CN103278714B - 一种混合制程的虚拟测量方法与系统 - Google Patents

Abstract

本发明公开了一种混合制程的虚拟测量方法与系统，包括生产机台、APC系统、错误侦测分类系统、数据收集引擎与处理系统和质量测试仪。生产机台在APC系统的操控下，对待加工产品执行加工过程；错误侦测分类系统监控生产机台的整个加工过程，并记录所有过程变量的数据；质量测试仪抽样检测加工后的产品质量；数据收集引擎与处理系统通过耦接在错误侦测分类系统与质量测试仪的数据线，收集全生产过程的数据，进行数据处理以及虚拟测量模型的参数辨识，并预测未抽样的、多种规格产品的质量。本发明利用所建立的虚拟测量模型，可对整个加工过程的产品质量进行评估，实现对“量少样多”的产品质量预测，并提高“量少”产品质量的预测精度。

Description

一种混合制程的虚拟测量方法与系统

技术领域

本发明涉及一种混合产品加工过程的虚拟测量方法及其系统，适用于批次生产过程（如：半导体的晶圆加工、TFT-LCD的面板生产等）的产品质量管制，属于过程控制领域。

背景技术

目前，半导体晶圆与液晶面板等产品的批次生产过程，其生产模式已由单一产品的生产模式发展到多产品共线的生产模式，即：同时在线生产的产品规格有很多种，且由于生产机台昂贵驱使工程师将生产机台的利用时间极大化，尽可能地降低机台的空闲时间，所以同一种规格产品有可能在不同生产机台上生产，同一生产机台又会生产各种规格的产品，这种生产过程被称为混合制程(high-mix manufacturing process)。

目前，半导体厂商与面板厂商对于批次产品的质量管制，基本采用抽检方式，即：在每个批次中抽出2～3个加工后产品（如：晶圆）进行物理测量，利用该测量的产品质量数据，监控该生产制程是否稳定，并决定最终产品的质量。这种方法会产生很多的弊端，比如：若某批产品在加工的过程中出了问题，必须等待物理检测时才会发现，而此时的制程可能已经生产了好几批的不良品。因此，从制程的过程变量发生变化到产品质量出现问题，有一定的时间滞后。为降低生产成本，提高量测效率，现场工程师往往利用虚拟测量模型对该批次制程进行质量管制。

但对于混合制程的产品质量管制，常规方法是针对每一种产品分别建立一个虚拟测量模型，然后进行产品质量预测。实际上，由于混合制程中产品存在“量少样多”的特点，特别是一些“量少”（生产频率较低）的产品，其附加值往往较高，但用于建模数据量却较少，从而导致所建立的虚拟测量模型的性能较差；另外，若每一种产品都建立一种模型，会导致在线监控的模型数量过多，现场工程师难以维护。因此，如何提高混合制程中产品质量的预估精度与效率，是目前半导体加工业与面板厂商需要解决的主要问题之一。

专利号CN201010262348.X公开一种批次制程的虚拟测量方法与系统，此方法通过逐次回归的统计方法，找到影响半导体晶圆质量的关键变量，建立线性模型，预测待加工晶圆的质量，但是该方法没有考虑产品的效益因子，仅适用于单一产品的质量管制，无法应用在混合制程。

专利号CN200610108408.6公开一种建立半导体制造虚拟测量预估模型的方法，此方法建立多个预估模型，并用性能指标选择最佳模型，提高预测精度，但其缺陷是：若多个预估的相关指标都低于给定阈值时，系统会出现无输出值，且没有涉及混合制程中多产品质量的预测。

发明内容

为实现对混合制程的多种规格产品质量管制，弥补现有虚拟测量方法的不足，本发明提出一种新的虚拟测量方法及其系统，实现对“量少样多”的产品质量预测，并提高“量少”产品质量的预测精度。

根据本发明的目的，虚拟测量系统的技术方案如下：

一种混合制程的虚拟测量系统，包括生产机台、APC（Advance Process Control，APC）系统、错误侦测分类系统（Fault Detection&Classification System，FDC）、数据收集引擎与处理系统和质量测试仪，所述生产机台在APC系统的操控下，对待加工产品执行加工过程；所述错误侦测分类系统监控生产机台的整个加工过程，并记录所有过程变量的数据；所述质量测试仪抽样检测加工后的产品质量；所述数据收集引擎与处理系统通过耦接在错误侦测分类系统与质量测试仪的数据线，收集全生产过程的数据，进行数据处理以及虚拟测量模型的参数辨识，并预测未抽样的、多种规格产品的质量。

其中，质量测试仪抽样检测加工后的产品质量，其抽样模式为随机方法，在每一批次抽检2～3个产品。

本发明所提出的混合制程虚拟测量方法，具体过程如下：所述数据收集引擎与处理系统，在收集到错误侦测分类系统与质量测试仪传送来的过程变量数据与产品变量数据后，对所收集的过程变量数据进行归一化处理（Normalization），并结合产品的效益因子（product effects），利用多变量共变异数分析方法（Multivariate analysis of covariance,MANCOVA），构建混合制程的多产品质量虚拟测量模型，再利用线性最小二乘算法辨识该虚拟测量模型的所有参数，得到最终的混合制程虚拟测量模型，并对未抽样的多种规格产品进行质量预测。

其中，FDC系统监控生产机台的整个加工过程；并向数据收集引擎与处理系统提供过程变量数据；产品质量测试仪抽样检测每一批次中已经加工产品的质量，并向数据收集引擎与处理系统提供质量数据；归一化处理方法是将各过程变量数据先减去该过程变量的平均值，再除以该过程变量数据的标准差。

其中，数据收集引擎与处理系统将归一化以后的过程变量当着应变数，将产品的不同规格当着产品的效益因子，建立混合制程的MANCOVA虚拟测量模型。

承上所述，本发明所提出的混合制程虚拟测量方法及其系统，具有如下优点：

（1）利用所建立的虚拟测量模型，可对整个加工过程的产品质量进行评估，及时发现不良品，降低生产成本。

（2）利用所建立的虚拟测量模型，对混合制程的产品质量进行预测，可降低产品的抽样频率，减轻现场工程师的工作量，提高工作效率。

（3）利用建立MANCOVA虚拟测量模型，可简化虚拟测量模型的结构与数量，便于现场工程师理解和维护。

附图说明

图1为本发明之用于预测TFT-LCD制程面板品质的虚拟量测系统方块图；101：多种规格的待加工产品；103：APC系统；105：生产机台；107：未抽样已加工产品；109：抽样已加工产品；111：产品质量测试仪；113：由虚拟测量模型预估的已加工产品；115：数据收集引擎与处理系统；117：FDC系统。

具体实施方式

为了使本发明的目的、特征、及优点能更浅显易懂，下文特举较佳的实施例，并结合附图，做详细说明如下。

在半导体的晶圆加工过程中，现场工程师都会在机台内部设置传感器（如：流量、压力、温度、电压等），来监控整个加工过程，并由FDC系统收集过程变量数据、传送到数据收集引擎与处理系统，经过运算处理、产生虚拟量测结果。

如图1所示：该混合制程的虚拟量测系统包括生产机台105、APC系统103、一FDC系统117、数据收集引擎与处理系统115、产品质量测试仪111、多种规格的待加工产品101、加工后抽样到的产品109、加工后未抽样的产品107、以及由虚拟测量模型预估的已加工产品113。APC系统操控生产机台105对待加工产品101进行加工，FDC系统117获取至少一生产机台105的过程变量数据；产品质量测试仪111测试所抽样已加工产品107的质量数据；数据收集引擎与处理系统115获取FDC系统117的过程变量数据，以及产品质量测试仪111所检测的包含所有规格产品的质量数据；数据收集引擎与处理系统115对收集的数据进行处理，并结合产品的效益因子，建立MANCOVA虚拟测量模型，实现对加工后未抽样产品107的产品质量进行预测，得到未抽样、已加工产品113的质量数据，从而实现对这个混合制程的品质管制。

其中，FDC系统117监控生产机台105的整个加工过程，并收集所有过程变量数据：x₁[i],x₂[i],…,x_P[i]，其中#i为生产批次号，P为过程变量的个数；

其中，产品质量测试仪111检测抽样已加工产品107的质量数据：y_j[i][i]，j[i]表示第#j号产品在第#i批次加工，其j[i]∈[1,2,…,J]（即：总共有J种规格的产品）；

其中，数据收集引擎与处理系统115先对过程变量数据进行归一化处理，具体方法是：先减去该过程变量的平均值u_p(x_p[i])，再除以该过程变量的标准偏差σ_p(x_p[i])，即：

${\tilde{x}}_p\left[i\right]=\frac{x_p\left[i\right]-u_p\left(u_p\right[i\left]\right)}{{\mathrm{\σ}}_p\left(x_p\right[i\left]\right)},p=\mathrm{1,2},\·\·\·,P---\left(1\right)$

其中，数据收集引擎与处理系统115计算抽样已加工产品107的质量数据的平均值μ，并设置各种规格产品的效益因子τ₁,τ₂,…,τ_J，再结合产品质量测试仪111检测的质量数据y_j[i][i]，建立MANCOVA模型：

$y_{j\left[i\right]}\left[i\right]=\mathrm{\μ}+{\mathrm{\τ}}_{j\left[i\right]}\left[i\right]+\underset{p=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\β}}_p{\tilde{x}}_p\left[i\right]---\left(2\right)$

$s.t.\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\τ}}_j=0$

其中，数据收集引擎与处理系统115根据先前收集的n组批次生产过程的数据（亦即：i=1,2,…,n），利用最小二乘算法估计得到MANCOVA虚拟测量模型的参数值。

其中，MANCOVA模型参数的估计过程分二步完成；

第一步：先由最小二乘算法，估算MANCOVA模型的线性系数β₁,β₂,…,β_P：

B=(X^TX)^-1X^TY

$s.t.Y=\left[\begin{array}{c}{y}_{j\left[i\right]}\left[1\right]\\ y_{j\left[2\right]}\left[2\right]\\ \·\\ \·\\ \·\\ y_{j\left[n\right]}\left[n\right]\end{array}\right],$ $B={\left[\begin{array}{c}{\mathrm{\β}}_1\\ {\mathrm{\β}}_2\\ \·\\ \·\\ \·\\ {\mathrm{\β}}_P\end{array}\right]}^T,$ $X=\left[\begin{array}{cccc}{x}_1\left[1\right]& x_1\left[2\right]& \·\·\·& x_1\left[n\right]\\ x_2\left[1\right]& x_1\left[2\right]& \·\·\·& x_2\left[n\right]\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ \·& \·& & \·\\ x_P\left[1\right]& x_P\left[2\right]& \·\·\·& x_P\left[n\right]\end{array}\right]---\left(3\right)$

第二步，将产品质量测试仪111检测的质量数据y_j[i][i]减去由β₁,β₂,…β_P与FDC系统117的过程变量数据x₁[i],x₂[i],…,x_P[i]相乘所得的估计值，得到第一步计算的残差项e[1],e[2],…,e[n]：

$\left[\begin{array}{c}e\left[1\right]\\ e\left[2\right]\\ \·\\ \·\\ \·\\ e\left[n\right]\end{array}\right]=\left[\begin{array}{c}{y}_{j\left[1\right]}\left[1\right]\\ y_{j\left[2\right]}\left[2\right]\\ \·\\ \·\\ \·\\ y_{j\left[n\right]}\left[n\right]\end{array}\right]-{\left[\begin{array}{c}{\mathrm{\β}}_0\\ {\mathrm{\β}}_1\\ \·\\ \·\\ \·\\ {\mathrm{\β}}_P\end{array}\right)}^T\left[\begin{array}{cccc}{x}_1\left[1\right]& x_1\left[2\right]& \·\·\·& x_1\left[n\right]\\ x_2\left[1\right]& x_2\left[2\right]& \·\·\·& x_2\left[n\right]\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ \·& \·& & \·\\ x_P\left[1\right]& x_P\left[2\right]& \·\·\·& x_P\left[n\right]\end{array}\right]---\left(4\right)$

再利用该残差项，由最小二乘算法，估计多产品的效益因子τ₁,τ₂,…,τ_J，这里，产品效益因子的估算方程式可写成如下形式：

$\left[\begin{array}{c}e\left[1\right]\\ e\left[2\right]\\ \·\\ \·\\ \·\\ e\left[n\right]\end{array}\right]=\mathrm{\μ}+\left[\begin{array}{cccc}{\mathrm{\δ}}_{1\left[1\right]}\left[1\right]& {\mathrm{\δ}}_{2\left[1\right]}\left[1\right]& \·\·\·& {\mathrm{\δ}}_{J-1}\left[1\right]\\ {\mathrm{\δ}}_{1\left[2\right]}\left[2\right]& {\mathrm{\δ}}_{2\left[2\right]}\left[2\right]& \·\·\·& {\mathrm{\δ}}_{J-1\left[2\right]}\left[2\right]\\ \·& \·& & \·\\ \·& \·& \·\·\·& \·\\ \·& \·& & \·\\ {\mathrm{\δ}}_{1\left[n\right]}\left[n\right]& {\mathrm{\δ}}_{2\left[n\right]}\left[n\right]& \·\·\·& {\mathrm{\δ}}_{J-1\left[n\right]}\left[n\right]\end{array}\right]\left(\begin{array}{c}{\mathrm{\τ}}_1\\ {\mathrm{\τ}}_2\\ \·\\ \·\\ \·\\ {\mathrm{\τ}}_{J-1}\end{array}\right]---\left(5\right)$

$s.t.{\mathrm{\&delta;}}_{j\left[i\right]}\left[i\right]=\left\{\begin{array}{cc}1& j\left[i\right]=\mathrm{jandj}<J\\ 0& j\left[i\right]\&NotEqual;\mathrm{jandj}<J\\ -1& j\left[i\right]=J\end{array}\right.$

其中，j为产品规格序号，δ_j[i]为克罗内尔积。当j[i]=j且j<J时，δ_j[i][i]=1；当j[i]≠j且j<J时，δ_j[i][i]=0；当j[i]=J时，δ_j[i][i]=-1。

由于数据收集引擎与处理系统115的每一笔记录代表一个产品在生产线上加工，因此有：

$\left\{\begin{array}{c}\underset{j=1}{\overset{J-1}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{j\left[i\right]}=1\\ \underset{j=J}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_{j\left[i\right]}=-J+1\end{array}\right.---\left(6\right)$

从而，由最小二乘算法估计得到多产品的效益因子τ₁,τ₂,…,τ_J。

τ=(δ^Tδ)^-1δ^T(E-μ)

$s.t.E=\left[\begin{array}{c}e\left[1\right]\\ e\left[2\right]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ e\left[n\right]\end{array}\right],$ $\mathrm{\&delta;}=\left[\begin{array}{cccc}{\mathrm{\&delta;}}_{1\left[1\right]}\left[1\right]& {\mathrm{\&delta;}}_{2\left[1\right]}\left[1\right]& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&delta;}}_{J-1\left[1\right]}\left[1\right]\\ {\mathrm{\&delta;}}_{1\left[2\right]}\left[2\right]& {\mathrm{\&delta;}}_{2\left[2\right]}\left[2\right]& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&delta;}}_{J-1\left[2\right]}\left[2\right]\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& & \&CenterDot;\\ {\mathrm{\&delta;}}_{1\left[n\right]}\left[n\right]& {\mathrm{\&delta;}}_{2\left[n\right]}\left[n\right]& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&delta;}}_{J-1\left[n\right]}\left[n\right]\end{array}\right],$ $\mathrm{\&tau;}=\left[\begin{array}{c}{\mathrm{\&tau;}}_1\\ {\mathrm{\&tau;}}_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ {\mathrm{\&tau;}}_{J-1}\end{array}\right]---\left(7\right)$

承上所述，所建立的混合制程的虚拟测量模型为：

${\hat{y}}_{j\left[i\right]}\left[i\right]=\mathrm{\&mu;}+{\mathrm{\&tau;}}_{j\left[i\right]}\left[i\right]+\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_p{\tilde{x}}_p\left[i\right]---\left(8\right)$

FDC系统117监控整个生产过程的过程变量数据，其中包括未抽样已加工产品107的过程变量，籍由该过程变量数据，利用式（8）的MANCOVA虚拟测量模型，可预测未抽样已加工产品113的质量，实现整个混合制程的品质监控。

Claims (1)

1.一种混合制程的虚拟测量系统的测量方法，其测量系统包括生产机台、APC系统、错误侦测分类系统、数据收集引擎与处理系统和质量测试仪，其特征在于，所述生产机台在APC系统的操控下，对待加工产品执行加工过程；所述错误侦测分类系统监控生产机台的整个加工过程，并记录所有过程变量的数据；所述质量测试仪随机抽样检测加工后的产品质量，其抽样模式为随机方法，即在每一批次抽检2～3个产品；所述数据收集引擎与处理系统通过耦接在错误侦测分类系统与质量测试仪的数据线，收集全生产过程的数据，在收集到错误侦测分类系统与质量测试仪传送来的过程变量数据与产品变量数据后，对所收集的过程变量数据进行归一化处理，并结合产品的效益因子，利用多变量共变异数分析方法，构建混合制程的多产品质量虚拟测量模型，再利用线性最小二乘算法辨识该虚拟测量模型的所有参数，得到最终的混合制程虚拟测量模型，并对未抽样的多种规格产品进行质量预测；所述归一化处理方法是将各过程变量数据先减去该过程变量的平均值，再除以该过程变量数据的标准差；所述最终的混合制程的多产品质量虚拟测量模型为：

${\hat{y}}_{j\left[i\right]}\left[i\right]=\mathrm{\&mu;}+{\mathrm{\&tau;}}_{j\left[i\right]}\left[i\right]+\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_p{\tilde{x}}_p\left[i\right]$

其中，y_j[i][i]为产品质量测试仪检测的质量数据，j[i]表示第#j号产品在第#i批次加工，j[i]∈[1,2,…,J]，即：总共有J种规格的产品；μ为数据收集引擎与处理系统计算的质量数据的平均值；β_p为模型的参数；为过程变量；p为变量序号，p＝1,2,…,P，即：总共有P个变量；τ为产品的效益因子。