Previsione della causa principale dei guasti nell'industria dei semiconduttori, un algoritmo genetico

Rapporti scientifici volume 13, numero articolo: 4934 (2023) Citare questo articolo

963 accessi

11 Altmetrico

Dettagli sulle metriche

L'analisi dei guasti è diventata una parte importante per garantire una buona qualità nel processo di produzione dei componenti elettronici. Le conclusioni di un'analisi dei guasti possono essere utilizzate per identificare i difetti di un componente e per comprendere meglio i meccanismi e le cause del guasto, consentendo l'implementazione di misure correttive per migliorare la qualità e l'affidabilità del prodotto. Un sistema di segnalazione, analisi e azioni correttive dei guasti è un metodo utilizzato dalle organizzazioni per segnalare, classificare e valutare i guasti, nonché pianificare azioni correttive. Questi set di dati di caratteristiche testuali devono prima essere preelaborati mediante tecniche di elaborazione del linguaggio naturale e convertiti in numerici mediante metodi di vettorizzazione prima di avviare il processo di estrazione delle informazioni e di costruzione di modelli predittivi per prevedere le conclusioni del guasto di una determinata descrizione del guasto. Tuttavia, non tutte le informazioni testuali sono utili per costruire modelli predittivi adatti all'analisi dei guasti. La selezione delle caratteristiche è stata affrontata mediante diversi metodi di selezione delle variabili. Alcuni di essi non sono stati adattati per l'uso in set di dati di grandi dimensioni o sono difficili da ottimizzare e altri non sono applicabili ai dati testuali. Questo articolo mira a sviluppare un modello predittivo in grado di prevedere le conclusioni del fallimento utilizzando le caratteristiche discriminanti delle descrizioni del fallimento. Per questo, proponiamo di combinare un algoritmo genetico con metodi di apprendimento supervisionato per una previsione ottimale delle conclusioni di fallimento in termini di caratteristiche discriminanti delle descrizioni di fallimento. Poiché disponiamo di un set di dati non bilanciato, proponiamo di applicare un punteggio F1 come funzione di idoneità dei metodi di classificazione supervisionati come Decision Tree Classifier e Support Vector Machine. Gli algoritmi suggeriti si chiamano GA-DT e GA-SVM. Esperimenti su set di dati testuali di analisi dei guasti dimostrano l'efficacia del metodo GA-DT proposto nel creare un modello predittivo migliore della conclusione del fallimento rispetto all'utilizzo delle informazioni di intere caratteristiche testuali o di caratteristiche limitate selezionate da un algoritmo genetico basato su una SVM. Prestazioni quantitative come il punteggio BLEU e la somiglianza del coseno vengono utilizzate per confrontare le prestazioni di previsione dei diversi approcci.

Lo sviluppo delle tecnologie microelettroniche offre nuove opportunità per migliorare la manutenzione degli impianti di produzione sia dal punto di vista tecnico che gestionale. Per stabilire questo miglioramento della produzione è necessario concentrarsi su un passaggio importante che è l’analisi dei guasti. Questo processo è una procedura tecnica per studiare come materiali e prodotti falliscono. È importante capire come e perché un componente si guasta quando non svolge più la funzione prevista1. L'obiettivo principale dell'analisi dei guasti è trovare la causa principale del guasto, idealmente con l'obiettivo di rimuoverla e identificare modi per evitare che si ripeta. L'analisi oggettiva dei guasti può portare a numerosi risultati positivi, ad esempio l'ottenimento di un database di informazioni che può essere utilizzato per prevenire futuri guasti, migliorare la qualità e prolungare la vita di prodotti e servizi e sfruttare al meglio gli aspetti economici2. Per affrontare queste principali sfide fondamentali nel nostro mondo digitale, è importante costruire un database di informazioni per descrivere i guasti e le loro conclusioni, consentendo di garantire che sistemi elettronici sempre più complessi funzionino in modo affidabile e sicuro.

Molte organizzazioni utilizzano il sistema FRACAS (Failure Reporting, Analysis, and Corrective Action System) per tenere traccia dei problemi del prodotto. I compiti principali della tecnica FRACAS sono3: registrare e acquisire informazioni su guasti e problemi, fornire nuove informazioni per supportare future analisi di affidabilità, fornire report riepilogativi del conteggio degli incidenti e fornire set di dati sui guasti e metriche per misurare i parametri di qualità. Lo sviluppo di una nuova tecnica basata sull’intelligenza artificiale (AI) per valutare e scoprire rapidamente guasti durante lo sviluppo e la produzione di componenti e sistemi elettronici, utilizzando il rapporto finale generato da FRACAS, è una delle principali difficoltà che il nostro mondo digitale deve affrontare. L’integrazione dell’intelligenza artificiale e di origini dati multistrutturate è fondamentale per il successo della manutenzione basata sui dati. Quando una tecnica potenziata dall’intelligenza artificiale viene introdotta e integrata in un’analisi di manutenzione incentrata sull’affidabilità di sistemi di produzione complessi, i tassi di guasto si riducono e la disponibilità migliora4.