CN101446804A - 一种工艺控制方法和装置 - Google Patents

Abstract

本发明提供了一种工艺控制方法，包括：步骤a、接收目标输出变量；步骤b、通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；步骤c、向实际工艺设备输入所述目标过程变量，获得实际输出变量；步骤d、判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回步骤b；如果满足预设要求，则结束。本发明对于减少计算量和提高控制精度有着比较明显的作用。

Description

一种工艺控制方法和装置

技术领域

本发明涉及工业过程控制技术领域，特别是涉及一种工艺控制的方法和装置。

背景技术

工艺反馈控制，即利用反馈信息进行的控制。生产系统的实际工作表现由感应系统或量度系统进行测定，然后同所要求的标准进行比较，如存在差异，则由控制系统加以解释，并由控制系统给操纵装置下命令，以便改正工作表现，消除异差。这是最简单的反馈制模式。

例如，在半导体刻蚀工艺中，工艺的反馈控制技术是非常关键的一项技术。近几年来，随着工艺刻蚀技术的不断更新，在刻蚀过程中人们对刻蚀设备以及硅片质量的控制要求也变得越来越高。针对具体的刻蚀工艺过程，如何有效的实现设备与硅片性能的反馈控制，已经成为当今世界IC行业研究的一个热点问题。

目前用于工艺反馈控制的原理方法主要包括：指数加权移动平均法(EWMA，包括单指数加权移动平均法(SEWMA)与双指数加权移动平均法(DEWMA))、非线性规划控制方法(NLP)以及模型预测控制方法(MPC)等。

这类方法的基本思想是：根据现有的正常工艺下的历史数据，按照一定的标准，采用响应曲面分析方法(RSM，主要是线性回归、最小二乘法或神经网络方法等)拟合出工艺输出变量与工艺输入变量之间的函数关系式，即预测模型；对于一待检测样本，首先采用预测模型计算出工艺输出变量，然后基于工艺预测输出值与实际输出值的差值，不断地调整工艺的预测模型和控制参数，直至输出变量的预测值与实际值的差值符合现行的工艺规定，即得到合适的预测模型和控制参数。

与其它的工艺控制方法(开环控制、前馈控制)相比，指数加权移动平均法、非线性规划控制方法以及模型预测控制方法均属于闭环控制方法，在进行工艺的反馈控制过程中，它们一般都具有较好的控制效果。

然而，作为现阶段最常用的三种反馈控制方法，指数加权移动平均法、非线性规划控制方法以及模型预测控制方法在实际应用的过程中仍然存在一些不足。如下：

指数加权移动平均法只适合于单输入单输出的控制系统，其在进行多输入单输出以及多输入多输出的系统控制时，计算过程非常复杂，控制模型中一个小环节处理不好，就可能导致误差居高不下；

对于非线性规划控制方法，其难点在于计算过程的复杂性和不确定性(并不是所有的非线性规划问题都可以求解)；

模型预测控制方法，则由于涉及的控制过程过于复杂，其在实际工艺生产中应用的可行性并不是很大。

为了解决这些问题，很多专业人员开始引进各种新型技术，来改进现有的控制方法。总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够提出一种更有效的工艺反馈控制方法。

发明内容

本发明所要解决的技术问题是提供一种工艺反馈控制方法和装置，能够非常有效的实现工艺反馈控制，在一定程度上，提高工艺反馈控制的精度和避免计算的复杂性，降低反馈控制的计算量。

为了解决上述问题，本发明公开了一种工艺控制方法，具体包括：

步骤a、接收目标输出变量；

步骤b、通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；

步骤c、向实际工艺设备输入所述目标过程变量，获得实际输出变量；

步骤d、判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回步骤b；如果满足预设要求，则结束。

优选的，所述目标过程变量与预设基准值之间的距离包括：相对距离、绝对距离或者加权距离。

优选的，所述调整所述预置的工艺预测模型的方式包括调整增益系数和/或截距。

优选的，所述工艺预测模型通过数据样本分析获得。

优选的，当存在多组符合预设要求的目标过程变量时，依据偏差值和/或单个目标过程变量的调整幅度从中筛选出最优的一组目标过程变量。

依据本发明的另一实施例，还公开了一种工艺控制装置，具体包括：

工艺目标接收模块，用于接收目标输出变量；

反馈处理模块，用于通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；

设备接口模块，用于向实际工艺设备输入所述目标过程变量，并检测获得实际输出变量；

判断反馈模块，用于判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回反馈处理模块；如果满足预设要求，则结束。

