기술혁신연구 (Journal of Technology Innovation)

기술경영경제학회 (Korea Society for Innovation Managemetn & Economics)
권호 표지
DOI QR코드

DOI QR Code

데이터 마이닝 기법을 이용한 차량용 반도체의 불량률 예측 연구

Prediction of field failure rate using data mining in the Automotive semiconductor

  • 발행 : 2018.08.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 차량용 반도체가 제품 출하 후 사용 환경에 따라 발생되는 불량률을 데이터 마이닝 기법을 이용하여 분석하였다. 20세기 이후 가장 보편적인 이동수단인 자동차는 전자 컨트롤 장치와 자동차용 반도체의 사용량이 급격히 증가하면서 매우 빠른 속도로 진화하고 있다. 자동차용 반도체는 차량용 전자 컨트롤 장치 중 핵심 부품으로 소비자들에게 안정성, 연료 사용의 효율성, 운전의 안정감을 제공하기 위해 사용되고 있다. 자동차용 반도체는 가솔린엔진, 디젤 엔진, 전기 모터를 컨트롤하는 기술, 헤드업 디스플레이, 차선 유지 시스템 등 많은 부분에 적용되고 있다. 이와 같이 반도체는 자동차를 구성하는 거의 모든 전자 컨트롤 장치에 적용되고 있으며 기계적인 장치를 단순히 조합한 이상의 효과를 만들어 내고 있다. 자동차용 반도체는 10년 이상의 자동차 사용 기간을 고려하여 높은 신뢰성, 내구성, 장기공급 등의 특성을 요구하고 있다. 자동차용 반도체의 신뢰성은 자동차의 안전성과 직접적으로 연결되기 때문이다. 반도체업계에서는 JEDEC과 AEC 등의 산업 표준 규격을 이용하여 자동차용 반도체의 신뢰성을 평가하고 있다. 또한 자동차 산업에서 표준으로 제시한 신뢰성 실험 방법과 그 결과를 이용하여 개발 초기 단계 및 제품 양산 초기단계에서 제품의 수명을 예측 하고 있다. 하지만 고객의 다양한 사용 조건 및 사용 시간 등 여러 변수들에 의해 발생되는 불량률을 예측하는 데는 한계가 있다. 이러한 한계점을 극복하기 위하여 학계와 산업계에서 많은 연구가 있어왔다. 그 중 데이터 마이닝 기법을 이용한 연구가 다수의 반도체 분야에서 진행되고 있지만, 아직 자동차용 반도체에 대한 적용 및 연구는 미비한 상태이다. 이러한 관점에서 본 연구는 데이터 마이닝 기법을 이용하여 반도체 조립(Assembly)과 패키지 테스트(Package test) 공정 중 발생 된 데이터들간의 연관성을 규명하고, 고객 불량 데이터를 이용하여 잠재 불량률 예측에 적합한 데이터 마이닝 기법을 검증하였다.

Since the 20th century, automobiles, which are the most common means of transportation, have been evolving as the use of electronic control devices and automotive semiconductors increases dramatically. Automotive semiconductors are a key component in automotive electronic control devices and are used to provide stability, efficiency of fuel use, and stability of operation to consumers. For example, automotive semiconductors include engines control, technologies for managing electric motors, transmission control units, hybrid vehicle control, start/stop systems, electronic motor control, automotive radar and LIDAR, smart head lamps, head-up displays, lane keeping systems. As such, semiconductors are being applied to almost all electronic control devices that make up an automobile, and they are creating more effects than simply combining mechanical devices. Since automotive semiconductors have a high data rate basically, a microprocessor unit is being used instead of a micro control unit. For example, semiconductors based on ARM processors are being used in telematics, audio/video multi-medias and navigation. Automotive semiconductors require characteristics such as high reliability, durability and long-term supply, considering the period of use of the automobile for more than 10 years. The reliability of automotive semiconductors is directly linked to the safety of automobiles. The semiconductor industry uses JEDEC and AEC standards to evaluate the reliability of automotive semiconductors. In addition, the life expectancy of the product is estimated at the early stage of development and at the early stage of mass production by using the reliability test method and results that are presented as standard in the automobile industry. However, there are limitations in predicting the failure rate caused by various parameters such as customer's various conditions of use and usage time. To overcome these limitations, much research has been done in academia and industry. Among them, researches using data mining techniques have been carried out in many semiconductor fields, but application and research on automotive semiconductors have not yet been studied. In this regard, this study investigates the relationship between data generated during semiconductor assembly and package test process by using data mining technique, and uses data mining technique suitable for predicting potential failure rate using customer bad data.

