TWI742709B - 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 - Google Patents

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 Download PDF

Info

Publication number
TWI742709B
TWI742709B TW109118836A TW109118836A TWI742709B TW I742709 B TWI742709 B TW I742709B TW 109118836 A TW109118836 A TW 109118836A TW 109118836 A TW109118836 A TW 109118836A TW I742709 B TWI742709 B TW I742709B
Authority
TW
Taiwan
Prior art keywords
data
values
process data
sets
historical
Prior art date
Application number
TW109118836A
Other languages
English (en)
Other versions
TW202147161A (zh
Inventor
鄭芳田
謝昱銘
盧靖文
Original Assignee
國立成功大學
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 國立成功大學 filed Critical 國立成功大學
Priority to TW109118836A priority Critical patent/TWI742709B/zh
Priority to US17/134,133 priority patent/US11829124B2/en
Priority to CN202011561263.1A priority patent/CN113761782A/zh
Application granted granted Critical
Publication of TWI742709B publication Critical patent/TWI742709B/zh
Publication of TW202147161A publication Critical patent/TW202147161A/zh

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本發明實施例提供一種預測機台加工事件發生的方法，藉以決定是否啟動虛擬量測。在此方法的建模階段中，使用多組建模資料並根據至少一個分類演算法來建立至少一個分類模型，其中每一個分類模型包含複數個決策樹。然後，使用此些決策樹的機率來建立至少一個信心指標模型；使用建模資料並根據一統計距離演算法來建立至少一個相似度模型。在此方法的推估階段中，輸入一工件之一組製程資料至每一個分類模型、每一個信心指標型和每一個相似度模型中，以決定是否啟動虛擬量測。

Description

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
本發明是有關於一種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，且特別是有關於一種基於自動分類機制之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。
虛擬量測在各種產業中都有相當廣泛的應用，例如：半導體產業、工具機產業。虛擬量測可將離線且具延遲特性之品質抽檢改成線上且即時之品質全檢。舉例而言，當半導體產業的晶圓切割製程導入虛擬量測後，便可即時發現製程異常，立即進行即時改善，因而避免後續整批晶圓的報廢。當工具機加工導入虛擬量測後，便可同時兼顧即時性與準確性需求來推估每一個被加工之工件(例如輪圈)的準確度值，因而預測出工具機之加工品質，以克服習知之線上量測與離線量測的缺點。
雖然現存之虛擬量測已大致上適用於其預定達到的目的，但尚未能滿足各方面的需求。
本發明之一目的是在提供一種預測機台加工事件發生的方法，藉以即時並準確地預測機台加工事件發生，而可及時地決定是否進行後續的步驟與處理。
本發明之又一目的是在提供一種決定是否啟動虛擬量測的方法與其電腦程式產品，藉以即時並準確地決定是否啟動虛擬量測，而避免使用者產生誤判。
根據本發明之一態樣，提供一種預測機台加工事件發生的方法。在此方法中，首先，獲得複數組歷史製程資料，其中此些組歷史製程資料係在一機台處理複數個歷史工件時所使用或產生，此些組歷史製程資料係以一對一的方式對應至歷史工件。然後，獲得複數個歷史加工事件指示值，用以指出機台在處理每一個歷史工件時是否發生一加工事件，其中歷史加工事件指示值係以一對一的方式對應至歷史製程資料，歷史加工事件指示值和其對應之歷史製程資料分別組成複數組建模資料。接著，進行一建模步驟。在此建模步驟中，使用建模資料並根據一分類演算法來建立一分類模型，其中分類模型包含複數個決策樹。然後，使用此些決策樹的機率來建立一信心指標模型。接著，進行一推估步驟。在此推估步驟中，首先獲得至少一組製程資料，其中此至少一組製程資料係機台處理至少一個工件時所使用或產生。然後，輸入每一組製程資料至分類模型，以獲得至少一個事件預測值，用以指出機台在處理工件時是否發生加工事件。接著，使用信心指標模型來計算出每一個事件預測值的一信心指標值，用以指出事件預測值的可靠度。
在一些實施例中，每一組歷史製程資料包含複數個參數，每一製程資料包含此些參數，前述之預測機台加工事件發生的方法更包含：進行一資料前處理步驟，以分別使用複數個演算法將每一組歷史製程資料之參數的數值轉換成對應至複數個參數指標的數值，其中參數指標係以一對一的方式對應至演算法，建模資料包含歷史加工事件指示值和其對應之歷史製程資料所轉換成之參數指標的數值；並使用演算法將每一組製程資料之參數的數值轉換成參數指標的數值，其中推估步驟包含輸入每一組製程資料之參數指標的數值至分類模型，以獲得事件預測值。
在一些實施例中，前述之建模步驟更包含：使用建模資料並根據一統計距離演算法來建立一相似度模型。前述之推估步驟該更包含：使用相似度模型計算出每一組製程資料之參數指標的數值與建模資料間的一整體相似度指標，用以指出參數指標值與建模資料間的相似程度。
在一些實施例中，前述之至少一組製程資料的數目係大於1，前述之至少一工件的數目係大於1，前述之預測機台加工事件發生的方法更包含：獲得複數個實際加工事件指示值，用以指出機台在處理每一個工件時是否發生加工事件；根據此些實際加工事件指示值來獲得事件預測值的一正確率；當正確率小於一正確率門檻值時，檢查建模資料是否不平衡；當建模資料不平衡時，將實際加工事件指示值與其對應之製程資料的參數指標的數值加入至建模資料中，再重新進行建模步驟；以及當建模資料平衡時，使用實際加工事件指示值與其對應之製程資料的參數指標的數值來調校分類模型、信心指標模型和相似度模型。
在一些實施例中，前述之預測機台加工事件發生的方法更包含：對建模資料進行一資料超取樣(Oversampling)步驟，以產生類似於建模資料中一少數類別之資料的複數組樣本資料，來克服建模資料之資料不平衡；以及將樣本資料加入至建模資料。
根據本發明之一態樣，提供一種決定是否啟動虛擬量測的方法。在此方法中，進行前述之建模步驟，以使用前述之建模資料並根據不同的二個分類演算法來分別建立二個分類模型，其中每一個分類模型包含複數個決策樹。以及使用每一個分類模型的決策樹的機率來分別建立二個信心指標模型。在推估步驟中，輸入每一組製程資料至此些分類模型，以分別獲得至少一組事件預測值，用以指出該機台在處理此至少一工件時是否發生該加工事件，每一組事件預測值包含一第一事件預測值和一第二事件預測值。然後，使用此些信心指標模型來分別計算出每一組事件預測值的二個信心指標值，並選取此些信心指標值中代表事件預測值可靠度最小者為一綜合信心指標值。接著，檢查第一事件預測值和第二事件預測值是否均指出發生加工事件，而獲得一第一檢查結果。當第一檢查結果為是時，啟動虛擬量測，以推估工件的品質。當第一檢查結果為否時，檢查綜合信心指標值是否指出事件預測值可靠度小於一信心指標門檻值，而獲得一第二檢查結果。當第二檢查結果為是時，啟動虛擬量測，以推估工件的品質。
在一些實施例中，前述之建模步驟包含：使用建模資料並根據統計距離演算法來分別建立二個相似度模型。前述之決定是否啟動虛擬量測的方法更包含：使用相似度模型來分別計算出每一組製程資料之參數指標的數值與該些組建模資料間的二個整體相似度指標值；選取整體相似度指標值中代表製程資料相似程度最小者為一綜合整體相似度指標值。當前述之第二檢查結果為否時，檢查綜合整體相似度指標值是否指出製程資料相似程度小於一整體相似度指標門檻值，而獲得第三檢查結果。當第三檢查結果為是時，啟動虛擬量測，以推估工件的品質。
因此，應用本發明實施例，可即時並準確地預測機台加工事件發生，而可及時地決定是否進行後續的步驟與處理；並可即時並準確地決定是否啟動虛擬量測，而避免使用者產生誤判。
關於本文中所使用之「第一」、「第二」等，並非特別指次序或順位的意思，其僅為了區別以類似技術用語描述的元件或操作。
