CN107229764B - 设备的异常评估方法与异常评估装置 - Google Patents
设备的异常评估方法与异常评估装置 Download PDFInfo
- Publication number
- CN107229764B CN107229764B CN201610296671.6A CN201610296671A CN107229764B CN 107229764 B CN107229764 B CN 107229764B CN 201610296671 A CN201610296671 A CN 201610296671A CN 107229764 B CN107229764 B CN 107229764B
- Authority
- CN
- China
- Prior art keywords
- life
- window
- point
- feature
- segment
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000011112 process operation Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 102
- 230000007704 transition Effects 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 21
- 238000013519 translation Methods 0.000 claims description 21
- 230000036541 health Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 18
- 239000004065 semiconductor Substances 0.000 description 18
- 239000013256 coordination polymer Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000032683 aging Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 230000009084 cardiovascular function Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种设备的异常评估方法，包括下列步骤。根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，特征序列包括多个特征子集序列，生命周期关联于多个工艺操作。对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。根据每一生命区段所对应的特征子集序列，来建构每一生命区段的一趋势分布。根据多个趋势分布来决定是否发出一警示信息。
Description
技术领域
本发明关于一种设备的异常评估方法与异常评估装置。
背景技术
在传统对半导体机台的异常(例如故障或者是老化)的状态的评估方法中，往往仅能判断其为健康状态或者是异常状态二者其中之一。然而，此类二分法并无法明确反应半导体机台的实际状态。
除此之外，在传统对半导体机台的异常(例如故障或者是老化)的状态的另一评估方法中，往往仅通过单一特征来衡量半导体机台的零件的整个生命周期的老化趋势。然而，实际上随着零件生命状态的改变，反应零件老化的特征会有所不同，因而单一特征也无法精准的反应半导体机台的实际表现。
发明内容
本发明在于提供一种设备的异常评估方法与异常评估装置，以解决现有方法中无法明确反应出半导体机台的实际状态的问题，以及用以克服现有方法中仅通过单一特征评估因而无法精准地呈现出半导体机台的真实表现的问题。
本发明提供一种设备的异常评估方法，包括下列步骤：根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，特征序列包括多个特征子集序列，生命周期关联于多个工艺操作(process run)。对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。根据每一生命区段所对应的特征子集序列，来建构每一生命区段的一趋势分布。根据多个趋势分布来决定是否发出一警示信息。
本发明提供一种设备的异常评估装置，包括一特征提取模块、一生命区段分析模块、一趋势分析模块以及一警示模块。生命区段分析模块耦接特征提取模块。趋势分析模块耦接特征提取模块与生命区段分析模块。警示模块耦接趋势分析模块。特征提取模块用以根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，特征序列包括多个特征子集序列，生命周期关联于多个工艺操作。生命区段分析模块用以对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。趋势分析模块用以根据每一生命区段所对应的特征子集序列，来建构每一生命区段的一趋势分布。警示模块用以根据多个趋势分布来决定是否发出一警示信息。
如上所述，本发明通过对生命周期重复执行生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列，以建构出每一生命区段的趋势分布，来决定是否发出警示信息。如此一来，即可对应半导体工艺的生命周期中的不同时期(例如较早期、中期或者是较晚期)，选取出较恰当的特征值，来建构出更真实的健康模型，以更精准地反应出半导体机台的健康趋势。
附图说明
图1为根据本发明一实施例的设备的异常评估装置的方块图。
图2为根据本发明一实施例的设备的异常评估方法的流程图。
图3为根据本发明一实施例的配方信息与传感信号及其局部放大的示意图。
