如何確保Scrubber清洗製程動作位置？

監診實績｜如何確保Scrubber清洗製程動作位置？

#半導體領域

#機器學習

#PHM

#加工製造

#預知保養

晶圓清洗中，常藉由Scrubber機以溶液清洗晶圓表面來去除微粒（particle），清洗晶圓程序雖然簡單，但Scrubber的清洗過程更直接影響到晶圓品質，該如何確保動作穩定？

晶圓清洗

晶圓清洗中，常藉由 Scrubber 機以溶液清洗晶圓表面來去除微粒（Particle），能有效去除表面各式污染源，並且還要能夠避免對晶圓造成表面的缺陷或刮傷，此時清洗的 Spray Nozzla 噴射角度與流量都會影響到衝擊力道、壓力位置等，更是直接影響到晶圓的品質。

Spray nozzle原理
Spray nozzle是一種霧化噴嘴，以氮氣內部壓力推動液體，高速流動衝擊形成霧化水滴。並利用霧化水滴噴灑於晶圓上，能夠有效移除晶圓上的小微粒。我們藉由確保Spray nozzle是否有移動到指定位置外，也可發現此動作與相關物件的運行狀況做趨勢化管理。

監測說明

VMS-ML 機器學習智能監控系統
透過傳感器將動態訊號轉換成可視化圖像表示方式，進而發現製程隱含的訊息做為日後線上監控的依據。此外，伺服馬達帶動其他物件運行，利用機器學習智能監控系統管理，確保伺服馬達每次作動的一致及 Spray Nozzla 是否有移動到指定位置。

量測狀況

Scruber作動清洗流程：
1. Z軸上升
2. X軸橫移
3. X軸橫移＋第一次清洗
4. X軸橫移＋第二次清洗

單片晶圓清洗流程

模擬VMS-ML機械學習監控系統量測

四片晶圓清洗狀況比較

Dynamic Similarity

快速學習並對於標定製程上重複行為或部分重複行為，由VMS-ML進行動作相似度判別給分，做趨勢分析管理

測量結論

VMS-ML機械學習效益說明

設備對接：不用與設備系統對接，安裝sensor學習後即可開始管理
時域 / 頻域：VMS-ML同時時域與頻域管理相對應關係
邊緣運算：管理設備不用大量RAW DATA儲存空間
可視化管理：設備運行狀況圖像管理
聚焦管理：設備運行可視化針對異常部位軸向維修管理
維修前後：確認設備是否需維修、機台覆歸品質確認
AI趨勢分析：精修門檻，預知保養規格

VMS-ML 機器學習智能監控系統

及時攔截不良品

常見問題（FAQ）

Scrubber 清洗製程為什麼需要監測動作位置？
Scrubber 在晶圓清洗製程中，會透過 Spray nozzle 將清洗液噴灑至晶圓表面，以去除 particle 與污染物。若噴嘴位置、移動路徑、噴射角度或流量不穩定，可能造成清洗不均、晶圓表面殘留污染、刮傷或良率下降，因此需要監測每次清洗動作是否到達指定位置。

Spray nozzle 的角度與流量會影響晶圓品質嗎？
會。Spray nozzle 的噴射角度與流量會影響清洗液對晶圓表面的衝擊力道與壓力位置。若角度偏移或流量異常，可能導致局部清洗不足、液體衝擊過大或表面缺陷，進而影響晶圓清洗品質與後續製程穩定性。

Scrubber 清洗流程通常包含哪些動作？
本案例中的 Scrubber 清洗流程包含 Z 軸上升、X 軸橫移、X 軸橫移加第一次清洗，以及 X 軸橫移加第二次清洗。這些動作具有重複性，因此適合透過機器學習建立正常動作模型，並用於後續相似度判別與趨勢管理。

VMS-ML 如何監測 Scrubber 清洗動作？
VMS-ML 機器學習智能監控系統可透過感測器擷取 Scrubber 作動時的動態訊號，並將訊號轉換為可視化圖像。系統會學習正常清洗流程中的重複或部分重複行為，再針對後續每次動作進行相似度判別與給分，協助確認伺服馬達作動一致性與 Spray nozzle 是否移動到指定位置。

Dynamic Similarity 在 Scrubber 監測中有什麼用途？
Dynamic Similarity 可用來比較每次清洗動作與正常模型之間的相似度。若某次 Z 軸或 X 軸動作、噴嘴移動路徑或清洗流程與正常狀態差異過大，系統即可透過相似度分數與趨勢變化提示異常風險，協助工程師提前檢查設備狀態。

導入 Scrubber 清洗動作監測有什麼效益？
導入 Scrubber 清洗動作監測後，可在不需要大量儲存 RAW DATA 的情況下，透過邊緣運算、時域/頻域分析與可視化管理掌握設備運行狀況。系統可協助確認設備是否需要維修、檢查維修後覆歸品質，並透過 AI 趨勢分析精修門檻，建立預知保養管理規格。