CN107533572A - 处理工具监视 - Google Patents

处理工具监视 Download PDF

Info

Publication number
CN107533572A
CN107533572A CN201680021553.2A CN201680021553A CN107533572A CN 107533572 A CN107533572 A CN 107533572A CN 201680021553 A CN201680021553 A CN 201680021553A CN 107533572 A CN107533572 A CN 107533572A
Authority
CN
China
Prior art keywords
contributed
period
characteristic data
treatment characteristic
data
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
Application number
CN201680021553.2A
Other languages
English (en)
Other versions
CN107533572B (zh
Inventor
M.穆尼
V.乔治
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOC Group Ltd
Original Assignee
BOC Group Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOC Group Ltd filed Critical BOC Group Ltd
Publication of CN107533572A publication Critical patent/CN107533572A/zh
Application granted granted Critical
Publication of CN107533572B publication Critical patent/CN107533572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02104—Forming layers
    • H01L21/02365—Forming inorganic semiconducting materials on a substrate
    • H01L21/02612—Formation types
    • H01L21/02617—Deposition types
    • H01L21/0262—Reduction or decomposition of gaseous compounds, e.g. CVD
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31455—Monitor process status
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Hardware Redundancy (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Tests Of Electronic Circuits (AREA)

Abstract

公开了用于监视至少一个处理工具的监视装置、方法和计算机程序产品。用于在来自半导体处理工具的外排流的处理期间监视至少一个处理工具的监视装置包括：接收逻辑，其可操作成接收在外排流的处理期间生成的处理特性数据；分离逻辑，其可操作成将处理特性数据分离成与有助于所述至少一个处理工具的情况的做贡献的时段相关联的做贡献的处理特性数据和与未能有助于所述情况的不做贡献的时段相关联的不做贡献的处理特性数据；以及故障逻辑，其可操作成在确定所述情况的状态时利用做贡献的处理特性数据并且排除不做贡献的处理特性数据。以此方式，在确定该工具的情况的状态时仅使用在有助于工具的情况的时段期间生成的数据。忽略或省略在未有助于所述情况的时段期间生成的其它数据，使得可以确定对工具的情况的状态的准确评定。这帮助提供对工具的情况的状态的准确且更加可靠的评定。

Description

处理工具监视
技术领域
本发明涉及用于监视至少一个处理工具的监视装置、方法和计算机程序产品。
背景技术
监视处理工具是已知的。处理工具，诸如在真空泵送和减排（abatement）系统中的那些，具有真空泵送机构和用于驱动真空泵送机构的电机，连同减排和辅助设备。真空泵送和减排系统可能被连接成接收从用于处理诸如半导体晶片之类的晶片的半导体处理工具排出的外排流；半导体处理工具具有例如处理室和传送室。
这些处理工具的情况在其操作期间恶化，并且需要检修活动以修复、修理或检修工具。例如，过滤器可能变得被粒子阻塞并且需要检修。现有技术设法周期性地或在事件之后安排这些检修活动，但是二者是低效的并且具有显著的缺点。
相应地，提供一种用于监视处理工具的改进的技术是所期望的。
发明内容
根据第一方面，提供了一种用于在来自半导体处理工具的外排流的处理期间监视至少一个处理工具的监视装置，所述监视装置包括：接收逻辑，其可操作成接收在外排流的处理期间生成的处理特性数据；分离逻辑，其可操作成将处理特性数据分离成与有助于所述至少一个处理工具的情况的做贡献的时段相关联的做贡献的处理特性数据和与未能有助于所述情况的不做贡献的时段相关联的不做贡献的处理特性数据；以及故障逻辑，其可操作成在确定所述情况的状态时利用做贡献的处理特性数据并且排除不做贡献的处理特性数据。
第一方面认识到，关于现有技术的问题是它们依赖于固定的检修安排，该检修安排通常取决于自向消费者交付系统以来或自执行之前的检修活动以来消逝的时间。这样的安排没有将对于检修活动的利用和实际需要考虑在内，因为当安排检修活动时，系统的情况可能不需要检修，或者可能存在对于检修活动的需要，因为系统比所设想的更加广泛地被使用。第一方面还认识到，虽然测量处理可操作的时段可以是可能的，但是这还可以导致不准确的检修活动。
相应地，提供了一种监视装置。监视装置可以监视一个或多个处理工具。监视可以在半导体处理工具的外排流的处理期间。监视装置可以包括可以接收处理特性数据的接收逻辑。处理特性数据可以在处理外排流时生成。还可以提供分离逻辑。分离逻辑可以基于特性数据是在有助于工具的情况的时段期间生成的还是在未能有助于该情况的时段期间生成的而分离、分开或分类处理特性数据。相应地，可以将处理特性数据分离成做贡献的处理特性数据和不做贡献的处理特性数据。还可以提供故障逻辑。故障逻辑可以在确定所述情况的状态时利用做贡献的处理特性数据。故障逻辑还可以在确定该状态时排除不做贡献的处理特性数据。以此方式，在确定该工具的情况的状态时仅使用在有助于工具的情况的时段期间生成的数据。忽略或省略在未有助于所述情况的时段期间生成的其它数据，使得可以确定对工具的情况的状态的准确评定。这帮助提供对工具的情况的状态的准确且更加可靠的评定。
在一个实施例中，接收包括从处理工具接收处理特性数据。相应地，数据可以从处理工具自身接收。
在一个实施例中，做贡献的时段包括时段第一可检测阶段，并且不做贡献的时段包括第二可检测阶段。因此，做贡献的时段和不做贡献的时段可以包括处理工具的操作或非操作的任何可检测的或可区分的阶段。
在一个实施例中，做贡献的时段包括发生有效半导体处理的时段，并且不做贡献的时段包括没有发生有效半导体处理的时段。相应地，做贡献的时段可以是发生有效半导体处理的那些时段，而不做贡献的时段可以是没有发生有效半导体处理的那些。
在一个实施例中，做贡献的时段包括发生沉积的时段，并且不做贡献的时段包括没有发生沉积的时段。相应地，对于作为半导体处理工具内的沉积的结果而发生的那些情况，做贡献的时段可以是发生沉积的那些。
在一个实施例中，做贡献的时段包括发生清洗的时段。
在一个实施例中，不做贡献的时段包括发生净化的时段。
在一个实施例中，分离逻辑可操作成通过比较处理特性数据与阈值量来标识做贡献的时段和不做贡献的时段。相应地，如果特性数据穿过所选阈值量，则这可以标识做贡献的或不做贡献的时段的发生。
在一个实施例中，分离逻辑可操作成通过检测处理特性数据中的偏差量来标识做贡献的时段和不做贡献的时段。
在一个实施例中，分离逻辑可操作成通过处理特性数据中的模式匹配来标识做贡献的时段和不做贡献的时段。在一个实施例中，分离逻辑可操作成通过处理特性数据中的相对（通常被包含在过程库内的）已知过程模式的模式匹配来标识做贡献的时段和不做贡献的时段。在一个实施例中，分离逻辑可操作成标识处理特性数据中的新模式（通常用以添加到过程库）。因此，可以在处理特性数据中识别可以与做贡献的时段和/或不做贡献的时段相关联的特定模式。机器学习模式匹配算法的示例包括：C5、K-均值、Kohonen映射（聚类算法）和神经网络。
在一个实施例中，分离逻辑可操作成通过确定处理特性数据是否跨过阈值量达阈值时间段来标识做贡献的时段和不做贡献的时段。相应地，时段可以通过所选阈值量被跨过达所选阈值时间段来标识。
在一个实施例中，分离逻辑可操作成通过确定上升沿时间、下降沿时间、处理特性数据之下的面积和处理特性数据值之间的差异中的至少一个来标识做贡献的时段和不做贡献的时段。相应地，可以以多种不同的方式确定时段。
在一个实施例中，分离逻辑可操作成通过处理特性数据的高斯混合分析来标识做贡献的时段和不做贡献的时段。
在一个实施例中，故障逻辑可操作成组合来自做贡献的时段的做贡献的处理特性数据以提供组合的做贡献的处理特性数据。相应地，来自做贡献的时段的处理特性数据可以被组合、聚集或串接在一起以提供组合的做贡献的处理特性数据。这提供影响工具的情况的状态的累积数据。
在一个实施例中，故障逻辑可操作成组合来自做贡献的时段的做贡献的处理特性数据的平均值以提供组合的做贡献的处理特性数据。相应地，可以代之以组合数据的平均值或其它经统计上更改的表示，而不是组合来自时段的全部特性数据自身；这帮助增加数据的稳定性。
在一个实施例中，故障逻辑可操作成推断组合的做贡献的处理特性数据以估计将来的做贡献的处理特性数据。相应地，可以推断组合的数据以便估计、计算或近似做贡献的处理特性数据的将来值。这使得故障逻辑能够做出对可以用于预测何时可能需要检修的数据值的预测。
在一个实施例中，故障逻辑可操作成推断组合的做贡献的处理特性数据以使用估计模型来估计将来的做贡献的处理特性数据。
在一个实施例中，估计模型使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的至少一个来估计将来的做贡献的处理特性数据。估计模型可以使用可以与基于经验的技术（诸如例如基于案例的推理）组合的多种数学建模技术。为了改进准确度，可以使用确证层，其组合来自不同技术的输出以确定针对剩余使用寿命的最优估计。在该阶段期间广泛应用概率推理。
在一个实施例中，估计模型可操作成推断组合的做贡献的处理特性数据以在第一时段内使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的至少一个并且在第二时段内使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的另外至少一个来估计将来的做贡献的处理特性数据。相应地，可以使用不同技术的组合，所述不同技术中的每个可能在第一或第二时段期间更加适当。
在一个实施例中，估计模型可操作成使用贝叶斯估计技术以及在将来的做贡献的处理特性数据与随后接收的处理特性数据之间的差异来递归地校准。相应地，可以相对随后接收的实际特性数据来比较经递归校准的估计模型预测的将来的特性数据以便改进其估计的准确度。
在一个实施例中，故障逻辑可操作成在不做贡献的时段期间向将来的做贡献的处理特性数据应用基于时间的校准因子。相应地，对于其状态甚至在没有发生做贡献的时段时更改的那些情况，可以在那些时段期间对所估计的将来的数据做出校正。例如，一些情况的状态在清洗期间改变，通常降低情况的状态的严重性。通过应用基于时间的校正，这些可以被调节以使预测甚至更加准确。
在一个实施例中，故障逻辑可操作成在将来的做贡献的处理特性数据跨过故障阈值时确定故障情况。相应地，故障逻辑在所估计的将来的特性数据跨过或超过所选故障阈值时确定状态是故障。
在一个实施例中，故障逻辑可操作成提供对在将来的做贡献的处理特性数据跨过故障阈值之前的做贡献的时段的数目的指示。相应地，故障逻辑可以指示在所估计的将来的做贡献的特性数据跨过或超过故障阈值之前剩余多少做贡献的时段（剩余使用寿命）。这使得故障逻辑能够向操作者提供对在故障很有可能之前剩余多少做贡献的时段的指示。
在一个实施例中，故障逻辑可操作成在将来的做贡献的处理特性数据跨过对应的故障阈值时确定故障情况的多个强度。相应地，故障逻辑可以提供故障情况的数个不同强度或严重性。
在一个实施例中，故障逻辑可操作成提供对在将来的做贡献的处理特性数据跨过每个故障阈值之前的做贡献的时段的数目的指示。相应地，故障逻辑可以向操作者指示何时预期到可能发生这些不同严重性中的故障情况中的每个。
在一个实施例中，使用距标称操作处理特性数据值的所选偏差来设置每个故障阈值。将领会到，多种不同的方式可以用于设置每个阈值。
在一个实施例中，故障逻辑可操作成当不做贡献的处理特性数据在不做贡献的时段期间偏离多于所选量时标识故障情况。相应地，故障逻辑还可以在不做贡献的特性数据在不做贡献的时段期间偏离或改变多于所选量时时标识故障。
在一个实施例中，处理工具包括真空泵和减排装置中的至少一个。
在一个实施例中，处理特性数据包括处理工具和外排流之一的温度、处理工具内的外排流的压力、处理工具的功耗和通过处理工具的流速中的至少一个。将领会到，可以利用多种不同的可测量的特性数据。
根据第二方面，提供了一种在来自半导体处理工具的外排流的处理期间监视至少一个处理工具的方法，所述方法包括：接收在外排流的处理期间生成的处理特性数据；将处理特性数据分离成与有助于所述至少一个处理工具的情况的做贡献的时段相关联的做贡献的处理特性数据和与未能有助于所述情况的不做贡献的时段相关联的不做贡献的处理特性数据；以及在确定所述情况的状态时利用做贡献的处理特性数据并且排除不做贡献的处理特性数据。
在一个实施例中，接收包括从处理工具接收处理特性数据。
在一个实施例中，做贡献的时段包括时段第一可检测阶段，并且不做贡献的时段包括第二可检测阶段。因此，做贡献的时段和不做贡献的时段可以包括处理工具的操作或非操作的任何可检测的或可区分的阶段。
在一个实施例中，做贡献的时段包括发生有效半导体处理的时段，并且不做贡献的时段包括没有发生有效半导体处理的时段。
在一个实施例中，做贡献的时段包括发生沉积的时段，并且不做贡献的时段包括没有发生沉积的时段。
在一个实施例中，做贡献的时段包括发生清洗的时段。
在一个实施例中，不做贡献的时段包括发生净化的时段。
在一个实施例中，分离包括通过比较处理特性数据与阈值量来标识做贡献的时段和不做贡献的时段。
在一个实施例中，分离包括通过检测处理特性数据中的偏差量来标识做贡献的时段和不做贡献的时段。
在一个实施例中，分离包括通过处理特性数据中的模式匹配来标识做贡献的时段和不做贡献的时段。
在一个实施例中，分离包括通过确定处理特性数据是否跨过阈值量达阈值时间段来标识做贡献的时段和不做贡献的时段。
在一个实施例中，分离包括通过确定上升沿时间、下降沿时间、处理特性数据之下的面积和处理特性数据值之间的差异中的至少一个来标识做贡献的时段和不做贡献的时段。
在一个实施例中，分离包括通过处理特性数据的高斯混合分析来标识做贡献的时段和不做贡献的时段。
在一个实施例中，利用包括组合来自做贡献的时段的做贡献的处理特性数据以提供组合的做贡献的处理特性数据。
在一个实施例中，利用包括组合来自做贡献的时段的做贡献的处理特性数据的平均值以提供组合的做贡献的处理特性数据。
在一个实施例中，利用包括推断组合的做贡献的处理特性数据以估计将来的做贡献的处理特性数据。
在一个实施例中，利用包括推断组合的做贡献的处理特性数据以使用估计模型来估计将来的做贡献的处理特性数据。
在一个实施例中，使用估计模型包括使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的至少一个来估计将来的做贡献的处理特性数据。
在一个实施例中，使用估计模型包括推断组合的做贡献的处理特性数据以在第一时段内使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的至少一个并且在第二时段内使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的另外至少一个来估计将来的做贡献的处理特性数据。
在一个实施例中，方法包括使用贝叶斯估计技术以及在将来的做贡献的处理特性数据与随后接收的处理特性数据之间的差异来递归地校准估计模型。
在一个实施例中，利用包括在不做贡献的时段期间向将来的做贡献的处理特性数据应用基于时间的校准因子。
在一个实施例中，利用包括在将来的做贡献的处理特性数据跨过故障阈值时确定故障情况。
在一个实施例中，利用包括提供对在将来的做贡献的处理特性数据跨过故障阈值之前的做贡献的时段的数目的指示。
在一个实施例中，利用包括在将来的做贡献的处理特性数据跨过对应的故障阈值时确定故障情况的多个强度。
在一个实施例中，利用包括提供对在将来的做贡献的处理特性数据跨过故障阈值中的每个之前的做贡献的时段的数目的指示。
在一个实施例中，方法包括使用距标称操作处理特性数据值的所选偏差来设置每个故障阈值。
在一个实施例中，利用包括当不做贡献的处理特性数据在不做贡献的时段期间偏离多于所选量时标识故障情况。
在一个实施例中，处理工具包括真空泵和减排装置中的至少一个。
在一个实施例中，处理特性数据包括处理工具和外排流之一的温度、处理工具内的外排流的压力、处理工具的功耗和通过处理工具的流速中的至少一个。
根据第三方面，提供了一种计算机程序产品，其当在计算机上执行时可操作成实行第二方面的方法步骤。
在所附独立和从属权利要求中阐述了其它特定和优选的方面。从属权利要求的特征可以酌情并且以除了权利要求中明确阐述的那些之外的组合与独立权利要求的特征组合。
在将装置特征描述为可操作成提供功能的情况下，将领会到，这包括提供该功能或者被适配或配置成提供该功能的装置特征。
附图说明
现在将参照附图进一步描述本发明的实施例，在所述附图中：
图1图示了根据一个实施例的半导体处理装置；
图2图示了由图1中所示的监视装置执行的主要处理步骤；
图3图示了从泵接收的示例特性数据，所述示例特性数据包括在数周的时段内绘制的增压器功率和排气压力二者；
图4图示了在几小时的时段内的图3的数据的部分；
图5图示了表征半导体循环中的多个模式的高斯混合分布方法；
图6A更加详细地图示了使用阈值对特性数据的筛选，用以包括被标识为与过程相关的该数据并且排除被标识为与这些过程无关的该数据；
图6B图示了基于离开空闲情况的移动使用重复模式匹配对特性数据的筛选；
图7图示了对经筛选的数据的另一高斯混合模型分析；
图8A是表示平均排气压力与过程计数的关系曲线的曲线图；
图8B示出对数据中的一些的简单推断；
图9图示了用于估计剩余使用寿命的线性回归技术的结果；
图10图示了使用多项式回归所估计的剩余寿命预期；
图11图示了估计剩下的处理步骤的数目的微分和比例计算方法；
图12图示了使用基于积分的技术估计的剩余使用寿命；
图13图示了排气压力、所估计的剩下的过程的数目和三个不同的警报或警告阈值；
图14图示了泵和减排系统外部的问题的故障标识；这通过客户过程的分段而成为可能；
图15图示了基于动态模型的方法的关键概念；
图16示出了基于步骤数目的粒子滤波框架；
图17图示了如应用于减排TPU失效示例的粒子滤波；
图18图示了从在两个不同时间处做出的长期预测生成的RUL概率分布函数；
图19提供了情境并且是提供被做出长期预测的数据的原始TPU失效示例；以及
图20图示了分离步骤，随后是离散、分开数学的和基于经验的技术，该技术然后被输入到生成对RUL的更加有情报根据的确证预测的确证引擎。
具体实施方式
在以任何更多细节论述实施例之前，首先将提供概述。实施例提供监视处理外排流的一个或多个处理工具的情况、状况或状态的技术。通常，在通过半导体处理工具进行的处理期间从所述半导体处理工具提供外排流。
在处理外排流的同时从处理工具接收数据（数据还可以在没有接收外排流时被接收）。数据提供由处理工具测量或经历的处理特性，诸如外排流的特性或属性或处理工具自身的操作特性或属性。
然后将该数据分离或分类到两个不同分类组之一中。第一标识有助于处理工具的特定情况的该数据（做贡献的数据）。第二是没有对处理工具的特定情况做出贡献的该数据（不做贡献的数据）。以此方式，在所接收的所有特性数据中，在确定该情况的状态时仅使用涉及由处理工具执行的一些处理和影响处理工具的情况或状态的特性数据的该比例，剩余的数据被排除，因为已经确定该数据没有对该情况做出贡献。通过排除不做贡献的数据，可以做出对情况的准确评定。
将领会到，多种不同的技术可以用于标识那些做贡献的时段和不做贡献的时段。这些可以由半导体处理工具自身发信号通知或者可以从由处理工具测量到的特性或从处理工具自身在处理期间的特性来推断。
通常，做贡献的时段将是半导体的有效处理的那些时段，诸如沉积时段。这样的时段将通常具有对处理工具的不利影响，通常导致一些失效。通过确定工具的情况的状态，预测失效的可能性和估计在很可能将发生失效之前可以执行多少处理步骤或循环是可能的。这使得能够计划和执行预防性检修，并且降低在处理期间发生失效的可能性，该失效否则可能导致对经部分处理的半导体的可能损害和导致损耗。另外，重要的是要注意，通过过程循环内的各种阶段的分段，确定在任何给定阶段期间何时存在参数中的显著改变是可能的。这可以导致在正常情况期间监视装备的改进的指纹识别和因此导致跟踪工作情况中的重要改变和偏差的能力。
半导体处理装置
图1图示了根据一个实施例的半导体处理装置，一般地为10。提供其内发生半导体处理的半导体处理工具20。这样的半导体处理可以包括半导体的生长、半导体层的生长、半导体层的注入和/或结合半导体材料的其它结构的创建。提供与半导体处理工具20耦合并且经由导管25接收外排流的减排装置30。减排装置30操作以在经处理的外排流排出到大气之前去除或改变危险材料的成分或将那些材料的浓度降低到可接受的水平。减排装置30将通常包括一个或多个真空泵35A、35B，连同燃烧器、等离子体焰炬或类似的设备37以及一个或多个洗涤设备39，如本领域中公知的。将领会到，真空泵35A、35B可以并行布置并且馈送到设备37中。
提供与减排装置30耦合以从减排装置的组件接收数据的监视装置40。如果半导体处理工具20也提供数据，则这也由监视装置40接收。
可以将减排装置自身的组件用作传感器，或者可以提供传感器。例如，真空泵可以用于充当过程传感器，其提供可以被分析以便检测和分类在减排装置30内和/或在其它装备中的上游或下游发生的装备故障的开始的数据。通常，这样的故障可以通过利用其它数据的确证来标识，如下面将更加详细地解释的。使用该数据，还可能执行分析以与过程工具数据无关地在剩余的过程循环数目方面估计装备（诸如泵）的剩余使用寿命。
这样的分析通常对所接收的数据利用开窗和建模技术以便在装备失效之前鲁棒地检测和分类一定范围的装备问题。该分析由监视装置40完成，该监视装置40包括用于存储所接收的数据以及由分析逻辑60通常使用一个或多个模型来执行的数据处理的结果的数据贮存器50。
监视装置40然后提供对减排装置30和/或半导体处理工具20的情况的指示，该指示然后可以用于通知是否已经发生故障，是否已经发生距正常操作的偏差和/或提供对在预期发生故障之前剩余多少循环的指示。
监视操作概述
在该概述中，由监视装置执行的主要处理步骤是图2中图示的40。
在步骤S1处，监视装置40从减排装置30和/或半导体处理工具20接收数据。在接收到不止一个数据集合、通常每个涉及不同的特性的情况下，这些通常被分开存储。
在步骤S2处，分析数据并且然后通常将其分离成两个不同的类别。第一类别是被认为未有助于装置的组件的情况的该数据，并且第二类别是被认为有助于装置的情况的该数据。例如，有助于装置的情况的数据将通常为在有效处理时段期间接收的数据，而在没有发生有效处理的时段期间接收的该数据将是不做贡献的数据。为了标识不同的时段并且然后对那些时段内的数据进行分类的这样的分离可以以多种不同的方式执行，如下面将更加详细地解释的。
一旦数据已经被分离，则在步骤S3处，然后分析分离的数据以便标识是否已经发生故障或偏差（通常从指定的指纹情况）和/或提供对在发生故障之前很可能有多久的指示。如上面提及的，这然后可以用于检修计划和安排。
监视示例
现在将描述监视器装置的操作的详细示例。尽管以下示例利用来自减排装置30内的泵的参数或特性，但是将领会到，同样可以使用来自其它组件的参数或特性。而且，尽管以下示例利用来自泵的增压器功率和排气压力，但是将领会到，可以提供涉及泵自身或外排流的其它参数，诸如例如增压器逆变器速度、入口压力等。
数据收集
为了使得能够实现例如准确的泵过程表征，在过程循环内需要足够的数据采样来捕获多种气体负荷（gas load）情况。通过分析泵参数的分布及其随时间的序列，表征在半导体循环的关键阶段处的过程行为，诸如例如正在发生过程步骤还是清洗（clean）步骤，然后是可能的。一般地，阶段包括泵送气体达某时间量。每次向泵施加沉积气体负荷时，泵的功耗以及其排气压力增加。每个沉积气体流包含有助于排出堵塞的杂质和残渣。相应地，使用增压器功率中的增加来检测和表征气体负荷是可能的。清洗趋向于跟随沉积高气体负荷。在清洗期间发生较低的气体负荷和关联的功耗。将仅是“清洗”的气体负荷与是“过程”的那些区分开然后是可能的。一旦及时检测到并表征每个过程，知道排气压力在过程期间是多少就是可能的。在进一步采取该原理时，通过半导体过程的分段对其它类型的故障进行分段是可能的。例如，如果在清洗期间发生腐蚀，则对在清洗期间的时间并因此对有助于腐蚀的时间进行分段是可能的。
图3图示了从泵接收的示例特性数据，其包括在数周的时段内绘制的增压器功率和排气压力二者。图4图示了几小时的时段内的该数据的部分。
如可以看到的，每个气体负荷导致功耗的增加和排气压力的同步增加，但是功率中的每个峰不与过程相关联；这些峰中的一些与净化（purge）步骤相关，一些与清洗相关。在该示例中，当功率达到取决于增压器功率的幅度分布而选择的给定阈值时检测到峰。因为信号是方形的，所以幅度分布具有两个模式（高和低）。阈值被设置在较高功率幅度的90%处。每个峰由其宽度、幅度、开始时间、结束时间和下一峰之前的时间来表征。
数据分离
尽管多种不同的方法可能使得数据能够被分离成与过程相关的该数据和与过程不相关的该数据（诸如在清洗期间），但是一个实施例利用表征半导体循环中的多个模式的高斯混合分布方法，如图5中所图示的。如可以在图5中看到的，该分布示出两组峰：具有非常短的持续时间（通常小于100秒）的那些和具有长持续时间（通常大于100秒）的那些。
在该示例中，所检测到的峰的数目为5190。将短峰标识为净化步骤，同时将长峰标识为“过程”。该分类然后使得与过程不相关的特性数据能够被滤除并且因此，在该实施例中，筛选包括仅考虑长峰。
在其它实施例中，数据分离不是基于阈值的，而是反而基于检测在离开空闲或标称情况的移动之后的特性数据中的模式。这样的模式匹配或标识通常依赖于统计或高斯混合模型表示并且可以一起利用若干不同的属性——诸如长度、平均值、标准偏差、曲线下的面积等）。这样的模式可以是预定义的或习得的。特性数据到模式的匹配可以利用不同的距离度量和匹配过程。
将领会到，实施例还可以利用诸如在不同y轴范围上的宽度分布或使用正规化和差异化数据二者的宽度分布之类的技术。
图6A更加详细地图示了特性数据的筛选，所述特性数据包括被标识为与过程相关的该数据并且排除使用阈值技术被标识为与这些过程不相关的该数据。
图6B更加详细地图示了特性数据的筛选，所述特性数据包括被标识为与过程相关的该数据并且排除使用模式匹配技术被标识为与这些过程不相关的该数据。什么构成做贡献的数据和不做贡献的数据将取决于所预测的故障情况的类型和故障机制。在该示例中，将数据200标识为与过程沉积步骤A相关联，将数据210标识为与过程沉积步骤B相关联，并且将数据230标识为与清洗步骤（其一般在过程沉积步骤A和B的结束处进行）相关联，其每个是做贡献的数据，因为该数据指示在那些时段期间的工具操作将有助于特定最终故障情况。包括被标识为与净化步骤相关联的数据220的剩余数据是不做贡献的数据，因为在那些时段期间的工具操作将不太可能有助于特定最终故障情况。
数据分析
一旦已经分离特性数据，然后就可以对其进行分析。例如，然后对经筛选的数据执行另一高斯混合模型分析是可能的，如图7中所示。这样的分析揭示了所检测到的峰的数目为大约1196。在该示例中，信息从半导体处理工具20可得到，所述信息指示在该时段内执行的过程的数目，所述数目在该示例中为1128。这示出表征准确到合理的程度。
尽管在随后的处理中利用特性数据是可能的，但是在该实施例中，反而利用每个过程期间的平均值。将领会到，还可以执行其它统计预处理。因为过程开始和结束点是已知的，所以该时段内的排气压力是已知的并且可以针对该特定过程发生来计算其平均值。
图8A是表示平均排气压力与过程计数的关系曲线的曲线图。从该曲线图上的数据可以确定下一堵塞失效之前的剩余使用寿命（RUL），所述剩余使用寿命（RUL）被表达为剩余处理步骤的数目的函数。存在可以用于使用过程沉积步骤的数目来估计RUL的多种不同的方法。通常，设置针对表示设备的失效点的特定参数的警报限制或危险区段。该危险区段可以被设置为安全约束或之前经验的结果，并且可以被视为在其处人工介入被认为必要的点。
在该特定实例中，危险区段为大约700Pa。泵的维修（service）发生在过程计数159、634和972处。维修之间的过程的数目为475（增量2）和338（增量3）。
图8B示出对可以用于通过确定在跨过压力阈值之前的过程循环数目来估计RUL的数据中的一些的简单推断。
线性回归
图9图示了用于估计RUL的线性回归技术的结果。该技术包括使用五个点来推断排气压力以估计以下线性方程的参数“增益”和“偏移”：
压力（t）=增益×t+偏移 …（方程1）
依照以下来计算在排出堵塞之前剩下的过程的数目：
寿命剩余（t）=（限制-压力（t））/（增益（t））…（方程2）
可以看出，通过线性推断估计的剩下的过程的数目不稳定并且由于排气压力的突然下降而不断波动。在压力中的增加恒定的时段期间，那时所估计的剩下的过程的数目可以是相当准确的。该技术特别适合于某些失效区域。
多项式回归
图10图示了使用多项式回归所估计的剩余寿命预期。该技术包括使用五个点推断排气压力以估计以下多项式方程的参数“A”、“B”、“C”和“偏移”：
压力（t）=A.(t^2) + B.t + C …（方程3）
通过多项式推断估计的剩下的过程的数目同样不稳定并且由于排气压力的突然下降而不断波动。然而，再一次，当压力中的增加恒定时，剩下的过程的数目是合理地准确的。
微分和比例计算
图11图示了估计剩下的处理步骤的数目的微分和比例计算方法。再一次，剩下的过程的数目不稳定并且由于排气压力的突然下降而不断波动。
寿命剩余（t）=[限制-压力（t）] × 增益 …（方程4）
准确度取决于增益，其是恒定的。
基于积分的计算
图12图示了使用基于积分的技术估计的剩余使用寿命。维修之间的排气压力的积分为：
Area_1 = 0.9853 e+05
Area_2 = 2.6409 e+05
Area_3 = 2.2636 e+05
要注意，增量2显著地大于增量3（大28%）。然而，要注意，面积2大于面积3（大14%），但是不像对应增量那么大。
通过计算速度=面积/增量，我们获得：
0.0056（速度1）；以及
0.0067（速度2）。
可以看出速度非常接近（0.0061+/-0.005）。
该方法包括将剩余使用寿命表达为表示给定数目的过程的面积。依照以下来计算剩余使用寿命：
寿命剩余（t）=（cteArea - ∫（压力（t）+偏移）dt）/cteArea × cteProcess ... 方程5
如可以看出的，在维修之前剩下的过程的数目稳定地减少，不管压力值增加、稳定并且然后再次倾斜。准确度可以通过调整表示可能从一个维修向下一个减少的寿命预期的面积来改进。（特别是在前一维修之后）压力不与过程步骤相符地一致增加的事实产生关于RUL估计的一些不确定性。然而，该值在达到临界面积或质量之后倾斜。剩下的过程的实时数目可以被报告为以每小时的过程数目表达的处理速度。
在波动方面，基于积分的计算提供最佳解决方法。在精度方面，线性回归看起来是最适当的。相应地，确定在排出堵塞之前剩下的过程的数目的模型可以取决于警报水平而在这两个计算之间切换。这意味着可以使用基于积分和回归/推断/模型的方法的组合（例如在该事件视界处转换到基于模型的方法）。这样的技术可以使用例如粒子滤波器、卡尔曼滤波器等。当使用这样的建模技术/数学技术的组合时，那时可以利用置信度和概率的测量，如图15至20中所图示的。
图15图示了基于递归贝叶斯估计技术的使用的基于动态模型的方法的关键概念。
图16示出了基于——具有分离步骤的——步骤的数目的粒子滤波框架，以及状况估计和长期预测的生成。
图17图示了如应用于减排TPU失效示例的粒子滤波——具有状况估计和长期预测的生成。
图18图示了从在两个不同时间处做出的长期预测生成的RUL概率分布函数。
图19提供了情境并且是提供被做出长期预测的数据的原始TPU失效示例。
图20图示了根据一个实施例的分离步骤，随后是离散、分开数学的和基于经验的技术，所述技术然后被输入到确证引擎，所述确证引擎生成RUL的更加有情报根据的确证预测，请注意每个相应离散算法的不同细微差别。
警报
图13图示了排气压力、所估计的剩下的过程的数目和三个不同的警报或警告阈值。在该示例中，当估计到在需要维修之前分别剩余200、100和50个过程时给出警报指示。
外部故障
通过理解在不同半导体过程模式期间的泵或其它参数行为以及半导体循环可以如何影响不同的故障类型，确定故障是否很可能在减排装置30外部发生也是可能的。实际上，可以在处理工具20或减排装置30中从真空泵35A、35B中的传感器检测到故障。然而，数据通常需要利用下游信息来确证以精准定位故障的性质。例如，考虑处理工具20的室中的泄漏，室中的压力增加，这通过空转期间的排气压力中的上升来确认，如图14中所图示的。而且，例如，考虑堵塞。取决于堵塞的性质，可以增加多种参数。然而，不论参数如何，作为过程沉积步骤的直接后果，堵塞恶化。采取其中泵堵塞参数不在过程步骤期间而是在过程清洗期间增加的场景，这表明不同问题——泄漏——的发生。因此在参数趋势可以帮助标识堵塞时，通过叠加半导体循环信息，确定故障是否在别处是可能的。
相应地，可以看出，实施例使用泵或其它设备表征半导体循环并且理解循环对已知故障的影响。该方法依赖于泵过程特性的某验证水平。然而，一旦被训练，该方法就应当完全独立于基于单独工具过程的数据。
尽管已经参照附图在本文中详细地公开了本发明的说明性实施例，但是要理解的是，本发明不限于精确的实施例并且本领域技术人员可以在其中实现各种改变和修改而不脱离如由所附权利要求及其等同物限定的本发明的范围。

Claims (15)

1.一种监视装置，用于在来自半导体处理工具的外排流的处理期间监视至少一个处理工具，所述监视装置包括：
接收逻辑，其可操作成接收在所述外排流的所述处理期间生成的处理特性数据；
分离逻辑，其可操作成将所述处理特性数据分离成与有助于所述至少一个处理工具的情况的做贡献的时段相关联的做贡献的处理特性数据和与未能有助于所述情况的不做贡献的时段相关联的不做贡献的处理特性数据；以及
故障逻辑，其可操作成在确定所述情况的状态时利用所述做贡献的处理特性数据并且排除所述不做贡献的处理特性数据。
2.权利要求1的装置，其中所述做贡献的时段包括发生有效半导体处理的时段，并且所述不做贡献的时段包括没有发生有效半导体处理的时段。
3.权利要求1或2的装置，其中所述做贡献的时段包括发生沉积的时段，并且所述不做贡献的时段包括没有发生沉积的时段。
4.任何前述权利要求的装置，其中所述分离逻辑可操作成通过比较所述处理特性数据与阈值量、检测偏差量以及模式匹配中的至少一个来标识所述做贡献的时段和所述不做贡献的时段。
5.任何前述权利要求的装置，其中所述故障逻辑可操作成组合来自所述做贡献的时段的做贡献的处理特性数据以提供组合的做贡献的处理特性数据。
6.权利要求5的装置，其中所述故障逻辑可操作成推断所述组合的做贡献的处理特性数据以估计将来的做贡献的处理特性数据。
7.权利要求5或6的装置，其中所述故障逻辑可操作成推断所述组合的做贡献的处理特性数据以使用估计模型来估计将来的做贡献的处理特性数据。
8.权利要求7的装置，其中所述估计模型可操作成推断所述组合的做贡献的处理特性数据以在第一时段内使用线性回归、多项式回归、微分比例计算、基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的至少一个和在第二时段内使用所述线性回归、所述多项式回归、所述微分比例计算、所述基于积分的计算、卡尔曼滤波、粒子滤波和基于案例的推理中的另外至少一个来估计将来的做贡献的处理特性数据。
9.权利要求7或8的装置，其中所述估计模型可操作成使用所述将来的做贡献的处理特性数据与随后接收的处理特性数据之间的差异来递归地校准。
10.权利要求5至9中任何一项的装置，其中所述故障逻辑可操作成在不做贡献的时段期间向所述将来的做贡献的处理特性数据应用基于时间的校准因子。
11.权利要求5至10中任何一项的装置，其中所述故障逻辑可操作成在所述将来的做贡献的处理特性数据跨过故障阈值时确定故障情况。
12.权利要求5至11中任何一项的装置，其中所述故障逻辑可操作成提供对在所述将来的做贡献的处理特性数据跨过所述故障阈值之前的做贡献的时段的数目的指示。
13.任何前述权利要求的装置，其中所述故障逻辑可操作成当所述不做贡献的处理特性数据在所述不做贡献的时段期间偏离多于所选量时标识故障情况。
14.一种在来自半导体处理工具的外排流的处理期间监视至少一个处理工具的方法，所述方法包括：
接收在所述外排流的所述处理期间生成的处理特性数据；
将所述处理特性数据分离成与有助于所述至少一个处理工具的情况的做贡献的时段相关联的做贡献的处理特性数据和与未能有助于所述情况的不做贡献的时段相关联的不做贡献的处理特性数据；以及
在确定所述情况的状态时利用所述做贡献的处理特性数据并且排除所述不做贡献的处理特性数据。
15.一种计算机程序产品，其当在计算机上执行时可操作成实行权利要求14的方法。
CN201680021553.2A 2015-02-12 2016-01-13 处理工具监视 Active CN107533572B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1502312.0 2015-02-12
GB1502312.0A GB2535456A (en) 2015-02-12 2015-02-12 Processing tool monitoring
PCT/GB2016/050080 WO2016128709A1 (en) 2015-02-12 2016-01-13 Processing tool monitoring

Publications (2)

Publication Number Publication Date
CN107533572A true CN107533572A (zh) 2018-01-02
CN107533572B CN107533572B (zh) 2022-07-19

Family

ID=52781461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680021553.2A Active CN107533572B (zh) 2015-02-12 2016-01-13 处理工具监视

Country Status (10)

Country Link
US (1) US10802941B2 (zh)
EP (1) EP3256922B1 (zh)
JP (1) JP6937698B2 (zh)
KR (1) KR102609260B1 (zh)
CN (1) CN107533572B (zh)
GB (1) GB2535456A (zh)
MY (1) MY196961A (zh)
SG (2) SG11201706299UA (zh)
TW (1) TWI688845B (zh)
WO (1) WO2016128709A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI729500B (zh) 2019-09-18 2021-06-01 財團法人工業技術研究院 電腦可讀取紀錄媒體、資料處理方法及資料處理系統
TWI833251B (zh) * 2022-06-21 2024-02-21 南亞科技股份有限公司 失效模式分析系統及失效模式分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253500A1 (en) * 2004-06-07 2012-10-04 James Robert Smith Method of controlling operation of a processing system
US20130069792A1 (en) * 2011-09-19 2013-03-21 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
CN103968789A (zh) * 2013-02-05 2014-08-06 赫克斯冈技术中心 利用递归滤波对坐标测量机的动态监视

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5212645A (en) * 1990-07-19 1993-05-18 General Electric Company Flexible real-time, multi-tasking architecture for tool condition monitoring
US5834642A (en) * 1997-07-25 1998-11-10 International Business Machines Corporation Downstream monitor for CMP brush cleaners
JP2000283056A (ja) * 1999-03-26 2000-10-10 Hitachi Ltd 真空ポンプ異常監視システム
JP3351398B2 (ja) * 1999-08-09 2002-11-25 株式会社村田製作所 データ通信装置
US7054786B2 (en) * 2000-07-04 2006-05-30 Tokyo Electron Limited Operation monitoring method for treatment apparatus
JP4138267B2 (ja) 2001-03-23 2008-08-27 株式会社東芝 半導体製造装置、真空ポンプの寿命予測方法及び真空ポンプの修理タイミング決定方法
US6954883B1 (en) * 2002-01-11 2005-10-11 Advanced Micro Devices, Inc. Method and apparatus for performing fault detection using data from a database
JP2005527983A (ja) * 2002-05-29 2005-09-15 東京エレクトロン株式会社 データハンドリング、ストレージ及び操作のための方法とシステム
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
WO2005054968A1 (en) 2003-11-26 2005-06-16 Tokyo Electron Limited Intelligent system for detection of process status, process fault and preventive maintenance
US7383097B2 (en) * 2004-10-25 2008-06-03 Ford Motor Company Method for managing machine tool data
CN100552641C (zh) 2004-12-17 2009-10-21 韩国标准科学研究院 真空泵的趋势监控和诊断分析方法及其趋势监控和诊断分析系统以及包括执行该方法的计算机程序的计算可读存储介质
JP2006172364A (ja) * 2004-12-20 2006-06-29 Fujitsu Ten Ltd モデル予測制御装置
KR100885919B1 (ko) * 2007-05-21 2009-02-26 삼성전자주식회사 펌프 폴트 예측 장치 및 펌프 폴트 예측 방법
JP4983575B2 (ja) * 2007-11-30 2012-07-25 パナソニック株式会社 プラズマ処理装置およびプラズマ処理方法
JP4775516B1 (ja) 2011-03-14 2011-09-21 オムロン株式会社 制御装置、制御方法、プログラム、記録媒体
JP5709986B2 (ja) 2011-05-16 2015-04-30 住友重機械工業株式会社 ショベル、その監視装置及びショベルの出力装置
US9740182B2 (en) 2012-06-08 2017-08-22 Applied Materials, Inc. Integrated controller solution for monitoring and controlling manufacturing equipment
WO2014167726A1 (ja) 2013-04-12 2014-10-16 三菱電機株式会社 プログラマブルコントローラの周辺装置およびデバッグ支援プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120253500A1 (en) * 2004-06-07 2012-10-04 James Robert Smith Method of controlling operation of a processing system
US20130069792A1 (en) * 2011-09-19 2013-03-21 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
CN103968789A (zh) * 2013-02-05 2014-08-06 赫克斯冈技术中心 利用递归滤波对坐标测量机的动态监视

Also Published As

Publication number Publication date
KR102609260B1 (ko) 2023-12-01
GB2535456A (en) 2016-08-24
EP3256922A1 (en) 2017-12-20
SG10201908440SA (en) 2019-11-28
KR20170116036A (ko) 2017-10-18
JP6937698B2 (ja) 2021-09-22
JP2018513547A (ja) 2018-05-24
EP3256922B1 (en) 2021-07-28
WO2016128709A1 (en) 2016-08-18
GB2535456A9 (en) 2016-09-28
CN107533572B (zh) 2022-07-19
US10802941B2 (en) 2020-10-13
TW201640244A (zh) 2016-11-16
MY196961A (en) 2023-05-15
TWI688845B (zh) 2020-03-21
GB201502312D0 (en) 2015-04-01
US20180032419A1 (en) 2018-02-01
SG11201706299UA (en) 2017-09-28

Similar Documents

Publication Publication Date Title
US11403160B2 (en) Fault predicting system and fault prediction method
Amari et al. Cost-effective condition-based maintenance using Markov decision processes
US8255100B2 (en) Data-driven anomaly detection to anticipate flight deck effects
US20120101622A1 (en) Automatic fault detection and classification in a plasma processing system and methods thereof
Madakyaru et al. Improved data-based fault detection strategy and application to distillation columns
CN110286656B (zh) 一种错误数据容忍的虚警过滤方法和装置
KR102362159B1 (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
CN101238421A (zh) 用于监控工艺环境中的动态参数的自校正多变量分析
WO2016120112A1 (en) Methods and systems for detecting, classifying and/or mitigating sensor error
CN107533572A (zh) 处理工具监视
CN112585727B (zh) 装置诊断装置、等离子体处理装置以及装置诊断方法
CN116034326A (zh) 用于异常检测的监测设备和方法
US7958062B2 (en) Method and system of creating health operating envelope for dynamic systems by unsupervised learning of a sequence of discrete event codes
EP3950966B1 (en) Blast furnace abnormality assessment device, blast furnace abnormality assessment method, and blast furnace operation method
WO2023148967A1 (ja) 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム
US11586984B2 (en) Method for verifying the production process of field devices by means of a machine-learning system or of a prognosis system
CN117851892B (zh) 智慧供热系统数据处理方法、装置及系统
Pham Cost-Effective Condition-Based Maintenance Using Markov Decision Processes
Lee et al. Fuzzy PID Control of Warranty Claims Time Series
Pauli et al. Using Chernoff’s bounding method for high-performance structural break detection and forecast error reduction
Huang et al. A General Model Based Framework for Fault Accommodation
Choi et al. Production Log Data Analysis for Suspicious Machine Selection in a Serial-Parallel Multistage Manufacturing Process: A Literature Review
Yang et al. Process Diagnosis and Monitoring Based on Adaptive Trend Analysis

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