(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110458621.4 (22)申请日 2021.04.27 (30)优先权数据 110111380 2021.0 3.29 TW 63/055,347 2020.07.23 US (71)申请人 郑芳田 地址 中国台湾台南市北区开 南街275巷7弄 42号 (72)发明人 郑芳田　谢昱铭　王丹汝　彭琍瑄　 林晋逸　 (74)专利代理 机构 北京律诚同业知识产权代理 有限公司 1 1006 代理人 徐金国 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 使用卷积神经网络的虚拟量测方法 (57)摘要 本发明实施例提供一种使用卷积神经网络 (Convolutional  Neural Network； CNN)的虚拟 量测方法。 在本方法中， 使用一动态时间规整 (Dynamic  Time Warping； DTW)演算法来删除不 相似的制程数据， 并将制程数据的长度调整为同 样长度， 以使卷积神经网络可被用来进行虚拟量 测。 本发明实施例的虚拟量测模 型包含多个卷积 神经网络模 型和一个推估模型， 其中此些卷积神 经网络模型的多个输入分别为制程数据的各参 数的时序数据， 此些卷积神经网络模 型的多个输 出为推估 模型的输入。 权利要求书1页 说明书8页 附图8页 CN 113971365 A 2022.01.25 CN 113971365 A 1.一种使用卷积神经网络的虚拟量测方法， 其特 征在于， 包 含： 获得多组制程数据， 其中该些组制程数据 是在一生产机 台处理多个工件时所使用或产 生， 该些组制程数据是以一对一的方式对应至该些工件， 每一该些组制程数据包含多个参 数的数值， 每一该 些参数的数值 为分别对应至该 些工件的多组时序数据； 对该些组制程数据进行一数据对整的操作， 该 数据对整的操作包 含： 对每一该些参数的每一该些组时序 数据的一数据长度进行一 次数分配计算， 而获得一 数据出现次数对数据长度的分布， 其中每一该些参数的该些组时序数据中出现次数最多的 数据长度为 一参考数据长度； 对每一该些参数的该些组时序 数据中具有该参考数据长度的时序 数据进行平均计算， 而获得每一该 些参数的一组参 考时序数据； 使用一动态时间规整演算法来计算每一该些参数的每一该些组时序数据与其对应的 参考时序数据间的一距离； 设定一距离门槛 值； 当该距离大于该距离门槛 值时， 删除对应至该距离的制程数据； 以及 进行一数据长度调 整操作， 以在每一该些参数的每一该些组时序 数据的一最后数据点 后， 重复增加具有该最后数据点的数值的至少一数据点， 直到每一该些参数 的该每一该些 组时序数据的该 数据长度等于该 些组制程数据的一 最长数据长度； 获得该些工件的多个实际量测值； 进行一建模操作， 以使用该些组制程参数数据和该些实际量测值来建立一虚拟量测模 型， 其中该虚拟量测模型包 含至少一卷积神经网络模型； 以及 对又一工件的又一组制程数据进行该数据对整的操作后， 输入该又一工件的该又一组 制程数据至该虚拟量测模型， 以计算出 该又一工件的一虚拟量测值。 2.根据权利要求1所述的使用卷积神经网络的虚拟量测方法， 其特 征在于， 还 包含： 在进行该数据长度调整操作前， 设定一数据长度上限值； 以及 删除该些组制程数据中其数据长度大于该 数据长度上限值的制程数据。 3.根据权利要求2所述的使用卷积神经网络的虚拟量测方法， 其特征在于， 该数据长度 上限值为Q3+k ×IQR， 其中Q3为该数据出现次数对数据长度的分布 中数据长度由小到大的 出现顺序的一第三四分数； IQR为该数据出现次数对数据长度的分布中数据长度由小到大 的出现顺序的一四分距； k 为大于0的常数。 4.根据权利要求1所述的使用卷积神经网络的虚拟量测方法， 其特征在于， 该设定该距 离门槛值的操作是应用交 互验证中的留一法原理。 5.根据权利要求1所述的使用卷积神经网络的虚拟量测方法， 其特征在于， 该虚拟量测 模型包含多个卷积神经网络模型和一推估模型， 该些卷积神经网络模型的多个输入分别为 该些参数的时序数据， 该 些卷积神经网络模型的多个输出为该推估 模型的输入。 6.根据权利要求5所述的使用卷积神经网络的虚拟量测方法， 其特征在于， 该推估模型 是根据类神经网络演算法、 复回归演算法、 部分最小平方演算法或支持向量机演算法来建 立。权　利　要　求　书 1/1 页 2 CN 113971365 A 2使用卷积神经 网络的虚拟量测方 法 技术领域 [0001]本发明是有关于一种使用卷积神经网络(Convolutional  Neural Network； CNN) 的虚拟量测方法， 且特别是有关于一种使用动态时间规整(Dynamic  Time Warping； DTW)演 算法的使用卷积神经网络的虚拟量测方法。 背景技术 [0002]虚拟量测在各种产业中都有相当广泛的应用， 例如： 半导体产业、 工具机产业。 虚 拟量测可将离线且具延迟特性的品质抽检改成线 上且即时的品质全检， 以确保生产机台的 制程稳定及提高产能与良率。 举例而言， 当半导体产业的晶圆制程导入虚拟量测后， 便可即 时发现制程异常， 立即进 行即时改善， 因而避免后续整批晶圆的报废。 当工具机加工导入虚 拟量测后， 便可同时兼顾即时性与准确性需求来推估每一个被加工的工件(例如轮圈)的准 确度值， 因而预测出工具机的加工品质， 以克服已知的线上量测与离线量测的缺 点。 [0003]虽然现存的虚拟量测已大致上适用于其预定达到的目的， 但尚未能满足各方面的 需求。 发明内容 [0004]本发明的目的是在提供一种使用卷积神经网络的虚拟量测方法及其计算机程序 产品， 借以有效地使用卷积神经网络来进行虚拟量测， 以提高已知虚拟量测的精确度。 [0005]根据本发明的一态样， 提供一种使用卷积神经网络的虚拟量测方法。 在此方法中， 首先， 获得多组制程数据， 其中此些组制程数据是在一生产机台处理多个工件时所使用或 产生， 此些组制程数据是以一对一的方式对应至此些工件， 每一组制程数据包含多个参数 的数值， 每一个参数的数值为分别对应至此些工件的多组 时序数据。 然后， 对此些组制程数 据进行一数据对整的操作。 在此数据对整的操作中， 首先对每一个参数 的该些组时序数据 的一数据长度进行一次数分配(Frequency  Distribution)计算， 而获得一数据出现次数对 数据长度的分布， 其中每一该些参数的该些组时序数据中出现次数最多的数据长度为一参 考数据长度。 然后， 对每一个参数 的此些组时序数据中具有此参考数据长度的时序数据进 行平均计算， 而获得每一个参数的一组参考时序数据。 接着， 使用一动态时间规整(Dynamic   Time Warping； DTW)演算法来计算每一个参数的每一组时序数据与其对应的参考时序数据 间的一距离。 然后， 设定一距离门槛值。 当前述的距离大于距离门槛值时， 删除对应至此距 离的制程数据。 接着， 进 行一数据长度调整操作， 以在每一个参数的每一组 时序数据的一最 后数据点后， 重复增加具有此最后数据点的数值的至少一个数据点， 直到每一个参数 的该 每一组时序数据的该数据长度等于该些组制程数据的一最长数据长度。 在获得此些工件的 多个实际量测值后， 进行一建模操作， 以使用此些组制程参数数据和此些实际量测 值来建 立一虚拟量测模型， 其中此虚拟量测模 型包含至少一个卷积神经网络模型。 然后， 在 对又一 工件的又一组制程数据进 行前述的数据对整的操作后， 输入此又一工件的此又一组制程数 据至此虚拟量测模型， 以计算出 此又一工件的一虚拟量测值。说　明　书 1/8 页 3 CN 113971365 A 3