In der Halbleiterindustrie ist die Analyse von Werkzeugprotokolldaten aufgrund der anhaltenden Kundennachfrage nach kostengünstigeren Geräten für eine effiziente Werkzeugnutzung unerlässlich. Der Einsatz von Technologie-gestützten Services mit JMP®-Visualisierungstools (SAS Institute) ermöglicht eine effizientere Reaktion auf Wartungsereignisse. Die Analyse der Prozessläufe mithilfe von JMP-Verteilungs-, Histogramm- und Boxplot-Optionen hilft, Problembereiche zu identifizieren und die Wartungsdauer zu verkürzen. Der nichtparametrische Wilcoxon-Test wird angewendet, um Hypothesen zur Werkzeugausfalldauer zu untersuchen, Abweichungen vom Zielwert zu prüfen und das Konfidenzintervall für Wartungsereignisse zu bestimmen. JMP-Qualitäts- und Kontroll-Pareto-Plot und Ishikawa-Ursache-Wirkungs-Diagramm werden für die Ursachenanalyse und die Erstellung von Maßnahmenplänen eingesetzt. Ein dynamisches JMP-Dashboard, das neben den oben genannten Leistungstests auch Boxplots anzeigt, erleichtert die Planung von Wartungsaktivitäten und die Priorisierung. Die Abhängigkeit von Erfolg und Misserfolg der vorbeugenden Instandhaltung von den Instandhaltungsarten wird durch eine schnelle Visualisierung im JMP-Dashboard dargestellt.
Hallo. Ich bin Neha Kaushal, und meine Co-Autorin Srivida ist heute bei mir. Wir arbeiten für Applied Materials im Bereich Technologieberatung und führen Datenanalysen zu Halbleiterprozesswerkzeugen durch. In dieser Studie geht es darum, wie wir das JMP-Dashboard zur Optimierung der Werkzeugwartung in Halbleiterprozessen nutzen.
In der Halbleiterindustrie ist die Analyse von Werkzeugprotokolldaten aufgrund der anhaltenden Kundennachfrage nach kostengünstigeren Geräten für eine effiziente Werkzeugnutzung wichtig. Der Einsatz technologiegestützter Dienste mit JMP-Visualisierung ermöglicht es uns, effizienter auf vorbeugende Wartungsereignisse für Prozesswerkzeuge zu reagieren.
Durch die Minimierung der Werkzeugzeit während der Wartung (auch PM genannt) wird die Werkzeugleistung gesteigert. Dies führt zu besseren PM-Services, höherer Ausbeute und gesteigerter Kundenzufriedenheit. Die Analyse der beiden Protokolle mithilfe von JMP-Verteilungen, Boxplots usw. hilft, die Problembereiche während der Wartungsvorgänge zu identifizieren.
Ziel dieser Studie ist es, Verbesserungspotenziale hinsichtlich Produktionsausfallzeiten bei verschiedenen Arten von vorbeugenden Wartungsmaßnahmen zu identifizieren. Dabei unterscheiden wir zwischen kleineren und größeren Wartungsereignissen. Anhand des Erfolgs oder Misserfolgs der ersten Wartungsmaßnahme werden die Wartungsereignisse in vier Kategorien eingeteilt: kleinere Wartungsmaßnahmen mit erstem Erfolg, größere Wartungsmaßnahmen mit erstem Erfolg, kleinere Wartungsmaßnahmen mit erstem Misserfolg und größere Wartungsmaßnahmen mit erstem Misserfolg.
Der erste Schritt dieser Methodik besteht darin, die Werkzeuge anhand ihrer Produktionsausfallzeit mithilfe des JMP Graph Builders zu priorisieren. Ich zeige Ihnen das. Hier haben wir beispielsweise die Ausfallzeit der Werkzeuge mit den Werkzeug-IDs auf der X-Achse dargestellt. So können wir schnell erkennen, dass Werkzeug A die höchste Ausfallzeit aufweist. Dieses Werkzeug sollte daher unsere oberste Priorität für Verbesserungen haben.
Anschließend vergleichen wir die PM-Typen anhand ihrer Dauer, um Optimierungspotenziale im Prozess zu identifizieren. Die Verteilungsmodelle der PM-Dauer werden daraufhin analysiert, um zu prüfen, ob sie der Normalverteilung entspricht. Andernfalls untersuchen wir Abweichungen von der Normalverteilung, wie z. B. Ausreißer und Schiefe. Da die Daten von der Normalverteilung abweichen, haben wir einen nichtparametrischen Ansatz angewendet, um Hypothesen zu untersuchen und die Variationen zwischen den vier PM-Ereignistypen zu analysieren. Abschließend haben wir ein benutzerfreundliches Dashboard zur Analyse von Werkzeugausfallzeiten in Bezug auf die PM-Performance entwickelt.
Nun übergebe ich das Wort an meine Co-Autorin Srivida, die den Ergebnisteil erläutern wird.
In diesem Abschnitt werden wir die Methodik und die Ergebnisse erläutern. Die PM-Dauerdaten werden auf der Vertriebsplattform analysiert. Die zusammenfassenden Statistiken zeigen, dass der Mittelwert größer als der Median ist und die Schiefe hoch ist. Das Normalverteilungsdiagramm bestätigt ebenfalls, dass der Datensatz rechtsschief ist und signifikante Ausreißer aufweist.
Demnach wurde der p-Wert des Anpassungstests für die angepasste Normalverteilung nicht erreicht, während der p-Wert des Anpassungstests für die angepasste Cauchy-Verteilung erreicht wurde. Unsere Daten folgen also einer Cauchy-Verteilung.
Dementsprechend haben wir mithilfe der robusten Ausreißererkennungsmethode das Vorhandensein von Ausreißern analysiert und 11 Ausreißer für die Ursachenanalyse identifiziert. Die PM-Typen werden hier anhand ihrer PM-Dauer mittels nichtparametrischer Analyse verglichen, um Optimierungspotenziale im PM-Prozess aufzudecken. Basierend auf dem p-Wert zeigen alle drei hier dargestellten Modelle – Wilcoxon-Test, Median-Test und Van-der-Waeden-Test – signifikante Unterschiede zwischen den PM-Typen.
Des Weiteren ergab ein nichtparametrischer Vergleich aller Paare mittels Wilcoxon-Test, dass sich geringfügige PM-Erfolge und geringfügige PM-Misserfolge signifikant unterscheiden (p-Wert). Warum? Bei schwerwiegenden PM-Erfolgen besteht hingegen kein signifikanter Unterschied (p-Wert).
Nun sehen wir uns die JMP-Demonstration zur Erstellung eines Dashboards für die schnelle Berichterstattung über die Abhängigkeit von Erfolg und Misserfolg im Projektmanagement von verschiedenen Projektmanagementtypen an. Ich zeige Ihnen nun den JMP-Dashboard-Bereich. Sie können ein Dashboard über „Datei“ > „Neues Dashboard“ erstellen, die Plattform auswählen und anschließend Ihren Hypothesentest, Boxplot usw. durchführen. Dies ist das Dashboard, das wir auf Basis unserer Analyse erstellt haben. Mithilfe dieses Dashboards können wir die Abhängigkeit von Erfolg und Misserfolg im Projektmanagement von verschiedenen Projektmanagementtypen interaktiv erläutern, indem wir jeweils ein Tool auswählen.
Aus der Studie schließen wir, dass der Erfolg einer erstmaligen vorbeugenden Instandhaltung (PM) einen großen Einfluss auf die Art der PM hat. Wir schließen daraus, dass der Erfolg bei der erstmaligen PM einen großen Einfluss auf kleinere PMs hat, während der Einfluss auf größere PMs vernachlässigbar ist. Die mittlere Dauer der PM ist bei erfolgreicher und fehlgeschlagener erstmaliger PM gleich.
Der nächste Schritt ist eine werkzeugbezogene Analyse, um das Verbesserungspotenzial zu ermitteln. Wir möchten uns bei allen Projektbeteiligten für ihre Unterstützung des Oasis-Projekts bedanken: Charles C. Chen, Chandrasekhar Roy, Vikas Jangra und Sidda Reddy Kurakula.
Okay, Elodie, damit wäre unsere Präsentation beendet. Sollten Sie noch Fragen haben, können wir diese gerne beantworten.
