Журнал интеллектуального производства

В производстве электроники требуемое качество электронных модулей (например, корпусированных электронных устройств) оценивается посредством квалификационных испытаний на основе стандартов и требований, определяемых пользователем. Основная проблема электронной промышленности заключается в том, что квалификационные испытания продукции требуют значительных затрат времени и средств. В данной статье рассматриваются разработка и демонстрация нового подхода к интеллектуализации квалификационных испытаний с использованием данных испытаний, полученных на производственной линии, а также интегрированных вычислительных методов интеллектуального анализа и обработки данных и моделирования прогнозирования на основе данных (то есть прогностики). Рассматривается наиболее распространенный в электронной промышленности тип испытаний — последовательно выполняемые электрические многопараметрические испытания исследуемого устройства (DUT). Предлагаемая система интеллектуального анализа данных (DM) позволяет выявлять испытания, имеющие сильную корреляцию с надвигающимся отказом устройства в ходе квалификационных испытаний (испытания, чувствительные к надвигающемуся отказу), а также оценивать сходство результатов измерений, формируя тем самым знания о потенциально избыточных испытаниях. Интеллектуальный анализ данных в данном контексте и с использованием предлагаемого подхода представляет собой значимый новый вклад, поскольку позволяет выявить скрытые знания и информацию в данных производственных испытаний, что может обеспечить интеллектуальную оптимизацию последовательности испытаний и сокращение их количества. Концепция интеллектуального производства, лежащая в основе разработки прогностических моделей на основе данных с применением методов машинного обучения, заключается в использовании данных лишь небольшого числа испытаний из полной спецификации квалификационных испытаний в качестве обучающей выборки при построении модели. Затем эта модель может прогнозировать общий результат квалификационных испытаний для DUT — прохождение или отказ — без выполнения всех остальных испытаний. Новизна с точки зрения машинного обучения заключается в выборе признаков данных для обучающей выборки с использованием результатов испытаний, чувствительных к надвигающемуся отказу. Показано, что бинарные классификаторы на основе метода опорных векторов (SVM), построенные с использованием данных испытаний, чувствительных к исходу, при котором модуль выйдет из строя, демонстрируют более высокую эффективность по сравнению с моделями, обученными на других наборах данных испытаний. В статье представлены тематические исследования, основанные на реальных данных производственных испытаний электронного модуля, для демонстрации и валидации вычислительного подхода. Данная работа является новой и оригинальной, поскольку, насколько известно авторам, в настоящее время в электронной промышленности отсутствует подобная методология прогнозной аналитики, применяемая к квалификационным испытаниям и обеспечивающая сокращение времени испытаний и, следовательно, затрат. Интегрированный подход, объединяющий аналитику данных и прогностику и применимый как для автономной, так и для поточной оптимизации процедур производственных испытаний, обладает потенциалом преобразовать существующие практики за счет более интеллектуального использования информации и знаний, содержащихся в больших массивах данных квалификационных испытаний.