034_093-123AP-TW

:::

034_093-123AP-TW

發佈日期 : 2009-04-29

發明專利說明書


※申請案號：094103745	※I P C 分類：

一、	發明名稱：
	應用通用型嵌入式裝置之生產製程的品質預測系統與方法（全文下載）
	QUALITY PROGNOSTICS SYSTEM AND METHOD FOR MANUFACTURING PROCESSES WITH GENERIC EMBEDDED DEVICES

二、

中文發明摘要：

一種應用通用型嵌入式裝置(Generic Embedded Device；GED)之生產製程的品質預測系統與方法。此品質預測系統至少包括：通用型嵌入式裝置、量測資料擷取計劃(Data Collection Plan)和遠端主機(Remote Host)，其中通用型嵌入式裝置係安裝於生產機台中，且連結有可插入式(Pluggable)品質預測模組，而量測資料擷取計劃係連接至量測機台，以便自量測機台蒐集產品的實際品質檢測值。可插入式品質預測模組係利用生產機台正在加工過程中的製程參數，加上最近數次的產品實際檢測值，以預測出未來生產的產品品質。

三、

英文發明摘要：

A quality prognostics system and a method for predicting the product quality during manufacturing processes with generic embedded devices are disclosed. The quality prognostics system includes a GED, a measurement collection plan and a remote host, wherein the GED is installed in the production equipment, and is linked to a pluggable quality prognostics module, and the measurement collection plan is connected to a measurement equipment for collecting actual quality data of product from measurement equipment. The pluggable quality prognostics module is used to consider the current production equipment parameters sensed during the manufacturing process and several previous quality data collected from the measurement equipment to predict the quality of the product in the future.

四、	指定代表圖：
	(一)本案指定代表圖為：第1圖
	(二)本代表圖之元件符號簡單說明：
	20．．．生產機台
	30．．．量測機台
	40．．．可插入式品質預測模組
	50、90．．．通用型嵌入式裝置
	58．．．量測資料擷取計劃
	60．．．網路
	80．．．遠端主機
	82．．．通訊代理者

