En la industria de semiconductores, debido a la demanda continua de los clientes de dispositivos de menor costo, el análisis de datos de registro de herramientas es importante para el uso eficiente de las herramientas. La implementación de servicios habilitados por tecnología con herramientas de visualización JMP® (SAS institute) nos permite ser más eficientes en la respuesta a eventos de mantenimiento. El análisis de las ejecuciones de procesos mediante las opciones de distribución, histograma y diagrama de caja de JMP ayuda a centrarse en las áreas problemáticas y reducir la duración del mantenimiento. Se aplica la prueba no paramétrica de Wilcoxon para realizar un estudio de hipótesis sobre la duración de inactividad de la herramienta para verificar la variación con respecto al objetivo y determinar el intervalo de confianza para los eventos de mantenimiento. Se implementa el diagrama de Pareto de calidad y control de JMP y el diagrama de causa y efecto de Ishikawa para el análisis de causa raíz y los planes de acción. El tablero dinámico de JMP que muestra el diagrama de caja junto con las pruebas de rendimiento anteriores facilitó una mejor planificación de las actividades de mantenimiento y la asignación de prioridades. La dependencia del éxito y el fracaso del PM en los tipos de PM se informó mediante una visualización rápida desde el tablero de JMP.
Hola. Soy Neha Kaushal y mi coautora, Srivida, está conmigo hoy. Trabajamos en materiales aplicados en consultoría tecnológica y hacemos análisis de datos sobre herramientas de procesamiento de semiconductores. En este estudio, vamos a hablar sobre cómo utilizamos el panel de control JMP para optimizar el mantenimiento de herramientas en procesos de semiconductores.
En la industria de semiconductores, debido a la demanda constante de los clientes de dispositivos de menor costo, el análisis de datos de registro de herramientas es importante para el uso eficiente de las herramientas; la implementación de servicios habilitados por tecnología con visualización JMP nos permite ser más eficientes al responder a eventos de mantenimiento preventivo para herramientas de proceso.
Minimizar el tiempo de mantenimiento de la herramienta, también llamado mantenimiento preventivo, mejora el rendimiento de la herramienta, lo que significa que tenemos mejores servicios de mantenimiento preventivo, lo que se traduce en un mejor rendimiento y una mayor satisfacción del cliente. El análisis de los dos registros mediante la distribución JMP, el diagrama de caja, etc., ayuda a centrarse en las áreas problemáticas durante los eventos de mantenimiento.
Nuestro objetivo para este estudio es identificar las oportunidades de mejora en el tiempo de inactividad de la producción durante diferentes tipos de mantenimiento preventivo. Para este proceso, tenemos eventos de mantenimiento menores y mayores. Teniendo en cuenta el éxito o el fracaso del mantenimiento preventivo por primera vez, los eventos de mantenimiento se clasifican en cuatro tipos: menor con éxito del mantenimiento preventivo por primera vez, mayor con éxito del mantenimiento preventivo por primera vez, menor con fracaso del mantenimiento preventivo por primera vez y mayor con fracaso del mantenimiento preventivo por primera vez.
El primer paso de esta metodología es priorizar las herramientas en función del porcentaje de tiempo de inactividad de la producción mediante el uso de JMP Graph Builder. Permítame mostrarle cómo hacerlo. Por ejemplo, aquí hemos representado gráficamente el porcentaje de tiempo de inactividad de la herramienta con los identificadores de la herramienta en el eje X. Aquí podemos comprobar e identificar rápidamente que la herramienta A tiene el mayor porcentaje de tiempo de inactividad. Esta podría ser nuestra herramienta de máxima prioridad para mejorar.
Luego, comparamos los tipos de mantenimiento preventivo en función de la duración del mantenimiento preventivo, lo que permite encontrar oportunidades para optimizar el proceso. Luego, los modelos de distribución se basan en la duración del mantenimiento preventivo para verificar si se ajusta a la normalidad; de lo contrario, estudiamos los factores que violan la normalidad, como valores atípicos, asimetría, etc. A medida que los datos se desvían de la normalidad, hemos aplicado un enfoque no paramétrico para realizar un estudio de hipótesis para verificar la variación entre cuatro tipos de eventos de mantenimiento preventivo. Por último, hemos creado un panel rápido e interactivo para analizar el tiempo de inactividad de las herramientas con el rendimiento del mantenimiento preventivo.
Ahora, le daré la palabra a mi coautora, Srivida, y ella explicará la parte de los resultados.
En esta sección, analizaremos la metodología y los resultados. Los datos de duración de PM se exploran en la plataforma de distribución y las estadísticas resumidas muestran que la media es mayor que la mediana y que la asimetría es alta. El gráfico de cuantiles normal también verifica que el conjunto de datos esté sesgado hacia la derecha con valores atípicos significativos.
En consecuencia, se violó el valor P de la prueba de bondad de ajuste en la distribución normal ajustada, mientras que se aprobó el valor P de la prueba de bondad de ajuste en la distribución de Cauchy ajustada. Por lo tanto, nuestros datos son una distribución de Cauchy.
En consecuencia, hemos analizado la presencia de valores atípicos utilizando el método de detección de valores atípicos de ajuste robusto y encontramos 11 valores atípicos para el análisis de causa raíz. Aquí, los tipos de mantenimiento preventivo se comparan en función de la duración del mantenimiento preventivo mediante un análisis no paramétrico para encontrar oportunidades para la optimización del proceso de mantenimiento preventivo. Con base en el valor P, los tres modelos que se muestran aquí, el método de Wilcoxon, la prueba de la mediana y la prueba de Van der Waeden, concluyen que existe una diferencia significativa entre los tipos de mantenimiento preventivo.
Además, a partir de una comparación no paramétrica de cada par utilizando el método de Wilcoxon, concluimos que el éxito de PM menor y el fracaso de PM menor tienen una diferencia significativa según el valor P. ¿Por qué? El éxito de PM mayor y el fracaso de PM mayor no son significativamente diferentes según el valor P.
Ahora, veremos la demostración de JMP para crear un panel de control para generar informes rápidos sobre la dependencia del éxito y el fracaso de PM en los tipos de PM. Permítanme llevarlos a la parte del panel de control de JMP. Podemos crear un panel de control a partir del archivo, la nueva opción de panel de control y seleccionar la plataforma y realizar nuestra prueba de hipótesis, diagrama de caja, etc., para crear un panel de control. Este es el panel de control que hemos creado a partir de nuestro análisis. Con este panel de control, podemos explicar la dependencia del éxito y el fracaso de PM en los tipos de PM de forma interactiva seleccionando una herramienta a la vez.
Del estudio se desprende que el éxito en la primera gestión de proyectos tiene un gran impacto en el tipo de gestión de proyectos. Concluimos que el éxito en la primera gestión de proyectos tiene un gran impacto en las tareas de gestión de proyectos menores, mientras que el éxito en la primera gestión de proyectos tiene un impacto insignificante en las tareas de mayor importancia. La duración media de la gestión de proyectos de los primeros proyectos exitosos y fallidos es equivalente.
El siguiente paso es el análisis de las herramientas para identificar el alcance de la mejora. Nos gustaría agradecer a las partes interesadas en los proyectos por su ayuda en el soporte de Oasis: Charles C. Chen, Chandrasekhar Roy, Vikas Jangra y Sidda Reddy Kurakula.
Bueno, Elodie, este será el final de nuestra presentación. Si tienes alguna pregunta, podemos responderla.