虛擬量測應用於晶圓切割製程係用以進行晶圓崩缺(Wafer Chipping)值的預測。在晶圓切割製程中，並非每片晶圓(工件)都會有晶圓崩缺的事件產生。然而，由於虛擬量測無法分辨晶圓是否有崩缺產生，故會對每片晶圓均產生一晶圓崩缺預測值，因而造成使用者誤判。在工具機加工中，並非每個工件均會被工具機加工而產生機台加工動作的事件。然而，由於虛擬量測無法分辨工具機是否有發生機台加工動作的事件，故仍會對每個工件均產生一準確度預測值，因而造成使用者對未被加工的工件產生誤判。因此，虛擬量測往往需加入人為判斷在機台處理工件(例如：晶圓或輪圈)時是否有發生加工事件(例如：晶圓崩缺、工具機加工動作等)，藉以避免使用者產生誤判。
虛擬量測係使用複數組建模樣本，並根據一推估演算法來建立一虛擬量測模型。每一組建模樣本包含一組歷史製程資料和一個歷史量測值。歷史製程資料係在生產機台在處理歷史工件時所使用或產生，歷史製程資料係以一對一的方式對應至歷史工件。歷史實際量測值係由量測機台量測歷史工件的品質項目後所獲得。預測演算法包含類神經網路(Neural Network；NN)演算法、複迴歸(Multi-Regression；MR)演算法、部分最小平方(Partial Least Square；PLS)演算法或支持向量機(Support Vector Machines；SVM)演算法。對晶圓切割製程而言，生產機台為晶圓切割機台；歷史實際量測值為晶圓崩缺量；歷史製程資料包含刀片堵塞(Blade Clogging)、 冷卻液流速、主軸轉速、進給速率、晶圓條件(如厚度、塗佈等)、 切口寬度(Kerf Width)。對工具機加工而言，生產機台為工具機；歷史實際量測值包含粗糙度、直線度(Straightness)、稜角度(Angularity)、垂直度(Perpendicularity)、平行度(Parallelism)和或圓度(Roundness)；歷史製程資料包含工作電流、由安裝在此工具機上之偵測器(例如：三軸加速度感測器(Accelerometer)和/或聲射(Acoustic Emission；AE)感測器)所獲得的振動和/或音頻資料資料。
以晶圓切割製程為例，當建模樣本不排除無晶圓崩缺事件發生的樣本時，其根據類神經網路所建立之虛擬量測模型(晶圓崩缺量的預測)的平均絕對誤差(Mean Absolute Error；MAE)為1.234。當建模樣本排除無晶圓崩缺事件發生的樣本時，其根據類神經網路所建立之虛擬量測模型(晶圓崩缺量的預測)的平均絕對誤差為1.067，優於不排除無晶圓崩缺事件發生的樣本的情形。由此可見，無晶圓崩缺事件發生的樣本對虛擬量測的準確度有重大的影響。
因此，本發明實施例提供一種自動分類機制，以預測是否有機台加工事件發生，來決定是否啟動虛擬量測或其他後續動作(例如：停機、機台維修等)，其中機台加工事件包括晶圓崩缺事件、機台加工動作事件等。
以下本發明實施例所使用之虛擬量測、GSI(Global Similarity Index；整體相似度指標)模型、DQI X(Process Data Quality Index；製程資料品質指標) 、DQI y(Metrology Data Quality Index；量測資料品質指標)模型可參照美國專利前案第8095484B2號。本發明之實施例可與此美國專利前案所建構的虛擬量測系統相結合。即，本發明之實施例引用此美國專利前案之相關規定(Incorporated by reference)。
請參照圖1，圖1為繪示根據本發明一些實施例之用以說明虛擬量測應用的方塊示意圖。首先，自生產機台100獲得一組製程資料102，其中此組製程資料係生產機台100在處理一工件時所使用或產生，此組製程資料102包含感測器資料。然後，自動分類機制(Automatic Classification Scheme；ACS)110使用此組製程資料102來預測生產機台100是否有機台加工事件發生。若有機台加工事件發生，則可啟動虛擬量測120，例如：自動虛擬量測(Automatic Virtual Metrology；AVM)。本發明實施例可自動地預測是否有機台加工事件發生，並只有在有機台加工事件發生時，才進行虛擬量測120，以避免使用者產生誤判。
請參照圖2A，圖2A為繪示根據本發明一些實施例之用以說明自動分類機制的方塊示意圖。 本發明實施例之自動分類機制110包含製程資料前處理步驟202A、加工事件資料前處理步驟202B、分類模型210、綜合信心指標(RI C)指標模型220和綜合整體相似度指標(GSI C)230。製程資料前處理步驟202A根據DQI X模型，來進行製程資料102的資料品質評估，並針對來自生產機台之原始製程資料102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。量測資料前處理步驟202B根據DQI y模型，來進行量測資料104的資料品質評估，並進行離散化和篩選，以去除其中之異常值。量測資料104可為例如工件的實際量測值(如圓崩缺量等)或機台狀態(如工作電流等)。量測資料前處理步驟202B再將量測資料104轉換成加工事件指示值，用以指出機台在處理工件時是否發生一加工事件。例如：根據工作電流來獲得指出機台加工動作事件的加工事件指示值；根據晶圓崩缺量來獲得指出晶圓崩缺事件的加工事件指示值。
自動分類機制110係利用雙階段運算機制及分類演算法來推估工件的虛擬量測值。可能選用的分類演算法有：隨機森林(Random Forest；RF)演算法和極限梯度提升(eXtreme Gradient Boosting ，XGboost；XG) 演算法等各式分類演算法。在一些實施例中，分類模型210包含有RF模型210A和XG模型210B，用以分別產生事件預測值CP XG和CP RF。RI C模型220係用來評估事件預測值CP XG和CP RF的可信度，而產生綜合信心指標(RI C)。GSI C模組230係用來評估目前輸入之製程資料102與分類模型210內用來訓練建模之製程資料(建模資料)的相似程度，而產生製程參數的綜合整體相似度指標(GSI C)，此綜合整體相似度指標(GSI C)係用以輔助綜合信心指標(RI C)來判分類模型210的信心度。
以下說明分類模型210、綜合信心指標(RI C)模型220和綜合整體相似度指標(GSI C)模組230。
請參照圖2B，圖2B為繪示根據本發明一些實施例與自動分類機制相關之建模步驟的流程示意圖。首先，進行資料蒐集步驟200，以獲得複數組歷史製程資料和複數個歷史加工事件指示值。此些組歷史製程資料係在生產機台處理複數個歷史工件時所使用或產生，此些組歷史製程資料係以一對一的方式對應至歷史工件。此些歷史加工事件指示值係用以指出此機台在處理每一個歷史工件時是否發生一加工事件(例如：晶圓崩缺、工具機加工動作等)。每一該些組歷史製程資料包含複數個參數，此些參數為如上所述之虛擬量測建模所使用之歷史製程資料。歷史加工事件指示值係以一對一的方式對應至歷史製程資料，歷史加工事件指示值和其對應之歷史製程資料分別組成複數組建模資料。
然後，進行資料前處理步驟202，以分別使用複數個演算法將每一組歷史製程資料之多個參數的數值轉換成對應至複數個參數指標的數值，其中此些參數指標係以一對一的方式對應至演算法。前述之參數指標包含：轉換至頻域後之k倍頻(其中k大於0)、統計資料分佈的峰度（kurtosis）、統計資料分佈的偏度（skewness）、標準差、均方根（root mean square）、平均值、最大值和最小值。在進行資料前處理步驟202後，建模資料包含歷史加工事件指示值和其對應之參數指標的數值。
接著，對建模資料進行資料超取樣(Oversampling)步驟204，以產生類似於建模資料中一少數類別之資料的複數組樣本資料，來克服建模資料之資料不平衡。資料超取樣步驟204可採用例如邊界合成少數類超取樣技術(Borderline SMOTE(Synthetic Minority Oversampling Technique))。邊界合成少數類超取樣技術(Borderline SMOTE)是習於此技藝之人士所知，故不在此贅述。
然後，將樣本資料加入至建模資料，以進行建模步驟240A和240B。建模步驟240A係使用建模資料並根據一個基於Bagging算法 （Bootstrap aggregating，引導聚集算法；又稱為裝袋算法）的分類演算法(例如RF演算法)，來建立分類模型(例如RF模型)。建模步驟240B係使用建模資料並根據另一個基於提升方法(Boosting)的分類演算法(例如XG演算法)，來建立分類模型(例如XG模型)，其中每一個分類模型(RF模型和XG模型)包含有複數個RF決策樹310A和XG決策樹310B。
請參照圖3A 和圖3B，圖3A 和圖3B分別為繪示根據本發明一些實施例用以說明RF演算法與XG算法之信心指標模型的示意圖。建模步驟240A和240B使用RF模型的RF決策樹310A和XG模型的XG決策樹310B的機率來分別建立二個信心指標模型(RI RF模型和RI XG模型)，以計算出綜合信心指標值(RI C)。以下以晶圓切割製程為例說明綜合信心指標值RI C的計算方法，其中晶圓崩缺(Chipping)代表有機台加工事件發生，其二進制數值可為例如 “1”； 晶圓無崩缺(Non-Chipping)代表有機台無加工事件發生，其二進制數值可為例如 “0”， 綜合信心指標值(RI C)的計算公式如下： RI RF
Figure 02_image001
(1) RI XG
Figure 02_image003
(2) RI C= min(RI RF, RI XG)                (3) 其中 n為RF決策樹310A的數量；PRF Chipping為RF決策樹310A之晶圓崩缺的預測機率；PRF Nonchipping為RF決策樹310A之晶圓無崩缺的預測機率；PXG Chipping為XG決策樹310B之晶圓崩缺的預測機率；PXG Nonchipping為XG決策樹310B之晶圓無崩缺的預測機率。
RI C為RI RF和RI XG中的最小分類機率值。理論上，當分類機率值大於0.5時，預測結果係被歸類至某一個類別。然而，略大於0.5的資料分類機率值係位於分類邊界， 可能會引起誤分類。為確保分類的正確性，分類機率的信心指標門檻值可設為例如0.7。值得一提的是，本發明實施力亦可單獨使用一種信心指標模型(RI RF或RI XG)來指出分類預測值的可靠度。
建模步驟240A和240B分別使用RF模型的建模資料和XG模型的建模資料，並根據一統計距離演算法來分別建立二個相似度模型(例如GSI RF模型和GSI XG模型)，以計算出綜合整體相似度指標值(RI C)，來判斷新輸入之製程資料與各建模資料中之歷史製程資料間的相似程度。請參照圖4，圖4為繪示根據本發明一些實施例用以說明製程參數之相似度模型的示意圖。首先，使用例如k平均分群演算法(k-means Clustering)計算出複數個歷史資料點400的歷史資料中心點404。加入新資料點410後，再使用例如k平均分群演算法計算出歷史資料點400和新資料點410的新資料中心點414。然後，以統計距離演算法來建立相似度模型(GSI RF模型和GSI XG模型)，以獲得歷史資料中心點404和新資料中心點414間的距離。此統計距離演算法可為例如：馬氏距離(Mahalanobis Distance)演算法。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。綜合整體相似度指標值(GSI C)的計算公式如下： SI RF= 1 – d(OriCenter RF, NewCenter RF)       (4) SI XG= 1 – d(OriCenter XG, NewCenter XG)      (5) GSI C= min(SI RF, SI XG)                (6) 其中 d(X 1,X 2)兩資料點X 1和X 2間的統計距離；OriCenter RF為RF模型建模資料的中心點；OriCenter XG為XG模型建模資料的中心點；NewCenter RF為RF模型建模資料和新資料點的中心點；NewCenter XG為XG模型建模資料和新資料點的中心點；SI RF為新資料點與RF模型建模資料的整體相似度指標；   SI XG為新資料點與XG模型建模資料的整體相似度指標。
