La taille des pièces dans l'industrie de la fabrication électronique est petite et le cycle de production est court, ce qui rend la capacité de diagnostic anormal des équipements et des produits très importante, et la force de sa capacité d'identification est même devenue une partie de la compétitivité des entreprises. Comment identifier rapidement et efficacement ces anomalies, et faire un bon travail d'alerte précoce et d'analyse, est un élément indispensable pour améliorer le taux de rendement.
Aujourd'hui, nous prenons un cas dans l'industrie de la fabrication électronique comme exemple pour voir comment la puissante modélisation des réseaux neuronaux et la visualisation des données de JMP peuvent aider les analystes de données à réduire considérablement le temps d'identification et de détection des puces anormales, et aider les entreprises à améliorer l'efficacité et la qualité de la production.
Pourquoi l'analyse des données est-elle si importante ?
Pour les entreprises de haute technologie, la qualité signifie le coût de fabrication, le cycle de livraison et la valeur de la marque. Par conséquent, presque toutes les entreprises considèrent la qualité des produits comme la priorité absolue. Alors, comment améliorer la qualité des produits d'entreprise devient une tâche difficile.
(Figure 2) sont les étapes de production typiques des entreprises de haute technologie/de catégorie courantes, dans lesquelles :
1.fabrication de plaquettes
La fabrication de plaquettes fait référence à la plaquette de silicium utilisée dans la production de circuits intégrés à semi-conducteurs. En raison de sa forme circulaire, on l'appelle une plaquette ; elle peut être transformée en diverses structures d'éléments de circuit sur la plaquette de silicium et devenir un circuit intégré avec des fonctions électriques spécifiques .produit.
2.Essai de paquet
L'emballage est le processus de traitement des plaquettes testées en fonction du type de produit et des exigences fonctionnelles pour obtenir des puces indépendantes ; le test est le processus de détection de la qualité de chaque puce indépendante grâce à une série d'éléments d'inspection.
Surtout dans le lien "test", la méthode traditionnelle consiste à utiliser l'identification manuelle, c'est-à-dire à enregistrer les images de plaquettes problématiques une par une par jugement personnel, puis à effectuer un traitement de suivi. Cependant, dans le travail réel, la reconnaissance artificielle se heurte souvent aux trois problèmes suivants :
1. Graphiques manquants
Lorsque tout le monde est confronté à des centaines d'images d'inspection de plaquettes, il est presque impossible de lire chaque image une par une. Il est très probable que certaines images importantes soient manquées en raison de facteurs tels que la fatigue, et ces images contiennent souvent des informations importantes.
2. prend trop de temps
L'ensemble du processus d'identification manuelle prend beaucoup de temps, et le temps n'est pas consacré à la résolution des problèmes de base.
3. Les normes ne sont pas uniformes
Pour les graphiques qui ne sont jamais apparus auparavant, la norme de jugement variera en fonction des normes individuelles, ce qui entraînera facilement la perte d'informations potentielles.
Sur la base des facteurs inévitables ci-dessus, l'analyse visuelle JMP est très pratique.
Par exemple, nous faisons correspondre les résultats d'inspection de chaque puce indépendante en fonction de leurs positions sur la plaquette, et importons les résultats d'inspection obtenus dans JMP, et le diagramme d'inspection de plaquette suivant peut être facilement généré via le générateur de graphiques JMP, afin de résoudre rapidement les problèmes. les produits peuvent être identifiés avec précision, comme le montre la figure 3.
Figure trois
Parmi eux, différentes couleurs représentent la taille de la valeur de détection finale du test. Le rouge est le plus grand, descendant à son tour, et le bleu est le plus petit.
Comme on peut le voir sur la figure 3 ci-dessus, la valeur de détection de la partie bleue en bas à droite de la plaquette est faible. Qu'est-ce que cela signifie? Cela signifie que lors de la fabrication de plaquettes, il y a une anomalie dans cette zone, qui doit être étudiée et résolue dès que possible. Cela permet aux ingénieurs de lancer immédiatement un suivi rapide sur cette puce problématique. Nous donnons ici un exemple pour illustrer.
Étude de cas : Utilisation JMP Identifiez rapidement les défauts des plaquettes
fond de cas
L'ingénieur d'une société d'électronique a collecté les données de défaut de 1559 puces lors de la phase de test finale et a voulu analyser si le rapport d'un certain défaut présentait une régularité avec le changement de position.
- Si le taux de défauts d'une certaine position est '0', cela signifie qu'il n'y a pas un tel défaut dans cette position.
- Si le taux de défauts à cet endroit est élevé, cela indique que les produits défectueux sont concentrés à cet endroit.
Grâce à la recherche de tels modèles de défauts, une autre méthode ou un autre indicateur de détection de la qualité peut être établi pour les nombreux processus précédents, qui peuvent être utilisés comme une percée dans l'amélioration globale de la qualité.
Figure quatre
Dans le tableau de données de la figure 4, les colonnes LocX et LocY sont respectivement des valeurs de coordonnées de ligne et de colonne, et le type de valeur est la valeur nominale. La dernière colonne est le taux de défectuosité, qui est le taux auquel une position a été défectueuse sur une période de temps. Afin de mieux juger du problème, nous choisissons ici l'algorithme du réseau de neurones. Il y a plusieurs raisons à cela:
- Le projet nécessite des algorithmes capables de découvrir automatiquement les fonctionnalités qui doivent être détectées à partir des données brutes.
- L'algorithme du réseau neuronal a généralement plusieurs niveaux, et chaque niveau est transformé une fois, de sorte qu'il existe de multiples opportunités de capturer différentes caractéristiques.
- De manière générale, plus il y a de données utilisées pour la formation, plus sa précision peut être améliorée.
Ensuite, expliquons comment analyser étape par étape dans JMP.
Étape 1. importation de données JMP
Tout d'abord, les données sont importées dans JMP et les taux de défauts de position collectés sont convertis en valeurs de données et présentés via le générateur de graphiques.
Ouvrez JMP -> Analyse -> Modélisation prédictive -> Neural, mettez le taux de défauts à observer dans "Y, Response", mettez Loc X et Loc Y dans "X, Factor", comme le montre la figure 5 ci-dessous :
Chiffre cinq
Entrez dans la fenêtre de configuration du modèle et entrez les paramètres suivants. Cet exemple commence avec le modèle de réseau neuronal par défaut et ajoute progressivement des modèles plus complexes avec deux couches cachées et des fonctions d'activation supplémentaires. Enfin, la configuration suivante est sélectionnée, comme illustré à la Figure 6 :
Dans la section des options d'ajustement, indiquez à JMP combien de fois répéter l'algorithme d'ajustement du modèle. En fin de compte, JMP choisit l'itération avec les meilleures statistiques de validation comme modèle final. Cet article utilise finalement 10.
Chiffre six
Cliquez sur la petite flèche rouge à gauche du modèle et sélectionnez Enregistrer les formules, principalement pour stocker les valeurs transformées pour une utilisation future.
Chiffre sept
De cette manière, après conversion ligne-colonne, le nouveau tableau de données suivant est obtenu, comme illustré à la figure 8 :
Chiffre huit
Si vous utilisez des graphiques pour illustrer brièvement le processus de conversion, il sera illustré à la figure 9 ci-dessous :
Figure 9
Étape 2. utiliser JMP Analyse du générateur de graphiques
Ensuite, utilisez le "Graph Builder (Graph Builder)" unique de JMP pour l'analyse.
Ici, nous plaçons LocX sur l'axe horizontal, LocY sur l'axe vertical et Transform Value sur la couleur dans le coin supérieur droit, cliquez sur la petite flèche rouge sous Graph Builder et sélectionnez Local Data Filter, comme illustré à la figure 10 :
Chiffre dix
Sélectionnez Libellé sous Filtre de données local :
Chiffre onze
Ensuite, sélectionnez la petite flèche rouge - "Animation" pour obtenir les graphiques dynamiques suivants :
Cette animation montre principalement comment JMP scanne l'intégralité du wafer un par un pendant le processus de fonctionnement interne, et trouve finalement la solution optimale. Où H1_1 fait référence au premier nœud de la première couche masquée, et ainsi de suite.
C'est notre réflexion et notre stratégie au niveau de la construction de modèles. Ainsi, spécifique au niveau applicatif du projet réel, comment doit-il être déployé et analysé ? Allons-nous en.
JMP Application d'atterrissage : déploiement du projet et résultats réels
Selon le modèle généré par JMP ci-dessus, nous pouvons ensuite le déployer au niveau de l'application.
Au niveau du déploiement, en effet, il suffit d'établir un modèle de classement, c'est-à-dire un modèle de classement. Ce modèle n'a pas besoin de garantir que chaque résultat de calcul est très précis, le plus important est de pouvoir capturer les graphiques les plus importants dans plusieurs cartes de plaquettes. En raison de la grande quantité de données et du serveur est un système Linux (relativement stable), le programme python est utilisé pour extraire les données de la base de données, et la carte de plaquettes problématique est triée selon RSquare selon la méthode de réseau neuronal ci-dessus.
Figure quatorze
La raison du choix du tri RSquare est de représenter si le modèle a été capturé en fonction de la signification du modèle.
Autrement dit, plus le modèle est significatif, plus la possibilité d'attraper le modèle est grande.
Pour savoir comment calculer le R-Square généralisé (comme indiqué dans la capture d'écran), veuillez vous référer à l'article précédent " Augmentez la vitesse et l'efficacité, le réseau de neurones aide les entreprises à fonctionner plus efficacement "
Par exemple, voici les 7 types de produits défectueux suivants (du défaut A au défaut G), chaque ligne représente les coordonnées X, Y sur la carte de la plaquette et le taux de défaut cumulé (au cours d'une certaine semaine) de différents types de produits défectueux produits aux positions de coordonnées correspondantes.
Figure 15
Selon l'algorithme introduit dans la section précédente et le tri RSquare comme suit, nous avons constaté que le défaut C et le défaut A ont la valeur médiane la plus élevée de tous les types de produits défectueux (si le seuil défini est> 0,7, bien sûr le seuil peut être défini Selon le cas).
Chiffre seize
Ensuite, les graphiques défectueux Defect C et Defect A générés par Graph Builder méritent vraiment d'être étudiés, et Defect D, qui a la valeur la plus faible, n'est vraiment pas évident après que la carte de tranche a été dessinée par Graph Builder.
Défaut C (valeur RSquare élevée) - Graphique bord droit :
Chiffre dix-sept
Défaut A (valeur RSsquare élevée) - graphique supérieur droit central :
Image 18
Défaut D (faible valeur RSsquare) - graphiques presque invisibles
Image 19
Voici un diagramme schématique de l'architecture du système :
Figure 20
Il convient de noter que, selon les exemples de données, le nombre de nœuds dans la première couche et la deuxième couche doit être mis à jour pour le modèle tous les mois via des calculs JMP (par exemple, pour les nouveaux modèles, si la configuration actuelle peut être reconnu, vous devez envisager d'ajuster le nombre de nœuds, etc.) afin de rendre le calcul du modèle plus efficace.
Grâce à cette méthode, après le fonctionnement réel, il est prouvé que chaque analyste de données de l'entreprise réduit le temps de reconnaissance des modèles de 60 % en moyenne par semaine, et le temps de détection moyen des modèles anormaux est raccourci de 70 % par rapport à avant, ce qui rend une contribution à l'amélioration du niveau global de contrôle de la qualité a apporté une énorme contribution.
À travers les cas de combat réels ci-dessus, nous pouvons voir que s'appuyer sur le travail manuel pour la détection du rendement des produits est non seulement chronophage et laborieux, mais également sujet aux erreurs et aux inspections manquées, tandis que des risques de qualité importants sont souvent cachés à certains endroits. qui ne peut pas être identifié manuellement.
C'est comme un iceberg. Les gens prêtent souvent attention à la partie au-dessus de la surface de l'eau, mais la partie sous la surface de l'eau est souvent invisible pour diverses raisons. Grâce à l'analyse et à la technologie avancées des données, les problèmes peuvent être résolus efficacement et plus d'énergie humaine peut être consacrée à la résolution des problèmes, ce qui économise fondamentalement le temps de cycle de l'inspection de la qualité.
Il est préférable de s'asseoir et de le faire, d'essayer JMP pour de vrai et de commencer votre première analyse !
Lecture complémentaire :
5 raisons de vous dire pourquoi le logiciel JMP est plus adapté pour vous ?
Analyse de l'analyse anormale du SPC
Taux de rendement des produits réglementés par le SPC——méthode des quantiles pour fixer les limites de contrôle des produits et examen régulier
Utilisation de JMP pour purifier les valeurs aberrantes, en prenant comme exemple l'analyse des semi-conducteurs des données WAT
