在競爭激烈的液晶面板產業中，提昇技術研發能量是液晶面板產業生存的關鍵手段。先進製程系統管制（APC, Advance Process Control）是半導體產業提升技術之重要環節。液晶面板製程與半導體製程有相當雷同；因此使用類似技術提昇製程良率應可提昇產品品質、降低生產成本及增加競爭力；而本研究針對液晶面板廠中兩項製程廠務(1)片電阻值(2)工廠契約容量，使用虛擬測量（VM, virtual metrology）技術加以進行分析研究。
(1)片電阻（RS, Sheet Resistance）為TFT/LCD前段製程中用來衡量成膜品質之重要依據，於長金屬膜之製程後均可測量[1]。然而，片電阻在工廠製程中為一隨機抽樣之測量方式，並不能對所有產品皆作測試，所以，若能於片電阻測試之前即能預知每一個產品之好壞，就可提早作策略修正，更精準得監控品質，達到降低生產成本提高良率之目的。
本研究針對影響閘電極（Gate）之片電阻控制最重的製程，利用其APC動態數據處理過後，進一步使用多變數分析方法建立虛擬電性模型，並伴隨滾動時間窗口（Moving Window）模式，以達到數據即時動態更新來反應改變之工況，準確得預測面板之片電阻。
(2)工廠契約容量之預測，關乎於企業與電力公司訂立契約容量時，成本效益間的關係。我們使用工廠預計生產量、歷史月均溫以及焓值建立線性模型，加以預測未來用電量，並參考電費、超約附加費、供電設備維持費以及擴建線補費給予建議契約容量。
主要使用典型相關分析（CCA, Canonical Correlations Analysis）與線性迴歸結合之分析：使用統計方法CCA，將各APC動態變數投影於應變數上之最佳投影向量作為變數，再由線性迴歸建立模型。

第1章 緒論 11
第2章 研究方法 13
2.1 同步化 13
2.2 線性迴歸 13
2.3 典型相關分析 14
2.3.1 典型相關分析的基本假設及模式適合度 15
2.3.2 典型相關分析之模型 16
2.3.3 典型相關係數 16
2.3.4 典型負荷量 17
2.3.5 典型相關分析的理論架構 17
第3章 片電阻值虛擬測量 21
3.1 文獻回顧 21
3.2 研究動機 27
3.3 研究成果 28
3.3.1 APC動態數據前處理 28
3.3.2 片電阻值（RS）的前處理 29
3.3.3 變數Power的前處理 30
3.3.4 變數Voltage的前處理 31
3.3.5 變數各殘氣的前處理 32
3.3.6 典型相關與線性迴歸結合分析建模預測 35
第4章 工廠契約容量虛擬測量 44
4.1 文獻回顧 44
4.2 研究動機 46
4.3 研究成果 47
4.3.1 數據分析 47
4.3.2 建模預測 48
4.3.3 訂立控制線 49
第5章 總結 58

1.田民波，平面顯示器之技術發展 = Technical development of flat panel displays，五南，2008
2.成璟，平面顯示器及未來趨勢，成璟文化發行，2007
3.趙安國，批次剖面資料之錯誤偵測分析 = Fault Detection Analysis of Batch Profile Data，碩士論文，國立清華大學統計學系研究所，2008
4.曾國雄， 多變量分析與其應用，華泰書局，1978
5.張健邦，多變量分析，三民書局，1997
6.田民波，TFT LCD 面板設計與構裝技術 = Panel designs and module assembly of TFT LCDs，五南，2008
7.K.L. Hsieh, “Incorporating ANNs and statistical techniques into achieving process analysis in TFT-LCD manufacturing industry,” Robotics and Computer-Integrated Manufacturing, vol.26, no. 1, pp.92-99, 2010
8.M.D. Ma, D.S.H. Wong, S.S. Jang and S.T. Tseng, “Fault detection based on statistical multivariate analysis and microarray visualization,” IEEE Transactions on Industrial Informatics, vol. 6, no.1, pp.18-24, 2010
9.L.F. Chen, C.T. Su and M.H. Chen, “A neural-network approach for defect recognition in TFT-LCD photolithography process,” IEEE Transactions on Electronics Packaging Manufacturing, vol. 32, no.1, pp.1-8, 2009
10.C.D. Himmel and G.S. May, “Advantages of plasma etch modeling using neural networks over statistical techniques,” IEEE Trans. Semicond. Manuf., vol. 6, no. 2, pp. 103–111, 1993
11.M.H. Hung, T.H. Lin, F.T. Cheng and R.C. Lin, “A novel virtual metrology scheme for predicting CVD thickness in semiconductor manufacturing,” IEEE/ASME Transactions on Mechatronics, vol.12, no.3, pp.308-316, 2007
12.P.H. Chou, M.J. Wu and K.K. Chen, “Integrating support vector machine and genetic algorithm to implement dynamic wafer quality prediction system,” Expert Systems with Applications, vol.37, no.6, pp.4413-4424, 2010
13.R. Bunkofske, “The user of hierarchical data analysis to predict en-of-line electrical test parameters from in-line FDC data,” In Proc. AEC/APC Symposium XVI, Westminster, CO, USA, September 2004
14.A.A. Khan, J.R. Moyne, D.M. Tilbury. An Approach for factory-wide control utilizing virtual metrology. IEEE Transactions on semiconductor Manufacturing, vol.20, no.4, pp. 364-375, 2007
15.李聰穎、林義傑、詹榮茂、陳俊隆，基因演算法應用於時間電價用戶契約容量選定，明新學報31 期pp.87-99，2005
16.陳永泰，中小企業電能需量管理系統之研究，碩士論文，義守大學資訊管理研究所，2004
17.台灣電力公司，台灣電力公司電價表，經濟部經(88)能字第88260511號函，1999