基于相關分析和回歸分析的DGS預警管控

合肥京東方顯示技術有限公司 金 瑞 陳 力 劉 林 胡夢婷 陳 杰 徐 蕾 郭雅麗 劉世杰 楊建鋒 朱 偉 宋尚陽

對于TFT-LCD工藝過程中產生的DGS（Data線與Gate線短接），若流入后端工廠或客戶端，將極大影響綜合良率和客戶端的排名。本文從DGS的P圖管控、DGS發生率的相關分析、DGS-Particle和DGS-AOI的回歸分析這3個方面闡述了基于相關分析和回歸分析的DGS過程管控，以實現利用各檢測站點的缺陷數和Particle的發生率對DGS發生率的預測，實現過程預防和控制。

1.引言

圖1 DGS示意圖

在TFT-LCD行業，Array工廠端可能產生Short類和Open類不良。DGS，全稱為Data Gate Short，即傳遞信號的Data線和控制TFT開關的Gate線短接。如圖1所示，亮黃色部分為Gate線，豎直的細棕色部分為Data線，U形的棕色部門為TFT開關，當Gate線達到閾值電壓后，TFT開關會導通，此時Data線的信號導入2nd ITO，1stITO與2ndITO形成電壓差，造成液晶分子的偏轉。示意圖中為TFT區域出現導電Particle，導致Data線和Gate線短接，若流入后端工藝，可能產生線不良。若能尋找到在Array工藝過程中影響DGS發生率的關鍵因子，則可建立關鍵因子與DGS的回歸模型，從而實現過程有效管控。

本團隊利用品質工具-SPC和數據分析軟件-Minitab，以DGS為切入點，首先對DGS的發生率進行SPC-P圖管控，日常監控DGS發生率；其次結合工藝過程尋找關鍵因素，對關鍵因素與DGS的發生率進行相關分析；最后利用回歸分析，建立關鍵因素-DGS預警模型。

2.DGS發生率的SPC-P圖管控

SPC，全稱為統計過程控制。根據工藝過程中所產生的數據類型，可將數據分為計量型數據和計數型數據。計量型數據是連續的數據，如溫度，計數型數據是不連續的數據，如合格/不合格。DGS發生率屬于計數型數據，對應的SPC控制圖為P圖和NP圖。P圖的特點是子組大小可變，每個子組有一個控制線，適用于不合格品率的控制；NP圖的特點是子組大小固定，控制線固定，適用于不合格品數的控制。由此可知，DGS不良率適用的控制圖為P圖。

圖2 DGS的P控制圖

獲取DGS的不良品數和對應產能，繪制DGS的P控制圖，如圖2所示。綠色線為中心線，紅線為每個子組的上下控制線，計算方式為中心線±3σ。使用4個檢驗規則:檢驗1，1個點，距離中心線大于3個標準差；檢驗2，連續9點在中心線同一側；檢驗3，連續6個點，全部遞增或全部遞減；檢驗4，連續14個點，上下交錯。對這組數據進行檢驗，檢驗出1, 3等不合格，距離中心線超過 3個標準差；檢驗出圖中藍框內的點，連續9點在中心線同一側。可得出結論，在7月上旬，DGS劇烈波動，到了8/8-8/14，DGS處于上下控制線內，說明工藝趨于穩定，DGS發生率無異常波動。

3.DGS發生率的相關分析

SPC-P圖可監控DGS Daily發生率，但當監控到DGS異常時，該不良已經發生。若能找到工藝過程中可表征DGS發生率的關鍵因素，進而監控相關因素，從而預防DGS的產生。

圖3 DGS殘差圖

收集Final DGS發生率和在SD Repair站點獲取TFT P/T、Wall Particle、S/D Peeling、SD PT、Erosion和FGI Open的數據。利用Minitab對這6個變量和DGS做相關分析，結果為：TFT P/T、Wall Particle、S/D Peeling Off、SD PT、Erosion和FGI Open對DGS相關分析的P值分別為0.400、0.010、0.477、0.000、0.400、0.176，其中DGS與Wall Particle和DGS與SD PT的P值小于0.05，說明這兩個因子與DGS是顯著相關的。DGS與Wall Particle相關系數為0.224，DGS與SD PT相關系數為0.324，說明Wall Particle、SD PT與DGS呈正相關。

4.DGS-P/T和DGS-AOI的回歸模型

4.1 DGS-P/T的回歸模型

使用回歸分析對DGS發生率進行預測，建立DGS回歸模型，收集DGS發生率、SD Repair站點Wall Particle、SD PT發生率，使用Minitab進行回歸分析，DGS回歸方程為：DGS = 0.0251 + 0.669 Wall Particle +2.22 SD PT，R-Sq（調整）=12.7%，自變量P值均小于0.05。

4.2 DGS-ACT AOI的回歸模型

上小節討論了利用前段工藝過程中的P/T類不良預測DGS發生率，本小節論述了在AOI站點尋找影響DGS發生率的因子。Array工藝過程中，AOI站點可獲得工藝后的缺陷數量。刷取AOI站點的缺陷數量和DGS發生率，使用Minitab進行回歸分析，建立DGS-ACT AOI的回歸模型。 常量和ACT Defect Qty的系數分別為0.0135、0.000052，因此回歸方程為：DGS = 0.0135 + 0.000052 ACT Defect Qty， 該方程的R-Sq（調整）= 22.1%，預測率高于上小節中DGSPT的R-Sq（調整）。

4.3 DGS-AOI&P/T的回歸模型

4.2小節的回歸方程高于4.1小節中回歸方程中的R-Sq（調整），但R-Sq（調整）仍然較低，說明上述方程對DGS的解釋水平偏低。分析原因：工藝過程中無關變量太多。為減少設備差異對結果造成的影響，本團隊收集經過沉積非金屬層同一設備的GLS數據，包括AOI站點的缺陷數量、維修站點的P/T發生率、以及DGS發生率，利用Minitab對響應變量和預測變量進行相關分析，結果如圖3所示。回歸方程為：

此回歸方程的P值為0.000，小于0.05，說明在顯著性水平α=0.05的情況下，該方程是顯著的，同時這6個變量的P值均小于0.05，說明這6個變量為顯著因子。方程R-Sq=89.9%，R-Sq（調整）=84.4%，兩者數值接近且高于80%，R-Sq值可接受。對該方程進行殘差分析，結果如圖3所示，圖3右下角為殘差與觀測值順序圖，觀察該圖可知，殘差對于觀測值順序是隨機分布的，圖形正常；圖3右上角為殘差與擬合值圖，未見異常；圖3左上角為殘差正態概率圖，觀察可知，數據點基本分布在直線上，進行正態性檢驗后，P值等于0.379，大于0.05；圖3左下角為殘差直方圖，觀察得知，殘差服從正態分布。經過以上分析，可以認為該線性方程是可以接受的。

比較4.1、4.2、4.3小節中回歸方程的R-Sq（調整），發現4.3小節中的回歸方程R-Sq（調整）=84.4%，遠高于4.1和4.2小節中的R-Sq（調整）。得出最佳模型為4.3小節中的方程。

5.結論與展望

5.1 結論

論文闡述了利用SPC-P圖對DGS發生率進行過程管控，數據表明，利用SPC P過程控制圖對DGS進行監控是有效的。在對DGS與其他因子進行相關分析時，尋找到與DGS發生率顯著相關的2個因子。輸出DGS的最優回歸模型為DGS = 0.0737-0.0003 Via Defect Qty+ 0.8 Wall Particle+ 1.46 S/D Peeling Off (T0) - 0.000148 Mask1 AOI Defect Qty + 0.000046 Mask2 AOI Defect Qty - 0.000329 Mask3 AOI Defect Qty，后續可利用該方程對DGS發生率進行預測。

5.2 展望

目前DGS的P圖是通過輸入到Minitab中完成的，后期可將DGS的P控制圖集成到目前的SPC系統中，實現DGS過程管控；本文研究了Array廠內DGS發生率與工藝過程關鍵因子的關系，后續可研究后端工廠所發生的線不良或點不良與前端工廠相關影響因子的回歸模型；亦可拓展至客戶端發生的Top不良，與前端工藝過程關鍵因子的回歸模型。