数据挖掘在半导体企业质量管理中的应用
VIP免费
摘 要
对于半导体等高科技产业而言，由于产业的自动化和电子化，都会在制造过
程中自动收集产品经过机台加工而产生的数据。工程师可以通过这些收集到的数
据进行过程监控、故障分析和质量控制等各种作业。然而由于半导体制造工艺的复
杂性和工艺参数之间的相互影响，工程师往往难以藉由本身的专业知识或者经验
从收集到的庞大的数据资料中迅速有效的找到可能导致其中制造工艺异常的原因
或者造成产品良率不高的因素，更不用说从数据中发现以前隐藏不知的重要信息
本论文就是根据这样的现状，针对半导体晶圆允收测试数据，建立半导体产品低
良率事故诊断数据挖掘模型，并用 Kruskal－Wallis 检验和人工神经网络两种分析
工具对大量的数据资料进行数据挖掘，以发现事故发生的原因，缩小工程师排除
事故原因的范围，进而提升半导体产品的良率。本论文首先回顾相关文献，并讨
论了数据挖掘理论技术和各种分析方法及其应用，再提出了适合半导体工艺的数
据挖掘模型和两个分析方法，然后通过实例论证模型的有效度，最后得出结论是
本论文所研究的数据挖掘模型和方法可以有效的协助工程师在短时间内缩小造成
事故原因的范围，最终找到问题的真正原因。
关键词：数据挖掘 半导体 晶圆允收测试 神经网络 事故诊断
ABSTRACT
For industrial automatization and electronization, it can collect enormous data
automatically when products are processed by machines. Engineers can analyze the
failure and control the process and quality by means of the data. However, due to the
complexity of process of semiconductor manufacturing and interaction of parameters, it
hardly find the matter of process abnormity and the factor of low yield rapidly and
effectively from enormous data, let alone important hidden information. As stated
above, the paper builds up the model of data mining to diagnose the low yield of
products in order to find accident causes and improve yield of products by using the
Kruskal-Wallis test and ANN to analyze the data of WAT. The paper reviews the
relational literatures and introduces the technology and application of data mining
firstly, builds up the model and method, and finally reachs the conclusion by
demonstrating the example that the model can help engineers find the key to solve the
problem.
Key Word: Data Mining, semiconductor, WAT, Neural Network,
accident diagnosis
目 录
中文摘要
ABSTRACT
第一章 绪 论.................................................................................................................1
§1.1 课题研究的背景：............................................................................................1
§1.1.1 国内市场需要 IE 专业.............................................................................1
§1.1.2 半导体质量管理现状................................................................................1
§1.1.3 国内半导体企业问题................................................................................1
§1.1.4 数据挖掘研究现状....................................................................................1
§1.2 课题研究的意义：............................................................................................2
§1.3 课题研究的方法和本文的基本结构...............................................................3
第二章 数据挖掘技术的综述..........................................................................................5
§2.1 数据挖掘的概念和基本特点.........................................................................5
§2.1.1 数据挖掘的概念........................................................................................5
§2.1.2 数据挖掘的基本特点................................................................................7
§2.2 数据挖掘的步骤.............................................................................................7
§2.3 数据挖掘的知识或任务类型.........................................................................8
§2.4 数据挖掘的一般方法...................................................................................11
第三章 半导体质量管理的数据挖掘方法研究...........................................................15
§3.1 Kruskal－Wallis 统计检验法..................................................................15
§3.1.1 统计检验在事故诊断分析时的两种情况.............................................15
§3.1.2 Kruskal－Wallis 检验法的功用..........................................................15
§3.1.3 Kruskal－Wallis 检验法的原理和方法..............................................16
§3.1.4 Kruskal－Wallis 检验法的同分观察..................................................17
§3.1.5 Kruskal－Wallis 检验法的功效效率..................................................18
§3.1.6 Kruskal－Wallis 检验法的检验步骤小结..........................................18
§3.2 BP人工神经网络（ANN）方法......................................................................19
§3.2.1 BP网络的简介........................................................................................19
§3.2.2 BP网络中的神经元模型........................................................................20
§3.2.3 BP网络结构............................................................................................21
§3.2.4 BP 学习算法及其改进方法....................................................................22
第四章 半导体质量管理的数据挖掘模型建构...........................................................29
§4.1 半导体工艺特性..............................................................................................29
§4.2 建构半导体低良率诊断数据挖掘模型..........................................................30
§4.2.1 问题定义..................................................................................................31
§4.2.2 数据准备..................................................................................................31
§4.2.3 建立数据挖掘模式..................................................................................40
§4.2.4 结果评价和解释......................................................................................45
第五章 半导体低良率事故诊断模型的实证研究.......................................................47
§5.1 问题的定义......................................................................................................48
§5.2 数据准备..........................................................................................................48
§5.3 建立数据挖掘模式..........................................................................................50
§5.3.1 Kruskal－Wallis 检验法......................................................................50
§5.3.2 BP人工神经网络方法............................................................................53
§5.4 结果解释和评价.............................................................................................60
第六章 结 论................................................................................................................61
附 录................................................................................................................................62
参考文献.........................................................................................................................71
第一章 绪 论
第一章 绪 论
§1.1 课题研究的背景：
§1.1.1 国内市场需要 IE 专业
随着改革开放的不断深入和经济的持续发展，国内市场逐渐成为世界最有潜
力的市场，高新技术企业也不断在国内投资设厂，IC 产业方兴未艾，可能成为台
湾地区以后的又一个世界级 IC 制造基地，特别是上海地区 IC 制造业蓬勃发展，
这使我们 IE 专业大有用武之地。
§1.1.2 半导体质量管理现状
在所有制造企业中，IC 制造业由于其技术更新快，工序极其复杂和多样化，
使得在生产过程中积累了海量的、以不同形式存储的数据资料。特别在半导体制造
过程中，都会收集晶圆通过机台而自动产生的参数资料和人工记录的判断资料来
进行产品的监控和故障分析。 然而由于这些资料十分繁杂, 仅仅依靠数据库的查
询检索机制和一般统计学方法已经根本不能满足其需要， 工程师往往无法从收
集到的庞大的资料中，迅速有效地察觉可能导致其中制造过程异常的原因或是造
成产品质量不好的因素，更勿论从资料中发现先前隐藏不知的重要信息。
§1.1.3 国内半导体企业问题
由于半导体制造一种十分复杂和紧密的过程，要实施完善的管理和保证产品
的高合格率，对在制产品和设备工作状态进行有效的监督至关重要，但是国内企
业却很少有企业建立了自己的管理控制系统。例如国内某一家较早建立的半导体
制造公司，一方面由于设备的陈旧落后，另一方面由于缺乏良好的管理及数据分
析系统，所以质量问题一直无法得到比较好的解决，其成品良率只达到92％（一
般为95％），成为限制其竞争力最大的拦路虎。目前上海一家半导体企业建立了
一个专门用于半导体芯片制造的系统，但是对数据分析还是用数据库的查询检索
机制和一般统计学方法，根本不能适应半导体制造过程中积累的大量数据，故对
良率预测，低良率，设备故障排除等问题仍不能很快有效解决。
§1.1.4 数据挖掘研究现状
数据挖掘是 20 世纪 90 年代新崛起的一门学科，它是当前计算机科学，人工智
能，工业工程界的一大热点。它通常又称知识发现（KDD），知识发现一词首先出
现在 1989 年举行的第十一届国际联合人工智能学术会议上，到目前为止，由美国
1
数据挖掘在半导体企业质量管理中的应用
人工智能协会主办的 KDD 国际研讨会已经召开了8 次，规模由原来的专题讨论会
发展到国际学术大会,重点也逐渐从发现方法转向系统应用，注重多种发现策略
和技术集成，以及多种学科之间的相互渗透。亚太地区 1997 年在新加坡第一次组
织了规模较大的 PAKDD 学术研讨会,很有特色。1998 年又在澳大利亚墨尔本召开了
PAKDD'98，反应空前热烈。此外,数据库、人工智能、信息处理、工业工程等领域的
国际 学 术刊物也纷纷开辟了 KDD 专题或专刊， IEEE 的 Knowledge and Data
Engineering 会刊领先在 1993年出版了 KDD 技术专刊，它所发表的5 篇论文代表
了当时 KDD 研究的最新成果和动态。不仅如此,在 Internet 上还有不少KDD 电子出
版物,其中以半月刊 Knowledge Discovery Nuggets 最为权威。现在更有越来越多
的软件供应商加入了数据挖掘这一领域，迄今为止已经开发出十多种关于数据挖
掘的软件包，例如：IBM 开发了一套称为 Intelligent Miner 的数据挖掘产品，
它是少数可以建立：分类、回归等六种模式的工具。其他软件供应商也提供了许多
数据挖掘方案。Clementine 开发的数据挖掘工具包，它主要应用于企业营销中的
客户划分、欺诈检测、信用评估、利润预测等，曾两次获得英国政府 SMART 创新奖
其它常用的工具还有LEVEL5 Quest 、MineSet (SGI) 、Partek 、SE-Learn 、SPSS
的数据挖掘软件 Snob、Ashraf Azmy 的 SuperQuery 、WINROSA 、XmdvTool 等
[1,2,3]。
§1.2 课题研究的意义：
结合上述问题和近年发展起来的数据挖掘技术成果和理论，如何将这些理论
和生产实践有机地相结合，已经成为一项非常有意义的研究课题。
从目前发展形势来看，数据挖掘技术在很多领域都得到了较为广泛的应用，
如金融、科学研究、制造业、零售业、司法系统等等。例如在科学研究中，如一个天
文学上的著名应用系统 SKICAT 就是相当成功的一个数据挖掘应用，利用该系统，
天文学家已发现 1 6个新的极其遥远的类星群。但是数据挖掘技术在半导体行业
方面的应用至少在国内还是比较罕见的。另一方面，从半导体企业生存和发展的
需要看，随着人们对电子产品质量需求的提高，提高半导体产品质量和可靠性自
然成为该行业最需要研究的课题之一，生产过程质量，成品质量等已直接关系到
企业的生存问题，成为企业最迫切需要解决的问题。现在国内的半导体企业一般
也对生产过程进行了大量的质量数据搜集，然而工程师对这些数据的处理分析方
法一般以统计分析为主，有时凭借自己的经验等，虽然这些方法在一般企业和很
多问题中具有较好的处理效果，但是由于半导体工艺更新快、复杂（从氧化扩散
光刻，刻蚀，洗涤，淀积等大约也有不少于三四百个工序）并且多样化，这势必
形成大量以不同形式储存的数据，工程师仅仅依靠数据库的查询检索机制和一般
统计学方法根本不能从收集的庞大的数据中，迅速有效地察觉可能导致其中制造
过程异常的原因或是造成产品质量不好的因素，更何况去发现一些隐藏于大量数
2
摘要：
展开>>
收起<<
摘要对于半导体等高科技产业而言，由于产业的自动化和电子化，都会在制造过程中自动收集产品经过机台加工而产生的数据。工程师可以通过这些收集到的数据进行过程监控、故障分析和质量控制等各种作业。然而由于半导体制造工艺的复杂性和工艺参数之间的相互影响，工程师往往难以藉由本身的专业知识或者经验从收集到的庞大的数据资料中迅速有效的找到可能导致其中制造工艺异常的原因或者造成产品良率不高的因素，更不用说从数据中发现以前隐藏不知的重要信息本论文就是根据这样的现状，针对半导体晶圆允收测试数据，建立半导体产品低良率事故诊断数据挖掘模型，并用Kruskal－Wallis检验和人工神经网络两种分析工具对大量的数据资料进行...
作者：牛悦
分类：高等教育资料
价格：15积分
属性：76 页
大小：3.14MB
格式：DOC
时间：2024-11-19
