資料處理

上述取得的晶圓針測資料，套用上針對誤宰資料特徵所設計的演算法，並將 各個偵測演算法所計算出的結果記錄下來，回存到該資料集中。在此我們以”v+

數字”代表各個不同的誤宰偵測演算法，計算結果若是‘Y’，表示該筆資料觸發 了該項偵測演算法。

31

圖 25：誤宰偵測演算法的計算結果

4.1.3 資料探勘

取得上述預先整理過後的資料，本研究使用 Weka 這套 OpenSource 的軟體，

將前面步驟準備好的資料，以 CSV (Comma Separated Values) 檔案的格式，匯入 Weka 軟體進行分析。

我們採用讓訓練資料集與驗證資料集綜合方式進行，設定百分比為 70%的訓 練資料集，讓 Weka 先針對訓練資料集隨機抽樣，進行訓練模式推導，再以剩下 30%的驗證資料集代入訓練模式，試算以偵測演算法來推論誤宰現象的準確度如 何。各分類技術的參數設定如表 3 所示：

32

表 3：各演算法的參數設定

Weka 演算法 參數設定

Naïve Bayes weka.classifiers.bayes.NaiveBayes C4.5 Decision

Tree

weka.classifiers.trees.J48 –C 0.25 –M 2

BPN weka.classifiers.functions.MultilayerPerceptron –L 0.3 – M 0.2 –N 500 –V 0 –S 0 –E 20 –H a

SVM(SMO) weka.classifiers.functions.SMO –C 1.0 0L 0.0010 –P 1.0E-12 –N 0 –V -1 –W -1 –K

分類技術的執行環境為 Windows 7, AMD Athlon 64x2 5200+ (2.7GHz),

從各分類方法分析偵測演算法對不同產品針測結果的計算資料，可以看到其

33

表 4：使用不同分類方法檢驗偵測演算法的準確度 分類方法

產品

Naïve Bayes

Decision

Tree BPN SVM

A (1369 筆) 83.45% 86.86% 87.10% 81.75%

B (884 筆) 89.43% 93.20% 93.20% 92.83%

對 A 產品所分析出來的決策樹規則如下圖所示，其中 v3、v5、v24 及 v31 便 可分辨出大部份的誤宰：

圖 26：A 產品決策樹規則

對 B 產品所分析出來的決策樹規則如下圖所示，可看出 v3、v5 以及 v24 便 可分辨出大部份的誤宰記錄：

34

圖 27：B 產品決策樹規則

從上述對 A, B 兩產品所推論出的決策樹規則來看，v3、v5、v24、及 v31 這 四種偵測演算法，就足以推斷出大部份有誤宰情形的針測資料，實務上可使用所 推論出的決策樹規則來當成判斷依據：

V3：檢查良率是否低於某一標準值，此種偵測條件適用於製程已穩定成熟的 產品，其良率也應該要很穩定，若出現低良率的情形，表示可能針測的過程有問 題。

V5：此偵測條件會檢查由廠內工程師所指定的特定 Bin 編號，其失效晶粒顆 數是否超過某特定比例，通常若測試程式是由廠內所撰寫，便能由工程師自行將 該測試項目加入到程式中。

V24 ：此偵測條件須配合針測程式，在針測過程中，進行特殊的項目測試，

若該特定項目的 fail 顆數超過設定值，則視為該偵測條件被觸發。

V31：單一 site 的良率與其他 site 的差異值過大(Site Low Yield)，此一狀況通 常是因為針壓不足或探針上有異常殘屑存在所導致。

V40：主要是比對 CP1（晶圓第一道測試）與 CP2（晶圓第二道測試）的良 品晶粒顆數差異，若超過設定的標準值，就觸發此一偵測條件。正常狀況下，

CP1 若被判為良品的晶粒，在 CP2 階段的測試不應該被判斷為壞品。

35 關聯性；因此採用資料探勘技術中的關聯規則(Association Rule)來進行分析。

4.2.1 問題定義

從晶圓測試廠的針測資料中，我們可以取得測試機台、針測卡、測試程式、

操作人員、測試温度等等，本實驗將找出這些變數與針測誤宰現象間的關係，以 作為業者在製程改善的依據。

4.2.2 資料準備

本實驗使用業者某一產品型號於 2011/11~2011/12 間共三個月的重測資料，

資料變數包含測試機台編號、針測機編號、測試站別、針測卡編號、測試程式及 操作人員等等。同樣的，依照重測後所救回來的良率，若是超過百分之二，便可 視為是誤宰。因此，我們在原始資料中，加入一個衍生的欄位-Overkill，其值便 由救回的良率差來呈現。