Gdy geometria półprzewodników kurczy się do 10 nm i poniżej, granica pomiędzy „nieszkodliwą” wadą kosmetyczną a fatalną wadą funkcjonalną praktycznie zanika. Drobne zadrapania lub plamy na powierzchni płytki wydawały się kiedyś nieistotne. Obecnie stwarzają one poważne ryzyko dla niezawodności w przypadku ekstremalnych naprężeń termicznych. Kontrola człowieka nie jest już statystycznie uzasadniona w przypadku współczesnych ilości płytek i opakowań. Operatorzy po prostu nie są w stanie dokładnie przetworzyć milionów mikroskopijnych elementów. Ciągłe zmęczenie oczu w naturalny sposób prowadzi do przeoczenia anomalii.
Aktualizacja do wersji automatycznej sprzęt do kontroli defektów kosmetycznych jest obecnie podstawowym wymogiem w przypadku wysokowydajnej produkcji. Jednak obliczenie prawdziwego zwrotu z inwestycji wymaga głębszego spojrzenia. Należy wyjść poza proste wskaźniki wychwytywania defektów. Potrzebujesz systemu, który doskonale równoważy dokładność, przepustowość produkcji i identyfikowalność danych. W tym artykule zbadano, w jaki sposób zaawansowane systemy wykrywania chronią wydajność i na nowo definiują kontrolę jakości w nowoczesnych zakładach produkcyjnych.
Ochrona wydajności: automatyczne wykrywanie defektów powierzchni zapobiega przekształceniu się powierzchniowych anomalii (mikrozarysowania, plamy, odpryski) w dalsze awarie.
Redukcja przesady: Zaawansowane systemy rozróżniają defekty krytyczne od akceptowalnych odchyleń, minimalizując fałszywe alarmy (przesada), które marnują opłacalny krzem.
Identyfikowalność: nowoczesny sprzęt do kontroli wizualnej integruje się bezpośrednio z systemem MES/YMS, zapewniając informację zwrotną w pętli zamkniętej na potrzeby analizy przyczyn źródłowych.
Sztuczna inteligencja kontra tradycyjna: przejście od opartej na regułach AOI (automatycznej kontroli optycznej) do modeli głębokiego uczenia się zasadniczo zmienia sposób, w jaki producenci oceniają rozwiązania w zakresie kontroli.
Często wady kosmetyczne traktujemy jako nieszkodliwe. Założenie to jest dziś niebezpieczne. Granica pomiędzy defektami estetycznymi i funkcjonalnymi stale się zaciera. Mały chip na silikonowej krawędzi może wyglądać na prosty problem estetyczny. Tworzy to jednak poważny punkt koncentracji naprężeń. Kiedy element ulega cyklom termicznym, ten punkt nie zostaje spełniony. Wada rozszerza się do mikroskopijnego pęknięcia. Ostatecznie niszczy obwody funkcjonalne. Różnice w warstwie pasywacyjnej lub niewielkie przebarwienia często wskazują na podstawowe braki równowagi chemicznej. Nie można sobie pozwolić na ignorowanie tych pozornie powierzchownych anomalii w zastosowaniach wymagających dużej mocy.
Fałszywe negatywy mają miejsce, gdy system pomija defekt. Nazywamy to „niedopracowaniem”. Unikanie defektów kosmetycznych niesie ze sobą poważne konsekwencje. Niezauważone przedostają się do produktu końcowego. Awarie w terenie występują wkrótce po wdrożeniu. Klienci wystawiają kosztowne autoryzacje zwrotu towaru (RMA). Co ważniejsze, Twój status kwalifikacji dostawcy zyskuje ogromne znaczenie. Instytucje takie jak Rada ds. Elektroniki Samochodowej ściśle egzekwują standardy niezawodności, takie jak AEC-Q100. Żądają zerowych wad. Brak choćby najmniejszej rysy całkowicie szkodzi Twojej reputacji.
Fałszywe alarmy są równie destrukcyjne. Nazywamy to „przesadą”. Tradycyjne narzędzia kontrolne są często niezwykle czułe. Oznaczają akceptowalne odchylenia materiałowe jako wady krytyczne. To sztucznie zaniża stopy zwrotu. W rezultacie odrzucasz całkowicie opłacalny krzem. Alternatywnie możesz zmusić operatorów do ręcznych przeglądów dodatkowych. To marnuje czas i wysoko wykwalifikowaną siłę roboczą. To pokonuje cały cel automatyzacji fabryki. Potrzebujesz inteligentnych systemów, aby drastycznie ograniczyć tę przesadę.
Krajobraz branży szybko się zmienia. Klienci z branży motoryzacyjnej i lotniczej najwyższej klasy wymagają absolutnej perfekcji. Obecnie wymagają ścisłej identyfikowalności w całym łańcuchu dostaw. Wymuszają absolutną tolerancję zerowej defektów dla wszystkich komponentów półprzewodnikowych. Prosta kontrola wzrokowa nie spełnia już wymagań audytu zgodności. Musisz dostarczyć niezaprzeczalny cyfrowy dowód integralności komponentu. Zautomatyzowana inspekcja zapewnia łatwy do sprawdzenia ślad danych.
Pobieranie próbek wsadowych było kiedyś standardem branżowym. Obecnie jest to całkowicie przestarzałe. Nowoczesne systemy przetwarzania inline sprawdzają 100% komponentów. Robią to przy pełnych prędkościach produkcyjnych. Nie musisz już napotykać wąskich gardeł na stacji kontroli. Sprzęt przetwarza w sposób ciągły tysiące jednostek na godzinę. Ta kompleksowa ochrona gwarantuje natychmiastowe usunięcie usterek. Wyłapujesz anomalie, zanim przejdą do drogich etapów pakowania.
Współczesna produkcja działa w nanoskali. Zautomatyzowane systemy wykorzystują zaawansowaną optykę dostosowaną do tej skali. Łączą techniki jasnego, ciemnego pola i interferometrii. Te metody oświetlenia ujawniają anomalie powierzchniowe aż do poziomu nanometrów. Potrafią natychmiast wykryć osadzanie się cząstek o wielkości 10 nm. Solidny Kontrola defektów kosmetycznych gwarantuje, że nic nie umknie niezauważone. Identyfikujesz mikroskopijne odchylenia, zanim przełożą się na poważne błędy funkcjonalne.
Narzędzia inspekcyjne potrafią więcej niż tylko sortowanie dobrych żetonów od złych. Funkcjonują jako potężne węzły gromadzenia danych. System agreguje dane o lokalizacji defektów na setkach płytek. Z łatwością identyfikuje powtarzające się wzorce. Na przykład powtarzające się zadrapania krawędzi mogą wskazywać na źle ustawione ramię robota. Natychmiast zauważysz dryf sprzętu znajdującego się w górnym biegu rzeki. Naprawiasz pierwotną przyczynę, zamiast po prostu filtrować w sposób ciągły objawy.
Poleganie na ręcznych inżynierach ds. kontroli jakości ogranicza rozwój fabryki. Sortowanie wizualne jest żmudne i wysoce podatne na błędy. Nowoczesny sprzęt odsuwa tych wysoko wykwalifikowanych pracowników od powtarzalnych zadań. Przechodzą do doskonalenia procesów i zaawansowanej analizy defektów. Maksymalizujesz wartość swojego zespołu inżynierów. Koncentrują się na rozwiązywaniu złożonych problemów związanych z wydajnością, zamiast patrzeć przez cały dzień przez mikroskopy.
Ścisłe algorytmy rządzą tradycyjnymi systemami AOI opartymi na regułach. Programujesz dokładne parametry w oprogramowaniu. Systemy te wyróżniają się przewidywalnymi, wysoce uporządkowanymi komponentami. Doskonale radzą sobie ze ścisłymi tolerancjami geometrycznymi. Brakuje im jednak zdolności adaptacyjnych. Zmagają się z nieprzewidywalnymi organicznymi kształtami. Zróżnicowane tła łatwo mylą algorytmy. Zmieniający się współczynnik odbicia na powierzchni płytki powoduje ciągłe fałszywe alarmy.
Głębokie uczenie się całkowicie zmienia paradygmat inspekcji. Modele oparte na sztucznej inteligencji nie opierają się na zakodowanych na stałe regułach. Doskonale radzą sobie ze złożonymi powierzchniami i defektami o niskim kontraście. Doskonale radzą sobie z minimalizacją fałszywych alarmów. Algorytmy uczą się z ogromnych zbiorów danych. Podajesz im przykłady „dobrych” i „złych” komponentów. W naturalny sposób dostosowują się do akceptowalnych różnic między partiami. Unikasz ciągłego, żmudnego dostrajania parametrów. Rozumieją kontekst podobnie jak ludzki operator.
Czasami potrzebne są oba podejścia jednocześnie. Systemy hybrydowe oferują najlepsze zautomatyzowane rozwiązanie. Łączą deterministyczne pomiary oparte na regułach dla ścisłej metrologii. Jednocześnie korzystają z rozwiązań opartych na sztucznej inteligencji wykrywanie defektów powierzchniowych pod kątem anomalii kosmetycznych. W jednym przejściu otrzymujesz doskonałą weryfikację geometryczną i inteligentne rozpoznawanie anomalii. Ta wszechstronność sprawia, że są one bardzo poszukiwane w nowoczesnych, zaawansowanych fabrykach opakowań.
Kategoria systemu |
Najlepszy scenariusz zastosowania |
Kluczowa zaleta techniczna |
Główne ograniczenie |
|---|---|---|---|
AOI oparte na regułach |
Przewidywalne, wysoce strukturyzowane komponenty. |
Idealny do ścisłych tolerancji geometrycznych i metrologii. |
Zmaga się z organicznymi kształtami i różnorodną refleksyjnością. |
Sztuczna inteligencja / uczenie maszynowe |
Złożone powierzchnie i anomalie o niskim kontraście. |
Dostosowuje się do zmian partii; minimalizuje fałszywe alarmy. |
Do trenowania wymagane są obszerne, oznakowane zestawy danych defektów. |
Systemy hybrydowe |
Zaawansowane opakowanie i środowiska o ścisłej zgodności. |
Łączy precyzyjną metrologię z inteligentnym wykrywaniem anomalii. |
Bardziej złożone fazy integracji i wdrażania oprogramowania. |
Musisz starannie zrównoważyć prędkość i szczegółowość. Duże powiększenie optyczne pozwala wyraźnie dostrzec mniejsze defekty. Zmniejsza to jednak znacznie pole widzenia aparatu. To znacznie spowalnia proces kontroli. Należy ocenić, czy system utrzymuje niezbędną wartość UPH (jednostek na godzinę) przy wymaganej rozdzielczości. Nie można poświęcić wydajności produkcji na rzecz niepotrzebnego powiększenia.
Oświetlenie całkowicie utrudnia lub zakłóca proces kontroli. Materiały półprzewodnikowe są z natury silnie odblaskowe. Standardowe oświetlenie powoduje ostre odblaski i ukrywa krytyczne wady. Należy dokładnie ocenić architekturę oświetlenia systemu. Poszukaj możliwości oświetlenia pod wieloma kątami i w wielu widmach. Zaawansowane narzędzia wykorzystują obrazowanie 3D do penetracji skomplikowanych powierzchni. Doskonały sprzęt do kontroli wizualnej wykorzystuje wyspecjalizowane długości fal, aby całkowicie ominąć problemy z odbiciem. Pozwala to dokładnie odwzorowywać topografię defektu powierzchni.
Sprzęt reprezentuje tylko połowę równania. Ekosystem oprogramowania dyktuje użyteczność w świecie rzeczywistym i integrację fabryczną. Sprzęt musi bezproblemowo integrować się z istniejącą infrastrukturą danych. Aby zapewnić optymalną interoperacyjność, przed wdrożeniem należy zweryfikować kilka kluczowych wymagań oprogramowania:
Zapewnij ścisłą zgodność z SECS/GEM w zakresie komunikacji maszynowej w całej fabryce.
Sprawdź gotowość API, aby umożliwić niestandardowe wyodrębnianie danych i raportowanie.
Przetestuj protokoły integracji z obecnymi systemami realizacji produkcji (MES).
Potwierdź płynne mapowanie przepływu danych w istniejących systemach zarządzania plonami (YMS).
Systemy oparte na sztucznej inteligencji zapewniają niesamowite wyniki kontroli. Są to jednak narzędzia wyjątkowo chłonące dane. Aby skutecznie trenować, wymagają obszernych, dokładnie oznakowanych zbiorów danych. Musisz ich karmić tysiącami skrajnych przykładów. Potrzebujesz wyraźnych, podzielonych na kategorie zdjęć zadrapań, plam i odprysków. Budowa tej początkowej biblioteki obrazów wymaga znacznego czasu i wysiłku inżynieryjnego.
Nie oczekuj natychmiastowej perfekcji już pierwszego dnia wdrożenia. Potwierdzić fazę wstępnej konfiguracji i kalibracji. System potrzebuje czasu, aby nauczyć się konkretnych parametrów produktu. W tym okresie kalibracji współczynniki przedawkowania mogą chwilowo wzrosnąć. Model uczenia maszynowego początkowo zachowuje się ostrożnie. W miarę przyjmowania większej ilości danych produkcyjnych dokładność znacznie się poprawia. Należy zaplanować harmonogramy produkcji w oparciu o tę krzywą uczenia się.
Modernizacja starszych linii produkcyjnych wiąże się z wyzwaniami fizycznymi. Nowoczesne systemy w sposób ciągły rejestrują ogromne ilości danych o wysokiej rozdzielczości. Aby obsłużyć tak ogromne ilości danych obrazu, często konieczne są modernizacje infrastruktury sieciowej. Możesz także potrzebować fizycznych dostosowań w hali produkcyjnej. W przypadku starszych ładowarek automatycznych często wymagana jest niestandardowa integracja obsługi. Dokładny planowanie inspekcji półprzewodników zapobiega kosztownym opóźnieniom we wdrażaniu.
Kupujący muszą bardzo ostrożnie podchodzić do roszczeń dostawcy. Zawsze żądaj rygorystycznego dowodu koncepcji (PoC), zanim zdecydujesz się na platformę. Pomyślny PoC wymaga ścisłych wytycznych, aby zapewnić dokładną ocenę wydajności w świecie rzeczywistym. Wykonaj następujące kroki podczas procesu tworzenia krótkiej listy:
Dostarcz swoje specyficzne, aktywne płytki produkcyjne do fazy testowej.
Celowo uwzględnij znane, bardzo trudne defekty krawędziowe w partii próbnej.
Całkowicie odrzuć standardowe próbki testowe dostawcy lub nieskazitelne płytki demonstracyjne.
Niezależnie zmierz współczynnik wychwytywania defektów i odsetek wyników fałszywie dodatnich.
Kontrola defektów kosmetycznych nie dotyczy już tylko estetyki. Jest to krytyczny mechanizm obronny zapewniający niezawodność półprzewodników. Służy jako podstawa nowoczesnej optymalizacji wydajności i zgodności. Jeśli nie zastosujesz zaawansowanych możliwości wykrywania, Twój łańcuch dostaw będzie podatny na awarie na dalszym etapie.
Oceny systemów muszą ewoluować poza proste specyfikacje sprzętu. Najskuteczniejsza strategia oceny ignoruje deklarowaną liczbę megapikseli. Zamiast tego skupia się na udowodnionej zdolności systemu do ograniczania zarówno liczby fałszywych alarmów, jak i czasu ręcznego sprawdzania. Inteligentne oprogramowanie ma takie samo znaczenie jak optyka premium.
Przyjrzyj się już dziś swoim obecnym procesom inspekcji. Przeprowadź natychmiastowy audyt bieżących wskaźników przekroczeń i fałszywych alarmów. Zidentyfikuj konkretne anomalie powierzchni powodujące większość ręcznych poprawek. Poproś o ukierunkowane demonstracje systemu oparte wyłącznie na problematycznych typach defektów.
Odp.: Wady funkcjonalne powodują natychmiastową awarię elektryczną elementu. Defekty kosmetyczne, takie jak plamy powierzchniowe lub drobne mikrorysy, nie zakłócają natychmiastowego działania. Wskazują jednak na niebezpieczny dryf procesu. Poważnie ryzykują przedwczesną awarią pola pod wpływem stresu termicznego w miarę upływu czasu.
Odp.: Sztuczna inteligencja znacznie lepiej radzi sobie ze zmianami produkcyjnymi. Rozumie kontekst wizualny. To drastycznie zmniejsza liczbę fałszywych alarmów spowodowanych nieszkodliwymi różnicami kolorów lub akceptowalną teksturą materiału. Ścisłe algorytmy oparte na regułach często potykają się o te drobne, akceptowalne różnice.
Odp.: Tak, ale wymaga to wysoce specjalistycznej optyki. Zamiast standardowej optycznej inspekcji wizualnej potrzebujesz głębokiej inspekcji UV lub wiązką elektronów. Te zaawansowane metody wychwytują defekty o wielkości poniżej 10 nm, ale wiążą się ze znacznymi kompromisami w zakresie kosztów i wydajności.
