基于非線性模型提升覆晶薄膜封裝顯示模組拆解良率的研究

韓 琛，陳文智，馬海彭，錢 程，孫艷麗，馬俊安，孫 磊

（1.京東方（河北）移動顯示技術有限公司，廊坊 065000；2.中國質量研究院，上海 201101；3.上海電機學院，上海 201306）

1 引言

隨著智能手機的普及，智能手機行業的競爭日趨激烈，技術迭代周期越來越短，成本控制要求也越來越高。手機屏作為大數據時代信息交互的窗口，不僅是手機的重要組成部分，也是消費者最關注的部件之一。全面屏手機通過超窄邊框設計，可以在同樣大小的正面面積下嵌入更大的屏幕，使屏占比達到90%，這既增大了視野，提升了視頻觀感，也使得手機的顏值得到大幅度的提升，并附有更強的科技感。全面屏作為智能手機顯示趨勢的重要創新，在2016 年一經推出就備受好評，成為市場追蹤的熱點。

卷帶式覆晶薄膜封裝（Chip On Film，COF）是一種新型集成電路（Integrated Circuit，IC）封裝技術，以柔性基板電路作為封裝IC 的載體，再通過外引線焊接工藝（Out Lead Bonding，OLB）鍵合到面板的氧化銦錫（Indium Tin Oxide，ITO）端子上[1-5]，極大提升了面板顯示區占比，從而成為薄膜晶體管液晶顯示器（Thin Film Transistor-Liquid Crystal Display，TFT- LCD）顯示模組提升屏占比的主流封裝工藝。相比IC 芯片固定于玻璃基板工藝（Chip On Glass，COG），COF 工藝的ITO 端子典型寬度從4.58 毫米減小至3.6 毫米以下[6-10]，在對模組制程缺陷進行返修時，柔性封裝IC 受拆解過程干涉報廢率升高，同時在分離蓋板時，由于會在端子上施加一個外力，端子變窄受力面積更小，局部壓力變大導致端子更容易受到破壞。COF 封裝產品返修拆解良率相比COG 封裝產品大幅降低，由此造成返修成本升高12%。本研究將拆解造成的主要缺陷進行分類，對不同類型的根本原因進行分析，并提出針對性的改善方案，進而優化關鍵參數，有效提升了拆解良率，解決了COF 封裝顯示模組制造工藝上的返修難題，使返修成本降低了8%。

2 拆解缺陷分類

從某電子廠內2019 年1 月至4 月數據得知，COF 項目拆解缺陷率為24.77%，造成極大損失。為降低損失、提升收益，亟需降低拆解缺陷率。經收集拆解缺陷數據，并通過對實際拆解缺陷的分析，可將拆解缺陷分為三類，分別為端子缺陷、玻璃基板相關缺陷、電性缺陷。

選取2019 年5 月份的三類拆解缺陷進行分析，如圖1 所示。圖1（a）為端子缺陷，通過顯微鏡圖形可知端子邊緣有貝殼狀裂痕；圖1（b）為玻璃基板相關缺陷，其特征為玻璃基板周遭有裂痕，玻璃基板通電點亮狀態下會呈現彩色碎裂狀；圖1（c）為電性缺陷，通過顯微鏡觀察可知玻璃基板線路上存在線性劃傷。

圖1 拆解缺陷的宏觀現象

根據缺陷數據統計，拆解缺陷中的端子缺陷（y1）為4.82%，占比19.5%，玻璃基板相關缺陷（y2）為13.4%，占比54.1%，電性缺陷（y3）為6.55%，占比26.4%，如圖2 所示。根據廠內經營情況及成本管控方案要求，需將COF 項目拆解缺陷率從24%降至10%以內。本研究將通過降低這三種缺陷以達到提升拆解良率、降低成本的目的。

圖2 拆解缺陷統計圖

3 拆解缺陷影響因子探究

在探究缺陷影響因子前，首先進行測量系統分析，確保用于分析的數據是準確和可靠的。通過流程圖分析鎖定缺陷相關的工序，經由廠內設備、制造工藝、缺陷分析單位以頭腦風暴和魚骨圖等方式找到潛在的影響因子，再使用因果矩陣和柏拉圖進行因子收斂分析，識別篩選出關鍵的影響因子。將得到的影響因子通過三現分析法（現場、現物、現況）進行分類，區分并明確改善因子。分析過程中，主要以玻璃基板相關缺陷改善為例進行說明。

