CN104216349B - 利用制造设备的传感器数据的成品率分析系统及方法 - Google Patents
利用制造设备的传感器数据的成品率分析系统及方法 Download PDFInfo
- Publication number
- CN104216349B CN104216349B CN201310382057.8A CN201310382057A CN104216349B CN 104216349 B CN104216349 B CN 104216349B CN 201310382057 A CN201310382057 A CN 201310382057A CN 104216349 B CN104216349 B CN 104216349B
- Authority
- CN
- China
- Prior art keywords
- sensing data
- sensor
- reference signal
- data
- yield analysis
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开一种产品的制造工艺分析系统及装置。根据本发明的一实施例的产品的成品率分析系统包括:数据提取单元,从设置于产品的制造设备的多个传感器提取传感器数据;基准信号生成单元,从所述传感器数据生成针对所述多个传感器中的每个传感器的基准信号;以及传感器检测单元,利用所述传感器数据以及所述基准信号,检测出与所述产品的成品率存在相关关系的一个以上传感器。
Description
技术领域
本发明的实施例涉及一种用于分析产品的制造工艺的技术。
背景技术
对于半导体或者显示器制造设备等而言,为了分析在制造工艺中可能会发生的问题,通常具备设备分析系统(FDC;Fault Detection and Classification)。该设备分析系统利用半导体器件的制造设备所具备的各种传感器数据,分析并控制给半导体器件的成品率带来影响的工艺或者装备。
针对产品不良的现有的原因探索(ROOT CAUSE)方法为,利用已经过优良/不良判定的工艺进程(Work In Process)信息,计算每个设备的经过优良/不良判定的产品的比例,按照不良产品比例和优良产品比例的差异大的顺序,将有嫌疑的设备或者工艺室指定为产生产品不良的原因。但是,这种现有的原因探索方法在分析对象产品的不良率非常低、或者设备为一体型(in-line)、或者混合存在两种以上的引发不良的原因的情况下,具有难以适用的问题。另一方式的原因探索方法为,利用记录于设备分析系统的传感器数据的平均等简要值(FDC Summary Data),依据优良/不良产品之间的显著性差异(significantdifference)来探索产生产品不良的原因。但是,该方法不是直接利用具备时间序列特性的传感器数据,而是仅利用将全部数据汇总的代表值来进行分析,从而无法检测出传感器数据的图形变化,由此存在分析结果发生失真的可能性。
发明内容
本发明的实施例提供一种利用在发生产品不良时使用于产品制造过程的设备的传感器数据,准确地掌握造成产品不良的原因的嫌疑设备的成品率分析手段。
根据本发明的成品率分析系统包括:数据提取单元,从设置于制造设备的多个传感器中的每个传感器提取传感器数据;基准信号生成单元,从所述传感器数据生成针对所述多个传感器中的每个的基准信号;以及传感器检测单元,利用所述传感器数据以及所述基准信号,检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器。
所述数据提取单元可考虑所述传感器数据的缺失值的数量,来补正或者筛选所述传感器数据。
当从所述多个传感器中的特定传感器提取的传感器数据的缺失值的数量超过设定的基准值时,所述数据提取单元为可去除从所述特定传感器提取的传感器数据。
当与特定产品相关的传感器数据的缺失值超过设定的基准值时,所述数据提取单元为可去除与所述特定产品相关的传感器数据。
所述传感器检测单元可计算所述传感器数据和所述基准信号之间的距离,利用计算出的所述距离检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器。
所述系统还可包括预处理单元,该预处理单元执行包括针对所述传感器数据以及所述基准信号的压缩、归一化或者符号化中的至少一个预处理。
所述预处理单元可按照多个时间区间分割所述传感器数据,计算被分割的每个所述时间区间的所述传感器数据的代表值,用以压缩所述传感器数据。
所述代表值可以是被分割而成的每个所述时间区间的传感器数据的平均值或者中间值中的一个。
所述基准信号生成单元可针对每个所述传感器利用所述产品的优良/不良判定信息,将被压缩的所述传感器数据分类为正常组以及不良组中的一种,并可按照每个所述时间区间计算属于所述正常组的传感器数据的平均值或者中间值中的一个,从而生成所述基准信号。
所述基准信号生成单元可以在生成所述基准信号之前从所述正常组去除异常值。
所述异常值可以是数据开始时刻或者数据结束时刻中的至少一个不在已设定的正常范围的传感器数据。
所述正常范围可利用包含于所述正常组的传感器数据的数据开始时刻或者数据结束时刻的平均值或者标准偏差中的一个以上来计算。
所述预处理单元可利用所述基准信号的平均以及分散来归一化被压缩的所述传感器数据,并且可根据已设定的传感器值范围,将被归一化的所述传感器数据的传感器值以及所述基准信号转换为多个符号。
