CN108268892B - 生产故障管理分析方法 - Google Patents

Abstract

本发明公开了一种生产故障管理分析方法，本发明属于现场生产故障管理技术领域，包括故障数据生成、数据分析和故障报告生成，基于物联网技术和大数据分析方法，通过数据分析和积累，利用最终质检得到的产品缺陷信息和位置找到工艺过程中造成产品缺陷的工艺、设备或者产品本身的故障原因的生产管理分析方法。

Description

生产故障管理分析方法

技术领域

本发明属于现场生产故障管理技术领域，具体涉及一种生产故障管理分析方法。

背景技术

随着科技的发展，现代化的半导体封装测试工厂生产质量管理分析已经有了很多高度自动化和智能化的方法及系统。

目前生产线自动管理的技术方案，各个工位的监控和数据分析相对独立，而实际生产中当前工位检测到的问题有可能是上一工位原因引起的，而当前工位的问题也有可能到下一工位才会体现，因此，现在的监控方式存在检测漏洞，而本方案采用物联网和大数据的方法，对数据进行抓取、梳理和共享，实现各个工位数据的交换，全面监控来自于产品本身和生产设备硬件的问题；制造工厂的流程控制系统均是对本流程或者站点的工艺技术指标进行监视管控，这些工艺技术指标包括工艺过程中影响产品生产质量的输入输出参数，一旦发现这些参数超出了管控的范围(通过统计学计算定义的范围)，便会提示操作人员，同时对造成产品潜在问题的设备进行管制，触发响应系统使操作人员立刻对设备进行故障检修，对受影响的产片进行搁置处理。

然而，很多产品缺陷问题并不能够完全与现有已知的工艺过程参数有关，这表示，即使现有的工艺过程参数完全在质量要求之内，依然有可能造成产品的缺陷，这些缺陷一般要通过成品出厂前的最终质检来找出，最终质检包括产品表面的缺陷检测(包括污染，裂痕，重要部件缺失等)和电性能检测等，在最终质检中发现有问题的产品，需要通过人工追溯是各个工序中那个环节出现问题，然后人为通知相关工艺人员对设备进行检查，对有问题的产品进行人为搁置，而整个过程存在大量的时间的延迟，并且人工追溯因为标准模糊，存在很大不确定性，特别是在对于芯片封装制造工艺过程中，生产和封装可能并不在同一生产地，然后前、后续过程件的问题隐患则具有一定的关联。

发明内容

本发明的目的在于提供一种基于物联网技术和大数据分析方法，通过数据分析和积累，利用最终质检得到的产品缺陷信息和位置找到工艺过程中造成产品缺陷的工艺、设备或者产品本身的故障原因的生产管理分析方法。

本发明的目的是通过以下技术方案实现的：

一种生产故障管理分析方法，其特征在于包括：生成故障数据、数据分析和生成故障报告；所述故障数据生成，记录下生产过程中各生产设备的流程数据和测试过程中的测试数据；从记录下的流程数据和测试数据中抽取出生产设备发生故障和/或产品产生缺陷时的数据内容生成故障数据；所述数据分析，通过分析找出产生故障的原因，并将故障数据进行分类，并对每一类型的故障的原因进行趋向性的统计分析，得到每个类型故障的故障原因数据，并将统计分析的故障原因数据整合生成与该类型故障对应的故障库；所述故障报告生成，在生产设备发生故障和/或产品产生缺陷时，根据故障和/或缺陷类型从所述数据分析生成的故障库中调取对应的故障原因数据，并将所述故障原因数据进行加工处理并生成故障报告和/或故障处理任务。

所述故障数据生成过程中的生产设备包括测试工艺设备、封装工艺设备和质检设备。

所述故障数据生成过程中生产流程数据包括生产过程中各生产设备的温度、电压以及生产设备各部件代号名称。

所述故障数据生成过程中的测试数据包括产品质量检测的电性能测试结果和表面缺陷检测结果。

所述生产流程数据和/或测试数据是由各生产设备实时采集并通过网络上传至服务器，再由集中数据处理单元进行整合。

所述数据分析过程中将故障数据进行分类具体是指将故障数据按照生产设备发生故障的类型或产品产生缺陷的类型进行聚类。

所述聚类的具体方法为DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法或者KNN(k-Nearest Neighbor algorithm)聚类算法等。

所述产品缺陷包括产品表面污损和电性能不达标。

所述按照产品产生缺陷的类型进行聚类是指按照产品表面污损的位置和/或电性能不达标项目进行聚类。

所述数据分析过程中对每一类型的故障的原因进行趋向性的统计分析包括通过趋向性的统计分析手段找出引起生产设备发生某一类故障和/或产品产生某一类缺陷次数最多的原因作为该类生产设备故障的故障和/或产品的故障原因。

所述数据分析中进行趋向性的统计分析的手段包括卡方分布分析、二项分布分析和变异性控制图。

所述故障报告生成中将所述故障原因数据进行加工处理具体是指将生产设备故障和/或产品缺陷按照类型进行聚类，并结合所述故障库中的故障原因数据进行趋向性的统计分析得到该故障的故障原因数据并计入故障库中。

所述故障报告生成过程中，故障报告包括故障代码、引起故障的工艺流程信息、设备或者组件的名称、受影响的产品代号和故障发生时间。

所述故障报告生成过程中，故障处理任务包括故障描述、故障位置信息、故障原因描述和任务反馈单。

所述故障报告生成过程后还包括一个故障应急过程，所述故障应急过程具体是指，当设备和/或产品发生故障时，控制设备通过服务器控制发生故障的设备停工待检和/或控制设备发出指令截留出现问题的产品待检。

一种生产故障管理分析系统，其特征在于：包括服务器、中心处理器和设置在各生产设备上的数据采集装置，所述服务器、中心处理器和数据采集装置联网，所述数据采集装置用于将生产过程中各生产设备的流程数据和测试过程中的测试数据记录下并通过服务器传送至中心处理器进行数据处理生成故障库，中心处理器将生成的故障库传回服务器中保存。

所述服务器中包含数据交换模块和数据存储模块，数据交换模块用于与所述中心处理器和数据采集装置进行数据交换并将交换来的数据送入数据存储模块中存储。

所述数据采集装置包括若干镜头朝向生产设备的摄像机。

一种计算设备，包括：一个或多个处理器，存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的生产故障管理分析方法。

一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的生产故障管理分析方法。

本发明提供的一种生产故障管理分析方法，利用最终质检得到的设备的故障、产品缺陷信息和位置。其中此信息可以以产品代号和缺陷代码及缺陷位置等存在后台数据库中，同时连接各个工艺流程中的设备信息例如生产时间，产品代号，生产设备部件等，通过各种统计学方法进行特异性、趋向性分析，包括机器学习中的非监督学习的聚类方法，统计学中的卡方分布，二项分布等，找到工艺过程中造成产品缺陷的工艺或者设备或者备件，及时通知相关人员，自动停止有问题的设备运行，自动搁置受影响的产品，这样可以减少因为问题发现延迟导致的不必要损失，同时还可以在处理过程中将实际故障原因补入故障库中，实现数据的累计，并且随着真实故障原因数据的累计还能增加故障库准确度；DBSCAN聚类算法是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。KNN聚类算法即邻近算法，或者说K最近邻(k-NearestNeighbor)分类算法是常见数据挖掘分类方法之一。所谓K最近邻，就是k个最近的邻居的意思，每个样本都可以用它最接近的k个邻居来代表。KNN算法的核心思想是：如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时，只与极少量的相邻样本有关，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

附图说明

本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚，附图中：

图1是本发明的一个实施例的示意图；

图2是本发明具体实施例3的流程示意图；

图3是本发明具体实施例4的流程示意图；

图4是本发明具体实施例4的检测结果变异性控制图。

具体实施方式

下面通过几个具体的实施例来进一步说明实现本发明目的技术方案，需要说明的是，本发明要求保护的技术方案包括但不限于以下实施例。

实施例1

如图1，一种生产故障管理分析方法，生成故障数据、数据分析和生成故障报告。

所述故障数据生成，记录下生产过程中各生产设备的流程数据和测试过程中的测试数据；从记录下的流程数据和测试数据中抽取出生产设备发生故障和/或产品产生缺陷时的数据内容生成故障数据。

所述数据分析，通过分析找出产生故障的原因，并将故障数据进行分类，并对每一类型的故障的原因进行趋向性的统计分析，得到每各类型故障的故障原因数据，并将统计分析的故障原因数据整合生成与该类型故障对应的故障库。

所述故障报告生成，在生产设备发生故障和/或产品产生缺陷时，根据故障和/或缺陷类型从所述数据分析生成的故障库中调取对应的故障原因数据，并将所述故障原因数据进行加工处理并生成故障报告和/或故障处理任务。

上述实施例是本发明的一种实施方案。利用最终质检得到的设备的故障、产品缺陷信息和位置，此信息可以以产品代号和缺陷代码及缺陷位置等存在后台数据库中，同时连接各个工艺流程中的设备信息(包括生产时间，产品代号，生产设备部件等)，通过各种统计学方法进行特异性、趋向性分析(包括机器学习中的非监督学习的聚类方法，统计学中的卡方分布，二项分布等)，找到工艺过程中造成产品缺陷的工艺或者设备或者备件，及时通知相关人员进行处理，这样可以减少因为问题发现延迟导致的不必要损失，同时还可以在处理过程中将实际故障原因补入故障库中，实现数据的累计，并且随着真实故障原因数据的累计还能增加故障库准确度。

实施例2

如图1，一种生产故障管理分析方法，其特征在于包括：生成故障数据、数据分析和生成故障报告。

所述故障数据生成，记录下生产过程中各生产设备的流程数据和测试过程中的测试数据；从记录下的流程数据和测试数据中抽取出生产设备发生故障和/或产品产生缺陷时的数据内容生成故障数据。

所述数据分析，通过分析找出产生故障的原因，并将故障数据进行分类，并对每一类型的故障的原因进行趋向性的统计分析，得到每各类型故障的故障原因数据，并将统计分析的故障原因数据整合生成与该类型故障对应的故障库。

所述故障报告生成，在生产设备发生故障和/或产品产生缺陷时，根据故障和/或缺陷类型从所述数据分析生成的故障库中调取对应的故障原因数据，并将所述故障原因数据进行加工处理并生成故障报告和/或故障处理任务。

所述故障数据生成步骤中的生产设备包括测试工艺设备、封装工艺设备和质检设备。

所述故障数据生成步骤中生产流程数据包括生产过程中各生产设备的温度、电压以及生产设备各部件代号名称。

所述故障数据生成步骤中的测试数据包括产品质量检测的电性能测试结果和表面缺陷检测结果。

所述生产流程数据和/或测试数据是由各生产设备实时采集并通过网络上传至服务器，再由集中数据处理单元进行整合。

所述数据分析步骤中将故障数据进行分类具体是指将故障数据按照生产设备发生故障的类型或产品产生缺陷的类型进行聚类。

所述聚类的具体方法为DBSCAN聚类算法或者KNN聚类算法等；DBSCAN聚类算法是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。KNN聚类算法即邻近算法，或者说K最近邻(k-NearestNeighbor)分类算法是常见数据挖掘分类方法之一。所谓K最近邻，就是k个最近的邻居的意思，每个样本都可以用它最接近的k个邻居来代表。KNN算法的核心思想是：如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN方法在类别决策时，只与极少量的相邻样本有关，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

所述产品缺陷包括产品表面污损和电性能不达标。

所述按照产品产生缺陷的类型进行聚类是指按照产品表面污损的位置和/或电性能不达标项目进行聚类。

所述数据分析步骤中对每一类型的故障的原因进行趋向性的统计分析具体是指通过趋向性的统计分析手段找出引起生产设备发生某一类故障和/或产品产生某一类缺陷次数最多的原因作为该类生产设备故障的故障和/或产品的故障原因。

所述数据分析步骤中进行趋向性的统计分析的手段包括卡方分布分析、二项分布分析和变异性控制图；卡方分布符合正态分布规律；二项分布就是重复n次独立的伯努利试验，在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，与其它各次试验结果无关，事件发生与否的概率在每一次独立试验中都保持不变，则这一系列试验总称为n重伯努利实验，当试验次数为1时，二项分布服从0-1分布；控制图是用于分析和判断工序是否处于稳定状态所使用的带有控制界限的图。SPC控制图是对过程质量加以测定、记录从而进行控制管理的一种用科学方法设计的图，是质量控制的行之有效的手段，是SPC技术的核心工具。

所述故障报告生成步骤中将所述故障原因数据进行加工处理具体是指将生产设备故障和/或产品缺陷按照类型进行聚类，并结合所述故障库中的故障原因数据进行趋向性的统计分析得到该故障的故障原因数据并计入故障库中。

所述故障报告生成步骤中，故障报告包括故障代码、引起故障的工艺流程信息、设备或者组件的名称、受影响的产品代号和故障发生时间。

所述故障报告生成步骤中，故障处理任务包括故障描述、故障位置信息、故障原因描述和任务反馈单。

所述故障报告生成步骤后还包括一个故障应急步骤，所述故障应急步骤具体是指，当设备和/或产品发生故障时，控制设备通过服务器控制发生故障的设备停工待检和/或控制设备发出指令截留出现问题的产品待检。

所述任务反馈单由故障处理任务对应的负责人在排查和/或解决故障后填写，填写内容包括故障真实原因和处理结果，任务反馈单填写完成后回传至服务器中按照该故障的类型将故障真实原因和处理结果写入故障库中。

这是本发明一种优选的实施方案。利用最终质检得到的设备的故障、产品缺陷信息和位置(此信息可以以产品代号和缺陷代码及缺陷位置等存在后台数据库中)，同时连接各个工艺流程中的设备信息(生产时间，产品代号，生产设备部件等)，通过各种统计学方法进行特异性、趋向性分析(包括机器学习中的非监督学习的聚类方法，统计学中的卡方分布，二项分布等)，找到工艺过程中造成产品缺陷的工艺或者设备或者备件，及时通知相关人员，自动停止有问题的设备运行，自动搁置受影响的产品，这样可以减少因为问题发现延迟导致的不必要损失，同时还可以在处理过程中将实际故障原因补入故障库中，实现数据的累计，并且随着真实故障原因数据的累计还能增加故障库准确度。

实施例3

如图1和2，此处以芯片表面污染检测作为实例。

在芯片测试的最后阶段会对芯片进行表面测试已检测是否具有问题，比如对污渍、损毁、零件缺失等问题的检测，这一步即本技术方案中故障报告生成步骤里找到产品缺陷。

在本实例中通过采集最终质检站点分析后疑似存在表面污染的芯片信息(包括产品代码，缺陷位置等)，通过这些信息我们可以对该批芯片进行分类，分类的方式可以是根据污渍的位置，也可以是根据污渍的形状等，而目的就是把同一类的缺陷分成一组(只有同样类型的缺陷才表示是同一工艺过程产生的，才有进一步分析的意义)，为稍后的特异性分析做准备。

以表面缺陷作为特征进行聚类分析(用DBSCAN或者KNN的方法将缺陷位置或者形状接近的产品分为一类)，进行完分类后，将同一类芯片在测试流程中所经过的所有站点及机器信息进行连接，通过基于卡方分布判断这批芯片在每个站点及机器上的表现是否存在差异，如果存在则通过二项分布找出其中表现最差的位置进行标记。

比如表1中，在同一类芯片与前道测试站点的上百种组合中锁定某站点的同一个位置，标记出该组合中的每个位置从统计上的差距并找出表现最差的位置，实列中在上千万颗芯片中，通过4颗有问题的芯片找到某站点测试零件的破损，而破损的位置也与芯片上污渍的位置完全吻合，当技术人员更换新的零件后，报警消失，即可以认为故障点在于站点测试零件的破损。

表1

缺陷类别是通过自动的聚类分析算法后得到的缺陷类别；工艺设备组合指测试相关产品的工艺模块的设备组合；卡方分布是判断该测试工艺组合内部是否存在有显著差异的设备，如存在显著差异，则通过二项分布判断该工艺可能是导致最终故障的工艺。

实施例4

如图1和3，此处以数字热传感器失效检测实例。

在本实例中，可以反映出某些早期失效并不能被工厂现有的工艺参数指标检测到，或者失效的类型并不在现有的工程指标检测范围内。

测试过程中设备发生热感应故障，经过检查发现为热传感器失效，通过该故障现象从故障库中抽取对应的故障原因数据，通过对芯片故障数据进行趋向性控制分析(或者其它针对连续型数据的特异性分析方法)，通过对芯片的某些电性能参数的分析，如电压、电流、总功率等，通过测试参数数据偏移找到有问题芯片及产生该问题芯片的测试机器。

确定故障原因后生成相应的故障报告即故障处理任务并自动通过邮件或者问题芯片的堵截等方式通知到相关技术人员，防止问题继续扩大或者问题芯片流入到客户端。

其中，在对数字热传感器失效检测的故障原因数据可以采用变异性控制图的方式来直观的了解，如图4中Ⅰ、Ⅱ、Ⅲ和Ⅳ的圆框中的参数点明显偏移，表示有问题的参数点，其中参数点分布的坐标，横坐标表示时间及对应加工设备的部件名称，纵坐标是工艺参数值，这样即可快速找到对应的故障位置。

实施例5

一种生产故障管理分析系统，包括服务器、中心处理器和设置在各生产设备上的数据采集装置，所述服务器、中心处理器和数据采集装置联网，所述数据采集装置用于将生产过程中各生产设备的流程数据和测试过程中的测试数据记录下并通过服务器传送至中心处理器进行数据处理生成故障库，中心处理器将生成的故障库传回服务器中保存；所述服务器中包含数据交换模块和数据存储模块，数据交换模块用于与所述中心处理器和数据采集装置进行数据交换并将交换来的数据送入数据存储模块中存储；所述数据采集装置包括若干镜头朝向生产设备的摄像机，摄像机用于采集生产设备在生产过程的图片和/或影响质量，便于在排查故障的过程中进行回看，也能用于针对生产动作简单、自身无控制系统不会产生控制和检测数据的设备进行图像实施检测，便于追诉故障状态时的设备状态、分析故障原因。

Claims (19)

1.一种生产故障管理分析方法，其特征在于包括：故障数据生成、数据分析和故障报告生成；

所述故障数据生成，记录下生产过程中各生产设备的流程数据和测试过程中的测试数据；从记录下的流程数据和测试数据中抽取出生产设备发生故障和/或产品产生缺陷时的数据内容生成故障数据；

所述数据分析，通过分析找出产生故障的原因，并将故障数据按照生产设备发生故障的类型或产品产生缺陷的类型进行聚类，并对每一类型的故障的原因进行趋向性的统计分析，得到每个类型故障的故障原因数据，并将统计分析的故障原因数据整合生成与该类型故障对应的故障库；

所述故障报告生成，在生产设备发生故障和/或产品产生缺陷时，根据故障和/或缺陷类型从所述数据分析生成的故障库中调取对应的故障原因数据，并将所述故障原因数据进行加工处理并生成故障报告和/或故障处理任务。

2.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述故障数据生成过程中的生产设备包括测试工艺设备、封装工艺设备和质检设备。

3.如权利要求1或2所述的一种生产故障管理分析方法，其特征在于：所述故障数据生成过程中生产流程数据包括生产过程中各生产设备的温度、电压以及生产设备各部件代号名称。

4.如权利要求1或2所述的一种生产故障管理分析方法，其特征在于：所述故障数据生成过程中的测试数据包括产品质量检测的电性能测试结果和表面缺陷检测结果。

5.如权利要求1或2所述的一种生产故障管理分析方法，其特征在于：所述生产流程数据和/或测试数据是由各生产设备实时采集并通过网络上传至服务器，再由集中数据处理单元进行整合。

6.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述聚类的具体方法包括DBSCAN聚类算法或者KNN聚类算法。

7.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述产品缺陷包括产品表面污损和电性能不达标。

8.如权利要求6所述的一种生产故障管理分析方法，其特征在于：所述按照产品产生缺陷的类型进行聚类是指按照产品表面污损的位置和/或电性能不达标项目进行聚类。

9.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述数据分析过程中对每一类型的故障的原因进行趋向性的统计分析包括通过趋向性的统计分析手段找出引起生产设备发生某一类故障和/或产品产生某一类缺陷次数最多的原因作为该类生产设备故障的故障和/或产品的故障原因。

10.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述数据分析中进行趋向性的统计分析的手段包括卡方分布分析、二项分布分析和变异性控制图。

11.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述故障报告生成中将所述故障原因数据进行加工处理具体是指将生产设备故障和/或产品缺陷按照类型进行聚类，并结合所述故障库中的故障原因数据进行趋向性的统计分析得到该故障的故障原因数据并计入故障库中。

12.如权利要求1或11所述的一种生产故障管理分析方法，其特征在于：所述故障报告生成过程中，故障报告包括故障代码、引起故障的工艺流程信息、设备或者组件的名称、受影响的产品代号和故障发生时间。

13.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述故障报告生成过程中，故障处理任务包括故障描述、故障位置信息、故障原因描述和任务反馈单。

14.如权利要求1所述的一种生产故障管理分析方法，其特征在于：所述故障报告生成过程后还包括一个故障应急过程，所述故障应急过程具体是指，当设备和/或产品发生故障时，控制设备通过服务器控制发生故障的设备停工待检和/或控制设备发出指令截留出现问题的产品待检。

15.一种生产故障管理分析系统，其特征在于：包括服务器、中心处理器和设置在各生产设备上的数据采集装置，所述服务器、中心处理器和数据采集装置联网，所述数据采集装置用于将生产过程中各生产设备的流程数据和测试过程中的测试数据记录下并通过服务器传送至中心处理器进行数据处理生成故障库，中心处理器将生成的故障库传回服务器中保存。

16.如权利要求15所述的一种生产故障管理分析系统，其特征在于：所述服务器中包含数据交换模块和数据存储模块，数据交换模块用于与所述中心处理器和数据采集装置进行数据交换并将交换来的数据送入数据存储模块中存储。

17.如权利要求16所述的一种生产故障管理分析系统，其特征在于：所述数据采集装置包括若干镜头朝向生产设备的摄像机。

18.一种计算设备，包括：

一个或多个处理器，

存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1到14中任一所述的方法。

19.一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到14中任一所述的方法。