TWI584134B - 製程異因分析方法與製程異因分析系統 - Google Patents

製程異因分析方法與製程異因分析系統 Download PDF

Info

Publication number
TWI584134B
TWI584134B TW104136155A TW104136155A TWI584134B TW I584134 B TWI584134 B TW I584134B TW 104136155 A TW104136155 A TW 104136155A TW 104136155 A TW104136155 A TW 104136155A TW I584134 B TWI584134 B TW I584134B
Authority
TW
Taiwan
Prior art keywords
classifier
products
parameter
product
parameters
Prior art date
Application number
TW104136155A
Other languages
English (en)
Other versions
TW201717057A (zh
Inventor
鄭光宏
夏啟峻
江宜霖
Original Assignee
財團法人工業技術研究院
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW104136155A priority Critical patent/TWI584134B/zh
Priority to CN201510929636.9A priority patent/CN106649907A/zh
Priority to US14/979,537 priority patent/US20170123411A1/en
Publication of TW201717057A publication Critical patent/TW201717057A/zh
Application granted granted Critical
Publication of TWI584134B publication Critical patent/TWI584134B/zh

Links

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], 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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G05B2219/32194—Quality prediction
    • 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
    • G05B2219/32368—Quality control
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33034—Online learning, training
    • 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
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40335—By probability distribution functions pdf
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]

