TWI427487B - 工件抽樣檢驗的方法及其電腦程式產品 - Google Patents

Description

工件抽樣檢驗的方法及其電腦程式產品

本發明是有關於一種工件抽樣檢驗的方法，特別是有關於一種可有效地抽檢出不良工件的方法及其電腦程式產品。

目前大部分半導體及TFT-LCD廠對於生產機台之產品或工件的品質監測方法係採取抽測的方式，其中此工件可為半導體業之晶圓或TFT-LCD業之玻璃基板。當生產機台完成若干個工件(Workpiece)的加工處理後，此些工件會被置放於一卡匣或晶圓傳送盒(Front Opening Unified Pod；FOUP中，以傳送至量測機台來檢測工件的品質。一般而言，量測機台會從整個卡匣之複數個工件(例如：25片)中固定地抽選一個工件為樣本來進行量測，例如：卡匣中之第一個工件。此種習知之抽樣檢驗的方法係假設生產機台的製程品質不會突然發生異常，因而可使用被抽測之產品或工件的量測結果來推斷同一卡匣或晶圓傳送盒內之所有產品的品質。然而，習知之抽樣檢驗的方法只能得知此實際被抽測之工件的品質，而此實際被抽測之工件並不一定是具有潛在風險的工件，故常會產生漏偵測(Miss Detection；MD)的情形。此外，若生產機台在兩次抽測之間發生異常，習知方法便無法及時發現，因而導致許多不良品的產生，並造成可觀的成本損失。

理論上，若能對同一卡匣或晶圓傳送盒內之所有工件均進行量測，則可避免前述之漏偵測的情形，更可及時發現生產機台發生異常。然而，對同一卡匣或晶圓傳送盒內之每一個工件均進行實際量測相當曠日費時，需耗費許多人力物力。況且，對具有數百道製程之晶圓或TFT-LCD廠而言，欲對每一道製程之每一個工件進行實際量測更幾乎是件不可能的任務。

因此，為避免上述問題發生，必須要提供一種工件抽樣檢驗的方法及其電腦程式產品，藉以有效地抽選出合適的工件來進行量測，俾便在生產機台發生異常時能及時發現。

因此，本發明之一態樣就是在提供一種工件抽樣檢驗的方法及其電腦程式產品，藉由判斷工件之信心指標(Reliance Index；RI)值是否小於信心指標門檻值；或工件之GSI(Global Similarity Index；整體相似度指標)值是否大於GSI門檻值(GSI_T )，來有效地抽選出合適的工件以進行量測，而避免發生漏偵測的情形，並能及時發現生產機台異常。

根據本發明之上述目的，提出一種工件抽樣檢驗的方法。在本發明之一實施例中，首先獲取生產機台之複數組歷史製程參數資料，並從量測機台取得複數個歷史量測值，其中此些歷史量測值分別為根據歷史製程參數所生產之工件的量測值。接著，使用歷史製程參數資料和歷史量測值來建立一推估模式與一參考模式，其中推估模式的建立係根據一推估演算法，參考模式的建立係根據一參考演算法，推估演算法與參考演算法不同。然後，輸入歷史製程參數至推估模式和參考模式，而計算出複數個歷史虛擬量測值和複數個歷史參考預測值。接著，分別計算歷史虛擬量測值的分配(Distribution)與歷史參考預測值的分配之間的重疊面積而產生複數個歷史信心指標值，其中當重疊面積愈大，則信心指標值愈高，代表所對應至歷史虛擬量測值的可信度愈高。然後，根據歷史虛擬量測值、歷史參考預測值和歷史量測值來計算出一信心指標門檻值(RI_T )。然後，收集生產機台所送出之卡匣內之複數個工件的製程參數資料，並輸入每一個工件的製程參數資料至推估模式和參考模式，而計算出每一個工件之虛擬量測值和參考預測值。接著，計算每一個工件之虛擬量測值的分配與參考預測值的分配之間的重疊面積而產生每一個工件之信心指標值，其中當重疊面積愈大，則信心指標值愈高，代表所對應至其虛擬量測值的可信度愈高。然後，自此些工件中選取其信心指標值小於信心指標門檻值之至少一個第一工件，並將第一工件送至量測機台以進行檢測。

