中 華 大 學

中 華 大 學 碩 士 論 文

題目：以多專知識整合為基礎之半導體機台堆貨 成因分析系統

Chips Pileup Cause Analysis System Based On Knowledge Integration

系 所 別：資訊工程學系碩士班 學號姓名：M09202041 王勝民 指導教授：曾秋蓉 博士

中華民國九十四年七月

摘要

半導體產業是近半世紀領導全球科技產業發展的主流，由於半導體所具有的 低體積與高功能等性質，到目前為止半導體的新用途仍層出不窮，使其陸續佔領 人類生活的各個領域，因而造成全球性百家爭嗚的競爭環境，不但加速了科技的 發展，更為許多國家帶來新的經濟契機。

然而，目前半導體產業的製造過程中，常因為機台堆貨的問題而導致交貨延 誤，造成業者莫大的損失。為了提高產業的競爭力，各公司均致力於研發生產線 的各種堆貨原因分析系統，以減少或消除可能引發堆貨的因素。過去生產線的運 作大多是依照單一專家排定的生產流程進行，因此容易因個人經驗或主觀因素造 成誤判；而生產過程一旦面臨預期之外的狀況，將造成生產線的停擺。

為了解決這些問題，本論文運用知識工程的技術，針對多位專家對於生產線 上所有可能面臨的問題及解決方案的經驗法則，進行萃取以及整合。同時設計一 套機台堆貨成因分析系統(Pileup Cause Analysis System，PICAS)，利用整合多專 家知識之後所得到的規則，對於機台堆貨的成因進行分析，以提供給半導體製造 廠的決策人員使用。由於 PICAS 之決策知識乃萃取自多位機台管理專家，可避 免單一專家知識過於主觀的缺點；同時 PICAS 是以專家系統為設計基礎，其模 糊規則可隨時根據機台實際運作情況的改變而調整，因此 PICAS 可提供半導體 廠務，對於機台上的管理較彈性且客觀的分析結果。

關鍵詞：知識工程、專家系統、半導體製成、堆貨成因分析

Abstract

With the development of computer hardware, semi-conductor industry becomes one of mainstreams in the world. During the process of semi-conductor production, delivery of goods is often delayed due to materials piling-up in-between machines.

That causes a great loss for semi-conductor manufacturers. In order to increase the competitiveness of the semi-conductor industry, pileup cause analysis is important.

Nowadays, operations of production lines usually follow a fixed procedure and the pileup cause analysis was done by a set of rules that was predefined by a single experienced engineer. Exceptional conditions are hard to be detected on-line and the pileup analysis rules are also hard to be modified to reflect the change of operation status.

In this thesis, a knowledge-based approach is proposed to analyze the pileup causes within semi-conductor production. A multi-expert knowledge acquisition tool is developed to extract pileup cause analysis rules from various experienced engineers.

A knowledge-based Pileup Cause Analysis System (abbreviated as PICAS) that utilizes the extracted rules is also developed to analyze the pileup cause on-line.

With knowledge extracted from multiple production-line experts, PICAS is more objective, avoiding problems that might be occurred from a single non-experienced engineer. And with knowledge-based approach, analysis rules are easy to be modified to reflect the on-line situations. That makes the pileup cause analysis more realistic and on-time. On-line experiments show that more satisfaction was gained with our new approach.

目錄

摘要... I

Abstract...II

目錄... III 圖目錄 ...V 表目錄 ...VII

第一章、緒論 ...1

1.1 研究背景...1

1.2 研究動機...2

1.3 研究目的...4

1.4 研究架構...4

第二章、相關研究 ...6

2.1 半導體晶片製成...6

2.1.1 半導體晶圓製程特性...7

2.1.2 半導體矽晶圓製造加工過程...8

2.2 知識擷取的方法...9

2.2.1 凱利方格技術...10

2.2.2 隱含知識的擷取技術...13

2.2.3 模糊知識的擷取技術...16

2.3 知識整合的技術...18

2.3.1 多專家知識表格擷取...18

2.3.2 多專家知識整合法...21

第三章、半導體機台堆貨原因知識之擷取與整合 ...30

3.2 建立概念表格...32

3.3 建立共同概念表格...33

3.4 專家權重評等...34

3.5 評等概念表格並計算概念權重...35

3.6 評等目標/概念表格 ...38

3.6.1 關係值與訂定確定度...39

3.6.2 進行目標/概念表格評等 ...39

3.7 整合模糊知識及產生規則...40

第四章、機台堆貨成因分析系統之製作 ...43

4.1 PICAS 之系統架構 ...43

4.2 PICAS 之系統製作 ...45

4.2.1 專家知識擷取整合子系統...45

4.2.2 機台堆貨成因分析子系統...62

第五章、實驗與評估 ...70

5.1 實驗環境...70

5.2 實驗方式...71

5.3 實驗結果...76

5.3.1 第一階段實驗...77

5.3.2 第二階段實驗...79

5.3.3 第三階段實驗...81

5.3.4 試卷實驗結果...83

第六章、結論及未來發展方向 ...84

參考文獻 ...85

附錄一 ...88

圖目錄

圖 2.1 晶圓製造流程 ...8

圖 2.2 知識表格結論分析 ...12

圖 2.3 多專家知識擷取及整合流程圖 ...21

圖 4.1 系統整體架構圖 ...44

圖 4.2 專家知識擷取整合子系統之架構圖 ...45

圖 4.3 登入專家知識擷取整合子系統之畫面 ...47

圖 4.4 專家知識擷取整合子系統之主畫面 ...48

圖 4.5 專家權數設定之畫面 ...49

圖 4.6 設定共同概念表格之畫面 ...50

圖 4.7 計算概念相對權數之畫面 ...51

圖 4.8 評等目標/概念表格畫面 ...52

圖 4.9 產生規則之畫面 ...53

圖 4.10 表格管理之畫面 ...54

圖 4.11 專家權數管理之畫面 ...55

圖 4.12 新增專家權數項目 ...56

圖 4.13 修改專家權數項目 ...56

圖 4.14 概念表格管理的畫面 ...57

圖 4.15 新增概念表格 ...58

圖 4.16 修改概念表格 ...58

圖 4.17 目標表格管理畫面 ...59

圖 4.18 新增目標表格 ...60

圖 4.19 修改目標表格 ...60

圖 4.20 機台堆貨成因分析子系統之架構圖 ...62

圖 4.21 機台堆貨成因分析子系統之主畫面 ...66

圖 4.22 查詢所有模糊規則之畫面 ...67

圖 4.23 歷史紀錄查詢畫面 ...68

圖 5.1 系統滿意度之直條圖（一） ...77

圖 5.2 機台堆貨成因分析子系統之局部架構 ...79

圖 5.3 系統滿意度之直條圖（二） ...80

圖 5.4 機台堆貨成因分析子系統之局部架構 ...81

圖 5.5 系統滿意度之直條圖（三） ...82

表目錄

表 2.1 元素設定 ...11

表 2.2 知識表格評等 ...12

表 2.3 多資料型態的知識表格 ...14

表 2.4 屬性序列表格 ...15

表 2.5 模糊知識表格 ...16

表 2.6 模糊知識表格 ...17

表 2.7 模糊知識表格 ...17

表 2.8 知識表格（專家一） ...18

表 2.9 知識表格（專家二） ...19

表 2.10 二位專家協調後產生共同的知識表格 ...19

表 2.11 專家一評等共同表格 ...19

表 2.12 專家二評等共同表格 ...20

表 2.13 專家二評等共同表格 ...20

表 2.14 機台堆貨原因之概念表格（專家一） ...22

表 2.15 機台堆貨原因之概念表格（專家二） ...22

表 2.16 二位專家協調後產生的共通概念表格 ...23

表 2.17 二位專家之權重評等 ...23

表 2.18 專家一之成對比較矩陣 ...25

表 2.19 專家二之成對比較矩陣 ...25

表 2.20 目標/概念表格 ...26

表 2.21 專家一之評定目標/概念表格 ...27

表 2.22 專家二之評定目標/概念表格 ...27

表 3.1 知識擷取的目標與機台堆貨因素之關係 ...31

表 3.3 機台堆貨原因之概念表格（專家二） ...32

表 3.4 機台堆貨原因之概念表格（專家三） ...33

表 3.5 三位專家協調後產生的共通概念表格 ...33

表 3.6 各專家之權重評等 ...34

表 3.7 專家一之成對比較矩陣 ...36

表 3.8 專家二之成對比較矩陣 ...36

表 3.9 專家三之成對比較矩陣 ...37

表 3.10 機台堆貨成因之目標/概念表格 ...38

表 3.11 專家一之評定目標/概念表格 ...39

表 3.12 專家二之評定目標/概念表格 ...40

表 3.13 專家三之評定目標/概念表格 ...40

表 4.2 工廠資料庫機台屬於堆貨狀態的第一筆資料 ...63

表 4.3 工廠資料庫機台屬於堆貨狀態的第一筆資料 ...63

表 4.4 媒合資料庫的第一筆資料 ...64

表 4.5 每批材料加工時數為 0~1 小時的模糊規則 ...65

表 5.1 系統實驗環境...70

表 5.2 系統問卷調查 ...71

表 5.3 試卷內容 ...73

第一章、緒論

半導體業的製造過程中，常因機台堆貨問題導致交貨延誤，造成業者莫大的 損失。為了提高產業的競爭力，各公司均致力於研發廠房生產線的資訊分析系 統，以消除各種可能引發堆貨的因素。本論文提出一套以多專家知識擷取為基礎 之堆貨成因分析系統(Pileup Cause Analysis System，PICAS)，可提供半導體廠務 管理較客觀且彈性的堆貨成因分析結果。

本章將分為四節：1.1 研究背景：本節介紹開發PICAS可以讓半導體產業製 程更加順暢。1.2 研究動機：本節探討過去所設計堆貨成因分析系統有什麼缺 點。1.3 研究目的：本節將研究動機所歸納的缺點做改進，設計一套以多專家知 識為基礎之機台堆貨成因分析系統(Pileup Cause Analysis System，PICAS)。1.4 研 究架構：闡述了本論文將依此節循序漸進的進行研究。

1.1 研究背景

近年來，在市場競爭日益激烈的衝擊之下，高科技產業的蓬勃發展不僅帶動 了台灣的經濟成長，也重組了台灣的產業結構，知識、資本密集的經營形態，逐 漸取代了勞力密集的傳統產業。所以，在如此變幻莫測的科技體系下，各個產業 本身應更積極做好準備以因應市場環境的劇烈改變，提升自我的競爭能力。在眾 多的產業中又以半導體屬於資本、技術密集而非勞力密集的產業，亦是各類電子 產品不可或缺的關鍵元件，也因此半導體依然是台灣發展新興科技、強化產業競 爭力的「理想產業」。

對晶圓廠代工產業而言，生產的彈性及穩定的高良率是競爭優勢之所在，為 維持這兩項核心能力，企業必須持續改進製程以提高生產績效。目前半導體產業 的製造加工流程，往往需要數百個步驟，耗時數個月，才能加工完畢，倘若加工

過程中因為機台出了問題而導致加工停滯不前，那麼勢必導致一些產品出貨的時 程延誤，引起產能的降低；換句話說，由於半導體產業因為生產週期時間長而導 致出貨能力有限、機台不定時當機而造成不定時維修、設備多樣化導致購買機台 成本提高、良率不穩定而引起材料必須重新加工等複雜的特性，使得材料在加工 過程中容易造成機台堆貨問題以導致交貨延誤，也使得生產績效的提升面臨瓶 頸，造成業者莫大的損失。

為了提高公司的競爭力，決策人員如何做好生產系統的規劃、決定適當的生 產排程，尤其是當工廠機台發生堆貨問題時該如何解決，便成了一個刻不容緩的 重點目標，所以各公司均致力於研發廠房生產線的堆貨成因分析系統，以減少甚 至消除各種可能引發機台堆貨的因素。

1.2 研究動機

目前半導體產業所設計的堆貨成因分析系統，都是由單一人員進行整體架構 的規劃，並且使用固定程式判斷邏輯進行堆貨原因的分析，如此，將會造成以下 的問題：

z 當機台發生堆貨時，固定邏輯的程式通常只能分析關聯性較單純的堆貨 成因。例如：材料在機台上的加工時數是固定的，因此本站機台若需加 工的材料過多就可能產生堆貨，利用此程式便可知道本站機台堆貨的原 因為材料過多。然而生產線上發生堆貨時，通常堆貨成因有許多關聯 性。例如：發生堆貨的成因除了材料過多外，材料過多也影響了平衡指 數（Line Balance）、週轉率（Turn Over Rate）、產品週期（Cycle Time），

也因此，使得判斷堆貨因素的規則千變萬化。這樣的問題，我們可以利

z 堆貨成因分析系統的判斷邏輯若僅靠資訊人員一個人決定，便無法觀察 到廠房裡機台整體的製造過程，所分析的結果導致過於主觀，在邏輯的 判斷上就可能會造成疏忽，分析結果自然也就無法達到真正的成效。例 如﹕A 專家認為一天運作時間(Up Time)不到 20 個小時可能影響 HI 機 台處理的材料的加工時數，B 專家卻認為一天運作時間(Up Time)不到 19 個小時才可能影響 HI 機台處理的材料的加工時數，因此，不同的專 就會產生不同的判斷邏輯。目前半導體產業所設計堆貨成因分析系統的 判斷邏輯若只靠資訊人員一個人決定，分析出來的結果便過於主觀，我 們可以利用多專家系統將多位專家的知識擷取出來並加以整合，以產生 客觀的分析規則，而不再有單一專家判斷邏輯過於主觀的問題。

z 傳統以固定邏輯所開發出的分析程式缺乏調整判斷規則的彈性，因此無 法讓決策人員得到適當的協助。例如﹕目前半導體產業所設計的堆貨成 因分析系統所設定的參數是固定的，一旦需要修改參數，便可能會影響 到整個程式的架構，進而必須耗費大量的時間進行修改。因此，我們可 以靠專家系統將知識及規則存入知識庫及規則庫中，如此可以方便於參 數的新增、修改、刪除、查詢，以解決了每修改參數就必需連同程式一 同修改的問題。

z 目前半導體產業設計堆貨成因分析系統的資訊人員倘若發生離職狀 況，容易產生知識產生斷層的現象，我們可以靠專家系統將專家的知識 整合至知識庫裡，便解決了此問題。

從以上所歸納的四點，可以清楚的瞭解如果只有一個資訊人員對分析機台堆 貨成因是不夠的，必須靠多位專家分析機台堆貨成因的知識納入系統，才能避免 系統過於主觀的缺陷。既然用到多位專家的知識，固定的程式邏輯也就無法滿足 專家意見的整合，因此，本論文在 1.3 節中將多專家系統設計為知識擷取整合子 系統和機台堆貨成因分析子系統兩個子系統，以解決分析機台堆貨成因的問題。

1.3 研究目的

本論文為了改善過去堆貨成因分析系統缺乏彈性與客觀性的缺陷，以提高半 導體產業的產能、盡量避免出貨時程的延誤，本論文將擷取及整合多位專家分析 機台堆貨成因的架構實作出來，開發出一套 PICAS 系統。此套系統可以擷取出 多位專家的知識並加以整合，而不再有單一專家判斷邏輯過於主觀的問題，

PICAS 並將整合後的知識儲存至知識庫以便於新增、修改、刪除、查詢，以解決 了每修改參數就必需連同程式一同修改的問題。

我們將 PICAS 系統分為專家知識擷取整合子系統和機台堆貨成因分析子系 統，專家們可以利用知識擷取整合子系統將分析機台堆貨成因的知識整合至知識 庫，以便產生模糊規則，工廠資料庫再透過機台堆貨成因分析子系統與模糊規則 媒合比對，最後決策人員可利用機台堆貨成因分析子系統內所儲存的比對結果，

對機台及材料的狀態進行分析。

透過 PICAS 系統不但改善了過去系統缺乏彈性與客觀性的缺陷，而且可將 工廠分析人員的專業知識完整的保留下來，並經過適當的整理、驗證，不僅可以 減少分析的錯誤以及快速的對機台堆貨問題做分析，同時為防止因為流動率過高 而產生出來的知識斷層，我們可利用知識擷取及整合技術將多專家分析機台堆貨 成因的知識留在知識庫中，如此即便發生人員離職狀況，也不會有知識斷層的現 象產生。如此一來，使得專案知識得以保留，並且協助決策人員經驗的傳承。

1.4 研究架構

本論文將分為五章，其內容如下：

建立本論文之架構及命題，說明本論文之研究背景、研究動機、研究目的，

以及研究架構、研究流程。

z 第二章 相關研究

本章其中包含了半導體晶片製成的介紹、知識擷取的方法、以及多專家知識 整合的技術。第一節將探討半導體機台堆貨原因的複雜程度，瞭解為何必須 開發 PICAS 系統，後兩節則介紹如何取得專家知識的相關文獻，經過一番 比較後可以利用較適合擷取堆貨原因的知識來當作本論文實作的方法。

z 第三章 半導體機台堆貨原因知識之擷取與整合

本章將針對如何利用多專家模糊整合法，來取得機台堆貨原因的專家知識。

當擷取到專家的知識樣本後，我們以知識庫的原理來設計多專家系統的架構 進行研究，將生產線上所有面臨過的事件匯整至 PICAS 系統上，最後產生 出規則。機台一旦發生了堆貨，我們可以利用這套規則來分析並找出真正堆 貨原因的來源是為何。

z 第四章 PICAS 系統之製作

本章介紹 PICAS 各部份如何使用和注意事項，以及 PICAS 上線使用後的實 驗與評估。本論文所設計的 PICAS 又分為兩個子系統，分別為知識擷取暨 整合子系統及機台堆貨分析成因子系統﹕知識擷取暨整合子系統主要負責 擷取並整合多位專家的知識後以產生模糊規則，而機台堆貨分析成因子系統 主要負責將公司的資料分析及轉換成可以與模糊規則媒合的資料，經由比對 後便可分析出機台堆貨的成因為何。

z 第五章 結論及未來發展方向

本章將針對實證結果提出本研究之結論，並分析 PICAS 系統之缺優點，以 闡述未來可以發展的方向。

第二章、相關研究

本章將介紹相關研究與本論文應用製作系統時所使用的相關技術。在半導體 產業錯綜複雜的製程中，影響機台加工的各種潛在因素也隨之複雜，這樣一來，

想要順利完成出貨也就更具挑戰性。因此，我們尋找較好的知識擷取方法將專家 的意見轉為知識，再利用較好的知識整合方法將擷取出來的知識做整合，如此便 可設計PICAS系統以分析影響機台加工的因素。

本章將分為三節：2.1節經由半導體晶圓生產製造流程的介紹可瞭解在如此 錯綜複雜的製程中，各種影響機台加工的潛在因素也隨之複雜。2.2節探討如何 將探討目前現階段較好的知識擷取方法，並利用此方法擷取機台的潛在因子。2.3 節將探討如何將多位專家的知識擷取出來並加以整合。

2.1 半導體晶片製成

晶圓代工產業被視為資本密集之產業，一座 6 吋晶圓廠約需 2 到 3 億美 元，一座八吋晶圓廠約需 10 億美元，一座 12 吋晶圓廠約需 30 億美元。經由 客戶提供積體電路設計，晶圓代工廠只負責利用機器設備與先進製程技術幫客戶 代工晶圓。因產品種類相當多，製造流程繁多複雜，所以各家廠商均以提高生產 效率為要務，因為不但影響產品成本，更直接影響公司在代工市場上之競爭力。

本節將分為二個小節：2.1.1 小節探討半導體產業的製造過程擁有許多的特 性。2.1.2 小節中介紹了半導體製程的過於複雜以致於增加決策人員尋找機台堆 貨成因的困難度。

2.1.1 半導體晶圓製程特性

林振宏在「限制理論應用於晶圓廠產能受限機台的產能分析與派工」[7]中 歸納半導體晶圓製程特性為下列幾項特點：

z 半導體晶圓代工加工途程複雜且具有迴流特性，與傳統生產線不同的是，晶 圓的加工並非以單一生產線（如：輸送帶）模式進行生產，而是產品以批（Lot）

的方式，以黃光區為迴流中心，重覆做光阻覆蓋對準／曝光／顯影的製造流 程，產品流出黃光區之復重覆迴流於擴散區、蝕刻區、薄膜區等幾個主要工 作區。而且，各產品在每一迴流內的加工步驟與迴流次數也會不同。

z 晶圓廠內機台加工的形式，可分為序列加工（Serial）與成批加工（Batch）。

序列加工以一批 25 批為例，其加工方式一次加工一片晶圓，可連續性加 工，第一片加工完畢之復，需等第 25 片加工完成，方可將整批轉移至下一 製程站點。而成批加工則是一次可同時處理 2 到 6 批（例如每批 25 片）

不等，也就是說第一批的第一片與最復一批的最復一片是在同時間完成加 工。因為產品批量受加工方式的影響，機台的產能管理也就更加複雜。

z 機台在加工無論是同產品不同步驟，或不同產品相同加工步驟，其加工配方

（ReciPe）也有不同，在不同配方的轉換間，大部分的時候需進行換線

（SetUP）的作業，而換線次數越多，則機台可用於生產產品的時間就越少。

z 半導體廠的生產機台大多為高單價、高精密而且構造複雜，除了按照不同機 台特性定訂不同的保養（Prevontive Maintenanc）週期外，其機台的當機時 間與頻率難以預估，不論是在生產管理或產能的估計上，都增加了整體生產 系統的不確定性。

本論文利用此複雜的特性將工廠的機台分為六大類，便可依這六大類機台不 同的特性量身訂作出不同的模糊規則，便可以對機台及材料的狀態進行分析。

2.1.2 半導體矽晶圓製造加工過程

半導體主要加工製造方式是由矽晶圓閉始，經過一連串加工製程步驟，其中 包括了光學顯影、快速高溫製程、化學氣相沉積、離子植入、蝕刻、化學機械研 磨與製程監控等前段製程，以及封裝、測試等後段製程方始完成[1][2]。

一般將晶圓製造過程稱為前段製程（Front -end ） ，包括構裝製程稱為後 段製程小 Ack - end ）、晶圓針浪 J （ Circuit probe ： CP ）以及晶圓製造

（Fab ）。其中又以晶圓製造流程最為複雜，如圖 2-1 所示：

圖 2. 1 晶圓製造流程

目前半導體的製造加工流程往往需要數百個步驟，耗時數個月，才能加工完 畢。倘若加工過程中因為發生機台故障導致必須耗費長時間維修、亦或是人員疏 失使得原先安排的進度落後等等，使得機台堆貨無法加工而停滯不前，那麼決策 人員在尋找機台堆貨的真正原因便是一大考驗。因為如果耗費太多時間或找不出 真正原因，那麼勢必影響出貨的時程，導致產能的降低。

