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。