CN113454552A - 传感器计量数据整合 - Google Patents

传感器计量数据整合 Download PDF

Info

Publication number
CN113454552A
CN113454552A CN202080015312.3A CN202080015312A CN113454552A CN 113454552 A CN113454552 A CN 113454552A CN 202080015312 A CN202080015312 A CN 202080015312A CN 113454552 A CN113454552 A CN 113454552A
Authority
CN
China
Prior art keywords
data
sensor
identifier
metrology
metering
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
CN202080015312.3A
Other languages
English (en)
Other versions
CN113454552B (zh
Inventor
S·巴蒂亚
G·H·西恩
白恒祯
P·南比亚尔
G·巴拉苏布拉马尼恩
I·贾米尔
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.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
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 Applied Materials Inc filed Critical Applied Materials Inc
Priority to CN202410237426.2A priority Critical patent/CN118131709A/zh
Publication of CN113454552A publication Critical patent/CN113454552A/zh
Application granted granted Critical
Publication of CN113454552B publication Critical patent/CN113454552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • 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
    • G05B19/404—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 control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B23/0218—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
    • 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
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • 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
    • G06F11/3447—Performance evaluation by modeling
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3495—Performance evaluation by tracing or monitoring for systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • G05B2219/31357—Observer based fault detection, use model
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32201—Build statistical model of past normal proces, compare with actual process
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Image Analysis (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

描述了用于传感器计量数据整合的方法、系统和非瞬时性计算机可读介质。一种方法包括接收传感器数据组和计量数据组。每组传感器数据包括与由制造设备生产对应产品相关联的对应传感器值和对应的传感器数据标识符。每组计量数据包括与由制造设备制造的对应产品相关联的对应计量值和对应的计量数据标识符。方法进一步包括确定每个对应的传感器数据标识符与每个对应的计量数据标识符之间的共同部分。方法进一步包括：对于每个传感器‑计量匹配，生成对应的聚合的传感器‑计量数据组并且存储聚合的传感器‑计量数据组，以训练机器学习模型。经训练的机器学习模型能够生成用于执行与制造设备相关联的校正动作的一个或多个输出。

