L'industrie de la fabrication électronique comporte des pièces plus petites et des cycles de production plus courts, ce qui rend très importante la capacité de diagnostiquer les anomalies des équipements et des produits. Ses capacités d'identification font même désormais partie de la compétitivité d'une entreprise. Comment identifier rapidement et efficacement ces anomalies, ainsi que fournir une alerte et une analyse précoces, est un élément indispensable pour améliorer le rendement.
Aujourd'hui, nous prenons comme exemple un cas de l'industrie de la fabrication électronique 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 nécessaire à l'identification et à la 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 les coûts de fabrication, les cycles d’expédition et la valeur de la marque. C’est pourquoi presque toutes les entreprises considèrent la qualité des produits comme leur priorité absolue. Ainsi, comment améliorer la qualité des produits des entreprises est devenu une tâche difficile.
(Figure 2) est une étape de production typique des entreprises courantes de type haute technologie, parmi 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. Parce que sa forme est ronde, on l'appelle une plaquette. Diverses structures d'éléments de circuit peuvent être traitées sur la plaquette de silicium pour devenir des circuits intégrés dotés de fonctions électriques spécifiques. .
2.Tests de packages
L'emballage est le processus de transformation des plaquettes testées en puces indépendantes en fonction du type de produit et des exigences fonctionnelles ; le test est le processus de détection de la qualité de chaque puce indépendante à travers une série d'éléments d'inspection.
En particulier dans le processus de « test », la méthode traditionnelle consiste à utiliser l'identification manuelle, c'est-à-dire à enregistrer les images de tranche problématiques une par une par jugement personnel, puis à effectuer un traitement ultérieur. Cependant, dans la réalité, la reconnaissance manuelle se heurte souvent aux trois problèmes suivants :
1. Modèle de détection manqué
Lorsque tout le monde est confronté à des centaines d'images d'inspection de plaquettes, il est presque impossible de regarder chaque image une par une. Il est probable que certains graphiques importants soient manqués en raison de facteurs tels qu'une fatigue excessive, et ces graphiques contiennent souvent des informations importantes.
2. Prend trop de temps
L'ensemble du processus d'identification manuelle prend beaucoup de temps et aucun temps n'est consacré à la résolution du problème principal.
3. Les normes ne sont pas unifiées
Pour les graphiques qui ne sont pas apparus auparavant, les critères de jugement varieront en fonction des normes personnelles, ce qui peut facilement conduire à la perte d'informations potentielles.
Sur la base des facteurs inévitables ci-dessus, l’analyse visuelle JMP s’avère utile.
Par exemple, nous mappons les résultats d'inspection de chaque puce indépendante un à un en fonction de leur position sur la plaquette. Les résultats d'inspection obtenus sont importés dans JMP. Le tableau d'inspection de plaquette suivant peut être facilement généré via le générateur graphique JMP, ainsi Identifiez rapidement les produits problématiques, comme le montre la figure 3.
figure 3
Parmi elles, différentes couleurs représentent la taille de la valeur de détection finale du test. Le rouge est le plus grand, décroissant en séquence, et le bleu est le plus petit.
Comme le montre la figure 3 ci-dessus, la valeur de détection de la partie bleue située en bas à droite de la plaquette est faible. Qu'est-ce que cela signifie? Cela signifie que lors de la fabrication des plaquettes, il y a une anomalie dans cette zone, qui doit être étudiée et résolue dès que possible. De cette façon, les ingénieurs peuvent immédiatement commencer à assurer un suivi rapide de ces puces problématiques. Nous donnons ici un exemple pour illustrer.
Étude de cas : utilisation JMP Identifiez rapidement les défauts des plaquettes
Contexte de l'affaire
Les ingénieurs d'une entreprise d'électronique ont collecté des données sur les défauts de 1 559 puces au cours de la phase de test finale et ont voulu analyser si le rapport d'un certain défaut montrait une tendance à mesure que l'emplacement changeait.
- Si le taux de défauts d'une certaine position est « 0 », cela signifie que ce défaut ne s'est pas produit à 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 ce type de modèle de défaut, une autre méthode ou indicateur de détection de la qualité peut enfin être établi pour de nombreux processus antérieurs, ce qui peut constituer une avancée majeure dans l'amélioration globale de la qualité.
Figure 4
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 numérique est une valeur nominale. La dernière colonne est le taux de défauts, c'est-à-dire le taux de défauts à un certain endroit au cours de la période écoulée. Afin de mieux juger le problème, nous choisissons ici l’algorithme du réseau de neurones. Les raisons sont les suivantes:
- Le projet nécessite des algorithmes capables de découvrir automatiquement les caractéristiques qui doivent être détectées à partir des données brutes.
- Les algorithmes de réseaux neuronaux comportent généralement plusieurs niveaux, et chaque niveau effectue une transformation, de sorte qu'il existe de multiples opportunités de capturer différentes fonctionnalités.
- D’une manière générale, plus les données utilisées pour la formation sont nombreuses, plus la précision peut être améliorée.
Nous expliquerons ensuite comment effectuer une analyse étape par étape dans JMP.
Étape 1. importation de données JMP
Tout d'abord, importez les données dans JMP, convertissez les taux de défauts de localisation collectés en valeurs de données et présentez-les via le générateur de graphiques.
Ouvrez JMP -> Analyse -> Modélisation prédictive -> Neural, mettez le taux de défauts à observer dans « Y, Response », et mettez Loc X et Loc Y dans « X, Factor », comme le montre la figure 5 ci-dessous :
Figure 5
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 progresse vers des modèles plus complexes avec deux couches cachées et des fonctions d'activation supplémentaires. Finalement, la configuration suivante a été sélectionnée, comme le montre la figure 6 :
Dans la section Options d'ajustement, indiquez à JMP combien de fois répéter l'algorithme d'ajustement du modèle. Finalement, JMP sélectionnera l'itération avec les meilleures statistiques de validation comme modèle final. Cet article en utilise finalement 10.
Figure 6
Cliquez sur la petite flèche rouge sur le côté gauche du modèle et sélectionnez Enregistrer les formules, principalement pour stocker les valeurs transformées pour une utilisation ultérieure.
Figure 7
Après cette conversion ligne-colonne, le nouveau tableau de données suivant est obtenu, comme le montre la figure 8 :
Figure 8
Si nous utilisons des graphiques pour illustrer simplement le processus de conversion, cela ressemblerait à la figure 9 ci-dessous :
Figure 9
Étape 2. utiliser JMP Analyse du générateur de graphiques
Ensuite, analysez à l'aide du « Graph Builder » unique de JMP.
Ici, nous mettons LocX sur l'axe horizontal, LocY sur l'axe vertical, Transform Value in Color dans le coin supérieur droit, cliquez sur la petite flèche rouge sous Graph Builder et sélectionnez Local Data Filter, comme le montre la figure 10 :
Figure 10
Sélectionnez Étiquette sous Filtre de données local :
Figure 11
Ensuite, sélectionnez la petite flèche rouge - "Animation" pour obtenir les graphiques dynamiques suivants :
Cette animation montre principalement comment JMP analyse la tranche entière une par une pendant le processus de fonctionnement interne et trouve finalement la solution optimale. Où H1_1 fait référence au premier nœud de la première couche cachée, et ainsi de suite.
C'est notre idée et notre stratégie au niveau de la construction de modèles. Alors, comment doit-il être déployé et analysé au niveau applicatif des projets réels ? Poursuivons la discussion.
JMP Mise en œuvre : 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, il suffit en fait de construire 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 significatifs dans plusieurs cartes de tranches. En raison de la grande quantité de données et du fait que le serveur est un système Linux (relativement stable), un programme python a été utilisé pour extraire les données de la base de données, et la carte de plaquette problématique a été triée selon RSquare sur la base de la méthode de réseau neuronal ci-dessus.
Figure 14
La raison pour laquelle nous choisissons le tri RSquare est de représenter si le motif est capturé en fonction de la signification du modèle.
Autrement dit, plus le modèle est significatif, plus la possibilité de détecter le modèle est grande.
Concernant la façon de calculer le R-carré généralisé (illustré dans la capture d'écran), veuillez vous référer à l'article précédent " Pour augmenter la vitesse et l'efficacité, les réseaux de neurones aident les entreprises à fonctionner plus efficacement 》
Par exemple, il existe 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 défauts cumulé (au cours d'une certaine semaine) de différents types de produits défectueux. aux positions de coordonnées correspondantes.
Figure 15
D'après l'algorithme introduit dans la section précédente et le tri RSquare comme suit, nous constatons que le Défaut C et le Défaut A ont les valeurs les plus élevées parmi tous les types de produits défectueux (si le seuil est défini comme étant >0,7, bien sûr le (un seuil peut être défini selon les cas).
Figure 16
Ensuite, les graphiques défectueux du défaut C et du défaut A générés par Graph Builder méritent en effet d'être étudiés, et les graphiques du défaut D, qui a la valeur la plus basse, ne sont en effet pas évidents après avoir dessiné la carte de la tranche avec Graph Builder.
Défaut C (valeur RSquare élevée) - graphique du bord droit :
Figure 17
Défaut A (la valeur RSsquare est élevée) - graphique en haut à droite du centre :
Figure 18
Défaut D (faible valeur RSsquare) - le graphique est presque invisible
Figure 19
Ce qui suit est un diagramme schématique de l’architecture du système :
Figure 20
Il convient de noter que selon les exemples de données et calculé via JMP, le nombre de nœuds dans les première et deuxième couches doit être mis à jour pour le modèle chaque mois (par exemple, pour les nouveaux modèles, si la configuration actuelle peut être reconnue, vous devez considérer les ajustements du nombre de nœuds, etc.) afin de rendre le calcul du modèle plus efficace.
Grâce à cette méthode, après le fonctionnement réel, il a été prouvé que chaque analyste de données de l'entreprise réduit le temps de reconnaissance des formes de 60 % par semaine en moyenne, et que le temps moyen de détection des graphiques anormaux est raccourci de 70 % par rapport à avant, ce qui contribue à améliorer le niveau global de contrôle de qualité.
À partir des cas pratiques ci-dessus, nous pouvons voir que compter uniquement sur le travail manuel pour la détection du rendement des produits est non seulement long et laborieux, mais aussi sujet aux erreurs et aux inspections manquées. Cependant, des risques de qualité importants sont souvent cachés dans certains domaines. qui ne peut pas être identifié manuellement.
C'est comme un iceberg : les gens ont tendance à se concentrer sur la partie située au-dessus de la surface de l'eau, mais la partie située sous la surface de l'eau est souvent invisible pour diverses raisons. Grâce à une analyse et une technologie de données avancées, les problèmes peuvent être résolus efficacement et l'énergie manuelle peut être davantage concentrée sur la résolution des problèmes, ce qui permet d'économiser fondamentalement le temps de cycle de détection de la qualité.
Au lieu de simplement parler, agissez, essayez JMP et lancez votre première analyse !
Lectures complémentaires :
5 raisons de vous dire pourquoi le logiciel JMP vous convient mieux ?
Une brève analyse de l'analyse des anomalies SPC
Taux de rendement des produits contrôlés par le SPC - méthode quantile pour fixer les limites de contrôle des produits et examen régulier
Utilisez JMP pour purifier les valeurs aberrantes, en prenant comme exemple les données WAT d'analyse des semi-conducteurs.
