Referencia projektek
Esettanulmány a félvezetőiparban: MOCVD gépek adatvezérelt minőségellenőrzése (szakértőink egy korábbi projektje)
Bevezetés
A projekt során szakértőink egy félvezetőipari vállalat Planetary MOCVD gépeinek adatvezérelt minőségellenőrzésével foglalkoztak. A Planetary MOCVD gépek a félvezető-gyártásban elterjedt berendezések, melyek fém-organikus kémiai gőzleválasztás (MOCVD) révén vékony, egyenletes félvezető rétegeket hoznak létre gallium-nitrid (GaN) alapú anyagokból. Az epitaxiális rétegek minősége kritikus a félvezető eszközök, például LED-ek gyártása szempontjából.
A félvezetőiparban a stabil, megbízható gyártási folyamat kulcsfontosságú. A gépek üzemi állapotát rendszeresen ellenőrizni kell, mert a kismértékű paramétereltérések is minőségi problémákhoz, termeléskieséshez és anyagi veszteségekhez vezethetnek. A tárgyalt projekt idején a gyakorlat az úgynevezett „fingerprint” teszteken alapult: ezek egyfajta diagnosztikai tesztek, melyek során a MOCVD gép szenzorai által gyűjtött adatokat egy referencia gyártás („golden run”) vetették össze az üzemeltetők. Ha a gép mutatói megfelelően alakultak (in-spec), a berendezés termelésre alkalmasnak bizonyult. Ha eltérés mutatkozott (out-of-spec), akkor karbantartásra, esetenként egyes alkatrészek cseréjére volt szükség.
Üzleti probléma
A projekt üzleti kihívása az volt, hogy miként javítható a MOCVD gépek minőségbiztosítása és termelési stabilitása a fingerprint tesztek adatainak hatékonyabb, automatizált elemzésével. A cél az volt, hogy csökkenjenek a hibás tesztekből adódó költségek: a nem tervezett karbantartások, az alkatrészcsere, a szervizelés és a termelési leállások jelentős anyagi terhet róttak a vállalatra és ügyfeleire. A projekt tehát a MOCVD gépek állapot-felügyeletét és a gyártás-előkészítést kívánta támogatni azáltal, hogy azonosítja a specifikáción kívüli (out-of-spec) adatmintázatokat, és felismeri a meghibásodásokat leginkább befolyásoló érzékelőket és szerepüket a meghibásodásoknál.
A projekt célja és feladatai
A projekt elsődleges célja az volt, hogy gépi tanulási módszerekkel azonosítsa a specifikációtól eltérő eredményt adó fingerprint teszteket, és támogassa a szakértői döntéshozatalt. A másodlagos cél az eredetileg felvetett hibatípus-azonosítás helyett végül a legnagyobb befolyást gyakorló érzékelők beazonosítására terelődött. Ez utóbbi azért fontos, mert a legfontosabb szenzorok megtalálásával azonosíthatóvá válnak azok a fizikai folyamatok, amelyek a specifikációban megengedett tartományon kívül eső mért működési értékekhez a leginkább hozzájárulnak.
Projekt eredmények
Az elkészült projekt rámutatott, hogy a MOCVD gépek fingerprint problémája kiválóan alkalmas adattudományi és gépi tanulási elemzésre. A vizsgálatba bevont 77 darab in-spec és out-of-spec teszt adatait és a hozzájuk tartozó szakértői értékeléseket sikeresen feldolgoztuk, dokumentáltuk és vizualizáltuk. Gépi tanulásos módszerek segítségével 2 dimenzióban is megjeleníthetővé vált a 74 változóból álló rendszer, így az in-spec és out-of-spec tesztek közötti különbségek és klasztereződések emberi szemmel is jól áttekinthetővé váltak.
A klaszterező modelleknek köszönhetően 80-90% közötti osztályozási pontosságot értünk el, ami azt mutatja, hogy az out-of-spec tesztek megbízhatóan előre jelezhetőek és elkülöníthetőek az in-spec tesztektől. A további elemzések kiemelték a hűtővíz-áramokkal kapcsolatos méréseredményeket mint lényeges szeparációs változókat. Ez az eredmény a valós fizikai folyamatokkal is összhangban áll, mivel a hűtővíz mérések változóiban jelentős ingadozások voltak megfigyelhetőek. A projekt eredményei pozitív visszacsatolást adtak arra, hogy érdemes továbbfejleszteni a módszereket – például a hiányzó adatok szigorúbb kezelésével–, hogy a pontosabb és termelésben is használható modellek készülhessenek.
A projekt eredményei új összefüggésekkel szolgáltak a folyamat mérnökök számára a minőségellenőrzés és gyártásoptimalizálás elemzésének területén. A projektben alkalmazott módszertan jól szemlélteti, hogy az adattudomány és a gépi tanulás miként teremthet értéket az iparban. Ez a megközelítés összhangban áll az általunk kínált szolgáltatásokkal, melyek célja a termelési folyamatok optimalizálása, a karbantartási költségek csökkentése, a minőségellenőrzés hatékonyságának javítása, és a folyamat-adatokban található rejtett mintázatok feltárása. Az adaptív, könnyen integrálható elemzések rugalmas megoldásokat kínálnak, melyek az ügyfelek speciális, hagyományos módszerekkel nehezen azonosítható problémáira fókuszálnak.