Die Größe der Teile in der Elektronikfertigungsindustrie ist klein und der Produktionszyklus kurz, weshalb die Fähigkeit von Geräten und Produkten zur abnormalen Diagnose sehr wichtig ist und die Stärke ihrer Identifizierungsfähigkeit sogar zu einem Teil der Wettbewerbsfähigkeit von Unternehmen geworden ist. Die schnelle und effiziente Erkennung dieser Anomalien sowie eine gute Frühwarnung und Analyse sind ein unverzichtbarer Bestandteil der Verbesserung der Ertragsrate.
Heute nehmen wir einen Fall in der Elektronikfertigungsindustrie als Beispiel, um zu sehen, wie die leistungsstarke neuronale Netzwerkmodellierung und Datenvisualisierung von JMP Datenanalysten dabei helfen kann, die Identifizierungs- und Erkennungszeit abnormaler Chips erheblich zu verkürzen und Unternehmen dabei zu helfen, die Produktionseffizienz und -qualität zu verbessern.
Warum ist die Datenanalyse so wichtig?
Für High-Tech-Unternehmen bedeutet Qualität Herstellungskosten, Lieferzyklus und Markenwert. Daher hat für fast jedes Unternehmen die Produktqualität oberste Priorität. Daher wird es zu einer schwierigen Aufgabe, die Qualität von Unternehmensprodukten zu verbessern.
(Abbildung 2) sind die typischen Produktionsschritte gängiger High-Tech-/Kategorieunternehmen, in denen:
1.Waferherstellung
Unter Waferherstellung versteht man den Siliziumwafer, der bei der Herstellung von integrierten Halbleiterschaltkreisen verwendet wird. Aufgrund seiner kreisförmigen Form wird er Wafer genannt; er kann auf dem Siliziumwafer zu verschiedenen Schaltungselementstrukturen verarbeitet werden und zu einem integrierten Schaltkreis mit spezifischen elektrischen Funktionen werden . Produkt.
2.Pakettest
Beim Verpacken handelt es sich um den Prozess der Verarbeitung der getesteten Wafer entsprechend dem Produkttyp und den Funktionsanforderungen, um unabhängige Chips zu erhalten. Beim Testen wird die Qualität jedes unabhängigen Chips anhand einer Reihe von Prüfpunkten ermittelt.
Insbesondere im „Test“-Link besteht die traditionelle Methode darin, die manuelle Identifizierung zu verwenden, d. h. die problematischen Waferbilder einzeln nach persönlicher Beurteilung aufzuzeichnen und dann eine Folgeverarbeitung durchzuführen. In der Praxis treten bei der künstlichen Erkennung jedoch häufig die folgenden drei Probleme auf:
1. Fehlende Grafiken
Wenn jeder mit Hunderten von Wafer-Inspektionsbildern konfrontiert wird, ist es fast unmöglich, jedes Bild einzeln zu lesen. Es ist sehr wahrscheinlich, dass einige wichtige Bilder aufgrund von Faktoren wie Müdigkeit übersehen werden, und diese Bilder enthalten oft wichtige Informationen.
2. braucht zu lange
Der gesamte manuelle Identifizierungsprozess ist sehr zeitaufwändig und es wird keine Zeit für die Lösung von Kernproblemen aufgewendet.
3. Standards sind nicht einheitlich
Bei Grafiken, die noch nie zuvor erschienen sind, variiert der Beurteilungsstandard je nach Standard, was leicht zum Verlust potenzieller Informationen führen kann.
Basierend auf den oben genannten unvermeidlichen Faktoren ist die visuelle JMP-Analyse hilfreich.
Beispielsweise korrespondieren wir mit den Inspektionsergebnissen jedes unabhängigen Chips entsprechend seiner Position auf dem Wafer und importieren die erhaltenen Inspektionsergebnisse in JMP. Das folgende Wafer-Inspektionsdiagramm kann einfach über den JMP-Grafikgenerator generiert werden, sodass schnell Probleme auftreten Produkte können genau identifiziert werden, wie in Abbildung 3 dargestellt.
Abbildung drei
Darunter repräsentieren verschiedene Farben die Größe des endgültigen Testerkennungswerts. Rot ist der größte, abwechselnd absteigend, und Blau ist der kleinste.
Wie aus Abbildung 3 oben ersichtlich ist, ist der Erkennungswert des blauen Teils unten rechts auf dem Wafer niedrig. Was bedeutet das? Dies bedeutet, dass es während der Waferherstellung in diesem Bereich zu einer Anomalie kommt, die so schnell wie möglich untersucht und behoben werden muss. Dadurch können Ingenieure sofort mit der schnellen Nachverfolgung dieses problematischen Chips beginnen. Hier geben wir ein Beispiel zur Veranschaulichung.
Fallstudie: Verwendung JMP Wafer-Defekte schnell identifizieren
Fallhintergrund
Der Ingenieur eines Elektronikunternehmens sammelte in der letzten Testphase Fehlerdaten von 1559 Chips und wollte analysieren, ob das Verhältnis eines bestimmten Fehlers bei der Positionsänderung eine Regelmäßigkeit aufwies.
- Wenn die Fehlerrate einer bestimmten Position „0“ ist, bedeutet dies, dass an dieser Position kein solcher Fehler vorliegt.
- Wenn die Fehlerquote an diesem Standort hoch ist, deutet dies darauf hin, dass fehlerhafte Produkte an diesem Standort konzentriert sind.
Durch die Suche nach solchen Fehlermustern kann für die vielen bisherigen Prozesse eine weitere Qualitätserkennungsmethode bzw. ein weiterer Indikator etabliert werden, der als Durchbruch bei der Gesamtqualitätsverbesserung genutzt werden kann.
Abbildung vier
In der Datentabelle in Abbildung 4 sind die Spalten LocX und LocY jeweils Zeilen- und Spaltenkoordinatenwerte, und der Werttyp ist Nominalwert. Die letzte Spalte enthält die Fehlerrate, also die Rate, mit der eine Position über einen bestimmten Zeitraum fehlerhaft war. Um das Problem besser beurteilen zu können, wählen wir hier den neuronalen Netzwerkalgorithmus. Dafür gibt es mehrere Gründe:
- Das Projekt erfordert Algorithmen, die automatisch die zu erkennenden Merkmale aus den Rohdaten erkennen können.
- Der Algorithmus des neuronalen Netzwerks verfügt im Allgemeinen über mehrere Ebenen, und jede Ebene wird einmal transformiert, sodass mehrere Möglichkeiten zur Erfassung verschiedener Merkmale bestehen.
- Generell gilt: Je mehr Daten für das Training verwendet werden, desto besser kann die Genauigkeit verbessert werden.
Als Nächstes erklären wir Ihnen Schritt für Schritt, wie Sie in JMP analysieren.
Schritt 1. Datenimport JMP
Zunächst werden die Daten in JMP importiert und die erfassten Positionsfehlerraten in Datenwerte umgewandelt und über den Diagrammgenerator dargestellt.
Öffnen Sie JMP -> Analysieren -> Vorhersagemodellierung -> Neural, geben Sie die zu beobachtende Fehlerrate in „Y, Reaktion“ ein und geben Sie Loc X und Loc Y in „X, Faktor“ ein, wie in Abbildung 5 unten dargestellt:
Abbildung fünf
Rufen Sie das Modellkonfigurationsfenster auf und geben Sie die folgenden Parameter ein. Dieses Beispiel beginnt mit dem standardmäßigen neuronalen Netzwerkmodell und fügt nach und nach komplexere Modelle mit zwei verborgenen Schichten und zusätzlichen Aktivierungsfunktionen hinzu. Abschließend wird die folgende Konfiguration ausgewählt, wie in Abbildung 6 dargestellt:
Teilen Sie JMP im Abschnitt „Anpassungsoptionen“ mit, wie oft der Modellanpassungsalgorithmus wiederholt werden soll. Letztendlich wählt JMP die Iteration mit den besten Validierungsstatistiken als endgültiges Modell. In diesem Artikel werden schließlich 10 verwendet.
Abbildung sechs
Klicken Sie auf den kleinen roten Pfeil links neben dem Modell und wählen Sie Formeln speichern, hauptsächlich um die transformierten Werte für die zukünftige Verwendung zu speichern.
Abbildung sieben
Auf diese Weise wird nach der Zeilen-Spalten-Konvertierung die folgende neue Datentabelle erhalten, wie in Abbildung 8 dargestellt:
Figur Acht
Wenn Sie den Konvertierungsprozess mithilfe von Grafiken kurz veranschaulichen, wird er in der folgenden Abbildung 9 dargestellt:
Abbildung 9
Schritt 2. verwenden JMP Graph Builder-Analyse
Als nächstes verwenden Sie den einzigartigen „Graph Builder (Graph Builder)“ von JMP für die Analyse.
Hier setzen wir LocX auf die horizontale Achse, LocY auf die vertikale Achse und Transform Value auf die Farbe in der oberen rechten Ecke, klicken auf den kleinen roten Pfeil unter Graph Builder und wählen Local Data Filter, wie in Abbildung 10 gezeigt:
Abbildung zehn
Wählen Sie unter „Lokaler Datenfilter“ die Bezeichnung „Label“ aus:
Abbildung Elf
Wählen Sie dann den kleinen roten Pfeil – „Animation“, um die folgenden dynamischen Grafiken zu erhalten:
Diese Animation zeigt hauptsächlich, wie JMP während des internen Betriebsprozesses den gesamten Wafer einzeln scannt und schließlich die optimale Lösung findet. Dabei bezieht sich H1_1 auf den ersten Knoten der ersten verborgenen Ebene usw.
Dies ist unser Denken und unsere Strategie auf der Modellbauebene. Wie sollte das konkrete Projekt je nach Anwendungsebene eingesetzt und analysiert werden? Lass uns weitermachen.
JMP Landeanwendung: Projektimplementierung und tatsächliche Ergebnisse
Gemäß dem oben von JMP generierten Modell können wir es dann auf Anwendungsebene bereitstellen.
Auf der Bereitstellungsebene müssen wir tatsächlich nur ein Ranking-Modell, also ein Ranking-Modell, etablieren. Dieses Modell muss nicht sicherstellen, dass jedes Berechnungsergebnis sehr genau ist. Das Wichtigste ist, dass die auffälligsten Grafiken in mehreren Waferkarten erfasst werden können. Aufgrund der großen Datenmenge und des Servers handelt es sich um ein Linux-System (relativ stabil), das Python-Programm wird zum Extrahieren von Daten aus der Datenbank verwendet und die problematische Wafer-Map wird nach RSquare gemäß der oben genannten neuronalen Netzwerkmethode sortiert.
Abbildung vierzehn
Der Grund für die Auswahl der RSquare-Sortierung besteht darin, darzustellen, ob das Muster entsprechend der Bedeutung des Modells erfasst wurde.
Das heißt, je aussagekräftiger das Modell ist, desto größer ist die Wahrscheinlichkeit, das Muster zu erkennen.
Informationen zur Berechnung des verallgemeinerten R-Quadrats (wie im Screenshot gezeigt) finden Sie im vorherigen Artikel „ Erhöhen Sie Geschwindigkeit und Effizienz. Neuronale Netzwerke helfen Unternehmen, effizienter zu arbeiten "
Hier sind beispielsweise die folgenden 7 Arten fehlerhafter Produkte (von Fehler A bis Fehler G). Jede Zeile stellt die X- und Y-Koordinaten auf der Waferkarte sowie die kumulative Fehlerrate (in einer bestimmten Woche) verschiedener Arten fehlerhafter Produkte dar Produkte an den entsprechenden Koordinatenpositionen.
Abbildung 15
Gemäß dem im vorherigen Abschnitt eingeführten Algorithmus und der RSquare-Sortierung wie folgt haben wir festgestellt, dass Defekt C und Defekt A den höchsten Medianwert aller Arten fehlerhafter Produkte aufweisen (wenn der definierte Schwellenwert > 0,7 ist, kann der Schwellenwert natürlich definiert werden). je nach Fall).
Abbildung sechzehn
Dann sind die von Graph Builder generierten Fehlerdiagramme „Defekt C“ und „Defekt A“ wirklich eine Untersuchung wert, und der Fehler D, der den niedrigsten Wert hat, ist wirklich nicht offensichtlich, nachdem die Waferkarte von Graph Builder gezeichnet wurde.
Defekt C (hoher RSquare-Wert) – Diagramm am rechten Rand:
Abbildung siebzehn
Defekt A (hoher RS-Quadrat-Wert) – mittleres Diagramm oben rechts:
Abbildung 18
Defekt D (niedriger RSQuadrat-Wert) – fast unsichtbare Grafiken
Abbildung 19
Das Folgende ist ein schematisches Diagramm der Systemarchitektur:
Abbildung 20
Es ist zu beachten, dass gemäß den Beispieldaten die Anzahl der Knoten in der ersten Schicht und der zweiten Schicht für das Modell jeden Monat durch JMP-Berechnungen aktualisiert werden muss (z. B. für neue Muster, ob die aktuelle Konfiguration möglich ist). erkannt, müssen Sie eine Anpassung der Anzahl der Knoten usw. in Betracht ziehen, um die Berechnung des Modells effizienter zu gestalten.
Durch diese Methode wird nach dem tatsächlichen Betrieb nachgewiesen, dass jeder Datenanalyst im Unternehmen die Mustererkennungszeit um durchschnittlich 60 % pro Woche verkürzt und die durchschnittliche Erkennungszeit abnormaler Muster im Vergleich zu zuvor um 70 % verkürzt Ein Beitrag zur Verbesserung des Gesamtniveaus der Qualitätskontrolle leistete einen großen Beitrag.
Anhand der oben genannten tatsächlichen Kampffälle können wir erkennen, dass der Einsatz manueller Arbeit zur Ertragserkennung von Produkten nicht nur zeitaufwändig und arbeitsintensiv ist, sondern auch anfällig für Fehler und versäumte Inspektionen, während an manchen Stellen oft wichtige Qualitätsrisiken verborgen sind die nicht manuell identifiziert werden können.
Das ist wie bei einem Eisberg. Die Leute achten oft auf den Teil über der Wasseroberfläche, aber der Teil unter der Wasseroberfläche ist aus verschiedenen Gründen oft unsichtbar. Durch fortschrittliche Datenanalyse und Technologie können Probleme effektiv gelöst werden und mehr menschliche Energie in die Lösung von Problemen gesteckt werden, was die Zykluszeit der Qualitätsprüfung grundlegend verkürzt.
Es ist besser, sich zurückzulehnen, JMP in der Praxis auszuprobieren und mit der ersten Analyse zu beginnen!
Weiterführende Literatur:
5 Gründe, warum JMP-Software für Sie besser geeignet ist?
Analyse abnormaler SPC-Analyse
Ertragsrate von SPC-regulierten Produkten – Quantilmethode zur Festlegung von Produktkontrollgrenzen und regelmäßiger Überprüfung
Verwendung von JMP zur Bereinigung von Ausreißern am Beispiel der Halbleiteranalyse von WAT-Daten
