晶圓切割製程的穩健設計－六標準差與田口實驗設計的應用

(1)

晶圓切割製程的穩健設計－六標準差與田口實驗設計的應用

林志良、林谷鴻 國立高雄應用科技大學工業工程與管理系 E-mail: [email protected]

摘要

六標準差的精神是利用統計品管方法改善產品的品質問題以減少不良產品的成本浪費。本文嘗試將六標準差的管理手法DMAIC 導入製程改善流程中，依據有系統、邏輯性的方法針對個案公司的晶圓切割製程作深入的分析，在改善階段更使用田口博士所提的穩健設計觀念取代傳統的實驗計劃法，秉持快速與低成本的原則，獲得影響製程能力之關鍵因素及其最佳組合水準，並藉著完整的品質管制策略及作為，掌握關鍵因素的投入，提昇其製程能力；最後建立關鍵品質特性的管控系統，確保產品品質的提高及避免不良品的成本浪費，進而達到六標準差的目標。本研究以個案公司單一產品為例，將結合後的分析模式導入，使得原先品質特性-正崩值的製程水準為 0.96 提升至 1.36，並以統計檢定的手法，在 95%的信心水準下，確認品質特性的平均值由原先的 9.9056μm 降至4.0952μm，成功的驗證此分析模式可提升其製程水準，並減少不良品的成本浪費。關鍵詞：六標準差、DMAIC、田口實驗計劃法、穩健設計、晶圓切割

1. 前言

品質意識高漲的風潮下，企業必須投入更多的機器與人力來提升所製造的品質，再加上自由經濟市場體制下同業削價競爭影響，企業處於高成本、低利潤的狀態，使得品質成為企業存亡或獲利的關鍵。企業需有一套完善的系統，能在如此高標的品質水準下降低製造成本並提升企業本身的獲利能力。六標準差是一個新興追求卓越品質的管理方式，它強調製程能力改變，是一種去除製造過程中的浪費，改善製程品質，以達到節省成本和時間的一種哲學[1]。經由六標準差的設計與流程監控，將流程操作可能的失誤減少到最低限度，企業將可達到最高品質與效率、最低成本、最短作業時間、最大的利潤、全方位顧客滿意的境界。田口玄一博士倡導使用的實驗計劃法，或稱為田口品質工程，開始開發各種直交表及解析方法，是以工程的角度去事先了解品質問題，與傳統實驗設計最大不同在於不特別強調數學模式，而以成本效益的觀念，找出最佳的管理水準組合。應用六標準差管理手法DMAIC，結合田口博士的穩健設計取代傳統的實驗計劃法，以更省時，更省成本的方法，確保切割製程品質的提高及減少不良品的成本浪費。

2. 文獻探討

2.1 六標準差

六標準差最先是在1980 年代由 Motorola Mike J.Harry 博士所發展出來的管理手法，其公司在 1987 年開始推行六標準差改善管理歷程，旨在利用統計品管，改進產品的品質以達到一百萬個產品中出現的不良品不多於 3.4 個之水準[2]。亦是一套追求卓越、顧客為尊、流程改進、以統計衡量為準的哲學，不是憑直覺，依據其過程屬性將其定義分為兩大類，統計上的意義為，產品缺點數的水準為一百萬個中有3.4 個，製

(2)

程能力水準等於1.5。管理上的意義為，六標準差是個結合強勢領導和基層動力參與的系統，讓各個層級的員工發現更瞭解顧客、更清楚的流程、更有意義的衡量以及更有力的改進工具，使他們工作更有效、更少混亂，並更有價值。本研究將國內外各學者針對六標準差的定義整理如下表1，綜合其統計及管理上的定義得到以下結論：六標準差是一個管理系統，以滿足顧客需求為出發點，形成組織的策略及長短期目標，根據這些策略及目標，由各階層的通力合作，以數據為導向，配合產品或服務的相關專業，以統計分析找出關鍵問題加以解決並採取防呆措施，達到接近零缺點的目標，並使組織能持續的以最少的成本、最高的效率提供顧客滿意的品質與服務，大幅提升公司獲利以逹永續經營的目的。表1 國內外學者對六標準差的定義表學者年代定義張公緒 2001 六標準差實質上是一項突出追求嚴格品質的系統工程，六標準差的目的在使企業能_{快速正確地反應環境與顧客需求，適時採取行動與變革。} Breyfogle et al. 2001 六標準差應該結合經營智慧與統計方法，持續改善組織的效率與效能以滿足顧客需求，要創造顧客與供應商間雙贏的局面，故它應被視為是一種策略性的企業活動，不是單純的品質計畫。鄭榮郎 2002 認為六標準差為一全面且具彈性的系統，用於獲取、維持和擴大企業的成功，其透過企業的活動，結合公司策略，運用專案管理技巧，選定改善專案或關鍵流程，以達到顧客需求，創造顧客價值，提昇企業競爭力所推動之改善活動。鍾朝嵩 2002 六標準差管理就是以6σ 值為目標，在增強顧客滿意，使經營資源的消費控制到最小限度下，活用統計手法，改善日常的業務作程，使能突破性的改革企業利益的有效管理方法。 Pande 2002 六標準差是個結合強勢領導和基層動力參與的系統，讓各個層級的員工發現更瞭解顧客、更清楚的流程、更有意義的衡量以及更有力的改進工具，使他們工作更有效、更少混亂，並更有價值。 Smith et al. 2002 六標準差是一種高績效、數據導向手法以分析企業問題的根本原因並解決它們。它將企業的產出與市場需求連結起來。 Brue 2002 認為六標準差是一種精確而有適應性的方法以連結員工、流程及產出，以令你能得到你要的結果。不論是在產業、經營、產品或服務上都可在你的專案中看到顯著成果。呂執中 2003 六標準差為一系列的改善步驟，降低、控制變異讓不良率趨近於零的系統化管理方_{法，六標準差是統計方法的實踐，為一品質鏈的品質衡量基準。} 潘哲楠 2003 六標準差是一個追求卓越品質的管理方法與系統，強調製程能力改善，透過一套完_{整訓練方法，執行專案計畫與目標，以達節省成本和時間的一種哲學。} 資料來源：[3] [4] [5] [6] [7] [8]本研究整理六標準差的企業以DMAIC 為標準作業流程，讓我們去除「我覺得」、「我認為」或「我相信」這一類的心態，不是憑藉個人的猜想去解決問題，而是可衡量且能找出浪費與績效不張的事實。其標準執行流程共分為五大階段，依序為界定（Define）、衡量（Measure）、分析（Analyze）、改善（Improve）、控制（Control）等五個階段，在界定階段：必須要界定在企業的組織或部門當中，哪些是企業長久存在的大問題，此時若能從中清楚地標示出流程圖來，藉此可以更加了解流程狀況，同時找出問題的所在。衡量階段：第一件要做的事就是界定關鍵少數因子的重要內部流程結果來，也就是 Y，當成功地衡量出某種會影響關鍵品質的流程時，就必須針對製程能力的評估及重覆與再生性的分析（GRR，Gage Repeatability & Reproducibility），以確保衡量系統具有統計上的穩定性。分析階段：在此階段要嘗試去掌握為什麼會出現失誤與不良，然後再細分出是哪些原因造成了失誤及不良，換句話說，就是利用統計分析的方法找出有哪些投入因子影響了

(3)

產出結果。改善階段：在改善階段中，必須確認重要的變數與量化這些變數對關鍵品質結果的影響為何。控制階段：在控制階段中，必須維持對X 所做的改變，以便讓結果 Y 能持續的獲得改善，且須利用特定的計量指標與其他衡量工具持續紀錄或觀察整個流程。定義階段量測階段分析階段改善階段控制階段專案範圍關鍵品質特性 Y 界定 Y 的績效標準啟動 Y 的量測系統確認 Y 的製程能力釐清 Y 的變異來源找出影響 Y 的關鍵少數 X 確認 X 與 Y 的變動關係啟動 X 的衡量系統管控關鍵少數 X 監控改善後的 Y 定義問題圖1 六標準差管理手法標準作業流程圖資料來源：[9]本研究整理 2.2 田口實驗計畫法 傳統的品質觀念認為，當產品的品質特性偏離目標值但落在規格界限內，就沒有損失發生。但田口玄一博士認為，只要產品的品質特性偏離了目標值就視為品質的損失，提倡品質損失的觀念來衡量產品的品質，其損失函數與產品品質偏離目標值之量的平方成正比，並依品質特性的種類而定，共區分為三項：1. 望目特性：產品品質特性的量測值越接近目標值越佳；2.望小特性：產品品質特性的量測值越小越好，其理想值為零，但不得為負數；3.望大特性：產品品質特性的量測值越大越好，其理想值為∞[10]。在通訊上，訊號雜音比定義為η=log（信號的強度/雜音的強度）db，其中，訊號的定義為 S（signal），雜音的定義為N（noise），訊號雜音比定義為 SN 比。田口博士認為好的品質必須符合品質特性的平均值與目標值一致且變異越小越好，藉用此定義，創作成「穩健設計」中所使用的SN 比，藉此定義「有用的信號」代表產品品質特性的平均值，其值越接近目標值越佳，至於「有害的信號」代表產品品質特性變異的量測值，其值越小越好。當SN 比被用來衡量品質的穩定性時，當 SN 比值越高，品質越穩定，期望損失就越低；反之，SN 比值越低，品質越不穩定，期望損失就越大，因此 SN 比為衡量製程或產品品質好壞的指標。而理想的SN 比應具有下列特性: 1.SN 比可反應品質特性的變異；2.SN 比與平均值調整無關，當目標值有改變時，SN 比仍可用來預測品質；3.SN 比衡量相對品質，因其目的是用來比較的；4.SN 比具簡單、加法性[11]。為了降低產品品質受雜音因子的影響，田口博士特別提出了穩健設計，以便在各種不同的雜音因子下，找出最佳的控制因子組合，以降低產品品質的變異，其方法是利用直交表進行驗證，目的在利用很少的實驗次數，以求得所要的結果；所謂的直交即為平衡的或可分的，各因子水準間直交，意即各水準的組合都必須存在，且出現的次數都需相等，如此一來，所有因子的平均效果互相之間即為「平衡的」或「可分的」，各「行」的效應不會互相混淆，亦即各因子效果是可分開的，可安全的進行實驗結果的比較。直交表因子完成配置後，即可依據直交表所規劃的實驗組合進行實驗，並收集實驗數據，當數據收集完畢後，使用者可繪製SN 比或平均值的回應表（response table）或回應圖（response graph），用以表示決定參數之最佳組合和估計其平均值[12]。

(4)

2.3 相關文獻探討 六標準差品質系統不只是一種品質活動，而是一種突破性的管理策略，更是一種從經營層次到現場人員的活動。所以它是一個很複雜的系統，包含了策略、組織、文化、訓練、推展、運用等方面，而其所屬的相關論文期刊非常多，本研究僅探討使用六標準差的具體作法提升其製程能力；田口式品質工程是為解決工程上的問題，其應用上大都為製造流程、方法的改善，其所發表的文章及論文多不勝數，本文僅整理幾篇應用田口實驗設計法於製程改善的論文，並與六標準差論文期刊一同整理於表2，並藉由參考相關文獻的探討，以便決定本文的研究方法。表2 相關改善文獻探討作者/年份題目改善大綱劉宏德 2000 [13] 不銹鋼電化學拋光之參數設計與最佳化探討電化學拋光程序處理 316L 不銹鋼片表面處理之相關參數的最穩健性條件，選定7 個因子套用 L18 直交表，實驗過後得到最佳的參數組合，並經由ANOVA 分析算出各因子對表面粗糙度及材料移除率的貢獻度，並進行驗證實驗比對其最佳條件的推算值與實際值在信賴界限內，確認了此參數設計是成功的，找到最佳組合參數，並在拋光前加入兩步驟，得到1.3 倍的改善效果。曾慶毅 2002 [14] Six Sigma 之實務應用方法研究 — 以飛機零組件維修為例運用柏拉圖定義出 PDU 零組件的可靠度為關鍵品質特性，確認目前製程水準Cpk 僅 0.08，經分析得知 Coil burned-out 為主因，使用魚骨圖分析搭配特性要因圖計算出各因子的影響權重，並以柏拉圖 80-20 法則判斷水氣或濕氣入侵為主要因素，再以專家意見搭配特性要因矩陣圖篩選可用方法並做好風險評估，實施相關措施，並分析期監控結果，得知Cpk 提升為 0.47，不良率的改善也大幅降低了 32.59%。葉秋鈴 2003 [15] 六標準差應用於導光板印刷製程之最佳化研究選擇背光模組的平均輝度、均齊度與油墨厚度，並設定各項績效指標，針對各項量測儀器作 GRR 分析，並確認目前製程能力指標 Cpk 分別為 1.11，0.58，0.62，並由魚骨圖，FMEA 及多元變數檢定篩選出各項品質特性的關鍵要因(刮刀的壓力，速度及油墨比例)，經由實驗得知其最佳參數，改善後的平均輝度Cpk 為 1.62，均齊度為 6.66，油墨厚度為3.31，並針對要因實施管控，及設計品質計畫管制圖。卓俊添 2005 [16] 無觸媒奈米氧化鋅製程導入六標準差手法之研究氧化鋅直徑為關鍵品質特性，經由專家經驗及文獻探討選定製程溫度、時間、保護氣體流量與鋅粉量為控制因子並選定 3 水準，套用 L9 直交表，找出最佳參數組合，並重複五次作驗證實驗，發現最佳製程水準之Cpk 值 1.21 大於原有製程水準之 Cpk 值 0.74，並利用因果矩陣分析方法找出其權重並判定排序，作為最後驗證改善結果的方法，結果表示實驗後的結果與專家相符。曾英富 2005 [17] 應用六標準差的專案手法改善塗裝製程不良率─以 A 公司為例運用SIPOC 及柏拉圖 80-20 法則定出砂粒及工作邊緣流漆為造成塗裝製程不良的主因，再利用魚骨圖加上特性要因矩陣，給予權重找出影響性最大的因子，接著使用 FMEA 給與預防措施並實施監控，使得 A6 機種：不良率從改善狀況從改善前的 3.19%降至 0.20%，其改善幅度高達93.70%，而在 A61 機種上，不良率的改善狀況，從改善前 2.43% 下降至 0.165%，其改善幅度也達 93.2%，從改善前的失敗成本為 608,900 圓到改善後為 69,387 圓，降幅達到 88.6%。潘永智 2005 [18] 運用六標準差方法提升SMT 錫膏印刷製程品質之研究選定錫膏厚度為關鍵品質特性，針對矽膏量測系統作 GRR 分析為 8.41%，量測系統良好後確認目前製程能力指標 Cpk 為 1.16，設定改善至Cpk1.5，運用 ANOVA 分析篩選後刮刀的角度、壓力與速度為關鍵少數要素，並挑定3 水準做全因子實驗，藉由實驗結果的主效應圖決定最佳參數水準（鋼刮刀、刮刀角度75°、刮刀速度 5rpm、刮刀壓力0.11 Mpa），將最佳參數帶入得到改善後的Cpk 為 3.16，並以 X bar-R chart 實施 3 個月的監控，確認了平均值與製程能力皆以提高，DMAIC 手法改善錫膏印刷製程。

(5)

作者/年份題目改善大綱 Pulak M. Pandey 2006 [19] 使用田口方法改善雷射燒結(SLS)的精確度藉由材料收縮模式(X,Y,Z 方向的收縮)找出影響其控制因子 5 個，套用L16 直交表，使用田口方法藉由 SN 比找出其 X,Y,Z 最佳收縮比例的製程參數，使用ANOVA 分析找出各因子的貢獻度，再藉由線性迴歸推倒出X,Y,Z 方向收縮比例的數學式，最後以一實例驗證其實際狀況與ANOVA 的預測結果，預測值(X:0.4843，Y:0.2113，Z:2.575)與實驗結果(X:0.4667，Y:0.2667，Z:2.25)，誤差很小，藉以驗證最佳化參數。 Julie Z. Zhang 2006 [20] 使用田口方法將表面粗糙度最佳化選定3 個控制因子，2 個 noise factor 並選定表面粗糙度當成反應特性值，套用L9 直交表，並使用 t 檢定針對 noise factor 進行交互作用的檢定，再使用ANOVA 分析確認各控制因子的貢獻度，以得到最佳實驗組合，最後，並以最佳組合作確認性實驗，得到差不多的反應粗糙度結果。 P. Vijian 2006 [21] 使用田口方法最佳化LM16 鋁合金的擠壓參數選定3 個影響因子，並決定每因子間各 3 個水準，進行 L9 的直交實驗，以表面粗糙度為品質特性，實驗後以ANOVA 分析各因子的貢獻度，並建立數學模式預測最佳化的實驗結果，進行確認實驗得知結果為0.28μm 及 0.26μm，在預測結果 0.09μm~0.46μm 之間，確認最佳化參數是可行的。謝金育 2007 [22] 基於田口法之雙螺桿壓縮機性能影響參數分析本文利用兩種田口式直交表並結合壓縮機性能模擬計算軟體 SCCAD 進行性能參數分析，以確立轉子齒形參數及壓縮機結構參數對於容積效率及等熵效率之貢獻度，實驗一，結合齒形參數與結構參數共 21 個控制因子，套用L36 直交表，並使用 ANOVA 計算其貢獻度，依實驗一的結果，實驗二將齒形參數提高，套用L50 的直交表，並求得最佳參數組合及找出前三名貢獻度較高的因子。 J.D. Darwin et al. 2007 [23] 使用田口方法最佳化不鏽鋼低溫處理方法獲得最大磨損阻抗欲使用田口方法獲得低溫處理SR34 不鏽鋼的最大磨損阻抗，先選定 5 個因子並考慮其交互作用，安排第一組實驗 L16，藉由第一組實驗結果分析其單因子與兩因子之間交互作用的影響性，使用ANOVA 分析得知各因子的貢獻度以決定第二組田口實驗的關鍵因子，忽略F 值較小的交互因子選定4 個因子，再進行第二組 L9 實驗，並使用 ANOVA 分析其果，得知 F 值與貢獻度，分別排出影響不銹鋼磨損阻抗的因子，最後以驗證測試證明效果確實有提升。 E.M. Anawa 2007 [24] 使用田口方法對焊接參數最佳化針對二氧化碳連續的雷射焊接製程應用於不相似的材質 AISI 316 不鏽鋼和AISI 1009 低碳鋼板找出其製程最佳化參數，以 Laser 能量、銲接的速度和聚焦的距離作為控制因子，將焊接面積定義為A，表面寬度定為W1，中間的深度的寬度定為 W2 此三項為反應特性，套用 L25 直交表，由 SN 比得知其焊接速度為最重要的影響因子，使用軟體分別計算出影響因子與特性之間的數學關係式，最後使用銲接製程的最佳化參數去預測及反應結果的改善，用”Design Expert 7”軟體將最佳化參數當做測試條件，與所發展出來的模型預測反應結果有很小的誤差。 Jae-Yong Park et al. 2007 [25] 基於田口方法微米攪拌器的穩健設計選定3 個因子，每因子間各 3 個水準，套用 L27 直交表進行實驗，目的為減少混合頻率，選擇目標特性望小，並使用ANOVA 分析因子間的交互作用，以F 值做比較，刪除不必要的因子，最後經由實驗的結果，在減少混合頻率的狀態下，將混合指標由原先的 0.2116 提升至 0.0326。趙再男 2008 [26] 應用六標準差改善中鋼W2 球團造粒場製程品質之研究粒徑定義為關鍵品質特性，經由魚骨圖分析並選出控制因子，飼料槽內的料位、出料量、溼度控制器的加水比例與造粒機的加水比例，選定三水準套用 L9 直交表，得到最佳參數水準，並針對關鍵品質特性進行長時間監控，良率提升了50%。資料來源：本研究整理

