如何監測晶圓切割機機構動作品質?
監診實績|如何監測晶圓切割機機構動作品質?#半導體領域
#機器學習
#PHM
晶圓切割機是半導體製程中的關鍵設備,其品質對整個製程和最終產品的性能都有重要影響。如何確保切割機機構動作品質穩定度?
晶圓切割機
晶圓切割機的穩定性與製程關係 晶圓切割機的穩定性直接關係到製程的穩定性,一台高品質的切割機需要能夠確保切割的精確性和一致性,並實現更高的切割精度,確保元件的尺寸和形狀符合規格。高效能的晶圓切割機能夠提高製程速度,從而提高生產效率,這對於大規模生產和緊湊的生產排程是至關重要的。因此,如果切割機效率低下,可能會成為整個製程的瓶頸,影響整體生產能力。我們藉由監測切割機機構動作來確保切割機的品質,進一步讓晶圓製程能達到一致的標準,減少製程變異性,提高製程穩定性。
監測說明
VMS-ML 機器學習智能監控系統
針對主軸啟動升速、晶圓切割…….等機構動作中擷取同步產生的振動訊號,進行優良狀態下的規範學習及動作判別,透過與規範比對結果,檢測重複性的動作,達到機械動作品質檢測目的。
量測狀況
規範1.主軸啟動檢驗
監測項目
#氣浮式主軸運作品質
#刀座與刀座螺紋品質
#刀具與護蓋鎖附品質狀況

檢測結果
主軸啟動辨認與檢測

自動辨認成功、檢測結果:Pass (93.43%)
主軸啟動辨認與檢測

自動辨認成功、檢測結果:Pass (91.08%)
規範2.晶圓切割流程
監測項目
#Z軸移動與定點停留品質 (Z軸伺服馬達與驅動器、Z軸螺桿滑塊等移動件)
#Y軸移動與定點停留品質 (Y軸伺服馬達與驅動器、Y軸螺桿滑塊等移動件)
#X軸移動(切割)品質(X軸伺服馬達與驅動器、X軸螺桿滑塊等移動件)

晶圓切割規範辨認

切割第一面:Pass (79.3%)
切割第二面[轉向]
![切割第二面[轉向]:Pass (86.71%)](img/case/case-ds/case-ds-06.webp)
切割第二面[轉向]:Pass (86.71%)
轉向切割振動動態是相似的,可濾除掉結束(紅圈處)的相異處(軟體內建標準功能),建議作爲實際監測規範
規範3.晶圓切割
監測項目
#螺桿更換前後品質差異確認
更換螺桿前

自動辨認成功、檢測結果:Pass (95.23%)
更換螺桿後

自動辨認成功但檢測結果:Fail (71.72%)
(代表螺桿移動動作差異過大)
機構健康檢測結果:Fail (代表動作已有很大差異)
測量結論
1.上部門型結構能夠量測到大部分機構的振動,監測系統也都能從此處清楚的辨認各項動作。
2.晶圓切割轉向後的振動動態相似,可用相同的規範進行檢測。
3.更換螺桿前後動作差異明顯,VMS-ML 分數判定結果有很大的落差。
4.切軸輕微抖動,分數下降 ; 調整復歸後,分數也回復到抖動前的判別結果。
透過簡單建立健康規範,系統學習動作依照所累積的數據統計進而做出分析判斷,使用者進而可訂立預知保養計畫並有助於設計者優化產線設計流程。
VMS-ML 機器學習智能監控系統