Aufgrund der anhaltenden Kundennachfrage nach kostengünstigeren Geräten ist die Analyse der Werkzeugprotokolldaten in der Halbleiterindustrie wichtig für eine effiziente Werkzeugnutzung. Durch den Einsatz von Tech Enabled Services mit JMP® (SAS Institute)-Visualisierungstools können wir effizienter auf Wartungsereignisse reagieren. Durch die Analyse der Prozessläufe mithilfe der JMP-Optionen für Verteilung, Histogramm und Boxplot können wir uns auf die Problembereiche konzentrieren und die Wartungsdauer verkürzen. Der nichtparametrische Wilcoxon-Test wird angewendet, um eine Hypothesenstudie zur Werkzeugausfalldauer durchzuführen, um die Abweichung vom Ziel zu prüfen und das Konfidenzintervall für Wartungsereignisse zu bestimmen. Zur Ursachenanalyse und für Aktionspläne werden Pareto-Diagramme und Ursache-Wirkungs-Diagramme von Ishikawa für Qualität und Kontrolle implementiert. Ein dynamisches JMP-Dashboard mit Boxplot zusammen mit den oben genannten Leistungstests erleichtert die bessere Planung von Wartungsaktivitäten und die Zuweisung von Prioritäten. Die Abhängigkeit des Erfolgs und Misserfolgs von PM von PM-Typen wurde durch eine schnelle Visualisierung vom JMP-Dashboard gemeldet.
Hallo. Ich bin Neha Kaushal und meine Co-Autorin Srivida ist heute bei mir. Wir arbeiten für angewandte Materialien in der technischen Beratung und führen Datenanalysen für Halbleiterprozesswerkzeuge durch. In dieser Studie werden wir darüber sprechen, wie wir das JMP-Dashboard zur Optimierung der Werkzeugwartung in Halbleiterprozessen nutzen.
Aufgrund der anhaltenden Kundennachfrage nach kostengünstigeren Geräten ist die Analyse von Werkzeugprotokolldaten in der Halbleiterindustrie wichtig für eine effiziente Werkzeugnutzung. Durch den Einsatz technisch unterstützter Dienste mit JMP-Visualisierung können wir effizienter auf Ereignisse zur vorbeugenden Wartung von Prozesswerkzeugen reagieren.
Die Minimierung der Werkzeugzeit während der Wartung, auch PM genannt, verbessert die Werkzeugleistung, was bedeutet, dass wir bessere PM-Dienste haben, was zu einem besseren Ertrag und einer höheren Kundenzufriedenheit führt. Die Analyse der beiden Protokolle mithilfe der JMP-Verteilung, eines Boxplots usw. hilft dabei, sich während der Wartungsereignisse auf die Problembereiche zu konzentrieren.
Unser Ziel für diese Studie ist es, Verbesserungsmöglichkeiten bei Produktionsausfallzeiten während verschiedener Arten von PMs zu identifizieren. Für diesen Prozess haben wir kleinere und größere Wartungsereignisse. Unter Berücksichtigung des Erfolgs oder Misserfolgs beim ersten PM werden die Wartungsereignisse in vier Typen eingeteilt. Geringfügig mit Erfolg beim ersten PM, groß mit Erfolg beim ersten PM, dann gering mit Misserfolg beim ersten PM und groß mit Misserfolg beim ersten PM.
Der erste Schritt dieser Methode besteht darin, die Werkzeuge mit dem JMP Graph Builder basierend auf dem Prozentsatz der Produktionsausfallzeit zu priorisieren. Lassen Sie mich Ihnen das zeigen. Hier haben wir beispielsweise den Prozentsatz der Werkzeugausfallzeit mit Werkzeug-IDs auf der X-Achse aufgetragen. Hier können wir schnell überprüfen und feststellen, welches Werkzeug A den höchsten Prozentsatz an Ausfallzeit hat. Dies könnte unser Werkzeug mit der höchsten Priorität für Verbesserungen sein.
Dann vergleichen wir die PM-Typen basierend auf der PM-Dauer, um Möglichkeiten zur Prozessoptimierung zu finden. Dann werden die Verteilungsmodelle auf die PM-Dauer angewendet, um zu prüfen, ob sie der Normalität entspricht. Andernfalls untersuchen wir Faktoren, die die Normalität verletzen, wie Ausreißer, Schiefe usw. Da die Daten von der Normalität abweichen, haben wir einen nichtparametrischen Ansatz angewendet, um eine Hypothesenstudie durchzuführen und die Variation zwischen vier Arten von PM-Ereignissen zu prüfen. Schließlich haben wir ein schnelles und interaktives Dashboard zur Analyse der Werkzeugausfallzeit mit PM-Leistung erstellt.
Jetzt übergebe ich an meine Co-Autorin Srivida. Sie wird den Teil mit den Ergebnissen erläutern.
In diesem Abschnitt werden wir die Methodik und die Ergebnisse erläutern. Die Daten zur PM-Dauer werden auf einer Verteilungsplattform untersucht und die zusammenfassenden Statistiken zeigen, dass der Mittelwert größer als der Median und die Schiefe hoch ist. Das normale Quantildiagramm bestätigt auch, dass der Datensatz rechtsschief ist und erhebliche Ausreißer aufweist.
Dementsprechend wurde der P-Wert des Anpassungstests für die angepasste Normalverteilung verletzt, während der P-Wert für den Anpassungstest für die angepasste Cauchy-Verteilung bestanden wurde. Unsere Daten sind also eine Cauchy-Verteilung.
Dementsprechend haben wir das Vorhandensein von Ausreißern mithilfe der robusten Ausreißererkennungsmethode analysiert und 11 Ausreißer für die Ursachenanalyse gefunden. Hier werden die PM-Typen anhand der PM-Dauer durch nichtparametrische Analyse verglichen, um Möglichkeiten zur PM-Prozessoptimierung zu finden. Basierend auf dem P-Wert kommen alle drei hier gezeigten Modelle (Wilcoxon-Methode, Mediantest, Van-der-Waeden-Test) zu dem Schluss, dass es zwischen den PM-Typen signifikante Unterschiede gibt.
Darüber hinaus kamen wir aus dem nichtparametrischen Vergleich für jedes Paar mit der Wilcoxon-Methode zu dem Schluss, dass es basierend auf dem P-Wert einen signifikanten Unterschied zwischen geringfügigem PM-Erfolg und geringfügigem PM-Misserfolg gibt. Warum? Basierend auf dem P-Wert gibt es keinen signifikanten Unterschied zwischen erheblichem PM-Erfolg und erheblichem PM-Misserfolg.
Jetzt sehen wir uns die JMP-Demonstration zum Erstellen eines Dashboards für die schnelle Berichterstattung über die Abhängigkeit von PM-Erfolg und -Misserfolg von PM-Typen an. Lassen Sie mich Sie zum JMP-Dashboard-Teil führen. Wir können ein Dashboard aus der Datei erstellen, eine neue Dashboard-Option wählen und die Plattform auswählen und unseren Hypothesentest, Boxplot usw. verwenden, um ein Dashboard zu erstellen. Dies ist das Dashboard, das wir aus unserer Analyse erstellt haben. Mit diesem Dashboard können wir die Abhängigkeit von PM-Erfolg und -Misserfolg von PM-Typen interaktiv erklären, indem wir jeweils ein Tool auswählen.
Aus der Studie schließen wir, dass der Erfolg des ersten PMs großen Einfluss auf den PM-Typ hat. Wir schließen daraus, dass der Erfolg des ersten PMs großen Einfluss auf kleinere PMs hat, während der Erfolg des ersten PMs vernachlässigbare Auswirkungen auf größere Dinge hat. Die mittlere PM-Dauer des ersten PM-Erfolgs und -Misserfolgs ist gleich.
Der nächste Schritt ist eine werkzeugbezogene Analyse, um den Verbesserungsumfang zu ermitteln. Wir möchten unseren Stakeholdern in den Projekten für ihre Hilfe bei der Unterstützung von Oasis danken. Charles C. Chen, Chandrasekhar Roy, Vikas Jangra und Sidda Reddy Kurakula.
Okay, Elodie, das ist das Ende unserer Präsentation. Wenn Sie Fragen haben, können wir diese beantworten.
