PCB “智能工厂”中对准度管控相关问题解析课件.ppt
,PCB“智能工厂”中对准度管控相关问题解析,250年以来.四次工业革命相继发生,工业 4.0 使众多管理者疑惑如何开始的“模式转换”,新阶段的组织和管理 全数字化运营,从制造现场到管理团队 横向连接供应商和客户,开放型网络需求的基础设施 关键沟通的信赖性和稳定性,开放型网络潜在的风险 保护数据中专业的行业技术,缺失足够的技能 人才流失的风险,工业 4.0 是宏大的共同目标,但是如何实现的步骤还不清晰,工业 4.0 推动所有设备使用标准的“通信协议”,许多设备已实现数据的沟通 但却以自己的特定“语言”,不同供应商的软体和设备的交流 存在困难,“标准化”需要设备的重要升级或更替,标准何时可以使用?,谁来制定标准?,智能工厂促进现有设备和基础设施来适应智能制造的挑战,Design Rules,Inner LayerScales,PEPMeasurement,LDIMeasurement,Quality,Laser Drill,XrayMeasurement,对准度管控系统,允许现有设备的使用,“逐步”实施,加强现有基础设施,智能工厂,不需要全新的工厂,可在短期内实现,专注数据管理 和沟通系统的应用,智能工厂 将智能引入PCB生产工艺的第一步,设计,工程,质量,内层,PCB工厂需要克服一系列的问题来获取智能工厂的利益,信息孤岛,压合,抵触改变,碎片式观点 重复性的数据“相同”本地变量的数据 获取及时准确信息的困难 报告导向数据的使用，而非制造,不同组织之间的低质量沟通 部门的“专家”“刚刚好”的技术 过时的技术,太多时候，人们觉得他们太忙了以至于无法着手提升现有的方法,不 谢谢,我们太忙了!,想要提升吗?,展望管控内层对准度的典型因子您可看到这些信息的孤岛,Planning Bill of Materials,CAM Design Data,内层 涨缩因子,压合 制程参数,X-ray 量测,Engineering Process Control,对准度管控问题演变为开发源数据至智能生产解决方案的需求,典型对准度管控方法,测试批次 切片分析 涨缩系数“查找表”Xray 钻靶设备优化 坐标量测机台,这些创造了许多隔离的数据伴随着有限的理解和分析,制造智能化的目标是，收集,校对,整合和理解制程数据,获取正确的数据,在正确的环境中,在实时的状况下,“行动”越快越好,整合的制造系统,制造智能化的目标是，收集,校对,整合和理解制程数据,和使用它的人创建一个桥梁,整合的制造系统,为数据的创造者,为保证实现数据的价值关键的数据萃取步骤必须执行,RAWDATA,KNOWLEDGE BASE,利用硬件和软体的基础设施 链接数据的孤岛至智能工厂，去除低效率,设备网络化,自动化的数据收集,生产中收集的数据必须通过工厂网络允许远端网络获取 网络连接可为有线或无线,但必须可靠和稳定 系统依赖的数据传输不可缺失沟通.,监测系统收集数据的创建 从远端系统读入,或者输出至远端系统 人工传输数据不再是一个选择,若数据不正确数据收集的自动化不会提升制造智能,“商业中任何技术应用的第一条规则是，将自动化应用于高效的运营中才会最大提升效率第二条规则是，将自动化应用于低效的运营中会最大化降低效率.”,比尔 盖茨 Cofounder Microsoft,为数据的质量和真实性创建一个坚实的框架去除现有运营步骤的风险,数据的质量,数据的真实,数据的不连续或不精确造成人员信赖性的丢失 若制造数据的没有质量，数据的价值就会丢失.,若数据整合在一个不可靠的方法下，公司常常回归到旧的方法和知识.许多数据未经过正确性的评估，即被运用到项目和报告中.,稳固的制程管控从开始就至关重要保证数据的质量而非错误后纠正,量测设备必须维护和校正，这样才可避免数据收集过程中的“杂音”和偏差 管控设备机台周围的环境 温度和湿度的改变会显现在数据之中 利用相关标准每天检阅，温/湿度监控计的数据质量也会改变 利用统计学管理方法来确定何时需要维护和校正 不要去等待计划表,管控量测制程!,量测系统分析将决定量测制程的精度和准确,数据中量测系统分析的差异是由于被量测产品的实际差异造成的，而非量测方法的差异是否所有员工表现相同?,设备在每批次设置的持续性至关重要.,Accurate?,Precise?,执行Gauge R&R 测试确认重复性和再现性,考虑相同层中每个量测个体与其他量测个体的相关性.考虑每个板中每层量测个体与其他层之间的相关性.考虑每一层量测个体与其他板中量测个体的相关性.,过滤假性量测，不能使用单独方法完成,若同之前的批次相比较，确定当批次材料变异是否异常是可行的.,不规则的“杂音”应被过滤，但超出范围值的产品任然会提供有价值的数据,只有理解数据的人，才能为数据增加价值,拥有领先量测能力的设备，可以为量测数据设定范围来确定“GO-NO GO”,然而,“断章取义”可使决定发生错误,一个在“中间阶段”的多次压合产品的量测，会由于后面制程中的材料位移而并非最终尺寸。如果不知道量测产品不在最终的压合制程,量测点的分析会提示此产品已超出容许值,在PCB工厂中，许多的设计和制造数据以不同格式存在于不同地方,从多个源头整合数据，可以衍生出众多的信息来帮助我们了解制程.,结合量测数据和设计信息（比如孔环，孔到铜），我们可以判断产品是否满足生产要求或者是否需要调整制程参数来提高良率/信赖性。,从多个源头整合相关数据增强了我们对制程和材料的理解,结合内层涨缩系数和量测的差异，我们可以确定此叠构中的每张core的材料变化总量并对此给出补偿。,比较相同产品中不同批次之间的材料变化总量,我们可以识别出因制程变异或材料变化而导致的异常表现。,从多个源头结合量测数据(例如.曝光,蚀刻后冲孔,X-ray 打靶)，我们可以确定每个制程中的材料变化状况。,利用工程专业充实数据，将数据转变为动态的知识库,如果我们能够回答为什么 异常表现会发生,那么我们真的可以拓展数据.,数据产生的容量要求，自动的系统能够智能和弹性,制造工业正在向高混合产品和低产量转变,更短的产品生命周期，要求新产品每几个月就推出，而非之前的几年.,考虑现在演变出的变化数目以及潜在的组合方式,在X-ray优化内存量测数据时，设备的能力通常是阻碍有用数据收集的制约,在量测一组单独标靶时，可以允许产品为钻孔制程进行优化，但缺少真实的内层对准度的理解。,在每批次大于100片板的量产时，量测每层所增加的时间周期极大的降低了制程的产能,对准度管控的失败，使得产品必须被重新生产，也同样降低了产能,为永远知道使用正确的内层涨缩系数，获取需求的数据数量是可能的,一个单次压合的8层板 可涉及到多少种不同的制程/材料组合？,5 种core的树脂型号 每个树脂型号有10种core的厚度 每个core的厚度有2种构造,5 x(10 x 2)2=2,000,5 种PP的树脂型号 每个PP的树脂型号有4种玻织布 每种玻织布有2种含胶量,5 x(4 x 2)4=20,480,仅此就有4千万种 潜在组合！还是在不考虑铜箔厚度，残铜率和制程因素的情况下.,考虑一个简单的材料列表以及假设一个平衡的构造:,逐渐提升的技术能力将会对潜在的材料和制程的组合数量有极大的影响,典型的技术发展蓝图,提高的层数 增加的压合次数 增加的材料种类,=,更多的组合数目,少或没有的理解和知识,+,+,+,历史数据决不会提供所有的答案,当没有数据可用时 只能请教“专家”.,专家根据过去的经验做出明智的猜测.,人类专家不会一天24小时/一周7天工作，并且有可能带着他们的知识离开,多个专家也许会有不同的意见 您如何决定?,为了提升付出努力，计算机专家开发成为现实 从简单的数字表格到更综合的以规则为基础的系统。,动态的决策要求专家系统被自学的系统所替代,一个专家的系统使用一系列复杂的规则来制定决策.,规则是固定的，不因人员干预而改变,考虑到可能的设计排列组合的数目,针对每种状况都提供规则是不可能的.,智能工厂需要它们自己的智能,人工智能(A.I.),我们如何将智慧引入智能工厂?,“人工智能”词汇产生于1950年代，尽管在计算机中开发人类智慧的概念从第一代电子计算机时代就存在了。,1950年,Alan Turing提出了著名的问题“机器能否思考?”从此引起了计算系统可以像人类孩童一样从经验中学习的可能性,这个领域正非常快速的向前发展而针对生产制造领域，取决于3个主要因子:可用的数据 提升的机台学习和算法能力 更强大的计算机,当撰写明确的规则去解决问题不可行或困难时，机器学习能力可被利用,机器学习是一个统计学过程，利用积累的数据以及数据衍化的算法或程序来解释数据本身，而这些也能被用来预测未来的数据。,一个有着数百万参数的模型将会产生天文数目的可能性结果。所以一个成功的机器学习必须发现一个简单的参数模组，在可行的计算机工作下，实现最大的精确度和重复性,有效的机器学习，遵循一个简单的循环周期,预测,量测,学习,在对准度管控中，我们可以看见这些步骤是如何应用到生产制程中,内层制造,压合,量测,持续生产,CAM/设计,新料号,设计和叠构数据,内层涨缩系数,量测数据,钻孔补偿,对准度管控,预测,量测,学习,一个对准度系统为数据交流提供了一个平台，实现了广泛制程的无缝互动,“一步步”逐渐实施，将概念转化为现实，彰显投资回报率 一个标准化的对准度系统“主干网”，促使大范围的供应商成为这个平台的一部分，而且不需要特别开发,智能工厂开发-从公司到生产现场，整合所有的功能实现真正的自动化的价值链,PEP&AOI,DevelopEtch Strip,Inner Layer Imaging,ProcessEngineering,Layup&Lamination,Drill&Laser Drill,Plating,Outer Layer Imaging,Planning,CAMEngineering,XrayInspection,Test&Inspection,SolderMask,Suppliers,Inner Layer Scale,Layer Matching,Panel Grouping,Drill Compensation,Material Monitor,Customers,Quality,Outer Layer Scale,Process Monitor,Quality Reports,Prediction,36,Thank you!,
