EVIS delivers services to transform your data to information.

De halfgeleider (semiconductor) industrie gebruikt Data Mining gebruikt om kennis op te doen die benut wordt voor preventief onderhoud, foutdetectie in het ontwerp, gedurende productie en kwaliteitsinspectie, voor beslissingsondersteunende systemen, controle en CRM. EVIS kan u helpen bij het selecteren en implementeren van Data Mining technieken die het meest geschikt zijn voor uw probleem.

In de volgende paragrafen beschrijven we kort enkele van de bovengenoemde gebieden.

Verhogen van de opbrenst (yield) Bedrijven die werkzaam zijn in de halfgeleiderindustrie verzamelen steeds meer gegevens, maar het is nog steeds erg lastig om te bepalen wat de belangrijkste parameters zijn voor het modelleren en voorspellen van de opbrengst. Er wordt gezegd dat "de hoeveelheid gegevens is te groot om door een ingenieur effectief bewaakt en beheerst te worden, vooral tijdens onverwachte ontwikkelingen en afwijkingen." Door gebruik te maken van geavanceerde data management en data mining tools is het mogelijk om de opbrengst te verklaren en te voorspellen b.v. met: Patroon-extractie van de wafer met een circuit probe aan het einde van het fabricage proces: faalpatronen worden gegroepeerd in random, systematisch en gemengd. De systematische fouten zijn natuurlijk van wezenlijk belang om het proces te verbeteren.

• Monitoring van het productieproces en diagnose van gebreken is nodig om de verantwoordelijke oorzaken te onderkennen en op te lossen, en daardoor de opbrengst te verhogen. Hierdoor is het belangrijk om met Data Mining oorzakelijke relaties te identificeren tussen procesvariabelen en opbrengst.
• Visualisatie van grote hoeveelheden gemengde type semiconductor data kan u de relaties tonen tussen procesvariabelen en problemen die de opbrengst verlagen.

Prestatie van kritische producten in Manufacturing

Tijdens de manufacturing van kritische productonderdelen is het belangrijk om de prestaties en het gedrag van deze componenten te meten voordat de montage plaatsvindt. De acceptatie testen van deze componenten zouden echter wel eens erg kostbaar kunnen zijn en de cyclus tijd van de productie negatief beïnvloeden. Data Mining ontsluiert de kenmerken van de in het verleden behaalde componentprestaties  en deze historische informatie kan gebruikt worden als de de basis voor monitoring en diagnose.

Foutdetectie en kwaliteitsverbetering

Onderzoek van wat er in het verleden is gebeurd kunt u gebruiken om uw inzicht in het proces te verhogen, bijvoorbeeld voor de voorspelling van de toekomstige systeemprestaties. Data Mining kan ook de factoren bepalen die van invloed zijn op het succes of falen van een proces. Daarnaast kan het ook worden gebruikt om het aantal dure tests (om de prestatiecriteria te testen) te reduceren; om een diagnose te stellen van de oorzaak van tekortkomingen en bepaalde soorten fouten; om het faalmechanisme van mechanische onderdelen te identificeren; en om dynamische eigenschappen van machines te analyseren.

Voor meer informatie, gelieve contact met ons op te nemen.