CN102243494A - 异常处理的方法以及用于工艺控制的异常处理方法 - Google Patents

Abstract

本发明提供一种异常处理的方法以及用于工艺控制的异常处理方法，该异常处理方法包括存取一异常事件的一异常类型，根据至少一定义标准，过滤历史数据以提供一数据列，其中数据列包括多数据集，每一数据集包括一历史条件以及一历史控制参数，并且根据每一历史条件，分配一权重系数至每一数据集；以及利用权重系数及历史控制参数，提供一目前控制参数至每一数据集。本发明降低公知处理程序的维持负载，以及降低公知处理程序决定控制参数的计算时间。

Description

异常处理的方法以及用于工艺控制的异常处理方法

技术领域

本发明涉及半导体元件工艺，尤其涉及工艺控制中异常事件的处理。

背景技术

一般而言，半导体元件工艺中的异常事件经常发生，异常事件可能中断及阻碍工艺控制系统中的常态控制流程。举例而言，这些异常事件可能为新投片(new-tape-out；NTO)、长时间停机(long-time-no-run；LTNR)、定期维修(periodic maintenance；PM)及新腔室释气(new chamber release)等诸如此类。异常事件的影响可能导致工艺控制的参数与仪器的实际状态或工艺不匹配。一般而言，上述异常事件的影响在模块化的过程中是不明确的，或典型地使常态控制演算规则的模块过程变得非常困难。

在异常事件发生后，工程师一般会输入一控制参数企图修正不匹配的参数值。工程师所输入的控制参数通常是基于工程师本身熟知的经验及判断而决定的，因此导致异常事件发生后的工艺结果差异非常大，且不同的工程师彼此亦存在不同的差异，特别是经验较浅与经验较深的工程师之间。

当手动处理异常事件时通常需要相当长的一段时间，一工程师在一适当控制参数的决定上可能就要花费数小时，其导致一大的持续工作量且降低产能。以上为本实施例欲克服的缺点。

发明内容

为了解决上述问题，本发明提供一种异常处理的方法，包括存取一异常事件的一异常类型(exception type)，根据至少一定义标准，过滤历史数据以提供一数据列(data train)，其中数据列包括多数据集，每一数据集包括一历史条件以及一历史控制参数，并且根据每一历史条件，分配一权重系数至每一数据集；以及利用权重系数及历史控制参数，提供一目前控制参数至每一数据集。

本发明最后揭示一种用于工艺控制的异常处理方法，包括当一异常事件发生时，判断一异常类型，并根据异常类型，初始化多过滤器中之一者以及多权重计算器中之一者。使用已初始化的过滤器过滤一历史数据，用以提供包含多数据集的一数据列，每一数据集包含一历史条件以及一历史控制参数，以及根据每一数据集的历史控制参数以及每一数据集中由已初始化的权重计算器所提供的一权重系数，提供一建议参数。

本发明的实施例可达成公知处理程序所无法达成的优势。本发明的实施例比较公知处理程序，其可降低公知处理程序的维持负载，以及降低公知处理程序决定控制参数的计算时间。例如实施例可将计算参数的时间由数小时降低至数秒，如由原本的五小时降低至十分钟。同时本实施例可达到改善产品间的误差。本发明者实验本实施例时，发现先进工艺技术作业平台(APC)系统中的多晶硅沉积工艺(polysilicon deposition process)，其覆盖范围平均改善近乎30％，晶片周转率改善近乎14-32％，其工艺等待时间(Q-time)增加近乎24-46％，以及运作速率亦改善从35至1.5％，一96％的改善。

