CN103714251A - 一种半导体产品与加工设备的匹配方法、装置和系统 - Google Patents

Abstract

本发明提供了一种半导体产品与加工设备的匹配方法、装置和系统。当有待加工产品需要加工时，根据该待加工产品的预设产品属性参数值，将该待加工产品归为产品类中的预设产品类，然后将该待加工产品分配给加工该预设产品类产品的加工设备中过程能力指标最高的加工设备上进行加工。基于本发明提供的半导体产品与加工设备的匹配方法，待加工产品不会随机地分配给任意一台标称指标相同的空闲设备上进行加工，而是根据多台设备的实际加工能力高低，从多个设备上挑选出一台加工性能好的设备来加工该待加工产品。因而，这种半导体产品与加工设备的匹配方法，提高了半导体产品的生产质量，提高了半导体产品加工的稳定性。

Description

一种半导体产品与加工设备的匹配方法、装置和系统

技术领域

本发明涉及微电子加工领域，特别涉及一种半导体产品与加工设备的匹配方法、装置和系统。

背景技术

近年来，随着超大规模集成电路技术的广泛应用，以及相关信息、通讯电子产业的高速进步，半导体产业蓬勃发展。作为新兴的战略性工业，半导体产业的技术水平和发展规模已经成为衡量一个国家经济发展和科技进步的重要标志，对于国家的综合实力起着巨大的影响和推动作用。

半导体制造过程被认为是当今最复杂的制造过程之一，具有可重入、高度不确定性、高度复杂性以及多目标优化等特点，所以先进的生产调度技术对于半导体制造业所产生的经济效益尤为重大，比如若将在制品水平每降低1%，则会减少数百万元的成本；而将制造周期缩短1%，则会增加数千万元的产出。半导体生产调度问题本质上是一类复杂的车间调度问题，即针对一项可分解的生产任务，探讨在尽可能满足约束条件（如交货期、工艺路线和资源情况等）的前提下，通过为每道工序选择最合适的机器，以及确定每个机器组前所有待加工任务的加工次序，以获得平均生产周期、在制品水平、产出率等性能指标的最优化。

在半导体生产调度领域，为了获得平均生产周期、在制品水平和产出率等性能指标的最优化，研究人员和技术专家已经提出了多种半导体生产调度方法，这些半导体生产调度方法的思想主要是从产能最大化的角度优化按时交货时间、产品平均生产周期等性能指标。但在实际的生产中，除了要考虑产能最大化以外，还要进行产品加工时的质量控制，它直接决定了客户的满意度。而在上述的半导体生产调度方法中，对于标称指标都相同的空闲加工设备，产品会被随机地分配到任意一台空闲设备上进行加工，这样处理忽略了设备实际加工产品的能力,未实现产品加工时质量控制的目标。在实际中，即使标称指标都相同的加工设备，由于其自身的生产特性，加工出产品的质量指标也会不同。

发明内容

基于此，本发明提供了一种以加工设备历史产品的产品属性值的好坏为待加工产品选择加工设备的依据进行半导体产品与加工设备的匹配方法、装置和系统。

为了达到上述发明目的，本发明采用了如下技术方案：

一种半导体产品与加工设备的匹配方法，包括，

获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；

对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；

根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类，L为整数；

根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最接近；

分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；

将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工。

优选的，所述对N个样本的产品属性参数值进行预处理，以使每个样本的各个产品属性参数值换算成具有可比性的数值，具体包括，

计算所述N个样本的每个性能表征参数的均值绝对偏差；

根据所述每个性能表征参数的均值绝对偏差和每个性能表征参数值的均值，计算每个样本处理后的相对应的性能表征参数值。

优选的，根据预处理后的产品属性参数值采用SOM聚类方法对样本进行聚类，设定SOM聚类方法采用样本的m个产品属性，定义SOM训练集样本y_i=（y_i1,y_i2,y_i3,…,y_im）,i=1,2,…,N，i为整数，y_i是一个m维向量，y_i1为第i个训练样本的第一性能表征参数值，y_i2为第i个训练样本的第二性能表征参数值，y_i3为第i个训练样本的第三性能表征参数值，y_im为第i个训练样本的第m性能表征参数值;

具体包括，

a1、确定SOM的二维平面拓扑结构以及顶点个数M，所述顶点个数M与获取的样本的个数相关；初始化与顶点个数相对应的M个权值向量w_m(0)，m=1,2,……,M，m为整数，权重向量的维数与训练样本的产品属性参数的个数相同，并且所述权重向量的每一维的属性与获取的样本产品属性参数相同，设定初始迭代次数t=1，初始迭代时所用样本号index=1;

a2、找出距离预定训练样本y_index最近的预定权值向量w_c，更新所述预定权值向量w_c及其邻域内的其它权值向量的值，得到t时刻所述预定权值向量w_c(t)值及其邻域内的其他权值向量的值；

a3、判断迭代次数t是否达到预设的迭代次数或者判断M个权值向量是否稳定，如果是，执行步骤a4；如果否，设定t=t+1，若样本号index小于N，设定index=index+1，返回执行步骤a2；若样本号index达到N，则重新设定index=1，返回执行步骤a2；

a4、将M个顶点作为M个类，并将每个训练样本划分到与之最近的那个权值向量对应的类中；计算每个类的样本中心点及类中样本与所述样本中心点的距离平方和，将各类的距离平方和相加得到整体的方差值；

a5、如果将相邻两个类合并能够减少整体的方差值，合并所述相邻的两个类，循环执行该步骤，直到整体的方差值不能减少，得到L个类；

a6、输出最终的L个类以及各类包括的训练样本。

优选的，所述找出距离预定训练样本y_index最近的预定权值向量w_c，具体为，

c＝argmind(y_index,w_h)，h=1,2,…,M;

$d(y_{\mathrm{index}},w_h)=\frac{d^1(y_{\mathrm{index}},w_h)+(N-1)\sqrt{\underset{n=2}{\overset{N}{\mathrm{\Σ}}}{(y_{\mathrm{index},n}-w_{h,n})}^2}}{N}$

其中， $d^1(y_{\mathrm{index}},w_h)=\left\{\begin{array}{ccc}0& \mathrm{if}& y_{\mathrm{index},1}=w_{h,1}\\ 1& \mathrm{if}& \mathrm{otherwise}\end{array}\right.;$ d¹(y_index,w_h)是预定训练样本y_index与权值向量w_h在第1个产品属性参数上的距离，

