MAGAZINE
刊物內容

回列表

晶圓切片之加工監測技術

摘要"

晶圓切片為左右產能與品質的關鍵製程,經過長晶成為圓棒狀後,需將其裁切為薄片,裁切的速率與切面的平整度會影響後續加工的品質、效率與成本。除線速度、進給速度等加工參數,機台狀態也影響加工品質,本技術設計一套非監督式學習的切片加工健康狀況監測方法,用以即時偵測加工斷線與主軸異常。
本研究透過加速規量測加工過程的振動訊號,經分割相同工況之加工段訊號後,由該訊號萃取與加工相關的特徵,再以自組織映射網絡(Self-organizing map, SOM)監測切片之加工狀態,並與實際加工結果比較。由於晶圓切片工序複雜,故模型需依據產品或零件重新建模,根據不同加工階段分別建立模型,進一步使健康指標能於機台加工發生異常前約10小時提出警示,提供現場操作人員寬裕的處理時間,進而有效減少加工異常之成本損失。

關鍵詞:晶圓切片、非監督式學習、加工監測

前言

台灣在半導體產業中佔有重要地位,晶圓代工產業營收的市佔率位居世界第一。晶圓製程中主要有六大機械加工步驟,晶棒長成後依序製程為晶棒圓磨(Ingot grinding)、切片(Slicing)、圓邊(Edge grinding)、磨平(Lapping)、表面研磨(Surface grinding)、拋光(Polishing)。切片對成本的影響很大,加工異常會造成重工或品質不佳而導致整批加工件報廢,因此導入監測系統,用以提前預警加工之異常。本研究將透過振動監測切片之過程,進而達到異常預警、增加產能與提升品質之目標。
閉迴路矽晶圓製程技術流程,如圖1所示,三個Phase分別為加工監測、品質預估與參數最佳化,其主幹為中間向右的流程,透過感測器量測機台訊號,萃取與機台相關的特徵,以此建立模型。迴路的走向可根據加工產品進行調整,如晶圓研磨後需要量測幾何指標總厚度差異(Total thickness variation, TTV)與表面粗糙度(Surface roughness),具有目標的模型可選擇Phase Ⅱ 加工品質預估,以監督式學習如隨機森林(Random forest)建立品質預估模型,配合參數最佳化Phase Ⅲ提升產品品質;本篇研究使用的晶棒切片機台無須量測目標品質,因此使用Phase Ⅰ 監測加工狀態,量測機台健康狀態的訊號,建立健康狀態診斷模型,用以於異常發生前提出預警。依據不同參數建立的模型比較異常發生機率,優化參數增加良率。
     
感測器架設與訊號特徵

在架設感測器前,須深入了解加工機台的結構及運作方式,才得以於合適的位置安裝感測器,用以提升訊號量測的靈敏度。本研究實驗之機台為固定磨粒鑽石線切片機,其構造如圖2所示,定義右方向為x軸,射入紙面為y軸,往上方向為z軸。加工開始時,左右主軸(Spindle)同向轉動拉動鑽石線(Wire saw),該機台之設計會使鑽石線往+x方向加減速至停止,再反向往-x方向加減速,在此過程中,晶棒(Ingot)會往-z方向進給(Feed rate),晶棒的上下兩側由犧牲材(Sacreifical layer)固定,因此加工時會先切過犧牲材再切至晶棒,犧牲材硬度與晶棒差異甚大,訊號需謹慎處理;y方向為晶棒厚度,5至40cm不等,主軸上帶動數千條鑽石線,一次性地將晶棒切成數百片。考量機台加工特性,將三組加速規架設如圖中方形位置,分別位於兩個主軸上以及晶棒上方的載具台。
由於切片機加工時,線鋸會來回加減速,因此需區分出實際加工區段,圖3(a)為原始時域訊號,橫軸為訊號點數,採樣頻率為10240Hz,縱軸為振動量,原始訊號包含許多雜訊,因此需經過降噪處理判別機台狀態;圖3(b)以窗長度一秒無重疊之振幅均方根 (Root mean square, RMS)處理原始訊號,橫軸為秒數,縱軸為振動量之RMS。第50秒前機台為待機狀態,RMS上升時代表主軸開始加速轉動,加速約3秒後第53~78秒為等速狀態,接著減速約三秒而RMS值隨之下降,第81秒停止,再往另一個方向加速,持續重覆以上動作。轉動方向不同,其振動也有差異,在奇數(去程)時振動較大,偶數(回程)振動較小。加工中週期間隔約30秒會有停止之狀態,若擷取到停止狀態會對分析造成影響,因此以振動量的RMS值大於0.23,作為閥值擷取加工段,減少後續分析的不穩定。
切片機加工為非穩態訊號,透過短時傅立葉轉換(Short time Fourier transform, STFT)如圖4,可觀察到隨時間變化的頻率,橫軸為時間,縱軸為頻率組成,顏色偏淡代表該時間下此頻率有較強的能量,反之顏色偏深代表此頻率能量較弱。圖4中15~30秒區域為主軸減速停止再加速之過程,有數條斜直線等比例下降再上升,這些淡色線延伸至等速區(30~48秒)有一定的間隔,使得亮紋呈現梯形的樣貌,皆為46Hz的倍數,其中最明顯的是46Hz,正是主軸轉動的頻率,可將其稱為主軸轉速倍頻,常用於監測轉動機構的異常;在120Hz處有條亮紋不隨轉速變化,為交流電壓倍頻導致,分析時應避免將其與加工特徵混同。400Hz處亦有不隨轉速上升而變化之區域,在機台減速時會逐漸變暗,但無往下延伸的斜線,為機台可能之共振頻率,調變機台之加工參數雖無法避開共振帶,但能減少共振的影響。
經過時域與頻率域訊號分析,了解機台加工所傳達的訊息,接著需對其量化,作為後續監測指標的依據。時間域為統計特徵,主要有五個:均方根(Root mean square, RMS)、峰對峰值(Peak to peak value, PTP)、偏度(Skewness)、峰值因數(Crest factor, CF)、峰度(Kurtosis)。頻率域為頻譜上的特定範圍,如主軸轉速倍頻,上述STFT分析中46Hz為基頻,在頻譜上對應的能量值則為其特徵,相對的二倍頻92Hz三倍頻138Hz至數十倍頻的能量值皆可做為特徵指標,此種倍頻特徵與監測主軸轉動最為相關;頻帶能量區間特徵(Band energy)則是將數個能量相加的特徵,如將1~10Hz中所有能量相加,此兩種為常用的頻率域特徵。將每個加速規的各方向訊號分別抽取上述特徵,就能以數百個以上的指標監測加工狀態,然而眾多的指標變化使得監測上的維度非常複雜,因此在下節介紹如何再將指標簡化,以單一指標監控加工狀態。

演算法應用於機械加工監測之原理

演算法中大致上可分為監督式與非監督式,監督式模型演算法多用於預估回歸模型,需要有目標值。假設抽取的特徵有兩樣,分別以代號Xi與Yi表示,i代表訓練集資料筆數,相對應的目標值如粗糙度以Zi表示,則最簡單的模型可用a•Xi+b•Yi=Zi來建立,其中a與b為常數係數,各類型的監督式演算法是用已知的Xi、Yi與Zi進行方程式擬合,將其中的係數a與b(或更複雜的係數關係)當作黑盒函數(Black box function)計算,以此訓練集建立模型。在後續的監測上,輸入未知測試集的特徵Xj、Yj,計算出相對應的預估值Zj,j代表測試集資料筆數。在文獻中有許多以此建立監測模型的例子,Arun[1]量測振動與聲音訊號並萃取重要特徵,比較各類模型在表面品質預測的結果,類神經網路與支持向量機的預測準確度為90%以上。Wu[2]以類神經網路建立回歸模型,並從中進行特徵重要性排名,再針對其影響進行最佳化,以提升機台之加工效能。

...更多內容,請見《機械新刊》雜誌

READ MORE BACK TO LIST