CN108268987B - 多样式产品的品质推估方法 - Google Patents
多样式产品的品质推估方法 Download PDFInfo
- Publication number
- CN108268987B CN108268987B CN201611261952.4A CN201611261952A CN108268987B CN 108268987 B CN108268987 B CN 108268987B CN 201611261952 A CN201611261952 A CN 201611261952A CN 108268987 B CN108268987 B CN 108268987B
- Authority
- CN
- China
- Prior art keywords
- workpieces
- workpiece
- value
- production system
- actual
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例提供一种多样式产品的品质推估方法。此品质推估方法是调整生产***的状态改变前的工件样本的实际量测值数据,并使用工件样本的制程参数与调整后实际量测值数据,来建立或重新训练推估模型,以进行不同形式的下一工件(产品)的品质推估,因而可迅速且精确地预测产品品质。
Description
技术领域
本发明是有关于一种产品的品质推估方法,且特别是有关于一种多样式产品的品质推估方法。
背景技术
现代工业技术的核心价值是将客户的要求整合至制造中,以强化产品、***和服务来满足各种日益渐增的产品个人化的客制化。因此,现代工业技术将传统的制造技术由大量生产提升至多样式生产。多样式制造技术的要求是对客户的规格变化能有迅速且精确的反应。以轮框加工自动化为例,当加工条件改变以制作不同轮框型式(如不同的中心孔径等)时,具有多样式生产能力的轮框加工自动化单元必须能够迅速且精确的改变其制程条件和量测产品精度,以达到低成本、短交期和高品质的目标。量测产品精度的时间往往旷日废时,而且若不能及时量测到异常产品(工件),更会影响到生产机台的制程稳定及提高产能与良率。
产品的品质推估技术是在工件产品尚未或无法进行实际量测的情况下,利用生产机台的制程数据,预测其所生产的产品的品质。产品的品质推估技术可应用于各种产业,例如:半导体产业、薄膜晶体管-液晶显示器(TFT-LCD)产业、和工具机加工产业,其中工件于半导体厂称为晶圆,于TFT-LCD厂则称为玻璃,于工具机加工厂则称为例如轮框、螺丝、螺帽等。应用产品的品质推估技术时,必须撷取大量的历史数据来对每一个生产***或机台建立推估模型。然而,多样式生产往往是少量多样的生产模式,每一种产品型式经常没有大量的历史生产数据与产品量测数据。加上,短交期的要求更不容许等待大量产品制造后再产生生产数据与产品量测数据。因此,多样式产品的生产模式不利于产品的品质推估的建置。
发明内容
本发明的一目的是在提供一种产品的品质推估方法,借以提供可适用于多样式产品的生产模式的产品的品质推估技术。
本发明的又一目的是在提供一种多样式产品的品质推估方法,借以迅速且精确预测产品品质。
根据本发明上述目的,提出一种多样式产品的品质推估方法。在此方法中,首先,获得分别对应至多个第一工件的多组第一制程参数,其中这些组第一制程参数是在一生产***分别处理这些第一工件时所搜集到或所使用。并获得分别对应至第一工件的多个第一实际量测值,其中这些第一实际量测值是由一量测机台分别对被生产***处理后的第一工件进行量测而得。然后,计算一决定性样本集合(Determinative Samples DS)中的所有工件的实际量测值的平均值,而获得一第一平均实际量测值,其中此决定性样本集合中的工件是在生产***处理完第一工件后被处理,此决定性样本集合中的工件的制程参数是在生产***分别处理工件时所搜集到或所使用,此决定性样本集合中的工件的实际量测值是由量测机台分别对被生产***处理后的工件进行量测而得。接着,对第一实际量测值进行排序后,计算排序后的第一实际量测值中每相邻的二第一实际量测值间的一差值的绝对值。然后,由第一工件中找出多个断点,这些断点为当前述的差值的绝对值大于或等于一断点门槛值时前述的每相邻的二第一实际量测值的一者所对应的工件。接着,根据这些断点将第一工件分成多个群组。然后,计算每一个群组中的所有工件的实际量测值的平均值,而获得多个第二平均实际量测值。接着,分别调整第一工件的实际量测值为多个标的量测值,其中每一个标的量测值为其对应的第一工件的实际量测值减其所属的群组的第二平均实际量测值后,再加上决定性样本集合的第一平均实际量测值。然后,使用第一工件的第一制程参数和标的量测值,并根据一预测演算法,来建立或重新训练一推估模型。
