El tamaño de las piezas en la industria de fabricación de productos electrónicos es pequeño y el ciclo de producción es corto, lo que hace que la capacidad de diagnóstico anormal de equipos y productos sea muy importante, y la fuerza de su capacidad de identificación incluso se ha convertido en parte de la competitividad de las empresas. Cómo identificar rápida y eficientemente estas anomalías, y hacer un buen trabajo de alerta temprana y análisis, es una parte indispensable para mejorar la tasa de rendimiento.
Hoy, tomamos un caso en la industria de fabricación de productos electrónicos como ejemplo para ver cómo el poderoso modelado de redes neuronales y la visualización de datos de JMP pueden ayudar a los analistas de datos a reducir en gran medida el tiempo de identificación y detección de chips anormales, y ayudar a las empresas a mejorar la eficiencia y la calidad de la producción.
¿Por qué es tan importante el análisis de datos?
Para las empresas de alta tecnología, calidad significa costo de fabricación, ciclo de entrega y valor de marca. Por lo tanto, casi todas las empresas consideran la calidad del producto como la máxima prioridad. Entonces, cómo mejorar la calidad de los productos empresariales se convierte en una tarea difícil.
(Figura 2) son los pasos de producción típicos de empresas comunes de alta tecnología/categoría, en las que:
1.fabricación de obleas
La fabricación de obleas se refiere a la oblea de silicio utilizada en la producción de circuitos integrados de semiconductores. Debido a su forma circular, se denomina oblea; se puede procesar en varias estructuras de elementos de circuito en la oblea de silicio y convertirse en un circuito integrado con funciones eléctricas específicas. producto
2.Prueba de paquete
El empaquetado es el proceso de procesamiento de las obleas probadas según el tipo de producto y los requisitos funcionales para obtener chips independientes; la prueba es el proceso de detección de la calidad de cada chip independiente a través de una serie de elementos de inspección.
Especialmente en el enlace de "prueba", el método tradicional es utilizar la identificación manual, es decir, registrar las imágenes de oblea problemáticas una por una a través del juicio personal y luego realizar un procesamiento de seguimiento. Sin embargo, en el trabajo real, el reconocimiento artificial a menudo enfrenta los siguientes tres problemas:
1. Faltan gráficos
Cuando todos se enfrentan a cientos de imágenes de inspección de obleas, es casi imposible leer cada imagen una por una. Es muy probable que se pierdan algunas imágenes importantes debido a factores como la fatiga, y estas imágenes a menudo contienen información importante.
2. toma mucho tiempo
Todo el proceso de identificación manual requiere mucho tiempo y no se dedica a resolver problemas centrales.
3. Los estándares no son uniformes
Para gráficos que nunca han aparecido antes, el estándar de juicio variará con los estándares individuales, lo que provocará fácilmente la pérdida de información potencial.
Basado en los factores inevitables anteriores, el análisis visual de JMP resulta útil.
Por ejemplo, correspondemos los resultados de la inspección de cada chip independiente de acuerdo con sus posiciones en la oblea, e importamos los resultados de la inspección obtenidos en JMP, y el siguiente diagrama de inspección de la oblea se puede generar fácilmente a través del generador de gráficos JMP, para resolver problemas rápidamente. los productos se pueden identificar con precisión, como se muestra en la Figura 3.
figura tres
Entre ellos, diferentes colores representan el tamaño del valor de detección de prueba final. El rojo es el más grande, descendiendo a su vez, y el azul es el más pequeño.
Como se puede ver en la Figura 3 anterior, el valor de detección de la parte azul en la parte inferior derecha de la oblea es bajo. ¿Qué quiere decir esto? Significa que durante la fabricación de obleas, hay una anomalía en esta área, que debe investigarse y resolverse lo antes posible. Esto permite a los ingenieros iniciar inmediatamente un seguimiento rápido de este chip problemático. Aquí damos un ejemplo para ilustrar.
Estudio de caso: Uso JMP Identifique rápidamente los defectos de las obleas
fondo del caso
El ingeniero de una empresa de electrónica recopiló datos de defectos de 1559 chips durante la etapa final de prueba y quería analizar si la proporción de un cierto defecto mostraba una regularidad con el cambio de posición.
- Si la tasa de defectos de una determinada posición es '0', significa que no existe tal defecto en esta posición.
- Si la tasa de defectos en esta ubicación es alta, indica que los productos defectuosos se concentran en esta ubicación.
A través de la búsqueda de dichos patrones de defectos, se puede establecer otro método o indicador de detección de calidad para los muchos procesos anteriores, que se puede utilizar como un gran avance en la mejora general de la calidad.
figura cuatro
En la tabla de datos de la Figura 4, las columnas LocX y LocY son valores de coordenadas de fila y columna respectivamente, y el tipo de valor es valor nominal. La última columna es la tasa de defectos, que es la tasa a la que una posición ha sido defectuosa durante un período de tiempo. Para juzgar mejor el problema, elegimos el algoritmo de red neuronal aquí. Hay varias razones para esto:
- El proyecto requiere algoritmos que puedan descubrir automáticamente las características que deben detectarse a partir de los datos sin procesar.
- El algoritmo de la red neuronal generalmente tiene múltiples niveles, y cada nivel se transforma una vez, de modo que existen múltiples oportunidades para capturar diferentes características.
- En términos generales, cuantos más datos se utilicen para el entrenamiento, mejor se puede mejorar su precisión.
A continuación, vamos a explicar cómo analizar paso a paso en JMP.
Paso 1. importación de datos JMP
Primero, los datos se importan a JMP y las tasas de defectos posicionales recopiladas se convierten en valores de datos y se presentan a través del generador de gráficos.
Abra JMP -> Analizar -> Modelado predictivo -> Neural, coloque la tasa de defectos a observar en "Y, Respuesta", coloque Loc X y Loc Y en "X, Factor", como se muestra en la Figura 5 a continuación:
figura cinco
Ingrese a la ventana de configuración del modelo e ingrese los siguientes parámetros. Este ejemplo comienza con el modelo de red neuronal predeterminado y gradualmente agrega modelos más complejos con dos capas ocultas y funciones de activación adicionales. Finalmente, se selecciona la siguiente configuración, como se muestra en la Figura 6:
En la sección de opciones de ajuste, indique a JMP cuántas veces debe repetir el algoritmo de ajuste del modelo. En última instancia, JMP elige la iteración con las mejores estadísticas de validación como modelo final. Este artículo finalmente usa 10.
figura seis
Haga clic en la pequeña flecha roja a la izquierda del modelo y seleccione Guardar fórmulas, principalmente para almacenar los valores transformados para uso futuro.
figura siete
De esta forma, luego de la conversión fila-columna, se obtiene la siguiente nueva tabla de datos, como se muestra en la Figura 8:
Figura ocho
Si usa gráficos para ilustrar brevemente el proceso de conversión, se mostrará en la Figura 9 a continuación:
Figura 9
Paso 2. usar JMP Análisis del generador de gráficos
A continuación, utilice el exclusivo "Graph Builder (Graph Builder)" de JMP para el análisis.
Aquí colocamos LocX en el eje horizontal, LocY en el eje vertical y Transform Value en Color en la esquina superior derecha, hacemos clic en la pequeña flecha roja debajo de Graph Builder y seleccionamos Filtro de datos locales, como se muestra en la Figura 10:
figura diez
Seleccione Etiqueta en Filtro de datos locales:
figura once
Luego, seleccione la pequeña flecha roja - "Animación" para obtener los siguientes gráficos dinámicos:
Esta animación muestra principalmente cómo JMP escanea la oblea completa una por una durante el proceso de operación interna y finalmente encuentra la solución óptima. Donde H1_1 se refiere al primer nodo de la primera capa oculta, y así sucesivamente.
Este es nuestro pensamiento y estrategia a nivel de construcción de modelos. Entonces, específicamente para el nivel de aplicación del proyecto real, ¿cómo se debe implementar y analizar? Vamonos.
JMP Aplicación de aterrizaje: implementación del proyecto y resultados reales
De acuerdo con el modelo generado por JMP anterior, podemos implementarlo a nivel de aplicación.
A nivel de despliegue, de hecho, solo necesitamos establecer un modelo de clasificación, es decir, un modelo de clasificación. Este modelo no necesita garantizar que todos los resultados de los cálculos sean muy precisos, lo más importante es poder capturar los gráficos más destacados en múltiples mapas de obleas. Debido a la gran cantidad de datos y el servidor es un sistema Linux (relativamente estable), el programa python se utiliza para extraer datos de la base de datos y el mapa de oblea problemático se ordena de acuerdo con RSquare según el método de red neuronal anterior.
figura catorce
La razón para elegir la ordenación RSquare es representar si el patrón se ha capturado de acuerdo con la importancia del modelo.
Es decir, cuanto más significativo sea el modelo, mayor será la posibilidad de captar el patrón.
Para saber cómo calcular el cuadrado R generalizado (como se muestra en la captura de pantalla), consulte el artículo anterior " Aumente la velocidad y la eficiencia, la red neuronal ayuda a las empresas a operar de manera más eficiente "
Por ejemplo, aquí están los siguientes 7 tipos de productos defectuosos (desde el Defecto A hasta el Defecto G), cada fila representa las coordenadas X, Y en el mapa de obleas y la tasa acumulada de defectos (en una semana determinada) de diferentes tipos de productos defectuosos. productos en las posiciones de coordenadas correspondientes.
Figura 15
De acuerdo con el algoritmo presentado en la sección anterior y la clasificación de RSquare de la siguiente manera, encontramos que el Defecto C y el Defecto A tienen el valor medio más alto de todos los tipos de productos defectuosos (si el umbral definido es >0.7, por supuesto que el umbral se puede definir según el caso).
Figura dieciséis
Entonces, los gráficos defectuosos Defecto C y Defecto A generados por Graph Builder son realmente dignos de estudio, y el Defecto D, que tiene el valor más bajo, realmente no es obvio después de que Graph Builder dibuja el mapa de obleas.
Defecto C (valor alto de RSquare) - Gráfico del borde derecho:
figura diecisiete
Defecto A (valor alto de RSsquare) - gráfico central superior derecho:
Figura 18
Defecto D (valor RSsquare bajo) - gráficos casi invisibles
Figura 19
El siguiente es un diagrama esquemático de la arquitectura del sistema:
Figura 20
Cabe señalar que, de acuerdo con los datos de muestra, la cantidad de nodos en la primera capa y la segunda capa deben actualizarse para el modelo cada mes a través de cálculos JMP (por ejemplo, para nuevos patrones, si la configuración actual puede ser modificada). reconocido, debe considerar ajustar el número de nodos, etc.) para que el cálculo del modelo sea más eficiente.
A través de este método, después de la operación real, se demuestra que cada analista de datos en la empresa reduce el tiempo de reconocimiento de patrones en un promedio del 60 % por semana, y el tiempo promedio de detección de patrones anormales se acorta en un 70 % en comparación con antes, haciendo una contribución a la mejora del nivel general de control de calidad hizo una gran contribución.
A través de los casos de combate reales anteriores, podemos ver que confiar en el trabajo manual para la detección del rendimiento de los productos no solo requiere mucho tiempo y mano de obra, sino que también es propenso a errores e inspecciones perdidas, mientras que los riesgos de calidad importantes a menudo están ocultos en algunos lugares. que no se puede identificar manualmente.
Esto es como un iceberg. La gente a menudo presta atención a la parte sobre la superficie del agua, pero la parte debajo de la superficie del agua a menudo es invisible debido a varias razones. A través de tecnología y análisis de datos avanzados, los problemas se pueden resolver de manera efectiva y se puede poner más energía humana para resolver problemas, lo que fundamentalmente ahorra el tiempo del ciclo de inspección de calidad.
¡Es mejor sentarse y hacerlo, probar JMP de verdad y comenzar su primer análisis!
Otras lecturas:
¿5 razones para decirle por qué el software JMP es más adecuado para usted?
Análisis de análisis anormal de SPC
Tasa de rendimiento de los productos regulados por SPC: método de cuantiles para establecer los límites de control del producto y la revisión periódica
Uso de JMP para purificar valores atípicos, tomando como ejemplo el análisis de semiconductores de datos WAT
