[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。