本研究為與半導體晶圓製造廠 (簡稱 G 公司) 之產學合作案, 以長晶製程模擬為研
究主題。 長晶製程包含熔融、引晶、晶頸、晶冠和晶肩、晶身、結尾多個階段。 這些階段又可細分為50多項作業, 其中超過半數的作業仰賴人員操作。 G 公司在人力派工方面倚靠領班經驗, 常面臨無法清楚規劃所需作業員人數, 以及部份作業無人力能即時執行的問題。生產排程方面則仰賴人工經驗進行規劃, 往往發生某些產品欠料嚴重, 某些則生產過多的問題。 此外, 長晶過程隨機發生的原子堆疊錯位缺陷–「斷線」, 以及部分產品別同爐多支的生產型態, 更造成排程上的困難。 故本研究目的為探討已知生產排程下之最佳人力配置, 並建立一自動最佳化排程機制。

本研究方法包括: (1) 蒐集 G 公司歷史長晶製程所有流程、產品與製程參數等資料
(2) 建立 G 公司長晶製程之 FlexSim 模擬模型 (3) 分析現況人力派工法作業等待人員時間, 找出人員瓶頸作業 (如: 清爐) (4) 以最大化產出晶棒數, 提出允許人員支援清爐之改善派工法 (5) 以最大化達交率、最小化開爐次數、欠交公斤數與庫存數之綜合指標為目標, 利用 「粒子群演算法」 進行排程最佳化。 本研究之模擬結果顯示: (1) 本研究提出的人力派工法改善–允許支援清爐, 能減少清爐作業等候人員的時間、提升產能。 在相同生產條件下, 本研究提出改善法能在相同時間產出更多晶棒支數 (2) 排程最佳化的結果能提升績效, 改善人工排程法難以降低生產成本(開爐次數) 的缺點。 相較於人工排程法, 粒子群演算法排程解使同樣達交率下更少開爐次數。

This research is an industry-academia cooperation project with a semiconductor wafer manufacturing company (Company G). An entire process of crystalgrowth production includes so called Meltdown, Dipping, Neck, Crown, Shoulder, Body and Tail. The above process can be further separated into more than 50 minor tasks, more than half of which rely on human operation. Company G’s manpower dispatching relies on foreman’s experience, often leading to failures in arranging adequate operators for work or in handling instant tasks. Company G’s
crystal growth production planning also relies on human experience, which can sometimes lead to product shortages or overproduction. Moreover, random cases of the failure named "Lost Structure" happen during the crystal growth process, and the production approach of produce multiple ingots in one startup of furnace
all add to the difficulties of production scheduling. Therefore, this research aims to explore the optimal human resources deployment under current production planning and establish a mechanism that helps automatically improve the schedule in terms of production.
The adopted research methods include: (1) Collected historical data of crystal growth process (process time, yield, etc.); (2) Established the FlexSim simulation model of the crystal growth process; (3) Analyzed operator utilization, processes’ wait for operator time and find bottle neck in human operations(e.g. cleaning processes); (4) Provided suggestions for manpower dispatching while the goal is to maximizing the production number of ingot (5) To maximize Order Fill Rate and minimize startup times of furnace, shortage and stock, used "Particle Swarm Optimization (PSO)" to optimize production schedules. Simulation results (via FlexSim) show that: (1) The proposed dispatching rule “allow support cleaning processes” can reduce cleaning processes’ wait for operator time and thus increase productivity. (2) Particle swarm optimization algorithm scheduling solution makes less furnace startup times under the same Order Fill Rate.

致謝 iii
目錄 iv
圖目錄 vi
表目錄 vii
第 1 章 緒論 1
1.1 研究背景與動機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 研究目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 問題描述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 名詞與符號定義 . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.2 長晶廠介紹 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3 長晶製程作業介紹 . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.4 產品規格與製程參數 . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.5 人員說明與休息時間分批 . . . . . . . . . . . . . . . . . . . . 10
1.3.6 人力派工績效指標 . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.7 生產排程績效評估與討論 . . . . . . . . . . . . . . . . . . . . 10
第 2 章 文獻探討 12
2.1 柴式長晶法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 長晶製程生產排程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 粒子群演算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4 FlexSim 模擬軟體 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
第 3 章 研究方法與步驟 17
3.1 FlexSim 模型表格與變數定義 . . . . . . . . . . . . . . . . . . . . . . 19
3.2 FlexSim 模型中自行撰寫功能 . . . . . . . . . . . . . . . . . . . . . . 20
3.3 清爐判斷與長晶爐輸入控制 . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 開單作業(準備長下一根晶棒) 與長晶爐SHUTDOWN 之邏輯 . . . . . 22
3.5 人員分工派工邏輯 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.6 排程與排程最佳化程式撰寫 . . . . . . . . . . . . . . . . . . . . . . . 25
第 4 章 研究成果 27
4.1 人員派工增加彈性清爐 . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.1 人員派工現況與瓶頸分析 . . . . . . . . . . . . . . . . . . . . 27
iv
4.1.2 建議派工法–彈性支援清爐 . . . . . . . . . . . . . . . . . . . . 28
4.2 排程最佳化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.1 公司現況排程法 . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.2 粒子群演算法結果 . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.3 人員數決定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
第 5 章 總結與未來研究方向 34
5.1 總結 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2 未來研究方向 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

[1] James Kennedy and Russell Eberhart. “Particle swarm optimization”. Proceedings of ICNN’95 - International Conference on Neural Networks. Vol. 4.
1995, 1942–1948 vol.4.
[2] Federico Marini and Beata Walczak. “Particle swarm optimization (PSO).
A tutorial”. Chemometrics and Intelligent Laboratory Systems 149 (2015),
pp. 153–165.
[3] Frans Van Den Bergh. “An analysis of particle swarm optimizers”. PhD thesis.
2007.
[4] Jianbin Xin, Guimin Chen, and Yubao Hai. “A particle swarm optimizer
with multi-stage linearly-decreasing inertia weight”. 2009 International joint
conference on computational sciences and optimization. Vol. 1. IEEE. 2009,
pp. 505–508.
[5] 王宏鍇、任粧毅、李孟樺、陸行、陳勝一、喻奉天、薪威科技作者群. 生產智動化系統模
擬FlexSim for Industry X.0. 2021.
[6] 林明獻 矽晶圓半導體材料技術. 新北: 全華圖書, 2007. Chap. 第二章 單晶生長.
[7] 簡弘吉. “半導體長晶排程毛利率最佳化研究”. 國立清華大學工業工程與工程管理
學系碩士論文 (2019).