五、	本案若有化學式時，請揭示最能顯示發明特徵的化學式：

六、	發明說明：
	【發明所屬之技術領域】
[0001]	本發明係有關於一種生產製程的品質預測系統與方法，特別是有關於一種可嵌入在設備內部之應用通用型嵌入式裝置(Generic Embedded Device；GED)之生產製程的的品質預測系統與方法。
	【先前技術】
[0002]	一般半導體與TFT－LCD廠的產品製造與檢測過程通常是分開進行的，也就是說先由生產機台加工完成之後，再送至量測機台進行檢測的工作。而且基於成本的考量，大部分的檢測都是採用抽測的方式來決定產品的品質。因此，若某批產品在製造的過程中出了問題，必須等到檢測時才會發現，而此時製程設備可能已經產生好幾批的不良品了。目前大部分的做法是監控生產設備的製程參數，根據此參數來判斷生產出來的產品品質是否異常。這些做法的共同缺點是，當監控系統偵測到製程參數發生異常時，不良品已經生產出來了。而且由於目前的半導體與TFT－LCD廠大多採用批次生產，因此，如果發現產品異常，則報廢的數量通常不是一、兩個而是一整批，不僅降低了產品的良率，同時也對工廠的產能與生產成本造成嚴重的影響，故各製造廠商莫不極力地尋找能預測下一批產品品質的方法。
[0003]	目前已有數位學者對於如何預測產品品質或設備製程是否異常進行研究，這些研究包含有：提出一個增進半導體廠機台維修工作的架構，以從生產資料中推論出造成產品不良的原因；應用類神經網路作為電漿蝕刻機的即時故障監控，利用一樣版比對的技術來決定電漿蝕刻過程中的參數是否異常；以表面黏著技術(SMT) 為例，運用模糊關聯記憶模型(Fuzzy Associative Memory,FAM)以萃取出製程知識，並配合階層協同式作業管理策略，發展出一套具圖形化人機介面SMT品質預測與控制系統；提出一種利用取得晶圓缺陷密度分佈的方法來改善良率預測，以找出晶圓缺陷群聚的程度，減少資料收集分析的時間與成本；提出一種經由製程中溫度的量測來預測GaAs裝置壽命的方法；研究溫度升高對於SiO₂ 薄膜壽命預測的影響。
[0004]	然而，上述研究主要著重在如何利用現有的製程參數資訊推估出現在正生產出來的產品之可能異常，而非預測下一批產品的品質。一般來說，大多數研究用來推估所輸入的參數種類較少，且其推估架構的適用性亦多只侷限於特定機台。
[0005]	現有已申請之專利方面，應用於半導體業的“Method and system for controlling chemical mechanical polishing thickness removal”專利（美國專利前案第6,594,542號）提出一種控制半導體晶圓製程研磨厚度的系統，此系統包含三個主要部分：晶圓研磨機、膜厚量測裝置、與一個研磨速度控制系統，此專利根據膜厚比對的方式來分析預測所需的研磨速度，基本上還是需要實際品質檢測值來提供研磨控制所需的資訊，無法使用虛擬量測的方式來推估出膜厚值，必須等到量測後才知道結果。
[0006]	應用於半導體設備的“Run－to－run control over semiconductor processing tool based upon mirror image target”專利（美國專利前案第6,625,513號）提出一種利用資料庫參數模型的方法，來比對半導體製造工具在生產過程中的耗損變化，並依據其比對結果更改參數設定，使得加工出來的產品不致因為工具耗損而產生異常。此方法的缺點係在於當製程參數變多時，建立資料庫參數模型的種類與困難度也會相對地提高許多，無法允許根據不同的設備特性來使用適合的預測模型，而不具有彈性。
[0007]	至於其他現有已申請專利中，應用於半導體製程的“Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system”專利（美國專利前案第6,616,759號）提出一種監控半導體製程設備與預測製程結果的方法。此方法擷取製程設備的感測器資料與製程結果量測值，並利用局部最小平方法(Partial Least Square Method)計算出新的參數設定。然而，此方法只能根據現有的參數資料預測正在生產的產品檢測值，無法進一步地預測出未來一段時間將要生產的產品品質。
[0008]	應用於半導體晶圓溫度預測的“Method for predicting temperature, test wafer for use in temperature prediction, and method for evaluating lamp heating system”專利（美國專利前案第6,666,577號），提出一種預測晶圓製程溫度的方法，此方法利用在晶圓上建立兩種不同的塗佈層來預測晶圓製程溫度。此專利的預測方法基本上只能適用於特定種類的機台，缺乏泛用性。
[0009]	另一方面，習知之生產製程的品質預測系統係採用集中式系統架構，也就是將各個設備（包括生產機台和量測機台）的狀態參數與量測資料傳送到一部中央主機進行分析、監控、或預測工作。此種架構有兩個主要的缺點：一是當中央主機故障時，整個分析與預測系統將停擺。二是這種做法將耗費大量的網路頻寬資源，一座半導體或TFT－LCD工廠內可能有上百部的設備，若每一部的設備的狀態參數或量測資料資料均傳送到中央主機，其佔用的網路頻寬將是很可觀的。
[0010]	另外，本案發明人於中華民國專利第I225606證書號中揭露一種可擷取和傳送客製化應用之資訊的通用型嵌入式裝置，此通用型嵌入式裝置可安裝於各種資訊設備的內部，用以擷取、收集、管理、與分析設備之資訊。然而，此通用型嵌入式裝置並未揭示具有生產製程之品質預測功能的應用模組。
[0011]	因此，非常迫切需要發展一種應用通用型嵌入式裝置的品質預測系統與方法，藉以嵌入在設備內部，來擷取設備參數與量測資料並加以分析，以便能即時地在產品尚未生產之前，就可根據生產機台本身之目前製程參數與前幾批產品的品質檢測資料，預測出下一批產品的品質，且具有泛用性，進而改善習知技術的缺點。
	【發明內容】
[0012]	本發明的主要目的就是在提供一種應用通用型嵌入式裝置之生產製程的品質預測系統與方法，藉由嵌入在設備內部的通用型嵌入式裝置，以在產品尚未生產之前，就可根據生產機台本身之目前製程參數與前幾批產品的品質檢測資料，預測出下一批產品的品質，因而有效地提高產品品質與機台的使用效能及妥善率 (Availability)，進而提昇製造業的競爭力。
[0013]	根據本發明之上述目的，提供一種應用通用型嵌入式裝置之生產製程的品質預測系統。依照本發明的較佳實施例，此應用通用型嵌入式裝置之生產製程的品質預測系統至少包括：第一通用型嵌入式裝置、量測資料擷取計劃(Data Collection Plan)和遠端主機(Remote Host)，其中第一通用型嵌入式裝置係安裝於生產機台中，且連結有可插入式(Pluggable)品質預測模組；量測資料擷取計劃係連接至量測機台，並負責描述遠端主機與可插入式品質預測模組所需要的資料型態，以自量測機台蒐集產品的實際品質檢測值；遠端主機係用以負責處理由第一通用型嵌入式裝置傳送回來的資料，並顯示與儲存預測結果與異常狀況。第一通用型嵌入式裝置至少包括：第一資料擷取計劃(Data Collection Plan)、第一裝置驅動器(Equipment Driver)、第一通訊代理者(Communication Agent)、應用介面(Application Interface)及第一資料擷取管理者(Data Collection Manager)，其中第一資料擷取計劃係用以描述遠端主機與可插入式品質預測模組所需要的資料型態，並產生第一資料擷取報告(Data Collection Report)；第一裝置驅動器係用以根據第一資料擷取報告，來取得生產機台的製程參數資料；第一通訊代理者係用以處理遠端主機的要求與可插入式品質預測模組的回應訊息；應用介面係交連於可插入式品質預測模組，藉以使可插入式品質預測模組透過應用介面經由第一通訊代理者，來與遠端主機進行資料傳輸；第一資料擷取管理者係負責處理第一通用型嵌入式裝置內部的所有訊息傳遞，以處理生產機台、可插入式品質預測模組和遠端主機輸出輸入至第一通用型嵌入式裝置的訊息。
[0014]	量測資料擷取計劃係位於第一通用型嵌入式裝置中或一第二通用型嵌入式裝置中，當量測資料擷取計劃係位於第一通用型嵌入式裝置中時，產生了第二資料擷取計劃，第一裝置驅動器再根據第二資料擷取計劃，自量測機台蒐集產品的實際品質檢測值，第一資料擷取管理者並負責處理量測機台、可插入式品質預測模組和遠端主機輸出輸入至第一通用型嵌入式裝置的訊息。當量測資料擷取計劃位於第二通用型嵌入式裝置中時，此第二通用型嵌入式裝置更至少包括：量測資料擷取計劃、第二裝置驅動器、和第二資料擷取管理者。量測資料擷取計劃係用以描述遠端主機與可插入式品質預測模組所需要的資料型態，並產生第二資料擷取報告；第二裝置驅動器係用以根據第二資料擷取計劃，自量測機台蒐集產品的實際品質檢測值；第二通訊代理者係用以處理遠端主機的要求；第二資料擷取管理者係負責處理第二通用型嵌入式裝置內部的所有訊息傳遞，以處理量測機台、可插入式品質預測模組和遠端主機輸出輸入至第二通用型嵌入式裝置的訊息。
[0015]	可插入式品質預測模組至少包括：推估模式裝置(Means)、和預測模式裝置，其中推估模式裝置係利用生產機台的製程參數資料來推估獲得正在生產機台生產之一批產品的推估品質值，其中此推估模式裝置係由選自由第一類神經網路、模糊理論、資料探勘和其他具推估能力之技術所組成之一族群的推估方法所建立；預測模式裝置係利用目前推估出來之此批產品的推估品質值，加上由量測機台蒐集得之至少一個前批產品的至少一實際品質檢測值，來預測出下一批產品的預測品質值，其中此預測模式裝置係由選自由權重移動平均、第二類神經網路和其他具預測能力之演算法所組成之一族群的預測方法所建立。
[0016]	另外，根據本發明之上述目的，提供一種應用通用型嵌入式裝置之生產製程的品質預測方法。依照本發明的較佳實施例，此應用通用型嵌入式裝置之生產製程的品質預測方法至少包括有提供一訓練階段和一運轉階段。此訓練階段至少包括下列步驟：使用第一通用型嵌入式裝置來蒐集生產機台的製程參數資料，其中此第一通用型嵌入式裝置係安裝於生產機台中，並安裝有可插入式品質預測模組；第一通用型嵌入式裝置傳送製程參數資料至遠端主機；使用量測資料擷取計劃來蒐集自量測機台測得之至少一個前批產品的至少一個實際品質檢測值，其中第二通用型嵌入式裝置係安裝於量測機台中；第二通用型嵌入式裝置傳送實際品質檢測值至遠端主機；以及遠端主機進行自我搜尋步驟，以製定並發送一組最佳權重與函數資料給第一通用型嵌入式裝置，其中此自我搜尋步驟係根據製程參數資料和實際品質檢測值，來挑選出推估方法或預測方法所需之最佳權重與函數資料的組合，以增加推估/預測準確度。
[0017]	運轉階段係於可插入式品質預測模組中進行，運轉階段至少包括下列步驟：根據最佳權重與函數資料進行功能設定；提供推估模式步驟，藉以利用由第一通用型嵌入式裝置即時蒐集來之生產機台的製程參數資料，來推估獲得正在生產機台生產之一批產品的推估品質值，其中推估模式步驟係使用選自由一第一類神經網路、一模糊理論、一資料探勘和其他具推估能力之技術所組成之一族群的推估方法；提供預測模式步驟，藉以利用目前推估出來之次批產品的推估品質值，加上前批產品的實際品質檢測值，來預測出下一批產品的預測品質值，其中預測模式步驟係使用係選自由權重移動平均、第二類神經網路和其他具預測能力之演算法所組成之一族群的預測方法。
[0018]	因此，應用本發明，可嵌入在設備（生產機台和量測機台）內部的通用型嵌入式裝置，以在產品尚未生產之前，就可根據生產機台本身之目前製程參數與前幾批產品的品質檢測資料，預測出下一批產品的品質，以有效地提高產品品質與機台的使用效能及妥善率，進而提昇製造業的競爭力。
	【實施方式】
[0019]	請參照第1圖，其繪示本發明之應用通用型嵌入式裝置之生產製程的品質預測系統的架構示意圖。本發明之品質預測系統的架構包括三個主要部分：遠端主機80、通用型嵌入式裝置90、通用型嵌入式裝置50與交連於通用型嵌入式裝置90的可插入式品質預測模組40，其中通用型嵌入式裝置90係安裝於生產機台20中，而通用型嵌入式裝置50係安裝於量測機台30中。遠端主機80和通用型嵌入式裝置90和50係透過例如乙太網路(Ethernet)的網路60連結在一起。以下將針對這三個主要部分進行說明。
[0020]	遠端主機80主要係負責接收由通用型嵌入式裝置90傳送回來的製程參數與品質預測分析結果資料，以及接收由通用型嵌入式裝置50傳送回來的產品的品質檢測資料，並將這些資料儲存在資料庫中。本發明之遠端主機80並不負責生產機台20之狀態資訊的分析與預測工作，而是將此功能分散到生產機台20之通用型嵌入式裝置90的品質預測模組40來處理，此種架構可以避免因中央主機故障造成整個分析與監控系統停擺的問題。同時，此種架構只將極少量的分析、預測結果傳回遠端主機進行儲存，或作為整體設備狀態與效能的整合性評估，並不需要將每部生產機台的大量製程參數資料送到遠端主機80，因此可大量減少網路資料傳輸與網路壅塞的問題。
[0021]	通用型嵌入式裝置90可嵌入在生產機台20的內部，其主要功能有三：一是擷取生產機台20的製程參數資料，並送到可插入式品質預測模組40來進行分析、監控、與預測；二是將預測與分析結果透過通訊代理者82傳送到遠端主機80；三是遠端主機80可透過通用型嵌入式裝置90對生產機台20進行相關參數資料查詢。另外，可動態載入的可插入式品質預測模組40則負責生產機台20狀態的監控與預測工作，並提出生產製程的品質預測。
[0022]	通用型嵌入式裝置50主要係以量測資料擷取計劃58來自量測機台30蒐集產品的實際品質檢測值。由於通用型嵌入式裝置90的結構係等同於通用型嵌入式裝置 50，因此，本發明之品質預測系統亦可直接將量測資料擷取計劃58設置於通用型嵌入式裝置90中，而省略通用型嵌入式裝置50。
[0023]	請參照第1圖和第2圖，第2圖為繪示本發明之通用型嵌入式裝置的結構示意圖。如第1圖所示之通用型嵌入式裝置50和90的結構大致係等同於第2圖所示之通用型嵌入式裝置70，除了通用型嵌入式裝置50因不需連結有應用模組，而沒有應用介面74之外。
[0024]	茲將通用型嵌入式裝置70的系統功能需求與其各模組功能分述如下：本發明之通用型嵌入式裝置70的系統功能需求為必須要能夠嵌入到各種不同的設備，如生產機台、量測機台、搬送設備等，且須滿足例如半導體或電子業之SEMI組織為了達到EEC(Equipment Engineering Capability)所制定的一些規格需求，如E132(Authentication and Authorization；A&A)、E120(Common Equipment Model；CEM)、E125(Equipment Self Description；ESD)、與E134(Data Collection Management；DCM)等。其中A&A提供一種與工廠內設備進行通訊與連結時的認證與授權方法；CEM的目的在於提供一個一般化的靜態模型，用以描述實體設備的結構以及應該具備的屬性；ESD是一個抽象的設備多重資料(Metadata)模型，此多重資料係用以描述生產機台或量測機台之單位(Units)、型式(Types)、結構(Structure)、狀態模型(State Models)、事件(Events)、警報(Alarms)、和例外(Exceptions)等；而DCM則係用以描述抽象的擷取計劃模型。
[0025]	當可插入式品質預測模組40預測出下一批產品的一預測品質值時，通用型嵌入式裝置70必須要能夠將此預測品質值的訊息傳送到遠端主機80。另一方面，通用型嵌入式裝置70必須要能夠接收從遠端主機80傳送過來的一組最佳權重與函數資料至通用型嵌入式裝置70中，以設定可插入式品質預測模組40的功能。此外，通用型嵌入式裝置70必須要提供一個通用的應用介面，以便能夠根據不同之生產機台或量測機台的特性，來動態載入適當的可插入式品質預測模組40。
[0026]	如第2圖所示，通用型嵌入式裝置70包含有：通訊代理者72、資料擷取管理者76、資料擷取計劃78、資料擷取報告73、裝置驅動器75和應用介面74等功能模組。通訊代理者72為通用型嵌入式裝置70對外的通訊模組，其負責處理遠端主機80的要求，並且在必要時回覆給遠端主機80。根據SEMI E132規範，遠端客戶端與通訊代理者72溝通時所呼叫的動作須實作簡單物件連結協定(Simple Object Access Protocol；SOAP)所規範的傳遞機制，若有需要通訊代理者72也可以支援無線通訊功能。
[0027]	資料擷取管理者76是通用型嵌入式裝置70的核心，其負責處理所有通用型嵌入式裝置70內部的訊息傳遞，以處理生產機台20或量測機台30、可插入式品質預測模組40和遠端主機80輸出輸入至通用型嵌入式裝置70的訊息。SEMI的DCM(E134)規格提供了資料擷取管理者26的設計準則。遠端主機80可經由通訊代理者72將一個資料擷取計劃78利用資料擷取管理者76的介面傳送到通用型嵌入式裝置70的內部，在取得這個資料擷取計劃78之後，資料擷取管理者76可以根據此資料擷取計劃78產生一個資料擷取報告73的樣版，然後要求裝置驅動器75根據資料擷取報告73的需求來擷取生產機台或量測機台的資料，並填入資料擷取報告73之中。然後，資料擷取管理者76經由通訊代理者72將資料擷取報告73送到遠端主機80。
[0028]	同樣地，可插入式品質預測模組40也可以經由應用介面74將一個資料擷取計劃78傳送到資料擷取管理者76，資料擷取管理者76將根據資料擷取計劃78經由裝置驅動器75擷取所需之生產機台或量測機台的資料，並填入資料擷取報告73之中。資料擷取管理者76將經由應用介面74將資料擷取報告73送到可插入式品質預測模組40供其分析、監控、或預測之用。
[0029]	資料擷取計劃78負責描述遠端主機與可插入式品質預測模組40所需要之事件(Events)、資料追蹤(Trace Data)與例外(Exceptions)的資料型態，且資料擷取計劃78可支援如診斷(Diagnostics)、健康監視(Health Monitoring)、使用率追蹤(Utilization Tracking)與製程控制(Process Control)等各種不同應用的資料蒐集需求。資料擷取報告73負責定義包括事件、資料追蹤與例外等各種不同類型資料的延伸性標示語言(XML)訊息格式，同時也定義如時間戳章(Timestamp)與解決手段(Resolution)的格式與規格。資料擷取報告73並根據SEMI E128所制定的XML訊息結構的規格，將資料經由通訊代理者72送到遠端主機80。通訊代理者72的規格與遠端主機80之通訊代理者82（如第1圖所示）相同。
[0030]	裝置驅動器75經由標準的串列介面（如 RS－232、RS－485等）、乙太網路介面、或類比數位轉換器連接到受控設備的資料輸出端。此處，SEMI的CEM(E120)規格提供了一個描述設備架構的一致性語彙規範，ESD(E125)規格則提供了一個標準的資料結構用來描述設備的單位、型式、結構、狀態模型、事件、警報、和例外等資訊。又，為了達到動態載入可插入式品質預測模組40的目的，必須要設計一通用的應用介面74，以讓具有各種不同功能的應用模組載入，以達到可交換性 (Interchangeability)、區域化(Localization)、客製化(Customization)、分散和強化 (Empowerment)的特點。
[0031]	本品質預測系統的特徵之一是可以根據各種不同生產機台或量測機台的需求，選擇適當的可插入式品質預測模組40。同時，為了讓使用者能夠很容易地選擇與建立所需的品質預測系統，本發明將可插入式品質預測模組40設計成可動態載入的方式，使用者可以根據設備的特性與需求，從可插入式應用模組庫之中選擇所需的模組載入到通用型嵌入式裝置70之中，以進行設備分析、監控、預測等工作。可插入式品質預測模組40可以透過應用介面74接收遠端主機80經由通訊代理者72送進來的相關資訊，同時當可插入式品質預測模組40偵測到受控設備可能發生異常時，也可透過應用介面74與通訊代理者72將異常訊息傳送給遠端主機80。
[0032]	為了要能夠動態載入可插入式品質預測模組40，必須在通用型嵌入式裝置70之中設計一通用的應用介面74，以讓具有各種不同應用功能的模組載入，其做法是先將各種品質預測的功能與資料格式定義完整，然後根據不同的功能與資料型態定義不同的方法(Method)，供可插入式應用模組呼叫使用。此外，若使用者想要開發自己的可插入式應用模組，只需要利用應用介面74所提供的方法，就可以和通用型嵌入式裝置70進行資料接收與傳送工作。為了要能夠動態載入通用型嵌入式裝置70，必須要將設計好的可插入式應用模組包裝成如DLL(Dynamic Link Library)、ActiveX等型式，並加入可插入式應用模組庫中。
[0033]	與目前一般監控系統如SPC(Statistic Process Control)、APC(Advanced Process Control)等最大的不同，本發明係在產品尚未生產之前，就可根據設備（生產機台）本身之目前製程參數與前幾批產品的品質檢測資料，預測出下一批產品的品質。
[0034]	請參照第3圖，其為繪示本發明之可插入式品質預測模組的主要結構圖，其中，此可插入式品質預測模組係由推估模式裝置100與預測模式裝置200所組成。此品質預測系統可以同時作為虛擬量測與品質預測來使用，推估模式裝置100即可當作虛擬量測來使用。此種雙層式架構可使本發明之品質預測系統依照工廠的實際需求，來進行適當的組合，因而在實際應用上更有彈性。另外，推估模式裝置100內所使用的推估方法具有可替換性，可根據實際生產設備的物理與參數特性，選擇各式人工智慧、統計學方法或是數學演算法等，如類神經網路、模糊理論和資料探勘技術等。至於預測模式裝置200內所使用的預測方法則可為權重移動平均、類神經網路或其他具預測能力之演算法。
[0035]	請參照第1圖和第4圖，第4圖為繪示本發明之具有自我搜尋裝置與自我調適裝置之品質預測系統的結構示意圖，其中推估模式裝置100、推估準確率評估裝置 130、預測模式裝置200、及預測準確率評估裝置210係位於可插入式品質預測模組40中，而選擇與設定介面120、推估模式之自我調適裝置400和預測模式之自我調適裝置410係位於遠端主機80中，而原始資料前處理裝置110則可位於可插入式品質預測模組40或通用型嵌入式裝置90中。
[0036]	首先，將生產機台20的製程參數與其感測器資料送至原始資料前處理裝置110處理。由於生產機台20的製程參數與其感測器資料的種類繁多，而推估模式裝置 100所要使用到的參數可能只是這些資料的一部份，故需要由原始資料前處理裝置110進行資料篩選，從眾多的資料中取出所需的製程參數或感測器資料(X _i )。至於要選擇哪些資料作為輸入參數則是依據生產機台20的物理特性與所選定的推估方法或預測方法而有所不同。此外，從生產設備取得的製程參數與感測器資料，可能有不同的資料格式，原始資料前處理裝置110必須要能處理這些不同的格式，並轉換為推估模式裝置100所需要的特定資料格式。
[0037]	接著，將原始資料前處理裝置110處理過的輸入資料傳送至推估模式裝置100。推估模式裝置100的目的係在於利用生產機台20的輸入資料來推估正在生產之產品的品質，而獲得推估品質值(_i )。然後，將此推估品質值輸入至預測模式裝置200，預測模式裝置200的目的是利用目前推估出來的本批產品的推估品質值(_i )，加上由量測機台30而得之前幾批產品的實際品質檢測值(y _i _－ ₁ ,y _i _－ ₂ ,...,y _i _－ _n )，來預測出下一批產品的品質而得預測品質值(_i _＋ ₁ )。預測模式裝置200和推估模式裝置100一樣，可以依據生產機台20本身的特性，選擇適當的預測方法來建立預測模式，如移動平均、類神經網路等。
[0038]	接著，將推估品質值(_i )送至推估準確率評估裝置130，與此批產品的實際品質檢測值(y _i )相較，以獲得推估準確率評估指標。同時，將預測品質值(_i _＋ ₁ )送至預測準確率評估裝置210，與此批產品的實際品質檢測值(y _i _＋ ₁ )相較，以獲得預測準確率評估指標。評估推估/預測準確率的方法有很多種，可依據所要評估對象的特性選用適合的評估指標，如平均絕對百分比誤差(MAPE)與最大誤差(Max Error)等均可作為本發明之推估/預測準確率的評估指標。
[0039]	另外，由於半導體與TFT－LCD廠之生產設備的種類繁多，各種設備特性並不一樣，很難僅採用一種推估演算法使其能適用於各種的機台。因此，本發明提出一種通用型的推估模式裝置100和預測模式裝置200，其可讓使用者10透過選擇與設定介面120，根據生產機台20的特性，來選擇各種不同的人工智慧、統計學方法、或數學演算法成為建立推估模式裝置100和預測模式裝置200的推估方法和預測方法。隨著使用機台種類的增加，目前這些預測演算法正逐步增加之中，而當可用的預測演算法越來越多的時候，本預測架構的適用性也會越來越廣。選擇與設定介面120的目的便是要協助使用者10選擇適當的推估或預測方法，並設定相關的初始值。使用者10在完成選擇與設定之後，品質預測系統即可開始執行。
[0040]	另外，推估模式之自我搜尋裝置300和預測模式之自我搜尋裝置310、及推估模式之自我調適裝置400和預測模式之自我調適裝置410是本發明的另一項特點，其主要目的是要減少建立推估/預測架構的人力與時間。如第4圖所示，為了要有效率地建構一個推估模式或預測模式，本發明提供一個可內建不同演算法選擇的自我搜尋裝置。例如：若使用者10選擇倒傳遞類神經網路來建立推估模式，則自我搜尋裝置300會根據使用者10所設定的隱藏層層數、每個隱藏層的個數範圍、以及轉移函數種類等，自動搜尋出一最佳的參數與函數組合及權重值；若使用者10採用模糊理論來建立推估模式，則自我搜尋裝置300會根據所設定可能的歸屬函數內找出最佳的歸屬函數。同樣地，若使用者10採用權重移動平均來建立預測模式，則自我搜尋裝置310將根據使用者10所設定的權重值範圍尋找出最佳的權重值組合。因此，使用者10只需要設定搜尋參數的範圍或函數的種類，自我搜尋裝置300和310就會去尋找出最佳的模型參數或函數組合與權重值。通常。不同的生產設備，其製程參數與感測器特性也不同，故需要根據機台特性建立推估模式和預測模式。而要建立一個新的模式通常需要投入相當多的人力資源與時間，故自我搜尋裝置的目的就是為了縮短開發時間與減少人力需求，藉由一個個已經預先建構好的模式，使本發明之推估/預測系統在移植到新機台時的設定、調校時間可以大幅地縮短。
