L'industria manifatturiera elettronica ha componenti più piccoli e cicli di produzione più brevi, per cui la capacità di diagnosticare anomalie nelle apparecchiature e nei prodotti è molto importante e la sua capacità di identificazione è diventata addirittura parte della competitività di un'azienda. Il modo in cui identificare in modo rapido ed efficiente queste anomalie, nonché fornire avvisi e analisi tempestivi, è una parte indispensabile del miglioramento della resa.
Oggi prendiamo come esempio un caso dell'industria manifatturiera elettronica per vedere come la potente modellazione delle reti neurali e la visualizzazione dei dati di JMP possono aiutare gli analisti di dati a ridurre significativamente il tempo necessario per identificare e rilevare 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 costi di produzione, cicli di spedizione e valore del marchio. Pertanto, quasi tutte le aziende considerano la qualità del prodotto la massima priorità. Quindi come migliorare la qualità dei prodotti aziendali è diventato un compito difficile.
(Figura 2) è una tipica fase produttiva delle comuni imprese ad alta tecnologia, tra cui:
1.Produzione di wafer
La produzione di wafer si riferisce al wafer di silicio utilizzato nella produzione di circuiti integrati a semiconduttore. Poiché la sua forma è rotonda, viene chiamato wafer. Varie strutture di elementi circuitali possono essere elaborate sul wafer di silicio per diventare circuiti integrati con funzioni elettriche specifiche. prodotti circuitali .
2.Test del pacchetto
Il confezionamento è il processo di trasformazione dei wafer testati in chip indipendenti in base al tipo di prodotto e ai requisiti funzionali; il test è il processo di rilevamento della qualità di ciascun chip indipendente attraverso una serie di elementi di ispezione.
Soprattutto nel processo di "test", il metodo tradizionale prevede l'utilizzo dell'identificazione manuale, ovvero la registrazione delle immagini problematiche dei wafer una per una attraverso il giudizio personale, per poi eseguire la successiva elaborazione. Tuttavia, nel lavoro reale, il riconoscimento manuale spesso affronta i seguenti tre problemi:
1. Schema di rilevamento mancato
Quando tutti si trovano di fronte a centinaia di immagini di ispezione dei wafer, è quasi impossibile guardare ciascuna immagine una per una. È probabile che alcuni grafici importanti vengano persi a causa di fattori come l'eccessiva fatica e questi grafici spesso contengono informazioni importanti.
2. Mettendoci troppo tempo
L'intero processo di identificazione manuale richiede molto tempo e non viene dedicato tempo alla risoluzione del problema principale.
3. Gli standard non sono unificati
Per le grafiche mai apparse prima, i criteri di giudizio varieranno a seconda degli standard personali, il che può facilmente portare alla perdita di potenziali informazioni.
Sulla base degli inevitabili fattori di cui sopra, l'analisi visiva di JMP torna utile.
Ad esempio, mappiamo i risultati dell'ispezione di ciascun chip indipendente uno a uno in base alla loro posizione sul wafer. I risultati dell'ispezione ottenuti vengono importati in JMP. Il seguente grafico di ispezione del wafer può essere facilmente generato tramite il generatore grafico JMP, quindi Identificare rapidamente i prodotti problematici, come mostrato nella Figura 3.
Figura 3
Tra questi, colori diversi rappresentano la dimensione del valore di rilevamento del test finale. Il rosso è il più grande e diminuisce in sequenza, mentre il blu è il più piccolo.
Come si può vedere dalla Figura 3 sopra, il valore di rilevamento della parte blu sul lato inferiore destro del wafer è basso. Cosa significa questo? Ciò significa che durante la produzione dei wafer si verifica un'anomalia in quest'area, che deve essere indagata e risolta il prima possibile. In questo modo, gli ingegneri possono immediatamente iniziare a dare seguito a questi chip problematici. Qui diamo un esempio per illustrare.
Caso di studio: utilizzo JMP Identifica rapidamente i difetti dei wafer
Sfondo del caso
Gli ingegneri di un'azienda elettronica hanno raccolto dati sui difetti per 1.559 chip durante la fase di test finale e volevano analizzare se il rapporto di un determinato difetto mostrava uno schema al variare della posizione.
- Se il tasso di difetto di una determinata posizione è '0', significa che questo difetto non si è verificato in quella posizione.
- Se il tasso di difetti in questa sede è elevato, ciò indica che i prodotti difettosi sono concentrati in quella sede.
Attraverso la ricerca di questo tipo di modello di difetto, è possibile finalmente stabilire un altro metodo o indicatore di rilevamento della qualità per molti processi precedenti, che può rappresentare una svolta per il miglioramento generale della qualità.
Figura 4
Nella tabella dati nella Figura 4, le colonne LocX e LocY sono rispettivamente valori di coordinate di riga e colonna e il tipo numerico è il valore nominale. L'ultima colonna è il tasso di difetti, ovvero il tasso di difetti in una determinata località nell'ultimo periodo di tempo. Per valutare meglio il problema, qui scegliamo l'algoritmo della rete neurale. Le ragioni sono le seguenti:
- Il progetto richiede algoritmi in grado di scoprire automaticamente le funzionalità che devono essere rilevate dai dati grezzi.
- Gli algoritmi di rete neurale hanno generalmente più livelli e ogni livello esegue una trasformazione, in modo che vi siano molteplici opportunità per acquisire funzionalità diverse.
- In generale, maggiore è la quantità di dati utilizzati per l'addestramento, maggiore è la precisione che può essere migliorata.
Successivamente, spiegheremo come eseguire l'analisi passo dopo passo in JMP.
Passo 1. importazione dei dati JMP
Innanzitutto, importa i dati in JMP, converti i tassi di difetti di posizione raccolti in valori di dati e presentali tramite il generatore di grafici.
Aprire JMP -> Analizza -> Modellazione predittiva -> Neurale, inserire il tasso di difetti da osservare in "Y, Risposta" e inserire Loc X e Loc Y in "X, Factor", come mostrato nella Figura 5 di seguito:
Figura 5
Accedere alla finestra di configurazione del modello e inserire i seguenti parametri. Questo esempio inizia con il modello di rete neurale predefinito e prosegue con modelli più complessi con due livelli nascosti e funzioni di attivazione aggiuntive. Infine è stata scelta la seguente configurazione, come mostrato in Figura 6:
Nella sezione delle opzioni di adattamento, indicare a JMP quante volte ripetere l'algoritmo di adattamento del modello. Alla fine JMP selezionerà l'iterazione con le migliori statistiche di convalida come modello finale. Questo articolo in definitiva utilizza 10.
Figura 6
Fare clic sulla piccola freccia rossa sul lato sinistro del Modello e selezionare Salva formule, principalmente per memorizzare i valori trasformati per un uso successivo.
Figura 7
Dopo questa conversione riga-colonna, si ottiene la seguente nuova tabella dati, come mostrato nella Figura 8:
Figura 8
Se utilizzassimo la grafica per illustrare semplicemente il processo di conversione, sarebbe come mostrato nella Figura 9 di seguito:
Figura 9
Passo 2. utilizzo JMP Analisi del costruttore di grafici
Successivamente, analizza utilizzando l'esclusivo "Graph Builder" di JMP.
Qui inseriamo LocX sull'asse orizzontale, LocY sull'asse verticale, Trasforma il valore in colore nell'angolo in alto a destra, fai clic sulla piccola freccia rossa sotto Generatore di grafici e seleziona Filtro dati locale, come mostrato nella Figura 10:
Figura 10
Seleziona Etichetta in Filtro dati locale:
Figura 11
Quindi, seleziona la piccola freccia rossa - "Animazione" per ottenere la seguente grafica dinamica:
Questa animazione mostra principalmente come JMP scansiona l'intero wafer uno per uno durante il processo operativo interno e infine trova la soluzione ottimale. Dove H1_1 si riferisce al primo nodo del primo livello nascosto e così via.
Questa è la nostra idea e strategia a livello di costruzione del modello. Quindi, come dovrebbe essere implementato e analizzato a livello di applicazione dei progetti reali? Continuiamo la discussione.
JMP Attuazione: realizzazione del progetto e risultati effettivi
Secondo il modello generato da JMP sopra, possiamo quindi implementarlo a livello di applicazione.
A livello di distribuzione, in realtà dobbiamo solo creare un modello di classificazione, ovvero un modello di classificazione. 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 i grafici più significativi in più mappe wafer. A causa della grande quantità di dati e del fatto che il server è un sistema Linux (relativamente stabile), è stato utilizzato un programma Python per estrarre i dati dal database e la mappa wafer problematica è stata ordinata secondo RSquare in base al metodo della rete neurale sopra menzionato.
Figura 14
Il motivo per cui scegliamo l'ordinamento RSquare è quello di rappresentare se il modello viene catturato in base al significato del modello.
Cioè, quanto più significativo è il modello, tanto maggiore è la possibilità di coglierne lo schema.
Per quanto riguarda come calcolare l'R quadrato generalizzato (mostrato nello screenshot), fare riferimento all'articolo precedente " Migliora la velocità e l'efficienza, la rete neurale aiuta le aziende a operare in modo più efficiente 》
Ad esempio, esistono i seguenti 7 tipi di prodotti difettosi (dal Difetto A al Difetto G). Ciascuna riga rappresenta le coordinate X, Y sulla mappa wafer e il tasso di difetti cumulativo (in una determinata settimana) di diversi tipi di prodotti difettosi nelle posizioni delle coordinate corrispondenti.
Figura 15
Secondo l'algoritmo introdotto nella sezione precedente e l'ordinamento RSquare come segue, troviamo che Difetto C e Difetto A hanno i valori più alti tra tutti i tipi di prodotti difettosi (se la soglia è definita come >0,7, ovviamente il soglia definibile a seconda dei casi).
Figura 16
Quindi la grafica difettosa del Difetto C e del Difetto A generata dal Costruttore di grafici è davvero degna di studio, e la grafica del Difetto D, che ha il valore più basso, non è infatti evidente dopo aver disegnato la mappa wafer con il Costruttore di grafici.
Difetto C (alto valore RSquare) - grafica del bordo destro:
Figura 17
Difetto A (il valore RSsquare è alto) - grafica in alto a destra al centro:
Figura 18
Difetto D (basso valore RSsquare) - il grafico è quasi invisibile
Figura 19
Di seguito è riportato uno schema dell'architettura del sistema:
Figura 20
Va notato che, secondo i dati campione e calcolati tramite JMP, il numero di nodi nel primo e nel secondo strato deve essere aggiornato ogni mese per il modello (ad esempio, per i nuovi modelli, se la configurazione attuale può essere riconosciuta, è necessario considerare gli aggiustamenti (numero di nodi, ecc.) per rendere più efficiente il calcolo del modello.
Attraverso questo metodo, dopo il funzionamento effettivo, è stato dimostrato che ciascun 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 grafici anomali viene ridotto del 70% rispetto a prima, il che contribuisce a migliorare il livello generale del controllo di qualità ha dato un contributo enorme.
Dai casi pratici sopra riportati, possiamo vedere che affidarsi esclusivamente al lavoro manuale per il rilevamento della resa del prodotto non è solo dispendioso in termini di tempo e manodopera, ma è anche soggetto a errori e ispezioni mancate. Tuttavia, in alcune aree spesso si nascondono importanti rischi per la qualità che non possono essere identificati manualmente.
È come un iceberg: le persone tendono a concentrarsi sulla parte sopra la superficie dell'acqua, ma la parte sotto la superficie dell'acqua spesso non è visibile per vari motivi. Attraverso l'analisi e la tecnologia avanzata dei dati, i problemi possono essere risolti in modo efficace e l'energia manuale può essere focalizzata maggiormente sulla risoluzione dei problemi, risparmiando sostanzialmente il tempo del ciclo di rilevamento della qualità.
Invece di limitarti a parlare, agisci, prova JMP e inizia la tua prima analisi!
Ulteriori letture:
5 motivi per dirti perché il software JMP è più adatto a te?
Una breve analisi dell'analisi delle anomalie SPC
Tasso di resa del prodotto controllato dall'SPC: metodo quantile per impostare i limiti di controllo del prodotto e revisione regolare
Utilizzare JMP per eliminare i valori anomali, prendendo come esempio l'analisi dei semiconduttori dei dati WAT
