透過將光學檢測步驟結果與電氣測試相關聯來解決產量和品質問題 (2023-EU-PO-1343)在汽車半導體製造業中，每個製造步驟都會對零件進行測試，以篩選可能故障的零件。薄弱零件報廢越遠，報廢成本就越低。但測試也是有成本的。恩智浦最近的一個項目試圖避免對晶圓檢查等級觀察到的缺陷進行手動缺陷分類。現在，根據訓練影像資料集將缺陷分類為致命缺陷或非致命缺陷，並評估每個晶片的故障機率。 JMP® 允許進一步透過三種類型的分析將該故障機率與電氣測試相關聯。第一個分析評估了故障機率閾值，以限制測試零件的數量，從而限制測試成本。第二個分析強調了與故障機率最相關的測試。最終分析使用突出顯示的測試清單來調整測試限制，以篩選具有故障機率異常值的零件。這些分析限制了測試成本，同時提高了品質。
收集產品測試資料並建立警報報告以進行根本原因分析的自動化流程 (2023-EU-30MP-1268)Autoliv 全球計畫對最重要的產品測試機 (ATOS) 之一進行了研究，目標是引入產品測試資料自動警報系統和根本原因分析。我們需要一個靈活的自動化軟體解決方案來將資料傳輸到 SQL 資料庫並執行根本原因分析。此外，我們希望將基於網路的報告連結傳送到現有的「Leading-to Lean」（L2L）調度系統，該系統透過郵件通知機器所有者。我們使用 JMP 透過任務規劃程式自動執行所有這些任務的所有流程。
JMP® 的無 Python Python 整合 (2023-EU-30MP-1265)
JMP® 和 Python 整合面臨的挑戰促使我們尋找替代解決方案，以便使用 JMP 評估和測試各種 Python 程式庫和強大的演算法。這將使 JMP 使用者能夠在熟悉的 JMP 環境中使用 Python。經過幾次不同的迭代後，開發了 RestAPI 服務，當 JMP 呼叫該服務時，它會根據該服務目前提供的選項動態建立使用者介面。然後，JMP 使用者可以利用此使用者介面，透過一鍵直接從 JMP 發送資料來採用不同的演算法，例如 HDBSCAN、OPTICS 和 UMAP。演算法在伺服器端完成運算後，會將資料傳回JMP進行進一步分析和視覺化。
