Goldraht-Bondbrüche bei der Chip-Verkapselung mit ML und Vision verhindern

Das echte Ausmaß des Problems

Der Bonddraht-Verguss ist physikalisch einer der anspruchsvollsten Schritte im IC-Packaging. Computer Vision und Machine Learning interessieren sich für diesen Prozess deshalb nicht, weil er komplex ist, sondern weil er teuer scheitert — und weil das Scheitern systematisch ist.

Die Kennzahlen, die Packaging Engineers nachts wachhalten:

In High-Volume-Produktion mit 100.000 bis 300.000 Einheiten pro Tag und Linie liegt die Bondbruch-Rate bei gut geführten Prozessen zwischen 0,05 und 0,15 %. Bei Prozessdrift — durch Chargenvariation im EMC, Werkzeugverschleiß oder Temperaturabweichungen — kann diese Rate auf 0,3 bis 0,5 % steigen, ohne dass ein Alarm ausgelöst wird. Bei einem Bauteilwert von 2 bis 20 Euro pro Einheit ergibt sich folgende Rechnung: 0,3 % von 200.000 Einheiten sind 600 Ausschussteile am Tag. Bei 250 Produktionstagen im Jahr und einem mittleren Bauteilwert von 8 Euro macht das 1,2 Millionen Euro Ausschussmaterial — pro Linie, pro Jahr.

Das Zielspektrum für ML-gestützte Prozessoptimierung liegt realistischerweise bei 60 bis 80 % Defektreduktion. Das entspricht einer jährlichen Einsparung von 720.000 bis 960.000 Euro bei der beschriebenen Linie — abzüglich Systemkosten. Bei mehreren Linien mit gleichem Package-Typ skaliert der Nutzen direkt.

Die strukturellen Gründe, warum konventionelle Kontrolle versagt:

Erstens: Der Prozess ist unsichtbar. Das EMC umschließt die Drähte innerhalb von Sekunden vollständig. Keine optische Inspektion der Drähte ist nach dem Verguss möglich — nur Röntgenprüfung, und die ist immer nachgelagert.

Zweitens: Die Ursachen sind multivariat. Wire Sweep und Bondbruch entstehen aus dem Zusammenspiel von Einspritzgeschwindigkeit, EMC-Viskosität (temperatur- und chargenabhängig), Drahtschleifenhöhe (Loop Height), Drahtdurchmesser, Werkzeuggeometrie, Gate-Position und Binderstellung. Kein menschlicher Operator kann diese Kombination in Echtzeit überwachen.

Drittens: SPC-Kontrolle greift zu spät. Statistical Process Control auf Einzelparametern erkennt Drift — aber nicht die nicht-lineare Wechselwirkung zwischen Parametern, die in der Summe zur Drift führen.

Laut einer Veröffentlichung im Journal of Electronic Packaging (ASME 2005) übersteigt Wire Sweep schon bei moderatem EMC-Fluss die kritische Grenze für Drahtüberschneidungen, wenn die Drahtdichte in LQFP-Packages zunimmt — ein Problem, das mit steigender Pin-Zahl und sinkenden Drahtdurchmessern in modernen Packages akuter wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Tabellenwerte „ohne KI” basieren auf Branchenerfahrungswerten aus OSAT-Produktionsumgebungen; die Werte „mit KI” orientieren sich an publizierten Ergebnissen aus Forschungsarbeiten zur CNN-basierten Wire-Bond-Inspektion (2023–2025) und Fallstudien aus der Halbleiterfertigung.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Dieses System spart keine Arbeitszeit im klassischen Sinne. Es reduziert Materialausschuss und Maschinenzeit auf Ausschusspfaden — aber kein Mitarbeitender verbringt weniger Stunden pro Tag in der Produktion. Der Gewinn ist rein wirtschaftlich, nicht operativ. Unter den verglichenen Elektrotechnik-Anwendungsfällen: Leiterplatten-Layout-Assistenten oder technische Dokumentations-KI sparen echte Ingenieursstunden täglich — dieses System nicht.

Kosteneinsparung — sehr hoch (5/5)
Die stärkste Achse in diesem Use Case. Ausschussreduktion bei High-Volume-Packaging ist direkt auf Cent und Stück messbar: Weniger defekte Einheiten mal Stückwert ergibt eine saubere €-Zahl. Bei 100.000+ Einheiten/Tag liegt der realisierbare Einspareffekt bei 100.000–500.000 €/Jahr pro Linie — und das konservativ gerechnet. In dieser Kategorie ist das eine 5: kaum ein anderer Anwendungsfall in der Elektrotechnik erreicht diese Kostenrelevanz mit vergleichbarer Direktmessbarkeit.

Schnelle Umsetzung — niedrig (2/5)
10 bis 18 Monate bis zum produktiven Betrieb. Das ist kein Pessimismus, sondern die Physik des Projekts: Kameraintegration in die Mold-Maschine (hohe Temperaturen, EMC-Dämpfe, enge Toleranzen), Datenkorrelation aus SPC-Systemen, Trainings-Datensatz-Aufbau über mehrere Chargen und Schichten, Modellvalidierung. Wer sechs Wochen Pilot erwartet, plant an diesem Thema vorbei.

ROI-Sicherheit — hoch (4/5)
Der Nutzen ist direkt messbar: Bondbruchrate vor und nach der Einführung, multipliziert mit Bauteilwert. Es gibt keinen Interpretationsspielraum, keine indirekten Effekte. Die Unsicherheit liegt nicht im Nutzen, sondern im Ausmaß der Reduktion — 60 % ist realistisch, 80 % möglich, 90 % selten erreichbar in der Praxis. Im Vergleich mit anderen Anwendungsfällen in dieser Kategorie: Wafer-Defektklassifizierung hat ebenfalls sehr hohe ROI-Sicherheit (5); bei Bondbruch ist die Baseline-Variabilität etwas größer, weshalb hier eine 4 realistischer ist.

Skalierbarkeit — mittel (3/5)
Ein trainiertes Modell gilt für einen Package-Typ, eine Drahtgeometrie, einen EMC-Typ. Wechselt das Package (anderer Stift-Raster, andere Loop-Höhe, anderes Drahtmaterial), muss das Modell re-kalibriert werden — das ist nicht trivial. Wer mehrere Linien mit identischen Packages betreibt, skaliert gut. Wer viele verschiedene Packages auf einer Linie produziert, zahlt mehrfachen Trainingsaufwand. Die 3 ist ehrlich: es funktioniert, aber nicht mit einem Klick.

Richtwerte — stark abhängig von Bauteilwert, Tagesvolumen und Package-Diversität.

Die Physik dahinter: Warum Drähte während des Vergusses wandern

Um zu verstehen, was ML hier eigentlich vorhersagt, musst du die Physik des Transfer Mold Prozesses kennen. Diese Sektion ist für Leserinnen und Leser gedacht, die die technische Tiefe brauchen — kein Fluff.

Der Prozess in Kurzform:
Nach dem Drahtbonden werden die bestückten Lead Frames oder Substrate in die Kavität der Mold-Presse eingelegt. Heißes Epoxy Mold Compound (EMC) — ein gefülltes Duroplast mit Siliziumdioxid-Füllstoffen — wird mit einem Kolben durch einen oder mehrere Gates in die Kavität eingepresst. Typische Parameter: 170–180 °C Werkzeugtemperatur, 5–15 MPa Einspritzdruck, 5–30 Sekunden Füllzeit.

Das Wire-Sweep-Problem:
Während das EMC in die Kavität fließt, trifft die Fließfront auf die Bonddrähte. Da EMC eine hochviskose, nicht-newtonsche Flüssigkeit ist, erzeugt die Strömung eine Schleppkraft (Drag Force) auf die Drähte. Diese Schleppkraft ist proportional zur Strömungsgeschwindigkeit und umgekehrt proportional zur Drahtsteifigkeit. Dünne Golddrähte (15–25 µm Durchmesser) mit langen Schleifen (hoher Loop Height) sind besonders anfällig.

Wann Drähte brechen statt zu biegen:
Bei konvergierender Strömung — wenn zwei Fließfronten aufeinandertreffen — entstehen kurzzeitig stark erhöhte Drag Forces. Wenn die Schleifengeometrie ungünstig ist (zu gerade, zu lang, zu nah am Gate), übersteigt die Kraft die Zugfestigkeit des Golddrahts. Bei Gold mit 18 µm Durchmesser liegt die Zugfestigkeit typischerweise bei 50–80 mN. Ein schlecht positionierter Gating-Punkt kann lokale Strömungsgeschwindigkeiten erzeugen, die diese Grenze überschreiten.

Warum SPC-Einzel-Parameter das nicht auffangen:
Wire Sweep ist nicht-linear. Eine Einspritzgeschwindigkeit von 85 mm/s ist mit EMC-Charge A bei 175 °C unkritisch. Dieselbe Einspritzgeschwindigkeit mit Charge B (leicht höhere Viskosität, z. B. durch Lagertemperatur) bei 172 °C kann einen WSI von 18 % erzeugen — an einem kritischen Draht nahe dem Gate. SPC überwacht Einzelparameter; das ML-Modell überwacht die Parameterkonstellation.

Was das ML-System konkret macht

Das technische System besteht aus zwei Schichten, die zusammenwirken:

Schicht 1 — Prozessparameter-ML (Retroaktiv und Präventiv):
Das ML-Modell liest Prozesslogger-Daten der Mold-Presse: Einspritzgeschwindigkeit (über den Füllverlauf), Clamp-Kraft, Werkzeugtemperatur (Gate, Cavity, Auswerfseite), EMC-Viskosität aus Fließspiralentest der Charge und Transferzeit. Diese Daten werden mit Röntgenprüfergebnissen aus nachgelagerten Inspektionen korreliert — retrospektiv für jede Charge.

Ein Ensemble-Modell (Random Forest oder Gradient Boosting, in Produktionsumgebungen oft bevorzugt wegen Interpretierbarkeit) identifiziert Parameterkonstellationen, die mit erhöhtem Bondbruch-Risiko korrelieren. Dieser Schritt läuft typischerweise über 3 bis 6 Monate Trainingsphase, mit manuell gelabelten Röntgendaten als Ground Truth.

Im produktiven Einsatz: Jede neue Charge wird anhand ihrer Parameterhistorie vor Schichtbeginn bewertet. Wenn das Modell ein erhöhtes Risiko erkennt, schlägt es Parameter-Anpassungen vor oder löst eine Freigabeschleife aus.

Schicht 2 — Hochgeschwindigkeitskamera-Vision (Echtzeit):
Eine Hochgeschwindigkeitskamera (2.000–10.000 Frames pro Sekunde) wird an der Gate-Position im Sichtfenster der Mold-Maschine montiert — sofern die Werkzeuggeometrie einen optischen Zugang erlaubt, was nicht immer möglich ist. Das Computer-Vision-System erkennt Anomalien im Fließfront-Verlauf: ungleichmäßige Fließgeschwindigkeit, Lufteinschlüsse, Fließfrontunterbrechungen. Bei Erkennung einer anomalen Fließfront wird ein Echtzeit-Alarm ausgegeben, der eine manuelle Prüfung der betroffenen Charge auslöst.

Schicht 3 — Post-Molding-Röntgeninspektion (Validierung):
Cognex Vision-Systeme oder dedizierte Röntgeninspektionssysteme validieren die Modell-Vorhersagen nach der Verkapselung. Diese Daten fließen zurück ins Trainingsset und halten das Modell aktuell. Der Feedback-Loop ist entscheidend: Ohne kontinuierliche Rückkopplung degradiert das Modell innerhalb von 6 bis 12 Monaten, wenn sich EMC-Chargen, Werkzeugzustand oder Drahtgeometrie ändern.

Eine PMC-veröffentlichte Studie (2023) zeigt, dass leichtgewichtige CNN-Architekturen (LMNet) Wire-Bond-Defekte in Röntgenbildern mit 99,2 % mAP50-Genauigkeit bei 108,7 Frames pro Sekunde erkennen — industrietauglich auf handelsüblicher Industrie-Hardware, ohne GPU-Serverfarmen.

Simulation oder Echtzeit-ML: Was für welche Phase passt

Das ist die Frage, die jeder Packaging Engineer stellen sollte — und die Antwort ist nicht “ML ist besser”:

Wenn du ein neues Package entwirfst: Nutze FEA-Simulation, nicht ML. Das Werkzeug dafür ist Moldex3D IC Packaging. Es berechnet Wire Sweep und Paddle Shift auf Basis von Strömungsmechanik und Materialeigenschaften — vor dem ersten physischen Prototyp. Drei Simulationsläufe können eine Gate-Position so optimieren, dass Wire Sweep im grünen Bereich bleibt. Das spart 4 bis 6 Wochen Muster-Schleife und die damit verbundenen Werkzeugkosten (typisch 50.000–200.000 € für ein neues Mold-Werkzeug).

Wenn du einen laufenden Prozess optimierst: Nutze ML auf Prozesslogger-Daten. Die Werkzeuggeometrie ist fix, die Package-Geometrie ist fix — was variiert, sind EMC-Charge, Maschinenparameter und Umgebungsbedingungen. ML findet die Konstellationen, die zu Drift führen, und macht sie steuerbar.

Wenn du in Echtzeit eingreifen willst: Nutze Vision-Systeme an der Maschine — sofern optischer Zugang möglich ist. Das ist die aufwändigste und teuerste Schicht, liefert aber als einzige echte Echtzeit-Daten.

Die drei Ansätze schließen sich nicht aus. Optimale Setups kombinieren: Simulation in der Entwicklungsphase, ML im Serienbetrieb, Vision als Eskalationsstufe bei neuen EMC-Chargen oder Sondersituationen.

Konkrete Werkzeuge — was wann passt

Für den Vision-Inspection-Layer:

Cognex Vision mit VisionPro Deep Learning — Industriestandard für optische Defekterkennung in der Elektronikfertigung. In-Sight-Kameras mit Deep-Learning-Auswertung erkennen Wire-Bond-Defekte direkt; für Post-Mold-Röntgeninspektions-Auswertung wird das VisionPro-Deep-Learning-Framework genutzt, das auf eigenen Trainingsdaten aus der spezifischen Produktionslinie trainiert wird. Preis: 15.000–80.000 € pro Prüfstation je nach Auflösung und Integrationstiefe.

Landing AI (LandingLens) — Zugänglichere Alternative für den Einstieg: No-Code-Training eigener Defekterkennungsmodelle auf Basis eigener Röntgenbilder. Geringere Hardware-Abhängigkeit als Cognex; US-gehostet (für OEM-Daten Datenschutzprüfung erforderlich).

Für den ML-Prozessoptimierungs-Layer:

Azure Machine Learning — Produktionsreife ML-Plattform für Training und Deployment von Ensemble-Modellen auf Prozesslogger-Daten. Integration in bestehende SPC-Systeme via REST-API; Hosting in der EU-Region möglich (Frankfurt). Typische Kosten: 500–3.000 €/Monat je nach Compute.

Für die Simulationsphase (Neuentwicklung):

Moldex3D IC Packaging — FEA-Simulation für Wire Sweep vor Prototypenbau. Kein ML, aber der komplementäre Ansatz, der Bondbrüche in der Entwicklungsphase eliminiert. Lizenzkosten auf Anfrage; Einsatz typischerweise in F&E-Abteilungen von Chip-Herstellern und OSAT-Häusern.

Für Post-Mold-Röntgeninspektion:

Dedizierte Röntgeninspektionssysteme von Hamamatsu, North Star Imaging oder Comet-Yxlon für 2D- und 3D-Röntgeninspektion. Diese Systeme liefern die Ground-Truth-Daten für das ML-Training und sind oft bereits in bestehenden OSAT-Linien vorhanden — sie werden zur Trainingsgrundlage.

Wann welcher Ansatz:

• Neue Package-Entwicklung → Moldex3D IC Packaging (Simulation vor Prototyp)
• Bestehende Linie, SPC-Daten vorhanden → Azure ML auf Prozesslogger-Daten
• Optischer Zugang an der Mold-Maschine möglich → Cognex Vision an Gate-Position
• Einstieg ohne Cognex-Budget → Landing AI auf Röntgenbild-Basis

Datenschutz und Datenhaltung

Dieser Anwendungsfall verarbeitet ausschließlich Maschinendaten, Prozessparameter und Bilddaten von Bauteilen — keine personenbezogenen Daten im Sinne der DSGVO. Die DSGVO-Relevanz ist gering.

Relevant sind stattdessen andere Datenschutzaspekte:

IP-Schutz und Produktionsdaten: Vergussparameter, EMC-Zusammensetzungen und Bauteilgeometrien sind Betriebsgeheimnisse. Wenn Trainingsdaten in Cloud-Plattformen (Azure ML, Landing AI) hochgeladen werden, muss vertraglich geregelt sein, dass diese Daten nicht für Modelltraining des Anbieters genutzt werden.

Azure Machine Learning bietet AVV und On-Premises-Deployment-Optionen; Daten können in der EU-Region (Frankfurt) gehalten werden. Das erfüllt die Anforderungen der meisten deutschen Halbleiterhersteller und ihrer Automotive-Kunden.

Landing AI ist US-gehostet. Bei sensiblen Bauteilgeometrien von Automotive-Kunden (IATF-16949-Umgebung) ist das zu prüfen — viele Tier-1-Lieferanten erlauben keine Cloud-Speicherung von Bauteilbildern.

Empfehlung für OSAT-Umgebung: Prozessparameter-ML lokal auf Edge-Server oder in Azure Deutschland-Region; Bilddaten ausschließlich lokal verarbeiten und nur anonymisierte Metriken in die Cloud übermitteln.

Was es kostet — realistisch gerechnet

Einmalige Implementierungskosten:

Laufende Kosten (monatlich):

• Cloud-Plattform (Azure ML): 500–3.000 €/Monat
• Modell-Wartung und Re-Kalibrierung bei Geometriewechseln: 2–5 Manntage/Quartal intern

ROI-Kalkulation (konservatives Szenario):
Annahmen: 150.000 Einheiten/Tag, 0,2 % Bondbruch-Rate, Bauteilwert 6 €, Reduktion auf 0,06 % durch das System.
Ausschussreduktion: 0,14 % × 150.000 × 6 € × 250 Tage = 315.000 €/Jahr
Bei Investitionskosten von 300.000 € (Mittelpunkt): Amortisation nach ca. 11 Monaten.

Das ist das konservative Szenario. Wer höhere Bauteilwerte (Automotive-ICs: 5–25 €) oder mehrere Linien mit identischen Packages betreibt, kommt deutlich schneller auf einen positiven ROI.

Wie du den Nutzen tatsächlich misst:
Bondbruch-Rate pro Schicht (aus Röntgenprüfung), aufgezeichnet in SPC, ist der einzige relevante KPI. Vorher-Nachher-Vergleich über 3 Monate ist ausreichend. Wer den ROI verteidigen muss (CAPEX-Budget-Antrag), sollte zusätzlich die Maschinenzeit auf Ausschusspfaden messen — das sind versteckte Kosten, die in der Stückwertrechnung nicht sichtbar sind.

Typische Einstiegsfehler

1. Das Kamerasystem ohne optischen Zugang planen.
Die häufigste Enttäuschung: Die Mold-Maschine ist so konstruiert, dass kein Sichtfenster nahe dem Gate existiert. Hochtemperatur-EMC-Dämpfe und Kavitätsdruck machen Nachrüstung teuer oder unmöglich. Lösung: Maschinenspezifische Machbarkeitsstudie vor dem Business Case — nicht danach. Wenn kein optischer Zugang möglich ist, ist die Simulation + ML-auf-Prozessparametern der einzig realisierbare Ansatz.

2. Zu wenig Trainingsdaten aus tatsächlichen Defektschichten.
Bondbruch-Events sind selten — das ist ja der Punkt. Ein Modell, das nur auf Normalbetrieb trainiert wurde und Defektdaten nur aus zwei bis drei Ereignissen kennt, lernt nichts Nützliches. Lösung: Gezielte Provokationsläufe unter kontrollierten Bedingungen (bewusst degradierte Parameter, dokumentierte EMC-Chargen mit bekannten Viskositätsproblemen) als Trainingsgrundlage. Das erfordert Mut — und Zeit.

3. Das Modell nach der Produktionsfreigabe nicht weiter warten.
Das ist der gefährlichste Fehler — und er tritt still ein. EMC-Lieferant wechselt Charge, Bonddraht-Durchmesser ändert sich auf 20 µm statt 18 µm, Mold-Werkzeug wird generalüberholt. Das Modell kennt diese neuen Bedingungen nicht und gibt trotzdem Vorhersagen aus — mit falscher Konfidenz. Lösung: Quartalsweise Re-Kalibrierung als festes Wartungsbudget einplanen. Wer nach dem Go-Live keine Person für Modell-Ownership benennt, hat kein ML-System — er hat eine tickende Zeitbombe in der Qualitätssicherung.

4. Simulation und ML als konkurrierende Ansätze behandeln.
Oft endet die Diskussion bei “Simulation oder ML?” und beide Lager verteidigen ihre Lösung. Richtig ist: Simulation in der Entwicklungsphase, ML im Serienbetrieb. Wer beides parallel hat, kann ein neu aufgetretenes Problem (z. B. bei neuem Package-Typ) erst in der Simulation verstehen und dann das ML-Modell mit Simulation-synthetisierten Daten vortrainieren. Das spart Monate Echtdaten-Sammlung.

Was mit der Einführung wirklich passiert — und was nicht

Dieser Use Case ist kein Softwareprojekt. Er ist ein Sensor- und Prozessintegrationsprojekt, das auch ML enthält.

Was wirklich passiert:
Die ersten drei Monate sind Dateninfrastruktur. Prozesslogger-Daten, die seit Jahren in Silos oder gar nicht digital vorliegen, müssen erschlossen werden. Häufig stellt sich heraus: Die Mold-Maschine loggt zwar Parameter, aber ohne Timestamp-Sync mit dem MES — das Linkage von Maschinen-Log zu Röntgenergebnis ist unmöglich, bis jemand die Datenbankschemas aufräumt.

Was nicht passiert:
Das Modell wird nicht in sechs Wochen produktiv sein. Es wird in den ersten Monaten schlechter performen als erwartet — weil reale Bondbruch-Events so selten sind, dass das Modell keine aussagekräftige Datenbasis hat. Diese Phase ist kein Projektfehler, sondern unvermeidbar.

Welche Widerstände zu erwarten sind:
Prozessverantwortliche, die ihre Einspritzparameter seit Jahren kennen und verteidigen, werden dem Modell misstrauen, wenn es ihnen sagt, ihre Parameter seien suboptimal. Dieses Misstrauen ist berechtigt — das Modell kann falsch liegen. Das Gegenmittel: Das System als Hinweis-Geber einführen, nicht als Entscheider. Alle Modellausgaben werden in den ersten 6 Monaten von einem Packaging Engineer validiert, bevor Anpassungen vorgenommen werden.

Was konkret hilft:

• Einen erfahrenen Packaging Engineer als technischen Projektleiter einsetzen — nicht einen Data Scientist ohne Prozesskenntnisse
• Röntgeninspektion mit 100 % Stichprobenquote für die Pilotphase der ML-Einführung ausweiten (auch wenn das Kapazitätskosten hat)
• Klare Vereinbarung: Das System ist nach 12 Monaten zu evaluieren, nicht nach 3

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben SPC — das reicht.”
SPC auf Einzelparametern erkennt Drift — aber nicht die multivariaten Wechselwirkungen, die zu Bondbruch führen. Ein Beispiel: Einspritzgeschwindigkeit und EMC-Viskosität sind beide im Spec-Fenster, aber ihre Kombination an einem kalten Montag nach Wochenendstillstand erzeugt genau die Strömungssituation, die den Draht nahe Gate 3 überbeansprucht. SPC sieht das nicht. ML schon.

„Das ist zu teuer für unsere Stückzahlen.”
Richtig — unter etwa 50.000 Einheiten pro Woche rechnet sich die Investition bei typischen Bauteilwerten nicht. Das ist ein reales Ausschlusskriterium, kein Einwand. Für kleinere Volumina ist Moldex3D-Simulation in der Entwicklungsphase die bessere Investition: einmalig, auf den Prozess optimiert, kein laufendes ML-System erforderlich.

„KI versteht unseren Prozess nicht — der ist zu komplex.”
Das ist halb richtig. Das Modell versteht den Prozess nicht physikalisch — es lernt statistische Muster aus Daten. Die Physik kennt der Packaging Engineer. Das ist die richtige Aufgabenteilung: Mensch gibt Modell-Architektur, Parameterauswahl und Ausreißer-Urteile vor; das Modell findet Muster, die kein Mensch in den Daten sieht. Beide sind notwendig, keiner ist überflüssig.

„Was wenn das Modell falsch liegt und wir gute Chargen sperren?”
Das ist der richtige Einwand — und der Grund, warum in der Einführungsphase kein Automatismus, sondern nur ein Hinweis-Geber konfiguriert wird. Das System löst keine automatischen Sperren aus; es gibt dem Packaging Engineer einen Hinweis, der dann manuell evaluiert wird. Erst nach 6 bis 12 Monaten Validierung wird die Entscheidungsautonomie schrittweise erhöht.

Woran du merkst, dass das zu dir passt

Das System ist die richtige Investition, wenn:

• Du produzierst mehr als 50.000 Bondraht-Einheiten pro Woche auf einer oder mehreren Linien mit ähnlichen Package-Typen
• Deine Bondbruch-Rate liegt über 0,05 % und zeigt keine klare Einzelursache — das deutet auf multivariante Wechselwirkungen hin, die SPC nicht abbildet
• Du hast Röntgeninspektionssysteme im Einsatz, die bereits Defektdaten loggen — das ist der notwendige Ground-Truth-Datenstrom für das ML-Training
• Deine Mold-Maschinen loggen Prozessparameter digital in einem MES oder SPC-System — ohne diese Grundlage gibt es keine Trainingsgrundlage
• Du betreibst weitgehend homogene Package-Typen auf deinen Linien — häufige Geometriewechsel limitieren die Skalierbarkeit erheblich

Drei harte Ausschlusskriterien — für wen dieser Anwendungsfall (noch) nicht passt:

1. Zu geringes Volumen für den ROI: Unter 50.000 Einheiten pro Woche und bei Bauteilwerten unter 3 € amortisiert sich die Investition in Kamerasystem und ML-Plattform nicht in wirtschaftlich vertretbarem Zeitrahmen. Die richtige Lösung für diese Konstellation: Simulation in der Designphase (Moldex3D) statt laufender ML-Produktion.

2. Zu hohe Package-Diversität auf einer Linie: Wenn du mehr als fünf verschiedene Package-Geometrien pro Monat auf einer Linie produzierst, übersteigt der Re-Kalibrierungsaufwand den Nutzen des ML-Modells. Jede neue Geometrie braucht eigene Trainingsdaten — bei hoher Diversität ist die Anlernzeit dauerhaft höher als die Produktivzeit.

3. Keine digitale Prozesslogger-Infrastruktur vorhanden: Ohne zeitstempelgenaue Aufzeichnung von Einspritzgeschwindigkeit, Mold-Temperatur und Transfer-Druck ist kein ML-Training möglich. Analoge Maschinen oder Maschinen ohne MES-Anbindung sind kein ML-Kandidat — die richtige Investition ist zuerst die Digitalisierung der Mold-Linie.

Das kannst du heute noch tun

Starte nicht mit einer Tool-Evaluierung, sondern mit einem Daten-Audit. Drei Fragen, die du heute beantworten kannst:

1. Loggt deine Mold-Maschine Einspritzgeschwindigkeit, Mold-Temperatur und Transfer-Druck digital mit Timestamp?
2. Haben deine Röntgenprüfergebnisse einen Charge-ID-Bezug, der sich auf Maschinenlogs zurückführen lässt?
3. Wie hoch ist deine aktuelle Bondbruch-Rate pro Linie (aus den letzten 6 Monaten, nach Package-Typ)?

Wenn du diese drei Fragen nicht aus dem Kopf beantworten kannst, ist der erste Schritt, sie mit deinen SPC- und Qualitätsverantwortlichen zu klären — nicht das Kaufen einer KI-Plattform.

Für den technischen Einstieg in die Machbarkeitsphase: Der folgende Prompt hilft dabei, den Ist-Zustand der Dateninfrastruktur systematisch zu erfassen und die Lücken zu dokumentieren, bevor du in eine Spezifikation investierst.

Quellen & Methodik

• Leichtgewichtige CNN-Architektur für Wire-Bond-Defekterkennung (LMNet): Zhang et al., „A Lightweight Method for Detecting IC Wire Bonding Defects in X-ray Images”, MDPI Sensors 14(9), 2023, publiziert via PMC (PMC10301426). Ergebnis: 99,2 % mAP50 bei 108,7 FPS auf Industriehardware — belegt die Industrietauglichkeit von Deep-Learning-Ansätzen für Wire-Bond-Inspektion.
• Wire-Sweep-Vorhersage und Drahtdichteeffekt: Lin et al., „Prediction of Wire Sweep During the Encapsulation of IC Packaging With Wire Density Effect”, Journal of Electronic Packaging (ASME), Vol. 127, 2005. Grundlegendes Paper zur Physik des Wire Sweep und zur Rolle der Drahtdichte bei LQFP-Packages.
• Keysight Electrical Structural Tester (EST): Keysight Technologies, Pressemitteilung vom 28. August 2024, „Keysight Unveils Wire Bond Inspection Solution for Semiconductor Manufacturing”. Beschreibt nVTEP-Technologie für kapazitive Wire-Bond-Inspektion mit 72.000 Einheiten/Stunde Durchsatz.
• Moldex3D IC Packaging Wire Sweep Module: Offizielle Produktdokumentation, CoreTech System Co., Ltd. (Stand Mai 2026). FEA-Simulation für Drag-Force-Berechnung und Wire-Sweep-Index.
• Defektraten- und Kostenschätzungen: Eigene Hochrechnung auf Basis publizierter Fehlerraten (0,05–0,3 % in High-Volume-OSAT) und branchenüblicher Bauteilwerte (2–20 € für Standard-IC-Packages). Keine proprietären Daten einzelner Hersteller.
• CNN-Klassifikation von Bonddraht-Defekten: Weitere Arbeiten: Kim et al., IEEE Conference Publication 2023 (DOI: 10.1109/ICSICT57913.2023.10256336), Deep Learning-based Classification Approach for Wire Bonding Defects Inspection — belegt die Verbreitung des Ansatzes in der akademischen und industriellen Forschung.

Du willst wissen, ob deine Linie bereits die Datengrundlage für dieses Vorhaben hat — oder wie weit ihr noch entfernt seid? Meld dich für ein kurzes Gespräch. Wir klären das gemeinsam, ohne Verkaufsgespräch.