Description

传感器计量数据整合
技术领域
本公开内容涉及数据整合，并且更具体地，涉及传感器计量数据整合。
背景技术
可以通过使用制造设备执行一个或多个制造工艺来生产产品。例如，半导体制造设备可以用于经由半导体制造工艺来制造晶片。传感器可用于在制造工艺期间确定制造设备的制造参数。计量设备可用于确定由制造设备生产的产品的属性数据。
发明内容
下文呈现本公开内容的简化概述，以提供对本公开内容的一些方面的基本理解。此概述不是本公开内容的广泛概览。此概述既不旨在标识本公开内容的关键或重要要素，也不旨在描绘本公开内容的特定实施方式的任何范围或权利要求的任何范围。此概述的唯一目的是以简化形式呈现本公开内容的一些概念，作为稍后呈现的更详细描述的序言。
在本公开内容的一方面中，一种方法可以包括接收多个传感器数据组。每组传感器数据可包括与由制造设备生产对应产品相关联的对应传感器值以及对应的传感器数据标识符。方法可以进一步包括接收多个计量数据组。每组计量数据可包括与由制造设备制造的对应产品相关联的对应计量值以及对应的计量数据标识符。方法可进一步包括确定在每个对应的传感器数据标识符与每个对应的计量数据标识符之间的共同部分，以识别传感器-计量匹配。方法可进一步包括，对于传感器-计量匹配中的每个传感器-计量匹配，生成对应的聚合的传感器-计量数据组，所述对应的聚合的传感器-计量数据组包括与对应的传感器数据标识符相对应的相应的传感器数据组以及与对应的计量数据标识符相对应的相应的计量数据组，以生成多个聚合的传感器-计量数据组。方法可进一步包括存储多个聚合的传感器-计量数据组以训练机器学习模型，以提供经训练的机器学习模型。经训练的机器学习模型能够生成用于执行与制造设备相关联的校正动作的一个或多个输出。
附图说明
在附图的各图中，通过示例方式而非限制方式示出了本公开内容。
图1是根据某些实施例的示出示例性系统架构的框图。
图2是根据某些实施例的用于为机器学习模型创建数据组的示例数据组生成器。
图3是根据某些实施例的示出确定预测的计量数据的框图。
图4A是根据某些实施例的传感器计量数据整合的方法的流程图。
图4B是根据某些实施例的传感器计量数据整合的框图。
图5是根据某些实施例的用于生成用于机器学习模型的数据组以用于预测计量数据的方法的流程图。
图6是根据某些实施例的示出计算机系统的框图。
具体实施方式
本文描述了针对传感器计量数据整合的技术。制造设备可以用来执行制造工艺以生产产品。传感器可以提供传感器值，以用于在制造工艺期间确定制造设备的制造参数。传感器值可以存储在第一位置。计量设备可以提供用于确定由制造设备生产的产品的属性数据的计量值。计量值可以存储在第二位置中。为了进一步分析(例如，训练用于监督式机器学习的模型等)，对应于产品的传感器值的子集将与对应于相同产品的计量值的对应子集相关联(例如，用于生产晶片的传感器值将与晶片的计量值相关联)。
在一种常规方法中，工艺工程师可以定期保存日志表，其中工艺工程师已经手动地将传感器值的子集与对应于相同产品的计量值的对应子集相关联。传感器数据和计量数据的手动关联存在错误，花费大量用户时间，并且效率低下。传统上，传感器数据和计量数据的手动关联仅针对全部传感器和所产生的计量值的一小部分执行。对于全部传感器和计量值的一小部分手动关联的传感器和计量值可能不足以用于进一步分析。
在另一种常规方法中，每个产品都具有可见的产品标识符(例如，晶片划线)，并且在制造期间拍摄了每个产品的图像(图像中显示了产品标识符)，并且在计量期间拍摄了每个产品的图像(图像中显示了产品标识符)。使用光学字符识别(OCR)系统，以光学识别与制造相关联的图像和与计量相关联的图像中的晶片标识符中的每个晶片标识符。然后将具有相同的光学读取产品标识符的传感器值的子集和计量值的子集彼此相关联。使用OCR系统的传感器数据和计量数据的关联，由于光学读取产品标识符中的错误而具有错误，要具有用于存储图像的增加的存储空间，具有增加处理器开销和能耗以执行光学字符识别，并且是昂贵的。
本文公开的装置、系统和方法，使用传感器计量数据整合来关联传感器数据和计量数据。处理装置接收传感器数据组和计量数据组。每组传感器数据包括与由制造设备生产对应产品相关联的对应传感器值和对应的传感器数据标识符。每组计量数据包括与由制造设备制造的对应产品相关联的对应计量值和对应的计量数据标识符。处理装置确定每个对应的传感器数据标识符与每个对应的计量数据标识符之间的共同部分，以识别传感器-计量匹配。对于每个传感器-计量匹配，处理装置生成对应的聚合的传感器-计量数据组(例如，聚合的传感器-计量数据结构或数据表)，所述聚合的传感器-计量数据组包括与对应的传感器数据标识符相对应的相应的传感器数据组，以及与对应计量数据标识符相对应的相应的计量数据组。处理装置存储聚合的传感器-计量数据组。在一些实施例中，聚合的传感器-计量数据组被存储在数据库中，将基于传感器数据或计量数据对所述数据库进行搜索，以确定最佳制造参数(例如，与所搜索的计量数据相对应的传感器数据)或最佳产品属性数据(例如，与所搜索的传感器数据相对应的计量数据)。在一些实施例中，所存储的聚合的传感器-计量数据组可以用于训练机器学习模型。
在一些实施例中，经训练的机器学习模型的输出被用于执行与制造设备相关联的校正动作。在一些实施例中，经训练的机器学习模型的输出用于确定虚拟计量数据。在一些实施例中，经训练的机器学习模型用于确定制造设备和/或制造工艺的最佳设计。
本公开内容的各方面的导致显著降低能耗(例如电池消耗)、所使用带宽、处理器开销等等的技术优势。在一些实施例中，技术优势来自于生成聚合的传感器-计量数据组，而无需手动关联传感器数据和计量数据，并且无需使用OCR系统将传感器数据和计量数据相关联。与手动关联传感器数据和计量数据相比，聚合传感器-计量数据组的生成具有较少的错误并且不使用用户时间。与使用OCR系统关联传感器数据和计量数据相比，聚合的传感器-计量数据组的生成具有较少的错误、不使用同样多的存储空间、不使用同样多的处理器开销和能耗、不使用同样多的带宽(与传输图像和OCR数据相比)、并且更便宜。如本文所公开的，与传统方法相比，聚合传感器-计量数据(比常规方法生成得更快并且具有更少的错误)的使用(训练机器学习模型以执行与制造设备相关联的校正动作)使校正动作被更快速地执行且具有更少的错误。
图1是根据某些实施例的示出示例性系统架构100的框图。系统架构100包括数据整合服务器102、客户端装置106、传感器系统120、计量系统130、预测服务器112和数据存储140。预测服务器112可以是预测系统110的一部分。预测系统110可以进一步包括服务器机器170和180。传感器系统120可以包括传感器服务器122(例如，制造设施处的现场服务服务器(FSS))、制造设备124、传感器126和传感器标识符读取器128(例如，用于传感器系统120的前开式标准舱(FOUP)射频识别(RFID)读取器)。计量系统130可以包括计量服务器132(例如，计量数据库、计量文件夹等)、计量设备134和计量标识符读取器136(例如，用于计量系统130的FOUP RFID读取器)。
传感器126可以提供与由制造设备124生产对应的产品(例如晶片)相关联的传感器值144(例如制造参数)。传感器值144可以包括温度(例如，加热器温度)、间隔(SP)、压力、高频射频(HFRF)、静电吸盘的电压(ESC)、电流、流量、功率、电压等等中的一项或多项的值。传感器值144可以与诸如制造设备的硬件参数(例如，制造设备124的设置或部件(例如，尺寸、类型等))或工艺参数之类的制造参数相关联或指示所述制造参数。可以在制造设备124执行制造工艺的同时提供传感器值144(例如，在处理晶片时的设备读数)。对于每个产品(例如，每个晶片)，传感器值144可以不同。
传感器标识符读取器128(例如，用于传感器系统120的FOUP RFID读取器)可以提供传感器载体标识符(例如，FOUP标识符、晶片载体标识符、插槽标识符等)。传感器服务器122可以生成传感器数据标识符146，传感器数据标识符146包括传感器载体标识符和时间戳(例如，日期、时间等)。传感器载体标识符可以是由传感器系统120(例如，经由传感器标识符读取器128)识别的载体标识符(例如，FOUP标识符等)。传感器服务器122可以生成包括传感器值144和传感器数据标识符146的传感器数据142。在一些实施例中，传感器数据142(例如，传感器数据标识符146)进一步包括产品标识符148。例如，多个产品(例如，二十五个晶片)可以与相同的传感器载体标识符相关联，并且每个产品标识符148可以指示产品的顺序(例如，晶片载体中的第一晶片、第二晶片等)。
计量设备134可以提供与由制造设备124生产的产品(例如晶片)相关联的计量值152(例如，晶片的属性数据)。计量值152可以包括以下各项中的一项或多项的值：膜属性数据(例如，晶片空间膜属性)、尺寸(例如厚度、高度等)、介电常数、掺杂剂浓度、密度、缺陷等。计量值152可以是成品或半成品的计量值。对于每个产品(例如每个晶片)，计量值152可以不同。
计量标识符读取器136(例如，用于计量系统130的FOUP RFID读取器)可以提供计量载体标识符(例如，FOUP标识符、晶片载体标识符、插槽标识符等)。计量载体标识符可以是由计量系统130(例如，经由计量标识符读取器138)识别的载体标识符(例如，FOUP标识符等)。对应于相同产品(例如相同的晶片)的计量载体标识符和传感器载体标识符可以是相同的载体标识符(例如相同的FOUP ID)并且对应于相同的载体(例如相同的FOUP)。计量服务器132可以生成计量数据标识符154，计量数据标识符154包括计量载体标识符和时间戳(例如日期戳等)。计量服务器132可以生成包括计量值152和计量数据标识符154的计量数据150。在一些实施例中，计量数据150还包括产品标识符156。例如，多个产品(例如，二十五个晶片)可以与相同的计量数据标识符154(例如晶片载体识别符)相关联，并且每个产品标识符156可以指示产品的顺序(例如，晶片载体中的第一晶片、第二晶片等)。
在一些实施例中，产品载体(例如FOUP、晶片载体)可以将产品从制造设备124转移到计量设备134。产品可以在传感器系统120和计量系统130中保持相同的顺序(例如，在FOUP或晶片载体中的相同位置)。例如，可以以与将晶片装载到计量设备134中(例如用于经由计量系统130提供计量数据150)和从计量设备134取出的顺序相同的顺序，将晶片装载到制造设备124中和从制造设备124中取出(例如用于处理晶片并经由传感器服务器122提供传感器数据142)。在一些实施例中，对应于相同产品的传感器载体标识符(例如与传感器系统120相关联的FOUP ID)和计量载体标识符(例如与计量系统130相关联的FOUP ID)与相同产品载体(例如相同FOUP)和/或载体标识符(例如传感器载体标识符和计量载体标识符相同)相关联。
数据整合服务器102、客户端装置106、传感器系统120(例如传感器服务器122、制造设备124、传感器126、传感器标识符读取器128等)、计量系统130(例如计量服务器132、计量设备134、计量标识符读取器136等)、预测服务器112、数据存储140、服务器机器170和服务器机器180可以经由网络160彼此耦合，以生成聚合的传感器-计量数据158以执行校正动作。在一些实施例中，网络160是公共网络，所述公共网络向客户端装置106提供对预测服务器112、数据存储140和其他公共可用计算装置的访问。在一些实施例中，网络160是私有网络，所述私有网络向数据整合服务器102提供对传感器系统120、计量系统130、数据存储140和其他私有可用计算装置的访问，并且向客户端装置106提供对预测服务器112、数据存储140和其他私有可用的计算装置的访问。网络160可包括一个或多个广域网(WAN)、局域网(LAN)、有线网络(例如以太网络)、无线网络(例如802.11网络或Wi-Fi网络)、蜂巢式网络(例如长期演进(LTE)网络)、路由器、集线器、交换机、服务器计算机、云计算网络和/或其组合。
客户端装置106可包括诸如个人计算机(PC)、膝上型计算机、移动电话、智能电话、平板计算机、上网本计算机、连接网络的电视(“智能电视”)、连接网络的媒体播放器(例如，蓝光播放器)、机顶盒、互联网电视(over-the-top；OTT)串流装置、运营商盒等等的计算装置。客户端装置106可能能够接收与制造设备124相关联的指示(例如请求用于制造设备124的预测数据164的用户输入，关于与制造设备124相关联的校正动作的用户输入)、获得与制造设备124相关联的当前传感器数据162(例如来自数据存储140、来自传感器系统120等)、将与制造设备124相关联的当前传感器数据162提供给预测系统110、接收来自预测系统110的输出(例如预测数据164)、并导致与制造设备124相关联的校正动作(例如基于输出)。每个客户端装置106可以包括操作系统，所述操作系统允许用户进行生成、查看或编辑数据(例如与制造设备124相关联的指示、与制造设备124相关联的校正动作等等)中的一者或多者。
在一些实施例中，计量数据150对应于(例如，使用与传感器数据142相关联的制造参数来生产的)产品的历史属性数据，而预测数据164对应于(例如，使用当前传感器数据162将生产或已经生产的产品的)预测的属性数据。在一些实施例中，预测数据164是使用当前传感器数据162将生产或已经生产的产品的预测计量数据(例如虚拟计量数据)。
就所需时间、使用的计量设备134、消耗的能量、用于发送计量数据的带宽、用于处理计量数据的处理器成本等等而言，执行计量可能是昂贵的。通过输入当前传感器数据162(例如将用于制造产品的制造参数)并接收预测的属性数据的输出，系统100可以具有避免使用计量设备134生成对于当前传感器数据162的计量值的昂贵过程的技术优势。
执行导致缺陷产品的制造工艺可能在时间、能量和用于制造缺陷产品的制造设备124、识别缺陷和丢弃缺陷产品的成本等方面是昂贵的。通过输入当前传感器数据162(例如将用于制造产品的制造参数)、接收预测的属性数据的输出并基于预测的属性数据执行校正动作，系统100可以具有避免生产、识别和丢弃有缺陷产品的成本的技术优势。
执行导致制造设备124的部件出现故障的制造工艺可能在停机时间、对产品的损坏、对设备的损坏、快速订购替换部件等等方面是昂贵的。通过输入当前传感器数据162(例如将用于制造产品的制造参数)、接收预测的属性数据的输出并基于预测的属性数据执行校正动作(例如预测的操作维护，诸如对部件的更换、处理、清洁等等)，系统100可以具有避免意外的部件故障的成本的技术优势。
制造参数可能对于生产产品是次优的，这可具有增加资源(例如能量、冷却剂、气体等)消耗、增加生成产品的时间量、增加部件故障、增加缺陷产品量等昂贵的结果。通过输入目标属性数据(例如产品的目标计量数据)(例如输入到经训练的机器学习模型190中)并接收目标属性数据的最佳制造参数的输出，系统100可以具有以下技术优势：使用最佳制造参数(例如硬件参数、工艺参数、最佳设计)以避免次优制造参数的昂贵的结果。
校正动作可能与以下各项中的一项或多项相关联：计算过程控制(CPC)、统计过程控制(SPC)、自动过程控制(APC)、预防性操作维护、设计优化、制造参数更新、反馈控制、机器学习修改等等。
传感器数据142可以与制造设备124的制造工艺相关联，而计量数据150可以与由制造工艺产生的成品产品的属性相关联。例如，制造设备可以是钻孔机，而制造工艺可以是在产品中钻孔。传感器数据142可以指示钻头旋转、钻头使用年限、钻头插入速率和钻头移除速率。计量数据150可以指示孔直径、孔深度和孔圆度。可以基于与在产品中钻孔相关联的传感器数据142的数据输入以及与钻孔相关联的计量数据150的目标输出来训练机器学习模型190。经训练的机器学习模型190可以接收将用于钻孔的当前传感器数据162的输入(例如钻头旋转、钻头使用年限、钻头插入/移除的速率等)。基于当前传感器数据162的输入，经训练的机器学习模型190可以生成预测数据164的输出(例如使用当前传感器数据162制造(钻孔)的产品的预测属性)。基于输出(例如预测数据164)，客户端装置106(例如经由校正动作部件106)可以使校正动作得以执行。
在一些实施例中，校正动作是提供警报(例如，如果预测数据164指示孔被预测为不是圆形的，则停止或不执行制造工艺的警报)。在一些实施例中，校正动作是提供反馈控制(例如，响应于指示孔被预测为不为圆形的预测数据164，修改制造参数以减慢钻头的移除)。在一些实施例中，校正动作是提供机器学习(例如，基于预测数据164来修改一个或多个制造参数，诸如钻头旋转、插入速率、移除速率等)。在一些实施例中，校正动作是引起对一个或多个制造参数的更新。
制造参数可包括硬件参数(例如，更换部件、使用某些部件等等)和/或处理参数(例如，温度、压力、流量、速率等等)。在一些实施例中，校正动作是引起预防性操作维护(例如，对制造设备124的部件的更换、处理、清洁等)。在一些实施例中，校正动作是引起设计优化(例如，针对优化的产品更新制造参数、制造工艺、制造设备124等等)。
客户端装置106可以包括校正动作部件108。校正动作部件108可以(例如经由通过客户端装置106显示的GUI)接收与制造设备124相关联的指示的用户输入。在一些实施例中，校正动作部件108将指示发送到预测系统110，从预测系统110接收输出(例如预测数据164)，基于输出确定校正动作，并使校正动作得以实施。在一些实施例中，校正动作部件108将与制造设备124相关联的指示发送到预测系统110，从预测系统110接收校正动作的指示，并使校正动作得以实施。
数据整合服务器102、预测服务器112、传感器服务器122、计量服务器132、服务器机器170和服务器机器180可各自包括一个或多个计算装置，诸如机架式服务器、路由器计算机、服务器计算机、个人计算机、大型计算机、膝上型计算机、平板计算机、桌面计算机、图形处理单元(GPU)、加速器专用集成电路(ASIC)(例如张量处理单元(TPU))等。
数据整合服务器102可以包括数据整合部件104。数据整合部件104可以接收传感器数据组142(例如，来自传感器服务器122、来自数据存储140)和计量数据组150(例如，来自计量服务器132、来自数据存储140)，确定传感器数据组142与计量数据组150之间的传感器-计量匹配，基于传感器-计量匹配生成聚合的传感器-计量数据组158，并将聚合的传感器-计量数据组158存储在数据存储140中。
预测服务器112可以包括预测部件114。在一些实施例中，预测部件114可以从数据存储中检取聚合的传感器-计量数据158和当前传感器数据162，并基于聚合的传感器-计量数据158和当前传感器数据162生成用于执行与制造设备124相关联的校正动作的输出(例如，预测数据164)。在一些实施例中，预测部件114可以使用经训练的机器学习模型190基于当前传感器数据162来确定用于执行校正动作的输出。经训练的机器学习模型190可以使用聚合的传感器-计量数据158来进行训练，以学习关键工艺参数和硬件参数。由经训练的机器学习模型190生成用于执行校正动作的输出可包括由经训练的机器学习模型190规定最佳操作条件(例如工艺参数)和/或空间(例如硬件参数)。在一些实施例中，预测部件114通过将当前传感器数据162提供给经训练的机器学习模型190、从经训练的机器学习模型190获得输出、并基于输出确定预测数据164，来确定用于执行校正动作的预测数据164。
数据存储140可以是存储器(例如随机存取存储器)、驱动器(例如硬盘驱动器、闪存驱动器)、数据库系统、或能够存储数据的另一类型的部件或装置。数据存储140可包括可跨越多个计算装置(例如多个服务器计算机)的多个存储部件(例如多个驱动器或多个数据库)。数据存储140可以存储传感器数据142、计量数据150、聚合的传感器-计量数据158、当前传感器数据162和预测数据164(例如，预测的计量数据)。传感器数据142、计量数据150和聚合的传感器-计量数据158可以是历史数据(例如，用于训练机器学习模型190)。当前传感器数据162可以是传感器数据(例如，在传感器数据142之后)，针对所述传感器数据将生成预测数据164(例如，用于基于历史数据执行校正动作)。
传感器数据142可以包括传感器值、传感器数据标识符146和产品标识符148。计量数据150可以包括计量值152、计量数据标识符154和产品标识符156。传感器数据142的每个实例(例如传感器数据组)可以对应于对应的产品载体(例如，与传感器数据标识符146相关联)、对应的时间戳(例如，与传感器数据标识符146相关联)和/或对应的产品(例如，与产品标识符148相关联)。计量数据150的每个实例(例如计量数据组)可以对应于对应的产品载体(例如，与计量数据标识符154相关联)、对应的时间戳(例如，与计量数据标识符154相关联)和/或对应的产品(例如，与产品标识符156相关联)。
在一些实施例中，客户端装置106可以在数据存储140中存储当前的传感器数据(例如，在生成聚合的传感器-计量数据158之后接收的传感器数据、没有计量数据的传感器数据)，并且预测服务器112可以从数据存储140中检取当前传感器数据。在一些实施例中，预测服务器112可以将经训练的机器学习模型190的输出(例如，预测数据164)存储在数据存储140中，并且客户端装置106可以从数据存储140中检取输出。
在一些实施例中，预测系统110进一步包括服务器机器170和服务器机器180。服务器机器170包括数据组生成器172，数据组生成器172能够生成数据组(例如一组数据输入和一组目标输出)以训练、验证和/或测试机器学习模型190。数据组生成器172的一些操作在下面参考图2与图5详细描述。在一些实施例中，数据组生成器172可以将聚合的传感器-计量数据158划分为训练组(例如聚合的传感器-计量数据158的百分之六十)、验证组(例如聚合的传感器-计量数据158的百分之二十)和测试组(例如聚合的传感器-计量数据158的百分之二十)。在一些实施例中，预测系统110(例如，经由预测部件114)生成多组特征。例如，第一组特征可以是与数据组中的每个数据组(例如训练组、验证组和测试组)相对应的第一组传感器数据(例如来自第一组传感器)，而第二组特征可以是与每个数据组相对应的第二组各类型的传感器数据(例如来自不同于第一组传感器的第二组传感器)。
服务器机器180包括训练引擎182、验证引擎184、选择引擎185和/或测试引擎186。引擎(例如训练引擎182、验证引擎184、选择引擎185和测试引擎186)可以指硬件(例如电路系统、专用逻辑、可编程逻辑、微代码、处理装置等等)、软件(诸如在处理装置、通用计算机系统或专用机器上运行的指令)、固件、微代码或其组合。训练引擎182可能够使用与来自数据组生成器172的训练组相关联的一组或多组特征来训练机器学习模型190。训练引擎182可生成多个经训练的机器学习模型190，其中每个经训练的机器学习模型190对应于训练组的不同特征组(例如来自不同传感器组的传感器数据)。例如，可能已经使用所有特征(例如X1-X5)来训练第一经训练机器学习模型，可能已经使用特征的第一子集(例如X1、X2、X4)来训练第二经训练机器学习模型，并且可能已经使用可能与特征的第一子集部分重叠的特征的第二子集(例如X1、X3、X4和X5)来训练第三经训练机器学习模型。
验证引擎184可能能够使用来自数据组生成器172的验证组的对应特征组来验证经训练的机器学习模型190。例如，可使用验证组的第一组特征来验证使用训练组的第一组特征来训练的第一经训练机器学习模型190。验证引擎184可基于验证组的对应特征组来确定经训练的机器学习模型190中的每个经训练的机器学习模型190的准确性。验证引擎184可丢弃具有不满足阈值准确度的准确度的经训练的机器学习模型190。在一些实施例中，选择引擎185可能能够选择具有满足阈值准确度的准确度的一个或多个经训练的机器学习模型190。在一些实施例中，选择引擎185可能能够选择具有经训练的机器学习模型190中的最高准确度的经训练的机器学习模型190。
测试引擎186可能能够使用来自数据组生成器172的测试组的对应特征组来测试经训练的机器学习模型190。例如，可使用测试组的第一组特征，来测试使用训练组的第一组特征来训练的第一经训练机器学习模型190。测试引擎186可基于测试组来确定在所有经训练的机器学习模型中具有最高准确度的经训练的机器学习模型190。
机器学习模型190可以指由训练引擎182使用训练组创建的模型制品，所述训练组包括数据输入和对应的目标输出(相应训练输入的正确答案)。可找到数据组中的模式，所述模式将数据输入映射到目标输出(正确答案)，并且为机器学习模型190提供捕获这些模式的映射。机器学习模型190可以使用线性回归、随机森林、神经网络(例如人工神经网络)等等中的一者或多者。
预测部件114可以将当前传感器数据162提供给经训练的机器学习模型190，并且可以对输入运行经训练的机器学习模型190以获得一个或多个输出。预测部件114可以能够从经训练的机器学习模型190的输出确定(例如提取)预测数据164，并且可以从输出确定(例如提取)置信度数据，所述置信度数据指示预测数据164对应于在当前传感器值下使用制造设备124生产或将要生产的产品的置信度水平。预测部件114或校正动作部件108可以使用置信度数据基于预测数据164来确定是否引发与制造设备124相关联的校正动作。
置信度数据可以包括或指示预测数据164对应于与当前传感器数据162相关联的产品的属性数据的置信度水平。在一个示例中，置信度是在0和1之间(包括0和1)的实数，其中0指示对于预测数据164对应于与当前传感器数据162相关联的产品的属性数据的无置信，而1指示对于预测数据164对应于与当前传感器数据162相关联的产品的属性数据的绝对置信。在一些实施例中，系统100可以使用预测系统110来确定预测数据164，而不是使用计量设备134来确定计量数据。在一些实施例中，响应于置信度数据指示低于阈值水平的置信度水平，系统100可以使计量设备134生成计量数据。响应于置信度数据指示对于预定数目的实例(例如实例的百分比、实例的频率、实例的总数等)置信度水平低于阈值水平，预测部件114可以使经训练的机器学习模型190被重新训练(例如，基于当前传感器数据162和对应于当前传感器数据162的计量数据等)。
为了说明而非限制的目的，本公开内容的各方面描述了使用聚合的传感器-计量数据158对机器学习模型的训练，以及将当前传感器数据162输入到经训练的机器学习模型中以确定预测数据164。在其他实施方式中，使用启发式模型或基于规则的模型来确定预测数据164(例如不使用经训练的机器学习模型)。预测部件114可以监控聚合的传感器-计量数据158。针对于图2的数据输入210描述的任何信息，可以在启发式模型或基于规则的模型中监控或以其他方式使用。
在一些实施例中，数据整合服务器102、客户端装置106、预测服务器112、传感器服务器122、计量服务器132、服务器机器170和服务器机器180的功能可以由更少数量的机器来提供。例如，在一些实施例中，服务器机器170和180可以被整合到单个机器中，而在一些其他实施例中，服务器机器170、服务器机器180和预测服务器112可以被整合到单个机器中。在一些实施例中，传感器服务器122、计量服务器132和数据整合服务器102可以被整合到单个机器中。
通常，在一个实施例中描述的由数据整合服务器102、客户端装置106、预测服务器112、传感器服务器122、计量服务器132、服务器机器170和服务器机器180执行的功能，在其他实施例中在适当时也可以在预测服务器112上执行。另外，归因于特定部件的功能可以由一起操作的不同或多个部件来执行。例如，在一些实施例中，预测服务器112可以基于预测数据来确定校正动作。在另一个示例中，客户端装置106可以基于来自经训练的机器学习模型的输出来确定预测数据164。
另外，特定部件的功能可以由一起操作的不同或多个部件来执行。预测服务器112、服务器机器170或服务器机器180中的一者或多者可以通过适当的应用程序编程接口(API)作为提供给其他系统或装置的服务来访问。
在实施例中，“用户”可以被表示为单个个体。然而，本公开内容的其他实施例涵盖由多个用户和/或自动源控制的实体的“用户”。例如，联合为一组管理员的一组个体用户可以被视为“用户”。
尽管根据在制造设施(例如半导体制造设施)中生成聚合的传感器-计量数据158以执行校正动作来讨论本公开内容的实施例，但是实施例还可以一般地应用于聚合各类型的数据以执行动作。实施例可以一般地应用于整合不同类型的数据。例如，传感器数据可以与对应的部件故障数据进行聚合，以预测部件的寿命结束。在另一个示例中，可以将图像与对应的图像分类进行聚合，以预测图像的图像分类。
图2是根据某些实施例的示例数据组生成器272(例如图1的数据组生成器172)，用于使用聚合的传感器-计量数据258(例如图1的聚合的传感器-计量数据158)为机器学习模型(例如图1的模型190)创建数据组。图2的系统200示出了数据组生成器272、数据输入210和目标输出220。
在一些实施例中，数据组生成器272生成数据组(例如训练组、验证组、测试组)，所述数据组包括一个或多个数据输入210(例如训练输入、验证输入、测试输入)和对应于数据输入210的一个或多个目标输出220。数据组还可以包括将数据输入210映射到目标输出220的映射数据。数据输入210也可以称为“特征”、“属性”或“信息”。在一些实施例中，数据组生成器272可将数据组提供给训练引擎182、验证引擎184或测试引擎186，其中数据组用于训练、验证或测试机器学习模型190。可以针对图5进一步描述生成训练组的一些实施例。
在一些实施例中，数据组生成器272接收聚合的传感器-计量数据258，并基于聚合的传感器-计量数据258生成数据输入210(例如，传感器数据242)和目标输出220(例如，计量数据250)。数据组生成器272可以基于聚合的传感器-计量数据258来确定从每组传感器数据242到每组计量数据250的映射。例如，对于聚合的传感器-计量数据组258中的每个聚合的传感器-计量数据组258，数据组生成器272可以以数据结构(例如表格格式)接收对应的聚合的传感器-计量数据组258、从数据结构中提取对应的传感器组以在数据输入210中使用，从数据结构中提取对应的计量数据组250以在目标输出220中使用，并保持对应的传感器数据242对对应的计量数据250(例如来自相同的数据结构)的映射。
在一些实施例中，数据输入210可包括用于传感器数据242(例如图1的传感器数据142)的一组或多组特征212A。传感器数据242的每个实例可以包括来自一种或多种类型的传感器的传感器数据。目标输出220可以包括计量数据250(例如图1的计量数据150)。
在一些实施例中，数据组生成器272可生成与第一组特征212A相对应的第一数据输入以训练、验证或测试第一机器学习模型，并且数据组生成器272可以生成与第二组特征212B相对应的第二数据输入以训练、验证或测试第二机器学习模型。
在一些实施例中，数据组生成器272可以离散化数据输入210或目标输出220中的一者或多者(例如以用于回归问题的分类算法中)。数据输入210或目标输出220的离散化可以将变量的连续值转换成离散值。在一些实施例中，数据输入210的离散值指示离散制造参数以获得目标输出220(例如离散属性数据)。
用于训练、验证或测试机器学习模型的数据输入210和目标输出220可以包括针对特定设施(例如针对特定半导体制造设施)的信息。例如，传感器数据242和计量数据250可以针对相同的制造设施。
在一些实施例中，用于训练机器学习模型的信息可以来自具有特定特性的制造设施的特定类型的制造设备124，并且允许经训练的机器学习模型基于对于与共享特定群组特性的一个或多个部件相关联的当前传感器数据162的输入，来确定特定群组的制造设备124的结果。在一些实施例中，用于训练机器学习模型的信息可以针对来自两个或更多个制造设施的部件，并且可以允许经训练的机器学习模型基于来自一个制造设施的输入来确定部件的结果。
在一些实施例中，在生成数据组并使用所述数据组训练、验证或测试机器学习模型190之后，可以对机器学习模型190进行进一步的训练、验证或测试(例如图1的当前传感器数据162与当前计量数据)或调整(例如调整与机器学习模型190的输入数据相关联的权重，诸如神经网络中的链接权重)。
图3是根据某些实施例的示出用于生成预测数据364(例如图1的预测数据164)的系统300的框图。系统300可用于基于聚合的传感器-计量数据358(例如图1的聚合的传感器-计量数据158)来确定与制造设备124相关联的校正动作。
在框310处，系统300(例如图1的预测系统110)执行聚合的传感器-计量数据358(例如图1的聚合的传感器-计量数据158)的数据划分(例如经由图1的服务器机器170的数据组生成器172)，以生成训练组302、验证组304和测试组306。例如，训练组可以是聚合的传感器-计量数据358的60％，验证组可以是聚合的传感器-计量数据358的20％，并且验证组可以是聚合的传感器-计量数据358的20％。系统300可以为训练组、验证组和测试组中的每一者生成多个特征组。例如，如果聚合的传感器-计量数据358具有来自20个传感器(例如图1的传感器126)和100个产品(例如各自对应于来自20个传感器的传感器数据的晶片)的传感器数据，则第一组特征可以是传感器1-10，第二组特征可以是传感器11-20，训练组可以是产品1-60，验证组可以是产品61-80，测试组可以是产品81-100。在此示例中，训练组的第一组特征将是来自传感器1-10的对于产品1-60的传感器数据。
在框312处，系统300使用训练组302执行模型训练(例如经由图1的训练引擎182)。系统300可以使用训练组302的多组特征(例如训练组302的第一组特征、训练组302的第二组特征等)来训练多个模型。例如，系统300可训练机器学习模型，以使用训练组中的第一组特征(例如来自传感器1-10的对于产品1-60的传感器数据)来生成第一经训练机器学习模型，并使用训练组中的第二组特征(例如来自传感器11-20的对于产品1-60的传感器数据)生成第二经训练机器学习模型。在一些实施例中，第一经训练机器学习模型和第二经训练机器学习模型可以组合，以生成第三经训练机器学习模型(例如，其可以是比第一或第二经训练机器学习模型本身更好的预测器)。在一些实施例中，在比较模型中使用的特征组可以重叠(例如，第一组特征是来自传感器1-15的传感器数据，而第二组特征是传感器5-20)。在一些实施例中，可以生成数百个模型，包括具有特征的各种排列的模型和模型的组合。
在框314处，系统300使用验证组304执行模型验证(例如，经由图1的验证引擎184)。系统300可以使用验证组304的对应的一组特征来验证每个经训练模型。例如，系统300可使用验证组中的第一组特征(例如来自传感器1-10的对于产品61-80的传感器数据)来验证第一经训练机器学习模型，并使用验证组中的第二组特征(例如来自传感器11-20的对于产品61-80的传感器数据)来验证第二经训练机器学习模型。在一些实施例中，系统300可验证在框312处生成的数百个模型(例如具有特征的各种排列的模型、模型的组合等)。在框314处，系统300可确定一个或多个经训练模型中的每一个经训练模型的准确度(例如经由模型验证)，并且可以确定经训练模型中的一个或多个经训练模型是否具有满足阈值准确度的准确度。响应于确定没有一个经训练模型具有满足阈值准确度的准确度，流程返回到框312，在框312中系统300使用训练组的不同特征组执行模型训练。响应于确定经训练模型中的一个或多个经训练模型具有满足阈值准确度的准确度，流程继续到框316。系统300可丢弃具有低于阈值准确度的准确度(例如基于验证组)的经训练的机器学习模型。
在框316处，系统300执行模型选择(例如经由图1的选择引擎185)以确定满足阈值准确度的一个或多个经训练模型中的哪一个经训练模型具有最高准确度(例如所选模型308，基于框314的验证)。响应于确定满足阈值准确度的两个或更多个经训练模型具有相同的准确度，流程可返回到框312，在框312中系统300使用与进一步改进的特征组相对应的进一步改进的训练组执行模型训练，以确定具有最高准确度的经训练模型。
在框318处，系统300使用测试组306执行模型测试(例如经由图1的测试引擎186)以测试所选模型308。系统300可使用测试组中的第一组特征(例如来自传感器1-10的对于产品81-100的传感器数据)来测试第一经训练机器学习模型，以确定第一经训练机器学习模型满足阈值准确度(例如基于测试组306的第一组特征)。响应于所选模型308的准确度不满足阈值准确度(例如所选模型308过度拟合于训练组302和/或验证组304，并且不适用于其他数据组，诸如测试组306)，流程继续到框312，在框312中，系统300使用与不同特征组(例如来自不同传感器的传感器数据)相对应的不同训练组来执行模型训练(例如再训练)。响应于基于测试组306确定所选模型308具有满足阈值准确度的准确度，流程继续至框320。在至少框312中，模型可以学习聚合的传感器-计量数据358中的模式以进行预测，并且在框318中，系统300可以将模型应用于其余数据(例如测试组306)以测试预测。
在框320，系统300使用经训练的模型(例如，选择的模型308)来接收当前传感器数据362(例如图1的当前传感器数据162)，并从经训练的模型的输出中确定(例如提取)预测数据364(例如图1的预测数据164)，以执行与制造设备124相关联的校正动作。
在一些实施例中，从计量服务器(例如计量设备)接收当前计量数据(例如对应于当前传感器数据362)，并且基于当前传感器数据362和当前计量数据来重新训练模型308。
在一些实施例中，动作310-322中的一个或多个动作可以以各种顺序和/或与本文未呈现和描述的其他动作一起发生。在一些实施例中，可以不执行动作310-320中的一个或多个动作。例如，在一些实施例中，可以不执行框310的数据划分、框314的模型验证、框316的模型选择或框318的模型测试中的一者或多者。
图4A是根据某些实施例的传感器计量数据整合的方法400A的流程图。方法400A可由处理逻辑执行，所述处理逻辑可包括硬件(例如电路系统、专用逻辑、可编程逻辑、微代码、处理装置等等)、软件(诸如在处理装置、通用计算机系统或专用机器上运行的指令)、固件、微代码或其组合。在一个实施例中，方法400A可以部分地由数据整合服务器102(例如，数据整合部件104)执行。在一些实施例中，非瞬时性存储介质存储指令，所述指令在由处理装置(例如整合服务器102的处理装置)执行时使处理装置执行方法400A。
为了简化说明，将方法400A描绘和描述为一系列动作。然而，根据本公开内容的动作可以以各种顺序和/或同时发生以及与本文未呈现和描述的其他动作一起发生。此外，根据所公开的主题，并非所有图示的动作都可能被执行以实施方法400A。另外，本领域技术人员将理解并认识到，方法400A可替代地经由状态图或事件被表示为一系列相互关联的状态。
参照图4A，在框402处，处理逻辑接收传感器数据142(例如从传感器服务器122、从数据存储140)。传感器数据142可以包括多组传感器数据，其中每组传感器数据包括传感器值144和传感器数据标识符146(例如，批次_ID)。每个传感器数据标识符146可以包括传感器载体标识符(例如，FOUP ID)和时间戳(例如，与由制造设备124处理产品的时间相对应的运行日期、运行小时等)。每组传感器数据(例如，传感器数据标识符146)可以包括对应的产品标识符148。
在一些实施例中，对于每组传感器数据142，传感器服务器122可以从(例如与生产产品的制造设备124的制造工艺相关联的)传感器126接收传感器值144，并且可以从与产品的产品载体(例如FOUP)相关联的传感器标识符读取器128(例如FOUP RFID读取器)接收传感器载体标识符(例如FOUP ID)。对于每组传感器数据，传感器服务器122可以基于传感器载体标识符和时间戳生成传感器数据标识符146(例如，批次_ID)(例如，通过将传感器载体标识符的至少一部分与时间戳的至少一部分进行级联)。例如，对于FOUP ID 3044的传感器载体标识符和2018年11月14日的时间戳，传感器服务器122可以生成F3044_111418的传感器数据标识符146。连接字符可以是为软件架构选择或对于软件架构方便的任何字符，诸如“-”、“+”等。
传感器数据标识符146可以作为字段或属性被添加到传感器数据142的文件。在一些实施例中，传感器服务器122在传感器数据142的文件上存储载体标识符(例如FOUP ID)信息。在一些实施例中，传感器服务器122基于FOUP ID加上日期戳加上时间戳来自动创建唯一的传感器数据标识符146(例如，批次ID)。
在框404处，处理逻辑接收计量数据150(例如从计量服务器132、从数据存储140)。计量数据150可以包括多组计量数据，其中每组计量数据包括计量值152和计量数据标识符154。每个计量数据标识符154可以包括计量载体标识符(例如，FOUP ID)和时间戳(例如，日期、小时等，与测量计量的时间相对应)。每组计量数据(例如，计量数据标识符154)可包括对应的产品标识符156。
在一些实施例中，对于每组计量数据150，计量服务器132可以从计量设备134接收计量值152(例如与由制造设备124的制造工艺生产的产品相关联)，并且可以从与产品的产品载体(例如FOUP)相关联的计量标识符读取器136(例如FOUP RFID读取器)接收计量载体标识符(例如FOUP ID)。对于每组计量数据，计量服务器132可以基于计量载体标识符和时间戳来生成计量数据标识符154。例如，对于F3044的计量载体标识符(例如，与对应传感器数据142的传感器载体标识符相匹配)和2018年11月14日的时间戳，传感器服务器122可以生成F3044_111418的计量数据标识符154。计量数据150可以保存在具有计量数据标识符154(例如，批次_ID)和附加上下文信息(例如产品标识符156等)的计量文件中。
在一些实施例中，相同的产品载体(例如，FOUP)可以与传感器系统120(例如处理晶片)和计量系统130(例如测量晶片)中的相同的产品相关联。对于同一产品，传感器载体标识符和计量载体标识符可以是相同的载体标识符。
在一些实施例中，计量服务器132可以确定计量值152是对应于预先测量(例如，在获得传感器值144的产品的处理之前提供的计量值152)还是后测量(例如，在获得传感器值144的产品的处理之后提供的计量值152)。计量服务器132可以在计量数据标识符154中包括指示对应的计量值152是前测量还是后测量的指示。例如，与前测量相对应的计量数据150的文件名可以包含“PRE”，而没有“PRE”的文件名可以被认为是后测量。
在一些实施例中，在第一时间点将与一组产品相对应的传感器值144(例如与相同的传感器数据标识符146和产品标识符148相对应)从传感器126提供给传感器服务器122，并在第二时间点提供对应于同一组产品的计量值152(例如，对应于相同的计量数据标识符154和产品标识符156)。在一些实施例中，第一时间点和第二时间点对应于相同的日期(例如，相同的日期戳)。在一些实施例中，第一时间点和第二时间点是匹配的对应载体标识符(例如，对于相同的FOUP ID)的最接近的时间点。在一些实施例中，对于作为前测量的计量数据150，第二时间点是匹配的对应载体标识符(例如，对于相同的FOUP ID)在第一时间点之前的最早时间点。在一些实施例中，对于作为后测量的计量数据150，第二时间点是匹配的对应载体标识符(例如，对于相同的FOUP ID)在第一时间点之后的最早时间点。
计量数据标识符154(例如，FOUP ID加时间戳)可以由计量服务器132自动生成。在一些实施例中，计量数据标识符154可以由用户输入生成。例如，计量服务器132可以从用户(例如，工艺工程师)接收访问(例如查看、存储等)计量数据组150的请求(例如，工作指令)。计量服务器132可以将计量数据组150发送到集中式数据库以供用户使用。用户可以输入计量数据标识符154(例如FOUP ID加时间戳、序列ID)作为所请求的计量数据150的创建文件名的一部分。还可以通过连接“FOUP###_日期戳”来创建用于文件名的手动输入计量数据标识符154(例如，运行于2018年11月14日的FOUP ID 3044在文件名中具有以下字符串FOUP3044_111418以及其他上下文信息)。在一些实施例中，处理逻辑(例如，经由数据整合部件104)或计量服务器132可以使用手动输入的计量数据标识符154代替自动生成的计量数据标识符154(例如，响应于计量标识符读取器136未读取计量载体标识符)或验证(例如抽查)自动生成的计量数据标识符154。
在框406处，处理逻辑确定每个对应的传感器数据标识符146和每个对应的计量数据标识符154之间的共同部分(例如，子字符串FOUP3044_111418)以识别传感器-计量匹配。在一些实施例中，处理逻辑搜索传感器服务器122和计量服务器132，并且匹配传感器服务器122和计量服务器132上的共同部分(例如，子字符串FOUP3044_111418)。
每个共同部分(例如子字符串)可以包括匹配(例如是相同的FOUP ID)的对应的传感器载体标识符和对应的计量载体标识符。每个共同部分可以包括载体匹配中最接近(例如同一天、最接近的时间点等)的对应的传感器时间戳(例如运行日期)和对应的计量时间戳。
在一些实施例中，处理逻辑识别与一组传感器数据142相对应的前测量计量数据组150和/或后测量计量数据组。为了确定与一组传感器数据142相对应的运行日期(例如传感器时间戳)的前测量计量数据，处理逻辑确定符合以下条件的所有计量数据组150(例如来自所有计量设备134的计量文件)：具有在运行日期之前预定时间量的对应时间戳(例如从运行日期回溯五天、运行日期和前五天的共同部分等等)、与载体标识符(例如，相同的FOUP ID)相匹配、与产品标识符156(例如相同的插槽编号)相匹配、并且是前测量(例如文件名中具有“PRE”)。处理逻辑可以选择具有最接近运行日期之前的对应时间戳的计量数据150作为要链接至传感器数据142的前测量计量数据。
为了确定运行日期的后测量计量数据，处理逻辑确定符合以下条件的所有计量数据组150(例如来自所有计量设备134的计量文件)：具有在运行日期之后预定时间量的对应时间戳(例如从运行日期前进五天、运行日期和随后五天的共同部分等等)、与载体标识符相匹配、与产品标识符156相匹配、并且是后测量(例如文件名中没有“PRE”)。处理逻辑可以选择具有最接近运行日期之后的对应时间戳的计量数据150作为要链接至传感器数据142的后测量计量数据。
处理逻辑可以选择一组或多组计量数据150(例如最接近的前测量计量数据和最接近的后测量计量数据)以链接到一组传感器数据142。
在一些实施例中，传感器数据142按运行(例如制造工艺)来存储。每组传感器数据142可以对应于相同的运行。传感器数据142可以包括对应的制造设备124的标识符(例如工具ID)、对应的制造工艺的标识符(例如运行ID)、时间戳(例如制造工艺的开始时间、运行开始时间，诸如2018-11-145:00:00.000)、传感器数据标识符(例如批次ID，具有时间戳的载体标识符，诸如F3044_111418)和制造工艺标识符(例如配方)。表1中显示了传感器数据142的示例数据结构(例如表格)。
表1
Figure BDA0003218265230000231
在一些实施例中，计量数据150存储在文件中，所述文件包括文件标识符(例如文件ID)、文件名和计量工艺(例如电介质测量、椭圆偏振法等)。文件名可以包括载体标识符(例如F3044)、时间戳(例如111418)或时间范围(例如111418-11.15.18)、以及产品标识符156(例如指示插槽号，诸如“_s1”)。表2中显示了计量数据的示例数据结构(例如表格)。
表2
Figure BDA0003218265230000232
Figure BDA0003218265230000241
处理逻辑可以从传感器服务器122接收传感器数据142，并从计量服务器132(例如，共享文件夹)接收计量数据150(例如，计量文件数据)。处理逻辑可以识别传感器数据142与计量数据150之间的共同属性(例如载体标识符、时间戳、部分、子字符串等等)。由于插槽的完整性(例如产品在制造工艺和计量工艺中的顺序相同)，处理逻辑可能够通过传感器数据142的顺序来识别与计量数据150的产品标识符156相对应的传感器数据142(例如，传感器数据142的第一时间戳对应于第一产品标识符156)。处理逻辑可以通过将文件标识符、制造设备的标识符和制造工艺标识符相关联来提供计量数据150(例如计量文件)与传感器数据142(例如运行数据)之间的链接。处理逻辑可以提供GUI以显示链接信息。表3显示了传感器数据142和计量数据150之间的链接的示例数据结构(例如，表格)。
表3
文件ID 工具ID 运行ID
文件2 工具A 运行1
文件4 工具A 运行3
文件1 工具B 运行2
文件3 工具B 运行4
文件5 工具B 运行5
表3显示插槽2中的产品是由工具A在5:00时处理的，插槽4中的产品是由工具A在5:10时处理的，插槽1中的产品是由工具B在5:00时处理的，插槽3中的产品是由工具B在5:10时处理的，插槽5中的产品是由工具B在5:20进行处理的。处理逻辑可以生成聚合的传感器-计量数据158，聚合的传感器-计量数据158包括传感器数据142、计量数据150以及共同属性的指示(例如，与表3中的链接属性相似或不同)。
在框408处，对于传感器-计量匹配中的每个传感器-计量匹配，处理逻辑生成对应的聚合的传感器-计量数据组158(例如，聚合的传感器-计量数据结构或数据表)。每个聚合的传感器-计量数据组158可以包括(例如整合的、聚合的、链接的等等)与对应的传感器数据标识符146相对应的相应的传感器数据组以及与对应的计量数据标识符154相对应的相应的计量数据组。例如，聚合的传感器-计量数据结构可以包括传感器值144(例如，传感器_1至传感器_N)、产品标识符148(例如，晶片_ID)、传感器载体标识符(例如，FOUP_ID)、传感器时间戳(例如，日期戳，计量值152(例如厚度、折射率(RI)、介电常数(k)等)，产品标识符156(例如晶片ID)、计量载体标识符(例如FOUP_ID)和计量时间戳(例如日期戳)，其中产品标识符148和产品标识符156相匹配，传感器载体标识符和计量载体标识符相匹配，并且传感器时间戳和计量时间戳相匹配。
处理逻辑可以将产品标识符156(例如，晶片_ID)作为共同字段或属性与文件连接或链接。
在框410处，处理逻辑存储聚合的传感器-计量数据组158(例如在数据存储140中、在数据库仓库中、在技术数据仓库中等)。聚合的传感器-计量数据组158中的每一个聚合的传感器-计量数据组158可以被存储在对应的数据结构中(例如，在对应的表格中、在对应的文件中等)。
在一些实施例中，聚合的传感器-计量数据158被存储在数据库中，将基于传感器数据或计量数据对所述数据库进行搜索以确定最佳制造参数(例如，与所搜索的计量数据相对应的传感器数据)或最佳产品属性数据(例如，与所搜索的传感器数据相对应的计量数据)。
在一些实施例中，聚合的传感器-计量数据158(例如，标记的数据)被存储以训练机器学习模型190(例如，监督式机器学习)以生成经训练的机器学习模型。经训练的机器学习模型可能能够生成一个或多个输出(例如人工智能(AI)应用，诸如基于当前传感器数据162的输入来生成预测数据164)，以用于执行与制造设备124相关联的校正动作。预测数据164可以在不使用计量系统130的情况下预测异常值(例如产品中的缺陷、规格之外的产品等)。校正动作可以包括以下各项中的一项或多项：使GUI显示警报、中断制造设备的操作(例如，停止制造设备124、停止制造设备124的一部分、不在制造设备124上执行制造工艺等)、或引起对制造设备124的制造参数的更新。
在一些实施例中，聚合的传感器-计量数据158作为编目数据存储在集中位置(例如数据存储140)中以供将来使用。常规上，传感器值和计量值存储在不同的位置(例如，在用户的膝上型计算机上等等)。可能有数百个传感器(例如超过500个)，所以随着时间的推移，传感器值会占用大量存储容量(例如，在用户的膝上型计算机上)，并且最终可能会被丢弃。方法400A可以用于在长时间段(例如，数月、数年)中生成和存储聚合的传感器-计量数据158，以用于以后的分析(例如，生成预测性数据、预测对制造参数的更新以满足目标属性数据、预测部件故障、改进工艺和设备、执行历史分析等)。
处理逻辑可以在没有手动地将传感器值144和计量值152相关联的用户输入的情况下生成聚合的传感器-计量数据组158。处理逻辑可以在不使用OCR系统的情况下生成聚合的传感器-计量数据组158。传感器服务器122可以在没有手动用户输入并且不使用OCR系统的情况下生成传感器数据142。计量系统130可以在没有手动用户输入并且不使用OCR系统的情况下生成计量数据130。
在一些实施例中，每个产品载体具有承载产品(例如晶片)的多个插槽，并且当产品由制造设备124处理(例如在腔室上)并被送由计量设备134进行计量测量(例如，将由制造设备124处理的第一产品是将由计量设备134测量的第一产品)时，可以保持插槽的完整性(例如插槽中的产品的顺序)。
图4B是根据某些实施例的传感器计量数据整合的框图400B。框图400B的部分可以与图4A的方法400A的框相似或相同。
框图400B可以包括传感器服务器422(例如，FSS、图1的传感器服务器420)、工具/处理系统420(例如图1的传感器系统120)、计量系统430(例如图1的计量系统130)、技术数据仓库(TDW)440(例如图1的数据存储140)和数据存储450。工具/处理系统420可以包括制造设备424(例如图1的制造设备124)、传感器426(例如图1的传感器126)和FOUP RFID读取器428(例如，图1的传感器标识符读取器128)。计量系统430可以包括计量设备434(例如，图1的计量设备134)和FOUP RFID读取器436(例如，图1的计量标识符读取器136)。
传感器服务器422可以从工具/处理系统420接收传感器值142和传感器数据标识符146，以生成传感器数据442(例如，图1的传感器数据142)。计量服务器432(例如，计量文件夹，诸如Appslab)可以从计量系统130接收计量值152和计量数据标识符154，以生成计量数据450(例如，图1的计量数据150)。
数据整合服务器102(例如，经由数据整合部件104)可以接收传感器数据442(例如，参见框402)和计量数据450(例如，参见框404)。在一些实施例中，数据整合服务器102可以从用户数据存储450接收FOUP ID和日期戳的用户输入452(例如，手动输入的)。用户输入452可以包括手工输入计量数据标识符154。数据整合服务器102可以将从计量服务器432接收的计量数据450与用户输入452进行比较，以验证计量数据450的准确性(例如抽查)。
数据整合服务器102可以匹配共同部分(例如，子字符串“FOUP####_日期戳”)(例如，参见框406)。数据整合服务器102可以基于共同部分链接/加入文件于数据结构(例如，数据表)中(例如，框408)，并且数据整合服务器102可以将链接的数据作为聚合的传感器-计量数据458(例如图1的聚合的传感器-计量数据158)存储在TDW 440中。
图5是根据某些实施例的用于生成用于机器学习模型的数据组(例如图1的预测数据164)以预测计量数据的方法500的流程图。方法500可由处理逻辑执行，所述处理逻辑可包括硬件(例如电路系统、专用逻辑、可编程逻辑、微代码、处理装置等等)、软件(诸如在处理装置、通用计算机系统或专用机器上运行)、固件、微代码或其组合。在一些实施例中，方法500可以部分地由预测系统110(例如服务器机器170、数据组生成器172等)执行。根据本公开内容的实施例，预测系统110可使用方法500来进行训练、验证或测试机器学习模型中的至少一者。在一些实施例中，方法500的一个或多个操作可由服务器机器170的数据组生成器172执行，如针对图1和图2所描述的。可以注意的是，参照图1与图2描述的部件可用于说明图6的各方面。在一些实施例中，非瞬时性存储介质存储指令，所述指令在由处理装置(例如预测系统110的处理装置)执行时使处理装置执行方法500。
为了简化说明，将方法500描绘和描述为一系列动作。然而，根据本公开内容的动作可以以各种顺序和/或同时发生以及与本文未呈现和描述的其他动作一起发生。此外，根据所公开的主题，并非所有图示的动作都可能被执行以实施方法500。另外，本领域技术人员将理解并认识到，方法500可替代地经由状态图或事件被表示为一系列相互关联的状态。
参照图5，在一些实施例中，在框502处，处理逻辑实施方法500将训练组T初始化为空组。
在框504处，处理逻辑生成包括传感器数据(例如，图1的传感器数据142、图2的传感器数据242)的第一数据输入(例如，第一训练输入、第一验证输入)。在一些实施例中，第一数据输入可以包括对于各类型的传感器数据的第一组特征，并且第二数据输入可以包括对于各类型的传感器数据的第二组特征(例如，如针对图2所描述的)。处理逻辑可以基于聚合的传感器-计量数据158来生成数据输入(例如，从聚合的传感器-计量数据158的数据结构或表格中提取传感器数据142)。
在框506处，处理逻辑针对数据输入中的一个或多个数据输入(例如，第一数据输入)生成第一目标输出。第一目标输出可以是对应的计量数据(例如图1的计量数据150、图2的计量数据250、图3的计量数据250)。处理逻辑可以基于聚合的传感器-计量数据158来生成目标输出(例如，从聚合的传感器-计量数据158的相同数据结构或表格中提取计量数据150，数据输入的传感器数据是从所述数据结构或表格中提取的)。
在框508处，处理逻辑可选地生成指示输入/输出映射的映射数据。输入/输出映射(或映射数据)可以指数据输入(例如本文所述的数据输入中的一个或多个)、对于数据输入的目标输出(例如其中目标输出标识计量数据150)、以及(多个)数据输入与目标输出之间的关联。映射数据可以基于共同数据结构或聚合的传感器-计量数据158的表格，从所述数据结构或表格中提取数据输入和目标输出。
在框510处，处理逻辑将在框510处生成的映射数据添加到数据组T。
在框512处，处理逻辑基于数据组T是否足以进行训练、验证或测试机器学习模型190中的至少一者来分支。如果是，则执行前进到框514，否则执行回到框504继续。应当注意，在一些实施例中，可以简单地基于数据组中的输入/输出映射的数量来确定数据组T的充分性，而在一些其他实施方式中，除了输入/输出映射的数量之外或代替输入/输出映射的数量，可以基于一个或多个其他标准(例如对数据示例多样性的测量、准确度等)来确定数据组T的充分性。
在框514处，处理逻辑提供数据组T(例如，提供给服务器机器180)以训练、验证和/或测试机器学习模型190。在一些实施例中，数据组T是训练组，并且被提供给服务器机器180的训练引擎182以执行训练。在一些实施例中，数据组T是验证组，并且被提供给服务器机器180的验证引擎184以执行验证。在一些实施例中，数据组T是测试组，并且被提供给服务器机器180的测试引擎184以执行测试。在神经网络的情况下，例如，给定输入/输出映射的输入值(例如与数据输入210相关联的数值)被输入到神经网络，并且输入/输出映射的输出值(例如与目标输出220相关联的数值)被存储在神经网络的输出节点中。然后，根据学习算法(例如反向传播等)调整神经网络中的连接权重，并对数据组T中的其他输入/输出映射重复所述过程。在框514之后，机器学习模型(例如机器学习模型190)可以是以下各项至少一项：使用服务器机器180的训练引擎182进行训练的、使用服务器机器180的验证引擎184进行验证的、或使用服务器机器180的测试引擎186进行测试的。经训练的机器学习模型可以由(预测服务器112的)预测部件114实施，以生成用于执行与制造设备124相关联的校正动作的预测数据164。
图6是根据某些实施例的示出计算机系统600的框图。在一些实施例中，计算机系统600可以(例如经由诸如局域网(LAN)、内联网、外联网或因特网之类的网络)连接到其他计算机系统。计算机系统600可在客户端-服务器环境中以服务器或客户端计算机的能力来操作，或者在对等或分布式网络环境中作为对等计算机来操作。计算机系统600可由个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络电器、服务器、网络路由器、交换机或网桥、或能够执行指定将由装置采取的动作的一组指令(顺序的或以其他方式)的任何装置提供。此外，术语“计算机”应包括单独地或共同地执行一组(或多组)指令以执行本文所述的任何一个或多个方法的计算机的任何集合。
在另一方面中，计算机系统600可包括处理装置602、易失性存储器604(例如随机存取存储器(RAM))、非易失性存储器606(例如只读存储器(ROM)或电可擦除可编程ROM(EEPROM)和数据存储装置616，这些部件可以经由总线608彼此通信。
处理装置602可以由一个或多个处理器提供，所述处理器诸如通用处理器(诸如例如，复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、非常长的指令字(VLIW)微处理器、实施其他类型指令集的微处理器或实施各类型指令集的组合的微处理器)或专用处理器(诸如例如，专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或网络处理器)。
计算机系统600可以进一步包括网络接口装置622。计算机系统600还可以包括视频显示单元610(例如LCD)、字母数字输入设备612(例如键盘)、光标控制装置614(例如鼠标)、以及信号生成装置620。
在一些实施方式中，数据存储装置616可包括非瞬时性计算机可读存储介质624，在非瞬时性计算机可读存储介质624上可以存储对本文所述的方法或功能中的任何一个或多个进行编码的指令626，包括编码图1的部件(例如数据整合部件104、校正动作部件108、预测部件114等)并用于实施本文所述方法的指令。
在计算机系统600执行指令626期间，指令626还可以全部或部分地驻留在易失性存储器604内和/或处理装置602内，因此，易失性存储器604和处理装置602也可以构成机器可读存储介质。
虽然计算机可读介质624在说明性示例中示出为单个介质，但术语“计算机可读存储介质”应包括存储一组或多组可执行指令的单个介质或多个介质(例如集中式或分布式数据库，和/或相关联的高速缓存与服务器)。术语“计算机可读存储介质”还应包括能够存储或编码用于由计算机执行的指令组的任何有形介质，所述指令组使计算机执行本文描述的方法中的任何一个或多个方法。术语“计算机可读存储介质”应包括但不限于固态存储器、光学介质和磁性介质。
本文描述的方法、部件和特征可以由分立的硬件部件实施，或者可以整合在其他硬件部件(诸如ASIC、FPGA、DSP或类似装置)的功能中。另外，方法、部件和特征可以由硬件装置内的固件模块或功能电路系统来实施。此外，方法、部件和特征可以以硬件装置和计算机程序部件的任何组合或以计算机程序来实施。
除非另有明确说明，否则诸如“接收”、“确定”、“生成”、“存储”、“引起”、“训练”、“中断”、“选择”、“提供”、“显示”等术语是指由计算机系统执行或实施的动作和过程，所述计算机系统将表示为计算机系统寄存器和存储器内的物理(电子)量的数据操纵和变换成类似地表示为计算机系统存储器或寄存器或其他此类信息存储、传输或显示装置内的物理量的其他数据。另外，本文所用的术语“第一”、“第二”、“第三”、“第四”等意在作为区分不同要素的标签，并且可能不具有根据其数字名称的序数含义。
本文描述的示例还涉及用于执行本文描述的方法的设备。此设备可以被特别构造为用于执行本文描述的方法，或者所述设备可以包括由存储在计算机系统中的计算机程序选择性地编程的通用计算机系统。这种计算机程序可以被存储在计算机可读的有形存储介质中。
本文所述的方法和说明性示例并非固有地与任何特定计算机或其他装置相关。可以根据本文描述的教示来使用各种通用系统，或者可以证明构造更专用的装置来执行本文描述的方法和/或它们各自的功能、例程、子例程或操作中的每一者是便利的。在上面的描述中阐述了用于各种这些系统的结构的示例。
上面的描述旨在是说明性的，而不是限制性的。尽管已经参考特定的说明性示例和实施方式描述了本公开内容，但是将认识到，本公开内容不限于所描述的示例和实施方式。因此，公开内容的范围应参照以下权利要求以及这些权利要求所享有的等效物的全部范围来确定。

Claims (15)

1.一种方法，包括：
接收多个传感器数据组，其中每组传感器数据包括与由制造设备生产对应产品相关联的对应的传感器值以及对应的传感器数据标识符；
接收多个计量数据组，其中每组计量数据包括与由所述制造设备制造的所述对应产品相关联的对应的计量值以及对应的计量数据标识符；
确定每个对应的传感器数据标识符与每个对应的计量数据标识符之间的共同部分，以识别传感器-计量匹配；
对于所述传感器-计量匹配中的每个传感器-计量匹配，生成对应的聚合的传感器-计量数据组，所述对应的聚合的传感器-计量数据组包括与所述对应的传感器数据标识符相对应的相应的传感器数据组以及与所述对应的计量数据标识符相对应的相应的计量数据组，以生成多个聚合的传感器-计量数据组；以及
存储所述多个聚合的传感器-计量数据组以训练机器学习模型，以提供经训练的机器学习模型，其中所述经训练的机器学习模型能够生成一个或多个输出以用于执行与所述制造设备相关联的校正动作。
2.如权利要求1所述的方法，其中，对于所述多个传感器数据组中的每组传感器数据，所述对应的传感器数据标识符包括对应的传感器载体标识符和对应的传感器时间戳，并且其中，对于所述多个计量数据组中的每组计量数据，所述对应的计量数据标识符包括对应的计量载体标识符和对应的计量时间戳。
3.如权利要求2所述的方法，其中所述共同部分中的每个共同部分包括：
匹配的所述对应的传感器载体标识符和所述对应的计量载体标识符；以及
多个载体匹配中最接近的所述对应的传感器时间戳和所述对应的计量时间戳。
4.如权利要求3所述的方法，其中，对于所述多个传感器数据组中的每组传感器数据，所述对应的传感器数据标识符进一步包括对应的产品标识符，并且其中，对于所述多个计量数据组中的每组计量数据，所述对应的计量数据标识符进一步包括所述对应的产品标识符，其中所述传感器-计量匹配中的每个传感器-计量匹配包括匹配的产品标识符。
5.如权利要求1所述的方法，其中所述多个聚合的传感器-计量数据组中的每组聚合的传感器-计量数据被存储为表格。
6.如权利要求1所述的方法，其中所述多个计量数据组对应于产品的历史属性数据，并且其中所述经训练的机器学习模型的所述一个或多个输出包括预测的属性数据。
7.如权利要求1所述的方法，其中所述校正动作包括以下各项中的一项或多项：
使图形用户界面显示警报；
中断所述制造设备的操作；或
引起对所述制造设备的制造参数的更新。
8.一种系统，包括：
存储器；以及
处理装置，所述处理装置耦接至所述存储器以：
接收多个传感器数据组，其中每组传感器数据包括与由制造设备生产对应产品相关联的对应的传感器值以及对应的传感器数据标识符；
接收多个计量数据组，其中每组计量数据包括与由所述制造设备制造的所述对应产品相关联的对应的计量值以及对应的计量数据标识符；
确定每个对应的传感器数据标识符与每个对应的计量数据标识符之间的共同部分，以识别传感器-计量匹配；
对于所述传感器-计量匹配中的每个传感器-计量匹配，生成对应的聚合的传感器-计量数据组，所述对应的聚合的传感器-计量数据组包括与所述对应的传感器数据标识符相对应的相应的传感器数据组以及与所述对应的计量数据标识符相对应的相应的计量数据组，以生成多个聚合的传感器-计量数据组；以及
存储所述多个聚合的传感器-计量数据组以训练机器学习模型，以提供经训练的机器学习模型，其中所述经训练的机器学习模型能够生成一个或多个输出以用于执行与所述制造设备相关联的校正动作。
9.如权利要求8所述的系统，其中，对于所述多个传感器数据组中的每组传感器数据，所述对应的传感器数据标识符包括对应的传感器载体标识符和对应的传感器时间戳，并且其中，对于所述多个计量数据组中的每组计量数据，所述对应的计量数据标识符包括对应的计量载体标识符和对应的计量时间戳。
10.如权利要求9所述的系统，其中所述共同部分中的每个共同部分包括：
匹配的所述对应的传感器载体标识符和所述对应的计量载体标识符；以及
多个载体匹配中最接近的所述对应的传感器时间戳和所述对应的计量时间戳。
11.如权利要求10所述的系统，其中，对于所述多个传感器数据组中的每组传感器数据，所述对应的传感器数据标识符进一步包括对应的产品标识符，并且其中，对于所述多个计量数据组中的每组计量数据，所述对应的计量数据标识符进一步包括所述对应的产品标识符，其中所述传感器-计量匹配中的每个传感器-计量匹配包括匹配的产品标识符。
12.一种非瞬时性计算机可读介质，在所述非瞬时性计算机可读介质上存储有指令，所述指令在由处理装置执行时使所述处理装置：
接收多个传感器数据组，其中每组传感器数据包括与由制造设备生产对应产品相关联的对应的传感器值以及对应的传感器数据标识符；
接收多个计量数据组，其中每组计量数据包括与由所述制造设备制造的所述对应产品相关联的对应的计量值以及对应的计量数据标识符；
确定每个对应的传感器数据标识符与每个对应的计量数据标识符之间的共同部分，以识别传感器-计量匹配；
对于所述传感器-计量匹配中的每个传感器-计量匹配，生成对应的聚合的传感器-计量数据组，所述对应的聚合的传感器-计量数据组包括与所述对应的传感器数据标识符相对应的相应的传感器数据组以及与所述对应的计量数据标识符相对应的相应的计量数据组，以生成多个聚合的传感器-计量数据组；以及
存储所述多个聚合的传感器-计量数据组以训练机器学习模型，以提供经训练的机器学习模型，其中所述经训练的机器学习模型能够生成一个或多个输出以用于执行与所述制造设备相关联的校正动作。
13.如权利要求12所述的非瞬时性计算机可读介质，其中，对于所述多个传感器数据组中的每组传感器数据，所述对应的传感器数据标识符包括对应的传感器载体标识符和对应的传感器时间戳，并且其中，对于所述多个计量数据组中的每组计量数据，所述对应的计量数据标识符包括对应的计量载体标识符和对应的计量时间戳。
14.如权利要求13所述的非瞬时性计算机可读介质，其中所述共同部分中的每个共同部分包括：
匹配的所述对应的传感器载体标识符和所述对应的计量载体标识符；以及
多个载体匹配中最接近的所述对应的传感器时间戳和所述对应的计量时间戳。
15.如权利要求14所述的非瞬时性计算机可读介质，其中，对于所述多个传感器数据组中的每组传感器数据，所述对应的传感器数据标识符进一步包括对应的产品标识符，并且其中，对于所述多个计量数据组中的每组计量数据，所述对应的计量数据标识符进一步包括所述对应的产品标识符，其中所述传感器-计量匹配中的每个传感器-计量匹配包括匹配的产品标识符。
CN202080015312.3A 2019-02-19 2020-02-18 传感器计量数据整合 Active CN113454552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410237426.2A CN118131709A (zh) 2019-02-19 2020-02-18 传感器计量数据整合

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962807619P 2019-02-19 2019-02-19
US62/807,619 2019-02-19
US16/791,081 US11592812B2 (en) 2019-02-19 2020-02-14 Sensor metrology data integration
US16/791,081 2020-02-14
PCT/US2020/018673 WO2020172186A1 (en) 2019-02-19 2020-02-18 Sensor metrology data integration

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202410237426.2A Division CN118131709A (zh) 2019-02-19 2020-02-18 传感器计量数据整合

Publications (2)

Publication Number Publication Date
CN113454552A true CN113454552A (zh) 2021-09-28
CN113454552B CN113454552B (zh) 2024-03-12

Family

ID=72043419

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202080015312.3A Active CN113454552B (zh) 2019-02-19 2020-02-18 传感器计量数据整合
CN202410237426.2A Pending CN118131709A (zh) 2019-02-19 2020-02-18 传感器计量数据整合

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202410237426.2A Pending CN118131709A (zh) 2019-02-19 2020-02-18 传感器计量数据整合

Country Status (7)

Country Link
US (2) US11592812B2 (zh)
JP (2) JP7471312B2 (zh)
KR (2) KR20230169475A (zh)
CN (2) CN113454552B (zh)
SG (1) SG11202108577UA (zh)
TW (2) TWI818153B (zh)
WO (1) WO2020172186A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115314995A (zh) * 2022-08-08 2022-11-08 深圳市海曼科技股份有限公司 一种无线级联消防定位方法、装置、电子设备及存储介质
CN117234170A (zh) * 2023-11-16 2023-12-15 中钢集团武汉安全环保研究院有限公司 一种钢铁关键工艺参数监测管理方法和装置

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9606519B2 (en) * 2013-10-14 2017-03-28 Applied Materials, Inc. Matching process controllers for improved matching of process
US11940488B2 (en) 2017-01-05 2024-03-26 Xcalipr Corporation Systems and methods for high precision optical characterization of carrier transport properties in semiconductor manufacturing
US11592812B2 (en) * 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
US20220066411A1 (en) * 2020-08-31 2022-03-03 Applied Materials, Inc. Detecting and correcting substrate process drift using machine learning
US11375582B2 (en) * 2020-10-16 2022-06-28 Verizon Patent And Licensing Inc. Systems and methods for scalable edge-based microcontrollers
CN112364561B (zh) * 2020-10-26 2022-07-26 上海感探号信息科技有限公司 控车动作修正方法、装置、电子设备和存储介质
TWI777317B (zh) 2020-11-30 2022-09-11 智慧貼紙股份有限公司 多點量測系統及其方法
US11853042B2 (en) 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration
US11961030B2 (en) * 2022-01-27 2024-04-16 Applied Materials, Inc. Diagnostic tool to tool matching methods for manufacturing equipment
US20240012399A1 (en) * 2022-07-08 2024-01-11 The Boeing Company Property Prediction For Unconsolidated Composite Materials
US11731317B1 (en) * 2022-07-08 2023-08-22 The Boeing Company System and method for material manufacturing based on predicted properties of unconsolidated composite material
JP7274655B1 (ja) 2022-09-09 2023-05-16 Dmg森精機株式会社 携帯端末および計測管理プログラム
WO2024166508A1 (ja) * 2023-02-06 2024-08-15 パナソニックＩｐマネジメント株式会社 情報処理方法、および、情報処理装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6751518B1 (en) * 2002-04-29 2004-06-15 Advanced Micro Devices, Inc. Dynamic process state adjustment of a processing tool to reduce non-uniformity
CN104883382A (zh) * 2014-02-27 2015-09-02 哈曼国际工业有限公司 数据聚合与递送
CN105579993A (zh) * 2013-07-11 2016-05-11 纽拉公司 用于物联网集成平台的数据整合机制
CN106537383A (zh) * 2014-08-14 2017-03-22 迈克菲股份有限公司 动态特征集管理
US20170091617A1 (en) * 2015-09-29 2017-03-30 International Business Machines Corporation Incident prediction and response using deep learning techniques and multimodal data
CN107506364A (zh) * 2016-06-14 2017-12-22 富士施乐株式会社 数据处理系统和数据处理方法
CN107924388A (zh) * 2015-09-25 2018-04-17 英特尔公司 通用传感器和/或用于提供检测模式的传感器集群
CN107996024A (zh) * 2015-09-09 2018-05-04 英特尔公司 独立的应用安全管理

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06301690A (ja) * 1993-04-13 1994-10-28 Hitachi Ltd 製造ライン及び該製造ラインにおける条件設定方法
IT1272036B (it) * 1993-11-05 1997-06-11 Marelli Autronica Sistema di registraziome per una linea di produzione.
US7401066B2 (en) 2002-03-21 2008-07-15 Applied Materials, Inc. Correlation of end-of-line data mining with process tool data mining
US6773931B2 (en) 2002-07-29 2004-08-10 Advanced Micro Devices, Inc. Dynamic targeting for a process control system
US6834213B1 (en) * 2003-01-06 2004-12-21 Advanced Micro Devices, Inc. Process control based upon a metrology delay
US7277824B1 (en) * 2005-07-13 2007-10-02 Advanced Micro Devices, Inc. Method and apparatus for classifying faults based on wafer state data and sensor tool trace data
US7359759B2 (en) 2005-10-31 2008-04-15 Taiwan Semiconductor Manufacturing Company Method and system for virtual metrology in semiconductor manufacturing
US7765020B2 (en) 2007-05-04 2010-07-27 Applied Materials, Inc. Graphical user interface for presenting multivariate fault contributions
CN101621016B (zh) 2008-07-02 2011-10-05 中芯国际集成电路制造(上海)有限公司 在制造集成电路中用于缺陷检测的方法和系统
US9915940B2 (en) * 2011-10-31 2018-03-13 Applied Materials, Llc Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data
KR101754721B1 (ko) * 2012-03-18 2017-07-06 매뉴팩추링 시스템 인사이츠 (인디아) 피브이티. 엘티디. 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법
US20140149296A1 (en) 2012-11-29 2014-05-29 Applied Materials, Inc. Enhanced preventative maintenance utilizing direct part marking
US20160342147A1 (en) 2015-05-19 2016-11-24 Applied Materials, Inc. Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
WO2017016839A1 (en) 2015-07-24 2017-02-02 Asml Netherlands B.V. Inspection apparatus, inspection method, lithographic apparatus and manufacturing method
CN106663169B (zh) 2015-07-24 2021-03-09 策安保安有限公司 使用无监督式机器学习和优先权算法的高速威胁情报管理的系统及方法
JP6059375B1 (ja) 2016-02-09 2017-01-11 ファナック株式会社 生産制御システムおよび統合生産制御システム
US10571899B2 (en) 2016-08-18 2020-02-25 i Smart Technologies Corporation Operating state acquisition apparatus, production management system, and production management method for manufacturing line
JP6382911B2 (ja) 2016-11-01 2018-08-29 ファナック株式会社 ワイヤ放電加工機
WO2018123116A1 (ja) 2016-12-26 2018-07-05 三菱電機株式会社 加工工程生成装置、加工工程生成方法およびプログラム
WO2018204410A1 (en) * 2017-05-04 2018-11-08 Minds Mechanical, Llc Metrology system for machine learning-based manufacturing error predictions
TWI644190B (zh) 2017-06-29 2018-12-11 台灣積體電路製造股份有限公司 製程系統與製程方法
US11477212B2 (en) * 2017-07-27 2022-10-18 Upstream Security, Ltd. System and method for connected vehicle cybersecurity
TWI647564B (zh) 2017-11-07 2019-01-11 先智雲端數據股份有限公司 用於診斷資料中心儲存設備之剩餘壽命的方法與系統
US10969773B2 (en) 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
US11037573B2 (en) * 2018-09-05 2021-06-15 Hitachi, Ltd. Management and execution of equipment maintenance
US12067485B2 (en) * 2018-09-28 2024-08-20 Applied Materials, Inc Long short-term memory anomaly detection for multi-sensor equipment monitoring
US10705514B2 (en) * 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
US10930531B2 (en) * 2018-10-09 2021-02-23 Applied Materials, Inc. Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes
US11263737B2 (en) 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment
US11592812B2 (en) 2019-02-19 2023-02-28 Applied Materials, Inc. Sensor metrology data integration
KR20210134823A (ko) 2019-03-29 2021-11-10 램 리써치 코포레이션 기판 프로세싱 시스템들을 위한 모델 기반 스케줄링
US11279032B2 (en) * 2019-04-11 2022-03-22 Applied Materials, Inc. Apparatus, systems, and methods for improved joint coordinate teaching accuracy of robots
US11610076B2 (en) * 2019-08-07 2023-03-21 Applied Materials, Inc. Automatic and adaptive fault detection and classification limits
US20210088867A1 (en) * 2019-09-20 2021-03-25 Kinestral Technologies, Inc. Quality control of an electrochromic device
US11513504B2 (en) * 2019-10-18 2022-11-29 Applied Materials, Inc. Characterizing and monitoring electrical components of manufacturing equipment
US11749543B2 (en) * 2020-07-06 2023-09-05 Applied Materials, Inc. Chamber matching and calibration
US11371148B2 (en) * 2020-08-24 2022-06-28 Applied Materials, Inc. Fabricating a recursive flow gas distribution stack using multiple layers
US11853042B2 (en) 2021-02-17 2023-12-26 Applied Materials, Inc. Part, sensor, and metrology data integration

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6751518B1 (en) * 2002-04-29 2004-06-15 Advanced Micro Devices, Inc. Dynamic process state adjustment of a processing tool to reduce non-uniformity
CN105579993A (zh) * 2013-07-11 2016-05-11 纽拉公司 用于物联网集成平台的数据整合机制
CN104883382A (zh) * 2014-02-27 2015-09-02 哈曼国际工业有限公司 数据聚合与递送
CN106537383A (zh) * 2014-08-14 2017-03-22 迈克菲股份有限公司 动态特征集管理
CN107996024A (zh) * 2015-09-09 2018-05-04 英特尔公司 独立的应用安全管理
CN107924388A (zh) * 2015-09-25 2018-04-17 英特尔公司 通用传感器和/或用于提供检测模式的传感器集群
US20170091617A1 (en) * 2015-09-29 2017-03-30 International Business Machines Corporation Incident prediction and response using deep learning techniques and multimodal data
CN107506364A (zh) * 2016-06-14 2017-12-22 富士施乐株式会社 数据处理系统和数据处理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115314995A (zh) * 2022-08-08 2022-11-08 深圳市海曼科技股份有限公司 一种无线级联消防定位方法、装置、电子设备及存储介质
CN115314995B (zh) * 2022-08-08 2023-08-04 深圳市海曼科技股份有限公司 一种无线级联消防定位方法、装置、电子设备及存储介质
CN117234170A (zh) * 2023-11-16 2023-12-15 中钢集团武汉安全环保研究院有限公司 一种钢铁关键工艺参数监测管理方法和装置
CN117234170B (zh) * 2023-11-16 2024-01-12 中钢集团武汉安全环保研究院有限公司 一种钢铁关键工艺参数监测管理方法和装置

Also Published As

Publication number Publication date
CN118131709A (zh) 2024-06-04
KR20230169475A (ko) 2023-12-15
US20200264335A1 (en) 2020-08-20
KR102611824B1 (ko) 2023-12-07
KR20210118243A (ko) 2021-09-29
JP7471312B2 (ja) 2024-04-19
TW202040500A (zh) 2020-11-01
US11592812B2 (en) 2023-02-28
US20230205196A1 (en) 2023-06-29
JP2022520247A (ja) 2022-03-29
TWI818153B (zh) 2023-10-11
WO2020172186A1 (en) 2020-08-27
JP2024059663A (ja) 2024-05-01
TW202403658A (zh) 2024-01-16
SG11202108577UA (en) 2021-09-29
CN113454552B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN113454552B (zh) 传感器计量数据整合
US11610076B2 (en) Automatic and adaptive fault detection and classification limits
US11862493B2 (en) Correcting component failures in ion implant semiconductor manufacturing tool
US11853042B2 (en) Part, sensor, and metrology data integration
JP2020500420A (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
US10444746B2 (en) Method for managing subsystems of a process plant using a distributed control system
TWI831893B (zh) 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體
CN117897712A (zh) 晶片上的降维
US8682817B1 (en) Product testing process using diploid evolutionary method
US20240144464A1 (en) Classification of defect patterns of substrates
US20240289691A1 (en) Machine learning model improvement measure presenting apparatus
TW202409764A (zh) 用於基板處理設備的多維感測器資料的整體分析
TW202424831A (zh) 在使用機器學習的製造系統處的裝備參數管理
TW202334771A (zh) 與值無關的情況的識別和匹配
TW202349153A (zh) 用於判定處理設備效能的綜合分析模組
CN118076932A (zh) 用于改善制造设备的维护质量的校验
KR20240129204A (ko) 처리 챔버 교정

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