图4为根据本发明一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。
图5A与图5B为根据本发明一实施例的生命区段分析程序的示意图。
图6为根据本发明一实施例的设备的异常评估方法的流程图。
图7为根据本发明另一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。
附图标记说明
100 异常评估装置
110 特征提取模块
120 生命区段分析模块
130 趋势分析模块
140 警示模块
F 特征序列
t1～t4、t1’t5’ 趋势分布
P1～P4、P1’～P5’ 生命区段
Run 工艺操作编号
E1～E4 区段转换点
S210～S260 设备的异常评估方法的步骤
a～e 设备的异常评估方法的步骤
b1～b4、b51、b52、b6 设备的异常评估方法的步骤
W1 第一窗口
W2 第二窗口
Th1、Th2 警示门槛值
CP11～CP1k 候选转换点
CP21～CP2k 候选转换点
CP1τ、CP2τ 具有最高费雪分数的候选转换点
Z 特征子集序列
Z1τ 生命区段P1所对应的特征子集序列
Z2τ 生命区段P2所对应的特征子集序列
Z3τ 生命区段P3所对应的特征子集序列
Z4τ 生命区段P4所对应的特征子集序列
Z1τ’ 生命区段P1’所对应的特征子集序列
Z2τ’ 生命区段P2’所对应的特征子集序列
Z3τ’ 生命区段P3’所对应的特征子集序列
Z4τ’ 生命区段P4’所对应的特征子集序列
Z5τ’ 生命区段P5’所对应的特征子集序列
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
图1为根据本发明一实施例的设备的异常评估装置100的方块图。如图1所示，异常评估装置100包括特征提取模块110、生命区段分析模块120、趋势分析模块130以及警示模块140。生命区段分析模块120耦接特征提取模块110。趋势分析模块130耦接特征提取模块110与生命区段分析模块120。警示模块140耦接趋势分析模块130。特征提取模块110、生命区段分析模块120、趋势分析模块130以及警示模块140可以是由各种微处理器或者是芯片来实现，在此不加以限制。举例来说，特征提取模块110、生命区段分析模块120、趋势分析模块130以及警示模块140可分别通过一第一处理器、一第二处理器、一第三处理器以及一第四处理器来实现。下列请同时参照图1与图2。
图2为根据本发明一实施例的设备的异常评估方法的流程图。如图2所示，设备的异常评估方法的包括步骤S210～S260。
在半导体工艺中，针对某一零件甲(即机台零件)，其先后可历经多个工艺操作(process run)。也就是说，此零件于工艺中的生命周期可涵盖了这些工艺操作。
在步骤S210中，针对上述零件甲的半导体工艺，特征提取模块110可用以根据配方信息与传感信号，取得对应于生命周期的特征序列。生命周期可关联于多个工艺操作。在本发明实施例中，其中配方信息包括多个配方值(setpoint)，也就是配方的设定值。传感信号包括多个感测值，每一感测值对应多个配方值其中之一。举例来说，在各工艺操作中，可以有对应此LED的配方信息(或配方步骤(recipe step))，其中配方信息可具有多个配方值，例如特定时点的加热温度。此外，可通过相关的传感器来撷取上述配方步骤所对应的传感信号。其中传感信号具有多个感测值，例如特定时点的感测温度。
图3为根据本发明一实施例的配方信息与传感信号及其局部放大的示意图。图3中的纵轴代表摄氏温度，横轴代表时间(秒)，其中的实线代表配方信息，虚线代表传感信号。下列请同时参照图1、图2、图3。
在本发明实施例中，特征序列关联于配方信息与传感信号之间的偏移程度。在本发明实施例中，特征提取模块110可进一步根据每一配方值与对应的感测值之间的差值，以及对应生命周期的时间顺序，产生特征序列。
举例来说，在一情况中，特征提取模块110可计算多个配方值与对应的多个感测值之间的多个差值中的一平均差值，以作为对应偏移程度的特征值。在另一情况中，特征提取模块110可计算多个配方值与对应的多个感测值之间的多个差值中的最大差值，以作为对应偏移程度的特征值。在又另一情况中，特征提取模块110也可计算多个配方值与对应的多个感测值之间的多个差值中，大于一阀值的多个差值所对应的偏移时间，以作为对应偏移程度的特征值。以此，特征提取模块110再根据所求得的多个特征值以及对应生命周期的时间顺序，来产生所述特征序列F。
在本发明实施例中，所述特征序列F可以是通过上述各工艺操作的配方值与感测值之间的差值所求得的特征向量所组成的序列。其中特征序列F所属的集合可以是{Mean、std、Max、Min、Range、Kurtosis、Skewness、RMS}。其中Mean为平均值，std为标准偏差，Max为最大值，Min为最小值，Range为范围，Kurtosis为峰度，Skewness为偏斜度，RMS为均方根。如下列表一与表二所示。表一与表二为根据本发明一实施例的关联于多个工艺操作编号Run的特征向量。
表一
| Run | Range | Kurtosis | Skewness | RMS |
| 363 | 0.082352941 | -1.2607203 | -0.3226644362 | 0.17552689 |
| 365 | 0.082352941 | -1.1612369 | -0.4286145983 | 0.19657114 |
| 367 | 0.076470588 | -1.2752570 | -0.3629301704 | 0.18852059 |
| 369 | 0.094117647 | -1.2059249 | -0.3897615016 | 0.21518389 |
| 371 | 0.194117647 | -1.4481707 | -0.0489579452 | 0.19129842 |
