Nel settore dei semiconduttori, a causa della continua richiesta da parte dei clienti di dispositivi a basso costo, l'analisi dei dati del registro degli strumenti è importante per un utilizzo efficiente degli strumenti. L'implementazione di servizi Tech Enabled con strumenti di visualizzazione JMP® (SAS Institute) ci consente di rispondere in modo più efficiente agli eventi di manutenzione. L'analisi delle esecuzioni di processo utilizzando le opzioni di distribuzione, istogramma e boxplot JMP aiuta a concentrarsi sulle aree problematiche e a ridurre la durata della manutenzione. Il test non parametrico di Wilcoxon viene applicato per eseguire uno studio di ipotesi sulla durata di inattività dello strumento per verificare la variazione rispetto all'obiettivo e per determinare l'intervallo di confidenza per gli eventi di manutenzione. Il diagramma di Pareto di qualità e controllo JMP e il diagramma causa-effetto di Ishikawa sono implementati per l'analisi delle cause principali e i piani d'azione. La dashboard JMP dinamica che visualizza il boxplot insieme ai test delle prestazioni di cui sopra ha facilitato una migliore pianificazione delle attività di manutenzione e l'assegnazione della priorità. La dipendenza del successo e del fallimento della manutenzione preventiva dai tipi di manutenzione preventiva è stata segnalata tramite una rapida visualizzazione dalla dashboard JMP.
Salve. Sono Neha Kaushal e la mia coautrice, Srivida, è con me oggi. Lavoriamo per Applied Materials nella consulenza tecnologica e facciamo analisi dei dati sugli strumenti di processo dei semiconduttori. In questo studio parleremo di come utilizziamo la dashboard JMP per ottimizzare la manutenzione degli strumenti nei processi dei semiconduttori.
Nel settore dei semiconduttori, data la continua richiesta da parte dei clienti di dispositivi a basso costo, l'analisi dei dati del registro degli strumenti è importante per un utilizzo efficiente degli stessi; l'implementazione di servizi basati sulla tecnologia con visualizzazione JMP ci consente di rispondere in modo più efficiente agli eventi di manutenzione preventiva per gli strumenti di processo.
Ridurre al minimo il tempo di utilizzo degli utensili durante la manutenzione, che è anche chiamata PM, migliora le prestazioni degli utensili, il che significa che abbiamo servizi PM migliori, che si traducono in una resa migliore e una maggiore soddisfazione del cliente. L'analisi dei due log tramite distribuzione JMP, box plot, ecc., aiuta a concentrarsi sulle aree problematiche durante gli eventi di manutenzione.
Il nostro obiettivo per questo studio è identificare le opportunità di miglioramento nei tempi di fermo della produzione durante diversi tipi di PM. Per questo processo, abbiamo eventi di manutenzione minori e maggiori. Considerando il successo o il fallimento del PM per la prima volta, gli eventi di manutenzione sono classificati in quattro tipi. Minore con successo del PM per la prima volta, maggiore con successo del PM per la prima volta, quindi minore con fallimento del PM per la prima volta e maggiore con fallimento del PM per la prima volta.
Il primo passo in questa metodologia è dare priorità agli strumenti in base alla percentuale di fermo macchina della produzione utilizzando JMP Graph Builder. Lasciate che ve lo mostri. Ad esempio, qui abbiamo tracciato la percentuale di fermo macchina con gli ID degli strumenti sull'asse X. Qui possiamo controllare e identificare rapidamente che lo strumento A ha la percentuale di fermo macchina più alta. Questo potrebbe essere il nostro strumento con la massima priorità per il miglioramento.
Quindi confrontiamo i tipi di PM in base alla durata di PM che trova opportunità per l'ottimizzazione del processo. Quindi i modelli di distribuzione sono sulla durata di PM per verificare se si adatta alla normalità, altrimenti, studiamo i fattori di violazione della normalità come valori anomali, asimmetria, ecc. Poiché i dati si discostano dalla normalità, abbiamo applicato un approccio non parametrico per eseguire uno studio di ipotesi per verificare la variazione tra quattro tipi di eventi PM. Quindi, infine, abbiamo creato una dashboard rapida e interattiva per analizzare i tempi di inattività degli strumenti con le prestazioni di PM.
Adesso passo la parola alla mia coautrice, Srivida, che spiegherà la parte relativa ai risultati.
Faremo la metodologia e il risultato in questa sezione. I dati sulla durata PM sono esplorati nella piattaforma di distribuzione e le statistiche di riepilogo mostrano che la media è maggiore della mediana e che l'asimmetria è elevata. Il grafico dei quantili normali verifica anche che il set di dati è asimmetrico a destra con valori anomali significativi.
Di conseguenza, il valore P del test di bontà di adattamento sulla distribuzione normale adattata è stato violato, mentre il valore P per il test di bontà di adattamento sulla distribuzione di Cauchy adattata è stato superato. Quindi i nostri dati sono una distribuzione di Cauchy.
Di conseguenza, abbiamo analizzato la presenza di valori anomali utilizzando il metodo di rilevamento dei valori anomali di adattamento robusto e abbiamo trovato 11 valori anomali per l'analisi delle cause profonde. Qui, i tipi di PM vengono confrontati in base alla durata del PM mediante analisi non parametrica per trovare opportunità di ottimizzazione del processo PM. Sulla base del valore P, tutti e tre i modelli mostrati qui, il metodo Wilcoxon, il test mediano, il test Van der Waeden, concludono una differenza significativa tra i tipi di PM.
Inoltre, dal confronto non parametrico per ogni coppia utilizzando il metodo Wilcoxon, abbiamo concluso che il successo PM minore e il fallimento PM minore presentano una differenza significativa in base al valore P. Perché? Il successo PM maggiore e il fallimento PM maggiore non sono significativamente diversi in base al valore P.
Ora, vedremo la dimostrazione JMP per creare una dashboard per un rapido reporting sulla dipendenza del successo e del fallimento di PM dai tipi di PM. Lasciate che vi porti alla parte della dashboard JMP. Possiamo creare una dashboard dal file, nuova opzione dashboard, selezionare la piattaforma ed eseguire il nostro test di ipotesi, box plot, ecc., per creare una dashboard. Questa è la dashboard che abbiamo creato dalla nostra analisi. Utilizzando questa dashboard, possiamo spiegare la dipendenza del successo e del fallimento di PM dai tipi di PM in modo interattivo selezionando uno strumento alla volta.
Dallo studio, concludiamo che il successo del PM al primo tentativo ha un impatto elevato sul tipo di PM. Concludiamo che il successo del PM al primo tentativo ha un impatto elevato sui PM minori, mentre il successo del PM al primo tentativo ha un impatto trascurabile sulle cose importanti. La durata media del PM del successo e del fallimento del PM al primo tentativo sono equivalenti.
Il prossimo passo è l'analisi tool-wise per identificare l'ambito di miglioramento. Vorremmo riconoscere i nostri stakeholder nei progetti per aiutare nel supporto Oasis. Charles C. Chen, Chandrasekhar Roy, Vikas Jangra e Sidda Reddy Kurakula.
Okay, Elodie, questa sarà la fine della nostra presentazione. Se hai qualche domanda, possiamo rispondere.
