Dans de nombreuses industries, le contrôle des poussières fines ou d'autres corps étrangers joue un rôle crucial et central dans la performance et la qualité des produits de sortie.Les domaines concernés comprennent la production de semi-conducteurs, la production d'écrans LCD, le génie biochimique, la biotechnologie, la précision Parmi les industries telles que l'équipement, l'industrie de la fonderie, les produits pharmaceutiques, les hôpitaux, etc., en particulier Le niveau sans poussière le plus élevé est requis dans le processus de fabrication de tranches de semi-conducteurs , Étant donné que les plaquettes d'aujourd'hui se sont développées au niveau du nanomètre, toute poussière tombant sur la plaquette peut endommager l'ensemble du circuit de la plaquette et même entraîner la mise au rebut de la plaquette.Toutes sortes d'eau courante peuvent affecter la qualité et la capacité du produit global , puis affecter la vision externe et l'évaluation de l'entreprise.Bien que cela semble être une petite affaire, cela a un impact de grande envergure et doit être prudent et vigilant.
Avec l'évolution du temps, le temps de production et la période de développement des produits ont également été considérablement réduits, ce qui signifie également que l'industrie doit être plus précise dans l'évaluation des risques et la surveillance des lignes de production, c'est-à-dire la détection précoce des lignes de production hors de contrôle. pour réduire les pertes éventuelles. . Sous cette tendance, Comment trouver rapidement des produits anormaux et essayer d'attraper les produits défectueux au début de la production, afin d'éviter de fabriquer des produits qui ne répondent pas aux spécifications, est également la priorité absolue à laquelle sont confrontées les lignes de production et les services de gestion de la qualité dans divers les industries. .
JMP fournit de nombreux outils d'analyse des retombées pour aider les clients à analyser les données sur les retombées et à identifier les points problématiques potentiels. Qu'il s'agisse de dessiner des données préliminaires, de consolider des données pour une analyse statistique simple ou d'utiliser des outils statistiques pour une analyse approfondie de projets anormaux, JMP peut fournir une assistance parfaite. Aujourd'hui, je vais vous expliquer comment utiliser JMP pour l'analyse de poussières de semi-conducteurs. .
Dessin des données et analyse graphique préliminaire
La plate-forme de création de graphiques de JMP peut fournir une plate-forme d'observation rapide, dessiner des données dans des graphiques et peut dessiner la taille de point correspondante en fonction de la taille de particule du point de poussière, et utiliser la couleur du dégradé pour distinguer la taille de particule, afin que vous puissiez comprendre le situation réelle plus rapidement et intuitivement.
Dans ce qui suit, nous utilisons les données de chute de poussière sur le panneau comme illustration de cas d'analyse.
Figure 1. Utilisez le générateur de graphiques pour créer un nuage de points de la poussière qui tombe et utilisez la taille des points et la couleur pour indiquer la taille des particules
JMP dispose également d'un certain nombre de fonctionnalités graphiques interactives qui vous permettent d'observer les interrelations entre les facteurs en ajustant le graphique, et même de vous aider à trouver les principaux facteurs d'influence. Le filtre de données locales sous chaque plate-forme peut filtrer les catégories dont vous souhaitez discuter en fonction des variables que vous avez définies. Grâce à cette fonction, nous pouvons confirmer s'il existe des répartitions différentes entre les différents panels.
Figure 2 Le générateur de graphiques coopère avec le filtre de données local pour filtrer les données
En utilisant la fonction de changement de colonne, nous pouvons changer rapidement les paramètres discutés sur la plate-forme de création de graphiques et découvrir rapidement les facteurs qui ont le plus d'impact. En d'autres termes, les facteurs peuvent mieux distinguer les données.
Figure 3 Le générateur de graphiques coopère avec Column Switcher pour changer de variable
Si vous souhaitez comparer la proportion de particules de poussière dans différents lots ou entre panneaux, vous pouvez également utiliser un camembert pour comparer, la figure suivante est un exemple, si nous voulons comparer la proportion de particules de poussière dans le panneau numéro 07 est plus proche de 06 ou 12, vous pouvez En traçant un simple camembert, on peut constater que la proportion de particules de poussière du panneau 07 est plus proche de celle du panneau 12.
Figure 4 : Le diagramme circulaire compare les similitudes et les différences dans la proportion de poussière qui tombe
Pour une petite quantité de données, nous pouvons dessiner un diagramme circulaire pour observer la situation de chute de poussière et trouver des panneaux avec des proportions similaires de poussière qui tombe, mais lorsque la quantité de données est légèrement plus grande, existe-t-il un autre moyen de trouver le panneau problématique ?
Regroupez les données et regroupez celles qui ont des proportions similaires dans le même groupe
Afin de résoudre ce problème, JMP fournit de nombreuses plates-formes simples pour aider les utilisateurs à analyser des points anormaux sur des données plus volumineuses. Essayons d'abord d'utiliser JMP pour regrouper les performances en fonction de la proportion de chute de poussière.
Afin de simplifier le calcul, nous effectuons d'abord un regroupement simple de la taille des particules, et utilisons la plate-forme de distribution de JMP pour trouver les données de centile de distribution globale. Le quantile est utilisé comme point de division pour diviser les données en minuscules particules, petites particules, particules moyennes, grosses particules et ultra-grosses particules.
Figure 5 Utilisation de la distribution pour effectuer une analyse des statistiques descriptives
Ensuite, utilisez le clustering hiérarchique pour Pour regrouper selon la proportion de particules, on peut trouver que JMP Regrouper des proportions similaires dans le même groupe , avec l'aide de JMP, nous classons l'ensemble du panel en trois catégories, nous pouvons constater que la catégorie 1 semble avoir une tendance à la chute de poussière en forme d'anneau, tandis que la catégorie 3 semble avoir des points et des grappes de particules spéciales sur le dessus et coins inférieurs gauches Une fois que la collecte suivante comprend plus d'échantillons, ces données peuvent être utilisées comme un groupe de panel pour juger du type de pourcentage de poussière dont les nouvelles données sont les plus proches. Combinées avec les résultats de la chaîne de production ultérieure, elles peuvent être détectées à l'avance dans le Opportunités potentielles pour les produits défectueux d'éviter la production ultérieure de produits de qualité inférieure.
Figure 6 Classification par regroupement hiérarchique selon la proportion de poussière qui tombe
Après avoir compris comment regrouper les échantillons avec la même tendance, nous devons en outre clarifier quels panneaux ont quels problèmes particuliers de chute de poussière.
utilisation JMP Analyse des données de chutes de poussière anormales
Afin de trouver ces panneaux avec des conditions spéciales de chute de poussière, nous divisons d'abord simplement la chute de poussière anormale en plusieurs éléments.
- Grosses particules - Panneaux avec une taille de particules de retombées beaucoup plus grande par rapport aux données globales sur la taille des particules de retombées
- Quantité élevée - Le panneau présente une quantité de poussière beaucoup plus élevée que les données globales sur la quantité de poussière
- Poussière groupée - par rapport aux données globales sur la poussière, la poussière du panneau a une concentration plus élevée dans certaines zones
JMP Explorez les valeurs aberrantes sur La plate-forme peut rechercher rapidement les valeurs aberrantes que nous avons définies , dans ce cas, nous utilisons l'interface Quantile Range Outliers pour trouver que Tail Quantile est 0,005 et Q est 4, et le point de la valeur aberrante est défini pour être supérieur à [Percentile 0.995+4*(Percentile 0.995-Percentile 0.005 ) ] ou inférieur à [Percentile 0,005-4*(Percentile 0,995-Percentile 0,005)], on peut constater que la limite supérieure est de 541, et les particules qui la dépassent sont considérées comme de grosses particules et doivent être marquées.
Figure 7 Utilisation de Explorer les valeurs aberrantes pour filtrer les valeurs aberrantes
En utilisant le générateur de graphiques ou la tabulation, nous pouvons constater que les panneaux 4 à 12 ont de grosses particules.
La figure 8 utilise le générateur de graphiques et la tabulation pour présenter le nombre de grosses particules de poussière sur chaque panneau
Si vous souhaitez sélectionner des panneaux avec une grande quantité de poussière, utilisez Tabuler pour trier la quantité de poussière sur chaque panneau, puis utilisez la plateforme Explorer les valeurs aberrantes pour sélectionner les panneaux avec plus de particules de poussière. A partir de cet exemple, on va penser que les trois panneaux 06, 07 et 02 ont beaucoup de problèmes de poussière.
Figure 9 Utiliser Tabuler pour trier la quantité de poussière qui tombe et utiliser Explorer les points aberrants pour filtrer les panneaux avec une grande quantité de poussière qui tombe
Ensuite, nous devons traiter le problème des particules agrégées.La plate-forme de mélanges normaux de JMP permet de juger si les points de données sont des points dispersés aléatoires généraux ou des points concentrés spéciaux. JMP divise les données en plusieurs catégories en fonction du degré d'agrégation des points, ce qui est quelque peu similaire à la méthode de suppression du verso de l'image. Les points dispersés aléatoires généraux sont utilisés comme arrière-plan, et les points restants sont classés et groupés. Dans cet exemple, nous divisons toutes les données après avoir exclu les points de bruit en 5 groupes, puis utilisons le générateur de graphes pour les dessiner. On peut constater que 02, 06, 07, 09 et 12 ont des particules de cluster en forme d'anneau, en particulier dans 02, 06, 07 est particulièrement évident sur ces trois panneaux, tandis que 05, 10, 11, 08 ont des points de regroupement dans les coins supérieur et inférieur gauche, 04 a deux points de regroupement sur la gauche, et les points de regroupement 21 ~ 30 sont pas si évident, principalement des points de cluster à petite échelle ou un seul point de cluster. De tels résultats correspondent également aux résultats précédents du Hierarchical Clustering.
Figure 10 Utilisez le générateur de graphiques pour dessiner la classification des poussières après la classification des mélanges normaux (distingués par la couleur)
Conclusion de l'analyse de la poussière
Selon l'analyse précédente et en utilisant JMP pour trier les résultats suivants.
Figure 11 Analyse et disposition des problèmes de poussière
En utilisant l'analyse statistique et les outils graphiques interactifs associés sur JMP, nous pouvons rapidement et précisément comprendre les données, La présentation graphique nous aide également à trouver plus rapidement les points problématiques et à coopérer avec JMP Outil pratique et hautement ajustable pour aider les utilisateurs à identifier rapidement les principaux points problématiques , dans cet exemple, le regroupement de particules annulaires semble être le principal problème. À l'aide de JMP, nous réduisons le problème à quelques panneaux spécifiques, puis nous pouvons effectuer une analyse de suivi pour confirmer si le problème est concentré dans un certain équipement ou opération de personnel. et ainsi de suite. En utilisant JMP, vous pouvez économiser du temps et des efforts plus rapidement et maintenir la qualité de vos produits avec moins d'argent.
Lecture recommandée:
Apprenez à dessiner une carte de plaquettes avec JMP en 7 minutes
Comment identifier rapidement les défauts des plaquettes ? Analyse de données dans les semi-conducteurs de haute technologie
Comment effectuer un test de fiabilité pour les produits IC ? Application d'analyse d'accélération de fiabilité JMP