(6)

3. 研究方法

3.1 研究設計 以往各種品質提升活動所推崇的改進模型，大都是以戴明（W. Edwards Deming）所建立的規劃（Plan）、實施（Do）、查核（Check）、處置（Action），四個步驟為主，以此循環不斷改進。本文將以六標準差結構化、系統化的DMAIC 方法結合田口實驗計劃法針對製程改善，並透過改善過程了解無缺點的流程能使企業有突破性的改善與成功，架構流程圖如圖2 所示，本文統計分析部份皆使用 Minitab 統計軟體進行運算，以減少煩雜的計算公式。定義問題量測系統分析製程能力分析要因分析田口實驗結果分析製程監控 D M SIPOC GRR Cpk 魚骨圖穩健設計統計檢定效果驗證 ANOVA SPC C A I 圖2 研究流程圖 3.2 定義階段

高層級流程圖分析法（SIPOC，Supplier Input Process Output Customer）是指在提升客戶滿意度的過程中所涉及的流程藉著圖形表現出來，可降低找出問題癥結點的時間，藉由審視流程的角度，將宏觀的流程細分為微觀流程，藉此可將客戶的需求轉換成內部的製程要求，進而定義明確的關鍵品質特性。使用SIPOC 圖審視得知切割製程為關鍵製程，切割的製程中，以晶圓切割成晶粒的動作造成晶粒功能異常的風險性最高，因為晶圓之主要成份為矽，純度越高相對也越硬，半導體之晶圓長成，係趨近於單晶結構之矽成分，因此相當堅硬，將一片片刻有線路的晶圓予與切割，有一定的困難度，因此目前業界最大量使用之切割方法，係使用一圓型之鑽石合成刀具，於高速旋轉下，藉由刀具上所附的鑽石，顆粒撞擊晶圓，並將撞擊所產生的碎屑移除，晶粒成型時，晶粒邊緣會產生崩裂的現象，且晶圓製造時，需依其功能區在各晶粒的範圍內設計外環接地線，並預留切割寬度進行切割製程，但因不可避免的崩裂裂至外環接地線內將會導致晶粒的功能異常，因此，定義關鍵品質特性為晶體表面的正崩(Y)。

(7)

Input Process Output Customer Supplier Taping 貼膠 Grinding 研磨 De-taping 撕膠 Wafer mount Wafer saw 切割 IC 設計 晶圓 切割製程 晶粒切割 Wafer saw Wafer mount 撕膠 De-taping 研磨 Grinding 貼膠 Taping 關鍵製程 封裝測試 圖3 SIPOC 流程圖 3.3 量測階段 在量測階段中需針對正崩數值量測以便收集數據，本文遭遇量測對象母體過大，且須進行破壞性檢驗才可獲得量測數據者，僅利用抽樣（Sampling）方法為之；首先針對量測系統進行分析，選定平常擔任量測此數據的三人，分別為A 人員、B 人員與 C 人員，針對所挑取的 10 個樣本進行正崩數值的量測，每一個樣本只挑取該顆樣本的最大正崩值紀錄，並在量測過程中，此三人不可得知前一次量測結果，才可進行第二次的量測，量測結果的紀錄由第四人擔任，依此原則，同一樣本共量測三次，樣本經此三人量測後的正崩數據經由統計軟體Minitab 分析後可得結果為： 1. NDC 等於 10。 2. GRR%等於 13.75%。 3. 98.11%的變異來自樣本差異（如表 3 所示）。綜合以上結果，所使用的量測系統可接受且所量得的資料可供分析。量測系統分析完畢後，確保可收集到正確的數據的前提下，需將正確的數據轉換成目前的製程能力。將所收集品質特性正崩的數據共 250 筆資料，以製程能力綜合指標Cpk 表示目前的製程水準為 0.96。表3 變異貢獻度百分比整理表

Source Repeatability Reproducibility Operator Operator*sample Part to Part Contribution(%) 1.51 0.38 0 0.38 98.11

3.4 分析階段

此階段最主要的目的是進行要因篩選，了解每一個因子對正崩產生結果的影響，保留顯著因子進行實驗，剔除無影響性的因子。經由腦力激盪原則，將關鍵品質特性的因果關係，依人、機、料、工、環境與

(8)

量測的原則製造出圖4 的魚骨圖；個案公司中，生產環境為 1K 之無塵室等級，恆溫恆濕的環境剔除環境因素的影響，各生產機台皆使用同一把型號之切割刀，剔除料的影響，再比對 5 台生產機台間的差異，使用 ANOVA 分析得知其 P 值為 0.45 大於 0.05（如表 4），表示各機台間並無明顯差異，剔除人與工的影響，最後定義關鍵因子為切割參數，以切割深度、轉速與進刀速度做切割參數的穩健設計來提升製程水準。量測環境工料機人刀子未裝好人員裝錯刀 DI水的壓力 DI水的流量刀座精度不良刀寬異常鑽石顆粒大小異常溼度溫度精準度準確度關鍵品質特性魚骨圖分析正崩切割深度轉速進刀速度圖4 關鍵品質特性魚骨圖表4 生產機台 ANOVA 分析表 Source DF SS MS F P Factor 4 27.57 6.89 0.93 0.45 Error 245 1824.97 7.45 Total 249 1852.54 3.5 改善階段 當關鍵因子 X 決定後，進行田口實驗並將結果進行變異數分析以便得知各因子的貢獻度，最後再求得最佳的參數組合。田口品質工程中的參數設計大致上分為三大階段來進行：實驗的規劃、實驗的執行與實驗結果的分析與確認。為了確認最佳參數組合，會將最佳化參數推算出所預估的SN 比，在其背後有一個重大的假設，即是每一個因子的效應是獨立的，任何兩個因子間互不影響，或者說沒有交互作用（Interaction），經由確認實驗的SN 比與品質特性預測的 SN 比做比較，結果若「夠接近」則可以認為假設是符合的，指的是在信心區間的範圍內的值，只要兩者有重疊的部份，就可認定預測值與確認實驗的計畫值「夠接近」[27]。 3.5.1 實驗規劃與執行 將3 個關鍵因子各選定 5 個水準，套用 L25 直交表，並檢視其總自由度為 12，實驗組別共 25 組大於12，表示此實驗可行，將其實驗配置表如表 5 所示，並將實驗樣本於同一機台作業及單一量測人員進行數據量測與收集。25 組實驗，每組各取 25 顆樣本進行量測，取樣位置為每片晶圓上、下、左、右、中

(9)

間每個區域各取5 顆，進行數據的收集。表5 L25 實驗配置表單位水準一水準二水準三水準四水準五進刀速度 mm/sec 40 45 50 55 60 切割深度　m 60 70 80 90 100 轉速 rpm 40000 50000 60000 70000 80000 3.5.2 實驗結果分析 經由實驗所得數據，採用品質特性望小進行分析，將其結果繪製SN 比回應表（表 6）與使用 ANOVA 分析各因子的貢獻度（表7），可得知關鍵因子的影響性排序依序為轉速、進刀速度、切割深度，而在99% 的信心水準下，轉速貢獻度為 52.88%，進刀速度為 40.8%，切割深度為 1.23%。綜合以上分析結果，得知3 項關鍵因子所搭配的 5 個水準之中，以轉速與進刀速度對品質特性有顯著的影響，而切割深度此項為不顯著影響因子。所得的最佳參數組合為進刀速度40mm/sec，切割深度為 60μm，轉速為 50000rpm，並將其原先的作業參數與最佳組合同列於表8，發現有明顯的不同。表6 SN 比回應表 Level 進刀速度切割深度轉速 1 -16.01 -18.92 -17.55 2 -18.59 -18.47 -16.76 3 -19.53 -19.12 -18.6 4 -19.94 -18.82 -19.89 5 -20.84 -19.59 -22.09 Delta 4.83 1.12 5.33 Rank 2 3 1 表7 SN 比 ANOVA 分析表

SS DOF Var F Probability Confidence Cont. 進刀速度 68.271 4 17.068 49.18 0.00% 100.00% 40.80% 切割深度 3.41 4 0.853 2.46 10.19% 89.81% 1.23%

轉速 88.079 4 22.020 63.45 0.00% 100.00% 52.88% Error 4.165 12

(10)

表8 新舊參數比較表進刀速度切割深度轉速原先參數 50mm/sec 80 　 m 60000rpm 最佳參數 40mm/sec 60 　 m 50000rpm 3.5.3 驗證實驗 使用Minitab 軟體輔助算出最佳參數組合的 SN 比與平均值，並將最佳參數進行驗證實驗，量測方法、抽樣方式與進行改善前相同，將所得的250 比資料進行分析，首先，計算預測值與確認實驗計算值的 SN 比在95%的信心區間是否有重疊的部份，如圖 5 所示，並將改善前數據一同列入表 9 比較，並對改善前後的數據進行2 sample t 檢定，在 95%的信心水準下，得到 P 值等於零小於 0.05，確認實驗前後有明顯的改善，並可得以下結果。 1. 參數最佳化後，製程能力指標 Cpk 從 0.96 提升至 1.36。 2. 正崩數據平均值也由原先的 9.906μm 降為 4.0952μm。 3. 預測 SN 比與驗證實驗的 SN 比信心區間重疊，可成立各因子間無交互作用的假設。 4. 統計檢定改善前後的數據得知有明顯的改善。表9 新舊參數比較表改善前預測結果驗證實驗 SN 比 -19.58 -12.50 -13.27 平均值 9.09 　 m 4.16 　 m 4.09 　 m -13.27 -14.07 -12.47 -12.01 -12.99 -12.50 預測值確認實驗值圖5 信心區間比較圖 3.6 管控階段 品質改善方法在控制階段中，最常使用之工具為管制圖，管制圖除可用於區分品質之「偶然波動」及「異常波動」外，亦可用於製程診斷及提供製程能力資訊。所謂「偶然波動」係指製程在穩定的狀態下，品質超出管制界限之機率，意即因為機遇因素所引起之波動，若將管制圖轉換成常態分配，則「偶然波動」所發生之機率僅為0.27%，偶然波動大都是因為不可避免的客觀因素所造成，對產品影響微小，可視為雜訊，

(11)

不需要另外制訂對應措施。「異常波動」是指製程出現異常，意即製程超出「統計管制狀態（State of Statistical Control）」，「統計管制狀態」又稱為穩定狀態，簡稱穩態。穩定狀態，係指在製程中只存在機遇因素而不存在異常因素，異常波動之產生，大都是由特定因素所造成，對產品之影響很大，但其改善措施並不難實施，在製程中，異常波動以及造成異常波動之異因是主要的防範對象，一旦真的發生異常波動，則可使用「採取措施、保證消除、不再出現、納入標準」十六字箴言來解決[28]。要確保製程維持在管控的最佳條件下，則需針對製程中可能出錯的地方進行防呆與針對最佳製程條件進行長期的監控，而監控製程的目的，就是為了確保製程產生變異時，能在第一時間發出警訊，通知相關人員進行處理，使得製程一直處於穩定的狀態之下。本文應用防呆原理的主要是要防止最佳化參數未被應用，更改舊的作業流程，於新作業流程中多增加 2 道參數查核的程序，分別為工單上與開工系統參數的核對與下載作業參數後核對工單參數的動作，避免最佳參數的錯用，以達到防呆的效果（如圖6 所示）。製程監控方面，建立管制圖進行長期的監控，並結合公司內部E-mail 系統，建立製程管制條件，在製程發生異常前，由系統發出 mail 通知製程工程師進行處理，保持製程一直處於最佳狀態之下（如圖 7 所示）。圖 8 為使用最佳參數組合後，針對正崩特性使用Minitab 統計軟體所繪製的 X bar chart，表示目前製程在控制中。

生管下單建立工單 ( 無參數 ) 作業員核對工單與系統的基本資料是否正確下載作業程式開始作業開機檢查生管下單建立工單 ( 有參數 ) 作業員核對工單與程式的參數是否相符正確開始作業開機檢查作業員核對工單與系統的基本資料及參數是否正確新流程 No No Yes No 舊流程 Yes 圖6 新舊作業流程比較表

(12)

連結內部 E-mi al 系統 E-mail 通知相關人員即時建入 SP C 系統正崩數據量測製程監控中驗證確認系統判斷是否異常圖7 製程警訊示意流程圖 Sample Sa m p le M e a n 25 23 21 19 17 15 13 11 9 7 5 3 1 5.4 4.8 4.2 3.6 3.0 __ X=4.094 UC L=5.475 LC L=2.713 圖8 製程監控 X-Bar 管制圖

4. 研究結論與未來方向

六標準差著重在系統的整合，其中包含了管理與技術部份，管理部份包含了企業目標與遠景的訂定、經營策略方向、組織及文化的改造與內部人員訓練等項目，這部份需要高階主管的積極參與投資，就技術部份，使用統計方法改善製程，就整個企業整體而言，還是能達到成本降低與提高企業本身競爭力的目的。本文僅探討六標準差手法與田口實驗設計法結合的應用模式，依有系統、邏輯性的針對各階段中所遭遇的問題作一分析與硬用，使得原先品質特性－正崩的製程水準由 0.96 提升至 1.36，其平均值也由原先的 9.9056μm 降至 4.0952μm，最後更以統計檢定的手法，在 95%的信心水準下，確認製程問題有明顯的改善。本研究雖使用新的分析模式提升切割製程品質，但所提升的水準未達六標準差的標準，但礙於需更換切割刀具得先取得客戶的同意，故本研究只先做參數的最佳化以提升製程品質，並將此分析模式當做經驗參考，j 未來在考慮不影響切割品質水準下，再搭配其他因子，能使切割效率更為提升，進而將此成功分析改善模式推廣至個案公司各製程，為個案公司提升各製程的水準。

參考文獻

[1] Pete Pande ， Larry Holpp，六標準差簡單講，樂為良，初版，美商麥格羅．布爾國際(股)公司，台北市，2002。

[2] 潘浙楠，李文瑞，品質管理，初版，華泰出版社，台北市，2003。

[3] 張公緒，孫靜，「六希格瑪工程簡介」，品質月刊，37 卷第 12 期， 73~78 頁，2001。

[4] Breygogle III, F. W., “Implementing Six Sigma: Smarter Solutions Using Statistical Method,” 2nd ed., New York: Wiley Europe. , 2003

[5] 鄭榮郎，6sigma 系統整合經營策略模式之研究，中山大學，博士論文，2002。 [6] 鍾朝嵩，6 Sigma 實踐法：綠帶必備之基本手法，初版，和昌，桃園縣，2002。 [7] Brue, Greg, Six Sigma for Managers, New York: McGraw-Hill, 2002.

(13)

& Sons. , 2002 [9] 簡聰海，李永晃，全面品質管理，二版，高立圖書，台北縣，2004。 [10] 吳復強，田口品質工程，初版，全威圖書有限公司，台北縣，2004。 [11] 蘇朝墩，品質工程，初版，中華民國品質學會，台北縣，2002。 [12] 鄭春生，品質管理，初版，育友圖書有限公司出版，台北市，1995。 [13] 劉宏德，不銹鋼電化學拋光之參數設計與最佳化，高雄第一科技大學，碩士論文，2000。 [14] 曾慶毅，Six Sigma 之實務應用方法研究 — 以飛機零組件維修為例，元智大學，碩士論文，2002。 [15] 葉秋鈴，六標準差應用於導光板印刷製程之最佳化研究，元智大學，碩士論文，2003。 [16] 卓俊添，無觸媒奈米氧化鋅製程導入六標準差手法之研究，國立勤益技術學院，碩士論文，2005。 [17] 曾英富，應用六標準差的專案手法改善塗裝製程不良率，朝陽科技大學，碩士論文，2006。 [18] 潘永智，運用 Six Sigma 方法提升 SMT 錫膏印刷製程品質之研究，逢甲大學，碩士論文，2005。

[19] Raghunath, N. and Pandey, P. M., “Improving accuracy through shrinkage modelling by usingTaguchi method in selective laser sintering,” International Journal of Machine Tools & Manufacture, vol. 47, pp. 985-995, 2007.

[20] Zhang, J. Z., Chen, J. C. and Kirby, E. D., “Surface roughness optimization in an end-milling operationusing the Taguchi design method,” Journal of Materials Processing Technology, vol. 184, pp. 233-239, 2007.

[21] Vijian, P. and Arunachalam, V. P.,“Optimization of squeeze cast parameters of LM6 aluminium alloy forsurface roughness using Taguchi method,＂ Journal of Materials Processing Technology, vol. 180, pp. 161-166, 2006.

[22] 謝金育，基於田口法之雙螺桿壓縮機性能影響參數分析，國立中正大學，碩士論文，2007。

[23] Darwin, J. D., La, D. M. and Nagarajan, M. G., “Optimization of cryogenic treatment to maximize the wearresistance of 18% Cr martensitic stainless steelby Taguchi method,” journal of materials processing technology, vol. 195, pp. 241-247, 2008.

[24] Anawa, E. M. and Olabi, A. G., “Using Taguchi method to optimize welding pool of dissimilarlaser-welded components,” Optics & Laser Technology , vol40 pp.379-388, 2008.

[25] Park, J. Y., Kim,Y. D.and Kim, S. R., and ae Sang-Rak,Seog-Young Han, “Joo-Sung Maeng,2007, Robust design of an active micro-mixer based on the ”Taguchi method, Sensors and Actuators B, vol. 129, pp.790-798, 2008.

[26] 趙再男，應用六標準差改善中鋼 W2 球團造粒場製程品質之研究，高雄第一科技大學，碩士論文，2008。 [27] 李輝煌，田口方法-品質社稷的原理與實務，初版，高立圖書公司，台北市，2000。

[28] 張公緒、何國偉、錢公侯、鄭慧英，品質管理，初版，曉園出版公司，台北市，1996。

[29] 吳嘉晟，鄭大興，製造業六標準差應用手冊，初版，新文京開發出版有限公司，台北縣，2003。 [30] 彭定國，吳鴻錚，MINTAB 統計分析與應用，初版，新文京開發出版公司，台北縣，2006。

晶圓切割製程的穩健設計－六標準差與田口實驗設計的應用