CN104217366A - 缺陷单元聚类方法及其装置 - Google Patents

缺陷单元聚类方法及其装置 Download PDF

Info

Publication number
CN104217366A
CN104217366A CN201410228803.2A CN201410228803A CN104217366A CN 104217366 A CN104217366 A CN 104217366A CN 201410228803 A CN201410228803 A CN 201410228803A CN 104217366 A CN104217366 A CN 104217366A
Authority
CN
China
Prior art keywords
unit
defective unit
defects
equipment
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410228803.2A
Other languages
English (en)
Other versions
CN104217366B (zh
Inventor
申启荣
安大中
朴志英
姜智民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung SDS Co Ltd
Original Assignee
Samsung SDS Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung SDS Co Ltd filed Critical Samsung SDS Co Ltd
Publication of CN104217366A publication Critical patent/CN104217366A/zh
Application granted granted Critical
Publication of CN104217366B publication Critical patent/CN104217366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Factory Administration (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Ceramic Engineering (AREA)

Abstract

本发明提供缺陷单元聚类方法及其装置，该方法及装置进一步反映通过各个产品的制造历史信息选定的各个产品的疑似缺陷设备信息以对缺陷进行聚类。本发明包括步骤：生成样品缺陷图，样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，缺陷样品由被区划为多个单元的产品中包含一个以上缺陷单元的产品构成；在样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象；利用按产品的通过设备信息，针对聚类对象中包含的各个单元位置选定一个以上疑似缺陷设备；和将聚类对象归类为一个以上群组以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并在第一单元位置与第二单元位置之间成立位置相关关系。

