabile al processo rispetto ai sistemi AOI.Per raggiungere questo obiettivo, però, è necessario impostare un sistema tenendo presente diversi elementi pratici: quanti dati vengono generati dal sistema di ispezione, quanto è potente il computer che eseguirà l’algoritmo di apprendimento automatico e dov’è quel computer relativo? al sistema di ispezione.Se si considerano questi elementi e il sistema è progettato in modo appropriato, l'intero processo può essere eseguito rapidamente, da pochi secondi a pochi minuti per wafer, a seconda della quantità di dati da analizzare.Se addestrato correttamente, un algoritmo di apprendimento automatico è molto accurato e vediamo una correlazione diretta tra i suoi risultati e gli attributi o i guasti del prodotto a valle.
2) Zero difetti e rilevamento automatico dei difetti sono gratuiti.L'ispezione al 100% è molto meno costosa e richiede molto meno tempo se abilitata con apparecchiature di ispezione automatizzate e algoritmi di apprendimento automatico.Questi sistemi fanno due cose per promuovere l’assenza di difetti: promuovono i rendimenti a valle impedendo che eventuali difetti si trasferiscano nei prodotti e consentono attività di miglioramento a monte descrivendo accuratamente il verificarsi di difetti, anche quelli che appaiono raramente.
3) Il Dr. Robert Leonard di Wolfspeed ha presentato un'applicazione dell'apprendimento automatico alla conferenza interna del 2019 sul carburo di silicio e materiali correlati (ICSCRM).Quando gli atti della conferenza saranno pubblicati, il suo articolo conterrà immagini di esempio che dimostrano le correlazioni.
Ri: Ricerca di prodotti senza difettiCosì poche domande dopo aver appreso dell'enorme quantità di dati generati dall'apprendimento automatico e dalle reti neurali che aiutano a identificare difetti di interesse nella produzione di semiprocessi.
1) con l'approccio convenzionale che prevede l'utilizzo di sistemi ottici automatizzati (AOI) che rilevano i difetti in linea tra le varie fasi del processo, ci concentriamo solo sui difetti di eliminazione che potrebbero guastare gli stampi a livello di wafer o di prodotto e per questo motivo poniamo strategicamente l'ispezione ricette nelle aree di interesse più critiche. Per utilizzare le risorse del nostro processo di produzione nel modo più efficiente, ciò che evitiamo è catturare difetti non mortali. In base agli algoritmi di apprendimento automatico e alla ricerca di un difetto specifico, che potrebbe trovarsi in aree critiche o non critiche su tutti i wafer, ciò mette a repentaglio il tempo di ciclo? Mostra un elevato coefficiente di correlazione con guasti funzionali e di prodotto?
2) mantenendo l'attenzione sulla riduzione dei difetti e sulle aspettative del cliente, la metodologia (D0) si concentra sull'eliminazione di tutti i difetti? in caso affermativo, è conveniente rispetto alla pratica attuale di utilizzo dell'AOI?
3) potresti condividere alcuni dati non proprietari per mostrare alcune correlazioni basate su questa metodologia?
Grazie!
/Sajid Shamsi