是预定训练样本y_index在除所述第1个产品属性参数以外的其它产品属性参数上的距离；w_h,n为权值向量w_h的第n维分向量；

所述更新所述预定权值向量w_c及其邻域内的其它权值向量的值，具体为，

w_h(t+1)＝w_h(t)+η(t)h_c,h(t)(y_index-w_h(t))，h=1,2,…,M;

$h_{c,h}\left(t\right)=\exp \left(\frac{\left|\right|r_c-r_h\left|\right|2}{2{\mathrm{\σ}}^2\left(t\right)}\right);$

其中，η(t)为第t次迭代的学习率，h_c,h(t)为第t次迭代时定义在顶点c与顶点h上的邻域函数，r_c为顶点c的二维坐标值，r_h为顶点h个二维坐标值，σ(t)为第t次迭代的核宽度。

优选的，所述分别计算加工所述预设产品类的每台加工设备的过程能力指标，具体包括，

计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标；

对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标。

优选的，所述计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标，具体为，

$C_{\mathrm{pk}}^{\mathrm{ijk}}=\min (\frac{{\mathrm{\μk}}_i^j-{\mathrm{LSLk}}_i}{{3\mathrm{\σk}}_i^j},\frac{\mathrm{USLki}-{\mathrm{\μk}}_i^j}{{3\mathrm{\σk}}_i^j})$

其中，

是加工第i类产品类产品的第j台加工设备在第k个产品性能表征参数的过程能力指标，是第j台加工设备加工第i产品类产品的第k个产品性能表征参数的均值，

是第j台加工设备加工第i产品类产品的第k个产品性能表征参数的标准差，LSLk_i为第i产品类产品的第k个产品性能表征参数的下限值，USLk_i为第i产品类的产品的第k个产品性能表征参数的上限值。

优选的，设定每个样本具有n个产品性能表征参数，所述对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标，具体为，

$C_{\mathrm{pk}}^{\mathrm{ij}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k*C_{\mathrm{pk}}^{\mathrm{ijk}},\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k=1;$

其中，

是加工第i类产品类产品的第j台加工设备的过程能力指标。w_k为第k个产品性能表征参数的过程能力指标的加权系数，

是加工第i类产品类产品的第j台加工设备在第k个产品性能表征参数的过程能力指标。

优选的，所述根据待加工产品的预设产品属性参数，将所述待加工产品归属于所述L个产品类中的预设产品类，具体为，

获取L个产品类中的每个类样本中心点；

将所述待加工产品的预设产品属性参数与每个类样本中心点的产品属性参数进行比较匹配，找出与所述待加工产品的预设产品属性参数最接近的类样本中心点；设定与所述待加工产品的预设产品属性参数最接近的类样本中心点所属的产品类为预设产品类；

将所述待加工产品归属于预设产品类。

优选的，通过公式b＝argmind(x_new,C_i),i＝1,2...,L，找出与所述待加工产品的预设产品属性参数最接近的类样本中心点；其中，x_new为待加工产品，C_i与所述待加工产品的预设产品属性参数最接近的类样本中心点。

优选的，应用于半导体封装键合工序。

优选的，所述产品属性参数值具体为，键合丝的材质、键合丝的直径、成品的键合丝破断强度和成品的焊球剥离强度。

一种半导体产品与加工设备的匹配装置，包括，

获取模块，用于获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；

预处理模块，用于对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；

聚类模块，用于根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类，L为整数；

类别归属模块，用于根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最接近；

计算比较模块，用于分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；

匹配模块，用于将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工。

优选的，所述预处理模块，包括，

第一计算子模块，用于计算所述N个样本的每个性能表征参数的均值绝对偏差；

第二计算子模块，用于根据所述每个性能表征参数的均值绝对偏差和每个性能表征参数值的均值，计算每个样本处理后的相对应的性能表征参数值。

优选的，所述计算比较模块，具体包括，

第一计算子模块，用于计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标；

第二加权计算子模块，用于对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标。

一种半导体产品与加工设备的匹配系统，包括，终端设备和数据服务器；

所述终端设备用于获取加工设备加工的历史产品的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类，L为整数；根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最为接近；分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工；

所述数据服务器用于存储加工设备加工的历史产品的产品数据。

相较于现有技术，本发明具有以下有益效果：

本发明提供的半导体产品与加工设备的匹配方法，以各个标称指标相同的加工设备加工的历史产品的产品属性参数值为基础，得出各个加工设备加工某类产品的过程能力指标，过程能力指标越高，表示该加工设备加工出的产品的性能越好。当有待加工产品需要加工时，根据该待加工产品的预设产品属性参数值，将该待加工产品归为产品类中的预设产品类，然后将该待加工产品分配给加工该预设产品类产品的加工设备中过程能力指标最高的加工设备上进行加工。基于本发明提供的半导体产品与加工设备的匹配方法，加工产品不会随机地分配给任意一台标称指标相同的空闲设备上进行加工，而是根据多台设备的实际加工能力高低，从多台设备上挑选出一个加工性能好的设备来加工该待加工产品。因而，这种半导体产品与加工设备的匹配方法，提高了半导体产品的生产质量，提高了半导体产品加工的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的半导体产品与加工设备的匹配方法流程示意图；

图2是本发明实施例的SOM聚类方法流程示意图；

图3是本发明实施例的场景实施例的匹配方法流程示意图；

图4是本发明实施例的场景实施例的SOM聚类方法流程示意图；

图5本发明实施例的半导体产品与加工设备的匹配装置示意图；

图6是本发明实施例的半导体产品与加工设备的匹配系统示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1对本发明实施例提供的半导体产品与加工设备的匹配方法进行详细描述。该匹配方法包括以下步骤：

S11、获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数：

该步骤通过图形用户界面方式设定设备历史产品的生产数据选取时间窗口，并通过关系数据库访问协议从数据服务器上的关系数据库中下载产品生产数据。假设下载的产品数据记录有N条，每条记录为一个样本的产品数据。设定每个样本的产品数据包括m个属性参数，则第i个样本x_i的产品数据为{x_i1,x_i2,…,x_im}。

通过该方法，获取标称指标相同的空闲加工设备先前加工的历史产品中的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识。其中，产品属性参数值是与加工的产品相关的属性参数，具体可以包括产品的材料属性和产品的性能表征参数。

通常情况下，表征一个产品的性能好坏需要用多个性能表征参数进行表征，所以在本实施例中，产品的性能表征参数为多个。并且，该性能表征参数针对不同的产品具有不同的物理意义。加工设备标识用来区分各个加工设备，该加工设备标识可以是预先设定的加工设备编号。加工设备标识方便后续为待加工产品选择匹配设备实际加工产品能力最好的设备。

