전자제조산업은 부품의 크기가 작고, 생산주기가 짧아 장비와 제품의 이상 유무를 진단하는 능력이 매우 중요하며, 이를 식별하는 능력은 기업의 경쟁력 중 하나가 되었습니다. 이러한 이상 현상을 빠르고 효율적으로 식별하고 조기 경고 및 분석을 제공하는 방법은 수율 개선에 없어서는 안 될 부분입니다.
오늘은 JMP의 강력한 신경망 모델링과 데이터 시각화가 데이터 분석가가 비정상적인 칩을 식별하고 감지하는 데 걸리는 시간을 크게 단축하고 기업이 생산 효율성과 품질을 개선하는 데 어떻게 도움이 되는지 전자 제조 업계의 사례를 들어보겠습니다.
데이터 분석이 왜 그렇게 중요한가요?
하이테크 기업의 경우 품질은 제조 비용, 배송 주기 및 브랜드 가치를 의미합니다. 따라서 거의 모든 회사는 제품 품질을 최우선으로 생각합니다. 따라서 기업 제품의 품질을 향상시키는 방법은 어려운 작업이 되었습니다.
(그림 2)는 일반적인 하이테크/유형 기업의 전형적인 생산 단계입니다.
1.웨이퍼 제조
웨이퍼제조라 함은 반도체 집적회로 제조에 사용되는 실리콘 웨이퍼를 말하며 그 모양이 둥글기 때문에 웨이퍼라 부르며, 실리콘 웨이퍼 위에 다양한 회로소자 구조를 가공하여 특정한 전기적 기능을 갖는 집적회로를 만들 수 있다. .
2.패키지 테스트
패키징은 테스트된 웨이퍼를 제품 유형 및 기능 요구 사항에 따라 독립 칩으로 처리하는 프로세스이며, 테스트는 일련의 검사 항목을 통해 각 독립 칩의 품질을 감지하는 프로세스입니다.
특히 "테스트" 과정에서 전통적인 방법은 수동 식별을 사용하는 것입니다. 즉, 개인 판단을 통해 문제가 되는 웨이퍼 이미지를 하나씩 기록한 후 후속 처리를 수행하는 것입니다. 그러나 실제 작업에서 수동 인식은 다음과 같은 세 가지 문제에 직면하는 경우가 많습니다.
1. 누락된 감지 패턴
모두가 수백 장의 웨이퍼 검사 사진을 마주하게 되면 사진을 하나씩 보는 것이 거의 불가능하며 과도한 피로 등의 요인으로 인해 일부 중요한 그래픽이 누락될 가능성이 높으며 이러한 그래픽에는 중요한 정보가 포함되어 있는 경우가 많습니다.
2. 너무 오래 걸림
전체 수동 식별 프로세스는 시간이 많이 걸리며 핵심 문제를 해결하는 데 시간이 소요되지 않습니다.
삼. 표준이 통일되지 않음
기존에 등장하지 않았던 그래픽에 대해서는 개인의 기준에 따라 판단 기준이 달라지기 때문에 잠재적 정보의 손실이 발생하기 쉽습니다.
위의 불가피한 요소를 바탕으로 JMP 시각적 분석이 유용합니다.
예를 들어, 각 독립 칩의 검사 결과를 웨이퍼 위치에 따라 1:1로 매핑하고, 얻은 검사 결과를 JMP로 가져오며, JMP 그래픽 생성기를 통해 다음과 같은 웨이퍼 검사 차트를 쉽게 생성할 수 있습니다. 그림 3과 같이 문제가 있는 제품을 신속하게 식별합니다.
그림 3
그 중 서로 다른 색상은 최종 테스트 감지 값의 크기를 나타냅니다. 빨간색이 가장 크고 순서대로 감소하며 파란색이 가장 작습니다.
위의 그림 3에서 볼 수 있듯이 웨이퍼 오른쪽 하단의 파란색 부분의 검출값이 낮습니다. 이것은 무엇을 의미 하는가? 이는 웨이퍼 제조 과정에서 이 부분에 이상이 있다는 뜻이며, 이를 최대한 빨리 조사해 해결해야 한다는 뜻이다. 이러한 방식으로 엔지니어는 문제가 있는 칩에 대해 즉시 신속하게 후속 조치를 시작할 수 있습니다. 여기에 설명하기 위한 예가 나와 있습니다.
사례 연구: 사용 JMP 웨이퍼 결함을 빠르게 식별
사례 배경
한 전자회사의 엔지니어들은 최종 테스트 단계에서 1,559개의 칩에 대한 결함 데이터를 수집하고 특정 결함의 비율이 위치가 변경됨에 따라 패턴을 나타내는지 분석하고 싶었습니다.
- 특정 위치의 불량률이 '0'인 경우 해당 위치에서는 해당 불량이 발생하지 않았음을 의미합니다.
- 이 위치의 불량률이 높으면 불량품이 이 위치에 집중되어 있다는 의미입니다.
이러한 종류의 결함 패턴 검색을 통해 이전의 많은 공정에 대한 또 다른 품질 감지 방법 또는 지표가 최종적으로 확립될 수 있으며 이는 전반적인 품질 개선의 돌파구가 될 수 있습니다.
그림 4
그림 4의 데이터 테이블에서 LocX, LocY 열은 각각 행과 열의 좌표값이고, 수치형은 명목값이다. 마지막 열은 결함률로, 지난 기간 동안 특정 위치의 결함률을 나타냅니다. 문제를 더 잘 판단하기 위해 여기서는 신경망 알고리즘을 선택합니다. 이유는 다음과 같습니다.
- 이 프로젝트에는 원시 데이터에서 감지해야 하는 기능을 자동으로 발견할 수 있는 알고리즘이 필요합니다.
- 신경망 알고리즘에는 일반적으로 여러 수준이 있으며 각 수준은 변환을 수행하므로 다양한 기능을 포착할 수 있는 여러 기회가 있습니다.
- 일반적으로 훈련에 사용되는 데이터가 많을수록 정확도가 향상될 수 있습니다.
다음으로 JMP에서 분석을 수행하는 방법을 단계별로 설명하겠습니다.
1 단계. 데이터 가져오기 JMP
먼저 데이터를 JMP로 가져와서 수집된 위치 불량률을 데이터 값으로 변환하고 그래프 생성기를 통해 제시합니다.
JMP -> 분석 -> 예측 모델링 -> 신경망을 열고 아래 그림 5와 같이 관찰할 결함률을 "Y, Response"에 입력하고 Loc X 및 Loc Y를 "X, Factor"에 입력합니다.
그림 5
모델 구성 창에 들어가서 다음 매개변수를 입력합니다. 이 예는 기본 신경망 모델로 시작하여 2개의 숨겨진 레이어와 추가 활성화 기능이 있는 보다 복잡한 모델로 진행됩니다. 마지막으로 그림 6과 같이 다음 구성이 선택되었습니다.
피팅 옵션 섹션에서 모델 피팅 알고리즘을 반복할 횟수를 JMP에 지정합니다. 결국 JMP는 최상의 검증 통계를 갖춘 반복을 최종 모델로 선택합니다. 이 기사에서는 궁극적으로 10을 사용합니다.
그림 6
모델 왼쪽에 있는 작은 빨간색 화살표를 클릭하고 주로 나중에 사용하기 위해 변환된 값을 저장하기 위해 수식 저장을 선택합니다.
그림 7
이 행-열 변환 후에는 그림 8과 같이 다음과 같은 새로운 데이터 테이블이 얻어집니다.
그림 8
변환 프로세스를 간단히 설명하기 위해 그래픽을 사용하면 아래 그림 9와 같습니다.
그림 9
2 단계. 사용 JMP 그래프 빌더 분석
다음으로 JMP 고유의 '그래프 빌더'를 사용하여 분석합니다.
여기서는 가로 축에 LocX를, 세로 축에 LocY를, 오른쪽 상단 모서리에 색상 값 변환을 두고, 그래프 빌더 아래의 작은 빨간색 화살표를 클릭하고, 그림 10과 같이 로컬 데이터 필터를 선택합니다.
그림 10
로컬 데이터 필터에서 레이블을 선택합니다.
그림 11
그런 다음 작은 빨간색 화살표인 "애니메이션"을 선택하여 다음과 같은 동적 그래픽을 얻습니다.
이 애니메이션은 JMP가 내부 작업 과정에서 전체 웨이퍼를 하나씩 스캔하고 최종적으로 최적의 솔루션을 찾는 방법을 주로 보여줍니다. 여기서 H1_1은 첫 번째 숨겨진 레이어의 첫 번째 노드를 참조하는 식입니다.
이것이 모델 구축 단계에서의 우리의 아이디어이자 전략입니다. 그렇다면 실제 프로젝트의 애플리케이션 수준에서는 어떻게 배포하고 분석해야 할까요? 토론을 계속합시다.
JMP 구현: 프로젝트 배포 및 실제 결과
위의 JMP에서 생성된 모델에 따르면 이를 애플리케이션 수준에서 배포할 수 있습니다.
배포 수준에서는 실제로 순위 모델, 즉 순위 모델만 구축하면 됩니다. 이 모델은 모든 계산 결과가 매우 정확하다는 것을 보장할 필요가 없으며, 가장 중요한 것은 다중 웨이퍼 맵에서 가장 중요한 그래픽을 캡처할 수 있다는 것입니다. 데이터의 양이 많고 서버가 Linux 시스템(비교적 안정적)이므로 Python 프로그램을 사용하여 데이터베이스에서 데이터를 추출하였고, 문제가 있는 웨이퍼 맵을 위의 신경망 방식을 기반으로 RSquare에 따라 정렬했습니다.
그림 14
RSquare 정렬을 선택하는 이유는 모델의 유의성에 따라 패턴이 포착되는지 여부를 나타내기 위함입니다.
즉, 모델이 중요할수록 패턴을 포착할 가능성이 커집니다.
Generalized R-Square(스크린샷 참조)를 계산하는 방법에 대해서는 이전 기사 "를 참조하세요. 속도와 효율성을 높이기 위해 신경망은 기업이 보다 효율적으로 운영할 수 있도록 지원합니다. 》
예를 들어, 불량품 종류는 다음과 같이 7가지(결함 A부터 불량 G까지)가 있으며, 각 행은 웨이퍼 맵의 X, Y 좌표와 불량품 유형별 누적 불량률(특정 주)을 나타냅니다. 해당 좌표 위치에서.
그림 15
이전 섹션에서 소개된 알고리즘과 다음과 같은 RSquare 정렬에 따르면 Defect C와 Defect A가 모든 유형의 불량 제품 중에서 가장 높은 값을 갖는 것을 알 수 있습니다(임계값을 >0.7로 정의하면 물론 경우에 따라 임계값을 정의할 수 있습니다.)
그림 16
그러면 Graph Builder에서 생성된 결함 C와 결함 A의 결함 그래픽은 실제로 연구할 가치가 있으며, 가장 낮은 값을 갖는 결함 D의 그래픽은 Graph Builder로 웨이퍼 맵을 그린 후에 실제로 명확하지 않습니다.
결함 C(높은 RSquare 값) - 오른쪽 가장자리 그래픽:
그림 17
결함 A(RSsquare 값이 높음) - 중앙 오른쪽 상단의 그래픽:
그림 18
결함 D(낮은 RSsquare 값) - 그래프가 거의 보이지 않습니다.
그림 19
다음은 시스템 아키텍처의 개략도입니다.
그림 20
JMP를 통해 계산된 샘플 데이터에 따르면 첫 번째 및 두 번째 계층의 노드 수는 모델에 대해 매달 업데이트되어야 합니다(예: 새로운 패턴의 경우 현재 구성을 인식할 수 있는지 여부, 모델 계산을 보다 효율적으로 수행하려면 조정 노드 수 등을 고려해야 합니다.
이 방법을 통해 실제 운영 후 기업 내 데이터 분석가 1인당 패턴 인식 시간이 주당 평균 60% 감소하고, 비정상적인 그래픽의 평균 탐지 시간도 기존 대비 70% 단축되는 것으로 입증됐다. 전반적인 품질관리 수준 향상에 기여하며, 큰 공헌을 했습니다.
위의 실제 사례를 통해 제품 수율 감지를 수동 노동에만 의존하는 것은 시간이 많이 걸리고 노동 집약적일 뿐만 아니라 오류 및 검사 누락이 발생하기 쉽다는 것을 알 수 있습니다. 그러나 특정 영역에는 중요한 품질 위험이 숨겨져 있는 경우가 많습니다. 수동으로 식별할 수 없는 장소입니다.
이것은 빙산과도 같아서 사람들은 수면 위 부분에 집중하는 경향이 있지만, 수면 아래 부분은 여러 가지 이유로 보이지 않는 경우가 많습니다. 고급 데이터 분석 및 기술을 통해 문제를 효과적으로 해결하고 수동 에너지를 문제 해결에 더 집중할 수 있어 근본적으로 품질 감지 주기 시간을 절약할 수 있습니다.
말로만 하기보다는 행동으로 옮기고 JMP를 사용해 보고 첫 번째 분석을 시작해 보세요!
추가 자료:
JMP 소프트웨어가 귀하에게 더 적합한 5가지 이유는 무엇입니까?
SPC 이상 분석에 대한 간략한 분석
SPC 제어 제품 수율 - 제품 제어 한계 설정 및 정기적인 검토를 위한 Quantile 방법
WAT 데이터의 반도체 분석을 예로 들어 JMP를 사용하여 이상값을 정화합니다.
