Streben nach Null-Fehler-Produkten 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Ed Hutchins von Wolfspeed erläutert die neuen und wirkungsvollen Methoden, mit denen Ingenieure fehlerfreie Produkte herstellen wollen. Unternehmen setzen bei der Herstellung und Auslieferung von Produkten zunehmend auf Automatisierung und den Aufstieg der digitalen Wirtschaft. Und mit Inline-Sensoren, die durch das aufkommende industrielle Internet der Dinge (IIoT) und fortschrittliche Messsysteme möglich werden, generieren und erfassen sie ein wachsendes Datenvolumen, das komplexer ist als je zuvor. Ed Hutchins, Product Engineering Manager bei Wolfspeed, einem Unternehmen von Cree, erklärt dies in diesem Videoclip. Sie können das komplette Podiumsgespräch auf Abruf ansehen.
Ich habe bereits zuvor über die riesigen Datenmengen gesprochen, aber das ist erst der Anfang. Ich denke, die Art und Weise, wie Daten genutzt werden, ändert sich, und zwar erst kürzlich. Früher gab es automatisierte Prüfwerkzeuge, bei denen man Rezepte definierte, um nach bestimmten Merkmalen, Eigenschaften und Defekten zu suchen.
„Aber jetzt, mit dem Aufkommen des maschinellen Lernens und tiefer neuronaler Netzwerke, können Sie einen Algorithmus erstellen, der nach einem Defekt sucht, den Sie mit bloßem Auge erkennen können, der sich aber nur schwer auf einen endlichen Satz von Parametern oder ein Anweisungsrezept reduzieren lässt.
„Und diese Dinge ermöglichen es uns, Defekte zu finden, die sonst menschliches Eingreifen oder eine Probenentnahme erfordert hätten, und jetzt können wir das Gesamtbild betrachten.
„Wir können das gesamte Produkt betrachten, wir können jeden Wafer betrachten, wir können jedes Beispiel betrachten, um zu versuchen, diese Merkmale zu finden, um das Null-Fehler-Ziel anzustreben, was wiederum Teil der Erwartungen unserer Kunden heutzutage ist.“
Hier ist eine Vorschau des On-Demand-Webcasts :
Ed Hutchins von Wolfspeed beschreibt die neuen und wirkungsvollen Methoden, mit denen Ingenieure Qualitätstechnik und maschinelles Lernen nutzen, um fehlerfreie Produkte zu schaffen.
Betreff: Streben nach Null-Fehler-ProduktenHallo @sajid -
Wir haben uns an Ed Hutchins gewandt, damit er direkt antworten konnte. Das hat er gesagt:
1) Unserer Erfahrung nach kann der Einsatz maschineller Lernalgorithmen zur Identifizierung von Tötungsdefekten so implementiert werden, dass der Prozess im Vergleich zu AOI-Systemen keine nennenswerte Zykluszeit erhält.Um dies zu erreichen, muss man jedoch ein System unter Berücksichtigung mehrerer praktischer Elemente einrichten: Wie viele Daten werden vom Inspektionssystem generiert, wie leistungsfähig ist der Computer, auf dem der Algorithmus für maschinelles Lernen ausgeführt wird, und wo ist dieser Computer relativ? an das Inspektionssystem.Wenn diese Elemente berücksichtigt werden und das System entsprechend ausgelegt ist, kann der gesamte Prozess schnell ablaufen, von Sekunden bis zu einigen Minuten pro Wafer, je nachdem, wie viele Daten analysiert werden müssen.Bei richtiger Schulung ist ein maschineller Lernalgorithmus sehr genau, und wir sehen einen direkten Zusammenhang zwischen seinen Ergebnissen und nachgelagerten Produktattributen oder -fehlern.
2) Null-Fehler und automatische Fehlererkennung sind kostenlos.Eine 100 %-Inspektion ist viel kostengünstiger und zeitaufwändiger, wenn sie mit automatisierten Inspektionsgeräten und maschinellen Lernalgorithmen ermöglicht wird.Diese Systeme leisten zwei Dinge, um Null-Fehler zu fördern: Sie fördern nachgelagerte Erträge, indem sie verhindern, dass Fehler in Produkte übergehen, und sie ermöglichen vorgelagerte Verbesserungsaktivitäten, indem sie das Auftreten von Fehlern genau beschreiben, selbst wenn diese selten auftreten.
3) Dr. Robert Leonard von Wolfspeed stellte auf der Internen Konferenz zu Siliziumkarbid und verwandten Materialien (ICSCRM) 2019 eine Anwendung des maschinellen Lernens vor.Wenn der Tagungsband veröffentlicht wird, wird sein Beitrag Beispielbilder enthalten, die Zusammenhänge verdeutlichen.
Betreff: Streben nach Null-Fehler-ProduktenSo wenige Fragen, nachdem ich etwas über die riesigen Datenmengen erfahren habe, die durch maschinelles Lernen und neuronale Netze generiert werden und dabei helfen, Fehler zu identifizieren, die in der Halbprozessfertigung von Interesse sind.
1) Bei dem herkömmlichen Ansatz, automatisiert-optische (AOI) Systeme zu verwenden, die Inline-Defekte in verschiedenen Prozessschritten erkennen, konzentrieren wir uns nur auf die Beseitigung von Defekten, die zum Ausfall von Chips auf Wafer- oder Produktebene führen können. Aus diesem Grund platzieren wir die Inspektion strategisch Rezepte in den kritischsten Interessengebieten. Um die Ressourcen unseres Herstellungsprozesses möglichst effizient zu nutzen, vermeiden wir die Erfassung nicht tödlicher Fehler. Gefährdet dies die Zykluszeit, wenn man maschinelle Lernalgorithmen verwendet und einen bestimmten Defekt untersucht, der sich in kritischen oder unkritischen Bereichen auf allen Wafern befinden kann? Zeigt es einen hohen Korrelationskoeffizienten mit Funktions- und Produktfehlern?
2) Konzentriert sich die (D0)-Methodik weiterhin auf die Fehlerreduzierung und die Kundenerwartungen auf die Beseitigung aller Fehler? Wenn ja, ist es kosteneffizienter als die derzeitige Praxis der Verwendung von AOI?
3) Könnten Sie einige nicht proprietäre Daten weitergeben, um einige Korrelationen basierend auf dieser Methodik aufzuzeigen?
Danke!
/Sajid Shamsi
