CN112000717B - 半导体数据分析方法、系统及计算机可读存储介质 - Google Patents
半导体数据分析方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112000717B CN112000717B CN202011160229.3A CN202011160229A CN112000717B CN 112000717 B CN112000717 B CN 112000717B CN 202011160229 A CN202011160229 A CN 202011160229A CN 112000717 B CN112000717 B CN 112000717B
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- semiconductor
- matching
- calling
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种半导体数据分析方法、系统及计算机可读存储介质,其中所述方法包括:获取预设时段的半导体数据,调用数据分析模型按照时间序列对预设时段的半导体数据进行趋势图匹配,得到良率影响因素。通过实施本申请,解决现有技术中存在的数据分析效率较为死板、数据分析效率及精度较低等问题。
Description
技术领域
本申请涉及半导体技术领域,尤其涉及一种半导体数据分析方法、系统及计算机可读存储介质。
背景技术
半导体生产过程中会产生各种类型的数据,例如线上量测数据(inline)、电性测试数据(WAT)、机台传感数据(FDC/ED)等。当这些数据出现异常时,可能会导致良率降低,芯片报废等情况。根据问题数据寻找根本原因(root cause)判定问题工艺,对于提高良率、降低生产成本至关重要。
目前,存在以下两种方案来实现良率影响因素的查找。第一种,工程师利用传统的统计方法,比如相关分析法(计算相关系数R(regression)方),对参数按照R方排序,画出匹配时序图验证,人眼识别两参数趋势图是否匹配。然而这种方案中,分析较为死板、分析效率较低、需人为参与,分析精度较低。第二种,机台监控系统接收机台传感器数据,对机台传感器数据设置预警,当超过预设阈值spec机台报警。这种方案中仅对在spec范围状态内的机台传感器数据进行监控,未综合考虑整体机台传感器数据对机台状态的影响。
发明内容
本申请实施例提供了一种半导体数据分析方法、系统及计算机可读存储介质,能解决现有技术中存在的分析较为死板、分析精度较低、未综合考虑整体机台传感器数据对机台状态的影响等问题。
第一方面,提供了一种半导体数据分析方法,包括:获取预设时段的半导体数据,调用数据分析模型按照时间序列对预设时段的半导体数据进行趋势图匹配,得到良率影响因素。
在一些实施例中,所述半导体数据包括至少一种传统数据,所述数据分析模型包括趋势性匹配M-K算法,所述调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素包括:
调用M-K算法按照时间序列对所述至少一种传统数据中的任意两种传统数据进行趋势图匹配,得到所述任意两种传统数据的匹配度;
根据所述任意两种传统数据的匹配度,确定所述任意两种传统数据是否为相互影响的良率影响因素。
在一些实施例中,所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间规则匹配DTW算法和趋势性匹配M-K算法,所述调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素包括:
调用DTW算法对所述机台的单个传感器数据下的多个运行run数据进行相似度计算,得到所述单个传感器数据的任意两个run数据之间的DTW距离,所述run数据是指所述单个传感器的多批次运行数据;
调用M-K算法按照时间序列将所述任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一预设阈值的目标run数据,所述第一预设阈值为系统自定义设置的阈值;
将所述目标run数据作为影响所述单个传感器数据的良率影响因素。
在一些实施例中,所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法,所述调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素包括:
调用主成分算法对所述机台的多个传感器数据进行主成分分析,得到所述机台的关键传感数据;
调用DTW算法对所述机台的每个关键传感数据的多个run数据进行相似度及平均计算,得到所述每个关键传感数据的DTW距离;
根据所述每个关键传感数据的DTW距离,确定所述预设时段内影响所述多个传感器数据的良率影响因素。
在一些实施例中,所述方法还包括:根据所述每个关键传感数据的DTW距离,在所述预设时段内预测所述机台的保养时间。
第二方面,提供了一种半导体数据分析系统,包括:
获取模块,用于获取预设时段的半导体数据;
匹配模块,用于调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素。
在一些实施例中,所述半导体数据包括至少一种传统数据,所述数据分析模型包括趋势性匹配M-K算法,所述匹配模块具体用于:
调用M-K算法按照时间序列对所述至少一种传统数据中的任意两种传统数据进行趋势图匹配,得到所述任意两种传统数据的匹配度;
根据所述任意两种传统数据的匹配度,确定所述任意两种传统数据是否为相互影响的良率影响因素。
在一些实施例中,所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间规则匹配DTW算法和趋势性匹配M-K算法,所述匹配模块具体用于:
调用DTW算法对所述机台的单个传感器数据下的多个运行run数据进行相似度计算,得到所述单个传感器数据的任意两个run数据之间的DTW距离,所述run数据是指所述单个传感器的多批次运行数据;
调用M-K算法按照时间序列将所述任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一阈值的目标 run数据;
将所述目标run数据作为影响所述单个传感器数据的良率影响因素。
在一些实施例中,所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法,所述匹配模块具体用于:
调用主成分算法对所述机台的多个传感器数据进行主成分分析,得到所述机台的关键传感数据;
调用DTW算法对所述机台的每个关键传感数据下的多个run数据进行相似度及平均计算,得到所述每个关键传感数据的DTW距离;
根据所述每个关键传感数据的DTW距离,确定所述预设时段内影响所述多个传感器数据的良率影响因素。
在一些实施例中,所述半导体分析系统还包括预测模块,
所述预测模块,用于根据所述每个关键传感数据的DTW距离,在所述预设时段内预测所述机台的保养时间。
第三方面,提供了一种半导体数据分析系统,该系统包括处理器以及和处理器相连的存储器;其中,该存储器包括计算机可读指令;该处理器用于执行该存储器中的计算机可读指令,从而使得该系统执行上述第一方面或第一方面的任意一种可选的实施方式中的方案。
第四方面,提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面或第一方面的任意一种可选的实施方式中的方法。
第五方面,提供了一种芯片产品,执行上述第一方面或第一方面的任意一种可选的实施方式中的方法。
第六方面,提了供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面或第一方面的任意一种可选的实施方式中的方法。
附图说明
图1是本申请实施例提供的一种半导体数据分析方法的流程示意图。
图2是本申请实施例提供的一种半导体数据的示意图。
图3是本申请实施例提供的另一种半导体数据的示意图。
图4是本申请实施例提供的一种传感器数据的DTW距离表示示意图。
图5是本申请实施例提供的一种半导体数据分析系统的结构示意图。
图6是本申请实施例提供的另一种半导体数据分析系统的结构示意图。
具体实施方式
下面结合附图对本申请具体实施例作进一步的详细描述。
请参见图1,是本申请实施例提供的一种半导体数据分析方法的流程示意图。如图1所示的方法包括如下实施步骤:
S101、半导体数据分析系统获取预设时段的半导体数据。
本申请中,半导体数据是指半导体生产过程中产生的各类数据,例如线上(ineline)量测数据、良率数据(Chip Probe,CP)、电性测量数据(Wafer Acceptance Test,WAT)、机台传感器数据(Facility Data Centre/Electronic Data,FDC/ED)等数据。预设时段为系统或用户自定义设置的时段,例如每天、每周、或每月等。
S102、系统调用数据分析模型按照时间序列对预设时段的半导体数据进行趋势图匹配,得到良率影响因素。
半导体数据分析系统调用数据分析模型按照时间序列对预设时段的半导体数据进行趋势图匹配,得到该时段内的良率影响因素。具体地:
在一种可能的实施方式中,所述半导体数据包括至少两种传统数据,所述数据分析模型包括趋势性匹配M-K算法。本申请中,M-K算法是指Mann-Kendall算法,是气象学/气候学中经常用来进行突变检验的一种算法。具体地,半导体数据分析系统将调用趋势性匹配M-K算法对至少两种传统数据中的任意两种传统数据进行趋势图匹配,以得到任意两种传统数据之间的匹配度。然后再根据任意两种传统数据之间的匹配度,确定任意两种传统数据之间是否为相互影响的良率影响因素,具体的若任意两种传统数据之间的匹配度大于一定阈值,则表明该任意两种传统数据为相互影响的良率影响因素;否则,表明该任意两种传统数据不为相互影响的良率影响因素。
举例来说,参见图2和图3示出两种半导体数据的示意图。如图中,若某WAT数据出现跳跃问题(shift issue),则半导体数据分析系统利用M-K算法将对WAT数据及机台传感器数据ED进行趋势图匹配,即对同时间段的WAT数据及ED数据进行匹配,以求出WAT数据与ED数据之间的匹配度。如图2为WAT数据,图3为ED数据, WAT数据与ED数据之间的匹配度为0.997,由于匹配度较高(大于一定阈值,如0.5),则说明ED数据为影响WAT数据的良率影响因素。也即是,利用M-K算法对WAT数据及ED数据进行同趋势或异趋势关系分析,以找出同趋势或异趋势的良率影响因素。
本申请涉及的传统数据为半导体数据中的任一种,其包括但不限于良率数据CP、电性测量数据WAT、机台传感器数据ED及线上量测数据inline等,例如图2和图3举例示出的两种传统数据可以是WAT数据和ED数据。
再一种可能的实施方式中,所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间匹配DTW算法和趋势性匹配M-K算法。本申请中DTW算法为时间序列数据中的相似函数或距离函数算法。具体地,半导体数据分析系统将调用DTW算法对单个传感器数据下的多个运行run数据进行相似度计算,得到任意两个run数据之间的DTW距离,所述run数据为单个传感器的多批次运行数据。进一步调用M-K算法按照时间序列将任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一预设阈值的目标run数据,进而将目标run数据作为影响单个传感器数据的良率影响因素。其中第一预设阈值为系统自定义设置的,或用户自定义设置的,例如0.5或1等,该第一预设阈值是用于选出目标run数据的门限值。基础 baseline数据为预存的用于判定DTW距离是否过大或过小的数据。
举例来说,单个传感器下可支持有多个/组run数据,半导体数据分析系统利用DTW算法可计算任意两个run数据之间的DTW距离,然后再与baseline数据进行比较,将DTW距离与baseline数据差异较大的一个或多个run数据选定为目标run数据,视为有问题的run数据。后续可着重观察该目标run数据,该目标run数据即为影响单个传感器数据的良率影响因素。
再一种可能的实施方式中,所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法。本申请中,主成分算法是考察多个变量间相关性的易总多元统计算法,主要研究如何通过少数几个主成分来揭示多个变量间的内部结构,即从原始变量中导出少数几个主成分,使它们尽可能多地保留原始变量的信息且彼此互不相关。具体地,半导体数据分析系统调用主成分算法对多个传感器数据进行主成分分析,得到机台的多个关键传感数据。进一步调用DTW算法对机台的每个关键传感数据下的多个run数据进行相似度计算及平均计算,得到每个关键传感数据的DTW距离。然后根据每个关键传感数据的DTW距离,确定预设时段内影响多个传感器数据的良率影响因素,具体的若某个关键传感数据的DTW距离变化明显(例如大于或小于一定阈值),则表明该关键传感数据(即关键传感数据对应的传感器)有问题,为影响多个传感器数据的良率影响因素。
举例来说,假设某机台中部署有20种传感器,半导体数据分析系统中利用主成分算法对20个传感器各自的机台传感器数据进行主成分分析,得到12个关键传感(器)数据。进一步半导体数据分析系统对12个关键传感器中每个关键传感器下的多个run数据进行DTW距离计算,并计算它们的平均值,以得到每个关键传感器的DTW距离。如图4所示,示出12个关键传感器在预设时段内的DTW距离。进一步识别每个关键传感器的DTW距离,若某关键传感器在预设时段内的DTW距离变化明显,表明该关键传感器可能出现问题,即坏品。则可判定该关键传感数据为影响多个传感器数据的良率影响因素。
在可选实施例中,半导体数据分析系统还可根据每个关键传感数据的DTW距离,在预设时段内预测机台的保养时间。举例来说,假设半导体数据分析系统依据上述原理计算出12个月中每个月每个传感器数据的DTW距离,若某一月中传感器数据的DTW距离与其他月份的DTW距离差距较大(即变化明显),则表示在该月中该机台可能出现问题,进入机台的保养阶段,即可获得机台的保养时间。
通过实施本申请,半导体数据分析系统获取预设时段的半导体数据,调用数据分析模型按照时间序列对预设时段的半导体数据进行趋势图匹配,得到良率影响因素。这样能够解决现有技术中存在的数据分析较为死板、分析效率及精度较低,及未考虑整体机台传感器数据对机台状态的影响等问题。
请参见图5,是本申请实施例提供的一种半导体数据分析系统的结构示意图。如图5所示的半导体数据分析系统中包括获取模块401及匹配模块402。其中,
获取模块401,用于获取预设时段的半导体数据;
匹配模块402,用于调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素。
在一些实施例中,所述半导体数据包括至少两种传统数据,所述数据分析模型包括趋势性匹配M-K算法,所述匹配模块402具体用于:
调用M-K算法按照时间序列对所述至少两种传统数据中的任意两种传统数据进行趋势图匹配,得到所述任意两种传统数据的匹配度;
根据所述任意两种传统数据的匹配度,确定所述任意两种传统数据是否为相互影响的良率影响因素。
在一些实施例中,所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间规则匹配DTW算法和趋势性匹配M-K算法,所述匹配模块402具体用于:
调用DTW算法对所述机台的单个传感器数据下的多个运行run数据进行相似度计算,得到所述单个传感器数据的任意两个run数据之间的DTW距离,所述run数据是指所述单个传感器的多批次运行数据;
调用M-K算法按照时间序列将所述任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一预设阈值的目标 run数据,所述第一预设阈值为系统自定义设置的阈值;
将所述目标run数据作为影响所述单个传感器数据的良率影响因素。
在一些实施例中,所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法,所述匹配模块402具体用于:
调用主成分算法对所述机台的多个传感器数据进行主成分分析,得到所述机台的关键传感数据;
调用DTW算法对所述机台的每个关键传感数据下的多个run数据进行相似度及平均计算,得到所述每个关键传感数据的DTW距离;
根据所述每个关键传感数据的DTW距离,确定所述预设时段内影响所述多个传感器数据的良率影响因素。
在一些实施例中,所述半导体分析系统还包括预测模块403,
所述预测模块403,用于根据所述每个关键传感数据的DTW距离,在所述预设时段内预测所述机台的保养时间。
请参见图6,是本申请实施例提供的另一种半导体数据分析系统的结构示意图。如图6所示的半导体数据分析系统500包括:至少一个输入设备501;至少一个输出设备502;至少一个处理器503,例如CPU;和存储器504,上述输入设备501、输出设备502、处理器503和存储器504通过总线505连接。
其中,上述输入设备501具体可为移动终端的触控面板,包括触摸屏和触控屏,用于检测终端触控面板上的操作指令。
上述输出设备502具体可为移动终端的显示屏,用于输出、显示信息。
上述存储器504可以是高速RAM存储器,也可为非不稳定的存储器(non-volatilememory),例如磁盘存储器。上述存储器504用于存储一组程序代码,上述输入设备601、输出设备502和处理器503用于调用存储器504中存储的程序代码执行相应操作,其中处理器503具体用于执行如下操作:
获取预设时段的半导体数据;
调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素。
在一些实施例中,所述半导体数据包括至少两种传统数据,所述数据分析模型包括趋势性匹配M-K算法,所述调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素包括:
调用M-K算法按照时间序列对所述至少两种传统数据中的任意两种传统数据进行趋势图匹配,得到所述任意两种传统数据的匹配度;
根据所述任意两种传统数据的匹配度,确定所述任意两种传统数据是否为相互影响的良率影响因素。
在一些实施例中,所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间规则匹配DTW算法和趋势性匹配M-K算法,所述调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素包括:
调用DTW算法对所述机台的单个传感器数据下的多个运行run数据进行相似度计算,得到所述单个传感器数据的任意两个run数据之间的DTW距离,所述run数据是指所述单个传感器的多批次运行数据;
调用M-K算法按照时间序列将所述任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一预设阈值的目标run数据,所述第一预设阈值为系统自定义设置的阈值;
将所述目标run数据作为影响所述单个传感器数据的良率影响因素。
在一些实施例中,所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法,所述调用数据分析模型按照时间序列对所述预设时段的半导体数据进行趋势图匹配,得到良率影响因素包括:
调用主成分算法对所述机台的多个传感器数据进行主成分分析,得到所述机台的关键传感数据;
调用DTW算法对所述机台的每个关键传感数据下的多个run数据进行相似度及平均计算,得到所述每个关键传感数据的DTW距离;
根据所述每个关键传感数据的DTW距离,确定所述预设时段内影响所述多个传感器数据的良率影响因素。
在一些实施例中,处理器503还用于执行如下操作:根据所述每个关键传感数据的DTW距离,在所述预设时段内预测所述机台的保养时间。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (5)
1.一种半导体数据分析方法,其特征在于,包括:
获取预设时段的半导体数据,所述半导体数据包括至少两种数据;
调用数据分析模型按照时间序列对预设时段的所述至少两种数据进行趋势图匹配,得到良率影响因素,所述良率影响因素为所述至少两种数据中的至少一种;
其中,若所述半导体数据包括至少两种传统数据,所述数据分析模型包括趋势性匹配M-K算法,则所述调用数据分析模型按照时间序列对预设时段的所述至少两种数据进行趋势图匹配,得到良率影响因素包括:
调用M-K算法按照时间序列对所述至少两种传统数据中的任意两种传统数据进行趋势图匹配,得到所述任意两种传统数据的匹配度;
根据所述任意两种传统数据的匹配度,确定所述任意两种传统数据是否为相互影响的良率影响因素;或者,
若所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间规则匹配DTW算法和趋势性匹配M-K算法,则所述调用数据分析模型按照时间序列对预设时段的所述至少两种数据进行趋势图匹配,得到良率影响因素包括:
调用DTW算法对所述机台的单个传感器数据下的多个运行run数据进行相似度计算,得到所述单个传感器数据的任意两个run数据之间的DTW距离,所述run数据是指所述单个传感器的多批次运行数据;
调用M-K算法按照时间序列将所述任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一预设阈值的目标run数据,所述第一预设阈值为系统自定义设置的阈值;
将所述目标run数据作为影响所述单个传感器数据的良率影响因素;或者,
若所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法,则所述调用数据分析模型按照时间序列对预设时段的所述至少两种数据进行趋势图匹配,得到良率影响因素包括:
调用主成分算法对所述机台的多个传感器数据进行主成分分析,得到所述机台的关键传感数据;
调用DTW算法对所述机台的每个关键传感数据下的多个run数据进行相似度及平均计算,得到所述每个关键传感数据的DTW距离;
根据所述每个关键传感数据的DTW距离,确定所述预设时段内影响所述多个传感器数据的良率影响因素。
2.根据权利要求1所述的半导体数据分析方法,其特征在于,所述方法还包括:
根据所述每个关键传感数据的DTW距离,在所述预设时段内预测所述机台的保养时间。
3.一种半导体数据分析系统,其特征在于,包括:
获取模块,用于获取预设时段的半导体数据,所述半导体数据包括至少两种数据;
匹配模块,用于调用数据分析模型按照时间序列对所述预设时段的半导体数据中的至少两种数据进行趋势图匹配,得到良率影响因素,所述良率影响因素为所述至少两种数据中的至少一种;
其中,若所述半导体数据包括至少两种传统数据,所述数据分析模型包括趋势性匹配M-K算法,则所述匹配模块具体用于:
调用M-K算法按照时间序列对所述至少两种传统数据中的任意两种传统数据进行趋势图匹配,得到所述任意两种传统数据的匹配度;
根据所述任意两种传统数据的匹配度,确定所述任意两种传统数据是否为相互影响的良率影响因素;或者,
若所述半导体数据包括机台的单个传感器数据,所述数据分析模型包括动态时间规则匹配DTW算法和趋势性匹配M-K算法,则所述匹配模块具体用于:
调用DTW算法对所述机台的单个传感器数据下的多个运行run数据进行相似度计算,得到所述单个传感器数据的任意两个run数据之间的DTW距离,所述run数据是指所述单个传感器的多批次运行数据;
调用M-K算法按照时间序列将所述任意两个run数据之间的DTW距离与预存的基础baseline数据进行比较,选出DTW距离与baseline数据之差大于第一预设阈值的目标 run数据,所述第一预设阈值为系统自定义设置的阈值;
将所述目标run数据作为影响所述单个传感器数据的良率影响因素;或者,
若所述半导体数据包括机台的多个传感器数据,所述数据分析模型包括主成分算法和动态时间规则匹配DTW算法,则所述匹配模块具体用于:
调用主成分算法对所述机台的多个传感器数据进行主成分分析,得到所述机台的关键传感数据;
调用DTW算法对所述机台的每个关键传感数据下的多个run数据进行相似度及平均计算,得到所述每个关键传感数据的DTW距离;
根据所述每个关键传感数据的DTW距离,确定所述预设时段内影响所述多个传感器数据的良率影响因素。
4.根据权利要求3所述的半导体数据分析系统,其特征在于,所述半导体数据分析系统还包括预测模块,
所述预测模块,用于根据所述每个关键传感数据的DTW距离,在所述预设时段内预测所述机台的保养时间。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如上权利要求1-2中任一项所述的半导体数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160229.3A CN112000717B (zh) | 2020-10-27 | 2020-10-27 | 半导体数据分析方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011160229.3A CN112000717B (zh) | 2020-10-27 | 2020-10-27 | 半导体数据分析方法、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000717A CN112000717A (zh) | 2020-11-27 |
CN112000717B true CN112000717B (zh) | 2021-03-02 |
Family
ID=73474469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011160229.3A Active CN112000717B (zh) | 2020-10-27 | 2020-10-27 | 半导体数据分析方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000717B (zh) |
-
2020
- 2020-10-27 CN CN202011160229.3A patent/CN112000717B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112000717A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382582B (zh) | 一种晶圆测试分类方法及系统 | |
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN113092981B (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
TWI503763B (zh) | 半導體處理控制方法和電腦可讀取紀錄媒體 | |
US20220050023A1 (en) | System for predicting anomalies of machining | |
Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
US10120372B2 (en) | Event processing based system for manufacturing yield improvement | |
CN112180230A (zh) | 芯片测试参数异常的侦测方法、存储介质、终端 | |
CN114926051A (zh) | 一种用于评估半导体设备制造产能的分析系统 | |
KR20190060548A (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
CN112000717B (zh) | 半导体数据分析方法、系统及计算机可读存储介质 | |
JP2002323924A (ja) | 不良装置検出方法、不良装置検出装置、プログラム及び製品の製造方法 | |
JP4303017B2 (ja) | 品質管理装置及び品質管理方法 | |
CN111223799B (zh) | 工艺控制方法、装置、系统及存储介质 | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
TW201620057A (zh) | 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法 | |
CN113495907A (zh) | 产品检测方法、装置、计算机装置及存储介质 | |
CN112130518B (zh) | 半导体生产过程中的参数监控方法、系统及计算机可读存储介质 | |
US20230111543A1 (en) | Systems and methods for multidimensional dynamic part average testing | |
TW201832167A (zh) | 決定半導體製造系統的不良設備的方法及程式產品 | |
Kerdprasop et al. | Performance analysis of complex manufacturing process with sequence data mining technique | |
CN117272122B (zh) | 晶圆异常的共性分析方法及装置、可读存储介质、终端 | |
US20240144101A1 (en) | Generation system, computer-readable storage medium, and method for generating waveform evaluation model | |
JP7467876B2 (ja) | 性能変化検知装置、性能変化検知方法及びプログラム |
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 |