依據本發明之又一實施例，在工件抽樣檢驗的方法中，首先獲取生產機台之複數組歷史製程參數資料。接著，使用此些組歷史製程參數，並根據一統計距離演算法，來建立一統計距離模式。然後，以此些組歷史製程資料及此些歷史量測值，並應用交互驗證(Cross Validation)中的留一法(Leave-One-Out；LOO)原理來重建統計距離模式，並計算出相對應的GSI值，以計算出一GSI門檻值(GSI_T )。接著，輸入每一個工件的製程參數資料至統計距離模式，而計算出每一個工件之虛擬量測值所對應之製程參數資料的GSI值。然後，自此些工件中選取其GSI值大於GSI門檻值之至少一個第二工件，並將第二工件傳送至一量測機台以進行檢測。

根據本發明之上述目的，另提出一種內儲用於工件抽樣檢驗之電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如上述之工件抽樣檢驗的方法。

因此，應用本發明，可藉由某工件之製程參數資料來評估其品質是否可能有異常，以有效地抽選出合適的工件來進行量測，而避免發生漏偵測的情形，並能及時發現生產機台異常。

請參照第1圖，其係繪示實施本發明之工件抽樣檢驗的方法的系統架構示意圖。本發明提供全自動化型虛擬量測(Automatic Virtual Metrology；AVM)系统90於生產機台20與量測機台30之間，藉以使用卡匣80內之所有工件82的製程參數資料22來輔助量測機台30抽選合適的工件來進行量測。在一實施例中，AVM系统90先通知製造執行系統(Manufacturing Execution System；MES)(未繪示)被抽選出之工件的代號，製造執行系統再根據此被抽選出之工件的代號下指令給量測機台30，以對此被抽選出之工件進行量測。此外，在一實施例中，AVM系统90係嵌入在量測機台30中。在又一實施例中，AVM系统90係嵌入在生產機台20中。當然，AVM系统90亦可獨立地執行工件抽樣檢驗方法，故本發明並不在此限。

請參照第2圖，其係繪示根據本發明之實施例之AVM系统的架構示意圖。本實施例之AVM系统90至少包括：製程參數資料前處理模組10、量測資料前處理模組12、推估模式60、信心指標模組40和相似度指標模組50。製程參數資料前處理模組10係針對來自生產機台20之原始製程參數資料進行整理及標準化，刪除異常資料並篩選出重要參數，將不重要參數排除，以避免產生干擾作用，而影響預測精度。量測資料前處理模組12係針對來自量測機台30之量測資料進行篩選，以去除其中之異常值。推估模式60可利用推估演算法來推估卡匣80中之複數個工件82的第一階段虛擬量測值(VM_I )，亦可選擇性地利用雙階段運算機制62及推估演算法來推估卡匣80中之複數個工件82的第二階段虛擬量測值(VM_II )。可能選用的推估演算法有：迴歸演算法、類神經網路演算法等各式預測演算法。信心指標模組40係用來評估虛擬量測值的可信度，而產生信心指標(RI)。相似度指標模組50係用來評估目前輸入之製程參數資料與推估模式60內用來訓練建模之所有參數資料的相似程度，而產生製程參數的相似度指標(GSI)，此相似度指標係用以輔助信心指標來判斷虛擬量測系統的信心度。

在推估模式60運作之前，須將從生產機台20所獲得的製程參數資料(歷史製程參數資料)與從量測機台30所取得的品質量測資料(歷史量測值)分別傳送至製程參數資料前處理模組10和量測資料前處理模組12，以進行資料前處理。這些經前處理及標準化後之製程參數資料與品質量測資料即為推估模式60之輸入資料。接著，採用歷史製程參數資料與相對應之歷史品質量測資料來訓練(建立)例如類神經網路(NN)推估模式。推估模式60具有雙階段運算機制62，用以分別第一階段虛擬量測值(VM_I )和第二階段虛擬量測值(VM_II )與其對應之信心指標值(RI)和整體相似度指標值(GSI)。所謂「第二階段」虛擬量測值與其伴隨的信心指標和相似度指標則係在從量測機台取得工件82之實際量測值時，將工件82的製程參數資料和實際量測值加入歷史製程參數資料及歷史量測值，來重新訓練或調校推估模式60、信心指標模組40之參考模式和相似度指標模組50統計距離模式，再重新計算出卡匣80內之每一個工件的第二階段虛擬量測值(VM_II )與其伴隨的信心指標和整體相似度指標。