在一些实施例中,在计算决定性样本集合中的所有工件的实际量测值的平均值的操作前,首先获得一第二工件的一组第二制程参数,其中此第二工件是在上述的生产***处理完第一工件后被处理,此组第二制程参数是在生产***处理此第二工件时所搜集到或所使用。接着,获得第二工件的一第二实际量测值,其中此第二实际量测值是由上述的量测机台分别对被生产***处理后的第二工件进行量测而获得。然后,当生产***的一状态改变发生时,设定一状态改变旗标为是。当此状态改变旗标为是时,进行一量测品质检查操作,以检查第二实际量测值的品质是否优良,而获得一第一检查结果。当第一检查结果为优良时,将第二工件加入至上述的决定性样本集合。接着,检查决定性样本集合中的工件数目是否小于或等于一决定性样本数量的门槛值,而获得一第二检查结果。当第二检查结果为是时,计算决定性样本集合中的所有工件的实际量测值的平均值,而获得第一平均实际量测值。
在一些实施例中,上述的状态改变旗标为否时,则将上述的决定性样本集合清空。
在一些实施例中,上述的量测品质检查操作是根据第二工件的型式所提供的一管制上限(Upper Control Limit;UCL)和一管制下限(Lower Control Limit;LCL),来检查上述的第二实际量测值的品质是否优良。
在一些实施例中,在上述的量测品质检查操作中,当第二工件与其前一实际量测值品质优良的工件的实际量测值间差值的绝对值大于一量测门槛值时,第一检查结果为否,代表上述的第二实际量测值的品质不佳。当第二工件与其前一实际量测值品质优良的工件的实际量测值间差值的绝对值小于或等于量测门槛值时,第一检查结果为是,代表第二实际量测值的品质优良,量测门槛值为上述的管制上限减上述的管制下限后的绝对值乘以一预设值,断点门槛值等于量测门槛值。
在一些实施例中,上述的决定性样本数量的门槛值为3、4或5。
在一些实施例中,上述的多样式产品的品质推估方法,还包含:使用上述的生产***分别处理第一工件,并在生产***分别处理第一工件时搜集生产***的第一制程参数;使用上述的量测机台分别对被生产***处理后的第一工件进行量测,而获得第一实际量测值;在生产***处理完第一工件后,使用生产***处理第二工件,并在生产***处理第二工件时搜集生产***的此组第二制程参数;以及使用量测机台分别对被生产***处理后的第二工件进行量测,而获得第二实际量测值。
在一些实施例中,上述的状态改变包含上述的生产***的机台保养、机台维修、配方调整或机台闲置一段时间。
在一些实施例中,当第二检查结果为否时,设定上述的状态改变旗标为否,并将上述的决定性样本集合清空。
在一些实施例中,上述的建立或重新训练推估模型的操作是使用第一工件的组第一制程参数和标的量测值,及上述的决定性样本集合中的所有工件的制程参数和实际量测值。
因此,应用本发明实施例,可适用于多样式产品的生产模式的产品品质推估技术,并可迅速且精确预测产品品质。
附图说明
为了更完整了解实施例及其优点,现参照结合所附附图所做的下列描述,其中
图1为绘示根据本发明一些实施例的多样式产品的品质推估***的架构示意图;
图2为绘示根据本发明一些实施例的用以说明多样式产品的品质推估方法的工件样本的量测值曲线;
图3A和图3B为绘示根据本发明一些实施例的多样式产品的品质推估方法的流程示意图;
图4为绘示本发明实施例的多样式产品的品质推估方法的一应用例的结果;以及
图5A和图5B为绘示本发明实施例的多样式产品的品质推估方法的另一应用例的结果,其中图5B为图5A中的详细AA的放大图。
具体实施方式
以下仔细讨论本发明的实施例。然而,可以理解的是,实施例提供许多可应用的发明概念,其可实施于各式各样的特定内容中。所讨论的特定实施例仅供说明,并非用以限定本发明的范围。
请参照图1,图1为绘示根据本发明一些实施例的多样式产品的品质推估***的架构示意图。多样式产品的品质推估***包含:服务器100、数据撷取装置110、生产***120和量测机台130。服务器100是用以建立或重新训练一预测***,来对工件进行产品的品质推估。服务器100具有目标值调变机制,用以调整多样式产品的生产环境的建模样本来建立或重新训练预测***。数据撷取装置110是用以撷取生产***120处理工件时所搜集到或所使用的制程参数,和量测机台130量测到的工件的实际量测值。数据撷取装置110可为例如通用型嵌入式装置。本发明实施例亦可描述于一制造***的语境中。本发明可建置在半导体制作和其他制造工业,工件或产品包含但不受限于微处理器、记忆体装置、数字信号处理器、专门应用的电路(ASICs)或其他类似装置;或车辆轮框、螺丝或其他类似元件。生产***120包含一或多个生产机台,其可用以形成一或多个产品或产品的一部分,在工件(例如:晶圆)上或中。生产机台可为任何数目和任何型式,包含有微影机台、沉积机台、蚀刻机台、研磨机台、退火机台、工具机和类似工具。在一些实施例中,量测机台130亦包含散射仪、椭圆偏光仪、扫描式电子显微镜和类似仪器。例如:在轮框加工自动化(WMA)生产中,生产***120可包含两台车床和一台钻床。量测机台130可包含三次元测量仪(CoordinateMeasuring Machine;CMM)或自动光学检查(Automated Optical Inspection;AOI)设备。为应对多样式产品的需求生产,轮框加工自动化(WMA)需要产生许多种生产条件的调整,以在同一生产***120中生产各种不同型式的轮框。
