CN109426890A

CN109426890A - 从多维变量推算生产力、排程优先级、优化配置的方法

Info

Publication number: CN109426890A
Application number: CN201710822787.3A
Authority: CN
Inventors: 曾国梁
Original assignee: Powerchip Technology Corp
Current assignee: Powerchip Technology Corp
Priority date: 2017-08-28
Filing date: 2017-09-13
Publication date: 2019-03-05
Anticipated expiration: 2037-09-13
Also published as: TWI639925B; CN109426890B; TW201913408A

Abstract

一种经由统计多维变量而推算出生产力的方法。首先，提供多个机台的多个登录数据。其次，分别转译每个登录数据，而得到多个变量与多个参数。之后，区别每个变量，使得每个变量成为合用变量或舍弃变量其中之一。继续，统计多个合用变量，而得到统计合用变量。然后，将统计合用变量，组成统计库。接着，经由此统计库推算出生产力。

Description

从多维变量推算生产力、排程优先级、优化配置的方法

技术领域

本发明大致上关于从多维变量而推算生产力的方法、从多维变量而排程优先级的方法以及从多维变量进行优化配置的方法。具体地说，本发明则是针对经由统计相倚的大量多维参数与多组变量，找出其中的合用变量来推算生产力的方法、进而产生排程优先级的方法与进行优化配置的方法。

背景技术

现行产业的晶圆测试(wafer test)，其控制系统(MES,manufacturing executionsystem)与测试机台之间并无自动化连接，必须由人工方式计算测试程序的时间及产能规划(capacity planning)。然而，当产业走向代工，产品种类多元化时，测试产能将随着产品的良率、机台及载具的型号而有不同。

现有技术技术在产能的方法方面，测试时间及处理时间仅由假设或是现场人工测量，并须以手动的方式计算产能。在产能的管理方面，需要人为定期地重新计算。在排程的方法方面，是以手动排程，所以未将机台限制及产能优化考虑进去。排程之后也仅能给予配置(manual allocation)，而无法考虑投资成本。现有技术使用手动排程，也要预定特定量(production assumption)的测试时间。

所以，仍需要一种新颖的方法来推算出生产效率或生产力的产能利用率、排程机台使用的优先级或得到涉及彼此相倚的多维变量的统计库。如此一来，就可以解决产能的方法、产能的管理与排程的方法各方面的问题。

发明内容

本发明是建构多目标的产能规划系统与决策管理方法，以响应产品多元化及生产策略的多变性。以统计多维变量的方式来解决产能的方法、产能的管理与排程的方法等各方面的问题。本发明优势之一是由建构的计算机系统自动达成多目标的产能规划，而非如同现有技术的手动排程。本发明另一优势是所建构的计算机系统也可实时计算测试时间并监控与管理流程，而非如同现有技术要预定特定量的测试时间，无法响应产品多元化的代工模式。

本发明在第一方面，提出一种先经由统计多维变量而计算出生产效率，再依此计算出的生产效率来推算出生产力的方法。首先，提供多个机台，每个机台记录有多个登录数据。其次，分别转译每个登录数据，而得到多个变量与多个参数，每个变量与每个参数分别对应于每个机台与每个登录数据。之后，区别每个变量，使得每个变量成为合用变量、舍弃变量、或存疑变量其中之一者。继续，统计多个合用变量，而得到多个统计合用变量。然后，将多个统计合用变量，组成统计库。接着，经由此统计库，计算多个机台中至少一个机台的生产效率。于是，就可以经由此生产效率与商业时间，推算出生产力。

在本发明一实施方式中，多个变量包含测试(test)时间、晶圆图(wafer map)数据时间、与批次处理(lot process)时间。

在本发明另一实施方式中，多个参数包含机台(equipment)的种类(type)与型号(mode)、载具(probe card)的类别(model)、与产品(product)的规格(configuration)以及所涉及的工作站(step)。

在本发明另一实施方式中，再区别每个存疑变量，使得每个存疑变量不是成为统计合用变量，就是成为舍弃变量。

在本发明另一实施方式中，将多个统计合用变量组成统计库，又包含统计多个合用变量而得到其集合特征。

在本发明另一实施方式中，系依据生产力＝商业时间/生产效率，而推算出生产力。

本发明在第二方面，又提出一种统计多维变量而决定排程优先级的方法。首先，提供多个机台，每个机台记录有多个登录数据。其次，转译每个登录数据，而得到多个变量与多个参数，每个变量与每个参数分别对应每个机台与每个登录数据。之后，区别每个变量，使得每个变量成为合用变量、舍弃变量、与存疑变量其中之一者。继续，统计多个合用变量，而得到多个统计合用变量。然后，将多个统计合用变量，组成统计库，再依据此统计库提供多个临界比值。再来，判别多个临界比值中具有相对较小值的一者，而成为排程上具有相对较高的优先级。

在本发明一实施方式中，变量与参数间彼此相倚。

在本发明另一实施方式中，多个变量包含测试时间、晶圆图数据时间、与批次处理时间。

在本发明另一实施方式中，多个该参数包含机台的种类与型号、载具的类别、与产品的规格以及所涉及的工作站。

在本发明另一实施方式中，判别多个临界比值中的最小者，而在排程上具有最高的优先级。

本发明在第三方面，再提出一种统计多维变量进行优化配置的方法。首先，提供多个机台，每个机台记录有多个登录数据。其次，转译每个登录数据，而得到多个变量与多个参数，每个变量与每个参数分别对应每个机台与每个登录数据。之后，区别每个变量，使得每个变量成为合用变量、舍弃变量、与存疑变量其中之一者。继续，统计多个合用变量，而得到多个统计合用变量。然后，将多个统计合用变量，组成统计库，再依据此统计库提供多个临界比值。再来，依据各生产需求计算个别需求数量。还有，依据多个临界比值中的最大值到最小值，依序取舍一相对较大值而产生取舍决策，而得到在不满足生产需求的条件下的排程优先级，以进行优化配置。