因此，2.2 節中我們尋找較好的知識擷取方法將專家的意見轉為知識，2.3 節再找出較好的知識整合方法將擷取出來的知識做整合，如此便可設計 PICAS

矽晶圓 薄膜機台 微影機台 蝕刻機台

光罩 重複 15~40次

加工完成

2.2 知識擷取的方法

要建立一個可有效分析機台堆貨原因的系統，必須先自專家經驗中的知識擷 取出來並將知識儲存至知識庫。目前學術界及業界的常用的知識擷取方法不乏有 凱利方格技術、隱含知識的擷取技術、模糊知識的擷取技術等。

本節將分為三個小節介紹各種知識擷取方法：

2.2.1 凱利方格技術：本小節介紹知識擷取最為傳統的方法，不過此方法只 能擷取到簡單顯見的知識。在知識的擷取過程之中，常會因為使用的擷取方式或 知識工程師的引導方式不同或是知識表達方式的差異，導致一些知識未被擷取出 來，如此的問題會影響後段規則產生發生遺漏或偏頗的情形，故在下節中介紹可 以解決這類問題的方法。

2.2.2 隱含知識的擷取技術：本小節使用了一個多資料型態的知識表格，並 使用了「屬性序列表格」（Attribute Ordering Table，AOT）來表達各元素之間的 相對重要性及其序列關係。從原始的多資料型態的知識表格中擷取出隱含的知 識，原本每條規則被一一的檢驗，如果經由再次檢驗後的值是對於目標擁有完全 主導的能力，則值仍被保留與原來產生的一樣，若為一個數值資料，則測試每一 種屬性值在被否定的狀態下是否產生新的規則，如果產生則將其稱之為隱含的知 識。此方法的優點為擷取出隱含知識，不過這樣的知識表格依然無法將專家的語 意強度表達出來，故在下節中介紹可以解決這類問題的方法。

2.2.3 模糊知識的擷取技術：建構模糊表格的程序和一般知識表格法相類 似，不同的地方在於模糊知識表格可以將專家對談中的語意強度轉化為模糊值，

成為知識產生的一個重要參數，另外，模糊表格中也比一般知識表個法多了信心 度，這樣便可以讓決策者多一份參考的依據。

2.2.1 凱利方格技術

Kelly認為人類的行為之所以有差異，是因為每個人組織其「個人建構系統」

（Personal Construction System）[21]的方式不盡相同，因此每個人的「建構系統」

都不一樣。不同的個人建構系統導致每個人有不同的行為與不同的人格，當相同 的事件發生時，就會產生不同的反應與解決方式。人們嘗試預測與控制事件的發 生，並像科學家對某種存在的形式提出假設，在實驗室裏進行實驗以檢驗此種假 設是否與實驗結果相符合，如果實驗結果無法支持這個假設，則放棄或修正這個 假設。人們對於環境形成假設，反之則證實這個假設成立，並就整個事件的結果 加以驗證，根據驗證的結果放棄或修正自己先前的假設，這個過程不斷的重複，

就會形成自己用來認知自我、環境與預測未來的架構，這個用以解釋與預測事件 的認知結構就是Kelly所稱的「個人建構系統」（Personal Construction System）。

所以要了解個人的認知，必須了解個人認知的樣型（Patterns），也就是個人組 織與建構世界的方式。

Kelly於1955年於個人建構理論[18]中（Personal Construct Theory）提出凱利 方格技術（Kelly’s Repertory Grid Technique）。這個技術被用來測量個人的建構。

所謂「構念」（Construct）是指人們看待事件的方式，是一種假設，用來解釋或 說明事件本身，是以兩極的方式存在的。舉例來說：對於「自然科學」的看法是

「需要在實驗室做實驗的科學」，「需要在實驗室做實驗的科學」就是根據個人 的建構系統所產生的構念。但這樣是不夠的，因為如果我們認為所有的科學都需 要在實驗室做實驗，這個建構將不具任何的預測目的。相對於「需要在實驗室做 實驗的科學」是「不需要在實驗室做實驗的科學」，如果對「社會科學」的看法 是「不需要在實驗室做實驗的科學」，這樣就可以解釋自然科學如何不同於社會 科學。構念並不一定是事實，也不是不變的，當環境或事件改變時，可能要拋棄

比較不同的凱利方格中的個人建構系統。

Kelly所提出的知識表格是一種互動活動所產生的資訊，經由知識工程師與 專家對談的過程將專家所具備的知識擷取出來[6]，它分為三個主要成分（1）準 備元素（Elements），（2）配對屬性組（Constructs）[10]，（3）連結機制（Linking mechanism）[16]由此構成知識表格[13][14][15][20]。在70年代末期，加拿大著名 學者Brian Gaines也於International Journal of Man-Machine Studies 提出以凱利表 格（Repertory Grid）作為知識擷取工具的方法，知識表格可以透視人們的內心世 界。

以下是建構凱利方格的步驟：

第一步 ：設定元素

「元素」是指要分析的對象，也就是想要探討的事物。依傳統的知識表格處理方 式，第一步要將所有定義好的元素列於知識表格的上方也就是表頭的部分，我們 以分析機台堆貨原因的例子來解釋知識表格如何擷取知識。表2.1為元素設定。

表 2. 1 元素設定

平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏長

一天運作 時間偏短 維修保養

時間偏長

維修保養 時間偏短 保養週期

次數偏多

當機週期 次數偏少

第二步 ：配對屬性組

在任何三個元素中，其中有兩個元素擁有共同的特質，而第三個元素不具備這個 特質，這樣就可以區分出第三個元素和另外兩個元素的不同，將正向屬性置

（Trait）於表格的右方，反向屬性（Opposite）置於表格的左方，兩種屬性合為 一個配對屬性組（Constructs），當表格建立完成後，經由知識工程師的引導讓

專家在表格中填入其所認定的等級，而等級可分為五組，其中"1"元素具有最高 等級的正向屬性的特徵；"2"該元素具有傾向正向屬性的特徵；"3"該元素持平不 傾向正反兩方；"4"該元素具有傾向負向屬性的特徵；"5"該元素具有最高等級的 負向屬性的特徵。表2.2為評等知識表格。

表 2. 2 知識表格評等

平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏短 5 3 5 一天運作

時間偏長 維修保養

時間偏長 4 3 4 維修保養

時間偏短 保養週期

次數偏多 5 5 3 當機週期

次數偏少

第三步 ：分析資料

經由元素三元組引出構念所形成知識表格的分析方式有單一方格的聚類分析與 不同方格的比較分析，經由不同的分析可深入了解專家的心靈深處所建構的構念 系統。根據表 2.2 的等級評定我們可以得出圖 2.1 結論，如果一天運作時間過短、

維修保養時間偏長、保養週期次數過多。以程式語言來表示可寫為：

IF： 一天運作時間過短 AND 維修保養時間偏長 AND 保養週期次數過多 THEN 平衡指數不佳

平衡指數不佳

保養週期次數過多 一天運作時間過短

維修保養時間偏長

但是當屬性不完全時可能導致結論偏頗，將結論整理出後給予專家再次評 定，專家可能會予以駁斥，認為結論與現實狀況無法相符合，此時可要求專家出 具體事實，並補強表格屬性，如此反覆進行直到專家認可結論，如此可使知識表 格的內容更接近現實狀態。

凱利表格（Repertory Grid）是早期知識擷取的方法，不過此方法只能擷取到 簡單顯而易見的知識。在知識的擷取過程之中，常會因為使用的擷取方式或知識 工程師的引導方式不同或是知識表達方式的差異，導致一些知識未被擷取出來，

