3D konvoluutioneuroverkkojen soveltamisesta piikiekkoaineiston analyysissä
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2025-01-28
Department
Major/Subject
Matematiikka ja systeemitieteet
Mcode
SCI3029
Degree programme
Teknistieteellinen kandidaattiohjelma
Language
fi
Pages
36
Series
Abstract
MEMS-piikiekkojen manuaalinen laadunvalvonta on työlästä ja altista ihmisen tekemille virheille. Lähes jokaisessa teollisessa prosessissa valmistetussa piikiekossa havaitaan ainakin muutama neliömikrometrien kokoinen vika. Piikiekossa on yli 3300 anturia, jotka sahataan erilleen vasta valmistuksen jälkeen, joten satunnaiset anturikohtaiset viat eivät vielä tarkoita, että koko komponentti olisi viallinen. Tämän kandidaatintutkielman tavoitteena on luoda Murata Electronics Oy:n toimeksiannosta pohjaa ratkaisulle, jossa piikiekot esitetään kaksi- tai kolmiulotteisina vektoreina niiden pääpiirteet säilyttäen. Piikiekkoaineiston ulottuvuuden alentaminen tehdään pääkomponenttianalyysillä (PCA) sekä 3D konvoluutioneuroverkosta (CNN) eristetyllä enkooderilla, ja saatuja tuloksia vertaillaan. Alempiulotteinen esitys mahdollistaa piikiekkojen vertailun tulkitsemalla kuvaa, jossa samankaltaiset piikiekot ryhmittyvät. Tutkielmassa halutaan myös selvittää, kuinka teollista aineistoa tulee esikäsitellä parhaan tuloksen saamiseksi. Aineiston esitys alemmassa ulottuvuu dessa pyritään klusteroimaan todenmukaisesti, eli ryhmittelemään ohjaamattomasti piikiekkojen kategorioihin. Kun laadunvalvonta saa tuekseen piikiekon pääpiirteitä kuvaavan vektorin, piikiekkoa voidaan arvioida tukeutuen menneisyydessä valmistettujen piikiekkojen vektoritietokantaan. Tarkka viantunnistus johtaa nopeampiin jatkotoimenpiteisiin, jotka tukevat koko tuotantolinjaa. Tulosten perusteella molemmat mallit ulottuvuuden alentamiseen hukkasivat paljon tietoa. Pääkomponenttianalyysin lineaarinen piirteiden muunnos todettiin epätarkaksi ja metodi hylättiin. Enkooderi löysi aineistosta epälineaarisia riippuvuuksia ja onnistui erottelemaan joitakin piikiekkojen valmistusvaiheen yleisvikoja. Enkooderin todettiin olevan herkkä, sillä sen tekemässä muunnoksessa oli selkeitä eroja konvoluutioneuroverkon koulutuskertojen välillä. Stabiilimman mallin saavuttamiseksi tarvitaan merkittävästi enemmän dataa CNN:n koulutusvaiheeseen. Klusterointi oli liian yleistävää, mutta sen tulos on hyödyllinen todellisten ryhmittymien manuaalisessa etsinnässä.Manual quality control of MEMS wafers is labor-intensive and prone to human error. In almost every industrially manufactured wafer, at least a few square-micrometer sized defects are observed. A wafer contains over 3300 sensors, which are only separated after production, meaning that random sensor-specific defects do not necessarily render the entire component faulty. The aim of this bachelor’s thesis is to lay the groundwork for a solution assigned by Murata Electronics, where wafers are represented as two- or three-dimensional vectors while preserving their key features. Dimension reduction of the wafer data is done using principal component analysis (PCA), and an encoder extracted from a 3D convolutional neural network (CNN). The results obtained are compared. The lower-dimensional representation enables the comparison of wafers by interpreting a visualization where similar wafers are grouped together. The thesis also seeks to determine how the industrial wafer data should be preprocessed to achieve the best results. One goal is also to cluster the data in the lower-dimensional representation accurately, that is grouping the wafers into categories in an unsupervised manner. When quality control is supported by a vector representing the key features of a wafer, the wafer can be categorized by comparing it to a vector database of previously manufactured wafers. Accurate defect detection enables faster follow-up actions, which benefit the entire production line. The results showed that both models for dimension reduction lost a significant amount of information. The linear feature transformation of principal component analysis was found to be inaccurate, leading to the method being discarded. The encoder identified nonlinear dependencies in the data and succeeded in distinguishing some common manufacturing defects in the wafers. However, the encoder was found to be sensitive, as the transformations it produced showed noticeable variations between different training iterations of the convolutional neural network. Achieving a more stable model will require significantly more data for CNN training. The clustering was found to be overly generalizing, but its output is helpful in the manual identification of actual groupingsDescription
Supervisor
Ilmonen, PauliinaThesis advisor
Vaulanen, MikkoKeywords
kategorisointi, klusterointi, neuroverkko, piikiekko, pääkomponenttianalyysi, vian tunnistus