在本发明一实施方式中，多个变量包含测试时间、晶圆图数据时间、与批次处理时间。

在本发明另一实施方式中，多个参数包含机台的种类与型号、载具的类别、与产品的规格以及所涉及的工作站。

在本发明另一实施方式中，因为个别需求数量的总量大于多个机台的总数，所以造成不满足生产需求的条件。

在本发明另一实施方式中，此取舍决策包含优先满足多个临界比值中的相对较小值。

在本发明另一实施方式中，依据此优化配置，计算此优化配置的当时产值。

在本发明另一实施方式中，统计多维变量进行优化配置的方法，还包含响应多个临界比值改变，而对应产生更新取舍决策。

在本发明另一实施方式中，依据此更新取舍决策，计算更新当时产值。

附图说明

图1例示性地提供范例甲的晶圆组A在计算机系统中，记录下多个的登录数据。

图2对应于图1中，例示多个的登录数据所分别转译出的耗时变量。

图3对应于图2中，例示经统计判断筛选后，合用变量群的集合特征，并组成了统计库。

图4例示来自耗时变量群的特规变量以及与其相关的集合特征，组成特殊合用变量的统计库，用来总和统计制程管制的合用变量。

图5例示性地提供范例乙的晶圆组B中，经过统计操作，而收集到六片晶圆的测试时间、晶圆图数据时间、与批次处理时间等的合用变量以及与其相关的集合特征。

图6例示以横轴为变量，纵轴为出现频率的坐标图呈现出变量的分布情形。

图7例示由于晶圆的特殊规格，导致对应的特殊事件耗时与常态的事件耗时无法模拟而各成一关联群。

具体实施方式

本发明在第一方面，首先提供一种统计多维变量来组成统计库后，而计算出生产效率，再依此计算出的生产效率来推算出生产力的方法。特别是，影响半导体产业晶圆生产的多项变量与多维参数间因为彼此相倚，造成很难单独抽离出来进行分析。例如，在半导体产业的晶圆生产(wafer production)的控制系统(production control system)中，影响测试机台的生产效率(performance)的变量或是参数相当多，变量与参数之间的关联性又彼此环环相扣。特别是，当产业走向代工，产品种类多元化时，测试产能(capacity)将随着测试程序(test program)、机台(equipment)的种类(type)与型号(mode)、载具(probecard)的类别(model)、与产品(product)的规格(configuration)以及所涉及的工作站(step)等等而有不同。这些参数的耗时总和，决定了单一机台、与由多个机台所组成的一条产线，以及由多条条产线所组成的一座工厂的生产效率(performance)与生产力(productivity)。

举例而言，有一群以批次方式(batch)生产而待测的之半导体组件，这种以批次方式生产的半导体组件可以是晶圆、晶圆上的多个晶粒(die)或是将晶粒切割后所形成单一的芯片(chip)。例如，一批的晶圆中计有25片的晶圆，称为批次片数(samples)。每一个晶圆、晶粒或是芯片都需要经过测试，通过测试后的芯片再进行封装就成为集成电路产品(ICproducts)。待测的半导体组件，会在一个工作站中经由一个测试机台所装载的一个测试载具，对半导体组件中的一个特定目标进行测试。待测半导体组件在每一个工作站中进行过的每一个动作都称为一个事件(event)，会记录在与测试机台相连接的计算机系统中。每个事件都会登录(log)在计算机系统中成为连续的记录，称为待测半导体组件的登录数据(log information)。

已知机台不同的种类与型号、载具不同的类别、与产品不同的规格以及所涉及的工作站都有可能会影响单一机台、单一产线以及单一工厂等操作单元(operation unit)的生产效率与生产力，但是这些会影响生产力的多维参数之间，每个参数都是与其他的参数或是变量间纠结相倚，很难单独抽离出来进行分析或是统计。例如，相同的待测晶圆如果只是使用不同的机台或是不同的载具，进行相同的测试就可能会耗用不同的时间。

当然，相同的载具也可能会有不同的类别，一如同相同的测试机台可能会分成不同的种类与型号，因此相同的待测晶圆使用不同的机台或是不同的载具，进行相同的测试也可能会耗用不同的时间。还有，相同的待测晶圆使用相同的机型，但是在不同的测试程序下进行相同的测试也可能会耗用不同的时间。通常来说，相同的产品的不同规格使用相同的机型进行相同的测试，又可能会耗用不同的时间。另外，所涉及的工作站不同的时候，也可能会耗用不同的时间。工作站意指产品流程，即(CP testing process)。

一片待测晶圆从开始传送到测试机台、进入到测试机台、装载至测试载具、以测试载具进行测试、完成测试而自测试载具卸除、一直到离开测试机台的每个阶段都会耗费时间，分别是称为测试时间(test time)、晶圆图数据时间(wafer map time)、与批次处理(lot process)时间等多种变量。而每个变量的不同耗时则是集合地(collectively)影响产线最后的生产效率与生产力。在以上的每个阶段，每个动作都会由计算机系统产生对应的登录数据并记录下来。计算机系统中的登录数据其实是一群代码(code)的组合，而将机台的名称、与登入机台的动作全部容纳其中。

另外，除了以上在测试机台中的每个阶段都会耗费时间之外，例如年度维修(annual maintenance)，所占用的时间也都会耗费时间，进而影响生产力并降低生产力。所以，一天24小时的全天时间(total work time)，则是由可用时间(up time)与停机时间(non-schedule time)这两个子时间群所组成。可用时间加上停机时间，总共为一整天的时间，也就是24个小时、1440分钟或86400秒。停机时间即因机台没有预定排程(no pre-determined schedule)所耗费时间。一般说来，可用时间大约占全天时间的95％左右，所以可用时间对于全天时间的比值，称为可操作参数(UT parameter)。本发明的实施例中，可操作参数默认值为95％，但不以此为限。

可操作参数＝可用时间/全天时间

还有，无论是测试机台本身的异常状况、故障排除、保养、维修、待机或是暖机也都会耗费时间，进而影响最后的生产力。所以，可用时间中还可以分为商业时间(businesstime)与异常时间(down time)这两个子时间群。商业时间再加上异常时间，就是可用时间。可用时间与异常时间这两种时间，这是依据SEMI STANDARD E10的标准所定义的。异常时间即为机台本身的异常状况、故障排除、保养、维修、待机或是暖机所耗费时间。在异常时间中，机台是无法运作的。

商业时间才是一天中的生产线，所真正能用于投产的时间。一般说来，商业时间大约占可用时间的95％左右，所以商业时间对于可用时间的比值，即称为可生产参数(RTparameter)。本发明的实施例中，可生产参数默认值为95％，但不以此为限。换句话说，商业时间＝全天时间х可操作参数х可生产参数。

可生产参数＝商业时间/可用时间

还有，即使一批或是一片的待测晶圆传送到了测试机台中并占据测试机台，并不代表测试机台就在进行待测晶圆的测试程序。这样的阶段还是会耗费机台的时间，而影响最后的生产力。于是待测晶圆占据测试机台的操作时间，还可以分成整批性(batch)的批次处理时间(lot process time)及单一晶圆的单片处理时间。

一方面，批次处理时间是指整批产品占据各个机台及载具所耗用的时间，以每批晶圆，例如共25片晶圆，所需的时间计。另一方面，单片处理时间则是指单一晶圆占据每个机台的每个阶段所耗用的时间。单一芯片所耗用的时间，例如是测试时间或晶圆图数据时间，以每片芯片所需的时间计。

总结来说：每片晶圆的总耗时＝测试时间+晶圆图数据时间

单批晶圆的累计耗时＝每片晶圆的总耗时х单批晶圆的总片数

单批晶圆的总耗时＝单批晶圆的累计耗时+批次处理时间

每批晶圆中的单片晶圆耗时＝单批晶圆的总耗时/单批晶圆的总片数

由于使用累计后再平均的方法来计算每批晶圆中的单片晶圆耗时，每批晶圆中的单片晶圆耗时，即为平均而言，生产单片晶圆的总耗时，称为生产效率，单位为秒/片。生产效率代表，平均而言生产一片晶圆需耗时多少秒。