优选的，所述目标过程变量与预设基准值之间的距离包括：相对距离、绝对距离或者加权距离。

优选的，所述调整所述预置的工艺预测模型的方式可以包括调整增益系数和/或截距。

优选的，所述工艺预测模型通过数据样本分析获得。

优选的，所述装置还可以包括：筛选模块，用于当存在多组符合预设要求的目标过程变量时，依据偏差值和/或单个目标过程变量的调整幅度从中筛选出最优的一组目标过程变量。

与现有技术相比，本发明具有以下优点：

本发明整体思路仍然采用非线性规划控制方法的原理，但是通过引入最临近法则的技术思想来实现工艺的反馈控制，可以获得较好的控制误差，可以较好的避免工艺漂移；并将一般的在多维空间中搜索最优点的计算模式改变为在多维平面上搜索最优点的计算模式，从而降低了计算量。

本发明可以适合所有的控制系统，例如，单输入单输出(SISO)系统、多输入单输出(MISO)系统、多输入多输出(MIMO)系统等；其次，本发明对于减少工艺反馈控制的计算量和提高工艺反馈控制的精度也有着比较明显的作用。

附图说明

图1是本发明一种工艺控制方法的实施例的步骤流程图；

图2是本发明采用普通反馈控制模型和最临近法则反馈控制模型的误差对比图；

图3是本发明一种工艺控制装置实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明所述的方法可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本发明所述的反馈控制过程可以通过众多通用或专用的计算系统环境或配置完成。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、包括以上任何系统或设备的分布式计算环境等等。

参照图1，示出了本发明一种工艺控制方法的实施例，具体可以包括以下步骤：

步骤101、接收目标输出变量；

步骤102、通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；

其中，所述反馈控制模型中所述的对目标过程变量与预设基准值之间的距离的计算，其中的距离可以包括相对距离，也可以包括绝对距离或者加权距离。

步骤103、向实际工艺设备输入所述目标过程变量，获得实际输出变量；

步骤104、判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回步骤102；如果满足预设要求，则结束。

步骤101所接收的工艺目标参数，是依据针对整个工艺的主控制逻辑确定的，对于不同的工艺或者工艺设备，或者不同的工艺时刻，其工艺目标参数有可能是变化的，本发明就是依据既定的工艺目标，来反馈调整得到最优的工艺输入参数(Recipe，过程变量，输入变量)。而对于具体的工艺目标参数，本发明无需加以限定。

步骤102是整个反馈控制的核心步骤之一，主要通过数学解析运算的方式得到一组或者多组符合要求的目标过程变量(因为一般的工艺控制可能同时具有多个输入变量)。

其中的工艺预测模型是依据预先采用的多组数据样本分析得到的；例如，通过响应曲面分析、多元线形回归或者神经网络等方法，依据数据样本计算得到输入变量与输出变量之间的函数关系——工艺预测模型。所述的反馈控制模型是依据已定的控制目标(目标函数)及控制条件(约束条件)建立的，然后针对上述模型通过编程(例如，C语言或者MATLAB等)，即可计算得到所需的目标过程变量。

步骤103用于实际运行步骤102得到的目标过程变量，将其作为实际设备的输入变量，然后通过步骤104对步骤103实际运行得到的实际输出变量和所需的工艺目标输出变量进行比较，计算控制误差；如果在预设要求内，则说明整体的反馈控制过程符合要求；而如果控制误差不再预设要求内，则依据一定的规则对所述工艺预测模型进行调整(一般对其系数进行调整)，然后返回步骤102重新运算。上述过程循环执行，直到计算得到的控制误差符合预设要求。所述预设要求可以为：控制误差小于1％或者0.5％等等。

上述的针对工艺预测模型和反馈控制模型的具体运算过程，以及反馈调整工艺预测模型的具体过程，都属于非线性规划控制方法的数据原理部分，已经被本领域技术人员所熟知，所以在此不再详述。

需要说明的是，在步骤103的实际设备运行中，可能运行了不符合要求的工艺过程变量，导致这些实际运行的原料作废，这些可能的浪费作为工艺试运行是需要的。

一般的，针对每一个新的工艺目标输出变量，都需要经过本实施例上述的几个步骤加以控制，从而在计算量较低和控制精度较高的前提下，获得所需的目标过程变量。

在一些情况下，通过步骤102的计算，有可能得到多组符合反馈控制模型的目标过程变量，但是不能一一交给实际设备进行运行，因为会造成较大的浪费。所以优选的，当存在多组符合预设要求的目标过程变量时，图1所示的实施例还可以依据偏差值(控制误差值)和/或单个目标过程变量的调整幅度从中筛选出最优的一组目标过程变量。

调整幅度是指目标过程变量与基准值(Baseline)相比的幅度，从工艺的角度来讲，用最小的Recipe变化幅度来实现最好的控制结果，当然是最优的！所以，这个参数可以用来筛选一组最优解，而一般的，调整幅度不超过10％。

本发明所采用的解决方案的核心思想仍然采用的是非线形控制方法的思想，但是对于非线形控制思想，实际中并没有见到具体的解决方案和具体的控制模型。

本专利的发明人，最开始提出的反馈控制模型(称之为普通反馈控制模型)如下：

Min Z＝(T₀-y(x₁，x₂，…，x_k))²

$s.t\left\{\begin{array}{c}{L}_1\≤x_1\≤M_1\\ L_2\≤x_2\≤M_2\\ \·\\ \·\\ \·\\ L_k\≤x_k\≤M_k\end{array}\right.$

其中，Min表示求解该目标函数的最小值；s.t表示约束条件。目标输出变量的期望值为T₀；针对该具体的工艺设备，需要多个工艺过程变量，而各个工艺过程变量的取值范围为x_i∈[L_i，M_i]、i＝1，2，…，k。

上述反馈控制模型虽然比较易于提出，但是由于其约束条件是一个k维的封闭空间，其计算过程相当于在一个空间中搜索合适的点，并且在这个k维空间中可能存在多组满足目标函数(多维曲面)的最优解，所以计算量非常大。

其次，针对上述反馈控制模型，计算得到的在k维空间中满足目标函数的多个点，其中一般都存在较多的不满足调整幅度小于10％的要求。而实际的工艺反馈中，一般都要求工艺输入变量的调整幅度不能超过10％，否则非常容易引起工艺漂移。

具体而言，在上述的反馈控制模型中，工艺的各过程变量在自己的取值范围内可以自由变化，直至工艺输出变量(控制目标)的预测值与期望值的偏差满足控制的精度要求。从理论方面来讲，上述这种工艺控制法则确实是毫无问题，但在实际的工艺生产中，它可能会存在不合理的因素，例如：刻蚀工艺作为一种高精密的行业，如果在生产的过程中因为要调整工艺控制目标而引起工艺Recipe(工艺过程变量)大幅波动，则很可能导致工艺发生漂移现象(设备不稳定)，从而产生更多的浪费。

为了避免这一问题，本专利的发明人，经过进一步的研究，提出了基于最临近法则的反馈控制模型(称之为最临近法则反馈控制模型)，如下：

$\left\{\begin{array}{cc}\mathrm{Min}& Z=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{((x_i-b_i)/b_i)}^2\\ S.T& T_0=y(x_1,x_2,x_3,x_4)\end{array}\right.$

其中，其约束条件为k维平面，其计算过程相当于在在一个k维平面中搜索最优点，相比于在k维空间中搜索，其计算量将大大降低。

下面通过一个具体的例子对采用最临近法则反馈控制模型，完成本发明反馈控制的流程作进一步的说明：

Step1：建模样本数据的选取。根据预先确定的工艺输出变量与输入变量(过程变量)，按照以下因素从历史数据中选取一定数目的建模样本：①样本数据类型的一致性；②样本数据精度的合理性；③样本数据变化的多样性。上述选取规则的目的是为了获取能够全面反映实际情况的样本数据。为了更加形象的说明工艺样本数据的选择方法，本文下面给出一具体的仿真实例：

表1  数据样本

Step2：工艺预测模型的建立。输入输出变量及数据样本确定以后，再采用多元线性回归等方法就可以得到输入变量与输出变量之间的函数关系式，即工艺预测模型。设工艺的输出变量为y，输入变量为x₁，x₂，…，x_k，则工艺的预测模型可用下列方程式来表示：

y(x₁，x₂，…，x_k)＝a₀+a₁x₁+a₂x₂+…+a_kx_k

基于表1中已给出的数据样本，采用多元线性回归的方法可以得到相应工艺的预测模型，如下：

Y＝-0.1490x₁+0.0586x₂+0.9821x₃+0.6218x₄+112.4246

反馈调整所述预置的工艺预测模型的具体方式可以为调整系数，所述调整系数可以包括调整增益系数，也可以包括调整截距(如，a₀)。

Step3：反馈控制模型的建立。本发明所采用的工艺最临近控制法则的基本思想是：预先设定各工艺过程变量的基准值(又称为工艺Recipe的Baseline)，在反馈控制的过程中，工艺过程变量的取值除了要满足输出变量的预测值与期望值之间的误差要求，还必须与所设定的基准值是最临近的，即新生成的Recipe与基准值之间的变动是最小的。

工艺控制法则确定以后，接下来就可以采用数学规划的方法来建立起工艺的反馈控制模型。设工艺过程控制变量的基准值Baseline为[b₁，b₂，b₃，b₄]，输出变量的期望值为T₀，则工艺的反馈控制模型可以为：

$\left\{\begin{array}{cc}\mathrm{Min}& Z=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{((x_i-b_i)/b_i)}^2\\ S.T& T_0=y(x_1,x_2,x_3,x_4)\end{array}\right.$

Step4：假设四个工艺过程控制变量的Baseline分别为[80，250，65，10.0]，则此种情况下工艺反馈控制的输出结果如表2所示，其中的反馈控制绝对误差是指实际输出值和目标输出值之间的绝对误差(此处的数值均采用绝对大小的值，并非百分比数值)。

表2  基于最临近法则的非线性控制方法的计算结果

为了对比体现本发明的进一步效果，对于没有采用本发明最临近法则的反馈控制模型的普通反馈控制模型的输出结果记录如下：

表3  普通非线性控制方法的计算结果

从上面表2和表3所示数据的对比，易于知悉，采用最临近法则的非线性控制方法可以达到更高的控制精度。

为了更加明晰的说明，参照图2，示出了采用普通反馈控制模型和最临近法则反馈控制模型的误差对比图。对比相同条件下最临近法则的工艺反馈控制方法与一般的非线形工艺控制方法的误差结果，可以发现：采用最临近法则的工艺反馈控制方法更加适合于实际的工艺需求，其进行反馈控制的精度也比现有的工艺控制方法更加满足现行的工艺标准，而这一点却正是今后实现先进工艺自动化控制的关键。

上面具体例子中的最临近反馈控制模型采用的是相对距离的标准，而实际上反馈值与基准值之间的变动除了采用相对距离来描述以外，还可以采用绝对距离、加权距离等其它方法来描述，在这种情形下，工艺的反馈控制模型可采用如下方程式来表示：

$\left\{\begin{array}{cc}\mathrm{Min}& Z=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{abs}[x_i-b_i]\\ S.T& T_0=y(x_1,x_2,x_3,x_4)\end{array}\right.$       

上述两个反馈控制模型中，模型一为绝对距离控制模型(也可以加权)，模型二为加权距离控制模型(权重w_i满足w₁+w₂+w₃+w₄＝1，在实际控制过程中可根据各工艺过程变量的重要性以及它们与控制目标的相关性来确定各权重的大小)，若对这两种模型赋予合理的初始条件，也能同样地实现工艺的反馈控制。

参照图3，示出了一种工艺控制装置实施例，其可以作为一个独立的反馈控制装置，一般的也可以作为一个独立的功能模块集成到先进过程控制(Advanced Process Control，APC)系统中。该装置具体可以包括以下部件：

工艺目标接收模块301，用于接收目标输出变量；

反馈处理模块302，用于通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；所述目标过程变量与预设基准值之间的距离包括：相对距离、绝对距离或者加权距离。所述工艺预测模型可以通过数据样本分析获得。

设备接口模块303，用于向实际工艺设备输入所述目标过程变量，并检测获得实际输出变量；

判断反馈模块304，用于判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回反馈处理模块；如果满足预设要求，则结束。所述调整所述预置的工艺预测模型的方式可以包括调整系数和/或截距。

上述的模块划分仅仅是针对本发明中反馈控制流程相对应的一种功能划分，实际上还可能存在其他的模块划分方式，例如，将判断反馈模块304划分为判断模块和反馈调整模块。即将上述各个模块中的功能进行拆分或者重新组合都属于该装置实施例的等同范围之内。

当存在多组符合预设要求的目标过程变量时，图3所示的装置还可以包括筛选模块，用于依据偏差值和/或单个目标过程变量的调整幅度从中筛选出最优的一组目标过程变量。然后将该组目标过程变量传送给实际设备进行操作。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种工艺反馈控制的方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1、一种工艺控制方法，其特征在于，包括：

步骤a、接收目标输出变量；

步骤b、通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；

步骤c、向实际工艺设备输入所述目标过程变量，获得实际输出变量；

步骤d、判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回步骤b；如果满足预设要求，则结束。

2、如权利要求1所述的方法，其特征在于，所述目标过程变量与预设基准值之间的距离包括：相对距离、绝对距离或者加权距离。

3、如权利要求1所述的方法，其特征在于，所述调整所述预置的工艺预测模型的方式包括调整增益系数和/或截距。

4、如权利要求1所述的方法，其特征在于，所述工艺预测模型通过数据样本分析获得。

5、如权利要求1所述的方法，其特征在于，当存在多组符合预设要求的目标过程变量时，依据偏差值和/或单个目标过程变量的调整幅度从中筛选出最优的一组目标过程变量。

6、一种工艺控制装置，其特征在于，包括：

工艺目标接收模块，用于接收目标输出变量；

反馈处理模块，用于通过预置的工艺预测模型和反馈控制模型计算目标过程变量；所述工艺预测模型用于描述过程变量和输出变量之间的函数关系；所述反馈控制模型的目标函数为：求解与预设基准值距离最小的目标过程变量；所述反馈控制模型的约束条件为：目标输出变量和目标过程变量符合工艺预测模型；

设备接口模块，用于向实际工艺设备输入所述目标过程变量，并检测获得实际输出变量；

判断反馈模块，用于判断所述目标输出变量和所述实际输出变量之间的偏差；如果不满足预设要求，则调整所述预置的工艺预测模型，返回反馈处理模块；如果满足预设要求，则结束。

7、如权利要求6所述的装置，其特征在于，所述目标过程变量与预设基准值之间的距离包括：相对距离、绝对距离或者加权距离。

8、如权利要求6所述的装置，其特征在于，所述调整所述预置的工艺预测模型的方式包括调整增益系数和/或截距。

9、如权利要求6所述的装置，其特征在于，所述工艺预测模型通过数据样本分析获得。

10、如权利要求6所述的装置，其特征在于，还包括：

筛选模块，用于当存在多组符合预设要求的目标过程变量时，依据偏差值和/或单个目标过程变量的调整幅度从中筛选出最优的一组目标过程变量。

Images