FDC在TFT-LCD中的应用案例研究
发布时间：2021-07-20 00:06
针对x因子不明确的品质不良,以TFT-LCD某产品不良为例,提出了FDC大数据分析方法。与实际生产过程相结合,经过数据收集和过滤、数据降维和主成分分析过程,找到该品质不良的强相关因子。通过对强关联因子进行DOE实验设计,明确关键因子管控线,提高产品生产力。
【文章来源】：制造业自动化. 2020,42(04)CSCD
【文章页数】：4 页
【部分图文】：
DOE因子图
使用FDC系统刷取2ITO Etch工序Q3数据，共86个x因子，在JMP中打开数据文件并插入Y不良率。首先，删除投入数量过小的观测行，因为投入量较小，不良发生率可能会偏高，但不代表不良高发，本案例将Pane数小于20的全部剔除。采用JMP工具对数据中异常值、离群值，删除无效因子列或强相关性因子列进行过滤降噪。对单值为空的单值数据，探索缺失值并以均值/中位值填充，超过标准差的单值离群项需与生技工程师确认后删除，共完成242项数据修正；数据标准差大于100或小于0.01的无效单列因子逐项与工程师确认后删除，如仅在几个值间跳动的参数列或固定参数列，此处共删除Tank使用时间、Tank内药液总添加量、Tank内各溶质质量分数占比、AP电压等17列因子；对x因子进行多元共线性分析，散点图矩阵看x因子间的相关性，如图1所示，结合工程经验删除强相关因子共10项，包括同一单元的相关部件参数设定（如上气帘压力和下气帘压力，下气帘吹向Glass背面，作用是配合上气帘平衡压力保证Glass顺利传送，对Etch液面无影响，故删除下气帘压力因子）、不同单元的相关部件参数设定（如不同刻蚀区间温度设定值相同，留任一参数即可）和明显存在衍生关系的变量（AP＿EXT1+AP＿EXT2=固定值）。2.2 FDC数据降维和主成分分析
若要找到Y和x关系，Y(V-Line Mura Glass别不良率）要有差异，对应x因子要有差异，从而实现差异化筛选。利用JMP对所有x因子进行K均值聚类分析[4]，将聚类数分别设置为大于等于2的整数，比较不同聚类数下的立方聚类准则CCC(Cubic Clustering Criterion),CCC越大说明分类越显著。如表1所示，本案例聚类数为3时CCC值最大，故将x因子分为3类合理，保存聚类。将Y(V-Line Mura Glass别不良率）进行层次聚类分析[5]，星座图结果如图2所示，中心点处发散出三个主分支，说明该案例将Y分为3类合理，保存聚类。为方便主成分分析，分别对不同的x、Y类别设定颜色和标记。将所有因子采用多元方法进行主成分分析，从不同维度看x因子差异性，比较发现，主成分1和主成分2下x因子差异性最易区分，结果如图3所示。Y代入结果如图4所示，可看出1群对应x因子Y不良率低，3群对应x因子Y不良率高，2群对应x因子Y不良率差异较小。不同维度看Y差异性结果如图4所示，主成分1维度下不良率高中低无法区分，主成分2维度下Y差异明显，说明主成分2维度可对Y和x进行差异化筛选。特征向量查看主成分2颜色越重说明x因子越关键，制成数据表Top10强相关因子如图5所示，Top因子与工厂经验结合，可知刻蚀区间斜气帘压力和上气帘压力为重点管控因子。
本文编号：3291708
【文章来源】：制造业自动化. 2020,42(04)CSCD
【文章页数】：4 页
【部分图文】：
DOE因子图
使用FDC系统刷取2ITO Etch工序Q3数据，共86个x因子，在JMP中打开数据文件并插入Y不良率。首先，删除投入数量过小的观测行，因为投入量较小，不良发生率可能会偏高，但不代表不良高发，本案例将Pane数小于20的全部剔除。采用JMP工具对数据中异常值、离群值，删除无效因子列或强相关性因子列进行过滤降噪。对单值为空的单值数据，探索缺失值并以均值/中位值填充，超过标准差的单值离群项需与生技工程师确认后删除，共完成242项数据修正；数据标准差大于100或小于0.01的无效单列因子逐项与工程师确认后删除，如仅在几个值间跳动的参数列或固定参数列，此处共删除Tank使用时间、Tank内药液总添加量、Tank内各溶质质量分数占比、AP电压等17列因子；对x因子进行多元共线性分析，散点图矩阵看x因子间的相关性，如图1所示，结合工程经验删除强相关因子共10项，包括同一单元的相关部件参数设定（如上气帘压力和下气帘压力，下气帘吹向Glass背面，作用是配合上气帘平衡压力保证Glass顺利传送，对Etch液面无影响，故删除下气帘压力因子）、不同单元的相关部件参数设定（如不同刻蚀区间温度设定值相同，留任一参数即可）和明显存在衍生关系的变量（AP＿EXT1+AP＿EXT2=固定值）。2.2 FDC数据降维和主成分分析
若要找到Y和x关系，Y(V-Line Mura Glass别不良率）要有差异，对应x因子要有差异，从而实现差异化筛选。利用JMP对所有x因子进行K均值聚类分析[4]，将聚类数分别设置为大于等于2的整数，比较不同聚类数下的立方聚类准则CCC(Cubic Clustering Criterion),CCC越大说明分类越显著。如表1所示，本案例聚类数为3时CCC值最大，故将x因子分为3类合理，保存聚类。将Y(V-Line Mura Glass别不良率）进行层次聚类分析[5]，星座图结果如图2所示，中心点处发散出三个主分支，说明该案例将Y分为3类合理，保存聚类。为方便主成分分析，分别对不同的x、Y类别设定颜色和标记。将所有因子采用多元方法进行主成分分析，从不同维度看x因子差异性，比较发现，主成分1和主成分2下x因子差异性最易区分，结果如图3所示。Y代入结果如图4所示，可看出1群对应x因子Y不良率低，3群对应x因子Y不良率高，2群对应x因子Y不良率差异较小。不同维度看Y差异性结果如图4所示，主成分1维度下不良率高中低无法区分，主成分2维度下Y差异明显，说明主成分2维度可对Y和x进行差异化筛选。特征向量查看主成分2颜色越重说明x因子越关键，制成数据表Top10强相关因子如图5所示，Top因子与工厂经验结合，可知刻蚀区间斜气帘压力和上气帘压力为重点管控因子。
本文编号：3291708
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3291708.html
