Referencia projektek
Esettanulmány a félvezetőiparban: Félvezető-leválasztó berendezések adatvezérelt minőségellenőrzése (szakértőink egy korábbi projektje)
Bevezetés
A projekt során szakértőink egy félvezetőipari vállalat rétegnövesztő (depozíciós) gépeinek adatvezérelt minőségellenőrzésével foglalkoztak. Ezek a berendezések elengedhetetlenek a félvezető-gyártásban, mivel vékony, egyenletes epitaxiális rétegeket hoznak létre. Ezeknek a rétegeknek a minősége kritikus a nagy teljesítményű félvezető eszközök, például a LED-ek gyártása szempontjából.
A félvezetőiparban a stabil, megbízható gyártási folyamat mindennél fontosabb. A gépek üzemi állapotát rendszeresen ellenőrizni kell, mert a legkisebb paramétereltérések is jelentős minőségi problémákhoz, termeléskieséshez és anyagi veszteségekhez vezethetnek. A tárgyalt projekt idején az iparági gyakorlat az úgynevezett diagnosztikai referencia-futtatásokon alapult: ezek olyan tesztek, melyek során a gép szenzorai által gyűjtött adatokat az üzemeltetők egy ideális referencia-alapvonallal vetették össze. Ha a gép mutatói a specifikáción belül maradtak (in-spec), a berendezés termelésre alkalmasnak bizonyult. Ha eltérés mutatkozott (out-of-spec), akkor azonnali karbantartásra vagy alkatrészcserére volt szükség.
Üzleti probléma
A projekt üzleti kihívása az volt, hogy miként javítható a berendezések minőségbiztosítása és termelési stabilitása a diagnosztikai tesztek adatainak hatékonyabb, automatizált elemzésével. A cél a sikertelen tesztekből eredő hatalmas költségek csökkentése volt: a nem tervezett karbantartások, az idő előtti alkatrészcsere, a szervizelés és a drága termelési leállások jelentős anyagi terhet róttak a vállalatra. A projekt az állapotfelügyeletet és a gyártási készenlétet kívánta támogatni az „out-of-spec” mintázatok azonosításával, és a meghibásodás előrejelzéséért leginkább felelős konkrét szenzorok meghatározásával.
A projekt célja és feladatai
A projekt elsődleges célja az volt, hogy gépi tanulási módszerekkel azonosítsa a specifikációtól eltérő eredményt adó állapotfelmérő 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 legbefolyásosabb 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 gépek állapotfelmérő problémája kiválóan alkalmas adattudományi és gépi tanulási elemzésre.
- Adatvizualizáció: A vizsgálatba bevont közel 80 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 közel 80 változóból álló rendszer, így az in-spec és out-of-spec tesztek közötti különbségek és klasztereződések emberi szemmel is jól áttekinthetővé váltak.
- Előrejelzési pontosság: 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.
- Gyökérokok azonosítása: A további elemzések bizonyos hőmérséklet-méréseket azonosítottak a gépezetben mint a legkritikusabb szeparációs változókat. Ez az eredmény tökéletesen egybevágott a fizikai folyamatok valóságával, mivel jelentős ingadozásokat figyeltek meg a gép megfelelő alrendszerének hőmérsékleti adataiban a meghibásodást megelőzően. 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 teljesen 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.