CN102361014A - 大规模半导体制造过程的状态监控与故障诊断方法 - Google Patents

Abstract

本发明涉及一种大规模半导体制造过程的状态监控与故障诊断方法。本方法的操作步骤为：第一步，多批次过程数据解封：把三维数据集（即变量个数、抽样时间和生产批次）解封成二维数据集；第二步，数据集冗余信息消除；第三步，数据集特征提取；第四步：基于高斯混合模型的制造过程状态建模；第五步：制造过程状态监控；第六步：制造过程故障诊断，本发明能够实现对大规模半导体制造过程的过程状态监控与故障诊断，从而提高半导体制造系统的运行可靠性和输出晶圆的质量，进一步降低生产运作成本。

Description

大规模半导体制造过程的状态监控与故障诊断方法

技术领域

本发明是一种大规模半导体制造过程的状态监控与故障诊断方法，涉及多传感信号数据转换、大规模过程数据集维度缩减和重要特征提取、数据概率密度分布空间描述建模、过程状态监控和故障诊断，实现对复杂的大规模半导体制造过程的状态监控与故障诊断。本发明属于制造过程的状态监控和故障诊断技术领域。

背景技术

目前，半导体制造系统呈现出了高自动化、高精度、高可靠性、高度智能化的发展趋势，强调制造过程的可控性，可靠性和可维护性。半导体制造过程相当复杂，制造过程不仅工序繁多，而且时间跨度长，因此过程异常而引起各种过程故障可导致大批晶圆成为废品，这不仅会极大地增加企业的制造成本，而且会严重影响企业的生产效率，引起一系列的严重问题，使企业蒙受巨大损失。因此提高半导体制造过程产品质量的控制，增加最终成品率已成为半导体企业降低运作成本、提高生产效率和市场竞争力的关键所在。半导体制造过程通常有多很多工位制造过程组成，生产线上布置大量的传感器来获取制造系统的各个关键过程变量的实时变化，各个过程变量间表现出一种互相关和自相关的统计特性。同时，半导体制造过程是一个典型的间歇型制造过程，即由多个批次晶圆产品的制造过程组成，而每个批次的数据采集时间不尽相同，而且采集的过程变量在数据分布上呈现典型的多模态和非线性分布。以上这些半导体制造过程特有的特征给过程数据的处理和系统建模带来了极大的困难。因此，对半导体制造的状态进行持续地监测、评估和实施故障诊断，在防止过程失控的同时，最大限度地提高制造过程的稳定性和提高产品质量，已经成为半导体制造过程质量控制的一个重要的发展方向。

在传统的半导体制造过程质量控制，大部分的技术开发与应用集中在基于数据投影技术、多变量统计过程控制技术、基于统计分析的故障诊断技术等。这些传统的技术基础是统计过程控制技术，但是半导体制造过程的多批次、高维度、多模态和非线性、动态性等特点使得传统的基于线性模型的统计过程控制技术无法有效地解决过程的状态监控和故障诊断问题。为了解决这些高维度、非线性、结构重构等问题，一个新的机器学习方法——流形学习（Manifold Learning, ML）受到了学术界和工业界的广泛关注。流形学习目的是通过将数据集约简至低维来避免维数灾难，通过局部和整体相结合来发现和重建数据的内在规律性，挖掘隐含在高维数据中的有趣的低维度物理意义，这对于在多传感信号的信息处理和模式识别具有十分重要的意义。统计学习理论（Statistical Learning Theory, SLT）是一种专门研究有限样本情况下机器学习规律的理论。统计学习是建立在一套较坚实的理论基础之上的，在这种体系下的统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。统计学习理论与方法为解决有限样本学习问题提供了一个统一的框架。它能将很多现有的统计学习模型纳入其中，比如高斯混合模型、隐半马尔科夫模型、贝叶斯模型等），可实现分类、聚类、时间序列预测、知识发现、信息可视化等众多重要分析功能。引入流形学习和统计学习模型到半导体制造过程质量控制，可系统地解决制造过程的系统建模、过程状态评估、过程故障的模式识别等。因此，基于流形学习和统计学习方法的数据分析和建模技术可有效地解决大规模半导体制造过程的状态监控与故障诊断的一些关键性问题。

经过文献检索发现，中国专利发明名称为：《半导体制造装置的监控系统以及监控方法》（申请号：03147296.6,公开号：CN1476051）。该专利公开一种半导体制造系统的监控系统和监控方法：该方法通过在生产线上的各个装置上安置的传感器来采集多个过程变量，然后采用主元分析方法降低过程变量数据集的维度，通过均方预测误差（Squared Prediction Error, SPE）统计量来监控半导体制造过程的异常。该方法存在以下不足：[1]对采集到的批制造多传感信号导致的过程数据集大规模性没有实施有效的过程变量数据集的冗余信息消除；[2]特征提取阶段采用主元分析方法仅可提取数据集中的全局方差信息的特征，但对局部方差信息无法进行有效提取，可能失去重要的信息；[3]半导体制造过程的变量数据空间分布通常呈现非线性和多模态性，因此，基于被给数据集应符合高斯分布的前提假设而提出的SPE统计指标通常无法有效地探测非线性和多模态的制造过程异常；[4]该方法仅对半导体制造过程异常实施监控，而没有对引起过程异常的原因进行识别，即无法进行制造过程故障诊断。

发明内容

本发明的目的是针对现有技术中的不足和缺陷，提供一种大规模半导体制造过程的状态监控与故障诊断方法，实施对半导体制造过程的大规模过程数据集的冗余信息消除和维度缩减、制造过程信息特征提取、制造过程状态建模、制造过程状态量化监控、制造过程故障识别，实现对半导体制造过程的质量控制，进而提高制造系统的生产效率和运行可靠性，最终提升输出晶圆的质量。

为达到上述目的，本发明采用以下技术方案：

一种大规模半导体制造过程的状态监控和故障诊断方法，其特征在于操作过程如下：

第一步，多批次数据解封：半导体制造过程是典型的多批次间歇制造过程，以产品批次为单位进行生产，整个在制造过程的时间上表现为晶圆产品一批接着一批进行制造，同时系统在同一时间点上同时采集多路传感信号数据，因此在在半导体制造系统上采集的数据集在形式上表现为三维数据集                                               

（即

为变量个数、

为抽样时间和产品批次

），多批次数据解封方法是指把三维数据集解封成二维数据集

，即按照批次进行展开，并重新组合成二维数据集，以便进行后续的数据分析和系统建模。

第二步，数据集冗余信息消除：由于半导体过程在一个批次上采集数据时间的较长持续性和多过程变量同时采集的特性，导致大规模的过程数据集，并含有较多的冗余信息，这些数据集的特征导致制造过程建模的难度和降低了模型的性能。因此，对过程正常状态下解封成二维的正常数据集，采用主元分析方法提取数据集包含的重要过程信息，通过比较主元对应的欧氏向量值的大小，去除若干个不重要的主元，保留包含主要方差信息的主元，保留的信息量通常为所有信息量的95%。通过重要主元提取，一方面降低了半导体大规模数据集的维度，另一方面消除了数据集中的冗余信息，最后提取的主元作为后续模型的输入特征。

第三步，数据集特征提取：通常，提取的主元数据集维度还比较大，而且没有提取蕴涵在数据集中的重要的局部结构信息，需进一步采用局部保持投影算法（Local Preserving Projection, LPP），在数据流形上提取主元数据集中重要的局部结构信息，通过去除若干不重要的欧氏向量，保留的重要欧氏向量形成欧氏向量矩阵，进行数据投影和维度缩减，提取的重要特征不仅保持了全局信息而且保持了局部信息，这些提取重要的特征来代表过程状态特征。

第四步，制造过程状态建模：在离线状态下，采用高斯混合模型（Gaussian Mixture Model, GMM）对局部保持投影算法提取后的特征数据集进行信息融合建模，获取能表达制造过程在控状态下数据概率密度分布的基准GMM模型，用于制造过程状态异常监控；同时，对收集的各种故障历史样本经过第一至第三步处理后，对每种故障历史数据集，采用一个GMM对相应的故障数据概略密度分布状态进行描述建模，每一故障类型构建一个对应的GMM模型，最终形成一个对应各种过程故障建模的GMM模型诊断库。在线实施过程监控和故障诊断中，基准GMM模型用于过程状态监控，被基准GMM模型报道为过程失控的信号输入到GMM模型诊断库，实施半导体制造过程故障诊断。

第五步，制造过程状态监控：在线输入过程信号到离线状态下第四步构建的基准GMM模型，通过两种量化指标来评估制造过程的状态，一种是基准GMM输出的负似然对数概率值，另外一种是输入向量与基准GMM上最匹配的高斯混合模型间的马氏距离。如任何一种指标超出事先设定的信任限（即失控阈值），表示过程处于失控状态，并报警过程处于失控状态。

第六步，过程状态监控与故障诊断：如基准GMM模型报道过程处于失控状态，则进一步将信号输入到下一层的GMM模型诊断库，通过比较各个GMM模型的输出负似然对数概率大小，其中输出最小负似然对数概率的故障GMM模型表示该GMM模型最匹配过程的输入信号，认为该GMM模型代表的过程故障为当前制造过程发生的故障类型，从而来识别过程的故障模式，完成半导体制造过程故障的诊断。

与现有技术相比，本发明具有如下显而易见的突出实质性特点和显著优点：本发明实现了大规模半导体制造过程的状态监控与故障诊断的整个过程，可实现对晶圆制造过程的状态量化评估与故障源识别，具有对大规模数据集的降维与冗余信息消除，局部与全局特征信息提取、多传感信号融合建模，异常探测与诊断，计算简单高效，满足复杂的大规模半导体制造过程质量控制的需求，即使不懂各种计算模型的操作人员也能方便地使用该发明。特别是，本发明的制造过程状态监控的建模方法仅需要健康数据进行系统建模而不需要各种历史故障数据，避免了故障数据不容易收集的缺陷，显著地提高了该系统的工程可应用性。同时，本发明可对半导体制造过程状态给出量化的评估指标，克服了其它方法只能简单判断过程是否失控的不足，而且本发明可对制造过程微小的异常提前给出异常评估，可显著地提高质量控制人员与设备维护人员决策的正确性。本发明也非常容易地安装到各类嵌入式设备中，具有很大的应用灵活性。该发明可以大大提高半导体设备运行的可靠性与智能性，提高产品质量与生产效率，给半导体制造企业带来更高的经济效益。

附图说明

图1是本发明方法流程框图。

具体实施方式

本发明的一个优选实施例结合附图进行详细说明：

实施例一：

    如图1所示，本大规模半导体制造过程的状态监控与故障诊断方法，具体操作步骤如下：

1．在半导体制造过程的关键位置上布置相关传感器，拾取能够反映半导体制造过程性能状态的各种信号（如晶圆蚀刻过程中的气体流压力、射频电源大小、射频电阻、电压等），信号通过数据采集卡上的滤波电路和放大电路进行数据采集，数据采集卡同时也把模拟信号转换为数字信号，数据采集卡采集的数据通过网络输送到计算终端，进行进一步的数据分析处理。假定生产线上所有传感器数目为

,对每一批次晶圆产品制造过程的各传感信号采集时间持续长度为，为实现系统建模需要，收集了

批次制造系统产出正常晶圆的过程数据，因此采集的数据集（包括正常数据集和各类故障数据集）在数据结构上表现出三维数据集

（即为变量个数、

为抽样时间和批次）特征，多批次数据解封方法是指把三维数据集

解封成二维数据集，即按照批次进行展开，并重新组合成一个二维数据集，解封的数据集用于系统建模（其中正常数据集用于监控模型建模，各类历史故障数据集用于故障诊断库建模）。

2．由于半导体制造过程在一个批次上采集数据时间的较长持续性和很多过程变量同时采集的特性，导致三维数据集

在解封成二维数据集

后，在数据的维度上表现为大规模性，并含有较多的冗余信息，这些特征容易提高过程控制系统建模的难度和降低所建系统模型的监控与诊断性能。因此，对过程正常状态下解封成二维的正常数据集在建模前，采用主元分析方法提取该数据集包含的重要过程信息，通过比较主元对应的欧氏向量值的大小，去除若干个不重要的主元，保留包含主要方差信息的主元，使得保留的信息量通常为所有信息量的95%（可根据实际需要而定）。通过主元分析提取的重要主元来保持数据集的绝大部分全局信息，一方面降低了半导体制造过程的大规模数据集的维度，另一方面消除了数据集中的冗余信息。提取的主元数据集将作为后续模型的输入特征。

3．尽管通过第二步产生的主元数据集维度已经得到一定的下降，但对于系统建模来讲，仍然过于庞大，而且需要进一步提取该数据集中的重要局部物理特征信息。因此通过局部保持投影算法对该数据集进行进一步的维度缩减和特征提取，可以提取隐藏在数据集中局部的数据流形信息，来提取真正表达过程状态的特征，使得后面的系统建模更加简单有效，而且可以显著地提高系统监控与故障诊断性能。局部保持投影算法被描述为拉普拉斯特征映射的线性逼近，局部保持投影算法首先计算一个基于最近邻的有向连接图，图上每一边表示数据集中任何两个向量间的关系，如为最近邻则为1，否则为0。基于有向连接图，通过计算两个相邻向量间的欧氏距离，得到一个权重矩阵，然后计算该权重矩阵的拉普拉斯矩阵。基于以上矩阵，可获得一个目标函数，通过范化向量方法计算方法求解该目标函数获得一个欧氏向量矩阵A。依据公式(1)提取原始数据集

中局部重要的结构信息，降低数据的维度，减少后续建模的复杂性和有效性，真正获取代表过程状态的特征数据集

，作为后续模型的输入：

                

                    （1）

式中 

 是

 欧氏向量矩阵, 

是输入向量，

是

投射后得到

维向量。

4．制造过程系统建模分两部分，第一部分建模是采用高斯混合模型对第三步提取的特征信息进行信息融合，对半导体制造的在控状态数据概率密度分布进行离线建模，建立基准高斯混合模型（GMM），在线上对制造过程进行状态监控；第二部分建模是对收集的各种故障历史样本经过第一至第三步骤处理后，对每种故障历史数据集，采用一个GMM对故障分布状态进行描述建模，每一故障类型构建一个对应的GMM模型，最终形成一个对应各种过程故障建模的GMM模型诊断库。GMM首先对在离线状态下制造过程状态的数据分布空间进行学习,学习过程中能无监督地进行自组织学习，采用多个高斯子协作实现对数据概率密度分布空间的描述建模，训练完成的各高斯子

（即高斯子

，

为权重，

均值向量和

为方差矩阵）的参数特征能反映输入数据模式的统计特性。

5．在线输入的过程信号输入到离线状态下第五步构建的基准GMM模型，通过两种量化指标来评估制造过程的状态。一种量化指标是基准GMM输出的负似然对数概率值（Negative Log Likelihood Probability, NLLP）；另外一种量化指标是输入向量与基准GMM上最匹配的高斯混合模型间的马氏距离（Mahalanobis Distance）。如任何一种指标超出事先设定的信任限（即失控阈值），表示过程处于失控状态，并报警过程处于失控状态。基准GMM输出的负似然对数概率值计算方法如下：通过应用贝叶斯理论，计算当前输入向量属于GMM模型上相应高斯子

的后验概率

，进一步可以计算出当前输入向量

对GMM模型上所有

个高斯子的后验概率的负对数似然概率（如式（2）所示），以此作为制造过程状态评估的量化指标：

                      （2）

第二种过程状态评估指标计算方法如下：获得当前输入向量

与GMM模型上最匹配高斯子（即

，即指GMM中的所有高斯子中，

与输入向量

之间的马氏距离（

）为最小，计算方法如下式：

      

               （3）

    当线上数据输入到学习完成的基准GMM模型，如果该新数据来自一个属于失控状态的过程，输出的负对数似然概率和马氏距离将显著变大，如果其中任何一个超过事先设定的一个过程失控阈值，就认为过程已经处于失控状态。负对数似然概率和马氏距离的大小量化地表达了过程状态失控的程度。依据经验和手册可以制定一定的信任阈值来决定当前的负对数似然概率和马氏距离是否应该进行报警和采取相应的制造过程调整维护措施。

6．如果基准GMM模型报道过程处于失控状态，则进一步将故障过程信号

输入到下一层的GMM模型诊断库。假定故障类型有

种，GMM模型诊断库相对应的GMM模型为

（

），针对输入的故障向量

，通过比较各个GMM模型的输出负似然对数概率

（

）的大小，其中输出最小负似然对数概率的故障GMM模型（如式4所示）表示该GMM模型最匹配过程的输入信号，即认为该GMM模型

代表的过程故障为当前过程发生的故障类型，从而来识别过程的故障模式，完成半导体制造过程故障的诊断。

                                            （4）

Claims (7)

1.一种大规模半导体制造过程的状态监控与故障诊断方法，其特征在于，操作步骤如下：

第一步骤，多批次数据解封：收集从设备上采集到的多批次多路传感信号数据，把三维数据集                                                

解封成二维数据集，便以后续建模，

为变量个数、

为抽样时间

为产品批次；

第二步骤，数据集冗余信息消除：由于半导体批过程引起的数据集尺度的大规模性，采用主元分析方法对第一步骤产生的数据集进行维度缩减和信息提取，降低原始数据集维度和消除冗余信息，并提取真正能表达制造过程状态的特征信息；

第三步骤，数据集特征提取：在离线状态下，采用局部保持投影算法对第二步骤的主元分析方法抽取的数据集进行特征提取，仅保留保持大部分局部信息的特征；

第四步骤，制造过程状态建模：在离线状态下，采用高斯混合GMM模型对局部保持投影算法提取后的在控特征信息进行信息融合建模，获取能表达过程在控状态下数据空间分布的基准GMM模型；对各种历史故障样本经过第一至第三步骤处理后，对每种过程故障，采用GMM对故障分布状态进行描述建模，并形成一个对应各种故障建模的GMM模型诊断库；

第五步骤，制造过程状态监控：在线上采集样本通过第一到第三步骤的处理，抽取的特征输入到第四步骤构建的基准GMM模型，通过计算负似然概论值和马氏距离实现对过程状态的监控；

第六步骤，制造过程故障诊断：在线上被基准GMM模型报道为过程失控的状态下，信号进一步输送到第四步骤构建的GMM模型诊断库，通过比较各个GMM模型输出的似然概论值大小比较进行故障模式识别，完成故障诊断。

2.根据权利要求1所述的大规模半导体制造过程的状态监控与故障诊断方法，其特征在于，所述第一步骤的多批次数据解封是：半导体制造是典型的多批次间歇制造过程，以产品批次为单位进行生产，在时间上表现为一批晶圆连着一批晶圆进行制造，同时在生产线上由于安装多个传感器，系统在时间点上同时采集多路传感信号数据，因此在数据形式上表现为三维数据集

，为变量个数、

为抽样时间和

为产品批次，需要把三维数据集解封成二维数据集

，即按照批次进行展开，并重新组合成二维数据集，以便后续的数据分析和系统建模。

3.根据权利要求1所述的大规模的半导体制造过程的状态监控与故障诊断方法，其特征是，所述第二步骤的数据集冗余信息消除是指：对正常状态下解封成二维的数据集，采用主元分析方法提取数据集包含的重要过程信息，通过比较主元对应的欧氏向量值，去除若干不重要的主元，保留包含主要方差信息的主元；通过重要主元的提取，一方面降低了半导体制造过程的大规模数据集的维度，另一方面消除了数据集中的冗余信息。

4.根据权利要求1所述的一种大规模半导体制造过程的状态监控与故障诊断方法，其特征是，所述第三步骤的数据集特征提取是：基于提取的主元信息，采用局部保持投影算法（Local Preserving Projection, LPP），在数据流形上提取数据集中重要的局部结构信息，通过去除若干不重要的欧氏向量，通过保留的重要欧氏向量并形成欧氏向量矩阵，进行数据投影和维度缩减，提取重要的局部特征来代表过程状态特征。

5.根据权利要求1所述的大规模半导体制造过程的状态监控与故障诊断方法，其特征是，所述第四步骤的制造过程状态建模是指：在离线状态下，采用高斯混合模型GMM对局部保持投影算法提取后的特征信息进行信息融合建模，获取能表达过程在控状态下数据空间分布的基准GMM模型，用于制造过程状态监控；同时，对收集的各种历史故障样本经过第一至第三步骤处理后，对每种故障数据集，采用一个GMM对故障分布状态进行描述建模，进而形成一个对应各种过程故障建模的GMM模型诊断库；最终基准GMM模型用于过程状态监控，被基准GMM模型报道为过程失控的信号输入到GMM模型诊断库，进行过程故障诊断。

6.根据权利要求1所述的大规模半导体制造过程的状态监控与故障诊断方法，其特征是，所述第五步骤的制造过程状态监控是指：在线输入过程信号到离线状态下第五步骤构建的基准GMM模型，计算出负似然对数概率值和马氏距离实现对制造过程状态的量化评估值，如量化评估值超出事先设定的信任限，表示过程处于失控状态，并报警过程失控。

7.根据权利要求1所述的大规模半导体制造过程的状态监控与故障诊断方法，其特征是，所述第六步骤的制造过程故障诊断是指：如基准GMM模型报道过程处于失控状态，则进一步将过程信号输入到GMM模型诊断库，通过比较各个GMM模型的输出负似然对数概率大小，最小的输出表示该GMM模型最匹配过程输入信号，从而来识别过程的故障模式，完成过程故障的诊断。

Images