守住良率与产能
精密监测晶圆手臂
固德科技报｜守住良率与产能 精密监测晶圆手臂
#半导体
#机器学习
Posted On : 03 July 2025
当封装製程迈向高度整合与极致精密，传送手臂这个过去被视为「配角」的设备，正悄悄成为决定产线稳定的关键。一次轻微震动未被察觉，可能导致晶圆损坏、停线数小时、损失百万。当製程不容许误差，设备更不能出错。晶圆传送手臂监测在先进封装中的重要角色，该如何透过监测守住良率与产能？
别让製程输在「搬送」！从晶圆传送手臂的隐形挑战
在封装产线上，传送手臂故障导致停线与良率下滑的情况是极为严重的事件。比起核心製程本身，更令人头痛的，往往是这些配角设备的异常无从掌握。
产业现况：CoWoS 封装掀起自动化搬送新挑战
CoWoS（Chip-on-Wafer-on-Substrate）作为目前最重要的先进封装技术之一，已成为台积电、日月光等半导体龙头强化高效能运算产品竞争力的核心。这项技术将逻辑晶片直接堆叠于记忆体晶圆之上，大幅缩短讯号距离并提升封装密度。
但也因为晶片密度大增、製程精度变高，整个CoWoS流程在实体搬送过程中出现了前所未有的稳定性需求。
以往传送手臂（wafer transfer arm）只需确保稳定夹取、搬运准确即可；但在CoWoS製程里，每一个晃动、偏移、甚至震动频率的微变，都可能成为日后良率下滑的开端。
尤其在EFEM（Equipment Front End Module）、FOUP Load Port、自动仓储与晶圆传送模组之间，晶圆必须被频繁且无误地搬送。如果这些流程出了状况，即使主製程设备运作正常，也可能导致整线停滞或良率异常。
产业痛点：无声的异常，背后是千万成本风险
一旦异常未被发现而持续搬送，高价值晶圆将面临报废风险，产线也可能陷入非预期停机、紧急调机与交期延宕的连锁反应。真正可怕的，从来不是故障本身，而是「异常已经发生，却没有人知道」。
传送手臂虽非主製程设备，却是贯穿整条 CoWoS 产线不可或缺的关键环节。
许多晶圆厂至今仍依赖定期保养或故障后修復来管理这些设备，导致如下问题频繁发生：
• 无预警停机：Z轴模组磨损导致上下震动异常，使手臂卡死于夹取阶段；
• 晶圆擦伤与破片：细微的晃动未被发现，导致夹角偏移使晶圆于FOUP中产生接触；
• 效率下降但无法定位：设备参数数值看似正常，但实际传送过程中已有震幅异常。
千万成本的风险
在CoWoS产线中，一次意外停线，光是产能损失就可能高达百万元。这还不包括晶圆本身的报废成本、工程人员加班抢修的人力支出，以及产线重新调机、清洁与验证所耗费的时间与资源。若影响到高阶客户的交期，将导致信赖度下降，甚至引发专案延迟与违约风险。
更棘手的是，这类非主製程设备所引发的异常，往往难以在第一时间定位与说明，会造成横向部门间的沟通摩擦，进一步拖慢问题解决速度，形成恶性循环。
监测效益：打造搬送环节的「健康雷达」
与其等到异常导致停机、晶圆损坏才开始追查，不如让设备自己「开口说话」。透过长期监测手臂震动与运动模式，我们可以将过去看不见的微幅异动转化为清晰的状态，让工程团队掌握每一支手臂的运作状况。
正是看见这样的需求，我们开始协助客户导入针对晶圆传送手臂的健康监测解决方案。
我们聚焦于上下手臂在运作过程中产生的微小震动变化，透过感测器持续蒐集震动讯号，并以机器学习模型学习设备「正常运作的震动模式」。一旦侦测到偏离常态的异动，系统能立即发出预警，在状况初期发生时就拦截机台的下一步动作，大幅降低停线与晶圆损坏风险。
更重要的是，这项监测技术并不需要等待人员巡检或等到异常声响出现才反应，而是透过连续监测与自动学习，实现「机台自我觉察」的主动式机制。
晶圆厂对误警容忍度极低，而这套监测系统，是固德在实际场域中经过长时间验证与反复实验所打造的成果。
为了确保其判别准确性，我们蒐集了大量的震动数据、特徵值，并在不同路径、不同异常状况发生的条件下设计了各种实验，建立多层次的机器学习模型与动态门槛调整机制。
历经多轮与现场异常事件交叉比对与调校后，最终系统达成 100% 准确率辨识异常震动，能在轻微徵兆出现的当下即时预警，让设备停机风险大幅下降。
能做到这样的判别难度极高，原因在于晶圆传送手臂的震动特徵往往非常细微，与正常运作讯号仅有极小幅度差异，且还会受到操作路径、周围设备共振影响。若无足够精细的感测器取样精度与演算法优化，系统很容易误报或漏报。
这不只是技术开发上的挑战，更是「场域落地」与「实际产线可用性」的关键门槛。成功协助客户即时拦截异常动作、降低晶圆损伤风险，成为维持产线稳定与良率的重要辅助工具。
精密监测手臂异常，防止晶圆刮伤与潜在报废
透过高灵敏度的震动监测与动作特徵演算法，即时侦测异常特徵并即时预警停机，将风险拦截在第一时间，守住每一片高价晶圆的安全。
目前多数搬送相关设备，对于晶圆传送过程中出现的那些轻微异常现象，常见问题包括：机械手臂细微抖动、人为校正误差、手臂左右偏移导致Slot空间内部触碰，以及晶圆表面产生极轻微的刮擦损伤。这些异常在视觉与声响层面几乎无法辨识，但对晶圆良率却有显着风险。
透过这些技术，我们成功协助客户在未发生报错的情况下，精准辨识手臂姿态异常，提前停机处理，有效防止晶圆与Slot仓位结构发生接触、避免良品损坏与连锁停线。
固德的监测系统，可完全自动化执行学习与监测模型建立，无需人为参与，大幅降低操作负担与人为偏差。
其核心功能包含：
• 健康度趋势监测机制：长期追踪手臂运作表现，观察其运作品质是否逐步衰退。
• 突发异常增强演算：针对刮伤、碰撞等细微现象，具备高灵敏检出能力，可即时拦截潜在风险。
• 特徵动作讯号追踪演算法：降低通讯延迟导致的错判或误警报，强化异常判读稳定性。
• 独立建模设计：每组设备均有独立模型，避免因机台个体差异影响监测判读准确性。
• 即时纪录搬送动作：精细记录每一次进出仓位的晶圆搬送操作，建立完整行为数据。
• 自动化重建模型能力：当手臂被重新教导位置、或运行速度被更改时，系统可自动侦测参数变更，并立即重新建模，保持监测模型的适应性与正确性。
机器学习智能监控系统
机器学习简单来说就是经由电脑程式端累积数据资料，藉由这些数据的累积，程式端经过特殊演算法自动化分析、统计、判断进而自主式做出决策或判别甚至预测结果，是一种程式智能化经验学习。
针对各式动态机械行为动作经由OLVMS®-ML 机器学习智能监控系统可规范正确的设备动作来管控设备运作流程，侦测设备问题并解决各式设备问题进而帮助产线提升效能降低成本。...
机器学习智能监控
建立机械健康规范杜绝产线不良品
良率，从传送那一刻开始守护
CoWoS製程的成功不只是来自前端的创新与后端的封装，它更仰赖整体设备运作的稳定性。而传送手臂，这个曾经被忽略的环节，正逐渐浮出檯面，成为左右产线成败的关键。
当我们透过机器学习自动化监测系统，长时间追踪并学习传送手臂的运作模式，便能在异常初现时即时发出预警，提早拦截动作、主动停机止损，让潜在问题不至于扩大，守住产线的第一道防线。
不要等异常变成损伤、不要等晶圆无法挽回，从现在开始监测传送手臂，让每一颗晶圆都安全送达下一站。