如此的問題會影響後段規則產生發生遺漏或偏頗的情形，故在下節中解釋這種演 進後的方法。

2.2.2 隱含知識的擷取技術

「隱含的知識」（Embedded Meaning）是由黃國禎及曾憲雄教授於1990年所 提出的理論[17]，在知識的擷取過程之中，常會因為使用的擷取方式或知識工程 師的引導方式不同或是知識表達方式的差異，導致一些知識未被擷取出來，如此 的問題也會影響後段規則產生發生遺漏或偏頗的情形。以上一節的案例來說

IF： 一天運作時間過短 AND 維修保養時間偏長 AND 保養週期次數過多 THEN 平衡指數不佳

專家的意思為如果平衡指數不佳，那麼這個判斷的屬性可能為一天運作時間過 短、維修保養時間偏長、保養週期次數過多，但是這並不表示一定要上述三項條 件都齊備了才代表為平衡指數不佳，知識表格的推論可能會導致一些原來專家所 想要表達的意思被誤判，因為其中的兩個條件如維修保養時間偏長、保養週期次 數過多即可代表平衡指數不佳，那麼推論的規則就會因為有太多的隱含知識而嚴 重的影響到結論的品質。

為了解決這個嚴重的問題，黃國禎及曾憲雄教授提出隱含知識的擷取技術 EMCUD（Embedded Meaning under Uncertainty Deciding），它使用了一個多資料 型態的知識表格，並使用了「屬性序列表格」（Attribute Ordering Table，AOT）

來表達各元素之間的相對重要性及其序列關係。多資料型態的知識表格，每一個 目標與屬性可以以下列的幾種資料型態來表達：

z 單值：它包括了字串或數值資料，EX：10、Low等。

z 數值範圍：EX：10< K < 12。

z 布林邏輯：True、False。

z 集合：一組單值的集合，意味著只要符合集合中任何一個單值，即可推論 符合該目標，EX：{5，6，7}。

z X：代表目標與屬性完全無關。

z U：代表目標與屬性之間的關係無法確認。

我們以分析機台堆貨原因的例子來探討多資料型態的的知識表格及屬性 序列表格如何互相比對以擷取出隱含的知識，如表2.3及表2.4所示。

表 2. 3 多資料型態的知識表格

屬性 目標 平衡指數不佳 產品週期過長 超過材料時效 一天運作時間 X 3 10< K < 12

是否維修保養 True False False

保養週期次數 {5，6，7} U X

另外介紹屬性序列表格，每一個屬性序列表格的值可能為X、D或是一個數 值資料，X代表屬性與目標完全無關，D（Dominate）代表屬性對於目標擁有完

義絕對小於 D 所代表的意義，充其量只能提供目標與屬性之間的依存度比例，

當然數字越大則表示依存度越深。

表 2. 4 屬性序列表格

屬性 目標 平衡指數不佳 產品週期過長 超過材料時效

一天運作時間 D D 2

是否維修保養 1 1 1

保養週期次數 X X D

以超過材料時效為例，AOT的第三列代表以下的意義

（1） 保養週期次數主導了超過材料時效的成立；若保養週期次數^＜＞X，則超過 材料時效不可能成立。

（2） 一天運作時間不主導了超過材料時效的成立；若一天運作時間＜10 或 一 天運作時間>12，則一天運作時間仍有可能主導超過材料時效。

（3） 維修保養時間不主導了超過材料時效的成立，若維修保養時間為True，則 超過材料時效仍有可能會成立。

從原始所產生的知識中擷取出隱含的知識，原本每條規則被一一的檢驗，如 果經由再次檢驗後的值是D（對於目標擁有完全主導的能力），則值仍被保留與 原來產生的一樣，若為一個數值資料，則測試每一種屬性值在被否定的狀態下是 否產生新的規則，如果產生則將其稱之為隱含的知識。

關於隱含知識的擷取（EMCUD）可以從專家的對談中擷取出隱含知識，不 過這樣的知識表格依然無法將專家的語意強度表達出來，為了解決這種問題，另 一種方法被提出，那就是模糊知識的擷取技術（Fuzzy table）它可以處理模糊型 態的資料，我們將會在下一節中探討這種演進後的方法。

2.2.3 模糊知識的擷取技術

傳統的知識表格無法將專家的語意表達出來，所以模糊知識表格（Fuzzy table）[18]被提出，建構模糊表格的程序和知識表格法相類似，它的特點是可以 將專家的語意強度轉化為模糊值，成為知識產生的重要參數。以下為我們以分析 機台堆貨原因的例子套入模糊知識擷取技術的步驟：

（1） 由專家提供可能的決策及問題解答並將這些項目置於表格頂端，如表 2.5 範例所示。

表 2. 5 模糊知識表格

平衡指數不佳 產品週期過長 超過材料時效

（2） 由專家提供屬性，以區別這些解答或決策的條件差異，例如：

模糊知識擷取系統：請為模糊變數一天運作時間選擇一套模糊值 1. 低：中：高

2. 矮：中：高 3. 小：中：大 4. 短：中：長

5. 其他（使用者自訂）

專家選擇：4

由上面的範例所知，專家選擇一天運作時間的模糊值為慢：中：快，依序這 樣的方式為每個模糊變數都選擇一套模糊值，最後的結果如表 2.6 所示。

表 2. 6 模糊知識表格

平衡指數不佳 產品週期過長 超過材料時效

一天運作時間 短：中：長

維修保養時間 短：中：長

保養週期次數 低：中：高

（3） 填入全部元素與屬性的關係值欄位，每個欄位以一個模糊值及一個信心度 所組成，一個七個等級的分類從-3到+3範圍的整數用以代表元素與屬性的 關係，如表2.7所示

表 2. 7 模糊知識表格

平衡指數不佳 產品週期過長 超過材料時效

一天運作時間 3/N 0/N -3/S 短：中：長

維修保養時間 2/S 1/S 3/S 短：中：長

保養週期次數 -1/S 2/S 3/S 低：中：高

每一列皆可產生一條模糊規則，其規則的可靠度計算方式為：

TRUTH = S的個數 / S的個數 + N的個數 * 0.8 + 0.2 以平衡指數不佳為例

IF 一天運作時間非常長，且 維修保養時間長，且 保養週期次數低

THEN “平衡指數不佳”成立 TRUTH = 0.66

探討完模糊知識的擷取技術，不難發現它改進了先前所欠缺的技術，不過此 方法只能應用在單一專家上，本論文的旨意在於以多專家的知識為基礎去分析機

台堆貨成因，既然是多位專家的知識就必須將知識做整合，故我們在2.3節中探 討知識整合的技術。

2.3 知識整合的技術

在建置專家系統時，為了取得較為客觀的推論規則，往往需要將多位專家的 知識加以整合。例如：多專家知識表格擷取（Multiple-Expert Repertory Grid Elicitation，MERGE）[9]、多專家知識整合法（Fuzzy Integration for Numerous Experts，FINE） [12]，以下就介紹這兩種多專家的知識整合方法。

2.3.1 多專家知識表格擷取

多專家知識表格擷取（MERGE）是一種以知識表格（Repertory Grid）為基 礎的方法[9]，用以擷取並整合多專家的知識，執行這種辦法分為五個步驟：

（1） 表格結構擷取：從專家群中利用知識表格來收集每一位專家的元素集以及 屬性集，我們假設收集兩位專家的知識範例，如表 2.8 及表 2.9 所示。

表 2. 8 知識表格（專家一）

平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏長

一天運作 時間偏短 維修保養

時間偏長

維修保養 時間偏短

表 2. 9 知識表格（專家二）

平衡指數不佳 產品週期過長 超過材料時效 維修保養

時間偏長

維修保養 時間偏短 保養週期

次數偏多

當機週期 次數偏少

（2） 表格結構協調：我們將表2.8及表2.9為兩位專家所擷取的知識表格加以整 合，使其成為一個共同元素集與屬性集，再將這個共同的結果提供給每一 個專家進行討論更改，這個步驟要一直重覆，直到共同的知識表格產生為 止，如表2.10所示。

表 2. 10 二位專家協調後產生共同的知識表格 平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏長

一天運作 時間偏短 維修保養

時間偏長

維修保養 時間偏短 保養週期

次數偏多

當機週期 次數偏少

（3） 共同表格評等：繼二位專家經過協調而產生共同的知識表格，專家被要求 對共同的表格進行評等的動作。評等的範例如表 2.11 及表 2.12 所示。

表 2. 11 專家一評等共同表格

平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏長 5 3 5 一天運作

時間偏短 維修保養

時間偏長 4 3 4 維修保養

時間偏短 保養週期

次數偏多 2 5 2 當機週期

次數偏少

表 2. 12 專家二評等共同表格

平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏長 4 3 4 一天運作

時間偏短 維修保養

時間偏長 5 3 4 維修保養

時間偏短 保養週期

次數偏多 2 4 1 當機週期

次數偏少

（4） 知識整合：將屬性依照對目標的強度進行評等，如果較弱的強度則用【2，

4】兩種評等，如果較強的強度則用【1，5】兩種評等。假設比較的過程 中兩個值之間不相同時，則判斷越靠極端值擁有越多的確定度，1 和 5 的 評等一定分別比 2 和 4 的評等比得更為確定，如表 2.13 所示。

表 2. 13 專家二評等共同表格

平衡指數不佳 產品週期過長 超過材料時效 一天運作

時間偏長 5 3 5 一天運作

時間偏短 維修保養

時間偏長 5 3 4 維修保養

時間偏短 保養週期

次數偏多 2 5 1 當機週期

次數偏少

（5） 規則產生：最後產生規則給專家系統使用。以平衡指數不佳為例：

IF 一天運作時間非常長，且 維修保養時間非常長，且 保養週期次數偏少

THEN “平衡指數不佳”成立

就無法進行知識的整合工作，為了解決這種問題，另一種方法被提出，那就是多 專家知識整合法（FINE）它可以處理專家對談中語意強度的問題，本論文將會 在下一節中解釋這種演進後的方法。

2.3.2 多專家知識整合法

多專家知識整合法（FINE）是一種以知識表格（Repertory Grid）為基礎 [9]，

評等的方法則是改良自傳統的成對比較矩陣的模糊變量成對比較矩陣，除了原來 的評定值之外，它還加上了模糊值，可以處理語意強度方面的問題，以做為更精 確計算的參數。此多專家模糊整合法進行知識整合流程如圖 3.1 所示。

圖 2. 3 多專家知識擷取及整合流程圖

概念表格一 概念表格二 概念表格n

概念協調 概念

資料庫 共同概念表格

共通目標/概念表格

模糊規則 知識庫

專家一 專家二 專家n

…

…

以下我們將介紹機台堆貨成因運用至多專家知識整合法的範例：

（1） 建立概念表格：從專家群中利用知識表格來收集每一位專家的元素集以及 屬性集。而概念表格中包含了幾個欄位，分別是概念名稱、單位、語意型 態、臨界值等。我們以分析機台堆貨原因為例，擷取兩位專家的知識，如 表 2.14 及表 2.15 所示。

表 2. 14 機台堆貨原因之概念表格（專家一）

概念名稱 單位 臨界值 語意型態 一天運作時間 時/日 19~21 不足/正常/足夠 維修保養時間 時/日 0.3~0.5 良好/正常/過久

表 2. 15 機台堆貨原因之概念表格（專家二）

概念名稱 單位 臨界值 語意型態 維修保養時間 時/日 0.5~0.7 良好/正常/過久 維修保養週期 次/週 1/大於 2 正常/不正常

（2） 建立共同概念表格：在上一步驟時我們讓專家依照自身的專業知識完成概 念表格的填製工作，接下來我們要將上一步驟中所設定的概念，經由協調 過程取得共同結論後，填入共通概念表格當中。因為上一步是由多位專家 各自提供的概念表格，所以其中的概念可能會發生重複的現象，或是因為 個人的文字概念理解不同而產生兩個專家對於同一個概念卻以不同的概 念名稱加以命名，雖然在名稱上面所用的文字不盡相同但是實際上兩位專 家卻是指著同一個概念。譬如維修保養時間的概念，專家一定義臨界值為 0.3~0.5，專家二定義為 0.5~0.7，經由協調決定新的臨界值為（0.3+0.5/2）

~ （0.5+0.7/2），所以協調結果更新為 0.4~0.6，其他的部分則以聯集方 式，將每位專家所訂定的未重複概念合而為一。利用此協調過程的方式產

表 2. 16 二位專家協調後產生的共通概念表格 概念名稱 單位 臨界值 語意型態 一天運作時間 時/日 19~21 不足/正常/足夠 維修保養時間 時/日 0.4~0.6 不足/正常/過久 維修保養週期 次/週 1/大於 2 正常/不正常

（3） 專家權重評等：每一位專家有其不同的背景、專長與經歷，所以我們要計 算每一個參予知識擷取的專家在各領域中的權數，評等專家權重的步驟如 下：

A. 根據所要研究的問題，訂定所要計算的領域，並訂定每一個領域所佔 之百分比。我們需要對於專家的領域加以評等，以下我們假設，參予 知識擷取的專家有兩位，分別針對經驗、背景、名聲等三樣項目進行 評等，兩位專家的自我評等如表 3.17 所示。

表 2. 17 二位專家之權重評等

評等

項目 專家一 專家二

經驗（50﹪） 0.7 0.4

背景（30﹪） 0.8 0.7

名聲（20﹪） 0.3 0.6

B. 完成所有專家權重評等之後，接下來將所有數據進行矩陣計算，假設 cj為項目的權重，sij為專家評等的分數，ei為專家所得到的權數，

列出以下之公式

[e₁ e₂… e_j… e_n ]=

[ ]

⎥⎥

⎥⎥

⎥⎥

⎦

⎤

⎢⎢

⎢⎢

⎢⎢

⎣

⎡

×

mn mj

m

in ij

i

n j

m i

s s

s

s s

s

s s

s

c c

c

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

1 1

1 1

11

1 ………

我們以表 3.17 為例，公式（2.1）的計算過程為

（0.5 0.3 0.2） ×

⎥⎥

⎥

⎦

⎤

⎢⎢

⎢

⎣

⎡

6 . 0 3 . 0

7 . 0 6 . 0

4 . 0 7 . 0

= （0.52 0.47）

所以專家 E₁的權數為 0.52，專家 E₂的權數為 0.47，計算完專家權重 之後，下面步驟中我們會用到權數計算的結果。

（4） 評等概念表格並計算概念權重：經由協調之後我們已經得到共同的概念表 格，接下來就要將利用模糊變量成對比較矩陣（Pair-Wise Comparison Matrix with fuzzy items）它增了模糊變量用以清楚地表達專家內心對概念 的評等，利用它來計算各概念之間的幾何平均數與權數，藉此也能夠了解 各概念之間的相對重要性。

A. 首先將級數分別使用十個級別，如果等級大於 1 則呈正向的屬性，等 級小於 1 則呈負向的屬性，等級如果等於 1 則屬性等於中性，代表兩 個屬向強度平均，其等級刻度分別為"5"代表絕對重要；"4"代表相當重 要；"3"代表較為重要；"2"代表有點重要；"1"代表一樣重要；"1/2"代 表有點不重要；"1/3"代表較為不重要；"1/4"代表相當不重要；"1/5"代 表絕對不重要。

B. 利用模糊變量評等概念：在做模糊變量評等時，對角線兩端，相同的 概念其模糊變量皆為 1，因為概念是相同的所以評得為 1，其他對角線 概念之間的模糊變量則為倒數。專家依步驟一中所訂定的模糊變量，

再依照自我的專業評等繼而將評等值填入模糊變量成對比較矩陣中。

表 3.18、表 3.19 為第二步驟後所得到的結果。

表 2. 18 專家一之成對比較矩陣

一天運作時間維修保養時間維修保養週期

一天運作時間 1 3 2

維修保養時間 1/4 1 1/2

維修保養週期 1/2 3 1

表 2. 19 專家二之成對比較矩陣

一天運作時間維修保養時間維修保養週期

一天運作時間 1 4 5

維修保養時間 1/3 1 1/3

維修保養週期 1/5 3 1

C. 我們假設概念為 Cii，GMi為幾何平均數，Wi為權數，則模糊變量成對 比較矩陣的幾何平均數及權數的計算公式分別為：

幾何平均數：

GM

C

C

C

C

權數：

W

/ （GM

我們以表 3.19 的第一個概念：一天運作時間為例進行計算。

GM1=³ 1

x

x

W1=1.817 /（1.817 ＋0.5 ＋ 1.144）＝ 0.524，經過幾何平均數及權數 的計算後，再利用先前所計算出的專家權數進行矩陣計算，假設e_j為專 家的權重，Wjk（j=1，2…，n 和 k=1 ，…，o）為權重，Zk為各概念 的權重，完成後即得出各概念的權重，完成後即得出各概念的權重，

它的計算公式為

[Z₁…Z_k…Z₀]=[e₁´e₂´…e_j´…e_n´]×

⎥⎥

⎥⎥

⎥⎥

⎦

⎤

⎢⎢

⎢⎢

⎢⎢

⎣

⎡

ο ο ο

n nk

n

j jk

j

k

W W

W

W W

W

W W

W

' ...

' ...

'

...

...

...

...

...

' ...

' ...

'

...

...

...

...

...

' ...

' ...

'

1 1

1 1

11

………（2.4）

我們以表3.19和表3.20為例子繼續概念的權重計算，兩位專家所評等過 的模糊變量成對比較矩陣經由計算之後，所有概念權數的結果就得出 了

[0.52 0.47]

⎥

⎦

⎢ ⎤

⎣

× ⎡

208 . 0 118 . 0 672 . 0

417 . 0 144 . 0 524 .

0

[

]

所以一天運作時間，維修保養時間，維修保養週期分別為 0.587、0.327、

0.313。

（5） 評等目標/概念表格：我們將概念的權數求出之後，接下來要開始進行目 標/概念表格的評等工作，我們將先前所使用的共通概念放置於第一列，

繼而訂定目標放置於表頭的部分，接下來要求參予知識擷取的專家們在表 格中填入關係值（certain factor ，（CF_ij））以及確定程度（fuzzy value，

（FVij）），由這兩個值來描述概念i與目標j之間的關係，如表 2.20 所示。

表 2. 20 目標/概念表格

目標 1 目標 2 … 概念名稱 1 CF11/FV11 CF12/FV12 … 概念名稱 2 CF21/FV21 CF22/FV22 …

… … … …

A. 關係值與訂定確定度：我們將關係值從 0.1~1 分為十級，隨著級數越高 關係之間的影響也就越強烈。另外又將語意模糊等級訂為七級，分別 代表七種不同的模糊語意強度，其分級為"3"代表非常長或是非常高；

"-1"代表有點短或有點低；"-2"代表短或低；"-3"代表非常短或是非常 低。

B. 進行目標/概念表格評等：完成了語意模糊級數的訂定後，接下來我們 請專家們各自將關係值與確定度填入目標/概念表格當中，用這兩個值 來評定目標與概念之間的關聯度。如表 3.21、表 3.22 所示。

表 2. 21 專家一之評定目標/概念表格 平衡指

數不佳

產品週 期過長

超過材 料時效

出貨時 間過久 一天運作時間 0.4/2 0.3/1 0.5/1 0.2/2 維修保養時間 0.2/2 0.3/-1 0.1/2 0.1/-2 維修保養週期 0.1/3 0.4/-1 0.2/-2 0.1/-3

表 2. 22 專家二之評定目標/概念表格 平衡指

數不佳

產品週 期過長

超過材 料時效

出貨時 間過久 一天運作時間 0.3/1 0.4/2 0.1/1 0.5/2 維修保養時間 0.2/1 0.5/2 0.1/2 0.1/2 維修保養週期 0.1/2 0.3/1 0.1/1 0.1/2

在參予知識擷取的專家完成了目標/概念表格的評等之後，接下來 將表格中專家所評定的數值進行計算，並且將多位參與知識擷取的專家 所釋出的知識予以整合，以求得管理的規則。

（6） 整合模糊知識及產生規則：在這個階段當中，我們利用模糊演算法來整合 所有參與知識擷取專家們所評等的關係值與確定度，其公式為：

[

d

f

d

f

d /

f …

d

f

[e´1 e´2 …e´j…e´n] ×

⎥⎥

⎥⎥

⎥⎥

⎥⎥

⎦

⎤

⎢⎢

⎢⎢

⎢⎢

⎢⎢

⎣

⎡

g no g no g

nk g nk g

n g n

g jo g jo g

jk g jk g

j g j

g o g

o g

g

g o g o g

k g

k g

g g g

f d f

d f

d

f d f

d f

d

f d f

d

f d f

d f

d f d

/ ...

/ ...

...

/

. ...

...

...

...

.

/ ...

/ ...

...

/

. ...

...

...

...

.

/ ...

...

...

...

/

/ ...

/ ...

/ /

1 1

1 1

2 2 21

21

1 1 1

1 12

12 11 11

…………

…………（2.5）

CF = [ d

d

d …

d

FV = Round [ f

f

f ...

f

d^g_jk/ f_jk^g分別代表第 j 個專家針對第 k 個概念所提出的關係值與 確定度，我們透過這些數值用來評定第 k 個概念與第 g 個目標之間的因果 關係，而

d /

f 則用來表示整合後的關係值與確定度，透過它我們可以評

f 值，將其代換為最接近的

我們現在以表 3.21 及表 3.22 中的週轉率太低這項目標為例，進行計 算產生規則的工作。第一步是將三位專家用來評定週轉率過低的關係值與 確定度列為矩陣，並與專家權數做相乘的動作，所得到的關係值要與概念 權數做相乘如此就得到了週轉率太低的信賴度（CF），另外所求出的確定 度經由四捨五入的過程，將確定度逼近為最符合模糊語意的整數，計算如 下：

[0.52 0.47] × ⎥

⎦

⎢ ⎤

⎣

⎡





0 =[0.349/1.51， 0.198/1.51， 0.204/2.5]

FV = Round [1.51 1.51 2.5] = [2 2 3]

藉由以上的計算所求取出的整合關係值與整合確定度之後，我們可以 得到平衡指數不佳的模糊規則。模糊規則表示如下：

平衡指數不佳的原因：

IF 一天運作時間有點不足 and

THEN 系統狀態 = ‘平衡指數不佳’

信賴度（CF） =0.349

關於多專家知識擷取法（FINE）不但可以從多專家環境下擷取並整合知識，

它可以依照不同的專家因擅長不同的領域而對專家有不同的評等，而且增加了利 用模糊變量用以清楚地表達專家內心對概念的評等，藉此能夠了解各概念之間的 相對重要性，另外它也可以處理專家對談中語意強度的問題，將語意強度轉換成 確定值。既然多專家知識擷取法（FINE）有如此多優點，本論文將利用它來擷 取並整合機台堆貨原因的知識。

第三章、半導體機台堆貨原因知識之擷取與整合

半導體的製程由於具有生產週期時間長、設備多樣化、機台不定時當機、良 率不穩定等特性，使得機台容易造成堆貨問題導致交貨延誤，使得也使得生產績 效的提升面臨了瓶頸。為了提高公司的競爭力，決策者如何做好生產系統的規 劃、決定適當的生產排程、以及最重要的是工廠機台發生堆貨時該如何解決，便 成了一個刻不容緩的重點目標，所以各公司均致力於研發生產線的堆貨成因分析 系統，以消除各種可能引發機台堆貨的因素。不過，目前半導體產業所設計的堆 貨成因分析系統，都是由單一人員進行整體架構的規劃，並且使用固定程式判斷 邏輯進行堆貨原因的分析。這種以固定邏輯判斷堆貨成因的方式通常只能處理常 態性的事件。然而生產線上有許多令人意想不到的突發事件，使得判斷堆貨因素 的規則千變萬化，傳統以固定邏輯所開發出的分析程式缺乏調整判斷規則的彈 性，因此無法讓廠務人員得到適當的協助。同時，堆貨成因的判斷邏輯若僅靠一 人決定，也有過於主觀的弊端。本論文為了改善過去系統缺乏彈性與客觀性的缺 陷，便以多專家知識整合為基礎開發出一套 PICAS 系統。此系統可以擷取多專 家的管理知識，並加以整合產生分析機台堆貨成因的模糊規則。

本章將介紹多專家模糊整合法（Fuzzy Integration for Numerous Experts，

FINE）如何擷取並整合機台堆貨原因的專家知識。本章節分為：3.1 定義管理知 識的目標及範圍。3.2 建立概念表格。3.3 建立共通概念表格。3.4 計算專家權 重。3.5 評等概念表格並計算概念權重。3.6 評等目標/概念表格。3.7 整合模糊 知識及產生規則。

3.1 定義管理知識的目標及範圍

目前半導體製造廠內的生產機台因為堆貨的現象，而導致製造時程的延誤及 產能的降低。所以我們請由半導體部門經理尋找多位專家制定生產機台有哪些堆 貨原因，透由不同專家所看到不同的方向，來設定出堆貨原因的臨界值，如生產 機台一天運作時間何謂「正常」，何謂「不足」。擷取到專家的知識樣本後，我們 以知識庫的原理來設計多專家系統的架構進行研究，將生產線上所有面臨過的事 件匯整至系統上，最後產生出規則。機台一旦發生了堆貨，我們可以利用這套規 則來分析真正的原因來源是為何。

定義好管理知識的範圍後，那麼我們知識擷取的目標則訂定為當機台發生堆 貨時與它相互影響的關係[3] [7]，如表 3.1 所示。

表 3. 1 知識擷取的目標與機台堆貨因素之關係

平衡指 數不佳

一般整體而言，半導體產業希望整個生產線的生產是平順的，我們稱此 為平衡指數（Line Balance），過多的材料在堆在機台上或過少的材料讓 機台無載都會影起平衡指數不佳，換句話說，一旦發生堆貨，機台也就 很難充份利用，勢必會影響到生產線的平衡指數。

產品週 期過長

矽晶圓從投片到出貨的平均時間稱之為產品週期（Cycle Time），在這段 其間如果常堆貨，出貨的時間也跟著拉長，因此產品週期的平均水準連 帶受到影響。

超過材 料時效

有些材料有時效的特性，為了品質上的考量，我們就會設定材料的時效 性（Q-timer）。比如再生產線上當後端的機台發生堆貨時，會造成前端 機台所生產的半成品無法及時處理，而發生品質不佳的情況。

出貨時 間過久

材料在未出貨前，材料的多寡與機台的狀況，會影響到出貨（Wafer Out）

的數量，當發生堆貨時，出貨的時間很容易延遲。

產量過 少

一片材料在一個機台加工後至下一個機台，我們稱為一產量（Move），

當發生堆貨時可能無法達到 Move 既定的目標，所以我們可以藉由一天 的 Move 的多寡來分析堆貨的狀況。

週轉率 太低

一天所移動的材料片數除以所有材料片數，我們稱之為週轉率（turn over rate），隨著機況的不同，週轉率也會受到影響，當週轉率太低時，機台 發生堆貨的狀況可能是非常嚴重的。

當我們確立好目標與範圍之後，我們就可以開始進行專家知識的擷取及整合 工作了。

3.2 建立概念表格

本研究針對影響機台堆貨之原因，採用代工晶圓廠專家的經驗，建立起概念 表格的部分。在研究中，發現每一批材料在機台上處理加工的時數，可分為 1 小時內、2 小時、3 小時、4 小時、5 小時和 6~8 小時。因此，我們可以依照機台 處理材料時間長度不同的一個特性將概念表格分成六大類[5][7]。

在此我們列舉其中一類概念表格的建構方式。首先必須先與多位專家進行對 談，並將所有資訊建立出多個單一專家概念表格，如表 3.2、表 3.3、表 3.4 所示，

分別為三位專家所取得的概念表格。

表 3. 2 機台堆貨原因之概念表格（專家一）

概念名稱 單位 臨界值 語意型態 一天運作時間 時/日 19.5~21.5 不足/正常/足夠 維修保養時間 時/日 0.4~0.6 良好/正常/過久 維修保養週期 次/日 1/大於 2 正常/不正常 當機修復時間 時/日 1~1.5 良好/正常/過久 當機週期 次/日 5~10 良好/正常/不良 測機時間 時/日 0.3~0.4 良好/正常/過久 測機週期 次/日 2~4 良好/正常/不良

表 3. 3 機台堆貨原因之概念表格（專家二）

概念名稱 單位 臨界值 語意型態 機台上線時間 時/日 18.5~20.5 不足/正常/足夠 維修保養時間 時/日 0.4~0.6 良好/正常/過久 當機修復時間 時/日 1~1.5 良好/正常/過久 測機時間 時/日 0.3~0.4 良好/正常/過久 待人時間 時/日 1.5~2 良好/正常/過久

表 3. 4 機台堆貨原因之概念表格（專家三）

概念名稱 單位 臨界值 語意型態 維修保養時間 時/日 0.4~0.6 良好/正常/過久 當機修復時間 時/日 1~1.5 良好/正常/過久 測機時間 時/日 0.3~0.4 良好/正常/過久 維修保養週期 次/日 1/大於 2 正常/不正常 當機週期 次/日 5~10 良好/正常/不良 測機週期 次/日 2~4 良好/正常/不良

3.3 建立共同概念表格

經由上一步取得了表 3.2~表 3.4 的概念表格，由於概念表格是由三位專家各 自提供的，其中的概念名稱可能會發生重複的現象，或是因為個人的文字概念理 解不同，而產生不同專家對於同一個概念，用以不同的概念名稱加以命名，雖然 在概念名稱上面所用的文字不盡相同，但是實際上卻是指著同一個概念。所以三 位專家所填的表格必須經由協調過程，產出一個共通的概念表格。譬如表 2 的一 天運作時間及表 3 的機台上線時間，這兩個概念其實是相同的，所以合併成一個 概念即可；另外，一天運作時間的概念，專家一定義臨界值為 19.5~21.5，專家 二定義為 18.5~20.5，經由協調決定新的臨界值為（19.5+18.5/2）~（21.5+20.5/2），

所以協調結果更新為 19~21，其他的部分則以聯集方式，將每位專家所訂定的未 重複概念合而為一。利用此協調過程的方式產生出一個新的共同概念表格，如表 3.5 所示。

表 3. 5 三位專家協調後產生的共通概念表格 概念名稱 單位 臨界值 語意型態 一天運作時間 時/日 19~21 不足/正常/足夠 維修保養時間 時/日 0.4~0.6 不足/正常/過久 維修保養週期 次/日 1/大於 2 正常/不正常 當機修復時間 時/日 1~1.5 良好/正常/過久 當機週期 次/日 5~10 良好/正常/不良 測機時間 時/日 0.3~0.4 良好/正常/過久 測機週期 次/日 2~4 良好/正常/不良