키워드

참고문헌

  1. 전황수(2010),"자동차-IT 융합 기술 및 국내외 개발 동향". 한국멀티미디어학회지 14(1), 1-10(10 pages)
  2. 김경호(2011),"자동차용 반도체에 대한 완성차업체의 대응", 오토저널, 제 33권, 제 8호, 8월, PP93-97
  3. 이승규, 허상현, 변영재(2012), "자동차용 반도체 시장 동향 및 기술 현황", 전자공학지
  4. D.S Ahn(2012), "Consideration of Developing Automotive Semiconductor and Reliability Test". Bizocean, 2012 in Korea
  5. 도성룡, 한혁수(2014), "차량용 반도체의 품질 확보를 위한 사양 및 설계 개발 프로세스 수립", 정보과학회논문지 41(9), 625-632page
  6. S. Y. Chae, W. J. Kim(2012), "Plan for reaction of Automotive ECU software and Soc for supporting ISO26262", Korea information processing society review, Vol. 19. No.09, P73-81
  7. B.C. Kim(2012), "Korean Agency for Technology and Standards", ISO26262 Requirements of Designing Automotive Semiconductor
  8. DH Baek, CH Han(2003), "Application of Data mining for improving and predicting yield in wafer fabrication system", Journal of Intelligence and Information System
  9. 안대웅, 고효헌, 백준걸, 김성식(2009), "단계적 SVM(Support Vector Machine)을 이용한 반도체 제조 공정에서의 최종 검사 공정 수율 예측 방법"
  10. Shin K-Y., Ji J-G., Han J-H., Lee D-G., Son Y-J., and Lee H-S(2011), "Life Analysis and Reliability Prediction of Relays based on Life Prediction Method", Journal of the Korean society for railway, Page 1327-1335.
  11. Yum, B-J., Seo S-K., Yun W-Y., and Byun J-H(2014), "Trends and Future Directions of Quality Control and Reliability Engineering", Journal of Korean institute of industrial engineers, 40(6), 526-554. https://doi.org/10.7232/JKIIE.2014.40.6.526
  12. Lee S-H. and Chung H-J(2009), "Study on Lifetime Estimation of TFT-LCD Modules by Temperature Stress", Journal of Korean Institute of information, 7(5), 1-7.
  13. Lee D. K(2005), "Reliability Prediction using Telcordia SR-332 in Electric Home Appliance", Journal of applied reliability, 5(4), 2005, 427-438.
  14. Nam W.S, Kim S.B(2015), "A prediction of Wafer Yield Using Product Fabrication Virtual Metrology Process Parameters in Semiconductor Manufacturing", Journal of the Korean Institute of Industrial Engineers, pp 1-7
  15. JW Yoon, JW Kim, JM Koo and Sang-Su Ha(2007), "Flip-chip Bonding Technology and Reliability of Electronic Packaging", Journal of KWJS, Vol. 25, No. 2, April, 2007
  16. Pieter(2000), "Pete B., 2000 begins with a revised industry" Roadmap", solid state technology, PP.31-44
  17. Chris Webber(2013), "Automotive Semiconductor Demand Forecast 2011-2020", Strategy Analytics
  18. AEC-Q004(2006), "Automotive Electronics Council Component Technical Committee", Zero Defects Guideline
  19. R Uzsoy, CY Lee, LA Martin(1992), "A review of production planning and scheduling models in the semiconductor industry part I: system characteristics, performance evaluation and production planning", Vega - IIE transactions, Taylor & Francis
  20. CF Chien, WC Wang, JC Cheng(2007), "Data mining for yield enhancement in semiconductor manufacturing and an empirical study", Expert Systems with Applications, Elsevier
  21. Wilson, S., Joyce, T., and Lisay, E.(2009), "Reliability estimation from field return data", Life time data analysis, 15(3),, 397-410. https://doi.org/10.1007/s10985-009-9118-4
  22. CK Shin, SC Park(2000), "A machine learning approach to yield management in semiconductor manufacturing", International Journal of Production Research, Taylor & Francis
  23. TS Li, CL Huang, ZY Wu(2006), "Data mining using genetic programming for construction of a semiconductor manufacturing yield rate prediction system", Journal of Intelligent Manufacturing, Springer
  24. D An, HH Ko, T Gulambar, J Kim(2009), "A semiconductor yields prediction using stepwise support vector machine", ISAM 2009. ieeexplore.ieee.org
  25. C Chen, A Liaw, L Breiman(2004), "Using random forest to learn imbalanced data", University of California, Berkeley
  26. P Kang, S Cho(2006), "Ensemble of under-sampled SVMs for data imbalance problems", Neural Information Processing, Springer
  27. NV Chawla, KW Bowyer, LO Hall(2003), "SMOTE: synthetic minority over-sampling technique", Journal of artificial,
  28. Quinlan, J. R(1986), "Induction of decision trees, Machine learning", 1(1), 81-106. https://doi.org/10.1007/BF00116251
  29. Vapnik, V.(2000), "The Nature of Statistical Learning Theory", Springer
  30. Hosmer, D. and Lemeshow, W.(1989), "Applied Logistic Regression", Ed. John Wolfley and Sons, 8-20.
  31. Rosenblatt, F.(1958), "The perceptron: a probabilistic model for information storage and organization in the brain, Psychological review", 65(6), 386. https://doi.org/10.1037/h0042519
  32. Breiman, L.(2001), "Random forests, Machine learning", 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
  33. Liaw, A. and Wiener, M.(2002), "Classification and Regression by random Forest", R news, 2(3), 18-22
  34. P Kang, S Cho(2006), "EUS SVMs: Ensemble of under-sampled SVMs for data imbalance problems", Neural Information Processing,
  35. Kubat, M., Holte, R. C., and Matwin, S.(1998), "Machine learning for the detection of oil spills in satellite radar images", Machine learning, 30(2/3), 195-215. https://doi.org/10.1023/A:1007452223027
  36. Kohavi, R.(1995), "A study of cross-validation and bootstrap for accuracy estimation and model selection", In IJCAI, 14(2), 1137-1145
  37. J.H. Lau(2001), "Low Cost Flip Chip Technologies", McGRAW HILL BOOK Co., 1-17, 27-90