SmartMan se lanzó para avanzar en el empaquetado automatizado de semiconductores hacia una fabricación sin defectos y eficiente en recursos para la industria automotriz.
Financiado por el Ministerio Federal de Economía y Energía (BMWi) y financiado por la Unión Europea, el consorcio de tres años reunió a Bosch, Infineon Technologies, ams OSRAM, Berliner NANOTEST und Design, Chemnitzer Werkstoffmechanik (CWM), inuTech, Fraunhofer EMFT, Fraunhofer ENAS, TU Chemnitz, TU München y AppliediT.
El objetivo a lo largo de la cadena de valor fue hacer que los métodos de análisis de fallos fueran aptos para línea, detectar defectos iniciales directamente en producción, vincular datos de proceso y calidad mediante trazabilidad 1:1 y gemelos digitales, y usar esos conocimientos para ajustar parámetros de producción para una mayor calidad desde el inicio y fiabilidad a largo plazo del componente.
En los demostradores del consorcio, los socios abordaron pasos críticos de la cadena de producción de semiconductores: acercar métodos de inspección ópticos, acústicos, eléctricos y termográficos a la línea, introducir defectos de prueba controlados y realizar estudios acelerados de estrés y fiabilidad para conectar variaciones tempranas de fabricación con el comportamiento a nivel de sistema.
Dentro de este programa, AppliediT trabajó en la capa de digitalización, ingeniería de datos y análisis. Al inicio del proyecto, quedó claro que la inspección en línea y el diagnóstico asistido por IA solo funcionan en producción automatizada si la tubería de datos subyacente es estable y si las señales candidatas se verifican contra la realidad física.
Scripts específicos para captura de herramientas, mapeos de variables sin versión y mediciones en bruto que mezclan geometría de piezas con inclinación del soporte, resonancia del sensor o cambios de receta no pueden alimentar ajustes automáticos de parámetros o gemelos digitales directamente.
Por ello, nuestro enfoque evolucionó hacia un flujo de trabajo estructurado: estandarizar la captura de datos de máquinas, extraer características físicas compactas de señales de inspección en bruto y verificar mediante estudios estadísticos y de correlación qué indicadores reflejan realmente un defecto y cómo afectan la calidad en múltiples estaciones.
Junto con los socios del consorcio, esto resultó en avances concretos en la cadena de producción y en múltiples dominios de inspección:
- Análisis óptico y visual: Para apoyar la inspección óptica en línea y las verificaciones geométricas previas al ensamblaje, desarrollamos métodos automáticos de posprocesamiento y agrupamiento para escaneos 3D de altura y colocación que separan superficies de chips de paredes laterales, cuantifican planitud, inclinación de bordes, altura de escalones e inclinación relativa, y aíslan la inclinación del portador y anomalías locales de superficie de la geometría general del paquete.
- Detección acústica de defectos: Para pruebas de emisión acústica usadas para investigar grietas y daños mecánicos, construimos software de extracción de características y análisis interactivo que combina formas de onda de ráfagas de alta frecuencia con señales de carga sincronizadas, separando eventos de alta energía del ruido de fondo y distinguiendo resonancia del sensor del evento mecánico.
- Correlación eléctrica y de proceso para unión por alambre y sinterización: Para evaluar la calidad de la unión por alambre y defectos subsuperficiales de sinterización, realizamos estudios de correlación entre trazas ultrasónicas de proceso, mediciones de deformación y pruebas de corte, estableciendo filtrado consciente de receta para separar respuestas del proceso a defectos reales de diferencias normales de receta.
- Integración termográfica y trazabilidad 1:1: Preparamos conceptos de integración de datos para termografía lock-in y definimos reglas estrictas de contexto—vinculando equipo, identidad del componente, versión de perfil, receta y método de evaluación—para que mediciones de fuentes ópticas, acústicas, térmicas y de proceso puedan combinarse para análisis de causa raíz multidominio y aplicaciones de gemelos digitales.
- Conectividad estandarizada de equipos: Para conectar herramientas de producción sin escribir software personalizado para cada variante de máquina, diseñamos un adaptador SECS/GEM basado en perfiles que mapea variables por identificador, versiona cambios de esquema y desacopla el reconocimiento de la máquina del almacenamiento para que la producción en vivo nunca se retrase.
Estos métodos y módulos de software ahora forman la base del producto que estamos desarrollando en AppliediT. Combinamos conectividad de equipos basada en perfiles, extracción automática de características para señales visuales, acústicas y de proceso, y análisis guiado consciente del contexto en una suite modular para fabricación automatizada.
El adaptador SECS/GEM y nuestras aplicaciones de evaluación para datos geométricos, de unión y acústicos han sido validados en demostradores de socios, y un proyecto sucesor con Bosch está llevando el adaptador hacia su despliegue en equipos adicionales.
El trabajo de ingeniería futuro se centra en escalar estos resultados para un uso de producción más amplio: calibrar características ópticas de altura entre instrumentos contra estándares de referencia, construir etiquetas de referencia verificadas de forma independiente antes de desplegar clasificadores automáticos de daños acústicos, completar la validación a nivel de sistema de la integración termográfica y conectar las salidas de datos estructurados directamente a bases de datos centrales de fábrica.
SmartMan demostró que avanzar hacia una fabricación de semiconductores sin errores requiere tanto hardware avanzado de inspección en línea como una capa de datos que mantenga cada medición interpretable desde la herramienta hasta el nivel del sistema. Lo que llevamos a desarrollo de producto es esa disciplina de ingeniería: configurar conexiones de máquinas en lugar de reescribirlas, reducir señales complejas de sensores a características físicas validadas y asegurar que cada punto de datos lleve el contexto necesario para decisiones automáticas fiables.
Compartir este artículo
