In der Elektronikfertigungsindustrie gibt es kleinere Teile und kürzere Produktionszyklen, weshalb die Fähigkeit, Anomalien in Geräten und Produkten zu diagnostizieren, sehr wichtig ist. Die Identifizierungsfähigkeiten sind sogar zu einem Teil der Wettbewerbsfähigkeit eines Unternehmens geworden. Die schnelle und effiziente Identifizierung dieser Anomalien sowie die Bereitstellung von Frühwarnungen und Analysen sind ein unverzichtbarer Bestandteil der Ertragssteigerung.
Heute nehmen wir einen Fall aus der Elektronikfertigungsindustrie als Beispiel, um zu sehen, wie die leistungsstarke neuronale Netzwerkmodellierung und Datenvisualisierung von JMP Datenanalysten dabei helfen kann, die Zeit für die Identifizierung und Erkennung 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, Versandzyklen und Markenwert. Daher hat für fast jedes Unternehmen die Produktqualität oberste Priorität. Daher ist es zu einer schwierigen Aufgabe geworden, die Qualität von Unternehmensprodukten zu verbessern.
(Abbildung 2) ist ein typischer Produktionsschritt gängiger High-Tech-Unternehmen, darunter:
1.Waferherstellung
Unter Waferherstellung versteht man den Siliziumwafer, der bei der Herstellung von integrierten Halbleiterschaltkreisen verwendet wird. Aufgrund seiner runden Form wird er Wafer genannt. Auf dem Siliziumwafer können verschiedene Schaltungselementstrukturen zu integrierten Schaltkreisen mit spezifischen elektrischen Funktionen verarbeitet werden. Schaltkreisprodukte .
2.Pakettest
Beim Verpacken handelt es sich um den Prozess der Verarbeitung der getesteten Wafer zu unabhängigen Chips je nach Produkttyp und Funktionsanforderungen; beim Testen handelt es sich um den Prozess der Feststellung der Qualität jedes unabhängigen Chips anhand einer Reihe von Prüfpunkten.
Insbesondere im „Test“-Prozess besteht die traditionelle Methode darin, die manuelle Identifizierung zu verwenden, d. h. die problematischen Waferbilder einzeln nach persönlicher Beurteilung aufzuzeichnen und dann eine anschließende Verarbeitung durchzuführen. Bei der tatsächlichen Arbeit treten bei der manuellen Erkennung jedoch häufig die folgenden drei Probleme auf:
1. Erkennungsmuster verpasst
Wenn jeder mit Hunderten von Wafer-Inspektionsbildern konfrontiert wird, ist es fast unmöglich, jedes Bild einzeln anzusehen. Es ist wahrscheinlich, dass einige wichtige Grafiken aufgrund von Faktoren wie übermäßiger Ermüdung übersehen werden, und diese Grafiken enthalten oft wichtige Informationen.
2. Braucht zu lange
Der gesamte manuelle Identifizierungsprozess ist sehr zeitaufwändig und es wird keine Zeit für die Lösung des Kernproblems aufgewendet.
3. Standards sind nicht einheitlich
Bei Grafiken, die noch nicht erschienen sind, variieren die Beurteilungskriterien je nach persönlichen Maßstäben, was leicht zum Verlust potenzieller Informationen führen kann.
Basierend auf den oben genannten unvermeidlichen Faktoren ist die visuelle JMP-Analyse hilfreich.
Beispielsweise bilden wir die Inspektionsergebnisse jedes einzelnen Chips eins zu eins entsprechend seiner Position auf dem Wafer ab. Die erhaltenen Inspektionsergebnisse werden in JMP importiert. Das folgende Wafer-Inspektionsdiagramm kann somit einfach über den JMP-Grafikgenerator generiert werden Identifizieren Sie schnell problematische Produkte, wie in Abbildung 3 dargestellt.
Figur 3
Darunter repräsentieren verschiedene Farben die Größe des endgültigen Testerkennungswerts. Rot ist am größten und nimmt in der Reihenfolge ab, und Blau ist am kleinsten.
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 bei der Waferherstellung in diesem Bereich zu einer Anomalie kommt, die so schnell wie möglich untersucht und behoben werden muss. Auf diese Weise können Ingenieure sofort damit beginnen, solche problematischen Chips schnell weiterzuverfolgen. Hier geben wir ein Beispiel zur Veranschaulichung.
Fallstudie: Verwendung JMP Erkennen Sie Waferdefekte schnell
Fallhintergrund
Ingenieure eines Elektronikunternehmens sammelten während der letzten Testphase Fehlerdaten für 1.559 Chips und wollten analysieren, ob das Verhältnis eines bestimmten Fehlers ein Muster aufwies, wenn sich der Standort änderte.
- Wenn die Fehlerrate einer bestimmten Position „0“ ist, bedeutet dies, dass dieser Fehler an dieser Position nicht aufgetreten ist.
- 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 schließlich für viele bisherige Prozesse eine weitere Qualitätserkennungsmethode oder ein weiterer Indikator etabliert werden, der als Durchbruch für die allgemeine Qualitätsverbesserung dienen kann.
Figur 4
In der Datentabelle in Abbildung 4 sind die Spalten LocX und LocY jeweils Zeilen- und Spaltenkoordinatenwerte, und der numerische Typ ist der Nominalwert. Die letzte Spalte ist die Fehlerrate, also die Fehlerrate an einem bestimmten Standort im vergangenen Zeitraum. Um das Problem besser beurteilen zu können, wählen wir hier den neuronalen Netzwerkalgorithmus. Die Gründe sind wie folgt:
- Das Projekt erfordert Algorithmen, die automatisch Merkmale erkennen können, die aus Rohdaten erkannt werden müssen.
- Neuronale Netzwerkalgorithmen verfügen im Allgemeinen über mehrere Ebenen, und jede Ebene führt eine Transformation durch, 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 eine Analyse in JMP durchführen.
Schritt 1. Datenimport JMP
Importieren Sie zunächst die Daten in JMP, wandeln Sie die erfassten Standortfehlerraten in Datenwerte um und präsentieren Sie diese über den Diagrammgenerator.
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 5
Rufen Sie das Modellkonfigurationsfenster auf und geben Sie die folgenden Parameter ein. Dieses Beispiel beginnt mit dem standardmäßigen neuronalen Netzwerkmodell und führt zu komplexeren Modellen mit zwei verborgenen Schichten und zusätzlichen Aktivierungsfunktionen. Abschließend wurde die folgende Konfiguration ausgewählt, wie in Abbildung 6 dargestellt:
Teilen Sie JMP im Abschnitt „Anpassungsoptionen“ mit, wie oft der Modellanpassungsalgorithmus wiederholt werden soll. Schließlich wählt JMP die Iteration mit den besten Validierungsstatistiken als endgültiges Modell aus. Dieser Artikel verwendet letztendlich 10.
Abbildung 6
Klicken Sie auf den kleinen roten Pfeil auf der linken Seite des Modells und wählen Sie Formeln speichern, hauptsächlich um die transformierten Werte für die spätere Verwendung zu speichern.
Abbildung 7
Nach dieser Zeilen-Spalten-Konvertierung wird die folgende neue Datentabelle erhalten, wie in Abbildung 8 dargestellt:
Abbildung 8
Wenn wir den Konvertierungsprozess einfach anhand von Grafiken veranschaulichen, sähe er wie in Abbildung 9 unten aus:
Abbildung 9
Schritt 2. verwenden JMP Graph Builder-Analyse
Analysieren Sie als Nächstes mit dem einzigartigen „Graph Builder“ von JMP.
Hier setzen wir LocX auf die horizontale Achse, LocY auf die vertikale Achse, Transform Value in Color 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 10
Wählen Sie unter „Lokaler Datenfilter“ die Bezeichnung „Label“ aus:
Abbildung 11
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.
Das ist unsere Idee und Strategie auf Modellbauebene. Wie sollte es also auf der Anwendungsebene tatsächlicher Projekte eingesetzt und analysiert werden? Lassen Sie uns die Diskussion fortsetzen.
JMP Umsetzung: Projektdurchführung und tatsächliche Ergebnisse
Gemäß dem oben von JMP generierten Modell können wir es dann auf Anwendungsebene bereitstellen.
Auf der Bereitstellungsebene müssen wir eigentlich nur ein Ranking-Modell erstellen, also ein Ranking-Modell. Dieses Modell muss nicht sicherstellen, dass jedes Berechnungsergebnis sehr genau ist. Das Wichtigste ist, dass die wichtigsten Grafiken in mehreren Waferkarten erfasst werden können. Aufgrund der großen Datenmenge und der Tatsache, dass der Server ein Linux-System ist (relativ stabil), wurde ein Python-Programm verwendet, um Daten aus der Datenbank zu extrahieren, und die problematische Wafer-Map wurde nach RSquare basierend auf der oben genannten Methode des neuronalen Netzwerks sortiert.
