TWI604392B - 在製品產出時程的推估方法與其電腦程式產品 - Google Patents

Description

在製品產出時程的推估方法與其電腦程式產品

本發明是有關於一種在製品(Work In Process；WIP)產出時程的推估方法與其電腦程式產品，且特別是有關於一種在製品產出時程的推估方法與其電腦程式產品。

為要控制生產輸出，製造商(例如：晶圓代工廠)與客戶(例如：IC設計公司使用WIP資訊來監控與推估生產進度，其中有幾種模型，例如：客戶管理存貨和協同規劃、預測與補貨模式，其已被提出來取得製造商與客戶間同意的計劃，並監控補貨與回應二者認知的例外。主導供貨的能力是能否成功實現此些交易模式的關鍵。若客戶缺少準時供貨的信心，可使用高存貨和額外交貨時間的手段來避免製造商端的生產變異。因此，客戶需要從製造商收集在製品資訊，並使用此在製品資訊來監控並預測產出，以有效率地進行決策。

收集製造商之在製品資訊的資料蒐集方式有快照(Snapshot)或交易(Transaction)兩種方式，快照式通常僅記錄產出數量，但缺乏產出時間與投入時間的對應關係；而交易式則存在資料龐大的問題。資料傳送(蒐集)頻率與生產週期時間之間的時間差會影響著資料解析度，因而造成成對與非成對兩種資料模式。請參照第1圖，其繪示在製品之資料傳送(取樣)時間△T與生產週期時間△t的示意圖，其中生產週期時間△t是指在製品投入至製程站100或自製 程站100產出的時間間隔。當在製品的資料傳送(取樣)時間△T大於其當下進入製程站100之生產週期時間△t時，在製品的快照資訊中可能會有多個具有相同料號的在製品進出相同的製程站，因而失去在製品之數量與投入/產出時間的對應關係，此時之在製品資料稱為「非成對資料」。另一方面，當在製品資料傳送(取樣)時間△T小於或等於其當下進入製程站之生產週期時間△t時，則於在製品資料蒐集週期內將最多出現一批在製品之進出某製程，故每一個在製品的產出時間皆可對應至其投入時間，此時之在製品資料稱為「成對資料」。

例如：在積體電路(IC)的製造鏈中，由於每一個晶圓批貨(Wafer Lot)具有獨一的生產料號和可追蹤的數量，晶圓批貨中之在製品的資料係成對的，因而在每一個製程站中可辨識成對的在製品資料。然而，由於具相同生產料號/名稱之晶粒(Dies)可能會與幾個晶圓批貨相混合，晶粒之在製品的資料係非成對的。換言之，成對的在製品資料擁有跨越多個快照版本之具相同數量的同一生產料號；但非成對的在製品資料在跨越多個快照版本中的數量可能會改變。在前段製程中，晶圓批貨的生產係以一層一層材料層來進行，其典型地需花1至3個月的時間才能完成，其中所蒐集到之在製品資料為成對的在製品資料。在完成前段製程後，晶圓被傳送至後段製程，後段製程典型地需花1至2個星期，其中所蒐集到之在製品資料為非成對的在製品資料。

由於上述生產資料的差異，習知技術僅能針對成對之 在製品資料進行處理，而對非成對之在製品資料常僅能用基本方法預估其生產週期時間。

因此，需要一種在製品產出時程的推估方法與其電腦程式產品，以依據在製品資料之成對與非成對的特性來建立生產時間預測模型，達到推估在製品生產時間之目的。

因此，本發明之一目的就是在提供一種在製品產出時程的推估方法與其電腦程式產品，藉以建構出可同時處理成對與非成對之在製品資料的產出時間預測機制，而達到產出推估方法共用化的目的。

根據本發明之一態樣，提供一種在製品產出時程的推估方法。在此推估方法中，首先蒐集分別於複數段歷史期間所產生之關於一產品的複數組歷史在製品資料，其中此產品具有一最大歷史生產週期，此些歷史期間的長度均相同，每一組歷史在製品資料包含有複數個歷史在製品的產出時間。然後，以一預設時間來將最大歷史生產週期分為複數個區間。接著，根據每一組歷史在製品資料之歷史在製品的產出時間，來計算出歷史在製品分別於各區間中出現的數量，而獲得分別於各歷史期間所產生之產品的複數個產出機率密度數列。若歷史期間的數目大於或等於一最小建模資料數目，則根據一預測演算法，由產出機率密度數列推估出歷史期間後之一下一期間的一預測產出機率密度數列，此預測產出機率密度數列包含有分別於區間中產出的在製品的機率。在一實施例中，此預測演算法為一迴 歸演算法，例如：灰預測(Grey Prediction)演算法。