[0041]	另一方面，設備在生產的過程中，可能會隨時間的增加而產生零件老化、衰退，因而造成設備特性偏移；或者是因為定期檢修、更換零件等，導致復機後的機台特性與之前不一致的問題，此時預測架構應該要有自我調適的能力。推估模式之自我調適裝置400和預測模式之自我調適裝置410就是用來處理這一方面的問題。藉由監控推估/預測準確率評估指標，自我調適裝置400/410可以隨時了解品質推估/預測模式裝置100/200的現況，並且依據實際設備需求訂定一可容許準確率的預設下限值M%（如 90%至99%）。當推估/預測系統準確率已經連續n次（如1次至5次）低於此預設下限值時，自我調適裝置400/410會被啟動並配合自我搜尋裝置 300/310，且根據最近的設備參數特性，建立一個新的品質預測系統，俾便取代舊的品質預測系統，使推估/預測準確率能回復到之前的要求標準。至於新的訓練資料與測試資料的取樣範圍，則由使用者決定。本說明範例中的自我調適機制，選擇發生連續2次準確率超限前的50筆資料做為訓練資料（25筆）與測試資料（25筆）。
[0042]	第4圖中的預測模式之自我調適裝置410 係使用虛線，以表示此自我調適裝置410是選擇性的，預測系統建構者可根據所選擇的預測模式來決定是否要加入此自我調適裝置410。例如若預測模式裝置採用權重移動平均，則因為此演算法本身的特性使得自我調適機制的效果不易突顯，所以可考慮不需加入預測模式自我調適裝置410；若採用類神經網路做為預測模式的建構方法，則加入自我調適裝置410將可降低預測誤差，並使預測結果更加準確。此外，新架構的節點數範圍設定可用先前所建立的架構節點數為基準，作一個較小範圍的搜尋，以節省自我調適裝置的搜尋時間。
[0043]	以下以TFT－LCD廠之濺鍍機為應用實例來說明本發明。
[0044]	請參照第5圖，其為繪示本應用實例之TFT－LCD廠之濺鍍機的設備示意圖。此機台內部共有16個模組，每個模組進行不同的加工動作，其目的係在玻璃（原物料）上鍍上一層薄薄的金屬膜，而此金屬膜的功用係作為LCD面板的顏色邊框。第5圖中之箭頭方向為製程的加工順序。首先，玻璃由進出入口進入加工機台模組，依照模組編號順序加工。在完成前8個模組後，接著旋轉模組將玻璃旋轉到編號第9號模組繼續加工，最後再由進出入口送出，而運作過程中每個模組都是處於真空的狀態。負責抽真空的模組設置有真空度感測器，用以擷取真空狀態。負責輸送惰性氣體的模組設置有氣體濃度感測器，用以擷取氣體濃度的實際狀態。對於控制加工區域中正負離子電漿密度的外加電場，也裝設有偵測電壓、電流及功率的感測器。因此在實際加工過程中，將會紀錄一連串的感測器資料。生產機台在生產過程中紀錄製程參數（感測器）資料，玻璃完成加工後，每隔一百片成品隨機抽測兩片送至量測機台，量測並紀錄其濺鍍層膜厚資料。
[0045]	請參照第6圖，其為繪示本應用實例之品質預測流程示意圖，藉由量測機台所提供的過去數批產品的量測品質值(y _i _－ ₁ ,y _i _－ ₂ ,...,y _i _－ _n )，加上由生產機台目前正在生產過程中的製程參數所推估出來之本批產品的推估品質值(_i )，即可預測出下一批即將生產之產品的預測品質值(_i _＋ ₁ )。
[0046]	本應用實例所使用的類神經網路推估模式是採用自我學習機制來建立，系統開發者只需要輸入可能的隱藏層層數、每個隱藏層節點數範圍、轉移函數種類、與終止條件等，自我搜尋機制就會根據這些設定自動尋找出最佳的類神經網路推估模型與所有權重值，惟搜尋最佳模型的時間與設定的參數搜尋範圍有關。如希望縮短搜尋時間，只需適當調整參數搜尋範圍大小即可。一般來說，根據經驗法則所設定的參數範圍可降低搜尋時間；若不考慮時間因素，則增加參數搜尋範圍將有機會找到更好的類神經網路模型。
[0047]	另外，本應用實例係使用移動平均來建立預測模式裝置，此移動平均是採用兩個由量測設備得到的前兩批實際品質檢測值(y _i _－ ₁ ,y _i _－ ₂ )，再加上一個由類神經網路推估模式得到的本批產品的推估品質值(_i )，來預測出下一批產品品質(_i _＋ ₁ )。本應用實例同時也建立了簡單移動平均與加權移動平均兩種預測模式來比較其預測效果，其中權重值範圍設定亦是使用自我搜尋機制（裝置）來搜尋最佳的預測模式。加權移動平均公式如下：_i _＋ ₁ ＝w _i _i ＋w _i _－ ₁ y _i _－ ₁ ＋w _i _－ ₂ y _i _－ ₂ 其中w _i ,w _i _－ ₁ ,w _i _－ ₂ 為權重值。
[0048]	使用者只需設定權重參數的範圍，自我搜尋機制將會測試各種可能的權重組合，並根據預測值(_i _＋ ₁ )與實際品質檢測值(y _i _＋ ₁ )之間的誤差大小找出最佳的權重組合。
[0049]	又，本應用實例以評估指標判斷預測準確率。本應用實例之評估指標可採用平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)與最大誤差(MaxError)兩項誤差指標值，以進行品質預測模型的績效評估，如下所示：
[0050]	其中i ＝ 1,...,n A_i ：實際值，F _i ：預測值，n：樣本數MAPE誤差指標值越趨近於零，表示模型之預測能力越佳；最大誤差指標則代表實際值與預測值之間的最大差異。
[0051]	請參照第7圖，其繪示本應用實例之預測結果。經過篩選後，提供倒傳遞類神經網路使用的資料量為85筆。以1－50筆資料作為訓練資料，51－85筆資料作為測試資料，並且利用自我搜尋機制，尋找最佳的品質預測架構，其預測結果如第7圖所示。本應用實例測試結果的MAPE值為2.0536%，最大誤差值為 40.63nm（相當於標準膜厚值700nm的5.8%）。
[0052]	此外本發明所提出的品質預測架構除了使用上述範例所示範的類神經網路(NN)推估模式與權重移動平均(WMA)預測模式的組合之外，亦可採用其他的組合方式來建構品質預測系統。例如：類神經網路(NN)推估模式與類神經網路(NN)預測模式；或者是合併為單一類神經網路(CNN)推估預測模式的組合等。
[0053]	以下說明本發明之應用通用型嵌入式裝置之生產製程的品質預測方法的運作流程。請參照第1圖和第8圖，第8圖為繪示本發明之應用通用型嵌入式裝置(GED)之生產製程的品質預測方法的流程示意圖。本發明之應用通用型嵌入式裝置之生產製程的品質預測方法提供了訓練階段、運轉階段和自我調適階段。在訓練階段中，首先初始化通用型嵌入式裝置50（步驟500）和通用型嵌入式裝置90（步驟600），其中通用型嵌入式裝置90係安裝於生產機台20中，通用型嵌入式裝置 50係安裝於量測機台30中，通用型嵌入式裝置90並安裝有可插入式品質預測模組40，而通用型嵌入式裝置50具有量測資料擷取計劃58。接著，使用通用型嵌入式裝置90來週期性地蒐集生產機台20的製程參數資料（步驟610）。然後，通用型嵌入式裝置90傳送製程參數資料至遠端主機80（步驟620）。同時，使用通用型嵌入式裝置50之量測資料擷取計劃58，來週期性地蒐集自量測機台30測得之至少一前批產品的至少一實際品質檢測值（步驟510）。然後，通用型嵌入式裝置50傳送實際品質檢測值至遠端主機80（步驟520）。
[0054]	接著，遠端主機80進行步驟710和步驟720，以分別儲存實際品質檢測值和製程參數資料至資料庫。在輸入實際品質檢測值和製程參數資料後（步驟722），遠端主機80進行自我搜尋步驟，以訓練可插入式品質預測模組40（步驟730），而製定並發送一組最佳權重與函數資料給通用型嵌入式裝置90（步驟 740），其中自我搜尋步驟係根據製程參數資料和實際品質檢測值，來挑選出推估方法或預測方法所需之最佳權重與函數資料的組合，以增加推估/預測準確度。
[0055]	然後，本系統進入運轉階段，此運轉階段主要係於可插入式品質預測模組40中進行。首先，初始化可插入式品質預測模組40並開始線上品質預測（步驟630），其中通用型嵌入式裝置90係根據最佳權重與函數資料，來對可插入式品質預測模組40進行功能設定。在輸入即時蒐集來之實際品質檢測值和製程參數資料後（步驟632）後，可插入式品質預測模組40便開始運轉（步驟640），可插入式品質預測模組40的運轉主要係透過推估模式步驟和預測模式步驟來進行。推估模式步驟係利用由通用型嵌入式裝置90即時蒐集來之生產機台20的製程參數資料，來推估獲得正在生產機台20生產之一批產品的推估品質值，其中推估模式步驟係使用例如第一類神經網路、模糊理論、資料探勘或其他具推估能力之技術的推估方法。預測模式步驟係利用目前推估出來之此批產品的推估品質值，加上前批產品的實際品質檢測值，來預測出下一批產品的預測品質值，其中預測模式步驟係使用例如：權重移動平均、第二類神經網路或其他具預測能力之演算法的預測方法。
[0056]	接著，通用型嵌入式裝置90傳送預測結果（預測品質值）至遠端主機80（步驟650），遠端主機80再儲存預測結果至資料庫（步驟750）。同時，進行步驟 660以判斷推估/預測準確度是否連續一預設次數（例如：1次至5次）低於一預設下限值（例如：90%至99%），若步驟660的結果為否，則繼續運轉（步驟640）；若步驟660的結果為是，則進入自我調適階段，即喚起遠端主機80進行自我調適機制（步驟670）。此自我調適機制係根據最新的製程參數資料和實際品質檢測值，以重新訓練可插入式品質預測模組40（步驟760），而挑選出並發送另一組最佳權重與函數資料給通用型嵌入式裝置90（步驟 770），其中自我搜尋步驟係根據製程參數資料和實際品質檢測值。然後，初始化可插入式品質預測模組40並重新開始線上品質預測（步驟680），而再次進入運轉階段。
[0057]	另外，本發明之預測方法的訓練階段亦可在第一通用型嵌入式裝置中進行，藉以不需要將設備資料傳送到遠端主機，來減少網路資料流量與頻寬不足的問題。請參照第1圖和第9圖，第9圖為繪示根據本發明之另一較佳實施例之應用通用型嵌入式裝置之生產製程的品質預測方法的流程示意圖，其中只使用單一通用型嵌入式裝置99來與於生產機台20和量測機台30交連。
[0058]	在訓練階段中，首先初始化通用型嵌入式裝置99（步驟800），通用型嵌入式裝置99安裝有可插入式品質預測模組40與量測資料擷取計劃58。接著，使用通用型嵌入式裝置99來週期性地蒐集生產機台20的製程參數資料（步驟610）；及週期性地蒐集自量測機台30測得之至少一前批產品的至少一實際品質檢測值（步驟510）。
[0059]	接著，通用型嵌入式裝置99進行步驟710和步驟720，以分別儲存實際品質檢測值和製程參數資料至資料庫。在輸入實際品質檢測值和製程參數資料後（步驟 722），通用型嵌入式裝置99進行自我搜尋步驟，以訓練可插入式品質預測模組40（步驟730），而製定並發送一組最佳權重與函數資料給通用型嵌入式裝置99之可插入式品質預測模組40（步驟740），其中自我搜尋步驟係根據製程參數資料和實際品質檢測值，來挑選出推估方法或預測方法所需之最佳權重與函數資料的組合，以增加推估/預測準確度。
[0060]	然後，本系統進入運轉階段，此運轉階段主要係於可插入式品質預測模組40中進行。首先，初始化可插入式品質預測模組40並開始線上品質預測（步驟630），其中通用型嵌入式裝置99係根據最佳權重與函數資料，來對可插入式品質預測模組40進行功能設定。在輸入即時蒐集來之實際品質檢測值和製程參數資料後（步驟632）後，可插入式品質預測模組40便開始運轉（步驟640），可插入式品質預測模組40的運轉主要係透過推估模式步驟和預測模式步驟來進行。推估模式步驟係利用由通用型嵌入式裝置99即時蒐集來之生產機台20的製程參數資料，來推估獲得正在生產機台20生產之一批產品的推估品質值，其中推估模式步驟係使用例如第一類神經網路、模糊理論、質料探勘或其他具推估能力之技術的推估方法。預測模式步驟係利用目前推估出來之此批產品的推估品質值，加上前批產品的實際品質檢測值，來預測出下一批產品的預測品質值，其中預測模式步驟係使用例如：權重移動平均、第二類神經網路或其他具預測能力之演算法的預測方法。
[0061]	接著，通用型嵌入式裝置99傳送預測結果（預測品質值）至遠端主機80（步驟650），遠端主機80再儲存預測結果至資料庫（步驟750）。同時，進行步驟 660以判斷推估/預測準確度是否連續一預設次數（例如：1次至5次）低於一預設下限值（例如：90%至99%），若步驟660的結果為否，則繼續運轉（步驟640）；若步驟660的結果為是，則進入自我調適階段，即喚起自我調適機制（步驟670）。此自我調適機制係根據最新的製程參數資料和實際品質檢測值，以重新訓練可插入式品質預測模組40（步驟760），而挑選出並發送另一組最佳權重與函數資料給通用型嵌入式裝置99之可插入式品質預測模組 40（步驟770），其中自我搜尋步驟係根據製程參數資料和實際品質檢測值。然後，初始化可插入式品質預測模組40並重新開始線上品質預測（步驟 680），而再次進入運轉階段。
[0062]	由上述本發明較佳實施例可知，本發明之應用通用型嵌入式裝置之品質預測系統可容易地與生產製程設備連結，而不需受限於既有的資料擷取系統，或耗費金錢再建構一套資料擷取裝置；在每一個設備都嵌入一個通用型嵌入式裝置，來進行資料擷取與分析工作，可避免因集中式預測監控系統故障造成整個預測監控功能癱瘓的問題；將品質預測功能模組設計成可動態載入的方式，使用者可以根據設備的特性與需求，從品質預測功能模組庫之中選擇所需的模組載入到通用型嵌入式裝置之中，以進行設備分析、監控、與預測工作；只將極少量的分析、預測結果傳回遠端主機進行儲存，或作為整體設備狀態與效能的整合性評估，不需將每部設備的大量狀態參數資料送到遠端主機，因而可大量減少網路資料傳輸與網路壅塞的問題；可在產品尚未生產之前，就可根據生產機台目前之製程參數與前幾批產品的品質檢測資料，預測出下一批產品的品質，因而可大量地減少不良品的產生，不僅提高了工廠的產能與產品的良率，同時也降低了生產成本，更提高了工廠的競爭力。又，本發明可同時作為虛擬量測與品質預測來使用，且具有泛用性。又，本發明具有自我搜尋機制與自我調適機制，可有效地提高推估/預測準確度。
[0063]	雖然本發明已以一較佳實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
	【圖式簡單說明】
[0112]	為了更完整了解本發明及其優點，請參照上述敘述並配合下列之圖式，其中：第1圖為繪示本發明之應用通用型嵌入式裝置之生產製程的品質預測系統的架構示意圖。
[0113]	第2圖為繪示本發明之通用型嵌入式裝置的結構示意圖。
[0114]	第3圖為繪示本發明之可插入式品質預測系統的主要結構示意圖。
[0115]	第4圖為繪示本發明之具有自我搜尋裝置與自我調適機制裝置之品質預測系統的結構示意圖。
[0116]	第5圖為繪示本發明之應用實例之TFT－LCD廠之濺鍍機的設備示意圖。
[0117]	第6圖為繪示本應用實例之品質預測流程示意圖。
[0118]	第7圖為繪示本應用實例之預測結果。
[0119]	第8圖為繪示根據本發明之一較佳實施例之應用通用型嵌入式裝置之生產製程的品質預測方法的流程示意圖。
[0120]	第9圖為繪示根據本發明之另一較佳實施例之應用通用型嵌入式裝置之生產製程的品質預測方法的流程示意圖。
	【主要元件符號說明】
[0064]	10．．．使用者
[0065]	20．．．生產機台
[0066]	30．．．量測機台
[0067]	40．．．可插入式品質預測模組
[0068]	50、70、90．．．通用型嵌入式裝置
[0069]	58．．．量測資料擷取報告
[0070]	60．．．網路
[0071]	72．．．通訊代理者
[0072]	73．．．資料擷取報告
[0073]	74．．．應用介面
[0074]	75．．．裝置驅動器
[0075]	76．．．資料擷取管理者
[0076]	78．．．資料擷取計劃
[0077]	80．．．遠端主機
[0078]	82．．．通訊代理者
[0079]	90．．．通用型嵌入式裝置
[0080]	100．．．推估模式裝置
[0081]	110．．．原始資料前處理裝置
[0082]	120．．．選擇與設定介面
[0083]	130．．．推估準確率評估裝置
[0084]	200．．．預測模式裝置
[0085]	210．．．預測準確率評估裝置
[0086]	300．．．推估模式之自我搜尋裝置
[0087]	310．．．預測模式之自我搜尋裝置
[0088]	400．．．推估模式之自我調適裝置
[0089]	410．．．預測模式之自我調適裝置
[0090]	500．．．初始化通用型嵌入式裝置
[0091]	510．．．週期性地蒐集產品的實際品質檢測值
[0092]	520．．．傳送實際品質檢測值
[0093]	600．．．初始化通用型嵌入式裝置
[0094]	610．．．週期性地蒐集生產機台的製程參數資料
[0095]	620．．．傳送製程參數資料
[0096]	630．．．初始化可插入式品質預測模組並開始線上品質預測
[0097]	632．．．輸入即時蒐集來之實際品質檢測值和製程參數資料
[0098]	640．．．運轉
[0099]	650．．．傳送預測結果
[0100]	660．．．推估/預測準確度是否連續預設次數低於預設下限值
[0101]	670．．．喚起自我調適機制
[0102]	680．．．重新開始線上品質預測
[0103]	710．．．儲存實際品質檢測值
[0104]	720．．．儲存製程參數資料
[0105]	722．．．輸入實際品質檢測值和製程參數資料
[0106]	730．．．訓練可插入式品質預測模組
[0107]	740．．．發送最佳權重與函數資料
[0108]	750．．．儲存預測結果
[0109]	760．．．重新訓練可插入式品質預測模組
[0110]	770．．．發送另一組最佳權重與函數資料
[0111]	800．．．初始化通用型嵌入式裝置

七、

申請專利範圍：

1. 一種應用通用型嵌入式裝置(Generic Embedded Device；GED)之生產製程的品質預測系統，至少包括：一第一通用型嵌入式裝置，安裝於一生產機台，其中該第一通用型嵌入式裝置連結有一可插入式 (Pluggable)品質預測模組；一遠端主機(Remote Host)，用以負責處理由該第一通用型嵌入式裝置傳送回來的資料，並顯示與儲存預測結果與異常狀況；以及一量測資料擷取計劃(Data Collection Plan)，連接至一量測機台，其中該量測資料擷取計劃負責描述該遠端主機與該可插入式品質預測模組所需要的資料型態，以自該量測機台蒐集產品的實際品質檢測值；其中該第一通用型嵌入式裝置至少包括：一第一資料擷取計劃，用以描述該遠端主機與該可插入式品質預測模組所需要的資料型態，並產生一第一資料擷取報告(Data Collection Report)；一第一裝置驅動器(Equipment Driver)，用以根據該第一資料擷取報告，來取得該生產機台的製程參數資料；一第一通訊代理者(Communication Agent)，用以處理該遠端主機的要求；一應用介面(Application Interface)，交連於該可插入式品質預測模組，藉以使該可插入式品質預測模組透過該應用介面經由該通訊代理者，來與該遠端主機進行資料傳輸；以及一第一資料擷取管理者(Data Collection Manager)，係負責處理該第一通用型嵌入式裝置內部的所有訊息傳遞，以處理該生產機台、該可插入式品質預測模組和該遠端主機輸出輸入至該第一通用型嵌入式裝置的訊息；其中該可插入式品質預測模組至少包括：一推估模式裝置(Means)，係利用該生產機台的製程參數資料來推估獲得正在該生產機台生產之一批產品的一推估品質值，其中該推估模式裝置係由一推估方法所建立，而該推估方法係選自由一第一類神經網路、一模糊理論、一資料探勘和其他具推估能力之技術所組成之一族群；以及一預測模式裝置，係利用目前推估出來之該批產品的該推估品質值，加上由該量測機台蒐集得之至少一前批產品的至少一實際品質檢測值，來預測出下一批產品的一預測品質值，其中該預測模式裝置係由一預測方法所建立，而該預測方法係選自由一權重移動平均、一第二類神經網路和其他具預測能力之演算法所組成之一族群。
2.如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該可插入式品質預測模組更至少包括：一原始資料前處理裝置，用以將由該生產機台所輸入之原始製程參數資料轉換為具有特定資料格式的輸入資料。
3. 如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該可插入式品質預測模組更至少包括：一自我調適裝置，其中在該生產機台運轉一段時間後，如推估/預測準確度降低於一預設準確度時，或因定期檢修與更換零件而導致該生產機台之特性改變時，該自我調適機制就會啟動，以修正並且滿足新的該生產機台之特性及推估/預測準確度要求。
4.如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該推估模式裝置具備虛擬量測(Virtual Metrology)的功能。
5. 如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該量測資料擷取計劃可位於該第一通用型嵌入式裝置中，用以產生一第二資料擷取報告，該第一裝置驅動器根據該第二資料擷取報告，來自該量測機台蒐集產品的實際品質檢測值，該第一資料擷取管理者並負責處理該量測機台、該可插入式品質預測模組和該遠端主機輸出輸入至該第一通用型嵌入式裝置的訊息。
6.如申請專利範圍第5項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該遠端主機將由該第一通用型嵌入式裝置傳送回來的資料存在一資料庫之中，並可發送一資料查詢要求給該第一通用型嵌入式裝置，而該第一通用型嵌入式裝置在取得資料後傳回該遠端主機。
7. 如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該量測資料擷取計劃係位於一第二通用型嵌入式裝置中，該第二通用型嵌入式裝置的結構等同於該第一通用型嵌入式裝置，其中該第二通用型嵌入式裝置更至少包括：該量測資料擷取計劃，用以描述該遠端主機與該可插入式品質預測模組所需要的資料型態，並產生一第二資料擷取報告；一第二裝置驅動器，用以根據該第二資料擷取報告，來自該量測機台蒐集產品的實際品質檢測值；一第二通訊代理者，用以處理該遠端主機的要求；以及一第二資料擷取管理者，係負責處理該第二通用型嵌入式裝置內部的所有訊息傳遞，以處理該量測機台、該可插入式品質預測模組和該遠端主機輸出輸入至該第二通用型嵌入式裝置的訊息。
8.如申請專利範圍第7項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該遠端主機將由該第一通用型嵌入式裝置和該第二通用型嵌入式裝置傳送回來的資料存在一資料庫之中，並可發送一資料查詢要求給該第一通用型嵌入式裝置和該第二通用型嵌入式裝置，而該第一通用型嵌入式裝置和該第二通用型嵌入式裝置在取得資料後傳回該遠端主機。
9.如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該遠端主機透過一自我搜尋裝置，來製定該推估方法或該預測方法所需之一組最佳權重與函數資料的組合。
10.如申請專利範圍第9項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該遠端主機發送該組最佳權重與函數資料給該第一通用型嵌入式裝置，以進行該可插入式品質預測模組的功能設定。
11.如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該遠端主機發送一品質預測查詢要求給該品質預測功能模組，而該品質預測功能模組根據該些品質預測查詢要求回覆相關結果給該遠端主機。
12.如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該應用介面係根據該受控設備的特性，來動態載入適當的該可插入式品質預測模組。
13. 如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該資料擷取報告負責定義包括有事件(Events)、資料追蹤 (Trace Data)與例外(Exceptions)之各種不同類型資料的延伸性標示語言(XML)訊息格式；以及定義時間戳章(Timestamp)與解決手段 (Resolution)的格式與規格。
14.如申請專利範圍第1項所述之應用通用型嵌入式裝置之生產製程的品質預測系統，其中該裝置驅動器係經由一標準的串列介面、一乙太網路(Ethernet)介面或一類比數位轉換器連接到該生產機台或該量測機台。
15. 一種應用通用型嵌入式裝置之生產製程的品質預測方法，至少包括：提供一訓練階段，其中該訓練階段至少包括：使用一第一通用型嵌入式裝置來蒐集一生產機台的製程參數資料，其中該第一通用型嵌入式裝置係安裝於該生產機台中，該第一通用型嵌入式裝置安裝有一可插入式品質預測模組；該第一通用型嵌入式裝置傳送製程參數資料至一遠端主機；使用一量測資料擷取計劃來蒐集自一量測機台測得之至少一前批產品的至少一實際品質檢測值；傳送實際品質檢測值至該遠端主機；以及該遠端主機進行一自我搜尋步驟，以製定並發送一組最佳權重與函數資料給該第一通用型嵌入式裝置，其中該自我搜尋步驟係根據製程參數資料和實際品質檢測值，來挑選出一推估方法或一預測方法所需之該組最佳權重與函數資料的組合，以增加推估/預測準確度；以及提供一運轉階段，其中該運轉階段主要係於該可插入式品質預測模組中進行，該運轉階段至少包括：根據該組最佳權重與函數資料進行功能設定；提供一推估模式步驟，藉以利用由該第一通用型嵌入式裝置即時蒐集來之該生產機台的製程參數資料，來推估獲得正在該生產機台生產之一批產品的一推估品質值，其中該推估模式步驟係使用該推估方法，而該推估方法係選自由一第一類神經網路、一模糊理論、一資料探勘和其他具推估能力之技術所組成之一族群；以及提供一預測模式步驟，藉以利用目前推估出來之該批產品的該推估品質值，加上該前批產品的實際品質檢測值，來預測出下一批產品的一預測品質值，其中該預測模式步驟係使用該預測方法，而該預測方法係選自由一權重移動平均、一第二類神經網路和其他具預測能力之演算法所組成之一族群。
16.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，更至少包括：進行一原始資料前處理步驟，藉以將由該生產機台所輸入之原始的製程參數資料轉換為具有特定資料格式的輸入資料，其中該原始資料前處理步驟係於該可插入式品質預測模組中進行。
17.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該推估模式步驟具備虛擬量測的功能。
18.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，更至少包括：提供一評估指標，藉以以評估該生產製程之品質預測系統的準確率。
19.如申請專利範圍第18項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該評估指標係選自由平均絕對百分比誤差、和最大誤差所組成之一族群。
20.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該預測方法係使用該權重移動平均，該權重移動平均是採用由該量測機台所得到的前兩批產品之該些實際品質檢測值(y _i _－ ₁ ,y _i _－ ₂ )，再加上該推估品質值(

_i )，來預測出該下一批產品該預測品質值(

_i _＋ ₁ )，該權重移動平均的公式為：

_i _＋ ₁ ＝w _i

_i _＋ w _i _－ ₁ y _i _－ ₁ ＋w _i _－ ₂ y _i _－ ₂ 其中w _i ,w _i _－ ₁ ,w _i _－ ₂ 為權重值。
21.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，更至少包括：提供一自我調適階段，藉以當推估/預測準確度連續一預設次數降低至小於一預設下限值時，由該第一通用型嵌入式裝置喚起該遠端主機進行一自我調適機制，其中該自我調適機制係根據最新的製程參數資料和實際品質檢測值，來挑選出另一組最佳權重與函數資料，以讓該可插入式品質預測模組根據該另一組最佳權重與函數資料重新進行功能設定。
22.如申請專利範圍第21項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該預設次數係介於1次至5次之間。
23.如申請專利範圍第21項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該預設下限值係介於90%至99%之間。
24.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該量測資料擷取計劃可位於該第一通用型嵌入式裝置中。
25.如申請專利範圍第15項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該量測資料擷取計劃係位於一第二通用型嵌入式裝置中，該第二通用型嵌入式裝置的結構等同於該第一通用型嵌入式裝置，該第二通用型嵌入式裝置係安裝於該量測機台中。
26. 一種應用通用型嵌入式裝置之生產製程的品質預測方法，至少包括：提供一訓練階段，其中該訓練階段至少包括：使用一通用型嵌入式裝置來蒐集一生產機台的製程參數資料、及自一量測機台測得之至少一前批產品的至少一實際品質檢測值，其中該通用型嵌入式裝置係分別與該生產機台和該量測機台交連，該通用型嵌入式裝置安裝有一可插入式品質預測模組和一量測資料擷取計劃；該通用型嵌入式裝置進行一自我搜尋步驟，以製定並發送一組最佳權重與函數資料給該可插入式品質預測模組，其中該自我搜尋步驟係根據製程參數資料和實際品質檢測值，來挑選出一推估方法或一預測方法所需之該組最佳權重與函數資料的組合，以增加推估/預測準確度；以及提供一運轉階段，其中該運轉階段主要係於該可插入式品質預測模組中進行，該運轉階段至少包括：根據該組最佳權重與函數資料進行功能設定；提供一推估模式步驟，藉以利用由該通用型嵌入式裝置即時蒐集來之該生產機台的製程參數資料，來推估獲得正在該生產機台生產之一批產品的一推估品質值，其中該推估模式步驟係使用該推估方法，而該推估方法係選自由一第一類神經網路、一模糊理論、一資料探勘和其他具推估能力之技術所組成之一族群；以及提供一預測模式步驟，藉以利用目前推估出來之該批產品的該推估品質值，加上該前批產品的實際品質檢測值，來預測出下一批產品的一預測品質值，其中該預測模式步驟係使用該預測方法，而該預測方法係選自由一權重移動平均、一第二類神經網路和其他具預測能力之演算法所組成之一族群。
27.如申請專利範圍第26項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，更至少包括：進行一原始資料前處理步驟，藉以將由該生產機台所輸入之原始的製程參數資料轉換為具有特定資料格式的輸入資料，其中該原始資料前處理步驟係於該可插入式品質預測模組中進行。
28.如申請專利範圍第26項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該推估模式步驟具備虛擬量測的功能。
29.如申請專利範圍第26項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，更至少包括：提供一評估指標，藉以以評估該生產製程之品質預測系統的準確率。
30.如申請專利範圍第29項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該評估指標係選自由平均絕對百分比誤差、和最大誤差所組成之一族群。
31.如申請專利範圍第26項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該預測方法係使用該權重移動平均，該權重移動平均是採用由該量測機台所得到的前兩批產品之該些實際品質檢測值(y _i _－ ₁ ,y _i _－ ₂ )，再加上該推估品質值(

_i )，來預測出該下一批產品該預測品質值(

_i _＋ ₁ )，該權重移動平均的公式為：

_i _＋ ₁ ＝w _i

_i ＋w _i _－ ₁ y _i _－ ₁ ＋w _i _－ ₂ y _i _－ ₂ 其中w _i ,w _i _－ ₁ ,w _i _－ ₂ 為權重值。
32.如申請專利範圍第26項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，更至少包括：提供一自我調適階段，藉以當推估/預測準確度連續一預設次數降低至小於一預設下限值時，喚起該通用型嵌入式裝置進行一自我調適機制，其中該自我調適機制係根據最新的製程參數資料和實際品質檢測值，來挑選出另一組最佳權重與函數資料，以讓該可插入式品質預測模組根據該另一組最佳權重與函數資料重新進行功能設定。
33.如申請專利範圍第32項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該預設次數係介於1次至5次之間。
34.如申請專利範圍第32項所述之應用通用型嵌入式裝置之生產製程的品質預測方法，其中該預設下限值係介於90%至99%之間。

八、	圖式：
	第1圖第2圖第3圖第4圖第5圖第6圖第7圖第8圖第9圖

瀏覽數: