CN113474868A - 用于远程等离子体源的维护 - Google Patents
用于远程等离子体源的维护 Download PDFInfo
- Publication number
- CN113474868A CN113474868A CN202080014377.6A CN202080014377A CN113474868A CN 113474868 A CN113474868 A CN 113474868A CN 202080014377 A CN202080014377 A CN 202080014377A CN 113474868 A CN113474868 A CN 113474868A
- Authority
- CN
- China
- Prior art keywords
- remote plasma
- data
- plasma source
- remote
- additional
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000003860 storage Methods 0.000 claims description 49
- 238000013480 data collection Methods 0.000 claims description 12
- 230000003449 preventive effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 20
- 238000010168 coupling process Methods 0.000 description 17
- 230000008878 coupling Effects 0.000 description 16
- 238000005859 coupling reaction Methods 0.000 description 16
- 239000007789 gas Substances 0.000 description 12
- 239000000463 material Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008439 repair process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 230000001939 inductive effect Effects 0.000 description 5
- 150000002500 ions Chemical class 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 229910052731 fluorine Inorganic materials 0.000 description 3
- 239000011737 fluorine Substances 0.000 description 3
- 238000009616 inductively coupled plasma Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004544 sputter deposition Methods 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009832 plasma treatment Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 229910052815 sulfur oxide Inorganic materials 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32357—Generation remote from the workpiece, e.g. down-stream
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32431—Constructional details of the reactor
- H01J37/32798—Further details of plasma apparatus not provided for in groups H01J37/3244 - H01J37/32788; special provisions for cleaning or maintenance of the apparatus
- H01J37/32816—Pressure
- H01J37/32834—Exhausting
- H01J37/32844—Treating effluent gases
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32926—Software, data control or modelling
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/32935—Monitoring and controlling tubes by information coming from the object and/or discharge
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32917—Plasma diagnostics
- H01J37/3299—Feedback systems
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/32—Gas-filled discharge tubes
- H01J37/32009—Arrangements for generation of plasma specially adapted for examination or treatment of objects, e.g. plasma sources
- H01J37/32366—Localised processing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Plasma Technology (AREA)
- Drying Of Semiconductors (AREA)
Abstract
一种用于优化远程等离子体源维护的系统和方法,包括记录来自远程等离子体源的数据。该数据包括在一段时间内远程等离子体源的一个或多个操作特性的测量结果以及系统故障事件的多个指示。该方法可以包括:接收数据;分析数据;以及基于一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值。操作点可以包括在特定时间的一个或多个操作特性的测量结果。阈值表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度。系统提供用于对远程等离子体源执行预防性维护的通知。
Description
技术领域
本公开总体上涉及预测分析,并且更具体地涉及使用预测分析来优化远程等离子体源的维护。
背景技术
在半导体和薄膜工业中,远程等离子体源(RPS)在许多应用中用于产生远离制造半导体或薄膜器件的初级处理室的等离子体。等离子体内的多种机制会劣化RPS腔室壁的性能:例如,带正电离子的动力学轰击可能物理加热并溅射掉来自腔室壁的材料。此外,表面反应可能去除材料、添加材料、和/或改变腔室壁的化学性质。随着RPS腔室壁劣化,需要进行预防性维护以清洁或重修和/或更换腔室壁。
在当前的方法中,RPS上的预防性维护定期进行,因此它将继续提供所需的性能。移除RPS进行预防性维护有时可能导致大量费用,因此期望最大限度地延长预防性维护间隔之间的时间。但是,如果预防性维护间隔相隔太远,则劣化到需要维修的程度的风险会增加,这通常比预防性维护成本更高。当前用于对预防性维护进行定时的方法未经优化。因此,本领域需要优化预防性维护事件之间的时间的方法。
发明内容
本公开的一方面提供了一种用于优化远程等离子体源维护的系统。该系统可以包括远程等离子体源和连接到远程等离子体源并被配置为记录数据的数据采集设备。该数据可以包括在一段时间内远程等离子体源的一个或多个操作特性的测量结果以及系统故障事件的多个指示。该系统还可以包括计算设备,该计算设备被配置为从数据采集设备接收数据,分析数据,并基于一个或多个操作特性的测量结果与多个系统故障事件之间的相关性确定操作点的阈值,该操作点包括在特定时间的一个或多个操作特性的测量结果,其中阈值表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度。系统可提供用于对远程等离子体源执行预防性维护的通知。
本公开的另一方面提供了一种用于优化远程等离子体源的维护的方法。该方法可以包括记录来自远程等离子体源的数据。该数据可以包括在一段时间内远程等离子体源的一个或多个操作特性的测量结果以及系统故障事件的多个指示。该方法可以包括:接收数据;分析数据;基于一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值。操作点可以包括在特定时间的一个或多个操作特性的测量结果。该阈值可以表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度。该方法可以包括提供对远程等离子体源执行预防性维护的通知。
本公开的又一方面提供了一种非暂时的、有形的计算机可读存储介质,其编码有处理器可读指令以执行用于优化远程等离子体源的维护的方法。该方法可以包括记录来自远程等离子体源的数据。该数据可以包括在一段时间内远程等离子体源的一个或多个操作特性的测量结果以及系统故障事件的多个指示。该方法可以包括:接收数据;分析数据;以及基于一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值。操作点可以包括在特定时间的一个或多个操作特性的测量结果。该阈值可以表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度。该方法可以包括用于提供对远程等离子体源执行预防性维护的通知。
附图说明
图1是示出本公开的系统内的等离子体处理室上游的远程等离子体源的框图。
图2是示出本公开的系统内的等离子体处理室下游的远程等离子体源的框图。
图3A描绘了根据本公开的包括用于创建预测分析的操作特性的数据。
图3B描绘了衡量参数的原始和过滤数据,该参数相对于阈值和系统故障事件随时间增加。
图3C描绘了衡量参数的原始和过滤数据,该参数相对于阈值和系统故障事件随时间减小。
图4示出了被标称维数为N-1的超平面划分的N维参数空间。
图5是描绘本公开的预测分析系统的组件的网络架构图。
图6是描绘本公开的方法的流程图。
图7是可用于实现本公开的方面的计算设备的逻辑框图。
具体实施方式
词语“示例性”在本文中用于表示“用作示例、实例或说明”。此处描述为“示例性”的任何实施例不一定被解释为优选于或优于其他实施例。
许多工业应用使用远程等离子体源(RPS)来制造半导体、薄膜器件和其他由等离子体处理室制成的产品。此类应用通常涉及在其中制造产品的等离子体处理室(“初级处理室”)的制造过程中位于上游或下游的一个或多个RPS。应用包括使用RPS在处理室上游产生氟或氧自由基,这用于在处理之间清洁室。图1示出了具有气源130和初级处理室120上游的RPS150的等离子体处理系统100的简单框图。如将通过本公开更彻底地描述的,RPS 150连接到数据采集系统(或“数据采集设备”)180。数据采集系统180可以连接到一个或多个计算设备,包括可以是本地的计算设备185,和/或远程计算设备(例如,远程云服务器)190。另一个应用是在处理室上游使用RPS 150来传送低能量、中性、自由基流,以对精密晶片(例如,半导体层)进行温和的表面改性。
又一应用是将RPS用于处理室下游的基于等离子体的减排,以降低废气的全球变暖潜能。例如,作为半导体制造过程的结果,一些初级等离子体处理室使用具有高温室升温潜能的气体,例如NF3、CF4和SF6。期望减少这些气体以将它们转化为温室气体升温潜能值小得多的气体或其他副产物。在这种情况下,可以使用下游RPS,例如RPS 250,如图2所示。在某些情况下,可以将减排催化剂流体(气体,在某些情况下由蒸发流体产生)添加到处理室(在RPS 250的上游)的流出物中。因此,在这些应用中,附加的“气体源”可以馈送到RPS 250中。RPS 250可以包括带有用于产生等离子体的电磁线圈的线性或环形室。这可以由科罗拉多州柯林斯堡的Advanced Energy Industries制造的各种RPS类型来实现。如图2所示,RPS250还连接到数据采集系统280。虽然未示出,但是数据采集系统280可以连接到类似于图1所示的那些的本地和/或云计算机。
在这些RPS应用中的每一个中,各种机制可导致不期望的材料沉积在RPS的壁上或不期望地从壁上去除的材料。在不期望的材料被沉积的情况下,这些污染物可能包括粉状物质,例如硫氧化物,它们会在RPS等离子体室的壁上物理堆积并形成层。在不期望地从壁上去除材料的情况下,这可能是由等离子体中的离子轰击壁、将它们侵蚀掉造成的。这种劣化机制在本文中可以称为从侧壁“溅射掉”材料。一些RPS系统被设计为提供电感耦合等离子体(ICP)作为将能量耦合到等离子体中的主要机制;然而,由于这些设计中形成的固有电位和由此产生的杂散电场,也可能存在某种程度的电容耦合等离子体(CCP)。此类系统中电容耦合与电感耦合的比率可随压力和功率而变化,通常在较高气压和/或较低功率水平下具有较大量的电容耦合。某些应用要求等离子体在更高程度的电容耦合条件下运行;在这种条件下,与纯ICP等离子体相比,离子以更大的能量加速到壁上,从而提高了腔室壁的溅射速率。在某些情况下,这种溅射腐蚀可能会导致壁的翘曲或不均匀磨损,因为离子以与RPS周围线圈(也就是电场集中的地方)相对应的模式轰击和腐蚀壁。
预防性维护可包括清洁或重修壁的内部,或者移除和更换壁。预防性维护可能是耗时的,并且当维护需要更换时,成本可能很高。因此期望最大限度地延长预防性维护事件之间的时间。
然而,预防性维护比触发系统故障的事件更被期望。在本公开中定义的“系统故障”是任何严重到需要某种纠正性维护的事件,例如计划外清洁、翻新或更换RPS组件。系统故障事件可能包括RPS无法点燃等离子体、RPS操作失败、或RPS应用功能的一个或多个方面的显著性能恶化。与预防性维护相比,需要计划外清洁、翻新或更换的系统故障事件在时间和金钱二者方面的成本可能要高得多。在系统故障事件意外地发生时,其可能会带来极大的问题,因为RPS通常是高度敏感和昂贵产品的更大制造过程的一部分。
RPS单元可以报告实时操作特性,例如电压、电流、AC电压和在线圈或电极处驱动的电流之间的相位、温度、阻抗和其他测量结果。换句话说,它可以配备有针对这些特性的多个测量输出机构,因为这些特性可以用于与它所连接到的等离子体处理系统交互。例如,它们可用于调节连接的射频发生器产生的功率。但是,通常只有在连接到RPS设备的用户手动启动日志文件时才会收集此数据。在本公开的实施例中,RPS可以配备有数据采集系统,该数据采集系统被配置为记录RPS的多个实时操作特性。预期来自RPS的任何类型的可测量输出可由数据采集系统测量和记录,例如上述电压、电流(直流或交流)、温度和阻抗。特别是,可以在整个RPS中的不同位置处的多个传感器(包括热敏电阻和热电偶)处测量温度。温度的长期监测在生成本公开的预测分析方面可能特别重要,因为不同系统的初始操作温度(甚至由同一制造商创建的系统)可能由于温度传感器在制造时的斜率和偏移方面的变化而具有高度可变性。
还预期数据采集系统可以记录来自与RPS连接的等离子体处理系统的组件的其他可测量输出。例如,在某些应用中,等离子处理与冷却水系统结合使用。为了最大化此类系统的效率,可以进行或计算流速、入口和出口温度以及水压的测量。在一些应用中,可以测量等离子体处理系统内使用的气体的特性。这些包括气体流速、腔室内的气体压力、和气体的实际成分。
如前所述,在许多实施例中,数据采集系统被配置为连接到一个或多个计算设备和/或网络,并向其发送其记录的数据。数据采集系统及其连接到的网络组件可被称为本公开的“预测分析系统”。预期数据采集系统可以收集、记录和发送任何可测量的操作特性,并且在计算设备处实现的系统的预测分析组件可以基于此计算测量参数。这些计算出的测量参数(在本文中也称为“间接导出的”参数)可以包括各种测量结果,这取决于RPS的配置;这些间接导出的参数的一些示例可以是:腔室壁厚、腔室电抗或等离子体和腔室阻抗。然而,计算出的测量参数可能包括任何不是直接测量而是从其他直接测量的特性中得出的度量。另一种可能的测量是与电感耦合相比的电容耦合程度。许多等离子体处理应用旨在通过电感耦合过程工作。然而,在某些应用中,等离子体的物理特性使得电容耦合变得占主导地位,这出于几个原因可能是不期望的,原因包括电容耦合可能会增加RPS壁上的材料堆积的速度,或来自RPS壁的材料溅射。材料可能会被移除或沉积,取决于气体化学性质和压力。
在一些实施例中,未直接测量的某些操作参数可以从其他直接测量的操作特性估计(即,通过计算)。这些可能包括功率传输波形的相位,以及RPS本身的壁的电容或厚度。在其他实施例中,可以直接测量这些计算出的度量。
在本公开的实施例中,数据采集系统可以随时间记录特定应用中特定RPS的操作特性。例如,一个数据采集系统可以本地连接(例如,通过短电缆,或在局域网(LAN)上)到RPS以生成氟或氧自由基。该特定RPS的操作特性可以随时间收集并且由连接的计算设备关于预防性维护事件和系统故障事件的发生进行分析。基于特定测量结果与系统故障事件之间的相关性的模式,计算设备可以随着时间的推移创建这些操作特性的模型,其示出系统故障事件何时可能发生。在某些应用中,已知应至少每隔几天执行一次预防性维护,而在其他应用中,则应每隔几周执行一次。鉴于RPS的操作者可能希望完全避免系统故障事件,可能需要很长时间才能从单个RPS针对单个应用收集足够的数据以创建准确的模型。
然而,关于在特定应用中使用的特定类型的RPS可以收集的数据越多,就可以做出越快且越准确的预测。例如,如果单个薄膜制造商使用数十个这样的RPS来生成氟或氧自由基,则连接的数据采集系统可以在更短的时间段中收集多得多的预防性维护和系统故障事件的实例。在本公开的实施例中,可以从多个远程位置的用户(例如,制造商)收集这样的操作特性,并且每个用户可以具有多个RPS单元。关于来自这些RPS单元中的每一个的操作特性的数据可由它们各自的数据采集系统收集并发送到集中式服务器或云服务器,如将参考图5详细描述的。服务器可以实施预测分析系统以创建更准确的模型来预测什么类型的被测量的操作特性与系统故障事件相关,这允许系统创建关于何时执行预防性维护的警报或推荐。
随着时间的推移,关于在特定应用中的特定类型的RPS所收集和分析的数据量可能变得如此鲁棒,以至于预测分析变得准确到期望的置信度;即,系统可以计算出系统故障事件将在某个预定义时间段(例如,12小时)内发生的、大于特定阈值(例如,95%)的数字概率。在这种情况下,预期了用于这些应用的RPS可以由仅具有本地计算设备的数据采集系统使用,而不是将数据发送到远程服务器。数据采集系统和本地计算设备可配备有内置算法,该算法源自用多个远程用户实施的大型数据收集系统。然后,该内置算法可用于向本地用户提供预防性维护警报,而无需将本地系统连接到远程服务器。
虽然高度准确的模型可以从分析针对特定应用的特定类型的RPS的操作特性的大数据集导出,但是存在许多不同种类的RPS,并且它们被用于许多不同的应用。某些RPS操作特性(即,温度、阻抗、电压)在不同单元之间可能具有极高的可变性。例如,取决于制造差异或操作环境,同一型号的不同单元之间的温度范围可能相差几度(例如,5-10摄氏度)。
不同种类的RPS之间的操作特性的差异可能甚至更剧烈。例如,电感耦合RPS和电容耦合RPS在每次可能的测量中可能不同。不同制造商为类似应用制造的RPS系统在操作特性上也存在差异。
RPS单元之间差异的数量和它们可用于的不同应用的数量创建了优化的预防性维护阈值和时间表的指数数量。RPS单元和应用的类型的每种组合都可能有其自己的预防性维护时间表,其将最大限度地延长预防性维护事件之间的时间,同时防止任何系统故障事件。
本公开的系统提供了用于收集和记录来自RPS和应用的任何组合的数据、随时间对其进行分析、基于分析创建操作特性模型,以及实施机器学习以创建优化预防性维护模型的构造的算法。实施机器学习来创建算法的好处是消除为每个RPS单元和应用组合手动创建算法的需要。作为机器学习算法如何创建预防性维护时间表的示例,“强化”类型的学习算法可以获取所有收集的有关操作特性的数据以及来自最终用户的一个输入:该最终用户可以输入腔室的状态为:1)“准备好更换/清洁”,2)“几乎准备好更换/清洁”,或3)“尚未准备好更换/清洁”。由于该算法将收集到的其余部分与用户的输入相关联,它可以自动得出指示“几乎准备好更换/清洁”的操作特性。
图3A描绘了随时间推移可以从RPS收集并由相关联的数据采集系统报告的数据。曲线图310示出了N个不同参数随时间的测量结果。这些参数可能包括直流电压和电流、交流电压、电流和相位、气流和温度、水流、温度和方向,以及电感和电容耦合的相对程度。曲线图310示出了参数1 311、参数2 312和参数N 320,其均随时间变化。特定的“操作点”330代表在特定时间点的每个操作参数的值。如图所示,各种参数可以给出彼此独立变化的测量结果,并且其没有在视觉上传达操作点330处任何特定种类的相关性。这些参数可以只是原始测量数据,或者它们可以经受过滤和处理
(出于平滑和去除伪影的目的)。这些参数还可以包括间接变量的估计,这些间接变量可以包括但不限于腔室衬里厚度、腔室衬里表面状况、剩余腔室壁厚度、等离子体特性(例如,电子和离子密度和阻抗)以及在需要预防性维护或维修之前的剩余时间。
图3B和3C示出了示例,其中特定参数(其可以是特定RPS的所有测量和计算出的参数的子集)的值随时间增加(图3B)和减少(图3C)。原始数据点340、350代表实际测量的或计算出的数据点,并且经过滤和平滑的数据线345、365示出消除了各种错误或异常读数的值。每个曲线图描绘了接近测量时间段结束时的系统故障事件355、375,以及设置为多个数据点测量结果指示系统故障事件即将发生的值的阈值线350、370。预期的是,可能针对同一个应用在同一个RPS单元中检测到图3B中的增加度量以及图3C中的减小度量;也就是说,它们可以代表图3A中的参数1-N中的任何参数。本公开的预测分析系统可以检测相关性并从包括测量结果和系统故障事件的数据创建模型,如图3B和图3C所示。
作为可以间接测量的一类数据点的一个示例,电容耦合的相对程度可以通过检查RPS室和等离子体的阻抗并与经验数据或本构模型进行比较来确定,这些经验数据或本构模型在电感耦合等离子体与由混合耦合或电容耦合产生的等离子体相比的阻抗特性之间建立阈值。电容耦合的相对程度可以通过数据采集系统使用从特定RPS可用的数据来测量。许多类型的操作特性度量需要过滤原始测量数据,因为一些原始测量结果是由于错误指示符导致的。例如,当RPS开启和关闭时,多次测量可能会给出极高或极低的临时信号,但这些可能无法反映实际情况,因为它们是开启状态和关闭状态之间转换的伪影。
然而,因为预测数据分析系统接收对应于系统故障事件之前的同一时间段的多条数据,所以它可以识别与其正常轨迹有很大偏差的数据和与其正常轨迹没有很大偏差的数据之间的相关性。它可以识别在其他情况下可能不会表现为指示需要修理或维修的阈值。
转向图4,预测分析系统中的算法可以表明,在距离超平面420一定距离内的N维空间410中的点与即将发生的修理需要高度相关,并以特定的置信度预测在定义的未来时间段内的需要。N维空间410包括可用于评估RPS的健康的RPS数据。可以出于平滑、拟合、去除噪声和去除伪影的目的处理这些数据。随着此类事件随着时间的推移被记录下来,数据之间的相关性可能变得更加明显,以指示在系统故障事件发生之前可能发生的最大错误率实例。
由箭头430标识的N维空间(空间430)(其被图形地描绘在超平面420的“上方”)表示其中操作点令人满意并且RPS不需要预防性维护的空间。由箭头440标识的N维空间(空间440)(其被图形地描绘在超平面420的“下方”)表示其中操作点不令人满意的空间。在空间440内的操作点,RPS可能需要注意。特定操作点450在空间430中示出。该特定操作点450可以与图3中的操作点330相同,表示在特定时间点对N个参数的测量。操作点450被示出为距超平面420距离460。该距离460可用于设置或定义阈值。基于将系统故障发生之前可能发生的最大错误率实例进行关联的算法确定,用户或预测分析系统本身可以设置阈值,该阈值在第一次距操作点的距离下降到阈值以内时针对要执行预防性维护进行警告。当超过阈值时,可以发出警报,并且可以发起行动,包括可能由预测分析系统调度维护。
在图3A的曲线图中,很难准确评估所示数据中哪些数据最强烈地预测维护或修理的需要,因为相关性在视觉上并不明显。当收集更多的数据点时,就像在许多实施例中一样,人类分析者很快就不可能评估哪些数据相关。预测分析系统创建的算法允许评估几乎所有可测量的特性并将其与系统故障事件相关联。结果,预防性维护警报的阈值可以基于最准确的数据设置在最优化的级别处。在图4中,可以积极地设置阈值(即,与超平面的最大距离)以最大化预防性维护之间的时间;例如,当在可由预测分析系统预先确定或确定的特定时间间隔内多次超过阈值时,预测分析系统可以计算出推荐预防性维护但不需要修理。可以收集的操作特性越多,预测分析系统可执行的计算就越多。然而,最大优化不仅可以通过最大程度地接收不同类型的数据来实现,还可以通过在时域上重复地接收来实现。
图5是示出了可以如何实施本公开的预测分析系统500的示例性网络架构图。几个个体的RPS单元501、511、521被示出并分别标记为“类型1,Mfr.(制造商)A”,“类型2,Mfr.A,”和“类型3,Mfr.A”,以说明本公开的预测分析系统可以用同一制造商制造的不同型号的RPS来实现。附加的RPS单元531和541分别标有“类型4,Mfr.B,”和“类型N,Mfr.N”,以说明可以使用来自任何制造商的任何RPS实施相同的预测分析系统。实施算法以创建预测和预防性维护推荐等等的预测分析组件被示出为“远程”预测分析组件505和“本地”预测分析组件515。与远程或本地预测分析组件505和515的集成通过一个或多个数据采集设备502、512、522、532和542实现。虽然每个RPS被描述为连接到一个数据采集设备,但在实施例中,一个以上的RPS可以连接到单个数据采集设备。
在它位于鲁棒的服务器处并且从多个RPS单元接收数据的意义上,远程预测分析组件505可以是远程的。远程预测分析组件505实际上可以“预置(on-premise)”部署,例如在使用多个RPS单元的半导体制造工厂处。在这种情况下,远程预测分析组件505可以在LAN上。在其他实施例中,它可以在互联网上的远程云服务器处,其可以从许多远程地理位置的RPS单元接收数据,例如不同的制造设施建筑物,或不同的城市、州和国家。
相比之下,本地预测分析组件515可以在本地PC或服务器上运行,并且可以为一个或仅几个RPS单元实施预测分析算法和预防性维护警告。预期的是,本地预测分析组件515可以在外部计算设备或与数据采集设备集成的计算设备中实现,例如独特地设计有与数据采集设备兼容的接口、处理器和存储器的计算设备。
数据采集设备502、512、522、532和542中的每一个可以实施特定的协议,该协议定义从其相关联的RPS收集和/或测量什么数据。不同的RPS单元可能配备有不同的传感器,并且以其他方式被配置得与其他单元不同,这可能决定可能测量的数据类型。不同的协议503、513、523、533、543本身可以根据由它们相关联的RPS单元运行的不同应用而改变。也就是说,类型1协议503可能具有不同的迭代,例如协议“1A”、“1B”、“1C”等。
一旦数据采集设备在特定协议下采集数据,数据就可以被发送到本地数据库550、远程数据库570或两者。数据采集设备502、512、522、532和542被示出为分组并在555在逻辑上连接到远程数据库570以说明数据可以由这些个体的单元中的每一个发送到远程数据库570。每个个体的数据采集设备可以处于不同的地理位置。经由不同协议采集的数据可以通过统一协议548进行集成或同化,该统一协议将不同类型的采集数据系统化,使得可以在数据库550、570中以统一方式处理。
参考远程预测分析组件505,预期的是数据库570可以包括随着时间的推移采集和存储的许多大数据集。这些被描绘为大数据组件572并且表示可以被分析以揭示模式并用于实现预测分析组件的其他方面的大量原始数据。该大数据组件572可以通过数据库/数据管理组件571来组织和管理,该数据库/数据管理组件571可以通过商业上可获得的工具来实现,包括诸如SQL之类的关系数据库管理系统。
远程数据库570被配置为向分析引擎580提供数据。分析引擎580可以在服务器上被执行并且可以包括若干应用。这些应用可以包括数据科学组件584和数据工程组件585。这些应用中的每一个都可以包括供数据科学家和数据工程师操作数据、提供诸如阈值之类的输入以及协助创建算法的工具和接口。分析引擎580还可包括应用开发组件581,其可为特定RPS单元和应用创建特定的预防性维护算法。一旦开发,用于特定应用的算法可以与本地预测分析组件515或甚至要用于那些应用的个体RPS单元一起部署。那些部署的RPS单元可以独立运行,并且不需要连接到本地或远程预测分析组件,将本地算法直接实施在RPS单元内。在实施例中,本地预测分析组件515可能不在RPS单元本身内,但是RPS单元和连接的本地预测分析组件515可以独立运行,而不连接到远程预测分析组件505。模型开发组件582可以基于对大数据的分析,创建事件在特定时间段以数学概率发生的可能性的模型。预期的是,应用开发组件581和模型开发组件582可以通过机器学习程序来实现。
因为可用于创建应用和模型的大数据集,数据可视化有利于向诸如数据科学家和数据工程师之类的用户提供有用的见解。分析引擎580因此可以包括大数据可视化组件583,其可以实现为具有图形、图表和其他可视化工具的图形用户界面。
本地预测分析引擎560可以包括许多与远程预测分析引擎580类似的组件和功能,但是可以以较小的规模实施并且设计用于一个或多个附接的RPS的终端用户。如图所示,本地分析引擎560的应用配置组件561可以使用在本地数据库550中收集的数据来为连接的RPS创建和/或操作预测性维护时间表。应用配置组件561可用于实施最初在远程预测分析组件515上创建的操作,并可用于调整本地配置和设置本地阈值。本地数据可视化组件562可以向用户示出实际警报563、分析564和KPI(关键绩效指标)565(例如,在图形用户界面上)。
图6是流程图600,其示出了可以被执行以实现本公开的实施例的方法步骤。在不脱离本发明范围的情况下,方法步骤可以互换。该方法可以首先包括在步骤601处记录来自远程等离子体源的数据。该数据可以包括在一段时间内远程等离子体源的一个或多个操作特性的测量结果以及系统故障事件的多个指示。该方法然后可以包括,在步骤602处,接收数据,并且在步骤603处,分析数据。该方法可以包括,在步骤604处,基于一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值。操作点可以包括在特定时间的一个或多个操作特性的测量结果。该阈值可以表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度。该方法然后可以包括,在步骤605处,提供用于对远程等离子体源执行预防性维护的通知。
除了这里描述的特定物理设备之外,这里描述的系统和方法还可以在计算机系统中实现。图7示出了计算机系统700的一个实施例的图解表示,在该计算机系统700中可以执行一组指令以使设备执行或实现本公开的任何一个或多个方面和/或方法。图5中的本地计算机560和远程服务器580是计算机系统700的两种实现方式。图7中的组件仅是示例并且不限制实现本公开的特定实施例的任何硬件、软件、固件、嵌入式逻辑组件或两个或更多个这样的组件的组合的使用范围或功能。所示组件中的一些或全部可以是计算机系统700的一部分。例如,计算机系统700可以是通用计算机(例如,膝上型计算机)或嵌入式逻辑设备(例如,FPGA),仅列举两个非限制性示例。
计算机系统700至少包括处理器701,例如中央处理单元(CPU)、图形处理单元(GPU)或FPGA,仅列举三个非限制性示例。计算机系统700还可以包括存储器703和存储装置708,两者都经由总线740彼此通信并且与其他组件通信。总线740还可以将显示器732、一个或多个输入设备733(其可以例如,包括小键盘、键盘、鼠标、手写笔等)、一个或多个输出设备734、一个或多个存储设备735和各种非暂时性、有形的计算机可读存储介质736彼此链接并且与处理器701、存储器703和存储装置708中的一个或多个链接。所有这些元件可以直接或经由一个或多个接口或适配器连接到总线740。例如,各种非暂时的、有形的计算机可读存储介质736可以经由存储介质接口726与总线740接合。计算机系统700可以具有任何合适的物理形式,包括但不限于一个或多个集成电路(IC)、印刷电路板(PCB)、移动手持设备(例如,移动电话或PDA)、膝上型或笔记本电脑、分布式计算机系统、计算网格或服务器。
处理器701(或中央处理单元(CPU))可选地包含用于指令、数据或计算机地址的临时本地存储的高速缓冲存储器单元702。处理器701被配置为辅助执行存储在至少一个非暂时性、有形计算机可读存储介质上的计算机可读指令。处理器701可以包括一个或多个图形处理单元(GPU)。在一些实施例中,GPU可以用于执行机器学习AI(人工智能)程序。计算机系统700可以作为处理器701执行体现在一个或多个非暂时性、有形计算机可读存储介质(例如,存储器703、存储装置708、存储设备735和/或存储介质736(例如,只读存储器(ROM))中的软件的结果来提供功能。例如,图6中的方法600可以体现在一个或多个非暂时的、有形的计算机可读存储介质中。非暂时性、有形的计算机可读存储介质可以存储实现特定实施例的软件,例如方法600和处理器701可以执行该软件。存储器703可以从一个或多个其他非暂时性、有形的计算机可读存储介质(例如,大容量存储设备735、736)或通过合适的接口(例如,网络接口720)从一个或多个其他源读取软件。该软件可以使处理器701执行一个或多个过程或一个或多个本文描述或说明的过程中的一个或多个步骤。执行这样的过程或步骤可以包括定义存储在存储器703中的数据结构并且按照软件的指示修改数据结构。在一些实施例中,FPGA可以存储用于执行本公开中描述的功能(例如,方法600)的指令。在其他实施例中,固件包括用于执行如本公开中所描述的功能(例如,方法600)的指令。
存储器703可以包括各种组件(例如,非暂时性的、有形的计算机可读存储介质),包括但不限于随机存取存储器组件(例如,RAM 704)(例如,静态RAM“SRAM”、动态RAM“DRAM”等)、只读组件(例如,ROM 705)及其任何组合。ROM 705可以用于将数据和指令单向传送到处理器701,并且RAM 704可以用于与处理器701进行双向数据和指令通信。ROM 705和RAM704可以包括以下描述的任何合适的非暂时性、有形的计算机可读存储介质。在一些情况下,ROM 705和RAM 704包括用于执行方法600的非暂时性、有形的计算机可读存储介质。在一个示例中,基本输入/输出系统706(BIOS)可以存储在存储器703中,BIOS包括帮助在计算机系统700内的元件之间传输信息的基本例程,例如在启动期间。
固定存储装置708双向连接到处理器701,可选地通过存储控制单元707。固定存储装置708提供附加的数据存储容量并且还可以包括这里描述的任何合适的非暂时性的、有形的计算机可读介质。存储装置708可用于存储操作系统709、EXEC 710(可执行文件)、数据711、API应用712(应用程序)等。例如,存储装置708可以被实现用于存储图5中描述的数据。通常,尽管不总是如此,存储装置708是比主存储装置(例如,存储器703)慢的辅助存储介质(例如,硬盘)。存储装置708还可以包括光盘驱动器、固态存储器设备(例如,基于闪存的系统),或者上述任何一个的组合。在适当的情况下,存储装置708中的信息可以被合并为存储器703中的虚拟存储器。
在一个示例中,存储设备735可以经由存储设备接口725与计算机系统700可移除地接合(例如,经由外部端口连接器(未示出))。特别地,存储设备735和相关联的机器可读介质可以为计算机系统700提供机器可读指令、数据结构、程序模块和/或其他数据的非易失性和/或易失性存储。在一个示例中,软件可以完全或部分地驻留在存储设备735上的机器可读介质内。在另一个示例中,软件可以完全或部分驻留在处理器701内。
总线740连接多种子系统。在本文中,在适当的情况下,对总线的引用可包括用于公共功能的一条或多条数字信号线。总线740可以是几种类型的总线结构中的任何一种,包括但不限于:使用多种总线架构中的任何一种的存储器总线、存储器控制器、外围总线、本地总线及其任何组合。作为示例而非限制,此类架构包括工业标准架构(ISA)总线、增强型ISA
(EISA)总线、微通道架构(MCA)总线、视频电子标准协会本地总线(VLB)、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、加速图形端口(AGP)总线、HyperTransport(HTX)总线、串行高级技术附件(SATA)总线及其任意组合。
计算机系统700还可以包括输入设备733。在一个示例中,计算机系统700的用户可以经由输入设备733将命令和/或其他信息输入到计算机系统700中。输入设备733的示例包括但不限于字母数字输入设备(例如,键盘)、定点设备(例如,鼠标或触摸板)、触摸板、操纵杆、游戏板、音频输入设备(例如,麦克风、语音响应系统等)、光学扫描仪、视频或静止图像捕获设备(例如,照相机)以及它们的任何组合。输入设备733可以经由各种输入接口723中的任何一个(例如,输入接口723)连接到总线740,包括但不限于串行、并行、游戏端口、USB、FIREWIRE、THUNDERBOLT或任何以上的组合。
在特定实施例中,当计算机系统700连接到网络730时,计算机系统700可以与连接到网络730的其他设备(例如,移动设备和企业系统)通信。去往和来自计算机系统700的通信可以通过网络接口720发送。例如,网络接口720可以从网络730接收以一个或多个分组(例如,因特网协议(IP)分组)的形式的传入通信(例如,来自其他设备的请求或响应),并且计算机系统700可以将传入的通信存储在存储器703中以供处理。计算机系统700可以类似地在存储器703中以一个或多个分组的形式存储传出通信(例如,去往其他设备的请求或响应)并且从网络接口720传送到网络730。处理器701可以访问存储在存储器703中的这些通信分组以供处理。
网络接口720的示例包括但不限于网络接口卡、调制解调器及其任意组合。网络730或网段730的示例包括但不限于广域网(WAN)(例如,互联网、企业网络)、局域网(LAN)(例如,与办公室、建筑物、校园或其他相对较小的地理空间相关联的网络)、电话网络、两个计算设备之间的直接连接,以及它们的任意组合。网络(例如,网络730)可以采用有线和/或无线通信模式。通常,可以使用任何网络拓扑。
信息和数据可以通过显示器732显示。显示器732的示例包括但不限于液晶显示器(LCD)、有机液晶显示器(OLED)、阴极射线管(CRT)、等离子显示器及其任意组合。显示器732可以经由总线740连接到处理器701、存储器703和固定存储装置708以及其他设备,例如输入设备733。显示器732经由视频接口722链接到总线740,并且显示器732和总线740之间的数据传输可以经由图形控制721来控制。
除了显示器732之外,计算机系统700还可以包括一个或多个其他外围输出设备734,包括但不限于音频扬声器、打印机及其任何组合。这样的外围输出设备可以经由输出接口724连接到总线740。输出接口724的示例包括但不限于串行端口、并行连接、USB端口、FIREWIRE端口、THUNDERBOLT端口,以及它们的任何组合。
附加地,或作为替代,计算机系统700可提供作为硬连线或以其他方式体现在电路中的逻辑的结果的功能,其可代替软件操作或与软件一起操作以执行此处描述或说明的一个或多个过程或一个或多个过程的一个或多个步骤。在本公开中对软件的引用可以包括逻辑,并且对逻辑的引用可以包括软件。此外,在适当的情况下,对非暂时性的、有形的计算机可读介质的引用可包括存储用于执行的软件的电路(例如,IC)、体现用于执行的逻辑的电路或两者。本公开包括硬件、软件或两者的任何合适的组合。
本领域技术人员将理解,可以使用多种不同技术和手段中的任一种来表示信息和信号。例如,在以上描述中可能被引用的数据、指令、命令、信息、信号、位、符号和芯片可以由电压、电流、电磁波、磁场或粒子、光场或粒子或任何其组合来表示。
在本说明书中,相同的附图标记用于指代端子、信号线、导线等及其对应的信号。在这方面,术语“信号”、“线”、“连接”、“端子”和“引脚”在本说明书内可以不时地互换使用。还应当理解,术语“信号”、“线”等可以表示一个或多个信号,例如单个位通过单线的传送或多个并行位通过多条并行线的传送。此外,视情况而定,每条线或每个信号可代表由信号或线连接的两个或更多各组件之间的双向通信。
技术人员将进一步理解,结合本文公开的实施例描述的各种说明性逻辑块、模块、电路和算法步骤可以实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,上面已经根据它们的功能大体描述了各种说明性组件、块、模块、电路和步骤。这种功能是作为硬件还是软件来实现取决于特定的应用和对整个系统施加的设计约束。技术人员可以针对每个特定应用以不同方式实现所描述的功能,但是这样的实现决策不应被解释为导致偏离本公开的范围。
结合本文公开的实施例描述的各种说明性逻辑块、模块和电路可以用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件或其旨在执行本文所述的功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替代方案中,处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可以实现为计算设备的组合,例如DSP和微处理器的组合、多个微处理器、一个或多个微处理器与DSP核结合、或者任何其他这样的配置。
结合本文公开的实施例描述的方法或算法的步骤(例如,方法600)可以直接体现在硬件中、由处理器执行的软件模块中、实现为数字逻辑器件的软件模块中、或这些的组合中。软件模块可以驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域已知的任何其他形式的非暂时性、有形的计算机可读存储介质中。示例性的非暂时性、有形的计算机可读存储介质耦合到处理器,使得处理器可以从非暂时性的、有形的计算机可读存储介质读取信息和向其写入信息。在替代方案中,非暂时性的、有形的计算机可读存储介质可以与处理器集成。处理器和非暂时性的、有形的计算机可读存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在替代方案中,处理器和非暂时性的、有形的计算机可读存储介质可以作为分立的组件驻留在用户终端中。在一些实施例中,一旦用软件模块编程,软件模块就可以被实现为数字逻辑组件,例如FPGA中的那些。
提供所公开实施例的先前描述以使本领域技术人员能够制造或使用本公开。对这些实施例的各种修改对于本领域技术人员来说将是显而易见的,并且在不脱离本公开的精神或范围的情况下,本文定义的一般原理可以应用于其他实施例。因此,本公开不旨在限于本文所示的实施例,而是被给予与本文公开的原理和新颖特征一致的最宽范围。
Claims (33)
1.一种用于远程等离子体源维护的系统,包括:
远程等离子体源,
数据采集设备,其连接到所述远程等离子体源并且被配置为记录数据,所述数据包括:
在一段时间内的所述远程等离子体源的一个或多个操作特性的测量结果;以及
系统故障事件的多个指示;
计算设备,其被配置为:
从所述数据采集设备接收所述数据;
分析所述数据;
基于所述一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值,所述操作点包括:
在特定时间处的所述一个或多个操作特性的测量结果;
其中,所述阈值表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度;以及
提供用于对所述远程等离子体源执行预防性维护的通知。
2.如权利要求1所述的系统,其中,所述系统被配置为计算所述一个或多个操作特性的一个或多个间接测量结果,并且其中,所述确定基于一个或多个计算出的间接测量结果。
3.如权利要求2所述的系统,其中,所述一个或多个间接测量结果包括以下各项中的一项或多项:
等离子体和腔室阻抗的组成部分;以及
腔室壁的特性。
4.如权利要求1所述的系统,其中,所述一个或多个操作特性包括以下各项中的一项或多项:
电流;
电压;
温度;以及
阻抗。
5.如权利要求1所述的系统,其中,所述计算设备是远程服务器。
6.如权利要求1所述的系统,还包括:
多个附加远程等离子体源;以及
多个附加数据采集设备,并且其中,
所述数据还包括:
来自所述多个附加远程等离子体源中的每一个的附加测量结果;以及
来自所述远程等离子体源中的每一个的系统故障的附加指示。
7.如权利要求8所述的系统,其中,所述多个附加远程等离子体源中的至少一些位于不同的地理位置。
8.如权利要求1所述的系统,其中,所述确定是由机器学习程序实现的。
9.如权利要求9所述的系统,其中,所述机器学习程序自动开发用于设置所述阈值的算法。
10.如权利要求9所述的系统,其中,所述机器学习程序接收来自用户的输入以辅助所述确定。
11.如权利要求1所述的系统,其中,所述计算设备是远程服务器;并且其中:
用于预防性维护的算法在所述远程服务器处针对特定应用的特定类型的远程等离子体源被创建;所述系统还包括:
本地部署的远程等离子体源,其被配置为:在所述本地部署的远程等离子体源未连接到所述远程服务器的同时,操作在所述远程服务器处针对所述特定应用的所述特定类型的远程等离子体源被创建的用于预防性维护的所述算法。
12.一种用于维护远程等离子体源的方法,所述方法包括:
记录来自远程等离子体源的数据,所述数据包括:
在一段时间内的所述远程等离子体源的一个或多个操作特性的测量结果;以及
系统故障事件的多个指示;
接收所述数据;
分析所述数据;
基于所述一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值,所述操作点包括:
在特定时间处的所述一个或多个操作特性的测量结果;
其中,所述阈值表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度;以及
提供用于对所述远程等离子体源执行预防性维护的通知。
13.如权利要求12所述的方法,还包括:
计算所述一个或多个操作特性的一个或多个间接测量结果,其中,所述确定基于一个或多个计算出的间接测量结果。
14.如权利要求13所述的方法,其中,所述一个或多个间接测量结果包括以下各项中的一项或多项:
等离子体和腔室阻抗的组成部分;以及
腔室壁的特性。
15.如权利要求12所述的方法,其中,所述一个或多个操作特性包括以下各项中的一项或多项:
电流;
电压;
温度;以及
阻抗。
16.如权利要求12所述的方法,还包括:
将所述数据从所述远程等离子体源传输到远程服务器,其中,所述确定在所述远程服务器处执行。
17.如权利要求12所述的方法,还包括:
记录来自多个附加远程等离子体源的数据;以及
从多个附加数据采集设备采集数据,并且其中,
所述数据还包括:
来自所述多个附加远程等离子体源中的每一个的附加测量结果;以及
来自所述远程等离子体源中的每一个的系统故障的附加指示。
18.如权利要求17所述的方法,其中,所述多个附加远程等离子体源中的至少一些位于不同的地理位置。
19.如权利要求12所述的方法,其中,所述确定是由机器学习程序实现的。
20.如权利要求19所述的方法,还包括:
由所述机器学习程序自动开发用于设置所述阈值的算法。
21.如权利要求19所述的方法,还包括:
由所述机器学习程序接收来自用户的输入以辅助所述确定。
22.如权利要求12所述的方法,其中,所述计算设备是远程服务器,并且还包括:
在所述远程服务器处针对特定应用的特定类型的远程等离子体源创建用于预防性维护的算法;以及:
将所述算法转移到能够本地部署的远程等离子体源;
对所述能够本地部署的远程等离子体源进行本地部署,以及
在所述能够本地部署的远程等离子体源未连接到所述远程服务器的同时,操作在所述远程服务器处针对所述特定应用的所述特定类型的远程等离子体源被创建的用于预防性维护的所述算法。
23.一种非暂时的、有形的计算机可读存储介质,其编码有用于执行用于维护远程等离子体源的方法的处理器可读指令,所述方法包括:
记录来自远程等离子体源的数据,所述数据包括:
在一段时间内的所述远程等离子体源的一个或多个操作特性的测量结果;以及
系统故障事件的多个指示;
接收所述数据;
分析所述数据;
基于所述一个或多个操作特性的测量结果与多个系统故障事件之间的相关性,确定操作点的阈值,所述操作点包括:
在特定时间处的所述一个或多个操作特性的测量结果;
其中,所述阈值表示即将发生的系统故障事件在指定的时间窗口内发生的可能性达到定义的置信度;以及
提供用于对所述远程等离子体源执行预防性维护的通知。
24.如权利要求23所述的非暂时的、有形的计算机可读存储介质,所述方法还包括:
计算所述一个或多个操作特性的一个或多个间接测量结果,其中,所述确定基于一个或多个计算出的间接测量结果。
25.如权利要求23所述的非暂时的、有形的计算机可读存储介质,其中,所述一个或多个间接测量结果包括以下各项中的一项或多项:
等离子体和腔室阻抗的组成部分;以及
腔室壁的特性。
26.如权利要求23所述的非暂时的、有形的计算机可读存储介质,其中,所述一个或多个操作特性包括以下各项中的一项或多项:
电流;
电压;
温度;以及
阻抗。
27.如权利要求23所述的非暂时性的、有形的计算机可读存储介质,所述方法还包括:
将所述数据从所述远程等离子体源传输到远程服务器,其中,所述确定在所述远程服务器处执行。
28.如权利要求23所述的非暂时性的、有形的计算机可读存储介质,所述方法还包括:
记录来自多个附加远程等离子体源的数据;以及
从多个附加数据采集设备采集数据,并且其中,所述数据还包括:
来自所述多个附加远程等离子体源中的每一个的附加测量结果;以及
来自所述远程等离子体源中的每一个的系统故障的附加指示。
29.如权利要求28所述的非暂时性的、有形的计算机可读存储介质,其中,所述多个附加远程等离子体源中的至少一些位于不同的地理位置。
30.如权利要求23所述的非暂时性的、有形的计算机可读存储介质,其中,所述确定是由机器学习程序实现的。
31.如权利要求30所述的非暂时性的、有形的计算机可读存储介质,所述方法还包括:
由所述机器学习程序自动开发用于设置所述阈值的算法。
32.如权利要求30所述的非暂时性的、有形的计算机可读存储介质,所述方法还包括:
由所述机器学习程序接收来自用户的输入以辅助所述确定。
33.如权利要求23所述的非暂时性的、有形的计算机可读存储介质,其中,所述计算设备是远程服务器,并且还包括:
在所述远程服务器处针对特定应用的特定类型的远程等离子体源创建用于预防性维护的算法;以及:
将所述算法转移到能够本地部署的远程等离子体源;
对所述能够本地部署的远程等离子体源进行本地部署,以及
在所述能够本地部署的远程等离子体源未连接到所述远程服务器的同时,操作在所述远程服务器处针对所述特定应用的所述特定类型的远程等离子体源被创建的用于预防性维护的所述算法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/276,320 US20200266037A1 (en) | 2019-02-14 | 2019-02-14 | Maintenance for remote plasma sources |
US16/276,320 | 2019-02-14 | ||
PCT/US2020/014761 WO2020167440A1 (en) | 2019-02-14 | 2020-01-23 | Maintenance for remote plasma sources |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113474868A true CN113474868A (zh) | 2021-10-01 |
CN113474868B CN113474868B (zh) | 2024-05-24 |
Family
ID=72040827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080014377.6A Active CN113474868B (zh) | 2019-02-14 | 2020-01-23 | 用于远程等离子体源的维护的系统、方法与介质 |
Country Status (7)
Country | Link |
---|---|
US (2) | US20200266037A1 (zh) |
EP (1) | EP3924995A4 (zh) |
JP (1) | JP7496363B2 (zh) |
KR (1) | KR20210116556A (zh) |
CN (1) | CN113474868B (zh) |
TW (1) | TWI849053B (zh) |
WO (1) | WO2020167440A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801958B (zh) * | 2021-08-06 | 2023-05-11 | 方榮傑 | 設備維護系統及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332201A1 (en) * | 2009-06-30 | 2010-12-30 | Luc Albarede | Methods and apparatus for predictive preventive maintenance of processing chambers |
CN104183452A (zh) * | 2013-05-22 | 2014-12-03 | 崔大奎 | 具有自主管理功能的远程等离子体系统及其自主管理方法 |
CN104662636A (zh) * | 2012-08-07 | 2015-05-27 | 瓦里安半导体设备公司 | 离子源的效能改善与延伸生命期的技术 |
CN107424898A (zh) * | 2016-05-24 | 2017-12-01 | Spts科技有限公司 | 等离子体处理装置的清洁方法 |
US20180151332A1 (en) * | 2016-11-28 | 2018-05-31 | Tokyo Electron Limited | Plasma processing apparatus |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000323467A (ja) * | 1999-05-11 | 2000-11-24 | Nippon Asm Kk | 遠隔プラズマ放電室を有する半導体処理装置 |
US6835278B2 (en) * | 2000-07-07 | 2004-12-28 | Mattson Technology Inc. | Systems and methods for remote plasma clean |
EP1697727B1 (en) * | 2003-07-25 | 2007-10-03 | Lightwind Corporation | Method and apparatus for monitoring chemical processes |
JP4674177B2 (ja) | 2006-03-15 | 2011-04-20 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置 |
JP2009054548A (ja) | 2007-08-29 | 2009-03-12 | Applied Materials Inc | プラズマ処理装置用の異常検出器、プラズマ処理システム、及びプラズマ処理装置の異常検出方法 |
US20090308734A1 (en) | 2008-06-17 | 2009-12-17 | Schneider Automation Inc. | Apparatus and Method for Wafer Level Arc Detection |
US20100076729A1 (en) * | 2008-09-19 | 2010-03-25 | Applied Materials, Inc. | Self-diagnostic semiconductor equipment |
WO2011002803A2 (en) * | 2009-06-30 | 2011-01-06 | Lam Research Corporation | Methods and apparatus for predictive preventive maintenance of processing chambers |
US8624501B2 (en) | 2010-12-08 | 2014-01-07 | Mks Instruments, Inc. | Measuring and controlling parameters of a plasma generator |
US8551891B2 (en) * | 2011-10-04 | 2013-10-08 | Applied Materials, Inc. | Remote plasma burn-in |
KR20150001250A (ko) * | 2013-06-27 | 2015-01-06 | 주식회사 에스알티 | 원격 플라즈마 발생기 작동 감시 및 제어 시스템 |
KR102299397B1 (ko) * | 2013-08-14 | 2021-09-06 | 어플라이드 머티어리얼스, 인코포레이티드 | 챔버 데이터를 이용한 유리 파손과 아킹의 검출 |
CN106605451A (zh) * | 2014-09-12 | 2017-04-26 | 应用材料公司 | 用于处理半导体处理设备排放物的控制器 |
US9972478B2 (en) | 2016-09-16 | 2018-05-15 | Lam Research Corporation | Method and process of implementing machine learning in complex multivariate wafer processing equipment |
-
2019
- 2019-02-14 US US16/276,320 patent/US20200266037A1/en not_active Abandoned
-
2020
- 2020-01-23 EP EP20755270.4A patent/EP3924995A4/en active Pending
- 2020-01-23 JP JP2021547191A patent/JP7496363B2/ja active Active
- 2020-01-23 WO PCT/US2020/014761 patent/WO2020167440A1/en unknown
- 2020-01-23 KR KR1020217025938A patent/KR20210116556A/ko not_active Application Discontinuation
- 2020-01-23 CN CN202080014377.6A patent/CN113474868B/zh active Active
- 2020-02-11 TW TW109104175A patent/TWI849053B/zh active
-
2023
- 2023-02-22 US US18/112,971 patent/US20230360887A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332201A1 (en) * | 2009-06-30 | 2010-12-30 | Luc Albarede | Methods and apparatus for predictive preventive maintenance of processing chambers |
CN104662636A (zh) * | 2012-08-07 | 2015-05-27 | 瓦里安半导体设备公司 | 离子源的效能改善与延伸生命期的技术 |
CN104183452A (zh) * | 2013-05-22 | 2014-12-03 | 崔大奎 | 具有自主管理功能的远程等离子体系统及其自主管理方法 |
CN107424898A (zh) * | 2016-05-24 | 2017-12-01 | Spts科技有限公司 | 等离子体处理装置的清洁方法 |
US20180151332A1 (en) * | 2016-11-28 | 2018-05-31 | Tokyo Electron Limited | Plasma processing apparatus |
Also Published As
Publication number | Publication date |
---|---|
JP7496363B2 (ja) | 2024-06-06 |
TW202105449A (zh) | 2021-02-01 |
EP3924995A4 (en) | 2022-11-16 |
US20200266037A1 (en) | 2020-08-20 |
KR20210116556A (ko) | 2021-09-27 |
US20230360887A1 (en) | 2023-11-09 |
EP3924995A1 (en) | 2021-12-22 |
JP2022520804A (ja) | 2022-04-01 |
TWI849053B (zh) | 2024-07-21 |
CN113474868B (zh) | 2024-05-24 |
WO2020167440A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210358785A1 (en) | Event monitoring and characterization | |
US20220270237A1 (en) | Defect classification and source analysis for semiconductor equipment | |
TWI653585B (zh) | 用於在預測系統中最佳化獲利的方法及裝置 | |
US8473089B2 (en) | Methods and apparatus for predictive preventive maintenance of processing chambers | |
US8295966B2 (en) | Methods and apparatus to predict etch rate uniformity for qualification of a plasma chamber | |
KR101018545B1 (ko) | 적응형 다변수 결함 검출 | |
KR101708077B1 (ko) | 프로세싱 챔버의 예측 예방 보전을 위한 방법 및 장치 | |
WO2020049087A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
WO2014208002A1 (ja) | システム分析装置、システム分析方法、及びシステム分析プログラム | |
KR20230104540A (ko) | 반도체 제작 장비를 위한 예측 유지 보수 | |
US20230360887A1 (en) | Maintenance for remote plasma sources | |
JP5084591B2 (ja) | 異常検知装置 | |
Zhang et al. | Phase I analysis of multivariate profiles based on regression adjustment | |
CN116249942A (zh) | 用于检测和校正实时产品基板的增强处理和硬件架构 | |
US10309013B2 (en) | Method and system for identifying a clean endpoint time for a chamber | |
WO2023175232A1 (en) | Method and system for detecting anomaly in time series data | |
US20240047248A1 (en) | Adaptive model training for process control of semiconductor manufacturing equipment | |
Susto et al. | A dynamic sampling approach for cost reduction in semiconductor manufacturing | |
Celano et al. | One-sided Bayesian S2 control charts for the control of process dispersion in finite production runs | |
WO2024145612A1 (en) | Automated recipe health optimization |
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 |