所述传感器检测单元为可利用被符号化的所述传感器数据、所述基准信号以及所述产品的成品率判定信息来生成距离表,能够将分类和回归树算法应用到所述距离表用以生成决策树。
所述传感器检测单元可检测出基尼系数为设定的值以上的传感器作为与所述产品的成品率存在相关关系的传感器,该基尼系数为根据应用所述分类和回归树算法的结果而导出的系数。
根据本发明的一实施例的成品率分析方法包括以下步骤:在数据提取单元,从设置于产品的制造设备的多个传感器中的每个传感器提取传感器数据;在基准信号生成单元,基于所述传感器数据生成针对所述多个传感器中的每个的基准信号;以及在传感器检测单元,利用所述传感器数据以及所述基准信号,检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器。
所述提取传感器数据的步骤还可包括步骤:考虑所述传感器数据的缺失值的数量来补正或者筛选所述传感器数据。
所述补正或者筛选传感器数据的步骤可构成为,当从所述多个传感器中的特定传感器提取的传感器数据的缺失值的数量超过设定的基准值时,去除从所述特定传感器提取的传感器数据。
所述补正或者筛选传感器数据的步骤可构成为,当与特定产品相关的传感器数据的缺失值超过设定的基准值时,去除与所述特定产品相关的传感器数据。
在检测所述传感器的步骤中,可计算所述传感器数据和所述基准信号之间的距离,并利用计算出的所述距离检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器。
所述方法在执行所述提取传感器数据的步骤之后以及执行生成所述基准信号的步骤之前,还可包括步骤:在预处理单元压缩被提取的所述传感器数据的步骤。
压缩所述传感器数据的步骤中还可包括步骤:按照多个时间区间分割所述传感器数据;以及计算被分割而成的每一个所述时间区间的所述传感器数据的代表值。
所述代表值可以是被分割而成的每一个所述时间区间的传感器数据的平均值或者中间值中的某一个。
生成每个所述传感器的基准信号的步骤可包括:针对每个所述传感器,利用所述产品的优良/不良判定信息,将所述被压缩的传感器数据分类为正常组以及不良组中的一种;以及按照每个所述时间区间,计算属于所述正常组的传感器数据的平均值或者中间值中的一个。
所述将被压缩的传感器数据分类为正常组以及不良组中的一种的步骤还可包括步骤:从所述正常组中去除异常值。
所述异常值可以是数据开始时刻或者数据结束时刻中的至少一个不包括于已设定的正常范围的传感器数据。
所述正常范围可利用包含于所述正常组的传感器数据的数据开始时刻或者数据结束时刻的平均值或者标准偏差中的一个以上来计算。
所述方法在执行检测所述一个以上传感器的步骤之前还可包括步骤:在所述预处理单元中,利用所述基准信号的平均以及分散来归一化被压缩的所述传感器数据;以及在所述预处理单元中,根据已设定的传感器值范围,将被归一化的所述传感器数据的传感器值以及所述基准信号转换为多个符号。
检测所述一个以上的传感器的步骤可包括步骤:利用被符号化的所述传感器数据、所述基准信号以及所述产品的成品率判定信息,生成距离表;以及将分类和回归树算法应用到所述距离表。
检测所述至少一个传感器的步骤为,检测出基尼系数为设定的值以上的传感器作为与所述产品的成品率存在相关关系的传感器,该基尼系数为根据应用所述分类和回归树算法的结果而导出的系数。
另外,根据本发明的一实施例的装置,作为包括一个以上处理器、存储器以及一个以上程序的装置,构成为所述一个以上程序存储在所述存储器,且通过所述一个以上的处理器执行,该程序包括指令,该指令执行以下过程:从设置在产品的制造设备的多个传感器中的每个传感器提取传感器数据;从所述传感器数据,生成对所述多个传感器中的每个的基准信号;以及利用所述传感器数据以及所述基准信号,检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上的传感器。
根据本发明的实施例,对掌握导致产品不良的工艺的成品率进行分析时,可直接利用具备时间序列特性的传感器数据来分析制造工艺数据,从而能够准确的掌握影响产品成品率的要因。
并且,通过对具备庞大的容量的传感器数据的预处理过程来简化传感器数据,从而减小数据的容量,同时能够有效地去除在制造过程中发生的传感器数据的噪声。据此,可原样地保留数据的时间序列特性的同时,还可有效地分析传感器数据。
附图说明
图1是用于说明根据本发明一实施例的利用制造工艺数据的成品率分析系统100的框图。
图2是用于说明根据本发明的一实施例的利用制造工艺数据的成品率分析方法200的流程图。
主要符号说明:
100:产品的制造工艺分析系统
102:数据提取单元
104:基准信号生成单元
106:预处理单元
108:传感器检测单元
具体实施方式
以下,参照附图来说明本发明的具体实施方式。但是,具体实施方式仅仅是一种示例,本发明不限于此。
在说明本发明时,若判断为针对与本发明相关的公知技术的具体说明影响本发明的主旨,则省略对其详细的说明。并且,后述的用语为考虑到在本发明的功能而定义的用语,其可根据使用者、运营商的意图或者惯例而不同。因此,其定义应该根据本说明书整体的内容来解释。
本发明的技术思想由权利要求书确定,以下的实施例仅仅是向本发明所属的技术领域中具备通常知识的技术人员有效地说明本发明的技术思想的一种手段而已。
图1是用于说明根据本发明一实施例的利用制造工艺数据的成品率分析系统100的框图。在本发明的实施例中,成品率分析系统100将产品的制造工艺数据和优良/不良判定信息关联起来而进行分析,用以掌握给产品成品率带来影响的工艺因素。以下,假设将本发明应用在半导体器件的制造工艺,据此对本发明的实施例进行说明。但是,需要注意的是,本发明的权利范围并不是仅限于半导体器件,可适用于在制造设备中经过已设定的流程而生产的所有产品。即,即使以下的说明中仅记载有“半导体器件”,其也应该解释成意指根据本发明的“作为产品的一例的半导体器件”。
在本发明的示例性实施例中,成品率分析系统100从产品(例如,半导体器件等)的制造设备所具备的各种传感器获取数据,并且利用获取的传感器数据检测引发制造出的产品的不良的嫌疑设备或者工艺。在本发明的实施例中,半导体器件意指由半导体或者显示器制造设施(FAB;Fabrication Facility)制造的产品,例如硅片或者玻璃晶片等可成为本发明的半导体器件。
如图所示,根据本发明一实施例的产品的成品率分析系统100包括数据提取单元102、基准信号生成单元104、预处理单元106以及传感器检测单元108。
数据提取单元102从产品(例如半导体器件等)的制造设备所具备的多个传感器获取数据。基准信号生成单元104基于从数据提取单元102获取的所述传感器数据,生成针对所述多个传感器中的每个的基准信号(Reference Signal)。预处理单元106执行用于减少所述传感器数据以及所述基准信号的容量以及去除噪声的预处理。并且,传感器检测单元108计算被预处理的所述传感器数据与所述基准信号之间的距离,并且利用计算出的所述距离检测出与所述产品的成品率存在相关关系的一个以上的传感器。
以下,详细说明如上构成的产品的成品率分析系统100的各构成要素。
数据提取
数据提取单元102从制造设备(例如,半导体器件等的制造设备)提取作为分析对象的原始数据(Raw Data),并将其处理为能够分析的形式。首先,数据提取单元102从设置于所述制造设备的多个传感器获取传感器数据。
此时,所述传感器用于检测所述制造设备的产品生产过程中的状态变化,例如可以是设置在执行特定工艺的设备上的温度传感器或者压力传感器等。即,此时,所述温度传感器或者压力传感器可构成为,检测在产品的制造过程中的该设备的根据时间的温度变化或者压力变化。数据提取单元102可从这样的传感器提取产品制造设备的各个工艺、各个工艺的每一个细化工艺或者各个工艺室(Chamber)的传感器数据。
并且,数据提取单元102可获取由所述制造设备生产的产品(例如,半导体器件)的最终成品率判定信息(优良/不良判定信息),将其关联到所述传感器数据而进行存储。所述成品率判定信息可从例如制造设备所具备的电芯片测试(EDS:Electric Die Sorting)等的装置中获取。即,数据提取单元102将各传感器在产品的制造过程中检测到的传感器数据以及通过所述制造过程而生产的产品的优良/不良判定信息关联起来而进行存储,从而在之后的数据分析过程中能够跟踪根据传感器数据的变化的产品的不良率变化。
另外,因传感器的误操作、检测错误、数据收集错误等各种原因,由数据提取单元102提取的传感器数据中可能存在缺失值。因此,数据提取单元102构成为,考虑所述传感器数据中的缺失值的数量来补正或者筛选所述传感器数据。
例如,当从特定传感器提取的传感器数据中的缺失值的数量超过设定的基准值时,数据提取单元102可去除从所述特定传感器提取的传感器数据,从而在后续的分析中排除该传感器的传感器值。并且,数据提取单元102可构成为,当与特定产品相关(即,在所述特定产品的生产过程中生成)的传感器数据中的缺失值超过设定的基准值时,去除与所述特定产品相关的全部传感器数据。即,在本发明的实施例中,当传感器数据中的缺失值过多时,在分析中排除与该传感器或者产品相关的所有传感器数据,以最小化在分析结果中发生错误的可能性。
另外,虽然传感器数据中存在缺失值,但是当该缺失值的数量未超过设定的基准值时,数据提取单元102可利用前后的传感器数据补正缺失值。例如,数据提取单元102可利用如下的数学式1来补正缺失值。
数学式1
此时,y表示缺失值,x表示缺失时刻,ya表示缺失前一刻传感器值,yb表示缺失后一刻传感器值,xa及xb分别表示ya及yb的检测时刻。但是,所述数学式1的缺失值补正公式仅仅是一种示例,此外还可使用用于补正缺失值的各种方法。即,本发明不限于特定的缺失值补正算法。
数据预处理及生成基准信号(Reference Signal)
如上所述,若提取了传感器数据,则接下来基准信号生成单元104从获取的所述传感器数据生成针对所述多个传感器的每个的基准信号(Reference Signal),预处理单元106执行针对所述传感器数据以及所述基准信号的压缩、归一化(normalization,或者也可称为正规化)或者符号化中的至少一个预处理。
首先,预处理单元106按照多个时间区间压缩所述传感器数据。具体地,预处理单元106按照多个(w个)时间区间分割所述传感器数据,并且计算被分割而成的每一个所述时间区间的所述传感器数据的代表值,从而压缩所述传感器数据。此时,所述代表值可设定为,被分割而成的每一个所述时间区间的传感器数据的平均值或者中间值。如此在压缩传感器数据时,可缩小传感器数据的整体容量,同时具有可减小数据中存在的噪声的优点。此时,为了确定所述w值(即,用于分割传感器数据的区间的数量),可使用例如符号化近似(SAX:Symbolic ApproXimation)算法等,但是不限于此。
若举例说明这样的传感器数据的压缩过程,则如下所述。首先,假设由特定传感器以1秒间隔检测的传感器数据如同下述。
3.5,3.8,3.9,4.1,4.5,4.7,4.8,4.8,4.8,4.7,4.8,4.9,...