Abbildung 14
Der Grund, warum wir die RSquare-Sortierung wählen, besteht darin, darzustellen, ob das Muster entsprechend der Bedeutung des Modells erfasst wird.
Das heißt, je aussagekräftiger das Modell ist, desto größer ist die Wahrscheinlichkeit, das Muster zu erkennen.
Informationen zur Berechnung des verallgemeinerten R-Quadrats (siehe Screenshot) finden Sie im vorherigen Artikel. Um Geschwindigkeit und Effizienz zu steigern, helfen neuronale Netze Unternehmen dabei, effizienter zu arbeiten 》
Beispielsweise gibt es die folgenden 7 Arten fehlerhafter Produkte (von Fehler A bis Fehler G). Jede Zeile stellt die X- und Y-Koordinaten auf der Waferkarte und die kumulative Fehlerrate (in einer bestimmten Woche) verschiedener fehlerhafter Produkttypen dar an den entsprechenden Koordinatenpositionen.
Abbildung 15
Gemäß dem im vorherigen Abschnitt eingeführten Algorithmus und der RSquare-Sortierung wie folgt stellen wir fest, dass Defekt C und Defekt A die höchsten Werte unter allen Arten fehlerhafter Produkte aufweisen (wenn der Schwellenwert auf >0,7 definiert ist, natürlich). (Grenzwert kann je nach Fall definiert werden).
Abbildung 16
Dann sind die von Graph Builder generierten fehlerhaften Grafiken von Defekt C und Defekt A tatsächlich eine Untersuchung wert, und die Grafiken von Defekt D, die den niedrigsten Wert haben, sind nach dem Zeichnen der Waferkarte mit Graph Builder tatsächlich nicht offensichtlich.
Fehler C (hoher RSquare-Wert) – Grafik am rechten Rand:
Abbildung 17
Defekt A (RSsquare-Wert ist hoch) – Grafik oben rechts in der Mitte:
Abbildung 18
Fehler D (niedriger RS-Quadrat-Wert) – das Diagramm ist fast unsichtbar
Abbildung 19
Das Folgende ist ein schematisches Diagramm der Systemarchitektur:
Abbildung 20
Es ist zu beachten, dass gemäß den Beispieldaten und der Berechnung durch JMP die Anzahl der Knoten in der ersten und zweiten Schicht jeden Monat für das Modell aktualisiert werden muss (z. B. für neue Muster, ob die aktuelle Konfiguration erkannt werden kann, Sie müssen Anpassungen (Anzahl der Knoten usw.) berücksichtigen, um die Berechnung des Modells effizienter zu gestalten.
Durch diese Methode wurde nach dem tatsächlichen Betrieb nachgewiesen, dass jeder Datenanalyst im Unternehmen die Mustererkennungszeit im Durchschnitt um 60 % pro Woche verkürzt und die durchschnittliche Erkennungszeit für abnormale Grafiken im Vergleich zu zuvor um 70 % verkürzt leistet einen Beitrag zur Verbesserung des Gesamtniveaus der Qualitätskontrolle. hat einen großen Beitrag geleistet.
Aus den oben genannten praktischen Fällen können wir erkennen, dass es nicht nur zeitaufwändig und arbeitsintensiv ist, sich bei der Produktertragserkennung ausschließlich auf manuelle Arbeit zu verlassen, sondern auch anfällig für Fehler und versäumte Inspektionen. In bestimmten Bereichen lauern jedoch häufig wichtige Qualitätsrisiken im Verborgenen Ort, der nicht manuell identifiziert werden kann.
Das ist wie bei einem Eisberg. Menschen neigen dazu, sich auf den Teil über der Wasseroberfläche zu konzentrieren, aber der Teil unter der Wasseroberfläche ist aus verschiedenen Gründen oft nicht sichtbar. Durch fortschrittliche Datenanalyse und Technologie können Probleme effektiv gelöst und die manuelle Energie stärker auf die Lösung von Problemen konzentriert werden, wodurch die Zykluszeit der Qualitätserkennung grundlegend verkürzt wird.
Anstatt nur zu reden, werden Sie aktiv, probieren Sie JMP aus und starten Sie Ihre erste Analyse!
Weiterführende Literatur:
5 Gründe, warum JMP-Software für Sie besser geeignet ist?
Eine kurze Analyse der SPC-Anomalitätsanalyse
SPC-kontrollierte Produktausbeute – Quantilmethode zur Festlegung von Produktkontrollgrenzen und regelmäßiger Überprüfung
Verwenden Sie JMP, um Ausreißer zu bereinigen, am Beispiel der WAT-Daten der Halbleiteranalyse
