Application du schéma de conception d'expériences contraintes et de l'évaluation de la méthode de conception dans le développement du processus PECVD BKM et l'établissement de modèles prédictifs_Christy PanHaut-parleurs: Christy Casserole , Ingénieur Procédés, Matériaux Appliqués
le sujet du discours : Application du schéma de conception d'expériences contraintes et de l'évaluation de la méthode de conception dans le développement du processus PECVD BKM et l'établissement d'un modèle prédictif
Sommaire:
Les propriétés du film de PECVD appliqué dans les procédés d'oxyde métallique sont essentielles pour afficher les performances de l'appareil. L'uniformité de l'épaisseur du film, la contrainte et le taux de dépôt sont tous des attributs clés du processus. L'exploration de la science complexe du dépôt de couches minces d'oxyde métallique nécessite une approche structurée et systématique du DOE afin d'effectuer le travail efficacement et en douceur tout en économisant du temps et de l'argent. Avant le début du processus de réglage fin du DOE, effectuez un test R&R de l'instrument pour assurer une bonne qualité des données et minimiser la taille de l'expérience DOE. De plus, le sigma du bruit R&R de l'instrumentation est comparé au bruit de régression RMSE pour isoler le bruit de mesure du bruit résiduel de régression. En raison des contraintes budgétaires du DOE, (1) le Taguchi L27 DOE, (2) le DOE factoriel partiel classique, (3) le DOE personnalisé et (4) le dépistage déterministe (DSD) ont été comparés sur la base de 21 à 27 expériences de taille similaire) Diverses méthodes DOE de surface de réponse dans DOE. D'après les résultats, DSD a montré la meilleure orthogonalité (carte de couleurs de corrélation), l'uniformité de prédiction et la puissance à la même échelle expérimentale ou à une échelle inférieure. La conception DSD pliée peut grandement améliorer la capacité de rotation des DOE à la plus petite échelle expérimentale. Les contraintes de conception sont également abordées dans cet article. Nous avons trouvé une contrainte de conception due aux limitations physiques du plasma, dont l'effet peut être minimisé en concevant la structure du DSD. Pour identifier une approche plus sûre du risque en termes de contraintes de conception, nous avons également étudié les analyses de puissance, les cartes de couleurs, les matrices de nuages de points, la variance de prédiction et les proportions de l'espace de conception pour évaluer la structure de conception DSD sous les contraintes de conception. Le prochain défi est de savoir comment éviter tout surajustement du modèle. Basé sur la modélisation de la régression des moindres carrés, le modèle prédictif peut être modifié en supprimant ou en ajoutant des facteurs au niveau de risque alpha souhaité. Néanmoins, il est difficile de déterminer clairement si le seuil du niveau de signification du terme d'effet doit être fixé à 0,05 ou 0,10. Nous avons observé un comportement de surajustement lors de l'utilisation de seuils de valeur p plus élevés. Les résultats de l'ANOVA peuvent indiquer si le surajustement est significatif en ajoutant des termes plus insignifiants au modèle. Des valeurs p ANOVA plus faibles et un risque réduit de surajustement (R-carré ajusté plus élevé) peuvent être obtenus après avoir supprimé les termes d'effet avec des valeurs p plus élevées dans le modèle. Après avoir établi la fonction de transfert, effectuez une analyse de sensibilité globale à l'aide du profileur de prédiction pour classer les sensibilités des variables d'entrée. Les résultats de l'analyse de sensibilité objective du JMP étaient cohérents avec l'expansion fonctionnelle de la qualité subjective (House of Quality). Pour simuler la variation générale de la production à long terme à l'aide de fonctions de transfert, nous effectuons des simulations de Monte Carlo, incorporant la variation du bruit pour tous les facteurs clés, afin de calculer le taux de défauts non conformes. Conception robuste utilisant le profileur JMP pour trouver des fenêtres de processus insensibles (optimisées avec la dérivée première). La validation du modèle a été effectuée en vérifiant que les réglages optimaux des paramètres de processus se situaient dans la région de puissance prédictive élevée basée sur le nuage de points d'uniformité. Selon le modèle de Monte Carlo, les paramètres de processus optimaux peuvent atteindre environ 0 % de performances hors spécifications. Les outils JMP sont puissants et peuvent être d'une grande aide dans l'amélioration et la validation des processus.
ANOVABICHEDSDLa modélisationSimulation de Monte-CarloTaguchi DOEconception expérimentaleanalyse de varianceConception TaguchiConception de criblage définitifSimulation de Monte-Carlomodélisation prédictive
