CN101438249A - 用于错误诊断的多种错误特征 - Google Patents
用于错误诊断的多种错误特征 Download PDFInfo
- Publication number
- CN101438249A CN101438249A CNA2007800165017A CN200780016501A CN101438249A CN 101438249 A CN101438249 A CN 101438249A CN A2007800165017 A CNA2007800165017 A CN A2007800165017A CN 200780016501 A CN200780016501 A CN 200780016501A CN 101438249 A CN101438249 A CN 101438249A
- Authority
- CN
- China
- Prior art keywords
- error
- error characteristic
- mistake
- treatment
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims description 31
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000004519 manufacturing process Methods 0.000 claims description 42
- 238000013179 statistical model Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 abstract description 18
- 238000012545 processing Methods 0.000 description 58
- 230000003068 static effect Effects 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 11
- 238000000491 multivariate analysis Methods 0.000 description 11
- 230000002950 deficient Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000005055 memory storage Effects 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000001307 helium Substances 0.000 description 2
- 229910052734 helium Inorganic materials 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910000077 silane Inorganic materials 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 150000002371 helium Chemical class 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
揭示一种用于诊断错误的方法及设备。侦测一错误。判定对该错误有贡献的一个或多个处理变量。判定一个或多个处理变量的相关贡献。作出关于哪些错误特征符合该错误的决定，当一个或多个处理变量的相关贡献在符合的错误特征的相关贡献范围内时就出现该符合。各错误特征与至少一个错误分类相关联。
Description
相关申请
本申请要求2006年5月7日提交的临时申请60/746,649和2006年5月7日提交的临时申请60/746,647的优先权。
技术领域
本发明的具体实施例涉及错误诊断，尤其涉及使用多种错误特征(ranged fault signatures)的错误诊断。
背景技术
许多企业运用包含多重传感器及控制器的精密制造设备，这些传感器及控制器在处理期间被仔细地监控以确保产品的质量。一种监控这些多重传感器及控制器的方法是统计处理监控(一种对传感器测量结果及处理控制数值(处理变量)进行统计分析的手段)，其能够实现自动侦测及/或错误诊断。「错误(fault)」可能是制造设备的故障或失调(例如机器的操作参数与所欲数值之间的偏差)，或是预防性维护所需的一种指示，用于避免即将发生的故障或失调。因此，统计处理监控的一个目标是在产生上述缺陷之前侦测及/或诊断错误。
在处理监控期间，当最近的处理数据的一个或多个统计与统计模型偏离一个量值，且该量值足够大以造成模型度量超过各个信任阈值时，侦测到一错误。模型度量为一标量，其值表示在实际处理监控期间所收集的处理数据的统计特征及该模型所预测的统计特征之间的偏离量。各模型度量是消去此偏离的唯一数学方法。常见的模型度量包含平方预测误差(SquaredPrediction Error，其一般被称为SPE、Qres、或Q)以及Hotelling’s T2(T2)。
每个模型度量具有各自的信任阈值，其也被称为一信任限制或控制限制，其数值表示该模型度量的可接受的上限。如果一模型度量在处理监控期间超过其信任阈值，应可推断该处理数据已因为一错误而具有偏离的统计结果。
一旦侦测到错误，通过忽略各处理变量的相对错误贡献来诊断这些错误。某些错误因为缺乏和单一处理变量的明确(例如直接)相关性而难于诊断。与多重处理变量具有复杂及/或间接的相关性的那些错误可能特别难于诊断。
常见诊断错误的方法一般要求：在对错误进行分类之前，该错误已发生多次。对那些和多重处理变量的相关性较复杂的错误进行分类时，这可能会有问题。
发明内容
本发明的一态样关于一种诊断错误的方法，其包含：侦测一错误；判定对该错误有贡献(contributed to the fault)的一个或多个处理变量；判定一个或多个处理变量中的每一个的相应贡献；及判定多个错误特征中的哪一个相符于该错误，一错误特征相符该错误，其为如果这些一个或多个处理变量的相应贡献在所相符错误特征的相应贡献范围内，其中这些错误特征的相关于至少一个错误分类。
本发明的另一态样关于一种包含数据的机器可存取媒体，其当由一机器所存取时，造成该机器执行一方法，该方法包含侦测一错误；判定对该错误有贡献的一个或多个处理变量；判定一个或多个处理变量中的每一个的相应贡献；及判定多个错误特征中的哪一个相符于该错误，一错误特征相符该错误，其为如果这些一个或多个处理变量的相应贡献在所相符错误特征的相应贡献范围内，其中这些错误特征的相关于至少一个错误分类。
本发明的又另一态样关于一种统计处理监控系统，其包含一错误侦测器，其与至少一个制造机器相耦合，藉以接收来自该至少一个制造机器的处理数据，并用以基于该处理数据而侦测一错误，该处理数据包含多个处理变量；一数据库，其用以存储多个错误特征，这些错误特征的与至少一个错误分类相关联；及一错误诊断器，其与该错误侦测器以及该数据库相耦合，藉以判定对该错误有贡献的多个处理变量中的一个或多个、判定一个或多个处理变量中的每一个的相应贡献、以及判定多个错误特征中的哪一个相符于该错误，一错误特征相符该错误，其为如果一个或多个处理变量的相应贡献在所相符错误特征的相应贡献范围内。
附图说明
在附图中，本发明通过示例得以示出，并非通过限制得以示出，并且其中：
图1描述统计处理监控系统的具体实施例；
图2描述一种产生错误分类的方法的具体实施例的流程图；
图3描述一种通过使用错误特征来诊断错误的方法的一具体实施例的流程图；
图4描述一种通过使用错误特征来诊断错误的方法的另一具体实施例的流程图；
图5描述一种通过使用错误特征来诊断错误的方法的又另一具体实施例的流程图；
图6描述一典型计算系统中的机器的图式表示，其中具有一组指令，可执行这种指令从而使该机器执行本文所讨论的任何一或多种方法。
具体实施方式
本文描述一种用于诊断错误的方法及设备。在一具体实施例中，识别对该错误有贡献的一个或多个处理变量。如果一处理变量具有处于控制限制之外的测量数值，则它可能对该错误有贡献。判定一个或多个处理变量的相应贡献。该相应贡献被归一化且被安排在一经排列的清单中，其中该排列基于错误贡献的量。判定符合经侦测的错误的一错误特征。在一具体实施例中，如果经识别的处理变量的相应贡献处于该相符的错误特征的相应贡献范围内，则一错误特征符合该经侦测的错误。这些错误特征中的每一个都与用于识别一特定错误起因的至少一个错误分类相关联。
在下列的描述中，提出多个细节。然而，本领域普通技术人员将可明了本发明可在无下列特定细节中而加以实施。在特定例证中，已知的结构及装置按方块图形式而显示(而非细节)，藉以避免使本发明模糊不清。
所述的部份细节描述是以下列两方面来呈现的：各种算法；以及对计算机存储器中的数据位进行的各项操作的符号表示。熟悉数据处理技术的技术人员使用这些算法的叙述与呈现，以最有效率的方式将其本质传达给其它熟知该项技术的技术人员。算法，在此处通常可视为导向一所要结果的自我一致性的步骤或指令的程序。这些步骤是那些需要对于物理量有物理性操纵的步骤。虽然并非必然，但是这些量通常采用能够在一计算机系统中存储、传送、组合、比较及或以其它方式操作的电气、磁性信号的形式。已证实，主要基于通用用法的因素，将这些信号表示为位、数值、组件、符号、字符、术语、数字等等有时候非常方便。
