CN102157412A - 一种基于光学发射谱信号的等离子刻蚀过程故障检测方法 - Google Patents
一种基于光学发射谱信号的等离子刻蚀过程故障检测方法 Download PDFInfo
- Publication number
- CN102157412A CN102157412A CN 201110002823 CN201110002823A CN102157412A CN 102157412 A CN102157412 A CN 102157412A CN 201110002823 CN201110002823 CN 201110002823 CN 201110002823 A CN201110002823 A CN 201110002823A CN 102157412 A CN102157412 A CN 102157412A
- Authority
- CN
- China
- Prior art keywords
- stage
- slope
- line
- characteristic spectral
- waveform
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 title claims abstract description 45
- 238000001020 plasma etching Methods 0.000 title claims abstract description 41
- 230000003287 optical effect Effects 0.000 title claims abstract description 20
- 238000000295 emission spectrum Methods 0.000 title abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000005530 etching Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims description 77
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract 1
- 238000003070 Statistical process control Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- QDGIAPPCJRFVEK-UHFFFAOYSA-N (1-methylpiperidin-4-yl) 2,2-bis(4-chlorophenoxy)acetate Chemical compound C1CN(C)CCC1OC(=O)C(OC=1C=CC(Cl)=CC=1)OC1=CC=C(Cl)C=C1 QDGIAPPCJRFVEK-UHFFFAOYSA-N 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Drying Of Semiconductors (AREA)
Abstract
本发明涉及一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其包括以下步骤:1)设置包括等离子刻蚀腔体、OES信号采集设备和监控计算机的故障检测装置;所述监控计算机内预置有先验知识模块、数据预处理模块、训练模块和故障检测模块;2)依据当前所要分析的等离子刻蚀过程的某个刻蚀步骤,将对应的先验知识输入先验知识模块;3)离线读取n个正常训练样本组成的训练样本集,结合步骤2)中的先验知识,调用数据预处理模块对各训练样本进行预处理;4)将步骤3)中预处理后的训练样本集送入训练模块,训练得到正常刻蚀过程的OES信号模板,送入故障检测模块;5)数据预处理模块接收来自OES数据采集设备的实时信号,预处理后输入到故障检测模块,并与OES信号模板进行比较,得到故障检测结果,进行显示和储存。
Description
技术领域
本发明涉及一种等离子刻蚀过程的故障检测方法,特别是关于一种基于光学发射谱(Optical Emission Spectra,OES)信号的等离子刻蚀过程故障检测方法。
背景技术
在集成电路制造过程中,等离子刻蚀(Plasma Etch)是关键的工艺步骤,其工作过程是否正常直接影响集成电路的最终质量。因此,等离子刻蚀的故障检测一直备受关注。现有的等离子刻蚀过程故障检测方法可以分为两大类:基于过程变量的统计方法;基于光学发射光谱(Optical Emission Spectra,OES)信号的分析方法。
等离子刻蚀工艺的过程变量包括气压、流量、功率、温度等。基于过程变量的刻蚀过程故障检测方法,主要有统计过程控制(Statistical ProcessControl,SPC)检测方法和主元分析(Principle Component Analysis,PCA)检测方法。SPC检测方法应用较早,其监控单个关键变量是否异常,而现代刻蚀过程中,变量数目很多,统计过程难以达到较好的故障检测结果。PCA检测方法监控多个变量间的相互关系,将过程变量投影到主元空间和残差空间,再分别应用霍特林T2统计量和平方预测误差(squared prediction error,SPE)统计量,对刻蚀过程进行故障检测;该方法是基于数据的方式,较少地利用刻蚀过程的先验物理知识,难以充分反应等离子刻蚀过程是否正常,存在一定的局限性。
等离子刻蚀过程中,等离子体从激发态跃迁到低能态,发出辉光,形成光学发射光谱(Optical Emission Spectra,OES)。典型的OES信号,包含数百条不同波长的谱线,每条谱线包含数百个采样点。OES谱线的形状和光强,直接反应刻蚀过程中等离子体状态的变化。而等离子状态异常,则会导致刻蚀结果的异常。因此,相比于基于过程变量的统计方法,分析OES信号,能更直接且有效的检测等离子刻蚀过程中产生的故障。
基于OES信号的故障检测方法主要有两种:多维主元分析(Multiway PCA,MPCA)方法;句法分析方法。OES数据具有三维特性,即样本、波长、时间三个维度。MPCA方法首先沿波长维度,对三维数据切片,重组后得到二维数据矩阵。再应用传统PCA方法,将所得到的二维矩阵投影到主元空间和残差空间,通过T2和SPE统计量实现刻蚀过程的故障检测。MPCA方法计算复杂,并且没有利用OES谱线的形状信息,难以充分反应等离子刻蚀过程的本质。句法分析方法模拟工程师分析OES信号的思维过程,其提取出OES信号波形中的关键特征,比较待检测样本的特征与标准样本特征的差异程度,判定待检测样本是否发生故障。但由于句法分析方法涉及曲线分割与合并、滤波等,算法复杂,另外工程师的经验对最后的检测效果起决定性作用,不易实现。
发明内容
针对上述问题,本发明的目的是提供一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,该方法可以充分反应等离子刻蚀过程的本质,操作简单,易于实现。
为实现上述目的,本发明采取以下技术方案:一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其包括以下步骤:1)设置故障检测装置,所述装置包括等离子刻蚀腔体、OES信号采集设备、带有显示屏的监控计算机;所述监控计算机内预置有先验知识模块、数据预处理模块、训练模块和故障检测模块;2)依据当前所要分析的等离子刻蚀过程的某个刻蚀阶段,将对应的先验知识输入先验知识模块;3)离线读取n个正常训练样本组成的训练样本集T={X1,X2,·Xn}的OES数据,结合步骤2)中的先验知识,调用数据预处理模块对各训练样本进行预处理;4)将步骤3)中,预处理后得到的训练样本集送入训练模块,进行训练,得到正常刻蚀过程的OES信号模板,送入故障检测模块,并进行存储;5)启动OES数据采集设备实时向数据预处理模块中输入OES信号,并进行预处理,将预处理后的OES信号输入故障检测模块中,通过将预处理后的OES信号与故障检测模块中的OES信号模板进行比较,得到故障检测结果,并进行显示和储存。
所述步骤2)中的先验知识包括:依据所选用的等离子体中每种元素在能态跃迁时发出的光子的频率,通过已有数据表查询挑选的m条特征谱线,以及依据该刻蚀阶段中发生的物理和化学变化的情况,将m条特征谱线的波形划分的K个阶段,分别记为阶段1,阶段2,…,阶段K。
所述步骤3)和步骤5)中,数据预处理模块的具体预处理过程包括:(a)针对每个样本,依据先验知识,从OES全谱数据中,挑选出m条特征谱线,m=1~50;(b)针对每个样本的m条特征谱线,截取出各特征谱线中对应于当前分析步骤的波形;(c)时间维度对齐,即,针对步骤(b)中截取出的每段波形,从各波形尾部均取出连续的l个采样点,l通常可以为该波形中所有采样点的60%~90%;(d)应用平均值滤波法对截取的波形进行滤波;(e)光强维度上对步骤(d)中所得的每段波形进行缩放,即,用每个采样点的光强值除以这l个采样点光强值的平均值。
所述步骤4)中的具体训练过程如下:①取训练样本X1的第一条特征谱线,由于每条特征谱线均可以用步骤3)中的l个采样点表示,因此,将训练样本X1的第一条特征谱线用l维向量[p1,p2,·,pl]表示;②将第一条特征谱线划分为K个阶段,K=2~5;记录阶段1的起始点和结束点序列号(s1,e1);应用线段拟合阶段1的波形,得到拟合线段的斜率slop1,1;同理,得到训练样本X1的其他m-1条特征谱线的阶段1的拟合线段的斜率;最终得到时间标记(s1,e1),斜率向量[slop1,1,slop1,2,·,slop1,m];同理可以得到训练样本集中其他训练样本在阶段1的时间标记和斜率矩阵;因此,可以得到训练样本集T={X1,X2,·Xn}在阶段1的时间标记序列为:
{(s1,e1),(s2,e2),·,(sn,en))
斜率矩阵为:
SLOPE=(slopei,j)n×m
其中,i=1,2,·,n;j=1,2,·,m;③获得训练样本集T={X1,X2,·Xn}在阶段1的时间标记(s(1),e(1)),
其中,i=1,2,·,n;④计算阶段1的斜率阈值;首先取出矩阵SLOPE的第一列[slop1,1,slop2,1,·,slopn,1]T,第i个训练样本的第一条特征谱线,其阶段1的拟合线段的斜率,表示为slopi,1;计算得到在阶段1中第一列拟合线段斜率的平均值μ和标准差σ,则第一列拟合线段的斜率阈值下限和斜率阈值上限满足:
同理取出矩阵SLOPE的其他各列,得到其他各列拟合线段在阶段1所对应的斜率阈值上限和斜率阈值下限,组成集合:
⑤同理,采用重复上述步骤①~④,可以得到阶段2到阶段K对应的时间标记和斜率阈值集合;其中,第i个阶段对应的时间标记为(s(i),e(i)),斜率阈值集合为:
⑥最后,得到K组时间标记和K组斜率阈值构成的正常刻蚀过程的OES信号模板。
所述步骤4)中的步骤②中,将特征谱线划分为K个阶段的方法为:首先将特征谱线分割为M段,M>K;然后将分割后所得到的M段线段合并为K段;设定线段拟合误差的容差阈值thresT,thresT=0~0.1;具体分割方法包括以下步骤:i)设置点序列S,序列S起始点的序号由s表示,结束点的序号由e表示;ii)由于每条特征谱线均可用l维向量[p1,p2,·,pl]表示,因此首先取出点p1,p2,p3加入到点序列S中,则s=1,e=3;iii)采用最小二乘法,应用线段拟合点序列S中的点;iv)计算点序列S中的点到拟合线段的误差,取出误差最大值τ;v)将误差最大值τ与容差阈值thresT进行比较:若τ小于容差阈值thresT,将点pe+1加入到点序列S中,更新e=e+1,返回步骤iii);若τ大于容差阈值thresT,则将点序列{p1,p2,·,pe-1}用线段拟合,更新s=e,e=e+2,返回步骤iii),拟合下一条线段;vi)直至谱线中所有点都已用线段拟合,分割过程结束;根据分割后的M段线段的斜率,将整条特征谱线的斜率划分为K组将分割后的M段线段进行合并,得到K个阶段,具体方法如下:i)令m=1;ii)取出第m条线段,判断第m条线段的斜率是否在区间内:若该线段的斜率在区间内,则将该线段并入阶段1;然后,令m=m+1,重复此步骤;若第m条线段的斜率不在区间内,阶段1合并完毕;iii)判断第m条线段的斜率是否在区间内,采用步骤ii)中的方法,合并阶段2;iv)以此类推,直至m=M,将所有分割出的线段合并为K个阶段。
所述步骤6)中,通过故障检测模块进行故障检测的具体步骤为:①挑选待检测样本的第一条特征谱线,由[p1,p2,·,pl]表示;②截取该特征谱线在阶段1的波形,由[ps,ps+1,...pe]表示,其中:s=s(1),e=e(1);用线段拟合阶段1,得到斜率k,如果:
可以判定待检测样本在阶段1发生故障;同理,截取该特征谱线在阶段2到阶段K的波形,判定待检测样本在阶段2到阶段K是否发生故障;③同理,采用上述步骤,挑选待检测样本的其他谱线,进行故障检测。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于对OES波形进行分段,并且每段波形对应于刻蚀过程中特定的物理化学变化,因此,可充分利用OES信号的波形信息,具有很强的物理意义。2、本发明由于对OES波形进行分段,因此,克服了OES波形平移对于故障检测的影响。3、本发明由于在故障检测阶段,仅计算若干拟合线段的斜率,因此,故障检测阶段计算简单,有利于建立在线故障检测系统。本发明充分利用了OES谱线的形状和光强信息,具有很强的物理意义,同时计算简单,易于实现,因此,可广泛用于等离子刻蚀过程的故障检测。
附图说明
图1是本发明故障检测系统结构示意图
图2是本发明监控计算机内预置模块示意图
图3是本发明测量流程示意图
图4是本发明用于实施例的测量结果示意图
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明基于以下思想:由于OES信号直接反应刻蚀过程,因此,本发明提出一种基于OES信号的等离子刻蚀故障检测方法——分段比较法。
本发明具体包括以下步骤:
1)如图1、图2所示,设置故障检测系统,其包括等离子刻蚀腔体1,等离子刻蚀腔体1通过光纤连接OES数据采集设备2,OES数据采集设备2通过电缆连接带有显示屏的监控计算机3。其中,监控计算机3内预置有先验知识模块31、数据预处理模块32、训练模块33和故障检测模块34。等离子刻蚀腔体1在刻蚀时发出辉光,经光纤传输到OES数据采集设备2,转换成数字信号后,通过电缆传输到监控计算机3。
