臺灣博碩士論文加值系統

半導體製造過程中，由於精密高、手續繁雜，因此工程師往往無法經由本身專業知識或經驗，快速地從龐大的資料庫中找出異常發生站點與機台。再者，造成產品最終不良的原因有很多種，但過去文獻均將機台組合視為隨機因素將其捨去，較少探討機台組合對於良率的影響；且大部分對於站別機台組合方面相關研究，也多著重於設施規劃或生產線平衡問題，甚少提及半導體機台組合與良率間相互關係。本研究以某DRAM半導體製造廠為例，建立一套分析模式，從大量資料庫中進行採礦，以探討機台組合對於WAT中的Vt參數是否有影響，並找出可能影響製程之站別機台組合。
本研究首先應用I-MR管制圖以及k倍標準差分群法對資料進行分群，然後再透過關聯式法則分別建立所區分之群組的機台組合規則。在分析程序的建構上，是透過業者所提供的實際資料，共3720筆資料進行分析與驗證。關聯式規則分析的判定水準support，本研究分別設定為support>80﹪，75﹪>support>80﹪和70﹪>support>75﹪，confidence均>85﹪。
研究分析結果發現，透過關聯式規則分析當support水準介於70﹪~80﹪之間，confidence為85﹪條件下，可快速從39站中挑選出影響Vt值較顯著之13站之站別機台，且所找尋出的異常機台組合多集中於該廠製程中後半段程序的046000(EH308)、049200(DW005)、049050(DI303)與060000(DC393)幾個站點中。本研究所分析的結果經與工程師驗証後與該廠目前情況相同，藉此可說明本研究所提出分析程序的正確性。藉由本研究得到的異常站別機台關聯規則，除可用於半導體製程中機台偵錯外，另可提供給製程工程師分析判定與生產排程時參考。

In the semiconductor manufacturing process, the engineers always cannot find out the abnormal process stations and machines quickly, based on their know-how and experience, from the huge database, because the manufacturing process is very precise and complicated.
Moreover, there are many reasons causing finished products functional failed. However, past research regarded machine assembling as random factor and seldom studied the influence on yield rate by machine assembling. And most of the researches were more focusing on facility planning and production line balancing and rarely mentioned the correlation between semiconductor machine assembly and the yield rate.
This paper is taking one semiconductor manufacturing DRAM for example, setting up an analytical model, doing data mining from huge database, probing into whether machine assembly affects Vt parameter of Wafer Acceptance Test or not, and finding out the particular station or machine that may have an effect on the manufacturing process.
First of all, this research is grouping the data with I-MR control chart and K -times standard deviation grouping method, then establishing the rules of machine assembling using the association rule. It analyzes and verifies thirty-seven hundred and twenty data from the actual numbers provided by the merchant. Concerning the support percentage for judging standard of association rule, support> 80%, 75 %< support <80%, and 70% <support <75% are set up, confidence percentage is defined as >85%.
From the analyzing result, it is suggested that if the support percentage is between 70% and 80% and confidence percentage equals 85%, via the association rule, thirteen stations affecting Vt parameter more are picked up quickly out of thirty-nine stations. Those abnormal machines gather at station 046000(EH308), 049200(DW005), 049050(DI303), and 060000(DC393) in the later half manufacturing process of that factory.
After verified by engineers, the result coheres with the current situation of that factory. It is said that the analyzing method in this research is correct. The association rule defining abnormal machines by this research is not only used to detect machine during manufacturing process of semiconductor product, but also used to provide references for engineers to analyze and schedule the production.

第一章 緒論 1
1.1研究背景 1
1.2研究動機 2
1.3研究目的 3
第二章 文獻探討 5
2.1半導體晶圓製造程序簡介 5
2.1.1 半導體製程簡介 5
2.1.2半導體前段製程生產簡介 6
2.2晶圓允收測試 11
2.3關聯式法則 15
2.3.1關聯式規則定義 18
2.3.2關聯式法則的相關應用 20
第三章 研究方法 22
3.1研究流程 22
3.2管制圖 24
3.2.1推移圖 24
3.2.2 I-MR管制圖 26
3.2.3 k倍標準差分群 27
3.3ANOVA分析 28
3.4關聯式規則分析 28
3.4.1關聯式規則資料挖掘名詞定義 29
3.4.2 Apriori演算法 30
3.5交叉分析 33
3.6驗證分析 34
3.7研究假設 35
第四章 實證研究 36
4.1資料輸入與準備 36
4.2資料前處理 37
4.3 Run Chart檢定資料趨勢性 38
4.4 找尋最適分群數 40
4.4.1 I-MR管制界線分群 40
4.4.2關聯式規則分析－I-MR管制界線分群 41
4.4.3 k倍標準差分群法 46
4.4.4關聯式規則分析－k倍標準差分群法 47
4.4.5小結 49
4.5交叉分析 50
4.6驗證分析 56
4.7研究結果 57
4.8實務應用 59
第五章 結論 61
5.1研究成果 61
5.2後續研究 63
參考文獻 65

1.王皓正，「時間序列之資料查詢與資料挖掘-以台灣股市為例」，碩士論文，國立台灣大學資訊管理研究所，2000。
2.李姿儀，「醫院門診資料探勘-以虎尾若瑟醫院為例」，碩士論文，南華管理學院資訊管理學系研究所，2000。
3.李培瑞，「半導體製程資料挖礦架構、決策樹分類法則及其實證研究」，碩士論文，國立清華大學工業工程與工程管理學系，2002。
4.吳恆睿，「中醫院揀藥儲位之規劃研究」，碩士論文，逢甲大學工業工程學系，1999。
5.周臣忠，「半導體製程良率提升專家系統制量化模式評估與分析」，碩士論文，國立清華大學工程與系統科學系研究所，2001。
6.吳鴻志，「運用關連式法則分析異常WAT良率之機台組合」，碩士論文，國立中正大學會計研究所，2002。
7.徐家馴，「在教學網站的環境中發掘熱門學習路線」，碩士論文，輔仁大學資訊工程學系，2000。
8.梁惠姿，「建構半導體製造過程產品異常資料挖礦技術及其雛型系統之研究」，碩士論文，國立清華大學工業工程學系，2004。
9.陳建中，「交差集關聯法則」，碩士論文，台灣大學資訊管理研究所，2000。
10.黃大倫，「半導體製程良率提升專家系統之失效模式與效應＆晶圓允收測試異常分析」，碩士論文，清華大學工程與系統科學系研究所，2001。
11.許智豪，「在動態資料庫中做線上挖掘關聯式法則」，碩士論文，國立中興大學資訊科學研究所，1999。
12.張秋貴，「應用實驗設計法調整蝕刻製程持式以改善晶圓允收測試之接觸窗組值電性之研究」，碩士論文，中原大學工業工程研究所，2002。
13.曾韋霖，「印刷電路板工作站內製程品質資料挖掘及建構異常診斷系統」，碩士論文，元智大學工業工程與管理研究所，2004。
14.楊斌虎，「半導體機台資料模型建立與異常偵測」，碩士論文，國立台灣大學工業工程學研究所，1998。
15.潘瓊如，「時間性路徑追蹤樣式之資料挖掘」，碩士論文，國立台灣大學資訊管理研究所，2000。
16.蕭禮明，「建構半導體製造管理目標層級架構與製造資料之資料挖礦」，中國工業工程學刊，第二十一卷，第四期，313-327，2004。
17.簡禎富、林鼎浩、彭誠湧、徐紹鐘，「建構半導體晶圓允收測試資料挖礦架構及其實證研究」，中國工業工程學刊，第十八卷，第四期，37-48，2001。
18.簡禎富、施義成、林振銘、陳瑞坤，半導體製造技術與管理，國立清華大學，新竹，2006。
19.簡禎富，「建構晶圓圖分類之資料挖礦方法及其實證研究」，中國工業工程學刊，第十九卷，第二期，23-38，2002。
20.鄭春生，品質管理，三民，台北，2001。
21.蘇耀平，「半導體機台之即時監控系統」，碩士論文，國立台灣科技大學工程技術研究所，1999。
22.Agrawal, R., Imielinski T., and Swami A., “Mining association rules between sets of items in large databases,” Proc. of the ACM SIGMOD Conference on Management of Data, 207-216,1993.
23.Agrawal, R. and Srikant R. , “Fast algorithms for mining association rules,” Proc. of the 20th VLDB Conference, 487-499,1994.
24.Sobrino Del Castillo,M. and Barrios Bravo L. J., “Knowledge acquisition from batch semiconductor manufacturing data,” Intelligent Data Analysis, 3(6),399-408,1999.
25.Braha, D. and Shmilovici A., “Data Mining for Improving a Cleaning Process in the Semiconductor Industry”, IEEE Transactions on Semiconductor Manufacturing, 15(1),91-101,2002.
26.Fan, C. M., Guo, R. S., Chen, A., Hsu, K. C., and Wei, C. S., “Data Mining and Fault Diagnosis based on Wafer Acceptance Test Data and In-line Manufacturing Data” , IEEE Transactions on Semiconductor Manufacturing, 171-174,2001.(Modified:8-Jun-2004)
27.Gibbons, J.D., "Randomness, Tests of," Encyclopedia of Statistical Sciences, 7, 555~562,1986.
28.Liu, B., Hsu W.,S. and Ma Y., “Analyzing the subjective interestingness of association rules” , IEEE Intelligent Systems,15(5), 47-55,2000.
29.Dabbas, R. M. and Chen. H. N., “Mining semiconductor manufacturing data for productivity improvement－an integrated relational database approach”, Computer in Industry, 45, 29-44,2001.
30.Ryan, T.P., “Statistical Methods for Quality Improvement.”,1989.
31.Taylor, W.A., McGraw-Hill, Inc. “Optimization & Variation Reduction in Quality”,1991.