半导体制造中的高级统计过程控制算法研究

项目介绍

AI项目解读

基本信息

批准号：
71072012
项目类别：
面上项目
资助金额：
29.0万
负责人：
王凯波
依托单位：
清华大学
学科分类：
G0108.工业工程与质量管理
结题年份：
2013
批准年份：
2010
项目状态：
已结题
起止时间：
2011-01-01 至2013-12-31

项目参与者：
YehBaiyau；黎波；韩凯；
关键词：
变量选择多变量半导体制造统计过程控制惩罚因子

项目摘要

质量已经成为中国制造业快速发展大环境下的战略重点之一。作为科学质量管理和改善的重要工具之一，统计过程控制(SPC)方法已经被证明在防止次品扩散、控制产品质量等方面具有重要的作用。本项目以半导体制造中硅片产品的统计过程控制为例，着重研究两个问题。第一，产品多个质量参数相互关联，如何在多变量环境下提高对过程均值和协方差矩阵的监视能力，以及提高故障报警后的根源诊断能力？第二，针对二维平面型质量数据，如何有效监视产品质量波动？本项目在已有研究的基础上，提出基于变量选择和惩罚因子的SPC算法，有效利用历史数据，综合对均值和协方差矩阵的监视，并能完成对二维平面类型数据的监视。新算法有望提高对过程状态估计的准确性、降低变量维度，从而提高统计过程控制性能，并能在失控信号发出的同时提供辅助诊断信息。该项目所开发的高级统计过程控制算法能够推广应用到一般多变量生产系统以及具有表面质量参数的生产系统中去。

结项摘要

质量已经成为中国制造业快速发展大环境下的战略重点之一。作为科学质量管理和改善的重要工具之一，统计过程控制(SPC)方法已经被证明在防止次品扩散、控制产品质量等方面具有重要的作用。本项目以半导体制造中硅片产品的统计过程控制为例，完成了下面几个方面的研究工作：第一，针对多变量过程的均值偏移监视问题，提出了基于变量选择和历史数据累计的SPC方法，提高监视性能；第二，针对多变量方差偏移的监视问题，分别在样本量大于变量个数以及只有单独观测值的情况下，开发了基于惩罚因子进行失效变量识别和统计监视的算法；第三，针对多变量过程均值和方差同时偏移的问题，开发了基于新的统计控制算法；第四，针对二维平面型质量数据，考虑质量失效模式具有聚集效应的结构信息，提出了基于变量选择和融合的惩罚因子设计，并开发了新的控制图算法。新的算法提高了对过程状态估计的准确性、降低了变量维度，从而提高统计过程控制性能，并能在失控信号发出的同时提供辅助诊断信息。该项目所开发的高级统计过程控制算法能够推广应用到一般多变量生产系统以及具有表面质量参数的生产系统中去。