2)依据当前所要分析的等离子刻蚀过程的某个刻蚀阶段,选择相应的先验知识输入到先验知识模块31。先验知识包括:依据所选用的等离子体中每种元素在能态跃迁时发出的光子的频率,通过已有数据表查询挑选该刻蚀阶段对应的OES(光学发射光谱)的特征谱线,共计m条,m=1~50。依据该刻蚀阶段中发生的物理和化学变化的情况,将该刻蚀阶段对应的m条特征谱线的波形划分为K个阶段,K=2~5,分别记为阶段1,阶段2,…,阶段K。
3)离线读取n个正常训练样本组成的训练样本集T={X1,X2,·Xn}的OES数据,结合步骤2)中的先验知识,调用数据预处理模块32对各训练样本进行预处理。一个训练样本,表示在一次刻蚀过程中,收集到的OES全谱数据。预处理过程包括:(a)针对每个训练样本,依据先验知识,从OES全谱数据中,挑选出m条特征谱线;(b)针对每个训练样本的m条特征谱线,截取出各特征谱线中对应于当前分析步骤的波形;(c)时间维度对齐,即,针对步骤(b)中截取出的每段波形,从各波形尾部向前取出连续的l个采样点,l通常可以为该波形中采样点总数的60%~90%;(d)应用平均值滤波法对截取的波形进行滤波;(e)光强维度上对步骤(d)中所得的每段波形进行缩放,即,用每个采样点的光强值除以l个采样点光强值的平均值。
4)将步骤3)中,预处理后得到的训练样本集送入训练模块33,进行训练,具体训练过程如下:
①取训练样本X1的第一条特征谱线,由于每条特征谱线均可以用步骤3)中的l个采样点表示,因此,将训练样本X1的第一条特征谱线用l维向量[p1,p2,·,pl]表示。
②将第一条特征谱线划分为K个阶段;记录阶段1的起始点和结束点序列号(s1,e1);应用线段拟合阶段1的波形,得到拟合线段的斜率slop1,1。同理,得到训练样本X1的其他m-1条特征谱线在阶段1的拟合线段的斜率。最终得到时间标记(s1,e1),斜率向量[slop1,1,slop1,2,·,slop1,m]。
同理可以得到训练样本集中其他训练样本在阶段1的时间标记和斜率向量。
因此,可以得到训练样本集T={X1,X2,·Xn}在阶段1的时间标记序列为:
{(s1,e1),(s2,e2),·,(sn,en)}
斜率矩阵为:
SLOPE=(slopei,j)n×m
其中,i=1,2,·,n;j=1,2,·,m。
③获得训练样本集T={X1,X2,·Xn}在阶段1的时间标记(s(1),e(1)),
④计算阶段1的斜率阈值。
首先取出矩阵SLOPE的第一列[slop1,1,slop2,1,·,slopn,1]T,第i个训练样本的第一条特征谱线,在阶段1的拟合线段的斜率表示为slopi,1。
采用公知常识中的平均值求取公式和标准差求取公式,计算得到在阶段1中第一列拟合线段斜率的平均值μ和标准差σ,则第一列拟合线段的斜率阈值下限和斜率阈值上限满足:
同理取出矩阵SLOPE的其他各列,得到其他各列拟合线段在阶段1所对应的斜率阈值上限和斜率阈值下限,组成集合:
⑤同理,重复上述步骤①~④,可以得到阶段2到阶段K对应的时间标记和斜率阈值集合。其中,第i个阶段对应的时间标记为(s(i),e(i)),斜率阈值集合为:
⑥最后,得到K组时间标记和K组斜率阈值构成的正常刻蚀过程的OES信号模板。
5)将步骤4)中得到的正常的OES信号模板存入故障检测模型模块34。
6)等离子刻蚀腔体1工作,通过OES采集设备2获得其OES信号,输入监控计算机3,通过数据预处理模块32将OES信号进行与步骤3)中相同的预处理后,送入故障检测模块34,通过故障检测模块34中的正常的OES信号模板,进行等离子刻蚀过程中的故障检测。具体故障检测步骤为:
①挑选待检测样本的第一条特征谱线,由[p1,p2,·,pl]表示。
②截取该特征谱线在阶段1的波形,由[ps,ps+1,...pe]表示,其中:s=s(1),e=e(1)。用线段拟合阶段1的波形,得到斜率k,如果:
可以判定待检测样本在阶段1发生故障。
同理,截取该特征谱线在阶段2到阶段K的波形,判定待检测样本在阶段2到阶段K是否发生故障。
③同理,采用上述步骤,挑选待检测样本的其他谱线,进行故障检测。
上述实施例中,步骤4)中的步骤②中,将特征谱线划分为K个阶段的方法为:首先将特征谱线分割为M段,M>K;然后将分割后所得到的M段线段合并为K段。
设定线段拟合误差的容差阈值thresT,thresT=0~0.1。具体分割方法包括以下步骤:
i)设置点序列S,序列S起始点的序号由s表示,结束点的序号由e表示;
ii)由于每条特征谱线均可用l维向量[p1,p2,·,pl]表示,因此首先取出点p1,p2,p3加入到点序列S中,则s=1,e=3;
iii)采用最小二乘法,用线段拟合点序列S中的点;
iv)计算点序列S中的点到拟合线段的误差,取出误差最大值τ;
v)将误差最大值τ与容差阈值thresT进行比较:
若τ小于容差阈值thresT,将点pe+1加入到点序列S中,更新e=e+1,返回步骤iii);
若τ大于容差阈值thresT,则将点序列{p1,p2,·,pe-1}用线段拟合,更新s=e,e=e+2,返回步骤iii),拟合下一条线段;
vi)直至谱线中所有点都已用线段拟合,分割过程结束。
i)令m=1;
iv)以此类推,直至m=M,将所有分割出的线段合并为K个阶段。
如图3所示,训练得到正常的OES信号模板存入故障检测模型模块34中后,可以直接用于故障检测,当检测一段时间以后,也可以重新进行训练,校正并替换原来的OES信号模板,具体流程如下:
(A)决定使用方式:选择进行训练或者测量,若选择测量则转至(G),选择训练转至(B)。
(B)根据刻蚀工艺及分析的刻蚀步骤输入相应的先验知识。
(C)读取训练样本集合。
(D)对训练样本进行预处理:挑选特征谱线,挑选工艺步骤,截取指定长度的数据,滤波,调整谱线光强。
(E)进行训练。
(F)保存训练结果,训练过程结束,转至结尾(M)。
(G)导入训练结果:训练得到的正常的OES信号模板。
(H)通过OES数据采集设备2,获得当前待测样本的OES数据。
(I)应用数据预处理模块32对获得的OES数据进行分析处理。
(J)通过故障检测模块34分析处理后的数据,得到故障检测结果。
(K)由监控计算机显示、保存结果。
(L)由用户选择是否继续诊断,若是,则转至(H),否则转至结尾(M)。
(M)结束。
以下通过一具体实施实例进行详细描述。
由北方微电子公司(NMC)提供某刻蚀工艺的OES数据集。训练集挑选25个正常样本,测试集挑选25个正常样本和3个故障样本。分析该工艺中对于故障检测最有价值的第二主刻蚀阶段(ME2),依据上述数据和工艺的具体步骤如下:
1)选择进行训练;
2)依据等离子体中每种元素在能态跃迁时发出的光子的频率,挑选该工艺对应的OES特征谱线,共17条;基于物理特性,ME2段的波形,可以分为阶段1,poly etch(多晶硅刻蚀);阶段2,转移阶段;阶段3,oxide etch(氧化层刻蚀);
3)读取25个训练样本;
4)结合先验知识,(a)针对每个样本,从OES全谱中挑选出17条特征谱线,(b)针对步骤(a)中得到的每条谱线,挑选出ME2段对应的波形,(c)针对步骤(b)中得到的每个波形,截取其最后的150个采样点,对截取后的数据进行平均值滤波;(e)对于步骤(d)中得到的每个波形,对于每个采样点,使用其光强值除以150个采样点光强的平均值;
6)求取训练结果,保存三组时间标记(1,45),(66,117),(133,150)和三组阈值集合;
7)利用上面的训练结果进行测量。对于某个待测样本,输入OES信号,经数据预处理后,调用故障检测模块34,实施检测(读取数据、读取训练结果和显示结果的过程不再详述);
8)按照第7)步所述的方法得到所有样本的故障检测结果;
9)结束。
如图4所示,为对检测集实施故障检测的结果。横坐标代表样本编号,纵坐标为1表示对应的样本为正常样本,-1表示样本发生故障。可见,该发明准确的检测出等离子刻蚀工艺发生的故障,达到了很好的故障检测效果。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其包括以下步骤:
1)设置故障检测装置,所述装置包括等离子刻蚀腔体、OES信号采集设备、带有显示屏的监控计算机;所述监控计算机内预置有先验知识模块、数据预处理模块、训练模块和故障检测模块;
2)依据当前所要分析的等离子刻蚀过程的某个刻蚀阶段,将对应的先验知识输入先验知识模块;
3)离线读取n个正常训练样本组成的训练样本集T={X1,X2,·Xn}的OES数据,结合步骤2)中的先验知识,调用数据预处理模块对各训练样本进行预处理;
4)将步骤3)中,预处理后得到的训练样本集送入训练模块,进行训练,得到正常刻蚀过程的OES信号模板,送入故障检测模块,并进行存储;
5)启动OES数据采集设备实时向数据预处理模块中输入OES信号,并进行预处理,将预处理后的OES信号输入故障检测模块中,通过将预处理后的OES信号与故障检测模块中的OES信号模板进行比较,得到故障检测结果,并进行显示和储存。
2.如权利要求1所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:所述步骤2)中的先验知识包括:依据所选用的等离子体中每种元素在能态跃迁时发出的光子的频率,通过已有数据表查询挑选的m条特征谱线,以及依据该刻蚀阶段中发生的物理和化学变化的情况,将m条特征谱线的波形划分的K个阶段,分别记为阶段1,阶段2,…,阶段K。
3.如权利要求1所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:所述步骤3)和步骤5)中,数据预处理模块的具体预处理过程包括:(a)针对每个样本,依据先验知识,从OES全谱数据中,挑选出m条特征谱线,m=1~50;(b)针对每个样本的m条特征谱线,截取出各特征谱线中对应于当前分析步骤的波形;(c)时间维度对齐,即,针对步骤(b)中截取出的每段波形,从各波形尾部均取出连续的l个采样点,l通常可以为该波形中所有采样点的60%~90%;(d)应用平均值滤波法对截取的波形进行滤波;(e)光强维度上对步骤(d)中所得的每段波形进行缩放,即,用每个采样点的光强值除以这l个采样点光强值的平均值。
4.如权利要求2所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:所述步骤3)和步骤5)中,数据预处理模块的具体预处理过程包括:(a)针对每个样本,依据先验知识,从OES全谱数据中,挑选出m条特征谱线,m=1~50;(b)针对每个样本的m条特征谱线,截取出各特征谱线中对应于当前分析步骤的波形;(c)时间维度对齐,即,针对步骤(b)中截取出的每段波形,从各波形尾部均取出连续的l个采样点,l通常可以为该波形中所有采样点的60%~90%;(d)应用平均值滤波法对截取的波形进行滤波;(e)光强维度上对步骤(d)中所得的每段波形进行缩放,即,用每个采样点的光强值除以这l个采样点光强值的平均值。
5.如权利要求1或2或3或4所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:所述步骤4)中的具体训练过程如下:
①取训练样本X1的第一条特征谱线,由于每条特征谱线均可以用步骤3)中的l个采样点表示,因此,将训练样本X1的第一条特征谱线用l维向量[p1,p2,·,pl]表示;
②将第一条特征谱线划分为K个阶段,K=2~5;记录阶段1的起始点和结束点序列号(s1,e1);应用线段拟合阶段1的波形,得到拟合线段的斜率slop1,1;同理,得到训练样本X1的其他m-1条特征谱线的阶段1的拟合线段的斜率;最终得到时间标记(s1,e1),斜率向量[slop1,1,slop1,2,·,slop1,m];
同理可以得到训练样本集中其他训练样本在阶段1的时间标记和斜率矩阵;
因此,可以得到训练样本集T={X1,X2,·Xn}在阶段1的时间标记序列为:
{(s1,e1),(s2,e2),·,(sn,en)}
斜率矩阵为:
SLOPE=(slopei,j)n×m
其中,i=1,2,·,n;j=1,2,·,m;
③获得训练样本集T={X1,X2,·Xn}在阶段1的时间标记(s(1),e(1)),
其中,i=1,2,·,n;
④计算阶段1的斜率阈值;
首先取出矩阵SLOPE的第一列[slop1,1,slop2,1,·,slopn,1]T,第i个训练样本的第一条特征谱线,其阶段1的拟合线段的斜率,表示为slopi,1;计算得到在阶段1中第一列拟合线段斜率的平均值μ和标准差σ,则第一列拟合线段的斜率阈值下限和斜率阈值上限满足:
同理取出矩阵SLOPE的其他各列,得到其他各列拟合线段在阶段1所对应的斜率阈值上限和斜率阈值下限,组成集合:
⑤同理,采用重复上述步骤①~④,可以得到阶段2到阶段K对应的时间标记和斜率阈值集合;其中,第i个阶段对应的时间标记为(s(i),e(i)),斜率阈值集合为:
⑥最后,得到K组时间标记和K组斜率阈值构成的正常刻蚀过程的OES信号模板。
6.如权利要求5所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:
所述步骤4)中的步骤②中,将特征谱线划分为K个阶段的方法为:首先将特征谱线分割为M段,M>K;然后将分割后所得到的M段线段合并为K段;
设定线段拟合误差的容差阈值thresT,thresT=0~0.1;具体分割方法包括以下步骤:
i)设置点序列S,序列S起始点的序号由s表示,结束点的序号由e表示;
ii)由于每条特征谱线均可用l维向量[p1,p2,·,pl]表示,因此首先取出点p1,p2,p3加入到点序列S中,则s=1,e=3;
iii)采用最小二乘法,应用线段拟合点序列S中的点;
iv)计算点序列S中的点到拟合线段的误差,取出误差最大值τ;
v)将误差最大值τ与容差阈值thresT进行比较:
若τ小于容差阈值thresT,将点pe+1加入到点序列S中,更新e=e+1,返回步骤iii);
若τ大于容差阈值thresT,则将点序列{p1,p2,·,pe-1}用线段拟合,更新s=e,e=e+2,返回步骤iii),拟合下一条线段;
vi)直至谱线中所有点都已用线段拟合,分割过程结束;
i)令m=1;
若第m条线段的斜率不在区间内,阶段1合并完毕;
iii)判断第m条线段的斜率是否在区间内,采用步骤ii)中的方法,合并阶段2;
iv)以此类推,直至m=M,将所有分割出的线段合并为K个阶段。
7.如权利要求1或2或3或4或6所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:所述步骤6)中,通过故障检测模块进行故障检测的具体步骤为:
①挑选待检测样本的第一条特征谱线,由[p1,p2,·,pl]表示;
②截取该特征谱线在阶段1的波形,由[ps,ps+1,...pe]表示,其中:s=s(1),e=e(1);用线段拟合阶段1,得到斜率k,如果:
可以判定待检测样本在阶段1发生故障;
同理,截取该特征谱线在阶段2到阶段K的波形,判定待检测样本在阶段2到阶段K是否发生故障;
③同理,采用上述步骤,挑选待检测样本的其他谱线,进行故障检测。
8.如权利要求5所述的一种基于光学发射谱信号的等离子刻蚀过程故障检测方法,其特征在于:所述步骤6)中,通过故障检测模块进行故障检测的具体步骤为:
①挑选待检测样本的第一条特征谱线,由[p1,p2,·,pl]表示;
②截取该特征谱线在阶段1的波形,由[ps,ps+1,...pe]表示,其中:s=s(1),e=e(1);用线段拟合阶段1,得到斜率k,如果:
可以判定待检测样本在阶段1发生故障;
同理,截取该特征谱线在阶段2到阶段K的波形,判定待检测样本在阶段2到阶段K是否发生故障;
③同理,采用上述步骤,挑选待检测样本的其他谱线,进行故障检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110002823A CN102157412B (zh) | 2011-01-07 | 2011-01-07 | 一种基于光学发射谱信号的等离子刻蚀过程故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110002823A CN102157412B (zh) | 2011-01-07 | 2011-01-07 | 一种基于光学发射谱信号的等离子刻蚀过程故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102157412A true CN102157412A (zh) | 2011-08-17 |
CN102157412B CN102157412B (zh) | 2012-10-10 |
Family
ID=44438811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110002823A Expired - Fee Related CN102157412B (zh) | 2011-01-07 | 2011-01-07 | 一种基于光学发射谱信号的等离子刻蚀过程故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102157412B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105474378A (zh) * | 2014-02-25 | 2016-04-06 | 应用材料公司 | 使用光学传感器的脉冲等离子体监测 |
CN107403723A (zh) * | 2017-06-20 | 2017-11-28 | 上海华力微电子有限公司 | 一种改善刻蚀关键尺寸稳定性的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5658423A (en) * | 1995-11-27 | 1997-08-19 | International Business Machines Corporation | Monitoring and controlling plasma processes via optical emission using principal component analysis |
US20050016947A1 (en) * | 2001-03-23 | 2005-01-27 | David Fatke | Method and apparatus for endpoint detection using partial least squares |
CN101663735A (zh) * | 2007-08-24 | 2010-03-03 | 塞米西斯科株式会社 | 使用智能算法的实时腔室监控方法 |
-
2011
- 2011-01-07 CN CN201110002823A patent/CN102157412B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5658423A (en) * | 1995-11-27 | 1997-08-19 | International Business Machines Corporation | Monitoring and controlling plasma processes via optical emission using principal component analysis |
US20050016947A1 (en) * | 2001-03-23 | 2005-01-27 | David Fatke | Method and apparatus for endpoint detection using partial least squares |
CN101663735A (zh) * | 2007-08-24 | 2010-03-03 | 塞米西斯科株式会社 | 使用智能算法的实时腔室监控方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105474378A (zh) * | 2014-02-25 | 2016-04-06 | 应用材料公司 | 使用光学传感器的脉冲等离子体监测 |
CN105474378B (zh) * | 2014-02-25 | 2019-10-15 | 应用材料公司 | 使用光学传感器的脉冲等离子体监测 |
CN107403723A (zh) * | 2017-06-20 | 2017-11-28 | 上海华力微电子有限公司 | 一种改善刻蚀关键尺寸稳定性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102157412B (zh) | 2012-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996077B (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN103776480B (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN107154783B (zh) | 应用独立成分分析和s变换检测光伏系统故障电弧的方法 | |
CN103034170B (zh) | 一种基于区间的数控机床性能预测方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN103869192B (zh) | 智能电网线损检测方法和系统 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN104899327A (zh) | 一种无类别标签的时间序列异常检测方法 | |
CN105466693A (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
CN106548013A (zh) | 利用改进不完全s变换的电压暂降源识别方法 | |
CN102542159A (zh) | 一种在轨航天器状态预测方法 | |
CN103852525B (zh) | 基于ar-hmm的声发射信号识别方法 | |
CN103674921A (zh) | 基于k最近邻法煤矿井下突水水源预测的检测方法 | |
CN102157412B (zh) | 一种基于光学发射谱信号的等离子刻蚀过程故障检测方法 | |
CN113496440A (zh) | 一种用户异常用电检测方法及系统 | |
Cheng et al. | A research about pattern recognition of control chart using probability neural network | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN110119579A (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN103389360A (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
CN109299201A (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN103196691B (zh) | 基于主对角元占优模糊关系矩阵建立相关性故障测试矩阵的方法 | |
CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121010 Termination date: 20160107 |