然而，应注意的是，这些以及类似的术语皆与适当的物理数量有关，而且仅仅是套用至这些量的方便标签。除非特别说明，否则可在讨论中清楚得知，文中利用术语像是「处理」、「运算」、「计算」或「决定」或「显示」等等，代表一计算机系统或类似的电子运算装置的动作及处理，其操纵及转换在该计算机系统的寄存器及存储器中的数据来表示成物理(电子)量，成为在该计算机系统的存储器、或寄存器或其它这种信息存储、传输或显示装置内的物理量。
本发明也涉及用于执行本文所述运算的装置。该装置可为因应需求而组成，或者也可为一普通计算机，被存储该计算机中所存储的计算机程序选择性地激活或重新设定。此一计算机程序可存储于一计算机可读媒体中，例如(但不限于)，任何种类的磁盘，其包括软盘、光盘、只读存储器(CD-ROM)和磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦除程序化只读存储器(EPROM)、电子式可擦除程序化只读存储器(EEPROM)、磁性或光学卡、或任何种类的适用于存储电子指令的媒体。
本文所述的算法以及模块并不必然涉及到任何特定计算机或其它装置。各式一般用途系统可依据本发明所教示与程序并行使用，或者可证实有利于建构更多专门的设备以施行所需方法的步骤。这些各式系统所需的架构将于下文详述。此外，本发明并非通过任何特定程序语言所描述。应知各种程序语言可落实本文所述的本发明的揭示。
一机器可读媒体包含在一可由机器所读取的形式中的任何用于存储或传送信息的机制。例如，一机器可读媒体包含一机器可读存储媒体(例如只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储媒体、光学存储媒体、闪存装置等等)、机器可读传输媒体(电气、光学、声学或其它形式的可传播信号(例如载波、红外线信号、数字信号等等))等。
该下列描述提供了用于监控在制造装置上运作的处理以侦测及/或诊断错误(不稳定的制造过程)的一统计处理监控系统的细节。在一具体实施例中，该统计处理监控系统用于电子装置(例如半导体)的制造。制造这样的装置一般需要许多涉及不同类型制造处理的制造步骤。例如，蚀刻、溅镀、化学气相沉积为三种不同类型的处理，每一种处理都是在不同类型的机器上执行的。或者，该统计处理监控系统可用来监控其它产品的制造(例如汽车)。该其它产品的制造也需要许多由各式制造机器处理的不同的处理步骤。
图1描述统计处理监控系统100的一具体实施例。该统计处理监控系统100包含一统计处理监控设备105，其通过数据通信链路160与一个或多个制造机器110以及一个或多个处理控制器150相耦合。该统计处理监控系统100可包含工厂中(例如一制造工厂)所有的制造机器110。或者，该统计处理监控系统100可仅包含工厂中特定的制造机器110，例如用于运行一个或多个特定处理的所有制造机器110。
在一具体实施例中，各制造机器110为制造电子装置的机器，例如蚀刻器、化学气相沉积炉、光刻装置、注入机等等。或者，该制造机器110可为制造其它产品(例如汽车)的一类型。在一具体实施例中，该制造机器110可为一单一类型。或者，该制造机器110可包含多种不同类型的配备，这些配备可执行不同处理。
各制造机器110可包含用于监控在该制造机器110上运行的多重传感器。包含在该制造机器110中的一类型的传感器可为一温度传感器。其它传感器的范例包含压力传感器、流动速率传感器、或任何其它监控该制造机器110所制造的工件的物理属性或一制造处理的物理情况的传感器。
在制造机器110上执行的每种制造处理是由各种物理情况及该传感器所侦测的属性以及各种操作参数来刻画其特征的，这些统称为处理数据。各个明确的物理情况或由该传感器所侦测的属性以及各操作参数可以是该处理数据的区别性的处理变量。用于表示传感器数据的处理变量的各范例包含处理室压力、承受器(susceptor)温度、RF前向功率、以及RF反射功率。用于表示操作参数的处理变量的范例包含流动速率设定(例如化学试剂的流动速率设定)以及节流阀设定(例如针对一处理室排气真空泵)。该传感器、制造机器以及处理控制器可在处理期间被监控，从而在连续的点处及时地收集该处理变量。
在一具体实施例中，各处理变量都应用于一特定处理。或者，一个或多个处理变量可仅应用于一特定处理的一部分。在一具体实施例中，在一处理中，不同步骤的传感器测量结果及操作参数表示不同的处理变量(建模为模空间中的额外尺度)。例如，如果被执行在一机器中的制造处理具有含不同操作参数设定的多重步骤，则这可能是有用的。例如，在三步骤制造处理中，在三个步骤期间的承受器温度将被视为三个不同的处理变量。将这些处理步骤化分成模空间的单独的尺度是有益的，例如当单一处理在工件上沉积多重层时，或当一处理的不同步骤将该工件曝露至不同处理情况时(例如压力、温度等等)。
处理控制器150控制制造机器110的操作参数。例如，处理控制器可控制制造机器110的处理室温度、真空泵、气体注入系统等等。处理控制器150可存储一个或多个处理配方170。各配方170可以在一处理的各步骤中定义制造机器110的操作参数。在一具体实施例中，配方170可通过处理控制器150而被加载到制造机器110中。
数据通信链路160可包含常见的通信链路，且其也可为无线的或有线的。数据可按原始的或经处理的格式在该制造机器110、该处理控制器150以及该统计处理监控设备105之间进行传递。在一具体实施例中，可使用半导体设备通信标准(SECS)接口。在其它具体实施例中，可使用制造装备的通信和控制的类属(GEM)接口、SECS/GEM接口、高速SECS消息服务(HSMS)接口等等。
该统计处理监控设备105可为单一服务器，其用于分析来自该制造机器110、传感器155以及处理控制器150的输入处理数据。或者，该统计处理监控设备105可包含多重服务器及/或计算机。在一具体实施例中，该统计处理监控设备105包含错误侦测器125、错误诊断器130及错误报告器150。该统计处理监控设备105也包含存储装置175。在一具体实施例中，该统计处理监控设备105被包含在一个或多个处理控制器150中。或者，该统计处理监控设备105也可以是不同的独立设备。
该存储装置175包含一处理测量数据库120、一个或多个多变量统计模型135、及错误特征数据库140。在一具体实施例中，该存储装置175是该统计处理监控设备105的计算机或服务器的单一存储装置。或者，该存储装置175可以位于该统计处理监控设备105的外部。在一具体实施例中，该存储装置175包含多重存储装置，这些存储装置中的一些包含用于备份的冗余数据副本。
处理测量数据(处理数据)可被存储在处理测量数据库120中。针对在这些制造机器110上运行的处理，该经存储的处理数据可被用来显示这些制造机器110的漂移及倾向。在一具体实施例中，该经存储的处理数据被用来产生一个或多个多变量统计模型135。一旦经产生，该多变量统计模型135可被存储在存储装置175中。
错误诊断数据库140包含多重错误分类及错误特征，其在如下更进一步描述。在一具体实施例中，错误诊断数据库140是一个关联性数据库。例如，错误诊断数据库140可包含：一错误分类表，其可存储错误分类列表；以及一相关错误特征表格，其可储错误特征的定义特性。
在一具体实施例中，使用一训练时段来收集用于产生一个或多个多变量统计模型的数据。该训练时段包含在特定制造机器上且在已知及/或经控制的情况下所完成的一特定制造处理的各处理运行的收集过程。在训练时段从处理运行中收集的处理数据可被用来产生统计数据(例如平均、方差、协方差矩阵等等)。这些统计数据可统一地用于产生一个或多个多变量统计模型135，通常用于特定机器上所运行的特定处理。一组初始错误特征是基于训练时段期间所收集的处理数据而建立的，不清被添加到该错误诊断数据库140。一错误特征是用于表示特定错误的处理情况的特征刻画。该错误特征可以是包含对特定错误有贡献的处理数据的清单、表格、或其它数据结构。
在一具体实施例中，每个多变量统计模型仅应用于单一制造机器。或者，来自相符机器类型的两个或以上的制造机器110的处理数据可被聚集，以建立单一错误诊断模型(多变量统计模型)，该模型可应用于上述两个或以上的制造机器上所运行的一个或多个处理。此外，针对第一制造机器所开发的错误诊断模型可应用于同一类型的第二机器(例如相同模型)。
每个多变量统计模型135可以包含一个或多个模型度量。模型度量为标量，用于刻画一组处理数据及一模型之间的偏移量。在一具体实施例中，模型度量包含平方预测误差(Squared Prediction Error，其一般被称为SPE、Qres、或Q)以及Hotelling’s T2。模型度量也包含组合测量(例如组合式多变量索引(CMI))。这些度量是用于估计被监控的处理数据具有与训练数据相同的统计结果的机率的不同方法。上述的统计及度量可根据一般的统计算法来进行计算。
一个或多个多变量模型可利用主要部件分析(PCA)将M-维度处理变量空间转换成彼此互相垂直的主要部件的N-维度空间，其中M为处理变量的个数，且N比M小很多。PCA计算一组M本征向量及M本征值，其中各个本征向量将处理变量数据转换成该主要部件空间的各个维度，且每个本征值正比于由相应本征值所表示的变量。为了简化该主要部件空间(降低该主要部件空间的维度)，相应于N个最大本征值的N个本征向量被保持在该模型中；其它本征向量被放弃或忽略。保持在该模型中的主要部件的数目N就是使用者所选择的该模型的参数。基于在当使用一较小数值N时解释较少的数据方差的模型以及当使用一较大数值N时被过多-指定的模型之间的权衡，可以选择该主要部件(N)的数目。