Description

缺陷单元聚类方法及其装置
技术领域
本发明涉及一种对产品的不同位置上发生的缺陷(defect)进行聚类(clustering)的装置及方法。更为详细地，涉及一种将由缺陷品构成的缺陷样品的缺陷图(defectmap)上出现的所述缺陷样品的缺陷按单元进行聚类的方法及其装置。
背景技术
在产品的不同位置上发生缺陷时，为了进行共性(Commonality)分析、历史(History)分析和延迟时间(Delay Time)分析等用于实现制品/工序/设备稳定化的分析，有必要对所述缺陷进行聚类。
但是，以往的聚类方法是单纯地依据缺陷发生位置间的距离生成群组的方法。即，在以往的缺陷聚类方法中与各缺陷的发生原因无关地将近距离缺陷指定为一个群组。
专利文献：韩国专利第0742425号
发明内容
本发明要解决的技术问题是提供一种缺陷单元聚类方法及其装置，该方法及装置进一步反映通过各个产品的制造历史(WIP；Work-In-Process)信息选定的各个产品的疑似缺陷设备信息，对缺陷进行聚类。
本发明要解决的另一技术问题是提供一种专用于小型显示器制造工艺的缺陷聚类方法及其装置。
本发明要解决的又一技术问题是提供一种按各个产品中包含的单元单位对缺陷进行聚类的方法及其装置。
本发明要解决的又一技术问题是提供一种能够将彼此不相邻的缺陷也构成一个群组的缺陷聚类方法及其装置。
本发明的技术问题并不限定于上述技术问题，本领域技术人员根据下述记载应该能够明确理解未提及的其他技术问题。
为了解决上述技术问题，本发明的一方面(ASPECT)所涉及的缺陷单元聚类方法包括以下的步骤：生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成；在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象；利用按所述产品的通过设备信息，针对所述聚类对象中包含的各个单元位置，选定一个以上的疑似缺陷设备；和将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与所述第二单元位置之间成立位置相关关系。例如，所述通过设备信息可在制造历史(WIP，Work-In-Process)信息中查询。
根据本发明的一实施例，所述疑似缺陷设备的选定步骤可包括以下的步骤：针对各个单元位置运算各个设备的缺陷占比(defect ratio)；和利用所述缺陷占比，对所述各个单元位置选定一个以上的疑似缺陷设备，对于特定单元位置的特定设备的所述缺陷占比是依据(所述特定设备的缺陷数/所述特定设备所属工序的缺陷数)来运算的，所述特定设备所属工序的缺陷数是在所述特定单元位置为缺陷单元的产品中通过所述特定设备所属工序的产品的数量，所述特定设备的缺陷数是在所述特定单元位置为缺陷单元的产品中通过所述特定设备的产品的数量。而且，根据本实施例的细部实施例，利用所述缺陷占比对所述各个单元位置选定一个以上的疑似缺陷设备的步骤包括以下的步骤：针对各个单元位置选定高缺陷占比设备；构成各个单元位置的高缺陷占比设备的并集即疑似缺陷设备候补集合；运算在所述疑似缺陷设备候补集合中包含的各个设备的良品占比(good ratio)；针对各个单元位置，运算从各个设备的所述缺陷占比中减去良品占比的值即疑似缺陷因子；和针对各个单元位置，选定所述疑似缺陷因子高的指定数量的所述疑似缺陷设备。而且，根据对本细部实施例的相关实施例，运算在所述疑似缺陷设备候补集合中包含的各个设备的良品占比的步骤可包括以下的步骤：以由不包含缺陷单元的良品构成的良品样品为对象运算各个设备的所述良品占比，特定设备的所述良品占比是依据(所述特定设备的良品数/所述特定设备所属工序的良品数)来运算，所述特定设备所属工序的良品数是通过所述特定设备所属工序的良品的数量，所述特定设备的良品数是通过所述特定设备的良品的数量。此时，在所述良品样品中包含的良品的数量可以正比于在所述缺陷样品中包含的产品的数量而决定。
根据一实施例，所述位置相关关系可包括邻接型位置模式及对称型位置模式中的一个，所述邻接型位置模式在两个单元位置在所述产品的X轴方向或者在Y轴方向上相互邻接时成立，所述对称型位置模式在两个单元位置之间的距离为所述产品的X轴长度的一半，或者为所述产品的Y轴长度的一半，或者为所述产品的对角线长度的一半时成立。
根据一实施例，将所述聚类对象归类为一个以上的群组的步骤可包括以下的步骤：组合在所述聚类对象中包含的所有单元位置中的两个单元位置以生成单元链接；对于各个所述单元链接，仅限于在两个单元位置共同具有至少一个所述疑似缺陷设备，并且在两个单元位置之间成立位置相关关系时维持单元链接；和利用所述单元链接将至少一个单元位置重叠的所有的单元链接中包含的单元位置构成一个群组。
根据一实施例，在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象的步骤可包括以下的步骤：在所述样品缺陷图中将具有基准值以上的缺陷单元的单元位置选定为所述聚类对象。此时，基准值可以如下：基准值＝(在所述样品缺陷图中缺陷单元最多的单元位置的缺陷单元数量-所述样品缺陷图中缺陷单元最少的单元位置的缺陷单元数量)/2。
为了解决所述的技术问题，本发明的另一方面所涉及的缺陷单元聚类方法，可以仅以样品缺陷图的单元位置中的高缺陷类单元位置为对象，执行按单元单位的聚类。本方面所涉及的缺陷单元聚类方法，可包括以下的步骤：生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成；在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的具有基准值以上的缺陷单元的单元位置选定为聚类对象；和将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置之间成立位置相关关系。
为了解决所述的技术问题，本发明的又一个方面所涉及的缺陷单元聚类装置可包括：样品选定部，生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成；高缺陷类单元选定部，在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的具有基准值以上的缺陷单元的单元位置选定为聚类对象；疑似缺陷设备选定部，利用在制造历史(WIP，Work-In-Process)信息中查询的各个产品的通过设备信息，对于在所述聚类对象中包含的各个单元位置，选定一个以上疑似缺陷设备；和聚类部，将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与第二单元位置之间成立位置相关关系。
根据如上所述的本发明，不仅考虑缺陷单元的位置，还考虑构成缺陷单元发生原因的设备而进行聚类，因此具有能够提供准确的缺陷聚类结果的效果。
而且，具有即使缺陷单元彼此不相邻，若彼此间有关联，就能归类成一个群组的效果。
而且，当产品为用于OLED(Organic Light Emitting Diodes，有机发光二极管)等小型显示器的玻璃(glass)等产品时，利用一个单元的大小充分小的特点，按单元单位执行聚类以取代按各个缺陷点(spot)单位的聚类，从而具有能够以专用于小型显示器制造工艺的方式对缺陷进行聚类的效果。
而且，由于以各个单元的缺陷与否为基准进行聚类，因此具有能够减少聚类所需的运算负荷的效果。
附图说明
图1是本发明的一实施例所涉及的缺陷单元聚类方法的顺序图。
图2是用于说明本发明的一实施例所涉及的样品缺陷图的概念图。
图3是用于说明图1的缺陷单元聚类方法适用对象之产品的生产过程的概念图。
图4至图8是用于说明根据图1的缺陷单元聚类方法的按各个单元位置的疑似缺陷设备选定方法的概念图。
图9是用于说明为了检查图1的缺陷单元聚类方法的位置相关关系的成立与否，对各个单元赋予坐标值的概念图。
图10是用于说明图1的缺陷单元聚类方法所涉及的位置相关关系成立与否的检查的图。
图11是用于说明图1的缺陷单元聚类方法所涉及的位置相关关系成立与否的检查及缺陷单元发生原因设备检查和基于其结果的聚类的图。
图12是表示本发明的又一实施例所涉及的缺陷单元聚类系统结构的图。
图13是本发明的又一实施例所涉及的缺陷单元聚类装置的结构框图。
图14是本发明的又一实施例所涉及的缺陷单元聚类装置的结构框图。
附图标记说明
10   制品检查装置
20   制品检查数据存储装置
30   终端
100  问题设备判定装置
具体实施方式
下面，参照附图详细说明本发明的优选实施例。参照附图及在后详述的实施例，能够清楚地理解本发明的优点、特征以及实现该优点及特征的方法。但是本发明并不限定于下述实施例，而是在权利要求书的范围内可以实现为多种形式的实施例。本实施例是用于完整地公开本发明，并向本领域技术人员完整地告知发明范畴而提供的，本发明只由权利要求书的范畴限定。在全篇说明书中相同的附图标记表示相同的结构要素。
若无其他定义，在本说明书中使用的所有用语(包括技术及科学术语)可作为本领域技术人员能够共同理解的含义使用。而且，在通常使用的词典中定义的用语，若没有明确地特别定义的情况下，不被理想地或者夸张地解释。
本说明书的产品限定为以单元单位区划的产品。所述产品，例如可为半导体圆晶片(wafer)或显示器玻璃(glass)等。
下面，参照图1说明本发明的一实施例所涉及的缺陷单元聚类方法。
首先，选定作为问题设备判定对象的缺陷样品(S100)。所述缺陷样品由具有至少一个缺陷单元的产品构成。在所述产品中包含的各个单元的缺陷与否通过制品检查装置判定。所述缺陷样品的选定基准可从工艺管理者的终端输入。所述缺陷样品的选定基准，例如可以包括缺陷识别符及其判定信息(良好、拒收和保留等)、制品名和检查数据提取时间中的至少一项。
在选定缺陷样品后，生成样品缺陷图，所述样品缺陷图表示被选定的缺陷样品的按单元位置的缺陷单元分布(S101)。关于样品缺陷图的生成暂时参照图2进行说明。图2表示对于由100张玻璃(glass)构成的缺陷样品生成的样品缺陷图，该玻璃具有以3×3排列的单元。图2表示在单元A00中有30个缺陷单元，在单元A01中有10个缺陷单元，在单元B00中有25个缺陷单元，在单元B01中有一个缺陷单元，在单元C02中有30个缺陷单元。所述的在单元A00中有30个缺陷单元是指在100张缺陷样品中有30张玻璃在单元A00中为缺陷。
生成所述样品缺陷图可通过查询所述缺陷样品中的各个玻璃中包含的各个单元的缺陷与否，并且汇总按各个单元位置查询的缺陷单元的数量而执行。所述缺陷样品中的各个玻璃中包含的各个单元的缺陷与否，可通过由制品检查装置制作的检查数据查询。
本说明书的“样品缺陷图”是指在全体样品中按各个单元位置分布有多少个缺陷单元。为了制作所述样品缺陷图，优选在缺陷样品中包含具有相同的单元结构的产品。
为了便于说明，图2表示一张玻璃被区划为九个单元时的情况，但是一张玻璃可被区划为数百个以上的单元。因此，为了减少聚类所需的运算量，并且过滤无意义的噪声，可在所述样品缺陷图中将存在一个以上缺陷单元的单元位置中的一部分选定为聚类对象。更为详细地，以缺陷单元的数量为基准，在所述样品缺陷图中将存在一个以上缺陷单元的单元位置中的一部分选定为聚类对象。
例如，可以仅将根据规定的基准选定的高缺陷类单元位置选定为聚类对象。根据一实施例，可在所述样品缺陷图将具有基准值以上的缺陷单元的单元位置选定为所述聚类对象。此时，所述基准值是(在所述样品缺陷图中缺陷单元最多的单元位置的缺陷单元数-在所述样品缺陷图中缺陷单元最少的单元位置的缺陷单元数)除以2的值。若以图2的样品缺陷图为对象进行说明，所述基准值是(30–1)/2＝14.5。因此，在图2的样品缺陷图中具有15个以上缺陷单元的单元位置A00、B00和C02被选定为高缺陷类单元。即，当以图2所示样品缺陷图为对象执行聚类时，成为聚类对象的单元是A00、B00和C02。
在本说明书中“设备(equipment)”是指特定工序内的特定设备。即，在本说明书中的设备由工序识别符及设备识别符的结合来识别。例如，当设备X用于工序A和B时，工序A的设备X和工序B的设备X被视为互不相同的设备。参照图3说明本说明书中“设备”的含义。假设某种产品经过光刻工序10、干燥工序20和沉积工序30生产时，各个产品被指定通过工序内的多个设备中的一个设备。例如，当所述产品为OLED面板用玻璃时，即便第一玻璃、第二玻璃和第三玻璃均共同地依次通过光刻工序10、干燥工序20和沉积工序30，根据各个产品的规格也可通过不同的设备，例如第一玻璃通过光刻工序的X00设备、干燥工序的D00设备和沉积工序的DE00设备；第二玻璃通过光刻工序的X01设备、干燥工序的D00设备和沉积工序的DE01设备；第三玻璃通过光刻工序的X05设备、干燥工序的D00设备和沉积工序的DE03设备等。下面以按照图3所示方式经过各个工序而生产的产品为对象说明本发明所涉及的聚类方法及装置。
重新返回图1进行说明。当样品缺陷图的生成(S101)及在所述样品缺陷图上的高缺陷类单元位置的选定(S102)结束后，利用在制造历史(WIP，Work-In-Process)信息中查询的各个产品的通过设备信息，针对各个高缺陷类单元位置，选定在高缺陷类单元位置处具有缺陷单元的产品所通过的设备中的疑似缺陷设备(S104)。此时需要注意的是，所述疑似缺陷设备是从在所述高缺陷类单元位置上具有缺陷单元的产品所通过的设备中选定的，而不是从在样品中包含的全部产品所通过的所有设备中选定的。下面，参照图4至图8说明所述疑似缺陷设备的选定方法。
所述疑似缺陷设备可基于缺陷占比(Defect占比)选定。图4是表示按所述高缺陷类单元位置，对于在高缺陷类单元位置上具有缺陷单元的产品所通过的各个设备运算缺陷占比的结果的例示表。为了便于说明，在图4中仅图示A00、B00和C02这三个单元位置，但对被选定为高缺陷类单元的全部单元位置，运算在相应的单元位置上具有缺陷单元的产品所通过的各个设备的缺陷占比。
针对特定单元位置的特定设备的缺陷占比为：所述特定设备的缺陷数/所述特定设备所属工序的缺陷数。此时，所述特定设备所属工序的缺陷数是指在所述特定单元位置为缺陷单元的产品中通过所述特定设备所属工序的产品的数量，所述特定设备的缺陷数是指在所述特定单元位置为缺陷单元的产品中通过所述特定设备的产品的数量。
图4表示当单元位置为A00时PHOTO_X04设备的缺陷占比为“2/30”。这意味着在A00位置的单元为缺陷单元的样品的产品中，通过光刻工序的产品为30个，通过X04设备执行所述光刻工序的产品为两个。而且，图4表示当单元位置为A00时，DRY_D20设备的缺陷占比为“4/40”。这意味着在A00位置的单元为缺陷单元的样品的产品中，通过干燥工序的产品为40个，通过D20设备执行所述干燥工序的产品为四个。
按高缺陷类单元位置，对于在高缺陷类单元位置上具有缺陷单元的产品所通过的各个设备运算缺陷占比之后，可以针对各个高缺陷类单元位置，将缺陷占比最高的指定数量的设备选定为高缺陷占比设备。若说明图5所示内容，可知对于A00单元缺陷占比最高的设备为“DRY_D04”，对于B00单元缺陷占比最高的设备为“DRY_X04”。
但是，有问题的设备不只对一个单元引发问题，而是对多个单元引发问题的可能性高，因此，一个设备有可能对多个单元被选定为所述高缺陷占比设备。即，被选定为第一单元位置的高缺陷占比设备的设备有可能被选定为第二单元位置的高缺陷占比设备。根据本实施例，为了防止重复运算，求各个高缺陷类单元位置的高缺陷占比设备的并集。所述并集称为疑似缺陷设备候补集合。图6表示对所述缺陷样品的疑似缺陷设备候补集合。
所述疑似缺陷设备，可基于缺陷占比(Defect占比)进一步反映良品占比而选定。所述良品占比用于以由不包含缺陷单元的良品构成的样品为对象，判断通过包含在所述疑似缺陷设备候补集合中的各个设备的良品为何种程度。
包含在所述良品样品中的良品的数量可以正比于包含在所述缺陷样品中的产品的数量而决定。例如，可将包含在所述缺陷样品中的产品数量的10％决定为包含在所述良品样品中的良品的数量。例如，当所述缺陷样品为1000个时，所述良品样品为100个。下面，假定良品样品为100个进行说明。
问题越严重的设备，所述良品占比也越低。利用这点，可对于各个单元位置运算出从各个高缺陷占比设备的所述缺陷占比减去良品占比后的值即疑似缺陷因子，并且以所述疑似缺陷因子值为基准，按各个单元位置选定所述疑似缺陷设备。参照图7详细说明以所述疑似缺陷因子值为基准按各个单元位置选定所述疑似缺陷设备的方法。
针对特定设备的良品占比为“所述特定设备的良品数/所述特定设备所属工序的良品数”。所述的“所述特定设备所属工序的良品数”是通过所述特定设备所属工序的良品的数量，所述的“所述特定设备的良品数”是通过所述特定设备的良品的数量。例如，在图7中示出“DRY_D04”设备的良品占比为2/100，即0.02。这意味着在良品样品中包含的全部良品通过了“干燥”工序，并且其中的只有两个良品通过了“DRY_DO4”设备。“DRY_DO4”设备的良品占比与各个单元位置无关地具有相同的值。能够确认在图7中示出在单元位置A00与单元位置B00上“DRY_DO4”设备的良品占比均为0.02(＝2/100)。
