Nell'industria dei semiconduttori, a causa della continua richiesta da parte dei clienti di dispositivi a basso costo, l'analisi dei dati di registro degli strumenti è fondamentale per un utilizzo efficiente degli stessi. L'implementazione di servizi Tech Enabled con gli strumenti di visualizzazione JMP® (SAS Institute) ci consente di essere più efficienti nella risposta agli eventi di manutenzione. L'analisi dei processi utilizzando le opzioni di distribuzione, istogramma e boxplot di 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 del fermo macchina, al fine di verificare la variazione rispetto all'obiettivo e determinare l'intervallo di confidenza per gli eventi di manutenzione. Il diagramma di Pareto e il diagramma causa-effetto di Ishikawa di JMP vengono implementati per l'analisi delle cause principali e i piani d'azione. La dashboard dinamica di JMP, che visualizza il boxplot insieme ai test di performance sopra descritti, facilita una migliore pianificazione delle attività di manutenzione e l'assegnazione delle 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 di JMP.
Ciao. Sono Neha Kaushal e oggi sono qui con la mia coautrice, Srivida. Lavoriamo nel settore dei materiali applicati come consulente tecnologico e ci occupiamo di analisi dei dati relativi agli strumenti per i processi di produzione di semiconduttori. In questo studio, parleremo di come utilizziamo la dashboard di JMP per ottimizzare la manutenzione degli strumenti nei processi di produzione di semiconduttori.
Nell'industria dei semiconduttori, a causa della continua richiesta da parte dei clienti di dispositivi a basso costo, l'analisi dei dati di registro degli strumenti è importante per un utilizzo efficiente degli stessi. L'implementazione di servizi basati sulla tecnologia con visualizzazione JMP ci consente di essere più efficienti nella risposta agli eventi di manutenzione preventiva degli strumenti di processo.
Ridurre al minimo il tempo di utilizzo degli strumenti durante la manutenzione, detta anche PM (Manutenzione Preventiva), migliora le prestazioni degli strumenti stessi, il che si traduce in servizi di PM migliori, con conseguente aumento della produttività e della soddisfazione del cliente. L'analisi dei due log tramite JMP, diagrammi a scatola, ecc., aiuta a focalizzare l'attenzione sulle aree problematiche durante gli interventi di manutenzione.
L'obiettivo di questo studio è identificare le opportunità di miglioramento nei tempi di fermo produzione durante diverse tipologie di manutenzione preventiva (PM). Per questo processo, consideriamo interventi di manutenzione ordinaria e straordinaria. In base al successo o al fallimento della prima esecuzione della PM, gli interventi di manutenzione vengono classificati in quattro tipologie: manutenzione ordinaria con successo alla prima esecuzione, manutenzione straordinaria con successo alla prima esecuzione, manutenzione ordinaria con fallimento alla prima esecuzione e manutenzione straordinaria con fallimento alla prima esecuzione.
Il primo passo di questa metodologia consiste nel dare priorità agli strumenti in base alla percentuale di tempo di inattività della produzione utilizzando JMP Graph Builder. Lasciate che vi mostri come. Ad esempio, qui abbiamo rappresentato graficamente la percentuale di tempo di inattività degli strumenti con gli ID degli strumenti sull'asse X. Qui possiamo verificare e identificare rapidamente che lo strumento A ha la percentuale di tempo di inattività più alta. Questo potrebbe essere lo strumento prioritario su cui intervenire per migliorare la produttività.
Successivamente, confrontiamo i tipi di PM in base alla durata della PM, individuando così opportunità di ottimizzazione del processo. Vengono poi analizzati i modelli di distribuzione sulla durata della PM per verificare la normalità dei dati; in caso contrario, si studiano i fattori che violano la normalità, come valori anomali, asimmetria, ecc. Poiché i dati si discostano dalla normalità, abbiamo applicato un approccio non parametrico per condurre uno studio di ipotesi e verificare la variazione tra i quattro tipi di eventi di PM. Infine, abbiamo creato una dashboard rapida e interattiva per analizzare i tempi di inattività degli strumenti in relazione alle prestazioni della PM.
Ora passo la parola alla mia coautrice, Srivida, che illustrerà la parte relativa ai risultati.
In questa sezione descriveremo la metodologia e i risultati. I dati sulla durata del PM vengono analizzati sulla piattaforma di distribuzione e le statistiche riassuntive mostrano che la media è maggiore della mediana e che l'asimmetria è elevata. Il grafico dei quantili normali conferma inoltre che il dataset presenta un'asimmetria positiva con valori anomali significativi.
Di conseguenza, il valore P del test di bontà dell'adattamento sulla distribuzione normale adattata è risultato violato, mentre il valore P per il test di bontà dell'adattamento sulla distribuzione di Cauchy adattata è risultato positivo. Pertanto, i nostri dati seguono una distribuzione di Cauchy.
Di conseguenza, abbiamo analizzato la presenza di outlier utilizzando il metodo di rilevamento degli outlier robusto e abbiamo trovato 11 outlier per l'analisi delle cause principali. 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. In base al valore P, tutti e tre i modelli qui mostrati, il metodo di Wilcoxon, il test della mediana e il test di Van der Waeden, concludono una differenza significativa tra i tipi di PM.
Inoltre, dal confronto non parametrico per ciascuna coppia utilizzando il metodo di Wilcoxon, abbiamo concluso che il successo e il fallimento della PM minore presentano una differenza significativa in base al valore P. Perché? Il successo e il fallimento della PM maggiore non sono significativamente diversi in base al valore P.
Ora vedremo una dimostrazione di JMP per creare una dashboard per una rapida creazione di report sulla dipendenza tra successo e fallimento dei PM e le diverse tipologie di PM. Vi mostro la sezione dedicata alle dashboard di JMP. Possiamo creare una dashboard dal file, selezionando "Nuova dashboard", scegliendo la piattaforma e inserendo il test di ipotesi, il box plot, ecc., per creare la dashboard. Questa è la dashboard che abbiamo creato a partire dalla nostra analisi. Utilizzando questa dashboard, possiamo spiegare in modo interattivo la dipendenza tra successo e fallimento dei PM e le diverse tipologie di PM, selezionando uno strumento alla volta.
Dallo studio si evince che il successo del primo intervento di manutenzione preventiva (PM) ha un impatto significativo sul tipo di intervento. In particolare, il successo del primo intervento di manutenzione preventiva ha un impatto elevato sugli interventi di manutenzione preventiva di minore entità, mentre ha un impatto trascurabile sugli interventi di manutenzione preventiva di maggiore entità. La durata mediana degli interventi di manutenzione preventiva al primo tentativo, sia in caso di successo che di insuccesso, è equivalente.
Il passo successivo consiste in un'analisi strumento per strumento al fine di identificare le aree di miglioramento. Desideriamo ringraziare i nostri stakeholder per il supporto fornito al progetto Oasis: Charles C. Chen, Chandrasekhar Roy, Vikas Jangra e Sidda Reddy Kurakula.
Bene, Elodie, questa è la fine della nostra presentazione. Se hai domande, saremo lieti di risponderti.
