虛擬量測

tags: 全廠良率 虛擬量測

調研-Jay李教授提過

結合虛擬量測加值4.0　刀具提供End User更多選擇

當目前台灣正積極探討如何能因應德國工業4.0策略，解決「無頭產業」缺口，建立業界於控制器、感測器IC設計等核心元件的自主研發能量時，卻常忽略了還有另一種無感量測(sensor less)方式的重要性。其係透過對於有效的演算法來比對、分析各階段加工過程的大數據，建構起終端使用者(End User)加工所需的CPS網宇實體系統，刀(把)具則為其中關鍵。

包括曾參與起草行政院「生產力4.0」方案的美國NSF智慧維護系統中心(IMS)主任、辛辛那提大學教授李傑，便是藉由所開發的預測演算法與高聖精密機電公司(COSEN)、中正大學合作，建構鋸床鋸帶製程健康預測分析的雲端技術情境。先利用中正大學的力量感測器上傳切削力、螺桿預壓等數據上雲端；再經多變量統計分析巨量資訊，來找出代表性能之參數，以反饋控制端，保持切削力一致，作出不令人擔心(worry-free)的鋸床。

CPS其實應該就有虛擬量測了，這應該是在刀具的案例

調研-市場上的產品

調研-鄭芳田教授

虛擬量測概念圖

動機

為節省成本，目前業界採取以抽檢的方式來進行品質監測，但如此並無法達到全方位品管。為能經濟實惠地達到全檢的目標，就必須研發虛擬量測技術。虛擬量測可在如半導體、面板或太陽能產業的產品尚未或無法進行實際量測的情況下，利用生產機臺參數推估其所生產產品的品質，以進行線上且即時的產品品質預測（以達到生產片全檢的效果）、機臺效能監控及生產製程改善；如此可即時發現異常，避免重大損失。

傳統的虛擬量測架構有下列問題：

1. 無法兼顧立即性與準確性，也就是如欲即時輸出虛擬量測值，則其虛擬量測值準確性不高；在另一方面，如欲確保虛擬量測值的準確性，則無法即時輸出。

2. 僅能預測虛擬量測值，但無法提供這預測值的信心指標，令使用者不敢貿然採用（因不知這預測的虛擬量測值可不可靠）。

3. 應用虛擬量測時，由於同一類型或同一機臺內各個反應室（製程裝置）的物理特性不盡相同，為維持虛擬量測的估測精度，就必須根據機臺內各個不同反應室的特性資料來建構其預測模型。如欲把虛擬量測導入全廠各個機臺，習知技術需建構每一個機臺內各個反應室的預測模型，使得全廠的模型數量會隨機臺的種類及數量的增加而越趨龐大。若仍採用習知技術對每一個機臺內各個反應室分開各自建模的方式，必須擷取大量的歷史資料來對每一個機臺內各個反應室一一建模，如此會耗費極龐大的人力資源與成本，使全廠導入虛擬量測幾乎成為一個不可能的任務。因此，需要發展一種全自動化型虛擬量測的伺服器、系統與方法，以解決上述全廠導入虛擬量測的問題。

微冰 刀具的痛點! 1台CNC有30把刀, 30種CNC機台, 總共有600部CNC機台, 你們要搞到什麼時候!!!

4. 習知技術尚未具有對收集到的製程資料或實際量測資料進行線上與即時的品質評估能力。若其中製程或量測資料發生異常，習知技術仍會使用異常的製程或量測資料來調整虛擬量測模型，因而會影響預測的準確度。此外，為了解決全廠導入虛擬量測於各個生產機臺的製程裝置時，可能產生的大量建模所需的資料品質評估與篩選問題，也必須具備能夠線上即時且自動地評估與篩選製程和量測資料品質的能力，以便能全自動地排除異常的製程及實際量測資料，節省大量的人力與時間。因此，需要發展具自動評估與篩選能力的資料品質指標，以適用於虛擬量測。

微冰 AI一直存在的 training data 沒有就GG的痛

全自動虛擬量測可解決上述問題

自動虛擬量測（automatic virtual metrology, AVM）技術能解決上述四大問題：

1. 本AVM技術藉產生雙階段虛擬量測值來兼顧立即性與準確性。

   • 第一階段滿足立即性的需求 推估步驟是在某一工件的製程參數資料一收集完成，便立即計算這工件的第一階段虛擬量測值（VMI）
   • 第二階段滿足準確性的需求 推估步驟是在取得被抽測工件的實際量測值後（用以重新訓練或調校），才重新計算這被抽測工件所屬卡匣內所有工件的第二階段虛擬量測值（VMII）

2. 本AVM技術也產生第一階段虛擬量測值和第二階段虛擬量測值的信心指標（reliance index, RI）和整體相似度指標（global similarity index, GSI），以量化預測的虛擬量測值的可靠度，令使用者可安心採用。

3. 本AVM技術提供一種全自動化型虛擬量測的伺服器、系統與方法，藉以提供虛擬量測模型自動移植（automatic fanning out）與自動換模（automatic model refreshing）的技術，來大量節省導入虛擬量測至其他同型機臺或同一機臺各反應室的時間，並維持虛擬量測應有的精度。

4. 本AVM技術針對製程資料和實際量測資料，提供具自動評估與篩選能力的資料品質評估指標。

AVM系統架構與特性

全自動虛擬量測（AVM）系統

全自動虛擬量測（AVM）系統中最關鍵的AVM伺服器架構包含下列模組，茲分別說明如下：

• 資料前處理

在AVM伺服器進行預測值（ŷ）及信心指標（RI）和製程參數整體相似度指標（GSI）等運算前，須進行資料前處理，藉以針對製程資料（X）和實際量測資料（y），提供具自動評估與篩選能力的製程資料品質評估指標（DQIX）和實際量測資料品質評估指標（DQIy），以確保資料品質及高預測精度。

• 預測模型

AVM伺服器的預測模型選用類神經網路及複迴歸，做為建構虛擬量測預測模型的演算法。

• 雙階段虛擬量測演算法

雙階段虛擬量測演算法的第一階段是當完成每片晶圓或玻璃的製程資料接收後，立即計算出其預測值／信心指標／製程參數整體相似度指標（ŷ／RI／GSI），由於耗費時間少於1秒，因此符合即時預測需求；第二階段則是當完成量測資料接收，並與製程資料比對其序號，當二者序號比對成功之後，這組製程及量測資料則做為調校或再訓練預測模型後提供預測值。

當進行調校或再訓練之後，會更新預測值／信心指標／製程參數整體相似度指標模型，且會重新計算整個卡匣內的每片晶圓或玻璃的預測值／信心指標／製程參數整體相似度指標值，而更新後的模型則用來計算新進晶圓或玻璃的第一階段的虛擬量測值。在雙階段虛擬量測架構中，第一階段強調快速算出虛擬量測值，而第二階段則為提升虛擬量測值的精度而設，這架構也適用於逐片檢測先進製程控制。

• 信心指標(RI)

信心指標表示虛擬量測預測值準確度的可信度。信心指標的目的是藉由分析生產機臺的製程參數資料，計算出一個介於0與1之間的信心值，以判斷虛擬量測預測結果是否可信賴。

它的原理是運用製程參數資料並利用類神經網路與複迴歸預測值及其分配，再利用上述二個分配的覆蓋率求出RI值；其次，運用最大可容忍誤差上限（EL）所對應的RI值，求得信心指標門檻值（RIT），若RI值大於RIT時，代表這預測值可被信賴；反之，當RI值低於RIT時，則發出警訊，提供予設備工程師進行機臺檢查或製程工程師進行參數調校，以確認製程是否穩定。

• 製程參數相似度指標(SI)

製程參數相似度指標的主要目的，是比較預測段與建模段製程參數資料的相似程度。這指標包含二部分，其一是前述的製程參數整體相似度指標（GSI），其二是製程參數個體相似度指標（ISI）。GSI是預測段的製程參數與建模段所有參數的相似程度。ISI則是預測段任一製程參數與建模段該參數所有樣本經標準化後的絕對相似程度，這SI是做為輔助信心指標的判斷。

由於半導體及TFT-LCD廠都採抽測晶圓或玻璃的方式以監測其產品品質，大多數晶圓及玻璃都無量測值，因此無法評估虛擬量測預測值的準確度。本AVM技術提出有效評估預測值信心度的方法，這方法藉由分析生產設備的製程參數資料，計算出一個介於0與1之間的信心值，以判斷預測結果是否可信賴。

另製程參數相似度指標可輔助信心指標的判斷及找出異常的製程參數。這指標分為整體及個體相似性指標，其中整體相似度指標是判斷生產機臺是否異常；當該指標顯示異常時，個體相似性指標可顯示異常的參數名稱，這時系統發出警訊通知設備工程師進行機臺檢查或製程工程師進行參數調校，如此可降低機臺故障率並提升製程穩定性，有效提高半導體及TFT-LCD廠晶圓及玻璃的生產良率，進而增加其獲利。因此，本AVM技術所提出的信心指標及製程參數相似度指標，可有效解決虛擬量測系統的可製造性問題。

VM的LEVEL

虛擬量測的自動化層級共可分成Level 0至3四級。一般的研究單位或業界所具備的層級僅到Level 1或Level 2；而本AVM系統已達Level 3的最高層級；也就是至目前為止，僅有本AVM系統具有全自動暨可全廠導入的能力。

鄭芳田教授的實際案例1

• 實驗廠域

本實驗之Site A為遠東機械/發得科技之嘉義民雄廠，透過移植Site A所建構之“中心孔直徑AVM模型”至其大陸客戶(Site B)生產線上的GED(通用型嵌入式裝置, Generic EmbeddedDevice, AVM能成功導入, GED功不可沒、扮演了相當重要的腳色)，進行系統之模型自動更新及精度驗證。

• insufficient data problem

典型作法將依照各加工廠內不同機型，量身訂做的方式建立其專屬的VM預測模型，但此作法所面臨的瓶頸為“必須額外花費至少18筆鋁圈樣本”的加工等待時間，以滿足建立AVM模型的最低需求。然而，輪圈加工型態是為“少量多樣”，即便18個鋁輪圈也不能將其視為少數而犧牲。為解決此問題，本系統將透過AVM所具備的模型自動更新(Model AutoRefreshing)功能，直接把“使用母廠(Site A)同型機台樣本資料所建立的VM母模”，給下載至新廠(Site B)之GED進行使用，再餵一至兩筆於SiteB機台生產之鋁輪圈樣本更新VM模型，即可使Site B廠之後續所加工的鋁輪圈VM預測精度符合規格需求。

• SiteB 數據描述

總計22筆鋁圈加工樣本。
+ 鑽床所使用感測器包含[ X軸震動、主軸電流、Z軸電流與C軸電流 ]
+ 車床所使用感測器包含[ X軸震動、主軸電流、X 軸電流與Z軸電流 (左刀塔與右刀塔) ]。

本實驗將以鋁輪圈最重要的“中心孔直徑”進行說明。

未完待續…

鄭芳田教授的實際案例2-刀具磨耗量預測

• 除了線上即時全檢，AVM系統的另一項重要的目標是能夠提早偵測加工機台的異常狀態
• 換刀的時間 過早的成本過晚的風險

未完待續…

參考

• 先知科技-全自動虛擬量測系統(AVM)
• 科技大觀園-全自動虛擬量測
• 論文級
  • 全自動虛擬量測 這一篇就是科技大觀園那一篇, 但在閱讀結構上比科技大觀園好
  • 智慧機械-運用全自動虛擬量測於鋁輪圈加工自動化和刀具磨耗預測 多了一個鋁圈加工的實際案例和刀具磨耗量預測
• 鄭芳田在台灣半導體年會2016的演講