CN110462536B - 对光刻系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统 - Google Patents

对光刻系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统 Download PDF

Info

Publication number
CN110462536B
CN110462536B CN201880019789.1A CN201880019789A CN110462536B CN 110462536 B CN110462536 B CN 110462536B CN 201880019789 A CN201880019789 A CN 201880019789A CN 110462536 B CN110462536 B CN 110462536B
Authority
CN
China
Prior art keywords
events
event
parameter
time series
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.)
Active
Application number
CN201880019789.1A
Other languages
English (en)
Other versions
CN110462536A (zh
Inventor
D·E·S·K·斯格特曼思
M·R·A·布伦特
N·H·F·保罗斯·范阿姆斯特尔
E·A·扎尔米杰恩
S·L·沃伊尼亚
G·A·W·S·普罗伊斯廷
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.)
ASML Holding NV
Original Assignee
ASML Holding NV
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 ASML Holding NV filed Critical ASML Holding NV
Publication of CN110462536A publication Critical patent/CN110462536A/zh
Application granted granted Critical
Publication of CN110462536B publication Critical patent/CN110462536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

一种用于确定多个参数时间序列中的事件之间的因果关系的方法，该方法包括：标识与参数偏移事件相关联的第一事件，并且标识与故障事件相关联的第二事件，其中存在包括所述第一事件和所述第二事件的多个事件；确定针对成对的所述事件的传递熵的值，以针对每个所述成对的事件建立因果关系；使用所确定的传递熵的值和所标识的因果关系来确定过程网络，其中所述事件中的每个事件是所述过程网络中的节点，节点之间的边缘取决于传递熵的值；标识所述多个事件和所述因果关系内的有向循环；对有向循环进行分类；以及对与经分类的有向循环具有因果关系的一个或多个事件进行分类。

Description

对光刻系统进行建模或执行系统的预测性维护的方法和相关 联的光刻系统
相关申请的交叉引用
本申请要求于2017年3月23日提交的EP申请17162628.6的优先权，其通过引用整体并入本文。
技术领域
本发明一般地涉及系统的预测性维护并且涉及对这样的系统进行建模的方法。更具体地，本发明涉及用于对光刻系统和技术的性能进行测量、检查、表征、模拟和/或评估的系统和技术。
背景技术
光刻设备是将期望的图案施加到衬底上、通常施加到衬底的目标部分上的机器。光刻设备可用于例如制造集成电路(IC)。在那种情况下，可以使用图案化装置(可替代地被称为掩模或掩模版)来生成在IC的单个层上要形成的电路图案。可以将该图案转移到衬底(例如，硅晶片)上的目标部分(例如，包括一个或若干管芯中的一部分)上。图案的转移通常经由成像到衬底上提供的辐射敏感材料(抗蚀剂)层上。通常，单个衬底将包含被连续图案化的相邻目标部分的网络。
在光刻工艺中，经常期望对所创建的结构进行测量，例如用于工艺控制和验证。用于进行这样的测量的各种工具是已知的，包括通常用于测量临界尺寸(CD)的扫描电子显微镜，以及用于测量套刻(器件中两个层的对准精度)的专用工具。最近，已开发了各种形式的散射仪以用于光刻领域。这些设备将辐射束引导到目标上并且测量经散射的辐射的一个或多个性质(例如，单个反射角处的根据波长的强度；一个或多个波长处的根据反射角的强度；或者根据反射角的偏振)，以获得衍射“光谱”，根据衍射“光谱”可以确定目标的感兴趣的性质。
期望对光刻系统或设备(或系统整体)的操作进行建模。这可以包括监视光刻系统的参数值并且使用系统操作的模型基于这些参数值来预测未来的性能或事件。本文的公开内容描述了与光刻系统或系统整体的这种预测性维护有关的方法。
发明内容
在第一方面，本发明提供了用于确定与工业过程相关联的多个参数时间序列中的事件之间的因果关系的方法，该方法包括：至少标识与参数偏移事件相关联的第一事件并且至少标识与故障事件相关联的第二事件，其中存在包括所述第一事件和所述第二事件的多个事件；确定针对成对的所述事件的传递熵的值，以针对每个所述成对的事件建立因果关系；使用所确定的传递熵的值和所标识的因果关系来确定过程网络，其中所述事件中的每个事件是所述过程网络中的节点，节点之间的边缘取决于所确定的传递熵的值；标识所述多个事件和所述因果关系内的一个或多个有向循环；基于标称系统行为对有向循环进行分类；以及基于循环分类，对与经分类的有向循环具有因果关系的一个或多个事件进行分类。
在第二方面，本发明提供光刻设备，该光刻设备包括：照射光学系统，被布置为照射图案；以及投影光学系统，被布置为将图案的图像投影到衬底上；其中光刻设备被布置为执行第一方面的方法，以对由所述光刻设备执行的所述光刻过程的操作进行建模。
本发明还提供了计算机程序产品，该计算机程序产品包括用于使得处理器执行第一方面的方法的机器可读指令。
下面参考附图详细描述本发明的其他特征和优点以及本发明的各种实施例的结构和操作。应注意，本发明不限于本文所描述的具体实施例。仅出于说明性目的而在此呈现这些实施例。基于本文包含的教导，附加实施例对于相关领域的技术人员将是显而易见的。
附图说明
现在将仅通过示例的方式、参考所附示意图来描述本发明的实施例，其中对应的附图标记指示对应的部件，并且在附图中：
图1描绘了光刻设备；
图2描绘了其中可以使用根据本发明的检查设备的光刻单元或簇；
图3图示了作为检查设备的示例的光谱散射仪的操作原理；
图4示出了使用本发明的方法可获得的示例过程网络；
图5是图示根据本发明的示例性实施例的用于确定事件之间的因果关系的方法的流程图；
图6是有向循环的示意图；
图7是图示根据情境确定来将质量权重分配给参数输出的方法的时序图；
图8是图示可操作以将质量权重分配给参数数据的系统的系统图；
图9是图示在参数数据的时间序列内将时间归属于事件的方法的流程图；
图10是图示对记录进行匹配的方法的流程图，该记录在它们的数据的匹配质量方面具有变化；
图11是图示根据示例性实施例的构建因果关系网络的方法的流程图；
图12是图示根据示例性实施例的分配警报到期时间的方法的流程图；
图13是图示根据示例性实施例的对警报进行优先级排序的方法的流程图；以及
图14是图示根据示例性实施例的执行无模型、配置无关故障诊断的方法的流程图。
具体实施方式
在详细描述本发明的实施例之前，介绍可以实现本发明的实施例的示例环境是有益的。
图1示意性地描绘了光刻设备LA。该设备包括：被配置为对辐射束B(例如，UV辐射或DUV辐射)进行调节的照射系统(照射器)IL；被构造为支撑图案化装置(例如，掩模)MA并且连接到第一定位器PM的图案化装置支撑件或支撑结构(例如，掩模台MT)，第一定位器PM被配置为根据某些参数将图案化装置精确地定位；两个衬底台(例如，晶片台)WTa和WTb，各自被构造为保持衬底(例如，抗蚀剂涂覆的晶片)W，并且各自被连接到第二定位器PW，第二定位器PW被配置为根据某些参数将衬底精确地定位；以及投影系统(例如，折射投影透镜系统)PS，被配置为通过图案化装置MA将赋予辐射束B的图案投影到衬底W的目标部分C(例如，包括一个或多个管芯)上。参考框架RF连接各种部件，并且用作对图案化装置和衬底的位置以及其上的特征进行设置和测量的参考。
照射系统可包括各种类型(诸如折射、反射、磁性、电磁、静电)的光学部件或其他类型的光学部件或其任何组合，用于对辐射进行引导、成形或控制。
图案化装置支撑件以取决于图案化装置的取向、光刻设备的设计和其他条件(例如，图案化装置是否保持在真空环境中)的方式保持图案化装置。图案化装置支撑件可以采用多种形式。图案化装置支撑件可以确保图案化装置例如相对于投影系统处于期望的位置。
本文所使用的术语“图案化装置”应广义地解释为指代可以用于在辐射束的截面中将图案赋予辐射束以在衬底的目标部分中创建图案的任何装置。应当注意，例如如果图案包括相移特征或所谓的辅助特征，赋予辐射束的图案可能不完全对应于衬底的目标部分中的期望图案。通常，赋予辐射束的图案将对应于在目标部分中创建的器件中的特定功能层(诸如集成电路)。
如这里所描绘，设备是透射型的(例如，采用透射图案化装置)。备选地，设备可以是反射型的(例如，采用如上所述类型的可编程反射镜阵列或采用反射掩模)。图案化装置的示例包括掩模、可编程镜阵列和可编程LCD面板。本文中术语“掩模版”或“掩模”的任何使用可被认为与更通用的术语“图案化装置”同义。术语“图案化装置”也可解释为指代以数字形式存储图案信息以用于控制这样的可编程图案化装置的装置。
本文所使用的术语“投影系统”应广义地解释为包括适合于所使用的曝光辐射或其他因素(诸如使用浸没液体或使用真空)的任何类型的投影系统(包括折射、反射、反射折射、磁性、电磁和静电光学系统)或其任何组合。本文对术语“投影透镜”的任何使用可以被认为与更通用的术语“投影系统”同义。
光刻设备也可以是这样的类型，其中衬底的至少一部分可以被具有相对高折射率的液体(例如，水)覆盖，以填充投影系统和衬底之间的空间。浸没液体也可以应用于光刻设备中的其他空间(例如，掩模和投影系统之间)。在本领域中众所周知，浸没技术用于增加投影系统的数值孔径。
在操作中，照射器IL接收来自辐射源SO的辐射束。例如，当源是准分子激光器时，源和光刻设备可以是分离的实体。在这种情况下，源不被认为形成光刻设备的一部分，并且辐射束借助光束传递系统BD从源SO传递到照射器IL，光束传递系统BD包括例如合适的定向镜和/或扩束器。在其他情况下，例如当源是汞灯时，源可以是光刻设备的组成部分。如果需要，源SO和照射器IL以及光束传递系统BD可以被称为辐射系统。
照射器IL可以例如包括用于调节辐射束的角强度分布的调节器AD、积分器IN和聚光器CO。照射器可以用于对辐射束进行调节，以在其截面中具有期望的均匀性和强度分布。
辐射束B入射在图案化装置MA上并且由图案化装置进行图案化，图案化装置MA被保持在图案化装置支撑件MT上。在穿过图案化装置(例如，掩模)MA之后，辐射束B穿过投影系统PS，投影系统PS将射束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如，干涉测量装置、线性编码器、2-D编码器或电容式传感器)，衬底台WTa或WTb可以精确地移动，例如以便将不同的目标部分C定位在辐射束B的路径中。类似地，第一定位器PM和另一位置传感器(图1中未明确描绘)可用于例如在从掩模库中机械取回之后或在扫描期间，相对于辐射束B的路径对图案化装置(例如，掩模版/掩模)MA进行精确地定位。
可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来将图案化装置(例如，掩模版/掩模)MA和衬底W对准。尽管如图所示的衬底对准标记占据专用目标部分，但是它们可以位于目标部分之间的空间中(这些被称为划线对准标记)。类似地，在图案化装置(例如，掩模)MA上提供多于一个管芯的情况下，掩模对准标记可以位于管芯之间。小的对准标记也可以包括在管芯内、器件特征中，在这种情况下，期望标记尽可能小并且不需要不同于相邻特征的任何成像或工艺条件。在下面进一步描述检测对准标记的对准系统。
所描绘的设备可以在各种模式下使用。在扫描模式中，同步扫描图案化装置支撑件(例如，掩模台)MT和衬底台WT，同时将赋予辐射束的图案投影到目标部分C上(即，单个动态曝光)。衬底台WT相对于图案化装置支撑件(例如，掩模台)MT的速度和方向可以通过投影系统PS的(缩小)放大率和图像反转特性来确定。在扫描模式中，曝光区域的最大尺寸限制了单个动态曝光中目标部分的宽度(在非扫描方向上)，而扫描运动的长度决定了目标部分的高度(在扫描方向上)。如本领域所公知，其他类型的光刻设备和操作模式是可能的。例如，步进模式是已知的。在所谓的“无掩模”光刻中，可编程图案化装置保持静止但具有变化的图案，并且移动或扫描衬底台WT。
也可以采用上述使用模式的组合和/或变体或完全不同的使用模式。
光刻设备LA是所谓的双台型(具有两个衬底台WTa、WTb和两个站(曝光站EXP和测量站MEA，在它们之间可以交换衬底台))。当一个衬底台上的一个衬底在曝光站处被曝光时，另一衬底可以加载到测量站处的另一衬底台上并进行各种准备步骤。这使得设备的生产量显著增加。准备步骤可包括使用水平传感器LS绘制衬底的表面高度轮廓线，并使用对准传感器AS来测量对准标记在衬底上的位置。如果位置传感器IF在测量站以及曝光站处不能测量衬底台的位置，则可以提供第二位置传感器，以使得在两个站处相对于参考框架RF的衬底台位置能够被跟踪。其他布置是已知的并且可用于代替所示的双台布置。例如，已知其中提供衬底台和测量台的其他光刻设备。这些在执行准备测量时对接在一起，然后在衬底台经历曝光时脱离。
如图2所示，光刻设备LA形成光刻单元LC(有时也称为光刻单元或簇)的一部分，光刻单元LC还包括在衬底上执行曝光前和曝光后处理的设备。常规地，这些设备包括用于沉积抗蚀剂层的旋涂器SC、用于将经曝光的抗蚀剂显影的显影剂DE、冷却板CH和烘烤板BK。衬底处理器或机器人RO从输入/输出端口I/O1、I/O2拾取衬底，在不同的处理设备之间移动衬底，然后将其传递到光刻设备的进料台LB。通常被统称为轨道的这些装置受轨道控制单元TCU的控制，轨道控制单元TCU本身由监督控制系统SCS控制，监控系统SCS也经由光刻控制单元LACU来控制光刻设备。因此，可以操作不同的设备来将生产量和处理效率最大化。
为了使得由光刻设备进行曝光的衬底被正确地且一致地曝光，期望检查经曝光的衬底来测量诸如后续层之间的套刻误差、线厚度、临界尺寸(CD)等的性质。相应地，其中设置有光刻单元LC的制造设施还包括计量系统MET，计量系统MET接收已在光刻单元中处理的一些或全部衬底W。将计量结果直接或间接地提供给监督控制系统SCS。如果检测到误差，尤其是如果可以快速且足够快地进行检查以使得相同批次的其他衬底仍然进行曝光，则可以对后续衬底的曝光进行调整。而且，已曝光的衬底可以被剥离和返工来提高良品率或被丢弃，从而避免在已知有缺陷的衬底上执行进一步处理。在衬底的仅一些目标部分有缺陷的情况下，可以仅对那些良好的目标部分执行进一步曝光。
在计量系统MET中，检查设备被用于确定衬底的性质，特别是确定不同衬底的性质或同一衬底的不同层的性质如何在层与层之间变化。检查设备可以被集成到光刻设备LA或光刻单元LC中，或者可以作为独立装置。为了实现最快速的测量，期望检查设备在曝光之后立即测量经曝光的抗蚀剂层中的性质。然而，抗蚀剂中的潜像具有非常低的对比度(已曝光于辐射的抗蚀剂部分与没有曝光于辐射的抗蚀剂部分之间的折射率的差非常小)，并且并非所有检查设备都具有足够的灵敏度对潜像进行有用的测量。因此，可以在曝光后烘烤步骤(PEB)之后进行测量，曝光后烘烤步骤(PEB)通常是在经曝光的衬底上进行的第一步骤，并且增加抗蚀剂的曝光部分和未曝光部分之间的对比度。在该阶段，抗蚀剂中的图像可以被称为半潜的。在抗蚀剂的曝光部分或未曝光部分已被去除时或者在图案转印步骤(诸如蚀刻)之后，还可以测量经显影的抗蚀剂图像。后一种可能性限制了有缺陷衬底返工的可能性，但仍可提供有用的信息。
图3描绘了可以在上述类型的计量系统中用作检查设备的已知光谱散射仪。它包括将辐射投射到衬底W上的宽带(白光)辐射投影仪2。经反射的辐射被传递到光谱仪4，光谱仪4测量镜面反射辐射的光谱6(根据波长的强度)。根据该数据，可以通过在处理单元PU内的计算来重建产生所检测的光谱的结构或轮廓8。可以例如通过严格耦合波分析和非线性回归、或者与预先测量的光谱或预先计算的模拟光谱进行比较来执行重建。通常，对于重建，结构的一般形式是已知的，并且根据制造结构的过程的知识假设一些参数，仅留下待根据散射测量数据来确定的结构的一些参数。这样的散射仪可以被配置为垂直入射散射仪或倾斜入射散射仪。
计算机建模技术可用于对系统的性能进行预测、校正、优化和/或验证。这样的技术可以监视一个或多个参数值并基于这些参数值来预测、校正、优化和/或验证系统性能。可以使用历史参数值来构建计算机模型，并且可以通过将参数值的预测与相同参数的实际值进行比较来不断地更新、改进或监视计算机模型。特别地，这样的计算机建模技术可用于对光刻系统的系统性能或过程进行预测、校正、优化和/或验证。
目前，在预测模型(更具体地，预测故障的预测模型)的创建方面付出了巨大的努力。可以采用可以例如包括统计过程控制方法、机器学习方法和数据挖掘方法的方法论来创建可以预测机器故障并在故障发生之前生成警报的预测模型。所使用的方法中的一些方法是贝叶斯推理、神经网络、支持向量机等。
当前的方法具有若干缺点：通常需要业务和/或领域知识，以对模型进行优化或限定合适的数据转换。换言之，机器学习需要来自领域专家的(连续)输入。对于昂贵的维修(在部件成本、劳力、停机时间等方面)，需要对警报进行双重检查来将误报成本最小化。领域专家需要再次创建该“警报验证”。这些警报验证不由模型算法生成。另一缺点是原则上每个问题都会创建模型，当需要创建多于一个模型时会导致大的前置时间。
光刻设备可以被认为是包括许多子系统的复杂分布式处理系统。光刻设备通常在其他数据源中生成事件日志。该事件日志由光刻系统的每个子系统生成，并且是光刻设备事件的记录。异常链接是将所记录的事件链接的机制，不能追踪因果关系(原因和结果)；它将所记录的、基本上描述了相同的可观察的根异常(根本原因)的事件简单地聚集。事件日志不指示维修策略，也不指示解决方案和设计改进。事件日志数据也缺乏同步；不同子系统的时钟不一定是同步的。因此，异常链接在检测根异常时通常不超过50％的准确度。
通过重新利用已解决先前故障的解决方案，可以将诊断时间有效地最小化。但是，为了有效地解决先前未有的故障或从过去的事件中学习以改进未来的设计，事件日志缺乏嵌入式因果结构来可靠地标识事件-故障路径。描述(故障)事件演变和传播路径的信息对于开发扫描预后模型也很重要，扫描预后模型现在主要基于仅涉及预测可观察量(特别是性能参数)之间的已知因果关系的专业知识。这留下了潜在预测性的且可能耦合的可观察量的未知集合被未被探索。
本文提出可以在驱动和响应可观察量(即，原因和结果关系，特别是“极端事件”(参数偏移事件或输入数据中的不规则性)以及故障事件(例如，机器错误、部件交换、校准等))的网络方面描述光刻设备。
提出传递熵的概念可用于确定这些事件对之间的因果关系。但是，该方法论也可以与其他现有的建模方法进行组合。这使得能够执行网络的因果映射，根据网络的因果映射可以确定极端事件到故障事件的路径和根本原因。已观察到，对于经校准的机电系统，数据中的以下六个“极端”事件可能指示即将发生的故障：尖峰、台阶、趋势变化、标准偏差变化、标准偏差相对于趋势的变化以及控制极限违规。可以以连续标度或数字标度来指示这些事件的极端性水平(例如，0->无尖峰、1->小尖峰、2->大尖峰等)。
因果网络可以由节点和有向边缘(链路)组成。节点指示极端数据事件和故障事件。有向边缘指示因果关系的方向，并且可以利用因果延迟(即，原因和结果之间的时间差)和条件概率来进行标记。从极端数据事件到故障事件的每个边缘都可以被认为是预测模型。
图4示出了包括四个节点的简单因果有向图：三个极端数据事件节点A、B、D和故障事件节点C。每个有向边缘由因果延迟标记：节点A和B之间10分钟、节点D和B之间4天以及节点B和C之间4天。箭头FP1和FP2指示导致故障事件C的两个不同的故障路径。因果有向图教导：如果极端数据事件D被观察到4天之后跟随极端数据事件B，或者极端数据事件A被观察到10分钟之后跟随极端数据事件B，可以预期在观察到极端数据事件B后的4天发生故障事件C。根据所观察的故障路径FP1或FP2，极端数据事件B可以被认为是极端数据事件A或D的警报验证。
通过计算任何一对同时观察到的、可能耦合的时间序列之间的按位的信息传递，传递熵使得能够推断可观察量的因果网络。时间序列可以来自例如事件日志数据、性能参数、板转储、测试数据、计量数据或跟踪数据。产生的传递熵能够区分驱动和响应可观察量(事件)并且检测其相互作用中的时间不对称性。作为非参数测量，能够在不需要模型的情况下标识任意线性和非线性因果效应，传递熵可以有效地获得对光刻设备的潜在动态的更好理解。这将有助于准确的故障诊断和预后、以及结构设计的改进。这可以通过以下方式来实现：
-从所观察到的、与极端事件和故障事件有关的时间序列来重建光刻设备因果连接；
-创建同时多个模型；
-分析故障演进和不同的故障路径；
-识别故障的根本原因；
-分析性能降级；
-分析光刻设备控制性能。
图5是示出使用所描述的传递熵形式论的方法的流程图。
在步骤510处，机器时间序列500被可选地情境过滤。在光刻设备中，情境或状态指代当参数值被记录时设备所处的模式或操作状态。不太正式地，它是当参数值被记录时机器正在做什么的衡量。不同的情境可以包括例如：“可用状态”、“生产”、“空闲”、“计划停机”、“未计划停机”。通常，可以根据被监视的参数的参数值来确定情境。为此，预测模型可以包括或使用情境引擎来根据参数数据确定参数数据情境。然而，在某些时间，根据参数数据确定情境变得更加困难。特别是，在情境转换(即，当光刻设备从一个操作状态转换到另一操作状态时)期间可能就是这种情况。但是，对于所有转换，情况不一定如此。如果情境引擎在确定情境时出错，则模型输出准确性可能会受到影响。通常，情境引擎假定情境之间的每个转换都是瞬时的。然而，实际情况是每个转换花费有限的时间，并且在转换期间，情境确定可能不太准确。
因此，情境过滤针对所有情境使用情境确定准确度的先验知识来确定针对情境确定的质量加权。可以针对情境的每个片段来确定该质量加权。可以将每个情境分段为情境段。该分割可以将每个情境分段为过渡段和中间段。更具体地，过渡段可以包括开始段和结束段。在一个实施例中，与中间段相比，过渡段可以相对较短。根据需要也可以将一个或多个情境分段为少于或多于三个段。
下面在“情境过滤”标题下描述了具有特定时序图和系统示例的情境过滤的更多说明。
在步骤520处，根据经情境过滤的时间序列来标识极端数据事件。在一个实施例中，数据中多达六种不同类型的事件可以被认为是即将发生的故障的指示。这些极端事件可以包括以下中的一个或多个：尖峰、台阶、趋势变化、标准偏差的变化、标准偏差相对于趋势的变化以及控制极限违规。因此，标识极端事件可以包括在输入时间序列500中标识这些事件中的一个或多个。在初始调节步骤中，输入参数时间序列可以被变换为“极端事件时间序列”，包括例如指示极端事件的存在或不存在的二进制数据流(例如，0＝无极端事件、1＝极端事件)。更多水平(或连续标度)可以捕获极端性程度(例如，0＝无极端事件、1＝轻微极端事件、2＝主要极端事件)。
情境过滤可以导致相位延迟，并且因此可以根据在后面标题为“在参数数据中确定事件指示符的时间”的部分中描述的方法论来确定每个事件的时间。
在台阶(例如，所监视的参数值的持续变化)事件指示符的情况下，可以确定在该步骤之后是否存在过程能力的增加。如果是，台阶可以归因于维护动作而不是被视为极端事件的指示符。过程能力是过程在至少一个处理极限、规范或其他要求内产生输出的能力的度量。可以根据过程能力指数(例如，Cpk或Cpm)或作为过程性能指数(例如，Ppk或Ppm)来表示过程能力。
在步骤530处，将包括故障事件的附加时间序列540添加到(经情境过滤的)时间序列500，对于时间序列500，已标识出存在的任何极端事件。来自不同数据源(包括极端事件的时间序列和包括故障事件的时间序列)的记录的匹配可以根据在后面标题为“数据记录匹配”的部分中描述的方法论来进行组合和匹配。这描述了将来自多个数据源(时间序列500和540)的记录(极端事件和故障事件)进行匹配，这些记录在其数据的匹配质量方面彼此之间具有变化。例如，极端事件中的一些将从(例如)毫秒精度的时间序列获得(例如，每毫秒对参数进行采样)；将仅每秒或仅每小时或每天对其他参数进行采样。该方法包括使用连续不太严格的匹配规则对来自数据源的记录进行重复匹配和过滤，以获得经匹配的记录，匹配规则基于匹配质量的变化来被限定。更具体地，该步骤可以包括将两个数据源之间的熵最小化(例如，将条目之间的距离最小化)。
在步骤550处，根据故障的数目和所选择的固有模型验证方法(机器学习中的标准)，基于例如低质量和高质量数据的子集和混合来创建因果网络。可以针对传递熵算法输入该数据，其输出用于创建因果网络。导致故障事件节点(直接或间接)的每个极端数据事件节点可被视为预测模型。应当理解，关于关系的所有功能的、可能是多变量和非线性的信息被转译为边缘参数(方向、因果延迟、转换概率)。在下面标题为“使用传递熵标识因果关系”的部分中更详细地描述传递熵及其在光刻系统中的应用。
在可选步骤560处，执行自动模型鉴定。这可以包括执行每边缘后端测试。执行后端测试所需的所有信息在生成的数据集中可获得：后端测试以及因此初始模型鉴定也可以自动化。后端测试可能是模型构建和维护的重要部分。后端测试包括将模型应用于其结果已知的历史数据，并将已知结果与模型的针对这些结果的预测进行比较。通过这种方式，可以验证模型预测的准确性。此外，可以改变模型参数来将在模型再次运行时建模结果与实际结果之间的差异最小化。后端测试的输出可以是混淆矩阵(或误差矩阵)和相关的模型特征(例如：精度和/或灵敏度)。
然后，可以使用后端测试的结果来确定收益指标(例如，概率密度函数(PDF))。收益指标可以根据因果延迟来对参与极端数据事件的收益(或者，在更具体的示例中，作为所检测的极端数据事件的结果而生成的警报)进行量化。如随后将描述，该PDF可用于确定动态警报优先级。这样的收益指标可以采用针对经预测的故障事件的潜在概率分布的形式。基于从已知商业信息获得的收益指标和成本指标，可以根据时间来评估在参与每个警报的针对成本的预期收益。在特定示例中，潜在故障概率可以通过威布尔近似来近似。有关生成收益指标及其如何用于警报管理的更多详细信息在后续“管理警报的方法”部分中进行描述。
在可选步骤570处，可能是“有向循环”出现在网络中，其导致失败事件。在确定这样的有向循环的情况下，也可以检测导致循环的根本原因事件。该信息可用于将调查故障原因所需的工作量最小化。有向循环指示节点之间的非传递性。图6图示了这样的非传递性。它示出了由描述关系R的边缘相关的三个节点A、B和C，使得节点A依赖于节点B(ARC)，节点B依赖于节点C(BRC)，并且节点C依赖于节点A(CRA)。这意味着关系R在循环的情境中是不传递的。这样的非传递性可能是期望的也可能是不期望的。然而，发明人认为根本原因本质上不是不传递的。因此，这样的方法可用于排除大量潜在的根本原因，并且因此更快速和有效地标识实际的根本原因。
有向图中的有向循环(即，在步骤550处生成的因果网络)意味着所考虑的关系可以在有向循环(至少)的情境内不传递。从因果关系的角度来看，这似乎是违反直觉的：因果关系往往是可传递的。然而，在因果推理中，因果非传递性是已知的并且被称为因果稳态。因果稳态可以描述例如互锁的原因和结果的集合，其导致随时间作为稳定集合(或增强机制)一起持续的性质集合。该形式的因果关系用于描述复杂(例如，生物)系统中的某些特征。
可以观察到不传递的不期望有向循环、但根本原因不是不传递的事实意味着，潜在的根本原因可能被确定为与不期望的有向循环连接的不期望的节点，但不形成不期望的有向循环的一部分。因此，不期望的有向循环中的所有节点都可以被视为潜在的根本原因。当然，一些有向循环(例如，计划的和/或期望的反馈或增强机制)是期望的。
然而，应当理解，无论出于何种原因，根本原因节点不存在于图上，并且不期望的有向循环不具有不作为循环的一部分的所连接的节点(在图上)。在这种情况下，可以假定循环中最重要的节点是根本原因节点。虽然这样的节点实际上不是根本原因(不传递)，但它有助于在后续分析中识别实际的根本原因。可以以不同方式限定节点的相对重要性，方法可以取决于应用的范围和情境。例如，可以使用中心性分析来确定最重要的节点。可以采用任何合适的中心性指标或方法。
步骤570可以包括以下主要阶段：1)确定任何有向循环，2)确定有向循环是否是期望的，以及3)确定根本原因。这些主要阶段的每一阶段中涉及的概念在随后的“经由有向循环确定根本原因”部分中进行了扩展。
在可选步骤580处，可以确定不同的故障路径。该信息可用于优化反应性诊断策略。此外，故障路径上的后续节点可被视为先前“极端事件”的验证。
在步骤590处，在模型鉴定步骤之后满足一个或多个质量标准(在灵敏度、精度、因果延迟等中的一个或多个方面)的模型与相关联的动态优先级指标和/或到期时间(其可以如前面提到的下面的“管理警报的方法”部分中所描述的来确定)一起部署。
因此，除了创建预测模型之外，该方法还可以帮助标识故障的根本原因(当不期望的循环被标识时)、不同的故障机制和警报验证的建议。
情境过滤
当对光刻设备进行建模时，已表明情境信息中的固有缺陷可能导致错误的模型输入数据，错误的模型输入数据进而可能导致错误的模型输出(例如，误报)。进一步表明由于情境确定的问题而出现了非常大量的误报。
先验分析可用于针对每个情境段(即，针对每个情境的每个段)来确定情境确定的准确度的度量。这可以包括针对每个情境段的情境确定是正确的概率的度量。质量加权可以从该准确度度量导出。相对于中间段，针对过渡段的质量加权可能较低。然而，不一定将是这种情况，并且分配给特定段的质量加权将取决于先验分析并因此取决于实际情境和该情境的段。
在一个实施例中，将确定质量加权的数据库或文件，系统(例如，光刻设备)可以处于每个可能的情境段中。例如，可以向“空闲状态”的开始段、中间段和结束段各自分配质量加权。类似地，可以向“生产状态”情境的每个段各自分配质量加权。这可以针对每个情境完成。
应当理解，准确度度量以及因此质量加权也可以取决于实际的情境转换。情境转换描述了系统正在从哪一个情境转换到哪一个情境。具体地，准确性度量可以不仅取决于系统在哪个情境段中操作，还取决于前一和/或后一情境段。作为具体示例，适用于“生产状态”情境的结束段的质量度量可以取决于后续情境，例如如果该后续情境是“计划停机”或“未计划停机”，则质量度量可能不同。结果，在一个实施例中，可以根据情境转换，针对每个情境段来确定质量加权。这意味着可以根据紧接在其之前的情境段或紧接在其之后的情境段来针对每个情境段而确定质量加权。因此，通过具体示例，对于每个可能的后续状态，可以针对“空闲状态”情境的结束段确定不同的质量权重。类似地，对于每个可能的先前状态，可以针对“空闲状态”情境的开始段确定不同的质量权重。
一旦确定该数据库，该数据库可用于根据情境确定向参数输出分配质量加权。然后可以将质量加权用作模型输入。在一个实施例中，该质量加权可以是二进制的(1或0)，使得与具有可接受质量加权(例如，高于阈值的质量加权)的段相对应的参数数据被正常考虑，并且与具有不可接受质量加权(例如，低于阈值的质量加权)的段相对应的参数数据被忽略。在这样的实施例中，可以是中间段总是被加权“1”。但是，其他加权方案是可能的；这样的加权方案可以具有不同的分解率(不一定是二进制)。例如，加权可以使得一些参数数据被给予考虑水平，考虑水平根据分配给对应于参数数据的段的质量加权而变化。
图7是图示根据示例性实施例的诸如在图5的步骤510处执行的情境过滤方法的时序图。示出了时间轴t和参数输出610的迹线。在此之下是光刻设备情境引擎输出720，其图示了分配给参数数据的情境。在该示例中，输出的第一部分被分配情境C1，输出的第二部分被分配情境C2，并且输出的第三部分被分配情境C3。这些情境中的每一个都被分段为段。仅示出了第一情境C1的后面部分和情境C3的初始部分。因此，所示的时间帧示出了情境C1的中间段IS1和结束段ES1、情境C2的起始段BS2、中间段IS2和结束段ES2以及情境C3的起始段BS3和中间段IS3。迹线730示出质量加权的输出。可以看出，对于段IS1，输出为“1”，但在过渡段ES1和BS2期间，输出降为“0”。这可能是因为事先已确定在情境C1的结束段和情境C2的起始段期间的参数输出数据710不可靠。可以考虑或者可以不考虑情境转换是从情境C1到情境C2的事实。质量加权输出730在中间段IS2期间再次为“1”，并且对于过渡段ES2再次降至“0”。然而，可以看出，在过渡段BS3期间，质量加权输出730是“1”，指示已评估了在情境C3的起始段期间的参数数据具有可接受的质量。在段IS3期间，质量加权输出730保持为“1”。
图8是示出根据情境过滤方法来可操作以将质量加权分配给参数数据的系统的系统图。情境数据810用于导出质量权重规则集820。质量权重规则集820、情境数据810和模型输入数据(例如，来自传感器输出的参数数据)830用作预测模型840的输入，预测模型840包括情境引擎850。根据情境引擎850的输出，预测模型将使用质量权重规则集820来将质量加权分配给模型输入数据830。
在参数数据中确定事件指示符的时间
从传感器输出的参数数据中的事件指示符(例如，台阶、尖峰、在步骤520的描述中描述的任一个)可以指示多个事件。具体地，事件可以包括极端事件和故障事件。为了能够关联参数数据中的事件指示符，重要的是以足够的准确度确定事件指示符的发生时间。如果不能完成，则不可能确定由事件指示符指示的事件是否是在机器上执行的任何动作(例如，维护动作)的结果或原因。
因此，公开了方法以标识参数数据中的事件指示符(例如，台阶和/或尖峰)并且提供对应事件发生的时间的准确估计。
参数数据(输入时间序列)的过滤经常导致相位延迟，相位延迟引起事件指示符的任何时间确定的不准确性，并且因此引起极端事件或故障事件的时间的不准确性。为了缓解这种情况，建议参数数据时间序列也在时间上反转并且应用相同的过滤器(反因果过滤)。然后可以将这两个经过滤的时间序列组合来找到时间序列内的任何事件指示符的时间。反因果过滤的效果是消除相位延迟的影响；因果和反因果过滤的两个时间序列将具有相等幅度但符号相反的相位延迟。因此，这些时间序列的适当组合(例如，平均值)将取消相位延迟。
图9是图示在参数数据的时间序列内将时间归属于事件指示符的方法的流程图。根据一个示例性实施例，这样的方法可以用在图5中描绘的方法的步骤520中。步骤如下，并且然后在此后更详细地进行描述(可以切换一些步骤的顺序)：
910-从传感器获取输入参数数据；
920-确定输入参数数据的信号包络；
930-对数据包络进行差分；
940-对数据包络进行因果和反因果过滤；
950-确定经差分的包络中的尖峰时间；以及
960-将所确定的尖峰时间与经因果关系和反因果关系过滤的数据包络组合，以确定事件的校正时间。
在步骤910处，从传感器获得参数数据，并且在步骤920处，确定参数数据的信号包络。这将提供事件指示符(例如，台阶)相对于信号噪声的经增强的对比。上部和下部包络可以在该步骤中单独确定，并且在后续步骤中单独处理。
在步骤930处，对所确定的包络(时间序列参数数据)进行差分来获得经差分的时间序列数据。该差分产生指示事件已发生的尖峰。在差分之后，原始时间序列参数数据中的台阶将产生单个尖峰。在差分之后，原始时间序列参数数据中的尖峰将产生正负尖峰对。
在步骤940处，经差分的时间序列数据被因果和反因果过滤，以获得第一经过滤的时间序列数据和第二经过滤的时间序列数据。反因果过滤包括适时反转包络时间序列并且应用与应用到前向时间序列的过滤相同的过滤。过滤可以包括用于去除差分噪声的低通滤波。
在步骤950处，针对第一经差分的时间序列数据确定第一尖峰(对应于原始参数数据中的台阶)的第一时间，并且针对第二经差分的时间序列数据确定第二尖峰(对应于原始参数数据中的相同台阶)的第二时间。步骤950还可以包括标识形成一对负尖峰和正尖峰中的一个并且因此与原始参数数据中的尖峰相对应的尖峰。然后例如当仅将台阶视为事件指示符时，可以移除或忽略这些尖峰。
在步骤960处，将第一时间和第二时间组合来确定校正时间，校正时间是针对由过滤引起的相位延迟进行校正的事件的实际时间。校正时间例如可以是第一时间和第二时间的平均值。
如果所确定的事件指示符的校正时间与已知的维护动作重合，则根据问题的类型，这可能被解释为不指示系统健康状况的变化。上面公开了并且可以在这里使用用于确定维护动作的方法。否则，事件指示符可能是指示系统健康状况劣化的事件的症状。这样，可以根据需要生成警报或启动任何其他动作。
数据记录匹配
图10是图示根据一个示例性实施例的匹配记录的方法的流程图，该方法可以在图5中描绘的方法的步骤530中使用。
多个数据源1002和1004在其数据的匹配质量方面具有它们之间的变化。数据源之间在匹配质量方面的变化可以包括数据源之间在其数据的准确度或范围方面的差异。在该示例中，一个数据源1002具有第一数据准确度和/或范围，而另一数据源1004具有不同的第二数据准确度和/或范围。
方法从步骤1006开始。步骤1008涉及从多个数据源1002、1004中选择字段集合。
步骤1010涉及限定字段之间的一个或多个距离度量。距离度量与匹配质量的变化有关。
步骤1012涉及基于所限定的距离度量来限定具有不同严格性的匹配规则集合。因此，基于匹配质量的变化来限定匹配规则。
匹配规则反映了数据输入过程和数据范围的变化和差异。例如：某些事件数据经由软件以毫秒精度生成，其中其他相关服务数据由手动输入，可能会有几天的延迟。“事件发生日期/时间”的逐渐放宽的匹配规则可以是假设的“事件发生日期/时间”在不同数据源之间的增加的差异。
最严格的匹配规则可以是精确匹配，即，特定数据条目在所考虑的数据源之间是相同的。在最严格的匹配规则的情况下，所有经匹配的数据可以被分类为属于最高数据质量等级(TIER1)。数据质量越高，事件各方面的不确定性越低。对于该TIER1数据，可以利用高度的准确性来限定业务方面(例如，部件成本、工时)、机器方面(停机时间、根错误或错误模式、停机时间、相关中断数目)和组织方面(在停机期间花费在某些活动上的时间；取决于位置的问题分解率的差异等)。
最不严格的匹配规则是在不同数据源的数据之间找不到匹配。这意味着对于这些问题，仅业务方面或仅性能方面或仅组织方面是已知的。数据质量越低，关于事件的不确定性越高。
匹配规则可以是不同数据源的字段之间的“距离”度量。在字段之间，可以限定距离度量。
例如，对于日期/时间，可以使用管理信息系统中的日期/时间与停机结束(在制造系统事件日志中)之间的差异的实际最小值。
对于根错误(例如，与设备故障相关联的错误代码)，距离度量可以被限定为某些服务订单(SO)组(具有诸如部件使用或故障描述的共同特征)的这些根错误的相对频率的倒数。每个部件而在该部件上曾经记录的所有可能的根错误列表可以被创建，以及它们的相对频率。在两个数据集之间准确匹配的情况下(即，它们具有相同的根错误)，“距离”可以被限定为0；否则，可以使用相对频率的倒数。
针对这两个示例可以使用许多其他距离度量。匹配规则可以由主题专家创建，并且反映所考虑的数据源的特质。
距离度量的示例(其中SO＝服务订单并且PMA＝预防性维护动作、RER＝根错误报告、SAP＝来自SAP SE的软件系统)是：
1.机器生成数据(源＝PMA)与其中使用部件的服务订单信息(手动，源为SAP)之间的根错误距离。
a.如果PMA中的根错误代码＝SAP中的根错误代码：源之间的RER距离＝0。
b.如果PMA中的根错误代码在其中使用部件的SO的RER的“列表中”，则距离＝1/(相对频率)-1。
i.对于每个部件，由工程师在该特定部件上曾经编写的所有RER都会被计数。基于此，可以计算相对频率。
2.两个时间字段之间的时间距离：
a.距离(例如，单位是任意的)＝两个字段之间的时间差。
3.部件数目距离：当可以利用某些SO找到匹配时，部件数目本身用作距离度量(关于距离的想法：距离越大，不确定性越高)。
4.源距离：每个源可以先验地被分类为高度准确或不太准确。与部件数目类似，这可以是绝对距离。因此，可以相对于所选择字段的准确度对源进行排序。
基于不同数据源中的字段之间的距离度量来限定匹配规则。可以基于距离度量的加权和来限定匹配规则。距离度量可以例如包括：
不同数据源中字段之间的时间差异。
数据源中手动生成的数据与另一数据源中机器生成的数据之间的差异。
不同数据源中字段之间设备部件数目的差异。
不同数据源中字段之间出现错误标识符的相对频率的倒数差异。
不同数据源之间数据源准确度的差异。
方法还可以包括在匹配步骤之前对数据中的至少一些进行变换(例如，在步骤1008处)。根据数据类型(日期/时间、文本)，可以使用特定的变换技术(例如，针对文本，可以采用某些文本挖掘技术)。
下面的表1示出了匹配规则的示例集合。
Figure GDA0003823687660000221
Figure GDA0003823687660000231
表1.示例匹配规则
步骤1014至1018涉及通过使用针对先前匹配的不匹配记录的相继较不严格的匹配规则而对来自数据源的记录重复地进行匹配和过滤以获得匹配记录1020、1022，来对来自数据源1002、1004的记录进行匹配。这涉及使用最严格的匹配规则集来查询1014数据源并且将由此获得的匹配记录1020与指示高匹配质量的指示符相关联。它还涉及使用匹配规则集中较不严格的规则来查询1018数据源，并且将由此获得的匹配记录与指示较低匹配质量的指示符相关联。当所有规则被使用时(或根据需要，更早地)，重复完成1016、1024。
因此，匹配记录1020、1022与匹配质量指示符相关联，匹配质量指示符与用于获得它们的匹配规则的严格性相对应。
因此，对于预选的字段集合，使用逐渐放宽的“匹配规则”从不同的数据源组合数据。对于与最严格的匹配规则不匹配的数据(即，所得到的匹配不具有最低的相关不确定性)，使用逐渐较不严格的匹配规则。换言之，使用既匹配可用数据源又例如通过应用业务特定知识来限定匹配的“算法筛”。
质量分类(TIER1...TIERn)可以基于“距离”的加权和。质量分类的定义可以是主题专家决策过程的结果，并且可能随着时间以及每公司而不同。
在限定规则时，它们可以是集体详尽的，即，来自所有来源的所有记录都被分类(并且在可能的情况下被链接)。然而，已发现匹配规则不需要是互斥的。例如，人工操作可以与不同时间发生的若干机器事件有关。根据TIER定义，这些事件可以链接到相同的SO，但具有不同的匹配质量。根据分析的目的，所需的最小匹配质量将不同。
在计算时间方面，该“筛”是昂贵的，因为数据源中的所有记录都相互进行比较(即，笛卡尔积)。可以采用数据分区方法来减少计算时间。在匹配步骤之前执行的该分区方法利用基于某些预定义字段的性质，可以对数据进行分区，使得距离度量可以用于指示需要数据源k的哪些记录来与数据源l的哪些记录进行匹配。例如：可以确定事件发生的月份(数据源l)和创建服务订单的月份(数据源k)。然后，仅属于同一月(和年)的不同数据源的记录被匹配。对总计算时间的影响取决于分区的数目。在实践中，计算时间可以减少若干数量级。
如上所述，提供了将不同数据源组合、同时指示组合质量的方法。这减少了匹配记录所需的工作量。该方法的有用性的度量是：在没有本文所描述的方法的情况下，某些分析花费几周时间来执行。利用本文所描述的方法，可以在几小时内再现并改进“手动”结果。
使用传递熵来标识因果关系
传递熵是不对称信息流的定向度量，并且在Schreiber T的"MeasuringInformation Transfer"(Physical Review Letters 85(2):461–464)中进行了描述，其通过引用并入本文。传递熵是对仅基于该观察的先前值(其自身的过去)的未来观察与基于该观察的先前值和另一观察的先前值(其自身的过去和另一观察的过去)的对应未来观察之间的熵差的度量。换言之，从过程X到另一过程Y的传递熵是通过知道X的过去值、Y的给定过去值而在Y的未来值中减小的不确定性的量。
在信息理论中，熵(更具体地，香农熵)是对所接收的每个消息(例如，时间序列中的事件或值或其他数据流)中包含的信息的期望值(平均值)的度量。更具体地，香农熵H(Yt)描述了对遵循概率分布p(y)的离散变量Yt的独立抽取进行最优编码所需的平均比特数：
Figure GDA0003823687660000241
传递熵T可以被描述为：
Figure GDA0003823687660000251
其中p(a,b)是事件a和b同时发生的联合概率，并且p(b|a)是等于p(a,b)/p(a)的条件概率。yt [k]和xt [l]分别是时间间隔k和l的时间序列Xt和Yt的最接近的历史。在上文中，滞后参数ω解释了提供关于Yt的最多信息的Yt的k长度历史可能不是在ω＝1处的其最接近的历史但位于ω>1时间步长更早的情况(时间步长以Δt或dt为单位)。类似地，时间滞后τ允许考虑距离t处的Xt的长度历史，其提供超出Yt自己的历史中包含的内容的附加信息。T测量Yt的当前状态的不确定性的减小，Yt的当前状态从Xt的l长度历史中获得的，不存在于Yt本身的k长度历史中。
假设l＝k＝ω＝1，并且时间滞后τ是未知待确定的，则传递熵T的等式可以简化为：
Figure GDA0003823687660000252
在该部分中，传递熵T是对除了由yt-1贡献的信息之外的跨越时间滞后τ的由xt贡献给yt的信息的度量。通过跨越许多时间滞后计算T，可以评估从Xt到Yt的定向耦合的时间尺度。等式(7)可以在分量香农熵H的方面以备选形式写为：
T(Xt＞Yt，τ)＝H(Xt-τ，Yt-1)+H(Yt，Yt-1)-H(Yt-1)-H(Xt-τ，Yt，Yt-1) 等式(4)
其中(例如)H(X,Y)是两个参数X和Y之间的联合熵。应当注意，在信息论意义上，熵的其他度量可用于确定传递熵。香农熵的使用只是一个示例。
为了将传递熵应用于光刻设备事件(诸如事件日志所记录的事件)，做出以下决定：
1.什么构成“事件”。事件可以是例如记录在事件日志中的任何事物，以及/或者可以包括：来自传感器的参数值、由光刻设备执行的测量结果、对光刻设备产品执行的测量结果。这些事件应连续或周期性地被记录，使得可以针对每个参数来构建事件的时间序列。在与图5的方法相关的特定示例中，时间序列可包括指示极端事件的存在或不存在的一个或多个第一(例如，二进制)极端事件时间序列以及指示故障事件的存在或不存在的一个或多个第二(例如，二进制)故障事件时间序列。特别是对于极端事件时间序列，其他实施例可以具有更多数目的级别(或连续的标度)，这可以捕获极端事件的极端性水平。
2.如何将来自具有连续状态空间的系统的所观察到的时间序列离散化，或者为了减少可能状态的数目，如何将来自具有高维状态空间的系统的本身离散时间序列进一步离散。由于针对离散时间序列导出等式(3)中的传递熵度量，所观察到的时间序列的离散化可能是估计传递熵的必要步骤。可以例如通过将时间序列的值的集合从最小到最大排序并且将经排序的集合分割为多个二进数(为每个二进数被分配状态)来执行离散化。然后，根据发生频率来直接计算转换概率的估计。
3.针对源和目标参数应当应用过去值的哪个块长度。
图11是示出根据一个示例性实施例的在步骤550中可用的、构建因果关系网络的方法的流程图。步骤如下，并且然后在下文中进行更详细地描述(可以切换一些步骤的顺序)：
1110-时间序列集合；
1120-通过测量它们的时间序列数据之间的传递熵，将所有成对的子系统参数之间的因果关系量化；
1130-使用替代数据和自举方法来测试所计算的传递熵值的统计学显著性；
1140-计算同步比Tz；
1150-标识特征时间滞后；以及
1160-构建网络。
1110是时间序列集合，其可以包括极端事件时间序列(将参数数据变换为极端事件的存在、不存在和可选极端性的指示)以及故障事件时间(将参数数据变换为故障事件的存在、不存在和可选极端性的指示)。
在1120处，可以针对在时间序列内检测/包含的所有成对的事件而计算传递熵T的值(这应当在两个方向上，因为传递熵是不对称的)。例如，这可以使用等式(2)、等式(3)或等式(4)来针对多个时间滞后而被执行。
在步骤1130处，可以计算每个计算的传递熵值的统计学显著性。这是对由传递熵值描述的事件关系是否强于通过无关时间序列和/或事件之间的随机机会发生的事件关系的测试。这可以通过将每个传递熵值T与显著性阈值Ts进行比较来完成。可以基于经搅乱的替代传递熵来确定显著性阈值Ts。其中T描述时间序列Xt和Yt之间的传递熵，经搅乱的替代传递熵将是时间序列Xs和Ys的传递熵，其中时间序列Xs和Ys分别是时间序列Xt和Yt的经随机搅乱(在时间上)的版本。该搅乱破坏了时间序列之间的时间相关性。只有当传递熵值T大于显著性阈值Ts时，才假定在相关参数之间存在显著的信息流。低于显著性阈值Ts的传递熵值不能被认为对于建立显著耦合具有统计学意义。
在一个实施例中，针对经搅乱的时间序列Xs和Ys的多个实现来计算经搅乱的替代传递熵，产生替代传递熵的高斯分布。然后，显著性阈值Ts可以基于该高斯分布的均值；例如，它可以设置在高于均值的若干标准偏差处。
在步骤1140处，可以计算同步比Tz，以帮助确定两个参数和/或事件在给定时间标度上共享大量信息的观察背后的原因。同步比Tz可以是两个事件之间计算的传递熵的比以及两个事件之间的共享信息的度量。具体地，同步比Tz可以通过以下公式来计算：
Figure GDA0003823687660000281
其中I(Xt,Yt)是Xt、Yt之间的相互信息。相互信息是事件相互依赖性的度量；即，它可以测量对这些事件中的一个事件减少关于另一事件的不确定性知道多少。相互信息可以定义为：
Figure GDA0003823687660000282
同步比Tz测量与零滞后的相互信息相比从Xt-息到Yt的信息传递。该比率使得能够表征两个事件之间的耦合的性质。应当注意，同步比Tz是不对称的，并且因此成对的事件之间的耦合特性在不同方向上可以不同。
在成对的事件之间存在耦合(在特定方向上)的情况下，耦合可以被分类为同步主导、反馈主导或强制主导。同步主导耦合可以被限定为当Tz<1且T<Ts时。该耦合指示显著的共享信息，但不指示显著的信息流。反馈主导流可以被限定为当Tz<1且T>Ts时。该耦合指示显著的共享信息大于显著的信息流。这是同步耦合和强制耦合之间的中间分类，其中存在大量同步和强制。强制耦合被限定为当Tz>1且T>Ts时。该耦合指示显著的信息流大于显著的共享信息。
在步骤1150处，可以计算针对每个经标识的耦合(每个传递熵值)的特征时间滞后。这可以是第一统计学显著时间滞后或者是传递熵T最高的时间滞后(假设它具有统计学显著性)。
在步骤1160处，给定若干事件，可以通过将每个事件(极端事件或故障事件)投射为网络中的节点并且计算每个节点之间的传递熵来构建过程网络。可以在节点之间示出边缘(在每个方向上)，其中已示出存在统计学显著的耦合。过程网络还可以指示耦合强度(传递熵的值)和耦合表征。可以构建因果矩阵，其中每个单元指示在两个节点之间是否存在有向耦合。因果矩阵可以是三维矩阵[np×np×nτ]，其中np是事件的数目，且nτ是所研究的时间滞后的数目。然而，为了使计算更易于管理，可以使用二维矩阵[np×np]，二维矩阵包括针对每个条目的传递熵的值，每个条目对应于如在前一步骤中所确定的、该耦合的特征时间滞后。
例如，可以将因果矩阵显示为圆形有向图(节点和连接)、气泡图和/或热图。在气泡图或热图中，因果强度(传递熵值)可分别由气泡直径或颜色表示。
一旦构建了过程网络，标识具有多于一个的向内或向外链路的节点可能是有益的。这些节点可能对网络影响最大。可以执行网络中心性分析，以在影响方面对网络节点进行排序。然后，排序可用于将信息流从故障映射到系统内的故障。举例来说，排序可以应用于上述事件日志中的条目，使得能够在具有正常事件、警告、故障事件和警报的有向因果图中指示最有影响的子系统报告的根错误。
总之，由于使用所描述的传递熵方法来监视光刻设备，扫描仪可观察量之间的相互作用可以被视为信息的传递。传递熵使得能够对同时观察到的光刻设备时间序列的每一对进行因果分析。传递熵使得能够重建事件、警告、错误和警报之间的因果关系，而不仅仅是错误和警报之间的异常链接。根据因果关系，可以确定故障到故障路径，并更好地标识故障的根本原因。
管理警报的方法
当生成警报时，假定将立即对其进行操作，使得工程师针对所有警报限定和计划动作。虽然这将是理想的情况，但实际情况是工程师的时间和资源是有限的，并且诸如光刻设备的复杂机器的建模可能生成太多的警报，以使他们全部迅速得到看管。结果，可能的情况是工程师选择要跟进的警报(例如，根据他们关于哪些警报是最重要的和/或时间关键的专业知识)。这将导致未被选择注意的警报无人看管但仍处于活动状态。
因此，基于警报和对应的收益指标，可以执行管理动作，例如可以针对一些或所有警报来计算警报到期时间。该警报到期时间可以自动应用于警报或以其他方式被监视，并且一旦达到警报到期时间，就可以取消/重置无人看管的警报。通过这种方式，当业务影响(或其他标准)变得太低而不值得看管时，无人看管的警报将到期。当然，并非所有警报都需要被分配警报到期时间；一些警报可以被确定为关键的并且应保持活动直到被看管(或者，为了相同的效果，可以被分配无限的警报到期时间)。
在特定示例中，收益矩阵可以从潜在故障概率导出，潜在故障概率可以通过威布尔近似来近似。威布尔近似可以根据自警报以来的天数来构建潜在故障概率。当模型被后端测试时，可以使用累积分布函数。累积分布函数可以解释为自警报以来时间x之后的故障比例。由此，可以在该方法中使用的一个后端测试结果是剩余使用寿命(RUL)，剩余使用寿命被定义为在生成警报之后对应于警报的项/系统的80％发生故障的时间。
警报到期时间tstop可以被定义为这样的时间，在该时间之后收益平均地不再超过成本，并且在威布尔分布的条件下可以通过以下方式给出：
Figure GDA0003823687660000301
其中β是适用于模型的所谓的威布尔形状因子，B是主动动作的收益指标，C是警报验证的成本指标，Precision是估计量的标准偏差，并且RUL是在其之后在累积故障概率分布函数中故障的80％已发生的时间。
图12是图示根据一个示例性实施例的可以在步骤560和590中使用的分配警报到期时间的方法的流程图。步骤如下，并且然后在下文中进行更详细地描述(可以切换一些步骤的顺序)：
1210-后端测试结果；
1220-业务信息；
1230-确定概率分布；
1240-确定警报到期时间；以及
1250-监视到期时间。
1230-后端测试结果1210被用于确定针对每个可能警报的收益指标。这样的收益指标可以包括警报之后随时间变化的故障(或其他事件)概率分布或者从警报之后随时间变化的故障(或其他事件)概率分布导出。概率分布描述了根据时间的警报之后发生故障的概率。这样的概率分布可以包括自警报以来随时间将发生故障的累积或非累积概率。例如，可以使用威布尔近似来近似这样的概率。在一个实施例中，收益指标是从故障概率分布导出的、针对某些故障情形的停机时间减少潜能的度量。该步骤可以被用在图5的步骤560中的自动模型鉴定中。
1240-在步骤1230中确定的收益指标和从业务信息1220获得的成本指标被用于确定针对每个警报的警报到期时间。警报到期时间可以使用等式(7)来计算。业务信息1220可以包括某些警报看管情形(例如，适合于特定警报的维护和/或修复动作)的成本。这样的成本指标可以考虑看管警报的任何成本或开销，并且可以包括例如机器停机时间、降低的生产率、财务成本和资源利用(人和/或机器)。可以根据在看管根据时间的警报中的成本收益的评估来获得警报到期时间。可以基于对成本收益是否达到或超过阈值进行评估来确定警报到期时间。阈值可以被定义为确定成本收益为负(因此成本超过收益)的点。
在步骤1250处，显示警报信息。当达到警报的警报到期时间时，可以以某种方式更改该警报的表示。警报可以在警报到期时间自动重置，或者警报可以显示为已到期。这种警报的显示可以作为前端过程的一部分来执行，而方法的其他步骤可以作为后端过程来执行，后端过程可以是或可以不是前端的一部分。
如前所述，生成的警报太多而不能及时看管。从业务角度来看，生成的警报具有不同的影响。该影响取决于自生成警报以来警报保持无人看管的时间。这意味着警报的优先级将是时间变量。目前优先级的确定是人(用户)决策过程。但是，待处理警报相对于其他待处理警报的优先级可能会很快发生变化，并因此可能很难准确维护。
在另一实施例中，可以使用针对每个预测模型的业务信息和相关联的成本指标以及从概率分布获得的或包括概率分布(从后端测试结果依次获得)的收益指标来确定针对每个警报的优先级指标。优先级指标是时间相关的，并且因此无人看管的警报的相对排序可能会随时间而变化。方法可以包括确定针对每个警报的优先级指标，优先级指标是警报的瞬时影响的度量。然后标识参考模型和对应的参考优先级指标；这可能是在生成影响时具有最高优先级指标(以及因此具有用于干预的最高瞬时影响值)的模型。相对于参考优先级指标，优先级指标可以在对数标度上定义，使得警报可以被排序(例如，从1到5或1到10)，每个排序表示比先前排序更大数量级的干预收益影响。然后可以基于给定时间的优先级指标值，给予警报优先级排序。
图13是图示根据一个示例性实施例的可以在步骤560和590中使用的用于对警报进行优先级排序的方法的流程图。步骤如下，然后在下文中进行更详细地描述(可以切换一些步骤的顺序)：
1310-后端测试结果；
1315-业务信息；
1320-确定概率分布；
1330-确定干预的瞬时影响(优先级指标)；
1340-在对数标度上投射相对瞬时影响；
1350-在t＝0时的参考优先级指标；
1360-优先级标度和方向、对数基数；以及
1370-显示优先级排序。
在步骤1320处，如在先前实施例中，后端测试结果用于确定收益指标。如前所述，收益指标可以包括警报之后随时间变化的故障(或其他事件)概率分布或者从警报之后随时间变化的故障(或其他事件)概率分布导出。这与1230基本相同。
在步骤1330处，确定针对每个警报的优先级指标。优先级指标是干预或生成警报的后续动作的瞬时影响的度量。使用来自先前步骤的概率分布和业务信息来确定优先级指标。如先前实施例，业务信息可以是任何干预的成本指标的形式或允许生成任何干预的成本指标。业务信息还将包括在时间t＝0时(即，生成警报的时刻)干预的瞬时影响的度量。使用该信息和收益指标(概率分布)，可以确定干预在t>0时的瞬时影响的度量。
在一个实施例中，优先级指标采用预期瞬时影响EII的形式。EII是主动动作(假设在时间“x”之后立即采取主动动作)影响乘以时间“x”之后的瞬时故障概率的度量。具体可以采取以下形式：
Figure GDA0003823687660000331
其中t是以天为单位的自警报以来的时间，并且A是常数。
在步骤1340处，优先级指标相对于参考优先级指标以对数标度投射。参考优先级指标可以是被确定为在时间t＝0时具有最大瞬时影响值(优先级＝1)850的优先级指标。这可以从业务信息导出。然后将其他警报的优先级指标与当前时间或其他时间t>0的参考优先级指标进行比较。通过获取优先级指标的(任何基数的)对数，可以针对警报计算优先级排序。
这可以通过将预期瞬时影响EII在从0到N的线性标度上映射来实现，其中N是最低影响而1是最高影响(并且0是非常高)。在获取优先级指标的对数时，应满足以下三个条件：
·优先级指标越低，实际优先级越高；
·当EII为零时，优先级为N+1(低于最低优先级)；
·参考优先级指标的优先级被设置为1。
这导致用于计算优先级排序Priority(t)的以下示例性公式：
Figure GDA0003823687660000332
其中括号指示结果被四舍五入并且PS是在t＝0时具有优先级1的参考优先级指标，PS被定义为：
Figure GDA0003823687660000341
在步骤1370处，根据警报在适当时间(可以是瞬时时间)的优先级排序来显示(无人看管的)警报。优先级指标和优先级排序可以以规定时间间隔(例如，每天、每半天或每小时(多次或单次))重新计算。每个无人看管的警报的相对优先级指标的变化将导致警报表示中的指定更改。优先级排序的显示可以作为前端过程的一部分来执行，而方法的其他步骤可以作为后端过程来执行，后端过程可以是或可以不是前端的一部分。
在N＝10的特定示例中，0、1或2的优先级排序指示非常高的优先级，并且对应的警报可以如此表示(例如，通过被着红色)。类似地，对应具有3至7之间的优先级排序的警报可以表示为中等紧急度(例如，着橙色或黄色)，并且具有优先级排序8、9或10的警报可以表示为低紧急度(例如，着黄色或绿色)。如果优先级排序大于11，则警报可能只是到期。
可以将用于对警报进行优先级排序和用于确定警报到期时间的方法进行组合，使得向每个警报提供优先级排序和警报到期时间。但是请注意，可以简单地去除优先级为N+1或更高的警报，并且不需要生成警报到期时间。
经由有向循环的根本原因确定
目前的故障诊断方法具有重要的局限性，由于它们不能区分有限集合的潜在根本原因，它们各自基本上是非确定性的。混合故障诊断方法的附加问题是，在易变的生态系统中，需要不断“调整”故障诊断模型。每次配置更改时，所使用的有向图都会更改：不论是节点的内容、传递概率、因果关系的方向等。
可以以多种方式执行关于有向循环或节点是否是期望的或不期望的确定。但是，确定应使得它可以是自动化的。例如，可以基于由节点或有向循环表示的健康特征来进行确定。例如，极端事件节点可能是不期望的，因为它们可以指示不符合规范的参数，(几乎可以确定)故障事件节点也是如此。不期望的有向循环可以包括包含一个或多个不期望节点的有向循环，或其描述不期望的增强或反馈机制。根据范围和情境，可以应用针对后验、确定节点/周期是否是不期望的其他方法。此外，确定不必是二进制的，而是取决于范围和目标可以是连续的或具有更高的分解率。
在一个实施例中，可以以多种方式(例如，通过以不同颜色表示)在图上表示有向循环或节点是期望的还是不期望的。
图14是图示根据一个示例性实施例的执行无模型、配置无关的故障诊断的方法的流程图。步骤如下，然后在下文中进行更详细地描述：
1410-因果网络
1420-标识循环
1430-发现循环？
1440-对循环/节点进行分类
1450-对节点进行分类
1460-确定导致不期望循环/不期望循环的一部分的最重要节点
1470-确定最重要节点/第一节点
1480-确定根本原因
1490-结束
在步骤1420处，检查因果网络(有向图)1410，以标识任何有向循环。在步骤1430处，确定是否存在任何有向循环。如果存在有向循环，则在步骤1440处对有向循环(和节点)进行分类。这可以包括确定有向循环和节点是否是期望的或不期望的。非二进制分类也是可能的(例如，有向循环被期望/不期望的程度的指示)。在因果网络上，期望和不期望循环/节点可以例如通过不同的颜色进行不同地表示。在1460处，连接到(例如，通往)不期望有向循环但不是不期望有向循环的一部分的不期望节点(或者在存在多于一个的情况下，是最重要的不期望节点)被标识。如果不存在这样的不期望节点，则形成不期望有向循环的一部分的最重要的不期望节点被标识。在步骤1480处，所标识的节点被确定为根本原因节点。
如果在步骤1430处，确定不存在有向循环，则在步骤1450处对节点进行分类。这可以包括确定节点是否是期望的或不期望的。非二进制分类也是可能的(例如，节点被期望/不期望的程度的指示)。在因果网络上，期望和不期望节点可以例如通过不同的颜色进行不同地表示。在步骤1470处，标识最重要的不期望节点或者备选地标识第一不期望节点，并且在步骤1480处，所标识的节点被确定为根本原因节点。
在以下编号的实施例中总结了本发明的其他实施例：
1.一种用于确定与工业过程相关联的多个参数时间序列中的事件之间的因果关系的方法，所述方法包括：至少标识与参数偏移事件相关联的第一事件；至少标识与故障事件相关联的第二事件；以及
建立所述第一事件和所述第二事件之间的所述因果关系。
2.根据实施例1所述的方法，其中参数偏移事件被标识为以下中的一个或多个：尖峰、台阶、趋势的变化、标准偏差的变化、标准偏差相对于趋势的变化以及对应参数时间序列中的控制极限违规。
3.根据实施例1或2所述的方法，其中所述参数时间序列包括指示参数偏移事件随时间存在或不存在的一个或多个二进制参数偏移事件时间序列。
4.根据任一前述实施例所述的方法，其中所述参数时间序列包括指示随时间参数偏移事件存在或不存在和任何参数偏移事件的极端程度的一个或多个参数偏移事件时间序列。
5.根据任一前述实施例所述的方法，其中故障事件被标识为所述工业过程的任何方面的任何故障和/或在执行所述工业过程中使用的任何设备的任何故障。
6.根据任一前述实施例所述的方法，其中所述参数时间序列包括指示故障事件随时间存在或不存在的一个或多个二进制故障事件时间序列。
7.根据任一前述实施例所述的方法，其中建立所述因果关系的步骤包括：确定所述第一事件和所述第二事件之间的传递熵值；以及使用所述传递熵值来建立所述第一事件和所述第二事件之间的所述因果关系。
8.根据实施例7所述的方法，其中确定所述传递熵值，并且在两个方向上针对所述第一事件和所述第二事件建立所述因果关系。
9.根据实施例7或8所述的方法，其中对于多个不同的时间滞后，针对所述第一事件和所述第二事件确定所述传递熵值，其中时间滞后是所述传递熵被测量的时间间隔的度量。
10.根据实施例7至9中任一项所述的方法，其中通过将所确定的传递熵值与指示通过随机机会发生的传递熵值的显著性阈值进行比较来评估所述传递熵值的统计学显著性；并且仅当所述传递熵值高于所述显著性阈值时才归因于因果关系。
11.根据实施例10所述的方法，包括：在时间上对所述参数时间序列进行搅乱，确定针对成对的经搅乱的时间序列的替代传递熵值，以及使用所述替代传递熵值作为确定所述显著性阈值的参考。
12.根据实施例7至11中任一项所述的方法，包括：
针对所确定的传递熵值确定同步比，所述同步比是针对对应的成对的参数时间序列的所述传递熵值与相互信息值的比；以及
使用所述同步比，对所建立的因果关系进行分类。
13.根据实施例12所述的方法，其中在将所述传递熵值评估为具有统计学显著性的情况下，如果同步比小于1，则对应的因果关系被认为表示反馈主导的信息流，并且如果同步比大于1，则对应的因果关系被认为表示强制主导的信息流。
14.根据实施例7至13中任一项所述的方法，其中存在包括所述第一事件和所述第二事件的多个事件；针对成对的所述事件来执行所述方法，以确定传递熵并且针对每个所述成对的事件建立因果关系。
15.根据实施例14所述的方法，包括：使用所确定的传递熵和所标识的因果关系来确定过程网络，其中所述事件中的每个事件是所述过程网络中的节点，节点之间的边缘取决于所确定的传递熵。
16.根据实施例15所述的方法，其中每个边缘包括对应的持续时间值，所述持续时间值表示由所述边缘连接的所述节点表示的事件之间的持续时间。
17.根据实施例16所述的方法，其中每个边缘进一步包括与其连接的节点之间的因果关系的方向和转换概率有关的信息。
18.根据实施例15至17中任一项所述的方法，包括：确定因果矩阵，其中所述因果矩阵的每个单元指示在两个节点之间是否存在有向因果关系。
19.根据实施例18所述的方法，其中在每个方向上针对每个成对的事件来确定特征时间滞后，以减小所述因果矩阵的维数。
20.根据实施例19所述的方法，其中所述特征时间滞后是第一时间滞后，在所述第一时间滞后内，对应的所确定的传递熵被评估为具有统计学显著性。
21.根据实施例19所述的方法，其中所述特征时间滞后是对应的所确定的传递熵为最高的时间滞后。
22.根据实施例15至21中任一项所述的方法，其中所述过程网络的所有节点仅表示参数偏移事件或故障事件。
23.根据实施例22所述的方法，其中所述过程网络的每个子部分被确定为预测模型，每个子部分包括通向表示故障事件的节点的表示参数偏移事件的节点。
24.根据实施例23所述的方法，包括：针对每个预测模型执行后端测试；以及使用后端测试结果来限定每个所确定的预测模型。
25.根据实施例24所述的方法，其中所述后端测试包括获得将所述预测模型的预测结果与由模型建模的系统和/或过程的对应已知历史比较。
26.根据实施例24或25所述的方法，其中根据灵敏度、精度、因果延迟中的一个或多个来执行对每个所确定的预测模型的限定。
27.根据实施例24、25或26所述的方法，包括：使用所述后端测试结果来确定与看管预测模型中包括的参数偏移事件的收益的度量相关的收益指标；以及使用所述收益指标来限定所述预测模型。
28.根据实施例27所述的方法，其中根据描述参数偏移事件未被看管的时间上的故障概率的故障概率分布来获得所述收益指标。
29.根据实施例23至28中任一项所述的方法，包括：基于对一个或多个参数偏移事件的检测，通过以下来管理由一个或多个预测模型生成的未看管的警报：
获得与看管所生成的每个警报的成本的度量相关的成本指标；
获得与根据时间看管所生成的每个警报的收益的度量相关的收益指标；以及
基于针对每个警报的所述收益指标与所述成本指标的评估，对所述未看管的警报执行管理动作。
30.根据实施例29所述的方法，其中所述管理动作包括：基于针对每个警报的所述收益指标与所述成本指标的评估，向所述未看管的警报中的每一个分配警报到期时间。
31.根据实施例30所述的方法，其中所述警报到期时间基于所述收益指标与所述成本指标的评估满足阈值的时间。
32.根据实施例29至31中任一项所述的方法，包括：在其警报到期时间，使得未看管的警报自动到期。
33.根据实施例29至32中任一项所述的方法，其中所述警报到期时间被显示给用户。
34.根据实施例29至33中任一项所述的方法，其中所述管理动作包括：基于针对每个警报的所述收益指标与所述成本指标的评估来确定针对所述未看管的警报中的每一个的优先级指标，所述优先级指标是对每个未看管的警报进行看管的瞬间影响的度量。
35.根据实施例34所述的方法，其中所述优先级指标相对于参考优先级指标被参考，所述参考优先级指标是被确定为表示生成对应的警报时的最大瞬时影响的优先级指标。
36.根据实施例34或35所述的方法，其中对每个未看管的警报进行看管的瞬时影响的度量包括假设在特定时间之后立即采取主动动作的主动动作的影响乘以所述特定时间之后瞬时故障的概率的度量。
37.根据实施例34、35或36的方法，其中基于其优先级指标向每个警报分配优先级排序。
38.根据实施例37所述的方法，其中所述优先级排序和/或所述优先级指标被显示给用户。
39.根据实施例29至38中任一项所述的方法，其中根据与看管每个警报的成本有关的已知信息来导出所述成本指标。
40.根据实施例15至39中任一项所述的方法，进一步包括以下步骤：
标识所述多个事件和所述因果关系中的一个或多个有向循环；
基于标称系统行为来对有向循环进行分类；以及
基于循环分类，对与经分类的有向循环具有因果关系的一个或多个事件进行分类。
41.根据实施例40所述的方法，其中对一个或多个事件进行分类的步骤包括：将所述第一事件中的一个或多个分类为针对所述第二事件中的一个的根本原因事件。
42.根据实施例41所述的方法，其中将所述第一事件中的一个或多个分类为根本原因事件的步骤包括：将所述第一事件中的与经分类的有向循环具有因果关系、但不被包括在经分类的有向循环内的一个或多个分类为根本原因事件。
43.根据实施例41或42所述的方法，其中对有向循环进行分类的步骤包括：确定所述有向循环是期望的还是不期望的。
44.根据实施例43所述的方法，其中确定所述有向循环是期望的还是不期望的包括：确定由所述有向循环描述的系统的操作方面是否在参考所述标称系统行为的指定余裕内。
45.根据实施例43或44所述的方法，包括：将所述根本原因事件确定为第一事件，所述第一事件具有与经分类的不期望有向循环的因果关系，但不被包括在经分类的不期望有向循环内。
46.根据实施例15至45中任一项所述的方法，包括：标识从参数偏移事件到故障事件的一个或多个故障路径。
47.根据实施例46所述的方法，其中所述故障路径中的一个包括多个参数偏移事件，利用所述故障路径上的后续参数偏移事件来验证所述故障路径上的较早参数偏移事件的发生。
48.根据实施例46或47所述的方法，包括：确定到单个故障事件的不同故障路径，所述不同故障路径在导致所述单个故障事件的一个或多个参数偏移事件方面不同。
49.根据任一前述实施例所述的方法，其中所述方法包括：确定与工业过程根据所述参数时间序列进行操作的情境有关的情境数据的初始步骤，其中所述过程在任一时间处的多个情境中的至少一个中可操作；以及
对所述情境数据应用质量加权，所述质量加权取决于所述情境数据针对特定情境段的准确度的度量，每个情境段包括所述情境中的一个的区段，其中每个情境在时间上被分段。
50.根据实施例49所述的方法，其中针对系统和/或过程的每个可能的情境段，先前已确定了所述情境数据针对特定情境段的准确度的所述度量。
51.根据实施例50所述的方法，其中对于可能的情境段中的每一个，还针对每个可能的情境转换，附加地预先确定了所述情境数据针对特定情境段的准确度的所述度量。
52.根据实施例49至51中任一项所述的方法，其中所述情境段包括中间段和过渡段，使得每个情境包括两个过渡段以及其之间的中间段。
53.根据实施例49至52中任一项所述的方法，其中根据所述情境段将所述质量加权应用于所述情境数据的每个情境段。
54.根据实施例53所述的方法，其中进一步根据先前和/或后续情境段，将所述质量加权应用于所述情境数据的每个情境段。
55.根据实施例49至54中任一项所述的方法，其中所述质量加权确定给予所述情境数据和/或在确定事件之间的所述因果关系时所述情境数据所对应的事件的考虑的程度。
56.根据实施例55所述的方法，其中所述质量加权是二进制的，使得所述情境数据和/或所述情境数据所对应的事件被加权，以被包括或不包括在确定事件之间的所述因果关系中。
57.根据实施例49至56中任一项所述的方法，其中所述情境包括系统和/或过程的操作模式或操作状态。
58.根据任一前述实施例中所述的方法，包括：针对包括参数偏移事件的参数时间序列，执行以下来确定所述参数偏移事件中的一个或多个的时间：
对所述参数时间序列应用因果过滤器来获得第一经过滤的时间序列数据；
对所述参数时间序列应用反因果过滤器来获得第二经过滤的时间序列数据；以及
将所述第一经过滤的时间序列数据和所述第二经过滤的时间序列数据组合来确定针对所述参数偏移事件的校正时间。
59.根据实施例58所述的方法，其中应用反因果过滤器的步骤包括：
将所述参数时间序列在时间上反转；以及
将所述因果过滤器应用于经反转的参数时间序列。
60.根据实施例58或59所述的方法，包括：确定输入参数数据的信号包络的初始步骤，使得所述参数时间序列描述所述信号包络。
61.根据实施例60所述的方法，其中确定信号包络的步骤包括：确定上包络和下包络，针对所述上包络和所述下包络中的每一个单独执行所述方法。
62.根据实施例58至61中任一项所述的方法，包括：
在所述第一经过滤的时间序列数据内确定所述参数偏移事件的第一时间；以及
在所述第二经过滤的时间序列数据内确定所述参数偏移事件的第二时间；
其中所述组合步骤包括将所述第一时间和所述第二时间组合来获得所述校正时间。
63.根据任一前述实施例所述的方法，其中所述多个参数时间序列包括参数偏移时间序列和故障参数时间序列，所述参数偏移时间序列包括所述参数偏移事件中的一个或多个，所述故障参数时间序列包括所述故障事件中的一个或多个，其中所述参数偏移时间序列和所述故障参数时间序列在其数据的匹配质量方面在其之间具有变化，所述方法进一步包括：
使用连续较不严格的匹配规则对来自所述参数偏移时间序列和所述故障参数时间序列中的每一个的事件进行重复匹配和过滤，以获得匹配事件，基于所述匹配质量的变化来限定所述匹配规则。
64.根据实施例63所述的方法，进一步包括：将所述匹配事件与匹配质量指示符相关联，所述匹配质量指示符对应于用于获得匹配事件的匹配规则的严格性。
65.根据实施例63或64所述的方法，其中匹配质量的变化包括事件的定时准确度的差异。
66.根据实施例63至65中任一项所述的方法，其中基于所述参数偏移事件和故障事件之间的距离度量来限定所述匹配规则，所述距离度量包括不同参数时间序列之间的准确度差异。
67.根据实施例66所述的方法，其中基于所述距离度量的加权和来限定所述匹配规则。
68.根据实施例63至67中任一项所述的方法，进一步包括以下步骤：
(a)从多个参数时间序列中选择事件集合；
(b)限定事件之间的一个或多个距离度量；以及
(c)基于所限定的距离度量来限定具有不同严格性的匹配规则集合，并且其中对来自参数时间序列的事件进行重复匹配和过滤包括以下步骤：
(d)使用最严格的匹配规则集合来查询参数时间序列，并且将由此获得的匹配事件与指示高匹配质量的指示符相关联；以及
(e)使用匹配规则集合中的较不严格的规则来查询参数时间序列，并且将由此获得的匹配事件与指示较低匹配质量的指示符相关联。
69.根据任一前述实施例中所述的方法，其中所述工业过程包括用于在衬底上施加图案的光刻过程。
70.一种光刻设备，包括：
照射光学系统，被布置为照射图案；以及
投影光学系统，被布置为将所述图案的图像投影到衬底上；
其中所述光刻设备被布置为执行实施例69所述的方法，以对由所述光刻设备执行的所述光刻过程的操作进行建模。
71.一种包括处理器可读指令的计算机程序，当所述处理器可读指令在合适的经处理器控制的设备上运行时，使得所述经处理器控制的设备执行实施例1至69中任一项所述的方法。
72.一种计算机程序载体，包括根据实施例71所述的计算机程序。
73.一种制造器件的方法，其中使用光刻过程将器件图案施加到一系列衬底，所述方法包括使用根据实施例69所述的方法对所述光刻过程的操作进行建模。
本文中所使用的术语“辐射”和“光束”涵盖所有类型的电磁辐射，包括紫外(UV)辐射(例如，具有或约365nm、355nm、248nm、193nm、157nm或126nm的波长)和极紫外(EUV)辐射(例如，具有在5nm-20nm范围内的波长)以及粒子束(诸如离子束或电子束)。
在上下文允许的情况下，术语“透镜”可以指代各种类型的光学部件(包括折射、反射、磁性、电磁和静电光学部件)中的任一个或组合。
具体实施例的前述描述将如此充分地揭示本发明的整体性质，在不脱离本发明的整体概念的情况下，通过应用本领域技术范围内的知识，其他人可以容易地修改和/或改变各种应用的这样的特定实施例，而无需过度实验。因此，基于本文给出的教导和指导，这些改变和修改旨在落入所公开的实施例的等同物的含义和范围内。应理解，本文中的措辞或术语是出于通过示例进行描述的目的而非限制，使得本说明书的术语或措辞将由本领域技术人员根据教导和指导来解释。
本发明的广度和范围不应受任何上述示例性实施例的限制，而应仅根据所附权利要求及其等同物来限定。

Claims (18)

1.一种用于确定与工业过程相关联的多个参数时间序列中的事件之间的因果关系的方法，所述方法包括：
至少标识与参数偏移事件相关联的第一事件，以及
至少标识与故障事件相关联的第二事件，其中存在包括所述第一事件和所述第二事件的多个事件；
确定针对所述多个事件中的成对的事件的传递熵的值，以针对每个所述成对的事件建立因果关系；
使用所确定的传递熵的值和所标识的因果关系来确定过程网络，其中所述多个事件中的每个事件是所述过程网络中的节点，节点之间的边缘取决于所确定的传递熵的值；
标识所述多个事件和所述因果关系内的一个或多个有向循环；
基于标称系统行为对有向循环进行分类；以及
基于循环分类来对与经分类的有向循环具有因果关系的一个或多个事件进行分类。
2.根据权利要求1所述的方法，其中对一个或多个事件进行分类的步骤包括：将所述第一事件中的一个或多个事件分类为针对所述第二事件中的一个事件的根本原因事件。
3.根据权利要求1所述的方法，其中参数偏移事件被标识为以下中的一个或多个：尖峰、台阶、趋势的变化、标准偏差的变化、标准偏差相对于趋势的变化、以及对应参数时间序列中的控制极限违规。
4.根据权利要求1所述的方法，其中所述过程网络的每个子部分被确定为预测模型，每个子部分包括通向表示故障事件的节点的表示参数偏移事件的节点。
5.根据权利要求4所述的方法，包括：基于对一个或多个参数偏移事件的检测，通过以下来管理由所述预测模型中的一个或多个生成的未看管的警报：
获得与看管所生成的每个警报的成本的度量相关的成本指标；
获得与根据时间看管所生成的每个警报的收益的度量相关的收益指标；以及
基于针对每个警报的所述收益指标与所述成本指标的评估来对所述未看管的警报执行管理动作。
6.根据权利要求1所述的方法，包括：标识从参数偏移事件到故障事件的一个或多个故障路径。
7.根据权利要求6所述的方法，其中所述故障路径中的一个包括多个参数偏移事件，利用所述故障路径上的后续参数偏移事件来验证所述故障路径上的较早参数偏移事件的发生。
8.根据权利要求1所述的方法，其中所述方法包括：确定与所述工业过程根据所述参数时间序列进行操作的情境有关的情境数据的初始步骤，其中所述工业过程在任一时间在多个情境中的至少一个情境中可操作；以及
对所述情境数据应用质量加权，所述质量加权取决于所述情境数据针对特定情境段的准确度的度量，每个情境段包括所述情境中的一个的区段，其中每个情境在时间上被分段。
9.根据权利要求1所述的方法，包括：针对包括所述参数偏移事件的所述参数时间序列，执行以下来确定所述参数偏移事件中的一个或多个事件的时间：
对所述参数时间序列应用因果过滤器来获得第一经过滤的时间序列数据；
对所述参数时间序列应用反因果过滤器来获得第二经过滤的时间序列数据；以及
将所述第一经过滤的时间序列数据和所述第二经过滤的时间序列数据组合来确定针对所述参数偏移事件的校正时间。
10.根据权利要求1所述的方法，其中所述多个参数时间序列包括参数偏移时间序列和故障参数时间序列，所述参数偏移时间序列包括所述参数偏移事件中的一个或多个事件，所述故障参数时间序列包括所述故障事件中的一个或多个事件，其中所述参数偏移时间序列和故障时间序列在其数据的匹配质量方面在其之间具有变化，所述方法进一步包括：
使用连续较不严格的匹配规则对来自所述参数偏移时间序列和故障时间序列中的每一个的事件进行重复匹配和过滤，以获得匹配事件，所述匹配规则基于所述匹配质量的所述变化来被限定。
11.根据权利要求1所述的方法，其中所述工业过程包括用于在衬底上施加图案的光刻过程。
12.根据权利要求8所述的方法，其中进一步根据先前和/或后续情境段来将所述质量加权应用于所述情境数据的每个情境段。
13.根据权利要求8所述的方法，其中所述质量加权确定给予所述情境数据和/或在确定事件之间的所述因果关系时所述情境数据所对应的事件的考虑的程度。
14.根据权利要求13所述的方法，其中所述质量加权是二进制的，使得所述情境数据和/或所述情境数据所对应的所述事件被加权，以被包括或不包括在确定事件之间的所述因果关系中。
15.根据权利要求8所述的方法，其中所述情境包括系统和/或过程的操作模式或操作状态。
16.根据前述权利要求中任一项所述的方法，其中所述工业过程包括用于在衬底上施加图案的光刻过程。
17.一种光刻设备，包括：
照射光学系统，被布置为照射图案；以及
投影光学系统，被布置为将所述图案的图像投影到衬底上；
其中所述光刻设备被布置为执行根据权利要求16所述的方法，以对由所述光刻设备执行的所述光刻过程的操作进行建模。
18.一种计算机程序载体，包括计算机程序，所述计算机程序包括处理器可读指令，当所述处理器可读指令在适当的受处理器控制的设备上运行时，使所述受处理器控制的设备执行根据权利要求1至16中任一项所述的方法。
CN201880019789.1A 2017-03-23 2018-02-15 对光刻系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统 Active CN110462536B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17162628.6 2017-03-23
EP17162628.6A EP3379356A1 (en) 2017-03-23 2017-03-23 Method of modelling lithographic systems for performing predictive maintenance
PCT/EP2018/053781 WO2018171982A1 (en) 2017-03-23 2018-02-15 Methods of modelling systems or performing predictive maintenance of systems, such as lithographic systems and associated lithographic systems

Publications (2)

Publication Number Publication Date
CN110462536A CN110462536A (zh) 2019-11-15
CN110462536B true CN110462536B (zh) 2022-11-15

Family

ID=58530361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880019789.1A Active CN110462536B (zh) 2017-03-23 2018-02-15 对光刻系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统

Country Status (6)

Country Link
US (1) US11461675B2 (zh)
EP (1) EP3379356A1 (zh)
KR (1) KR102304281B1 (zh)
CN (1) CN110462536B (zh)
TW (2) TWI706232B (zh)
WO (1) WO2018171982A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6664007B2 (ja) * 2016-04-20 2020-03-13 エーエスエムエル ネザーランズ ビー．ブイ． レコードを整合させる方法、保守のスケジュールを作成する方法、および装置
US10560326B2 (en) * 2017-09-22 2020-02-11 Webroot Inc. State-based entity behavior analysis
CN113946461A (zh) * 2018-06-15 2022-01-18 华为技术有限公司 一种故障根因分析的方法及装置
WO2020094325A1 (en) 2018-11-07 2020-05-14 Asml Netherlands B.V. Determining a correction to a process
WO2020188328A1 (en) * 2019-03-15 2020-09-24 3M Innovative Properties Company Method of performing a process and optimizing control signals used in the process
KR20220018050A (ko) * 2019-07-10 2022-02-14 에이에스엠엘 네델란즈 비.브이. 모델 예측 불확실성을 감소시키기 위한 모델 교정을 위한 예측 데이터 선택
JP2021068109A (ja) * 2019-10-21 2021-04-30 富士ゼロックス株式会社 情報処理装置及びプログラム
CN113051307A (zh) * 2019-12-27 2021-06-29 深信服科技股份有限公司 告警信号的分析方法、设备、存储介质及装置
CN115210651A (zh) * 2020-03-06 2022-10-18 Asml荷兰有限公司 对诸如光刻系统的系统进行建模以供执行系统的预测性维护的方法
EP3910419A1 (en) * 2020-05-14 2021-11-17 ASML Netherlands B.V. Methods of modelling systems or performing predictive maintenance of systems, such as lithographic systems and associated lithographic systems
WO2021223958A1 (en) * 2020-05-08 2021-11-11 Asml Netherlands B.V. Methods and apparatus for diagnosing unobserved operational parameters
EP4232877A1 (en) * 2020-10-22 2023-08-30 Koninklijke Philips N.V. Multi-criteria fair queueing of alerts
CN113485287B (zh) * 2021-06-23 2024-03-26 佛山科学技术学院 一种多粒度度量的动态系统故障诊断方法及系统
WO2023180238A1 (en) * 2022-03-25 2023-09-28 Koninklijke Philips N.V. Systems and methods for personalized ranked alerts
CN115718744B (zh) * 2022-11-28 2023-07-21 北京中航路通科技有限公司 一种基于大数据的数据质量度量方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1026615A1 (de) * 1999-02-05 2000-08-09 Franz-Peter Dr. Liebel Verfahren zur Berechnung von Wahrscheinlichkeiten pathophysiologischer Zustände als Zwischenergebnisse der Diagnosefindung
CN101266410A (zh) * 2007-02-15 2008-09-17 Asml荷兰有限公司 确定前馈传递函数的方法、光刻设备和器件制造方法
CN102841509A (zh) * 2011-04-04 2012-12-26 Asml荷兰有限公司 光刻设备和掩模优化过程与多重图案化过程的集成
EP2916542A1 (fr) * 2014-03-04 2015-09-09 Thales Procédé et système de supervision, notamment appliqué à la vidéosurveillance
CN106104398A (zh) * 2013-03-14 2016-11-09 费希尔-罗斯蒙特系统公司 过程控制系统中的分布式大数据

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7289858B2 (en) 2004-05-25 2007-10-30 Asml Netherlands B.V. Lithographic motion control system and method
US7894903B2 (en) * 2005-03-24 2011-02-22 Michael Sasha John Systems and methods for treating disorders of the central nervous system by modulation of brain networks
US8140301B2 (en) * 2007-04-30 2012-03-20 International Business Machines Corporation Method and system for causal modeling and outlier detection
JP2010061450A (ja) 2008-09-04 2010-03-18 Univ Of Tokyo 情報処理装置、情報処理方法及びプログラム
US8988653B2 (en) * 2009-08-20 2015-03-24 Asml Netherlands B.V. Lithographic apparatus, distortion determining method, and patterning device
US8966392B2 (en) * 2011-08-29 2015-02-24 Novell, Inc. Event management apparatus, systems, and methods
CN102541017B (zh) * 2012-01-12 2014-07-23 浙江大学 一种复杂化工过程中振荡信号的快速定位方法
JP6354192B2 (ja) * 2014-02-14 2018-07-11 オムロン株式会社 因果ネットワーク生成システム
EP3048613B1 (en) * 2015-01-20 2019-06-12 ABB Schweiz AG Method for analysis of plant disturbance propagations
KR102149866B1 (ko) * 2015-09-29 2020-09-01 에이에스엠엘 네델란즈 비.브이. 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들.

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1026615A1 (de) * 1999-02-05 2000-08-09 Franz-Peter Dr. Liebel Verfahren zur Berechnung von Wahrscheinlichkeiten pathophysiologischer Zustände als Zwischenergebnisse der Diagnosefindung
CN101266410A (zh) * 2007-02-15 2008-09-17 Asml荷兰有限公司 确定前馈传递函数的方法、光刻设备和器件制造方法
CN102841509A (zh) * 2011-04-04 2012-12-26 Asml荷兰有限公司 光刻设备和掩模优化过程与多重图案化过程的集成
CN106104398A (zh) * 2013-03-14 2016-11-09 费希尔-罗斯蒙特系统公司 过程控制系统中的分布式大数据
EP2916542A1 (fr) * 2014-03-04 2015-09-09 Thales Procédé et système de supervision, notamment appliqué à la vidéosurveillance

Also Published As

Publication number Publication date
US20200342333A1 (en) 2020-10-29
TWI706232B (zh) 2020-10-01
TW201837617A (zh) 2018-10-16
WO2018171982A1 (en) 2018-09-27
KR102304281B1 (ko) 2021-09-24
CN110462536A (zh) 2019-11-15
US11461675B2 (en) 2022-10-04
EP3379356A1 (en) 2018-09-26
KR20190131083A (ko) 2019-11-25
TW201937309A (zh) 2019-09-16
TWI672565B (zh) 2019-09-21

Similar Documents

Publication Publication Date Title
CN110462536B (zh) 对光刻系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统
US11543814B2 (en) Methods of modelling systems or performing predictive maintenance of lithographic systems
US11687007B2 (en) Method for decision making in a semiconductor manufacturing process
TWI764554B (zh) 判定微影匹配效能
WO2020244853A1 (en) Causal inference using time series data
US11740560B2 (en) Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
US11526084B2 (en) Determining significant relationships between parameters describing operation of an apparatus
EP3693795A1 (en) Method for decision making in a semiconductor manufacturing process
NL2024999A (en) Determining lithographic matching performance
CN115552334A (zh) 用于诊断未观察的操作参数的方法和设备

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