반도체 산업 실패의 근본 원인 예측, 유전자 알고리즘

Scientific Reports 13권, 기사 번호: 4934(2023) 이 기사 인용

963 액세스

11 알트메트릭

측정항목 세부정보

고장 분석은 전자 부품 제조 공정에서 우수한 품질을 보장하는 중요한 부분이 되었습니다. 고장 분석의 결론은 구성 요소의 결함을 식별하고 고장의 메커니즘과 원인을 더 잘 이해하는 데 사용될 수 있으므로 제품의 품질과 신뢰성을 향상시키기 위한 교정 단계를 구현할 수 있습니다. 실패 보고, 분석, 시정 조치 시스템은 조직이 실패를 보고, 분류, 평가하고 시정 조치를 계획하는 방법입니다. 이러한 텍스트 기능 데이터 세트는 먼저 자연어 처리 기술로 전처리되고 벡터화 방법으로 숫자로 변환되어야 정보 추출 프로세스를 시작하고 예측 모델을 구축하여 주어진 오류 설명의 오류 결론을 예측할 수 있습니다. 그러나 오류 분석에 적합한 예측 모델을 구축하는 데 전체 텍스트 정보가 유용한 것은 아닙니다. 특징 선택은 여러 가지 변수 선택 방법으로 접근되었습니다. 그 중 일부는 대규모 데이터 세트에 사용하기에 적합하지 않거나 조정하기 어렵고 다른 일부는 텍스트 데이터에 적용할 수 없습니다. 본 논문은 고장 설명의 식별 기능을 사용하여 고장 결론을 예측할 수 있는 예측 모델을 개발하는 것을 목표로 합니다. 이를 위해 우리는 실패 설명의 판별적 특징 측면에서 실패 결론의 최적 예측을 위해 지도 학습 방법과 유전 알고리즘을 결합할 것을 제안합니다. 불균형한 데이터 세트가 있으므로 F1 점수를 의사결정나무 분류기 및 지원 벡터 기계와 같은 지도 분류 방법의 적합성 함수로 적용할 것을 제안합니다. 제안된 알고리즘은 GA-DT 및 GA-SVM이라고 합니다. 고장 분석 텍스트 데이터 세트에 대한 실험은 전체 텍스트 특징 또는 SVM 기반 유전 알고리즘에 의해 선택된 제한된 특징의 정보를 사용하는 것과 비교하여 더 나은 고장 결론 예측 모델을 생성하는 데 제안된 GA-DT 방법의 효율성을 보여줍니다. BLEU 점수 및 코사인 유사성과 같은 정량적 성능은 다양한 접근 방식의 예측 성능을 비교하는 데 사용됩니다.

마이크로전자공학 기술의 개발은 기술적, 관리적 관점 모두에서 생산 장비의 유지 관리를 개선할 수 있는 새로운 기회를 제공합니다. 이러한 생산 개선을 위해서는 실패 분석이라는 중요한 단계에 초점을 맞출 필요가 있습니다. 이 과정은 재료와 제품이 어떻게 실패하는지 연구하기 위한 기술적 절차입니다. 구성 요소가 더 이상 의도한 기능을 수행하지 않을 때 구성 요소가 실패하는 방식과 이유를 이해하는 것이 중요합니다1. 오류 분석의 주요 목표는 오류의 기본 근본 원인을 찾는 것입니다. 이상적으로는 오류를 제거하고 오류가 다시 발생하지 않도록 하는 방법을 식별하는 것입니다. 객관적인 고장 분석은 향후 고장 예방에 활용될 수 있는 정보 데이터베이스를 확보하고, 제품과 서비스의 품질을 향상시키고 수명을 연장하며, 경제적 측면을 최대한 활용하는 등 여러 가지 좋은 결과를 가져올 수 있습니다2. 디지털 세계에서 이러한 주요 근본적인 과제를 해결하려면 오류와 그 결론을 설명하는 정보 데이터베이스를 구축하여 점점 더 복잡해지는 전자 시스템이 안정적이고 안전하게 작동하도록 보장하는 것이 중요합니다.

많은 조직에서는 FRACAS(Failing Reporting, Analysis, Corrective Action System)를 사용하여 제품 문제를 추적합니다. FRACAS 기술의 주요 작업은3입니다. 오류 및 문제에 대한 정보를 기록 및 캡처하고, 향후 안정성 분석을 지원하는 새로운 정보를 제공하고, 사고 횟수에 대한 보고서 요약을 제공하고, 품질 매개변수를 측정하기 위한 오류 데이터 세트 및 메트릭을 제공합니다. FRACAS에서 생성된 최종 보고서를 사용하여 전자 부품 및 시스템의 개발 및 제조 과정에서 결함을 신속하게 평가하고 발견하기 위한 인공 지능(AI) 기반의 새로운 기술을 개발하는 것은 디지털 세계가 직면한 주요 과제 중 하나입니다. AI와 다중 구조 데이터 소스의 통합은 데이터 기반 유지 관리의 성공에 매우 중요합니다. 복잡한 생산 시스템의 신뢰성 중심 유지 관리 분석에 AI 강화 기술을 도입하고 통합하면 실패율이 감소하고 가용성이 향상됩니다4.