生产效率＝单批晶圆的总耗时/单批晶圆的总片数

＝(单批晶圆的累计耗时+批次处理时间)/单批晶圆的总片数

＝[(每片晶圆的总耗时х单批晶圆的总片数)+批次处理时间]/单批晶圆的总片数

＝{[(测试时间+晶圆图数据时间)х单批晶圆的总片数]+批次处理时间}/单批晶圆的总片数

若以每批晶圆共25片晶圆计算，则：

生产效率＝{[(测试时间+晶圆图数据时间)х25]+批次处理时间}/25

换句话说，生产效率是测试时间、晶圆图数据时间、批次处理时间等三者变量的函数，单批晶圆的总片数则可以视为常数。

因为商业时间才是一天中的机台或是生产线，所真正能用于投产的时间，所以，每个机台或是每个生产线，在一天的商业时间中所能生产的晶圆的总片数，称为生产力。生产力即由商业时间与生产效率，这两者所共同决定。

总结来说：

生产力＝商业时间/生产效率

＝商业时间х25/{[(测试时间+晶圆图数据时间)х25]+批次处理时间}

＝全天时间х可操作参数х可生产参数х25/{[(测试时间+晶圆图数据时间)х25]+批次处理时间}

也就是说，生产效率与生产力是由测试时间、晶圆图数据时间、批次处理时间等多种变量、以及机台不同的种类与型号、载具不同的类别、与产品不同的规格以及所涉及的工作站等的多维参数所共同决定的。先前已分别定义涉及耗时的多种变量以及不同的多维参数。接下来，将说明如何由登录数据以统计的方法，得到测试时间、晶圆图数据时间与批次处理时间等变量的方法。

首先，请参考图1。图1例示性地提供范例甲的晶圆组A在计算机系统中，记录下某个操作单元的多个登录数据(1)-(30)。图1中提供的是例示性的十片晶圆，分别编号为晶圆I-晶圆X。多个的登录数据(1)-(30)，正是依据待测的半导体组件在多个机台中的每个机台，历经前述的每个阶段时在计算机系统中，所记录下的多个登录数据。例如，某个产线安排有多个机台，每个机台负责一个操作阶段。一待测产品从此产线启动后登入(log in)产线，并依序在每个机台之间传送，分别在每个机台的特定机型之中使用特定型号的载具，依照对应的测试程序来进行预定的测试，直到完成了所有工作站所预定的测试，并注销(logout)产线。在历经前述的每个阶段耗时后，某一待测产品群在计算机系统中，记录下了此待测产品群在此产线的操作单元中连续的多个登录数据(1)-(30)。每个登录数据都对应一个在产线中发生过的事件。

例如，一待测产品从产线启动后，会历经以下代表性的阶段。首先，测试机台将单一批次的半导体组件依序装载至测试机台的测试载具，用以测试半导体组件是否正常。其次，计算机系统记录测试机台开始测试半导体组件的时间。如果，计算机系统判定待测的半导体组件为第一个待测的半导体组件，则计算机系统一并记录半导体组件的名称与测试程序名称。继续，测试机台进行测试载具上半导体组件的测试。再来，测试完成后，计算机系统记录测试机台完成测试半导体组件的时间。所以，半导体组件的测试耗时，就分别是测试时间、晶圆图数据时间、与批次处理时间的总和。然后，计算机系统判定测试机台是否测试完成此批次的预定数量批次。尚未达到此批次的预定数量，例如设定一批为25片，则继续将同批次中的下一个半导体组件装载至测试机台的测试载具，直到此批次中所有的半导体组件完成预定的测试为止。

请继续参考图1，图1中的每个登录数据(1)-(30)都代表着测试时间、晶圆图数据时间、与批次处理时间其中之一。但是每个登录数据实际上是一群代码的组合，所以无法一目了然。在本发明统计多维变量方法的第二阶段中，为了方便分析登录数据起见，每个登录数据的代码群还要先经过转译(translation decode and conversion)的手续，成为容易处理的译码(decoded information)。转译每个登录数据的手续，可以经由特定的计算机程序来代劳，而得到对应每个登录数据(1)-(30)的变量群与参数群，其细节为本领域技术人员的公知常识，故不多加赘述。

经过转译手续所得到的译码，成为多个变量与多个参数的组合。所以，转译的手续后，涉及不同参数与变量的每个登录数据，就会产生单一个的耗时变量，也就是测试时间、晶圆图数据时间、与批次处理时间其中之一者，并对应于转译手续前的某一个特定的登录数据。

于是，请参考图2。图2对应于图1中，多个的登录数据(1)-(30)所转译出的单一个的耗时变量[1]-[30]，其中图2的耗时变量[1]对应于图1中的登录数据(1)、图2的耗时变量[2]对应于图1中的登录数据(2)，其余的耗时变量[3]-[30]即依此类推。另外，图2的耗时变量[1]对应于第一片晶圆的批次处理时间、图2的耗时变量[2]对应于第一片晶圆的测试时间、图2的耗时变量[3]对应于第一片晶圆的晶圆图数据时间。图2的耗时变量[4]对应于第二片晶圆的批次处理时间、图2的耗时变量[5]对应于第二片晶圆的测试时间、图2的耗时变量[6]对应于第二片晶圆的晶圆图数据时间。其余的耗时变量[7]-[30]即依此类推。每个耗时变量的计算单位可以是秒、分钟或是小时。

图2中提供的是例示性的十片晶圆，分别编号为晶圆I-晶圆X。如前所述，晶圆I的耗时变量[1]的测试时间对应于图1中的登录数据(1)、耗时变量[2]的晶圆图数据时间对应于图1中的登录数据(2)、耗时变量[3]的批次处理时间对应于图1中的登录数据(3)。类似地，晶圆II的耗时变量[4]的测试时间对应于图1中的登录数据(4)、耗时变量[5]的晶圆图数据时间对应于图1中的登录数据(5)、耗时变量[6]的批次处理时间对应于图1中的登录数据(6)，其余的晶圆III-X即依此类推。本发明推算生产力的方法，并不限制登录数据、耗时变量甚至是晶圆的数量上限。图1与图2仅是由于篇幅关系，总共提供十片晶圆的耗时变量作为例示性的范例而已，但并不因此就限制本发明的概念，仅适用于统计最多十片晶圆的多维变量而推算生产力的方法。

其次，在本发明统计多维变量方法的第三阶段中，便是要分析、整理并统计所有晶圆的耗时变量，称为统计晶圆群的耗时变量群。这些为数众多的变量中，分别代表者每个事件(event)的耗时。从巨观的角度来看，产线中每个事件有可能是正常(normal)的事件、异常(abnormal)的事件或是特殊(special)的事件。如图6所示，正常的事件是代表此事件在同一属性的事件群中是落于合乎常态的合理值范围之内，例如落在图6底纹的范围中，在统计上属于合乎正态分布(normal distribution)的概念。例如，可以以横轴为出现频率，纵轴为变量的坐标图呈现出变量的分布情形，如图6所示。当变量足够多时，也就是母群体够大时，落在图6底纹范围外的变量，在统计上就会被视为属于不合乎正态分布的概念，而分类于异常的事件或是特殊的事件。

例如，可以使用标准偏差(standard deviation)、平均值(mean)、中位数(median)或众数(mode)等等集合特征的概念，来划分正常的事件与异常的事件。图6所示为众数的范例。特殊的事件可能是既非异常，但又不合乎正态分布的概念。特殊的事件可以是响应客户特殊需求，例如响应产品终端应用的变更或良率改善的需要，而变更测试程序内容(统称SWR special wafer request)，故产生特殊的事件集合。经由上述的分类的概念，就可区别每个正常的事件、异常的事件或是特殊的事件的变量的价值(value)。依据每个变量的价值，每个变量可以分类为合用变量、舍弃变量、与存疑变量其中之一者。

例如，合用变量代表正常事件、舍弃变量为异常的事件，而存疑变量可能是正常事件、特殊的事件或是异常的事件。也就是，每个事件的耗时，被区别为合用变量、舍弃变量、与存疑变量其中之一者。经此过程，关于测试时间、晶圆图数据时间、与批次处理时间等等不同事件的耗时，都能合理地区别为合用变量、舍弃变量、与存疑变量其中一者。具有合理值的变量即可以率先分类为合用变量。例如落在图6底纹的范围中，在统计上属于合乎正态分布概念的时间，即可先判定为合用变量。

例如，可以使用标准偏差、四分位数间距(interquartile range,IQR)、十分位数间距或是极端值(extreme observation)的方式，依照样本数(sample size)与方差值来判断一个变量是否为舍弃变量。透过统计中的四分位法及十分位法，决定异常值是否就是所谓的舍弃变量。当确认异常值为舍弃变量时，即滤除此变量并取得合理的精确时间，其细节为本领域技术人员的公知常识，故不多加赘述。以图6为例说明。图6中所有的点皆为耗时变量，落在图6底纹范围中的耗时变量即判定为合理值，而位于底纹范围外的耗时变量者则归类为舍弃变量或存疑变量其中一者。

具有不合理值的事件变量即先初步分类为舍弃变量或是存疑变量其中之一者。例如，一个耗时变量在十分位数间距中属于第一个十分位数或第十个十分位数时，可以视为极端值而被分类为舍弃变量，藉此用来滤除(filter out)不合理的变量。例如，可以视不同事件的耗时变量分布与样本数大小，来决定分位数间距的程度与舍弃的界线。若为存疑变量，则可以纳入多维数据数据库中。

值得注意的是，存疑变量不一定是舍弃变量，存疑变量有可能是舍弃变量或是合用变量。举例而言，区别存疑变量其实只是方差稍大的合用变量或是判定存疑变量是方差过大的舍弃变量。例如，如图7所示，由于晶圆的特殊规格(SWR)，导致对应的特殊事件耗时与常态的事件耗时无法模拟。但是，在分析时可以发现，一群事件的耗时会自行成为一个集中的群组的结果。

这样其实是特殊晶圆规格所造成的存疑变量，即可另行编组成为一群特殊的合用变量，称为特规变量，但是原则上视为合用变量中的一种，成为统计制程管制(SPC管制)，但不属于一般的合用变量。于是，所有判定为合理值的一般的合用变量，与来自存疑变量区别后的判定的合用变量，统称为经过统计取舍的统计合用变量。也就是说，存疑变量经再次区别后可能是舍弃变量、特规变量(特殊的合用变量)或是判定的合用变量其中一者。

换言之，当未来晶圆的规格变更，对应的变量当然会依此变更。此时，若样本数足够时，一般的合用变量与特殊的合用变量，也就是特规变量，就扩大了对应不同合用变量的可行性。合用变量与特规变量都具有统计上的集合特征，例如合理的标准偏差、具代表性的平均值、具代表性的中位数或众数等等，差别在于合用变量的样本数大于特规变量的样本数。舍弃变量则被判定不具有统计上的集合特征，因此被舍弃。

以图2为例说明以上之判断结果。图2中所有的点皆为耗时变量。耗时变量[1]-[18]机台的种类与型号是T5377S、载具的类别是4GXXXXXX-458M、产品的规格TP6B16G。在经过以上对合用变量、舍弃变量、与存疑变量的分类后，耗时变量[1]-[18]判定为合用变量，原因是耗时变量[1]-[18]是落于合乎常态的合理值范围之内。

耗时变量[19]-[27]首先判定为存疑变量，原因是耗时变量[19]-[27]与常态的耗时变量[1]-[18]无法模拟。耗时变量[19]-[27]机台的种类与型号是T5377S、载具的类别是4GXXXXXX-458M、产品的规格是TP6A8G。耗时变量[19]-[27]再归类为特规变量(特殊的合用变量)，原因是耗时变量[19]-[27]程序不同，较基线(baseline)减少多项测试内容(item)，造成测试时间较短。因此可以发现，耗时变量[19]-[27]会自行成为一个集中的群组的结果。

耗时变量[19]-[27]机台的种类与型号是T5377S、载具的类别是4GXXXXXX-458M、产品的规格是TP6B16G。耗时变量[19]-[27]判定为舍弃变量，原因是产品异常造成测试时间为正常产品的3倍时间。耗时变量方差太大，既不合乎正态分布的概念，又能不自行成为一个集中的群组的结果。

然后，在本发明统计多维变量方法的第四阶段中，又依据所有的合用变量来进一步得到单一机台、单一产线或是单一工厂中的每个事件的平均耗时变量。当单一机台、单一产线或是单一工厂中的每个事件都经由以上的原则归纳出合用变量后，就可以统计所有的合用变量，而得到单一机台、单一产线或是单一工厂等操作单元中的事件的平均耗时变量。平均耗时变量是指，经过计算对应于每个事件的所有合用变量，而得到对应每个事件的合用变量代表值。每个事件的合用变量代表值。使用不同的统计方式，可以得到不同含意的标准作业时间。

继续，当得到平均耗时变量后，就可以根据此平均耗时变量，得到代表单一机台、单一产线或是单一工厂的生产效率与生产力。例如，请参考图3。图3对应于图2中，经统计判断筛选后，合用变量群的平均耗时变量。图3的平均批次处理时间784对应于图2中晶圆I-X所有批次处理时间的算术平均值，图3的平均测试时间661.5对应于图2中晶圆的所有测试时间的合用变量群的算术平均值、图3的平均晶圆图数据时间81.3对应于图2中晶圆的所有晶圆图数据时间的算术平均值。

图3范例甲中的晶圆组A与批次处理时间、测试时间、以及晶圆图数据时间相关的多个统计上合用的变量，即组成了一般合用变量的统计库。还有，观察图3中的各合用变量后还可以发现，批次处理时间的合用变量群的变化并不多；晶圆图数据时间的合用变量群的变化也不大。倒是测试时间的每一个合用变量都不相同，意味着测试时间的方差其实是影响操作单元的生产效率与生产力的主要变因。

如前所定义，晶圆组A生产力＝商业时间/生产效率，所以：

生产力＝商业时间х25/{[(平均测试时间+平均晶圆图数据时间)х25]+平均批次处理时间}

＝全天时间х可操作参数х可生产参数х25/{[(平均测试时间+平均晶圆图数据时间)х25]+平均批次处理时间}

范例甲

对于图1-图3中范例甲的晶圆组A而言，

机台的种类与型号是T5377S

载具的类别是4GXXXXXX-458M

产品的规格是TP6B16G

平均测试时间＝661.5秒

平均晶圆图数据时间＝81.3秒

平均批次处理时间＝784秒

范例甲的生产效率＝{[(平均测试时间+平均晶圆图数据时间)х25]+平均批次处理时间}/25

＝{[(661.5+81.3)х25]+784}/25

＝774.16(秒/片)

范例甲的生产力＝全天时间х可操作参数х可生产参数/生产效率

＝86400х95％х95％/774.16

≈100(片/日·机台·载具)