请参照图2,图2为绘示根据本发明一些实施例的用以说明多样式产品的品质推估方法的工件样本的量测值曲线。如图2所示,多样式产品的生产特色是少量多样(型式B、型式C和型式D),且每一种型式的工件样本数量均相当有限,故难以对每一种型式均建置一个预测(推估)模型。特别是,当生产***120的状态改变(例如:工件型式改变)时,更需要建置或重新训练推估模型。生产***120的状态改变的态样包含有生产***120的机台保养、机台维修、配方调整(生产新型式的工件)或机台闲置一段时间。因此,本发明实施例所面对的问题是:当生产***120的状态改变时,如何使用生产***120的状态改变前的工件样本M1至Mm的制程参数与实际量测值数据,和生产***120的状态改变后的少量的工件样本R1、R2、R4或R6的制程参数与实际量测值数据,来建立或重新训练推估模型,以预测下一新型式的工件(如R7)的量测值(即推估量测值)。本发明实施例所面对的另一问题是:如何将工件样本M1至Mm依其不同型式进行分组。因此,本发明实施例提出目标值调变机制来解决上述问题。
请参照图2和图3A和图3B,图3A和图3B为绘示根据本发明一些实施例的多样式产品的品质推估方法的流程示意图。首先,进行操作310,获得分别对应至多个第一工件(M1至Mm)的多组第一制程参数和多个第一实际量测值(y),并获得第二工件(R1、R2、R4或R6)的一组第二制程参数和第二实际量测值(y)。其中第二工件是在生产***处理完第一工件(Mm)后被处理,此组第二制程参数是在生产***处理第二工件时所搜集到或所使用。这些组第一制程参数是在生产***分别处理第一工件时所搜集到或所使用,这些第一实际量测值是由一量测机台分别对被生产***处理后的第一工件进行量测而得。
在一些实施例中,第一制程参数和第一实际量测值以及第二制程参数和第二实际量测值是先存在数据库或记忆体中,再提供给服务器的处理器建模。处理器可包含任何型式的处理器、微处理器、或可编译并执行指令的场效型可编程逻辑阵列(FieldProgrammable Gate Array;FPGA)。处理器可包含单一装置(例如单核心)或一组装置(例如多核心)。记忆体可包含可储存供处理器206执行的信息和指令的随机存取记忆体(RandomAccess Memory;RAM)或其它型式的动态储存装置。
在一些实施例中,使用生产***分别处理第一工件,并在生产***分别处理第一工件时搜集生产***的第一制程参数,并使用量测机台分别对被生产***处理后的第一工件进行量测,而获得第一实际量测值。在生产***处理完第一工件后,使用生产***处理第二工件,并在生产***处理第二工件时搜集生产***的第二制程参数,并使用量测机台分别对被生产***处理后的第二工件进行量测,而获得第二实际量测值。
在操作320中,检查一状态改变旗标是否为是,其中当生产***的一状态改变发生时,设定状态改变旗标为是。换言之,若状态改变旗标为是,则代表生产***有状态改变发生。在图2所示的实施例中,当生产***生产另一种型式的工件,生产***的状态有所改变,状态改变旗标为是。当操作320的结果为是时,可进行一量测品质检查操作322,以检查第二工件(例如R1)的第二实际量测值的品质是否良好,而获得第一检查结果。当第一检查结果为优良时,将第二工件加入至一决定性样本集合(Determinative Samples DS)。此决定性样本集合中的工件(R1、R2、R4和/或R6)是在生产***处理完第一工件(M1至Mm)后被处理。当第一检查结果为不佳时,则不将第二工件加入至决定性样本集合。在一些实施例中,量测品质检查操作322是根据第二工件的型式所提供的一管制上限(Upper Control Limit;UCL)和一管制下限(Lower Control Limit;LCL),来检查第二实际量测值的品质是否优良。
在一些实施例中,当第二工件(例如R3和R5)与其前一实际量测值品质优良的工件(例如R2和R4)的实际量测值间差值的绝对值大于一量测门槛值(δT)时,第一检查结果为否,代表第二实际量测值的品质不佳(例如R3和R5);当第二工件(例如R2、R4和R6)与其前一实际量测值品质优良的工件(例如R1、R2和R4)的实际量测值间差值的绝对值小于或等于量测门槛值(δT)时,第一检查结果为是,代表第二实际量测值的品质优良(例如R2、R4和R6)。量测门槛值(δT)为管制上限减管制下限后的绝对值乘以一预设值(α),其定义如公式(1)。在一些实施例中,α为0.2。然而,α可依实际状况加以调整。
δT=α*|UCLNewType-LCLNewType| (1)
然后,进行操作330,以检查决定性样本集合中的工件数目是否小于或等于一决定性样本数量的门槛值(TDS),而获得第二检查结果。TDS是定义为建构或重新训练推估模型所需的新型式工件的数目,其亦决定目标值调变机制需迭代的次数。一般而言,TDS为3-5次便已足够建构或重新训练推估模型,故可符合多样式产品生产的少量多样的需求。当第二检查结果为否时,代表目标值调变机制已完成,即生产***的状态正常,应设定状态改变旗标为否(操作332),并将决定性样本集合(DS)清空(操作334)。此外,当操作320的结果为否时(即状态改变旗标为否),亦将决定性样本集合(DS)清空(操作334)。当操作330的第二检查结果为是时,计算决定性样本集合中的所有工件的实际量测值的平均值(操作340),而获得第一平均实际量测值其定义如公式(2)。可理解的是,在一些实施例中,亦可略过前述的操作320、322和330,在操作310后直接进行操作340。
在操作340后直接进行操作350,以对第一工件(M1至Mm)的第一实际量测值进行排序。在一些实施例中,第一工件(M1至Mm)的第一实际量测值是以渐增的方式进行排序。然后,计算排序后的第一工件(M1至Mm)的第一实际量测值中每相邻的二第一实际量测值间的一差值的绝对值(操作360),例如:|M4的型式C实际量测值*C-M3的型式B实际量测值*B|、|M7的型式D实际量测值*D-M6的型式C实际量测值*C|。接着,并由第一工件(M1至Mm)中找出多个断点([M3、M6]或[M4、M7])(操作370),这些断点为当上述的差值大于或等于一断点门槛值时的每相邻的二第一实际量测值的一者所对应的工件。例如:断点M3为相邻的M3、M4的前者,断点M6为相邻的M6、M7的前者。当然,这些断点亦可为当上述的差值大于或等于一断点门槛值时的每相邻的二第一实际量测值的后者所对应的工件,例如:M4、M7)。值得一提的是,在一些实施例中,断点门槛值可等于量测门槛值(δT)。当然,断点门槛值亦可视实际状况而有所调整。接着,根据这些断点将第一工件(M1至Mm)分成多个群组[M1、M2、M3];[M4、M5、M6];[M7、...、Mm](操作380)。
然后,进行操作390,以计算每一个群组G1[M1、M2、M3]中的所有工件的实际量测值*B的平均值;每一个群组G2[M4、M5、M6]中的所有工件的实际量测值*C的平均值;每一个群组G3[M7、...、Mm]中的所有工件的实际量测值*D的平均值,而获得多个第二平均实际量测值接着,进行操作392,以分别调整第一工件的实际量测值为多个标的量测值其中每一个标的量测值为其对应的第一工件(M1...或Mm)的实际量测值减其所属的群组的第二平均实际量测值后,再加上决定性样本集合的第一平均实际量测值如公式(3)所示。
如图2所示,群组G1[M1、M2、M3]中的每一个工件的实际量测值*B被调整为*A;群组G2[M4、M5、M6]中的每一个工件的实际量测值*C被调整为*A;群组G3[M7、...、Mm]中的每一个工件的实际量测值*D被调整为*A。然后,进行操作394,以使用第一工件的第一制程参数和标的量测值,并根据一预测演算法,来建立或重新训练一推估(预测)模型,以预测与第二工件同型的工件的量测值。在一些实施例中,操作394是使用第一工件的第一制程参数和标的量测值、及决定性样本集合中的所有工件的制程参数和实际量测值,来建立或重新训练推估(预测)模型。本发明实施例所使用的预测演算法包含一类神经网路(Neural Network;NN)演算法、一复回归(Multi-Regression;MR)演算法、一部分最小平方(Partial Least Square;PLS)演算法、一支持向量机(Support Vector Machines;SVM)演算法或其他类似演算法。
可理解的是,本发明的多样式产品的品质推估方法为以上所述的实施步骤,本发明的内储用于量测抽样的计算机程序产品,是用以完成如上述的量测抽样的方法。上述实施例所说明的各实施步骤的次序可依实际需要而调动、结合或省略。上述实施例可利用计算机程序产品来实现,其可包含储存有多个指令的机器可读取媒体,这些指令可程序化(programming)计算机来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软盘、光盘、只读光盘、磁光盘、只读记忆体、随机存取记忆体、可抹除可程序只读记忆体(EPROM)、电子可抹除可程序只读记忆体(EEPROM)、光卡(optical card)或磁卡、快闪记忆体、或任何适于储存电子指令的机器可读取媒体。再者,本发明的实施例也可作为计算机程序产品来下载,其可通过使用通讯连接(例如网路连线的类的连接)的数据信号来从远程计算机转移本发明的计算机程序产品至请求计算机。
以下举两个应用例来说明本发明确实有重大功效。请参照图4,图4为绘示本发明实施例的多样式产品的品质推估方法的一应用例的结果,其中VMI为推估量测值。本应用例是用以预测被半导体干式蚀刻机台所蚀刻的材料层的蚀刻深度(推估量测值)。同一个半导体蚀刻机台往往需蚀刻晶圆上不同的材料层,即如上述的不同型式的工件。由于各材料层所处理的数量有限,故此应用例符合上述的少量多样的生产环境。图4绘示有三种推估模型的结果,其分别:(1)无关键制程参数“步骤时间”且无目标值调变机制的推估模型(在此称为模型1)的结果;(2)有关键制程参数“步骤时间”但无目标值调变机制的推估模型(在此称为模型2)的结果;(3)无关键制程参数“步骤时间”但有目标值调变机制的推估模型(在此称为模型3)的结果。本应用例先使用117个工件的制程参数组和实际量测值来建置以上三种推估模型,再以图4所示的85个工件分别测试三种推估模型的精度,其中在工件样本号码1、38、54、78前分别发生机台状态改变。本应用例所使用的制程参数组包含25个制程参数(如控制阀角度、RF功率等)。根据专家知识,干式蚀刻的制程时间(即“步骤时间”)是直接影响蚀刻深度的关键制程参数。本应用例使用平均絶对误差百分比(Mean AbsolutePercentage Error;MAPE)来评估推估模型的精度。
如图4所示,模型1的MAPE为1.79%,且遇到机台状态改变时,需要更多工件样本来调控推估模型。因此,模型1的精度太低。模型2的MAPE为0.62%,且可反应遇到机台状态改变时的变异。然而,当无法确认或获得关键制程参数时,便需要使用本发明的目标值调变机制。模型3的MAPE为0.92%,且可及时反应遇到机台状态改变时的变异。当然,若模型3同时具有关键制程参数“步骤时间”和目标值调变机制,则其MAPE会更小,模型3的精度将会更高。
请参照图5A和图5B,图5A和图5B为绘示本发明实施例的多样式产品的品质推估方法的另一应用例的结果,其中图5B为图5A中的详细AA的放大图,VMI为推估量测值。本应用例是用以预测被轮框加工自动化(WMA)单元所生产的三种型式的铝合金轮框的中心孔径(推估量测值)。三种型式的铝合金轮框为型式A的铝合金轮框(中心孔径的规格为83.10mm)、型式B的铝合金轮框(中心孔径的规格为64.05mm)、型式C的铝合金轮框(中心孔径的规格为64.10mm)。本应用例总共使用115个工件的制程参数组和实际量测值(其中有58个型式A的铝合金轮框、33个型式B的铝合金轮框和24个型式C的铝合金轮框)。前25个型式A的铝合金轮框的制程参数组和实际量测值是用来建置二种推估模型,分别为无目标值调变机制的推估模型(在此称为模型A)和有目标值调变机制的推估模型(在此称为模型B)。这些25个型式A的铝合金轮框是在数天前被生产,然后再依序生产33个型式A的铝合金轮框、33个型式B的铝合金轮框和24个型式C的铝合金轮框。图5A和图5B是绘示模型A和模型B分别预测33个型式A的铝合金轮框、33个型式B的铝合金轮框和24个型式C的铝合金轮框的中心孔径的结果。在工件样本号码1、34、67前分别发生机台状态改变,此是因量测机台(自动光学检查(AOI)设备)需校正以量测型式B和型式C铝合金轮框的中心孔径。模型B所使用的决定性样本集合中的工件数目为3,即决定性样本数量的门槛值为3。本应用例使用平均绝对误差(Mean Absolute Error;MAE)来评估推估模型A和B的精度。
如图5A和图5B所示,模型A(无目标值调变机制)所预测的型式A铝合金轮框的MAE为可接受的0.0057mm。此是因为原本的推估模型是使用型式A铝合金轮框的样本数据所建构。然而,当由型式A铝合金轮框转变为型式B铝合金轮框时,模型A(无目标值调变机制)预测型式B铝合金轮框的结果便无法被接受。然后,当由型式B铝合金轮框转变为型式C铝合金轮框时,虽然型式B铝合金轮框转变为型式C铝合金轮框的中心孔径的规格变化很小,但模型A(无目标值调变机制)预测的型式C铝合金轮框的结果仍无法被接受。
相对地,如图5A和图5B所示的模型B(有目标值调变机制)的预测结果,在遇到在工件样本号码1前所发生的机台状态改变后,有两个具优良实际量测值的工件加入至决定性样本集合(DS)。目标值调变机制发现工件样本号码3的实际量测值的品质不佳,不能加入至决定性样本集合,故将工件样本号码4加入至决定性样本集合。然后,每10个工件样本取1个来调整推估模型。模型B(有目标值调变机制)所预测的型式A铝合金轮框的MAE为可接受的0.0034mm,优于模型A(无目标值调变机制)。接着,轮框生产型式转变至型式B,因而在工件样本号码34前遇到另一次机台状态改变。再次将3个具优良实际量测值的工件加入至决定性样本集合,并每10个工件样本取1个来调整推估模型。只有样本号码34的推估量测值的精度不佳,此是因为轮框生产型式刚转变至型式B。模型B(有目标值调变机制)其余样本的预测均相当接近实际量测值,其MAE为0.0040mm。然后,轮框生产型式转变至型式C,因而在工件样本号码67前遇到又一次机台状态改变。模型B(有目标值调变机制)对型式C铝合金轮框的品质推估的表现与对型式B铝合金轮框一样好。
由上述本发明实施方式可知,本发明实施例的多样式产品的品质推估方法可适用于多样式产品的生产模式的品质推估技术,并迅速且精确地预测产品品质。
虽然本发明已以实施方式揭露如上,然其并非用以限定本发明,任何熟悉此技艺者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰,因此本发明的保护范围当视所附的权利要求书所界定的范围为准。
