基于相关分析和回归分析的DGS预警管控

合肥京东方显示技术有限公司 金 瑞 陈 力 刘 林 胡梦婷 陈 杰 徐 蕾 郭雅丽 刘世杰 杨建锋 朱 伟 宋尚阳

对于TFT-LCD工艺过程中产生的DGS（Data线与Gate线短接），若流入后端工厂或客户端，将极大影响综合良率和客户端的排名。本文从DGS的P图管控、DGS发生率的相关分析、DGS-Particle和DGS-AOI的回归分析这3个方面阐述了基于相关分析和回归分析的DGS过程管控，以实现利用各检测站点的缺陷数和Particle的发生率对DGS发生率的预测，实现过程预防和控制。

1.引言

图1 DGS示意图

在TFT-LCD行业，Array工厂端可能产生Short类和Open类不良。DGS，全称为Data Gate Short，即传递信号的Data线和控制TFT开关的Gate线短接。如图1所示，亮黄色部分为Gate线，竖直的细棕色部分为Data线，U形的棕色部门为TFT开关，当Gate线达到阈值电压后，TFT开关会导通，此时Data线的信号导入2nd ITO，1stITO与2ndITO形成电压差，造成液晶分子的偏转。示意图中为TFT区域出现导电Particle，导致Data线和Gate线短接，若流入后端工艺，可能产生线不良。若能寻找到在Array工艺过程中影响DGS发生率的关键因子，则可建立关键因子与DGS的回归模型，从而实现过程有效管控。

本团队利用品质工具-SPC和数据分析软件-Minitab，以DGS为切入点，首先对DGS的发生率进行SPC-P图管控，日常监控DGS发生率；其次结合工艺过程寻找关键因素，对关键因素与DGS的发生率进行相关分析；最后利用回归分析，建立关键因素-DGS预警模型。

2.DGS发生率的SPC-P图管控

SPC，全称为统计过程控制。根据工艺过程中所产生的数据类型，可将数据分为计量型数据和计数型数据。计量型数据是连续的数据，如温度，计数型数据是不连续的数据，如合格/不合格。DGS发生率属于计数型数据，对应的SPC控制图为P图和NP图。P图的特点是子组大小可变，每个子组有一个控制线，适用于不合格品率的控制；NP图的特点是子组大小固定，控制线固定，适用于不合格品数的控制。由此可知，DGS不良率适用的控制图为P图。

图2 DGS的P控制图

获取DGS的不良品数和对应产能，绘制DGS的P控制图，如图2所示。绿色线为中心线，红线为每个子组的上下控制线，计算方式为中心线±3σ。使用4个检验规则:检验1，1个点，距离中心线大于3个标准差；检验2，连续9点在中心线同一侧；检验3，连续6个点，全部递增或全部递减；检验4，连续14个点，上下交错。对这组数据进行检验，检验出1, 3等不合格，距离中心线超过 3个标准差；检验出图中蓝框内的点，连续9点在中心线同一侧。可得出结论，在7月上旬，DGS剧烈波动，到了8/8-8/14，DGS处于上下控制线内，说明工艺趋于稳定，DGS发生率无异常波动。

3.DGS发生率的相关分析

SPC-P图可监控DGS Daily发生率，但当监控到DGS异常时，该不良已经发生。若能找到工艺过程中可表征DGS发生率的关键因素，进而监控相关因素，从而预防DGS的产生。

图3 DGS残差图

收集Final DGS发生率和在SD Repair站点获取TFT P/T、Wall Particle、S/D Peeling、SD PT、Erosion和FGI Open的数据。利用Minitab对这6个变量和DGS做相关分析，结果为：TFT P/T、Wall Particle、S/D Peeling Off、SD PT、Erosion和FGI Open对DGS相关分析的P值分别为0.400、0.010、0.477、0.000、0.400、0.176，其中DGS与Wall Particle和DGS与SD PT的P值小于0.05，说明这两个因子与DGS是显著相关的。DGS与Wall Particle相关系数为0.224，DGS与SD PT相关系数为0.324，说明Wall Particle、SD PT与DGS呈正相关。

4.DGS-P/T和DGS-AOI的回归模型

4.1 DGS-P/T的回归模型

使用回归分析对DGS发生率进行预测，建立DGS回归模型，收集DGS发生率、SD Repair站点Wall Particle、SD PT发生率，使用Minitab进行回归分析，DGS回归方程为：DGS = 0.0251 + 0.669 Wall Particle +2.22 SD PT，R-Sq（调整）=12.7%，自变量P值均小于0.05。

4.2 DGS-ACT AOI的回归模型

上小节讨论了利用前段工艺过程中的P/T类不良预测DGS发生率，本小节论述了在AOI站点寻找影响DGS发生率的因子。Array工艺过程中，AOI站点可获得工艺后的缺陷数量。刷取AOI站点的缺陷数量和DGS发生率，使用Minitab进行回归分析，建立DGS-ACT AOI的回归模型。 常量和ACT Defect Qty的系数分别为0.0135、0.000052，因此回归方程为：DGS = 0.0135 + 0.000052 ACT Defect Qty， 该方程的R-Sq（调整）= 22.1%，预测率高于上小节中DGSPT的R-Sq（调整）。

4.3 DGS-AOI&P/T的回归模型

4.2小节的回归方程高于4.1小节中回归方程中的R-Sq（调整），但R-Sq（调整）仍然较低，说明上述方程对DGS的解释水平偏低。分析原因：工艺过程中无关变量太多。为减少设备差异对结果造成的影响，本团队收集经过沉积非金属层同一设备的GLS数据，包括AOI站点的缺陷数量、维修站点的P/T发生率、以及DGS发生率，利用Minitab对响应变量和预测变量进行相关分析，结果如图3所示。回归方程为：

此回归方程的P值为0.000，小于0.05，说明在显著性水平α=0.05的情况下，该方程是显著的，同时这6个变量的P值均小于0.05，说明这6个变量为显著因子。方程R-Sq=89.9%，R-Sq（调整）=84.4%，两者数值接近且高于80%，R-Sq值可接受。对该方程进行残差分析，结果如图3所示，图3右下角为残差与观测值顺序图，观察该图可知，残差对于观测值顺序是随机分布的，图形正常；图3右上角为残差与拟合值图，未见异常；图3左上角为残差正态概率图，观察可知，数据点基本分布在直线上，进行正态性检验后，P值等于0.379，大于0.05；图3左下角为残差直方图，观察得知，残差服从正态分布。经过以上分析，可以认为该线性方程是可以接受的。

比较4.1、4.2、4.3小节中回归方程的R-Sq（调整），发现4.3小节中的回归方程R-Sq（调整）=84.4%，远高于4.1和4.2小节中的R-Sq（调整）。得出最佳模型为4.3小节中的方程。

5.结论与展望

5.1 结论

论文阐述了利用SPC-P图对DGS发生率进行过程管控，数据表明，利用SPC P过程控制图对DGS进行监控是有效的。在对DGS与其他因子进行相关分析时，寻找到与DGS发生率显著相关的2个因子。输出DGS的最优回归模型为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，后续可利用该方程对DGS发生率进行预测。

5.2 展望

目前DGS的P图是通过输入到Minitab中完成的，后期可将DGS的P控制图集成到目前的SPC系统中，实现DGS过程管控；本文研究了Array厂内DGS发生率与工艺过程关键因子的关系，后续可研究后端工厂所发生的线不良或点不良与前端工厂相关影响因子的回归模型；亦可拓展至客户端发生的Top不良，与前端工艺过程关键因子的回归模型。