由於感測器技術與資訊系統的普及，資料驅動的控管模型，如「基於狀態的監測系統」(CBM, Condition-based Monitoring) 成為一備受期待的方法論，其概念在先透過資料將機器的狀態指標化後進行監控，觸發相應的行動。CBM的架構包含「已發生的錯誤診斷」和「未來可能失效的預測」兩類模組。在此研究中，針對半導體晶圓製造過程中收集到的機台感測器訊號（如圖一），提出批量製程的機台衰退模型和對應的監控框架。為了分析機台非平穩的時間序列訊號，我們首先使用了離散小波轉換的技術，找出最適配的母小波對訊號進行拆解，使機台的每一個感測器參數，均可被分解成「宏觀」與「微觀」層面不同頻道上子訊號的組合（如圖二），藉此用來識別不同類型的機台衰退現象，例如：如果機台參數設定突然飄移，應可在宏觀訊號上觀察到；但若是機台漸進式的衰退，微觀層面的子訊號上則可以捕捉到高頻的不穩定狀態。機台狀態則巧妙地利用不同訊號之間的關聯性綜合計算而得，在此研究中，我們發展出一「逐步搜索演算法」（如圖三），能從多變量的感測器參數中選出最重要的機台訊號，除有效地對機台狀態建模以反應其真實衰退的樣貌外，還能夠追溯出導致衰退的因素、進行錯誤診斷。由實際案例分析可看出所提出的方法的確可將衰退現象建模，同時找出關鍵因子。（工業工程所藍俊宏教授提供） 圖一、從單變量原始訊號中觀察機台可能的衰退慶況。 圖二、比較正常與異常訊號間的變異細節。 圖三、機台衰退模型之分析框架。
由於感測器技術與資訊系統的普及，資料驅動的控管模型，如「基於狀態的監測系統」(CBM, Condition-based Monitoring) 成為一備受期待的方法論，其概念在先透過資料將機器的狀態指標化後進行監控，觸發相應的行動。CBM的架構包含「已發生的錯誤診斷」和「未來可能失效的預測」兩類模組。在此研究中，針對半導體晶圓製造過程中收集到的機台感測器訊號（如圖一），提出批量製程的機台衰退模型和對應的監控框架。為了分析機台非平穩的時間序列訊號，我們首先使用了離散小波轉換的技術，找出最適配的母小波對訊號進行拆解，使機台的每一個感測器參數，均可被分解成「宏觀」與「微觀」層面不同頻道上子訊號的組合（如圖二），藉此用來識別不同類型的機台衰退現象，例如：如果機台參數設定突然飄移，應可在宏觀訊號上觀察到；但若是機台漸進式的衰退，微觀層面的子訊號上則可以捕捉到高頻的不穩定狀態。機台狀態則巧妙地利用不同訊號之間的關聯性綜合計算而得，在此研究中，我們發展出一「逐步搜索演算法」（如圖三），能從多變量的感測器參數中選出最重要的機台訊號，除有效地對機台狀態建模以反應其真實衰退的樣貌外，還能夠追溯出導致衰退的因素、進行錯誤診斷。由實際案例分析可看出所提出的方法的確可將衰退現象建模，同時找出關鍵因子。（工業工程所藍俊宏教授提供）
圖一、從單變量原始訊號中觀察機台可能的衰退慶況。
圖二、比較正常與異常訊號間的變異細節。
圖三、機台衰退模型之分析框架。