S12、对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值：

通常情况下，用来表征一个样本的产品属性参数通常有多个，但是这多个不同的产品属性参数的量纲可能是不统一的。例如，产品的直径的量纲为mm，破裂强度为J/m²。这种不统一的产品属性参数是没有可比性的。为了使每个样本的各个产品属性参数值换算成具有可比性的数值，本步骤对N个样本的每个产品属性参数值进行预处理，以使每个样本的各个产品属性参数值换算成具有可比性的数值。由于表示产品材料的产品属性参数是没有量纲的，而且没有大小之分，所以上述所述的对产品属性参数值进行预处理，更具体地说，是对可以量化的与产品性能相关的性能表征参数进行预处理。

本发明实施例对N个样本的产品性能表征参数进行预处理，可以采用归一化法进行预处理。该归一化方法可以采用零均值归一化。

需要说明的是，对N个样本的产品性能表征参数进行预处理，需要对每个样本的每一个产品性能表征参数一一进行预处理。例如，设定一个样本的产品性能表征参数包括多个：第一产品性能表征参数、第二产品性能表征参数、第三产品性能表征参数等等，需要对第一产品性能表征参数、第二产品性能表征参数和第三产品性能表征参数分别进行预处理，分别得到预处理后的第一产品性能表征参数、第二产品性能表征参数和第三产品性能表征参数。处理后的第一产品性能表征参数、第二产品性能表征参数和第三产品性能表征参数之间具有可比性。

采用归一化方法对加工产品的产品性能表征参数进行预处理，以使每个样本的各个产品属性参数值换算成具有可比性的数值，具体包括以下步骤：

首先，计算所述N个样本的每个性能表征参数的均值绝对偏差：

以第i个样本的第j个产品性能表征参数为例进行说明。

首先，计算N个样本的第j个性能表征参数的均值绝对偏差S_j;

具体地，

$\begin{array}{c}{S}_j=\frac{1}{N}\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\right|x_{\mathrm{ij}}-m_j\left|\right)\\ =\frac{1}{N}\left(\right|x_{1j}-m_j|+|x_{2j}-m_j|+...+|x_{\mathrm{nj}}-m_j\left|\right)\end{array}---\left(1\right);$

x_ij是预处理之前的第i个样本的第j个性能表征参数值，m_j是N个样本的第j个性能表征参数值的均值；

$m_j=\frac{1}{N}(x_{1j}+x_{2j}+x_{3j}+...+x_{\mathrm{Nj}})---\left(2\right);$

依据上述两个公式（1）和（2）可以分别求出每个样本的每个性能表征参数的均值绝对偏差。

然后，根据每个性能表征参数的均值绝对偏差和每个性能表征参数值的均值，计算每个样本处理后的相对应的性能表征参数值：

仍然以第i个样本的第j个产品性能表征参数为例进行说明。

根据所述均值绝对偏差S_j和第j个性能表征参数值的均值m_j，计算每个样本处理后的相对应的性能表征参数值x_ij′；

$x_{\mathrm{ij}}^{\′}=\frac{x_{\mathrm{ij}}-m_j}{S_j}---\left(3\right)$

x_ij′是预处理后的第i个样本的第j个性能表征参数值。

采用上述所述的方法对每一个样本的每个性能表征参数值进行归一化处理。处理后的性能参数表征值x_ij′没有量纲，所以，不同性能表征参数值具有可比性。从而使得归一化后，每个样本的不同性能表征参数值的值域相近，它们的变化范围相近。

步骤S12的预处理为后续进行的产品属性参数值的聚类做好了准备。

S13、根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类：

由于每个样本都有一个原始产品标号，在实际过程中，通过分析这些样本数据之后发现，不同原始产品标号的样本数据有些在欧式空间上的距离相近，所以可以通过聚类的方法将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的产品归为一个产品类。由于预处理后的各个产品属性参数值具有可比性，可以通过根据预处理后的产品属性参数值对样本进行聚类，将N个样本归为L个产品类，L为整数。聚类后的每一产品类的各个样本的产品性能表征参数值相近，也可以说，聚类后的每一产品类的各个样本的产品性能表征参数值在一定的预设范围内。

鉴于采集到的加工设备加工的历史产品的样本的产品数据规模很大，本发明实施例采用的聚类方法可以选用SOM方法。SOM聚类方法可以用于任意的概率密度函数的数据集，并且算法的时间复杂度与样本点数量呈线性关系，适用于大规模数据集上的聚类。

结合图2所示的流程图对本发明实施例采用的SOM聚类方法进行描述。

设定SOM聚类方法用到样本的m个产品属性。这m个产品属性是与产品相关的属性，如产品的材质和产品的性能表征参数。为了描述方便，定义SOM训练集样本y_i=（y_i1,y_i2,y_i3,…,y_im）,i=1,2,…,N，即训练集样本的个数为N。每个训练集样本y_i与步骤S21获取到的每个样本相对应。y_i是一个m维向量，y_i1为第i个训练样本的第一性能表征参数值，y_i2为第i个训练样本的第二性能表征参数值，y_i3为第i个训练样本的第三性能表征参数值，y_im为第i个训练样本的第m性能表征参数值。

这里需要说明的是，训练样本y与产品数据的样本是一一对应的。其区别在于，训练样本y中只包括与产品相关的属性参数，产品数据的样本的属性还包括了产品加工设备标识，这样，就得到了加工每个产品类的加工设备标识，为后续计算每个产品类加工设备的过程能力指标C_pk做好了准备。

该SOM聚类方法包括以下步骤：

a1、确定SOM的二维平面拓扑结构以及顶点个数M，所述顶点个数M与获取的样本的个数相关；初始化与顶点个数相对应的M个权值向量w_m(0)，m=1,2,……,M，m为整数，权重向量的维数与训练样本的产品属性参数的个数相同，并且所述权重向量的每一维的属性与获取的样本产品属性参数相同，初始迭代次数t=1，初始迭代时所用训练样本号index=1;

a2、找出距离预定训练样本y_index最近的预定权值向量w_c，更新所述预定权值向量w_c及其邻域内的其它权值向量的值，得到t时刻所述预定权值向量w_c(t)及其邻域内的其它权值向量的值；

本发明实施例可以利用以下公式找出距离预定训练样本y_index最近的预定权值向量w_c，具体为，

c＝argmind(y_index,w_h)，h=1,2,…,M    (4);

$d(y_{\mathrm{index}},w_h)=\frac{d^1(y_{\mathrm{index}},w_h)+(N-1)\sqrt{\underset{n=2}{\overset{N}{\mathrm{\Σ}}}{(y_{\mathrm{index},n}-w_{h,n})}^2}}{N}---\left(5\right)$

其中， $d^1(y_{\mathrm{index}},w_h)=\left\{\begin{array}{ccc}0& \mathrm{if}& y_{\mathrm{index},1}=w_{h,1}\\ 1& \mathrm{if}& \mathrm{otherwise}\end{array}\right.;$ d¹(y_index,w_h)是预定训练样本y_index与权值向量w_h在第一产品属性参数上的距离，

是预定训练样本y_index在除所述第一产品属性参数以外的其它产品属性参数上的距离，w_h,n为权值向量w_h的第n维分向量；

本发明实施例可以利用下述公式（6）和（7）更新所述预定权值向量w_c及其邻域内的其它权值向量的值，具体为，

w_h(t+1)＝w_h(t)+η(t)h_c,h(t)(y_index-w_h(t))，h=1,2,…,M    (6);

$h_{c,h}\left(t\right)=\exp \left(\frac{\left|\right|r_c-r_h\left|\right|2}{2{\mathrm{\σ}}^2\left(t\right)}\right)---\left(7\right);$

其中，η(t)为第t次迭代的学习率，h_c,h(t)为第t次迭代时定义在顶点c与定点h上的邻域函数，r_c为顶点c的二维坐标值，r_h为顶点h的二维坐标值，σ(t)为第t次迭代的核宽度。

a3、判断迭代次数t是否达到预设的迭代次数或者判断M个权值向量是否稳定，如果是，执行步骤a4，如果否，设定t=t+1，若此时样本号index小于N时，设定index=index+1，返回执行步骤a2；当样本号index达到N时，则重新设定index=1，返回执行步骤a2；

需要说明的是，上述迭代过程为一个循环过程，当迭代次数t达到预设的迭代次数时，或者M个权值向量趋于稳定时，则按照顺序执行下一步骤a4。否则的话，当仍有训练样本没有迭代，即训练样本号index还未达到N时，则更换训练样本，对其他训练样本进行迭代。为了使迭代有序进行，可以按照训练样本的标识号依次顺序进行迭代。即设置训练样本号的号数加1（index=index+1），迭代次数加1（t=t+1），返回执行步骤a2。当所有的训练样本都进行了迭代，即训练样本号index达到N时，则重新设定index=1,返回执行步骤a2。

此外，本步骤所述的预设的迭代次数可以为预先设定的值。该预先设定的值可以根据实际经验设定，也可以是训练样本的个数。

需要说明的是，判断M个权值向量是否稳定的标准是两次相邻的迭代值之差在预设范围内。当两次相邻的迭代值之差在预设范围内，则M个权值向量达到稳定。

a4、将M个顶点作为M个类，并将每个训练样本划分到与之最近的那个权值向量对应的类中；计算每个类的样本中心点及类中样本与所述样本中心点的距离平方和，将各类的距离平方和相加得到整体的方差值；

需要说明的是，每个类的样本中心点可以通过公式（8）获得。

$C_i=\frac{\underset{y\∈P_i}{\mathrm{\Σ}}y}{\left|P_i\right|},i=\mathrm{1,2},...,L---\left(8\right)$

其中，

表示产品类P_i中的各个训练样本的加和值，由于每个训练样本均为向量，所以该加和值为向量的加和值。|P_i|为产品类P_i中的训练样本的个数，也就是说当把产品类P_i看作集合时，|P_i|为集合P_i内的元素的个数。

a5、如果将相邻两个产品类合并能够减少整体的方差值，合并所述相邻的两个产品类，循环执行该步骤，直到整体的方差值不能减少，得到L个类；

a6、输出最终的L个类以及各类包括的训练样本。

输出的L个产品类，每个产品类标记为P_i,i=1,2,3…,L。每个产品类中包括多个训练样本y，每个训练样本y内包括该训练样本的产品属性参数值。可以把训练样本y看作是一个向量，各个产品属性参数值可以看作是向量的各个分向量。如果将每个产品类P_i看作一个数学上的集合，那么其包括的训练样本y相当于集合内的元素。

通过公式（8）可以计算出每个类中的样本中线点C_i。

S14、根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类：

具体地，

首先，获取L个产品类中的每个类样本中心点。具体地，通过公式

可以得出每个产品类中的样本中心点，也就可以得出每个产品类的样本各个产品性能表征参数的均值。

然后，将所述待加工产品的预设产品属性参数与每个类样本中心点进行比较匹配，找出与所述待加工产品的预设产品属性参数最接近的类样本中心点；设定与所述待加工产品的预设产品属性参数最接近的类样本中心点所述的产品类为预设产品类；

然后，将所述待加工产品归为与待加工产品的预设产品属性参数最为接近的一类。为了方便描述，将与该待加工产品的预设产品性能参数值最为接近的样本中心点所在的产品类定义为预设产品类。

具体地，可以通过公式b＝argmind(x_new,C_i),i＝1,2...,L。从L个产品类中找出类样本中心点C_i与待加工产品X_new最接近的一类。

S15、分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标：

为了比较加工预设产品类产品的每台加工设备加工产品的性能高低，可以通过分别计算加工该预设产品类产品的每台加工设备的过程能力指标，并比较各台加工设备的过程能力指标的高低来实现。加工设备的过程能力指标越高，表示该台加工设备加工出的产品性能越好，性能越稳定。

由于表征一个加工产品的性能好坏，通常需要通过多个不同的性能表征参数来表征。相应地，每台加工设备加工的过程能力指标包括在不同性能表征参数方面的过程能力指标。所以，计算每台加工设备的过程能力指标需要首先计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标；然后再对该台加工设备在各个产品性能表征参数方面的过程能力指标进行加权计算，从而得到该台产品加工该整个产品的过程能力指标。

计算加工所述预设产品类产品的一台加工设备的过程能力指标，具体包括以下两个步骤：

首先，计算加工预设产品类的加工设备在加工产品的各个产品性能表征参数的过程能力指标；

其中，计算一台加工设备在加工产品的一个产品性能表征参数上的过程能力指标的公式如下：

$C_{\mathrm{pk}}^{\mathrm{ijk}}=\min (\frac{{\mathrm{\μk}}_i^j-{\mathrm{LSLk}}_i}{{3\mathrm{\σk}}_i^j},\frac{\mathrm{USLki}-{\mathrm{\μk}}_i^j}{{3\mathrm{\σk}}_i^j})---\left(9\right)$

其中，是加工第i类产品类产品的第j台加工设备在第k个产品性能表征参数的过程能力指标，

是第j台加工设备加工第i产品类的产品的第k个产品性能表征参数的均值，

是第j台加工设备加工第i产品类的产品的第k个产品性能表征参数的标准差，LSLk_i为第i产品类的产品的第k个产品性能表征参数的下限值，USLk_i为第i产品类的产品的第k个产品性能表征参数的上限值。

通过上述公式可以得出一台加工设备在加工产品的各个产品性能表征参数方面的过程能力指标。当用来表征一个加工产品的产品性能表征参数有m个时，需要运用上述公式m次，得到该加工设备在m个产品性能表征参数方面的过程能力指标。

然后，对加工预设产品类的加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标。

对该加工设备的各个产品性能表征参数的过程能力指标进行加权计算，具体可以通过下述公式获得，

$C_{\mathrm{pk}}^{\mathrm{ij}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k*C_{\mathrm{pk}}^{\mathrm{ijk}},\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k=1---\left(10\right)$

其中，

是加工第i类产品类产品的第j台加工设备的过程能力指标。w_k为第k个产品性能表征参数的过程能力指标的加权系数，

是加工第i类产品类产品的第j台加工设备在第k个产品性能表征参数的过程能力指标。

这样，通过上述两个公式可以得出一台加工设备的过程能力指标。采用同样的方法，可以获得加工预设产品类产品内的其他加工设备的过程能力指标。

最后，比较加工该预设产品类产品的所有加工设备的过程能力指标，得出过程能力指标最高的加工设备。该过程能力指标最高的加工设备加工出的产品的性能最好、最稳定。在为待加工产品选择匹配加工设备时，优先被选择。

S16、将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工：

如上所述，过程能力指标最高的加工设备加工出的产品的性能最好、最稳定，本发明提供的匹配方法为了提高产品的加工性能，能够将待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工。

至此为本发明实施例提供的半导体产品与加工设备的匹配方法。

上述实施例所述的匹配方法的步骤S15中仅计算了加工预设产品类产品的每台加工设备的过程能力指标。实际上，作为本发明的另一实施例，也可以在样本进行聚类后，将加工聚类后的L个产品类产品的每台加工设备的过程能力指标均计算出来，当将待加工产品归属于L个产品类中的预设产品类后，再比较加工该预设产品类的各台加工设备的过程能力指标。这种方法相较于前一实施例所述的匹配方法，由于需要计算所有L类产品的加工设备的过程能力指标，虽然能够得出各类产品类的每台加工设备的过程能力指标，但是其计算量较大，不利于提高生产效率。

上述实施例所述的匹配方法以各个标称指标相同的加工设备加工的历史产品的产品属性参数值为基础，得出各个加工设备加工某类产品的过程能力指标，过程能力指标越高，表示该加工设备加工出的产品的性能越好。当有待加工产品需要加工时，根据该待加工产品的预设产品属性参数值，将该待加工产品归为产品类中的预设产品类，然后将该待加工产品分配给加工该预设产品类产品的加工设备中过程能力指标最高的加工设备上进行加工。基于本发明提供的半导体产品与加工设备的匹配方法，加工产品不会随机地分配给任意一台标称指标相同的空闲设备上进行加工，而是根据多台设备的实际加工能力高低从多个设备上挑选出一个加工性能好的设备来加工该待加工产品。因而，这种半导体产品与加工设备的匹配方法，提高了半导体产品的生产质量，提高了半导体产品加工的稳定性。

为了更清楚地理解本发明实施例所述的匹配方法，下面结合应用场景进行说明。上述所述的匹配方法可以应用在半导体封装键合工序中的键合器件与键合设备的匹配。

场景实施例

结合图3对半导体封装键合工序中的键合器件与键合设备的匹配方法进行说明。该键合器件与键合设备的匹配方法包括以下步骤：

S31、获取键合设备键合的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数和键合设备编号；其中，产品属性参数包括键合丝材质、键合丝直径、成品的键合丝破断强度、成品的焊球剥离强度：

设定第i个样本x的产品数据x_i={x_i1,x_i2,x_i3,x_i4,x_i5}，其中x_i1为第i个样本的键合丝材质，x_i2为第i个样本的键合丝直径，x_i3为第i个样本的键合丝破断强度值，x_i4为第i个样本的键合丝剥离强度值，x_i5为第i个样本的键合设备号，i=1,2...N。

需要指出的是，成品的键合丝破断强度和成品的焊球剥离强度是键合成品的两个重要的质量指标，这两个值的波动大小体现出键合设备的加工产品能力。

S32、对键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度进行归一化处理：

由于原始的键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度的量纲不统一，它们之间没有可比性。为了使这些产品的性能表征参数之间具有可比性，需要将这些产品的性能表征参数进行归一化处理，使得它们之间的量纲统一。

设定键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度分别为键合产品数据的第2属性参数、第3属性参数、第4属性参数。

其归一化处理的步骤，具体包括以下步骤：

S321、分别计算第2、第3和第4属性参数的均值绝对偏差S_j,j=2,3,4。

具体地通过计算公式为： $S_j=\frac{1}{N}\left(\right|x_{1j}-m_j|+|x_{2j}-m_j|+...+|x_{\mathrm{Nj}}-m_j\left|\right);$

其中，x_1j，...，x_Nj是N个样本第j个属性的值，m_j是N个样本第j个属性的均值。

S322、计算每个样本的每个属性参数归一化后的值：

根据公式计算每个样本的每个属性参数归一化后的值。其中，x_ij′是预处理后的第i个样本的第j个性能表征参数值。

S33、根据处理后的样本的键合丝材质、键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度对样本进行聚类，聚类后的每一产品类具有相近的键合丝材质、键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度：

该步骤可以采用SOM聚类方法进行聚类。

在本实施例所述的SOM聚类方法中，由于前四个属性（键合丝材质、键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度）与产品的性能相关，所以可以只用到样本的前四个属性，为了描述的方便，定义SOM训练集样本y_i=（y_i1,y_i2,y_i3,y_i4），i=1,2...,N，即训练样本个数仍为N。y_i是一个四维向量，y_i1为第i个训练样本键合丝材质，y_i2为第i个训练样本键合丝直径值，y_i3为第i个训练样本键合丝破断强度值，y_i4为第i个训练样本焊球剥离强度值。

参见图4，SOM聚类的步骤如下：

S331，确定SOM的2维平面拓扑结构（矩形或六边形）以及顶点个数。设定顶点个数为M。初始化与顶点相对应的M个权值向量w_i(0)，i=1,...,M。权重向量的维数为4，每一维的属性与训练样本的产品属性参数相同。设初始迭代次数为t=1,初始迭代时所用训练样本号index=1。

S332，找出距离预定训练样本y_index最近的一个权值向量w_c，然后更新这个权值向量w_c及其邻域内其他权值向量的值，得到t时刻所述预定权值向量w_c(t)及其邻域内的其它权值向量的值。

利用如下公式（4’）和（5’）找出距离预定训练样本y_index最近的权值向量w_c：

c＝argmind(y_index,w_i),i=1,2,…,M    (4’);

$d(y_{\mathrm{index}},w_i)=\frac{d^1(y_{\mathrm{index}},w_i)+3\sqrt{{(y_{\mathrm{index},2}-w_{i,2})}^2+{(y_{\mathrm{index},3}-w_{i,3})}^2+{(y_{\mathrm{index},4}-w_{i,4})}^2}}{4}$ (5’)

公式（5’）中的第一项d¹(y_index,w_i)为训练样本y_index与权值向量w_i在键合丝材质属性上的距离，第二项 $3\sqrt{{(y_{\mathrm{index}2}-w_{i2})}^2+{(y_{\mathrm{index}3}-w_{i3})}^2+{(y_{\mathrm{index}4}-w_{i4})}^2}$ 为训练样本y_index与权值向量w_i在其余三个属性（包括键合丝直径、成品的键合丝破断强度和成品的焊球剥离强度）上的距离。

其中，

$d^1(y_{\mathrm{index}},w_i)=\left\{\begin{array}{ccc}0& \mathrm{if}& y_{\mathrm{index},1}=w_{i,1}\\ 1& \mathrm{if}& \mathrm{otherwise}\end{array}\right..$

利用如下公式更新了权值向量wc及其邻域内的其他权值向量的值。

w_i(t+1)＝w_i(t)+η(t)h_c,i(t)(y_index-w_i(t))，i=1,2,…,M    (6’);

$h_{c,i}\left(t\right)=\exp \left(\frac{\left|\right|r_c-r_i\left|\right|2}{2{\mathrm{\σ}}^2\left(t\right)}\right)---(7\text{'});$

其中，η(t)为第t次迭代的学习率，h_c,i(t)为第t次迭代时定义在顶点c与顶点i上的邻域函数，r_c为顶点c的二维坐标值，r_i为顶点i个二维坐标值，σ(t)为第t次迭代的核宽度。

S333、判断迭代次数t是否满足条件（预设的迭代次数已到或M个权值向量已趋于稳定），如果是，则继续S334；如果否，设定t=t+1，若此时样本号index小于N时，设定index=index+1,返回执行步骤S332，若此时样本号index已等于N，则重新设定index=1，返回执行S332。

S334，将M个顶点看成M个类，并将每个训练样本划分到与之最近的那个权值向量对应的类中；计算每个类的样本中心点及类中样本与这个中心点的距离平方和，将各类的距离平方和相加得到整体的方差值。

需要说明的是，每个类的样本中心点可以通过公式（8’）获得。

$C_i=\frac{\underset{y\∈P_i}{\mathrm{\Σ}}y}{\left|P_i\right|},i=\mathrm{1,2},...,L---(8\text{'})$

其中，表示产品类P_i中的各个训练样本的加和值，由于每个训练样本均为向量，所以该加和值为向量的加和值。|P_i|为产品类P_i中的训练样本的个数，也就是说集合P_i内的元素的个数。

S335，若将相邻两类合并能减少整体的方差值，则合并这两个类，循环执行此过程直到整体的方差值已不能减少。

S336，输出最终的L个类P_i，i=1,2,...,L，及各类包含的训练样本，并计算此时各个类的样本中心点。

S34、根据待加工产品的预设产品属性参数值，将所述待加工产品归为预设产品类：

需要说明的是，通过公式（8’）可以计算出上述步骤S33中输出的最终L个类中每一个类的样本中心点。

该步骤具体包括以下步骤，

首先，从L个产品类中找出类样本中心点与待加工产品的预设产品属性参数最接近的一类：

然后，将所述待加工产品归为与待加工产品的预设产品属性参数最为接近的一类。

通过比较待加工产品的预设产品性能参数值与每个产品类中的样本中心点的各个产品性能表征参数值，找出与待加工产品的预设产品性能参数值最为接近的样本中心点，将该待加工产品归为与该待加工产品的预设产品性能参数值最接近的样本中心点所在的产品类。为了方便描述，将与该待加工产品的预设产品性能参数值最为接近的样本中心点所在的产品类定义为预设产品类。

该预设产品类的样本中心点的产品属性参数值与待加工产品的预设产品属性值最为接近。

S35、计算键合预设产品类产品的加工设备的过程能力指标：

基于步骤S33对产品数据的聚类结果可以计算加工每一产品类的设备的过程能力指标C_pk。键合设备的过程能力指标C_pk值体现在成品的键合丝破断强度和成品的焊球剥离强度这两个质量指标上面。首先分别计算出键合丝破断强度和焊球剥离强度的C_pk值，其次，以加权的方式得出此设备的C_PK值。

设第i个产品类加工设备的台数为E_i，i=1,2,...,L，其中第j台设备加工的产品数据集为

，则加工第i产品的第j台设备在键合丝破断强度上的过程能力指标为：

$C_{\mathrm{pk}}^{\mathrm{ij}1}=\min (\frac{{\mathrm{\μ}1}_i^j-{\mathrm{LSL}1}_i}{{3\mathrm{\σ}1}_i^j},\frac{\mathrm{USL}1i-{\mathrm{\μ}1}_i^j}{{3\mathrm{\σ}1}_i^j}),i=\mathrm{1,2},...,L,j=\mathrm{1,2},...,E_i,---(9\text{'})$

其中，

为

上键合丝破断强度的均值，

为

上键合丝破断强度的标准差，LSL1_i为第i类产品键合丝破断强度的产品下限值，USL1_i为第i类产品键合丝破断强度的产品上限值。

类似地，加工第i类产品的第j台设备在焊球剥离强度上的过程能力指标为：

$C_{\mathrm{pk}}^{\mathrm{ij}2}=\min (\frac{{\mathrm{\μ}2}_i^j-{\mathrm{LSL}2}_i}{{3\mathrm{\σ}2}_i^j},\frac{\mathrm{USL}{2}_i-{\mathrm{\μ}2}_i^j}{{3\mathrm{\σ}2}_i^j}),i=\mathrm{1,2},...,L,j=\mathrm{1,2},...,E_i,---1\left({10}^{\text{'}}\right)$

其中，

为

上焊球剥离强度的均值，

为

上焊球剥离强度的标准差，LSL2_i为第i类产品焊球剥离强度的产品下限值，USL2_i为第i类产品焊球剥离强度的产品上限值。

这样就可以得到加工第i产品的第j台设备的过程能力指标为

$C_{\mathrm{pk}}^{\mathrm{ij}}=w_1\×C_{\mathrm{pk}}^{\mathrm{ij}1}+w_2\×C_{\mathrm{pk}}^{\mathrm{ij}2},w_1+w_2=1---(11\text{'})$

其中，w₁，w₂为加权系数。

S36、将待加工产品分配给过程能力指标最高的键合设备进行键合：

首先对各台键合设备的过程能力指标从高到低进行排序，然后选择过程能力指标C_pk值最高的设备加工待加工产品X_new，从而完成了产品与键合设备的智能匹配。

通过场景实施例的描述，本发明提供的半导体产品与加工设备的匹配方法能够用于半导体封装键合工序上的键合产品与键合设备的智能匹配。而且，通过该匹配方法，能够将待键合产品分配给实际加工能力高的键合设备，因而，这种匹配方法保证了产品的质量，提高了产品的性能。

基于上述提供的半导体产品与加工设备的匹配方法，本发明实施例还提供了一种半导体产品与加工设备的匹配装置。

如图5所示，本发明实施例提供的半导体产品与加工设备的匹配装置，包括，

获取模块51，用于获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；

预处理模块52，用于对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；

聚类模块53，用于根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的产品归为一个产品类，所述N个样本归为L个产品类；

类别归属模块54，用于根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最接近；

计算比较模块55，用于分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；

匹配模块56，用于将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工。

本发明实施例提供的半导体产品与加工设备的智能匹配装置，能够实现将待加工产品分配给实际加工能力高的加工设备。这种匹配装置，能够保证产品质量的稳定性，有利于提高产品的整体性能。

更具体地，上述预处理模块52包括，

第一计算子模块521，用于计算所述N个样本的每个性能表征参数的均值绝对偏差；

第二计算子模块522，用于根据所述每个性能表征参数的均值绝对偏差和每个性能表征参数值的均值，计算每个样本处理后的相对应的性能表征参数值。

更具体地，上述计算比较模块55，具体包括，

第一计算子模块551，用于计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标；

第二加权计算子模块552，用于对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标。

基于上述实施例提供的半导体产品与加工设备的匹配方法，本发明实施例还提供了一种半导体产品与加工设备的匹配系统。该匹配系统的结构示意图如图6所示。该匹配系统包括终端设备61和数据服务器62。

其中，终端设备61用于获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的产品归为一个产品类，所述N个样本归为L个产品类、L为整数；根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类；分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工；

数据服务器62，用于存储加工设备加工的历史产品的N个样本的产品数据。

需要指出的是，终端设备61首先要具有网络通讯能力以获取设备历史产品加工数据，另外还要具有一定的存储能力以用来暂存待分析的设备历史产品加工数据以及一定的计算能力来分析产品数据并做出决策。终端设备61的具体形式可以为台式机，笔记本或是服务器。

数据服务器62可以是企业内部一台联网服务器，各加工设备经由企业内部网络将加工产品数据传送并存放于此服务器上的数据库中。

终端设备61和数据服务器62同处于企业内部的局域网中，共同组成了半导体产品与加工设备的智能匹配系统，其中，终端设备61利用标准关系数据库访问接口从数据服务器62中读取到加工设备历史产品加工数据（当加工设备为键合设备时，该加工数据包括加工设备号，键合丝材质，键合丝直径，成品的键合丝破断强度和成品的焊球剥离强度）并将该读取到的加工设备历史产品加工数据暂存在终端设备61中，然后对这些产品数据进行预处理并聚类，当用户通过图形界面输入待加工产品的数据（键合丝材质，键合丝直径，成品期望的键合丝破断强度和成品期望的焊球剥离强度）后，终端设备61首先对这个产品数据进行产品类别识别，将其归属于预设产品类中，然后再计算该类产品的各台加工设备的过程能力指标C_pk，然后选择此类别中C_pk值最高的键合设备加工此产品。

将该匹配系统用于半导体封装键合工序产品与设备匹配中能有效降低产品质量指标（键合丝破断强度和焊球剥离强度）的波动，提高生产过程的稳定性，达到产品质量控制的目的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种半导体产品与加工设备的匹配方法，其特征在于，包括，

获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；

对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；

根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类，L为整数；

根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最接近；

分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；

将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工。

2.根据权利要求1所述的匹配方法，其特征在于，所述对N个样本的产品属性参数值进行预处理，以使每个样本的各个产品属性参数值换算成具有可比性的数值，具体包括，

计算所述N个样本的每个性能表征参数的均值绝对偏差；

根据所述每个性能表征参数的均值绝对偏差和每个性能表征参数值的均值，计算每个样本处理后的相对应的性能表征参数值。

3.根据权利要求1所述的匹配方法，其特征在于，根据预处理后的产品属性参数值采用SOM聚类方法对样本进行聚类，设定SOM聚类方法采用样本的m个产品属性，定义SOM训练集样本y_i=（y_i1,y_i2,y_i3,…,y_im）,i=1,2,…,N，i为整数，y_i是一个m维向量，y_i1为第i个训练样本的第一性能表征参数值，y_i2为第i个训练样本的第二性能表征参数值，y_i3为第i个训练样本的第三性能表征参数值，y_im为第i个训练样本的第m性能表征参数值;

具体包括，

a1、确定SOM的二维平面拓扑结构以及顶点个数M，所述顶点个数M与获取的样本的个数相关；初始化与顶点个数相对应的M个权值向量w_m(0)，m=1,2,……,M，m为整数，权重向量的维数与训练样本的产品属性参数的个数相同，并且所述权重向量的每一维的属性与获取的样本产品属性参数相同，设定初始迭代次数t=1，初始迭代时所用样本号index=1;

a2、找出距离预定训练样本y_index最近的预定权值向量w_c，更新所述预定权值向量w_c及其邻域内的其它权值向量的值，得到t时刻所述预定权值向量w_c(t)值及其邻域内的其他权值向量的值；

a3、判断迭代次数t是否达到预设的迭代次数或者判断M个权值向量是否稳定，如果是，执行步骤a4；如果否，设定t=t+1，若样本号index小于N，设定index=index+1，返回执行步骤a2；若样本号index达到N，则重新设定index=1，返回执行步骤a2；

a4、将M个顶点作为M个类，并将每个训练样本划分到与之最近的那个权值向量对应的类中；计算每个类的样本中心点及类中样本与所述样本中心点的距离平方和，将各类的距离平方和相加得到整体的方差值；

a5、如果将相邻两个类合并能够减少整体的方差值，合并所述相邻的两个类，循环执行该步骤，直到整体的方差值不能减少，得到L个类；

a6、输出最终的L个类以及各类包括的训练样本。

4.根据权利要求3所述的匹配方法，其特征在于，所述找出距离预定训练样本y_index最近的预定权值向量w_c，具体为，

c＝argmind(y_index,w_h)，h=1,2,…,M;

$d(y_{\mathrm{index}},w_h)=\frac{d^1(y_{\mathrm{index}},w_h)+(N-1)\sqrt{\underset{n=2}{\overset{N}{\mathrm{\Σ}}}{(y_{\mathrm{index},n}-w_{h,n})}^2}}{N}$

其中， $d^1(y_{\mathrm{index}},w_h)=\left\{\begin{array}{ccc}0& \mathrm{if}& y_{\mathrm{index},1}=w_{h,1}\\ 1& \mathrm{if}& \mathrm{otherwise}\end{array}\right.;$ d¹(y_index,w_h)是预定训练样本y_index与权值向量w_h在第1个产品属性参数上的距离，是预定训练样本y_index在除所述第1个产品属性参数以外的其它产品属性参数上的距离；w_h,n为权值向量w_h的第n维分向量；

所述更新所述预定权值向量w_c及其邻域内的其它权值向量的值，具体为，

w_h(t+1)＝w_h(t)+η(t)h_c,h(t)(y_index-w_h(t))，h=1,2,…,M;

$h_{c,h}\left(t\right)=\exp \left(\frac{{\left|\right|r_c-r_h\left|\right|}^2}{2{\mathrm{\σ}}^2\left(t\right)}\right);$

其中，η(t)为第t次迭代的学习率，h_c,h(t)为第t次迭代时定义在顶点c与顶点h上的邻域函数，r_c为顶点c的二维坐标值，r_h为顶点h个二维坐标值，σ(t)为第t次迭代的核宽度。

5.根据权利要求1-4任一项所述的匹配方法，其特征在于，所述分别计算加工所述预设产品类的每台加工设备的过程能力指标，具体包括，

计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标；

对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标。

6.根据权利要求5所述的匹配方法，其特征在于，所述计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标，具体为，

$C_{\mathrm{pk}}^{\mathrm{ijk}}=\min (\frac{{\mathrm{\μk}}_i^j-{\mathrm{LSLk}}_i}{{3\mathrm{\σk}}_i^j},\frac{\mathrm{USLki}-{\mathrm{\μk}}_i^j}{{3\mathrm{\σk}}_i^j})$

其中，

是加工第i类产品类产品的第j台加工设备在第k个产品性能表征参数的过程能力指标，

是第j台加工设备加工第i产品类产品的第k个产品性能表征参数的均值，

是第j台加工设备加工第i产品类产品的第k个产品性能表征参数的标准差，LSLk_i为第i产品类产品的第k个产品性能表征参数的下限值，USLk_i为第i产品类的产品的第k个产品性能表征参数的上限值。

7.根据权利要求6所述的匹配方法，其特征在于，设定每个样本具有n个产品性能表征参数，所述对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标，具体为，

$C_{\mathrm{pk}}^{\mathrm{ij}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k*C_{\mathrm{pk}}^{\mathrm{ijk}},\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k=1;$

其中，

是加工第i类产品类产品的第j台加工设备的过程能力指标。w_k为第k个产品性能表征参数的过程能力指标的加权系数，

是加工第i类产品类产品的第j台加工设备在第k个产品性能表征参数的过程能力指标。

8.根据权利要求1所述的匹配方法，其特征在于，所述根据待加工产品的预设产品属性参数，将所述待加工产品归属于所述L个产品类中的预设产品类，具体为，

获取L个产品类中的每个类样本中心点；

将所述待加工产品的预设产品属性参数与每个类样本中心点的产品属性参数进行比较匹配，找出与所述待加工产品的预设产品属性参数最接近的类样本中心点；设定与所述待加工产品的预设产品属性参数最接近的类样本中心点所属的产品类为预设产品类；

将所述待加工产品归属于预设产品类。

9.根据权利要求8所述的匹配方法，其特征在于，通过公式b＝argmind(x_new,C_i),i＝1,2...,L，找出与所述待加工产品的预设产品属性参数最接近的类样本中心点；其中，x_new为待加工产品，C_i与所述待加工产品的预设产品属性参数最接近的类样本中心点。

10.根据权利要求1-4任一项所述的匹配方法，其特征在于，应用于半导体封装键合工序。

11.根据权利要求10所述的匹配方法，其特征在于，所述产品属性参数值具体为，键合丝的材质、键合丝的直径、成品的键合丝破断强度和成品的焊球剥离强度。

12.一种半导体产品与加工设备的匹配装置，其特征在于，包括，

获取模块，用于获取加工设备加工的历史产品的N个样本的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；

预处理模块，用于对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；

聚类模块，用于根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类，L为整数；

类别归属模块，用于根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最接近；

计算比较模块，用于分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；

匹配模块，用于将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工。

13.根据权利要求12所述的匹配装置，其特征在于，所述预处理模块，包括，

第一计算子模块，用于计算所述N个样本的每个性能表征参数的均值绝对偏差；

第二计算子模块，用于根据所述每个性能表征参数的均值绝对偏差和每个性能表征参数值的均值，计算每个样本处理后的相对应的性能表征参数值。

14.根据权利要求12或13所述的匹配装置，其特征在于，所述计算比较模块，具体包括，

第一计算子模块，用于计算加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标；

第二加权计算子模块，用于对加工预设产品类的每台加工设备在加工产品的各个产品性能表征参数的过程能力指标进行加权计算，得到所述预设产品类的每台加工设备的过程能力指标。

15.一种半导体产品与加工设备的匹配系统，其特征在于，包括，终端设备和数据服务器；

所述终端设备用于获取加工设备加工的历史产品的产品数据，每个样本的产品数据包括产品属性参数值和加工设备标识；N为大于1的整数；对N个样本的产品属性参数值进行预处理，以将每个样本的各个产品属性参数值换算成具有可比性的数值；根据预处理后的产品属性参数值对样本进行聚类，将具有相同预设欧式空间或者欧式空间在预设范围内的产品属性参数值的样本归为一个产品类，所述N个样本归为L个产品类，L为整数；根据待加工产品的预设产品属性参数值，将所述待加工产品归属于所述L个产品类中的预设产品类，所述预设产品类的样本中心点的产品属性参数值与所述待加工产品的预设产品属性参数值最为接近；分别计算并比较加工所述预设产品类产品的每台加工设备的过程能力指标；将所述待加工产品分配给加工所述预设产品类产品的加工设备中过程能力指标最高的加工设备加工；

所述数据服务器用于存储加工设备加工的历史产品的产品数据。

Images