La industria de fabricación electrónica tiene piezas más pequeñas y ciclos de producción más cortos, lo que hace muy importante la capacidad de diagnosticar anomalías en equipos y productos, e incluso sus capacidades de identificación se han convertido en parte de la competitividad de una empresa. Cómo identificar rápida y eficientemente estas anomalías, así como proporcionar alertas y análisis tempranos, es una parte indispensable para mejorar el rendimiento.
Hoy tomamos como ejemplo un caso de la industria de fabricación de productos electrónicos para ver cómo el potente modelado de redes neuronales y visualización de datos de JMP puede ayudar a los analistas de datos a reducir significativamente el tiempo necesario para identificar y detectar 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 costos de fabricación, ciclos de envío y valor de marca. Por eso, casi todas las empresas consideran la calidad del producto su máxima prioridad. Entonces, cómo mejorar la calidad de los productos empresariales se ha convertido en una tarea difícil.
(Figura 2) es un paso de producción típico de empresas comunes de alta tecnología, entre las cuales:
1.Fabricación de obleas
La fabricación de obleas se refiere a la oblea de silicio utilizada en la producción de circuitos integrados semiconductores. Debido a que su forma es redonda, se llama oblea. En la oblea de silicio se pueden procesar varias estructuras de elementos de circuito para convertirse en circuitos integrados con funciones eléctricas específicas. productos de circuito .
2.Prueba de paquete
El embalaje es el proceso de procesar las obleas probadas en chips independientes según el tipo de producto y los requisitos funcionales; la prueba es el proceso de detectar la calidad de cada chip independiente a través de una serie de elementos de inspección.
Especialmente en el proceso de "prueba", el método tradicional es utilizar la identificación manual, es decir, registrar las imágenes de oblea problemáticas una por una según su criterio personal y luego realizar el procesamiento posterior. Sin embargo, en el trabajo real, el reconocimiento manual a menudo enfrenta los siguientes tres problemas:
1. Patrón de detección omitido
Cuando todo el mundo se enfrenta a cientos de imágenes de inspección de obleas, es casi imposible mirar cada imagen una por una. Es probable que se pierdan algunos gráficos importantes debido a factores como la fatiga excesiva, y estos gráficos a menudo contienen información importante.
2. Tomando demasiado tiempo
Todo el proceso de identificación manual lleva mucho tiempo y no se dedica tiempo a resolver el problema central.
3. Los estándares no están unificados.
Para los gráficos que no han aparecido antes, los criterios de evaluación variarán según los estándares personales, lo que fácilmente puede conducir a la pérdida de información potencial.
Según los factores inevitables anteriores, el análisis visual de JMP resulta útil.
Por ejemplo, asignamos los resultados de inspección de cada chip independiente uno a uno según su posición en la oblea. Los resultados de inspección obtenidos se importan a JMP. El siguiente cuadro de inspección de oblea se puede generar fácilmente a través del generador gráfico de JMP, de esta manera Identifique rápidamente los productos problemáticos, como se muestra en la Figura 3.
figura 3
Entre ellos, diferentes colores representan el tamaño del valor de detección de prueba final. El rojo es el más grande, decreciente en secuencia, y el azul es el más pequeño.
Como puede verse en la Figura 3 anterior, el valor de detección de la parte azul en el lado inferior derecho de la oblea es bajo. ¿Qué quiere decir esto? Esto significa que durante la fabricación de obleas se produce una anomalía en esta zona, que debe investigarse y resolverse lo antes posible. De esta manera, los ingenieros pueden comenzar inmediatamente a realizar un seguimiento rápido de chips tan problemáticos. Aquí ponemos un ejemplo para ilustrar.
Estudio de caso: uso JMP Identifique rápidamente los defectos de las obleas
Antecedentes del caso
Los ingenieros de una empresa de electrónica recopilaron datos de defectos de 1.559 chips durante la fase de prueba final y quisieron analizar si la proporción de un determinado defecto mostraba un patrón a medida que cambiaba la ubicación.
- Si la tasa de defectos de una determinada posición es '0', significa que este defecto no ha ocurrido en esa posición.
- Si la tasa de defectos en esta ubicación es alta, indica que los productos defectuosos se concentran en esta ubicación.
Mediante la búsqueda de este tipo de patrón de defectos, finalmente se puede establecer otro método o indicador de detección de calidad para muchos procesos anteriores, lo que puede servir como un gran avance para la mejora general de la calidad.
Figura 4
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 numérico es valor nominal. La última columna es la tasa de defectos, que es la tasa de defectos en una ubicación determinada durante el último período de tiempo. Para juzgar mejor el problema, aquí elegimos el algoritmo de red neuronal. Las razones son las siguientes:
- El proyecto requiere algoritmos que puedan descubrir automáticamente características que deben detectarse a partir de datos sin procesar.
- Los algoritmos de redes neuronales generalmente tienen múltiples niveles y cada nivel realiza una transformación, de modo que existen múltiples oportunidades para capturar diferentes características.
- En términos generales, cuantos más datos se utilicen para el entrenamiento, mejor se podrá mejorar la precisión.
A continuación, explicaremos cómo realizar análisis paso a paso en JMP.
Paso 1. importación de datos JMP
Primero, importe los datos a JMP, convierta las tasas de defectos de ubicación recopiladas en valores de datos y preséntelos a través del generador de gráficos.
Abra JMP -> Analizar -> Modelado predictivo -> Neural, coloque la tasa de defectos que se observará en "Y, Respuesta" y coloque Loc X y Loc Y en "X, Factor", como se muestra en la Figura 5 a continuación:
Figura 5
Ingrese a la ventana de configuración del modelo e ingrese los siguientes parámetros. Este ejemplo comienza con el modelo de red neuronal predeterminado y avanza hacia modelos más complejos con dos capas ocultas y funciones de activación adicionales. Finalmente, se seleccionó la siguiente configuración, como se muestra en la Figura 6:
En la sección de opciones de ajuste, indique a JMP cuántas veces repetir el algoritmo de ajuste del modelo. Finalmente, JMP seleccionará la iteración con las mejores estadísticas de validación como modelo final. Este artículo finalmente utiliza 10.
Figura 6
Haga clic en la pequeña flecha roja en el lado izquierdo del Modelo y seleccione Guardar fórmulas, principalmente para almacenar los valores transformados para su uso posterior.
Figura 7
Después de esta conversión fila-columna, se obtiene la siguiente nueva tabla de datos, como se muestra en la Figura 8:
Figura 8
Si usamos gráficos para ilustrar simplemente el proceso de conversión, sería como se muestra en la Figura 9 a continuación:
Figura 9
Paso 2. usar JMP Análisis del generador de gráficos
A continuación, analice utilizando el exclusivo "Graph Builder" de JMP.
Aquí colocamos LocX en el eje horizontal, LocY en el eje vertical, Transformar valor en color en la esquina superior derecha, hacemos clic en la pequeña flecha roja debajo del Generador de gráficos y seleccionamos Filtro de datos local, como se muestra en la Figura 10:
Figura 10
Seleccione Etiqueta en Filtro de datos locales:
Figura 11
Luego, seleccione la pequeña flecha roja - "Animación" para obtener los siguientes gráficos dinámicos:
Esta animación muestra principalmente cómo JMP escanea toda la oblea 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.
Esta es nuestra idea y estrategia a nivel de construcción de maquetas. Entonces, ¿cómo debería implementarse y analizarse en el nivel de aplicación de proyectos reales? Sigamos la discusión.
JMP Implementación: implementación del proyecto y resultados reales.
De acuerdo con el modelo generado por JMP arriba, podemos implementarlo a nivel de aplicación.
En el nivel de implementación, en realidad solo necesitamos construir un modelo de clasificación, es decir, un modelo de clasificación. Este modelo no necesita garantizar que cada resultado de cálculo sea muy preciso, lo más importante es poder capturar los gráficos más significativos en múltiples mapas de obleas. Debido a la gran cantidad de datos y a que el servidor es un sistema Linux (relativamente estable), se utilizó un programa Python para extraer datos de la base de datos y el mapa de obleas problemático se clasificó según RSquare basándose en el método de red neuronal anterior.
Figura 14
La razón por la que elegimos la clasificación RSquare es para representar si el patrón se captura de acuerdo con la importancia del modelo.
Es decir, cuanto más significativo sea el modelo, mayor será la posibilidad de captar el patrón.
Con respecto a cómo calcular el R cuadrado generalizado (que se muestra en la captura de pantalla), consulte el artículo anterior " Para aumentar la velocidad y la eficiencia, las redes neuronales ayudan a las empresas a operar de manera más eficiente 》
Por ejemplo, existen los siguientes 7 tipos de productos defectuosos (del defecto A al defecto G): cada fila representa las coordenadas X, Y en el mapa de oblea y la tasa de defectos acumulada (en una semana determinada) de diferentes tipos de productos defectuosos. en las posiciones de coordenadas correspondientes.
Figura 15
Según el algoritmo introducido en la sección anterior y la clasificación RSquare de la siguiente manera, encontramos que el Defecto C y el Defecto A tienen los valores más altos entre todos los tipos de productos defectuosos (si el umbral se define como >0,7, por supuesto el umbral se puede definir según el caso).
Figura 16
Entonces, los gráficos defectuosos del Defecto C y el Defecto A generados por Graph Builder son realmente dignos de estudio, y los gráficos del Defecto D, que tiene el valor más bajo, de hecho no son obvios después de dibujar el mapa de oblea con Graph Builder.
Defecto C (valor alto de RSquare): gráfico del borde derecho:
Figura 17
Defecto A (el valor de RSsquare es alto): gráfico en la parte superior derecha del centro:
Figura 18
Defecto D (valor RScuadrado bajo): el gráfico es casi invisible
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 y calculados a través de JMP, la cantidad de nodos en la primera y segunda capa debe actualizarse para el modelo cada mes (por ejemplo, para nuevos patrones, si se puede reconocer la configuración actual, es necesario considerar ajustes en 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 ha demostrado que cada analista de datos en la empresa reduce el tiempo de reconocimiento de patrones en un 60 % por semana en promedio, y el tiempo promedio de detección de gráficos anormales se acorta en un 70 % en comparación con antes, lo que Contribuye a mejorar el nivel general de control de calidad. Hizo una contribución enorme.
De los casos prácticos anteriores, podemos ver que depender únicamente de mano de obra para detectar el rendimiento del producto no solo requiere mucho tiempo y mano de obra, sino que también es propenso a errores e inspecciones omitidas. Sin embargo, a menudo se esconden importantes riesgos de calidad en ciertas áreas. lugar que no se puede identificar manualmente.
Esto es como un iceberg: la gente tiende a centrarse en la parte que está encima de la superficie del agua, pero la parte que está debajo de la superficie del agua a menudo no puede verse por diversas razones. A través de tecnología y análisis de datos avanzados, los problemas se pueden resolver de manera efectiva y la energía manual se puede concentrar más en resolver problemas, ahorrando fundamentalmente el tiempo del ciclo de detección de calidad.
En lugar de simplemente hablar, actúe, pruebe JMP y comience su primer análisis.
Otras lecturas:
¿5 razones para decirle por qué el software JMP es más adecuado para usted?
Un breve análisis del análisis de anomalías del SPC.
Tasa de rendimiento del producto controlada por SPC: método cuantil para establecer límites de control del producto y revisión periódica
Utilice JMP para purificar valores atípicos, tomando como ejemplo el análisis de semiconductores de datos WAT
