CN101432864B - 缺陷分布分类方法及系统、故障源设备确定方法及系统 - Google Patents

Abstract

本发明可自动提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类，而无人员介入。其中生产线包含在预定的工序结束后取得表示各基板上的缺陷的位置的检查信息的检查工序。对于经过该检查工序后的m块基板，将各基板的表面分别分成n个区域，根据检查信息取得具有分别表示各区域所包含的缺陷密度的(m×n)个分量的缺陷密度信息。从具有(m×n)个分量的缺陷密度信息提取统计上相互独立的p个(p<m)特征。分别求出该p个特征与各基板的缺陷密度信息之间的相似度，根据相似度按p个特征将各基板进行分类。

Description

缺陷分布分类方法及系统、故障源设备确定方法及系统

技术领域

本发明涉及缺陷分布分类方法，详细而言，本发明涉及对包含多个工序的生产线中所处理的基板上的缺陷分布进行分类的缺陷分布分类方法。 

本发明又涉及适合执行这种缺陷分布分类方法的缺陷分布分类系统。 

本发明还涉及执行这种缺陷分布分类方法、并且根据该分类的结果确定包含多个工序的生产线中成为产品欠佳等的根源的异常的工序或设备的故障源设备确定方法。 

本发明又涉及适合执行这种故障源设备确定方法的故障源设备确定系统。 

本发明还涉及使计算机执行这种缺陷分布分类方法或故障源设备确定方法用的计算机程序。 

本发明又涉及存储这种计算机程序的计算机可读取存储介质。 

背景技术

以往，包含多个工序的半导体器件或薄膜器件等的生产线中，为了实现产品成品率的提高和稳定化，对每若干一系列的工序进行图案缺陷检查或异物检查(在线检查)。然后，导入一种系统，该系统根据由在线检查得到的检查信息将基板上的缺陷分布进行分类，并根据分类结果确定成为产品欠佳等的根源的异常的工序或设备(称为「故障源设备」或「问题设备」)。 

日本国特开平11-45919号公报中，对多块半导体基板按每一栅格状像素将其欠佳个数相加，制成以浓淡值表示的欠佳分布图像数据。另外，将制成的欠佳分布图像数据与可估计为多个预先准备好的欠佳发生原因的事例数据库对照并进行分析，以查明欠佳发生原因。 

日本国特开2003—59984号公报中，将基板上的缺陷分布分类成(a)重复缺陷、(b)密集缺陷、(c)线状缺陷、(d)环·块状缺陷、(e)随机缺陷这些缺陷中的  某一分布特征类别。 

日本国特开2005—142406号公报中，在晶圆的面内设定与半导体器件的多个品种共同的划分区域，使用划分区域各自所包含的欠佳芯片区域数对各晶圆算出特征量，利用该特征量对各晶圆进行分类。 

进一步地，日本国特开2005—197629号公报中，根据一块产品基板的产品检查信息(缺陷分布信息或外观信息)进行「自动异常探测」，存在异常时，从高端数据库加载预定的信息，进行共路径分析，从而确定问题装置。作为进行「自动异常探测」的方法，分析缺陷分布状态，检测出具有环状·块状·线状·圆弧状这4种明显形状图案的区域性缺陷时，判断为「存在异常」。或者，根据缺陷外观信息，按照预先指定的级别(对每一品种·工序按照特定方法进行级别的指定；也可不按照品种·工序来指定)的缺陷个数判断有没有异常。 

发明内容

然而，日本国特开平11—45919号公报的方法中，必须预先人为构建事例数据库(库)，存在需要时间和劳力的问题。 

日本国特开2003—59984号公报、日本国特开2005—142406号公报的方法中，需要预先人为设定表示缺陷分布的类型的分布特征类别和晶圆的面内的划分区域。因此，即使收集到检查数据，也不能立即导入到生产线的工序监视业务中。另外，由于生产的器件的类型、生产工序、设备的种类改变时，分布特征类别和划分区域无通用性，所以需要人为重建提取缺陷分布的特征用的规则(识别规则)并进行重新安装。因此，需要用于维护识别规则的时间和劳力，难以普及到现场的生产线。 

日本国特开2005—197629号公报中记载「自动异常探测」，但专利文献4的方法中，作为进行「自动异常检测」的前提，需要预先人为设定环状·块状·线状·圆弧状这4种明显形状图案和缺陷级别。即，需要根据过去的经验，人为设定提取缺陷分布的特征用的规则(识别规则)和判断有没有异常的逻辑。 

这样，包括日本国特开平11—45919号公报、日本国特开2003—59984号公报、日本国特开2005—142406号公报、日本国特开2005—197629号公报的已有技术中，必须在缺陷分布的分类和故障源设备的确定中，有人员介入，不  方便。 

因此，本发明的课题在于，提供一种能自动提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类而无人员介入的缺陷分布分类方法。 

本发明又在于，提供一种适合执行这种缺陷分布分类方法的缺陷分布分类系统。 

本发明还在于，提供一种能在包含多个生产工序的生产线中确定成为产品欠佳等的根源的异常的工序或设备而无人员介入的故障源设备确定方法。 

本发明又在于，提供一种适合执行这种故障源设备确定方法的故障源设备确定系统。 

本发明还在于，提供一种使计算机执行这种缺陷分布分类方法或故障源设备确定方法用的计算机程序。 

本发明又作于，提供一种存储这种计算机程序的计算机可读取存储介质。 

为了解决上述课题，本发明的缺陷分布分类方法，它是提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类的缺陷分布分类方法，其中， 

上述生产线包含在预定的工序结束后取得表示基板上的缺陷的位置的检查信息的检查工序， 

对于经过上述检查工序后的m块(m为2以上的自然数)基板，将各基板的表面分别分成n个(n为2以上的自然数)区域，根据上述检查信息取得具有分别表示上述各区域所包含的缺陷密度的(m×n)个分量的缺陷密度信息， 

从上述具有(m×n)个分量的缺陷密度信息提取统计上相互独立的p个(p为未满m的自然数)特征， 

分别求出上述p个特征与上述各基板的缺陷密度信息之间的相似度，根据上述相似度按上述p个特征将上述各基板进行分类。 

本发明的缺陷分布分类方法中，使得上述各基板的表面分别分成n个区域并取得具有上述(m×n)个分量的缺陷密度信息的处理、提取上述p个特征的处理、及求出上述p个特征与上述各基板的缺陷密度信息之间的相似度并根据上述相似度按上述p个特征将上述各基板进行分类的处理可分别按相同的规则统一进行，而与生产的器件的类型、生产工序、设备的种类无关。另外，即使不预先人为设定事例数据库(库)、缺陷分布图案、级别等，也能分别执行上述各  处理。因而，利用本发明的缺陷分布分类方法，能自动提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类，而无人员介入。其结果，该缺陷分布分类方法能立即用于生产线的监视业务。另外，该缺陷分布分类方法即使在生产的器件的类型、生产工序、设备的种类改变时，由于不需要维护识别缺陷分布用的规则(识别规则)，因此总能有效利用。 

实施方式之一的缺陷分布分类方法中， 

上述缺陷密度信息是对上述m块基板的分别具有n个分量的第1矢量的集合， 

上述p个特征是分别具有n个分量的第2矢量， 

作为对上述各基板的第1矢量与上述p个第2矢量的相关系数、内积或协方差求出上述相似度。 

实施方式之一的缺陷分布分类方法中，客观地求出上述相似度。 

本发明的缺陷分布分类系统，它是提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类的缺陷分布分类系统，其中 

上述生产线包含在预定的工序结束后取得表示基板上的缺陷的位置的检查信息的检查工序， 

该缺陷分布分类系统具备： 

对于经过上述检查工序后的m块(m为2以上的自然数)基板、将各基板的表面分别分成n个(n为2以上的自然数)区域、并根据上述检查信息取得具有分别表示上述各区域所包含的缺陷密度的(m×n)个分量的缺陷密度信息的缺陷密度分布取得部； 

从上述具有(m×n)个分量的缺陷密度信息提取统计上相互独立的p个(p为未满m的自然数)特征的特征提取部；及 

分别求出上述p个特征与上述各基板的缺陷密度信息之间的相似度并根据上述相似度按上述p个特征将上述各基板进行分类的分类结果取得部。 

本发明的缺陷分布分类系统中，上述缺陷密度分布取得部的处理、上述特征提取部的处理、及上述分类结果取得部的处理可分别按相同的规则统一进行，而与生产的器件的类型、生产工序、设备的种类无关。另外，即使不预先人为设定事例数据库(库)、缺陷分布图案、级别等，也能分别执行上述各处理。  因而，根据本发明的缺陷分布分类系统，能自动提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类，而无人员介入。其结果，该缺陷分布分类系统能立即用于生产线的监视业务。另外，此缺陷分布分类系统即使在生产的器件的类型、生产工序、设备的种类改变时，由于不需要维护识别缺陷分布用的规则(识别规则)，因此总能有效利用。 

本发明的故障源设备确定方法，它是在使用可执行多个工序的1套以上的设备、对于基板分别执行多个该工序的生产线中确定成为故障发生源的设备的故障源设备确定方法，其中 

上述生产线包含在预定的工序结束后取得表示基板上的缺陷的位置的检查信息的检查工序， 

对于经过上述检查工序后的m块(m为2以上的自然数)基板，将各基板的表面分别分成n个(n为2以上的自然数)区域，根据上述检查信息取得具有分别表示上述各区域所包含的缺陷密度的(m×n)个分量的缺陷密度信息， 

