臺灣博碩士論文加值系統

統計製程管制(Statistical Process Control；SPC)已廣泛應用在各種產業，其中又以科技製造業使用最為頻繁。SPC中之X-BAR管制圖目前更是普遍使用在晶圓製造上作為監控製程之用，X-BAR管制圖主要是針對單一變異來源（single source of variation）所設計的品質監控手法，然而在晶圓製造環境中存在著多種製程變異如晶圓內變異、晶圓間變異以及批量間變異，因此僅使用X-BAR管制圖無法有效監控晶圓製程。Wells與Smith在1991年針對上述三種晶圓品質變異提出三階段流程，然而該管制流程主要使用X-BAR管制圖，因此無法有效監控製程可能發生的小偏移。此外，X-BAR管制圖假設製程資料值彼此獨立，當資料產生自我相關性時(autocorrelation)，將使得管制界限過窄而產生過多的假警報(false alarm)，而晶圓品質資料常出現自我相關(autocorrelation)。因此本研究針對多時點及多量測點之晶圓品質問題，考慮製程資料值可能存在自我相關特性，建立一套可同時管制小偏移以及大偏移之管制流程，本研究最後利用一個實例來說明本研究所提出之管制流程確實有效可行。

Statistical Process Control (SPC) has been widely employed in many industries, especially in high-tech manufacturing. In SPC, the X-BAR control chart is generally implemented in wafer manufacturing and it is designed to monitor the quality of product data for single source of variation. However, there are multiple variations exist in wafer-manufacturing process and this restricts the use of X-BAR control chart. Wells and Smith[20] proposed a three-step control process for monitoring the wafer production. However, their proposed process cannot detect small shift in the process. In addition, when employing chart the data must be independent. Once autocorrelation exist in data, the control limits will be underestimated and false alarms will be increased. Hence, the main objective of this study is to propose a statistical process controlling procedure for multiple-time intervals and multiple measured points wafer data with autocorrelation. Furthermore, the small shifts and large shifts can simultaneously be detected using the proposed procedure.
A real case is utilized to demonstrated the effectiveness of the proposed procedure.

中文摘要…………………………………………………………………………….....I
英文摘要…………………………………………………………………………..….II
目錄..............................................................................................................................III
表目錄 IV
圖目錄 V
第一章 緒論 1
1.1.研究背景與動機 1
1.2.研究目的 3
1.3.研究方法 3
1.4. 研究架構 4
第二章 文獻探討 5
2.1.晶圓三階段管制流程介紹 5
2.2.平穩時間序列(STATIONARY TIME SERIES MODEL)以及殘差獨立性檢定 8
2.2.1.獨立迴歸模式以及自我迴歸模式 8
2.2.2.判斷時間序列是否平穩(Stationary) 9
2.2.3.殘差獨立性檢定 11
2.3.EWMA管制圖 12
2.3.1. EWMA管制圖介紹 12
2.3.2.自我相關EWMA管制圖 13
2.4.利用基因演算法(GENETIC ALGORITHM)快速搜尋EWMA 15
2.4.1.基因演算法簡介 15
2.4.2.利用基因演算法決定EWMA管制圖參數( 、L) 20
第三章 考量最佳化自我相關管制圖之流程建構 24
第四章 模擬與實例驗證 30
4.1.虛擬資料驗證一:比較殘差值管制圖與一般管制圖之差異 30
4.2.虛擬資料驗證二:晶圓間發生變異 35
4.3.實例驗證 40
第五章 結論與建議 46
5.1.結論與建議 46
5.2.未來研究方向 47
參考文獻 48

[1]. 李勝隆，「基因演算法於印刷電路板鑽孔排程之應用」，元智大學
工業工程與管理研究所碩士論文，2003。
[2]. 李幸穎，「單晶圓製程變異三階段管制流程」，國立交通大學工業工程與
管理研究所碩士論文，2006。
[3]. 林沅洸，「積體電路製程中考慮多種變異來源之缺陷點數管制流程」，
國立交通大學工業工程研究所碩士論文，2003。
[4]. 林長科，「建構晶圓缺陷點與缺陷群聚現象之適應性管制流程」，國立交通大學工業工程研究所碩士論文，2005。
[5]. 席嘉澤，『自我相關殘差管制圖模型選擇之研究』，國立成功大學統計學研究所碩士論文，2007。
[6] 陳士杰，遺傳演算法基礎PPT，國立聯合大學資訊管理學系助理教授
[7]. 陳慶文、劉天賜，『非機遇性變異之自我相關製程的品質管制』，中華民國品質學會第四十屆年會暨第十屆全國品質管理研討會論文集，p. 1~10，2004。
[8] 葉珮芳，「應用EWMA管制圖構建多特性多量測點資料之管制流程」，
國立交通大學工業工程與管理研究所碩士論文，2000。
[9]. 葉小蓁，時間序列分析與應用(第三版) ，台北市：台大法學院圖書文具部，2006。
[10]. Aparisi, F., and GarcíaDíaz, J.C., “Optimization of univariate and multivariate exponentially weighted moving average control charts using genetic algorithms”, Computers and Operations Research, Vol.31, pp. 1437-145, 2004.
[11]. Amsden ,R.T., Butler, H.E., and D.M.Amsden, SPC Simplified: Practical Steps to Quality, White Plains, New York: Quality Resources, 1998
[12]. Chou, C.Y., Wu, C.C., and Chen, C.C., ”Joint economic design of
variable sampling intervals X and R Charts using genetic algorithms”,
Communications in Statistics-Simulation and Computation, Vol.35,
pp.1027-1043, 2006.
[13]. Dayna A., "Improving SPC in a wafer fabrication environment", IEEE, 1998.
[14]. Dickey, D.A. and Fuller W.A. , “Distribution of the estimators for autoregressive time series with a unit root,” Journal of the American Statistical Association, Vol. 74, pp. 427–431.,1979

[15]. Grefenstette, J.J., “Optimization of control parameters for genetic algorithms.”,IEEE Trans. Systems, Man, and Cybernetics, pp.122-128, 1986.
[16]. Holland, J. H., “Genetic algorithms and the optimal allocations of trials”, SIAM Journal of Computing, Vol.2, pp.88-105, 1973.
[17]. Lucas, J.M., and Saccucc, M.S., ”Exponential weighted moving average control chart schemes: properties and enhancements.”, Technometrics , Vol 32, pp.1-29, 1990.
[18]. Lu, C. W. and Reynolds Jr, M. R. , “EWMA control charts for monitoring the mean of autocorrelated processes.”, Journal of Quality Technology, Vol. 31, pp. 166-188.,1999.
[19]. Perron, P , “Trends and Random Walks in Macroeconomic Time Series.”, Journal of Economic Dynamics and Control , Vol.12, pp. 297-332., 1988
[20]. Montgomery, D. C. and Mastrangelo, C. M.,” Some statistical process control methods for autocorrelated Data.” Journal of Quality Technology, 23, pp.179-193, 1991.
[21]. Schaffer, J. D. ed., Proceedings of the 3rd international conference on genetic algorithms and their applications, San Mateo, CA: Morgan Kaufmann, 1989.
[22]. Said, E. and Dickey, D.A,, “Testing for unit roots in autoregressive moving average models of unknown order” , Biometrika, Vol. 71, pP.599–607, 1984.
[23]. Wells, S. W., and Smith, J. D., “Making control chart work for you”, Semiconductor International, 1991.