摘 要

過往在處理研磨液與在線性粒子傳感器之配適關係時皆須將樣品後送至原廠實驗室進行分析比對後才能得到最適化傳感器型號之選擇，為了改善此問題所造成銷售人員及客戶之時效性問題，此研究利用資料探勘之決策樹分析演算法發掘出研磨液與粒子傳感器之關鍵因子及相互關聯性，最後發現Abrasive type 、 Solid content 、 Particle mean size 和pH value之相互關係能用於判斷研磨液與粒子傳感器之配適關係


關鍵字:資料探勘、決策樹分析演算法、研磨液、粒子傳感器

ABSTRACT

Currently, to analyze relationships between Slurries and Particle sensors for choosing proper sensor types, we need ship our samples back to US laboratory. In order to tackle this issue and to improve the efficiency, a data mining oriented approach is proposed for analyzing suitability among slurry and particle counter to find out the corrected match between slurry and Particle counter sensor.
Finally, it shows that data of Abrasive type, Solid content, Particle mean size, and pH value could be formulated into a decision tree format, and can be used to determine the sensor type.


Keyword : Data mining、Decision tree analysis、Slurry、Particle counter

目 錄
摘 要 i
ABSTRACT ii
誌 謝 iii
目 錄 iv
表 目 錄 v
圖 目 錄 vi


第壹章、緒論 1
第一節、研究背景與動機 1
第二節、研究目的 3
第三節、論文架構 4
第貳章、個案分析與探討 5
第一節、個案分析 5
第二節、系統介紹 5
第參章、文獻探討 12
第一節、CMP製程介紹 12
第二節、研磨液介紹 13
第三節、資料探勘介紹 14
第四節、決策樹介紹 16
第四章、研究方式與資料轉換處理介紹 22
第一節、研究方式之架構 22
第二節、資料收集 23
第三節、資料前置處理 25
第四節、PolyAnalyst軟體資料探勘處理 27
第五節、資料驗證 31
第五章、研究結果分析及探討 33
第一節、研究結果 33
第二節、研究探討 36
第六章、結論與未來方向 37
第一節 結論 37
第二節 未來方向 38
中文參考文獻 39
英文參考文獻 40

表 目 錄
表2.1 粒子傳感器分類表 6
表3.1 : 決策樹節點涵義表 15
表3.2 : 決策樹演算法屬性表 16
表3.3 : 購買電腦分析資料集 18
表4.1 研磨液參數與粒子偵測器型號配適資料 23
表4.2 研磨液Abrasive Type 24
表4.3 研磨液參數 25
表4.4 研磨液參數運算表 26
表4.5 研磨液參數運算表 28

 
圖 目 錄
圖1.1 CMP研磨製程簡易流程圖 2
圖1.2 論文架構圖 4
圖2.1 雷射光源遮斷光方式 6
圖2.2 雷射遮斷示意圖 6
圖2.3 雷射光源散射光方式 7
圖2.4 LE類型傳感器之遮斷光與散射光源運作原理示意圖 8
圖2.5 LE類型傳感器資料分布圖 8
圖2.6 LE類型傳感器流體偵測示意圖 9
圖2.7 FX類型傳感器之遮斷光源運作原理示意圖 9
圖2.8 FX類型傳感器流體偵測示意圖 10
圖2.9 FX-Nano類型傳感器之遮斷光源運作原理示意圖 10
圖2.10 FX-Nano類型傳感器資料分布圖 11
圖3.1 化學機械平坦化製成示意圖 12
圖3.2 : Knowledge Discovery in Database 14
圖3.3 : KDD 程序七大步驟 15
圖3.4 : 決策樹範例流程圖 16
圖3.5 : 決策樹分類組態示意圖 18
圖3.6 : 年齡 ( age )屬性之資訊獲利圖 19
圖3.7 : 收入 ( income)屬性之資訊獲利圖 19
圖3.8 : 學生 ( student)屬性之資訊獲利圖 20
圖3.9 : 信用 ( credit )屬性之資訊獲利圖 20
圖3.10 : 決策樹分析樹狀圖 21
圖4.1 研究方式架構圖 23
圖4.2 決策樹運算圖 28
圖4.3 決策樹運算圖 28
圖4.4 決策樹運算圖 29
圖4.5 決策樹運算圖 30
圖4.6 資料分割運算圖 31
圖4.7 資料分割等份圖 31
圖4.8 資料驗證設定 32
圖4.9 資料驗證結果 32
圖5.1 決策樹運算目標項目圖 33
圖5.2 決策樹演算樹狀圖 34
圖5.3 決策樹運算目標項目圖 35
圖5.4 決策樹演算樹狀圖 35

中文參考文獻
王陽浚,2016, 應用資料探勘探討電車線系統中接觸線磨耗之相互關聯因素-以台灣高鐵為例, 國立高雄科技大學運籌管理系,碩士論文
吳靜薇,2014,應用決策樹與關聯規則於學生成績之分析- 以台南市某職業學校為例,南台科技大學資訊管理研究所碩士學位論文
宋健民,2008, 台灣在半導體化學機械平坦化(CMP)技術的發展優勢, 工業材料雜誌253期
周佩蓁,2005,以決策樹分析顧客滿意度之研究,育達商業技術學院資訊管理研究所,碩士論文
林世偉,2020, 運用資料探勘技術改善資訊服務申請單處理流程, 國立高雄科技大學運籌管理系,碩士論文
郝沛毅, 2014,資料探勘,高立圖書出版社台灣
陳佩君,2018, 機能性材料加工產業中影響協同開發與設計時程長短之領先指標分析,國立高雄科技大學運籌管理系,碩士論文
陳亭羽&賀千盈,2006, 應用決策樹探討適用於電子行銷市場之區隔基礎.
陳凱緯,2013, 以決策樹與資料探勘模型改善產品升級決策- 以台灣不斷電系統公司為例,國立成功大學工學院工程管理系,碩士論文
游振忠,2002 ,半導體十二吋晶圓製造投資決策分析-個案研究,國立交通大學管理學院工業工程與管理學程論文
黃柏璋,2004,使用決策樹方法發掘連續數值屬性多區間分類規則,國立成功大學資訊管理研究所,碩士論文
簡禎富,2005,決策分析與管理,雙葉出版社,台灣











英文參考文獻
Berry, M.J. & Linoff, G. ,1997, “Data Mining Techniques: for Marketing, Sales and Customer Support”, John Wiley & Sons, New York, USA.
Han, J., Kamber, M., & Pei, J. ,2001, “Data Mining: Concepts and Techniques”, Morgan Kaufmann, San Francisco, CA.
Handbook of Thin Film Deposition (Third Edition), 2012, Chemical Mechanical Planarization