Machine Learning for Mass Production and Industrial Engineering

DSpace Repository

Show simple item record

dc.contributor.advisor Schölkopf, Bernhard (Prof. Dr.) de_DE
dc.contributor.author Pfingsten, Jens Tobias de_DE
dc.date.accessioned 2007-02-15 de_DE
dc.date.accessioned 2014-03-18T10:16:29Z
dc.date.available 2007-02-15 de_DE
dc.date.available 2014-03-18T10:16:29Z
dc.date.issued 2007 de_DE
dc.identifier.isbn 978-3-8325-1505-8 de_DE
dc.identifier.other 275059111 de_DE
dc.identifier.uri http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-27573 de_DE
dc.identifier.uri http://hdl.handle.net/10900/49009
dc.description.abstract The analysis of data from simulations and experiments in the development phase and measurements during mass production plays a crucial role in modern manufacturing: Experiments and simulations are performed during the development phase to ensure the design's fitness for mass production. During production, a large number of measurements in the automated production line controls a stable quality. As the number of measurements grows, the conventional, largely manual data analysis approaches its limits, and alternative methods are needed. This thesis studies the value of machine learning methods for typical problems faced in data analysis from engineering to mass production. In a case-study, the production of integrated circuits and micro electro-mechanical systems in silicon technology is discussed in detail. A number of approaches to salient problems in industrial application have been developed in the presented work, addressing the yield as the central figure of batch processes in silicon manufacturing: The parametric yield is governed by a design's robustness against process tolerances. This work develops a framework for doing statistical sensitivity analysis, and robust optimization which accounts for process tolerances. Using nonparametric Gaussian process regression, the sensitivity analysis can be performed efficiently. For computationally demanding simulations a robust optimization is eventually only made feasible through the presented approach. Being probabilistic models, Gaussian processes allow for an optimal experimental design, thus significantly reducing the number of required simulation runs. A novel approach to active learning for Gaussian process regression is proposed in this thesis, and validated experimentally. Besides random failures, as captured by the parametric yield, systematic errors in the production can lead to additional losses. It is hard to localize the root cause for previously unseen losses, as physical interrelations can hardly be reconstructed in complex manufacturing facilities, and as there is usually a large number of potential sources for the error. This work shows that, using feature selection, data from quality checks can be combined with data from manufacturing to construct an automated localization mechanism. en
dc.description.abstract In modernen Entwicklungs- und Fertigungsprozessen spielt die Analyse von Messdaten und Simulationsergebnissen eine herausragende Rolle: Während der Entwicklungsphase eines Produktes gilt es, die Eignung des Designs für die Massenfertigung durch Simulationen und Experimente abzusichern. Zudem stellt eine Vielzahl von Messungen eine gleichbleibend hohe Qualität in der automatisierten Fertigungsumgebung sicher. Bei steigender Anzahl von Messgrößen und wachsenden Datenmengen stößt die konventionelle, manuelle Datenanalyse an ihre Grenzen. Die vorliegende Arbeit untersucht den Nutzen der Anwendung maschinellen Lernens auf typische Fragestellungen in der Datenauswertung von der Entwicklung eines Produktes bis hin zur Massenproduktion. Die Herstellung integrierter Schaltkreise und mikromechanischer Sensoren auf Siliziumbasis dient als Fallbeispiel. Im Rahmen der Arbeit sind konkrete Lösungen zu einigen relevanten Problemen in der industriellen Anwendung entstanden, bei denen die Ausbeute die zentrale Größe darstellt: Die parametrische Ausbeute wird durch die Empfindlichkeit eines Designs gegenüber Prozessschwankungen bestimmt. In dieser Arbeit wird ein Konzept zur Auswertung von Simulationsergebnissen in einer statistischen Sensitivitäts\-analyse entwickelt, die durch den Einsatz nichtparametrischer Regression mit Gaußprozessen effizient durchgeführt werden kann. Der Ansatz ermöglicht eine neue Methode zur robusten Optimierung, die für rechenaufwändige \linebreak Simulationen erst durch den vorgestellten Ansatz durchführbar wird. Gaußprozesse ermöglichen eine effektive Nutzung vorhandener Simulationsergebnisse, machen als statistische Modelle aber zudem eine optimale Planung neuer Simulationen möglich, wodurch die Zahl der nötigen Simulationen signifikant reduziert werden kann. Ein neuer Ansatz für aktives Lernen mit Gaußprozessen wird in dieser Arbeit vorgestellt und experimentell validiert. Neben statistischen Ausfällen, die in der parametrischen Ausbeute erfasst werden, können in der Fertigung systematische Fehler auftreten. Der Ursprung solcher Probleme kann in komplexen Fertigungsanlagen allerdings nur schwer lokalisiert werden, da physikalische Zusammenhänge kaum nachvollziehbar sind und man mit einer großen Zahl möglicher Ursachen konfrontiert ist. Durch Anwendung von Merkmalsselektion ist es im Rahmen dieser Arbeit gelungen, Daten aus Qualitätskontrolle und Fertigung zu kombinieren und die Fehlerlokalisierung zu automatisieren. de_DE
dc.language.iso en de_DE
dc.publisher Universität Tübingen de_DE
dc.rights ubt-podok de_DE
dc.rights.uri http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=de de_DE
dc.rights.uri http://tobias-lib.uni-tuebingen.de/doku/lic_mit_pod.php?la=en en
dc.subject.classification Maschinelles Lernen , Bayes-Entscheidungstheorie , Automation , Halbleiter de_DE
dc.subject.ddc 530 de_DE
dc.subject.other Merkmalsselektion de_DE
dc.subject.other machine learnung , Bayesian statistics , automation , feature selection , semiconductor en
dc.title Machine Learning for Mass Production and Industrial Engineering en
dc.title Maschinelles Lernen für Massenfertigung und industrielle Entwicklung de_DE
dc.type PhDThesis de_DE
dcterms.dateAccepted 2007-02-01 de_DE
utue.publikation.fachbereich Physik de_DE
utue.publikation.fakultaet 7 Mathematisch-Naturwissenschaftliche Fakultät de_DE
dcterms.DCMIType Text de_DE
utue.publikation.typ doctoralThesis de_DE
utue.opus.id 2757 de_DE
thesis.grantor 12/13 Fakultät für Mathematik und Physik de_DE

Dateien:

This item appears in the following Collection(s)

Show simple item record