附图说明

图1为本发明中的处理器系统的方块图。

图2为本发明中的智慧型生产程序控制保证系统的流程图。

图3为本发明中的广义的工作流程图。

上述附图中的附图标记说明如下：

10～处理器系统

12～处理器单元

14～中央处理器

16～存储器

18～大量存储装置

20～总线

22～视频配接器

24～输入/输出接口

26～网络接口

28～显示器

30～输入/输出装置

32～区域网络或广域网络

50～智慧型生产程序控制保证系统

52、82～情境决定单元

54、56、58～异常事件

60～历史数据

62～核心

64～过滤器

66～加权计算器

68～建议参数

70～先进工艺技术作业平台(APC)参数

80～广义的工作流程图

90～提供数据

92～核心

94～建议先进工艺技术作业平台参数

96～先进工艺技术作业平台系统

具体实施方式

以下将详细讨论本发明各种实施例的制造及使用方法。然而值得注意的是，本发明所提供的许多可行的发明概念可实施在各种特定范围中。这些特定实施例仅用于举例说明本发明的制造及使用方法，但非用于限定本发明的范围。

本发明将以一在先进工艺技术作业平台(advance process control APC)下的异常处理智慧型制造程序控制系统为例说明，本发明亦适用于其他状况的异常处理以及其他工艺控制系统。

图1为一处理器系统10的方块图，其为本发明的一实施例。处理器系统10为一般用途的一计算机平台，且可用以实现任一或所有本文讨论的方法。处理器系统10可包括一处理器单元12，例如一桌上型计算机、一工作站、一笔记型计算机或一特定用途的属的客制化单元。处理器系统10可装设一显示器28以及一个或一个以上的输入/输出装置30，例如一鼠标、一键盘或一打印机。处理器单元12可包含一中央处理器(CPU)14、一存储器16、一大量存储装置18、一视频配接器22以及一输入/输出接口24，输入/输出接口24连接至一总线20。

总线20可为一个或一个以上的任何类型的多总线架构，上述多总线架构包括一存储器总线或一存储器控制器、一周边总线或一视频总线。中央处理器14可包括任何类型的电子数据处理器，以及存储器16可包括任何类型的系统存储器，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)或只读存储器(ROM)。

大量存储装置18可包括任何类型的存储装置，用以存储数据、程序及其他信息，并且使上述的数据、程序及其他信息可传输至总线20。大量存储装置18可包括的例如一个或一个以上的硬盘机、磁碟机或一光碟机。

视频配接器22以及输入/输出接口24提供多个沟通接口用以将外部的输入以及输出装置耦接至处理器单元12。如图1所示，举出了一种外部的输入以及输出装置，其包含显示器28耦接至视频配接器22以及输入/输出装置30。输入/输出装置30好比一鼠标、键盘、打印机以及它等诸如此类的装置，其耦接至输入/输出接口24。另外，可利用外加或较少数的接口卡耦接其他装置至程序处理器单元12。例如一串行接口卡(无图示)可用以提供一串行接口给一打印机。处理器单元12亦可包含一网络接口26，其可连接至一区域网络(LAN)或广域网络(WAN)32及/或一无线网络。

其值得注意的是处理器系统10亦可包含其他元件。例如，处理器系统10可包含多电源供应、多电缆、一主机板、多可移动式存储媒体、多外壳以及其它等诸如此类的元件。上述的其他元件虽然无显示于图示上，但仍视为本发明处理器系统10的一部分。

本发明的实施例可实施在处理器系统10上，例如利用中央处理器14执行程序码。虽然本说明书中仅讨论了一些相关可实施的实施例，但本领域普通技术人员应能轻易地了解如下所描述的程序在处理器单元12的其他应用。

图2所示为对应于本实施例的一智慧型生产程序控制保证(intelligentmanufacturing process control assurance；IMPCA)系统50的流程图。智慧型生产程序控制保证系统50包括一情境决定单元(scenario function)52用以触发智慧型生产程序控制保证系统50的运算以及决定一异常类型。如图2所示，情境决定单元52用以提供一第一异常事件54、一第二异常事件56以及第三异常事件58。情境决定单元52能搭载任何数量的异常类型，图中所示的三个异常事件只为说明之用，事实上不具数量限制。举例而言，异常事件为一新投片(NTO)、长时间停机(no-time-no-run LTNR)、定期维修(PM)、新腔室释气(new chamber release)以及它等诸如此类的异常事件。

情境决定单元52决定上述异常类型后提供上述异常类型至一核心(kemel)62。情境决定单元52可由许多不同的方式实施。举例而言，情境决定单元52可实施在如图1所示的处理器系统10上，而在本实施例中情境决定单元52可为中央处理器14上执行的一程序码。上述程序码可存储在存储器16或是大量存储装置18上，另外亦可经由网络接口26随时撷取至中央处理器14执行。任何执行情境决定单元52运算的必要信息可借由一网络提供，例如区域网络或广域网络32及网络接口26。若有一外加的处理器用以当作与处理器系统10分离的平台，则可手动地经由输入/输出装置30以及输入/输出接口24或是经由总线20沟通。情境决定单元52的实施方式可决定异常类型提供至核心62的方式。举例而言，实施于处理器系统10的情境决定单元52，其异常类型可存储至存储器16，为尔后中央处理器14经由总线20撷取上述异常类型以执行核心62做准备。其他方法可包括经由区域网络或广域网络32及网络接口26撷取来提供上述异常类型，或是手动地经由上述输入/输出装置30及输入/输出接口24输入上述异常类型。上述异常类型可存储于存储器16及大量存储装置18为尔后撷取准备。

情境决定单元52亦可提供目前条件以及已决定的异常类型所对应的架构(configurations)至核心62，例如收集初始数据、设定过滤器以及初始化权重计算器的准则。举例而言，一历史数据可搜集被标记为NTO以及发生三十天以内的数据，而一图案密度过滤器(pattem density filter)可设定其限制范围为0.1，并且在众多相似权重计算器只令一个相似权重计算器进行计算(其他的相似权重计算器截止)。上述目前条件以及架构可同样的存储于存储器16及大量存储装置18，为尔后的撷取准备。

核心62包括一过滤器64及一加权计算器66。相似于情境决定单元52，核心62亦可实施于图1的处理器系统10之上。核心62可与情境决定单元52整合在同一个处理器系统上，或是可实施于一分离的处理器系统。核心62可为执行在中央处理器14上的程序码。上述程序码可存储于存储器16、大量存储装置18或是经由网络接口26远端地撷取。如前所述，核心62可由多种方式撷取上述异常类型及/或一目前条件。过滤器64及加权计算器66可同时实施如一整合程序，或可为两分离的功能。同样地，核心62可从智慧型生产程序控制保证系统50独立出来或是整合入智慧型生产程序控制保证系统50中。

核心62可包括由不同的异常类型所触发的多过滤器及多权重计算器。举例而言，一个过滤器及一个权重计算器可为一新投片(NTO)异常事件所需要却并非一定期维修异常事件所需要的。相对地，另一过滤器及权重计算器可能为定期维修异常事件所需要的。本实施例无过滤器及权重计算器的数量限制。

过滤器64撷取一历史数据60，并根据一定义标准(criteria)或一组定义标准(criterion)过滤历史数据60，用以提供一数据列至一加权计算器66。历史数据60可为先前异常事件所编译而成的任何数据集。历史数据60可包括上述异常类型、异常事件的时间、任何工艺条件(processing conditions)、工艺结果(result of the processing)、控制参数以及其它诸如此类的数据。历史数据60可经由区域网络或广域网络32及网络接口26存储为一远程数据库的一阵列、或存储于存储器16、大量存储装置18或任何其他合适的装置上。值得注意的是，本实施例对存储为历史数据60的数量及类型没有实际限制。过滤器64可为执行于中央处理器14上的一计算机程序码，并且可用移除提供给加权计算器66中不恰当或不需要的数据。过滤器64可为一个案(case)、模块及/或程序设计师的经验基础与设计选择(design choice)。举例而言，一过滤器可能的定义标准可为上述处理的一定义的目标范围、一配方、一特定产品、一关键技术、一时间顺序以及他等诸如此类的标准。任何不符合过滤器64所定义的一标准或多标准的历史数据60的集合，将不会被传送至加权计算器66上。值得注意的是一单一标准或任何定义标准的组合，皆可用在过滤器64上。经由过滤器64传输用以提供给加权计算器66的上述数据列，可存储在处理器系统10中的存储器16或大量存储装置18内，为尔后中央处理器14执行加权计算器66时的撷取准备。

加权计算器66分配一权重系数至数据列中的每一数据集，用以输出一建议参数68。值得注意的是此处的“数据集”与一异常事件所对应的所有历史数据有关，以及“数据列”在上述历史数据经由过滤后可包括多数据集。加权计算器66亦可为在中央处理器14上执行的一计算机程序码，并且在执行过程中的任何点皆可撷取数据列。

加权计算器66可为上述数据列的一统计分析，用以决定上述建议参数68。加权计算器66可提供一权重系数给每一数据集，然后常态化数据列中所有数据集的权重系数，用以提供对应于所有数据集的多常态化权重系数。建议参数68之参数所应之每一资料集之参数可接着与对应于每一资料集之常态化权重系数相乘用以获得一乘积。在某些实施例中，此乘积可视为一贡献值。所有数据集的参数与常态化权重系数相乘后的乘积相加后可用以提供建议参数68。所有数据集的参数与常态化权重系数相乘后的贡献值相加后可用以提供上述建议参数68，上述建议参数可为一控制参数，例如一目前控制参数或一工艺控制参数。上述建议参数68输出至一先进工艺技术作业平台(APC)参数70。上述建议参数68输出的方式，可取决于核心62以及先进工艺技术作业平台系统的实施方式。核心62可实施在与上述相同的处理器系统10上，作为上述先进工艺技术作业平台系统。上述建议参数68可存储于存储器16或大量存储装置18，为尔后提供先进工艺技术作业平台系统的撷取作准备。进一步而言，上述先进工艺技术作业平台系统可为一分离的处理器系统，并且上述建议参数68可经由区域网络或广域网络32及网络接口26与其他装置沟通。上述建议参数68如何提供至先进工艺技术作业平台系统的方法不局限于上述两例，且本领域普通技术人员将轻易地了解上述的其他实施方式。

将权重系数分配至每一数据集可借由许多方式达成。举例而言，将权重系数分配至每一数据集可利用相似加权、性能加权、时间加权以及上述加权方式的组合来达成。相似加权(similarity weighting)的方式系取决于输入数据，并可包含一加权函数所决定的一常态分布。一性能加权(performanceweighting)的方式取决于输出数据，并可包括先进工艺技术作业平台性能的一线性函数。一时间加权(time weighting)的方法则可取决于异常事件的时间，并可包括加权函数所决定的指数型分布指数型衰减函数。

以下范例可厘清上述方式。如表格1所示，首先假设上述数据列(数据列编号1-3)以及目前时间的数据集，分别自过滤器64以及自情境决定单元52提供给加权计算器66。如下表格1所示，其中数据集编号为1、2及3的条件1及条件2可视为历史条件，数据集编号为1、2及3的APC参数可视为历史控制参数，数据集编号为目前时间的APC参数可视为一目前控制参数，以及数据集编号为1、2及3的时间对应于数据集编号为目前时间之时间分别存再一历史时间的差异。

表格1

相似加权可包括利用一多价常态分布(multivariate normal distribution)去计算将分配至每一数据集的权重系数。一随机向量X＝[X₁.…X_k]^T其中可定义每一条件为一随机变数，并且每一随机变数包括n个实例(instances)。一期望值向量μ＝[μ₁…μ_k]^T其中可定义μ_i为随机变数X_k的一期望值，可表示为μ_i＝E[X_i]。在本实施例中，k＝2；一随机变数X₁定义为条件1；一随机变数X₂定义为条件2，以及每一随机变数都有n＝3。随机变数X_k的数目可取决于分析所用到的条件数，不受限制其可为1或更多。接着，计算变数矩阵∑_X。本领域普通技术人员皆具有计算变数矩阵∑_X的能力，以下方程式1为计算矩阵的方程式以供参考。

方程式1

在此范例中，变数矩阵为

如上述的定义及计算方式，一相似权重系数可被分配至随机向量X的n个实例的每一者，例如数据列中的每一数据集。一机率密度函数(PDF)可用以分配一相似向量ω_S中的每一权重系数，相似向量可为ω_S＝[ω_S，1…ω_S，n]^T，特别如下方程式2所示的一高斯常态分布。

${\mathrm{\ω}}_S=f_X\left(X\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{k/2}\sqrt{\left|{\mathrm{\Σ}}_X\right|}}{e}^{-\frac{1}{2}{(X-\mathrm{\μ})}^T{\mathrm{\Σ}}_X^{-1}(X-\mathrm{\μ})}$ 方程式2

利用此范例中上述提供的方式，相似向量ω_S计算出来为

将相似向量ω_S常态化，用以获得一常态相似向量常态相似向量可由以下方程式3获得。

方程式3

一旦获得常态相似相量

即可决定一建议先进工艺技术作业平台参数(suggested APC parameter)P_Sug，建议先进工艺技术作业平台参数P_Sug可由常态相似向量

以及n个先进工艺技术作业平台参数P_Sug组成的一先进工艺技术作业平台参数向量P相乘所决定，其中P＝[P₁…P_n]^T而

本范例的建议先进工艺技术作业平台参数P_Sug为P_Sug＝(0.47)(3.2)+(0.12)(2.6)+(0.41)(2.3)＝2.76。

时间加权可包括利用一异常分布，异常分布包括一指数型衰减函数，而此指数型衰减函数包括一指数分布及一衰减因数。一时间向量T可包括由目前时间至n个实例中的每一者(例如数据列中的每一数据集)的时间周期。时间向量T可表示为T＝[t₁…t_n]^T。一指数分布可用以分配每一权重系数至一时间权重向量(time weight vector)ω_T，其中ω_T＝[ω_T，1…ω_T，n]^T，如下方程式4所示。

${\mathrm{\&omega;}}_T=f\left(\begin{array}{cc}T;& \mathrm{\&lambda;}\end{array}\right)=\left\{\begin{array}{cc}\mathrm{\&lambda;}{e}^{-\mathrm{\&lambda;T}}& t_i\&GreaterEqual;0\\ 0& t_i<0\end{array}\right.$ 方程式4

λ为一衰减因数(decay factor)，其为一设计选择，并可设为任何数值。利用上述提供的方法代入λ＝1，可得到时间权重向量ω_T为

时间权重向量ω_T常态化以后可获得一常态时间向量(normalized timevector)

其中常态权重系数(normalized weights)

可由下列方程式5获得。

方程式5

一旦得到常态时间向量

即可决定出建议先进工艺技术作业平台参数P_Sug。建议先进工艺技术作业平台参数P_Sug可由与常态时间向量

与先进工艺技术作业平台参数向量P相乘决定，其中P＝[P₁…P_n]^T而

本范例的建议先进工艺技术作业平台参数P_Sug为P_Sug＝2.67。

性能加权(performance weighting)可包括利用一线性函数。一差异向量(difference vector)D可包括n个范例(例如数据列中的数据集)每一者中一制定的性能目标与实验的性能量测的差异大小。值得注意的是在某些案例中，上述差异可能不为数值而实际上为正负号的差异。举例而言，当为了考虑一化学机械研磨工艺(CMP)的工艺或腔室(chamber)，其中一负数值指出其研磨偏离，低于原本的制定目标，而一正数值则指出其研磨偏离，高于制定目标的深度。差异向量D可表示为D＝[d₁…d_n]^T。一线性函数可用以分配每一权重系数至一性能权重向量(performance weight vector)ω_P，其中ω_P＝[ω_P，1…ω_P，n]^T，如下方程式6所示。

${\mathrm{\&omega;}}_P=f\left(\begin{array}{ccc}D;& a;& b\end{array}\right)=\left\{\begin{array}{cc}\mathrm{aD}+b& q<d_i<r\\ 0& q>d_i;d_i>r\end{array}\right.$ 方程式6

a及b为一常数，其取决于各种考量，例如工艺灵敏度以及控制安全。在此实施例中，设a＝2及b＝0，进一步根据控制规格(control specification)，q及r会其低于以及高于权重差异系数的两范围，如方程式6所示。在此范例中，任何不在q至r范围内的性能差异(performance difference)d_i，将被分配为0的一权重系数。其值得注意的是这些范围可基于处理器而改变应用的权重系数。在某些实例中，例如一化学机械研磨工艺(CMP)在性能差异d_i在一特定的负数范围内时，其需要定义三个范围。利用上述提供的方法，可得到以下性能权重向量ω_P为

性能权重向量ω_P常态化以后可获得一常态性能向量(normalizedperformance vector)

其中常态权重系数

可由下列方程式7获得。

方程式7

一旦得到常态性能向量即可决定出建议先进工艺技术作业平台参数P_Sug。建议先进工艺技术作业平台参数P_Sug可由与常态性能向量

与先进工艺技术作业平台参数向量P相乘所决定，先进工艺技术作业平台参数向量P系由n个先进工艺技术作业平台参数所组成，其中P＝[P₁…P_n]^T而

本范例的建议先进工艺技术作业平台参数P_Sug为P_Sug＝2.56。

更进一步，任何不同的加权方式可组合成任何方法，用以决定出建议先进工艺技术作业平台参数P_Sug。举例而言，相似加权、时间加权及/或性能加权，即可组成许多方法。其可借由将对应于常态相似向量

常态时间向量

及/或常态性能向量

的分量相乘以获得一组合权重向量(combinedweight vector)ω_C之分量而达成。举例而言，如果将上述三个权重向量都组合在一起，其组合权重向量ω_C则如下方程式8所示。

方程式8

同样的，任两个常态权重向量皆可相乘，用以决定出组合权重向量ω_C。

组合权重向量ω_C常态化之后可获得一常态组合向量(normalizedcombined vector)

其中常态组合权重系数

可由下列方程式9获得。

方程式9

一旦得到常态组合向量

即可决定出建议先进工艺技术作业平台参数P_Sug。建议先进工艺技术作业平台参数P_Sug可由与常态组合向量与先进工艺技术作业平台参数向量P相乘所决定，其中P＝[P₁…P_n]^T而

利用各常态权重向量，整理了各个常态权重向量、上述组合权重向量ω_C以及常态组合向量如下表格2所示。

表格2

将先进工艺技术作业平台参数向量P与常态组合向量

相乘，以输出之建议先进工艺技术作业平台参数P_Sug可为2.55。

图3所示为实施例的一广义的工作流程图80。情境决定单元82用以侦测一异常事件，并开始进行数据搜集，同时搜集目前时间以及历史数据。情境决定单元82亦触发核心92使其进行运算，以及提供数据90让核心92撷取。核心92经由多道程序(例如过滤器与权重计算器)决定出建议先进工艺技术作业平台参数94，并将建议先进工艺技术作业平台参数94输出至一先进工艺技术作业平台系统96。上述功能可由在一个或多个处理器系统上所执行的程序编码所完成，其若使用多个处理器系统，则其处理器系统间可借由各种网络相互连接。

本实施例可达成公知处理程序所无法达成的优势。本实施例比较公知处理程序，其可降低公知处理程序的维持负载，以及降低公知处理程序决定控制参数的计算时间。例如实施例可将计算参数的时间由数小时降低至数秒，如由原本的五小时降低至十分钟。同时本实施例可达到改善产品间的误差。本发明者实验本实施例时，发现先进工艺技术作业平台(APC)系统中的多晶硅沉积工艺(polysilicon deposition process)，其覆盖范围平均改善近乎30％，晶片周转率改善近乎14-32％，其工艺等待时间(Q-time)增加近乎24-46％，以及运作速率亦改善从35至1.5％，一96％的改善。

虽然本发明已以多个较佳实施例揭示如上，然其并非用以限定本发明，任何本领域普通技术人员，在不脱离本发明的精神和范围内，当可作任意的更动与润饰。此外，本发明的范围不限定于现有或未来所发展的特定程序、机器、制造、物质的组合、功能、方法或步骤，其实质上进行与依照本发明所述的实施例相同的功能或达成相同的结果。因此，本发明的保护范围当视所附的权利要求所界定的范围为准。此外，每个权利要求建构成一独立的实施例，且各种权利要求及实施例的组合皆介于本发明的范围内。

Claims (10)

1.一种异常处理的方法，包括：

存取一异常事件的一异常类型(exception type)；

根据至少一定义标准，过滤历史数据以提供一数据列(data train)，上述数据列包括多数据集，其中每一数据集包括一历史条件以及一历史控制参数；

根据每一历史条件，分配一权重系数至每一数据集；以及

利用上述权重系数及上述历史控制参数，提供一目前控制参数至每一数据集。

2.如权利要求1所述的异常处理的方法，分配上述权重系数至每一数据集的步骤包括一统计分析，上述统计分析为利用每一数据集的上述历史条件所进行的统计分析。

3.如权利要求2所述的异常处理的方法，其中上述统计分析利用一相似加权(similarity weighting analysis)，上述相似加权包括一高斯常态分布，并且上述历史条件包括一工艺条件。

4.如权利要求2所述的异常处理的方法，其中上述统计分析利用一时间加权，上述时间加权包括一指数型衰减函数(exponential decay function)，以及上述历史条件包括一第一差异，上述第一差异为对应于上述异常事件的一目前时间至对应于每一数据集的一历史时间的差异。

5.如权利要求2所述的异常处理的方法，其中上述统计分析利用一性能加权，上述性能加权包括一线性函数，以及上述历史条件包括一第二差异，上述第二差异为一性能目标与一性能量测的差异。

6.如权利要求1所述的异常处理的方法，其中根据上述至少一定义标准过滤上述历史数据的步骤取决于上述异常类型，其中根据至少一第一定义标准的一第一过滤器用于过滤一第一异常类型，并且根据至少一第二定义标准的一第二过滤器用于过滤一第二异常类型，上述第一过滤器及上述第一异常类型分别不同于上述第二过滤器及上述第二异常类型。

7.如权利要求1所述的异常处理的方法，其中提供上述目前控制参数的步骤包括：

将每一数据集的上述历史控制参数乘上每一数据集被分配到的上述权重系数，用以取得多贡献值；以及

将上述贡献值加总，用以取得上述目前控制参数。

8.一种用于工艺控制的异常处理方法，上述程序控制方法包括：

当一异常事件发生时，判断一异常类型；

根据上述异常类型，初始化多过滤器中之一者以及多权重计算器中之一者；

使用已初始化的上述过滤器过滤一历史数据，用以提供包含多数据集的一数据列，每一数据集包含一历史条件以及一历史控制参数；以及

根据每一数据集的上述历史控制参数以及每一数据集中由已初始化的上述权重计算器所提供的一权重系数，提供一建议参数。

9.如权利要求8所述的用于工艺控制的异常处理方法，还包括常态化每一数据集的上述权重系数，用以取得每一数据集的一常态权重系数，其中提供上述建议参数的步骤包括：

将上述常态权重系数与每一数据集的上述历史控制参数相乘，用以取得每一数据集的多贡献值；以及

加总每一贡献值。

10.如权利要求8所述的用于工艺控制的异常处理方法，其中上述加权计算器包括一统计分析，其中上述统计分析至少包括一高斯常态分布、一指数型衰减函数以及一线性函数中之一者。

Images