第四章 良率分析
4.7 照相感應模組之良率模式建構
照相感應模組之良率模式建構將以 a.製程條件 b.生產環境 c.
人員紀律三方面交叉運用提出最佳模式，其運作模式將以某 x 照 相感應模組廠從建廠到接單認證試產，量產致獲利之過程。本模 式採取在製程機台運作中參數條件已確定，及所生產出之成品驗 證已可最佳化，且為設備產出應具備之基本條件，在從生產中找 出下列(生產情境)影響良率高低之重要因子。
生 產 過 程 中 良 率 改 善 之 方 法 如 下 列 三 階 段 模 式(以 季 為 單 位)：
生產情境(一)：資料搜集時間為 92 天(季)之每日生產良率，其生 產條件如下
a.製程條件：a-1.晶片切割後經純水清洗並 100%目檢。
a-2.粘晶、打金線、上玻璃為連線生產。
潔。
b. 生產環境：b-1.元件生產環境在 class10~class1000。
b-2.模組鏡頭組裝環境在 class10,000。
c. 人員紀律：c-1.無塵室每日清潔、無塵服每週更換清潔。
c-2.元件生產區維持一定人數，無塵室內不
准跑跳。
生產情境(二).(在生產情境(一)持續下再改善條件)：資料搜集 時間為 78 天(季,扣除休假日)之每日生產良率，其生產條件如下
a. 製程條件：a-1.晶片進料已經切割篩選。
a-2.陶瓷元件生產前清潔。
b. 生產環境：b-1.元件生產工作區間環境在 class0~10。
b-2.鏡頭組裝區環境在 class1,000。
c. 人員紀律：c-1.無塵服吊掛區環境在 class100。
c-2.人員工作技巧每月再考核。
生產情境(三). (在生產情境(二)持續下再改善條件)：資料搜 集時間為 84 天(季,扣除休假日)之每日生產良率，其生產條件如下
a. 製程條件：a-1.鏡頭零件在生產前清潔。
b. 生產環境：b-1.元件上之玻璃清潔在環境 class100。
第五章 實證分析與結果
5.1 實證良率資料來源
本研究係利用 X 公司生產線上最終良率資料，以每日投入、
產出數求得良率值，依據生產情境一、二、三分別求得 254 組良 率值(參閱附錄 Table 1)。
5.2 變異數分析
為了分析 X 公司採取不同的生產情境，以改善良率的績效是 否有所不同，我們以變異數分析來說明不同生產情境所產生的不 同樣本平均良率，是否亦代表在不同生產情境下的，母體平均良 率亦不相同。在此，我們將生產情境中的良率改善方法視為因子 (factor)，而因子有三種不同的良率改善方法，亦即有三種不同處 理方式(treatment)，所以 X 公司所做的良率改善活動，事實上就 是一種實驗(experiment)，在此實驗中，生產情境中的良率改善方 式，共有三種處理方式，亦即 X 公司的良率改善活動是一種單因 子實驗。換言之，我們可以單因子變異數分析證明，不同的處理 方式是否會有不同的良率效果產生。
於是，我們面對的問題是：是否三種不同的生產情境(不同的 良率改善條件)所產生相異樣本平均良率，是否亦代表母體的平均 良率在三種情境下亦不相同？在此，我們令
=
μ1 生產情境 1 下所產生的平均良率
=
μ2 生產情境 2 下所產生的平均良率
=
μ3 生產情境 3 下所產生的平均良率
表 5.1 三種生產情境之基本資料
組別 X1 X2 X3
n 93 77 84
ΣX 74.86706 71.94573 81.56667 ui 0.805022 0.93436 0.971032 Si 0.058323 0.04627 0.01095
以統計的術語來說，我們要利用樣本平均良率來檢定以下的 假設。
3 2 1 0 :
H μ =μ =μ
:
H1 並非所有母體的平均良率皆相同
利用 SPSS 的統計功能，我們代入所有的樣本資料，獲得以下 的結果。
變異原因 平方和 自由度 平 均 平 方 和
F 檢定 顯著性
組間 1.353 2 0.677 356.932 0.000 組內 0.476 251 0.002
總合 1.829 253
由上列 3 個單因子變異數分析表結果，F 值是 356.932，F 檢 定的 P 值為 0.000，因此在α=0.05 的顯著水準下，我們拒絕 H0， 因為 P 值=0.000＜α=0.05，這表示 X 公司所採取的三種不同生產 情境值之良率改善策略，確實具有統計上的顯著效果。亦即，不 同良率生產方式會產生不同的平均良率。
5.3 迴歸分析
本研究再利用迴歸模式預測在不同生產情境下的良率，由於 生產情境只有三種，我們只要利用兩個虛擬變數(Dummy Variable) 就可以表達不同的生產情境。每個虛擬變數值的設定如下：
X1= 1 若良率值屬於生產情境 2 0 其他情境
X2= 1 若良率值屬於生產情境 3 0 其他情境
在這種定義下，X1與 X2在不同生產情境下的數值如下：
生產情境 X1 X2
1 0 0
2 1 0
3 0 1
所以在生產情境 1 之下的樣本點會被記為 X1=0，X2=0；在生 產情境 2 之下的樣本點會被記為 X1=1，X2=0；以及在生產情境 3 之下的樣本點會被記為 X1=0，X2=1。因此迴歸方程式中的預測良 率值 E(Y)與虛擬變數間的關係可以表示為
( )
Y 0 1X1 2X2E =β +β +β
為了解釋β0，β1與β2的意涵，我們考慮以下三種不同的迴 歸方程式。
E(Y/生產情境 1)=β0 +β1
( )
0 +β2( )
0 =β0 E(Y/生產情境 2)=β0 +β1( )
1 +β2( )
0 =β0 +β1 E(Y/生產情境 3)=β0 +β1( )
0 +β2( )
1 =β0 +β2因此，β0是代表生產情境 1 之平均良率；β1是代表生產情 境 2 之平均良率與生產情境 1 之平均良率間的差異；β2是代表生
產情境 3 之平均良率與生產情境 1 之平均良率間的差異。現在，
將本研究的所有樣本點代入迴歸模型
ε + β + β + β
= 0 1X1 2X2 Y
利用 SPSS 的統計功能，我們可以獲得以下的模型參數的估 計值為Y) =0.805+0.129X1 +0.166X2
，而在 0.05 顯著水準下，P 值 為 0.000，而 F 檢定(F=356.331)顯示此迴歸關係是顯著的。就各 估計值的 t 檢定而言，虛擬變數 X1(P 值=0.000)以及虛擬變數 X2(P 值=0.000)皆具有統計的顯著水準。而 R2=0.86，調整的 R2=0.74 表示估計的迴歸方程式對解釋良率的變異具有良好的解釋能力。
因此，估計的迴歸方程式可以用來協助我們估計或預測不同生產 情境下的平均良率值，有關迴歸模型的統計結果如下表所示。顯 然地，由於β1=0.129 以及β2=0.166，我們可以獲得以下的結論：
(1) 生產情境的改善中，我們發現廠商的良率有明顯的改善。
(2) 平均而言，生產情境 2 的良率值高於生產情境 1 的良率值，
其數值是 0.129。
(3) 平均而言，生產情境 3 的良率值高於生產情境 1 的良率值，
其數值是 0.166
(4) 生產情境 3 的良率值高於生產情境 2 的良率值，其數值是 0.037。
(5) 生產情境 3 的生產條件顯然是最佳的生產條件。
模式 R R 平方 調整後的 R 平 方
1 0.860 0.740 0.738
a. 預測變數：常數,X1,X2 b. 依變數\：YIELD
係數
未標準化系數 標準化系
數 模式
B 之估計 值
標準誤 Beta 分配
t 顯著性
常數
X1
X2
0.805
0.129
0.166
0.005
0.007
0.007
0.700
0.920
178.292
19.278
25.329
0.000
0.000
0.000
a. 依變數\：YIELD
變異數分析
模式 平方和 自由度 平均平方 和
F 檢定 顯著性
1 迴歸
殘差
總合
1.535
0.476
1.829
2
251
253
0.677
0.002
356.331 0.000
a. 預測變數：常數,X1,X2 b. 依變數\：YIELD
5.4 分析與討論
在大量生產製造的過程中，利用單一的設備製程參數做為良 率改善分析資料是不足夠，在時間就是金錢的情形下，能利用現 場監督者收集其他相關材料製程資料、人員紀律、環境維護為良 率改善之必要條件，並每日檢討相關改善措施。生產主管得做出 最正確之決策，指示所有生產相關人員擬定一套生產標準，來監 控製造環境，並時時提出良率改善動作，只要有良好製程參數且 可確認對良率之提升有正面效果且不增加整體成本投入，良率之 改善參數將持續不斷投入且產出。
由於照相感應之產品有生命週期短、種類繁多、製程冗長之 生產特性，在生產管理及良率之掌握都具備高難度，因之生產管 理的決策中，生產及製程工程師對各個生產環節所產生之資料做 有效分析，進而提升良率，將有助於降低生產異常之成本。感應
有效找出最佳改善條件及背後隱藏之相關信息，並迅速整理成製 程條件，是目前感應模組最重要課題。
第六章 結論與建議
6.1 結論
一般產品之良率改善模式都建立在機台設定參數及產出量測 值之製程能力，即所謂之製程上之改善，而未考慮其他影響良率 之相對投入因素，因機台參數及所產生之製程能力乃是生產設備 天生具備之能力，只須持續投入時間及相關數值交叉分析即可獲 得，本研究乃提出以其他製程條件、生產環境、人員紀律來建構 良率模式，並特別強調生產中相關之微粒(Particle)控制，以增進 良率模式之可信度。
本報告所發展之良率建構模式，主要在探勘模組組裝中影響 製造良率之因子，希望協助新加入者對於生產中所產生之品質異 常，能事先擬定品質管制點，以達到降低成本的目的。故本報告 試從對影響品質之微粒及人員紀律做為投入與所產出良率間的關 係，挖掘出有價值的資訊並加以研究探討，進而擬定出良率生產 模式，借用此方法以提高生產良率、控制品質，最終達到降低成 本，縮短量產上市時間。由於收集之資料乃是長期經驗累積彙集，
其良率模式簡易且預測良率能力較佳，其優點如下：
1. 在建構最佳良率模式前即與設備供應商取得最佳參考製程參 數，使設備工程人員更具設備操作能力。
2. 抓住影響產品良率之關鍵因素，如何掌控微粒子。
3. 可以從生產環節中掌握影響良率之因素並提出解決方案。
4. 利用變異數及迴歸分析方法，簡便且快速建構良率模式。
6.2 建議
照相感應器對影像擷取產品而言是相當重要之零組件，面對 競爭激烈之市場環境，如何提升品質、降低成本，其組裝良率之 提升是重要競爭力之一環。就產品結構來看，隨產品由低晝素影 像往高晝素影像邁進，感應器範圍也隨之變大，製程品質之掌握 相對困難。
就公司營運來看，應整合業務行銷、研發、生產、採購、財 務各部門，共同協助達成公司願景，有效應用集團資源、人脈達 成公司營運目標。
就 應 用 市 場 來 看 ， 感 應 器 將 朝 低 價 及 高 附 加 價 值 兩 方 向 發 展，其市場範圍隨著網際網路及多媒體的蓬勃發展，在視訊會議、
影像電話、手機、汽車倒車影像、指紋辨識器應用將更廣泛，若 以市場成長率及市場規模觀之，未來將是以 CMOS 製程為主之感 應器之市場。
參考文獻
1. 阮世昌，「CMOS 感測器現況簡介」 2002.07.26。
2. 林峻毅，「手機用數位相機市場展望」 2003.03.17。
3. 邱永德，「多重品質特性實驗設計模式」。華梵大學工業工程碩 士班(2003)
4. 吳昶葳、賴彥璋、林克誠、郭鴻森，「無塵室地板孔率之流場 分析」大同大學機械系 90 級。(2001)
5. 范哲豪，「CMOS IMAGE SENSOR 的未來發展趨勢」工研院 IEK 電子組 2004.04.27。
6. 肯特，「剖析 CMOS 和 CCD 影像感測器技術原理」。
7. 陳再萬，「模糊推論於製程能力評估之研究」國立中興大學機 械工程學系博士班。(2003)
8. 陳梧桐，「相機手機為 CMOS 影像感測器主要應用市場」工研 院 IEK 電子組 2004.07.26。
9. 許文輝、鍾雲恭，「區間神經網路應用於半導體晶圓缺陷辨識 及良率估計之設計」元智大學工業工程研究所。(1998)
10. 謝昆霖、唐麗英，「積體電路良率管理之良率模式構建-類神 經網路之應用」南華大學資訊管理學系、交通大學工業工程與 管理學系。(2003)
11. 簡志勝，「CMOS IMAGE SENSOR 市場發展趨勢」工研院 IEK 電子組 2004.03.15。