基于非线性模型提升覆晶薄膜封装显示模组拆解良率的研究

韩 琛，陈文智，马海彭，钱 程，孙艳丽，马俊安，孙 磊

（1.京东方（河北）移动显示技术有限公司，廊坊 065000；2.中国质量研究院，上海 201101；3.上海电机学院，上海 201306）

1 引言

随着智能手机的普及，智能手机行业的竞争日趋激烈，技术迭代周期越来越短，成本控制要求也越来越高。手机屏作为大数据时代信息交互的窗口，不仅是手机的重要组成部分，也是消费者最关注的部件之一。全面屏手机通过超窄边框设计，可以在同样大小的正面面积下嵌入更大的屏幕，使屏占比达到90%，这既增大了视野，提升了视频观感，也使得手机的颜值得到大幅度的提升，并附有更强的科技感。全面屏作为智能手机显示趋势的重要创新，在2016 年一经推出就备受好评，成为市场追踪的热点。

卷带式覆晶薄膜封装（Chip On Film，COF）是一种新型集成电路（Integrated Circuit，IC）封装技术，以柔性基板电路作为封装IC 的载体，再通过外引线焊接工艺（Out Lead Bonding，OLB）键合到面板的氧化铟锡（Indium Tin Oxide，ITO）端子上[1-5]，极大提升了面板显示区占比，从而成为薄膜晶体管液晶显示器（Thin Film Transistor-Liquid Crystal Display，TFT- LCD）显示模组提升屏占比的主流封装工艺。相比IC 芯片固定于玻璃基板工艺（Chip On Glass，COG），COF 工艺的ITO 端子典型宽度从4.58 毫米减小至3.6 毫米以下[6-10]，在对模组制程缺陷进行返修时，柔性封装IC 受拆解过程干涉报废率升高，同时在分离盖板时，由于会在端子上施加一个外力，端子变窄受力面积更小，局部压力变大导致端子更容易受到破坏。COF 封装产品返修拆解良率相比COG 封装产品大幅降低，由此造成返修成本升高12%。本研究将拆解造成的主要缺陷进行分类，对不同类型的根本原因进行分析，并提出针对性的改善方案，进而优化关键参数，有效提升了拆解良率，解决了COF 封装显示模组制造工艺上的返修难题，使返修成本降低了8%。

2 拆解缺陷分类

从某电子厂内2019 年1 月至4 月数据得知，COF 项目拆解缺陷率为24.77%，造成极大损失。为降低损失、提升收益，亟需降低拆解缺陷率。经收集拆解缺陷数据，并通过对实际拆解缺陷的分析，可将拆解缺陷分为三类，分别为端子缺陷、玻璃基板相关缺陷、电性缺陷。

选取2019 年5 月份的三类拆解缺陷进行分析，如图1 所示。图1（a）为端子缺陷，通过显微镜图形可知端子边缘有贝壳状裂痕；图1（b）为玻璃基板相关缺陷，其特征为玻璃基板周遭有裂痕，玻璃基板通电点亮状态下会呈现彩色碎裂状；图1（c）为电性缺陷，通过显微镜观察可知玻璃基板线路上存在线性划伤。

图1 拆解缺陷的宏观现象

根据缺陷数据统计，拆解缺陷中的端子缺陷（y1）为4.82%，占比19.5%，玻璃基板相关缺陷（y2）为13.4%，占比54.1%，电性缺陷（y3）为6.55%，占比26.4%，如图2 所示。根据厂内经营情况及成本管控方案要求，需将COF 项目拆解缺陷率从24%降至10%以内。本研究将通过降低这三种缺陷以达到提升拆解良率、降低成本的目的。

图2 拆解缺陷统计图

3 拆解缺陷影响因子探究

在探究缺陷影响因子前，首先进行测量系统分析，确保用于分析的数据是准确和可靠的。通过流程图分析锁定缺陷相关的工序，经由厂内设备、制造工艺、缺陷分析单位以头脑风暴和鱼骨图等方式找到潜在的影响因子，再使用因果矩阵和柏拉图进行因子收敛分析，识别筛选出关键的影响因子。将得到的影响因子通过三现分析法（现场、现物、现况）进行分类，区分并明确改善因子。分析过程中，主要以玻璃基板相关缺陷改善为例进行说明。

3.1 测量系统分析

为了确保用于分析的数据是准确和可靠的，使用测量系统分析（Measurement System Analysis，MSA）方法对获得测量数据的测量系统进行评价。由于拆解缺陷是离散型数据，所以采用定性型的MSA 工具，对测量系统的一致性进行评估。

拆解缺陷的测量系统由检查员、电测机、比对卡组成，照度100 勒克斯、25℃/60%RH 恒温恒湿环境构成，最终以检查员判定为测量结果。由于三类缺陷现象不同，需针对三种缺陷分别做MSA分析。

以玻璃基板相关缺陷为例，对该缺陷检查岗的检查人员进行属性一致性分析。挑选30 片产品，其中玻璃基板相关缺陷20 片、良品10 片；由3 个检查员分别对30 片产品测试2 次；对得到的数据进行一致性分析。从检查员自身、每个检查员与标准、检查员之间、所有检查员与标准4 个方面进行评估，发现一致性均大于90%，这说明针对端子缺陷的判定是准确的，所得到的测量数据可靠。端子缺陷和电性缺陷参照此方法进行MSA 分析，其一致性也均大于90%，证明测量系统可靠。完整结果如表1 所示。

表1 人员检查能力MSA 汇总

3.2 拆解缺陷因子分析

3.2.1 流程图分析

针对玻璃基板相关缺陷进行流程图分析（见图3）。对于缺陷现象，通过三现分析法，在现场分析出影响玻璃基板相关缺陷的关键步骤发生在背光分离工序和盖板分离工序。

图3 制造工艺流程图

3.2.2 关键因子分析

针对玻璃基板相关缺陷、端子缺陷和电性缺陷，首先采用小组内头脑风暴和鱼骨图发散分析，从人、机、料、法、环、测等6 个维度寻找所有可能影响的潜在因子。以玻璃基板相关缺陷为例，其鱼骨图如图4 所示。

图4 鱼骨图分析玻璃基板相关缺陷（y2）影响因子

从鱼骨图中共得到的15 个潜在因子。使用因果矩阵收敛来界定重要的潜在因子，并通过和厂内相关专业人员讨论，从相关度、执行难易度、成本三个维度对因子进行评价。以 0、1、3、9 为四个分值梯度进行量化打分，结果如表2 所示。

表2 因果矩阵筛选玻璃基板相关缺陷（y2）关键因素

将表2 得分结果应用柏拉图20/80 原则进行收敛（见图5），得出造成玻璃基板缺陷的关键影响因子（见表3）。

表3 玻璃基板相关缺陷（y2）关键影响因子汇总

图5 玻璃基板相关缺陷（y2）潜在因子的柏拉图

端子缺陷和电性缺陷同样通过头脑风暴和鱼骨图进行发散分析，因果矩阵和柏拉图收敛筛选，得到10 个关键潜在因子，汇总如表4 所示。

表4 端子缺陷（y1）和电性缺陷（y3）关键影响因子汇总

3.2.3 结果汇总和快速改善

对于上述17 个关键影响因子，通过三现法分析后发现，人员作业熟练度低、产品防护不到位等因子，可通过标准化和生产维护等管理手段快速改善，而冷拆机温度、黑白胶黏性等参数类因子，则需要使用DOE 实验等统计工具进一步探究因子和输出变量的关系，寻找最佳参数组合。各个快速改善类因子采取的最佳改善方案及其成效，汇总如表5 所示。

4 参数类因子的显著性分析与实验设计改善方案

通过应用假设检验确定潜在因子的显著性，再以实验设计找出显著因子的最优参数组合，并对实验结论进行验证，最终导入实际生产。对于最终成果，也可通过应用假设检验验证改善的有效性。

4.1 因子的显著性分析

玻璃基板相关缺陷属于离散型数据，故使用双比率假设检验来判定潜在因子的显著性。假设显著水平α=0.05，虚无假设H0 为改善前与改善后缺陷率无差异，备择假设H1 为改善前与改善后缺陷率有差异；判定标准为：当假设检验P 值＜0.05 时，则拒绝H0，接受H1，结论是有充分的证据说明改善前后有差异，通过统计验证该因子显著。与此同时，设定目标功效值为0.8 的条件下，确保合适的样本大小，会使假设检验的结果更具有统计意义上的说服力。用假设检验的方法验证潜在因子的显著性，此处仅以冷拆机温度的显著性检验为例，其它因子以总表的方式呈现，不做一一展开。

针对冷拆机温度变化是否对COF 项目拆解良率产生影响，使用双比率假设检验方法，用抽样测试的方法，得到温度变化前后的缺陷率数据。样本容量为700；冷拆机温度调整前为-130℃，抽样缺陷产品数为18 个，缺陷率为2.5714%，设为P0；调整后温度为-80℃（此为厂内和设备厂商通过讨论得到的建议值），抽样缺陷产品数为62 个，缺陷率为8.8571%，设为P1。设虚无假设H0：P0=P1；备择假设H1：P0 ≠P1，以统计软件Minitab R18 进行分析，得到P 值＝0.000。在α设定为0.05 的前提下进行判断，P 值＜0.05，拒绝虚无假设，接受备择假设[11]，即有充分的证据说明冷拆机温度调整后比调整前的拆解缺陷率有明显差异，故冷拆机温度是显著因子。用统计软件Minitab R18 确定功效和样本数量，研究样本量在目标功效0.8 时需要的最小样本量为213 个，实验的样本数量700 个，满足统计要求。

对其它潜在因子使用同样的方法和流程进行显著性检验，检验结果汇总如表6 所示。可以得出结论：显著因子共7 项，分别是X1 设备状态、X3 盖板分离方案、X4 硅酮胶去除工具硬度、X5 冷拆机温度、X10 黑白胶黏性、X12 端子线路结构、X15 COF 撕除方法。

表6 显著因子的假设检验汇总

其中，X3 盖板分离方案、X4 硅酮胶去除工具硬度、X15 COF 撕除方法3 个因子，采用控制单一变量方法进行单因子验证，最终得出最优方案分别是：X3 为使用专用JIG 板分离方案；X4 为使用棉签进行去除；X15 为加热状态下进行撕除。X12 端子线路结构因子受客户项目指定，无法在厂内进行变更，因此未进行调整。剩余3 个显著因子X1 设备状态、X5 冷拆机温度、X10 黑白胶黏性进行实验设计（DOE）验证。

4.2 实验设计最佳改善方案

针对4.1 分析出的显著因子，以实验设计方法分析，找出显著因子的最优化参数组合[12]。此处以玻璃基板相关缺陷率为例，进行DOE 实验设计。玻璃基板相关缺陷共有3 个显著因子，分别为X1 设备状态，X5 冷拆机温度和X10 黑白胶粘性，每个因子分别设定两个水平，通过内部专家与设备厂商讨论，设定条件如下表7 所示，使用2K全因子实验分析。

表7 实验设计因子水平设定

考虑到现场的产能、人力资源需求，以及实现重复实验、减少实验误差等因素，每一个实验条件都重复两次，将仿行数设为2。为确认响应变量可能存在弯曲趋势估计，故选取连续型变量的条件中间数值和离散型变量水平组成6 个中心点；区组设为1，进行2K全因子实验设计。本实验共22 组实验单元，以完全随机的方式安排实验的顺序。应用软件为Minitab R18 版本，以计算机自动生成随机顺序的实验计划。根据实验计划的运行序进行实验，所得实验数据，如表8 所示。

表8 实验设计计划和数据

应用Minitab R18 对实验数据进行分析，如表9 所示。在方差分析表中，弯曲项的P 值小于0.05，因此中心点显著，数据呈现弯曲，需进行响应曲面分析法（Response Surface Methodology，RSM）验证。

表9 实验设计结果

在2K全因子实验设计基础上，加入轴点的设计，应用Minitab R18 进行响应曲面设计，所得实验结果，如表10 所示。

表10 RSM 实验数据

对实验结果进行分析，将不显著因子逐步删除，得到最简化模型，其中冷拆温度、黑白胶黏性、设备状态、冷拆温度*冷拆温度为模型显著性因子，如表12 和图6 所示。模型的R-sq（调整）为82.53%，大于80%，可确定该状态下模型解释能力足够。从软件分析，可得到模型方程式。

表12 响应曲面模型分析报表

图6 响应曲面模型的显著因子分析

设备使用两小时后：

设备刚达到设定值：

式中y 为玻璃基板缺陷率，X5为冷拆温度，X10为黑白胶粘性。

通过残差图（见图7），对模型进行残差诊断，可得出残差符合正态性、独立性、同质性的前提假设。

图7 响应曲面模型残差图

将表12 的Adj SS 栏位进一步分析，可得显著因子对输出指标的影响贡献度百分比，如图8 所示。冷拆温度可解释61%的变异，所以要重点管控冷拆温度。而黑白胶黏性无法准确达到13 N/kg，同时其可探测度低，厂内无法进行准确管控。综合以上几点，此项改善仅管控冷拆温度，最优拆解温度为-120℃。

图8 显著因子对模型贡献度

由于优化目标y 是缺陷率，品质特性是望小，应用方程式（1）和（2），通过响应优化器，将y 达到最优的问题转化为求一个渴求函数（Desirability Function）的合意度达到最大的问题，结果如图9 所示。当冷拆温度取-120℃，黑白胶黏性取12.17 N/kg，设备刚达到设定值时，y 将达到最小值0.0146，符合合意性为1。将得到的最优参数组合导入生产设备，跟踪1000 片产品，其中缺陷品有19 片，缺陷率为1.9%。可见，玻璃基板相关缺陷率由13.4%降低至1.9%，确认实验设计方案有效。

图9 响应曲线优化图

应用同种方法，可确定端子缺陷和电性缺陷的数学模型和最佳参数组合，并验证改善有效性。结果显示，端子缺陷由4.82%降低至1.07%，电性缺陷由6.55%降低至3.27%。

5 结果与讨论

结合上述得到的显著因子最佳组合，制定有效的管制计划，并将相关方法进行标准化，确保改善方案能够有效持续实施。方案落地后，玻璃基板相关缺陷、端子缺陷和电性缺陷都有明显下降，最终拆解良率从75.23%提升至93.28%，大幅降低了拆解损失，提高了厂内效益。

为验证改善前后缺陷率的差值具有统计上的显著意义，对改善前后的产品进行抽样检查，样本容量为700，抽到的缺陷品改善前为173 个，改善后为47 个，即缺陷率由24.7%降低至6.7%。使用Minitab R18 进行双比率假设检验分析，得出P 值为0，表明拆解缺陷率改善前后是显著的，即改善有效。通过功效和样本量检验得到目标功效80%时所必要的最小样本数量为63，本实验样本数量700，说明选取数量足够，结果是可信赖的。

6 结语

本研究以某COF 项目为例，对玻璃基板相关缺陷、端子缺陷和电性缺陷三种主要缺陷进行分析；通过流程图、鱼骨图确定影响缺陷的潜在因子，并用因果矩阵和柏拉图收敛得到17 个关键影响因子；使用假设检验、2K全因子响应曲面实验设计等方法确定显著因子，并找出最优化的参数组合；方案经过验证后，导入量产并进行固化、标准化，使整体缺陷率降低约18 个百分点。本研究有利于降低COF 封装成本，推动全面屏的普及，对其他项目也有一定参考价值。