在运算全部所述良品占比之后，针对各个单元位置的疑似缺陷设备候补，通过从缺陷占比减去良品占比来运算疑似缺陷因子值。不同于良品占比，所述缺陷占比按单元位置具有不同的值，因此所述疑似缺陷因子值也按单元位置具有不同的值。此时，需要注意的是当所述疑似缺陷因子值具有负值时需要补正为“0”。
在对各个高缺陷类单元位置，运算各个疑似缺陷设备候补的疑似缺陷因子值之后，对各个高缺陷类单元位置，选定所述疑似缺陷因子高的指定数量(例如，前三个)的疑似缺陷设备候补最终选定为疑似缺陷设备。图8表示对于A00、B00和C02等各个高缺陷类单元位置选定疑似缺陷设备的结果。特殊事项是对A00单元只有两个疑似缺陷设备候补的问题设备指标超过0，因此只选定了两个疑似缺陷设备。
重新返回图1进行说明，利用参照图4至图8说明的方法按各个高缺陷类单元位置选定指定数量的疑似缺陷设备之后，可将聚类对象聚类成一个以上的群组(S106)，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与所述第二单元位置之间成立位置相关关系。
下面，参照图9至图10说明两个单元位置之间“成立位置相关关系”是什么意思。
首先，为了判定两个单元位置之间是否成立位置相关关系，有必要对产品的各个单元赋予坐标。图9表示对各个单元赋予坐标的示例。
如图10所示，所述位置相关关系成立可以表示两个单元位置之间成立邻接型位置模式或者对称型位置模式。所述邻接型位置模式在两个单元位置在所述产品的X轴方向或者在Y轴方向上相互邻接时成立，所述对称型位置模式在两个单元位置之间的距离为所述产品的X轴长度的一半，或者为所述产品的Y轴长度的一半，或者为所述产品的对角线长度的一半时成立。在图10中用斜线填满的单元是所述聚类对象即高缺陷类单元。
更为详细地，所述邻接型位置模式在对两个单元赋予的坐标之间的距离为1时成立。
在图10所示事例中，例如，AA01与CA03之间成立对称型位置模式，AA01与AB01之间成立邻接型位置模式。在以往的技术中，仅将邻接的缺陷归类为一个群组，但本发明具有不仅将邻接的缺陷，还可将对称位置上的缺陷归类为一个群组的效果。
根据本发明，可通过组合所述聚类对象所包含的所有单元位置中的两个单元位置以生成单元链接，并且对各个所述单元链接，仅限于在两个单元位置共同具备至少一个所述疑似缺陷设备，并在两个单元位置之间成立位置相关关系的情况下维持单元链接，而且利用所述单元链接，将至少一个单元位置重叠的所有单元链接中包含的单元位置构成一个群组。对于这点参照图11进行说明。
如图11的左侧表所示，AA01-AB01、AA01-BA01等共七个单元链接满足所述邻接型位置模式或者所述对称型位置模式。但是当判定AA01单元与AB01单元不具有共同的疑似缺陷设备时，即便AA01单元与AB01单元是邻接的单元也不能归类为一个群组。
结果是，最终有效维持的单元链接是共六个。利用所述单元链接，以将至少一个单元位置重叠的所有单元链接中包含的单元位置构成一个群组的方式执行聚类。结果在图中示出用两个群组(CLUSTER#1和CLUSTER#2)完成聚类。
本发明的另一实施例所涉及的缺陷单元聚类方法，可以仅以所述样品缺陷图单元位置中的高缺陷类单元位置为对象执行按单元单位的聚类。下面，说明本实施例。
首先，生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成。所述样品缺陷图，例如可生成为图2所示的形式。所述产品可为用于制造已指定英寸(inch)以下小型显示器的玻璃(glass)。
其次，在所述样品缺陷图中将存在一个以上缺陷单元的单元位置中的具有基准值以上缺陷单元的单元位置选定为聚类对象。所述基准值是(在所述样品缺陷图中缺陷单元最多的单元位置的缺陷单元数量-在所述样品缺陷图中缺陷单元最少的单元位置的缺陷单元数量)除以2的值。从聚类对象中去除具有不到基准值的缺陷单元的单元位置是为了防止偶然发生的少数缺陷单元在聚类结果中起到噪声作用。
其次，将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置之间成立位置相关关系。所述位置相关关系是指邻接型位置模式及对称型位置模式中的一个。所述邻接型位置模式在两个单元位置在所述产品的X轴方向或者在Y轴方向上邻接时成立，所述对称型位置模式在两个单元位置之间的距离为所述产品的X轴长度的一半，或者为所述产品的Y轴长度的一半，或者为所述产品的对角线长度的一半时成立。根据本实施例，不仅将邻接的缺陷，还可将对称位置上的缺陷归类为一个群组。在OLED及小型LCD产业中，母玻璃内的各个单元尺寸非常小，因此，即使不以各个缺陷点(spot)的位置为基准对缺陷进行聚类，而是将缺陷单元作为聚类对象也能得到充分的缺陷归类效果。根据本实施例，具有能够提供专用于小型显示器制造工艺的缺陷聚类方法的效果。
本发明的又一实施例所涉及的计算机可读记录介质，可以记录用于执行参照图1至图11说明的缺陷单元聚类方法的计算机程序。即，参照图1至图11说明的缺陷单元聚类方法也可通过运行计算机程序而执行。所述计算机程序执行如下的过程：生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成；在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象；利用在制造历史(WIP，Work-In-Process)信息中查询的按各个产品的通过设备信息，针对所述聚类对象中包含的各个单元位置，选定一个以上的疑似缺陷设备；和将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且所述在第一单元位置与所述第二单元位置之间成立位置相关关系。
