Qualitätsoptimierung in der Elektronikfertigung mit Hilfe von Data Mining Techniken

• Applicant: Professor Dr. Klaus-Jürgen Wolter
• Subject Area: Electronic Semiconductors, Components and Circuits, Integrated Systems, Sensor Technology, Theoretical Electrical Engineering
• Term: from 2009 to 2011
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 140678520

Eine wesentliche Forderung an die Fertigung elektronischer Produkte ist ein hohes Qualitätsniveau (six-sigma Forderung 3,4 DPM). Obwohl sich die Anforderungen an Produkte ständig ändern und komplexe Versorgungsketten mit wechselnden Materialien und Bauteilen bestehen, werden noch immer deterministische und univariate Annahmen über Prozesse, Materialien und Belastungen getroffen. Statistisch verlässliche Aussagen über Wechselwirkungen mit einer Vielzahl von Parametern sind in der Praxis nicht realisierbar, da der Versuchsumfang das ökonomisch sinnvolle Maß deutlich überschreitet. Nominale Variablen können zudem mit klassischen statistischen Ansätzen nur unzureichend modelliert werden. Die Data Mining Methodik verarbeitet Massendaten, die nominal wie metrisch skaliert sein können und analysiert diese multivariat. Haupteinflüsse und Wechselwirkungen zwischen Materialien, Prozessen, geometrischen Abmaßen und den Anforderungen des Kunden können so in der Baugruppenmontage erkannt werden. Die Erfüllung von Qualitäts- und Zuverlässigkeitsanforderungen elektronischer Baugruppen werden durch die Spezifikation von Merkmalen gemessen. Diese Merkmale können mechanischer, optischer und elektrischer Natur sein und nominal oder metrisch erfasst werden. Eines dieser messbaren Merkmale ist der Anteil an Störstellen (Voids) in Lotkontaktstellen, der exemplarisch mittels Data Mining Techniken analysiert wird. Einflüsse auf die Void-Bildung, wieLotpaste (z.B. Legierung, Körnung, Flussmitteltyp, Halogenitgehalt),Leiterplatte (Material) und Layout (Padgeometrien),verwendete Komponenten (z.B. BGA, QFN, passive Bauelemente),Lötverfahren (Konvektion, Dampfphase, einschließlich Prozesseinstellungen)werden multivariat untersucht. Weiterhin sollen Prognoseverfahren hinsichtlich der Dichte, Größe und Verteilung von Voids erarbeitet werden. Mit Hilfe dieser Informationen können Vorhersagemodelle (mittels Finite Elemente Methode) zur Zuverlässigkeit aufgebaut werden, die eine fundierte Bewertung von Einflüssen bei Änderungen in der Versorgungskette, Änderungen an Prozessparametern sowie neuen Layouts ermöglichen.

• DFG Programme: Research Grants