TWI400619B - 偵測產品品質超規與評估產品實際量測值的方法 - Google Patents
偵測產品品質超規與評估產品實際量測值的方法 Download PDFInfo
- Publication number
- TWI400619B TWI400619B TW97145812A TW97145812A TWI400619B TW I400619 B TWI400619 B TW I400619B TW 97145812 A TW97145812 A TW 97145812A TW 97145812 A TW97145812 A TW 97145812A TW I400619 B TWI400619 B TW I400619B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- process data
- data
- quality
- dqi
- Prior art date
Links
Description
本發明係有關於一種偵測產品品質超規(Out Of Specification;OOS)與評估產品實際量測值的方法,特別是有關於一種可於生產過程中線上即時偵測出產品品質是否超規並評估產品之量測品質的方法。
在半導體及薄膜電晶體-液晶顯示器(TFT-LCD)製造過程中,一般須透過製程監控、故障分析與品質管理等程序,來對生產機台之每片工件(Workpiece)進行線上(On-line)品質監控,以確保由工件所製成之產品的品質,其中工件於半導體廠稱為晶圓,於TFT-LCD廠則稱為玻璃。習知技術係以統計製程管制(Statistical Process Control,SPC)的方法來評估產品之量測品質。在習知之統計製程管制的方法中,首先必須收集一段歷史量測資料,並計算出此批歷史量測資料的管制中心值(Center Line,CL),用以表示產品品質處於統計管制內之品質特性平均值,再採此批歷史量測資料的n倍(n=1~3)標準差來訂定管制上限(Upper Control Limit;UCL)與下限(Lower Control Limit;LCL),以便界定量測資料是否正常。若某一工件的量測資料落於管制界限(UCL和LCL)外,則判定此工件之量測資料的品質異常。目前的半導體與TFT-LCD廠係採用抽測工件之方式來決定生產機台
製程能力與產品品質,亦即自生產機台所處理之多個工件,抽選一個工件送到量測機台進行量測。因此,除非恰好異常的工件有被抽測到,否則亦無法用一般僅監視生產機台之製程參數值的方式來偵測出此異常的工件。
另一方面,產品的品質可能會發生許多異常情況,例如:生產工件的製程資料參數值皆在規格內(正常),但其品質(實際量測值)卻是超規。然而,習知方法無法偵測出前述之現象。
因此,需要發展一種評估產品實際量測值與偵測產品品質超規的方法,以滿足上述之需求。
本發明之一目的為提供一種偵測產品品質超規的方法,藉以透過生產過程中所收集到之正常的製程資料,來於生產線上即時偵測出產品的品質是否失效或有缺陷。
本發明之又一目的為提供一種評估產品實際量測值的方法,藉以於生產線上即時評估量測機台所量測出之工件之量測資料的品質,並同時評估生產此工件之製程資料參數值的品質。
依照本發明之實施例,在本發明之偵測產品品質超規的方法中,首先,根據複數個歷史量測值來建立一DQIX
(Process Data Quality Index;製程資料品質指標)模型,其中此DQIX
模型係根據一主成分分析法(Principal
Component Analysis;PCA)和一歐氏距離(Euclidean Distance)來建立;以歷史製程資料,並應用交互驗證(Cross Validation)中的留一法(Leave-One-Out;LOO)於DQIX
模型,來計算出一製程資料品質門檻值();以複數個歷史量測值和複數組歷史製程資料來建立一FD模型(Fault Detection;品質超規偵測)模型,其中此FD模型係應用一分類與迴歸樹(Classification and Regression Tree;CART)方法來建立,FD模型包含有複數個品質類別規則之一模型樹,每一個品質類別規則代表3項品質類別之一者,用以指出產品品質是否超規。然後,收集生產某一工件之一組製程資料。接著,使用DQIX
模型來對此組製程資料進行一評估DQIX
的步驟。在評估DQIX
的步驟中,首先計算此組製程資料之一製程資料品質指標值。接著,判斷此製程資料品質指標值是否大於製程資料品質門檻值,並獲得一第一結果。當第一結果為是時,則代表此工件的此組製程資料為異常製程資料;當第一結果為否時,則應用此組正常製程資料至FD模型,來進行一品質超規偵測機制,以於生產線上即時偵測出此工件之此組製程資料所符合之品質類別規則之一者。
依照本發明之實施例,在本發明之評估產品實際量測值的方法中,首先根據複數個歷史量測值來建立一DQIX
模型,其中DQIX
模型係根據一主成分分析法和一歐氏距離,並應用一留一法原理於DQIX
模型,來計算出一製程資料品質門檻值;以複數組歷史製程資料來建立一DQIy
(Metrology Data Quality Index)模型,其中DQIy
模型係根據一自適應共振理論2(Adaptive Resonance Theory 2;ART2)及一標準化變異(Normalized Variability;NV)來建立;以歷史量測值,並應用相似樣版(Similar Pattern)群內最大可容許的變異之觀念於DQIy
模型來計算出一量測資料品質門檻值。接著,收集生產某一工件之一組製程資料。然後,使用DQIX
模型來對此組製程資料進行一評估DQIX
的步驟。在此評估DQIX
的步驟中,首先計算此組製程資料之一製程資料品質指標值。然後,判斷此製程資料品質指標值是否大於製程資料品質門檻值,並獲得一第一結果,其中當第一結果為是時,則代表此工件的此組製程資料為異常製程資料。同時,收集此工件之一實際量測值。當第一結果為否時,轉換生產此工件之此組製程資料為一組z分數。然後,將此組z分數與此實際量測值輸入至此DQIy
模型中,以計算此實際量測值之一量測資料品質指標。接著,判斷此量測資料品質指標是否大於量測資料品質門檻值,並獲得一第二結果,其中當第二結果為是時,則代表此工件的實際量測值為異常;當第二結果為否時,則代表此工件的實際量測值為正常。
本發明主要是在於提供製程資料之品質指標(DQIX
)模型、量測資料之品質指標(DQIy
)模型和產品品質超規偵測(FD)模型,其中DQIX
模型係用以計算出製造某一工件之製
程資料的製程資料品質指標值(DQIX
值);DQIy
模型係用以計算出某一工件之實際量測值的量測資料品質指標值;FD模型係用以透過生產過程中所收集到之正常的製程資料,來於生產線上即時偵測出產品是否失效或有缺陷。本發明係根據主成分分析法(PCA)和歐氏距離(ED)來建立DQIX
模型,並利用交互驗證中的留一法原理來決定製程資料品質門檻值();根據自適應性共振理論2(Adaptive Resonance Theory 2;ART2)及標準化變異(Normalized Variability;NV)來建立DQIy
模型,並應用相似樣版群內最大可容許的變異之觀念於DQIy
模型來計算出量測資料品質門檻值();應用分類與迴歸樹(CART)方法來建構代表製程參數與產品超規間之關係的FD模型。
此外,為保持品質超規偵測機制之線上即時偵測的正確性,其所使用之推估模型(即FD模型)就必須儘可能地維持其新鮮度。而為維持FD模型的新鮮度,則必須於生產線上即時收集量測資料及與其相對應的製程資料來充當線上更新模型的樣本。這些成對的更新模型樣本不但其本身的品質必須正常,且其成對間的關係亦必須符合生產機台本身之物理特性。因此,本發明提供DQIX
模型來評估製程資料之資料品質的正確性;並提供DQIy
模型來評估與製程資料相對應之量測資料品質的正確性。
廣義地來說,本發明之「製程資料」可包括生產機台之感測器資料(Sensor Data)及機台狀態資料(Equipment State Data)。
以下說明本發明之評估產品實際量測值與偵測產品品質超規之方法的整體運作過程。至於DQIX
模型、、DQIy
模型、和FD模型的建構方式則於後說明。
請參照第1圖,其繪示根據本發明之實施例之線上即時評估產品實際量測值與偵測產品品質超規之方法的方塊示意圖。在建立完成第一個DQIX
模型、DQIy
模型和FD模型後,便可對卡匣10之複數個工件進行產品品質超規之偵測。首先,當收集到卡匣10中之某一工件(未標示)的製程資料X後,使用第一個DQIX
模型來進行評估DQIX
的步驟200,其中先計算此某一工件之製程資料X的DQIX
(步驟220),再判斷DQIX
是否大於(步驟230)。若步驟230的結果為是,則代表此某一工件的製程資料為異常製程資料XB
,便發出通知製程工程師,請其進行資料分析(步驟260);若步驟230的結果為否,則應用已確認為正常的製程資料XG
至FD模型,來進行品質超規偵測機制400,以便於生產線上即時偵測此某一工件的品質是否超規。在進行品質超規偵測機制400時,若此某一工件並非被抽測到的工件12,即無實際量測資料(值),則輸入正常的製程資料XG
至FD模型,以偵測此某一工件的品質(步驟460)。若步驟460、的結果為壞品質(超規),則發出警告提醒工程師並要求資料分析與品質量測(步驟470)。所謂「品質量測」為對此某一工件進行實際量測。如此,即使沒被抽測到的工件,亦可採用品質超規偵測機制來正確地推估此工件之品質的好壞。
若某一工件為被抽測到的工件12,即工件12會被實際
量測而有實際量測資料(值)y,則使用第一個DQIy
模型來進行評估DQIy
步驟300。在評估DQIy
步驟300中,首先轉換XG
為一組z分數(步驟250),再將此組z分數與實際量測值y輸入至DQIy
模型中,以計算實際量測值y之DQIy
(步驟320)。判斷DQIy
是否大於(步驟340)。若步驟340的結果為是,則代表此某一工件的實際量測值y為異常實際量測值yB
,便發出警告通知製程工程師並要求資料分析(步驟370);若步驟340的結果為否,則彙整正常且成對的製程與量測資料XG
/yG
給FD模型,以便執行FD模型(步驟450),和/或更新線上即時的FD模型,即執行重新訓練與修剪(Re-training and Pruning;RT&P)步驟402。
值得一提的是,本實施例之製程資料評估方法(步驟200)、與量測資料品質評估方法(步驟300)除了可充當品質超規偵測機制400之資料前處理外,亦可應用於一般生產或製造管理系統所需的預測模型50之資料前處理,其中預測模型50之選擇可隨不同的應用而定,來產生推估值y,例如:虛擬量測或良率預測等。另外,本實施例之量測資料品質評估方法(步驟300)亦可被獨立採用來偵測任何外在因素(如粉塵汙染等)所造成的量測值異常現象,亦即可被應用來偵測在生產過程中是否有任何外在因素(如粉塵汙染等)發生。
為達到有效偵測產品品質是否有超規與有效評估量測資料品質之優劣的目標,首先必須分析製程資料品質失效、量測資料品質失效以及產品品質超規等之模式,再依據以上
之失效或超規模式設計出適當的演算法,包括以DQIX
模型評估製程資料品質失效模式、以DQIy
模型評估量測資料品質失效模式、以及以FD模型偵測產品品質超規等方法。在此依序說明如下:
DQIX
模型設計之良窳在於是否能掌握製程資料的各種可能之異常特性。一般而言,具正規時態資料(Temporal Data)型態之製程資料可歸納出四種異常類別。請參照第2A圖至第2D圖,其分別繪示用以說明本發明之製程資料品質失效模式的示意圖。如第2A圖所示,單筆製程參數超過其規格(Spec.)的異常類別:此感測器之正規時態資料應呈現平穩狀態,但此筆正規時態資料的第三秒資料卻超出規格界線。如第2B圖所示,製程資料平均值(Mean)表現異常的異常類別:此感測器之正規時態資料應呈現為平穩狀態,但此筆正規時態資料之平均值分佈皆低於正常的平均範圍。如第2C圖所示,資料全距(Range)表現異常的異常類別:此感測器之正規時態資料應呈現出由高漸降變低且會慢慢趨於平穩狀態,但此正規時態資料每秒所接收的值皆相同(Range=0)。如第2D圖所示,製程資料變異性(Variance)表現異常的異常類別:此感測器之正規時態資料應呈現平穩狀態,但此筆正規時態資料卻呈現高低起伏不定之現象。此外,若製程機台僅能取得製造資料時,則有賴製程工程師提供相關的資料特性示意圖,並給予過去的失效模式報告,以便當做建構製程參數資料偵測之依據。
針對正規時態資料型態之製程資料,必須選取其適當的代表值(Indicator)以提供給建模使用。製程資料之代表值的選取程序說明如下:首先刪除正規時態資料的暫態秒數資料,暫態部份的秒數(如前5或10秒)需由專家所決定。爾後根據取得的穩態正規時態資料,利用敘述統計的數值方法,將一組正規時態資料以平均值、全距及變異數等三種統計量作為代表值。一個感測器/參數可依其物理特性,取單一或多個代表值來表示。
請參照第3A圖和第3B圖,其分別繪示用以說明本發明之量測資料品質失效模式的示意圖。如第3A圖所示,其中有6筆製程資料被歸納至相似的樣版(Pattern)內,此分群乃利用自適應性共振理論2(ART2),在ρ=0.98的條件下所得到的相似樣版。在正常的情況下,屬同一(相似樣版)群內的製程資料,其所相對的量測值亦應相似,然而如第3B圖所示,第6筆樣本的量測值(23.74)偏離此群內量測平均值(21.76),所以第6筆樣本的量測值被判定為異常。經由製程工程師重新量測後確認此筆為量測錯誤,必須予以刪除之。造成上述量測錯誤的原因為基準對位錯誤。此外,尚有其他因素(如粉塵污染等)亦會造成量測資料品質異常。這些會造成量測資料品質異常的所有現象,都將可被本發明之DQIy
模型偵測出。
請參照第4A圖和第4B圖,其分別繪示用以說明本發
明之產品品質超規失效模式的示意圖。以實際TFT-LCD之黃光製程舉例說明,如第4A圖所示,其中共有100點實際被檢測之工件的量測資料及其量測管制上限UCL=24.0、管制下限LCL=21.0。如第4A圖所示,其中共有13筆產品超規(OOS),分別為第4,5,6,7,8,9,10,11,12,14,15,24及70。經事後追查這13筆超規之工件分別所對應之24個製程參數資料(x1
~x24
),得知它們都在其各自之製程資料管制規格內,如第4B圖所示,其中僅列舉這24個製程參數資料(x1
~x24
)中之x1
、x4
、x16
、x20
製程參數。
以下說明建構首套DQIX
模型、DQIy
模型及FD模型之流程。
請參照第5圖,其繪示根據本發明之實施例之建模步驟的流程示意圖。首先,進行步驟110,以收集(歷史)實際量測值。理論上,所有的實際量測資料,必有其相對應之(歷史)製程資料。所以,在收集到一筆實際量測值後,便進行檢查量測資料與製程資料的關聯性(步驟130)。接著,進行步驟131,以檢查關聯比對是否成功。當比對成功時,就收集此相對應的製程資料(步驟132);若比對不成功,則放棄此筆量測資料,並回到步驟110重新收集量測資料。接著,判斷已收集之歷史資料量是否足夠(步驟134)。若建立模型所需之所有歷史量測與製程資料量已收集足夠(步驟134),製程工程師就可進行步驟140,以去除異常的製程與量測資料,來確保建模資料之正確性;否則,回到步驟110。在步驟140中,製程工程師逐筆檢驗所收集到的所有歷史量測與
製程資料,以建立製程資料之正規時態樣板,並選擇適當的指標,且建立量測資料的異常模式。然後,應用那些符合正規時態樣板的製程資料,並比對歷史量測資料至量測資料的異常模式,來去除異常製程與量測資料。然後,使用處理過的歷史量測與製程資料,來產生第一個DQIX
模型以及第一個DQIy
模型。當所有製程與量測資料皆為正常且筆數亦足夠後,即可進行步驟150。首先,進行步驟150,以建構第一個DQIX
模型。以下說明建構DQIX
模型的方法。
假設步驟140收集到n組歷史製程資料來建構第一個DQIX
模型,其中每一組歷史製程資料係由p個參數所組成。透過主成分分析法並應用此n組歷史製程資料來產生p個特徵向量(Eigenvectors),此p個特徵向量具有對應之大至小排序之特徵值(Eigenvalues)。然後,選擇一組k個重要的特徵值(λ 1),以建構一特徵擷取矩陣M
如下:
以下說明計算DQIX
值的方法:首先,應用公式(2)將第i個輸入之製程資料X i
轉成k個資料特徵變數 A i
=[a 1 ,a 2 ,
...,a k
]。 A i
= M.X i
(2)
接著,將k個資料特徵變數轉成標準化之一組z分數,再以歐氏距離(ED)將此組z分數轉成DQIX
值:
其中i
:第i
組製程資料;:訓練樣本之第j
個標準化變數的平均值。
理論上,為0,故公式(3)可被簡化如下:
同時,利用交互驗證(Cross Validation)中的留一法(Leave-One-Out;LOO)原理,來決定製程資料品質門檻值(),其公式如下:
所謂「LOO原理」係從全部建模樣本中,抽取一筆作為模擬上線之測試樣本,再使用其餘的樣本建立DQIX
模型,然後應用此新建之DQIX
模型針對此筆模擬上線之測試樣本計算出其DQIX
值,此值以表示。接著重覆上述步驟直到建模樣本中所有各筆樣本均計算出其相對應之。因此,公式(5)中代表透過LOO原理由全部建模樣本所計算出之所有的例如90%截尾平均數(Trimmed Mean)。公式(5)之a值係介於2至3之間,其可依實際狀況微調之,a之預設值為3。
值得注意的是特徵擷取矩陣M
和製程資料品質門檻
值()共同組成一DQIX
模型,且必要時,此DQIX
模型可被更新。
完成步驟150後,進行步驟152,以計算歷史製程資料的z分數(z Scores)。接著,進行步驟160,以建構第一個DQIy
模型。本實施例之第一個DQIy
模型係由m個相似樣版(Similar Patterns)所組成。本實施例係應用自適應性共振理論2(ART2)在ρ=0.98的條件下,從n組歷史製程資料的z分數中分類(Sorting)出相似樣版{P 1
,P 2
,...,P m
}。
以下說明計算DQIy
值的方法:首先,當收集到新進之實際量測值yj
時,以自適應性共振理論2(ART2),並應用實際量測值yj
所對應之製程資料的z分數,在相似樣版群{P 1
,P 2
,...,P m
}中搜尋出最相似之樣版:P q
=[X q
,1
,X q
,2
,...,X q
,v
]。然後,應用P q
中之v個樣本與其對應之v個實際量測值Y q
=[y q
,1
,y q
,2
,...,y q
,v
]及此新進之實際量測值yj
,來計算和DQIy
之門檻值()。
y j
之值以標準化變異(NV)來表示:
其中
其中: Y q
內之所有y q,
l
的平均值;v: P q
中的樣本個數。
某一個樣版 P q
之係被定義為 P q
的最大可容許的變異。假設y t
為最大可容許的量測值,其具有 P q
的最大可容許的變異,則y t
可被表示為:
其中R max
為最大可容許的變異:
其中,i
=1,2,
...,m
為相似樣版 P i
的範圍(Range),m
為所有相似樣版群組的總數目。
藉由加入y t
至相似樣版 P q
,可獲得為:
在獲得和後,若>,則代表新的實際量測值為異常;否則為正常。
以上所述之主成分分析法、留一法(LOO)原理、自適應性共振理論2(ART2)、z分數、歐氏距離等均為發明所屬技術領域具有通常知識者所熟知,故不再此贅述。
接著,如第5圖所示,進行步驟162,以驗證DQIy
模型的正確性。完成DQIX
與DQIy
模型建構後才能建置第一個(首套)FD模型(步驟170),換言之,FD模型的建模樣本必須先經由DQIy
模型與DQIX
模型確認量測資料與其相對應的製程資料皆正常。而FD模型之建模量測資料必須包括超規(OOS)與不超規(In Spec)的資料,才能有效建置一個完整FD模型,以符合線上即時偵測超規與不超規的需求。若
能收集足夠多的超規樣本來建構FD模型,愈能找出製程參數與量測超規的關係與規則。
以上所述之主成分分析法、留一法(LOO)原理、自適應性共振理論2(ART2)、z分數、歐氏距離等的實施方式均為發明所屬技術領域具有通常知識者所熟知,故不再此贅述。
建構FD模型的程序說明如下:首先依據產品品質設定不同品質類別(Class),以產品管制上限(UCL)及下限(LCL)將工件之實際量測值(y)分成三類:當量測值在規格內(LCLyUCL),其品質類別值為0;當量測值低於管制下限(y<LCL),其品質類別值為-1;當量測值超出管制上限(y>UCL),其品質類別值為1。本實施例係利用轉換後的品質類別與相對應的製程資料,並根據分類與迴歸樹(CART)來建置FD模型。FD模型適用於發掘出對產品品質類別影響顯著之製程資料組合規則,並透過製程參數的選擇與品質類別的指定,來對資料進行分類而使之成一個樹狀架構,進而呈現出具有層級架構之偵測模型。CART演算法係以吉尼係數(Gini Index)分支準則而成的二元(Binary)決策樹,每一個分支僅會產生兩個子節點,分支過程必須符合同質(Homogeneous)的原則,分割後的子集合(Sub Dataset)之類別樣本必須使同質性愈高愈好,如同質性愈高代表資料集屬於同一類別的樣本數愈多。
建構完成的FD模型必須能適用於線上即時偵測產品品質的優劣,且能避免產生過多的誤警(False Alarm;FA)與(或)
漏偵測(Miss Detection;MD),以使評估正確率能達90%以上。對於半導體廠與TFT-LCD廠而言,漏偵測(MD)較誤警(FA)嚴重,所以一個好的偵錯機制應儘量避免MD發生。為此,本實施例為FD模型設計一重新訓練與修剪(RT&P)機制,其係以最小化成本(Cost)樹的概念修剪原來之FD模型中較不具代表性的規則,來減少模型過度訓練(Overfitting)的情況。此RT&P機制主要是在刪除FD模型中包含資料樣本數太少的品質類別規則(葉節點;Leaf Node),以減少誤警(FA)的發生。相對地,若過度修剪則可能會造成漏偵測(MD)的增加。因此,RT&P機制會依據產品偵測錯誤的嚴重程度,設定模型樹(Model Tree)的成本,其中漏偵測(MD)的成本為2;誤警(FA)的成本為1;正確偵測(Correct Detection;CD)的成本為0。接著,運用十摺交叉驗證法(10-fold Cross Validation)來計算修剪品質類別規則之成本,將每個品質類別規則排列組合以評估產生模型樹的成本,找出產生最小成本模型樹的品質類別規則個數,其個數即為最佳修剪品質類別規則數。最後以最佳修剪品質類別規則數重建FD模型。
以上所述之分類與迴歸樹(CART)、十摺交叉驗證法、最小化成本(Cost)樹等的實施方式均為發明所屬技術領域具有通常知識者所熟知,故不再此贅述。
以下說明線上且即時進行DQIX
評估200、DQIy
評估300及品質超規偵測機制400的流程。
請參照第6圖,其繪示根據本發明之實施例之線上即
時評估製程資料品質指標值(DQIX
)的流程示意圖。於獲得首套DQIX
模型(內含M及)後,首先,進行步驟210,以擷取製程資料(Xi
)的資料特徵變數 A i
=[a 1 ,a 2 ,
...,a k
]。接著,進行步驟220,以計算製程資料(Xi
)的。然後,進行步驟230,以檢查此是否大於。若步驟230的結果為是,則代表製程資料為異常資料(),應發出通知並要求資料分析(步驟260);若步驟230的結果為否,則代表製程資料為正常資料(),應進行步驟250,以將其轉換為z分數()。此外,若需要更新,則進行步驟242,將此正常之製程資料加入至目前建模所使用之製程資料中,重新計算特徵擷取矩陣 M
;並進行步驟244,以重新計算製程資料品質門檻值(),以供下一工件進行步驟200時使用。
請參照第7圖,其繪示根據本發明之實施例之線上即時評估量測資料品質指標(DQIy
)的流程示意圖。首先,進行步驟350與310,以於相似樣版群{P 1
,P 2
,...,P m
}中搜尋出與實際量測值yj
之製程資料的z分數()最相似的樣版(P q
)。接著,進行步驟320,以計算;和進行步驟330,以計算。然後,進行步驟340,以檢查此是否大於。若步驟340的結果為是,則代表實際量測值為異常資料(),應發出警告並要求資料分析(步驟370);若步驟340的結果為否,代表實際量測值為正常資料(),則進行步驟360,以將轉為z分數()以便建模使用。此外,若需要更新,則進行步驟350,將此正常的
實際量測值()與其對應之製程資料的z分數加入至目前建模所使用之製程資料和實際量測值中,來重新搜尋相似樣版,以供下一工件進行步驟310時使用。
請參照第8圖,其繪示根據本發明之實施例之線上即時品質超規偵測機制的流程示意圖。當獲得經DQIX
評估後之一正常製程資料(XG
)時,即可進行步驟450,以執行FD模型。接著,進行步驟460,以偵測此某一工件的品質。當步驟460的結果顯示此某一工件的品質不良(壞)時,發出警告並要求資料分析與品質量測(步驟470)。當步驟460的結果顯示此某一工件工件的品質好時,則停止對此某一工件進行品質超規偵測。
當又獲得經DQIy
模型評估後之一組正常量測資料(yG
)時,則可使用此組成對的正常製程資料與量測資料(XG
,yG
),來進行重新訓練與修剪步驟402。在重新訓練與修剪步驟402中,進行步驟410,以根據一預設上限UCL和一預設下限LCL,來將yG
轉換成品質類別值:-1、0、或1,再將品質類別值與XG
加入到FD模型,而獲得一新的FD模型,其中當時,其品質類別值為0;當yG
<LCL時,其品質類別值為-1;當yG
>UCL時,其品質類別值為1。接著,進行步驟420,以運用十摺交叉驗證方式計算新的FD模型之模型樹的成本。然後,進行步驟430,將每個品質類別規則排列組合,以評估產生的模型樹成本,來找出最小成本模型樹的品質類別規則個數做為最佳修剪的規則數。接著,進行步驟440,以使用最佳之品
質類別規則個數來修剪新的FD模型。然後,進行,以使用新的FD模型來更新並執行線上即時的FD模型(步驟450)。接著,進行步驟460,以透過正常製程資料(XG
)來偵測此某一工件的品質。當步驟460的結果顯示此某一工件的品質不好(壞)時,發出警告並要求資料分析與品質量測(步驟470)。當步驟460的結果顯示此某一工件工件的品質好時,則停止對此某一工件進行品質超規偵測。
以下使用TFT-LCD廠之黃光(Photo)機台的應用例,來說明上述之評估產品實際量測值與偵測產品品質超規的方法,以驗證DQIy
模型與FD模型的可行性。
請參照第9A圖至第9D圖,其分別繪示用以說明本發明之評估產品實際量測值之應用例的示意圖。本應用例收集166筆量測資料與其相對應的製程資料,每一筆製程資料內含有24個製程參數。本應用例利用前110筆未含異常值之量測資料於建構第一個DQIy
模型;再利用剩餘的56筆量測資料進行線上即時驗證DQIy
演算法。在建構第一個DQIy
模型時,由與量測資料相對應的製程資料中分出22群相似樣版(Similar Patterns;S樣版)。第9A圖為剩餘之56筆實際量測值(y)的分佈狀況,而DQIy
偵測結果則如第9B圖所示,其中第36、43、44、54、55筆量測資料異常。以下對第36筆實際量測值分析其異常原因來舉例說明。如第9C圖所示,利用與第36筆實際量測值相對應之製程資料,
來搜尋出其所屬的相似樣版為樣版20,其相似度ρ為98%。如第9D圖所示,樣版20的量測值上限為22.74,但第36筆實際量測值為23.80,故第36筆樣本為異常必須予以刪除。因此,本發明之DQIy
模型的執行結果正確。
本應用例之資料來源為收集近半年共315筆產品實際量測值(y)及與其相對應的製程參數資料。在本應用例中,首先利用前119筆資料建構首套FD模型,其中包含8筆超出預設上限之實際量測值(y>UCL)。將這些超規資料轉換成品質類別值為1(超規類別);有23筆低於預設上限之實際量測值(y<LCL),其超規資料類型轉換成品質類別值為-1(超規類別);以及將在管制界限內的88筆實際量測值轉換為品質類別值為0(正常類別)。而剩餘的196筆資料則做為驗證線上即時偵測產品品質超規之用。在這196筆驗證資料中,實際量測值屬於品質類別值為-1有5筆、品質類別值為1有12筆。以上實際量測值皆經過DQIy
模型確認為品質正常資料,且與其對應的製程資料亦經過DQIX
模型確認無誤。
為了驗證與分析偵測產品品質超規機制的偵測能力,本應用例包括二種模式:直接執行模式和重新訓練模式,藉以比較偵測的正確性,而此二種模式各別有二種案例:有修剪模型樹和無修剪模型樹。此二種模式的差別在於:重新訓練模式會將線上即時收集到的新進量測資料納入
FD模型重新建模,而直接執行模式則不會。如表一所示,情況1和情況2為直接執行模式;而情況3和情況4為重新訓練模式。情況1和3為利用無修剪模型之建模機制;而情況2和4為應用重新訓練與修剪(RT&P)機制來建構首套FD模型並執行重新建模。
表一為四組情況之執行結果,其正確率皆在88%以上。分析比較可知,採用情況1方式的正確率最低,主要原因為誤警(FA)過多且有1筆漏偵測(MD)。
請參照第10圖和表二,第10圖為繪示本發明之偵測產品品質超規之應用例(情況1和3)的首套FD模型;表二係列舉情況1和3之首套FD模型所產生之一預設數目的品質類別規則(例如:8種),其中FD模型包含3項品質類別(品質類別值為-1、0、1)、及與相對應的製程資料(X)之關係。本發明之品質類別規則的預設數目係依實際需要而決定。本發明之FD模型係由吉尼係數分支準則而成的二元決策樹,其中某一資料組之吉尼係數或亂度增益愈小,代表此資料組的區辨能力愈好。本應用例收集166筆製程資料,每一筆製程資料內含有24個製程參數,即有24組
製程參數組,每一組製程參數組有166筆資料記錄。如第10圖所示,首先在24組製程參數組中,搜尋出第22組製程參數組X22
的區辨能力最好(即吉尼係數最小),其區辨切割值為21.3。接著,分別在各階層之製程參數組找出區辨能力最好的製程參數組,直到找出8種品質類別規則為止,分別為X9
和X1
;X24
、X5
和X5
;X4
。因此,本應用例(情況1和3)之第一個FD模型能夠偵測出品質在規格內及超出上下限(超規)等三種類別情況。
請參照第11A圖至第11C圖,其繪示本發明之偵測產品品質超規之應用例(情況1)中3個正確偵測的例子(測試樣本12、30和60)。然而,情況1會發生21個誤警(FA)和1個漏偵測(MD)。請參照第12A圖至第12C圖,其繪示本發明之偵測產品品質超規之應用例(情況1)中3個錯誤偵測的例子(測試樣本46、25和130),其中第46筆資料產生漏偵測(MD)的原因為如第12A圖所示之虛線圓圈裡的規
則誤判所造成;第25筆及第130筆之誤警(FA)的原因為如第12B圖和第12C圖所示之之虛線圓圈裡的規則誤判所引起。
如上所述,情況1所建構的第一個FD模型有必要進行修剪,以避免模型被過度訓練(Overfitting)。由第12A圖、第12B圖和第12C圖可知,需修剪的部份為如第10圖中的虛線圓圈部分。情況2除採用與情況1相同之直接執行模式來驗證資料外,亦可採用如第8圖所示之RT&P機制來修剪如情況1所建構的初始FD模型。請參照第13圖,其繪示本發明之利用十摺交叉驗證法所產生FD模型的成本曲線。如第13圖所示,最低的成本落於4個或6個葉節點(品質類別規則)。一般而言,決策樹期望以選擇最小成本為原則,所以本應用例之修剪樹的方法採取最小描述長度(Minimum Description Length;MDL)原則,選擇最簡單的解做為最期望的解。因此,修剪後之情況2的首套FD模型僅包含了4個品質類別規則,如第14圖與表三所示,其中第14圖為繪示本發明之應用例之修剪後之情況2和4之首套FD模型。
綜上所述,由表一可知,重新訓練模式比直接執行模式
產生較少的誤警(如情況1對情況3;情況2對情況4)。此外,修剪機制能夠精進偵測的正確性(如情況1對情況2;情況3對情況4)。因此,採用情況4之品質超規偵測機制的正確率最高(99.5%)。
由上述本發明之實施例可知,本發明之品質超規偵測機制可在生產機台完成一製程後,便能迅速地得知此產品(工件)的品質好壞。另外,製程資料或量測資料進入本發明之品質超規偵測機制前,本發明之DQIX
與DQIy
機制可確認製程資料與(或)量測資料品質之優劣,以避免干擾FD模型之正確性。DQIX
與DQIy
機制亦可應用於一般預測模型的資料前處理,以確保資料品質之優劣。
雖然本發明已以較佳實施例揭露如上,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。
10‧‧‧卡匣
12‧‧‧工件
50‧‧‧預測模型
110‧‧‧收集量測資料
130‧‧‧檢查量測資料與製程資料的關聯性
131‧‧‧檢查關聯比對是否成功
132‧‧‧儲存有關聯的資料
134‧‧‧資料量是否足夠建模
140‧‧‧去除異常的製程與量測資料
150‧‧‧產生第一個DQIX
模型
152‧‧‧獲得z分數
160‧‧‧建構第一個DQIy
模型
162‧‧‧驗證DQIy
模型
170‧‧‧產生第一個FD模型
200‧‧‧評估DQIX
210‧‧‧擷取資料特徵變數
220‧‧‧計算
230‧‧‧>?
242‧‧‧重新計算特徵擷取矩陣M
244‧‧‧重新計算
250‧‧‧轉換為z分數
260‧‧‧發出通知並要求資料分析
300‧‧‧評估DQIy
310‧‧‧搜尋出最相似樣版Pq
320‧‧‧計算
330‧‧‧計算
340‧‧‧>?
350‧‧‧於{P1
,P2
,...,Pm
}中搜尋相似樣版
360‧‧‧轉換為z分數
370‧‧‧去除異常資料並發出警告
400‧‧‧品質超規偵測機制
402‧‧‧重新訓練與修剪
410‧‧‧將正常的製程資料與量測資料(XG
,yG
)加入至FD模型而獲得新的模型
420‧‧‧運用十摺交叉驗證方式計算新的FD模型之模型樹的成本
430‧‧‧找出最小成本之模型樹的品質類別規則個數
440‧‧‧以最佳之品質類別規則個數修剪新的FD模型
450‧‧‧執行FD模型
460‧‧‧偵測工件之品質
470‧‧‧發出警告並要求資料分析與品質量測
X‧‧‧製程資料
XB
‧‧‧壞的製程資料
XG
‧‧‧好的製程資料
y‧‧‧實際量測資料
yB
‧‧‧壞的實際量測資料
yG
‧‧‧好的實際量測資料
‧‧‧推估值
為了更完整了解本發明及其優點,請參照上述敘述並配合下列之圖式,其中:第1圖為繪示根據本發明之實施例之線上即時評估產品實際量測值與偵測產品品質超規之方法的方塊示意圖。
第2A圖至第2D圖為分別繪示用以說明本發明之製程資料品質失效模式的示意圖。
第3A圖和第3B圖為分別繪示用以說明本發明之量測資料品質失效模式的示意圖。
第4A圖和第4B圖為分別繪示用以說明本發明之產品品質超規失效模式的示意圖。
第5圖為繪示根據本發明之實施例之建模步驟的流程示意圖。
第6圖為繪示根據本發明之實施例之線上即時評估製程資料品質指標值(DQIX
)的流程示意圖。
第7圖為繪示根據本發明之實施例之線上即時評估量測資料品質指標(DQIy
)的流程示意圖。
第8圖為繪示根據本發明之實施例之線上即時品質超規偵測機制的流程示意圖。
第9A圖至第9D圖為分別繪示用以說明本發明之評估產品實際量測值之應用例的示意圖。
第10圖為繪示本發明之偵測產品品質超規之應用例(情況1和3)的首套FD模型。
第11A圖至第11C圖為繪示本發明之偵測產品品質超規之應用例(情況1)中3個正確偵測的例子(測試樣本12、30和60)。
第12A圖至第12C圖為繪示本發明之偵測產品品質超規之應用例(情況1)中3個錯誤偵測的例子(測試樣本46、25和130)。
第13圖為繪示本發明之利用十摺交叉驗證法所產生FD模型的成本曲線。
第14圖為繪示本發明之應用例之修剪後之情況2和4之首套FD模型。
10‧‧‧卡匣
12‧‧‧工件
50‧‧‧預測模型
200‧‧‧評估DQIX
210‧‧‧擷取資料特徵變數
220‧‧‧計算
230‧‧‧>?
250‧‧‧轉換為z分數
260‧‧‧發出通知並要求資料分析
300‧‧‧評估DQIy
320‧‧‧計算
340‧‧‧>?
370‧‧‧去除異常資料並發出警告
400‧‧‧品質超規偵測機制
402‧‧‧重新訓練與修剪
450‧‧‧執行FD模型
460‧‧‧偵測工件之品質
470‧‧‧發出警告並要求資料分析與品質量測
X‧‧‧製程資料
XB
‧‧‧壞的製程資料
XG
‧‧‧好的製程資料
y‧‧‧實際量測資料
yB
‧‧‧壞的實際量測資料
yG
‧‧‧好的實際量測資料
‧‧‧推估值
Claims (17)
- 一種偵測產品品質超規的方法,包含:根據複數個歷史量測值來建立一DQIX (Process Data Quality Index;製程資料品質指標)模型,其中該DQIX 模型係根據一主成分分析法(Principal Component Analysis;PCA)和一歐氏距離(Euclidean Distance)來建立;以複數組歷史製程資料,並應用交互驗證(Cross Validation)中之一留一法(Leave-One-Out;LOO)於該DQIX 模型,來計算出一製程資料品質門檻值();以該些歷史量測值和該些組歷史製程資料來建立一FD(Fault Detection;品質超規偵測)模型,其中該FD模型係應用一分類與迴歸樹(Classification And Regression Tree;CART)方法來建立,該FD模型包含有複數個品質類別規則之一模型樹,每一該些品質類別規則代表3項品質類別之一者,用以指出產品品質是否超規;收集生產一工件之一組製程資料;使用該DQIX 模型來對該組製程資料進行一評估DQIX 的步驟,其中該評估DQIX 的步驟包含:計算該組製程資料之一製程資料品質指標值;判斷該製程資料品質指標值是否大於該製程資料品質門檻值,並獲得一第一結果,其中當該第一結果為是時,則代表該工件的該組製程資料為異常製程資料;以及當該第一結果為否時,則應用該組製程資料至該 FD模型,來進行一品質超規偵測機制,以於生產線上即時偵測出該工件之該組製程資料所符合之該些品質類別規則之一者。
- 如申請專利範圍第1項所述之偵測產品品質超規的方法,更包含:以該些組歷史製程資料來建立一DQIy (Metrology Data Quality Index;量測資料品質指標)模型,其中該DQIy 模型係根據一自適應性共振理論2(Adaptive Resonance Theory 2;ART2)及一標準化變異(Normalized Variability)來建立;以該些歷史量測值,並應用相似樣版群內最大可容許的變異之觀念於該DQIy 模型來計算出一量測資料品質門檻值();收集該工件之一實際量測值及與該實際量測值相對應的該組製程資料;當該第一結果為否時,轉換生產該工件之該組製程資料為一組z分數;將該組z分數與該實際量測值輸入至該DQIy 模型中,以計算該實際量測值之一量測資料品質指標;以及判斷該量測資料品質指標是否大於該量測資料品質門檻值,並獲得一第二結果,其中當該第二結果為是時,則代表該工件的該實際量測值為異常製程資料。
- 如申請專利範圍第2項所述之偵測產品品質超規的方法,其中該以該些歷史製程資料來建立該DQIy 模型的步驟包含:從該些組歷史製程資料中分類(Sorting)出複數個相似樣版。
- 如申請專利範圍第3項所述之偵測產品品質超規的方法,更包含:於該些相似樣版群中搜尋出與該實際量測值之製程資料的該組z分數之一最相似樣版;以及應用該最相似樣版及該實際量測值,來計算該實際量測值之該量測資料品質指標,並重新計算該量測資料品質門檻值。
- 如申請專利範圍第4項所述之偵測產品品質超規的方法,更包含:當該第二結果為否時,將該實際量測值和與其對應之該組製程資料的該組z分數加入至該些組歷史製程資料中,來重新建立該DQIy 模型。
- 如申請專利範圍第1項所述之偵測產品品質超規的方法,其中該品質超規偵測機制包含:當該第二結果為否時,則使用已確認為正常的該實際量測值和與其對應之該組製程資料來執行一重新訓練與修 剪(Re-training and Pruning;RT&P)步驟,以更新該FD模型。
- 如申請專利範圍第6項所述之偵測產品品質超規的方法,其中該重新訓練與修剪步驟包含:根據一預設上限和一預設下限,來將該實際量測值轉換成該些品質類別之一者,而獲得一品質類別值;將該品質類別值與該組製程資料加入到該FD模型重新建模,而獲得一新的FD模型;以運用一十摺交叉驗(10-fold Cross Validation)方式計算該新的FD模型之模型樹的成本;將該新的FD模型之模型樹之所有品質類別規則排列組合,以評估產生該新的FD模型之模型樹的成本,來找出最小成本模型樹的品質類別規則個數做為最佳修剪的規則數;使用最佳之品質類別規則個數來修剪該FD模型;以及使用該新的FD模型來更新該FD模型。
- 如申請專利範圍第1項所述之偵測產品品質超規的方法,其中該根據該些歷史量測值來建立該DQIX 模型的步驟包含:透過該主成分分析法並應用該些組歷史製程資料來產生p個特徵向量(Eigenvectors),其中每一該些組歷史製程資料係由p個參數所組成,該些特徵向量具有對應之p個 特徵值(Eigenvalues);自該些特徵值選擇出k個重要特徵值,以建構一特徵擷取矩陣;使用該特徵擷取矩陣將每一該些組歷史製程資料轉成k個資料特徵變數;將該些資料特徵變數轉成標準化之z分數;以及以該歐氏距離法將每一組歷史製程資料之z分數轉成DQIX 值。
- 如申請專利範圍第8項所述之偵測產品品質超規的方法,其中該評估DQIX 的步驟包含:擷取該組製程資料的資料特徵變數;以及計算該組製程資料的該製程資料品質指標。
- 如申請專利範圍第8項所述之偵測產品品質超規的方法,其中該評估DQIX 的步驟更包含:當該第一結果為否時,則將該組製程資料加入至該些組歷史製程資料中,以重新計算該特徵擷取矩陣,並重新計算該製程資料品質門檻值。
- 一種評估產品實際量測值的方法,包含:根據複數個歷史量測值來建立一DQIX 模型,其中該DQIX 模型係根據一主成分分析法和一歐氏距離,並應用一留一法原理於該DQIX 模型,來計算出一製程資料品質門 檻值;以複數組歷史製程資料來建立一DQIy 模型,其中該DQIy 模型係根據一自適應性共振理論2及一標準化變異來建立;以該些歷史量測值,並應用相似樣版群內最大可容許的變異之觀念於該DQIy 模型來計算出一量測資料品質門檻值;收集生產一工件之一組製程資料;使用該DQIX 模型來對該組製程資料進行一評估DQIX 的步驟,其中該評估DQIX 的步驟包含:計算該組製程資料之一製程資料品質指標值;以及判斷該製程資料品質指標值是否大於該製程資料品質門檻值,並獲得一第一結果,其中當該第一結果為是時,則代表該工件的該組製程資料為異常製程資料;收集該工件之一實際量測值;當與該實際量測值相對應的該組製程資料之該第一結果為否時,轉換生產該工件之該組製程資料為一組z分數;將該組z分數與該實際量測值輸入至該DQIy 模型中,以計算該實際量測值之一量測資料品質指標;以及判斷該量測資料品質指標是否大於該量測資料品質門檻值,並獲得一第二結果,其中當該第二結果為是時,則代表該工件的該實際量測值為異常量測資料;當該第二結果為否時,則代表該工件的該實際量測值為正常量測資料。
- 如申請專利範圍第11項所述之評估產品實際量測值的方法,其中該以該些歷史製程資料來建立該DQIy 模型的步驟包含:從該些組歷史製程資料中分類出複數個相似樣版。
- 如申請專利範圍第12項所述之評估產品實際量測值的方法,更包含:於該些相似樣版群中搜尋出與該實際量測值相對應之製程資料的該組z分數之一最相似樣版;以及應用該最相似樣版及該實際量測值,來計算該實際量測值之該量測資料品質指標,並重新計算該量測資料品質門檻值。
- 如申請專利範圍第13項所述之評估產品實際量測值的方法,更包含:當該第二結果為否時,將該實際量測值和與其對應之該組製程資料的該組z分數加入至該些組歷史製程資料中,來重新搜尋複數個新相似樣版。
- 如申請專利範圍第11項所述之偵測產品品質超規的方法,其中該根據該些歷史量測值來建立該DQIX 模型的步驟包含:透過該主成分分析法並應用該些組歷史製程資料來產 生p個特徵向量,其中每一該些組歷史製程資料係由p個參數所組成,該些特徵向量具有對應之p個特徵值;自該些特徵值選擇出k個重要特徵值,以建構一特徵擷取矩陣;使用該特徵擷取矩陣將每一該些組歷史製程資料轉成k個資料特徵變數;將該些資料特徵變數轉成標準化之z分數;以及以該歐氏距離法將每一組歷史製程資料之z分數轉成DQIX 值。
- 如申請專利範圍第15項所述之偵測產品品質超規的方法,其中該評估DQIX 的步驟包含:擷取該組製程資料的資料特徵變數;以及計算該組製程資料的該製程資料品質指標。
- 如申請專利範圍第15項所述之偵測產品品質超規的方法,其中該評估DQIX 的步驟更包含:當該第一結果為否時,則將該組製程資料加入至該些組歷史製程資料中,以重新計算該特徵擷取矩陣,並重新計算該製程資料品質門檻值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW97145812A TWI400619B (zh) | 2008-11-26 | 2008-11-26 | 偵測產品品質超規與評估產品實際量測值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW97145812A TWI400619B (zh) | 2008-11-26 | 2008-11-26 | 偵測產品品質超規與評估產品實際量測值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201020806A TW201020806A (en) | 2010-06-01 |
TWI400619B true TWI400619B (zh) | 2013-07-01 |
Family
ID=44832378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW97145812A TWI400619B (zh) | 2008-11-26 | 2008-11-26 | 偵測產品品質超規與評估產品實際量測值的方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI400619B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI639908B (zh) * | 2017-09-08 | 2018-11-01 | 中國鋼鐵股份有限公司 | 製程偵錯與診斷方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI594835B (zh) * | 2015-11-06 | 2017-08-11 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
JP2018005714A (ja) * | 2016-07-06 | 2018-01-11 | 三菱電機ビルテクノサービス株式会社 | 異常データの重要度判定装置及び異常データの重要度判定方法 |
TWI660322B (zh) | 2018-05-17 | 2019-05-21 | 國立成功大學 | 考慮機台交互作用之辨識良率損失原因的系統與方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1683881A1 (en) * | 2005-01-25 | 2006-07-26 | Brunswick Corporation | Aluminum-silicon alloy with reduced soldering to die-casting die |
EP1902116A1 (en) * | 2005-07-08 | 2008-03-26 | ENI S.p.A. | Process for improving the quality as a fuel of hydrotreated hydrocarbon blends |
-
2008
- 2008-11-26 TW TW97145812A patent/TWI400619B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1683881A1 (en) * | 2005-01-25 | 2006-07-26 | Brunswick Corporation | Aluminum-silicon alloy with reduced soldering to die-casting die |
EP1902116A1 (en) * | 2005-07-08 | 2008-03-26 | ENI S.p.A. | Process for improving the quality as a fuel of hydrotreated hydrocarbon blends |
Non-Patent Citations (3)
Title |
---|
C. J. Spanos et al., "Real-Time Statistical Process Control Using Tool Data," IEEE Transactions on Semiconductor Manufacturing, vol. 5, no. 4, pp. 308-318, Nov. 1992. * |
P.-H. Chen et al., "Virtual Metrology: a Solution for Wafer to Wafer Advanced Process Control,"2005 IEEE International Symposium on Semiconductor Manufacturing, San Jose, CA ,USA, pp.155-157, Sept. 2005. * |
Y.C. Su et al., "A Processing Quality Prognostics Scheme for Plasma Sputtering in TFT-LCD Manufacturing," IEEE Transactions on Semiconductor Manufacturing, vol. 19, no. 2, pp. 183-194, May 2006. * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI639908B (zh) * | 2017-09-08 | 2018-11-01 | 中國鋼鐵股份有限公司 | 製程偵錯與診斷方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201020806A (en) | 2010-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101738991B (zh) | 检测产品品质超规与评估产品实际测量值的方法 | |
Hsu et al. | Hybrid data mining approach for pattern extraction from wafer bin map to improve yield in semiconductor manufacturing | |
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
TWI521360B (zh) | 量測抽樣方法與其電腦程式產品 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
US7248939B1 (en) | Method and apparatus for multivariate fault detection and classification | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
Nkonyana et al. | Performance evaluation of data mining techniques in steel manufacturing industry | |
CN108133090B (zh) | 一种可靠性敏感度驱动的高端复杂装备可靠性分析方法 | |
CN116450399B (zh) | 微服务系统故障诊断及根因定位方法 | |
KR102079359B1 (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
TWI400619B (zh) | 偵測產品品質超規與評估產品實際量測值的方法 | |
JP2023535721A (ja) | プロセストレースからの装置故障モードの予測 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
US6618632B1 (en) | Process for monitoring processing plants | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
Fan et al. | Fault diagnosis of wafer acceptance test and chip probing between front-end-of-line and back-end-of-line processes | |
CN115096627A (zh) | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
KR102494420B1 (ko) | 머신러닝 기반 클린룸 관리 시스템 및 방법 | |
TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 | |
Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning |