批次剖面資料之動態模型分析

Dynamic Modeling of Batch Profile Data

曾國豪

指導教授 ： 曾勝滄

國立清華大學/理學院/統計學研究所/碩士(2010年)

https://doi.org/10.6843/NTHU.2010.00068

摘要

批次製程已廣泛地應用於半導體製程產業，由於此類型產品的製造過程需要極長的時間方能完成，因此產品的品質特徵值難以即時取得，因而無法有效執行線上製程管制，此時如何有效利用製程變數資料，執行製程的錯誤偵測與分類是目前製程管制的重要課題。本文以趙安國 (2008) 的統計分析流程為架構，分析批次剖面資料，但在自動化技術的改進下，蒐集製程資料的間隔時間已大幅縮短，使得樣本間存在著高度自我相關性。若存在自我相關性時，以傳統的管制圖進行監控極易產生誤判。

本文根據批次製程資料的特性，建構適合的動態模型，並逐步地解析製程中系統性的變異，其中包括自我相關性的變異、機台設定的變異以及晶圓漂移的變異，以數學模型將這些變異簡化成具有意義的統計量 (例如：動態係數、機台理想目標值與位移量度)。本文提供一種方法估計動態模型下的參數，之後，將動態模型的殘差建立成健康指標，以此監控製程中是否存在異常現象。在健康指標的偵測方面，因為出現太多無法解釋的雜訊 ，本文提出機台量測解析度的概念，過濾健康指標中出現的雜訊，更能精準且有效地找出發生問題的位置。

相較於趙安國 (2008) 所建構的模型，本文的動態模型，在建模與監控製程皆有顯著的提升。

關鍵字

錯誤偵測與分類

並列摘要

無資料

並列關鍵字

Fault Detection and Classification

參考文獻

[9] 趙安國 (2008). “批次剖面資料之錯誤偵測分析,” 國立清華大學統計學研究所碩士論文.

[1] Akima, H. (1970). “A new method of interpolation and smooth curve fitting based on local process,” Journal of Association for Computing Machinery, 17, 589-602.

[2] Johnson, R. A. and Wichern, D. W. (2007). Applied Multivariate Statistical Analysis, 6th ed., Prentice Hall, New Jersey.

[3] Kaistha, N., Moore, C. F. and Leitnaker, M. G. (2004). “A statistical process control framework for the characterization of variation in batch profiles,” Technometrics, 46, 53-67.

[4] Kourti, T. and MacGregor, J. F. (1996). “Multivariate SPC methods for process and product monitoring,” Journal of Quality Technology, 28, 409-428.