3.1 測量系統分析

為了確保用于分析的數據是準確和可靠的，使用測量系統分析（Measurement System Analysis，MSA）方法對獲得測量數據的測量系統進行評價。由于拆解缺陷是離散型數據，所以采用定性型的MSA 工具，對測量系統的一致性進行評估。

拆解缺陷的測量系統由檢查員、電測機、比對卡組成，照度100 勒克斯、25℃/60%RH 恒溫恒濕環境構成，最終以檢查員判定為測量結果。由于三類缺陷現象不同，需針對三種缺陷分別做MSA分析。

以玻璃基板相關缺陷為例，對該缺陷檢查崗的檢查人員進行屬性一致性分析。挑選30 片產品，其中玻璃基板相關缺陷20 片、良品10 片；由3 個檢查員分別對30 片產品測試2 次；對得到的數據進行一致性分析。從檢查員自身、每個檢查員與標準、檢查員之間、所有檢查員與標準4 個方面進行評估，發現一致性均大于90%，這說明針對端子缺陷的判定是準確的，所得到的測量數據可靠。端子缺陷和電性缺陷參照此方法進行MSA 分析，其一致性也均大于90%，證明測量系統可靠。完整結果如表1 所示。

表1 人員檢查能力MSA 匯總

3.2 拆解缺陷因子分析

3.2.1 流程圖分析

針對玻璃基板相關缺陷進行流程圖分析（見圖3）。對于缺陷現象，通過三現分析法，在現場分析出影響玻璃基板相關缺陷的關鍵步驟發生在背光分離工序和蓋板分離工序。

圖3 制造工藝流程圖

3.2.2 關鍵因子分析

針對玻璃基板相關缺陷、端子缺陷和電性缺陷，首先采用小組內頭腦風暴和魚骨圖發散分析，從人、機、料、法、環、測等6 個維度尋找所有可能影響的潛在因子。以玻璃基板相關缺陷為例，其魚骨圖如圖4 所示。

圖4 魚骨圖分析玻璃基板相關缺陷（y2）影響因子

從魚骨圖中共得到的15 個潛在因子。使用因果矩陣收斂來界定重要的潛在因子，并通過和廠內相關專業人員討論，從相關度、執行難易度、成本三個維度對因子進行評價。以 0、1、3、9 為四個分值梯度進行量化打分，結果如表2 所示。

表2 因果矩陣篩選玻璃基板相關缺陷（y2）關鍵因素

將表2 得分結果應用柏拉圖20/80 原則進行收斂（見圖5），得出造成玻璃基板缺陷的關鍵影響因子（見表3）。

表3 玻璃基板相關缺陷（y2）關鍵影響因子匯總

圖5 玻璃基板相關缺陷（y2）潛在因子的柏拉圖

端子缺陷和電性缺陷同樣通過頭腦風暴和魚骨圖進行發散分析，因果矩陣和柏拉圖收斂篩選，得到10 個關鍵潛在因子，匯總如表4 所示。

表4 端子缺陷（y1）和電性缺陷（y3）關鍵影響因子匯總

3.2.3 結果匯總和快速改善

對于上述17 個關鍵影響因子，通過三現法分析后發現，人員作業熟練度低、產品防護不到位等因子，可通過標準化和生產維護等管理手段快速改善，而冷拆機溫度、黑白膠黏性等參數類因子，則需要使用DOE 實驗等統計工具進一步探究因子和輸出變量的關系，尋找最佳參數組合。各個快速改善類因子采取的最佳改善方案及其成效，匯總如表5 所示。

4 參數類因子的顯著性分析與實驗設計改善方案

通過應用假設檢驗確定潛在因子的顯著性，再以實驗設計找出顯著因子的最優參數組合，并對實驗結論進行驗證，最終導入實際生產。對于最終成果，也可通過應用假設檢驗驗證改善的有效性。

4.1 因子的顯著性分析

玻璃基板相關缺陷屬于離散型數據，故使用雙比率假設檢驗來判定潛在因子的顯著性。假設顯著水平α=0.05，虛無假設H0 為改善前與改善后缺陷率無差異，備擇假設H1 為改善前與改善后缺陷率有差異；判定標準為：當假設檢驗P 值＜0.05 時，則拒絕H0，接受H1，結論是有充分的證據說明改善前后有差異，通過統計驗證該因子顯著。與此同時，設定目標功效值為0.8 的條件下，確保合適的樣本大小，會使假設檢驗的結果更具有統計意義上的說服力。用假設檢驗的方法驗證潛在因子的顯著性，此處僅以冷拆機溫度的顯著性檢驗為例，其它因子以總表的方式呈現，不做一一展開。

針對冷拆機溫度變化是否對COF 項目拆解良率產生影響，使用雙比率假設檢驗方法，用抽樣測試的方法，得到溫度變化前后的缺陷率數據。樣本容量為700；冷拆機溫度調整前為-130℃，抽樣缺陷產品數為18 個，缺陷率為2.5714%，設為P0；調整后溫度為-80℃（此為廠內和設備廠商通過討論得到的建議值），抽樣缺陷產品數為62 個，缺陷率為8.8571%，設為P1。設虛無假設H0：P0=P1；備擇假設H1：P0 ≠P1，以統計軟件Minitab R18 進行分析，得到P 值＝0.000。在α設定為0.05 的前提下進行判斷，P 值＜0.05，拒絕虛無假設，接受備擇假設[11]，即有充分的證據說明冷拆機溫度調整后比調整前的拆解缺陷率有明顯差異，故冷拆機溫度是顯著因子。用統計軟件Minitab R18 確定功效和樣本數量，研究樣本量在目標功效0.8 時需要的最小樣本量為213 個，實驗的樣本數量700 個，滿足統計要求。

對其它潛在因子使用同樣的方法和流程進行顯著性檢驗，檢驗結果匯總如表6 所示。可以得出結論：顯著因子共7 項，分別是X1 設備狀態、X3 蓋板分離方案、X4 硅酮膠去除工具硬度、X5 冷拆機溫度、X10 黑白膠黏性、X12 端子線路結構、X15 COF 撕除方法。

表6 顯著因子的假設檢驗匯總

其中，X3 蓋板分離方案、X4 硅酮膠去除工具硬度、X15 COF 撕除方法3 個因子，采用控制單一變量方法進行單因子驗證，最終得出最優方案分別是：X3 為使用專用JIG 板分離方案；X4 為使用棉簽進行去除；X15 為加熱狀態下進行撕除。X12 端子線路結構因子受客戶項目指定，無法在廠內進行變更，因此未進行調整。剩余3 個顯著因子X1 設備狀態、X5 冷拆機溫度、X10 黑白膠黏性進行實驗設計（DOE）驗證。

4.2 實驗設計最佳改善方案

針對4.1 分析出的顯著因子，以實驗設計方法分析，找出顯著因子的最優化參數組合[12]。此處以玻璃基板相關缺陷率為例，進行DOE 實驗設計。玻璃基板相關缺陷共有3 個顯著因子，分別為X1 設備狀態，X5 冷拆機溫度和X10 黑白膠粘性，每個因子分別設定兩個水平，通過內部專家與設備廠商討論，設定條件如下表7 所示，使用2K全因子實驗分析。

表7 實驗設計因子水平設定

考慮到現場的產能、人力資源需求，以及實現重復實驗、減少實驗誤差等因素，每一個實驗條件都重復兩次，將仿行數設為2。為確認響應變量可能存在彎曲趨勢估計，故選取連續型變量的條件中間數值和離散型變量水平組成6 個中心點；區組設為1，進行2K全因子實驗設計。本實驗共22 組實驗單元，以完全隨機的方式安排實驗的順序。應用軟件為Minitab R18 版本，以計算機自動生成隨機順序的實驗計劃。根據實驗計劃的運行序進行實驗，所得實驗數據，如表8 所示。

表8 實驗設計計劃和數據

應用Minitab R18 對實驗數據進行分析，如表9 所示。在方差分析表中，彎曲項的P 值小于0.05，因此中心點顯著，數據呈現彎曲，需進行響應曲面分析法（Response Surface Methodology，RSM）驗證。

表9 實驗設計結果

在2K全因子實驗設計基礎上，加入軸點的設計，應用Minitab R18 進行響應曲面設計，所得實驗結果，如表10 所示。

表10 RSM 實驗數據

對實驗結果進行分析，將不顯著因子逐步刪除，得到最簡化模型，其中冷拆溫度、黑白膠黏性、設備狀態、冷拆溫度*冷拆溫度為模型顯著性因子，如表12 和圖6 所示。模型的R-sq（調整）為82.53%，大于80%，可確定該狀態下模型解釋能力足夠。從軟件分析，可得到模型方程式。

表12 響應曲面模型分析報表

圖6 響應曲面模型的顯著因子分析

設備使用兩小時后：

設備剛達到設定值：

式中y 為玻璃基板缺陷率，X5為冷拆溫度，X10為黑白膠粘性。

通過殘差圖（見圖7），對模型進行殘差診斷，可得出殘差符合正態性、獨立性、同質性的前提假設。

圖7 響應曲面模型殘差圖

將表12 的Adj SS 欄位進一步分析，可得顯著因子對輸出指標的影響貢獻度百分比，如圖8 所示。冷拆溫度可解釋61%的變異，所以要重點管控冷拆溫度。而黑白膠黏性無法準確達到13 N/kg，同時其可探測度低，廠內無法進行準確管控。綜合以上幾點，此項改善僅管控冷拆溫度，最優拆解溫度為-120℃。

圖8 顯著因子對模型貢獻度

由于優化目標y 是缺陷率，品質特性是望小，應用方程式（1）和（2），通過響應優化器，將y 達到最優的問題轉化為求一個渴求函數（Desirability Function）的合意度達到最大的問題，結果如圖9 所示。當冷拆溫度取-120℃，黑白膠黏性取12.17 N/kg，設備剛達到設定值時，y 將達到最小值0.0146，符合合意性為1。將得到的最優參數組合導入生產設備，跟蹤1000 片產品，其中缺陷品有19 片，缺陷率為1.9%。可見，玻璃基板相關缺陷率由13.4%降低至1.9%，確認實驗設計方案有效。

圖9 響應曲線優化圖

應用同種方法，可確定端子缺陷和電性缺陷的數學模型和最佳參數組合，并驗證改善有效性。結果顯示，端子缺陷由4.82%降低至1.07%，電性缺陷由6.55%降低至3.27%。

5 結果與討論

結合上述得到的顯著因子最佳組合，制定有效的管制計劃，并將相關方法進行標準化，確保改善方案能夠有效持續實施。方案落地后，玻璃基板相關缺陷、端子缺陷和電性缺陷都有明顯下降，最終拆解良率從75.23%提升至93.28%，大幅降低了拆解損失，提高了廠內效益。

為驗證改善前后缺陷率的差值具有統計上的顯著意義，對改善前后的產品進行抽樣檢查，樣本容量為700，抽到的缺陷品改善前為173 個，改善后為47 個，即缺陷率由24.7%降低至6.7%。使用Minitab R18 進行雙比率假設檢驗分析，得出P 值為0，表明拆解缺陷率改善前后是顯著的，即改善有效。通過功效和樣本量檢驗得到目標功效80%時所必要的最小樣本數量為63，本實驗樣本數量700，說明選取數量足夠，結果是可信賴的。

6 結語

本研究以某COF 項目為例，對玻璃基板相關缺陷、端子缺陷和電性缺陷三種主要缺陷進行分析；通過流程圖、魚骨圖確定影響缺陷的潛在因子，并用因果矩陣和柏拉圖收斂得到17 個關鍵影響因子；使用假設檢驗、2K全因子響應曲面實驗設計等方法確定顯著因子，并找出最優化的參數組合；方案經過驗證后，導入量產并進行固化、標準化，使整體缺陷率降低約18 個百分點。本研究有利于降低COF 封裝成本，推動全面屏的普及，對其他項目也有一定參考價值。