将所述传感器数据分割为4个时间区间(w=4),计算各个区间的平均值。
区间1:(3.5+3.8+3.9)/3=3.7
区间2:(4.1+4.5+4.7)/3=4.4
区间3:(4.8+4.8+4.8)/3=4.8
区间4:(4.7+4.8+4.9)/3=4.8
即,在上述例子中传感器数据压缩成如下的数据。
3.7,4.4,4.8,4.8
之后,基准信号生成单元104基于被压缩的所述传感器数据生成基准信号(Reference Signal)。在本发明的实施例中,基准信号表示在计算每个传感器的传感器数据的距离时作为基准的信号。
于基准信号生成单元104中的基准信号生成过程如下。首先,基准信号生成单元104针对各个传感器,利用所述产品的优良/不良判定信息,将被压缩的所述传感器数据分类成正常(good)组以及不良(bad)组。即,所述正常组包括在被判定为正常的产品的制造过程中产生的传感器数据,所述不良组包括在被判定为不良的产品的制造过程中产生的传感器数据。
之后,基准信号生成单元104针对每个所述时间区间(W),计算属于所述正常组的传感器数据的平均值或者中间值中的一种,从而生成所述基准信号。即,在本发明中,基准信号可定义成,每个时间区间的属于正常组的传感器数据的平均值或者中间值。
另外,基准信号生成单元104在生成所述基准信号之前,首先从所述正常组中去除异常值(outlier)。所述异常值是指,将其与正常组所包括的其他传感器数据比较时,差异异常大的传感器数据。这样的异常值通常发生在传感器或者设备的暂时故障等特殊的情况中,因此若不将其排除,则存在基准信号发生失真的可能性。当在生成基准信号前去除异常值时,可提高基准信号的准确度。
具体地,基准信号生成单元104可构成为:计算属于所述正常组的传感器数据的数据开始时刻或者数据结束时刻的分布,并且当存在数据开始时刻或者数据结束时刻中的至少一个不在已设定的正常范围内的传感器数据时,去除该传感器数据。此时,所述正常范围可利用传感器数据的数据开始时刻或者数据结束时刻的平均值或者标准偏差中的一个来进行计算,并且该传感器数据包括于所述正常组。
例如,假设包括于所述正常组的传感器数据的数据开始时间的平均值为m,标准差为s时,所述数据开始时间的正常范围可通过如下的数学式2确定。
数学式2
m-3s≤数据开始时间≤m+3s
即,基准信号生成单元104可在包括于所述正常组的传感器数据中排除数据开始时间超过所述范围的传感器数据,仅用剩余的传感器数据生成基准信号。在前述的数学式中虽然仅记载了数据开始时间的正常范围,但是显而易见地,数据结束时间也可用相同的方法来计算。
接着,预处理单元106归一化(normalization)被压缩的所述传感器数据。具体地,如下面的数学式3,预处理单元106可利用所述基准信号的平均以及分散,归一化传感器数据。
数学式3
此时,xi表示传感器数据的第i个传感器值、yi表示被归一化后的传感器值,μ表示基准信号的平均,σ表示基准信号的分散。
接着,预处理单元106根据已设定的传感器值范围,将被归一化的所述传感器数据的传感器值以及所述基准信号转换(symbolization)为多个符号(symbol)。具体地,预处理单元106可将分布有归一化的传感器值的整个区间分割为多个(α个)小区间,并且为分割的各个小区间赋予不同的符号(例如,阿尔法文字),以此符号化传感器数据。例如,预处理单元106可利用如下的数学式4,分割分布有传感器值的区间。
数学式4
其中,yi表示第i个小区间的临界值,n表示所有小区间的数量,Φ表示累积正态分布。
例如,假设归一化的传感器数据如下。
-0.3,-0.7,-0.2,0.4,0.8,...
假设用诸如下面的表1的方法符号化上述传感器数据时,上述传感器数据可进行如下的转换。
表1
区间 | 符号 |
-1.0以上至小于-0.5 | A |
-0.5以上至小于0 | B |
0以上至小于0.5 | C |
0.5以上至小于1.0 | D |
符号化的传感器数据:B A B C D
生成距离表以及检测传感器
当经过上述过程而在预处理单元106完成传感器数据的预处理时,传感器检测单元108计算预处理的所述传感器数据和所述基准信号之间的距离,利用计算出的所述距离,检测出与所述产品的成品率存在相关关系的一个以上传感器。
首先,传感器检测单元108计算预处理的所述传感器数据的各个传感器值与基准信号之间的距离(MDIST)。例如,所述距离可通过如下的数学式5来计算。
数学式5
所述数学式5用于计算由n个符号(Symbol)表示的两个时间序列数据Q,P的第i个要素(Qi,Pi)之间的距离(MDISTi)的数学式。在上述数学式中,r、c分别表示由Qi及Pi构成的查找表(Lookup Table)的行r和列c的位置。在所述数学式5,作为所述距离的一例例举了MDIST,但是还可使用除此之外的欧几里得距离(Euclidean Distance)等的各种距离标尺。如上所述,当计算出各个传感器值和基准信号之间的距离时,传感器检测单元108利用所述距离值以及产品的优良/不良判定信息,生成距离表(Distance Table)。在本发明的实施例中,传感器检测单元108可生成包括第一距离表以及第二距离表的两个距离表。其中,第一距离表为记录有基于各个传感器的时间区间的与基准信号的距离差的表。例如,假设在区间I1、I2、I3,在晶片1以及晶片2的制造工艺中检测到的压力传感器和温度传感器的传感器值以及基准信号如下面的表2所示。
表2
此时,将表2中的基准信号以及压力传感器和温度传感器的传感器值代入到数学式5,可以计算出如图3所示的第一距离表。
表3
第二距离表为记录有针对第一距离表的每个传感器的距离(MDIST)之和的表。例如,可从所述表3所记载的距离表生成如图4所示的第二距离表。
表4
传感器 | 压力 | 温度 | 优良不良判定结果(G/B) |
晶片1 | 1 | 1 | 优良 |
晶片2 | 3 | 7 | 不良 |
生成如上述的距离表时,接着传感器检测单元108将分类和回归树(CART:Classification And Regression Tree)算法应用于上述距离表,从而生成决策树。具体的,传感器检测单元108可将CART算法分别应用到所述第一距离表、第二距离表,从而生成两个决策树。此时,第一距离表可用于掌握各个传感器数据的哪一个区间影响产品的成品率,第二距离表可用于掌握整体上哪一个传感器影响产品的成品率。
如上所述,将CART算法应用于距离表时,计算构成决策树的各个节点的传感器的基尼系数。所述基尼系数作为一种表示对应于该节点的传感器影响产品的成品率的系数,基尼系数越高,意味着该传感器对产品的成品率的影响越大。因此,传感器检测单元108可根据应用所述CART算法的结果而导出的基尼系数(Gini Index)来整列传感器,并且可将基尼系数达到已设定的值以上的传感器检测为与所述产品的成品率相关关系较高的传感器。
图2是用于说明根据本发明的一实施例的产品的制造工艺分析方法200的流程图。首先,数据提取单元102从设置于产品的制造设备的多个传感器提取传感器数据(202)。如前所述,所述步骤202还可包括考虑传感器数据的缺失值的数量来补正或者筛选传感器数据的步骤。例如,当从特定传感器提取的传感器数据中的缺失值的数量超过已设定的基准值时,数据提取单元102可去除从特定传感器提取的传感器数据。并且,当与特定产品相关的传感器数据的缺失值超过已设定的基准值时,数据提取单元102可去除与特定产品相关的传感器数据。
其次,由预处理单元106压缩被提取的传感器数据(204)。具体地,所述步骤204还可包括:按照多个时间区间分割所述传感器数据的步骤;以及计算被分割而成的每个时间区间的传感器数据的代表值的步骤。此时,所述代表值可以是被分割而成的每个时间区间的传感器数据的平均值或者中间值中的一个。
接下来,由基准信号生成单元104基于传感器数据生成多个传感器中的每个传感器的基准信号(206)。此时,所述步骤206还可包括以下步骤:针对各个传感器,利用所述产品的优良/不良判定信息来将被压缩的传感器数据分类为正常(good)组以及不良(bad)组;以及对每个所述时间区间,计算属于正常组的传感器数据的平均值或者中间值中的一个。
并且,如前所述,基准信号生成单元104可构成为,在生成基准信号之前从所述正常组去除异常值(outlier)。在前面也提到,此时所述异常值意指数据开始时刻或者数据结束时刻中的至少一个没有包含于已设定的正常范围的传感器数据。所述正常范围可利用包括于所述正常组的传感器数据的数据开始时刻或者数据结束时刻的平均值或者标准偏差中的一个以上来进行计算。
如上所述,当生成基准信号时,接下来预处理单元106利用基准信号的平均以及分散来归一化被压缩的传感器数据(208),根据已设定的传感器值范围,将归一化的传感器数据的传感器值以及基准信号转换成多个符号(210)。
之后,传感器检测单元108计算传感器数据和基准信号之间的距离,利用计算出的距离生成距离表(212),利用所述距离表检测出与所述产品的成品率存在相关关系的一个以上传感器(214)。如前所述,传感器检测单元108可构成为:将分类和回归树(CART:Classification And Regression Tree)算法应用到所述距离表,并且将基尼系数(GiniIndex)为设定的值以上的传感器检测为与产品的成品率存在相关关系的传感器,该基尼系数是作为应用分类和回归树算法的结果而导出的系数。
另外,在本发明的实施例可包括计算机可读记录介质,该计算机可读记录介质包括用于在计算机上执行由本说明书记载的方法的程序。所述计算机可读记录介质可单独或者组合地包括程序命令、本地数据文件、本地数据结构等。所述介质可以是为了本发明而特别设置并构成的介质,或者也可以是对于在计算机软件领域中具备通常知识的技术人员而言是公知而能够使用的构件。作为计算机可读记录介质的示例可包括为存储并执行程序命令而特别构成的硬件装置,该硬件装置包括:诸如硬盘、软盘以及磁带的磁性介质;诸如CD-ROM、DVD的光记录介质;诸如光磁碟的磁光介质;以及只读存储器、随机存储器、闪速存储器等。作为程序命令的示例,不仅包括由编译器生成的机械语言代码,还可包括使用解释器等而可通过计算机执行的高级代码。
以上,通过典型的实施例来详细地说明了本发明,但是于本领域所属技术领域中具有通常知识的技术人员应该知道,在不超过本发明的范围的情况下能够进行各种变形。
因此,本发明的权利范围不限于已说明的实施例,应该由前面的权利要求书以及与权利要求书相等的范围来确定。
Claims (29)
1.一种成品率分析系统,其中,包括:
数据提取单元,从设置于产品的制造设备而检测所述制造设备的状态变化的多个传感器中的每个传感器提取传感器数据,并获取由所述制造设备生产的产品的优良/不良判定信息;
基准信号生成单元,基于所述产品的优良/不良判定信息,从所述传感器数据生成针对所述多个传感器中的每个传感器的基准信号;
预处理单元,执行包括针对所述传感器数据以及所述基准信号的压缩的预处理;以及
传感器检测单元,利用所述传感器数据以及所述基准信号,检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器,
所述基准信号生成单元对每个所述传感器,利用所述产品的优良/不良判定信息,将被压缩的所述传感器数据分类为正常组以及不良组中的一种。
2.根据权利要求1所述的成品率分析系统,其中,所述数据提取单元考虑所述传感器数据的缺失值的数量,来补正或者筛选所述传感器数据。
3.根据权利要求2所述的成品率分析系统,其中,当从所述多个传感器中的特定传感器提取的传感器数据的缺失值的数量超过设定的基准值时,所述数据提取单元去除从所述特定传感器提取的传感器数据。
4.根据权利要求2所述的成品率分析系统,其中,当与特定产品相关的传感器数据的缺失值超过设定的基准值时,所述数据提取单元去除与所述特定产品相关的传感器数据。
5.根据权利要求1所述的成品率分析系统,其中,所述传感器检测单元计算所述传感器数据和所述基准信号之间的距离,利用计算出的所述距离检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器。
6.根据权利要求1所述的成品率分析系统,其中,所述预处理单元执行还包括针对所述传感器数据以及所述基准信号的归一化或者符号化中的至少一个的预处理。
7.根据权利要求1所述的成品率分析系统,其中,所述预处理单元按照多个时间区间分割所述传感器数据,计算被分割而成的每个所述时间区间的所述传感器数据的代表值,用以压缩所述传感器数据。
8.根据权利要求7所述的成品率分析系统,其中,所述代表值为被分割而成的每个所述时间区间的传感器数据的平均值或者中间值中的一个。
9.根据权利要求7所述的成品率分析系统,其中,所述基准信号生成单元对每个所述时间区间,计算属于所述正常组的传感器数据的平均值或者中间值中的一个,从而生成所述基准信号。
10.根据权利要求9所述的成品率分析系统,其中,所述基准信号生成单元在生成所述基准信号之前从所述正常组去除异常值。
11.根据权利要求10所述的成品率分析系统,其中,所述异常值为数据开始时刻或者数据结束时刻中的至少一个不在已设定的正常范围的传感器数据。
12.根据权利要求11所述的成品率分析系统,其中,所述正常范围利用包含在所述正常组的传感器数据的数据开始时刻或者数据结束时刻的平均值或者标准偏差中的一个以上来计算。
13.根据权利要求6所述的成品率分析系统,其中,所述预处理单元为,利用所述基准信号的平均以及分散来归一化被压缩的所述传感器数据,并且根据已设定的传感器值范围,将被归一化的所述传感器数据的传感器值以及所述基准信号转换为多个符号。
14.根据权利要求13所述的成品率分析系统,其中,所述传感器检测单元利用被符号化的所述传感器数据、所述基准信号以及所述产品的优良/不良判定信息生成距离表,
并且将分类和回归树算法应用到所述距离表用以生成决策树。
15.根据权利要求14所述的成品率分析系统,其中,所述传感器检测单元将基尼系数为设定的值以上的传感器检测为与所述产品的成品率存在相关关系的传感器,该基尼系数为应用所述分类和回归树算法的结果而导出的系数。
16.一种成品率分析方法,其中,包括以下步骤:
在数据提取单元,从设置于产品的制造设备而检测所述制造设备的状态变化的多个传感器中的每个传感器提取传感器数据;
在所述数据提取单元,获取由所述制造设备生产的产品的优良/不良判定信息;
在预处理单元压缩被提取的所述传感器数据;
在基准信号生成单元,基于所述产品的优良/不良判定信息,从所述传感器数据生成针对所述多个传感器中的每个传感器的基准信号;以及
在传感器检测单元,利用所述传感器数据以及所述基准信号,检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器,
生成所述基准信号的步骤包括:对每个所述传感器,利用所述产品的优良/不良判定信息,将被压缩的所述传感器数据分类为正常组以及不良组中的一种。
17.根据权利要求16所述的成品率分析方法,其中,所述提取传感器数据的步骤还包括步骤:考虑所述传感器数据的缺失值的数量来补正或者筛选所述传感器数据。
18.根据权利要求17所述的成品率分析方法,其中,所述补正或者筛选传感器数据的步骤构成为,当从所述多个传感器中的特定传感器提取的传感器数据的缺失值的数量超过设定的基准值时,去除从所述特定传感器提取的传感器数据。
19.根据权利要求17所述的成品率分析方法,其中,所述补正或者筛选传感器数据的步骤构成为,当与特定产品相关的传感器数据的缺失值超过设定的基准值时,去除与所述特定产品相关的传感器数据。
20.根据权利要求16所述的成品率分析方法,其中,在检测所述传感器的步骤中,计算所述传感器数据和所述基准信号之间的距离,利用被计算的所述距离检测出所述多个传感器中与所述产品的成品率存在相关关系的一个以上传感器。
21.根据权利要求16所述的成品率分析方法,其中,压缩所述传感器数据的步骤还包括步骤:
按照多个时间区间分割所述传感器数据;以及
计算被分割而成的每个所述时间区间的所述传感器数据的代表值。
22.根据权利要求21所述的成品率分析方法,其中,所述代表值为被分割而成的每个所述时间区间的传感器数据的平均值或者中间值中的一个。
23.根据权利要求21所述的成品率分析方法,其中,生成所述基准信号的步骤还包括:
对每个所述时间区间,计算属于所述正常组的传感器数据的平均值或者中间值中的一个。
24.根据权利要求23所述的成品率分析方法,其中,所述将被压缩的传感器数据分类为正常组以及不良组中的一种的步骤还包括从所述正常组去除异常值的步骤。
25.根据权利要求24所述的成品率分析方法,其中,所述异常值为数据开始时刻或者数据结束时刻中的至少一个不在已设定的正常范围的传感器数据。
26.根据权利要求25所述的成品率分析方法,其中,所述正常范围利用包含在所述正常组的传感器数据的数据开始时刻或者数据结束时刻的平均值或者标准偏差中的一个以上来计算。
27.根据权利要求16所述的成品率分析方法,其中,
在执行检测所述一个以上传感器的步骤之前还包括步骤:
在所述预处理单元中,利用所述基准信号的平均以及分散来归一化被压缩的所述传感器数据;以及
在所述预处理单元中,根据已设定的传感器值范围,将被归一化的所述传感器数据的传感器值以及所述基准信号转换为多个符号。
28.根据权利要求27所述的成品率分析方法,其中,
检测所述一个以上传感器的步骤包括步骤:
利用被符号化的所述传感器数据、所述基准信号以及所述产品的优良/不良判定信息,生成距离表;以及
将分类和回归树算法应用到所述距离表。
29.根据权利要求28所述的成品率分析方法,其中,
检测所述一个以上传感器的步骤为,将基尼系数为设定的值以上的传感器检测为与所述产品的成品率存在相关关系的传感器,该基尼系数为应用所述分类和回归树算法的结果而导出的系数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2013-0062300 | 2013-05-31 | ||
KR1020130062300A KR101538843B1 (ko) | 2013-05-31 | 2013-05-31 | 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104216349A CN104216349A (zh) | 2014-12-17 |
CN104216349B true CN104216349B (zh) | 2017-10-27 |
Family
ID=51986074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310382057.8A Active CN104216349B (zh) | 2013-05-31 | 2013-08-28 | 利用制造设备的传感器数据的成品率分析系统及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20140358465A1 (zh) |
KR (1) | KR101538843B1 (zh) |
CN (1) | CN104216349B (zh) |
WO (1) | WO2014193041A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2916260A1 (en) * | 2014-03-06 | 2015-09-09 | Tata Consultancy Services Limited | Time series analytics |
US9866161B1 (en) * | 2014-05-21 | 2018-01-09 | Williams RDM, Inc. | Universal monitor and fault detector in fielded generators and method |
US10935962B2 (en) * | 2015-11-30 | 2021-03-02 | National Cheng Kung University | System and method for identifying root causes of yield loss |
KR102089818B1 (ko) * | 2015-12-31 | 2020-03-17 | 주식회사 포스코아이씨티 | 스마트 팩토리를 위한 실시간 빅데이터 처리 시스템 |
KR102456898B1 (ko) * | 2016-03-17 | 2022-10-19 | 삼성에스디에스 주식회사 | 데이터 신호의 표준 패턴 생성 방법 및 그 장치 |
KR20170130674A (ko) * | 2016-05-18 | 2017-11-29 | 삼성전자주식회사 | 공정 평가 방법 및 그를 포함하는 기판 제조 장치의 제어 방법 |
DE112016006822T5 (de) * | 2016-06-30 | 2019-01-10 | Intel Corporation | Sensorbasiertes datensatzverfahren und einrichtung |
KR102036956B1 (ko) * | 2016-08-11 | 2019-10-25 | 에스케이 주식회사 | 계측-수율 상관성 분석 방법 및 시스템 |
US10393802B2 (en) * | 2017-06-14 | 2019-08-27 | Nuvoton Technology Corporation | System and method for adaptive testing of semiconductor product |
CN109582482A (zh) * | 2017-09-29 | 2019-04-05 | 西门子公司 | 用于检测离散型生产设备的异常的方法及装置 |
KR102024829B1 (ko) * | 2018-02-14 | 2019-09-24 | 부산대학교 산학협력단 | Cart 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 |
CN108761196B (zh) * | 2018-03-30 | 2020-01-21 | 国家电网公司 | 一种智能电表用户缺失电压数据修复方法 |
DE112018007522T5 (de) * | 2018-05-31 | 2021-01-14 | Mitsubishi Electric Corporation | Arbeitsanalyseeinrichtung |
CN111223799B (zh) * | 2020-01-02 | 2022-12-20 | 长江存储科技有限责任公司 | 工艺控制方法、装置、系统及存储介质 |
KR102578489B1 (ko) | 2022-07-12 | 2023-09-13 | 이재학 | 빅데이터, 머신러닝 기반의 디지털 트랜스포메이션 예측 시스템 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269353B1 (en) * | 1997-11-26 | 2001-07-31 | Ishwar K. Sethi | System for constructing decision tree classifiers using structure-driven induction |
US6101275A (en) * | 1998-01-26 | 2000-08-08 | International Business Machines Corporation | Method for finding a best test for a nominal attribute for generating a binary decision tree |
US6965895B2 (en) * | 2001-07-16 | 2005-11-15 | Applied Materials, Inc. | Method and apparatus for analyzing manufacturing data |
KR100547936B1 (ko) * | 2003-08-07 | 2006-01-31 | 삼성전자주식회사 | 불순물 용출 장치 |
JP4360612B2 (ja) * | 2003-09-16 | 2009-11-11 | 日東電工株式会社 | 歩留改善情報の提供システムおよび歩留改善方法 |
US6973390B2 (en) * | 2004-02-13 | 2005-12-06 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system for analyzing wafer yield against uses of a semiconductor tool |
KR100672243B1 (ko) * | 2005-03-17 | 2007-01-22 | (주)미래로시스템 | 웨이퍼 맵과 통계분석 기능을 제공해주는 베어 웨이퍼 수율관리 시스템 |
JP4501750B2 (ja) * | 2005-03-29 | 2010-07-14 | セイコーエプソン株式会社 | 検出装置および認証装置 |
JP2007310665A (ja) * | 2006-05-18 | 2007-11-29 | Toshiba Corp | プロセス監視装置 |
US7503020B2 (en) * | 2006-06-19 | 2009-03-10 | International Business Machines Corporation | IC layout optimization to improve yield |
JP4908995B2 (ja) * | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
CN101183399B (zh) * | 2007-11-16 | 2010-12-08 | 浙江大学 | 一种分析和提高半导体生产线的成品率的方法 |
EP2131292A1 (en) * | 2008-06-06 | 2009-12-09 | NTT DoCoMo, Inc. | Method and apparatus for searching a plurality of realtime sensors |
-
2013
- 2013-05-31 KR KR1020130062300A patent/KR101538843B1/ko active IP Right Grant
- 2013-08-28 US US14/011,873 patent/US20140358465A1/en not_active Abandoned
- 2013-08-28 CN CN201310382057.8A patent/CN104216349B/zh active Active
- 2013-08-30 WO PCT/KR2013/007831 patent/WO2014193041A1/ko active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20140358465A1 (en) | 2014-12-04 |
KR20140141051A (ko) | 2014-12-10 |
WO2014193041A1 (ko) | 2014-12-04 |
CN104216349A (zh) | 2014-12-17 |
KR101538843B1 (ko) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104216349B (zh) | 利用制造设备的传感器数据的成品率分析系统及方法 | |
CN104216350B (zh) | 感测数据分析系统及方法 | |
US7437266B2 (en) | Time-series data analyzing apparatus | |
US10539613B2 (en) | Analog circuit fault diagnosis method using single testable node | |
US20190087737A1 (en) | Anomaly detection and automated analysis in systems based on fully masked weighted directed | |
CN110141219A (zh) | 基于导联融合深度神经网络的心肌梗死自动检测方法 | |
CN106503086A (zh) | 分布式局部离群点的检测方法 | |
CN108022146A (zh) | 征信数据的特征项处理方法、装置、计算机设备 | |
JP2016200435A (ja) | マススペクトル解析システム,方法およびプログラム | |
US20190087248A1 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
CN115392408A (zh) | 一种电子数粒机运行异常检测方法及系统 | |
CN105512454A (zh) | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 | |
EP3767582A1 (en) | Inspection system, discrimination system, and learning data generator | |
CN108647737A (zh) | 一种基于聚类的自适应时间序列异常检测方法及装置 | |
CN105590026B (zh) | 基于主成分分析的卫星遥测回归方法 | |
US20190179867A1 (en) | Method and system for analyzing measurement-yield correlation | |
CN109434562A (zh) | 基于划分聚类的铣削刀具磨损状态识别方法 | |
CN109308225A (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
JP2013182468A (ja) | パラメータ値設定誤り検出システム、パラメータ値設定誤り検出方法およびパラメータ値設定誤り検出プログラム | |
CN108268462A (zh) | 一种关系完整性的数据质量检测系统 | |
CN105824785A (zh) | 基于惩罚回归的快速异常点检测方法 | |
CN110728315A (zh) | 一种实时质量控制方法,系统和设备 | |
CN111507878B (zh) | 一种基于用户画像的网络犯罪嫌疑人侦查方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |