基于大數據分析的產品質量異常偵測研究

張欽嘉 趙強 陳嘉豐 郝國亮 高鶴鳴

摘? 要：眾所周知，常規(guī)產品不良分析方法通過經驗分析不良成因及發(fā)生位置，并根據少量數據推斷存在問題的設備。這種分析方法費時費力，驗證周期長，準確度低;為改善這一狀況，本文基于FDC（Fault Detection and Classification）系統(tǒng)，利用JMP、Minitab等品質分析工具，通過大量收集不良發(fā)生前、發(fā)生時、發(fā)生后的數據，得到FDC大數據分析五步法，使得驗證周期減少70%以上，準確率達85%以上，極大地提高了產品不良改善效率。

關鍵詞：不良預警;制程參數;大數據分析

Abstract：It is well known that conventional issue analysis methods analyze the cause and location of the issue by experience，and infer the equipment in question from a small amount of data. This method of analysis is time-consuming and laborious，verification cycle is long and accuracy is low;In order to improve this situation，based on FDC（Fault Detection and Classification）system，this paper uses JMP，Minitab and other quality analysis tools to collect a large number of data before，during and after the occurrence of adverse events，and obtains a five-step method for FDC large-scale data analysis. The verification cycle is reduced by more than 70% and the accuracy rate is over 85%，which greatly improves the efficiency of improvement.

Keywords：issue warning;process parameters;big data analysis

0? 引? 言

隨著國內對TFT-LCD液晶面板需求越來越高，DOA &Field不良也隨之增多。眾所周知，不良無法規(guī)避，所以如果能夠預警不良的發(fā)生，在不良品到達客戶和用戶手中前能減少不良所造成的損失，對企業(yè)的名譽和利潤都會產生重要的影響。本文受Field不良返品“周期久”“改善效果顯現慢”的特點得到啟發(fā)，在產品出現不良前，預警工程師調整制程參數，從而最大程度規(guī)避不良，達到提升品質的效果。

1? FDC大數據分析思路及優(yōu)勢

通過大量案例分析，總結得到FDC大數據分析思路：不良選?。‵DC系統(tǒng)采集支持;優(yōu)先工藝制程相關不良;影響工序相對簡單）→源數據除噪（異常/特殊數據過濾;無效因子篩選;強相關因子篩選）→x因子降維（維度特征值>80%）→參數分群（組間差異與總體差異占比85%以上）→Y按類別拆分（不良一段時間內持續(xù)發(fā)生：按時間別拆分;不良頻發(fā)且Lot集中：按Lot別拆分;同型號存在明顯設備產線別差異：按設備別拆分）→卡方解析（卡方P值<0.05）→差異性分析（特定維度下因子按相關性排序;P值<0.05;因子優(yōu)先級與工廠經驗相結合）→管控線建立（波動類因子管控：利用DOE和重疊等值線法建立回歸方程;壽命類因子管控：利用x區(qū)間等分法和Y分群法將源數據代碼化;路徑類因子管控：利用Excel透視表等操作分析）。

根據此方法，可迅速定位影響不良的顯著因子，有效縮減工廠改善周期，縮小驗證項目范圍，準確程度可達85%以上;利用FDC大數據路徑分析法，可快速分析出制程最優(yōu)/最差的路徑，有效規(guī)避多工序的多臺設備共同作用導致的不良。

2? FDC大數據分析方法

2.1? 理論分析方法

2.1.1? 源數據收集和除噪

強相關因子合并、異常值域刪除、區(qū)分連續(xù)型和離散型數據，如圖1所示。

2.1.2? x因子降維

運用PCA算法，進行數據維度標準化，將數據因子降為若干個視角維度，如圖2所示。

2.1.3? 參數分群

利用散點圖，查找能將變量因子有效分離的視角維度，如圖3所示。

2.1.4? 卡方解析

在該視角維度下，代入Y發(fā)生數量，利用卡方解析，找出明顯群。

2.1.5? 差異性分析

運用JMP和Minitab進行數據標準化和二進制回歸分析，分析該因子群中的關鍵因子及影響系數，如圖4所示。

2.2? 常規(guī)分析法（以垂直線Mura案例為例）

常規(guī)分析法直接對源數據進行邏輯回歸，得到的結果不準確;與數據處理后的計算結果對比，TOP20匹配項目僅15%，常規(guī)分析方將極大地增加再現驗證難度和結果評估干擾性，如圖5所示。

五步法分析步驟為：源數據除噪（因子數量減少30%）;x因子降維（維度數量減少20%）;參數分群（對多變量降維后，選取顯著維度進行分析）;卡方解析（需刪除差異不明顯的因子群信息）;差異性分析。經過五步分析法分析后的結果如圖6所示。

分析得出五步法的優(yōu)勢為：能夠縮小因子范圍，減少驗證次數，縮短驗證周期。

2.3? 本公司案例分析舉例

2.3.1? 垂直線案例分析

源數據收集和除噪（除噪后因子數量由91降至72個，如圖7所示）→x因子降維（選取12個表征維度，如圖2所示）→參數分群（選取第二維度進行分群，如圖8所示）→卡方解析（挑選具有顯著差異Glass信息進行因子分析，本案例由2329變?yōu)?590條，如圖9所示）→差異性分析（包括氣簾壓力（改善經驗項）、氣刀壓力、清洗流量等一些主要因子，其中針對氣簾壓力調整后，不良率：由8%降至1.1%以下，如圖6所示）。

2.3.2? DGS案例分析

DGS案例分析思路為：源數據收集和除噪（除噪后因子數量由213個降至63個，如圖10所示）→x因子降維（選取6個維度表征，如圖2所示）→參數分群（選取第二維度進行分析，如圖3所示）→卡方解析（挑選具有顯著差異Glass信息進行因子分析，本案例由80000→30000條，如圖11所示）→差異性分析（包括Life類壽命參數、AK壓力、清洗流量等7個主要因子，其中Life類因子占43%，如圖4所示）。

3? 分析工具標準化

3.1? Minitab和JMP分析操作思路統(tǒng)一

Minitab的分析操作思路為：不良選取→源數據采集和除噪→差異化信息篩選→因子關聯性分析→改善及有效性確認→建模設定管控線。JMP的分析操作思路為：闡述實際問題→源數據清洗→變量轉換/降維→模型構建→模型診斷→模型解讀及使用。

由此可見，Minitab和JMP分析操作思路基本一致，可統(tǒng)一分析工具。

3.2? 培訓資料編制

撰寫FDC大數據分析Array工程改善培訓資料，如圖12所示，內容包括培訓目的、大數據分析建模過程、Minitab操作流程、JMP操作流程。

4? 結? 論

通過以上分析歸納，得出FDC大數據分析五步法：源數據收集和除噪→x因子降維→參數分群→卡方解析→差異性分析，與常規(guī)不良分析法相比，其能夠有效縮小顯著因子范圍，減少驗證項，針對顯著因子設定管控線，縮短驗證周期。

參考文獻：

[1] 姜艷，宋海寧.大數據分析對企業(yè)決策的影響 [J].企業(yè)改革與管理，2018（12）：56-57.

[2] 陳明.大數據分析 [J].計算機教育，2014（5）：122-126.

[3] 何曉群，王作成.六西格瑪管理與MINITAB軟件 [J].中國統(tǒng)計，2005（9）：41-42.

[4] 羅軍，宋德朝，鄭永前，等.基于Minitab的質量控制技術在制造過程中的應用 [J].現代制造工程，2009（2）：19-21+25.

[5] Tam E C Y，Maynard N A，Apperley D C，etal. Group 14 Metal Terminal Phosphides：Correlating Structure with |JMP| [J].Inorganic Chemistry，2012，51（17）：9403.

[6] 劉英，南科毅.借鑒大數據分析方法 提高統(tǒng)計分析“含金量” [J].東方企業(yè)文化，2015（15）：345.

[7] 胡亮.基于大數據的精益六西格瑪研究 [J].企業(yè)改革與管理，2016（14）：15.

[8] 黃敏.大數據分析方法及應用初探 [J].科技資訊，2017，15（18）：53-55.

[9] 林淥，李輝.決勝市場終端 [J].經營與管理，2003（10）：36-37.

[10] 龔立雄，劉婭.基于Minitab的生產過程質量特性分析與控制 [J].重慶理工大學學報（自然科學），2013，27（2）：69-73.

[11] 王會良，朱德榮，桂斌，等.MINITAB軟件在工序質量控制中的應用 [J].煤礦機械，2006（10）：114-116.

[12] Racine JS. Rstudio：A platform-independent IDE for R and sweave [J].Journal of Applied Econometrics，2012，27（1）：167-172.

[13] 楊霞，吳東偉.R語言在大數據處理中的應用 [J].科技資訊，2013（23）：19-20.

[14] 葉文春.淺談R語言在統(tǒng)計學中的應用 [J].中共貴州省委黨校學報，2008（4）：123-125.

[15] 孫政民.國內外TFT-LCD產業(yè)的發(fā)展 [J].電子產品世界，2004（13）：37-38+42.

作者簡介：張欽嘉（1993.03-），男，滿族，遼寧鞍山人，中級工程師，本科，研究方向：液晶顯示。