表二
举例来说，对应工艺操作编号Run为363的特征向量即为(0.17341176，0.027167047，0.20588235，0.12352941，0.082352941，-1.2607203，-0.3226644362，0.17552689)。特征序列F即为所有工艺操作的特征向量所组成的序列。为了便于说明，上述表一与表二并未列举所有工艺操作的特征向量。
在本发明实施例中，特征序列可包括多个特征子集序列，举例来说，当特征序列F所属的集合为{Mean、std、Max、Min、Range、Kurtosis、Skewness、RMS}时，则特征子集序列Z所属的集合，则可以是上述特征序列F所属集合的子集合，例如为{Mean、Max、Min}或{Mean、Max、Min、Kurtosis、Skewness}等等。换句话说，特征子集序列Z即为上述子集合的特征子集向量所组成的序列。上述特征值所属的集合仅为便于说明之用，在此不加以限制。
图4为根据本发明一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。下列请同时参照图1、图2与图4。
在步骤S220中，生命区段分析模块120可用以对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。
如图4所示，通过重复执行生命区段分析程序，生命区段分析模块120可分别取得对应生命周期中百分比0～36％的区段为生命区段P1，对应生命周期中百分比36～56.5％的区段为生命区段P2，对应生命周期中百分比56.5～87.2％的区段为生命区段P3，对应生命周期中百分比87.2～100％的区段为生命区段P4。其中，生命区段P1所对应的特征子集序列Z1τ的特征值所属的集合为{Mean，Max，Min，Range，Kurtosis，Skewness}，生命区段P2所对应的特征子集序列Z2τ的特征值所属的集合为{Std，Max，Min，Range}，生命区段P3所对应的特征子集序列Z3τ的特征值所属的集合为{Max，Min，Range，RMS}，生命区段P4所对应的特征子集序列Z4τ的特征值所属的集合为{Mean，Std，Max，Min，Range}。
举例来说，如同人类的生命周期可大致上分为四个生命区段，如儿童期、青少年期、中壮年期以及老年期。其中，在人类的各生命区段，用以评估健康的主要特征可能不同。举例来说，在儿童期，评估健康的主要特征可相关于骨骼、肌肉以及呼吸道。在青少年期，评估健康的主要特征可相关于胆固醇以及肝指数。在中壮年期，评估健康的主要特征可相关于血糖、血压、心血管以及肾功能。在老年期，评估健康的主要特征可相关于肠胃道、骨密度以及心脏。半导体工艺也是一样，在评估半导体机台的异常(例如故障或者是老化)的状态时，不同的生命区段可对应不同的特征子集序列，且通过所属的特征子集序列，将能更精准地反应半导体机台的生命区段的发展趋势。
在步骤S230中，趋势分析模块130可用以根据每一生命区段所对应的特征子集序列，来建构每一生命区段的趋势分布。如图4所示，趋势分析模块130可分别针对生命区段P1～P4而建构出趋势分布t1～t4。
在步骤S240中，警示模块140可用以根据多个趋势分布来决定是否发出一警示信息。如图4所示，已知的零件更换点发生在工艺操作编号Run为469的时点，而警示模块140可提早于工艺操作编号Run为455的时点发出警示信息(如步骤S250)。若判断为否，则于步骤S260中判定不发出警示信息。
下列将进一步详述生命区段分析模块120所执行的生命区段分析程序。
图5A与图5B为根据本发明一实施例的生命区段分析程序的示意图。图6为根据本发明一实施例的设备的异常评估方法的流程图。下列请同时参照图1、图4、图5A～5B以及图6。
在本发明实施例中，其中生命区段分析模块120于步骤S220中，可进一步根据一分析起始点执行生命区段分析程序，以取得对应多个生命区段其中之一的一区段转换点，以及根据最新所取得的区段转换点来重新设定分析起始点(步骤g)，并重复执行上述步骤，直到无法再取得任何区段转换点为止(步骤h)。其中，最初始的分析起始点根据生命周期的起始点而设定。
如图5A所示，于初始时，生命区段分析模块120会将分析起始点设定为生命周期的起始点(即首个工艺操作)，并于执行生命区段分析程序的后，获得对应生命区段P1的区段转换点E1。接着，如图5B所示，生命区段分析模块120可将区段转换点E1设定为下一个分析起始点，并再次执行生命区段分析程序，而获得对应生命区段P2的区段转换点E2(未绘示于图5B中)。上述步骤将不断的重复，直到无法再取得任何区段转换点为止(或者是直到无法再取得后述的任何候选转换点为止)。
更详细来说，上述生命区段分析程序可包括下列步骤a～f：
在步骤a中，生命区段分析模块120可从多个特征子集序列中，随机选取其中的一特征子集序列。举例来说，如图5A所示，在取得区段转换点E1的过程中，于第1次迭代时，可随机选取出特征子集序列Z11＝{Mean，std，Min}。或者是，如图5B所示，在取得区段转换点E2的过程中，于第1次迭代时，可随机选取出特征子集序列Z21＝{std，Range，Kurtosis}。
在步骤b中，生命区段分析模块120可从所设定的分析起始点开始，分析被选取的每一特征子集序列的一分布状态，以取得对应的一候选转换点与候选转换点的一特征判别能力指针。在本发明实施例中，所述的特征判别能力指针为此候选转换点所对应的费雪分数。再更详细来说，上述步骤b可包括下列步骤b1～b6：
在步骤b1中，生命区段分析模块120于所选取的特征子集序列中，根据生命周期的起始点，取得一第一窗口W1。
在步骤b2中，生命区段分析模块120于所选取的特征子集序列中，根据所设定的分析起始点与一窗口平移量，取得一平移参考点与对应平移参考点的一第二窗口W2。在本发明实施例中，第一窗口W1与第二窗口W2的窗口长度可以是整个生命周期长度的10％，而每次的窗口平移量可以是整个生命周期长度的5％，但本发明并不以此为限。
在步骤b3中，生命区段分析模块120比对第一窗口W1与第二窗口W2。
在步骤b4中，生命区段分析模块120判断第二窗口W2相对于第一窗口W1的一分布差异是否大于一阀值。在本发明实施例中，生命区段分析模块120可通过算法Hotelling’sT2来判断第一窗口W1与第二窗口W2之间的分布差异是否大于一阀值。
在步骤b51中，当第二窗口W2相对于第一窗口W1的分布差异不大于阀值时，则生命区段分析模块120可增加窗口平移量，也就是滑动第二窗口W2，并可重复上述步骤b1～b4，直到平移参考点到达生命周期的终点为止，如步骤b52。
在步骤b6中，当第二窗口W2相对于第一窗口W1的分布差异大于阀值时，则生命区段分析模块120将平移参考点设定为候选转换点，并记录此候选转换点以及此候选转换点所对应的费雪分值，以完成这一次的迭代。如图5A所示，在取得区段转换点E1的过程里，于第一次的迭代中，取得候选转换点CP11。于第k次的迭代中，取得候选转换点CP1k。
接着，在步骤c中，生命区段分析模块120判断对应此分析起始点，其迭代所重复的次数是否达到一迭代次数阀值。当迭代所重复的次数未超过迭代次数阀值k时，则生命区段分析模块120可重复上述步骤a与b。举例来说，迭代次数阀值k可以为5000。然而在此不加以限制迭代次数阀值k的大小。
在步骤d中，当迭代所重复的次数已超过迭代次数阀值k时，则生命区段分析模块120可根据前述的纪录，来判断对应此分析起始点是否确实存在候选转换点。当不存在候选转换点时，则于步骤h中终止流程。
在步骤e中，当存在候选转换点时，则生命区段分析模块120可将其中具有最高的特征判别能力指针的候选转换点，设定为区段转换点，以取得对应的生命区段。举例来说，如图5A所示，生命区段分析模块120可将候选转换点CP11到CP1k之中，其具有最高费雪分数的候选转换点CP1τ，设定为区段转换点E1。相似地，如图5B所示，生命区段分析模块120可将候选转换点CP21到CP2k之中，其具有最高费雪分数的候选转换点CP2τ(未绘示于图中)设定为区段转换点E2(未绘示于图中)。
在步骤f中，生命区段分析模块120可将具有最高的特征判别能力指针的候选转换点CP1τ所对应的特征子集序列Z1τ，设定为生命区段P1所对应的特征子集序列。
接着，在本发明实施例中，趋势分析模块130可进一步根据多个生命区段分别所对应的特征子集序列，训练出每一生命区段所对应的一健康模型，以及根据每一生命区段所对应的每一健康模型，取得每一生命区段对应的趋势分布。在本发明实施例中，其中每一趋势分布关联于对应的特征子集序列于其生命区段中的数据与生命周期的起始点的第一窗口的数据之间的马氏距离。也就是说，所述第一窗口的数据即为健康数据，而各趋势分布是对应的生命区段中的各工艺操作的数据(对应第二窗口)与此健康数据(对应第一窗口)之间进行比对而来。如图4所示的趋势分布t1～t4。
在本发明实施例中，警示模块140可进一步根据趋势分布来产生对应的一警示门槛值。如图4所示的警示门槛值Th1。
此外，警示模块140可进一步比对趋势分布与警示门槛值，以决定是否发出警示信息。如图4所示，已知的零件更换点发生在工艺操作编号Run为469的时点，而警示模块140可提早于工艺操作编号Run为455的时点，判定趋势分布t4与警示门槛值Th1相交，以此发出警示信息。
在本发明另一实施例中，在针对上述零件甲的半导体工艺中，生命区段分析模块120分别取得生命区段P1～P4所对应的特征子集序列Z1τ～Z4τ之后，这些特征子集序列Z1τ～Z4τ，可用以作为分析另一个零件乙(与零件甲同类型的零件)的生命区段分析的参考。
举例来说，当生命区段分析模块120在取得对应零件乙的第一个生命区段P1’的过程中，可以参考零件甲的生命区段P1的特征子集序列Z1τ所属的集合{Mean，Max，Min，Range，Kurtosis，Skewness}。在取得对应零件乙的第二个生命区段P2’的过程中，可以参考零件甲的生命区段P2的特征子集序列Z2τ所属的集合{Std，Max，Min，Range}。在取得对应零件乙的第三个生命区段P3’的过程中，可以参考零件甲的生命区段P3的特征子集序列Z3τ所属的集合{Max，Min，Range，RMS}。在取得对应零件乙的第四个生命区段P4’的过程中，可以参考零件甲的生命区段P4的特征子集序列Z4τ所属的集合{Mean，Std，Max，Min，Range}。
如此一来，将可能加速有关于零件乙的异常(例如故障或老化)趋势的分析速度。
图7为根据本发明另一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。下列请同时参照图1与图7。
相似地，趋势分析模块130可用以根据每一生命区段所对应的特征子集序列，来建构每一生命区段的趋势分布。如图7所示，趋势分析模块130可分别针对生命区段P1’～P5’而建构出趋势分布t1’～t5’。
如图7所示，通过重复执行生命区段分析程序，生命区段分析模块120可分别取得对应生命周期中百分比0～36％的区段为生命区段P1’，对应生命周期中百分比36～56.5％的区段为生命区段P2’，对应生命周期中百分比56.5～87.2％的区段为生命区段P3’，对应生命周期中百分比87.2～94.9％的区段为生命区段P4’，对应生命周期中百分比94.9％～100％的区段为生命区段P5’。其中，生命区段P1’所对应的特征子集序列Z1τ’的特征值所属的集合为{Mean，Max，Min，Range，Kurtosis，Skewness}，生命区段P2’所对应的特征子集序列Z2τ’的特征值所属的集合为{Std，Max，Min，Range}，生命区段P3’所对应的特征子集序列Z3τ’的特征值所属的集合为{Max，Min，Range，RMS}，生命区段P4’所对应的特征子集序列Z3τ’的特征值所属的集合为{Mean，Std，Max，Min，Range}，生命区段P5’所对应的特征子集序列Z5τ’的特征值所属的集合为{Mean，Std，Max，Min，Range，Kurtosis}。
然而相异于上述图4的实施例，在本发明实施例中，生命区段分析模块120可根据所设定的分析起始点，来决定第一窗口与第二窗口的一窗口长度。在本发明实施例中，生命区段分析模块120也可根据所设定的分析起始点，来决定窗口平移量。
举例来说，如图7所示，在取得前3个区段转换点E1～E3的过程中，第一窗口W1与第二窗口W2的窗口长度可以是整个生命周期长度的10％，而每次的窗口平移量可以是整个生命周期长度的5％。当找到第3个区段转换点E3之后，第一窗口W1与第二窗口W2的窗口长度可以变更为整个生命周期长度的5％，而每次的窗口平移量可以变更为整个生命周期长度的2.5％。
如此一来，在半导体机台较接近异常(例如故障或者是老化)的时期，即可更加精准的反应出其发展趋势。如图7所示，警示模块140可于工艺操作编号Run为456的时点，判定趋势分布t5’与警示门槛值Th2相交，以此发出警示信息。相较于图4，本发明实施例发出警示信息的时点，可更接近实际上机台发生异常(例如故障或者是老化)的时点。
综上所述，本发明通过对生命周期重复执行生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列，以建构出建构每一生命区段的趋势分布，来决定是否发出警示信息。如此一来，即可对应半导体工艺的生命周期中的不同时期(例如初期、早期、中期或者是晚期、末期等)，选取出较恰当的特征值，来建构出更真实的健康模型，以更精准地反应出半导体机台的健康趋势。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (23)
1.一种设备的异常评估方法，其特征在于，包括：
根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，该特征序列包括多个特征子集序列，该生命周期关联于多个工艺操作；
对该生命周期重复执行一按照工艺操作顺序进行的生命区段分析程序，以取得该生命周期中的多个生命区段，以及每一该生命区段所对应的该特征子集序列；其中，根据一分析起始点执行该生命区段分析程序，以取得对应这些生命区段其中之一的一区段转换点；
根据每一该生命区段所对应的该特征子集序列，来建构每一该生命区段的一趋势分布；以及
根据这些趋势分布来决定是否发出一警示信息。
2.根据权利要求1所述的设备的异常评估方法，其特征在于，于对该生命周期重复执行该生命区段分析程序，以取得该生命周期中的这些生命区段，以及每一该生命区段所对应的该特征子集序列的步骤中，更包括：
根据最新所取得的该区段转换点来重新设定该分析起始点，并重复执行上述步骤，直到无法再取得任何该区段转换点为止；
其中，最初始的该分析起始点是根据该生命周期的一起始点而设定。
3.根据权利要求2所述的设备的异常评估方法，其特征在于，该生命区段分析程序包括下列步骤：
从这些特征子集序列中，随机选取其中的一特征子集序列；
从所设定的该分析起始点开始，分析被选取的每一该特征子集序列的一分布状态，以取得对应的一候选转换点与该候选转换点的一特征判别能力指针；
重复上述步骤，直到所重复的次数达到一迭代次数阀值为止；
将具有最高的该特征判别能力指针的该候选转换点，设定为该区段转换点，以取得对应的该生命区段；以及
将具有最高的该特征判别能力指针的该候选转换点所对应的该特征子集序列，设定为该生命区段所对应的该特征子集序列。
4.根据权利要求3所述的设备的异常评估方法，其特征在于，于从所设定的该分析起始点开始，分析被选取的每一该特征子集序列的该分布状态，以取得对应的该候选转换点与该候选转换点的该特征判别能力指针的步骤中，包括：
于所选取的该特征子集序列中，根据该生命周期的该起始点，取得一第一窗口；
于所选取的该特征子集序列中，根据所设定的该分析起始点与一窗口平移量，取得一平移参考点与对应该平移参考点的一第二窗口；
比对该第一窗口与该第二窗口；
判断该第二窗口相对于该第一窗口的一分布差异是否大于一阀值；
当该第二窗口相对于该第一窗口的该分布差异不大于该阀值时，则增加该窗口平移量，并重复上述步骤直到该平移参考点到达该生命周期的终点为止；以及
当该第二窗口相对于该第一窗口的该分布差异大于该阀值时，则将该平移参考点设定为该候选转换点。
5.根据权利要求4所述的设备的异常评估方法，其特征在于，于从所设定的该分析起始点开始，分析被选取的每一该特征子集序列的该分布状态的步骤中，包括：
根据所设定的该分析起始点，来决定该第一窗口与该第二窗口的一窗口长度。
6.根据权利要求5所述的设备的异常评估方法，其特征在于，于从所设定的该分析起始点开始，分析被选取的每一该特征子集序列的该分布状态的步骤中，包括：
根据所设定的该分析起始点，来决定该窗口平移量。
7.根据权利要求1所述的异常评估方法，其特征在于，该特征序列关联于该配方信息与该传感信号之间的一偏移程度。
8.根据权利要求7所述的异常评估方法，其特征在于，该配方信息包括多个配方值，该传感信号包括多个感测值，每一该感测值对应这些配方值其中之一，而于根据该配方信息与该传感信号，取得对应于该生命周期的该特征序列的步骤中，包括：
根据每一该配方值与对应的该感测值之间的差值，以及对应该生命周期的时间顺序，产生该特征序列。
9.根据权利要求1所述的异常评估方法，其特征在于，于根据每一该生命区段所对应的该特征子集序列，来建构每一该生命区段的该趋势分布的步骤中，包括：
根据这些生命区段分别所对应的该特征子集序列，训练出每一该生命区段所对应的一健康模型；以及
根据每一该生命区段所对应的每一该健康模型，取得每一该生命区段对应的该趋势分布。
10.根据权利要求9所述的异常评估方法，其特征在于，每一该趋势分布关联于对应的该特征子集序列于该生命区段中的数据与该生命周期的一起始点的一第一窗口的数据之间的一马氏距离。
11.根据权利要求1所述的异常评估方法，其特征在于，于根据这些趋势分布来决定是否发出该警示信息的步骤中，包括：
根据该趋势分布来产生对应的一警示门槛值；以及
比对该趋势分布与该警示门槛值，以决定是否发出该警示信息。
12.一种设备的异常评估装置，其特征在于，包括：
一特征提取模块，用以根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，该特征序列包括多个特征子集序列，该生命周期关联于多个工艺操作；
一生命区段分析模块，耦接该特征提取模块，用以对该生命周期重复执行一按照工艺操作顺序进行的生命区段分析程序，以取得该生命周期中的多个生命区段，以及每一该生命区段所对应的该特征子集序列；其中，根据一分析起始点执行该生命区段分析程序，以取得对应这些生命区段其中之一的一区段转换点；
一趋势分析模块，耦接该特征提取模块与该生命区段分析模块，用以根据每一该生命区段所对应的该特征子集序列，来建构每一该生命区段的一趋势分布；以及
一警示模块，耦接该趋势分析模块，用以根据这些趋势分布来决定是否发出一警示信息。
13.根据权利要求12所述的设备的异常评估装置，其特征在于，该生命区段分析模块进一步根据最新所取得的该区段转换点来重新设定该分析起始点，并重复执行上述步骤，直到无法再取得任何该区段转换点为止，其中，最初始的该分析起始点根据该生命周期的一起始点而设定。
14.根据权利要求13所述的设备的异常评估装置，其特征在于，该生命区段分析程序包括下列步骤：
从这些特征子集序列中，随机选取其中的一特征子集序列；
从所设定的该分析起始点开始，分析被选取的每一该特征子集序列的一分布状态，以取得对应的一候选转换点与该候选转换点的一特征判别能力指针；
重复上述步骤，直到所重复的次数达到一迭代次数阀值为止；
将具有最高的该特征判别能力指针的该候选转换点，设定为该区段转换点，以取得对应的该生命区段；以及
将具有最高的该特征判别能力指针的该候选转换点所对应的该特征子集序列，设定为该生命区段所对应的该特征子集序列。
15.根据权利要求14所述的设备的异常评估装置，其特征在于，该生命区段分析模块进一步于所选取的该特征子集序列中，根据该生命周期的该起始点，取得一第一窗口，于所选取的该特征子集序列中，根据所设定的该分析起始点与一窗口平移量，取得一平移参考点与对应该平移参考点的一第二窗口，比对该第一窗口与该第二窗口，判断该第二窗口相对于该第一窗口的一分布差异是否大于一阀值，当该第二窗口相对于该第一窗口的该分布差异不大于该阀值时，则增加该窗口平移量，并重复上述步骤直到该平移参考点到达该生命周期的终点为止，以及当该第二窗口相对于该第一窗口的该分布差异大于该阀值时，则将该平移参考点设定为该候选转换点。
16.根据权利要求15所述的设备的异常评估装置，其特征在于，该生命区段分析模块进一步根据所设定的该分析起始点，来决定该第一窗口与该第二窗口的一窗口长度。
17.根据权利要求16所述的设备的异常评估装置，其特征在于，该生命区段分析模块进一步根据所设定的该分析起始点，来决定该窗口平移量。
18.根据权利要求12所述的异常评估装置，其特征在于，该特征序列关联于该配方信息与该传感信号之间的一偏移程度。
19.根据权利要求18所述的异常评估装置，其特征在于，该配方信息包括多个配方值，该传感信号包括多个感测值，每一该感测值对应这些配方值其中之一，而该特征提取模块进一步根据每一该配方值与对应之该感测值之间的差值，以及对应该生命周期的时间顺序，产生该特征序列。
20.根据权利要求12所述的异常评估装置，其特征在于，该趋势分析模块进一步根据这些生命区段分别所对应的该特征子集序列，训练出每一该生命区段所对应的一健康模型，以及根据每一该生命区段所对应的每一该健康模型，取得每一该生命区段对应的该趋势分布。
21.根据权利要求20所述的异常评估装置，其特征在于，每一该趋势分布关联于对应的该特征子集序列于该生命区段中的数据与该生命周期的一起始点的一第一窗口的数据之间的一马氏距离。
22.根据权利要求12所述的异常评估装置，其特征在于，该警示模块进一步根据该趋势分布来产生对应的一警示门槛值，以及比对该趋势分布与该警示门槛值，以决定是否发出该警示信息。
23.根据权利要求12所述的异常评估装置，其特征在于，该特征提取模块、该生命区段分析模块、该趋势分析模块以及该警示模块分别通过一第一处理器、一第二处理器、一第三处理器以及一第四处理器来实现。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105108996A TWI588767B (zh) | 2016-03-23 | 2016-03-23 | 設備的異常評估方法與異常評估裝置 |
| TW105108996 | 2016-03-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107229764A CN107229764A (zh) | 2017-10-03 |
| CN107229764B true CN107229764B (zh) | 2021-01-01 |
Family
ID=59688234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610296671.6A Active CN107229764B (zh) | 2016-03-23 | 2016-05-06 | 设备的异常评估方法与异常评估装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10281519B2 (zh) |
| CN (1) | CN107229764B (zh) |
| TW (1) | TWI588767B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI570587B (zh) * | 2015-12-07 | 2017-02-11 | 財團法人工業技術研究院 | 半導體機台零件剩餘壽命預測系統與方法 |
| TWI632441B (zh) | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
| CN112486104B (zh) * | 2019-09-12 | 2022-07-05 | 北京国双科技有限公司 | 基于实时获取传感数据进行设备异常分析的方法及装置 |
| US20230016663A1 (en) * | 2021-07-16 | 2023-01-19 | Changxin Memory Technologies, Inc. | Method for detecting abnormity, method for repairing and system for detecting abnormity for machine slot |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1476051A (zh) * | 2002-07-15 | 2004-02-18 | 松下电器产业株式会社 | 半导体制造装置的监控系统以及监控方法 |
| CN1655325A (zh) * | 2003-12-26 | 2005-08-17 | 佳能系统集成有限公司 | 工序和质量关系的模型生成装置及模型生成方法 |
| CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
| CN102975119A (zh) * | 2012-11-16 | 2013-03-20 | 清华大学 | 一种数控外圆磨床运行及工艺状态监控与诊断系统 |
| CN104331766A (zh) * | 2014-10-24 | 2015-02-04 | 华迪计算机集团有限公司 | 基于自动化健康管理的综合业务系统 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5214595A (en) * | 1988-05-16 | 1993-05-25 | Hitachi, Ltd. | Abnormality diagnosing system and method for a high voltage power apparatus |
| US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
| US6684349B2 (en) * | 2000-01-18 | 2004-01-27 | Honeywell International Inc. | Reliability assessment and prediction system and method for implementing the same |
| US6456928B1 (en) | 2000-12-29 | 2002-09-24 | Honeywell International Inc. | Prognostics monitor for systems that are subject to failure |
| US7409594B2 (en) * | 2004-07-06 | 2008-08-05 | Intel Corporation | System and method to detect errors and predict potential failures |
| US8620519B2 (en) | 2005-04-18 | 2013-12-31 | Honeywell International Inc. | Kernel-based fault detection system and method |
| JP4710720B2 (ja) * | 2006-06-02 | 2011-06-29 | 富士ゼロックス株式会社 | 故障予防診断支援システム及び故障予防診断支援方法 |
| US7983862B2 (en) * | 2008-04-22 | 2011-07-19 | GM Global Technology Operations LLC | Battery state-of-health monitoring system and method |
| TWI380226B (en) | 2008-12-03 | 2012-12-21 | Ind Tech Res Inst | System and method of prognostic analysis and resource planning for apparatu |
| RU2729697C2 (ru) | 2010-06-30 | 2020-08-11 | Шлюмбергер Текнолоджи Б.В. | Система, способ и устройство для прогнозирования и управления состоянием нефтепромыслового оборудования |
| TWI411974B (zh) * | 2010-07-29 | 2013-10-11 | Hon Hai Prec Ind Co Ltd | 電子産品失效率分析系統及方法 |
| CN102072829B (zh) | 2010-11-04 | 2013-09-04 | 同济大学 | 一种面向钢铁连铸设备的故障预测方法及装置 |
| US10514977B2 (en) * | 2013-03-15 | 2019-12-24 | Richard B. Jones | System and method for the dynamic analysis of event data |
| US20140336791A1 (en) | 2013-05-09 | 2014-11-13 | Rockwell Automation Technologies, Inc. | Predictive maintenance for industrial products using big data |
-
2016
- 2016-03-23 TW TW105108996A patent/TWI588767B/zh active
- 2016-05-06 CN CN201610296671.6A patent/CN107229764B/zh active Active
- 2016-10-05 US US15/286,394 patent/US10281519B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1476051A (zh) * | 2002-07-15 | 2004-02-18 | 松下电器产业株式会社 | 半导体制造装置的监控系统以及监控方法 |
| CN1655325A (zh) * | 2003-12-26 | 2005-08-17 | 佳能系统集成有限公司 | 工序和质量关系的模型生成装置及模型生成方法 |
| CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
| CN102975119A (zh) * | 2012-11-16 | 2013-03-20 | 清华大学 | 一种数控外圆磨床运行及工艺状态监控与诊断系统 |
| CN104331766A (zh) * | 2014-10-24 | 2015-02-04 | 华迪计算机集团有限公司 | 基于自动化健康管理的综合业务系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李向前." 复杂装备故障预测与健康管理关键技术研究".《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2015, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107229764A (zh) | 2017-10-03 |
| US10281519B2 (en) | 2019-05-07 |
| TWI588767B (zh) | 2017-06-21 |
| US20170276720A1 (en) | 2017-09-28 |
| TW201734927A (zh) | 2017-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107229764B (zh) | 设备的异常评估方法与异常评估装置 | |
| JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
| CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
| Zhou et al. | Degradation modeling applied to residual lifetime prediction using functional data analysis | |
| CN109308063B (zh) | 基于得分矩阵的发酵过程阶段划分方法 | |
| JP2013538687A (ja) | はんだ接合の品質検査方法 | |
| CN105675038A (zh) | 一种仪表的故障预测装置 | |
| TWI663510B (zh) | 設備保養預測系統及其操作方法 | |
| CN108446714B (zh) | 一种多工况下的非马尔科夫退化系统剩余寿命预测方法 | |
| CN108549908A (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| JP6200076B2 (ja) | システムから取得される測定値を評価する方法及びシステム | |
| CN114297909A (zh) | 基于神经网络的水泵故障诊断方法及系统 | |
| WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
| CN115798724A (zh) | 一种基于人体无创采集数据的人体指标异常分析方法 | |
| CN109844779B (zh) | 用于分析测量-良率相关性的方法和系统 | |
| Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
| CN109639526A (zh) | 网络数据监控方法、装置、设备及介质 | |
| CN103778350B (zh) | 基于二维统计模型的体细胞拷贝数变异显著性检测方法 | |
| CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
| JP2015161506A (ja) | 信号解析装置、信号解析方法、劣化診断装置及び劣化診断方法 | |
| JP6733656B2 (ja) | 情報処理装置、情報処理システム、プラントシステム、情報処理方法、及び、プログラム | |
| CN115758200A (zh) | 一种基于相似度度量的振动信号故障识别方法及系统 | |
| CN112597699A (zh) | 一种融入客观赋权法的社交网络谣言源识别方法 | |
| JP2021511820A (ja) | ヌクレオチド配列バリアントの頻度分布の測定 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |