エレクトロニクス製造業では部品サイズが小さく、生産サイクルが短いため、設備や製品の異常診断能力が非常に重要であり、その識別能力の強さは企業の競争力の一部にもなっている。これらの異常を迅速かつ効率的に特定し、早期警告と分析を適切に実行する方法は、歩留まりを向上させるために不可欠な部分です。
本日はエレクトロニクス製造業界の事例を取り上げ、JMP の強力なニューラル ネットワーク モデリングとデータ視覚化がデータ アナリストによる異常チップの特定と検出時間を大幅に短縮し、企業の生産効率と品質の向上にどのように役立つかを見ていきます。
データ分析がなぜそれほど重要なのでしょうか?
ハイテク企業にとって、品質とは製造コスト、納期サイクル、ブランド価値を意味します。したがって、ほぼすべての企業が製品の品質を最優先事項と考えています。したがって、エンタープライズ製品の品質をどのように向上させるかは難しい課題になります。
(図 2) は、一般的なハイテク/カテゴリー企業の典型的な生産ステップであり、次のとおりです。
1.ウェーハ製造
ウェハ製造とは、半導体集積回路の製造に使用されるシリコンウェハのことを指し、その形状が円形であることからウェハと呼ばれ、シリコンウェハ上にさまざまな回路素子構造を加工し、特定の電気的機能を備えた集積回路となります。の商品です。
2.パッケージテスト
パッケージングは、テストされたウェハを製品タイプや機能要件に従って処理して独立したチップを得るプロセスであり、テストは、一連の検査項目を通じて独立したチップごとの品質を検出するプロセスです。
特に「テスト」リンクでは、従来の方法は手動識別を使用すること、つまり個人的な判断によって問題のあるウェーハ画像を 1 つずつ記録し、その後フォローアップ処理を行うことです。しかし、実際の業務においては、人工認識は次の 3 つの問題に直面することがよくあります。
1. グラフィックが欠けている
誰もが数百枚のウェーハ検査画像を前にすると、各画像を 1 枚ずつ読み取ることはほとんど不可能であり、疲労などの要因により重要な画像が見落とされる可能性が非常に高く、これらの画像には重要な情報が含まれていることがよくあります。
2.時間がかかりすぎる
手動による識別プロセス全体は非常に時間がかかり、核心的な問題の解決には時間がかかりません。
3.基準が統一されていない
これまでに登場したことのないグラフィックの場合、個々の基準によって判断基準が異なるため、潜在的な情報が失われてしまいやすい。
上記の避けられない要因に基づいて、JMP の視覚的分析が役に立ちます。
例えば、独立した各チップの検査結果をウエハ上の位置に対応させ、得られた検査結果をJMPにインポートすると、JMPのグラフィックジェネレータを介して以下のようなウエハ検査図を簡単に生成できるため、迅速に検査を行うことができます。図 3 に示すように、製品を正確に識別できます。
図 3
その中で、異なる色は最終的なテスト検出値の大きさを表します。赤が最も大きく、順番に下降し、青が最も小さくなります。
上図3からわかるように、ウェーハ右下の青い部分の検出値が低くなります。これは何を意味するのでしょうか？これは、ウェーハの製造中にこの領域に異常があることを意味しており、できるだけ早く調査して解決する必要があります。これにより、エンジニアはこの問題のあるチップの迅速なフォローアップを直ちに開始できるようになります。ここで例を挙げて説明します。
ケーススタディ: の使用JMPウェーハの欠陥を迅速に特定
ケースの背景
あるエレクトロニクス会社のエンジニアは、最終テスト段階で 1559 個のチップの欠陥データを収集し、特定の欠陥の割合が位置の変化に対して規則性を示すかどうかを分析したいと考えました。
- ある位置の欠陥率が「０」であれば、その位置にはそのような欠陥が存在しないことを意味する。
- この箇所の不良率が高ければ、その箇所に不良品が集中していることを意味する。
このような欠陥パターンの検索を通じて、以前の多くのプロセスに対して別の品質検出方法または指標を確立でき、全体的な品質向上のブレークスルーとして使用できます。
図4
図 4 のデータ テーブルでは、LocX 列と LocY 列はそれぞれ行と列の座標値であり、値の種類は公称値です。最後の列は欠陥率です。これは、一定期間にわたって位置に欠陥があった割合です。問題をより適切に判断するために、ここではニューラル ネットワーク アルゴリズムを選択します。これにはいくつかの理由があります。
- このプロジェクトには、生データから検出する必要がある特徴を自動的に検出できるアルゴリズムが必要です。
- ニューラル ネットワークのアルゴリズムには通常、複数のレベルがあり、各レベルは 1 回変換されるため、さまざまな特徴を捕捉する機会が複数あります。
- 一般的に、トレーニングに使用するデータが多いほど、精度を向上させることができます。
次に、JMP での分析方法をステップバイステップで説明します。
ステップ1。 データインポートJMP
まず、データをJMPにインポートし、収集した位置欠陥率をデータ値に変換し、グラフジェネレータを通じて表示します。
JMP -> 分析 -> 予測モデリング -> ニューラルを開き、以下の図 5 に示すように、「Y, Response」に観察する欠陥率を入力し、「X, Factor」に Loc X と Loc Y を入力します。
図5
モデル設定ウィンドウに入り、次のパラメータを入力します。この例は、デフォルトのニューラル ネットワーク モデルから始まり、2 つの隠れ層と追加の活性化関数を備えたより複雑なモデルを徐々に追加します。最後に、図 6 に示すように、次の構成が選択されます。
フィッティング オプション セクションで、モデル フィッティング アルゴリズムを何回繰り返すかを JMP に指示します。最終的に、JMP は最良の検証統計を持つ反復を最終モデルとして選択します。この論文では最終的に 10 を使用します。
図6
モデルの左側にある小さな赤い矢印をクリックし、「式を保存」を選択します。主に、将来の使用のために変換された値を保存します。
図7
このようにして、行と列の変換後、図 8 に示すように、次の新しいデータ テーブルが取得されます。
図8
グラフィックを使用して変換プロセスを簡単に説明すると、次の図 9 のようになります。
図9
ステップ2。 使用JMPグラフビルダー分析
次に、JMP独自の「Graph Builder（グラフビルダー）」を使用して分析します。
ここでは、横軸に LocX、縦軸に LocY、右上隅の Color に Transform Value を配置し、グラフ ビルダーの下にある小さな赤い矢印をクリックして、図 10 に示すようにローカル データ フィルターを選択します。
図10
[ローカル データ フィルター] で [ラベル] を選択します。
図11
次に、小さな赤い矢印 - [アニメーション] を選択して、次の動的なグラフィックスを取得します。
このアニメーションは主に、JMP が内部演算プロセスでウェハ全体を 1 枚ずつスキャンし、最終的に最適なソリューションを見つける様子を示しています。ここで、H1_1 は最初の隠れ層の最初のノードを指し、以下同様です。
これがモデル構築レベルでの私たちの考え方と戦略です。では、実際のプロジェクトのアプリケーション レベルに特有の、どのように展開して分析すべきでしょうか?次へ移りましょう。
JMPランディングアプリケーション：プロジェクト展開と実績
上記の JMP によって生成されたモデルに従って、それをアプリケーション レベルでデプロイできます。
実際、展開レベルでは、ランキング モデル、つまりランキング モデルを確立するだけで済みます。このモデルでは、すべての計算結果が非常に正確であることを保証する必要はありません。最も重要なことは、複数のウェーハ マップで最も顕著なグラフィックスをキャプチャできることです。データ量が多く、サーバーが Linux システム (比較的安定している) であるため、データベースからデータを抽出するために Python プログラムが使用され、問題のあるウェーハ マップは上記のニューラル ネットワーク手法に従って RSquare に従ってソートされます。
図14
RSquare ソートを選択する理由は、モデルの重要度に従ってパターンが捕捉されたかどうかを表現するためです。
つまり、モデルが重要であればあるほど、パターンを捕捉できる可能性が高くなります。
一般化 R 2 乗の計算方法 (スクリーンショットを参照) については、以前の記事「」を参照してください。速度と効率を向上させ、ニューラル ネットワークは企業のより効率的な運営を支援します」
例えば、以下の7種類の不良品(不良Aから不良Gまで)があり、各行はウエハマップ上のX、Y座標と、各種不良品の累積不良率(ある週における)を表しています。対応する座標位置に製品を配置します。
図15
前のセクションで紹介したアルゴリズムと次の RSquare ソートによると、欠陥 C と欠陥 A がすべてのタイプの欠陥製品の中で最も高い中央値を持っていることがわかりました (定義されたしきい値が >0.7 の場合、もちろんしきい値を定義できます)場合に応じて）。
図16
次に、グラフ ビルダーによって生成された欠陥 C と欠陥 A の欠陥グラフは非常に研究する価値があり、最も低い値を持つ欠陥 D は、グラフ ビルダーによってウェーハ マップが描画された後では実際には明らかではありません。
欠陥 C (R2 乗値が高い) - 右端のグラフ:
図17
欠陥 A (高い RS2 乗値) - 中央右上のグラフ:
図18
欠陥 D (RS2 乗値が低い) - グラフィックスがほとんど見えない
図19
以下はシステム アーキテクチャの概略図です。
図20
サンプル データによれば、モデルの第 1 層と第 2 層のノード数は、JMP 計算を通じて毎月更新する必要があることに注意してください (たとえば、新しいパターンの場合、現在の構成が可能かどうかなど)。モデルの計算を効率化するには、ノード数の調整などを考慮する必要があります。
この手法により、実際の運用後、企業内の各データアナリストは、従来に比べてパターン認識時間が週平均60％短縮され、異常パターンの平均検出時間が70％短縮されることが実証されました。全体的な品質管理レベルの向上に大きく貢献しました。
上記の実戦事例を通じて、製品の歩留まり検査を手作業に頼ると、時間と労力がかかるだけでなく、ミスや検査漏れが発生しやすく、重要な品質リスクがところどころに隠れていることがわかります。手動では識別できません。
これは氷山のようなもので、水面より上の部分はよく注目されますが、水面より下の部分はさまざまな理由で見えないことが多いです。高度なデータ分析とテクノロジーにより、問題を効果的に解決でき、問題解決により多くの人的エネルギーを投入できるため、品質検査のサイクルタイムが根本的に短縮されます。
落ち着いて実行し、JMP を実際に試して、最初の分析を開始することをお勧めします。
参考文献：
JMP ソフトウェアがなぜあなたに適しているのかを伝える 5 つの理由?
SPCの異常解析の解析
SPC規制製品の歩留り率——製品管理限界値の設定と定期的な見直しの定量法
WAT データの半導体分析を例として、JMP を使用して異常値を除去する