一旦一个或多个多变量统计模型已经产生，他们可被错误侦测器125使用，从而监控在制造机器110上运行的处理。错误侦测器125通过执行各式统计处理监控方法来分析处理数据，这些方法基于至少一个变量统计模型。在一具体实施例中，错误侦测器125直接接收来自该制造机器110、传感器155及/或处理控制器150的处理测量数据(处理数据)。在另一具体实施例中，错误侦测器125可接收来自处理测量数据库120的处理数据。在又另一具体实施例中，该错误侦测器125接收来自这两种来源的处理数据。
为了侦测错误，错误侦测器125计算被监控的各处理的处理数据的统计结果，且将经计算的统计结果与合适的多变量统计模型的相应统计结果进行比较。可以针对一个模型度量或针对多重模型度量(例如T2、SPE、CMI)来比较上述统计结果。如果一个或多个模型度量超过预先定义的阈值(被称为一信任限制或控制限制)，则可侦测出错误。在一具体实施例中，各模型度量具有使用者可选择的阈值。所选阈值可表示错误警告的风险(如果该阈值太低)及无法侦测出错误的风险(如果该阈值太高)这两种之间的折衷。当多重度量被计算时，如果这些度量中的任何一个超过阈值，则引起错误。或者，仅当特定度量超过阈值或仅当多重度量超过阈值时，才触发一些错误。
一旦错误侦测器125已识别出错误，则由错误诊断器130分析该错误。错误诊断器130将该错误与错误诊断数据库中所存储的那些错误特征进行比较。各错误特征表示用于代表特定错误的处理情况。在一具体实施例中，错误特征140为具有对特定错误的一较大统计贡献的各处理变量的经排列列表。该处理变量可按其个别贡献的相应量的顺序而被排列。或者，该错误特征可为基于对错误的统计贡献而排列处理变量的表格、树状或其它数据结构。错误诊断130可比较各个经存储错误特征与具有针对目前错误的最大贡献的各处理变量的经排列列表。当这些错误特征之一与该目前的错误有关高度的相似性时，报告出现了符合。
各个错误特征与存储在该错误诊断数据库140中的一个或多个错误分类相关联。该错误分类可指出产生一错误的一实际问题或者该目前错误的可能的原因。例如，如果该错误特征指出该最大有贡献的处理变量为硅烷流动速率，该错误分类可指出将硅烷馈送到处理室的一阀门已经失常。
错误分类包括用于统一地定义错误分类的一个或多个参数。在一个实施方式中，错误分类包括单个用于描述该错误分类的参数(比如单个数据库字段)，它足够具体从而对用户而言是有意义的。在另一个实施方式中，错误分类包括多个参数，用于指定应用该错误分类的具体机器、机器内的具体组件等。例如，错误分类可以针对具体制造机器110中需要清洗的顶部腔室衬板。
错误报告器165产生多种错误报告，用于指示哪些错误类别145应用于目前的错误。这些错误报告可被传送至一个或多个客户端(未显示，且可例如本地计算机、远程计算机、个人数字助理(PDA)、呼叫器、行动电话等等)，这些客户端联网到统计处理监控设备105。错误报告165也可使制造机器110关机、使机器报警、或执行其它适当的动作。
图2描述产生错误分类的方法200的一具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑可包含硬件(例如电路、专用逻辑、可程序化逻辑、微码等等)、软件(例如在处理装置上运行的指令)、或以上的组合。在一具体实施例中，方法200可由图1的统计处理监控设备105来执行。
参照图2，方法200开始于获取用于表示一错误的处理数据(方块205)。该处理数据能够从一个或多个制造机器、传感器、处理控制器、及一处理测量数据库出获取。该处理数据包含例如处理室温度、压力、气体流动速率等等。例如，如果该温度太高或太低、该气体流动速率不稳定、该压力不同于目前处理所需求等等，该处理数据可指出一错误。该处理数据可在一训练时段期间或经制造产品的实际处理监控期间被收集。可有意地导致该错误来产生该处理数据，或该错误可非有意地产生。在一具体实施例中，在发现一错误出现之前，就获取了处理数据，且在分析该处理数据时，触发一错误。
在方块210中，建立一新的错误分类(方块205)。在一具体实施例中，该新的错误分类是通过将一个或多个参数(它们统一定义该错误分类)存储到错误诊断数据库中而建立的。上述一个或多个参数所定义的错误分类足够具体，以能识别一个或多个可能的错误原因。该新的错误分类可在特定错误的单次出现之后而被建立。
在方块215，判定对该错误有贡献的处理变量的相应贡献。有贡献的处理变量可按相应于其个别贡献的相关量的顺序而被排列，之后被称为错误贡献。这些处理变量的个别的错误贡献能够通过任何常见统计方法而判定。对一经侦测错误的判定处理变量的相应贡献的一范例式方法被揭示于J.Chemometrics 2001，第15章第715-742页，S.Joe Qin，Sergio Valle，Michael J.Piovoso等人的“On Unifying Multiblock Analysis withApplication to Decentralized Process Monitoring”，其在此并入以作为参照。对经侦测的错误的判定处理变量的相应贡献的另外的范例性方法揭示在J.Chemometrics 2000，第14卷，第725-736页，A.K.Conlin，E.B.Martin，A.J.Morris等人的“Confidence Limits For Contribution Plots”，其在此并入以作为参照。对经侦测的错误的判定处理变量的相应贡献的又另外的范例性方法被揭示在Chemometrics and Intelligent Laboratory Systems 2000，第51卷，第95-114页，Johan A.Westerhuis，Stephen P.Gurden，Age K.Smilde等人的“Generalized Contribution Plots in Multivariate StatisticalProcess Monitoring”，其在此并入以作为参照。判定相应贡献的其它方法也可被使用。
在一具体实施例中，该错误贡献可独立于用来决定该错误贡献的统计方法。因此，特定于某统计方法(例如协方差度量、主要部件本征向量等等)的各参数不会被并入该错误分类及/或与该错误分类相关的错误特征。所以，该错误分类可相等应用至适当统计方法(例如具调适模型的统计方法(例如超时上调适特定参数的模型))。在该使用一调适模型的一统计方法的案例中，该模型包含主要部件分析(PCA)，其中调适主要部件的一数目及/或调适自处理变量空间至主要部件空间的一转换。
在一具体实施例中，该处理变量的错误贡献可由两或以上不同统计方法(例如以一静力模型及一调适模型)独立地判定。因为不同的统计模型而可帮助于较精确地判定各不同错误的错误贡献。
在方块220中，向有贡献的处理变量分配贡献排名，藉以产生一新的错误特征。在一具体实施例中，选择该有贡献的处理变量的子集。该子集可包含其错误贡献大于一贡献阈值(之后称为显著性界限，significance limit)的处理变量。该显著性界限可根据各种方法而计算，这些方法包含例如如上讨论的Qin、Conlin、以及Westerhuis等。连续编号的排名可接着基于其个别贡献的相关量的顺序而被分配至该子集中的各处理变量。
所选子集之外的处理变量(错误贡献少于该显著性界限)可被分配给一种排名为无或零的错误贡献，或者可从该错误特征中被省略。在一具体实施例中，预先决定该显著性界限。或者，该显著性界限可在使用一个或多个统计方法(例如用来决定各处理变量的个别错误贡献的统计方法)产生该新的特征值之时而被决定。一显著性界限的使用可通过排除一给定错误(对该错误的所有处理变量的贡献是统计上微小的)的诊断增进噪声抗扰性。包含一显著性界限的错误特征的范例是在如下表1及表2中描述的。
在一具体实施例中，不限制被包含在一新的错误特征的各处理变量的数字。所以，只要这些处理变量各具有符合该显著性界限的错误贡献，各处理变量的任何数字可被包含在一新的错误特征中。或者，可对错误特征有贡献的处理变量的个数，设置一个上限及/或下限。
在方块225出，处理逻辑判定该有贡献的处理变量是否具有其差异少于阈值的各个错误贡献，之后被称为变化界限。该变化界限可为经使用者选定或自动地选定。该变化界限为一固定值，或其可为一相关值(例如基于这些处理变量之一的错误贡献的百分比)。在一具体实施例中，一统计信任范围是针对各处理变量的错误贡献而被计算的。该变化界限可基于这些处理变量的经计算的统计信任范围。在一具体实施例中，如果这些处理变量具有重迭信任范围，这些处理变量差异至小于该变化界限。
如果这些处理变量差异至小于该变化界限(例如具有重迭信任范围)，该方法前进至方块230。如果这些处理变量没差异至小于该变化界限，该方法前进至方块235。在一具体实施例中，这些处理变量是或否差异至该变化界限，该方法前进至方块235。
在方块230，贡献排名范围被分配至一个或多个有贡献的处理变量。各贡献排名范围包含差异至小于该变化界限的各处理变量的贡献排名。这些处理变量被分配一包含处理变量本身贡献排名及该其它经包含处理变量的贡献排名两者的排名范围。在一具体实施例中，该排名范围为一连续数化贡献排名的一范围。例如，一排名范围可为1-2，其包含第一处理变量的该贡献排名1及第二处理变量的该贡献排名2。不同处理变量可具有同一或重迭排名范围。通过替代绝对贡献排名或除绝对贡献排名外而排名各范围来定义错误特征可增进噪声抗扰性(例如其中各处理变量之间的相关排名可能由预期的统计变动而被交换)。具有排名范围的错误特征的范例在如下表3及表4中而被描述。
在方块235，该新的错误特征被存储在该错误诊断数据库中。该经存储的错误特征与新的错误分类相关联。在一具体实施例中，对该错误特征的各处理变量的该实际贡献值(例如0.9、0.5等等)没被存储，且替代地存储该贡献排名(例如1、2、3等等)。或者，该实际贡献值可被存储，或该贡献值及该贡献排名可被存储。
| 处理变量 | 对错误的贡献 | 贡献排名 |
| A | 0.9 | 1 |
| B | 0.8 | 2 |
| C | 0.4 | 3 |
| D | 0.2 | 无 |
| E | 0.07 | 无 |
| F | <0.02 | 无 |
| G | <0.02 | 无 |
| H | <0.02 | 无 |
表1：第一错误特征
表1描述根据图2的方法200所产生的第一错误特征。根据第一统记录析方法，这些处理变量A、B、C、D及E的统计贡献个别被决定为0.9、0.8、0.4、0.2及0.07。这些剩余处理变量F、G、H的统计贡献被决定为小于0.02。这些处理变量按其对一错误贡献的量的顺序来排名。该第一错误特征具有一0.3的显著性界限，因此处理变量A、B、C被考虑以对该错误有贡献且为该第一错误特征的部分。处理变量D至H因为他们的错误贡献小于该显著性界限而被排除于该第一错误特征。
| 处理变量 | 对错误的贡献 | 贡献排名 |
| A | 0.9 | 1 |
| B | 0.8 | 2 |
| C | 0.4 | 3 |
| D | 0.2 | 无 |
| E | 0.07 | 无 |
| F | <0.02 | 无 |
| G | <0.02 | 无 |
| H | <0.02 | 无 |
表2：第二错误特征
表2描述根据图2的方法200所产生的第二错误特征。用于产生该表1的第一错误特征的相同处理数据被用来产生该第二错误特征。这些处理变量按其对错误贡献的量的顺序来排名。该第二错误特征具有0.1的显著性界限，因此处理变量A、B、C、D被考虑以对该错误有贡献。
| 处理变量 | 对错误的贡献 | 信任范围 | 贡献排名 | 排名范围 |
| A | 0.9 | 0.82-0.98 | 1 | 1-2 |
| B | 0.8 | 0.73-0.87 | 2 | 1-2 |
| C | 0.4 | 0.45-0.55 | 3 | 3 |
| D | 0.2 | 0.15-0.25 | 4 | 4 |
| E | 0.07 | 0.06-0.11 | 无 | 无 |
| F | <0.02 | N/A | 无 | 无 |
| G | <0.02 | N/A | 无 | 无 |
| H | <0.02 | N/A | 无 | 无 |
表3：具有排名范围的第三错误特征
表3描述根据图2的方法200所产生的第三错误特征。该第三错误特征包含由这些处理变量的个别信任范围所判定的排名范围。名为「信任范围」的行显示各处理变量的该错误贡献的该信任范围的上及下界限。因为该变量A的信任范围的下界限(0.82)低于变量B的信任范围的上界限(0.87)，处理变量A及B的信任范围重迭。因此，处理变量A及B，其根据经计算的错误贡献具有1及2的个别贡献排名，并且被分配一包含各其它者的贡献排名的排名范围(被分配一1-2的排名范围)。
该第三错误特征具有0.1的显著性界限，且因此处理变量A、B、C及D被考虑以对该错误有贡献且为该第一错误特征的部分。处理变量E至H因为他们的错误贡献小于该显著性界限而被排除于该第一错误特征。在一具体实施例中，处理变量E因为其信任范围的上界线大于该0.1的显著性界限而被包含在该错误特征中。
在一具体实施例中，有贡献的处理变量的至少一个列表(由名称或其它指示器识别的)及各有贡献的处理变量的排名范围被包含在该错误特征。可选择地，一个或多个经计算的错误贡献、信任范围及贡献排名也被包含做为该错误特征的部分。
| 处理变量 | 对错误的贡献 | 信任范围 | 贡献排名 | 排名范围 |
| A | 0.9 | 0.82-0.98 | 1 | 1-2 |
| B | 0.8 | 0.73-0.87 | 2 | 1-3 |
| C | 0.7 | 0.65-0.75 | 3 | 2-3 |
| D | 0.2 | 0.15-0.25 | 4 | 4 |
| E | 0.07 | 0.06-0.11 | 无 | 无 |
| F | <0.02 | N/A | 无 | 无 |
| G | <0.02 | N/A | 无 | 无 |
| H | <0.02 | N/A | 无 | 无 |
表4：具有排名范围的第四错误特征
表4描述根据图2的方法200所产生的第四错误特征。除了处理变量C的经计算的错误贡献及排名范围之外，该第四错误特征与表三的该错误特征完全一样。在一具体实施例中，该处理变量B的错误贡献的信任范围与变量A的信任范围及变量C的信任范围两者重叠。因此，变量B的排名范围包含变量A的贡献排名(1)及变量C的贡献排名(3)以及其本身的贡献排名(2)。所以，处理变量B的排名范围为1-3。因为处理变量A具有重迭处理变量B的信任范围的一信任范围，理变量A具有一1-2的排名范围。相同地，因为处理变量C的信任范围重迭处理变量B的信任范围，因此处理变量C具有一2-3的排名范围。
图3描述通过使用错误特征来诊断错误的方法300的一具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑可包含硬件(例如电路、专用逻辑、可程序化逻辑、微码等等)、软件(例如在处理装置上运行的指令)、或以上的组合。在一具体实施例中，方法300可由图1的统计处理监控设备105来执行。
现参照图3，方法300开始于处理逻辑侦测一错误(方块305)。在一具体实施例中，基于从一个或多个制造机器、传感器、处理控制器、以及一处理测量数据库中接收的处理数据，来侦测该错误。在方块310中，判定对该错误有贡献的处理变量。如果超过一控制界限，一处理变量可对一错误有贡献，否则其对一未预料及/或未期望的结果有贡献。
在方块315，处理逻辑判定这些有贡献的处理变量的相关贡献。在一具体实施例中，处理逻辑按对侦测到的错误的各种贡献的相关量的顺序，对这些处理变量进行排名。侦测到的错误排名可包含或不包含这些处理变量的错误贡献的数值。在一具体实施例中，经侦测的错误排名仅为这些处理变量的顺序列表。例如，如果对处理变量A、B、C、D及E的侦测的错误的该相关贡献分别为0.6、0.9、0.5、0.4及0.1，然经侦测的错误排名将为顺序列表B、A、C、D、E。
在一具体实施例中，处理逻辑也判定对该错误贡献的显著性界限以致使在该显著性界限下的任何错误贡献能够被考虑到其微小性(及忽略)。具有小于该显著性界限的一值的各处理变量可自该经侦测错误排名排除或分配无或零的经侦测的错误排名。在前段的范例中，如果错误贡献的显著性界限为0.2，接着该处理变量E将被排除，且该经侦测错误排名应为B、A、C、D。
在方块320，处理逻辑判定哪些错误特征符合该经侦测错误。这将通过比较该经侦测排名与各经建立错误特征来达成。在一具体实施例中，如果该经侦测错误排名完全符合这些错误特征之一，则经侦测的错误被诊断为关于该错误特征的错误分类。当比较一经侦测错误排名与一具有排名范围的错误特征时，如果该经侦测错误中的各处理变量的排名落入该错误特征中的相同处理变量的排名范围内，一确切符合发生。在一具体实施例中，一经侦测错误可符合多重错误特征。在这样的发生中，这些错误特征的被报告。
如果在该目前错误的一错误排名及一现存错误特征的间侦测一符合，该方法前进至方块325。如果以一现存错误特征无侦测到一符合，该方法前进至方块340。
在一具体实施例中，至少一个相符的错误特征为一混合错误特征。一混合错误特征为一包含被针对不同统计模型而独立计算的各独立的贡献排名及/或排名范围。例如，一混合错误特征的一第一处理变量或具有由一第一统计模型(例如一调适模型)而计算的为1的一贡献排名以及具有由一第二统计模型(例如一静力模型)而计算的为2的一贡献排名。所以，在处理监控期间，一经侦测的错误贡献将包含针对各处理变量的这些适当统计模型所决定的一独立的排名。这将因为不同的统计模型可较精确决定响应于不类型错误的这些处理变量的错误贡献而有所帮助。
| 处理变量 | 第一模型排名范围 | 第二模型排名范围 |
| A | 1-2 | 3-4 |
| B | 1-2 | 3-4 |
| C | 3 | 1 |
| D | 无 | 2 |
| E | 无 | 无 |
| F | 无 | 无 |
表5：混合式错误特征
| 处理变量 | 第一模型排名范围 | 第二模型排名范围 |
| A | 2 | 3 |
| B | 1 | 4 |
| C | 3 | 1 |
| D | 4 | 2 |
| E | 无 | 无 |
| F | 无 | 无 |
表6：使用第一及第二统计模型的经侦测的错误
表5描述根据本发明的一具体实施例的一混合式错误特征的一范例。表6描述一根据本发明另具体实施例的具有同步使用两模型所产生的一混合式错误排名的一经侦测错误。如所示，使用两不同模型而独立决定该相同处理数据的排名范围及/或贡献排名可产生不同结果。该表5的错误特征显示表6的该经侦测错误的一切确符合，其因为各模型的各处理变量的表6中的该错误贡献排名在表5的该混合式错误特征的模型及该相应处理变量的排名范围内。
在特定例证中，可由一第一模型侦测，但不由一第二模型。因此，该第二模型的该处理变量的错误贡献可能为微小(例如低于该显著性界限)，从而不有用于分类。在该案例中，处理逻辑可建立一混合式错误特征，其中该第二模型的每个处理变量具有一无(none)的排名范围及/或贡献排名。
参照图3，在方块325中，处理逻辑识别与该相符的错误特征相关的错误分类。在一具体实施例中，各错误特征关联于单一错误分类。或者，多重错误分类可关联于一错误特征。这将发生于两个错误分类具有相同错误特征之处。
在方块330，处理逻辑判定任何相符的错误特征是否相关联于多重错误分类。如果一错误特征相关联于多重错误分类，该方法前进至方块335。如果无错误特征相关联于多重错误分类，该方法结束。或者，该方法可因任何错误特征是否相关联于多重错误分类而结束。
在方块335，报告一记录(tally)，该记录包含与该相符的错误特征相关的这些错误分类的数次的记录是错误的实际起因。此将有用于协助一使用者识别一目前错误的实际起因。该记录可被存储在该错误诊断数据库中。在一具体实施例中，在识别该目前错误的一实际起因后，该实际起因被输入该错误诊断数据库中的记录。
在方块340，建立一新的错误分类。在方块345，产生一新的错误特征，其可关联于该新的错误分类。该新的错误分类及该新的错误特征可根据图2的方法200而被产生。或者，产生该新的错误分类及新的错误特征的其它方法也可使用。因此，当新的错误在实际处理产品期间遭遇时，可将新的错误分类及新的错误特征添加(例如至一多变量统计模型)。在一具体实施例中，仅一错误的一单一范例被需要来添加一新的错误分类及一相关新的错误特征。
图4描述通过使用错误特征的诊断错误的方法400的一具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑可包含硬件(例如电路、专用逻辑、可程序化逻辑、微码等等)、软件(例如在处理装置上运行的指令)、或以上的组合。在一具体实施例中，方法400可由图1的统计处理监控设备105来执行。
参照图4，方法400开始于处理逻辑侦测一错误(方块405)。在方块410，判定对该错误有贡献的处理变量。在方块415，判定该有贡献的处理变量的相关贡献。
在方块420，判定符合该错误的错误特征。在一具体实施例中，考虑完全符合该错误的错误特征。或者，考虑部分符合一经侦测错误的错误特征。例如，当同时发生多重错误时，这将为有用。在这样的一案例中，虽然一个或多个错误特征可关联于表示该经侦测错误的实际起因的错误分类，无错误特征将完全符合该经侦测的错误。在一具体实施例中，如果无发现完全符合，仅考虑到部份符合一经侦测错误的错误特征。或者，是否发现一完全符合，考虑部分符合。这将有益于例如确保一使用者提防与具有部分符合的错误特征相关的严重的错误(例如造成严重良率损失的错误)。
在方块425，针对该完全及/或部分相符的错误特征判定一相符接近得分(match closeness score)。一相符接近得分表示一错特征及一经侦测错误间的一相似度。相符接近得分可以各种方式而被计算。在一具体实施例中，一相符接近得分通过针对各处理变量分配2值而判定，其中这些处理变量的经侦测错误排名在一给定错误特征的一适当排名范围内，以及通过针对每个其它在该目前经侦测错误的实际排名及该给定错误特征两者中具有一显著性错误贡献(例如在该显著性界限的上的一错误贡献)的处理变量分配值1而判定。在其它具体实施例中，该先前值2及1被乘以一权重因子，该权重因子针对各处理变量的排名为较高者而为较高。
在方块430，舍弃具最低相符接近得分的错误特征。在一具体实施例中，除了具有该最高相符接近得分的X错误特征外，舍弃所有错误特征。在其它具体实施例中，舍弃具有低于一阈值的一错误贡献的所有错误特征。在另一具体实施例中，没有相符的错误特征被舍弃。
在方块435，识别相关于该相符的错误特征的错误分类。在方块440，该经识别的错误特征连带针对各错误分类的错误严重程度值(fault severityvalues)及符合得分而被报告。在一具体实施例中，各错误分类包含一错误严重程度值。具有一低错误严重程度值的错误分类可造成对一经制造产品的小至没有的损害，同时具有高严重程度值的错误分类或显著地减低产品良率。因此，错误严重程度值能够提示一使用者一错误的重要性为如何。例如，关于具有一高相符接近得分但一低错误严重程度值的一错误特征的一错误分类或不被关注。然而，关于具有一低相符接近得分但一高错误严重程度值的一错误特征的一错误分类将造成关注。
获取符合具有一排名范围的一错误特征的各错误的新例证，其期望来划分该错误特征而成多重错误特征。例如，如果与该错误特征相关的错误分类能够被化分成较窄的错误分类，或如果发现到该原始错误特征产生能够通过划分该错误特征而被校正的一不正确的错误诊断，划分一错误特征或可被期望。针对划分一错误特征及/或错误分类的一方法的一具体实施例于下图5中经解释。
图5描述通过使用错误特征的诊断错误的方法500的一具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑可包含硬件(例如电路、专用逻辑、可程序化逻辑、微码等等)、软件(例如在处理装置上运行的指令)、或以上的组合。在一具体实施例中，方法500可由图1的统计处理监控设备105来执行。
参照图5，方法500开始于处理逻辑侦测一错误(方块505)。在方块510，判定对该错误有贡献的处理变量。在方块515，判定该有贡献的处理变量的相关贡献。在方块520，判定符合该错误的错误特征。
在方块525，处理逻辑判定该错误特征是否包含一相关贡献范围。如果这些错误特征的一确包含一相关贡献范围，该方法前进至方块535。如果无错误特征包含一相关贡献范围，该方法前进至方块530。
在方块530，识别关于该相符的错误特征的错误分类，该方法接着结束。
在方法535，该经判定的错误特征被化分成多重错误特征。例如，在一具体实施例中，该经判定的错误特征被划分成两具区别性的错误特征。该两具区别性的错误特征通过具有至少一个处理变量而为不同，其中该至少一个处理变量的在该两新的错误特征中的个别排名范围为在该原始错误特征中的该变量的排名范围的不同子集，例如如表7、8、9中的范例所示。
在方块540，针对一个或多个多重错误特征添加一新的错误分类。该新的错误分类可为与被划分的该原始错误特征相关的一错误分类的子集。例如，如果该原始错误分类为「缺陷静电座(defective electrostatic chuck)」，该新的错误分类将为「因为晶片背端上的灰尘的缺陷静电座(defectiveelectrostatic chuck because of particles on wafer backside)」。
在方块545，该原始错误特征及其相关错误分类的至少一个经更新。更新过程包含窄化一错误特征的一个或多个处理变量的排名范围，以及窄化一错误分类描述。例如，如果该原始错误分类原始为缺陷静电座，该原始错误分类或被窄化至因为残余累积(residue accumulation)的缺陷静电座。
其有用于划分一错误成与最公通影响两处理变量的一基本错误的一错误特征，其中轻微不同基本起因影响这两个处理变量之一。一范例为共通用于保持在半导体处理室内阴极上的半导体工作件的静电座的不同错误模式。较佳被监控以诊断静电座中的各错误的两处理变量为注入工作件及一座间的穴的氦流动速率，以及为表示在该阴极及RF电源供应器间所连接的阻抗符合网络中可调节调谐电容器的电容的处理控制参数值。由在该座上的过度残余累积所造成的一错误一般将被关联于这些处理变量两者。然而，由该工作件的下面端上的微粒所造成的错误一般仅相关联于该氦流动速率。所以，与定义为一缺陷静电座的第一错误分类相关的第一错误特征将被化分成与定义为由该工作件的下端上的微粒所造成的缺陷静电座的第二错误分类相关的第二错误特征。该第一错误分类将接着重新定义为由该座上的残余累积所造成的缺陷静电座。
| 处理变量 | 排名范围 |
| A | 1-2 |
| B | 1-2 |
| C | 3 |
| D | 4 |
表7：具排名范围的原始错误特征
| 处理变量 | 排名范围 |
| A | 1 |
| B | 2 |
| C | 3 |
| D | 4 |
表8：基于错误特征划分的新的错误特征
| 处理变量 | 排名范围 |
| A | 2 |
| B | 1 |
| C | 3 |
| D | 4 |
表9：基于错误特征划分的经更新的错误特征
表7描述具有一排名范围的错误特征。表8及表9描述根据图5的方法500的通过划分表7的错误特征而产生的两个新的错误特征。在表7的原始错误特征中，处理变量A及B被分配一1-2的排名范围，且该原始错误特征关联于识别为X的一错误分类。表8的该新的错误特征关联于一新的错误分类Y，且分别具有针对处理变量A及B的一贡献排名1及2。表9的经更新错误特征关联于一经更新错误分类X且分别具有针对处理变量A及B的一贡献排名2及1。
图6描述一范例性形式的计算系统600中的一机器的图式表示，其中具有一组指令可执行且用以造成该机器执行此中所讨论的任何一或多种方法。在各替代式具体实施例中，可连接(例如网络连接)该机器至一局域网络、企业网络、或因特网中的其它机器。该机器可操作在一客户-伺服端网络环境中的一服务器或一客户端的能力，或操作为一点对点(或分布式)网络环境中的一点(peer)机器。该机器可为一个人计算机、桌上型计算机、一机顶盒(set-top box，STB)、个人数字助理PDA、行动电话、网络应用器、服务器、网络路由器、切换器或桥接器、或任何能够执行指定由机器所采取的动作的一组指令(序列或非序列)的机器。再者，当仅描述单一机器时，该项目“机器”应也可被采用以包含个别地或连接地执行一组(多组)指令来执行任合如此中所述的一个或多个方法的任何机器集合。
该范例式计算机系统600包含一处理装置(处理器)602、主要存储器604(例如只读存储器、闪存、动态随机存取存储器(例如同步动态随机存取存储器、或Rambus动态随机存取存储器)等等)、静态存储器606(例如闪存、静态随机存取存储器等等)、以及数据存储装置618，其透过总线630与其它者进行通信。
处理器602表示一个或多个一般意图的处理装置(例如微处理器、中央处理单元等等)。特别来说，该处理器602可为一复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、或超长指令字组(VLIW)微处理器、或可实作其它指令集的处理器或可实作一组合式指令集的处理器。该处理器602也可为一个或多个特定意图的处理装置(例如一专用集成电路(ASIC)、一现场可程序化逻辑门阵列、一数字信号处理器、网络处理器、或以上类似者)。该处理器602被配置成执行处理逻辑626以供执行此中所述的操作及步骤。
该计算机系统600更包含一网络接口装置608。该计算机系统600也包含一视讯显示单元610(例如一液晶显示(LCD)或阴极射线管(CRT))、字母与数字的输入装置612(例如键盘)、指针控制装置(例如鼠标)、以及一信号产生装置616(例如扬声器)。
该数据存储装置618可包含机器可存取存储媒体631，其上可存储一或多组可运用此中所述的任何一或多种方法或功能的指令。该软件622也可在通过该计算机系统600执行期间，被完全或至少部分地驻存在该主要存储器604及/或处理器602内，该主要存储器604及该处理器602也可构成机器可存取存储媒体。该软件622更可透过该网络接口装置608而在一网络620上被传输及接收。
该机器可存取媒体631也可用于存储定义使用者使用者状态的数据结构集以及定义使用者目录的使用者喜好。数据结构集及使用者喜好也可被存储在计算机系统600的其它区段，例如静态存储器606。
当该机器可存取存储媒体631在一范例性具体实施例中被显示为一单一媒体，该项目“机器可存取存储媒体”应可被采用以包含可存储一或多组指令的一单一媒体或多重媒体(例如一中央化或分布式数据库、以及/或相关快取及服务器)。该项目“机器可存取存储媒体”应也可被采用以包含能够存储、编码或承载一组指令的人和媒体，用以执行本发明的一个或多个方法。该项目“机器可存取存储媒体”应因此被采用以包含(但不限于)固态存储器、光学及磁性媒体、及载波信号。
应可了解到以上的描述仅为说明意图并不引以而作为限制。许多其它的具体实施例皆可在本领域普通技术人员阅读及了解上述描述后而加以实作。因此，本发明的范畴应该参照如下随附的权利要求而被决定，并且本发明亦包含如这些权利要求的各均等物的所有范畴。
Claims (20)
1.一种诊断错误的方法，其包含：
侦测一错误；
判定对该错误有贡献的一个或多个处理变量；
判定所述一个或多个处理变量中的每一个的相应贡献；及
判定多个错误特征中的哪一个符合该错误，如果所述一个或多个处理变量的相应贡献在一个错误特征的相应贡献范围内，则该错误特征就符合该错误，每一个错误特征与至少一个错误分类相关联。
2.如权利要求1所述的方法，其更包含：
如果所述多个错误特征都不符合该错误，则添加针对该错误的新的错误特征。
3.如权利要求2所述的方法，其更包含：
添加新的错误分类；及
使所述新的错误特征与所述新的错误分类相关联。
4.如权利要求2所述的方法，其中所述新的错误特征是在所述错误发生单次之后被添加的。
5.如权利要求1所述的方法，其更包含：
将第一错误特征划分成多重错误特征，该第一错误特征包含针对第一处理变量的第一相应贡献范围，所述多重错误特征中的每一个都具有第一处理变量的不同的相应贡献，且所述多重错误特征中的每一个都与不同的错误分类相关联。
6.如权利要求1所述的方法，其中多重错误分类与单一错误特征相关联。
7.如权利要求1所述的方法，其更包含：
记录(tallying)每一个相关联的错误分类被确认为特定错误特征的实际错误的次数。
8.如权利要求1所述的方法，其更包含：
判定所述多个错误特征中的哪一个部分地符合该错误，如果所述一个或多个处理变量中的至少一个的相应贡献不在一错误特征的相应贡献范围内，则出现部分符合；及
向所述多个错误特征中的一个或多个分配一相符接近得分(matchcloseness score)。
9.如权利要求1所述的方法，其中所述多个错误特征中的至少一个是一组合式错误特征，该组合式错误特征具有基于第一统计模型的第一错误特征以及基于第二统计模型的第二错误特征。
10.一种包含数据的机器可存取媒体，当被机器所存取时，使该机器执行一种方法，该方法包含：
侦测一错误；
判定对该错误有贡献的一个或多个处理变量；
判定所述一个或多个处理变量中的每一个的相应贡献；及
判定多个错误特征中的哪一个符合该错误，如果所述一个或多个处理变量的相应贡献在一个错误特征的相应贡献范围内，则该错误特征符合该错误，其中每一个错误特征与至少一个错误分类相关联。
11.如权利要求10所述的机器可存取媒体，该方法更包含：
如果所述多个错误特征都不符合该错误，则添加一个针对该错误的新的错误特征。
12.如权利要求11所述的机器可存取媒体，该方法更包含：
添加新的错误分类；及
使该新的错误特征与该新的错误分类相关联。
13.如权利要求10所述的机器可存取媒体，该方法更包含：
将第一错误特征划分成多重错误特征，该第一错误特征包含针对第一处理变量的第一相应贡献范围，所述多重错误特征中的每一个都具有第一处理变量的不同的相应贡献，且所述多重错误特征中的每一个都与不同的错误分类相关联。
14.如权利要求10所述的机器可存取媒体，该方法更包含：
判定所述多个错误特征中的哪一个部分地符合该错误，如果所述一个或多个处理变量中的至少一个的相应贡献不在一错误特征的相应贡献范围内，则出现部分符合；及
向所述多个错误特征中的一个或多个分配一相符接近得分。
15.如权利要求10所述的机器可存取媒体，其中所述多个错误特征中的至少一个是一组合式错误特征，该组合式错误特征具有基于第一统计模型的第一错误特征以及基于第二统计模型的第二错误特征。
16.一种统计处理监控系统，其包含：
错误侦测器，它与至少一个制造机器相耦合，藉以接收来自所述至少一个制造机器的处理数据，并基于该处理数据而侦测一错误，该处理数据包含多个处理变量；
数据库，用以存储多个错误特征，这些错误特征中的每一个与至少一个错误分类相关联；及
错误诊断器，它与该错误侦测器以及该数据库相耦合，藉以判定对该错误有贡献的多个处理变量中的一个或多个，判定所述一个或多个处理变量中的每一个的相应贡献，还判定所述多个错误特征中的哪一个符合该错误，如果所述一个或多个处理变量的相应贡献在一个错误特征的相应贡献范围内，则该错误特征就符合该错误。
17.如权利要求16所述的统计处理监控系统，其中如果所述多个错误特征都不符合该错误，则该错误诊断器用于将新的错误特征存储到该数据库中。
18.如权利要求17所述的统计处理监控系统，其中该错误诊断器用于将新的错误分类存储到该数据库中，并且使该新的错误特征与该新的错误分类相关联。
19.如权利要求16所述的统计处理监控系统，其中该错误诊断器更用以判定所述多个错误特征中的哪一个部分地符合该错误，如果所述一个或多个处理变量中的至少一个的相应贡献不在一错误特征的相应贡献范围内，则出现部分符合，并且向所述多个错误特征中的一个或多个分配一相符接近得分。
20.如权利要求16所述的统计处理监控系统，其中所述多个错误特征中的至少一个是一组合式错误特征，该组合式错误特征具有基于第一统计模型的第一错误特征以及基于第二统计模型的第二错误特征。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US74664706P | 2006-05-07 | 2006-05-07 | |
| US60/746,649 | 2006-05-07 | ||
| US60/746,647 | 2006-05-07 | ||
| US11/800,461 | 2007-05-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101438249A true CN101438249A (zh) | 2009-05-20 |
Family
ID=40711656
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2007800165002A Pending CN101438251A (zh) | 2006-05-07 | 2007-05-07 | 调适多变量错误检测 |
