TW201824100A - 大量客製化產品的品質預測方法 - Google Patents
大量客製化產品的品質預測方法 Download PDFInfo
- Publication number
- TW201824100A TW201824100A TW105144278A TW105144278A TW201824100A TW 201824100 A TW201824100 A TW 201824100A TW 105144278 A TW105144278 A TW 105144278A TW 105144278 A TW105144278 A TW 105144278A TW 201824100 A TW201824100 A TW 201824100A
- Authority
- TW
- Taiwan
- Prior art keywords
- workpiece
- actual measured
- workpieces
- value
- production system
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004519 manufacturing process Methods 0.000 claims abstract description 99
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000007689 inspection Methods 0.000 claims description 18
- 230000026676 system process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 6
- 229910000838 Al alloy Inorganic materials 0.000 description 28
- 230000007246 mechanism Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000001312 dry etching Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0426—Programming the control sequence
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32075—Predict workpiece measurements from measurements of previous workpieces
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35346—VMMC: virtual machining measuring cell simulate machining process with modeled errors, error prediction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- General Factory Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
Abstract
本發明實施例提供一種大量客製化產品的品質預測方法。當生產系统之狀態改變時，使用生產系统之狀態改變前之工件樣本的製程參數與實際量測值資料，和生產系统之狀態改變後之少量的工件樣本的製程參數與實際量測值資料，來建立或重新訓練預測模型，以預測下一工件的量測值。
Description
本發明是有關於一種大量客製化(Mass Customization；MC)產品的品質預測方法，且特別是有關於一種具有標的量測值調整機制(Target Value Scheme；TVA)的虛擬量測(Virtual Metrology；VM)方法。
工業4.0的核心價值是將客戶的要求整合至製造中，以強化產品、系統和服務來滿足各種日益漸增之產品個人化的客製化。因此，工業4.0將傳統的製造技術由大量生產提升至大量客製化。大量客製化製造技術的要求是對客戶的規格變化能有迅速且精確的反應。以輪框加工自動化(Wheel Machining Automation；WMA)為例，當加工條件改變以製作不同輪框型式(如不同的中心孔徑等)時，具有大量客製化能力的輪框加工自動化單元必須能夠迅速且精確的改變其製程條件和量測產品精度，以達到低成本、短交期和高品質的目標。量測產品精度的時間往往曠日廢時，而且若不能及時量測到異常產品(工件)，更會影響到生產機台之製程穩定及提高產能與良率。
虛擬量測係在工件產品尚未或無法進行實際量測之情況下，利用生產機台的製程資料，預測其所生產之產品的品質。虛擬量測可應用於各種產業，例如：半導體產業、薄膜電晶體-液晶顯示器(TFT-LCD)產業、和工具機加工產業，其中工件於半導體廠稱為晶圓，於TFT-LCD廠則稱為玻璃，於工具機加工廠則稱為例如輪框、螺絲、螺帽等。應用虛擬量測時，必須擷取大量的歷史資料來對每一個生產系統或機台建立預測模型。然而，大量客製化往往是少量多樣的生產模式，每一種產品型式經常沒有大量的歷史生產資料與產品量測資料。加上，短交期的要求更不容許等待大量產品製造後再產生生產資料與產品量測資料。因此，大量客製化的生產模式不利於虛擬量測的建置。
本發明之一目的是在提供一種大量客製化產品的品質預測方法，藉以提供可適用於大量客製化生產模式的虛擬量測技術。
本發明之又一目的是在提供一種大量客製化產品的品質預測方法，藉以迅速且精確預測產品品質。
根據本發明上述目的，提出一種大量客製化產品的品質預測方法。在此方法中，首先，獲得分別對應至複數個第一工件之複數組第一製程參數，其中此些組第一製程參數係在一生產系統分別處理此些第一工件時所搜集到或所使用。並獲得分別對應至第一工件之複數個第一實際量測 值，其中此些第一實際量測值係由一量測機台分別對被生產系統處理後之第一工件進行量測而得。然後，計算一決定性樣本集合(Determinative Samples DS)中之所有工件之實際量測值的平均值，而獲得一第一平均實際量測值，其中此決定性樣本集合中之工件係在生產系統處理完第一工件後被處理，此決定性樣本集合中之工件的製程參數係在生產系統分別處理工件時所搜集到或所使用，此決定性樣本集合中之工件的實際量測值係由量測機台分別對被生產系統處理後之工件進行量測而得。接著，對第一實際量測值進行排序後，計算排序後之第一實際量測值中每相鄰之二第一實際量測值間的一差值的絕對值。然後，由第一工件中找出複數個斷點，此些斷點為當前述之差值大於或等於一斷點門檻值時前述之每相鄰之二第一實際量測值的一者所對應之工件。接著，根據此些斷點將第一工件分成複數個群組。然後，計算每一個群組中之所有工件之實際量測值的平均值，而獲得複數個第二平均實際量測值。接著，分別調整第一工件的實際量測值為複數個標的量測值，其中每一個標的量測值為其對應之第一工件的實際量測值減其所屬之群組的第二平均實際量測值後，再加上決定性樣本集合的第一平均實際量測值。然後，使用第一工件的第一製程參數和標的實際量測值，並根據一預測演算法，來建立或重新訓練一預測模型。
在一些實施例中，在計算決定性樣本集合中之所有工件之實際量測值的平均值的操作前，首先獲得一第二工件之一組第二製程參數，其中此第二工件係在上述之生產 系統處理完第一工件後被處理，此組第二製程參數係在生產系統處理此第二工件時所搜集到或所使用。接著，獲得第二工件之一第二實際量測值，其中此第二實際量測值係由上述之量測機台分別對被生產系統處理後之第二工件進行量測而獲得。然後，當生產系統的一狀態改變發生時，設定一狀態改變旗標為是。當此狀態改變旗標為是時，進行一量測品質檢查操作，以檢查第二實際量測值的品質是否優良，而獲得一第一檢查結果。當第一檢查結果為優良時，將第二工件加入至上述之決定性樣本集合。接著，檢查決定性樣本集合中的工件數目是否小於或等於一決定性樣本數量的門檻值，而獲得一第二檢查結果。當第二檢查結果為是時，計算決定性樣本集合中之所有工件之實際量測值的平均值，而獲得第一平均實際量測值。
在一些實施例中，上述之狀態改變旗標為否時，則將上述之決定性樣本集合清空。
在一些實施例中，上述之量測品質檢查操作係根據第二工件之型式所提供之一管制上限(Upper Control Limit；UCL)和一管制下限(Lower Control Limit；LCL)，來檢查上述之第二實際量測值的品質是否優良。
在一些實施例中，在上述之量測品質檢查操作中，當第二工件與其前一實際量測值品質優良的工件之實際量測值間差值的絕對值大於一量測門檻值時，第一檢查結果為否，代表上述之第二實際量測值的品質不佳。當第二工件與其前一實際量測值品質優良的工件之實際量測值間差值 的絕對值小於或等於量測門檻值時，第一檢查結果為是，代表第二實際量測值的品質優良，量測門檻值為上述之管制上限減上述之管制下限後的絕對值乘以一預設值，斷點門檻值等於量測門檻值。
在一些實施例中，上述之決定性樣本數量的門檻值為3、4或5。
在一些實施例中，上述之大量客製化產品的品質預測方法，更包含：使用上述之生產系統分別處理第一工件，並在生產系統分別處理第一工件時搜集生產系統之第一製程參數；使用上述之量測機台分別對被生產系統處理後之第一工件進行量測，而獲得第一實際量測值；在生產系統處理完第一工件後，使用生產系統處理第二工件，並在生產系統處理第二工件時搜集生產系統之組第二製程參數；以及使用量測機台分別對被生產系統處理後之第二工件進行量測，而獲得第二實際量測值。
在一些實施例中，上述之狀態改變包含上述之生產系統的機台保養、機台維修、配方調整或機台閒置一段時間。
在一些實施例中，當第二檢查結果為否時，設定上述之狀態旗標為否，並將上述之決定性樣本集合清空。
在一些實施例中，上述之建立或重新訓練預測模型的操作係使用第一工件的組第一製程參數和標的實際量測值，及上述之決定性樣本集合中之所有工件的製程參數和實際量測值。
因此，應用本發明實施例，可適用於大量客製化生產模式的虛擬量測技術，並可迅速且精確預測產品品質。
100‧‧‧虛擬量測伺服器
110‧‧‧資料擷取裝置
120‧‧‧生產系统
130‧‧‧量測機台
310‧‧‧獲得第一和第二工件之製程參數與相對應之實際量 測值(y)
320‧‧‧狀態改變旗標為是？
322‧‧‧檢查第二工件之量測品質檢查
324‧‧‧將第二工件加入至決定性樣本集合(DS)
330‧‧‧決定性樣本集合的數目<=TDS？
332‧‧‧設定狀態旗標為否
334‧‧‧將DS清空
340‧‧‧計算
350‧‧‧對第一工件之實際量測值進行排序
360‧‧‧每相鄰之二第一工件之實際量測值間的差值
370‧‧‧由第一工件中找出複數個斷點
380‧‧‧將第一工件分成複數個群組
390‧‧‧計算計算每一個群組之實際量測值的平均值
392‧‧‧分別調整第一工件的實際量測值為複數個標的量測值
394‧‧‧建立或重新訓練預測模型
為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中〔圖1〕為繪示根據本發明一些實施例之大量客製化產品的品質預測系统的架構示意圖；〔圖2〕為繪示根據本發明一些實施例之用以說明大量客製化產品的品質預測方法之工件樣本的量測值曲線；〔圖3A〕和〔圖3B〕為繪示根據本發明一些實施例之大量客製化產品的品質預測方法的流程示意圖；〔圖4〕為繪示本發明實施例之大量客製化產品的品質預測方法之一應用例的結果；以及〔圖5A〕和〔圖5B〕為繪示本發明實施例之大量客製化產品的品質預測方法之另一應用例的結果，其中〔圖5B〕為〔圖5A〕中之詳細AA的放大圖。
以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的發明概念，其可實施於各 式各樣的特定內容中。所討論之特定實施例僅供說明，並非用以限定本發明之範圍。
請參照圖1，圖1為繪示根據本發明一些實施例之大量客製化產品的品質預測系统的架構示意圖。大量客製化產品的品質預測系统包含：虛擬量測(VM)伺服器100、資料擷取裝置110、生產系统120和量測機台130。虛擬量測伺服器100係用以建立或重新訓練一預測系統，來對工件進行虛擬量測。虛擬量測伺服器100具有標的量測值調整機制(TVA)，用以調整大量客製化環境的建模樣本來建立或重新訓練預測系統。資料擷取裝置110係用以擷取生產系统120處理工件時所搜集到或所使用的製程參數，和量測機台130量測到的工件的實際量測值。資料擷取裝置110可為例如通用型嵌入式裝置，虛擬量測伺服器100可為例如全自動化型虛擬量測(Automatic Virtual Metrology；AVM)伺服器。本發明實施例亦可描述於一製造系統的語境中。本發明可建置在半導體製作和其他製造工業，工件或產品包含但不受限於微處理器、記憶體裝置、數位訊號處理器、專門應用的電路(ASICs)或其他類似裝置；或車輛輪框、螺絲或其他類似元件。生產系统120包含一或多個生產機台，其可用以形成一或多個產品或產品的一部分，在工件(例如：晶圓)上或中。生產機台可為任何數目和任何型式，包含有微影機台、沉積機台、蝕刻機台、研磨機台、退火機台、工具機和類似工具。在一些實施例中，量測機台130亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。例如：在輪框加工自動化 (WMA)生產中，生產系统120可包含兩台車床和一台鑽床。量測機台130可包含三次元測量儀(Coordinate Measuring Machine；CMM)或自動光學檢查(Automated Optical Inspection；AOI)設備。為應對大量客製化的需求生產，輪框加工自動化(WMA)需要產生許多種生產條件的調整，以在同一生產系统120中生產各種不同型式的輪框。
請參照圖2，圖2為繪示根據本發明一些實施例之用以說明大量客製化產品的品質預測方法之工件樣本的量測值曲線。如圖2所示，大量客製化生產的特色是少量多樣(型式B、型式C和型式D)，且每一種型式的工件樣本數量均相當有限，故難以對每一種型式均建置一個預測(虛擬量測)模型。特別是，當生產系统120之狀態改變(例如：工件型式改變)時，更需要建置或重新訓練預測模型。生產系统120之狀態改變的態樣包含有生產系統120的機台保養、機台維修、配方調整(生產新型式之工件)或機台閒置一段時間。因此，本發明實施例所面對的問題是：當生產系统120之狀態改變時，如何使用生產系统120之狀態改變前之工件樣本M1至Mm的製程參數與實際量測值資料，和生產系统120之狀態改變後之少量的工件樣本R1、R2、R4或R6的製程參數與實際量測值資料，來建立或重新訓練預測模型，以預測下一新型式之工件(如R7)的量測值(即虛擬量測值)。本發明實施例所面對的另一問題是：如何將工件樣本M1至Mm 依其不同型式進行分組。因此，本發明實施例提出標的量測值調整機制(TVA)來解決上述問題。
請參照圖2和圖3A和圖3B，圖3A和圖3B為繪示根據本發明一些實施例之大量客製化產品的品質預測方法的流程示意圖。首先，進行操作310，獲得分別對應至複數個第一工件(M1至Mm)之複數組第一製程參數和複數個第一實際量測值(y)，並獲得第二工件(R1、R2、R4或R6)之一組第二製程參數和第二實際量測值(y)。其中第二工件係在生產系統處理完第一工件(Mm)後被處理，此組第二製程參數係在生產系統處理第二工件時所搜集到或所使用。此些組第一製程參數係在生產系統分別處理第一工件時所搜集到或所使用，此些第一實際量測值係由一量測機台分別對被生產系統處理後之第一工件進行量測而得。
在一些實施例中，第一製程參數和第一實際量測值以及第二製程參數和第二實際量測值是先存在資料庫或記憶體中，再提供給虛擬量測(VM)伺服器之處理器建模。處理器可包含任何型式的處理器、微處理器、或可編譯並執行指令的場效型可編程邏輯陣列(Field Programmable Gate Array；FPGA)。處理器可包含單一裝置(例如單核心)或一組裝置(例如多核心)。記憶體可包含可儲存供處理器206執行之資訊和指令的隨機存取記憶體(Random Access Memory；RAM)或其它型式的動態儲存裝置。
在一些實施例中，使用生產系統分別處理第一工件，並在生產系統分別處理第一工件時搜集生產系統之第一製程參數，並使用量測機台分別對被生產系統處理後之第一工件進行量測，而獲得第一實際量測值。在生產系統處理完第一工件後，使用生產系統處理第二工件，並在生產系統處理第二工件時搜集生產系統之第二製程參數，並使用量測機台分別對被生產系統處理後之第二工件進行量測，而獲得第二實際量測值。
在操作320中，檢查一狀態改變旗標是否為是，其中當生產系統的一狀態改變發生時，設定狀態改變旗標為是。換言之，若狀態改變旗標為是，則代表生產系統有狀態改變發生。在圖2所示之實施例中，當生產系統生產另一種型式之工件，生產系統的狀態有所改變，狀態改變旗標為是。當操作320的結果為是時，可進行一量測品質檢查操作322，以檢查第二工件(例如R1)之第二實際量測值的品質是否良好，而獲得第一檢查結果。當第一檢查結果為優良時，將第二工件加入至一決定性樣本集合(Determinative Samples DS)。此決定性樣本集合中之工件(R1、R2、R4和/或R6)係在生產系統處理完第一工件(M1至Mm)後被處理。當第一檢查結果為不佳時，則不將第二工件加入至決定性樣本集合。在一些實施例中，量測品質檢查操作322係根據第二工件之型式所提供之一管制上限(Upper Control Limit；UCL)和一管制下限(Lower Control Limit；LCL)，來檢查第二實際量測值的品質是否優良。
