Corinne BERGES, Six Sigma Master Black Belt, NXP Semiconductors
D. Martin Knotter, Six Sigma Master Black Belt, Technischer Direktor, Product Diagnostic Center (PDC), NXP Semiconductors
Maresa Labellarte, Produktentwicklung, NXP Semiconductors
Bei einem neuen WLAN-Produkt (Wi-Fi der sechsten Generation) wird beim Endtest ein Ertragsverlustproblem beobachtet, wenn die Chips für den Versand an Kunden verpackt werden. Ein Projekt wird gestartet, um die Ursachen des Problems zu finden. Das wichtigste verwendete Qualitätswerkzeug ist eine Fehlerbaumanalyse, um jeden potenziellen Fehlermodus eingehender zu untersuchen, ohne einige Fehlermöglichkeiten auszuschließen oder direkt zu einer a priori-Schlussfolgerung zu springen.
NXP verwendet seit einigen Jahren Methoden und Algorithmen des maschinellen Lernens, sodass maschinelles Lernen in diesem Fall von Ertragsverlusten parallel zu typischer Datenanalyse oder univariater Analyse implementiert wurde.
Das Endprodukt besteht aus zwei Matrizen, die auf einem Laminat montiert sind. Beim Chiptestschritt nach der Chipherstellung und vor seiner Verpackung wurde kein Problem beobachtet. Darüber hinaus wurde das Problem des Ertragsverlusts bei dem Produktmodell beobachtet, das nur auf einem Laminattyp hergestellt wurde, was zu Hypothesen über die Auswirkungen des Laminattyps führte.
Datenanalyse und maschinelle Lernanalyse (Partition, verstärkte Bäume oder Bootstrap-Modelle) wurden erstellt. Die Analyse befasste sich hauptsächlich mit dem Unterschied zwischen dem Unit-Test und dem Endprodukttest und mit dem Unterschied in den Laminatmodellen.