从上述具有(m×n)个分量的缺陷密度信息提取统计上相互独立的p个(p为未满m的自然数)特征， 

分别求出上述p个特征与上述各基板的缺陷密度信息之间的相似度，根据上述相似度按上述p个特征将上述各基板进行分类， 

根据该分类得到的分类结果和确定上述各工序中分别对上述各基板执行处理的设备的生产履历信息，提取上述多个设备中成为故障发生源的故障源设备。 

本发明的故障源设备确定方法中，使得上述各基板的表面分别分成n个区域并取得具有上述(m×n)个分量的缺陷密度信息的处理、提取上述p个特征的处理、求出上述p个特征与上述各基板的缺陷密度信息之间的相似度并根据上述相似度按上述p个特征将上述各基板进行分类的处理、及提取上述多个设备中成为欠佳发生原因的故障源设备的处理可分别按相同的规则统一进行，而与生产的器件的类型、生产工序、设备的种类无关。另外，即使不预先人为设定事例数据库(库)、缺陷分布图案、级别等，也能分别执行上述各处理。因而，利用本发明的故障源设备确定方法，能在包含多个工序的生产线中确定成为产品欠佳等的根源的异常的工序或设备，而无人员介入。其结果，该故障源设备  确定方法能立即用于生产线的监视业务。另外，该故障源设备确定方法即使在生产的器件的类型、生产工序、设备的种类改变时，由于不需要维护识别缺陷分布用的规则(识别规则)，因此总能有效利用。 

本发明的故障源设备确定系统，它是在使用可执行多个工序的1套以上的设备、对于基板分别执行多个该工序的生产线中确定成为故障发生源的设备的故障源设备确定系统，其中 

上述生产线包含在预定的工序结束后取得表示基板上的缺陷的位置的检查信息的检查工序， 

该故障源设备确定系统具备： 

对于经过上述检查工序后的m块(m为2以上的自然数)基板，将各基板的表面分别分成n个(n为2以上的自然数)区域并根据上述检查信息取得具有分别表示上述各区域所包含的缺陷密度的(m×n)个分量的缺陷密度信息的缺陷密度分布取得部； 

从上述具有(m×n)个分量的缺陷密度信息提取统计上相互独立的p个(p为未满m的自然数)特征的特征提取部； 

分别求出上述p个特征与上述各基板的缺陷密度信息之间的相似度、并根据上述相似度按上述p个特征将上述各基板进行分类的分类结果取得部；及 

根据该分类得到的分类结果和确定上述各工序中分别对上述各基板执行处理的设备的生产履历信息、提取上述多个设备中成为故障发生源的故障源设备的故障源设备提取部。 

本发明的故障源设备确定系统中，上述缺陷密度分布取得部的处理、上述特征提取部的处理、上述分类结果取得部的处理、及上述故障源设备提取部的处理可分别按相同的规则统一进行，而与生产的器件的类型、生产工序、设备的种类无关。另外，即使不预先人为设定事例数据库(库)、缺陷分布图案、级别等，也能分别执行上述各处理。因而，根据本发明的故障源设备确定系统，能自动提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类，而无人员介入。其结果，该故障源设备确定类系统能立即用于生产线的监视业务。另外，该故障源设备确定系统即使在生产的器件的类型、生产工序、设备的种类改变时，由于不需要维护识别缺陷分布用的规则(识别规则)，因此总能有效  利用。 

实施方式之一的故障源设备确定系统中，具备显示处理部，该处理部叠合由上述故障源设备处理的各基板上的缺陷分布，制成第1缺陷分布叠合图像，并叠合与上述故障源设备执行的工序相同的工序中由上述故障源设备以外的设备处理的各基板上的缺陷分布，制成第2缺陷分布叠合图像，在某显示画面对比并显示上述第1缺陷分布叠合图像和第2缺陷分布叠合图像。 

该实施方式之一的故障源设备确定系统中，用户(包括系统的操作人员，下文相同)能通过视觉直观掌握由该系统确定的故障源设备是否真正为异常原因，并能迅速且方便地作出判断。 

本发明的计算机程序是使计算机执行上述缺陷分布分类方法或上述故障源设备确定方法用的计算机程序。 

使计算机执行本发明的计算机程序时，能实施上述缺陷分布分类方法或上述故障源设备确定方法。 

本发明的存储介质是存储上述计算机程序的计算机可读取存储介质。 

使计算机读取并执行存储于本发明的存储介质的上述计算机程序时，能实施上述缺陷分布分类方法或上述故障源设备确定方法。 

附图说明

图1例示利用采用本发明的实施方式之一的生产线监视系统来监视工序的生产线30。 

图2是示出包含本发明的实施方式之一的缺陷分布分类系统的故障源设备确定系统的块件构成图。 

图3A是说明2个矢量相互独立的情况的图。 

图3B是说明2个矢量不相关但不独立的情况的图。 

图4是说明独立分量分析的观测过程和复原过程的图。 

图5A是示出将1块基板分成n个矩形区域的状态的图。 

图5B是例示将从检查基板的集合提取独立分量时的特征矢量表示为地图状的状态的图。 

图5C是例示将从检查基板的集合提取独立分量时的特征矢量表示为地图  状的状态的图。 

图6是例示1块检查基板的缺陷分布矢量和p个独立分量的特征矢量的图。 

图7A是例示对m块基板的缺陷密度信息、和从该缺陷密度信息提取的p个独立分量的特征矢量的图。 

图7B是示出对m块基板求出分别对应于p个特征的相似度的结果的图。 

图8是示出对m块基板使对应于特征的相似度与生产履历相互关联的结果的图，其中以实际数值表示相似度。 

图9是示出对m块基板使对应于特征的相似度与生产履历相互关联的结果的图，其中以逻辑值(二值1、0)表示相似度。 

图10是以图解方式示出本发明的实施方式之一的故障源设备确定系统从工序信息收集系统接收检查信息和履历信息、对欠佳分布进行分类并直到确定故障源设备为止的处理的图。 

具体实施方式

下面，利用示出附图的实施方式详细说明本发明。 

图1例示利用采用本发明的实施方式之一的生产线监视系统来监视工序的生产线30。 

薄膜器件或半导体器件的生产线一般由从收入基板开始至器件完成为止以生产批为单位依次执行的多个工序构成。薄膜器件在产品阶段分割成单元状或片状，但在生产工序的过程中以基板或晶圆的形态进行加工。 

图1中，示出这种薄膜器件生产线30的一部分。此例子中，生产线30包含k—1级工序结束后的在线检查工序51、k级的加工工序100、加工工序200和加工工序300、k级工序结束后的在线检查工序52。作为处理对象的基板41(图示例子中为6块基板A～F)经过这些工序来进行处理。 

加工工序100、200、300为例如成膜工序、曝光工序、蚀刻工序等。为了缩短生产时间，各加工工序100、200、300中分别设置可执行该工序的多个设备。具体而言，加工工序100中设置1号机101、2号机102、3号机103共计3套设备。加工工序200中设置第1腔室201、第2腔室202共计2套设备，加工工序300中设置1号机301、2号机302、3号机303共计3套设备。于是，  生产线30中流通的多个基板在各加工工序100、200、300中分别由多个设备加以并行处理。 

在线检查工序51、52在本例子中进行图案缺陷检查，作为检查信息，取得表示各基板上的缺陷的位置和尺寸的信息、表示外观检查结果的外观信息等。 

此外，具有多级的薄膜器件生产线中，在各级加工工序结束后，分别执行这种在线检查工序。 

这种生产线30中，某工序的某设备陷于不正常时，对由该不正常的设备处理的基板而言，存在基板上的特定位置密集产生缺陷的情况。例如，工序100的1号机101陷于不正常时，对接受由该1号机101处理的基板A、C而言，其情况为在这些基板A、C上的右上角密集产生缺陷。另外，工序200的第2腔室202陷于不正常时，对接受由该第2腔室202处理的基板E、F而言，其情况为在这些基板E、F上的下部中央密集产生缺陷。这样，某工序的某设备陷于不正常时，存在对于由该不正常的设备处理的基板、在该不正常设备观测到固有缺陷分布的趋势。 

普通工序监视中，求出每1块基板的总缺陷数，在总缺陷数超过监视基准时，判断为产生异常，以此为契机，调查该基板的生产履历，采取确定成为异常发生原因的故障源设备等措施。然而，这种方法对每一块基板的总缺陷数低于监视基准的情况不能探测到有没有异常。另外，如已阐述的专利文献那样，人为规定提取缺陷分布的特征用的规则(识别规则)并将基板上的缺陷分布进行分类的方法中，既需要过去的经验的积累，又花费时间和劳力。 

针对这点，本发明中，如果同一级的同一工序中处理的设备之间的检查结果分布存在偏差，就判断为产生异常。由于基板依次通过设备，所以在线检查工序中得到的检查结果信息起到检测出各设备的状态的传感器的作用。 

如图2中所示，实施方式之一的生产线监视系统40大体上具备工序信息收集系统20、包含缺陷分布分类系统的故障源设备确定系统10。 

工序信息收集系统20包含储存生产履历信息12的生产履历DB(数据库)21、和储存检查信息13的图案检查DB22。生产履历信息12包含确定在各级的各工序中分别对各基板执行处理的设备的信息等。另外，检查信息13包  含表示各基板上的缺陷的位置和尺寸的缺陷分布信息。 

本例中，将这些处理履历信息12和检查信息13从生产线30通过通信设备(未示出)发送到工序信息收集系统20。此外，处理履历信息12和检查信息13也可从进行基板的生产控制的公知的CIM(Computer IntegratedManufacturing：计算机综合制造)系统传送，该CIM系统总管从材料供给、机板生产到检查的全部工序和进一步直至产品入库的一系列流程。 

故障源设备确定系统10具备缺陷密度分布取得部14、特征提取部15、分类结果取得部16、故障源设备提取部17和显示处理部18。该故障源设备确定系统10还具备通信设备(未示出)，该通信设备对工序信息收集系统20发送对象期间和对象级等的检索条件11，并从工序信息收集系统20接收符合检索条件11的生产履历信息12’和检查信息13’。 

本例中，缺陷密度分布取得部14，如图5A所示，对于经过检查工序52的m块(m为2以上的自然数)基板，将各基板的表面分别分成n个(n为2以上的自然数)矩形区域U。图5A的例子中，将各基板的表面分成10行10列，所以n＝10。 

进一步地，缺陷密度分布取得部14根据检查信息13取得具有分别表示各矩形区域U所包含的缺陷密度的(m×n)个分量的缺陷密度信息。本例中，缺陷密度信息是对上述m个基板的分别具有n个分量的第1矢量(下文称为「缺陷分布矢量」)的集合。本例中，如图7A的(a)栏所示，作为m行n列的矩阵X求出缺陷密度信息。 

特征提取部15使用独立分量分析法从上述缺陷密度信息(m行n列的矩阵)X提取统计上相互独立的p个(p为未满m的自然数)特征。本例中，如图7A的(b)栏所示，上述p个特征(图中表为「特征1」、「特征2」、…、「特征p」)是分别具有n个分量的第2矢量(下文称为「特征矢量」)。 

这里，矢量S1和矢量S2相互独立，其含义为：矢量S1与矢量S2不相关，而且矢量S1的分量分布不受矢量X2的分量分布支配。例如，p个特征矢量中的2个是S1、S2时，图3A所示的例子中，即使矢量S2的分量如截面L1、L2那样变化，矢量S1的分量分布(图中所例示子中为具有2个峰的分布)也不受该变化支配。因而，矢量S1和矢量S2是独立的。另一方面，图3B所示的  例子中，矢量S1与矢量S2不相关，但矢量S2的分量如截面L1、L2那样变化时，矢量S1的分量分布受该变化支配，从陡峭的峰变化成平缓的峰。所以，矢量S1和矢量S2非独立。 

后文具体说明该特征提取部15提取特征矢量的处理。 

分类结果取得部16分别求出对上述各基板的缺陷分布矢量与上述p个特征矢量之间的相似度。作为对上述个基板的缺陷分布矢量与上述p个特征矢量之间的相关系数、内积或协方差求出上述相似度。然后，分类结果取得部16根据上述相似度，按上述p个特征将上述各基板进行分类。 

故障源设备提取部17根据由分类结果取得部16得到的分类结果、和从工序信息收集系统20收到的生产履历信息12’进行共路径分析(求出使用哪个设备共同处理具有同类缺陷分布的多个基板的分析)，提取多个设备中成为欠佳发生原因的故障源设备。 

这里，上述缺陷密度分布取得部14的处理、上述特征提取部15的处理、上述分类结果取得部16的处理、及上述故障源设备提取部17的处理可分别按相同的规则统一进行，而与生产的器件的类型、生产工序、设备的种类无关。另外，即使不预先人为设定事例数据库(库)、缺陷分布图案、级别等，也能分别执行上述各处理。因而，根据该故障源设备确定系统10，能自动提取包含多个工序的生产线30中所处理的基板上的缺陷并将其分类，而无人员介入。其结果，该故障源设备确定类系统10能立即用于生产线的监视业务。另外，该故障源设备确定系统10即使在生产的器件的类型、生产工序、设备的种类改变时，由于不需要维护识别缺陷分布用的规则(识别规则)，因此总能有效利用。 

显示处理部18叠合由上述故障源设备处理的各基板上的缺陷分布，制成第1缺陷分布叠合图像，并且叠合与上述故障源设备执行的工序相同的工序中由上述故障源设备以外的设备处理的各基板上的缺陷分布，制成第2缺陷分布叠合图像。然后，在某显示画面(图10中用标号19表示)对比并显示上述第1缺陷分布叠合图像和第2缺陷分布叠合图像。图10的例子中，故障源设备是工序100的1号机101，叠合由1号机101执行工序100后的各基板上的缺陷分布，制成第1缺陷分布叠合图像。叠合由1号机101以外的设备(具体为2号机102和3号机103)执行工序100后的各基板上的缺陷分布，制成第2缺陷  分布叠合图像。这样，在某显示画面19对比并显示第1缺陷分布叠合图像和第2缺陷分布叠合图像时，用户(包括系统的操作人员，下文相同)能通过视觉直观掌握由该系统确定的故障源设备是否真正为异常源，并能迅速且方便地作出判断。此外，作为第2缺陷分布叠合图像，叠合由1号机101以外的设备(具体为2号机102和3号机103)执行工序100后的各基板上的缺陷分布，制成第2缺陷分布叠合图像，但也可分别制成由2号机执行的基板上的缺陷分布的叠合图像、和由3号机处理的基板上的缺陷分布的叠合图像。此情况下，设置与同一工序中存在的设备数量相应的叠合图像。即，第2缺陷分布叠合图像不限于1种，可按装置分别制成多种。 

本领域业务人员可知，能用计算机，具体而言，能用个人计算机，来构成这种系统10。各部14、15、…、18的动作可由计算机程序(软件)实现。这种计算机程序可存储在附属于个人计算机的硬盘驱动器，也可存储在计算机可读取存储介质(CD盘(CD)或数字多用途光盘(DVD)等)，在执行程序时由播放装置(CD驱动器或DVD驱动器等)读出。 

(1)接着，具体说明特征提取部15使用独立分量分析法提取特征矢量的处理。 

独立分量分析的算法作为一种技术已公知，该技术例如图4所示那样，多个信号源发出的信号s₁、s₂、s₃(将以它们为分量的矢量表为S)重叠，并使用多个麦克风作为观测信号x₁、x₂、x₃(将以它们为分量的矢量表为X)观测时，从该观测信号x₁、x₂、x₃复原原始信号源的信号。图4中，用混合矩阵A表示信号s₁、s₂、s₃的重叠状态。另外，用y₁、y₂、y₃(将以它们为分量的矢量表为Y)表示复原后的信号。本实施方式中，使图4中的多个信号源s₁、s₂、s₃对应于各设备固有的欠佳发生因素(欠佳分布图案)，使观测信号x₁、x₂、x₃的数量(麦克风的数量)对应于经过检查工序后的基板(下文称为「检查基板」)的数量，使观测信号的长度(信号的产生时间，将其表为t)对应于各基板上划分的区域的数量。特别将观测信号的长度t表为， 

t＝t₁、t₂、…、t_n

并使其对应为， 

时刻t1→区域1

时刻t2→区域2 

时刻tn→区域n 

考虑这种对应关系，则将受独立的因素s₁、s₂、s₃影响并观测到的3块基板(相当于麦克风)的检查特性X表为式1。 

[式1] 

x₁(t)＝a₁₁s₁(t)+a₁₂s₂(t)+a₁₃s₃   (t) 

x₂(t)＝a₂₁s₁(t)+a₂₂s₂(t)+a₂₃s₃   (t) 

x₃(t)＝a₃₁s₁(t)+a₃₂s₂(t)+a₃₃s₃   (t) 

[式2] 

$\text{X=}\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right),A=\left(\begin{array}{c}{s}_1\\ s_2\\ s_3\end{array}\right),A=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)$

现设式2成立，则能将检查特性X表为式3。 

[式3] 

X＝AS 

利用独立分量算法作为式4求出复原后的信号(信号源S的估计值)Y。 

[式4] 

Y＝WX 

y₁(t)＝w₁₁x₁(t)+w₁₂x₂(t)+w₁₃x₃   (t) 

y₂(t)＝w₂₁x₁(t)+w₂₂x₂(t)+w₂₃x₃   (t) 

y₃(t)＝w₃₁x₁(t)+w₃₂x₂(t)+w₃₃x₃   (t)

独立分量分析中，对信号源S和混合矩阵A的信息完全不知，而仅从观测信息X估计独立分量Y。根据中心值极限定理，将独立分量混合时，由于其概率分布接近高斯分布，所以估计分布Y的非高斯性最大的情况下，当作能够提取独立分量。因此，求出非高斯性极大的复原矩阵W，通过与观测信息X相乘，从而求出独立分量Y。 

这样处理，使特征提取部15求出相互独立的p个特征矢量。此情况下，通过将各特征矢量的分量表为10行10列的地图，能发现基板上具有相互独立的特征的区域。 

(2)如上述那样求出p个独立的特征后，将检查基板分类如下。 

i)首先，设定独立分量(特征轴)的特征矢量。 

例如，为3个独立分量(特征轴)的情况下，特征矢量如下。 

第1个特征轴S1＝(S₁₁，S₁₂，…，S_1i、…，S_1n) 

第2个特征轴S2＝(S₂₁，S₂₂，…，S_2i、…，S_2n) 

第3个特征轴S3＝(S₃₁，S₃₂，…，S_3i、…，S_3n) 

这里，考虑每一块基板10行×10列＝100个区域时，n＝100，S₁₁、S₁₂、…、S_1i、…、S_1n意味着表示第1个特征轴的100个分量。 

图5B、图5C示出在图5A所示那样将各检查基板分成100个(n＝100)区域的情况下，将从检查基板的集合提取的独立分量的特征矢量表为地图状的例子。 

ii)接着，计算检查基板的缺陷分布与特征轴的相似度。 

例如，如图6所示，将例如1块检查基板的缺陷分布矢量表为X1，从检查基板的集合提取独立分量时的2个特征轴(独立分量的特征矢量)表为S1、S2。这里，将该检查基板的缺陷分布矢量表为 

X1＝(x₁₁、x₁₂、…、x_1i、…、x_1n) 

时，上述检查基板的对例如特征轴S1的相似度能用该检查基板的缺陷分布矢量X1与特征轴S1的协方差S_XIS1或相关系数r来评价。本例中，用相关系数r评价相似度。 

具体而言，将矢量X1、S1的平均值分别表为式5时，将矢量X1与S1的协方差S_X1S1作为式6求出。将此时的矢量X1与S1的相关系数r作为式7求  出。然后，每一检查基板分别求出对p个特征轴的相似度r。 

[式5] 

$\stackrel{\&OverBar;}{X_1}.\stackrel{\&OverBar;}{S_1}$

[式6] 

$S_{X1S1}=\mathrm{\&Sigma;}(X_{1i}-\stackrel{\&OverBar;}{X_1})(S_{1i}-\stackrel{\&OverBar;}{S_1})/n$

[式7] 

$r=\frac{S_{X1S1}}{S_{X1}\&CenterDot;S_{S1}}=\frac{\mathrm{\&Sigma;}(X_{1i}-\stackrel{\&OverBar;}{X_1})(S_{1i}-\stackrel{\&OverBar;}{S_1})/n}{\sqrt{\mathrm{\&Sigma;}{(X_{1i}-\stackrel{\&OverBar;}{X_1})}^2/n}\&CenterDot;\sqrt{\mathrm{\&Sigma;}{(S_{1i}-\stackrel{\&OverBar;}{S_1})}^2/n}}$

这样处理，从图7A的(a)栏所示的m块检查基板的缺陷密度信息求出该图(b)栏所示的p个独立分量的特征矢量后，如图7B所示对m块基板分别求出与p个特征相对应的相似度。 

iii)接着，根据求出的相似度将检查基板进行分类。 

例如，作为各基板是否应分类成特征1的基准，将相似度的阈值设置为0.7。然后，从m块基板中提取相似度0.7以上的基板。对剩下的特征也同样地进行分类。 

这样处理，提取分别与p个特征相似的基板群，进行分类。 

(3)接着，说明故障源设备的确定过程。按p个特征进行故障源设备确定。下面，作为一个例子，说明对特征1的故障源设备确定过程。 

如已作阐述那样，对m块基板分别得到与特征1相对应的相似度。另外，从生产履历DB21(参考图2)对m块基板分别取得生产履历信息。将对这些m块基板的相似度和生产履历信息如图8或图9所示那样，管理成分别对每1基板A、B、C、…带有对应关系(带有联系)。图8用实际数值表现对应于特征的相似度。图9用阈值判断相似性，并且用逻辑值1、0(二值)表现符合特征、不符合特征。图8和图9的例子中，在生产履历信息中仅记载属于k级的工序的设备，但生产履历信息中需要分析属于其它级的工序的设备时，可添加属于其  它级的工序的设备所涉及的生产履历。 

故障源设备将目的变量作为相似度，将说明变量作为生产履历，调查相似度与生产履历之间是否相关，从而进行分析。作为分析相关的方法，可利用方差分析或卡方检验(Chi-square test)(独立性检验)、多变量分析等公知的方法。 

图8和图9的例子中，分析结果为工序100中与成膜装置的1号机的相关高。因此，为了得到关于此结果的确认，叠合工序100中由成膜装置的1号机处理的各基板上的缺陷分布，制成第1缺陷分布叠合图像，并且叠合该工序100中由1号机以外的设备(本例中为2号机和3号机)处理的各基板上的缺陷分布，制成第2缺陷分布叠合图像。然后，如已作阐述那样，如图10中所示，在某显示画面19对比并显示第1缺陷分布叠合图像和第2缺陷分布叠合图像。这样，在某显示画面19对比并显示第1缺陷分布叠合图像和第2缺陷分布叠合图像时，用户(包括系统的操作人员)能通过视觉直观掌握由该系统确定的故障源设备是否真正为异常源，并能迅速且方便地作出判断。由此，得到工序100中成膜装置的1号机是故障源设备的确认时，能迅速采取检修该成膜装置的1号机等措施，可将生产线的损失抑制到最小限度。 

此外，图10的总体以图解方式示出本实施方式的故障源设备确定系统10的上述处理，即示出从工序信息收集系统20接收检查信息和履历信息、对欠佳分布进行分类并确定故障源设备为止的处理。

Claims (6)

1.一种缺陷分布分类方法，用以提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类，其特征在于，

所述生产线包含在预定的工序结束后取得表示各基板上的缺陷的位置的检查信息的检查工序，

对于经过所述检查工序后的m块基板，将各基板的表面分别分成n个区域，根据所述检查信息取得具有分别表示所述各区域所包含的缺陷密度的m×n个分量的缺陷密度信息，所述m为2以上的自然数，所述n为2以上的自然数，

从所述具有m×n个分量的缺陷密度信息提取统计上相互独立的p个特征，所述p为未满m的自然数，

分别求出所述p个特征与所述各基板的缺陷密度信息之间的相似度，根据所述相似度按所述p个特征将所述各基板进行分类。

2.如权利要求1所述的缺陷分布分类方法，其特征在于，所述缺陷密度信息是对所述m块基板的分别具有n个分量的第1矢量的集合，

所述p个特征是分别具有n个分量的第2矢量，

作为对所述各基板的第1矢量与所述p个第2矢量的相关系数、内积或协方差求出所述相似度。

3.一种缺陷分布分类系统，用以提取包含多个工序的生产线中所处理的基板上的缺陷并将其分类，其特征在于，

所述生产线包含在预定的工序结束后取得表示各基板上的缺陷的位置的检查信息的检查工序，

具备：

对于经过所述检查工序后的m块基板、将各基板的表面分别分成n个区域、并根据所述检查信息取得具有分别表示所述各区域所包含的缺陷密度的m×n个分量的缺陷密度信息的缺陷密度分布取得部，所述m为2以上的自然数，所述n为2以上的自然数；

从所述具有m×n个分量的缺陷密度信息提取统计上相互独立的p个特征的特征提取部，所述p为未满m的自然数；及

分别求出所述p个特征与所述各基板的缺陷密度信息之间的相似度、并根据所述相似度按所述p个特征将所述各基板进行分类的分类结果取得部。

4.一种故障源设备确定方法，在使用可执行多个工序的1套以上的设备对于基板分别执行多个该工序的生产线中确定成为故障发生源的设备，其特征在于，

所述生产线包含在预定的工序结束后取得表示各基板上的缺陷的位置的检查信息的检查工序，

对于经过所述检查工序后的m块基板，将各基板的表面分别分成n个区域，根据所述检查信息取得具有分别表示所述各区域所包含的缺陷密度的m×n个分量的缺陷密度信息，所述m为2以上的自然数，所述n为2以上的自然数，

从所述具有m×n个分量的缺陷密度信息提取统计上相互独立的p个特征，所述p为未满m的自然数，

分别求出所述p个特征与所述各基板的缺陷密度信息之间的相似度，根据所述相似度按所述p个特征将所述各基板分类，

根据该分类得到的分类结果和确定所述各工序中分别对所述各基板执行处理的设备的生产履历信息，提取所述多个设备中成为故障发生源的故障源设备。

5.一种故障源设备确定系统，在使用可执行多个工序的1套以上的设备、对于基板分别执行多个该工序的生产线中确定成为故障发生源的设备，其特征在于，

所述生产线包含在预定的工序结束后取得表示各基板上的缺陷的位置的检查信息的检查工序，

具备：

对经过所述检查工序后的m块基板将各基板的表面分别分成n个区域并根据所述检查信息取得具有分别表示所述各区域所包含的缺陷密度的m×n个分量的缺陷密度信息的缺陷密度分布取得部，所述m为2以上的自然数，所述n为2以上的自然数；

从所述具有m×n个分量的缺陷密度信息提取统计上相互独立的p个特征的特征提取部，所述p为未满m的自然数；

分别求出所述p个特征与所述各基板的缺陷密度信息之间的相似度、并根据所述相似度按所述p个特征将所述各基板分类的分类结果取得部；及

根据该分类得到的分类结果和确定所述各工序中分别对所述各基板执行处理的设备的生产履历信息、提取所述多个设备中成为故障发生源的故障源设备的故障源设备提取部。

6.如权利要求5所述的故障源设备确定系统，其特征在于，具备显示处理部，该处理部叠合由所述故障源设备处理的各基板上的缺陷分布，制成第1缺陷分布叠合图像，并且叠合与所述故障源设备执行的工序相同的工序中由所述故障源设备以外的设备处理的各基板上的缺陷分布，制成第2缺陷分布叠合图像，在某显示画面对比并显示所述第1缺陷分布叠合图像和第2缺陷分布叠合图像。

Images