在一些實施例中，當第二工件(例如R3和R5)與其前一實際量測值品質優良的工件(例如R2和R4)之實際量測值間差值的絕對值大於一量測門檻值(δT)時，第一檢查結果為否，代表第二實際量測值的品質不佳(例如R3和R5)；當第二工件(例如R2、R4和R6)與其前一實際量測值品質優良的工件(例如R1、R2和R4)之實際量測值間差值的絕對值小於或等於量測門檻值(δT)時，第一檢查結果為是，代表第二實際量測值的品質優良(例如R2、R4和R6)。量測門檻值(δT)為管制上限減管制下限後的絕對值乘以一預設值(α)，其定義如公式(1)。在一些實施例中，α為0.2。然而，α可依實際狀況加以調整。
δT=α * |UCL New Type -LCL New Type | (1)
然後，進行操作330，以檢查決定性樣本集合中的工件數目是否小於或等於一決定性樣本數量的門檻值(TDS)，而獲得第二檢查結果。TDS係定義為建構或重新訓練預測模型所需之新型式工件的數目，其亦決定TVA機制需疊代(Iteration)的次數。一般而言，TDS為3-5次便已足夠建構或重新訓練預測模型，故可符合大量客製化生產之少量多樣的需求。當第二檢查結果為否時，代表TVA機制已完成，即生產系統的狀態正常，應設定狀態改變旗標為否(操作332)，並將決定性樣本集合(DS)清空(操作334)。此外，當操作320的結果為否時(即狀態改變旗標為否)，亦將決定性樣本集合(DS)清空(操作334)。當操作330之第二檢查結果為是時，計算決定性樣本集合中之所有工件之實際量測 值的平均值(操作340)，而獲得第一平均實際量測值()，其定義如公式(2)。可理解的是，在一些實施例中，亦可略過前述之操作320、322和330，在操作310後直接進行操作340。
在操作340後直接進行操作350，以對第一工件(M1至Mm)之第一實際量測值進行排序。在一些實施例中，第一工件(M1至Mm)之第一實際量測值係以漸增的方式進行排序。然後，計算排序後之第一工件(M1至Mm)之第一實際量測值中每相鄰之二第一實際量測值間的一差值的絕對值(操作360)，例如：M4之型式C實際量測值*C-M3之型式B實際量測值*B 、M7之型式D實際量測值*D-M6之型式C實際量測值*C 。接著，並由第一工件(M1至Mm)中找出複數個斷點([M3、M6]或[M4、M7])(操作370)，這些斷點為當上述之差值大於或等於一斷點門檻值時之每相鄰之二第一實際量測值的一者所對應之工件。例如：斷點M3為相鄰之M3、M4之前者，斷點M6為為相鄰之M6、M7之前者。當然，這些斷點亦可為當上述之差值大於或等於一斷點門檻值時之每相鄰之二第一實際量測值的後者所對應之工件，例如：M4、M7)。值得一提的是，在一些實施例中，斷點門檻值可等於量測門檻值(δT)。當然，斷點門檻值亦可視實際狀況而有所調整。接著，根據這些斷點將第一工件(M1至Mm)分成複數個群組[M1、M2、M3]；[M4、M5、M6]；[M7、...、Mm](操作380)。
然後，進行操作390，以計算每一個群組G1[M1、M2、M3]中之所有工件之實際量測值*B的平均值；每一個群組G2[M4、M5、M6]中之所有工件之實際量測值*C的平均值；每一個群組G3[M7、...、Mm]中之所有工件之實際量測值*D的平均值，而獲得複數個第二平均實際量測值()。接著，進行操作392，以分別調整第一工件的實際量測值為複數個標的量測值()，其中每一個標的量測值()為其對應之第一工件(M1...或Mm)的實際量測值減其所屬之群組的第二平均實際量測值()後，再加上決定性樣本集合的第一平均實際量測值()，如公式(3)所示。
如圖2所示，群組G1[M1、M2、M3]中之每一個工件之實際量測值*B被調整為*A；群組G2[M4、M5、M6]中之每一個工件之實際量測值*C被調整為*A；群組G3[M7、...、Mm]中之每一個工件之實際量測值*D被調整為*A。然後，進行操作394，以使用第一工件的第一製程參數和標的實際量測值，並根據一預測演算法，來建立或重新訓練一預測模型，以預測與第二工件同型之工件的量測值。在一些實施例中，操作394係使用第一工件的第一製程參數和標的實際量測值、及決定性樣本集合中之所有工件的製程參數和實際量測值，來建立或重新訓練預測模型。本發明實施例所使用的預測演算法包含一類神經網路(Neural Network；NN)演算法、一複迴歸(Multi-Regression；MR)演算法、一部分最小平方(Partial Least Square；PLS) 演算法、一支持向量機(Support Vector Machines；SVM)演算法或其他類似演算法。
可理解的是，本發明之大量客製化產品的品質預測方法為以上所述之實施步驟，本發明之內儲用於量測抽樣之電腦程式產品，係用以完成如上述之量測抽樣的方法。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。上述實施例可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明之實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。
以下舉兩個應用例來說明本發明確實有重大功效。請參照圖4，圖4為繪示本發明實施例之大量客製化產品的品質預測方法之一應用例的結果。本應用例係用以預測被半導體乾式蝕刻機台所蝕刻之材料層的蝕刻深度(虛擬量測值)。同一個半導體蝕刻機台往往需蝕刻晶圓上不同的材料層，即如上述之不同型式的工件。由於各材料層所處理的數量有限，故此應用例符合上述之少量多樣的生產環境。圖4繪示有三種虛擬量測模型的結果，其分別：(1)無關鍵製程 參數「步驟時間」且無TVA機制的虛擬量測模型(在此稱為模型1)的結果；(2)有關鍵製程參數「步驟時間」但無TVA機制的虛擬量測模型(在此稱為模型2)的結果；(3)無關鍵製程參數「步驟時間」但有TVA機制的虛擬量測模型(在此稱為模型3)的結果。本應用例先使用117個工件的製程參數組和實際量測值來建置以上三種虛擬量測模型，再以圖4所示之85個工件分別測試三種虛擬量測模型的精度，其中在工件樣本號碼1、38、54、78前分別發生機台狀態改變。本應用例所使用的製程參數組包含25個製程參數(如控制閥角度、RF功率等)。根據專家知識，乾式蝕刻的製程時間(即「步驟時間」)是直接影響蝕刻深度的關鍵製程參數。本應用例使用平均絶對誤差百分比(Mean Absolute Percentage Error；MAPE)來評估虛擬量測模型的精度。
如圖4所示，模型1的MAPE為1.79%，且遇到機台狀態改變時，需要更多工件樣本來調控虛擬量測模型。因此，模型1的精度太低。模型2的MAPE為0.62%，且可反應遇到機台狀態改變時的變異。然而，當無法確認或獲得關鍵製程參數時，便需要使用本發明之TVA機制。模型3的MAPE為0.92%，且可及時反應遇到機台狀態改變時的變異。當然，若模型3同時具有關鍵製程參數「步驟時間」和TVA機制，則其MAPE會更小，模型3的精度將會更高。
請參照圖5A和圖5B，圖5A和圖5B為繪示本發明實施例之大量客製化產品的品質預測方法之另一應用例的結果，其中圖5B為圖5A中之詳細AA的放大圖。本應用例係用以預測被輪框加工自動化(WMA)單元所生產之三種 型式之鋁合金輪框的中心孔徑(虛擬量測值)。三種型式之鋁合金輪框為型式A之鋁合金輪框(中心孔徑的規格為83.10mm)、型式B之鋁合金輪框(中心孔徑的規格為64.05mm)、型式C之鋁合金輪框(中心孔徑的規格為64.10mm)。本應用例總共使用115個工件的製程參數組和實際量測值(其中有58個型式A之鋁合金輪框、33個型式B之鋁合金輪框和24個型式C之鋁合金輪框)。前25個型式A之鋁合金輪框的製程參數組和實際量測值係用來建置二種虛擬量測模型，分別為無TVA機制的虛擬量測模型(在此稱為模型A)和有TVA機制的虛擬量測模型(在此稱為模型B)。此些25個型式A之鋁合金輪框係在數天前被生產，然後再依序生產33個型式A之鋁合金輪框、33個型式B之鋁合金輪框和24個型式C之鋁合金輪框。圖5A和圖5B係繪示模型A和模型B分別預測33個型式A之鋁合金輪框、33個型式B之鋁合金輪框和24個型式C之鋁合金輪框的中心孔徑的結果。在工件樣本號碼1、34、67前分別發生機台狀態改變，此係因量測機台(自動光學檢查(AOI)設備)需校正以量測型式B和型式C鋁合金輪框的中心孔徑。模型B所使用之決定性樣本集合中的工件數目為3，即決定性樣本數量的門檻值為3。本應用例使用平均絕對誤差(Mean Absolute Error；MAE)來評估虛擬量測模型A和B的精度。
如圖5A和圖5B所示，模型A(無TVA機制)所預測之型式A鋁合金輪框的MAE為可接受的0.0057mm。此係因為原本的虛擬量測模型是使用型式A鋁合金輪框的樣本資料所建構。然而，當由型式A鋁合金輪框轉變為型式B鋁 合金輪框時，模型A(無TVA機制)預測型式B鋁合金輪框的結果便無法被接受。然後，當由型式B鋁合金輪框轉變為型式C鋁合金輪框時，雖然型式B鋁合金輪框轉變為型式C鋁合金輪框之中心孔徑的規格變化很小，但模型A(無TVA機制)預測之型式C鋁合金輪框的結果仍無法被接受。
相對地，如圖5A和圖5B所示之模型B(有TVA機制)的預測結果，在遇到在工件樣本號碼1前所發生的機台狀態改變後，有兩個具優良實際量測值的工件加入至決定性樣本集合(DS)。TVA機制發現工件樣本號碼3的實際量測值的品質不佳，不能加入至決定性樣本集合，故將工件樣本號碼4加入至決定性樣本集合。然後，每10個工件樣本取1個來調整虛擬量測模型。模型B(有TVA機制)所預測之型式A鋁合金輪框的MAE為可接受的0.0034mm，優於模型A(無TVA機制)。接著，輪框生產型式轉變至型式B，因而在工件樣本號碼34前遇到另一次機台狀態改變。再次將3個具優良實際量測值的工件加入至決定性樣本集合，並每10個工件樣本取1個來調整虛擬量測模型。只有樣本號碼34的虛擬量測值的精度不佳，此係因為輪框生產型式剛轉變至型式B。模型B(有TVA機制)其餘樣本的預測均相當接近實際量測值，其MAE為0.0040mm。然後，輪框生產型式轉變至型式C，因而在工件樣本號碼67前遇到又一次機台狀態改變。模型B(有TVA機制)對型式C鋁合金輪框的虛擬量測表現與對型式B鋁合金輪框一樣好。
由上述本發明實施方式可知，本發明實施例之大量客製化產品的品質預測方法可適用於大量客製化生產模式的虛擬量測技術，並迅速且精確地預測產品品質。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (10)
- 一種大量客製化產品的品質預測方法，包含：獲得分別對應至複數個第一工件之複數組第一製程參數，其中該些組第一製程參數係在一生產系統分別處理該些第一工件時所搜集到或所使用；獲得分別對應至該些第一工件之複數個第一實際量測值，其中該些第一實際量測值係由一量測機台分別對被該生產系統處理後之該些第一工件進行量測而得；計算一決定性樣本集合中之所有工件之實際量測值的平均值，而獲得一第一平均實際量測值，其中該決定性樣本集合中之工件係在該生產系統處理完該些第一工件後被處理，該決定性樣本集合中之工件的製程參數係在該生產系統分別處理工件時所搜集到或所使用，該決定性樣本集合中之工件的實際量測值係由該量測機台分別對被該生產系統處理後之工件進行量測而得；對該些第一實際量測值進行排序；計算排序後之該些第一實際量測值中每相鄰之二第一實際量測值間的一差值的絕對值；由該些第一工件中找出複數個斷點，該些斷點為當該差值大於或等於一斷點門檻值時該每相鄰之二第一實際量測值的一者所對應之工件；根據該些斷點將該些第一工件分成複數個群組；計算每一該些群組中之所有工件之實際量測值的平均值，而獲得複數個第二平均實際量測值；分別調整該些第一工件的該些實際量測值為複數個標的量測值，其中每一該些標的量測值為其對應之第一工件的實際量測值減其所屬 之群組的第二平均實際量測值後，再加上該決定性樣本集合的該第一平均實際量測值；以及使用該些第一工件的該些組第一製程參數和該些標的實際量測值，並根據一預測演算法，來建立或重新訓練一預測模型。
- 如請求項1所述之大量客製化產品的品質預測方法，更包含：獲得一第二工件之一組第二製程參數，其中該第二工件係在該生產系統處理完該些第一工件後被處理，該組第二製程參數係在該生產系統處理該第二工件時所搜集到或所使用；獲得該第二工件之一第二實際量測值，其中該第二實際量測值係由該量測機台分別對被生產系統處理後之該第二工件進行量測而獲得；當該生產系統的一狀態改變發生時，設定一狀態改變旗標為是；當該狀態改變旗標為是時，進行一量測品質檢查操作，以檢查該第二實際量測值的品質是否優良，而獲得一第一檢查結果；當該第一檢查結果為優良時，將該第二工件加入至該決定性樣本集合；檢查該決定性樣本集合中的工件數目是否小於或等於一決定性樣本數量的門檻值，而獲得一第二檢查結果；當該第二檢查結果為是時，計算該決定性樣本集合中之所有工件之實際量測值的平均值，而獲得該第一平均實際量測值。
- 如請求項2所述之大量客製化產品的品質預測方法，更包含： 當該狀態改變旗標為否時，則將該決定性樣本集合清空。
- 如請求項2所述之大量客製化產品的品質預測方法，其中該量測品質檢查操作係根據該第二工件之型式所提供之一管制上限(Upper Control Limit；UCL)和一管制下限(Lower Control Limit；LCL)，來檢查該第二實際量測值的品質是否優良。
- 如請求項4所述之大量客製化產品的品質預測方法，其中在該量測品質檢查操作中，當該第二工件與其前一實際量測值品質優良的工件之實際量測值間差值的絕對值大於一量測門檻值時，該第一檢查結果為否，代表該第二實際量測值的品質不佳；以及當該第二工件與其前一實際量測值品質優良的工件之實際量測值間差值的絕對值小於或等於該量測門檻值時，該第一檢查結果為是，代表該第二實際量測值的品質優良，該量測門檻值為該管制上限減該管制下限後的絕對值乘以一預設值，該斷點門檻值等於該量測門檻值。
- 如請求項2所述之大量客製化產品的品質預測方法，其中該決定性樣本數量的門檻值為3、4或5。
- 如請求項2所述之大量客製化產品的品質預測方法，更包含：使用該生產系統分別處理該些第一工件，並在該生產系統分別處理該些第一工件時搜集該生產系統之該些第一製程參數； 使用該量測機台分別對被生產系統處理後之該些第一工件進行量測，而獲得該些第一實際量測值；在該生產系統處理完該些第一工件後，使用該生產系統處理該第二工件，並在該生產系統處理該第二工件時搜集該生產系統之該些組第二製程參數；以及使用該量測機台分別對被該生產系統處理後之該第二工件進行量測，而獲得該些第二實際量測值。
- 如請求項2所述之大量客製化產品的品質預測方法，其中該狀態改變包含該生產系統的機台保養、機台維修、配方調整或機台閒置一段時間。
- 如請求項2所述之大量客製化產品的品質預測方法，更包含：當該第二檢查結果為否時，設定該狀態旗標為否，並將該決定性樣本集合清空。
- 如請求項1所述之大量客製化產品的品質預測方法，其中該建立或重新訓練該預測模型的操作係使用該些第一工件的該些組第一製程參數和該些標的實際量測值，及該決定性樣本集合中之所有工件的製程參數和實際量測值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105144278A TWI614699B (zh) | 2016-12-30 | 2016-12-30 | 大量客製化產品的品質預測方法 |
| US15/794,011 US10345794B2 (en) | 2016-12-30 | 2017-10-26 | Product quality prediction method for mass customization |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105144278A TWI614699B (zh) | 2016-12-30 | 2016-12-30 | 大量客製化產品的品質預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI614699B TWI614699B (zh) | 2018-02-11 |
| TW201824100A true TW201824100A (zh) | 2018-07-01 |
Family
ID=62016168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW105144278A TWI614699B (zh) | 2016-12-30 | 2016-12-30 | 大量客製化產品的品質預測方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10345794B2 (zh) |
| TW (1) | TWI614699B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI692776B (zh) * | 2018-10-29 | 2020-05-01 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
| TWI727595B (zh) * | 2018-10-29 | 2021-05-11 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
| TWI753347B (zh) * | 2018-10-29 | 2022-01-21 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472057B (zh) * | 2018-10-16 | 2023-05-23 | 浙江大学 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
| CN117592865B (zh) * | 2023-12-21 | 2024-04-05 | 中国人民解放军军事科学院系统工程研究院 | 一种装备零备件质量状态预测方法及装置 |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2723762B2 (ja) * | 1992-08-28 | 1998-03-09 | 本田技研工業株式会社 | 部品の自動品質検査装置 |
| US6249135B1 (en) * | 1997-09-19 | 2001-06-19 | Fujitsu Limited | Method and apparatus for passive optical characterization of semiconductor substrates subjected to high energy (MEV) ion implantation using high-injection surface photovoltage |
| EP1701232B1 (en) * | 2003-12-24 | 2016-03-02 | Nippon Steel & Sumitomo Metal Corporation | Manufacturing/distribution schedule creation device and method, manufacturing/distribution process control device and method, computer program, and computer-readable recording medium |
| US7200523B1 (en) | 2005-11-30 | 2007-04-03 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system for filtering statistical process data to enhance process performance |
| TWI315054B (en) * | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
| TWI349867B (en) * | 2008-05-20 | 2011-10-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
| US8295966B2 (en) * | 2009-06-30 | 2012-10-23 | Lam Research Corporation | Methods and apparatus to predict etch rate uniformity for qualification of a plasma chamber |
| US8396583B2 (en) * | 2010-03-25 | 2013-03-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system for implementing virtual metrology in semiconductor fabrication |
| TWI412906B (zh) * | 2010-04-13 | 2013-10-21 | Univ Nat Cheng Kung | 具有虛擬量測功能的製造執行系統與製造系統 |
| TWI407325B (zh) * | 2010-05-17 | 2013-09-01 | Nat Univ Tsing Hua | 製程品質預測系統及其方法 |
| TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
| WO2013077191A1 (ja) * | 2011-11-25 | 2013-05-30 | 東京エレクトロン株式会社 | 処理装置群コントローラ、生産処理システム、処理装置群制御方法、生産効率化システム、生産効率化装置および生産効率化方法 |
| US9176183B2 (en) * | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
| US9508042B2 (en) * | 2012-11-05 | 2016-11-29 | National Cheng Kung University | Method for predicting machining quality of machine tool |
| TWI549007B (zh) * | 2013-02-07 | 2016-09-11 | 先知科技股份有限公司 | 製程參數的搜尋與分析方法及其電腦程式產品 |
| US9606519B2 (en) | 2013-10-14 | 2017-03-28 | Applied Materials, Inc. | Matching process controllers for improved matching of process |
| US9748088B2 (en) | 2013-12-09 | 2017-08-29 | Globalfoundries Inc. | Method, storage medium and system for controlling the processing of lots of workpieces |
| KR20150103578A (ko) * | 2014-03-03 | 2015-09-11 | 삼성전자주식회사 | 공정 관리 시스템 및 장치 |
| TWI521360B (zh) * | 2014-03-26 | 2016-02-11 | 國立成功大學 | 量測抽樣方法與其電腦程式產品 |
| TWI641934B (zh) * | 2014-08-05 | 2018-11-21 | 聯華電子股份有限公司 | 虛擬量測系統與方法 |
| CN106021194B (zh) | 2016-05-19 | 2017-10-03 | 哈尔滨工业大学 | 一种多传感器多目标跟踪偏差估计方法 |
| TWI625615B (zh) * | 2016-11-29 | 2018-06-01 | 財團法人工業技術研究院 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
-
2016
- 2016-12-30 TW TW105144278A patent/TWI614699B/zh active
-
2017
- 2017-10-26 US US15/794,011 patent/US10345794B2/en active Active
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI692776B (zh) * | 2018-10-29 | 2020-05-01 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
| TWI727595B (zh) * | 2018-10-29 | 2021-05-11 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
| TWI753347B (zh) * | 2018-10-29 | 2022-01-21 | 財團法人工業技術研究院 | 基於神經網路的分類裝置及分類方法 |
| US11704534B2 (en) | 2018-10-29 | 2023-07-18 | Industrial Technology Research Institute | Neural-network-based classification device and classification method |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180188717A1 (en) | 2018-07-05 |
| TWI614699B (zh) | 2018-02-11 |
| US10345794B2 (en) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI614699B (zh) | 大量客製化產品的品質預測方法 | |
| JP6285494B2 (ja) | サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品 | |
| Chien et al. | Manufacturing intelligence to forecast and reduce semiconductor cycle time | |
| TWI451336B (zh) | 預測模型之建模樣本的篩選方法及其電腦程式產品 | |
| TW202037906A (zh) | 半導體設備的缺陷分類及來源分析 | |
| TWI427722B (zh) | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 | |
| TWI521360B (zh) | 量測抽樣方法與其電腦程式產品 | |
| US9002492B2 (en) | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology | |
| CN110503288B (zh) | 考虑机台交互作用的辨识良率损失原因的系统与方法 | |
| TW201432479A (zh) | 製程參數的搜尋與分析方法及其電腦程式產品 | |
| KR101129715B1 (ko) | 진행중인 계측 작업을 동적으로 제어하는 방법 및 시스템 | |
| JP2008516447A (ja) | 利用可能なメトロロジーキャパシティに基づいてメトロロジーサンプリングを動的に調整する方法およびシステム | |
| TWI621025B (zh) | 匹配記錄的方法、維護排程的方法、及設備 | |
| TW201729024A (zh) | 辨識良率損失之根本原因的系統與方法 | |
| TWI400740B (zh) | 有關未被抽樣的工件之資料表示 | |
| US7533313B1 (en) | Method and apparatus for identifying outlier data | |
| JP2011054804A (ja) | 半導体製造装置の管理方法およびシステム | |
| TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 | |
| CN108268987B (zh) | 多样式产品的品质推估方法 | |
| JP2008508635A (ja) | 例外条件をクリアする材料を優先する方法およびシステム | |
| TWI742709B (zh) | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 | |
| US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
| TWI776444B (zh) | 使用卷積神經網路的虛擬量測方法及其電腦程式產品 | |
| US7849366B1 (en) | Method and apparatus for predicting yield parameters based on fault classification | |
| CN116151407A (zh) | 制造程序的最佳良率路径的搜寻方法及其系统 |