[0019] 为了使本发明的目的、特征、及优点能更浅显易懂，下文特举较佳的实施例，并结合附图，做详细说明如下。
[0020] 在半导体的晶圆加工过程中，现场工程师都会在机台内部设置传感器（如：流量、压力、温度、电压等），来监控整个加工过程，并由FDC系统收集过程变量数据、传送到数据收集引擎与处理系统，经过运算处理、产生虚拟量测结果。
[0021] 如图1所示：该混合制程的虚拟量测系统包括生产机台105、APC系统103、一FDC系统117、数据收集引擎与处理系统115、产品质量测试仪111、多种规格的待加工产品101、加工后抽样到的产品109、加工后未抽样的产品107、以及由虚拟测量模型预估的已加工产品113。APC系统操控生产机台105对待加工产品101进行加工，FDC系统117获取至少一生产机台105的过程变量数据；产品质量测试仪111测试所抽样已加工产品107的质量数据；数据收集引擎与处理系统115获取FDC系统117的过程变量数据，以及产品质量测试仪111所检测的包含所有规格产品的质量数据；数据收集引擎与处理系统115对收集的数据进行处理，并结合产品的效益因子，建立MANCOVA虚拟测量模型，实现对加工后未抽样产品107的产品质量进行预测，得到未抽样、已加工产品113的质量数据，从而实现对这个混合制程的品质管制。
[0022] 其中，FDC系统117监控生产机台105的整个加工过程，并收集所有过程变量数据：x1[i],x2[i],…,xP[i]，其中#i为生产批次号，P为过程变量的个数；
[0023] 其中，产品质量测试仪111检测抽样已加工产品107的质量数据：yj[i][i]，j[i]表示第#j号产品在第#i批次加工，其j[i]∈[1,2,…,J]（即：总共有J种规格的产品）；
[0024] 其中，数据收集引擎与处理系统115先对过程变量数据进行归一化处理，具体方法是：先减去该过程变量的平均值up(xp[i])，再除以该过程变量的标准偏差σp(xp[i])，即：
[0025]
[0026] 其中，数据收集引擎与处理系统115计算抽样已加工产品107的质量数据的平均值μ，并设置各种规格产品的效益因子τ1,τ2,…,τJ，再结合产品质量测试仪111检测的质量数据yj[i][i]，建立MANCOVA模型：
[0027]
[0028]
[0029] 其中，数据收集引擎与处理系统115根据先前收集的n组批次生产过程的数据（亦即：i=1,2,…,n），利用最小二乘算法估计得到MANCOVA虚拟测量模型的参数值。
[0030] 其中，MANCOVA模型参数的估计过程分二步完成；
[0031] 第一步：先由最小二乘算法，估算MANCOVA模型的线性系数β1,β2,…,βP：T -1 T
[0032] B=(XX) XY
[0033]
[0034] 第二步，将产品质量测试仪111检测的质量数据yj[i][i]减去由β1,β2,…βP与FDC系统117的过程变量数据x1[i],x2[i],…,xP[i]相乘所得的估计值，得到第一步计算的残差项e[1],e[2],…,e[n]：
[0035]
[0036] 再利用该残差项，由最小二乘算法，估计多产品的效益因子τ1,τ2,…,τJ，这里，产品效益因子的估算方程式可写成如下形式：
[0037]
[0038]
[0039] 其中，j为产品规格序号，δj[i]为克罗内尔积。当j[i]=j且j
[0040] 由于数据收集引擎与处理系统115的每一笔记录代表一个产品在生产线上加工，因此有：
[0041]
[0042] 从而，由最小二乘算法估计得到多产品的效益因子τ1,τ2,…,τJ。
[0043] τ=(δTδ)-1δT(E-μ)
[0044]
[0045] 承上所述，所建立的混合制程的虚拟测量模型为：
[0046]
[0047] FDC系统117监控整个生产过程的过程变量数据，其中包括未抽样已加工产品107的过程变量，籍由该过程变量数据，利用式（8）的MANCOVA虚拟测量模型，可预测未抽样已加工产品113的质量，实现整个混合制程的品质监控。
