CN1920863A - 生产管理及成品率分析整合的实时管理系统及其处理方法 - Google Patents
生产管理及成品率分析整合的实时管理系统及其处理方法 Download PDFInfo
- Publication number
- CN1920863A CN1920863A CNA2005100965138A CN200510096513A CN1920863A CN 1920863 A CN1920863 A CN 1920863A CN A2005100965138 A CNA2005100965138 A CN A2005100965138A CN 200510096513 A CN200510096513 A CN 200510096513A CN 1920863 A CN1920863 A CN 1920863A
- Authority
- CN
- China
- Prior art keywords
- parameter
- characteristic parameter
- yield
- online
- value
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 54
- 230000010354 integration Effects 0.000 title claims description 20
- 238000003672 processing method Methods 0.000 title 1
- 238000007726 management method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000012417 linear regression Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000002950 deficient Effects 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 21
- 230000007547 defect Effects 0.000 description 17
- 239000004065 semiconductor Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 8
- 230000009897 systematic effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000007509 Phytolacca dioica Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
Images
Abstract
一种生产管理及成品率分析整合的实时管理系统及其处理方法。加总并平均多个成品率值以求得一历史成品率值。选取多个代表性在线品管特征参数(Inline QC parameter)并执行一统计运算以执行下述判断操作。若所述在线品管特征参数中没有极端值与共线性的参数存在，以及所述在线品管特征参数的残差分析结果符合常态分布，则自在线品管特征参数中选取多个最佳化的特征参数。计算出所述最佳化特征参数的每一特征参数的权重值，并且根据该历史成品率值、所述权重值以及有关所述在制品的多量测值与多目标值，计算出一预测成品率。
Description
技术领域
本发明涉及一种数据管理与分析系统及方法，特别是涉及一种生产管理及成品率分析整合的实时管理系统及方法。
背景技术
成品率(Yield)是一个大量生产工厂的一个非常重要的指标，一方面，成品率代表了一个工厂的生产技术，另一方面，成品率也反映出生产一个产品所需要的成本。尤其是对于半导体芯片制作工厂而言，成品率更是攸关乎整个工厂的获利率。因此，如何提高成品率，是大量生产时的主要课题。
在专业半导体制造厂中，大多的特定晶片(Wafer)都必须经过多个的半导体设备机台与上百个以上的工艺步骤，如化学沉积、离子注入、光掩模、研磨等等工艺来完成其特定功能。对于0.18微米技术以下的工艺而言，电性功效(Electrical Performance)与半导体设备的状态非常地敏感地影响产品的产出成品率，其中在半导体工艺中任何一个步骤发生问题都可能影响产品品质特性，导致严重的经济损失。因此，若是能及早检测到异常发生，就能及早加以解决问题、减低生产成本。
目前已经存在一些设计于检查与测量产品的成品率。当晶片于独立的工艺步骤结束之后，晶片便可藉由电性测试来判断晶片是否达到一定的成品率，若晶片测试通过，则可以进行下一工艺步骤。
对于在线(In-Line)缺陷(Defect)检测，扫描(Scan)晶片的微粒(Particle)或缺陷是一般使用来避免不正常的半导体设备或是工艺问题的，然而，由于目前检测成品率装置对于装置相关性(equipment correlation)大部分只能用于检测单一机台成品率，或者，找出在单一工艺步骤所使用多台半导体设备机台与成品率或量测值的关系，无法达到分析出在多个工艺步骤中所使用多台半导体设备机台对成品率所造成影响，对于大部分的监控(Monitor)方法或设备而言，并不能实际有效地抓到所有半导体工艺机台上对成品率可能发生的问题。
此外，半导体工艺随着电路设计技术的精密，使得任何晶片在制品或完成品的不良，都将对制造成本与竞争力造成极大的损失。而成品率的改善及提升对于各晶片工厂而言，皆为降低制造成本、提高获利甚至提升产业竞争力的有效途径，因此各半导体厂均采行工艺控制(Process Control)以及工程数据分析(Engineer Data Analysis，EDA)技术，以协助其达到成品率提升的目的。而在半导体厂中，当批量(Lot)发生成品率损失(Yield Loss)时，多半是由成品率工程师负责找出可能发生的工艺原因并加以改善，以达提升成品率的目的，而这些成品率提升的工作往往需要大量的工程数据分析，且需凭借着工程师的经验与分析知识以作原因的判断。
一般来说，晶片成品率损失问题分析时，所考虑的主要数据包含此晶片的工艺参数、机台参数、晶片缺陷数据(Defect data)、晶片允收(WaferAcceptance Test，WAT)数据、晶片测试(Circuit Probing，CP)数据、晶片成品率数据等，而由于半导体厂工程师的分工都很细，因此每位工程师负责进行某一类数据的分析，对于数据间相关联性的问题则往往须通过长时间协调讨论，或是利用简单的统计分析来找到可能的问题，而从晶片投入生产到测试阶段的所有数据，皆对成品率有复杂的相关性的影响，因此，如何快速有效的将低成品率的问题点找出，从而提高产品成品率，是现今半导体厂最重要的一项议题。
目前的成品率损失问题改善方法大都是针对某一类工程数据找出影响成品率的可能工艺原因，例如，Mieno等人提出利用数据挖矿中回归树分析(Regression Tree Analysis，RTA)技术来改善成品率(“Yield improvementusing data mining system semiconductor manufacturing，”IEEE InternationalSymposium on Conference Proceedings，391-394(1999).)，并将的运用在氧化(Oxide)工艺上以防止晶片成品率损失的发生，利用此技术可以成功的从众多工艺参数中找出发生变异的参数，以提供工艺进行改善来提升成品率。在缺陷数据分析方面，Ken提出缺陷群聚特征(the signature of defectclustered)的观点(“Using full wafer defect maps as process signatures to monitorand control yield，”IEEE/SEMI Semiconductor manufacturing ScienceSymposium，129-135(1991).)，并利用统计工艺控制(Statistical ProcessControl，SPC)的方式来检测缺陷的群聚现象，由于缺陷的出现往往不是随机分布的，反而会呈现严重的群聚现象，因此可以利用撷取缺陷全影像图(Holography)来作判断，但这样的方式需要很大的影像存取空间。
由上述已知技术可知，目前的成品率损失问题分析方式大多是针对单一类工程数据来进行，然而这些工程数据彼此也有着相互的关联性存在，许多的成品率损失问题必须从这些数据间的关连性才能突显出来，因此需要一个更有效的方法对工艺数据做更精确的分析，以提升成品率预测的正确性。
发明内容
基于上述目的，本发明实施例披露了一种生产管理及成品率分析整合的实时管理方法。首先，收集一既定时间内有关晶片在制品的多个成品率值与在线品管特征参数。加总并平均该成品率值以求得一历史成品率值。选取多个代表性在线品管特征参数，执行一统计运算以执行下述操作。判断其在线品管特征参数中是否有极端值存在。若没有极端值存在，则判断所述在线品管特征参数中是否有共线性的参数存在。若没有共线性的参数存在，则判断所述在线品管特征参数的残差分析结果是否符合常态分布。若残差分析结果符合常态分布，则自在线品管特征参数中选取多个最佳化的特征参数。计算出所述最佳化特征参数的每一特征参数的权重值，并且根据该历史成品率值、所述权重值以及有关所述在制品的多量测值与多目标值，计算出一预测成品率。
本发明实施例还披露了一种生产管理及成品率分析整合的实时管理系统，包括一收集单元、一统计单元以及一运算单元。收集单元收集一既定时间内有关晶片在制品的多个成品率值与在线品管特征参数。
统计单元加总并平均所述成品率值以求得一历史成品率值，根据所选取的多个代表性在线品管特征参数执行一统计运算，判断所述在线品管特征参数中是否有极端值存在，若没有极端值存在，则判断所述在线品管特征参数中是否有共线性的参数存在，若没有共线性的参数存在，则判断所述在线品管特征参数的残差分析结果是否符合常态分布，若残差分析结果符合常态分布，则自在线品管特征参数中选取多个最佳化的特征参数，计算出所述最佳化特征参数的每一特征参数的权重值。
运算单元根据该历史成品率值、所述权重值以及有关所述在制品的多量测值与多目标值，计算出一预测成品率。
附图说明
图1示出了本发明实施例的生产管理及成品率分析整合的实时管理方法的步骤流程图。
图2示出了本发明实施例的生产管理及成品率分析整合的实时管理系统的架构图。
附图符号说明
100～运算单元
200～统计单元
300～收集单元
400～生产线
500～晶片
具体实施方式
为使本发明的上述和其它目的、特征和优点能更明显易懂，下文特举出较佳实施例，并结合附图详细说明如下。
本发明实施例披露了一种生产管理及成品率分析整合的实时管理系统及其处理方法。
本发明实施例的成品率分析方法是先收集与工艺成品率相关的特征参数与历史成品率数据，接着对特征参数进行分析，然后根据分析结果与历史成品率数据，利用一统计方法计算出每一工艺周期(如每一天)的预测成品率。
当一晶片投入到生产线并且对其进行缺陷检测、允收测试、电性针测等工艺控制时，每道工艺都会产生属于该晶片的相关数据(即特征参数)，且所有数据也会被收集并储存于工程数据库当中，上述工程数据就是分析整片晶片在生产制造中可能产生异常的有用信息。当晶片发生成品率损失时，各特征参数都有其相关的影响性。因此，晶片的特征参数分析的目的就是从工程数据库中分析出整体性可代表晶片本身的成品率特征值，以表示该片晶片在投入生产到产出时，影响到晶片成品率的重要参数。以下简述数个相关的成品率特征参数。
成品率特征参数包括晶方面积大小(Die Size)、缺陷图样类型(DefectMap Pattern)、缺陷故障率(Defective Die％)、晶片允收参数值(WATParameters)、晶片图样类型(Wafer Bin Map)、针测后成品率值(Die Yield％)等等。以下分别简述其特征。
在晶片制造过程中，晶方面积的大小会影响多数缺陷是否掉落在不同晶方上而影响成品率，晶方面积大使得一片晶片成品率计算的总晶方数目较少，因此当发生相同数目的缺陷掉落于相同的位置时，晶方面积大者会使得成品率大减，反的亦然。
缺陷图样类型(Defect Map Pattern)：一般来说，造成IC成品率损失最主要的原因的一是晶片上的缺陷，而所谓的缺陷是指可能造成某IC产品故障或损坏的情形。一般缺陷空间图样主要可分两类，分别为系统性缺陷(Systematic defect)及随机性缺陷(Random defect)。一般系统性缺陷空间图样包括刮伤、环状、辐射状、中心聚集形态等，而随机散布于晶片上者则为随机性缺陷图样。随机性缺陷图样主要为随机落于晶片上的空气中微粒(Particle)所造成，系统性缺陷图样主要成因则如刮伤(Scratch)、光掩模(Mask)未对准或化学物质污损甚至过度蚀刻(Etch)等诸多因素所造成的，因此，随机性及系统性缺陷图样间的最重要不同点，在于系统性缺陷图样多为工艺发生问题时产生，且当低成品率批量产生时，系统性缺陷图样往往是最主要的成因。当低成品率批量发生时，其主因常常是缺陷数目过多、缺陷群聚现象严重等，因此缺陷空间图样会以某种形态出现，再经由成品率工程师从缺陷空间图样来推断工艺上的问题。由于缺陷图样的量测方式是针对每一层(layer)重要工艺之后进行缺陷检测，因此，该成品率特征值必须考虑每一层每一检测机台的缺陷图样类型，并辨识其缺陷图样类型。
缺陷故障率是指缺陷检测机台可设定当缺陷面积大于某一值时，计算该晶方因缺陷影响的百分比，由于大缺陷可能造成电路短路或断路的情况，因而造成成品率的损失，因此，每一层每一检测机台的检测的缺陷故障率，也为影响成品率的重要特征值之一。
晶片在完成制造后会进行晶片允收测试的程序，量测的方式是以晶片的上、下、左、右、中等五点量测，并观察所量测的参数是否超出规格界线，或是否有异常的情况发生，因此晶片允收(WAT)参数是晶片成品率非常重要的特征值。由于一个WAT参数会有五点量测值，每个参数都会设定其期望目标值与上下管制界线，WAT参数值的偏移量为一般成品率工程师所考虑的重点。因此，本特征值会将某WAT参数值求取其偏移的标准变异数，其求取方式如下所述。(1)先计算每一量测点的WAT参数值对于期望目标值的偏移差异。(2)计算所有偏移差异的平均值。(3)再计算该WAT偏移差异值的标准变异数。
晶片图样也是提供工艺工程师分析成品率损失问题中非常重要的信息。晶片图数据即晶片制造程序完成后，针对个别晶方所作的电性功能项目的测试数据，而此测试步骤称的为晶片针测(Circuit Probing，CP)，其目的是针对个别晶方进行一连串功能项目通过/失败的测试，并根据结果将晶方分类(Sort)，以区别各个不同的功能等级。
在晶片针测结束后，会依照针测结果给予不同的分类(BIN)值，在可接受的BIN值情况下，计算出该片晶片的针测成品率值。
除了上文所述的成品率特征参数，其它还包括晶片发生成品率损失时哪一阶段的工艺正在执行、或者于一工艺机台执行的频率等等。对成品率会造成影响的特征参数至少有数十种，而本发明所列的特征参数仅为举例说明，其并非用以限定本发明。
如上所述，本发明实施例是对所收集的特征参数进行分析以预测生产成品率。该成品率预测操作是藉由一统计公式以实施的，该公式如下所述：
其中，Ytpredict表示在第t天的预测成品率，Yhistory表示近三个月的平均成品率，n表示所选的在线品管(Quality Control，QC)特征参数(Inline QCparameter)的数目(其是利用阶梯式线性回归模型(Stepwise Linear RegressionModel)推导而得)，wi表示影响成品率的一在线品管特征参数所占权重(其是利用阶梯式线性回归模型推导而得)，qi表示在第t天时根据一在线品管特征参数对在制品的量测值(其是通过制造执行系统(Manufacturing ExecutionSystem，MES)在第t天时进行实时量测并推导而得)，以及qti表示在第t天时根据一在线品管特征参数对在制品的目标值(其亦是通过制造执行系统在第t天时进行实时量测并推导而得)。
藉由上述统计公式，即可很轻易的取得每一天的预测成品率，并且根据所得的预测成品率对晶片在制品做更有效的生产管理，以提升生生产效率及降低生产成本。
接下来以一流程图说明上述成品率预测的实施过程。参考图1，其示出了本发明实施例的生产管理及成品率分析整合的实时管理方法的步骤流程图。首先，收集近三个月的成品率值与在线品管特征参数(步骤S1)。将近三个月的成品率值加总并平均以求得一历史成品率值(Yhistory)(步骤S2)，然后利用一特征选取方法，根据当时工艺状况选取多个较具代表性的在线品管特征参数(步骤S3)。接下来，检查所选取的在线品管特征参数，并且将多余的数据移除(步骤S4)，然后执行一阶梯式线性回归方法(步骤S5)。
接下来，判断上述在线品管特征参数中是否有极端值存在(步骤S6)，若是，则执行步骤S61，否则执行步骤S7。若上述在线品管特征参数中有极端值存在，则利用一过滤方法并根据参数值大小，将排序在25％前与75％后的在线品管特征参数移除(步骤S61)，然后回到步骤S5。本发明实施例中所说的极端值是由工程人员自行定义，其可能根据不同工艺而有不同的设定。举例来说，若其中一在线品管特征参数具有一极大或极小值，其可能无法适当的反应出工艺状况，故需将其移除。
若上述在线品管特征参数中无极端值存在，则接着判断是否有共线性(collinear)的参数存在(步骤S7)，若是，则执行步骤S71，否则执行步骤S8。「共线性参数」是表示任二个特征参数具有不同值但却有相同意义，则可将其中一特征参数移除(步骤S71)，然后回到步骤S5。若上述在线品管特征参数中无共线性参数存在，则接着判断残差分析结果是否符合常态分布(步骤S8)，若否，则执行步骤S81，否则执行步骤S9。若残差分析结果不符合常态分布，则利用一Box-Cox转换方法将上述非常态分布转换为常态分布(步骤S81)，然后回到步骤S5。若残差分析结果符合常态分布，则执行一最后特征选取操作，以选取最符合目前工艺状况的特征参数(在本发明实施例中选取最具代表性的前20个特征参数，即n＝20)(步骤S9)，并且计算出每一特征参数的权重值(wi)(步骤S10)。最后，利用前文所述的统计公式，根据计算所得的平均成品率(Yhistory)、每一特征参数的权重值(wi)、特征参数数(n)以及自生产线(利用制造执行系统)取得的在制品的量测值(qi)与目标值(qti)，计算出所需的预测成品率(Ytpredict)(步骤S11)。
图2示出了本发明实施例的生产管理及成品率分析整合的实时管理系统的架构图。
本发明实施例的实时管理系统包括一运算单元100、一统计单元200以及一收集单元300。晶片在制品于生产线400经过多道工艺加工后而取得晶片成品500。收集单元300自晶片500取得近三个月的生产成品率值及与其相关的品管特征参数，并且将上述数据传送给统计单元200。
统计单元200将近三个月的成品率值加总并平均以求得一历史成品率值(Yhistory)，藉由一特征选取方法，并根据当时工艺状况选取多个较具代表性的在线品管特征参数，检查所选取的在线品管特征参数，并且将多余的数据移除，然后执行一阶梯式线性回归方法。接下来，统计单元200判断上述在线品管特征参数中是否有极端值存在。若是，则利用一过滤方法并根据参数值大小，将排序在25％前与75％后的在线品管特征参数移除。若上述在线品管特征参数中无极端值存在，则统计单元200接着判断是否有共线性的参数存在。若是，则将其中一特征参数移除。若上述在线品管特征参数中无共线性参数存在，则统计单元200接着判断残差分析结果是否符合常态分布，若否，则利用一Box-Cox转换方法将上述非常态分布转换为常态分布。若残差分析结果符合常态分布，则统计单元200执行一最后特征选取操作，以选取最符合目前工艺状况的特征参数(在本发明实施例中选取最具代表性的前20个特征参数，即n＝20)，并且计算出每一特征参数的权重值(wi)。
运算单元100利用一统计公式
根据前述计算所得的平均成品率(Yhistory)、每一特征参数的权重值(wi)以及自生产线(利用制造执行系统)取得的在制品的量测值(qi)与目标值(qti)，计算出所需的预测成品率(ytpredict)。
本发明的实时管理系统与方法整合特定批量(lot)在制品的生产信息及各阶段的测试数据，可依据特定批量在制品的特征(如发生原因、部门等)进行分类管理。此外，本发明方法的实时性生产管理及成品率追踪可有效提升生产效率及降低生产成本。
虽然本发明已以较佳实施例披露如上，然其并非用以限定本发明，本领域的技术人员在不脱离本发明的精神和范围的前提下可作各种的更动与润饰，因此本发明的保护范围以本发明的权利要求为准。
Claims (10)
1.一种生产管理及成品率分析整合的实时管理方法，包括下列步骤：
收集一既定时间内有关晶片在制品的多个成品率值与在线品管特征参数；
加总并平均该成品率值以求得一历史成品率值；
选取多个代表性在线品管特征参数；
执行一统计运算以执行下述操作，包括下列步骤：
判断所述在线品管特征参数中是否有极端值存在；
若没有极端值存在，则判断所述在线品管特征参数中是否有共线性的参数存在；以及
若没有共线性的参数存在，则判断所述在线品管特征参数的残差分析结果是否符合常态分布；
若残差分析结果符合常态分布，则自在线品管特征参数中选取多个最佳化的特征参数；
计算出所述最佳化特征参数的每一特征参数的权重值；以及
根据该历史成品率值、所述权重值以及有关所述在制品的多量测值与多目标值，计算出一预测成品率。
2.如权利要求1所述的生产管理及成品率分析整合的实时管理方法，其中，若所述在线品管特征参数中有极端值存在，则利用一过滤方法并根据所述参数值大小，将排序在25％前与75％后的在线品管特征参数移除。
3.如权利要求1所述的生产管理及成品率分析整合的实时管理方法，其中，若有共线性的参数存在，则将其中一特征参数移除。
4.如权利要求1所述的生产管理及成品率分析整合的实时管理方法，其中，若残差分析结果不符合常态分布，则利用一Box-Cox转换方法将该非常态分布转换为常态分布。
5.如权利要求1所述的生产管理及成品率分析整合的实时管理方法，其中，利用一阶梯式线性回归方法执行所述判断操作。
6.一种生产管理及成品率分析整合的实时管理系统，包括：
一收集单元，用以收集一既定时间内有关晶片在制品的多个成品率值与在线品管特征参数；
一统计单元，用以加总并平均所述成品率值以求得一历史成品率值，根据所选取的多个代表性在线品管特征参数执行一统计运算，判断所述在线品管特征参数中是否有极端值存在，若没有极端值存在，则判断所述在线品管特征参数中是否有共线性的参数存在，若没有共线性的参数存在，则判断所述在线品管特征参数的残差分析结果是否符合常态分布，若残差分析结果符合常态分布，则自在线品管特征参数中选取多个最佳化的特征参数，计算出所述最佳化特征参数的每一特征参数的权重值；以及
一运算单元，用以根据该历史成品率值、所述权重值以及有关所述在制品的多量测值与多目标值，计算出一预测成品率。
7.如权利要求6所述的生产管理及成品率分析整合的实时管理系统，其中，若所述在线品管特征参数中有极端值存在，则利用一过滤方法并根据所述参数值大小，将排序在25％前与75％后的在线品管特征参数移除。
8.如权利要求6所述的生产管理及成品率分析整合的实时管理系统，其中，若有共线性的参数存在，则将其中一特征参数移除。
9.如权利要求6所述的生产管理及成品率分析整合的实时管理系统，其中，若残差分析结果不符合常态分布，则利用一Box-Cox转换方法将该非常态分布转换为常态分布。
10.如权利要求6所述的生产管理及成品率分析整合的实时管理系统，其中，利用一阶梯式线性回归方法执行所述判断操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2005100965138A CN1920863A (zh) | 2005-08-22 | 2005-08-22 | 生产管理及成品率分析整合的实时管理系统及其处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2005100965138A CN1920863A (zh) | 2005-08-22 | 2005-08-22 | 生产管理及成品率分析整合的实时管理系统及其处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1920863A true CN1920863A (zh) | 2007-02-28 |
Family
ID=37778583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2005100965138A Pending CN1920863A (zh) | 2005-08-22 | 2005-08-22 | 生产管理及成品率分析整合的实时管理系统及其处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1920863A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101290517B (zh) * | 2007-04-17 | 2010-08-11 | 中芯国际集成电路制造(上海)有限公司 | 对离散样本数据进行统计过程控制的方法及其装置 |
| CN102446337A (zh) * | 2011-10-12 | 2012-05-09 | 上海华力微电子有限公司 | 一种缺陷通报系统 |
| CN104078381A (zh) * | 2013-03-26 | 2014-10-01 | 中芯国际集成电路制造(上海)有限公司 | 一种量测机台监测图规格界限设定的方法 |
| CN109871978A (zh) * | 2018-12-28 | 2019-06-11 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
| CN112666311A (zh) * | 2020-12-08 | 2021-04-16 | 上海华力集成电路制造有限公司 | 缺陷扫描机台的自动监控系统及方法 |
-
2005
- 2005-08-22 CN CNA2005100965138A patent/CN1920863A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101290517B (zh) * | 2007-04-17 | 2010-08-11 | 中芯国际集成电路制造(上海)有限公司 | 对离散样本数据进行统计过程控制的方法及其装置 |
| CN102446337A (zh) * | 2011-10-12 | 2012-05-09 | 上海华力微电子有限公司 | 一种缺陷通报系统 |
| CN104078381A (zh) * | 2013-03-26 | 2014-10-01 | 中芯国际集成电路制造(上海)有限公司 | 一种量测机台监测图规格界限设定的方法 |
| CN104078381B (zh) * | 2013-03-26 | 2018-07-20 | 中芯国际集成电路制造(上海)有限公司 | 一种量测机台监测图规格界限设定的方法 |
| CN109871978A (zh) * | 2018-12-28 | 2019-06-11 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
| CN112666311A (zh) * | 2020-12-08 | 2021-04-16 | 上海华力集成电路制造有限公司 | 缺陷扫描机台的自动监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsu et al. | Hybrid data mining approach for pattern extraction from wafer bin map to improve yield in semiconductor manufacturing | |
| US7260444B2 (en) | Real-time management systems and methods for manufacturing management and yield rate analysis integration | |
| US6711522B2 (en) | Data analysis apparatus, data analysis method, and computer products | |
| CN101246369B (zh) | 一种汽车零部件尺寸质量控制系统和方法 | |
| US8312401B2 (en) | Method for smart defect screen and sample | |
| CA2426627A1 (en) | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives | |
| US20070219741A1 (en) | Methods and apparatus for hybrid outlier detection | |
| JP2008511140A (ja) | 局所的外れ値の検出のための方法および装置 | |
| CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
| CN103943523A (zh) | 半导体生产过程中的抽样量测方法 | |
| CN1920863A (zh) | 生产管理及成品率分析整合的实时管理系统及其处理方法 | |
| TW201909010A (zh) | 設計佈局為主的快速線上缺陷診斷、分類及取樣方法及系統 | |
| CN111310275B (zh) | 一种桥梁病害大数据分析方法 | |
| CN114926051A (zh) | 一种用于评估半导体设备制造产能的分析系统 | |
| US6539272B1 (en) | Electric device inspection method and electric device inspection system | |
| Nurani et al. | Development of an optimal sampling strategy for wafer inspection | |
| CN100375258C (zh) | 一种缺陷再检测的方法 | |
| Wong | A statistical parametric and probe yield analysis methodology [IC manufacture] | |
| JP2004186374A (ja) | 製造データ解析方法及びそれをコンピュータに実行させるプログラム | |
| CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
| Chen et al. | A data mining projects for solving low-yield situations of semiconductor manufacturing | |
| Hamamura et al. | Repair yield simulation with iterative critical area analysis for different types of failure | |
| Hsu et al. | Main branch decision tree algorithm for yield enhancement with class imbalance | |
| Kundu et al. | Defect clustering and classification for semiconductor devices | |
| JP2002324206A (ja) | データ解析方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20070228 |