EDA 在智慧製造中的應用與優勢 第 4 集：精密故障檢測與分類 (FDC)

這篇部落格文章最初發表於 cimetrix.com

在本系列「EDA 在智慧製造中的應用與效益」的第三篇文章中，我們介紹了首個運用 EDA / Interface A 標準套件功能、並應用於領先半導體製造商的製造應用案例。在本篇第四篇文章中，我們將重點介紹迄今為止推動業界廣泛採用 EDA 的主要驅動力——故障檢測與分類（FDC）。

問題陳述

FDC 旨在解決的問題，是防止因設備因任何原因偏離可接受的運作範圍，而導致材料加工時產生廢料。當今領先的 FDC 系統普遍採用的一種技術，是根據「合格」與「不合格」的運行訓練資料集，針對各種生產運作點建立「縮減尺寸」的統計故障模型。 隨後，系統會透過在加工過程中從設備收集的關鍵參數（通常為追蹤資料），對這些模型進行即時評估，以偵測製程偏差並預測即將發生的工具故障。在最先進的晶圓廠中，FDC 軟體已與管理製程流程的系統深度整合，甚至能在運行中途中斷設備運作，以防止或減少廢品產生。

當然，這類演算法的挑戰在於：必須開發出足夠「嚴密」的模型，以捕捉所有潛在故障來源（即消除假陰性），同時又需保留足夠的彈性空間，以將假陽性（亦稱誤報，或如「狼來了！」的警報）的數量降至最低。 這反過來又需要來自設備的高品質數據，以及大量製程工程與統計分析的專業知識，才能針對必須處理的各種生產情境，開發並更新故障模型。多樣化產品組合的晶圓代工環境更會加劇這種情況。

解決方案的組成部分

現代 FDC 系統的核心是一套強大的多變量統計分析工具箱，能夠處理大量時間序列資料。所謂「大量」，既指不同設備參數的數量，也指每個參數的樣本數。這些軟體工具能將可能多達數百個的參數，濃縮成一小組「主成分」，並可透過有限數量的設備參數（例如 20 至 30 個）即時計算出這些主成分。 其中若干主成分的綜合表現，足以精確反映製程的實際狀態，從而偵測出偏離常態的情況；且由於這些主成分實際上能夠即時計算，因此該應用程式可作為線上設備健康監測系統。

生產型 FDC 系統的另一項主要解決方案組件，是能夠處理大量故障模型的故障模型庫管理功能。這是必要的，因為多變量方法幾乎或完全不考慮主成分的物理意義（即其並非基於「第一原理」），因此設備的不同工作點必須擁有各自的故障模型集。 針對特定工作點的適當模型，是透過將特定執行任務的「上下文參數」值，與用於儲存模型的參數值進行比對來選取的。即使某些模型可在多個工作點之間共用，但對於一家鑄造巨型工廠而言，其獨特的模型數量仍將達數千個之多。

EDA（設備資料擷取）標準的應用

在先進晶圓廠中，針對特定應用，可選擇的資料蒐集方式涵蓋廣泛，從基本的批次層級摘要資訊，到可應用於基板層級，甚至晶粒／位置層級的詳細即時資料皆有。就 FDC 而言，這些可能性如下表所示。

左側欄位指明用於提供必要設備資料所採用的 SEMI 標準等級。「功能」欄位說明該資料在 FDC 情境中的應用方式，而「效益」欄位則突顯這些功能可能帶來的影響。

假設某晶圓廠已實施表格第 3 行與第 4 行所述的功能（EDA Freeze II (0710) 以及符合 E164 標準的 EDA 通用元資料）。 在此情況下，製程設備將能夠以針對配方步驟的特定採樣率提供詳細的製程參數，其頻率足以評估即使是最嚴苛的 FDC 模型所採用的「特徵提取」演算法……並搭配上下文資料，以針對特定製程條件選取精確的模型集。 儘管具體的設備參數必然取決於製程，但由於 E164 標準規定了全廠範圍內設備介面的一致性，因此，用於監控製程配方執行事件、生成提供追蹤資料的資料收集計畫（DCP），以及彙整模型管理函式庫所用上下文資料的大部分軟體，皆可真正實現通用化。

FDC 團隊可善用的 EDA 標準的另一項優勢，在於多客戶端功能所帶來的系統架構靈活性。即使某台設備已連接到生產資料管理基礎架構，負責開發與優化故障模型的製程工程師和統計學家，仍可使用專為製程行為分析、實驗及持續改善所量身打造的獨立資料蒐集系統。當新的故障模型準備就緒並可投入生產時，即可根據這些新需求更新生產端的 DCP。

受影響的關鍵績效指標 (KPI)