O publikacji
Publikacja przedstawia zastosowanie metod uczenia maszynowego do wspomagania wykrywania wad jakościowych w procesie produkcji półprzewodników. Badanie wykorzystuje publiczny zbiór danych SECOM i koncentruje się na ocenie skuteczności różnych modeli klasyfikacyjnych w identyfikacji rzadko występujących defektów oraz wspieraniu decyzji dotyczących kontroli jakości.
Opis
Produkcja półprzewodników należy do najbardziej złożonych procesów przemysłowych, w których każda jednostka produktu jest opisywana przez setki pomiarów pochodzących z czujników. W pracy wykorzystano zbiór SECOM, zawierający 1567 obserwacji oraz 590 zmiennych sensorowych, charakteryzujący się dużą liczbą brakujących danych oraz silną nierównowagą klas – jedynie około 6,6% obserwacji odpowiada produktom wadliwym.
W badaniu porównano pięć modeli uczenia maszynowego: Logistic Regression, SVM RBF, Random Forest, Extra Trees oraz Histogram Gradient Boosting. Analiza została przeprowadzona z wykorzystaniem procedury training–validation–test, a szczególną uwagę poświęcono interpretacji wyników z punktu widzenia wspomagania decyzji w kontroli jakości, a nie automatycznego odrzucania produktów.
Najważniejsze osiągnięcia
- analiza danych z procesu produkcji półprzewodników,
- porównanie pięciu modeli uczenia maszynowego,
- opracowanie kompletnego procesu przygotowania danych, imputacji braków oraz równoważenia klas,
- ocena modeli z wykorzystaniem wielu miar jakości klasyfikacji,
- analiza kompromisu pomiędzy wykrywaniem wad a liczbą fałszywych alarmów,
- przedstawienie praktycznego zastosowania AI jako systemu wspomagania decyzji w kontroli jakości.
Kluczowe wyniki
Badanie wykazało, że:
- model Extra Trees osiągnął najwyższą skuteczność wykrywania produktów wadliwych,
- Random Forest zapewnił najlepszą równowagę pomiędzy czułością a swoistością,
- Histogram Gradient Boosting uzyskał najwyższą dokładność oraz wartość ROC AUC,
- skuteczność modelu zależy od przyjętego progu decyzyjnego oraz kosztów związanych z dodatkowymi kontrolami jakości,
- modele AI najlepiej sprawdzają się jako narzędzia do priorytetyzacji inspekcji i oceny ryzyka, wspierając pracę specjalistów odpowiedzialnych za kontrolę jakości.
Znaczenie badań
Publikacja pokazuje, że nowoczesne metody uczenia maszynowego mogą skutecznie wspierać zarządzanie jakością w przemyśle półprzewodnikowym. Zamiast zastępować ekspertów, modele pełnią rolę inteligentnych systemów wspomagania decyzji, umożliwiając wcześniejsze wykrywanie potencjalnych wad, efektywniejsze planowanie inspekcji oraz lepsze wykorzystanie zasobów produkcyjnych zgodnie z założeniami Przemysłu 4.0 i 5.0
Dane publikacji
| Informacja | Wartość |
|---|---|
| Tytuł | Application of Machine Learning for Quality Defect Detection in Semiconductor Manufacturing Using the SECOM Dataset |
| Autorzy | Paweł Sobczak, Antoni Ciesielski, Marcin Żurawski, Marek Dębczyński |
| Rok publikacji | 2026 |
| Rodzaj publikacji | Artykuł naukowy |
| Tematyka | Uczenie maszynowe, sztuczna inteligencja, produkcja półprzewodników, kontrola jakości, Industry 4.0, analiza danych |