参照图12说明本发明的又一实施例所涉及的缺陷单元聚类系统的结构。
制品检查装置100对通过一个以上设备而生产的产品检查缺陷的存在与否。例如，可通过对产品的图像摄影及对所摄影图像的图像处理，判定各个单元内是否存在缺陷，并依据所述判定的结果判定各个单元是否为缺陷单元中。制品检查装置100的检查执行结果被存储在制品检查数据存储装置200。
缺陷单元聚类装置100进一步反映通过各个产品的制造历史(WIP；Work-In-Process)信息选定的各个产品的疑似缺陷设备信息，对包含在缺陷样品中的产品的缺陷单元中的至少一部分进行聚类。所述制造历史信息可在工艺管理系统(未图示)中查询。缺陷单元聚类装置300进行如下的工作：生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成；在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象；利用在制造历史(WIP，Work-In-Process)信息中查询的按各个产品的通过设备信息，针对所述聚类对象中包含的各个单元位置，选定一个以上的疑似缺陷设备；和将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与所述第二单元位置之间成立位置相关关系。
本发明的又一实施例所涉及的缺陷单元聚类装置300，如图13所示，包括样品选定部302、高缺陷类单元选定部304、聚类反映设备选定部306及聚类部308。
样品选定部302用于生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成。样品选定部302可从工艺管理者终端(未图示)接收所述缺陷样品的选定基准，并由符合所述选定基准的产品构成所述缺陷样品。所述缺陷样品的选定基准，例如可包括缺陷识别符及其判定信息(良好、拒收和保留等)、制品名和检查数据提取时间中的至少一项。
高缺陷类单元选定部304在所述样品缺陷图中将存在一个以上缺陷单元的单元位置中的具有基准值以上的缺陷单元的单元位置选定为聚类对象。高缺陷类单元选定部304可以仅对具有基准值以上的缺陷单元的高缺陷类单元位置执行聚类，由此防止偶然发生的少数缺陷单元对聚类结果起到噪声作用。
疑似缺陷设备选定部306利用在制造历史(WIP，Work-In-Process)信息中查询的按各个产品的通过设备信息，对于在所述聚类对象中包含的各个单元位置选定一个以上的疑似缺陷设备。疑似缺陷设备选定部306可针对各个单元位置运算各个设备的缺陷占比(defect ratio)，并且利用所述缺陷占比对所述各个单元位置选定一个以上的疑似缺陷设备。更为详细地，疑似缺陷设备选定部306针对各个单元位置选定高缺陷占比设备；构成各个单元位置的高缺陷占比设备的并集即疑似缺陷设备候补集合；运算所述疑似缺陷设备候补集合中包含的各个设备的良品占比(good ratio)；针对各个单元位置运算从各个设备的所述缺陷占比减去良品占比的疑似缺陷因子；针对各个单元位置，选定所述疑似缺陷因子高的指定数量的所述疑似缺陷设备。
聚类部308将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与所述第二单元位置之间成立位置相关关系。更为详细地，聚类部308可通过组合在所述聚类对象中包含的所有单元位置中的两个单元位置以生成单元链接，并且对所述各个单元链接，仅限于在两个单元位置共同具有至少一个所述疑似缺陷设备，并且在两个单元位置之间成立位置相关关系时维持单元链接，并利用所述单元链接，将至少一个单元位置重叠的所有的单元链接中包含的单元位置构成一个群组。
通过聚类部308执行的缺陷单元聚类的结果，可提供给用于执行共性(Commonality)分析、历史(History)分析和延迟时间(Delay Time)分析等用于实现制品/工序/设备稳定化的分析的装置(未图示)。
缺陷单元聚类装置300可具有图14所示的结构。缺陷单元聚类装置300可包括执行命令的处理器311、存储缺陷单元聚类程序数据的存储装置313、内存312以及与外部装置进行数据接发送的网络接口(NIC)314。
存储装置313可存储用于执行如下过程的计算机程序的执行文件及库，所述过程如下：生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元(cell)的产品中包含一个以上缺陷单元的产品构成；在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象；利用在制造历史(WIP，Work-In-Process)信息中查询的按各个产品的通过设备信息，针对所述聚类对象中包含的各个单元位置，选定一个以上的疑似缺陷设备；和将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且所述第一单元位置与所述第二单元位置之间成立位置相关关系。
以上，参照附图说明了本发明的实施例，但本领域技术人员能够理解在不改变技术思想或者必要特征的情况下能够实施为其他具体形式。因此，上述实施例均为例示性的实施例，并不限定于此。

Claims (12)

1.一种缺陷单元聚类方法，其特征在于，包括以下的步骤：
生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元的产品中包含一个以上缺陷单元的产品构成；
在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象；
利用按所述产品的通过设备信息，针对所述聚类对象中包含的各个单元位置，选定一个以上的疑似缺陷设备；和
将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与所述第二单元位置之间成立位置相关关系。
2.根据权利要求1所述的缺陷单元聚类方法，其特征在于，
所述疑似缺陷设备的选定步骤包括以下的步骤：
针对各个单元位置运算各个设备的缺陷占比；和
利用所述缺陷占比对所述各个单元位置选定一个以上的疑似缺陷设备，
对于特定单元位置的特定设备的所述缺陷占比是依据(所述特定设备的缺陷数/所述特定设备所属工序的缺陷数)来运算，
所述特定设备所属工序的缺陷数是在所述特定单元位置为缺陷单元的产品中通过所述特定设备所属工序的产品的数量，
所述特定设备的缺陷数是在所述特定单元位置为缺陷单元的产品中通过所述特定设备的产品的数量。
3.根据权利要求2所述的缺陷单元聚类方法，其特征在于，
利用所述缺陷占比对所述各个单元位置选定一个以上的疑似缺陷设备的步骤包括以下的步骤：
针对各个单元位置选定高缺陷占比设备；
构成各个单元位置的高缺陷占比设备的并集即疑似缺陷设备候补集合；
运算在所述疑似缺陷设备候补集合中包含的各个设备的良品占比；
针对各个单元位置，运算从各个设备的所述缺陷占比中减去良品占比的值即疑似缺陷因子；和
针对各个单元位置，选定所述疑似缺陷因子高的指定数量的所述疑似缺陷设备。
4.根据权利要求3所述的缺陷单元聚类方法，其特征在于，
运算在所述疑似缺陷设备候补集合中包含的各个设备的良品占比的步骤包括以下的步骤：
以由不包含缺陷单元的良品构成的良品样品为对象，运算各个设备的所述良品占比，
特定设备的所述良品占比是依据(所述特定设备的良品数/所述特定设备所属工序的良品数)来运算的，
所述特定设备所属工序的良品数是通过所述特定设备所属工序的良品的数量，
所述特定设备的良品数是通过所述特定设备的良品的数量。
5.根据权利要求4所述的缺陷单元聚类方法，其特征在于，
在所述良品样品中包含的良品的数量正比于在所述缺陷样品中包含的产品的数量而决定。
6.根据权利要求1所述的缺陷单元聚类方法，其特征在于，
所述位置相关关系包括邻接型位置模式及对称型位置模式中的一个，
所述邻接型位置模式在两个单元位置在所述产品的X轴方向或者在Y轴方向上相互邻接时成立，
所述对称型位置模式在两个单元位置之间的距离为所述产品的X轴长度的一半，或者为所述产品的Y轴长度的一半，或者为所述产品的对角线长度的一半时成立。
7.根据权利要求1所述的缺陷单元聚类方法，其特征在于，
将所述聚类对象归类为一个以上群组的步骤包括以下的步骤：
组合在所述聚类对象中包含的所有单元位置中的两个单元位置以生成单元链接；
对于各个所述单元链接，仅限于在两个单元位置共同具有至少一个所述疑似缺陷设备，并且在两个单元位置之间成立位置相关关系时维持单元链接；和
利用所述单元链接将至少一个单元位置重叠的所有的单元链接中包含的单元位置构成一个群组。
8.根据权利要求1所述的缺陷单元聚类方法，其特征在于，
在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的至少一部分选定为聚类对象的步骤包括以下的步骤：
在所述样品缺陷图中，将具有基准值以上的缺陷单元的单元位置选定为所述聚类对象，
所述基准值是(在所述样品缺陷图中缺陷单元最多的单元位置的缺陷单元数量-在所述样品缺陷图中缺陷单元最少的单元位置的缺陷单元数量)除以2的值。
9.一种缺陷单元聚类方法，其特征在于，包括以下的步骤：
生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元的产品中包含一个以上缺陷单元的产品构成；
在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的具有基准值以上的缺陷单元的单元位置选定为聚类对象；和
将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置之间成立位置相关关系。
10.根据权利要求9所述的缺陷单元聚类方法，其特征在于，
所述基准值是(在所述样品缺陷图中缺陷单元最多的单元位置的缺陷单元数量-在所述样品缺陷图中缺陷单元最少的单元位置的缺陷单元数量)除以2的值。
11.根据权利要求9所述的缺陷单元聚类方法，其特征在于，
所述位置相关关系包括邻接型位置模式及对称型位置模式中的一个，
所述邻接型位置模式在两个单元位置在所述产品的X轴方向或者在Y轴方向上相互邻接时成立，
所述对称型位置模式在两个单元位置之间的距离为所述产品的X轴长度的一半，或者为所述产品的Y轴长度的一半，或者为所述产品的对角线长度的一半时成立。
12.一种缺陷单元聚类装置，其特征在于，包括：
样品选定部，生成样品缺陷图，所述样品缺陷图表示缺陷样品的按单元位置的缺陷单元分布，所述缺陷样品由被区划为多个单元的产品中包含一个以上缺陷单元的产品构成；
高缺陷类单元选定部，在所述样品缺陷图中，将存在一个以上缺陷单元的单元位置中的具有基准值以上的缺陷单元的单元位置选定为聚类对象；
疑似缺陷设备选定部，利用在制造历史信息中查询的各个产品的通过设备信息，对于在所述聚类对象中包含的各个单元位置，选定一个以上疑似缺陷设备；和
聚类部，将所述聚类对象归类为一个以上的群组，以使在一个群组中包含的第一单元位置与第二单元位置具有至少一个疑似缺陷设备，并且在所述第一单元位置与第二单元位置之间成立位置相关关系。
CN201410228803.2A 2013-05-31 2014-05-27 缺陷单元聚类方法及其装置 Active CN104217366B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0062418 2013-05-31
KR1020130062418A KR101535419B1 (ko) 2013-05-31 2013-05-31 불량 셀 클러스터링 방법 및 그 장치

Publications (2)

Publication Number Publication Date
CN104217366A true CN104217366A (zh) 2014-12-17
CN104217366B CN104217366B (zh) 2018-05-04

Family

ID=51986081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410228803.2A Active CN104217366B (zh) 2013-05-31 2014-05-27 缺陷单元聚类方法及其装置

Country Status (3)

Country Link
US (1) US9652836B2 (zh)
KR (1) KR101535419B1 (zh)
CN (1) CN104217366B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107941812A (zh) * 2017-12-20 2018-04-20 联想(北京)有限公司 信息处理方法及电子设备
CN110502731A (zh) * 2019-07-04 2019-11-26 南京大学 一种基于精化单元格聚类的电子表格缺陷检测方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184691A (zh) * 2020-10-13 2021-01-05 上海喆塔信息科技有限公司 一种基于不良Map图的缺陷模式分析方法
CN114265390B (zh) * 2021-12-22 2024-02-20 苏州华星光电技术有限公司 设备数据采集诊断方法、装置、服务器及存储介质
CN114418011B (zh) * 2022-01-21 2023-05-12 京东方科技集团股份有限公司 一种产品不良成因分析的方法、设备及系统、存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6529792B1 (en) * 1999-12-03 2003-03-04 Mitsubishi Denki Kabushiki Kaisha Process equipment selecting system and method for selecting process equipment
JP2008108815A (ja) * 2006-10-24 2008-05-08 Sharp Corp 不良原因設備特定システム
CN100399527C (zh) * 2003-06-18 2008-07-02 株式会社东芝 不合格的制造装置、晶片的检测方法和检测装置
CN101432864A (zh) * 2006-04-27 2009-05-13 夏普株式会社 缺陷分布分类方法及系统、故障源设备确定方法及系统、计算机程序、以及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10214866A (ja) * 1997-01-28 1998-08-11 Hitachi Ltd 不良解析方法および装置
US6763130B1 (en) 1999-07-21 2004-07-13 Applied Materials, Inc. Real time defect source identification
KR100370234B1 (ko) * 1999-09-14 2003-01-29 삼성전자 주식회사 반도체 메모리 장치에서 결함 셀 검출 회로 및 그 방법
JP4250347B2 (ja) * 2000-08-21 2009-04-08 株式会社東芝 不良クラスタリング検索方法、不良クラスタリング検索装置、不良クラスタリング検索プログラムを格納した記録媒体、救済回路最適化方法、工程管理方法、クリーンルーム管理方法、半導体装置の製造方法、問題工程及び問題装置の抽出方法、問題工程及び問題装置の抽出プログラムを格納した記録媒体、問題工程及び問題装置の抽出装置、及び検索母体のスクラップ判断方法
US7472330B2 (en) * 2003-11-26 2008-12-30 Samsung Electronics Co., Ltd. Magnetic memory which compares compressed fault maps
JP2005236094A (ja) * 2004-02-20 2005-09-02 Renesas Technology Corp 半導体装置の製造方法、不良解析方法および不良解析システム
JP4786505B2 (ja) * 2006-11-13 2011-10-05 株式会社東芝 不良検出方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6529792B1 (en) * 1999-12-03 2003-03-04 Mitsubishi Denki Kabushiki Kaisha Process equipment selecting system and method for selecting process equipment
CN100399527C (zh) * 2003-06-18 2008-07-02 株式会社东芝 不合格的制造装置、晶片的检测方法和检测装置
CN101432864A (zh) * 2006-04-27 2009-05-13 夏普株式会社 缺陷分布分类方法及系统、故障源设备确定方法及系统、计算机程序、以及存储介质
JP2008108815A (ja) * 2006-10-24 2008-05-08 Sharp Corp 不良原因設備特定システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘丰: "半导体光刻中晶圆缺陷问题的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107941812A (zh) * 2017-12-20 2018-04-20 联想(北京)有限公司 信息处理方法及电子设备
CN110502731A (zh) * 2019-07-04 2019-11-26 南京大学 一种基于精化单元格聚类的电子表格缺陷检测方法

Also Published As

Publication number Publication date
US20140358484A1 (en) 2014-12-04
KR20140141102A (ko) 2014-12-10
CN104217366B (zh) 2018-05-04
KR101535419B1 (ko) 2015-07-09
US9652836B2 (en) 2017-05-16

Similar Documents

Publication Publication Date Title
Montoya-Torres A literature survey on the design approaches and operational issues of automated wafer-transport systems for wafer fabs
CN104217366A (zh) 缺陷单元聚类方法及其装置
CN111091328B (zh) 一种仓储入库管理方法和管理装置
Balakrishnan et al. Multi-period planning and uncertainty issues in cellular manufacturing: A review and future directions
US8312401B2 (en) Method for smart defect screen and sample
Backus et al. Factory cycle-time prediction with a data-mining approach
US8370181B2 (en) System and method for supply chain data mining and analysis
US6356797B1 (en) Method for automatic scheduling of production plan
Sharma et al. A proposed hybrid storage assignment framework: a case study
JP6650508B2 (ja) 倉庫管理システム及び倉庫管理方法
JP5015829B2 (ja) 設備負荷率算出システム、プログラム、及び方法
US10325236B2 (en) Semiconductor bullet lot dispatch systems and methods
Xie et al. A bi-level optimization model for grouping constrained storage location assignment problems
US11143689B2 (en) Method and system for data collection and analysis for semiconductor manufacturing
CN103473642A (zh) 一种面向生产调度的规则引擎方法
CN113177761A (zh) 一种考虑时效性的电商仓储智能排产预警系统
US6459946B1 (en) Method and system for determining operator staffing
Treber et al. Information exchange in global production networks: increasing transparency by simulation, statistical experiments and selection of digitalization activities
Ahmed et al. Storage assignment in the steel manufacturing industry: Mathematical modeling and a priority-based heuristic approach
Teoh et al. Systematic data mining using a pattern database to accelerate yield ramp
CN113191738B (zh) 一种测试设备多模板管控方法及相关设备
US20190279126A1 (en) Generating a global workflow sequence for multiple workflow stages
CN112614795A (zh) 炉管工艺的派工优化方法
CN113791595B (zh) 分散控制系统测点数据导入方法、系统、设备及介质
Kang et al. A dispatching algorithm for parallel machines with rework processes

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant