La dimensione delle parti nell'industria manifatturiera dell'elettronica è piccola e il ciclo di produzione è breve, il che rende molto importante la capacità di diagnosi anormale di apparecchiature e prodotti e la forza della sua capacità di identificazione è persino diventata parte della competitività delle imprese. Come identificare in modo rapido ed efficiente queste anomalie e fare un buon lavoro di preallarme e analisi è una parte indispensabile per migliorare il tasso di rendimento.
Oggi prendiamo come esempio un caso nel settore della produzione elettronica per vedere come la potente modellazione della rete neurale e la visualizzazione dei dati di JMP possono aiutare gli analisti di dati a ridurre notevolmente i tempi di identificazione e rilevamento di chip anomali e aiutare le aziende a migliorare l'efficienza e la qualità della produzione.
Perché l'analisi dei dati è così importante?
Per le aziende high-tech, qualità significa costo di produzione, ciclo di consegna e valore del marchio. Pertanto, quasi tutte le aziende considerano la qualità del prodotto come la massima priorità. Quindi come migliorare la qualità dei prodotti aziendali diventa un compito difficile.
(Figura 2) sono le tipiche fasi produttive delle comuni imprese ad alta tecnologia/categoria, in cui:
1.fabbricazione di wafer
La produzione di wafer si riferisce al wafer di silicio utilizzato nella produzione di circuiti integrati a semiconduttore. A causa della sua forma circolare, è chiamato wafer; può essere trasformato in varie strutture di elementi circuitali sul wafer di silicio e diventare un circuito integrato con funzioni elettriche specifiche prodotto.
2.Prova del pacchetto
L'imballaggio è il processo di elaborazione dei wafer testati in base al tipo di prodotto e ai requisiti funzionali per ottenere chip indipendenti; il test è il processo di rilevamento della qualità di ciascun chip indipendente attraverso una serie di elementi di ispezione.
Soprattutto nel collegamento "test", il metodo tradizionale consiste nell'utilizzare l'identificazione manuale, ovvero registrare le immagini del wafer problematiche una per una attraverso il giudizio personale, quindi eseguire l'elaborazione di follow-up. Tuttavia, nel lavoro effettivo, il riconoscimento artificiale deve spesso affrontare i seguenti tre problemi:
1. Grafica mancante
Quando tutti si trovano di fronte a centinaia di immagini di ispezione dei wafer, è quasi impossibile leggere ciascuna immagine una per una.È molto probabile che alcune immagini importanti vengano perse a causa di fattori come l'affaticamento e queste immagini spesso contengono informazioni importanti.
2. richiede troppo tempo
L'intero processo di identificazione manuale richiede molto tempo e il tempo non viene speso per risolvere i problemi principali.
3. Gli standard non sono uniformi
Per i grafici che non sono mai apparsi prima, lo standard di giudizio varierà con i singoli standard, il che causerà facilmente la perdita di potenziali informazioni.
Sulla base degli inevitabili fattori di cui sopra, l'analisi visiva di JMP torna utile.
Ad esempio, corrispondiamo ai risultati dell'ispezione di ciascun chip indipendente in base alle loro posizioni sul wafer e importiamo i risultati dell'ispezione ottenuti in JMP e il seguente diagramma di ispezione del wafer può essere facilmente generato tramite il generatore grafico JMP, in modo da risolvere rapidamente problemi i prodotti possono essere identificati con precisione, come mostrato nella figura 3.
Figura tre
Tra questi, diversi colori rappresentano la dimensione del valore di rilevamento del test finale. Il rosso è il più grande, discendente a sua volta, e il blu è il più piccolo.
Come si può vedere dalla Figura 3 sopra, il valore di rilevamento della parte blu in basso a destra del wafer è basso. Cosa significa questo? Significa che durante la produzione di wafer c'è un'anomalia in quest'area, che deve essere indagata e risolta il prima possibile. Ciò consente agli ingegneri di avviare immediatamente un rapido follow-up su questo chip problematico. Qui diamo un esempio per illustrare.
Caso di studio: utilizzo JMP Identifica rapidamente i difetti del wafer
sfondo del caso
L'ingegnere di un'azienda di elettronica ha raccolto dati sui difetti di 1559 chip durante la fase di test finale e ha voluto analizzare se il rapporto di un certo difetto mostrava una regolarità con il cambio di posizione.
- Se il tasso di difetti di una certa posizione è '0', significa che non c'è tale difetto in questa posizione.
- Se il tasso di difettosità in questa posizione è elevato, indica che i prodotti difettosi sono concentrati in questa posizione.
Attraverso la ricerca di tali modelli di difetto, è possibile stabilire un altro metodo o indicatore di rilevamento della qualità per i numerosi processi precedenti, che può essere utilizzato come passo avanti nel miglioramento generale della qualità.
Figura quattro
Nella tabella dei dati in Figura 4, le colonne LocX e LocY sono rispettivamente i valori delle coordinate di riga e colonna e il tipo di valore è il valore nominale. L'ultima colonna è il tasso di difetti, che è il tasso al quale una posizione è stata difettosa per un periodo di tempo. Per giudicare meglio il problema, qui scegliamo l'algoritmo della rete neurale. Ci sono diverse ragioni per questo:
- Il progetto richiede algoritmi in grado di scoprire automaticamente le caratteristiche che devono essere rilevate dai dati grezzi.
- L'algoritmo della rete neurale ha generalmente più livelli e ogni livello viene trasformato una volta, in modo che ci siano più opportunità per acquisire caratteristiche diverse.
- In generale, maggiore è il numero di dati utilizzati per l'addestramento, migliore è la sua accuratezza.
Successivamente, spieghiamo come analizzare passo dopo passo in JMP.
Passo 1. importazione dati JMP
Innanzitutto, i dati vengono importati in JMP e i tassi di difetti posizionali raccolti vengono convertiti in valori di dati e presentati tramite il generatore di grafici.
Aprire JMP -> Analizza -> Modellazione predittiva -> Neural, inserire il tasso di difetto da osservare in "Y, Response", inserire Loc X e Loc Y in "X, Factor", come mostrato nella Figura 5 di seguito:
Figura cinque
Entra nella finestra di configurazione del modello e inserisci i seguenti parametri. Questo esempio inizia con il modello di rete neurale predefinito e aggiunge gradualmente modelli più complessi con due livelli nascosti e funzioni di attivazione aggiuntive. Infine, viene selezionata la seguente configurazione, come mostrato nella Figura 6:
Nella sezione delle opzioni di adattamento, indicare a JMP quante volte ripetere l'algoritmo di adattamento del modello. Alla fine JMP sceglie l'iterazione con le migliori statistiche di convalida come modello finale. Questo documento utilizza finalmente 10.
Figura sei
Fare clic sulla piccola freccia rossa a sinistra del modello e selezionare Salva formule, principalmente per memorizzare i valori trasformati per un uso futuro.
Figura sette
In questo modo, dopo la conversione riga-colonna, si ottiene la seguente nuova tabella dati, come mostrato in Figura 8:
Figura otto
Se si utilizza la grafica per illustrare brevemente il processo di conversione, verrà mostrato nella Figura 9 di seguito:
Figura 9
Passo 2. utilizzo JMP Analisi del generatore di grafici
Successivamente, utilizza l'esclusivo "Graph Builder (Graph Builder)" di JMP per l'analisi.
Qui inseriamo LocX sull'asse orizzontale, LocY sull'asse verticale e Transform Value su Color nell'angolo in alto a destra, facciamo clic sulla piccola freccia rossa sotto Graph Builder e selezioniamo Local Data Filter, come mostrato nella Figura 10:
Figura dieci
Seleziona Etichetta sotto Filtro dati locali:
Figura undici
Quindi, seleziona la piccola freccia rossa - "Animazione" per ottenere la seguente grafica dinamica:
Questa animazione mostra principalmente come JMP esegue la scansione dell'intero wafer uno per uno durante il processo operativo interno e trova infine la soluzione ottimale. Dove H1_1 si riferisce al primo nodo del primo livello nascosto e così via.
Questo è il nostro pensiero e la nostra strategia a livello di costruzione del modello. Quindi, specifico per il livello di applicazione del progetto attuale, come dovrebbe essere implementato e analizzato? Andiamo avanti.
JMP Applicazione di atterraggio: implementazione del progetto e risultati effettivi
In base al modello generato da JMP sopra, possiamo quindi implementarlo a livello di applicazione.
A livello di deployment, infatti, basta stabilire un ranking model, cioè un ranking model. Questo modello non ha bisogno di garantire che ogni risultato di calcolo sia molto accurato, la cosa più importante è essere in grado di catturare la grafica più importante in più mappe di wafer. A causa della grande quantità di dati e del server è un sistema Linux (relativamente stabile), il programma python viene utilizzato per estrarre i dati dal database e la mappa wafer problematica viene ordinata secondo RSquare secondo il metodo della rete neurale sopra.
Figura quattordici
Il motivo per scegliere l'ordinamento RSquare è rappresentare se il modello è stato catturato in base al significato del modello.
Cioè, più significativo è il modello, maggiore è la possibilità di catturare il modello.
Per come calcolare l'R-quadrato generalizzato (come mostrato nello screenshot), fare riferimento all'articolo precedente " Aumenta la velocità e l'efficienza, la rete neurale aiuta le aziende a operare in modo più efficiente "
Ad esempio, ecco i seguenti 7 tipi di prodotti difettosi (da Difetto A a Difetto G), ogni riga rappresenta le coordinate X, Y sulla mappa del wafer e il tasso di difetto cumulativo (in una determinata settimana) di diversi tipi di difettoso prodotti nelle corrispondenti posizioni coordinate.
Figura 15
Secondo l'algoritmo introdotto nella sezione precedente e l'ordinamento RSquare come segue, abbiamo scoperto che il difetto C e il difetto A hanno il valore mediano più alto di tutti i tipi di prodotti difettosi (se la soglia definita è >0,7, ovviamente la soglia può essere definita a seconda del caso).
Figura sedici
Quindi i grafici difettosi di Defect C e Defect A generati da Graph Builder sono davvero degni di studio e Defect D, che ha il valore più basso, non è davvero evidente dopo che la mappa del wafer è stata disegnata da Graph Builder.
Difetto C (alto valore RSquare) - Grafico del bordo destro:
Figura diciassette
Difetto A (alto valore RSsquare) - grafico centrale in alto a destra:
Figura 18
Difetto D (basso valore RSsquare) - grafica quasi invisibile
Figura 19
Di seguito è riportato un diagramma schematico dell'architettura del sistema:
Figura 20
Va notato che, in base ai dati del campione, il numero di nodi nel primo e nel secondo livello deve essere aggiornato per il modello ogni mese tramite calcoli JMP (ad esempio, per i nuovi modelli, se la configurazione corrente può essere riconosciuto, è necessario prendere in considerazione l'adeguamento del numero di nodi, ecc.) per rendere più efficiente il calcolo del modello.
Attraverso questo metodo, dopo l'operazione effettiva, è dimostrato che ogni analista di dati nell'azienda riduce il tempo di riconoscimento del modello in media del 60% a settimana e il tempo medio di rilevamento di modelli anomali viene ridotto del 70% rispetto a prima, rendendo un contributo al miglioramento del livello generale di controllo della qualità ha dato un contributo enorme.
Attraverso i casi di combattimento effettivi di cui sopra, possiamo vedere che fare affidamento sul lavoro manuale per il rilevamento della resa dei prodotti non è solo dispendioso in termini di tempo e lavoro, ma è anche soggetto a errori e ispezioni mancate, mentre importanti rischi di qualità sono spesso nascosti in alcuni punti che non possono essere identificati manualmente.
È come un iceberg: le persone spesso prestano attenzione alla parte sopra la superficie dell'acqua, ma la parte sotto la superficie dell'acqua è spesso invisibile per vari motivi. Attraverso l'analisi e la tecnologia avanzate dei dati, i problemi possono essere risolti efficacemente e più energia umana può essere dedicata alla risoluzione dei problemi, il che consente sostanzialmente di risparmiare il tempo di ciclo dell'ispezione di qualità.
È meglio sedersi e farlo, provare JMP per davvero e iniziare la tua prima analisi!
Ulteriori letture:
5 motivi per dirti perché il software JMP è più adatto a te?
Analisi dell'analisi anormale di SPC
Tasso di rendimento dei prodotti regolamentati da SPC——metodo quantilico per impostare limiti di controllo del prodotto e revisione periodica
Utilizzo di JMP per purificare i valori anomali, prendendo come esempio l'analisi dei semiconduttori dei dati WAT
