Pengenalan kepada Multivariate SPC: Panduan Permulaan untuk MSPC

Ringkasan

• Had Tradisional: SPC Univariat sering gagal dalam pembuatan kompleks kerana ia melayan pembolehubah proses secara berasingan, mengabaikan cara ia berinteraksi.
• Kelebihan Multivariat: MSPC menganalisis hubungan antara pembolehubah, membolehkan pengesanan awal kesalahan yang terlepas pandang oleh carta standard.
• Metrik Utama: Konsep seperti $T^2$ Hotelling dan Ralat Ramalan Kuasa Dua (SPE) merupakan tulang belakang pengesanan kesalahan moden.
• Teknik: Analisis Komponen Utama (PCA) dan Kuasa Dua Terkecil Separa (PLS) mengurangkan set data yang besar kepada pandangan yang boleh diambil tindakan.
• Aplikasi dunia sebenar: Daripada fabrikasi semikonduktor hingga pemprosesan kelompok farmaseutikal, MSPC menghalang penggera palsu dan meningkatkan hasil.

Pengenalan

Pembuatan moden menghasilkan sejumlah besar data. Menurut laporan oleh McKinsey (2018), pembuatan berasaskan data dapat mengurangkan masa henti mesin sehingga 50% dan menurunkan kos kualiti sehingga 20%. Namun, banyak kemudahan masih bergantung pada carta yang dibangunkan hampir seabad yang lalu.

Jika sebuah kilang menjalankan beratus-ratus sensor, memeriksanya satu persatu tidak lagi berkesan. Ia seperti cuba menilai kesihatan ekosistem dengan melihat satu pokok. Di sinilah Pengenalan formal kepada SPC Multivariat menjadi perlu. Apabila proses menjadi lebih saling berkaitan, hubungan antara pembolehubah jauh lebih penting daripada nilai individu pembolehubah tersebut.

Apabila jurutera mengabaikan korelasi ini, mereka menghadapi dua masalah yang mahal: terlepas kecacatan sebenar (ralat Jenis II) atau mengejar hantu yang disebabkan oleh penggera palsu (ralat Jenis I).

Melangkaui Carta Shewhart

Kawalan Proses Statistik Tradisional (SPC), sering dipanggil SPC univariat, berfungsi dengan baik untuk proses mudah. ​​Anda mempunyai satu pembolehubah, katakan, diameter omboh, dan anda menjejakinya terhadap had atas dan bawah. Jika diameter kekal dalam garisan, bahagian tersebut adalah baik.

Walau bagaimanapun, proses perindustrian jarang semudah itu lagi.

Masalah dengan Pemikiran Univariat

Dalam sistem yang kompleks, pembolehubah menari bersama. Dalam reaktor kimia, apabila tekanan meningkat, suhu mungkin perlu meningkat khusus untuk mengekalkan keseimbangan.

Jika anda melihat carta tekanan sahaja, ia kelihatan normal. Jika anda melihat carta suhu sahaja, ia juga kelihatan normal. Tetapi jika tekanan tinggi dan suhu rendah , tindak balas mungkin gagal. Carta univariat akan menunjukkan lampu hijau semasa produk sedang dirosakkan.

Kawalan Proses Statistik Multivariat (MSPC) menyelesaikan masalah ini. Ia tidak bertanya, “Adakah pembolehubah ini berada dalam had?” Ia bertanya, “Adakah hubungan antara pembolehubah ini normal?”

Konsep Teras SPC Multivariat

Untuk memahami SPC Multivariat, anda perlu membiasakan diri dengan idea "ruang berubah-ubah." MSPC memplot data dalam ruang berbilang dimensi dan bukannya memplot titik data pada garis rata (siri masa).

Statistik $T^2$ Hotelling

Metrik paling biasa dalam kaedah Multivariate SPC (MSPC) ialah $T^2$ Hotelling. Anggapkan ini sebagai versi sisihan piawai berkuasa super.

Dalam carta univariat, anda menyemak sama ada sesuatu titik itu lebih daripada 3 sisihan piawai ($3\sigma$) daripada min. Dalam dunia multivariat, $T^2$ mengukur jarak titik data daripada min multivariat (pusat awan data), mengambil kira struktur korelasi.

Secara matematik, untuk vektor sampel $x$, statistik dikira sebagai:

$$T^2 = (x – \bar{x})' S^{-1} (x – \bar{x})$$

Di mana:

• $x$ ialah vektor ukuran.
• $\bar{x}$ ialah vektor min.
• $S^{-1}$ ialah songsangan bagi matriks kovarians.

Jika nilai $T^2$ melebihi had yang dikira, proses tersebut akan menjadi tidak terkawal, walaupun setiap sensor individu membaca "normal".

Ralat Ramalan Kuasa Dua (SPE)

Walaupun $T^2$ memberitahu anda jika proses telah menyimpang daripada model, Ralat Ramalan Kuasa Dua (SPE), kadangkala dipanggil statistik $Q$, memberitahu anda jika hubungan antara pembolehubah telah putus.

Jika proses anda biasanya menentukan bahawa Pembolehubah A dan Pembolehubah B bergerak serentak, dan tiba-tiba ia bergerak dalam arah yang bertentangan, nilai SPE akan melonjak. Ini adalah cara utama MSPC mengesan kegagalan sensor atau gangguan luar biasa.

Contoh Kawalan Proses Statistik Multivariat Praktikal

Mari kita lihat contoh kawalan proses statistik multivariat konkrit yang melibatkan proses pengukiran semikonduktor.

Senario :

Anda sedang memantau ruang etsa plasma. Pembolehubah utama termasuk:

1. RF Power
2. Tekanan Bilik
3. Kadar Aliran Gas

Pandangan Univariat:

• Kuasa RF: 505 Watt (Had Atas: 510). Status: OK.
• tekanan: 42 mTorr (Had Atas: 45). Status: OK.
• Aliran Gas: 98 sccm (Had Atas: 100). Status: OK.

Sistem kawalan standard tidak melihat penggera. Operator menganggap wafer sedang diproses dengan betul.

Pandangan Multivariat :

Fizik menyatakan bahawa jika Tekanan Kebuk menurun, Kadar Aliran Gas biasanya meningkat untuk mengimbangi dan mengekalkan ketumpatan plasma.

Dalam larian khusus ini, Tekanan menurun sedikit kepada 42, tetapi Aliran Gas juga menurun kepada 98. Secara individu, angka-angka ini baik-baik saja. Tetapi jika digabungkan? Ia mustahil dalam keadaan operasi biasa. Struktur korelasinya rosak.

Model MSPC akan menandakan perkara ini serta-merta. Carta $T^2$ mungkin kekal stabil, tetapi carta SPE akan memberi amaran. Jurutera menghentikan alat tersebut dan mendapati terdapat penyumbatan dalam pengawal aliran jisim. Jika mereka bergantung pada carta univariat, mereka pasti telah membuang kaset wafer yang penuh.

Kaedah SPC Multivariat Utama (MSPC)

Pengendalian data daripada 50 atau 100 sensor memerlukan pengurangan dimensi. Anda tidak boleh melihat carta 100 dimensi. Di sinilah algoritma kerja berat memainkan peranan.

Analisis Komponen Utama (PCA)

PCA merupakan alat paling popular untuk proses berterusan. Ia memudahkan data dengan mencari "Komponen Utama", iaitu pembolehubah baharu yang tidak berkorelasi yang menjelaskan varians dalam data.

• PC1 (Komponen Utama 1): Biasanya menerangkan bahagian kebolehubahan yang terbesar (contohnya, tahap tenaga keseluruhan sistem).
• PC2 (Komponen Utama 2): Menerangkan bahagian terbesar seterusnya (contohnya, keseimbangan antara bahan tindak balas).

Dengan memantau dua atau tiga Komponen Utama dan bukannya 100 pembolehubah mentah, anda akan mendapat papan pemuka yang bersih dan boleh dibaca.

Kuasa Dua Terkecil Separa (PLS)

Walaupun PCA memberi tumpuan kepada pembolehubah input ($X$), PLS memberi tumpuan kepada hubungan antara input ($X$) dan output ($Y$), seperti hasil atau kualiti.

Jika anda ingin tahu parameter proses yang mendorong kecacatan kualiti anda, PLS ialah kaedah pilihan. Ia membina model yang meramalkan kualiti berdasarkan data proses, memberi amaran kepada anda apabila kualiti yang diramalkan jatuh di bawah standard.

Mengapa Industri Tradisional Beralih

Penerimaan kawalan proses statistik multivariat semakin pantas. Menurut IFAC (Persekutuan Kawalan Automatik Antarabangsa), kerumitan sistem perindustrian telah menjadikan pemantauan berasaskan data wajib untuk kadar hasil yang kompetitif (Qin, 2012).

Penggera Palsu yang dikurangkan

Pengendali akhirnya mengabaikan penggera jika ia berbunyi terlalu kerap tanpa sebab. Carta univariat pada data yang berkorelasi tinggi menghasilkan sejumlah besar hingar statistik. MSPC menapis ini. Ia mengambil kira hingar, bermakna apabila penggera berbunyi, sudah tiba masanya untuk dijalankan.

Diagnosis Kesalahan

Mengetahui sesuatu yang tidak kena adalah baik. Mengetahui apa yang telah berlaku adalah lebih baik.

Perisian MSPC moden merangkumi "plot sumbangan." Apabila penggera $T^2$ atau SPE dicetuskan, perisian tersebut menghasilkan carta bar yang menunjukkan dengan tepat pembolehubah yang paling banyak menyumbang kepada penggera. Ia menunjukkan pasukan penyelenggaraan terus kepada pemanas yang rosak atau sensor hanyut.

Nota: Sesebuah sistem hanya sebaik data yang dimasukkan ke dalamnya. MSPC yang andal bermula dengan penyepaduan peralatan SECS/GEM yang betul , berserta sensor yang dikalibrasi dan pembalakan sejarah data yang konsisten.

Melaksanakan MSPC di Fasiliti Anda

Bermula dengan Multivariate SPC boleh terasa menakutkan, tetapi ia mengikut laluan yang logik.

1. Pengumpulan data: Kumpulkan data sejarah dari tempoh apabila proses berjalan lancar. Ini adalah "Kumpulan Emas" atau set rujukan anda.
2. Latihan Model: Gunakan perisian untuk menjalankan PCA atau PLS pada data sejarah ini. Perisian ini mentakrifkan struktur korelasi dan mengira had kawalan.
3. Pengesahan: Uji model tersebut terhadap satu set data yang mengandungi kegagalan yang diketahui. Adakah model tersebut mengesannya?
4. Pemantauan Dalam Talian: Gunakan model untuk dijalankan dalam masa nyata, selalunya disokong oleh perisian khusus Perisian carta kawalan SPC yang membandingkan data langsung dengan model rujukan.

Adalah bijak untuk bermula secara kecil-kecilan. Jangan cuba memodelkan keseluruhan loji sekaligus. Pilih satu unit operasi kritikal, seperti turus penyulingan atau mesin CNC, dan buktikan nilainya di sana terlebih dahulu.

Cabaran Biasa dan Salah Tanggapan

Walaupun Multivariate SPC mempunyai kuasa, ia bukanlah tongkat sakti.

• Ketakutan Kotak Hitam: Jurutera kadangkala menolak MSPC kerana mereka tidak dapat "melihat" makna fizikal Komponen Utama. Latihan adalah penting di sini. Pasukan perlu mempercayai matematiknya.
• Andaian Lineariti: PCA standard menganggap hubungan linear. Jika proses anda sangat tidak linear (seperti peneutralan pH), anda mungkin memerlukan versi lanjutan seperti Kernel PCA.
• Model Statik: Proses berubah. Bahagian alat haus; vendor bahan mentah berubah. Model MSPC memerlukan penyelenggaraan berkala untuk kekal tepat.

Kesimpulan

Pembuatan telah melangkaui keupayaan carta garis mudah. ​​Pengenalan kepada SPC Multivariat merupakan langkah pertama ke arah mendapatkan semula kawalan ke atas persekitaran yang kompleks dan padat dengan data. Dengan menganalisis hubungan antara pembolehubah dan bukannya menganggapnya sebagai kepulauan, jurutera boleh mengenal pasti kecacatan lebih awal dan mengurangkan pembaziran dengan ketara.

Sama ada anda berada dalam semikonduktor, farmaseutikal atau industri berat, peralihan kepada MSPC bukanlah satu kemewahan; ia adalah standard untuk jaminan kualiti moden.