Aplicación del esquema de diseño experimental restringido y evaluación del método de diseño en el modelo de predicción y desarrollo de procesos BKM de PECVD Establecimiento_Pan Yanqi (Christy Pan)Altavoces: cristian pan , Ingeniero de Procesos, Materiales Aplicados
el tema del discurso: Aplicación del esquema de diseño de experimentos restringidos y evaluación del método de diseño en el desarrollo de procesos PECVD BKM y establecimiento del modelo de predicción
Resumen:
Las propiedades de la película de PECVD aplicada en el proceso de óxido de metal son cruciales para el rendimiento de los dispositivos de visualización. La uniformidad del espesor de la película, el estrés y la tasa de deposición son atributos críticos del proceso. Explorar la ciencia compleja de la deposición de película delgada de óxido metálico requiere un enfoque estructurado y sistemático del DOE para completar el trabajo de manera eficiente y ahorrar tiempo y costos. Antes de que comience el proceso de ajuste fino del DOE, realice una prueba R&R del sistema de medición para garantizar una buena calidad de los datos y minimizar el tamaño del experimento del DOE. Además, el ruido sigma R&R del sistema de medición se compara con el ruido de regresión RMSE para aislar el ruido de medición del ruido residual de regresión. Debido a las limitaciones presupuestarias del DOE, (1) Taguchi L27 DOE, (2) DOE factorial fraccional clásico, (3) DOE personalizado y (4) detección determinista (DSD) varios métodos DOE de superficie de respuesta en DOE. A partir de los resultados, DSD muestra la mejor ortogonalidad (mapa de color de correlación), uniformidad predictiva y potencia en el mismo tamaño experimental o menor. El diseño DSD plegado puede mejorar sustancialmente la capacidad de rotación de los DOE con la escala experimental más pequeña. Las restricciones de diseño también se analizan en este artículo. Descubrimos una restricción de diseño debido al confinamiento físico del plasma, un problema cuyo impacto puede minimizarse diseñando la estructura del DSD. Para identificar un enfoque más seguro para abordar el riesgo en términos de restricciones de diseño, también investigamos el análisis de potencia, los mapas de colores, las matrices de diagramas de dispersión, la varianza de predicción y la escala del espacio de diseño para evaluar la estructura de diseño del DSD bajo las restricciones de diseño. El próximo desafío es cómo evitar cualquier sobreajuste del modelo. Basado en el modelo de regresión de mínimos cuadrados, el modelo predictivo se puede modificar eliminando o agregando factores en el nivel deseado de riesgo alfa. Sin embargo, todavía es difícil determinar claramente si el umbral del nivel de significación del término de efecto debe establecerse en 0,05 o 0,10. Observamos un comportamiento de sobreajuste al usar umbrales de valor p más altos. Los resultados de ANOVA pueden indicar si el sobreajuste es significativo al agregar más términos insignificantes al modelo. Se pueden obtener valores de p de ANOVA más bajos y un riesgo reducido de sobreajuste (cuadrado R ajustado más alto) después de eliminar los términos de efecto con valores de p más altos en el modelo. Después de crear la función de transferencia, realice un análisis de sensibilidad global utilizando el generador de perfiles predictivo para clasificar la sensibilidad de las variables de entrada. Los resultados del análisis de sensibilidad objetivo de JMP son consistentes con el despliegue de la función de calidad subjetiva (House of Quality). Para simular cambios generales a largo plazo en la producción a través de funciones de transferencia, realizamos simulaciones de Monte Carlo e incluimos cambios de ruido en todos los factores clave para calcular la tasa de defectos no conformes. Diseño robusto que usa el generador de perfiles JMP para encontrar ventanas de proceso insensibles (usando la optimización de la primera derivada). La validación del modelo se realizó comprobando que la configuración óptima de los parámetros del proceso se encontraba dentro de la región de mayor potencia prevista en función del diagrama de dispersión de uniformidad. Siguiendo el modelo de Monte Carlo, la configuración óptima del proceso puede lograr un rendimiento de rechazo de ~0 %. Las herramientas de JMP son poderosas y pueden ser de gran ayuda en la mejora y validación de procesos.
ANOVAGAMADDSModeladoSimulación del Monte CarloDOE de Taguchidiseño experimentalanálisis de varianzadiseño Taguchidiseño de cribado definitivosimulación del Monte Carlomodelado predictivo