Description

製程異因分析方法與製程異因分析系統
本揭露是有關於一種製程異因分析方法與製程異因分析系統。
製造業將原物料加工為產品的過程稱為製造流程(或簡稱製程)。隨著科技日新月異，可被製造的產品越來越多樣化、精細化，而相對地製程也愈發複雜，可調控的製程參數也越來越多。在製造現場環境中，亦存在著許多會使製程條件產生變異因素，例如每日的氣溫、溼度等環境因子都有所不同。因此機械設備經過長時間的運作，其物理化學特性產生的偏移、原物料的來源、成分、操作人員的熟練度、經驗等變動的因素提高了維持製程條件穩定的難度。而當製程條件不穩定、產生變異時，往往會造成產品的缺陷產生。
長久以來，製造現場的工程人員面對產品缺陷，皆希望盡快找出缺陷的成因，以調整製程，恢復正常生產。製造現場的缺陷成因分析在傳統上通常是靠人工分析各種機械設備運轉時留下的紀錄，例如各種製程的控制參數、量測參數，或各種人為操作留下的紀錄，例如作業紀錄、操作紀錄等，來找出造成缺陷的重要製程參數。這種方式高度仰賴資深人員經驗，且面對日益複雜的製程條件時，即使是資深人員，亦須花費許久的時間才能找出成因所在，而在此同時，便可能產出更多的不良品。
因此，有許多製程異因分析技術被發展出來，可對製造過程中留下的大量資料進行自動的分析，以期快速鎖定造成缺陷的重要製程參數，協助工程人員快速排除異常，回復正常的生產，減少缺陷造成的損失。
目前的製程異因分析技術，有些受限於可分析的資料類型，有些則無法分析各成因參數的貢獻程度，更重要的是，在導入製造現場時，常因製造現場礙於人力、物力、成本考量而無法提供完整的製程參數資訊，導致分析產生偏誤，仍有改善空間。
本揭露提供一種製程異因分析方法及製程異因分析系統，其可將非數值型資料進行數值編碼，並利用分類器選出造成產品缺陷的關鍵製程參數。
本揭露的一範例實施例提出一種製程異因分析方法，包 括獲得多個產品的製程資料，製程資料包括對應上述產品的多個製程參數及產品品質參數。上述方法更包括使用非機率類型分類器及機率類型分類器的至少其中之一對製程資料作運算，以獲得每一製程參數的貢獻度。上述方法更包括判斷分類器正確率是否大於門檻值。上述方法更包括若分類器正確率大於門檻值時，對製程參數進行一刪除操作以刪除具有最低的貢獻度的製程參數，並再次使用非機率類型分類器及機率類型分類器的至少其中之一對製程資料運算，以獲得每一製程參數的該獻度；以及若分類器正確率不大於門檻值時，將製程參數設定為關鍵製程參數。
本揭露的一範例實施例提出一種製程異因分析系統，包括收集模組、評估模組、判斷模組及比較模組。收集模組用以獲得多個產品的製程資料，製程資料包括對應上述產品的多個製程參數及產品品質參數。評估模組用以使用非機率類型分類器及機率類型分類器的至少其中之一對製程資料作運算，以獲得每一製程參數的貢獻度。判斷模組用以判斷分類器正確率是否大於門檻值。若分類器正確率大於門檻值時，比較模組對製程參數進行一刪除操作以刪除具有最低的貢獻度的製程參數，並再次使用非機率類型分類器及機率類型分類器的至少其中之一對製程資料運算，以獲得每一製程參數的貢獻度，其中若分類器正確率不大於門檻值時，比較模組將此些製程參數設定為關鍵製程參數。
基於上述，本揭露的製程異因分析方法及製程異因分析系統會使用非機率類型及機率類型分類器對製程資料作運算以獲 得製程參數的貢獻度，並在分類器正確率大於門檻值時刪除貢獻度低的製程參數，以獲得關鍵製程參數。
為讓本揭露的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
101‧‧‧製程控制系統
102‧‧‧進料階段
103‧‧‧第一加工階段
104‧‧‧第二加工階段
105‧‧‧第三加工階段
106‧‧‧第四加工階段
107‧‧‧感測器控管系統
108‧‧‧品檢階段
109‧‧‧製程參數記錄資料庫
110‧‧‧品質量測記錄資料庫
111‧‧‧異因分析系統
112‧‧‧使用者介面
121、123‧‧‧壓力感測器
122‧‧‧流量感測器
124‧‧‧溫度感測器
200‧‧‧製程異因分析系統
210‧‧‧收集模組
220‧‧‧評估模組
230‧‧‧判斷模組
240‧‧‧比較模組
250‧‧‧編碼模組
260‧‧‧儲存模組
S301、S303、S305、S307、S309、S311、S313、S315‧‧‧最佳標記法的步驟
S601、S603、S605、S607、S609、S611、S613‧‧‧機率模型法的步驟
S701、S703、S705、S707、S709、S711、S713、S715、S717、S719‧‧‧製程異因分析方法的步驟
圖1為根據本揭露所繪示的金屬加工製程範例的流程圖。
圖2為根據本揭露一範例實施例所繪示的製程異因分析系統的方塊圖。
圖3為根據本揭露一範例實施例所繪示的最佳化標記法的流程圖。
圖4為根據本揭露一範例實施例所繪示的具有變數選擇結構的分類器。
圖5為根據本揭露一範例實施例所繪示的具有變數選擇結構的分類器。
圖6為根據本揭露一範例實施例所繪示的機率模型法的流程圖。
圖7為根據本揭露一範例實施例所繪示的製程異因分析方法的流程圖。