本發明實施例應用交互驗證(Cross Validation)中的留一法(Leave-One-Out；LOO)原理來計算出整體相似度指標門檻值(GSI T)。本發明實施例所使用之整體相似度指標門檻值(GSI T)可參照美國專利前案第8095484B2號。本發明之實施例可與此美國專利前案所建構的虛擬量測系統相結合。即，本發明之實施例引用此美國專利前案之相關規定(Incorporated by reference)。為方便管理整體相似度指標值，綜合整體相似度指標值(GSI C)被正規化至0和1之間，GSI C愈大代表新資料點與建模資料愈相似，GSI C愈小代表新資料點與建模資料愈不相同。在一些實施例中，整體相似度指標門檻值(GSI T)被映對至0.7，即綜合整體相似度指標值(GSI C)小於0.7時，新資料點與建模資料的差異太大，會影響到分類模型的預測準確度。值得一提的是，習於此技藝之人士亦可變化公式(4)和(5)，以使GSI C愈大代表新資料點與建模資料愈不相同，GSI C愈小代表新資料點與建模資料愈相似。
在建模步驟完成分類模型、RI C模型、GSI C模型後，便可進行推估步驟，以預測機台加工事件是否發生。請參照圖5A和圖5B，圖5A和圖5B為繪示根據本發明一些實施例之雙階段預測機台加工事件發生的方法的流程示意圖。在第一階段中，首先進行製程資料蒐集步驟510，以獲得一組製程資料，其中此組製程資料係生產機台處理一工件時所使用或產生。製程資料包含與歷史製程資料相同的參數。然後，判斷此工件的製程資料是否蒐集完成(步驟512)。當步驟512的結果為是時，進行步驟514，以輸入製程資料至分類模型(例如：RF模型、XG模型) 、RI C模型、GSI C模型，而獲得一或二個事件預測值(CP RF和/或CP XG)與其綜合整體相似度指標值(GSI C)和綜合信心指標值(RI C)，用以指出生產機台在處理此工件時是否發生加工事件。在輸入製程資料至分類模型前，可先進行如圖2B所示之資料前處理步驟202，以使用前述之演算法將此組製程資料之參數的數值轉換成前述之參數指標的數值。當步驟512為否或完成步驟514後，則回到製程資料蒐集步驟510，以獲得生產機台處理下一工件時所使用或產生的製程資料。
在第二階段中，首先進行量測資料蒐集步驟520，以獲得第一階段中所處理之工件或處理此工件之生產機台的實際量測資料。實際量測資料可為例如工件的實際量測值(如圓崩缺量等)或機台狀態(如工作電流等)。然後，判斷實際量測資料是否蒐集完成(步驟522)。當步驟522的結果為是時，進行步驟524，以將實際量測資料轉換成加工事件指示值，用以指出機台在處理工件時是否發生一加工事件。例如：實際晶圓崩缺量大於或等於一門檻值時，實際加工事件指示值為“1”，代表有晶圓崩缺事件發生；實際晶圓崩缺量小於此門檻值時，實際加工事件指示值為“0”，代表機台無晶圓崩缺事件發生。工作電流大於或等於一門檻值時，實際加工事件指示值為“1”，代表機台有加工動作；工作電流小於此門檻值時，實際加工事件指示值為“0”，代表機台無加工動作。
接著，進行步驟526，以判斷是否有收集到k個工件的實際量測資料與其對應之k個事件預測值，其中k大於0，可為例如：10。當步驟526的結果為是時，進行步驟528，以計算此些事件預測值的正確率，正確率(Correct-Rate；CR)的計算公式如下：
Figure 02_image005
(7) 特異度(
Figure 02_image007
(8) 正確率=
Figure 02_image009
(9) 其中TP代表真陽性樣本的數量，真陽性為實際加工事件指示值為有機台加工事件發生，且事件預測值為有機台加工事件發生；TN代表真陰性樣本的數量，真陰性為實際加工事件指示值為無機台加工事件發生，且事件預測值為無機台加工事件發生；FP代表假陽性樣本的數量，為實際加工事件指示值為無機台加工事件發生，但事件預測值為有機台加工事件發生；FN代表假陰性樣本的數量，為實際加工事件指示值為有機台加工事件發生，但事件預測值為無機台加工事件發生。接著，進行步驟530，以判斷正確率是否小於正確率門檻值(CR T)。當步驟530、526或522的結果為否時，則回到量測資料蒐集步驟520，以獲得下一工件或處理此下一工件之生產機台的實際量測資料。
當步驟530為是時，進行步驟540，檢查目前所使用之建模資料是否不平衡。當步驟540為是時，將實際加工事件指示值與其對應之製程資料的參數指標的數值加入至建模資料中，再重新進行建模步驟(步驟542)，即重新訓練第一階段中之分類模型、信心指標模型和相似度模型。當步驟540為否時，使用實際加工事件指示值與其對應之製程資料的參數指標的數值來調校第一階段中之分類模型、信心指標模型和相似度模型(步驟544)。進行步驟542和544後，便可更新第一階段中之分類模型、信心指標模型和相似度模型(步驟550)。
值得一提的是，在第一階段中，可分別使用兩種不同的分類演算法來之二種分類模型與其信心指標模型和相似度模型，因此，第二階段的步驟可分別針對此些分類模型與其信心指標模型和相似度模型來進行。
由於無機台加工事件的樣本對虛擬量測的準確度有重大的影響，因此本發明實施例透過上述之預測機台加工事件發生的方法來決定是否啟動虛擬量測。請參照圖6，圖6為繪示根據本發明一些實施例之決定是否啟動虛擬量測的方法的流程示意圖。首先，進行步驟610，以獲得對應至一工件之一組事件預測值以及與其對應之綜合信心指標值(RI C)和綜合整體相似度指標值(GSI C)，此組事件預測值包含第一事件預測值(例如CP RF)和第二事件預測值(CP XG)。接著，檢查該第一事件預測值和該第二事件預測值是否均指出發生加工事件(步驟620)。當步驟620的結果為是時，啟動一虛擬量測，以推估工件的品質。當步驟620的結果為否時，進行步驟630，以檢查綜合信心指標值(RI C)是否小於一信心指標門檻值(例如：0.7)。當步驟630的結果為是時，啟動虛擬量測，以推估工件的品質。當步驟630的結果為否時，進行步驟640，以檢查綜合整體相似度指標值(GSI C)是否小於一整體相似度指標門檻值(GSI T；例如：0.7)。當步驟640的結果為是時，啟動虛擬量測(步驟650)，以推估工件的品質。當步驟640的結果為否時，則不啟動虛擬量測。
以下以關於晶圓崩缺的應用例來說明本發明實施例。請參照圖7，圖7為繪示本發明應用例的預測結果，其中 “*”代表實際加工事件指示值；“x”代表實際晶圓崩缺量；曲線700代表各工件的綜合信心指標值(RI C)；直線702代表信心指標門檻值；曲線706代表各工件的綜合整體相似度指標值(GSI C)；直線708代表整體相似度指標門檻值；曲線710代表各工件的第一事件預測值(CP RF)，曲線720代表各工件的第二事件預測值(CP XG)，其中除工件號碼P23外，曲線710和720係疊合成一曲線；曲線730代表使用類神經網路(NN)演算法之各工件的虛擬量測值(預測的晶圓崩缺量)；曲線740代表使用部分最小平方(PLS)演算法之各工件的虛擬量測值(預測的晶圓崩缺量)。除區域A3中之工件號碼P14、區域A6中之工件號碼P24外，第一事件預測值(CP RF)和第二事件預測值(CP XG)均與實際加工事件指示值吻合，其中第一事件預測值(CP RF)的正確率為0.9714，第二事件預測值(CP XG)的正確率為0.9428。
區域A2、A4、A6中之工件的事件預測值均指出無晶圓崩缺事件發生，故未進行虛擬量測值，即不預測晶圓崩缺量。區域A1中之工件號碼P3、P4之RI C和區域A5中之工件號碼P21、P22之RI C不佳(>0.7)不佳(>0.7)，但CP RF和CP XG均指出有晶圓崩缺事件發生，故進行虛擬量測值，以預測晶圓崩缺量。區域A3中之工件號碼P14之CP RF和CP XG均指出無晶圓崩缺事件發生(與實際加工事件指示值不吻合)，但RI C和GSI C皆不佳(>0.7)，故仍進行虛擬量測值，以預測晶圓崩缺量。區域A5中之工件號碼P23之CP RF與實際加工事件指示值吻合，而其CP XG與實際加工事件指示值不吻合，但其RI C不佳(>0.7)，故仍進行虛擬量測值，以預測晶圓崩缺量。顯見，工件號碼P14之RI C和GSI C、工件號碼P24之RI C可修正CP RF和CP XG預測不準確的問題。由本應用例可知，本發明實施例可有效地預測機台加工事件發生，並準確地決定是否啟動虛擬量測。
可理解的是，本發明之預測機台加工事件發生的方法與決定是否啟動虛擬量測的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預測機台加工事件發生的方法與決定是否啟動虛擬量測的方法。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。
亦可注意的是，本發明亦可描述於一製造系統的語境中。雖然本發明可建置在半導體製作中，但本發明並不限於半導體製作，亦可應用至其他製造工業。製造系統係配置以製造工件或產品，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。本發明亦可應用至除半導體裝置外之其他工件或產品，如車輛輪框、螺絲。製造系統包含一或多個處理工具，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、玻璃基板)上或中。發明本領域具有通常技藝者應可知，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。在實施例中，量測機台包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。
綜上所述，本發明實施例可即時並準確地預測機台加工事件發生，而可及時地決定是否進行後續的步驟與處理；並可即時並準確地決定是否啟動虛擬量測，而避免使用者產生誤判。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:生產機台 102:製程資料 104:量測資料 110:自動分類機制 120:虛擬量測 200:資料蒐集 202:資料前處理 204:資料超取樣 202A:製程資料前處理步驟 202B:量測資料前處理步驟 210:分類模型 210A:RF模型 210B:XG模型 220:RI C模型 230:GSI C模組 240A:RF模型 240B:XG模型 310A:RF決策樹 310B:XG決策樹 400:歷史資料點 404:歷史資料中心點 410:新資料點 414:新資料中心點 510:製程資料蒐集 512:製程資料是否蒐集完成 514:計算CP RF、CP XG與其GSI C、RI C520:實際量測資料蒐集 522:實際量測資料是否蒐集完成 524:資料轉換成加工事件指示值 526:是否有收集到k個工件的資料 528:計算正確率 530:正確率是否小於CR T540:建模資料是否不平衡 542:調校分類模型、RI C模型和GSI C模型 544:重新訓練分類模型、RI C模型和GSI C模型 550:更新分類模型、RI C模型和GSI C模型 610:獲得工件之CP RF、CP XG與對應之RI C、GSI C620:CP RF、CP XG是否均指出發生加工事件 630:RI C> 0.7 640:GSI C> 0.7 650:啟動虛擬量測 700:曲線 702:直線 706:曲線 708:直線 710:曲線 720:曲線 730:曲線 740:曲線 A1:區域 A2:區域 A3:區域 A4:區域 A5:區域 A6:區域 P3:工件號碼 P4:工件號碼 P14:工件號碼 P21:工件號碼 P22:工件號碼 P23:工件號碼
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用以說明虛擬量測應用的方塊示意圖； [圖2A]為繪示根據本發明一些實施例之用以說明自動分類機制的方塊示意圖； [圖2B]為繪示根據本發明一些實施例與自動分類機制相關之建模步驟的流程示意圖； [圖3A]為繪示根據本發明一些實施例用以說明隨機森林(Random Forest)演算法之信心指標模型的示意圖； [圖3B]為繪示根據本發明一些實施例用以說明極限梯度提升(eXtreme Gradient Boosting ，XGboost)演算法之信心指標模型的示意圖； [圖4]為繪示根據本發明一些實施例用以說明製程參數之相似度模型的示意圖； [圖5A]和[圖5B]為繪示根據本發明一些實施例之雙階段預測機台加工事件發生的方法的流程示意圖； [圖6]為繪示根據本發明一些實施例之決定是否啟動虛擬量測的方法的流程示意圖；以及 [圖7]為繪示本發明應用例的預測結果。
610:獲得工件之CPRF、CPXG與對應之RIC、GSIC
620:CPRF、CPXG是否均指出發生加工事件
630:RIC<0.7
640:GSIC<0.7
650:啟動虛擬量測

Claims (12)

  1. 一種預測機台加工事件發生的方法，包含： 獲得複數組歷史製程資料，其中該些組歷史製程資料係在一機台處理複數個歷史工件時所使用或產生，該些組歷史製程資料係以一對一的方式對應至該些歷史工件； 獲得複數個歷史加工事件指示值，用以指出該機台在處理每一該些歷史工件時是否發生一加工事件，其中該些歷史加工事件指示值係以一對一的方式對應至該些組歷史製程資料，該些歷史加工事件指示值和其對應之歷史製程資料分別組成複數組建模資料； 進行一建模步驟，包含： 使用該些組建模資料並根據一分類演算法來建立一分類模型，其中該分類模型包含複數個決策樹；以及 使用該些決策樹的機率來建立一信心指標模型；以及 進行一推估步驟，包含： 獲得至少一組製程資料，其中該至少一組製程資料係該機台處理至少一工件時所使用或產生； 輸入每一該至少一組製程資料至該分類模型，以獲得至少一事件預測值，用以指出該機台在處理該至少一工件時是否發生該加工事件；以及 使用該信心指標模型來計算出每一該至少一事件預測值的一信心指標值，用以指出每一該事件預測值的可靠度。
  2. 如請求項1所述之預測機台加工事件發生的方法，其中每一該些組歷史製程資料包含複數個參數，每一該至少一組製程資料包含該些參數，該預測機台加工事件發生的方法更包含： 進行一資料前處理步驟，以分別使用複數個演算法將每一該些組歷史製程資料之該些參數的數值轉換成對應至複數個參數指標的數值，其中該些參數指標係以一對一的方式對應至該些演算法，該些組建模資料包含該些歷史加工事件指示值和其對應之歷史製程資料所轉換成之該些參數指標的數值；以及 進行該資料前處理步驟，以使用該些演算法將每一該至少一組製程資料之該些參數的數值轉換成該些參數指標的數值，其中該推估步驟包含輸入每一該至少一組製程資料之該些參數指標的數值至該分類模型，以獲得該至少一事件預測值。
  3. 如請求項2所述之預測機台加工事件發生的方法，其中該建模步驟更包含： 使用該些組建模資料並根據一統計距離演算法來建立一相似度模型； 該推估步驟該更包含： 使用該相似度模型計算出每一該至少一組製程資料之該些參數指標的數值與該些組建模資料間的一整體相似度指標，用以指出該些參數指標值與該些組建模資料間的相似程度。
  4. 如請求項3所述之預測機台加工事件發生的方法，其中該至少一組製程資料的數目係大於1，該至少一工件的數目係大於1，該預測機台加工事件發生的方法更包含： 獲得複數個實際加工事件指示值，用以指出該機台在處理每一該些工件時是否發生該加工事件； 根據該些實際加工事件指示值來獲得該些事件預測值的一正確率； 當該正確率小於一正確率門檻值時，檢查該些組建模資料是否不平衡； 當該些組建模資料不平衡時，將該些實際加工事件指示值與其對應之該些組製程資料的參數指標的數值加入至該些組建模資料中，再重新進行該建模步驟；以及 當該些組建模資料平衡時，使用該些實際加工事件指示值與其對應之該些組製程資料的參數指標的數值來調校該分類模型、該信心指標模型和該相似度模型。
  5. 如請求項1所述之預測機台加工事件發生的方法，更包含： 對該些組建模資料進行一資料超取樣(Oversampling)步驟，以產生類似於該些組建模資料中一少數類別之資料的複數組樣本資料，來克服該些組建模資料之資料不平衡；以及 將該些組樣本資料加入至該些組建模資料。
  6. 一種決定是否啟動虛擬量測的方法，包含： 獲得複數組歷史製程資料，其中該些組歷史製程資料係在一機台處理複數個歷史工件時所使用或產生，該些組歷史製程資料係以一對一的方式對應至該些歷史工件； 獲得複數個歷史加工事件指示值，用以指出該機台在處理每一該些歷史工件時是否發生一加工事件，其中該些歷史加工事件指示值係以一對一的方式對應至該些組歷史製程資料，該些歷史加工事件指示值和其對應之歷史製程資料分別組成複數組建模資料； 進行一建模步驟，包含： 使用該些組建模資料並根據不同的二個分類演算法來分別建立二個分類模型，其中每一該些分類模型包含複數個決策樹；以及 使用每一該些分類模型的該些決策樹的機率來分別建立二個信心指標模型； 進行一推估步驟，包含： 獲得至少一組製程資料，其中該至少一組製程資料係該機台處理至少一工件時所使用或產生； 輸入每一該至少一組製程資料至該些分類模型，以分別獲得至少一組事件預測值，用以指出該機台在處理該至少一工件時是否發生該加工事件，每一該至少一組事件預測值包含一第一事件預測值和一第二事件預測值； 使用該些信心指標模型來分別計算出每一該至少一組事件預測值的二個信心指標值； 選取該些信心指標值中代表事件預測值可靠度最小者為一綜合信心指標值； 檢查該第一事件預測值和該第二事件預測值是否均指出發生該加工事件，而獲得一第一檢查結果； 當該第一檢查結果為是時，啟動一虛擬量測，以推估該工件的品質； 當該第一檢查結果為否時，檢查該綜合信心指標值是否指出事件預測值可靠度小於一信心指標門檻值，而獲得一第二檢查結果；以及 當該第二檢查結果為是時，啟動該虛擬量測，以推估該工件的品質。
  7. 如請求項6所述之決定是否啟動虛擬量測的方法，其中每一該些組歷史製程資料包含複數個參數，每一該至少一組製程資料包含該些參數，該決定是否啟動虛擬量測的方法更包含： 進行一資料前處理步驟，以分別使用複數個演算法將每一該些組歷史製程資料之該些參數的數值轉換成對應至複數個參數指標的數值，其中該些參數指標係以一對一的方式對應至該些演算法，該些組建模資料包含該些歷史加工事件指示值和其對應之歷史製程資料所轉換成之該些參數指標的數值；以及 進行該資料前處理步驟，以使用該些演算法將每一該至少一組製程資料之該些參數的數值轉換成該些參數指標的數值，其中該推估步驟包含輸入每一該至少一組製程資料之該些參數指標的數值至該些分類模型，以獲得該些事件預測值。
  8. 如請求項7所述之決定是否啟動虛擬量測的方法，其中該建模步驟包含：使用該些組建模資料並根據一統計距離演算法來分別建立二個相似度模型，該決定是否啟動虛擬量測的方法更包含： 使用該些相似度模型來分別計算出每一該至少一組製程資料之該些參數指標的數值與該些組建模資料間的二個整體相似度指標值； 選取該些整體相似度指標值中代表製程資料相似程度最小者為一綜合整體相似度指標值； 當該第二檢查結果為否時，檢查該綜合整體相似度指標值是否指出製程資料相似程度小於一整體相似度指標門檻值，而獲得一第二檢查結果；以及 當該第三檢查結果為是時，啟動該虛擬量測，以推估該工件的品質。
  9. 如請求項8所述之決定是否啟動虛擬量測的方法，其中該至少一組製程資料的數目係大於1，該至少一工件的數目係大於1，該預測機台加工事件發生的方法更包含： 獲得複數個實際加工事件指示值，用以指出該機台在處理每一該些工件時是否發生該加工事件； 根據該些實際加工事件指示值來獲得該些第一事件預測值的一第一正確率和該些第二事件預測值的一第二正確率； 當該第一正確率或該第二正確率小於一正確率門檻值時，檢查該些組建模資料是否不平衡； 當該些組建模資料不平衡時，將該些實際加工事件指示值與其對應之該些組製程資料的參數指標的數值加入至該些組建模資料中，再重新進行該建模步驟，以重新訓練對應至該第一正確率或該第二正確率之分類模型、信心指標模型和相似度模型；以及 當該些組建模資料平衡時，使用該些實際加工事件指示值與其對應之該些組製程資料的參數指標值來調校對應至該第一正確率或該第二正確率之分類模型、信心指標模型和相似度模型。
  10. 如請求項6所述之決定是否啟動虛擬量測的方法，更包含： 對該些組建模資料進行一資料超取樣(Oversampling)步驟，以產生類似於該些組建模資料中一少數類別之資料的複數組樣本資料，來克服該些組建模資料之資料不平衡；以及 將該些組樣本資料加入至該些組建模資料。
  11. 如請求項6所述之決定是否啟動虛擬量測的方法，其中該些分類演算法分別為一隨機森林(Random Forest)演算法和一極限梯度提升(eXtreme Gradient Boosting ，XGboost) 演算法。
  12. 一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如請求項6至11中任一項所述之決定是否啟動虛擬量測的方法。
TW109118836A 2020-06-04 2020-06-04 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 TWI742709B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW109118836A TWI742709B (zh) 2020-06-04 2020-06-04 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
US17/134,133 US11829124B2 (en) 2020-06-04 2020-12-24 Method for predicting occurrence of tool processing event and virtual metrology application and computer program product thereof
CN202011561263.1A CN113761782A (zh) 2020-06-04 2020-12-25 预测机台加工事件发生的方法与其虚拟量测应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109118836A TWI742709B (zh) 2020-06-04 2020-06-04 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

Publications (2)

Publication Number Publication Date
TWI742709B true TWI742709B (zh) 2021-10-11
TW202147161A TW202147161A (zh) 2021-12-16

Family

ID=78786215

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109118836A TWI742709B (zh) 2020-06-04 2020-06-04 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

Country Status (3)

Country Link
US (1) US11829124B2 (zh)
CN (1) CN113761782A (zh)
TW (1) TWI742709B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841378B (zh) * 2022-07-04 2022-10-11 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064340A (zh) * 2011-10-21 2013-04-24 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
US20180157226A1 (en) * 2016-12-05 2018-06-07 Fanuc Corporation Machine tool and machine learning device
US20190080248A1 (en) * 2017-09-08 2019-03-14 The Bank Of New York Mellon System and method for facilitating model-based classification of transactions
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
CN110597889A (zh) * 2019-10-08 2019-12-20 四川长虹电器股份有限公司 一种基于改进的Apriori算法的机床故障预测方法
TW202001703A (zh) * 2018-06-12 2020-01-01 中華電信股份有限公司 機台加工行為異常分析與預測保養系統及其方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
TWI338916B (en) 2007-06-08 2011-03-11 Univ Nat Cheng Kung Dual-phase virtual metrology method
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
US9002492B2 (en) * 2010-02-16 2015-04-07 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
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
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
TWI451336B (zh) 2011-12-20 2014-09-01 Univ Nat Cheng Kung 預測模型之建模樣本的篩選方法及其電腦程式產品
TWI463334B (zh) 2012-07-20 2014-12-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
US9508042B2 (en) 2012-11-05 2016-11-29 National Cheng Kung University Method for predicting machining quality of machine tool
US9746849B2 (en) * 2012-11-09 2017-08-29 Tokyo Electron Limited Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing
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
TWI539298B (zh) 2015-05-27 2016-06-21 國立成功大學 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
US10777470B2 (en) * 2018-03-27 2020-09-15 Pdf Solutions, Inc. Selective inclusion/exclusion of semiconductor chips in accelerated failure tests
CN108764597A (zh) 2018-04-02 2018-11-06 华南理工大学 一种基于集成学习的产品质量控制方法
US11457024B2 (en) * 2018-08-03 2022-09-27 Citrix Systems, Inc. Systems and methods for monitoring security of an organization based on a normalized risk score
SG11201811698UA (en) 2018-08-09 2020-03-30 Beijing Didi Infinity Technology & Development Co Ltd Systems and methods for allocating orders
CH716583A1 (de) * 2019-09-13 2021-03-15 Reishauer Ag Verfahren zur Überwachung eines Bearbeitungsprozesses, bei dem Zahnflanken vorverzahnter Werkstücke mit einer Feinbearbeitungsmaschine bearbeitet werden.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103064340A (zh) * 2011-10-21 2013-04-24 沈阳高精数控技术有限公司 一种面向数控机床的故障预测方法
US20180157226A1 (en) * 2016-12-05 2018-06-07 Fanuc Corporation Machine tool and machine learning device
US20190080248A1 (en) * 2017-09-08 2019-03-14 The Bank Of New York Mellon System and method for facilitating model-based classification of transactions
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
TW202001703A (zh) * 2018-06-12 2020-01-01 中華電信股份有限公司 機台加工行為異常分析與預測保養系統及其方法
CN110597889A (zh) * 2019-10-08 2019-12-20 四川长虹电器股份有限公司 一种基于改进的Apriori算法的机床故障预测方法

Also Published As

Publication number Publication date
US11829124B2 (en) 2023-11-28
TW202147161A (zh) 2021-12-16
US20210382464A1 (en) 2021-12-09
CN113761782A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
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
US9508042B2 (en) Method for predicting machining quality of machine tool
TWI625615B (zh) 預測模型建立方法及其相關預測方法與電腦程式產品
US20180217566A1 (en) Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
TWI521360B (zh) 量測抽樣方法與其電腦程式產品
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
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
US10345794B2 (en) Product quality prediction method for mass customization
JP2006024195A (ja) 生産工程の品質予測システムおよびその方法
TWI641934B (zh) 虛擬量測系統與方法
US20190196458A1 (en) Method for selecting leading associated parameter and method for combining critical parameter and leading associated parameter for equipment prognostics and health management
TW201729024A (zh) 辨識良率損失之根本原因的系統與方法
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
CN115204555A (zh) 用于制造过程的异常检测方法和系统
US11921474B2 (en) Virtual metrology method using convolutional neural network and computer program product thereof
Jourdan et al. Machine learning for intelligent maintenance and quality control: A review of existing datasets and corresponding use cases
CN108268987B (zh) 多样式产品的品质推估方法
US20130030760A1 (en) Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
JP2004186374A (ja) 製造データ解析方法及びそれをコンピュータに実行させるプログラム
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
CN112966449A (zh) 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
TWI819669B (zh) 具卷積自編碼器與遷移學習之虛擬量測方法及其系統
Feng et al. Research on key technologies of health assessment for multi-equipment production line
TWI835197B (zh) 製造程序之最佳良率路徑之搜尋方法及其系統
Heo et al. A modified lasso model for yield analysis considering the interaction effect in a multistage manufacturing line