根據本發明之一實施例，若前述之歷史期間的數目小於前述之最小建模資料數目，則累計並平均歷史時期之產出機率密度數列，而獲得一平均產出機率密度數列，並根據一期望值預測演算法由此平均產出機率密度數列計算出該下一期間之一在製品產出時間。

根據本發明之一實施例，前述之最小建模資料數目為4。

根據本發明之一實施例，若前述之預測產出機率密度數列中之複數個元件的一總和大於1，則將預測產出機率密度數列中之每一個元件除以預測產出機率密度數列中之所有元件的總和。

根據本發明之一實施例，每一組歷史在製品資料包含歷史在製品的投入時間，若歷史在製品的投入時間無法完全對應至歷史在製品的產出時間，則將前述之預測產出機率密度數列中之每一個元件乘以最後一個歷史期間之一在製品產出總數，而獲得在歷史期間後之下一期間的一預測產出數量數列，其中此預測產出數量數列包含有在歷史期間後之下一期間分別於各區間中產出的在製品數量。

根據本發明之一實施例，每一組歷史在製品資料包含歷史在製品的投入時間。若歷史在製品的投入時間係分別對應至歷史在製品的產出時間，則歷史在製品為完成產品之一材料層後的在製品。將前述之預測產出機率密度數列中之每一個元件乘以最後一個歷史期間之此材料層完成後的一在製品產出總數，而獲得在歷史期間後之下一期間之 此材料層的一預測產出數量數列，其中此預測產出數量數列包含有在歷史期間後之下一期間分別於各區間中產出的在製品數量。

根據本發明之又一態樣，提供一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成前述之在製品產出時程的推估方法。

因此，應用本發明之實施例，可有效地同時處理成對與非成對之在製品資料的產出時間預測機制，而達到產出推估方法共用化的目的。

在此詳細參照本發明之實施例，其例子係與圖式一起說明。儘可能地，圖式中所使用的相同元件符號係指相同或相似組件。

本發明為一種預測方法與架構，用以推估在製品產出時程。本發明之資料來源為現場在製品的現況蒐集，其包含在製品編號、數量、與所在之製程位置等；而本發明之資料擷取方式可為快照或交易等兩種方式，其中快照式記錄現場在製品當下之現況；交易式為記錄在製品進出各製程之時間數量等。本發明之資料處理方式為根據資料擷取週期與製程時間差，製程特性，與歷史行為等先行建立推估模型，再根據模型進行預測在製品之生產時間推估。

請參照第2圖，其繪示依照本發明之一實施例之在製品產出時程的推估方法的流程圖。如第2圖所示，首先，進行步驟202，以蒐集分別於複數段歷史期間所產生之關 於某一產品的複數組歷史在製品資料，其中此產品具有一最大歷史生產週期，此些歷史期間的長度均相同，每一組歷史在製品資料包含有複數個歷史在製品的產出時間。例如：某一產品的最大歷史生產週期為18天，蒐集到4段歷史期間的歷史在製品資料，每一段歷史期間的長度均為18天。然後，進行步驟204，以使用一預設時間來將最大歷史生產週期分為複數個區間。例如：預設時間為2天，故可將最大歷史生產週期分18天為9個區間。

接著，進行步驟206，以根據每一組歷史在製品資料之歷史在製品的產出時間，來計算出歷史在製品分別於各區間中出現的數量，而獲得分別於各歷史期間所產生之產品的複數個產出機率密度數列。一般，產品於歷史期間之各區間內的在製品出現頻率係以直方圖彙整。例如：以第1段歷史期間而言，9個區間分別為0-2天、2-4天、4-6天、6-8天、8-10天、10-12天、12-14天、14-16天、16-18天，而在各區間中出現之在製品數量分別為27個、65個、46個、39個、33個、19個、23個、17個、9個，18天中出現之在製品總數量為278個。因此，第1段歷史期間之各區間內的在製品產出機率密度分別為27/278、46/278、33/278、23/278、9/278，則其產出機率密度數列為={0.097,0.234,0.165,0.140,0.118,0.068,0.083,0.061,0.032}。依照上述相同的方式，可分別獲得第2-4段歷史期間的產出機率密度數列，其中上標(0)代表原始產出機率密度數列，則i為第1-9個區間。

一般而言，預測演算法需要有一定數目之歷史期間的歷史在製品資料才能進行預測。因此，進行步驟208，以判斷所蒐集到之歷史期間的數目是否大於或等於一最小建模資料數目(例如：4)。若步驟208的結果為是，則根據一預測演算法，由產出機率密度數列推估出歷史期間後之一下一期間的一預測產出機率密度數列(步驟210)，其中此預測產出機率密度數列包含有分別於各區間中產出的在製品的機率。在一實施例中，步驟208所使用之預測演算法為一迴歸演算法，例如：灰預測演算法，但本發明並不在此限。一般而言，灰預測演算法需要有至少4段歷史期間的歷史在製品資料才能進行預測。

以下以第3區間為例來說明步驟210，其第3區間係介於4到6天。當蒐集到四期(歷史期間)之歷史在製品資料時，第3區間依歷史期間之時間先後出現的原始產出機率密度數列為={0.165,0.151,0.155,0.158}。

接著，根據公式(6)由原始產出機率密度數列計算出累加生成資料數列。

根據公式(6)由可計算出第3區間之累加生成資料數列為={0.165,0.316,0.471,0.629}。

然後，根據灰預測演算法，由公式(6)之累加生成資料 數列推估出所蒐集到之歷史期間後之一下一期間的一預測產出機率密度數列，灰預測演算法係如公式(7)至(9)所示。

α為鬆弛因數(Relaxation Factor)，0<α<1。

根據公式(7)由可計算出第3區間之={0.165,0.2405,0.3935,0.55}，再根據公式(9)可計算出第3區間之各參數分別為： C=1.184；D=0.464；E=0.184；F=0.5152；a=-0.0226；b=0.1457。然後，由公式(10)，可推估出第3區間之第5期產出機率密度為=0.162。

當分別應用線性迴歸演算法、指數迴歸演算法與二次多項式迴歸演算法於本應用例時，所獲得之預測值分別為0.153,0.1534,0.1753。由於在第2段至第4段歷史期間，第3區間的原始產出機率密度係先由0.151增至0.155，再增至0.158，故可觀察到第3區間(第4-6天)的在製品產出 之有增加的趨勢，故由灰預測演算法所推估出之產出機率密度(0.162)相對其他迴歸演算法合理。然而，其他迴歸演算法亦適用於本發明。

此外，在獲得預測產出機率密度數列後，需進行步驟212，以判斷預測產出機率密度數列中所有元件的一總和是否大於1。若步驟212的結果為是，則將預測產出機率密度數列中之每一個元件除以預測產出機率密度數列中之所有元件的總和(步驟214)。舉例而言，由灰預測演算法所推估出之第5期之各區間產出機率密度設為={0.091,0.212,0.162,0.131,0.107,0.091,0.072,0.051,0.089}。由於數列中之各元件(機率密度)的總和超過1，故將各機率密度值除以此總和值，則可獲得第5期之各區間的機率密度為{0.090,0.211,0.161,0.130,0.106,0.090,0.072,0.051,0.089}。

然後，若步驟212的結果為否或完成步驟214後，進行步驟216，以判斷所蒐集到之歷史在製品資料是否為成對資料。由於每一組歷史在製品資料包含有歷史在製品的投入時間。若歷史在製品的投入時間係分別對應至歷史在製品的產出時間，則所蒐集到之歷史在製品資料為成對資料。若歷史在製品的投入時間無法完全對應至歷史在製品的產出時間，則所蒐集到之歷史在製品資料為非成對資料。

若步驟216的結果為否，即所蒐集到之歷史在製品資料為非成對資料，則進行步驟218，以將前述之預測產出機率密度數列中之每一個元件乘以最後一個歷史期間(例如：第4段歷史期間)之一在製品產出總數，而獲得在 歷史期間後之下一期間(例如：第5段期間)的一預測產出數量數列，其中此預測產出數量數列包含有在歷史期間後之下一期間分別於各區間中產出的在製品數量。舉例而言，若第4段歷史期間線上在製品產出總數為120，則在各區間{0-2,2-4,4-6,6-8,8-10,10-12,12-14,14-16,16-18}中產品出現個數分別為{11,26,19,16,13,10,8,7,10}。

若步驟216的結果為是，即所蒐集到之歷史在製品資料為成對資料，則歷史在製品為完成產品之一材料層後的在製品，例如：前段製程中的在製品。因此，進行步驟220，以前述之預測產出機率密度數列中之每一個元件乘以最後一個歷史期間之此材料層完成後的一在製品產出總數，而獲得在歷史期間後之下一期間之此材料層的一預測產出數量數列，其中此預測產出數量數列包含有在歷史期間後之下一期間分別於各區間中產出的在製品數量。

舉例而言，若某產品之最大層數為25層，在製品資料的紀錄方式為倒數，亦即產品剛下線時具有最大層數，而在最後產出成品時所具有的層數為0。若對產品之每一材料層而言，若可蒐集到超過四期之歷史資料，其中每一段歷史期間的長度需相同。則對每一材料層而言，當採取灰預測演算法進行短期機率密度預測後，根據產品上一期之線上在製品數量，進行多次模擬並對各區間數平均後，將可預測出此材料層於各區間中產出的在製品數量。舉例而言，若於第4段歷史期間第8層材料層之線上在製品數量為30，而根據灰預測演算法所獲得之下一期(第5段期間)之各區間機率密度為{0.090,0.211,0.161,0.130,0.106, 0.090,0.072,0.051,0.089}，則於時間區間{0-0.5,0.5-1,1-1.5,1.5-2,2-2.5,2.5-3,3-3.5,3.5-4,4-4.5}中產品出現個數可分別為{3,6,5,4,3,3,2,2,3}。

另一方面，若步驟208的結果為否，即所蒐集到之歷史期間的數目小於灰預測演算法所需之最小建模資料數目，因而無法使用灰預測演算法，則進行步驟222，以累計並平均歷史時期之產出機率密度數列，而獲得一平均產出機率密度數列，並根據一期望值預測演算法由此平均產出機率密度數列計算出下一期間之在製品產出時間θ _p,k+1，其中期望值預測演算法係如公式(10)所示。

舉例而言，若產品的歷史在製品資料未累積到4段期間，而其機率依區間為={0.097,0.234,0.165,0.141,0.118,0.068,0.083,0.061,0.033}。則由公式(10)可獲得歷史期望值為6.976天，故第5期之生產週期時間亦設為6.976天，若上一期線上WIP數為120，則所有線上WIP均假設為產出時間均為投線後6.976天產出。

此外，若所蒐集到之歷史在製品資料為成對資料，就產品而言，可根據其歷史在製品資料的累積量多寡，採取灰預測演算法、期望值預測演算法或預設值，以繼續推估其他各材料層所需之生產週期時間，而其最後產出時間將為各材料層所需之生產週期時間的累加。舉例而言，若此產品歷史資料中第8層材料層與第3層材料層的資料歷史 在製品資料超過4期，則可用灰預測演算法來推估下一期(第5段期間)的在製品數量。若第7、5、2層材料層之歷史在製品資料不足，則以期望值預測演算法來推估下一期(第5段期間)之這些層數的生產週期時間。當其他包含第6、4、1、0層材料層的歷史在製品資料均不存在時，則採取預設值來推估下一期(第5段期間)之這些層數的生產週期時間。下一期(第5段期間)之在製品的最終產出時間將依上述各層加工時間累加後獲得。

上述實施例可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明之實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。

由以上說明可知，應用本發明之實施例，可有效地同時處理成對與非成對之在製品資料的產出時間預測機制，而達到產出推估方法共用化的目的。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何在此技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此 本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100‧‧‧製程站

△T‧‧‧資料傳送(取樣)時間

△t‧‧‧生產週期時間

202‧‧‧蒐集分別於複數段歷史期間之複數組歷史在製品資料

204‧‧‧將最大歷史生產週期分為複數個區間

206‧‧‧獲得複數個產出機率密度數列

208‧‧‧判斷所蒐集到之歷史期間的數目是否大於或等於最小建模資料數目

210‧‧‧根據預測演算法推估出下一期間的預測產出機率密度數列

212‧‧‧判斷預測產出機率密度數列中所有元件的總和是否大於1

214‧‧‧將預測產出機率密度數列中之每一個元件除以所有元件的總和

216‧‧‧判斷歷史在製品資料是否為成對資料

218‧‧‧獲得下一期間的預測產出數量數列

220‧‧‧獲得下一期間之一材料層的預測產出數量數列

222‧‧‧根據期望值預測演算法計算出下一期間之在製品產出時間

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：

第1圖係繪示在製品之資料傳送(取樣)時間與生產週期時間的示意圖。

第2圖係繪示依照本發明之一實施例之在製品產出時程的推估方法的流程圖。

202‧‧‧蒐集分別於複數段歷史期間之複數組歷史在製品資料

204‧‧‧將最大歷史生產週期分為複數個區間

206‧‧‧獲得複數個產出機率密度數列

208‧‧‧判斷所蒐集到之歷史期間的數目是否大於或等於最小建模資料數目

210‧‧‧根據預測演算法推估出下一期間的預測產出機率密度數列

212‧‧‧判斷預測產出機率密度數列中所有元件的總和是否大於1

214‧‧‧將預測產出機率密度數列中之每一個元件除以所有元件的總和

216‧‧‧判斷歷史在製品資料是否為成對資料

218‧‧‧獲得下一期間的預測產出數量數列

220‧‧‧獲得下一期間之一材料層的預測產出數量數列

222‧‧‧根據期望值預測演算法計算出下一期間之在製品產出時間

Claims (8)

1. 一種在製品產出時程的推估方法，包含：蒐集分別於複數段歷史期間所產生之關於一種產品的複數組歷史在製品資料，其中該種產品具有一最大歷史生產週期，每一該些組歷史在製品資料包含複數個歷史在製品的產出時間、投入時間和產出數量；以一預設時間來將該最大歷史生產週期分為複數個區間；根據每一該些組歷史在製品資料之該些歷史在製品的產出時間和產出數量，來計算出每一該些段歷史期間中該些歷史在製品分別於該些區間中出現的數量，而獲得每一該些區間之分別於該些歷史期間所產生之該種產品的複數個產出機率密度數列；以及若該些歷史期間的數目大於或等於一最小建模資料數目，則根據一預測演算法，由該些產出機率密度數列推估出該些歷史期間後之一下一期間的一預測產出機率密度數列，該預測產出機率密度數列包含有分別於該些區間中產出的在製品的機率密度。
2. 如請求項1所述之在製品產出時程的推估方法，其中該預測演算法係一迴歸演算法。
3. 如請求項2所述之在製品產出時程的推估方法，其中該預測演算法係一灰預測演算法，以依據下列關係式由該些產出機率密度數列推估出每一該些區間之於該些歷史 期間後之該下一期間的該預測產出機率密度數列： 其中代表該些產出機率密度數列，上標(0)代表原始產出機率密度數列，i用以代表第i個區間；j用以代表第j個歷史期間，n為該些歷史期間的數目；代表該預測產出機率密度數列，j+1用以代表該些歷史期間後之該下一期間；α為鬆弛因數(Relaxation Factor)，0<α<1。
4. 如請求項1所述之在製品產出時程的推估方法，更包含：若該些歷史期間的數目小於該最小建模資料數目，則累計並平均該些歷史時期之該些產出機率密度數列，而獲得一平均產出機率密度數列，並根據一期望值預測演算法由該平均產出機率密度數列計算出該下一期間之一在製品產出時間。
5. 如請求項1所述之在製品產出時程的推估方法，更包含：若該預測產出機率密度數列中之複數個元件的一總和大於1，則將該預測產出機率密度數列中之每一該些元件除以該總和。
6. 如請求項1所述之在製品產出時程的推估方法，更包含：若該些歷史在製品的投入時間係分別對應至該些歷史在製品的產出時間，則該些歷史在製品為完成該種產品之複數個材料層其中一者後的在製品，該預測產出機率密度數列中之每一該些元件乘以該些歷史期間其中最後一者之該些材料層其中該者完成後之一在製品產出總數，而獲得該下一期間之該些材料層其中該者的一預測產出數量數列，其中該預測產出數量數列包含有在該下一期間分別於該些區間中產出的在製品個數。
7. 如請求項1所述之在製品產出時程的推估方法，更包含：若該些歷史在製品的投入時間無法完全對應至該些歷史在製品的產出時間，則該預測產出機率密度數列中之複數個元件其中每一者乘以該些歷史期間其中最後一者之一在製品產出總數，而獲得該下一期間的一預測產出數量數列，其中該預測產出數量數列包含有在該下一期間分別於 該些區間中產出的在製品數量。
8. 一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如請求項1至7中任一項所述之在製品產出時程的推估方法。