确定由其他孤立事件共享的公共因子。
一位母亲在送孩子们去上舞蹈课时，踩下刹车，把车停了下来。当时，她并没有注意到任何问题，但当她把车开到常规服务中心时，机械师进行了诊断检查，发现汽车的主制动系统已经失灵，原因是刹车控制器故障，而没有人意识到这一点。幸运的是，由于车辆的系统冗余，该车能够成功停车，并且经销商的诊断测试证实，自第一次芯片故障以来，没有再发生另一次故障。制动系统运转正常。
随后，经销商将刹车故障的信息发送给制造商，一位分析师指出，在过去60天内，在全国范围内，同一品牌和型号的同一控制器系统已经报告了另外6起刹车故障。在每种情况下，备用系统都成功地让每辆车完全停下来。并且，就像那位送孩子去上舞蹈课的母亲一样，分析人员查看了这六个其他失败的报告样本，并确定每个失败都是孤立的和非重复的。
那么，发生了什么，这些孤立事件的共同因素是什么?
为了找到这些答案，制造商开始对特定品牌和型号的制动系统进行故障模式和影响分析(FMEA)，他们在一定程度上使用了具有谱系和可追溯性的分析软件功能．根据调查结果，制造商将决定是否有必要进行全面召回。
经过彻底的分析，制造商确定有问题的芯片来自同一供应商。此外，这些芯片来自该公司从系统部件供应商处收到的单次交付。一旦零部件供应商得到通知，他们就会进行自己的分析，并确定这6个制动系统中的多个元件几乎是在同一时间由海外的同一家半导体工厂生产的，并且在最初检查时，这6个系统中的每个芯片似乎都很好。事实上，坏芯片的性能和电学结果符合规格，并在预期的分布范围内。
我们与工厂进行了接触，以确定用于制造故障制动系统的材料周围是否有任何异常信号。除了正常的100%验证检查、输出可视化QA和电气测试结构晶圆验收测试(WAT)之外，没有其他在线数据直接记录在这种材料上。在这种情况下，由于缺乏关于故障芯片结构的直接数据，分析就停止了。但这并不能解决问题。
除了相关部件的电气性能特征外，半导体工厂通常不会为他们在其设施中制造的所有部件捕获足够或具有代表性的在线计量数据。
在今天的晶圆厂环境中，考虑到最常见的测量采样策略，以及为过程控制和过程持续目的而配置的策略(图1)，在逐条工艺基础上执行零件级分析是不可能的。这些监控和控制策略在应用于百万分率可追溯性的产品分析时是非常不足的。即使有良好的数据外推和扩展包，这些方法所产生的任何代表性数据的误差条所产生的结果也不足以得出结论。为了更清楚地说明为什么数据外推不起作用，可以考虑在制造业中自然出现的多个错误来源。外推程序必须考虑测量工具的变化(测量仪的重复性和再现性)和晶圆片、批次、批次和工具之间的薄膜变化。从实际的角度考虑这些误差意味着任何外推值都可能导致误差条消耗超过50%的允许过程变化窗口。
图1:高可靠性系统需要了解每个组件的起源。容易获取的家谱是先决条件。
虽然上面描述的最初调查事件是虚构的，但概述的隔离问题的方法是一个可能的场景，因为缺乏完成全面诊断所需的数据。展望未来，制造商，尤其是那些为汽车和医疗行业提供零部件的制造商，将有一个选择。总之，他们可以决定继续设计具有固有冗余的解决方案，并创建更具限制性的防护带和部件平均测试(PAT)系统，以消除有问题的部件，并在现场发生故障时减轻故障。或者，他们可以增加在制造业务中进行计量的频率，以确保他们有足够的数据用于工厂生产的每一个单元。在这种情况下，在一片晶圆上采样13个点的日子将一去不复返了，很多晶圆中有两个，20个晶圆中有一个就足够了。
今天的制造商需要为设备分析创建计量采样计划，使这些数据可用于下游组件制造商和面向客户的系统提供商。此外，将这些更全面的计量覆盖计划与可用的故障检测和分类(FDC)联系起来。软件过程工具的结果，以及维护记录和过程源化学品和气体(GAC)，最终将为诊断分析人员提供完整和可操作的FMEA。
在一天结束时，最终客户将驱动最佳解决方案。
|
|
|
|
|
|
|
|
|
|
留下回复