张钦嘉 赵强 陈嘉丰 郝国亮 高鹤鸣

摘  要：众所周知，常规产品不良分析方法通过经验分析不良成因及发生位置，并根据少量数据推断存在问题的设备。这种分析方法费时费力，验证周期长，准确度低;为改善这一状况，本文基于FDC（Fault Detection and Classification）系统，利用JMP、Minitab等品质分析工具，通过大量收集不良发生前、发生时、发生后的数据，得到FDC大数据分析五步法，使得验证周期减少70%以上，准确率达85%以上，极大地提高了产品不良改善效率。

关键词：不良预警;制程参数;大数据分析

Abstract：It is well known that conventional issue analysis methods analyze the cause and location of the issue by experience，and infer the equipment in question from a small amount of data. This method of analysis is time-consuming and laborious，verification cycle is long and accuracy is low;In order to improve this situation，based on FDC（Fault Detection and Classification）system，this paper uses JMP，Minitab and other quality analysis tools to collect a large number of data before，during and after the occurrence of adverse events，and obtains a five-step method for FDC large-scale data analysis. The verification cycle is reduced by more than 70% and the accuracy rate is over 85%，which greatly improves the efficiency of improvement.

Keywords：issue warning;process parameters;big data analysis

0  引  言

随着国内对TFT-LCD液晶面板需求越来越高，DOA &Field不良也随之增多。众所周知，不良无法规避，所以如果能够预警不良的发生，在不良品到达客户和用户手中前能减少不良所造成的损失，对企业的名誉和利润都会产生重要的影响。本文受Field不良返品“周期久”“改善效果显现慢”的特点得到启发，在产品出现不良前，预警工程师调整制程参数，从而最大程度规避不良，达到提升品质的效果。

1  FDC大数据分析思路及优势

通过大量案例分析，总结得到FDC大数据分析思路：不良选取（FDC系统采集支持;优先工艺制程相关不良;影响工序相对简单）→源数据除噪（异常/特殊数据过滤;无效因子筛选;强相关因子筛选）→x因子降维（维度特征值>80%）→参数分群（组间差异与总体差异占比85%以上）→Y按类别拆分（不良一段时间内持续发生：按时间别拆分;不良频发且Lot集中：按Lot别拆分;同型号存在明显设备产线别差异：按设备别拆分）→卡方解析（卡方P值<0.05）→差异性分析（特定维度下因子按相关性排序;P值<0.05;因子优先级与工厂经验相结合）→管控线建立（波动类因子管控：利用DOE和重叠等值线法建立回归方程;寿命类因子管控：利用x区间等分法和Y分群法将源数据代码化;路径类因子管控：利用Excel透视表等操作分析）。

根据……