元智大學工業工程與管理學系學位論文
元智大學,正常發行
選擇卷期
已選擇0筆
- 學位論文
在半導體廠中，影響良率的因子除了製程配方的設定，亦包含了週期時間。當晶圓經過特定的製程步驟之週期時間越長，越容易收到粉塵的汙染與氧化，導致晶圓鋪設的電路受損，進而影響晶圓生產的良率。除此以外，某些製程步驟中的異常事件會同時降低晶圓生產之良率與增加其生產週期時間。因此如何透過週期時間尋找影響晶圓生產良率的關鍵之製程步驟成為良率分析之重要課題。 然而以生產週期時間進行良率分析存在了四個挑戰。第一個挑戰為良率分析基於週期時間效率問題。現今半導體廠有數百道製程步驟，若逐一將所有的製程步驟間週期時間與良率進行關聯性分析，將需要大量的演算時間。第二個挑戰為週期時間與良率之離群值效應。若分析過程中離群值沒有受到考量，將不利於良率分析的結果。第三個挑戰為共變量的效應。事實上週期時間並非唯一影響良率的因子，良率分析過程中忽略了其它因子對良率的影響會誤導良率分析的結果。第四個挑戰為週期時間與良率的非線性相關效應。若良率分析過程並未考量此效應，將不利於篩選的因子對於良率變量之解釋。 針對上述四項挑戰，本論文提出了一套基於週期時間之良率分析架構。此架構包含了關鍵週期時間分析、機台良率分析以及整合式良率建模等三個模組。第一個模組，關鍵週期時間分析包含了篩選與辨視兩步驟，分別解決前兩項挑戰。在篩選的步驟中，使用了皮爾森相關係數之近似值，快速標示出與良率高度相關的製程步驟間週期時間。在辨視的步驟中，則使用了斯皮爾曼等級相關係數，穩健的找出與良率有顯著相關的製程步驟間週期時間。第二個模組，機台良率分析使用變異數分析找出影響良率關鍵的機台。第三個模組，整合式良率建模協同前兩個模組，並包含了逐段線性建模以及逐步迴歸等兩個方法以解決第三項與第四項挑戰。逐段線性建模以兩組線性模型逼近週期時間與良率之非線性相關之效應，而逐步迴歸則針對影響良率關鍵的週期時間因子與機台因子進行變數篩選，對於不同性質的因子與良率進行分析。 模擬結果指出，相較於直接使用皮爾森相關係數對週期時間進行良率分析，關鍵週期時間分析不但可以得到相似的辨視率，且擁有較佳的分析效率。除此以外，本論文提出的良率分析架構於實際晶圓半導體廠的資料驗證中，同時考量了分析效率、週期時間與良率的離群值效應、共變量效應以及非線性相關效應，找出影響良率的關鍵因子。此良率分析架構不僅可以提供工程師影響良率關鍵的因子，亦可提供這些關鍵因子額外的資訊。
- 學位論文
半導體晶圓廠有非常複雜的製程步驟，以線上製程資訊對生產線終端測試數據建模為全廠製程監控(Fab-wide Process Control)以及製程良率提升非常重要的議題。生產線終端測試數據建模往往會碰到測試數據中存在著多重模式的挑戰，已經有研究提出以叢聚式迴歸(Clusterwise Linear Regression；CLR)建模的技術。然而，CLR演算法必須要預先得知資料的分群數目才能發揮其效能，且在多維度的資料型態很難呈現分群結果。本研究提出以叢聚迴歸為基之自組織映射圖網路(CLR-based Self-Organizing Map；CLR-SOM)針對多維度資料型態以視覺化的方式呈現分群結果，並提供良率工程師進行更精確分群建模所需要的相關資訊。 CLR-SOM網路主要有四個程序：(1)起始程序、(2)競爭程序、(3)合作程序以及(4)適應程序。並有三個加強CLR-SOM分群效能的方法：(1)重生、(2)軟性分群以及(3)模式間相似度調整。CLR-SOM演算法產生U-Matrix圖以視覺化的方式呈現分群結果，並可由分群結果得到分群數目、重要因子、模式的迴歸係數以及資料點對應各模式的歸屬機率。設計平行以及交叉的資料模式類型進行CLR-SOM模擬實驗，結果得到CLR-SOM的分群效能遠優於原始的SOM網路，特別是針對多重模式間距離很小的時候效能更優於原始SOM網路。實際半導體資料驗證顯示CLR-SOM偵測出此筆晶圓測試數據存在多重模式，並且尋找出隱藏因子進而將資料分群促進良率工程師診斷製程良率過低的根源。
- 學位論文
現實生活中多數的製造工廠缺乏處置事業廢棄物的裝置，因此大多委託專業的回收中心負責清運與回收工廠內的廢棄物。而一般的回收處理及產出型態中，均假設回收率為固定常數，即單位時間所能夠回收再利用物質是固定的，但現今許多產業，像是部份印刷電路板、半導體等產業，這類化學製程其回收率會隨著處理時間的增長而逐漸下降，即回收時間越長可得到有價值的回收物越少，因此回收時間越長對於回收物取得的邊際效益會越低且反而造成產能的浪費，因此本研究於綠色供應鏈體系中，主要針對具有非線性回收率性質的廢棄物，制定一套有效率的回收清運策略。探討應如何制定工廠與回收中心之間最佳清運週期，使雙方皆可在有效率的時間內得到最大利潤；以及探討如何使用回收策略於多工廠的廢棄物回收上有顯著的效益。 本研究的系統由單一工廠單一回收中心與多間工廠單一回收中心所組成，並藉由模式一單一工廠單一回收中心系統找出相關儲存區的成本、利潤與最佳週期，再擴充為模式二多工廠單一回收中心系統，再針對模式二中決策者有各間工廠與回收中心，發展出兩種回收策略，分別為各別式回收策略、整合式回收策略。並建構數學公式利用搜尋法求算最佳回收週期以達到系統的總相關成本最小化及系統總相關利潤最大化之目的。經過實驗結果分析，多工廠系統中，無論工廠數量差異與工廠間規模大小差異，整合式回收策略皆可以使回收中心得到較佳的整合效益，且發現製程回收上線與製程回收率指數對回收中心而言，整合式策略效益較大。最後針對系統中影響非線性回收物收益的因子，工廠年總廢棄物數量、回收物定價、與製程回收率上限與反應速率指數，以及多工廠系統中工廠數量及工廠間規模的差異進行敏感度分析，以提供企業經營管理參考之用。
- 學位論文
多變量管制圖可以同時監控多個具有相關性之品質特性，針對多變量製程變異性之監控，常用廣義性變異數 |S| 管制圖進行偵測。多變量管制圖之管制外訊號產生可能是由一個或多個變量所導致，然而當管制圖偵測到製程異常發生時，管制圖卻無法進一步地判別是由多變量製程中哪一個品質特性所造成之變異。為了能夠有效地判斷出發生異常之品質特性為何，在過去研究中提出以人工智慧方法進行異常變量之辨識，且僅使用一個分類模型來辨認異常來源，由於單一分類模型受限於相同的訓練樣本以及固定的參數，其辨識績效有限。本研究以整體式分類模型提升其辨識績效。 本研究將辨識管制外之訊號來源視為一個分類問題，並且提出一個整體式支援向量機辨識系統包含偵測和辨識。當多變量管制圖偵測到異常時，將以辨識系統判斷製程變異性之異常來源。一般常用來建立整體式分類器之多樣性策略為操控訓練樣本，在本研究中提出一個創新之資料多樣性方法，我們依據管制圖之不同統計特性所產生之樣本，來建構整體式分類模型，並以特徵值作為支援向量機分類器之輸入向量來提升辨識系統之績效。本研究以分類之正確率作為評估不同方法之指標，其結果顯示整體式辨識系統有助於提升異常來源辨識之績效。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
近年來，計數值管制圖之發展著重於事件時間間隔管制圖(time-between-events, TBE 管制圖) 之研究，此種管制圖特別適用於不合格率或缺點率很低的高產出製程。TBE 管制圖因其統計特性之需求，一般皆採用機率界限。本研究所使用之累積合格品數管制圖 (cumulative counts of conforming chart, CCC 管制圖) 為 TBE 管制圖的一種，用以監控高產出製程的不合格率變化。而 CCC-r 管制圖為 CCC 管制圖之延伸，可有效提高管制圖偵測製程偏移之靈敏度。過去研究大多僅探討獨立性之高產出製程，但在實際製程中，產品間通常存在相依性，故學者提出相依性 CCC-r 管制圖。然而，此管制圖具有 ARL-biased 之缺點，且當製程處於統計管制外時，其平均連串長度相當高，使管制圖無法快速發出製程異常之警訊。且當相依程度愈大則要選擇 r 愈大之管制圖，造成使用上的不便。 本研究考慮三種統計特性，將管制圖之統計設計轉換為最佳化搜尋問題。由於機率界限並不像傳統 k 倍標準差界限容易求得，在此情況下若又要符合統計特性則更難以計算，故本研究以基因演算法尋找符合統計特性之最佳管制界限。過去之統計設計大多為單一目標最佳化，而本研究則是採用多目標最佳化設計，並提出將多目標式納入基因演算法中存活篩選的求解過程之方法。本研究分別以平均連串長度與平均檢驗個數作為績效評估指標，研究結果顯示統計設計可有效提升相依性 CCC-r 管制圖之偵測績效，同時也突破原本相依性之限制範圍，提供一個更有效率的管制方法來監控高產出製程。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
現況製造業各站製程中使用較先進量測技術進行多點量測作業，在多點量測作業中會發生量測數據產生件內和件間的變異，若是將同一件產品上不同位置的量測值視為一組合理樣本，利用傳統的 SPC 進行監控，而計算出的管制界限則會較窄，造成增加型 I 誤差判讀。 由於件內多點量測位置，會受到多個獨立來源所影響，故本研究主要探討利用獨立成分分析將製程的變異來源進行分析。分別以監控原始觀測值的I-MR-R/S管制圖，以及ICA為基礎的I-MR 和Hotelling T2管制圖，並且以平均連串長度做為製程監控的績效指標。 模擬範例中，研究結果發現當出現平均數偏移以及平均數呈線性趨勢遞增之干擾項時，以ICA監控為基的多變量Hotelling T2管制圖監控績效最佳，其次為I-MR管制圖，而原始觀測值的I-MR-R/S管制圖績效最差。而在實際案例化學/物理氣相沉積薄膜(CVD,PVD)、電性阻抗值檢測站(TEG)製程中，Hotelling T2管制圖相較於I-MR、I-MR-R/S更快偵測到製程變化狀況。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
在面板廠中，設備若無法維持正常運作，其生產的產品不是良率低下，就是要直接報廢。所以為了提升設備生產運作時間，並使產品能維持一定品質，因此必須實施設備的定期維修保養工作。 本研究以真空設備中的真空泵浦為例，利用FMEA（失效模式與效應分析）進行真空泵浦零組件的研究及調查。透過真空泵浦零組件的失效模式與效應分析表來討論，並分析真空泵浦零組件的失效模式，以找出潛在的失效模式，及可能產生的後果。藉由FMEA的分析結果讓各工作人員了解當需要改善真空泵浦時，各零組件之特性及改善項目之先後順序。在探討完真空泵浦零組件的失效模式後，另外還使用機率分配方式計算真空泵浦零組件的使用壽命，並訂定維護週期，在維護週期時將真空泵浦下機進行零組件之局部維修。首先使用Minitab軟體針對常態分配、對數常態分配及韋伯分配進行機率分配適合度檢定，分析結果為韋伯分配符合本研究所使用之機率分配。接著使用韋伯分配分析真空泵浦零組件之使用壽命，再依據此分析結果訂定維護週期，並在維護週期時將真空泵浦換下做各零組件之局部維修。經由比較改善前後的結果顯示，訂定真空泵浦的局部維修週期後，能延長真空泵浦的使用時間，並能有效降低維護成本。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
製程能力指標為製程品質管制主要的工具之一，大多數的論文都是在常態假設下去進行製程能力指標信賴區間之分析，鮮少針對非常態資料來作探討。 本研究主要是根據製程能力指標Cpk值，分別選定母體為常態或非常態時之母體平均數(μ)和母體標準差(σ)，將資料對應至Burr分配後，再經由兩種不同方式來求算出製程能力指標Cpk之(1-α)×100%信賴區間，利用製程能力指標Cpk信賴區間之覆蓋率、平均寬度與標準差來探討常態與非常態資料之製程能力指標Cpk信賴區間之差異，以及比較兩種求算信賴區間方法之成效。 研究結果顯示製程能力指標Cpk之高、中、低值對信賴區間之覆蓋率並無顯著影響。樣本數越多則製程能力指標Cpk信賴區間之覆蓋率越高，而信賴區間之平均寬度與標準差越小。本研究的計算信賴區間方法二在常態分配與非常態分配之資料所得到的覆蓋率皆高於計算方法一，但方法一之信賴區間平均寬度與標準差皆小於方法二。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
本研究探討時空資料的監控問題，發展時空統計量技術以偵測時空上的資料是否有平均值偏移現象，在過去的時空偵測程序主要以概似比檢定為基礎，使用累和管制圖作為概念，累積資料在時間及空間上的變異。然而概似比檢定需要偏移相關參數為已知或可良好估計，但在實際問題中，偏移的區域範圍、幅度、時間點等，往往為未知參數。因此本論文發展以指數加權移動平均值管制圖為基礎的時空統計方法，透過整合空間資料及對時間軸加權，有效偵測異常時空型態資料。離偵測時間點越近的資料，將賦予較高之權重；而對時空型態資料作空間軸加權時，距離監控中心越近的資料，將賦予較高之權重。在此概念下發展出六種不同的加權手法，檢測手法無需預知偏移相關參數，僅需對觀察值進行不同方式的加權，便達到有效偵測異常時空資料的目標。本研究並模擬分析六種加權模型對不同異常模式的偵測效果，以輔助決策者制定改善政策或探究發生異常之原因。文末以新墨西哥(New Mexico)州男性罹患甲狀腺癌之發病情形為例，說明本論文兩種模型於實際案例上之運用。
- 學位論文
近年來，主題導向的展覽方式相當受到遊客的喜愛，不但滿足遊客於知識方面的好奇，更提供遊客在休閒、娛樂、及觀光的選擇。當假日或旺季來臨時，便會吸引成千上萬的遊客湧進展覽會場或園區中，倘若遊客於園區中走失，於偌大的範圍中找尋目標，將成為一個非常困難的任務。因此，協尋遊客便成為衡量園區服務品質優劣的一個重要指標。取代單向、長等候時間、不確定回復之傳統的廣播系統，RFID系統不但能快速確定遊客是否已離開園區，亦能縮小尋找遊客的範圍。為了提高園區的服務水準，本研究將針對主題導向的展覽場或主題樂園，提出RFID佈署系統，並應用蟻群最佳化演算法(ACO)找尋RFID讀取器的放置地點。此系統考慮兩個目標函數，第一個為針對遊客經過的多寡決定RFID讀取器的放置位置，使讀取器不浪費於覆蓋遊客較少到達或不能進入的區域；第二個為使讀取器之間的干擾達到最小。此外，本研究提出成本限制與服務水準指標。由於當公司計畫或佈署RFID系統時，其預算是有限的。在有限的預算下將會影響購買RFID設備的數量及種類。而服務水準取決於RFID讀取器覆蓋園區的百分比以及讀取器的讀取大小。最後，本研究利用東京迪士尼樂園做模擬實例，並加入了系統參數分析，以增進系統的品質。從實驗結果可以清楚的知道服務水準與成本間的關係，並且根據服務水準指標來評估或給予使用者RFID讀取器佈署結果。