另一方面，请参考图4。来自耗时变量[19]-[27]的特规变量(特殊的合用变量)，还可以组成特殊合用变量的统计库，用来总和统计制程管制(SPC管制)的合用变量。

范例乙

请参考图5。图5列出经另一个测试单元，测试过的另一批晶圆组B的各耗时变量。对于晶圆组B中的每个单一晶圆，分别有转译出的单一个的测试时间、晶圆图数据时间、与批次处理时间。这些测试时间、晶圆图数据时间、与批次处理时间，也都经过前述的统计操作，而收集到合用变量群的算术平均值。图5中晶圆组B与批次处理时间、测试时间、以及晶圆图数据时间相关的各合用变量，即组成了的另一个一般合用变量的统计库。

机台的种类与型号是T5375

载具的类别是4GDDR3-B-458M与4GDDR3-B-458F

产品的规格是C3P96FM3LP.M69D、C3P96FM3LP.M69N与C3P96FM3LP.M69U

所以，晶圆组B的平均测试时间＝2230

平均晶圆图数据时间＝81

平均批次处理时间＝784

范例乙的生产效率＝{[(平均测试时间+平均晶圆图数据时间)х25]+平均批次处理时间}/25＝2342.36

范例乙的生产力＝全天时间х可操作参数х可生产参数/生产效率

＝86400х95％х95％/2342.36

＝33.3(片/日·机台·载具)

类似地，观察图5中的各合用变量后还可以发现，批次处理时间的合用变量群的变化并不多；晶圆图数据时间的合用变量群的变化也不大。倒是测试时间的每一个合用变量都不相同，显见测试时间的方差确实是影响操作单元的生产效率与生产力的主要变因。

由上范例可知，从待测半导体组件的登录数据所得的耗时变量群，以统计方式筛选出这些耗时变量群的合用变量群，再计算出合用变量群的平均耗时变量。由平均耗时变量所代表的平均测试时间、平均晶圆图数据时间与平均批次处理时间，可以组成合用变量的统计库。由此统计库的算术平均值，即可推算出决定了单一机台、与由多个机台所组成的一条产线或是由多条条产线所组成的一座工厂的生产效率与生产力。

本发明在第二方面，又提供一种统计多维变量来组成统计库后，再依此统计库而决定多组排程优先级的方法。特别是，影响半导体产业晶圆生产的多项变量与多维参数间因为彼此相倚，造成很难单独抽离出来进行分析。例如，在半导体产业的晶圆生产的控制系统中，影响测试机台的生产效率的变量或是参数相当多，变量与参数之间的关联性又彼此环环相扣。特别是，当半导体产业走向代工，产品种类多元化时，测试产能将随着测试程序、机台的种类与型号、载具的类别、与产品的规格以及所涉及的工作站等等而有不同。

这些参数与变量，一起决定了由多个机台所组成的一条产线以及由多条条产线所组成的一座工厂的生产排程。当两种或以上的产品，或是相同产品但规格不同，要在同一条产线或是同一座工厂投产时，必定会产生资源竞争而要考虑到测试产能排程优先级的问题。换言之，就是将多个不同产品，或是多个不同规格安排在同一条产线或是同一座工厂的生产在线，排程的优先级问题。本发明方法，提出从这些参数及/或变量所组成的统计库中，依照产品或是规格的生产要件(criteria)来产生各个产品或是各个规格的临界比值(critical ratio)，再依此临界比值的大小来决定各个产品或是规格的排程优先级的方法。

在生产线或工厂等具有众多机台的集合的操作单元(collective operationunit)中，是在机台中使用特定的载具来对特定的产品或是规格来进行测试。特定的载具对于特定的产品或是规格，是具有专一适用性的(specific application)，犹如特定钥匙才能开启特定锁具，错误钥匙不能用于不适用锁具的关系一般。而机台犹如大门，仅供用于装设锁具之用，而无特定的钥匙或是锁具间的对应关联性。

通常载具是由委托测试产品的客户，针对所委托特定的产品或是特定的规格所提供的，因此特定的载具数量有限。所以，当把特定的载具装在机台中后，即可用来对特定的产品或是特定的规格来进行测试。基于这样的特性，一般来说，在集合的操作单元中机台的数量是远大于任何单一载具的数量的。换句话说，任何单一载具的数量，通常才是单一产线或是单一工厂等操作单元，在生产效率与生产力之外的每日总生产量的瓶颈限制因素(bottleneck factor)。

范例丙两组排程优先级的决定

在某一个工厂中，对于上述图1-图3中范例甲的晶圆组A而言，范例甲的生产力≈100(片/日·机台·载具)。对于上述图5中范例乙的晶圆组B而言，范例乙的生产力≈33.3(片/日·机台·载具)。范例甲与范例乙中晶圆组的生产效率或生产力，都可以从前述统计多维变量来组成的统计库计算得知。已知此工厂现有适用于范例甲的载具A的数量有20张，适用于范例乙的载具B的数量有2张，机台的种类与型号是T5377S，机台的总数量是大于22台。在某一次的生产排程中，晶圆组A的出货需求是1200(片/日)，晶圆组B的出货需求是60(片/日)，所以要针对晶圆组A与晶圆组B，安排出货排程的优先级。

首先，确认该工厂是否能承接晶圆组A与晶圆组B的出货需求。各晶圆组的每日总生产量，称为生产要件。

对于晶圆组A而言：生产力х载具数量＝每日总生产量

＝100х20＝2000(生产要件)>1200(出货需求)

故晶圆组A的产量大于需求量，判定可以正常出货。

另外，对于晶圆组B而言：生产力х载具数量＝每日总生产量

＝33.3х2＝66.6(生产要件)>60(出货需求)

故晶圆组B的产量大于需求量，判定也可以正常出货。

其次，因为晶圆组A与晶圆组B都可以正常出货，所以还需要依据临界比值来决定晶圆组A与晶圆组B生产排程的优先级。

临界比值定义为：生产要件对于出货需求的比值。即：

临界比值＝生产要件/出货需求

对于晶圆组A而言：生产要件＝2000，出货需求＝1200，所以

晶圆组A的临界比值＝2000/1200＝1.67

对于晶圆组B而言：生产要件＝66.6，出货需求＝60，所以

晶圆组B的临界比值＝66.6/60＝1.11

临界比值代表生产裕度的概念，生产裕度越小表示产能限制越大，限制越大者则优先级越高。

所以，对晶圆组A与晶圆组B生产排程的优先级而言，因为：

晶圆组的临界比值是1.67

晶圆组B的临界比值是1.11<晶圆组A的临界比值1.67

所以晶圆组B的排程优先级高于晶圆组A。也就是所有机台优先安排载具B对晶圆组B进行测试，其余机台再安排载具A对晶圆组A进行测试。

范例丁三组排程优先级的决定

承上，在同一个工厂中，晶圆组A的临界比值是1.67，晶圆组B的临界比值是1.11。在另一次的生产排程中，晶圆组C的临界比值是1.06，想要对晶圆组A、晶圆组B与晶圆组C安排出货排程优先的顺序。晶圆组C的临界比值系依据前述的原则计算而得，故其细节部分不再赘述。

因为：

晶圆组A的临界比值是1.67

晶圆组B的临界比值是1.11<1.67

晶圆组C的临界比值是1.06<1.11<1.67

所以晶圆组C的排程优先级高于晶圆组B，晶圆组B的排程优先级高于晶圆组A。也就是所有机台优先安排载具C对晶圆组C进行测试，其余机台再安排载具B对晶圆组B进行测试，剩余机台再安排载具A对晶圆组A进行测试。

范例戊三组排程优先级的决定

承前述，在同一个工厂中，晶圆组A的临界比值是1.67，晶圆组B的临界比值是1.11。在另一次的生产排程中，晶圆组C的临界比值是1.33，想要对晶圆组A、晶圆组B与晶圆组C安排出货排程优先的顺序。晶圆组C的临界比值系依据前述之原则计算而得，故其细节部分不再赘述。

因为：

晶圆组A的临界比值是1.67

晶圆组B的临界比值是1.11<1.67

晶圆组C的临界比值是1.33>1.11但是1.33<1.67

所以晶圆组B的排程优先级高于晶圆组C，晶圆组C的排程优先级高于晶圆组A。也就是所有机台优先安排载具B对晶圆组B进行测试，其余机台再安排载具C对晶圆组C进行测试，剩余机台再安排载具A对晶圆组A进行测试。

范例己三组排程优先级的决定

承前述，在同一个工厂中，晶圆组A的临界比值是1.67，晶圆组B的临界比值是1.11。在另一次的生产排程中，晶圆组C的临界比值是2，想要对晶圆组A、晶圆组B与晶圆组C安排出货排程优先的顺序。晶圆组C的临界比值系依据前述之原则计算而得。

因为：

晶圆组A的临界比值是1.67

晶圆组B的临界比值是1.11<1.67

晶圆组C的临界比值是2>1.11又2>1.67

所以晶圆组B的排程优先级高于晶圆组A，晶圆组A的排程优先级高于晶圆组C。也就是所有机台优先安排载具B对晶圆组B进行测试，其余机台再安排载具A对晶圆组A进行测试，剩余机台再安排载具C对晶圆组C进行测试。

由上范例可知，从待测半导体组件的登录数据所得的耗时变量群，以统计方式组成合用变量的统计库。由参数及/或变量所组成的统计库，依照产品或是规格的生产要件来产生各个产品或是各个规格的临界比值。再依此临界比值的大小即可决定各个产品或是规格在一条产线，或是在一座工厂中排程的优先级。无论是两组、三组、或是超过三组、都可以使用临界比值的大小比较来决定排程的优先级。

本发明在第三方面，再提供一种统计多维变量来优化配置的方法。特别是，影响半导体产业晶圆生产的多项变量与多维参数间因为彼此相倚，造成很难单独抽离出来进行分析。例如，在半导体产业的晶圆生产的控制系统中，影响测试机台的生产效率的变量或是参数相当多，变量与参数之间的关联性又彼此环环相扣。特别是，当半导体产业走向代工，产品种类多元化时，测试产值将随着测试程序、机台的种类与型号、载具的类别、产品的出货量与产品的规格以及所涉及的工作站等等而有不同。

这些参数与变量，一起决定了由多个机台所组成的一条产线，以及由多条条产线所组成的一座工厂的产值。当两种或以上的产品，或是相同产品但规格不同，在产能满载甚至拥挤的状况下要分配在同一条产线或是同一座工厂投产时，必定会产生资源竞争而要考虑到生产条件优化配置的问题。换言之，就是将多个不同产品，或是多个不同规格安排在同一条产线或是同一座工厂的生产在线，优化生产条件的配置问题。本发明方法，提出从这些参数及/或变量所组成的统计库中，依照产品或是规格的生产要件来产生各个产品或是各个规格的临界比值，再依此临界比值的大小来决定各个产品或是规格生产条件优化配置的方法。

通常载具是由委托测试产品的客户，针对所委托特定的产品或是特定的规格所提供的，所以，当把特定的载具装在机台中后，即可用来对特定的产品或是特定的规格来进行测试。但是在产能满载甚至拥挤的状况时，在集合的操作单元中载具的数量，很可能就会超过机台的总数量。换句话说，这是一种僧多粥少的抉择，因此会有至少一样产品或是规格，基于机台的总数量不足而无法进入排程。所以，迫切需要一种取舍决策而产生优化配置的方法来解决以上的问题。还有，因为在不同的时间点的生产要件或是出货需求也可能不同，故本发明所提供优化配置的方法，不只可以对于初始的生产排程提供优化配置，也能对应实时的生产排程提供同步的更新后优化配置。

范例庚三组生产初始的优化配置的决定

在某一个工厂中，已知晶圆组A的临界比值是1.67，晶圆组B的临界比值是1.11，晶圆组C的临界比值是1.06。另外，已知工厂中的现有机台共计8台，晶圆组A生产需求是80片/天，晶圆组B的生产需求是90片/天，晶圆组C的生产需求是50片/天。载具A的生产效率是20片/台，载具B的生产效率是30片/台，载具C的生产效率是40片/台。想要决定对晶圆组A、晶圆组B与晶圆组C生产的优化配置的顺序。

晶圆组A、晶圆组B、晶圆组C的临界比值，系依据前述之原则计算而得，故其细节部分不再赘述。决定对晶圆组A、晶圆组B与晶圆组C生产的优化配置的决策顺序，可以分为三个阶段。

I.第一阶段计算晶圆组A、晶圆组B、晶圆组C的机台个别需求数量

因为：

晶圆组A生产需求是80片/天，载具A的生产效率是20片/台，

所以晶圆组A的机台需求是80/20＝4台/天；

晶圆组B的生产需求是90片/天，载具B的生产效率是30片/台，

所以晶圆组B的机台需求是90/30＝3台/天；

晶圆组C的生产需求是50片/天，载具C的生产效率是40片/台，

所以晶圆组C的机台需求是50/40＝1.25台，合理值为至少需要2台/天。

由此可知，晶圆组A、晶圆组B、晶圆组C的机台总需求数量＝

4+3+2＝9台。

但是因为现有机台共计8台<机台总需求数量9台，9-8＝1，机台不足一台，所以至少有一个产品的产量无法满足需求。

II.第二阶段计算不同组合时的产值

情况(一)当晶圆组A的产量无法满足需求时的组合

因为：

晶圆组A的机台需求是80/20＝4台，机台不足一台，当晶圆组A的产量无法满足需求时，

(4-1)*20＝60片/天

晶圆组B维持原生产需求是90片/天，晶圆组C维持原生产需求是50片/天，所以情况(一)的产值是60+90+50＝200片/天。

情况(二)当晶圆组B的产量无法满足需求时的组合

因为：

晶圆组B的机台需求是90/30＝3台，机台不足一台，当晶圆组B的产量无法满足需求时，

(3-1)*30＝60片/天

晶圆组A维持原生产需求是80片/天，晶圆组C维持原生产需求是50片/天，所以情况(二)的产值是80+60+50＝190片/天。

情况(三)当晶圆组C的产量无法满足需求时的组合

因为：

晶圆组C的机台需求是2台，机台不足一台，当晶圆组C的产量无法满足需求时，

(2-1)*40＝40片/天

晶圆组A维持原生产需求是80片/天，晶圆组B维持原生产需求是90片/天，所以情况(三)的产值是80+90+40＝210片/天。

III.第三阶段三组生产优化配置的决定

因为：

晶圆组A的临界比值是1.67

晶圆组B的临界比值是1.11<1.67

晶圆组C的临界比值是1.06<1.11<1.67

由于在此由晶圆组A、晶圆组B、与晶圆组C所组成的临界比值群中，晶圆组A的临界比值最大、晶圆组B的临界比值相对次大、晶圆组C的临界比值相对最小，所以临界比值最大的晶圆组A，其排程优先级最低，故归类为情况(一)。在得到晶圆组C的临界比值1.06<晶圆组B的临界比值1.11<晶圆组A的临界比值1.67后，即可依据此等临界比值群中的最大值到最小值，依序取舍相对较大值，而安排在不满足生产需求限制下的排程优先级，产生适切的取舍决策以进行优化配置。

也就是，所有机台优先安排载具C对晶圆组C进行测试，其余机台再安排载具B对晶圆组B进行测试，剩余机台再安排载具A对晶圆组A进行测试。晶圆组A的产量是60片/天，晶圆组B维持原生产需求是90片/天，晶圆组C维持原生产需求是50片/天，最后得知在此取舍决策下的当时产值是60+90+50＝200片/天。

范例辛三组生产初始的优化配置的决定

承前述，已知晶圆组A的临界比值是1.33，晶圆组B的临界比值是1.81，晶圆组C的临界比值是1.67。另外，已知工厂中的现有机台共计8台，晶圆组A生产需求是80片/天，晶圆组B的生产需求是90片/天，晶圆组C的生产需求是50片/天。载具A的生产效率是20片/台，载具B的生产效率是30片/台，载具C的生产效率是40片/台。想要决定对晶圆组A、晶圆组B与晶圆组C生产的优化配置的顺序。

因为：

晶圆组A生产需求是80片/天，载具A的生产效率是20片/台，

所以晶圆组A的机台需求是80/20＝4台/天；

晶圆组B的生产需求是90片/天，载具B的生产效率是30片/台，

所以晶圆组B的机台需求是90/30＝3台/天；

晶圆组C的生产需求是50片/天，载具C的生产效率是40片/台，

由此可知，晶圆组A、晶圆组B、晶圆组C的机台总需求数量＝

4+3+2＝9台。

II.第二阶段计算不同组合时的产值

情况(一)当晶圆组A的产量无法满足需求时的组合

因为：

(4-1)*20＝60片/天

情况(二)当晶圆组B的产量无法满足需求时的组合

因为：

(3-1)*30＝60片/天

情况(三)当晶圆组C的产量无法满足需求时的组合

因为：

(2-1)*40＝40片/天

III.第三阶段三组生产优化配置的决定

因为：

晶圆组A的临界比值是1.33

晶圆组B的临界比值是1.81>1.67

晶圆组C的临界比值是1.67>1.33同时1.67<1.81

由于在此由晶圆组A、晶圆组B、与晶圆组C所组成的临界比值群中，晶圆组B的临界比值最大、晶圆组C的临界比值相对次大、晶圆组A的临界比值相对最小，所以临界比值最大的晶圆组B，其排程优先级最低，故归类为情况(二)。在得到晶圆组C的临界比值1.33<晶圆组A的临界比值1.67<晶圆组B的临界比值1.81后，即可依据此等临界比值群中的最大值到最小值，依序取舍相对较大值，而安排在不满足生产需求限制下的排程优先级，产生取舍决策以进行优化配置。

也就是，所有机台优先安排载具C对晶圆组C进行测试，其余机台再安排载具A对晶圆组A进行测试，剩余机台再安排载具B对晶圆组B进行测试，晶圆组A维持原生产需求是80片/天，晶圆组C维持原生产需求是50片/天，晶圆组B的产量是60片/天，最后得知在此取舍决策下的当时产值是80+60+50＝190片/天。

范例壬三组生产初始的优化配置的决定

承前述范例己，晶圆组A的临界比值是1.67，晶圆组B的临界比值是1.11，晶圆组C的临界比值是2。另外，已知工厂中的现有机台共计8台，晶圆组A生产需求是80片/天，晶圆组B的生产需求是90片/天，晶圆组C的生产需求是50片/天。载具A的生产效率是20片/台，载具B的生产效率是30片/台，载具C的生产效率是40片/台。想要决定对晶圆组A、晶圆组B与晶圆组C生产的优化配置的顺序。

因为：

晶圆组A生产需求是80片/天，载具A的生产效率是20片/台，

所以晶圆组A的机台需求是80/20＝4台/天；

晶圆组B的生产需求是90片/天，载具B的生产效率是30片/台，

所以晶圆组B的机台需求是90/30＝3台/天；

晶圆组C的生产需求是50片/天，载具C的生产效率是40片/台，

由此可知，晶圆组A、晶圆组B、晶圆组C的机台总需求数量＝

4+3+2＝9台。

II.第二阶段计算不同组合时的产值

情况(一)当晶圆组A的产量无法满足需求时的组合

因为：

(4-1)*20＝60片/天

情况(二)当晶圆组B的产量无法满足需求时的组合

因为：

(3-1)*30＝60片/天

情况(三)当晶圆组C的产量无法满足需求时的组合

因为：

(2-1)*40＝40片/天

III.第三阶段三组生产优化配置的决定

因为：

晶圆组A的临界比值是1.67

晶圆组B的临界比值是1.11<1.67

晶圆组C的临界比值是2>1.67>1.11

由于在此由晶圆组A、晶圆组B、与晶圆组C所组成的临界比值群中，晶圆组C的临界比值最大、晶圆组A的临界比值相对次大、晶圆组B的临界比值相对最小，所以临界比值最大的晶圆组C，其排程优先级最低，故归类为情况(三)。在得到晶圆组B的临界比值1.11<晶圆组A的临界比值1.67<晶圆组C的临界比值2后，即可依据此等临界比值群中的最大值到最小值，依序取舍相对较大值，而安排在不满足生产需求限制下的排程优先级，产生取舍决策以进行优化配置。

也就是，所有机台优先安排载具B对晶圆组B进行测试，其余机台再安排载具A对晶圆组A进行测试，剩余机台再安排载具C对晶圆组C进行测试，晶圆组A维持原生产需求是80片/天，晶圆组B维持原生产需求是90片/天，晶圆组C的产量是40片/天，最后得知在此取舍决策下的当时产值是80+90+40＝210片/天。

范例癸三组投产后优化配置的决定

承前述范例庚，在该工厂中，已知生产初始的晶圆组A的临界比值是1.67，晶圆组B的临界比值是1.11，晶圆组C的临界比值是1.06。依据前述情况(一)的生产初始决策，所有机台优先安排载具C对晶圆组C进行测试，其余机台再安排载具B对晶圆组B进行测试，剩余机台再安排载具A对晶圆组A进行测试。但是，在依据前述情况(一)的生产初始决策投产过一段时间后，生产要件或是出货需求可能已经改变。这样的改变，会导致投产后的临界比值群，与初始的临界比值群有所不同。

若是晶圆组A的临界比值投产后改变为1.67，晶圆组B的临界比值投产后改变为1.11，晶圆组C的临界比值投产后改变为2。另外，工厂中的现有机台总数不变，载具A的生产效率不变，载具B的生产效率是不变，载具C的生产效率不变。想要决定对晶圆组A、晶圆组B与晶圆组C生产的优化配置的顺序。

因为：

晶圆组A生产需求是80片/天，载具A的生产效率是20片/台，

所以晶圆组A的机台需求是80/20＝4台/天；

晶圆组B的生产需求是90片/天，载具B的生产效率是30片/台，

所以晶圆组B的机台需求是90/30＝3台/天；

晶圆组C的生产需求是50片/天，载具C的生产效率是40片/台，

由此可知，晶圆组A、晶圆组B、晶圆组C的机台总需求数量＝

4+3+2＝9台。

但是因为现有机台总数不变仍是8台<机台总需求数量9台，9-8＝1，机台不足一台，所以还是有一个产品的产量无法满足需求。

II.第二阶段计算不同组合时的产值

情况(一)当晶圆组A的产量无法满足需求时的组合

因为：

(4-1)*20＝60片/天

情况(二)当晶圆组B的产量无法满足需求时的组合

因为：

(3-1)*30＝60片/天

情况(三)当晶圆组C的产量无法满足需求时的组合

因为：

(2-1)*40＝40片/天

III.第三阶段三组投产后优化配置的实时更新决定

因为：

晶圆组A的临界比值是1.67

晶圆组B的临界比值是1.11<1.67

晶圆组C的临界比值是2>1.67>1.11

在此改变后，由于由晶圆组A、晶圆组B、与晶圆组C所组成的临界比值群中，晶圆组C的临界比值变成最大、晶圆组A的临界比值变成相对次大、晶圆组B的临界比值变成相对最小，所以目前临界比值最大的晶圆组C，其排程优先级变成最低，故此刻之取舍决策更新为情况(三)，并依据此等临界比值群中的最大值到最小值，再次依序取舍相对较大值，而安排出不满足生产需求限制下的排程优先级，产生新的取舍顺序以进行优化配置，并据此将旧的取舍决策转为更新取舍决策。

也就是所有机台优先安排载具B对晶圆组B进行测试，其余机台再安排载具A对晶圆组A进行测试，剩余机台再安排载具C对晶圆组C进行测试。晶圆组A的产量同步更新为80片/天，晶圆组B维持原产量是90片/天，晶圆组C的产量同步更新为40片/天，最后得知投产后的当时产值，实时同步更新为更新当时产值，即80+90+40＝210片/天。

由此可知，范例庚中三组生产初始的优化的配置是：晶圆组A为60片/天，晶圆组B为90片/天，晶圆组C为50片/天，产值是200片/天。投产后在范例癸中三组生产的优化的配置同步更新为：晶圆组A为80片/天，晶圆组B为90片/天，晶圆组C为40片/天，投产后的产值，实时同步更新为80+90+40＝210片/天。除了生产初始的优化的配置只会进行一次外，投产后的优化的配置，则可以视情况需求任意进行，并没有次数上的限制，就能灵活地配合时时变动的临界比值群，并得到实时更新的取舍决策。

由于在不同的时间点的生产需求不同，本发明所提供优化配置的方法，既可以对于初始的生产需求提供优化配置，也符合对应实时的生产需求提供同步的更新后优化配置的期待。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims

1.一种统计多维变量而推算生产力的方法，包含：

提供多个机台，每个该机台记录有多个登录数据；

转译每个该登录数据，而得到多个变量与多个参数，每个该变量与每个该参数分别对应每个该机台与每个该登录数据；

区别每个该变量，使得每个该变量成为一合用变量、一舍弃变量、与一存疑变量其中之一者；

统计多个该合用变量，而得到多个统计合用变量；

将多个该统计合用变量，组成一统计库；

经由该统计库，计算多个该机台中至少一个该机台的一生产效率；以及

经由该生产效率与一商业时间，推算出该生产力。

2.如权利要求1所述的统计多维变量而推算生产力的方法，其中多个该变量包含一测试时间(test time)、一晶圆图数据时间(wafer map time)、与一批次处理(lot process)时间。

3.如权利要求1所述的统计多维变量而推算生产力的方法，其中多个该参数包含一机台(equipment)的种类(type)与型号(mode)、一载具(probe card)的类别(model)、与一产品(product)的规格(configuration)以及所涉及的工作站(step)。

4.如权利要求1所述的统计多维变量而推算生产力的方法，其中区别每个该存疑变量，使得每个该存疑变量成为该统计合用变量，或是成为该舍弃变量。

5.如权利要求1所述的统计多维变量而推算生产力的方法，其中将多个该统计合用变量组成该统计库，包含统计多个该合用变量而得到一集合特征。

6.如权利要求1统计多维变量而推算生产力的方法，其中该生产力＝该商业时间/该生产效率。

7.一种统计多维变量而排程优先级的方法，包含：

提供多个机台，每个该机台记录有多个登录数据；

统计多个该合用变量，而得到多个统计合用变量；

将多个该统计合用变量，组成一统计库；

依据该统计库提供多个临界比值；以及

判别多个该临界比值中具有相对较小值的一者，而成为排程上具有相对较高的优先级。

8.如权利要求7所述的统计多维变量而排程优先级的方法，其中该变量与该参数间彼此相倚。

9.如权利要求7所述的统计多维变量而排程优先级的方法，其中多个该变量包含一测试时间、一晶圆图数据时间、与一批次处理时间。

10.如权利要求7所述的统计多维变量而排程优先级的方法，其中多个该参数包含一机台的种类与型号、一载具的类别、与一产品的规格以及所涉及的工作站。

11.如权利要求7所述的统计多维变量而排程优先级的方法，其中判别多个该临界比值中的最小者，在排程上具有最高的优先级。

12.一种统计多维变量进行优化配置的方法，包含：

提供多个机台，每个该机台记录有多个登录数据；

统计多个该合用变量，而得到多个统计合用变量；

将多个该统计合用变量，组成一统计库；

依据该统计库提供多个临界比值；

依据各生产需求计算个别需求数量；以及

依据多个该临界比值中的一最大值到一最小值，依序取舍一相对较大值而产生一取舍决策，而得到在不满足该生产需求的条件下的一排程优先级，以进行一优化配置。

13.如权利要求12所述的统计多维变量进行优化配置的方法，其中多个该变量包含一测试时间、一晶圆图数据时间、与一批次处理时间。

14.如权利要求12所述的统计多维变量进行优化配置的方法，其中多个该参数包含一机台的种类与型号、一载具的类别、与一产品的规格以及所涉及的工作站。

15.如权利要求12所述的统计多维变量进行优化配置的方法，其中个别该需求数量的总量大于多个该机台的总数，造成不满足该生产需求的条件。

16.如权利要求12所述的统计多维变量进行优化配置的方法，其中该取舍决策包含优先满足多个该临界比值中的一相对较小值。

17.如权利要求12所述的统计多维变量进行优化配置的方法，其中依据该优化配置，计算该优化配置的一当时产值。

18.如权利要求17所述的统计多维变量进行优化配置的方法，还包含：

在多个该临界比值改变后，对应产生一更新取舍决策。

19.如权利要求18所述的统计多维变量进行优化配置的方法，其中依据该更新取舍决策，计算一更新当时产值。