在製造過程中，從原料進料到生產設備後，會按時間依序在不同製程階段(stage)進行各種處理，並留下在該製程階段被處理當下的感測訊號值，以及製程控制系統設定的控制值。當原料進料後，將逐漸被加工為成品，而在製程階段中的原料可被稱為在製品(Work In Process，WIP)。在製程階段中，對在製品進行的每一種處理的參數可經由感測器感測其數值並記錄下來成為製程參數，例如溫度、壓力等等。值得注意的是，在一個產品(即，完成所有製程階段的成品)上，每一個區塊都可對應到通過每個製程階段時的感測值記錄，但在品檢階段中，大多僅會針對整塊產品進行品質檢測以判斷整塊產品是否有缺陷，並記錄品質檢測結果，以形成對應於該產品的品質量測資料。本揭露的分析方法與系統會分析製程參數及產品品質參數以找出造成產品缺陷的主要成因。
圖1為根據本揭露所繪示的金屬加工製程範例的流程圖。
請參照圖1，當原物料在進料階段102之後，會經過四個加工階段逐步被加工為成品，原物料在製程中稱為在製品。值得注意的是，在圖1中的實線箭頭代表原料流且虛線箭頭代表資料流。
當在製品進入第一加工階段103中，製程控制系統101會控制添加物的種類並將添加物的種類記錄在製程參數記錄資料庫109中。接著在製品進入第二加工階段104中，製程控制系統 101會通氣以維持製程穩定，通氣的壓力與流量分別由壓力感測器121及流量感測器122記錄下來。接著在製品進入第三加工階段105中，製程控制系統101會導入冷卻液並由壓力感測器123記錄冷卻液壓力。最後在製品進入第四加工階段106加工至成品，並由溫度感測器124感測成品溫度並記錄。
壓力感測器121、流量感測器122、壓力感測器123及溫度感測器124感測的數值會由感測器管控系統107收集並記錄於製程參數記錄資料庫109，形成對應於成品的製程參數。在一塊成品(例如數公尺)上，每一小段(例如10公分)都可以對應到通過每一加工階段時的感測值記錄，但在品檢階段108，僅會針對整塊成品作品檢，並將品質檢測結果記錄於品質量測記錄資料庫110中，形成對應於成品的品質量測資料。最後，異因分析系統111就能根據製程參數記錄資料庫109及品質量測記錄資料庫110來分析製程參數資料及品質量測資料，找出造成產品缺陷的主要成因並顯示於使用者介面112上。須說明的是，本揭露之製程異因分析系統及方法並不僅適用於圖1所示之金屬加工製程範例。
[第一範例實施例]
圖2為根據本揭露一範例實施例所繪示的製程異因分析系統的方塊圖。
請參照圖2，製程異因分析系統200包括收集模組210、評估模組220、判斷模組230、比較模組240及編碼模組250。
收集模組210用以獲得多個產品的製程資料。在此，每 一產品包括多個區塊，製程資料例如包括對應每一區塊的多個製程參數及對應每一產品的產品品質參數。
以下為製程資料的格式及其說明：
在上述的製程資料中，x i,1 (1)，...，x i,1 (p)稱為一組製程參數，代表第i個產品的第1個區塊在生產過程中被記錄的p個製程參數，以下記為x i,1。每個產品包含的區塊個數不一定相同，第i個產品包含的區塊個數記為mi。產品在品質檢測時，僅整個產品的品質檢測結果被記錄下來。
在本範例實施例中，產品個數為n。以第i個產品為例，產品品質檢測結果記為Z i ，稱為產品品質參數。此產品中任一區塊j在生產過程中被記錄的一組製程參數記為x i,j 。由於每個製程參數之間是彼此獨立，因此製程參數也可稱為獨立變數。另外，區塊j所對應的品質記為y i,j ，稱為區塊品質參數。但由於此區塊 品質參數受限於製造環境而未被記錄下來，因此區塊品質參數為隱藏變數。
當一個產品產出後可能並不會立即做品質檢測，而是將產品先切割(或區分)成多個區塊之後，再對切割後的區塊進行品質檢測。然而，在此過程中只能得知切割後的區塊有缺陷，。但無法確切得知該些有缺陷之區塊在產品中的位置，故無法將該些有缺陷之區塊的製程參數對應出來。若在第i個產品製出的多塊切割後的產品中，任一個有缺陷，代表在產品時即存在缺陷，故產品i被記為有缺陷，即Z i =缺陷。也就是說，當產品i的產品品質參數為無缺陷時，產品i的多個區塊的區塊品質參數為皆為無缺陷。反之，當產品i的產品品質參數為有缺陷時，產品i的多個區塊中的至少一區塊的區塊品質參數為有缺陷。在不同製程階段進行各種處理的過程中，產品的每個區塊會被記錄一組製程參數，因此一個產品會被記錄到多組製程參數。例如，產品i共被記錄了mi組製程參數。如此一來，可將產品i視為包含了mi個區塊，每個區塊有對應的製程參數x i,1，...，x i,ml 。但每個區塊對應的區塊品質，即區塊品質參數y i,1，...，y i,ml ，並無法得知。僅可知最後整塊產品i是否有缺陷，即產品品質參數Z i =缺陷或Z i =正常。在下表中以產品個數為3，且每個產品都包括4個區塊的例子說明，即n=3，m1=4，m2=4，m3=4。
請參照表一，PID代表了產品ID，PID(1,1)代表了產品1的第1個區塊，PID(1,2)代表了產品1的第2個區塊，以此類推。X1~X5為製程參數，Y為區塊品質參數，Z為產品品質參數。製程參數X1為非數值型參數，其具有三個種類A、B、C。
請再參照圖2，評估模組220用以使用非機率類型分類器及機率類型分類器的至少其中之一對製程資料作運算，以獲得每一製程參數的貢獻度。在本揭露的一範例實施例中，若評估模組220使用非機率類型分類器對製程資料作運算時，評估模組220會反覆更新區塊品質參數並求解具有變數選擇結構的分類器，直到將全部有缺陷的區塊利用分類器檢驗後都符合資料特性時，即可獲得每個製程參數的貢獻度。上述方法又稱為最佳化標記法。在本揭露的另一範例實施例中，若評估模組220使用機率類型分類器對製程資料作運算時，評估模組220會分別建立產品品質參數及區塊品質參數的機率模型分類器，並加入變數選擇結構。接 著以最大期望演算法求解，而獲得每個製程參數的貢獻度。上述方法又稱為機率模型法。最佳化標記法及機率模型法都會在下文中有更詳細的描述。
值得一提的是，在本範例實施例中，評估模組220例如可依據使用者的輸入訊號以外部資料計算出的該分類器正確率來選擇使用機率類型分類器及非機率類型分類器的至少其中之一對製程資料作運算。
判斷模組230用以判斷分類器正確率是否大於門檻值。例如，在一範例實施例中，分類器正確率的門檻值可設定為90%，然而本揭露並不以此為限。在另一範例實施例中分類器正確率的門檻值也可根據各種狀況而設定為其他的值。若分類器正確率大於門檻值時，比較模組240會從製程參數中刪除具有最低的貢獻度的製程參數，並再次使用分類器對製程資料運算，以獲得每一製程參數的貢獻度，上述步驟會重覆進行，直到分類器正確率不大於門檻值時，比較模組240會將還沒被刪除的製程參數加上最後一次被刪除的製程參數設定為關鍵製程參數。最後，比較模組240會將利用關鍵製程參數而建立的分類器(又稱為縮減模型，Reduced Model)與利用原始所有製程參數而建立的分類器(又稱為完整模型，Full Model)進行效能比較，檢查縮減模型是否相對於完整模型有相近的分類結果，例如分類正確率、誤放率(即，將有缺陷的產品誤認為正常)或誤判率(即，將正常的產品誤判為有缺陷)，進而判斷縮減模型中的製程參數可能為產生缺陷的重要成 因。
另外，編碼模組250會在獲得該製程資料之後，對製程參數中的非數值型變數進行數值編碼。在本範例實施例中，編碼模組250可利用虛擬變數(Dummy Variable)法或最適規模(Optimal Scale)法對非數值型變數進行數值編碼。最適規模法為一種透過數值方法的編碼方式，首先在初始時隨機給定非數值型變數一個編碼數值，例如上述的表一中，製程參數X1有A、B、C三種取值，初始時將A編碼為數值1，B編碼為數值2，C編碼為數值3，接著可利用所獲得的製程資料以最適規模(Optimal Scaling)演算法計算出A的最適編碼數值，例如為-0.074，B的最適編碼數值為-0.1964，C的最適編碼數值為0.2344。在虛擬變數法中，若非數值型變數原本有n種取值(或稱為n個level時)，編碼模組250可利用n-1個變數來進行編碼。例如在上述的表一中，製程參數X1有A、B、C三種取值，則可利用第一新參數代表原始參數是否為A，若原始參數為A，第一新參數為1，否則為0。接著以第二新參數代表原始參數是否為B，若原始參數為B，第二新參數為1，否則為0。當原始參數為C時，則第一新參數與第二新參數皆為0。在編碼模組150對製程資料中的非數值型變數進行數值編碼之後，製程資料可以下列表二來表示。
在表二中，以第一新參數X1及第二新參數X2的數值資料取代了表一中原本製程參數X1中的非數值資料。如此一來，就可將製程資料使用分類器作運算。
值得注意的是，當製程異因分析系統200的使用者欲進行製程缺陷成因分析時，可利用使用者介面(未繪示於圖中)選定欲分析的資料。在一範例實施例中，使用者介面可為一電腦程式，運行於一個人電腦、工業電腦或工作站上，使用者可直接輸入分析命令、取得並呈現分析結果。在另一範例實施例中，使用者介面亦可為一網頁服務，運行於一個人電腦、工業電腦或工作站上，使用者可透過具輸入輸出介面之終端，例如個人電腦、平板電腦、智慧型手機等，輸入分析命令、取得並呈現分析結果。
儲存模組260可以是例如硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid State Drive，SSD)等的非揮發性記憶體。在一範例實施例中，儲存模組260至少可包括製程參數資料庫、品質量測 資料庫、製程參數貢獻度資料庫及分類效能資料庫，其中製程參數資料庫用以記錄感測器的感測數值，以及製程參數之設定的控制值，品質量測資料庫用以記錄產品品質檢測結果，製程參數貢獻度資料庫用以記錄經由分類器求得的製程參數貢獻度，分類效能資料庫用以記錄縮減模型及完整模型的分類效能。雖然以上說明了將各種製程參數、產品品質與效能檢測結果的相關資料儲存於不同資料庫，但本揭露並不以此為限。在另一範例實施例中，也可將各種製程參數、產品品質與效能檢測結果的相關資料全部儲存於儲存模組260的伺服器資料庫中。
在一範例實施例中，收集模組210例如是可測量各種數值(例如溫度、壓力、氣體或液體流量等)的感測器，並用以將其感測結果回傳到儲存模組260中。在一範例實施例中，評估模組220、判斷模組230、比較模組240及編碼模組250，皆可使用硬體描述語言(如Verilog或VHDL)來進行電路設計，經過整合與佈局後，可燒錄至現場可程式邏輯閘陣列(Field Programmable Gate Array，FPGA)上。藉由硬體描述語言所完成的電路設計，例如可交由專業之積體電路生產商以特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)或稱專用集成電路來實現，但本揭露並不以此為限。在另一範例實施例中，評估模組220、判斷模組230、比較模組240及編碼模組250也可利用軟體或韌體的方式來實作，並以處理器來執行以實現其功能。
圖3為根據本揭露一範例實施例所繪示的最佳化標記法 的流程圖，圖4為根據本揭露一範例實施例所繪示的具有變數選擇結構的分類器，並且圖5為根據本揭露一範例實施例所繪示的具有變數選擇結構的分類器。
請參照圖3，在步驟S301中，初始化區塊品質參數，詳細內容將請參照下表3說明。
請參照表3，在本範例實施例中，關於產品品質參數Z的給值，設定為產品品質正常時給值為-1，而產品品質有缺陷時給值為1。然而，本揭露並不以此為限。在另一範例實施例中，產品品質參數Z可再依據缺陷嚴重程度給值，例如，輕微缺陷給值為1，嚴重缺陷給值為2。在本範例實施例中，為了方便說明，產品品質參數Z的給值只有1及-1兩種。當產品品質參數Z的值給定以了以後，區塊品質參數Y會初始地設定為與當產品品質參數Z相同的值。
請再參照圖3，在步驟S303中，求解具有變數選擇結構 的非機率類型分類器，並在步驟S305中，將產品品質參數有缺陷的產品以非機率類型分類器檢驗是否符合資料特性。在此，請同時參照圖4。具體來說，對於所有Z=1的產品，會逐一將製程參數X輸入圖4的分類器，並檢驗分類結果是否符合資料特性。若Z代表的缺陷有分等級，可設定有缺陷的區塊數量，例如當Z為嚴重缺陷時則該產品的至少50%的區塊Y=1，而當Z為輕微缺陷時，則該產品的至少10%的區塊Y=1。在本範例實施例中，為了方便說明，設定為若一產品的Z=1，則此產品的至少一區塊的Y=1。在將PID2的四個區塊全部輸入圖4的分類器時，所產生的Y值全部為-1，如表4所示。
由於Z=1代表則至少一區塊的Y=1，因此此分類器不符合資料特性，表示此分類器有偏誤，則在步驟S307中，依照比例將分類信心度低的區塊的區塊品質參數設定為有缺陷。由於在本範例實施例中假設缺陷嚴重程度為輕微缺陷，其對應的資料特性是若一產品的Z=1，則此產品的至少一區塊的Y=1。因此在本範例實施例中，會將分類信心度最低的區塊的區塊品質參數設定為有缺陷，例如將PID(2,3)的Y設定為1。然而，在另一範例實施例中，若缺陷的嚴重程度為嚴重缺陷，並假設其對應的資料特性是 若一產品的Z=1，則此產品的至少一半的區塊的Y=1。在這種情況下，會將缺陷產品中的區塊依照信心度排序，並依序將信心度低的區塊的Y設定為1，直至滿足一半的區塊有缺陷，以滿足資料特性。接著回到步驟S303，重新求解具變數選擇結構的非機率類型分類器，如圖5所示。
若產品品質參數有缺陷的全部區塊以非機率類型分類器檢驗皆符合資料特性時，則在步驟S309中，獲得每一製程參數的貢獻度，如表5所示。
接著在步驟S311中，判斷分類器正確率是否大於門檻值。若分類器正確率大於門檻值，則在步驟S313中，刪除貢獻度最低的製程參數，例如刪除表5中貢獻度為0的製程參數X4，再回到步驟S303重新求解分類器。直到分類正確率不大於門檻值時，則在步驟S315中，將最後一次判斷分類器正確率是否大於門檻值之前留下的製程參數設定為關鍵製程參數，如表6所示，製程參數X3、X5、X6會被設定為關鍵製程參數。
值得一提的是，例如，在一範例實施例中，製程資料中的一部分(例如，70%的製程資料)可用來作為分類器的訓練資料，而製程資料的其他部分(例如，30%的製程資料)則可用來作為測試 資料，以測試分類器的正確率。
在一範例實施例中，在步驟S303中求解具有變數選擇結構的非機率類型分類器可使用SVM分類器，其目標函式如下：
其中n為產品數量。mi為第i個產品的區塊數量。y i,j 為-1或1，為第i個產品的第j個區塊的區塊品質參數。x i,j 為第i個產品的第j個區塊的製程參數。β0為常數。p為製程參數個數，β為p×1的係數向量。λ大於等於0，其為正則化(regularization)參數。
而在加入變數選擇結構後，目標函式變為：
其中λ1、λ2大於等於0，其為正則化參數。
SVM分類器的解β0及β可藉由求解方程式(1)來求出。解出之SVM分類器可由輸入的區塊對應的製程參數X來推估對應的Y。另外，解出的分類器具變數選擇結構，因此可更進一步推估各個製程參數的貢獻度(或重要程度)。舉例來說，在本範例實施例中使用的SVM分類器可用OOB(Out-Of-Bag)的方法將每個製程參數的貢獻度量化。具體來說，假設製程參數有p個{v1,v2...,vp}，以這些製程參數建立一個SVM分類器並由SVM損失函數計算出此SVM分類器的損失值lossa。接著每刪除一個製程參數vi並以 剩餘的p-1個製程參數重新建立SVM分類器，再由SVM損失函數計算出此SVM分類器的損失值lossi，i=1到p。最後計算Di=|lossa-lossi|，當Di越大代表刪除製程參數vi後損失越大，也就是說vi的貢獻度越高。因此p個製程參數的貢獻度可用Di來表示，i=1到p。
以下為根據一範例實施例以SVM分類器為例的完整演算法：
圖6為根據本揭露一範例實施例所繪示的機率模型法的流程圖。
請參照圖6，在步驟S601中，分別建立產品品質參數及區塊品質參數的機率模型，以描述產品中的區塊品質有缺陷的機率及產品的品質檢測結果有缺陷的機率。在本範例實施例中，可使用邏輯回歸(Logistic Regression，LR)建立機率模型。區塊品質參數的機率模型如下： 其中Pr i,j 為第i個產品的第j個區塊有缺陷的機率。x i,j 為第i個產品的第j個區塊的製程參數。p為製程參數個數。β為p×1的係數向量。β0為常數。
產品品質參數的機率模型如下： 其中π i 為第i個產品有缺陷的機率。mi為第i個產品的區塊數量。由於1-Pr i,j 為第i個產品第j個區塊無缺陷的機率，因此將第i個產品所有區塊無缺陷的機率相乘就是第i個產品無缺陷的機率，而π i 就會是第i個產品有缺陷的機率。
在步驟S603中，根據產品品質參數及區塊品質參數定義似然函數(Likelyhood Function)。似然函數如下：
其中n為產品的數量。mi為第i個產品的區塊數量。Zi為0或1，其為第i個產品的二進位產品品質參數。y i,j 為0或1，其為第i個產品的第j的區塊的二進位區塊品質參數。對於無缺陷的產品i而言，所有區塊的的y i,j 皆為0，因此1-Zi=1，可得Zi=0。對於有缺陷的產品i而言，至少一區塊的y i,j 為1，因此1-Zi=0，可得Zi=1。
在步驟S605中，加入懲罰值以定義機率模型的損失函數。邏輯回歸的損失函數如下： 其中λ大於等於0，其為正則化參數，而p為製程參數個數。
在定義完損失函數之後，接著會對產品品質參數給值。在本範例實施例中，當產品品質正常時，Z的值為0，當產品品質有缺陷時，Z的值為1。如下表7所示。
在步驟S607中，利用最大期望(Maximum-Estimation，EM)演算法求出每一該些製程參數所對應的該貢獻度。具體來說，會先將表2中的製程資料代入方程式(2)，並以最大期望演算法求解方程式(2)以獲得邏輯回歸分類器的解β0及β。解出邏輯回歸分類器之後就可藉由輸入一區塊對應的製程參數X來估算對應的Y=1的機率。此外，係數β的絕對值即可代表每個製程參數X的重要程度。假設解出的係數β如下表8所示。
在步驟S609中，判斷分類器正確率是否大於門檻值。若分類器正確率大於門檻值，則在步驟S611中，刪除貢獻度最低的製程參數，例如刪除表8中β值為0的製程參數X4，再回到步驟S605中。直到分類正確率不大於門檻值時，則在步驟S613中，將最後一次執行步驟S611前留下的製程參數設定為關鍵製程參數，如表9所示，製程參數X3、X5、X6會被設定為關鍵製程參數。
以下根據一範例實施例以邏輯回歸為例的機率模型法的完整演算法：
雖然在上述範例實施例中，是基於一個產品有多個區塊來說明本揭露的製程異因分析方法，也就是製程參數對應到產品的區塊且產品品質參數對應到每個產品，但本揭露並不以此為限。
[第二範例實施例]
在本範例實施例中，可將所有產品分為多個群組，其中這些群組中的每一產品有對應的製程參數，且每一群組有對應的的產品品質參數。舉例來說，可將一百個產品分為十個群組，並且在每個群組中只抽出一個產品進行品質檢測並以此品質檢測結果代表此群組的產品品質參數。在本範例實施例中，由於無法獲得每一個產品的產品品質參數，而僅能得知一個群組的產品品質參數，因此本範例實施例中的每一個產品的產品品質參數及每一個群組的產品品質參數可對應於第一範例實施例的區塊品質參數及產品品質參數，並適用於本揭露的製程異因分析方法。
[第三範例實施例]
在本範例實施例中，一個產品的製造過程可分為多個製 造時間區段。每一產品的多個製造時間區段有對應的製程參數，且每一產品有對應的產品品質參數。舉例來說，若製造一個產品時會每十秒取樣一次製程參數，假設製造此產品費時兩分鐘，則此產品會有對應於不同製造時間區段的12組製程參數。在本範例實施例中，由於無法獲得此產品在每一個製造時間區段的產品品質參數，而僅能得知此產品製造完成時的產品品質參數，因此本範例實施例中的每一個製造時間區段的產品品質參數及製造完成時的產品品質參數可對應於第一範例實施例的區塊品質參數及產品品質參數，並適用於本揭露的製程異因分析方法。
圖7為根據本揭露一範例實施例所繪示的製程異因分析方法的流程圖。
請參照圖7，在步驟S701中，獲得產品的製程資料，其中製程資料包括對應產品的製程參數及產品品質參數，且製程參數的取樣數量大於產品品質參數的取樣數量。
在步驟S703中，對非數值型的製程參數進行數值編碼。
在步驟S705中，選擇分類器並判斷分類器是否為機率類型。在此，可依據使用者的輸入訊號以外部資料計算出的分類器正確率來選擇使用機率類型分類器或非機率類型分類器。
若分類器不是機率類型時，在步驟S707中，求解具變數選擇結構的分類器，直到解出的分類器符合資料特性，並獲得各個製程參數的貢獻度。
接著在步驟S709中，判斷分類器正確率是否大於門檻 值。若分類器正確率大於門檻值時，在步驟S711中，刪除貢獻度最低的製程參數，再回到步驟S707重新求解分類器。若分類器正確率不大於門檻值時，在步驟S719中，將最後一次刪除製程參數前所解出的分類器與使用所有製程參數解出的分類器比較效能，驗證用來建構前者分類器的製程參數為關鍵製程參數。
若分類器為機率類型時，在步驟S713中，建立機率模型，並加入變數選擇結構，以最大期望演算法求解，並獲得各個製程參數的貢獻度。
接著在步驟S715中，判斷分類器正確率是否大於門檻值。若分類器正確率大於門檻值時，在步驟S717中，刪除貢獻度最低的製程參數，再回到步驟S713重新求解分類器。若分類器正確率不大於門檻值時，在步驟S719中，將最後一次刪除製程參數前所解出的分類器與使用所有製程參數解出的分類器比較效能，驗證用來建構前者分類器的製程參數為關鍵製程參數。
綜上所述，本揭露會獲得產品的製程資料，對製程資料中的非數值變數進行數值編碼，並利用最佳化標記法或機率模型法求解分類器以獲得製程參數的貢獻度。若分類器正確率大於門檻值時則刪除貢獻度低的製程參數，以獲得關鍵製程參數。最後再比較以關鍵製程參數解出的分類器與以全部製程參數解出的分類器的效能，用來驗證關鍵製程參數為造成缺陷的重要成因。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露的 精神和範圍內，當可作些許的更動與潤飾，故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
S701、S703、S705、S707、S709、S711、S713、S715、S717、S719‧‧‧製程異因分析方法的步驟

Claims (34)

  1. 一種製程異因分析方法，包括：獲得多個產品的一製程資料，該製程資料包括對應該些產品的多個製程參數及一產品品質參數；使用一非機率類型分類器及一機率類型分類器的至少其中之一對該製程資料作運算，以獲得每一該些製程參數的一貢獻度；判斷該非機率類型分類器及該機率類型分類器的至少其中之一的一分類器正確率是否大於一門檻值；若該分類器正確率大於該門檻值時，對該些製程參數進行一刪除操作以刪除具有最低的該貢獻度的製程參數，並再次使用該非機率類型分類器及該機率類型分類器的至少其中之一對該製程資料運算，以獲得每一該些製程參數的該貢獻度；以及若該分類器正確率不大於該門檻值時，將該些製程參數設定為一關鍵製程參數。
  2. 如申請專利範圍第1項所述的製程異因分析方法，更包括：將利用該關鍵製程參數建立的一第一分類器與利用未進行該刪除操作的該些製程參數建立的一第二分類器進行效能比較，並檢查該第一分類器與該第二分類器是否有相近的分類效能。
  3. 如申請專利範圍第1項所述的製程異因分析方法，其中若該分類器正確率不大於該門檻值時，將該些製程參數設定為該關鍵製程參數的步驟包括：將尚未在該刪除操作中被刪除的製程參數，加上在最後一次 該刪除操作中被刪除的製程參數，設定為該關鍵製程參數。
  4. 如申請專利範圍第1項所述的製程異因分析方法，更包括：依據一輸入訊號以一外部資料計算出的該分類器正確率來選擇使用該機率類型分類器及該非機率類型分類器的至少其中之一對該製程資料作運算。
  5. 如申請專利範圍第1項所述的製程異因分析方法，更包括：在獲得該製程資料之後，對該些製程參數中的一非數值型變數進行一數值編碼。
  6. 如申請專利範圍第5項所述的製程異因分析方法，其中該對該些製程參數中的該非數值型變數進行該數值編碼的步驟包括：利用虛擬變數法或最適規模法對該非數值型變數進行該數值編碼。
  7. 如申請專利範圍第6項所述的製程異因分析方法，其中在該虛擬變數法中，若該非數值型變數有一第一數量的取值，則利用一第二數量的多個變數進行編碼，第二數量為第一數量減一。
  8. 如申請專利範圍第1項所述的製程異因分析方法，其中每一該些產品包括多個區塊，且獲得該些產品的該製程資料的步驟包括：獲得對應每一該些區塊的該些製程參數，並獲得對應每一該些產品的該產品品質參數。
  9. 如申請專利範圍第8項所述的製程異因分析方法，其中獲得該些產品的該製程資料的步驟更包括：根據該些產品的該產品品質參數來初始化對應該些產品的該 些區塊的一區塊品質參數。
  10. 如申請專利範圍第9項所述的製程異因分析方法，其中當該些產品的其中一個產品的該產品品質參數為無缺陷時，該其中一個產品的該些區塊的該區塊品質參數皆為無缺陷。
  11. 如申請專利範圍第9項所述的製程異因分析方法，其中當該些產品的其中一個產品的該產品品質參數為有缺陷時，該其中一個產品的該些區塊中的至少一區塊的該區塊品質參數為有缺陷。
  12. 如申請專利範圍第9項所述的製程異因分析方法，其中使用該非機率類型分類器對該製程資料作運算的步驟包括：求解具一變數選擇結構的該非機率類型分類器；將該產品品質參數有缺陷的產品以該非機率類型分類器檢驗是否符合一資料特性，該資料特性相關於該產品品質參數的缺陷等級；以及若該非機率類型分類器不符合該資料特性時，依照一比例將該產品中分類信心度低的至少一區塊的該區塊品質參數設定為有缺陷，並重新求解具該變數選擇結構的該非機率類型分類器。
  13. 如申請專利範圍第12項所述的製程異因分析方法，其中若該非機率類型分類器符合該資料特性時，獲得每一該些製程參數的該貢獻度。
  14. 如申請專利範圍第9項所述的製程異因分析方法，其中使用該機率類型分類器對該製程資料作運算的步驟包括： 分別建立該產品品質參數及該區塊品質參數的一機率模型；根據該產品品質參數及該區塊品質參數定義一似然函數；加入一懲罰值以定義該機率模型的一損失函數；以及利用最大期望演算法求出每一該些製程參數所對應的該貢獻度。
  15. 如申請專利範圍第14項所述的製程異因分析方法，其中該機率模型是基於一邏輯回歸來建立。
  16. 如申請專利範圍第1項所述的製程異因分析方法，其中該些產品分為多個群組，且獲得該些產品的該製程資料的步驟包括：獲得對應該些群組中每一該些產品的該些製程參數，並獲得對應每一該些群組的該產品品質參數。
  17. 如申請專利範圍第1項所述的製程異因分析方法，其中獲得該些產品的該製程資料的步驟包括：獲得對應每一該些產品的多個製造時間區段的該些製程參數，並獲得對應每一該些產品的該產品品質參數。
  18. 一種製程異因分析系統，包括：一收集模組，用以獲得多個產品的一製程資料，該製程資料包括對應該些產品的多個製程參數及一產品品質參數；一評估模組，用以使用一非機率類型分類器及一機率類型分類器的至少其中之一對該製程資料作運算，以獲得每一該些製程參數的一貢獻度；一判斷模組，用以判斷該非機率類型分類器及該機率類型分 類器的至少其中之一的一分類器正確率是否大於一門檻值；以及一比較模組，其中若該分類器正確率大於該門檻值時，該比較模組對該些製程參數進行一刪除操作以刪除具有最低的該貢獻度的製程參數，並再次使用該非機率類型分類器及該機率類型分類器的至少其中之一對該製程資料運算，以獲得每一該些製程參數的該貢獻度，其中若該分類器正確率不大於該門檻值時，該比較模組將該些製程參數設定為一關鍵製程參數。
  19. 如申請專利範圍第18項所述的製程異因分析系統，其中該比較模組將利用該關鍵製程參數建立的一第一分類器與利用未進行該刪除操作的該些製程參數建立的一第二分類器進行效能比較，並檢查該第一分類器與該第二分類器是否有相近的分類效能。
  20. 如申請專利範圍第18項所述的製程異因分析系統，其中該比較模組將尚未在該刪除操作中被刪除的製程參數，加上在最後一次該刪除操作中被刪除的製程參數，設定為該關鍵製程參數。
  21. 如申請專利範圍第18項所述的製程異因分析系統，更包括一選擇模組，其中該選擇模組用以依據一輸入訊號以一外部資料計算出的該分類器正確率來選擇使用該機率類型分類器及該非機率類型分類器的至少其中之一對該製程資料作運算。
  22. 如申請專利範圍第18項所述的製程異因分析系統，更包括一編碼模組，其中該編碼模組用以在獲得該製程資料之後，對該些製程參數中的一非數值型變數進行一數值編碼。
  23. 如申請專利範圍第22項所述的製程異因分析系統，其中該編碼模組利用虛擬變數法或最適規模法對該非數值型變數進行該數值編碼。
  24. 如申請專利範圍第23項所述的製程異因分析系統，其中在該虛擬變數法中，若該非數值型變數有一第一數量的取值，則利用一第二數量的多個變數進行編碼，第二數量為第一數量減一。
  25. 如申請專利範圍第18項所述的製程異因分析系統，其中每一該些產品包括多個區塊，且該收集模組獲得對應每一該些區塊的該些製程參數，並獲得對應每一該些產品的該產品品質參數。
  26. 如申請專利範圍第25項所述的製程異因分析系統，其中該評估模組根據該些產品的該產品品質參數來初始化對應該些產品的該些區塊的一區塊品質參數。
  27. 如申請專利範圍第26項所述的製程異因分析系統，其中當該些產品的其中一個產品的該產品品質參數為無缺陷時，該其中一個產品的該些區塊的該區塊品質參數皆為無缺陷。
  28. 如申請專利範圍第26項所述的製程異因分析系統，其中當該些產品的其中一個產品的該產品品質參數為有缺陷時，該 其中一個產品的該些區塊中的至少一區塊的該區塊品質參數為有缺陷。
  29. 如申請專利範圍第26項所述的製程異因分析系統，其中該評估模組更求解具一變數選擇結構的該非機率類型分類器，其中該評估模組更用以將該產品品質參數有缺陷的產品以該非機率類型分類器檢驗是否符合一資料特性，該資料特性相關於該產品品質參數的缺陷等級，若該非機率類型分類器不符合該資料特性時，該評估模組依照一比例將該產品中分類信心度低的至少一區塊的該區塊品質參數設定為有缺陷，並重新求解具該變數選擇結構的該非機率類型分類器。
  30. 如申請專利範圍第29項所述的製程異因分析系統，其中若該非機率類型分類器符合該資料特性時，該評估模組更用以獲得每一該些製程參數的該貢獻度。
  31. 如申請專利範圍第26項所述的製程異因分析系統，其中該評估模組更用以分別建立該產品品質參數及該區塊品質參數的一機率模型，根據該產品品質參數及該區塊品質參數定義一似然函數，加入一懲罰值以定義該機率模型的一損失函數，並且利用最大期望演算法求出每一該些製程參數所對應的該貢獻度。
  32. 如申請專利範圍第31項所述的製程異因分析系統，其中該機率模型是基於一邏輯回歸來建立。
  33. 如申請專利範圍第18項所述的製程異因分析系統，其中該些產品分為多個群組，且該收集模組獲得對應該些群組中每一該些產品的該些製程參數，並獲得對應每一該些群組的該產品品質參數。
  34. 如申請專利範圍第18項所述的製程異因分析系統，其中該收集模組獲得對應每一該些產品的多個製造時間區段的該些製程參數，並獲得對應每一該些產品的該產品品質參數。
TW104136155A 2015-11-03 2015-11-03 製程異因分析方法與製程異因分析系統 TWI584134B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW104136155A TWI584134B (zh) 2015-11-03 2015-11-03 製程異因分析方法與製程異因分析系統
CN201510929636.9A CN106649907A (zh) 2015-11-03 2015-12-14 工艺异因分析方法与工艺异因分析系统
US14/979,537 US20170123411A1 (en) 2015-11-03 2015-12-28 Method for analyzing variation causes of manufacturing process and system for analyzing variation causes of manufacturing process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW104136155A TWI584134B (zh) 2015-11-03 2015-11-03 製程異因分析方法與製程異因分析系統

Publications (2)

Publication Number Publication Date
TW201717057A TW201717057A (zh) 2017-05-16
TWI584134B true TWI584134B (zh) 2017-05-21

Family

ID=58638313

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104136155A TWI584134B (zh) 2015-11-03 2015-11-03 製程異因分析方法與製程異因分析系統

Country Status (3)

Country Link
US (1) US20170123411A1 (zh)
CN (1) CN106649907A (zh)
TW (1) TWI584134B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6778277B2 (ja) * 2016-12-07 2020-10-28 株式会社日立製作所 品質管理装置及び品質管理方法
EP3667445A1 (de) * 2018-12-11 2020-06-17 Siemens Aktiengesellschaft Verfahren und vorrichtung zur herstellung eines produkts sowie computerprogrammprodukt
US20210364999A1 (en) * 2019-11-29 2021-11-25 Boe Technology Group Co., Ltd. System and method for analyzing cause of product defect, computer readable medium
CN113804244A (zh) * 2020-06-17 2021-12-17 鸿富锦精密电子(天津)有限公司 缺陷分析方法及装置、电子装置及计算机可读存储介质
TWI792135B (zh) * 2020-12-30 2023-02-11 鴻海精密工業股份有限公司 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質
CN113822384B (zh) * 2021-11-23 2022-05-06 深圳市裕展精密科技有限公司 数据分析方法、装置、计算机设备及存储介质
CN115808911B (zh) * 2023-02-02 2023-04-28 成都秦川物联网科技股份有限公司 用于生产线产生不良品时的工业物联网调控方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200721248A (en) * 2005-10-14 2007-06-01 Advanced Micro Devices Inc Product-related feedback for process control
TW200832243A (en) * 2007-01-19 2008-08-01 Ming-Shyan Huang Method for finding robust processing parameters using regression model
US20090287512A1 (en) * 2003-04-30 2009-11-19 Genworth Financial,Inc System And Process For Dominance Classification For Insurance Underwriting Suitable For Use By An Automated System
US20100082142A1 (en) * 2005-11-22 2010-04-01 Usadi Adam K Simulation System and Method

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
TW200921445A (en) * 2007-11-08 2009-05-16 Airoha Tech Corp Circuit analysis method
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
CN103236383B (zh) * 2013-05-04 2015-08-05 四川虹欧显示器件有限公司 等离子显示屏制造过程参数重要性的动态确定与优化方法
CN103676881B (zh) * 2013-12-16 2017-07-28 北京化工大学 一种半导体生产线动态瓶颈分析方法
CN104834794B (zh) * 2015-05-27 2018-07-06 中国人民解放军国防科学技术大学 基于材料配比和关键工艺参数改进的产品寿命增长方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090287512A1 (en) * 2003-04-30 2009-11-19 Genworth Financial,Inc System And Process For Dominance Classification For Insurance Underwriting Suitable For Use By An Automated System
TW200721248A (en) * 2005-10-14 2007-06-01 Advanced Micro Devices Inc Product-related feedback for process control
US20100082142A1 (en) * 2005-11-22 2010-04-01 Usadi Adam K Simulation System and Method
TW200832243A (en) * 2007-01-19 2008-08-01 Ming-Shyan Huang Method for finding robust processing parameters using regression model

Also Published As

Publication number Publication date
TW201717057A (zh) 2017-05-16
CN106649907A (zh) 2017-05-10
US20170123411A1 (en) 2017-05-04

Similar Documents

Publication Publication Date Title
TWI584134B (zh) 製程異因分析方法與製程異因分析系統
JP6817426B2 (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
TWI543102B (zh) 異因分析與校正方法與系統
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
CN112637132B (zh) 一种网络异常检测方法、装置、电子设备和存储介质
US20130173332A1 (en) Architecture for root cause analysis, prediction, and modeling and methods therefor
KR20190072652A (ko) 정보 처리 장치 및 정보 처리 방법
Leng et al. A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines
Faruk et al. Prediction and classification of low birth weight data using machine learning techniques
US20140188777A1 (en) Methods and systems for identifying a precursor to a failure of a component in a physical system
CN110096036A (zh) 一种设备状态的确定方法、装置及设备
JP2019016039A (ja) プロセスの異常状態診断方法および異常状態診断装置
Fountas et al. Globally optimal tool paths for sculptured surfaces with emphasis to machining error and cutting posture smoothness
CN112907026A (zh) 一种基于可编辑网状指标体系的综合评估方法
CN115576267A (zh) 一种基于数字孪生的轮毂机加工尺寸误差修正方法
US20220101198A1 (en) Automated generation of a machine learning model from computational simulation data
JP6003909B2 (ja) 高炉通気性予測装置及び高炉通気性予測方法
TW202013104A (zh) 資料處理、資料處理裝置以及電腦可讀取記錄媒體
CN115630433A (zh) 一种基于机器学习和bim技术的建筑设计方法及系统
CN111340975A (zh) 异常数据特征提取方法、装置、设备及存储介质
CN111370055A (zh) 内含子保留预测模型建立方法及其预测方法
CN115169426B (zh) 一种基于相似性学习融合模型的异常检测方法及系统
JP2020086786A (ja) 検出装置及び機械学習方法
US20210201179A1 (en) Method and system for designing a prediction model
US20210157707A1 (en) Transferability determination apparatus, transferability determination method, and recording medium