| CNA2007800165017A Pending CN101438249A (zh) | 2006-05-07 | 2007-05-07 | 用于错误诊断的多种错误特征 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2007800165002A Pending CN101438251A (zh) | 2006-05-07 | 2007-05-07 | 调适多变量错误检测 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN101438251A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7934125B2 (en) | 2006-05-07 | 2011-04-26 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
| US8010321B2 (en) | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
| CN102575973A (zh) * | 2009-10-19 | 2012-07-11 | 日立建机株式会社 | 工程机械的诊断系统及诊断方法 |
| CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
| EP2732371A4 (en) * | 2011-05-12 | 2015-07-29 | Saudi Arabian Oil Co | DEFECT ANALYSIS SYSTEM OF A VALVE ACTUATOR |
| CN108700873A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于自动化系统的现场设备的智能嵌入式控制系统 |
| CN111857092A (zh) * | 2020-06-22 | 2020-10-30 | 杭州群核信息技术有限公司 | 一种家居参数化模型的实时错误检测系统及方法 |
| CN111971631A (zh) * | 2018-04-06 | 2020-11-20 | 本特利内华达有限责任公司 | 用于工业机器的灵活且可扩展的监测系统 |
| CN112734641A (zh) * | 2020-12-31 | 2021-04-30 | 百果园技术(新加坡)有限公司 | 目标检测模型的训练方法、装置、计算机设备及介质 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8752142B2 (en) | 2009-07-17 | 2014-06-10 | American Express Travel Related Services Company, Inc. | Systems, methods, and computer program products for adapting the security measures of a communication network based on feedback |
| US8621636B2 (en) | 2009-12-17 | 2013-12-31 | American Express Travel Related Services Company, Inc. | Systems, methods, and computer program products for collecting and reporting sensor data in a communication network |
| US9756076B2 (en) | 2009-12-17 | 2017-09-05 | American Express Travel Related Services Company, Inc. | Dynamically reacting policies and protections for securing mobile financial transactions |
| US8650129B2 (en) | 2010-01-20 | 2014-02-11 | American Express Travel Related Services Company, Inc. | Dynamically reacting policies and protections for securing mobile financial transaction data in transit |
| US8850539B2 (en) | 2010-06-22 | 2014-09-30 | American Express Travel Related Services Company, Inc. | Adaptive policies and protections for securing financial transaction data at rest |
| US10360625B2 (en) | 2010-06-22 | 2019-07-23 | American Express Travel Related Services Company, Inc. | Dynamically adaptive policy management for securing mobile financial transactions |
| US8924296B2 (en) | 2010-06-22 | 2014-12-30 | American Express Travel Related Services Company, Inc. | Dynamic pairing system for securing a trusted communication channel |
| TWI648609B (zh) * | 2013-06-07 | 2019-01-21 | 美商科學設計股份有限公司 | 程序監控系統及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5446664A (en) * | 1992-10-07 | 1995-08-29 | Spx Corporation | Method and apparatus for diagnosing faulty cylinders in internal combustion engines |
| JPH08114530A (ja) * | 1994-10-18 | 1996-05-07 | Mitsubishi Motors Corp | 電源故障検出装置 |
| CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
| CN1550989A (zh) * | 2003-05-07 | 2004-12-01 | 有计划的计算机问题诊断和解决及其自动报告和更新 | |
| US20050222816A1 (en) * | 2004-03-31 | 2005-10-06 | Wu-Tung Cheng | Compactor independent fault diagnosis |
| CN1689000A (zh) * | 2002-08-26 | 2005-10-26 | 霍尼韦尔国际公司 | 用于复杂系统的维护信息的关系数据库 |
-
2007
- 2007-05-07 CN CNA2007800165002A patent/CN101438251A/zh active Pending
- 2007-05-07 CN CNA2007800165017A patent/CN101438249A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5446664A (en) * | 1992-10-07 | 1995-08-29 | Spx Corporation | Method and apparatus for diagnosing faulty cylinders in internal combustion engines |
| JPH08114530A (ja) * | 1994-10-18 | 1996-05-07 | Mitsubishi Motors Corp | 電源故障検出装置 |
| CN1241721A (zh) * | 1999-03-22 | 2000-01-19 | 西安交通大学 | 基于非线性频谱分析的故障检测与诊断方法 |
| CN1689000A (zh) * | 2002-08-26 | 2005-10-26 | 霍尼韦尔国际公司 | 用于复杂系统的维护信息的关系数据库 |
| CN1550989A (zh) * | 2003-05-07 | 2004-12-01 | 有计划的计算机问题诊断和解决及其自动报告和更新 | |
| US20050222816A1 (en) * | 2004-03-31 | 2005-10-06 | Wu-Tung Cheng | Compactor independent fault diagnosis |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7934125B2 (en) | 2006-05-07 | 2011-04-26 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
| US8010321B2 (en) | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
| CN102575973B (zh) * | 2009-10-19 | 2015-06-24 | 日立建机株式会社 | 工程机械的诊断系统及诊断方法 |
| CN102575973A (zh) * | 2009-10-19 | 2012-07-11 | 日立建机株式会社 | 工程机械的诊断系统及诊断方法 |
| US9057174B2 (en) | 2009-10-19 | 2015-06-16 | Hitachi Construction Machinery Co., Ltd. | Diagnosis system and diagnosis method for construction machine |
| CN102844721B (zh) * | 2010-02-26 | 2015-11-25 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
| US9122273B2 (en) | 2010-02-26 | 2015-09-01 | Hitachi, Ltd. | Failure cause diagnosis system and method |
| CN102844721A (zh) * | 2010-02-26 | 2012-12-26 | 株式会社日立制作所 | 故障原因诊断系统及其方法 |
| EP2732371A4 (en) * | 2011-05-12 | 2015-07-29 | Saudi Arabian Oil Co | DEFECT ANALYSIS SYSTEM OF A VALVE ACTUATOR |
| CN108700873A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于自动化系统的现场设备的智能嵌入式控制系统 |
| CN108700873B (zh) * | 2016-03-09 | 2022-02-11 | 西门子股份公司 | 用于自动化系统的现场设备的智能嵌入式控制系统 |
| US11347212B2 (en) | 2016-03-09 | 2022-05-31 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
| CN111971631A (zh) * | 2018-04-06 | 2020-11-20 | 本特利内华达有限责任公司 | 用于工业机器的灵活且可扩展的监测系统 |
| CN111971631B (zh) * | 2018-04-06 | 2024-01-05 | 本特利内华达有限责任公司 | 用于工业机器的灵活且可扩展的监测系统 |
| CN111857092A (zh) * | 2020-06-22 | 2020-10-30 | 杭州群核信息技术有限公司 | 一种家居参数化模型的实时错误检测系统及方法 |
| CN111857092B (zh) * | 2020-06-22 | 2024-04-30 | 杭州群核信息技术有限公司 | 一种家居参数化模型的实时错误检测系统及方法 |
| CN112734641A (zh) * | 2020-12-31 | 2021-04-30 | 百果园技术(新加坡)有限公司 | 目标检测模型的训练方法、装置、计算机设备及介质 |
| CN112734641B (zh) * | 2020-12-31 | 2024-05-31 | 百果园技术(新加坡)有限公司 | 目标检测模型的训练方法、装置、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101438251A (zh) | 2009-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101438249A (zh) | 用于错误诊断的多种错误特征 | |
| KR101019459B1 (ko) | 결함 진단을 위한 분류된 결함 시그니처들 | |
| Rato et al. | A systematic comparison of PCA‐based statistical process monitoring methods for high‐dimensional, time‐dependent processes | |
| US7765020B2 (en) | Graphical user interface for presenting multivariate fault contributions | |
| CN101258499B (zh) | 使用运行到运行控制器的故障检测与分类（fdc） | |
| US10571900B2 (en) | Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing | |
| US6952656B1 (en) | Wafer fabrication data acquisition and management systems | |
| Liu | Variation reduction for multistage manufacturing processes: a comparison survey of statistical‐process‐control vs stream‐of‐variation methodologies | |
| US20060218107A1 (en) | Method for controlling a product production process | |
| US20050143953A1 (en) | A method and system for targeting and monitoring the energy performance of manufacturing facilities | |
| US20070180324A1 (en) | Apparatus and program for process fault analysis | |
| CN102301289A (zh) | 用多变量模型控制制造工艺 | |
| Chen et al. | Autonomous mining for alarm correlation patterns based on time-shift similarity clustering in manufacturing system | |
| CN101842756A (zh) | 用于化工厂或精炼厂的连续、在线监视的系统与方法 | |
| US7096085B2 (en) | Process control by distinguishing a white noise component of a process variance | |
| US7957821B2 (en) | Systems and methods for statistical process control | |
| Duan et al. | Root cause analysis approach based on reverse cascading decomposition in QFD and fuzzy weight ARM for quality accidents | |
| US12001424B2 (en) | Interactive structured analytic systems | |
| US7242995B1 (en) | E-manufacturing in semiconductor and microelectronics processes | |
| JP5017176B2 (ja) | 製造指示評価支援システム、製造指示評価支援方法、および製造指示評価支援プログラム | |
| TW202311877A (zh) | 晶圓處理系統及方法 | |
| US20220147039A1 (en) | Event analytics in modular industrial plants | |
| US20080004835A1 (en) | System for evaluating process implementation | |
| TW200811978A (en) | Ranged fault signatures for fault diagnosis | |
| Muelaner | Unsettled Technology Domains in Industrial Metrology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20090520 |