전자제조산업은 부품의 크기가 작고 생산주기가 짧아 장비 및 제품의 이상진단 능력이 매우 중요하며, 그 식별능력의 강점은 기업의 경쟁력의 일부가 되기도 했습니다. 이러한 이상 현상을 빠르고 효율적으로 식별하고 조기 경고 및 분석을 잘 수행하는 방법은 수율 향상에 없어서는 안 될 부분입니다.
오늘은 JMP의 강력한 신경망 모델링 및 데이터 시각화가 어떻게 데이터 분석가가 비정상적인 칩의 식별 및 감지 시간을 크게 줄이고 기업이 생산 효율성과 품질을 개선하는 데 도움이 되는지 전자제품 제조 업계의 사례를 들어 보겠습니다.
데이터 분석이 왜 그렇게 중요한가요?
하이테크 기업에게 품질은 제조 비용, 배송 주기 및 브랜드 가치를 의미합니다. 따라서 거의 모든 회사에서 제품의 품질을 최우선으로 생각합니다. 따라서 엔터프라이즈 제품의 품질을 개선하는 방법은 어려운 작업이 됩니다.
(그림 2)는 다음과 같은 일반적인 하이테크/카테고리 기업의 일반적인 생산 단계입니다.
1.웨이퍼 제조
웨이퍼 제조는 반도체 집적회로 생산에 사용되는 실리콘 웨이퍼를 말하며, 모양이 둥글기 때문에 웨이퍼라고 부르며, 실리콘 웨이퍼 위에 다양한 회로소자 구조로 가공되어 특정한 전기적 기능을 가진 집적회로가 될 수 있다. .제품.
2.패키지 테스트
패키징은 테스트된 웨이퍼를 제품의 종류와 기능적 요구 사항에 따라 가공하여 독립적인 칩을 얻는 과정이며, 테스팅은 일련의 검사 항목을 통해 개별 칩의 품질을 감지하는 과정입니다.
특히 "테스트" 링크에서 전통적인 방법은 수동 식별을 사용하는 것입니다. 즉, 개인적인 판단을 통해 문제가 있는 웨이퍼 이미지를 하나씩 기록한 다음 후속 처리를 수행하는 것입니다. 그러나 실제 작업에서 인공인식은 종종 다음과 같은 세 가지 문제에 직면한다.
1. 누락된 그래픽
모두가 수백 장의 웨이퍼 검사 사진에 직면했을 때 각 사진을 하나씩 읽는 것은 거의 불가능하며 피로와 같은 요인으로 인해 중요한 사진을 놓칠 가능성이 높으며 이러한 사진에는 종종 중요한 정보가 포함되어 있습니다.
2. 너무 오래 걸린다
전체 수동 식별 프로세스는 시간이 많이 걸리며 핵심 문제를 해결하는 데 시간이 소요되지 않습니다.
삼. 기준이 획일적이지 않다
이전에 등장한 적이 없는 그래픽의 경우 개별 기준에 따라 판단 기준이 달라지므로 잠재적인 정보가 손실되기 쉽습니다.
위의 불가피한 요소를 기반으로 JMP 시각적 분석이 유용합니다.
예를 들어 각각의 독립적인 칩의 검사 결과를 웨이퍼 상의 위치에 따라 대응시키고 얻은 검사 결과를 JMP로 가져오면 JMP 그래픽 생성기를 통해 다음과 같은 웨이퍼 검사 다이어그램을 쉽게 생성할 수 있으므로 신속하게 문제 그림 3과 같이 제품을 정확하게 식별할 수 있습니다.
그림 3
그 중 다른 색상은 최종 테스트 감지 값의 크기를 나타냅니다. 빨간색이 가장 크고 차례로 내림차순이며 파란색이 가장 작습니다.
위의 그림 3에서 알 수 있듯이 웨이퍼 오른쪽 아래 파란색 부분의 검출값이 낮습니다. 이것은 무엇을 의미 하는가? 이는 웨이퍼 제조 과정에서 이 부분에 이상이 있다는 뜻으로, 조속한 조사와 해결이 필요하다. 이를 통해 엔지니어는 이 문제가 있는 칩에 대한 빠른 후속 조치를 즉시 시작할 수 있습니다. 여기서 우리는 설명하기 위한 예를 제공합니다.
사례 연구: 사용 JMP 웨이퍼 결함을 빠르게 식별
케이스 배경
전자 회사의 엔지니어는 최종 테스트 단계에서 1559개 칩의 결함 데이터를 수집하고 특정 결함의 비율이 위치 변경에 따라 규칙성을 보이는지 분석하고자 했습니다.
- 특정 위치의 불량률이 '0'이면 해당 위치에는 해당 불량이 없음을 의미합니다.
- 이 위치의 불량률이 높으면 불량품이 이 위치에 집중되어 있음을 나타냅니다.
이러한 결함 패턴의 탐색을 통해 이전의 많은 공정에 대한 또 다른 품질 감지 방법 또는 지표를 설정할 수 있으며 이는 전반적인 품질 향상의 돌파구로 사용될 수 있습니다.
그림 4
그림 4의 데이터 테이블에서 LocX 및 LocY 열은 각각 행 및 열 좌표 값이며 값 유형은 공칭 값입니다. 마지막 열은 일정 기간 동안 위치가 결함이 있는 비율인 결함률입니다. 문제를 더 잘 판단하기 위해 여기에서 신경망 알고리즘을 선택합니다. 이에 대한 몇 가지 이유가 있습니다.
- 이 프로젝트에는 원시 데이터에서 감지해야 하는 기능을 자동으로 검색할 수 있는 알고리즘이 필요합니다.
- 신경망의 알고리즘은 일반적으로 여러 수준을 가지며 각 수준은 한 번 변환되므로 다른 기능을 캡처할 수 있는 여러 기회가 있습니다.
- 일반적으로 훈련에 사용되는 데이터가 많을수록 정확도가 향상될 수 있습니다.
다음으로 JMP에서 단계별로 분석하는 방법을 설명하겠습니다.
1 단계. 데이터 가져오기 JMP
먼저 데이터를 JMP로 가져오고 수집된 위치 불량률을 데이터 값으로 변환하여 그래프 생성기를 통해 표시합니다.
JMP -> Analyze -> Predictive modeling -> Neural을 열고 "Y, Response"에 관찰할 결함률을 넣고 "X, Factor"에 Loc X와 Loc Y를 넣습니다. 아래 그림 5와 같습니다.
그림 5
모델 구성 창을 입력하고 다음 매개 변수를 입력하십시오. 이 예제는 기본 신경망 모델로 시작하여 두 개의 은닉층과 추가 활성화 기능이 있는 더 복잡한 모델을 점진적으로 추가합니다. 마지막으로 그림 6과 같이 다음 구성이 선택됩니다.
피팅 옵션 섹션에서 JMP에 모델 피팅 알고리즘을 반복할 횟수를 지정합니다. 궁극적으로 JMP는 최상의 검증 통계가 있는 반복을 최종 모델로 선택합니다. 이 논문은 최종적으로 10을 사용합니다.
그림 6
모델 왼쪽에 있는 작은 빨간색 화살표를 클릭하고 주로 나중에 사용할 수 있도록 변환된 값을 저장하기 위해 수식 저장을 선택합니다.
그림 7
이러한 방식으로 행-열 변환 후 그림 8과 같이 다음과 같은 새 데이터 테이블을 얻습니다.
그림 8
그래픽을 사용하여 변환 프로세스를 간략하게 설명하면 아래 그림 9에 표시됩니다.
그림 9
2 단계. 사용 JMP 그래프 빌더 분석
다음으로 JMP 고유의 "Graph Builder(그래프 빌더)"를 사용하여 분석합니다.
여기에서 가로축에 LocX, 세로축에 LocY, 오른쪽 상단 모서리의 색상에 변환 값을 놓고 그래프 빌더 아래의 작은 빨간색 화살표를 클릭한 다음 그림 10과 같이 로컬 데이터 필터를 선택합니다.
그림 10
로컬 데이터 필터에서 레이블 선택:
그림 11
그런 다음 작은 빨간색 화살표 - "애니메이션"을 선택하여 다음과 같은 동적 그래픽을 얻습니다.
이 애니메이션은 JMP가 내부 운영 과정에서 전체 웨이퍼를 하나씩 스캔하고 최종적으로 최적의 솔루션을 찾는 방법을 주로 보여줍니다. 여기서 H1_1은 첫 번째 히든 레이어의 첫 번째 노드 등을 나타냅니다.
이것은 모델 구축 수준에서 우리의 생각과 전략입니다. 그렇다면 실제 프로젝트의 애플리케이션 수준에 따라 어떻게 배포하고 분석해야 할까요? 계속합시다.
JMP 착륙 신청: 프로젝트 전개 및 실제 결과
위의 JMP에서 생성된 모델에 따라 애플리케이션 수준에서 배포할 수 있습니다.
배포 수준에서는 실제로 순위 모델, 즉 순위 모델만 설정하면 됩니다. 이 모델은 모든 계산 결과가 매우 정확하다는 것을 보장할 필요가 없으며, 가장 중요한 것은 여러 웨이퍼 맵에서 가장 눈에 띄는 그래픽을 캡처할 수 있는 것입니다. 데이터의 양이 많고 서버가 리눅스 시스템(상대적으로 안정적)이기 때문에 파이썬 프로그램을 이용하여 데이터베이스에서 데이터를 추출하고, 문제가 되는 웨이퍼 맵은 위의 신경망 방식에 따라 알에스퀘어로 정렬한다.
그림 14
RSquare 정렬을 선택한 이유는 모델의 중요도에 따라 패턴이 잡혔는지 여부를 나타내기 위함입니다.
즉, 모델이 중요할수록 패턴을 포착할 가능성이 커집니다.
Generalized R-Square를 계산하는 방법(스크린샷 참조)은 이전 기사 "를 참조하십시오. 속도와 효율성을 높이고 신경망을 통해 기업이 보다 효율적으로 운영되도록 지원 "
예를 들어, 다음과 같은 7가지 유형의 불량품(불량 A에서 불량 G까지)이 있으며 각 행은 웨이퍼 맵의 X, Y 좌표를 나타내고 다양한 유형의 불량에 대한 누적 불량률(특정 주)을 나타냅니다. 해당 좌표 위치의 제품.
그림 15
이전 장에서 소개한 알고리즘과 아래와 같은 RSquare 정렬에 따르면 Defect C와 Defect A가 모든 유형의 불량 제품 중 가장 높은 중앙값을 가짐을 알 수 있습니다. 경우에 따라).
그림 16
그렇다면 Graph Builder에 의해 생성된 Defect C와 Defect A 결함 그래프는 정말 연구할 가치가 있으며, 가장 낮은 값을 갖는 Defect D는 Graph Builder에 의해 웨이퍼 맵이 그려진 후에 실제로 명확하지 않습니다.
결함 C(높은 RSquare 값) - 오른쪽 가장자리 그래프:
그림 17
결함 A(높은 RSsquare 값) - 중앙 오른쪽 상단 그래프:
그림 18
결함 D(낮은 RSsquare 값) - 거의 보이지 않는 그래픽
그림 19
다음은 시스템 아키텍처의 개략도입니다.
그림 20
샘플 데이터에 따르면 첫 번째 레이어와 두 번째 레이어의 노드 수는 매달 JMP 계산을 통해 모델에 대해 업데이트되어야 합니다(예: 새로운 패턴의 경우 현재 구성을 변경할 수 있는지 여부). 모델 계산을 보다 효율적으로 하기 위해서는 노드 수 조정 등을 고려해야 합니다.
이 방법을 통해 실제 운영 후 기업 내 데이터 분석가 1인당 패턴 인식 시간이 주당 평균 60% 단축되고 이상 패턴의 평균 탐지 시간이 기존 대비 70% 단축됨을 입증하여 전반적인 품질 관리 수준 향상에 크게 기여했습니다.
위의 실제 전투 사례를 통해 우리는 제품의 수율 감지를 위해 수작업에 의존하는 것은 시간이 많이 걸리고 노동 집약적일 뿐만 아니라 오류 및 검사 누락이 발생하기 쉽고 중요한 품질 위험이 종종 숨겨져 있음을 알 수 있습니다. 수동으로 식별할 수 없습니다.
이것은 마치 빙산과도 같아서 사람들은 흔히 수면 위의 부분에 주목하지만 수면 아래 부분은 여러 가지 이유로 보이지 않는 경우가 많습니다. 고급 데이터 분석 및 기술을 통해 문제를 효과적으로 해결할 수 있으며 문제 해결에 더 많은 인적 에너지를 투입할 수 있어 근본적으로 품질 검사 주기를 절약할 수 있습니다.
편안히 앉아서 JMP를 실제로 사용해 보고 첫 번째 분석을 시작하는 것이 좋습니다!
추가 정보:
JMP 소프트웨어가 귀하에게 더 적합한 5가지 이유는 무엇입니까?
SPC 이상 분석 분석
SPC 규제 제품의 수율 - 제품 관리 한도 및 정기 검토를 설정하는 Quantile 방법
JMP를 사용하여 이상값을 정제하고 WAT 데이터의 반도체 분석을 예로 들기
