NXP 構造化問題解決アプローチ: 自動車向け半導体テストおよび設計における 2 つのケース スタディ (2020-EU-EPO-384)Corinne Berges、シックス シグマ ブラック ベルト、NXP Semiconductors
Kurt Neugebauer 氏、NXP Semiconductors アナログ設計エンジニア
Da Dai、NXP Semiconductors 設計自動化エンジニア
Martin Kunstmann、R&D-SUP-ワーキング スチューデント、NXP Semiconductors
Alain Beaudet、NXP Semiconductors 製品およびテスト エンジニア
構造化問題解決 (SPS) は、品質文化と継続的改善とともに NXP シックス シグマ システムの 3 本の柱の 1 つであり、NXP 品質システムの成熟度をさらに高めます。NXP SPS のいくつかの主要なアプローチは、DMAIC/DMADV、8D、または 5-Why フレームワークに適合しています。これらのフレームワークでは、モデリング、DOE、多変量解析など、統計を広く使用して仮定を証拠に変え、実際の欠陥の根本原因を排除する必要があります。2 つの特定の統計分析について説明します。自動車の設計では、パラメトリック、ハード、またはソフトの欠陥のシミュレーションに関して、テスト範囲や故障率の推定精度に影響を与えずにシミュレーションの数を減らすための最適なアルゴリズムを実装することが目的です。このために、JMP はクラスタリングで興味深いオプションを提供します。NXP の実験により、欠陥範囲の計算方法に関する研究に関する新しい IEEE 標準のアルゴリズムといくつかの推奨事項が作成されます。現在、製造の下流で、能力指数の計算と正規性テストを扱う際に、わずかな異常に対するこれらのテストの高感度を回避するために、JMP で、Shash 分布とその尖度および歪度パラメータを使用して、正規性からのシフトを定量化する手法が設計されました。自動車製品の 3000 を超えるテストでこれを自動化するスクリプトが実装されました。
高度な統計モデリング自動化とスクリプト基本的なデータ分析とモデリング消費者および市場調査データの探索と視覚化実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達