Claims (10)
1.一种多样式产品的品质推估方法,其特征在于,该多样式产品的品质推估方法包含:
获得分别对应至多个第一工件的多组第一制程参数,其中所述多组第一制程参数是在一生产***分别处理所述多个第一工件时所搜集到或所使用;
获得分别对应至所述多个第一工件的多个第一实际量测值,其中所述多个第一实际量测值是由一量测机台分别对被该生产***处理后的所述多个第一工件进行量测而得;
计算一决定性样本集合中的所有工件的实际量测值的平均值,而获得一第一平均实际量测值,其中该决定性样本集合中的工件是在该生产***处理完所述多个第一工件后被处理,该决定性样本集合中的工件的制程参数是在该生产***分别处理工件时所搜集到或所使用,该决定性样本集合中的工件的实际量测值是由该量测机台分别对被该生产***处理后的工件进行量测而得;
对所述多个第一实际量测值进行排序;
计算排序后的所述多个第一实际量测值中每相邻的二第一实际量测值间的一差值的绝对值;
由所述多个第一工件中找出多个断点,所述多个断点为当该差值的绝对值大于或等于一断点门槛值时该每相邻的二第一实际量测值的一者所对应的工件;
根据所述多个断点将所述多个第一工件分成多个群组;
计算每一所述群组中的所有工件的实际量测值的平均值,而获得多个第二平均实际量测值;
分别调整所述多个第一工件的所述实际量测值为多个标的量测值,其中每一所述标的量测值为其对应的第一工件的实际量测值减其所属的群组的第二平均实际量测值后,再加上该决定性样本集合的该第一平均实际量测值;以及
使用所述多个第一工件的所述多组第一制程参数和所述多个标的量测值,并根据一预测演算法,来建立或重新训练一推估模型。
2.根据权利要求1所述的多样式产品的品质推估方法,其特征在于,该多样式产品的品质推估方法还包含:
获得一第二工件的一组第二制程参数,其中该第二工件是在该生产***处理完所述多个第一工件后被处理,该组第二制程参数是在该生产***处理该第二工件时所搜集到或所使用;
获得该第二工件的一第二实际量测值,其中该第二实际量测值是由该量测机台分别对被生产***处理后的该第二工件进行量测而获得;
当该生产***的一状态改变发生时,设定一状态改变旗标为是;
当该状态改变旗标为是时,进行一量测品质检查操作,以检查该第二实际量测值的品质是否优良,而获得一第一检查结果;
当该第一检查结果为优良时,将该第二工件加入至该决定性样本集合;
检查该决定性样本集合中的工件数目是否小于或等于一决定性样本数量的门槛值,而获得一第二检查结果;
当该第二检查结果为是时,计算该决定性样本集合中的所有工件的实际量测值的平均值,而获得该第一平均实际量测值。
3.根据权利要求2所述的多样式产品的品质推估方法,其特征在于,该多样式产品的品质推估方法还包含:
当该状态改变旗标为否时,则将该决定性样本集合清空。
4.根据权利要求2所述的多样式产品的品质推估方法,其特征在于,该量测品质检查操作是根据该第二工件的型式所提供的一管制上限和一管制下限,来检查该第二实际量测值的品质是否优良。
5.根据权利要求4所述的多样式产品的品质推估方法,其特征在于,在该量测品质检查操作中,当该第二工件与其前一实际量测值品质优良的工件的实际量测值间差值的绝对值大于一量测门槛值时,该第一检查结果为否,代表该第二实际量测值的品质不佳;以及
当该第二工件与其前一实际量测值品质优良的工件的实际量测值间差值的绝对值小于或等于该量测门槛值时,该第一检查结果为是,代表该第二实际量测值的品质优良,该量测门槛值为该管制上限减该管制下限后的绝对值乘以一预设值,该断点门槛值等于该量测门槛值。
6.根据权利要求2所述的多样式产品的品质推估方法,其特征在于,该决定性样本数量的门槛值为3、4或5。
7.根据权利要求2所述的多样式产品的品质推估方法,其特征在于,该多样式产品的品质推估方法,还包含:
使用该生产***分别处理所述多个第一工件,并在该生产***分别处理所述多个第一工件时搜集该生产***的所述第一制程参数;
使用该量测机台分别对被生产***处理后的所述多个第一工件进行量测,而获得所述多个第一实际量测值;
在该生产***处理完所述多个第一工件后,使用该生产***处理该第二工件,并在该生产***处理该第二工件时搜集该生产***的该组第二制程参数;以及
使用该量测机台分别对被该生产***处理后的该第二工件进行量测,而获得所述第二实际量测值。
8.根据权利要求2所述的多样式产品的品质推估方法,其特征在于,该状态改变包含该生产***的机台保养、机台维修、配方调整或机台闲置一段时间。
9.根据权利要求2所述的多样式产品的品质推估方法,其特征在于,该多样式产品的品质推估方法还包含:
当该第二检查结果为否时,设定该状态改变旗标为否,并将该决定性样本集合清空。
10.根据权利要求1所述的多样式产品的品质推估方法,其特征在于,该建立或重新训练该推估模型的操作是使用所述多个第一工件的所述多组第一制程参数和所述多个标的量测值,及该决定性样本集合中的所有工件的制程参数和实际量测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611261952.4A CN108268987B (zh) | 2016-12-30 | 2016-12-30 | 多样式产品的品质推估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611261952.4A CN108268987B (zh) | 2016-12-30 | 2016-12-30 | 多样式产品的品质推估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108268987A CN108268987A (zh) | 2018-07-10 |
CN108268987B true CN108268987B (zh) | 2021-08-06 |
Family
ID=62755030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611261952.4A Active CN108268987B (zh) | 2016-12-30 | 2016-12-30 | 多样式产品的品质推估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268987B (zh) |
Families Citing this family (1)
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 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6249135B1 (en) * | 1997-09-19 | 2001-06-19 | Fujitsu Limited | Method and apparatus for passive optical characterization of semiconductor substrates subjected to high energy (MEV) ion implantation using high-injection surface photovoltage |
EP1701232B1 (en) * | 2003-12-24 | 2016-03-02 | Nippon Steel & Sumitomo Metal Corporation | Manufacturing/distribution schedule creation device and method, manufacturing/distribution process control device and method, computer program, and computer-readable recording medium |
CN101738991B (zh) * | 2008-11-26 | 2014-09-10 | 国立成功大学 | 检测产品品质超规与评估产品实际测量值的方法 |
US8995526B2 (en) * | 2009-07-09 | 2015-03-31 | Qualcomm Incorporated | Different weights for uni-directional prediction and bi-directional prediction in video coding |
US8396583B2 (en) * | 2010-03-25 | 2013-03-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system for implementing virtual metrology in semiconductor fabrication |
CN102262188B (zh) * | 2010-05-28 | 2013-06-05 | 先知科技股份有限公司 | 工件抽样检验的方法 |
WO2013077191A1 (ja) * | 2011-11-25 | 2013-05-30 | 東京エレクトロン株式会社 | 処理装置群コントローラ、生産処理システム、処理装置群制御方法、生産効率化システム、生産効率化装置および生産効率化方法 |
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 |
US9176183B2 (en) * | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
WO2014078739A1 (en) * | 2012-11-15 | 2014-05-22 | The General Hospital Corporation | Methods and systems for diagnosing prenatal abnormalities |
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 |
CN105247544A (zh) * | 2013-03-15 | 2016-01-13 | 马克·根比茨基 | 使用情报指标的增强型营运弹性评分 |
CN104657526B (zh) * | 2013-11-21 | 2017-09-29 | 郑芳田 | 工具机的加工品质的预测方法 |
KR20150103578A (ko) * | 2014-03-03 | 2015-09-11 | 삼성전자주식회사 | 공정 관리 시스템 및 장치 |
TWI521360B (zh) * | 2014-03-26 | 2016-02-11 | 國立成功大學 | 量測抽樣方法與其電腦程式產品 |
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 |
CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
CN106208771B (zh) * | 2016-07-18 | 2019-05-24 | 上海交通大学 | 模块化多电平变流器逆向模型预测控制方法 |
-
2016
- 2016-12-30 CN CN201611261952.4A patent/CN108268987B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108268987A (zh) | 2018-07-10 |
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 | |
CN109154781B (zh) | 获得测量的方法、用于执行过程步骤的设备和计量设备 | |
TWI410822B (zh) | 先進製程控制方法和系統 | |
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 | |
TWI614699B (zh) | 大量客製化產品的品質預測方法 | |
TW202037906A (zh) | 半導體設備的缺陷分類及來源分析 | |
JP4874678B2 (ja) | 半導体製造装置の制御方法、および半導体製造装置の制御システム | |
KR20190062580A (ko) | 산업 프로세스를 제어하기 위한 방법 및 장치 | |
CN110503288B (zh) | 考虑机台交互作用的辨识良率损失原因的***与方法 | |
KR20060063929A (ko) | 동적 계측 샘플링 방법들 | |
TW201432479A (zh) | 製程參數的搜尋與分析方法及其電腦程式產品 | |
CN109074529B (zh) | 匹配记录的方法、调度维护的方法和装置 | |
KR20070051939A (ko) | 진행중인 계측 작업을 동적으로 제어하는 방법 및 시스템 | |
US6687561B1 (en) | Method and apparatus for determining a sampling plan based on defectivity | |
US20220050023A1 (en) | System for predicting anomalies of machining | |
WO2006031263A1 (en) | Method and system for calibrating integrated metrology systems and stand-alone metrology systems that acquire wafer state data | |
TW201729024A (zh) | 辨識良率損失之根本原因的系統與方法 | |
CN108268987B (zh) | 多样式产品的品质推估方法 | |
US7533313B1 (en) | Method and apparatus for identifying outlier data | |
CN113971365A (zh) | 使用卷积神经网络的虚拟量测方法 | |
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 | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
CN102254788B (zh) | 具有虚拟测量功能的制造执行***与制造*** | |
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 | |
KR102209725B1 (ko) | 메트롤로지 시스템의 성능을 예측하는 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |