Runtime Optimization and Confidence Evaluation for Yield-Focused Root Cause Selection Algorithms

In Surface Mount Technology (SMT) processes, high-dimensional datasets pose significant computational and interpretability challenges. This work presents an extended root cause selection pipeline within a Yield Management framework, which reduces the execution time by 66 %, selects more suitable root causes, and maintains the same predictive accuracy as traditional approaches. This is achieved by explicitly integrating engineering knowledge in the form of root and cause separation into the data preprocessing, thus enhancing the suitability of detected root causes and decreasing computational time. Additionally, a dedicated confidence evaluation based on engineering knowledge quantifies the reliability of identified causes, ensuring that domain expertise guides interpretation. In Surface-Mount-Technology (SMT)-Prozessen entstehen hochdimensionale Datens & auml;tze, die aufw & auml;ndig auszuwerten sind. Der Beitrag stellt eine erweiterte Pipeline zur Fehlerursachenauswahl im Rahmen eines Ertragsmanagementsystems vor, welche die Laufzeit um 66 % reduziert, geeignetere Ursachen identifiziert und dabei die Vorhersagegenauigkeit im Vergleich zu klassischen Ans & auml;tzen beibeh & auml;lt. Die Pipeline integriert dabei dom & auml;nenspezifische Expertise, wie die Trennung von Ursache und Effekt, in die Datenvorverarbeitung. Somit steigt die Qualit & auml;t der identifizierten Ursachen und die Rechenzeit sinkt. Eine gezielte, ebenfalls auf Dom & auml;nenwissen basierende Konfidenzanalyse quantifiziert die Zuverl & auml;ssigkeit der identifizierten Ursachen und erm & ouml;glicht die Ableitung prozess- und datengest & uuml;tzter Empfehlungen zur Ertragsverbesserung.