以下，說明推估模式、信心指標值(參考模式)和整體相似度指標值(統計距離模式)相關的理論基礎。

推估模式與信心指標(參考模式)

如表1所示，假設目前蒐集到n組量測的資料，包含製程資料(X _i ,i =1,2,...,n )及其對應的實際量測值資料(y _i ,i =1,2,...,n )，其中每組製程資料包含有p個參數(自參數1至參數p)，即X _i =[x _i,1 ,x _i,2 ,...,x _i,p ] ^T 。此外，亦蒐集到(m -n )筆實際生產時製程資料，但除y _{n +1} 外，並無實際量測值資料，即在(m -n )筆實際生產的工件中，僅抽測例如第一筆工件進行實際量測，再以其實際量測y _{n +1} 來推斷其他(m -n -1 )筆工件的品質。

在表1中，y ₁ 、y ₂ 、...、y _n 為歷史量測值，y _{n +1} 為正在生產中之工件批貨中之第一個工件的實際量測值。通常，一組實際量測值(y _i ,i =1,2,...,n )為具有平均數μ，標準差σ的常態分配，即y _i ~N (μ,σ² )。

針對樣本組(y _i ,i =1,2,...,n )之平均數與標準差將所有實際量測值資料標準化後，可得到(亦稱為z分數(z Scores))，其中每一個z分數之平均數為0，標準差為1，即。對實際量測資料而言，若愈接近0，則表示量測資料愈接近規格中心值。其標準化之公式如下：

其中y _i 為第i 組實際量測值資料；為在第i 組資料標準化後的實際量測值資料；為所有實際量測值資料的平均數；σ _y 為所有實際量測值資料的標準差；

此處之說明係應用類神經網路(NN)演算法之推估演算法來建立進行虛擬量測的推估模式，並以例如迴歸演算法之參考預測演算法來建立的驗證此推估模式的參考模式。然而，本發明亦可使用其他演算法為推估演算法或參考預測演算法，只要參考預測演算法係不同於推估演算法即可，故本發明並不在此限。本發明之推估演算法和參考預測演算法可分別為例如：倒傳遞類神經網路(Back Propagation Neural Network；BPNN)、通用迴歸類神經網路(General Regression Neural Network；GRNN)、徑向基底類神經網路(Radial Basis Function Neural Network；RBFNN)、簡單回歸性網路(Simple Recurrent Network；SRN)、支持向量資料描述(Support Vector Data Description；SVDD)、支持向量機(Support Vector Machine；SVM)、複迴歸演算法(Multiple Regression；MR)；部分最小平方法(Partial Least Squares；PLS)、非線性替代偏最小平方法(Nonlinear Iterative Partial Least Squares；NIPALS)或廣義線性模式(Generalized linear models；GLMs)。

在應用類神經網路演算法和複迴歸演算法時，如其收斂條件均為誤差平方和(Sum of Squafe Error；SSE)最小的條件下，且n → ∞時，此兩模式各自標準化後的實際量測值定義為與，則其均應與真正標準化後的實際量測值相同。換言之，當n → ∞時，均代表標準化後的實際量測值，但為因應不同模式之目的而改變其名稱。因此，且，表示與為相同分配，但由於不同的估計模式，使得該兩種預測演算法之平均值與標準差的估計值不同。亦即NN推估模式標準化後的平均數估計式與標準差估計式將與複迴歸模式標準化後的平均數估計式與標準差估計式不同。

信心指標值係被設計來判斷虛擬量測值的可信賴度，因此信心指標值應考量到虛擬量測值之統計分配與實際量測值之統計分配兩者之間的相似程度。然而，當應用虛擬量測時，並無實際量測值可被使用來評估虛擬量測值的可信賴度(明顯地，若獲得實際量測值則便不需要虛擬量測了)。所以本發明採用由參考預測演算法(例如複迴歸演算法)所估算之統計分配來取代Z _yi 之統計分配。本發明之參考預測演算法亦可為其他相關之預測演算法，故本發明並不在此限。

請參照第3圖，其繪示說明本發明之實施例之信心指標值的示意圖。本發明之信心指標值的定義為計算推估模式(例如採用類神經網路(NN)演算法)之預測(虛擬量測值)的分配與參考模式(例如採用複迴歸演算法)之預測(參考量測值)的分配兩者之間的交集面積覆蓋值(重疊面積A)。因此，信心指標值的公式如下：

其中當則

當則

σ係設為1

信心指標值係隨著重疊面積A的增加而增加。此現象指出使用推估模式所獲得的結果係較接近於使用參考模式所獲得的結果，因而相對應之虛擬量測值較可靠。否則相對應之虛擬量測值的可靠度係隨著重疊面積A的減少而降低。當由Z _yNi 所估計之分配與由Z _yri 所估計之分配完全重疊時，依照統計學的分配理論，其信心指標值等於1；而當兩分配幾乎完全分開時，其信心指標值則趨近於0。

以下說明推估模式計算虛擬量測值(和)之分配的方法。

在推估模式中，若收斂條件為最小化誤差平方和(SSE)，則可假設「在給定下，的分配為平均數等於，變異數為的分配」，即給定下，。而的NN估計式為，的NN估計式為。

在進行NN推估模式的建模之前，需先進行製程資料標準化的步驟。

NN推估模式製程資料標準化公式如下所示：

其中x _{i , j} 為第i 組製程資料中之第j 個製程參數；為第i 組製程資料中之第j 個標準化後的製程參數；為第j 個製程參數的平均值；為第j 個製程參數的標準差；

使用此n 組標準化後的製程資料與此n 組標準化後的實際量測值來建構NN推估模式。然後，輸入m 組標準化後的製程資料至NN推估模式中，以獲得相對應之標準化後的虛擬量測值。

因此，(即)的估計值和(即)的估計值可由如下所示之公式來計算：

其中為標準化後之虛擬量測值的平均值

以下說明由複迴歸模式計算參考預測值(和)的方法。

複迴歸演算法的基本假設為「在給定下，的分配為平均數等於，變異數為的分配」，即給定下，。而的複迴歸估計式為，的複迴歸估計式。

為求得n 組標準化後的製程資料與此n 組標準化後的實際量測值間的關係，須定義利用複迴歸分析中這些p 個參數所對應的權重為(β_r0 ,β_r1 ,β_r2 ,...,β_rp )。建構與關係如下：

利用統計學上複迴歸分析中的最小平方法，可求得參數β _r 的估計式，即

然後，複迴歸模式可得到：

因此，在推估階段時，製程資料進來後，依公式(15)即可求出其所對應的複迴歸估計值。標準變異數的複迴歸估計式為具有：

當求得NN推估模式的估計式與及複迴歸模式的估計式與後，可繪出如第3圖所示之常態分配圖，計算使用推估模式(例如採用類神經網路(NN)演算法)之預測(虛擬量測值)的分配與參考模式(例如採用複迴歸演算法)之預測(參考量測值)的分配兩者之間的交集面積覆蓋值(重疊面積A)，即可求出每一個虛擬量測值的信心指標值。

在獲得信心指標值(RI)後，必須要訂定一個信心指標門檻值(RI_T )。若RI<RI_T ，則具有此RI工件的虛擬量測值的可靠程度低，亦即具有此RI之工件的品質較可能異常，故需進行實際量測。以下描述決定信心指標門檻值(RI_T )的方法：

在訂定信心指標門檻值(RI_T )之前，首先需訂定出最大可容許誤差上限(E _L )。虛擬量測值的誤差(Error )為實際量測值y _i 與由NN推估模式所獲得之的差值，再除以所有實際量測值的平均值後之絕對值的百分率，即

然後，可根據公式(18)所定義之誤差與虛擬量測之精確度規格來指定最大可容許誤差上限(E _L )。因此，信心指標門檻值(RI_T )係被定義為對應至最大可容許誤差上限(E _L )之信心指標值(RI)，如第4圖所示。即，

μ和σ係定義於公式(4)中；及

其中σ _y 係定義於公式(3)中。

整體相似度指標(GSI)

如上所述，當應用虛擬量測時，並未有實際量測值可獲得來驗證虛擬量測值的精確度。因此，以標準化後的複迴歸估計值取代標準化後的實際量測值來計算信心指標值(RI)。然而，此種取代可能會造成信心指標值(RI)的誤差，為了補償這種情形，本發明提出製程的整體相似度指標(GSI)來幫助判斷虛擬量測的可靠程度。

本發明所提出之GSI的概念是將目前採用來當虛擬量測系統之輸入的設備製程資料與建模時的所有歷史參數資料相比較，得到一輸入之製程資料與所有歷史參數資料的相似程度指標。

本發明可用各種不同的統計距離演算法來量化相似度，例如：馬氏距離演算法(Mahalanobis Distance)、歐式距離演算法(Euclidean Distance)和中心法(Centroid Method)等。馬氏距離係由P.C. Mahalanobis於西元1936年所介紹之統計距離演算法。此種技術手段係基於變數間的關聯性以辨識和分析不同樣本組的型態。馬氏距離係用以決定未知樣本組與已知樣本組間之相似度的方法，此方法考量資料組間的關聯性並具有尺度不變性(Scale Invariant)，即不與量測值的大小相關。若資料具有高相似度，則所計算出之馬氏距離將會較小。

本發明係利用所計算出之GSI(馬氏距離)的大小，來分辨新進之製程資料是否相似於建模的所有製程資料。若計算出的GSI小，則表示新進之製程資料類似於建模的製程資料，因此新進之製程資料(高相似度)的虛擬量測值將會較準確。反之，若計算出之GSI過大，則表示新進之製程資料與建模的製程資料有些不同。因而具有新進之製程資料(低相似度)之工件的品質較可能異常，故需進行實際量測。

推估模式之標準化製程參數的計算公式係如式(5)、(6)和(7)所示。首先，定義樣版參數資料 X _M =[x _M,1 ,x _M,2 , ...,x _M,p ] ^T ，其中x _M,j 等於。如此，則標準化後之建模製程資料之各參數均為0(亦即標準化後之建模參數Z _M,j 為0)。換言之， Z _M =[Z _{M , 1} ,Z _{M , 2} ,...,Z _{M , p} ] ^T 中之所有參數均為0。接下來計算各個標準化後建模參數之間的相關係數。

假設第s個參數與第t個參數之間的相關係數為r_st ，而其中有k組 資料，則

在完成計算各參數間的相關係數之後，可得到相關係數矩陣如下：

假設R 的反矩陣(R ^-1 )係被定義為A ，則

如此，第λ 筆標準化之製程參數( Z _λ )與標準化之樣版參數資料( Z _M )間的馬氏距離計算公式如下：

可得

而第λ 筆製程資料之GSI值為。

在獲得GSI值後，應用交互驗證(Cross Validation)中留一法(Leave-One-Out；LOO)原理來定義出GSI門檻值(GSI_T )。GSI門檻值(GSI_T )的公式如下：

所謂「留一法(Leave-One-Out；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GSI模型，然後應用此新建之GSI模型針對此筆模擬上線之測試樣本計算出其GSI值，此值以GSI_LOO 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GSI_LOO 。因此，公式(26)中代表透過LOO原理由全部建模樣本所計算出之所有GSI_LOO 的例如90%截尾平均數(Trimmed Mean)。公式(26)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。

以下說明本發明之工件抽樣檢驗方法。

請參照第5圖，其繪示根據本發明之實施例之工件抽樣檢驗方法的流程示意圖。在建立推估模式、參考模式和統計距離模式；及獲得信心指標門檻值(RI_T )和GSI門檻值(GSI_T )後，輸入卡匣內之每一個工件的製程參數資料至上述之推估模式、參考模式和統計距離模式，以計算每一個工件的信心指標值(RI)和GSI值(步驟100)。接著，對每一個工件，進行步驟110，以判斷其信心指標值(RI)是否小於信心指標門檻值(RI_T )；或其GSI值是否大於GSI門檻值(GSI_T )，若步驟110的判斷結果為是則進行步驟120，以決定是否對符合步驟110之條件的工件進行量測；否則結束本實施例之工件抽樣檢驗方法。若步驟120的判斷結果為是則進行步驟120，以由量測機台對此工件進行量測。在一實施例中，本發明之工件抽樣檢驗的方法係對卡匣內之所有符合步驟110之條件的工件進行量測。在另一實施例中，由於同一卡匣內之每一個工件的特性相同，因此，只需自卡匣內之符合步驟110之條件的工件中選出至少一工件來進行量測即可。若步驟120的判斷結果為否，則結束本實施例之工件抽樣檢驗方法。

可理解的是，本發明之工件抽樣檢驗的方法為以上所述之實施步驟，本發明之內儲用於工件抽樣檢驗之電腦程式產品，係用以完成如上述之工件抽樣檢驗的方法。

請參照第6A圖至第6C圖，第6A圖為繪示本發明之應用例之虛擬量測值和實際量測值的結果示意圖；第6B圖為繪示本發明之應用例之信心指標值的結果示意圖；第6C圖為繪示本發明之應用例之整體相似度指標值的結果示意圖。

如第6A圖所示，第1至100筆資料為第1至100個工件之歷史量測值，其分別對應至複數組歷史製程參數資料，用以建立推估模式、參考模式和統計距離模式；及獲得信心指標門檻值(RI_T )和GSI門檻值(GSI_T )。第101至125筆資料為卡匣內之複數個工件，其中第101個工件係被習知之方式所抽測，故具有實際量測值，用以調校建立推估模式、參考模式和統計距離模式。本發明之工件抽樣檢驗方法的目的係在於：自第102至125個工件中有效地抽選出合適的工件以進行量測，而避免發生漏偵測的情形，並能及時發現生產機台異常。

如第6B圖所示，利用信心指標值(RI)來判斷第幾個工件(以第幾筆資料組來表示)需被送至量測機台以進行檢測。接著，如第6C圖所示，利用整體相似度指標值(GSI)來判斷工件資料與建模資料的相似程度。其中，第114筆資料組，雖然其RI大於RI_T (0.567)，但其GSI大於GSI_T (5.093)，代表需將第114個工件送至量測機台以進行檢測，以預防漏偵測之情況發生。而第107筆與第120筆資料，因其RI小於RI_T 且因其GSI大於GSI_T ，故需將第107、120個工件送至量測機台以進行檢測，以預防漏偵測之情況發生。除第107筆、114筆與120筆資料外，因為其餘工件之RI大於RI_T 且其GSI小於GSI_T ，代表無須對除第107、114和120個工件外之工件進行檢測，因而節省人力物力。在另一實施例中，本發明亦可僅自第107、114和120個工件中選出至少一個工件來進行量測。

由上述本發明較佳實施例可知，本發明之工件抽樣檢驗的方法可有效地抽選出合適的工件以進行量測，而避免發生漏偵測的情形，並能及時發現生產機台異常。。

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，任何在此技術領域中具有通常知識者，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．．．製程參數資料前處理模組

12．．．量測資料前處理模組

20．．．生產機台

22．．．製程參數資料

30．．．量測機台

40．．．信心指標模組

50．．．相似度指標模組

60．．．推估模式

62．．．雙階段運算機制

80．．．卡匣

82．．．工件

90．．．AVM

100．．．計算工件的RI和GSI

110．．．RI是否小於RI_T ；或GSI是否大於GSI_T

120．．．決定是否進行量測

130．．．由量測機台進行量測

A．．．重疊面積

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：

第1圖為繪示實施本發明之工件抽樣檢驗的方法的系統架構示意圖

第2圖為繪示根據本發明之實施例之AVM系统的架構示意圖。

第3圖為繪示說明本發明之實施例之信心指標值的示意圖。

第4圖為繪示說明本發明之實施例之信心指標門檻值的示意圖。

第5圖為繪示根據本發明之實施例之工件抽樣檢驗方法的流程示意圖。

第6A圖為繪示本發明之應用例之虛擬量測值和實際量測值的結果示意圖。

第6B圖為繪示本發明之應用例之信心指標值的結果示意圖；第6C圖為繪示本發明之應用例之整體相似度指標值的結果示意圖。

100．．．計算工件的RI和GSI

110．．．RI是否小於RI_T ；或GSI是否大於GSI_T

120．．．決定是否進行量測

130．．．由量測機台進行量測

Claims (11)

1. 一種工件抽樣檢驗的方法，包含：獲取一生產機台之複數組歷史製程參數資料；從一量測機台取得複數個歷史量測值，其中該些歷史量測值分別為根據該些組歷史製程參數所生產之工件(Workpiece)的量測值；使用該些組歷史製程參數資料和該些歷史量測值來建立一推估模式，其中該推估模式的建立係根據一推估演算法；使用該些組歷史製程參數資料和該些歷史量測資料來建立一參考模式，其中該參考模式的建立係根據一參考演算法，該推估演算法與該參考演算法不同；輸入該些組歷史製程參數至該推估模式，而計算出複數個歷史虛擬量測值；輸入該些組歷史製程參數至該參考模式，而計算出複數個歷史參考預測值；分別計算該些歷史虛擬量測值的分配(Distribution)與該些歷史參考預測值的分配之間的重疊面積而產生複數個歷史信心指標值(Reliance Index；RI)，其中當重疊面積愈大，則信心指標值愈高，代表所對應至該些歷史虛擬量測值的可信度愈高；根據該些歷史虛擬量測值、該些歷史參考預測值和該些歷史量測值來計算出一信心指標門檻值；收集該生產機台所送出之一卡匣內之複數個工件的製程參數資料；輸入該些工件的製程參數資料至該推估模式，而計算出該些工件之複數個虛擬量測值；輸入該些工件的製程參數資料至該參考模式，而計算出該些工件之複數個參考預測值；分別計算該些工件之該些虛擬量測值的分配(Distribution)與該些參考預測值的分配之間的重疊面積而產生該些工件之複數個信心指標值，其中當重疊面積愈大，則信心指標值愈高，代表所對應至該些虛擬量測值的可信度愈高；自該些工件中選取其信心指標值小於該信心指標門檻值之至少一第一工件；以及將該些工件之該至少一第一工件送至該量測機台以進行檢測。
2. 如申請專利範圍第1項所述之工件抽樣檢驗的方法，其中該推估演算法和該參考演算法係分別選自由迴歸演算法和一類神經網路(Neural Network；NN)演算法所組成之一族群。
3. 如申請專利範圍第1項所述之工件抽樣檢驗的方法，其中該推估演算法和該參考演算法係分別選自由一倒傳遞類神經網路(Back Propagation Neural Network；BPNN)、一通用迴歸類神經網路(General Regression Neural Network；GRNN)、一徑向基底類神經網路(Radial Basis Function Neural Network；RBFNN)、一簡單回歸性網路(Simple Recurrent Network；SRN)、一支持向量資料描述(Support Vector Data Description；SVDD)、一支持向量機(Support Vector Machine；SVM)、一複迴歸演算法(Multiple Regression；MR)；一部分最小平方法(Partial Least Squares；PLS)、一非線性替代偏最小平方法(Nonlinear Iterative Partial Least Squares；NIPALS)和一廣義線性模式(Generalized linear models；GLMs)所組成之一族群。
4. 如申請專利範圍第1項所述之工件抽樣檢驗的方法，更包含：使用該些組歷史製程參數，並根據一統計距離演算法，來建立一統計距離模式；以該些組歷史製程資料及該些歷史量測值，並應用交互驗證(Cross Validation)中的留一法(Leave-One-Out；LOO)原理來重建該統計距離模式，並計算出相對應的GSI(Global Similarity Index；整體相似度指標)值，以計算出一GSI門檻值；輸入該些工件的製程參數資料至該統計距離模式，而計算出該些工件之該些虛擬量測值所對應之製程參數資料的GSI值；自該些工件中選取其GSI值大於該GSI門檻值之至少一第二工件；以及將該些工件之該至少一第二工件送至該量測機台以進行檢驗。
5. 如申請專利範圍第4項所述之工件抽樣檢驗的方法，其中該統計距離演算法係選自由一馬氏距離(Mahalanobis Distance)演算法、一歐式距離演算法(Euclidean Distance)和一中心法(Centroid Method)所組成之一族群。
6. 一種工件抽樣檢驗的方法，包含：獲取一生產機台之複數組歷史製程參數資料；使用該些組歷史製程參數，並根據一統計距離演算法，來建立一統計距離模式；以該些組歷史製程資料及該些歷史量測值，並應用交互驗證中的留一法原理來重建該統計距離模式，並計算出相對應的GSI值，以計算出一GSI門檻值；輸入該些工件的製程參數資料至該統計距離模式，而計算出該些工件之該些虛擬量測值所對應之製程參數資料的GSI值；自該些工件中選取其GSI值大於該GSI門檻值之至少一第一工件；以及將該些工件中之該至少一第一工件送至一量測機台以進行檢測。
7. 如申請專利範圍第6項所述之工件抽樣檢驗的方法，其中該統計距離演算法為係選自由一馬氏距離演算法、一歐式距離演算法和一中心法所組成之一族群。
8. 如申請專利範圍第6項所述之工件抽樣檢驗的方法，更包含：從該量測機台取得複數個歷史量測值，其中該些歷史量測值分別為根據該些組歷史製程參數所生產之工件的量測值；使用該些組歷史製程參數資料和該些歷史量測值來建立一推估模式，其中該推估模式的建立係根據一推估演算法；使用該些組歷史製程參數資料和該些歷史量測資料來建立一參考模式，其中該參考模式的建立係根據一參考演算法，該推估演算法與該參考演算法不同；輸入該些組歷史製程參數至該推估模式，而計算出複數個歷史虛擬量測值；輸入該些組歷史製程參數至該參考模式，而計算出複數個歷史參考預測值；分別計算該些歷史虛擬量測值的分配與該些歷史參考預測值的分配之間的重疊面積而產生複數個歷史信心指標值，其中當重疊面積愈大，則信心指標值愈高，代表所對應至該些歷史虛擬量測值的可信度愈高；根據該些歷史虛擬量測值、該些歷史參考預測值和該些歷史量測值來計算出一信心指標門檻值；收集該生產機台所送出之一卡匣內之複數個工件的製程參數資料；輸入該些工件的製程參數資料至該推估模式，而計算出該些工件之複數個虛擬量測值；輸入該些工件的製程參數資料至該參考模式，而計算出該些工件之複數個參考預測值；分別計算該些工件之該些虛擬量測值的分配與該些參考預測值的分配之間的重疊面積而產生該些工件之複數個信心指標值，其中當重疊面積愈大，則信心指標值愈高，代表所對應至該些虛擬量測值的可信度愈高；自該些工件中選取其信心指標值小於該信心指標門檻值之至少一第二工件；以及將該些工件中之該至少一第二工件送至該量測機台以進行檢驗。
9. 如申請專利範圍第8項所述之工件抽樣檢驗的方法，其中該推估演算法和該參考演算法係選自由一迴歸演算法和一類神經網路演算法所組成之一族群。
10. 如申請專利範圍第8項所述之工件抽樣檢驗的方法，其中該推估演算法和該參考演算法係選自由一倒傳遞類神經網路、一通用迴歸類神經網路、一徑向基底類神經網路、一簡單回歸性網路、一支持向量資料描述、一支持向量機、一複迴歸演算法；一部分最小平方法、一非線性替代偏最小平方法和一廣義線性模式所組成之一族群。
11. 一種內儲用於虛擬生產管制之電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如請求項1或6所述之工件抽樣檢驗的方法。