通过将光学检测步骤结果与电气测试关联起来解决产量和质量问题 (2023-EU-PO-1343)在汽车半导体制造业中，每个制造步骤都会对零件进行测试，以筛选出容易发生故障的零件。越往上游报废薄弱的零件，报废成本就越低。但测试也是有成本的。恩智浦最近的一个项目试图避免对晶圆检测级观察到的缺陷进行手动缺陷分类。现在，缺陷根据训练图像数据组被分类为致命缺陷或非致命缺陷，并评估每个芯片的故障概率。JMP® 允许进一步通过三种分析将此故障概率与电气测试关联起来。第一个分析评估了故障概率阈值，以限制测试的零件数量，从而限制测试成本。第二个分析突出显示与故障概率最相关的测试。最后一个分析使用突出显示的测试列表来调整测试限制，以筛选出故障概率异常值的零件。这些分析在提高质量的同时限制了测试成本。
收集产品测试数据和创建警报报告以进行根本原因分析的自动化流程 (2023-EU-30MP-1268)这项 Autoliv 全球项目研究了其中一台最重要的产品测试机 (ATOS)，目的是引入一个用于产品测试数据和根本原因分析的自动报警系统。我们希望有一个灵活的自动化软件解决方案，将数据传输到 SQL 数据库并执行根本原因分析。此外，我们希望将基于 Web 的报告链接发送到现有的“精益生产”(L2L) 调度系统，该系统通过邮件通知机器所有者。我们使用 JMP 通过任务调度程序自动执行所有这些任务的所有流程。
JMP® 的无 Python Python 集成 (2023-EU-30MP-1265)
JMP® 和 Python 集成的挑战导致我们寻找替代解决方案，以便使用 JMP 评估和测试各种 Python 库和强大的算法。这将使 JMP 用户能够在熟悉的 JMP 环境中使用 Python。经过几次不同的迭代，开发出了一个 RestAPI 服务，当 JMP 调用此服务时，它会根据服务当前提供的选项动态创建一个用户界面。然后，JMP 用户可以利用此用户界面通过一键直接从 JMP 发送数据来采用不同的算法，例如 HDBSCAN、OPTICS 和 UMAP。算法在服务器端完成操作后，它会将数据返回到 JMP 进行进一步分析和可视化。
