跳到主要內容

臺灣博碩士論文加值系統

(44.211.26.178) 您好!臺灣時間:2024/06/16 02:42
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:周奕圻
研究生(外文):Yi-Chi Jou
論文名稱:建立乾膜光阻生產製程中塗佈作業之ANN-SPC-EPC製程管制系統
論文名稱(外文):Construction of an ANN-SPC-EPC Process Control System for Coating Operations in Dry Film Photoresist Production
指導教授:林宏達林宏達引用關係
指導教授(外文):Hong-Dar Lin
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:工業工程與管理系碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2005
畢業學年度:93
語文別:中文
論文頁數:105
中文關鍵詞:CG-MCEWMA-EPC管制模式薄膜量測電腦視覺系統塗佈作業乾膜光阻
外文關鍵詞:Film measurementDry film photoresistComputer vision systemCoating operationIntegrated CG-MCEWMA-EPC process control system
相關次數:
  • 被引用被引用:6
  • 點閱點閱:859
  • 評分評分:
  • 下載下載:153
  • 收藏至我的研究室書目清單書目收藏:0
乾膜光阻為應用於印刷電路板製程中線路影像之轉移作業的重要感光原料,能將設計的精密線路清楚地反應在電路板上,而乾膜光阻生產製程中,塗佈之光阻膠液量是否均勻為影響該產品品質之重要因素。此塗佈作業採連續且大量方式生產,經常因環境與人為因素使得膠液量塗佈不均勻,因此目前檢驗方式須事先試作,之後人員利用接觸式之膜厚測量儀量測薄膜的厚度,若試作樣品符合規格才開始大量生產。由於乾膜光阻為軟性材質,量測時會因表面接觸而產生凹陷造成量測誤差,因此如何在塗佈作業中能即時且非接觸地量測光阻膠液量是相當重要的管制工作。
根據上述問題,本研究於實驗室環境中模擬塗佈作業之量測與製程管制作業,提出利用電腦視覺系統擷取乾膜光阻之側邊影像,並進行影像處理與厚度量測。之後將量測數據,先利用MO-VL BP與CG BP之變形倒傳遞網路模式預測製程之趨勢,選擇具較高學習與快速收斂能力之網路,與後續之製程管制模式結合。接著利用SPC-EPC管制技術監控製程之干擾因子,根據製程受干擾的程度,透過EPC之積分控制能即時修正製程。最後使用敏感度分析與實驗計劃法,找出模式最佳化之參數,建立適合本研究塗佈作業之ANN-SPC-EPC具預測功能之監控與回饋管制模式。
實驗結果顯示,本研究所提CG-MCEWMA-EPC管制模式,即利用CG BP模式預測製程並進行後續MCEWMA-EPC調整,能夠比利用EWMA-EPC模式減少約50%的調整次數;並精準地預測製程趨勢,使製程總變異可大幅降低約20%,將製程輸出值更趨近於目標值,達到即時監控與穏定製程的效果,比傳統EWMA-EPC與MCEWMA-EPC個別管制模式要好,顯著地改善SPC-EPC管制模式預測未來單一製程時間點之缺點,有助於提早了解製程狀況並及時提出改善措施。
Dry film photoresist is an important raw material for transforming precise circuit layout design into producing a high quality printed circuit board. The coating operation of the dry film process plays a key role in producing high quality products. Due to soft property of the dry film photoresist, it is concave by using contact instrumentation and may result in measurement errors. Thus, how to control the thickness of photoresist in the coating operation is very important.
To solve the process control problem of the coating operation in the dry film process, first, the thickness image of the dry film is captured by a high resolution CCD, and computer vision techniques are applied to thickness measurement of the films. Second, these thickness data are analyzed by MO-VL BP and CG BP models to predict process trends. Third, the proposed model combines SPC-EPC techniques and finite feedback control model. According to SPC monitoring and construction of the disturbance model, then applied EPC feedback adjustment for coating operation. Finally, sensitivity analysis and DOE are conducted to find the best parameter settings of the optimal ANN-SPC-EPC model that can provide predictable, monitoring and feedback control for coating operation.
This research implements the proposed model of combining CG BP and MCEWMA-EPC techniques. Experimental results show that the adjustment times of the proposed model can reduce over 50%, accurately forecast the process trends, and have less almost 20% of the process variance when comparing with the traditional EWMA-EPC method. Obviously, the CG-MCEWMA-EPC model provides forecasting process trend function and process improvement scheme.
目 錄
摘 要 I
Abstract II
致 謝 III
目 錄 IV
圖目錄 VII
表目錄 IX
第一章 緒論 1
1.1 研究背景 1
1.1.1 乾膜光阻之應用 1
1.1.2 乾膜光阻之產品構造與生產製程 2
1.2 研究動機 4
1.3 研究目的 5
1.4 研究假設 6
1.5 研究重要性 6
1.6 研究架構 8
第二章 文獻探討 9
2.1 電腦視覺輔助檢測系統 9
2.2 相關性與連續性製程之管制技術 10
2.2.1 時間序列模式 10
2.2.2 統計製程管制 11
2.2.3 工程製程管制 12
2.3 整合SPC-EPC管制技術 15
2.4 應用類神經網路於製程管制 18
2.5 整合SPC-EPC管制技術之相關論文 22
第三章 研究方法 25
3.1 電腦視覺技術 26
3.1.1 空間域之影像增強 26
3.1.2 影像切割 29
3.2 類神經網路 31
3.2.1 SD BP演算法 33
3.2.2 MO-VL BP演算法 36
3.2.3 CG BP演算法 39
3.3 相關性製程之統計製程管制技術 41
3.3.1 EWMA管制圖 41
3.3.2 MCEWMA管制圖 43
3.4 整合SPC-EPC之有限度回饋製程管制技術 45
3.4.1 EPC之積分控制 45
3.4.2 有限度回饋製程管制技術 47
3.5 建構ANN-SPC-EPC具預測功能之監控與回饋管制模式 48
第四章 實驗與結果分析 52
4.1 硬體架構與擷取乾膜光阻之影像 54
4.1.1 硬體系統架構 54
4.1.2 擷取乾膜光阻之影像 56
4.2 乾膜光阻之影像處理與薄膜量測 57
4.2.1 乾膜光阻之影像處理 58
4.2.2 乾膜光阻之薄膜量測 60
4.3 應用神經網路建立製程之預測模式 64
4.3.1具預測之類神經網路設計 65
4.3.2 建構MO-VL BP預測網路模式 66
4.3.3 建構CG BP預測網路模式 69
4.3.4 評估預測網路模式 71
4.4 整合SPC-EPC之有限度回饋製程管制技術 73
4.4.1 建立有限度回饋製程管制模式 73
4.4.2 EWMA-EPC有限度回饋調整 75
4.4.3 MCEWMA-EPC有限度回饋調整 77
4.4.4 評估有限度回饋調整管制模式 78
4.5 建構ANN-SPC-EPC具預測之監控與回饋管制模式 79
4.5.1 整合CG-MCEWMA-EPC具預測之監控與回饋模式 80
4.5.2 評估CG-MCEWMA-EPC具預測之監控與回饋模式 84
4.5.3 CG-MCEWMA-EPC之敏感度分析 85
4.6 應用實驗設計法找出最佳化之具預測、監控與回饋模式 89
4.6.1 CG-MCEWMA-EPC管制模式之變數設定 89
4.6.2 最佳化CG-MCEWMA-EPC管制模式 91
第五章 研究成果與未來研究方向 95
5.1 研究成果 95
5.2 未來研究方向 96
參考文獻 98
附錄A 各模式之中英文名詞說明 105


圖目錄
圖1-1 乾膜光阻於PCB製程之應用流程 2
圖1-2 乾膜光阻之構造圖 3
圖1-3 生產過程中基底塗上光阻膠液後之正視圖 3
圖1-4 乾膜光阻之主要生產步驟說明圖 3
圖1-5 乾膜光阻之製造流程圖 4
圖1-6 本研究之研究流程架構 8
圖2-1 SPC之製程改善示意圖 12
圖2-2 EPC之製程回饋示意圖 14
圖2-3 整合SPC-EPC回饋管制技術之觀念程序圖 16
圖3-1 本研究之研究方法流程圖 25
圖3-2 本研究之電腦視覺應用流程圖 26
圖3-3 3×3子影像遮罩運算之示意圖 28
圖3-4 門檻值切割之示意圖 29
圖3-5 Robert邊緣偵測之遮罩轉換示意圖 31
圖3-6 正切雙曲S形(左)、對數S形(中)、線性函數(右) 32
圖3-7 BP網路之基本架構示意圖 33
圖3-8 倒傳遞網路之靈敏性推導示意圖 35
圖3-9 可變學習率之規則示意圖 38
圖3-10 搜尋最小化MSE(x)之示意圖 41
圖3-11 有限度回饋控制流程圖 48
圖3-12 建構ANN-SPC-EPC具預測之監控與回饋模式流程 50
圖4-1 本研究之量測與製程管制模式建立之流程圖 53
圖4-2 乾膜光阻之實驗設備關係圖 56
圖4-3 本研究之拍攝乾膜光阻實驗環境 57
圖4-4 本研究之拍攝乾膜光阻之示意圖 57
圖4-5 本研究薄膜影像處理之流程圖 58
圖4-6 前、中、後之薄膜處理影像 59
圖4-7 本研究實作薄膜影像處理之使用介面 59
圖4-8 使用IMAQ軟體量測薄膜影像 60
圖4-9 光學尺之局部刻度影像(未經視覺處理) 60
圖4-10 應用視覺量測之薄膜厚度直方圖(左)與常態機率圖(右) 61
圖4-11 本研究所使用測長儀之外觀圖 62
圖4-12 應用神經網路於製程預測之流程圖 64
圖4-13 本研究BP網路之設計示意圖 66
圖4-14 MO-VL BP模式之設計流程圖 67
圖4-15 MO-VL BP模式經訓練39次後之標準化MSE收斂圖 68
圖4-16 MO-VL BP模式之學習(左)與模擬(右)之指標分佈圖 69
圖4-17 CG BP模式之設計流程圖 70
圖4-18 CG BP模式經訓練39次後之標準化MSE收斂圖 71
圖4-19 建構ANN-SPC-EPC模式之程序圖 80
圖4-20 不同CG BP整合MCEWMA-EPC之調整效益分佈圖 88
圖4-21 不同CG BP整合MCEWMA-EPC之總誤判率分佈圖 88
圖4-22 CG-MCEWMA-EPC管制模式之實驗設計流程 91
圖4-23 實驗1之預測反應變數 92
圖4-24 實驗2之預測反應變數 93
圖4-25 實驗3之預測反應變數 93


表目錄
表2-1 整合SPC-EPC回饋管制技術之相關研究彚整表 17
表2-2 變形倒傳遞網路之相關研究彚整表 19
表2-3 應用類神經網路於製程管制之相關研究彚整表 20
表2-4 應用類神經網路於製程預測之相關研究彚整表 21
表2-5 BPN整合SPC-EPC之相關論文之彚整表 23
表2-5 BPN整合SPC-EPC之相關論文之彚整表(續) 24
表3-1 EWMA與MCEWMA之比較差異彚整表 44
表3-2 SPC-EPC與ANN-SPC-EPC之比較彚整表 51
表4-1 本研究實驗之電腦視覺系統相關設備列表 55
表4-2 電腦視覺量測之K-S常態檢定 61
表4-3 薄膜側邊與表面量測之檢定 63
表4-4 本研究類神經網路之參數設定彚整表 65
表4-5 本研究評估預測網路之指標說明彚整表 66
表4-6 MO-VL BP模式之各訓練週期之指標彚整表 69
表4-7 CG BP模式之訓練週期指標彚整表 71
表4-8 MO-VL BP與CG BP預測模式之比較彚整表 72
表4-9 MO-VL BP與CG BP模式之綜合比較表 72
表4-10 管制模式之參數設定彚整表 74
表4-11 本研究評估管制模式之指標說明彚整表 74
表4-12 EWMA-EPC有限度調整之前、後效益比較表 76
表4-13 MCEWMA-EPC有限度調整之前、後效益比較表 78
表4-14 各管制模式調整後之效益評估表 79
表4-15 本研究ANN-SPC-EPC模式之參數設定表 81
表4-16 本研究評估預測網路之指標說明彚整表 82
表4-17 CG-MCEWMA-EPC有限調整前、後效益比較表 83
表4-18 CG-MCEWMA-EPC與MCEWMA-EPC之比較彚整表 85
表4-19 CG-MCEWMA-EPC之敏感度分析參數設定表 86
表4-20 部份CG-MCEWMA-EPC模式之敏感度分析比較彚整表 87
表4-21 CG-MCEWMA-EPC管制模式之控制變數 90
表4-22 CG-MCEWMA-EPC管制模式之反應變數 90
表4-23 CG-MCEWMA-EPC管制模式之固定變數 91
表4-24 各實驗階段之因子水準設定彚整表 94
表4-25 CG-MCEWMA-EPC最佳化之因子水準設定範圍 94
表A-1 本研究模式之中英文名詞對照表 105
[ 1 ]Alwan, L. C. and H. V. Roberts, “Time Series Modeling for Statistical Process Control,” Journal of Business and Economic Statistics, Vol. 6, pp. 87-95, (1988).
[ 2 ]Alwan, L. C. and H. V. Roberts, Times Series Modeling for Statistical Process Control, J. B. Keats and N. F. Hubele, Eds., Marcel Dekker, New York, (1989).
[ 3 ]Box, G. E. P. and G. M. Jenkins, Time Series Analysis Forecasting and Control, Holden-Day, San Francisco, (1976).
[ 4 ]Box, G. E. P. and T. Kramer, “Statistical Process Monitoring and Feedback Adjustment - A Discussion,” Technometrics, Vol. 34, No. 3, pp. 251-267, (1992).
[ 5 ]Box, G. E. P., “Process Adjustment and Quality Control,” Total Quality Management, pp. 215-227, (1993).
[ 6 ]Box, G. E. P., G. M. Jenkins, and G. C. Reinsel, Time Series Analysis Forecasting and Control 4th ed., Prentice-Hall, (1994).
[ 7 ]Capilla, C., A. Ferrer, R. Romero and A. Hualda, “Integration of Statistical and Engineering Process Control in a Continuous Polymerization Process,” Technometrics, Vol. 41, No. 4, pp. 14-28, (1999).
[ 8 ]Charalambous, C., “Conjugate Gradient Algorithm for Efficient Training of Artificial Neural Networks,” IEE Proceedings, Vol. 139, No. 3, pp. 301-310, (1991).
[ 9 ]Cheng, C. S., “A Multi-Layer Neural Network Model for Detecting Changes in the Process Mean,” Computers and Industrial Engineering, Vol. 28, No. 1, pp. 51-61, (1995).
[10]Cheng, C. S. and C. A. Aw, “A Neural Fuzzy Control Chart for Detecting and Classifying Process Mean Shifts,” International Journal of Production Research, Vol. 34, No. 8, pp. 2265-2278, (1996).
[11]Cook, D. and C. C. Chiu, “Using Radial Basis Function Neural Networks to Recognize Shifts in Correlated Manufacturing Process Parameters,” IIE Transactions, Vol. 30, No. 8, pp. 227-234, (1998).
[12]Cox. D. R., “Prediction by Exponentially Weighted Moving Averages and Related Methods”. Journal of the Roal Statistical Society, Serise B, Vol. 23, No.2, pp. 414-442, (1961).
[13]Crowder, S. V., “A Simple Method for Studying Run-Length Distributions of Exponentially Weighted Moving Average Charts,” Technology, Vol. 29, (1987).
[14]Crowder, S. V., “Design of Exponentially Weighted Moving Average Schemes,” Journal of Quality Technology, Vol. 21, (1989).
[15]Desouky, A. A. E. and Eikateb, M. M., “Hybrid Adaptive Technique for Electric-Load Forecast Using ANN and ARIMA,” IEE Proceedings Part C: Generation, Transmission and Distribution, Vol. 147, No. 4, pp. 213-217, (2000).
[16]Duncan, A. J., Quality Control and Industrial Statistics, Homewood, IL: Richard D. Irwin, (1986).
[17]Elsayed, E. A., J. L. Ribeiro, and M. k. Lee, “Automated Process Control and Quality Engineering for Processes with Damped Controllers,” International Journal of Production Researches, Vol.33, No.10, pp. 2923-2932, (1995).
[18]Enrique Del Castillo, “Some Properties of EWMA Feedback Quality Adjustment Schemes for Drifting Disturbance,” Journal of Quality Technology, Vol. 33, No. 2, pp. 153-166, (2001).
[19]Evelyn C. Brown, ”Shift Detection Properties of Moving Centerline Control Chart Schemes,” Journal of Quality, Vol.32, No. 1, pp. 67-74, (2000).
[20]Gonzalez, R. C. and Woods R. E., Digital Image Processing, 2th ed, Pearson-Hall, New Jersey, (2002).
[21]Harris, T. J., and W. H. Ross, “Statistical Process Control Procedures for Correlated Observations,” The Canadian Journal of Chemical Engineering, Vol. 69, No. 1, pp. 48-57, (1991).
[22]Hoerl, R. W., and A. C. Palm, “Discussion: Integration SPC and APC,” Technometrics, Vol. 34, No 3, pp. 268-272, (1992).
[23]Holmes, D., T. Aluise, K. Burt and S. Ellsworth, “Combing SPC with APC to Improve Quality,” Quality Engineering, Vol. 10, pp. 575-578, (1998).
[24]Janakiram, M. and J. B. Keats, “Combining SPC and EPC in a Hybrid Industry,” Journal of Quality Technology, Vol. 30, pp. 189-199, (1998).
[25]Lucas, J. M., and M. S., Saccucci, “Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements,” Technometrics, Vol. 32, (1990).
[26]Macgregor, J. F., “A Different View of the Funnel Experiment,” Journal of Quality Technology, Vol. 22, No. 4, pp. 255-259, (1990).
[27]Mackay, R. J. and S. H. Steiner, “Strategies for Variability Reduction,” Quality Engineering, pp. 125-136, (1997).
[28]Martin T. Hagan, Howard B. Demuth, Mark H. Beale., Neural Network Designing, Boston, (1996).


[29]Mastrangelo, C. M. and Montgomery, D. C, “SPC with Correlated Observations for the Chemical and Process Industries,” Quality and Reliability Engineering International, Vol. 11, pp. 79-89, (1995).
[30]Mastrangelo, C. M. and Montgomery, D. C., “Statistical Process Monitoring with Principal Components”, Quality and Reliability Engineering International, Vol. 12, (1996).
[31]Montgomery, D. C., L. A. Johnson, and J. S. Gardiner, Forecasting and Time Series Analysis 2th ed., McGraw-Hill, New York, (1990).
[32]Montgomery, D. C., and C. M. Mastrangelo, “Some Statistical Process Control Methods for Autocorrelated Data,” Journal of Quality Technology, Vol. 23, pp. 179-193, (1991).
[33]Montgomery, D. C., J. B. Keats, G. C. Runger and W. S. Messina, “Integrating Statistical Process Control and Engineering Process Control”, Journal of Quality Technology, Vol. 26, pp. 79-87, (1994).
[34]Montgomery, D. C., Introduction to Statistical Quality Control, 5th ed., John Wiley & Sons, New York (2005).
[35]Page, E., S., “Continuous Inspection Schemes,” Biometrics, Vol. 41, (1954).
[36]Prybutok, V. R., J. Yi and D. Mitchell, “Comparison of Neural Network Models with ARIMA and Regression Models for Prediction of Houston’s Daily Maximum Ozone Concentration,” European Journal of Operational Research, Vol. 122, pp. 31-40, (2000).
[37]Roberts, S. W., “Control Chart Tests Based on Geometric Moving Averages,“ Technometrics, Vol. 1, (1959).
[38]Rumelhart, D. E., Hinton, G. E., and Williams, R. J., “Learning Internal Representation by Error Propagation,” Parallel Distributed Processing, Cambridge MA., Vol.1, pp. 318-362, (1986).
[39]Saniga, Erwin M., “A Discussion on Statistically based Process Mointor and Control-Individual Contributions,” Journal of Quality Technology, Vol.29, No.2, pp. 148-156, (1997).
[40]Shewhart, W. A., Economic Control of Quality of Manufactured Product, Princeton, NJ: Van Nostrand Reinhold, (1931).
[41]Shanno, D. F., “Recent Advances in Numerical Techniques for Larges-Cale Optimization,” Neural Networks for Control, Cambridge MA, (1990).
[42]Tang, Z., C. D. Almeida and P. A. Fishwick, “Time Series Forecasting using Neural Network vs. Box - Jenkins Methodology,” Simulation, Vol. 57, pp. 303-331, (1991).
[43]Tseng, S., and B. M. Adams, “Monitoring Autocorrelated Process with an Exponentially Weighted Moving Average Forecast,” Journal of Statistical Computation and Simulation, Vol. 50, (1994).
[44]Vander. Weil, S., W. T. Tucker, F. W. Faltin, and N. Doganaksoy, “Algorithmic Statistical Process Control: Concepts and an Application,” Technometrics, Vol. 34, No 3, pp. 286-297, (1992).
[45]Vogl, T. P., Mangis, J. K., Zigler, A. K., Zink , W. T. and Alkon, D. L., “Acceleration the Convergence of the Back-propagation Method,” Biological Cybernetics, Vol. 59, pp. 256-264, (1988).
[46]Wang, X. A. and R. L. Mahajan, “Artificial neural network model-based run-to-run process controller,” IEEE Transactions on Components, Packaging, and Manufacturing Technology-Part C, Vol. 9, pp. 19-26, (1996).
[47]Werbos, P. J., “Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Science,” Ph. D. Thesis, Harvard University, Cambridge MA., (1974).
[48]毛惠寬、楊明雄,「乾膜光阻」,工業材料,Vol.167,pp. 164-170,(2000)。
[49]李柎梓,『整合SPC與EPC之研究應用類神經網路於製程平均值變化之偵測』,元智大學工業工程研究所碩士論文,鄭春生教授指導,(2002)。
[50]李俊輝,『智慧型線上動態胚布瑕疵檢測系統之研製』,台灣科技大學纖維及高分子工程研究所碩士論文,郭中豐教授指導,(2001)。
[51]沈瑞蓉,『應用多品質特性之SPC-EPC系統於隧道窯爐温控制之製程管制探討-以陶瓷電容之介電瓷粉製程為例』,朝陽科技大學工業工程研究所碩士論文,林宏逹教授指導,(2003)。
[52]周奕圻,『建立乾膜光阻製程中微米膜厚量測與塗佈作業之製程管制模式』,中國工業工程學會九十三年度年會暨學術研討會論文集,林宏逹教授指導,(2004)。
[53]長興化學工業股份有限公司,http://www.eternal.com.tw。
[54]徐俊豪,『強健之次像素邊緣檢測新技術』,中興大學機械工程研究所碩士論文,王國禎教授指導,(1999)。
[55]徐偉晉,『利用RBF網路與SPC-EPC系統建構相關性製程回饋與管制模式-以積層陶瓷電容晶片切割作業為例』,朝陽科技大學工業工程研究所碩士論文,林宏逹教授指導,(2001)。
[56]許俊欽,『SPC與EPC之整合研究:利用類神經網路建構製程干擾模式』,國立交通大學工業工程與管理研究所碩士論文,蘇朝墩教授指導,(2001)。
[57]許焜程,『應用機械視覺於螺絲外型之檢測』,中興大學機械工程研究所碩士論文,莊勝雄教授指導,(2001)。
[58]盧淑蘭,『運EPC整合SPC進行自我相關性資料處理之探討』,雲林科技大學工業工程與管理研究所碩士論文,童超塵教授指導,(2003)。
[59]葉怡成,應用類神經網路,儒林圖書,台北,(2001)。
[60]鄭春生,品質管理,三民書局,台北,(1995)。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top