CN115946154B - 一种基于晶圆传输状态数据的损害性预测方法 - Google Patents
一种基于晶圆传输状态数据的损害性预测方法 Download PDFInfo
- Publication number
- CN115946154B CN115946154B CN202310247141.2A CN202310247141A CN115946154B CN 115946154 B CN115946154 B CN 115946154B CN 202310247141 A CN202310247141 A CN 202310247141A CN 115946154 B CN115946154 B CN 115946154B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- mechanical arm
- wafer
- inclination angle
- vibration amplitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005540 biological transmission Effects 0.000 title claims abstract description 28
- 230000000254 damaging effect Effects 0.000 title claims description 3
- 230000002159 abnormal effect Effects 0.000 claims abstract description 251
- 235000012431 wafers Nutrition 0.000 claims description 120
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种基于晶圆传输状态数据的损害性预测方法，涉及晶圆传输技术领域，所述预测方法包括如下步骤：步骤S1，获取晶圆传输过程中的机械臂状态信息；步骤S2，对所述机械臂状态信息进行分析；步骤S3，获取异常历史记录和异常晶圆批次；步骤S4，统计异常晶圆批次的损失率和损失占比系数；步骤S5，对异常晶圆的损失率和机械臂状态信息数据进行再计算；步骤S6，根据工作中机械臂的状态信息数据对晶圆损失率进行预测；本发明通过设置损害性预测机械臂，通过采集损害性预测机械臂的状态信息，再对状态信息进行分析和处理，根据处理结果对晶圆损失率进行预测；为预测晶圆损失率提供了数据支持。
Description
技术领域
本发明涉及晶圆传输技术领域，尤其涉及一种基于晶圆传输状态数据的损害性预测方法。
背景技术
目前，在半导体制造工艺中经常需要将晶圆进行不同工艺之间的传输，晶圆的传输需要借助由一系列的大气设备和真空设备等组成的传输模块来实现。传输模块中通常设置有机械手臂，用以通过伸缩、升降等运动来实现将晶圆传输到工艺腔室中，在对晶圆进行传输时，机械臂的工作状态对晶圆传输的影响较大。
在现有技术中，往往是对晶圆成品进行缺陷检测，获得晶圆良率，预测的提前量不足，如果当前车间机械臂工作状态出现异常，可能会造成经过该车间生产的晶圆有缺陷，甚至发生经过该车间的大量产品报废的问题。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于晶圆传输状态数据的损害性预测方法，通过对机械臂工作状态的采集，能够预测出晶圆在传输过程中的损害性，以解决现有的机械臂出现异常不能及时发现，导致大量产品报废的问题。
为了解决上述问题，本发明提供一种基于晶圆传输状态数据的损害性预测方法，所述预测方法包括以下步骤：
步骤S1:获取晶圆传输过程中的机械臂状态信息，所述机械臂状态信息包含所述晶圆传输过程中的机械臂倾斜角度的历史记录、机械臂旋转速率的历史记录和机械臂震动幅度的历史记录；
步骤S2：对所述机械臂倾斜角度的历史记录、机械臂旋转速率的历史记录和机械臂震动幅度的历史记录进行分析，获取机械臂倾斜角度的异常历史记录、机械臂旋转速率的异常历史记录和机械臂震动幅度的异常历史记录；
步骤S3：将机械臂倾斜角度的异常历史记录对应的晶圆设定为倾斜异常晶圆；将机械臂旋转速率的异常历史记录对应的晶圆设定为旋转异常晶圆；将机械臂震动幅度的异常历史记录对应的晶圆设定为震动异常晶圆；
步骤S4：对倾斜异常晶圆、旋转异常晶圆和震动异常晶圆进行缺陷检测，统计倾斜异常损失率、旋转异常损失率和震动异常损失率，计算获得倾斜异常损失占比系数、旋转异常损失占比系数和震动异常损失占比系数；
步骤S5:将所述步骤S3和步骤S4获取得到的机械臂倾斜角度的异常历史记录、机械臂旋转速率的异常历史记录和机械臂震动幅度的异常历史记录分别代入倾斜角度影响值计算公式、旋转速率影响值计算公式和震动影响值计算公式中，得到晶圆传输过程中的倾斜角度影响值、旋转速率影响值和震动幅度影响值；
步骤S6：获得工作时的机械臂状态信息，所述工作时的机械臂状态信息包括：工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度，基于机械臂状态信息、机械臂倾斜角度影响值、机械臂旋转速率影响值和机械臂震动幅度影响值结果对晶圆损失率进行预测。
进一步地，所述机械臂倾斜角度的历史记录包括：机械臂的倾斜角度的最大值和机械臂倾斜时间；
所述机械臂旋转速率的历史记录包括：机械臂的旋转速率和机械臂旋转速率对应的时间；
所述机械臂震动幅度的历史记录包括：机械臂的震动幅度和机械臂震动幅度对应的时间；
所述步骤S1包括如下子步骤：
步骤S101：选取一台机械臂作为损害性预测机械臂；
步骤S102：在所述损害性预测机械臂上设置有倾斜传感器、旋转速率传感器和震动传感器，实时获取机械臂的倾斜角度、旋转速率和震动幅度，并记录时间；
进一步地，所述步骤S2包括如下子步骤：
步骤S201：将倾斜角度与倾斜阈值进行比较，当所述损害性预测机械臂的倾斜角度小于等于倾斜阈值QX时，记录为倾斜角度正常；
当所述损害性预测机械臂的倾斜角度大于倾斜阈值QX时，将该段机械臂倾斜角度的历史记录记录为机械臂倾斜角度的异常历史记录；
步骤S202：将旋转速率与转速阈值进行比较，当所述损害性预测机械臂的旋转速率小于等于转速阈值ZS时，记录为旋转速率正常；
当所述损害性预测机械臂的旋转速率大于转速阈值ZS时，将该段机械臂旋转速率的历史记录记录为机械臂旋转速率的异常历史记录；
步骤S203：将震动幅度与震动阈值进行比较，当所述损害性预测机械臂的震动幅度小于等于震动阈值ZD时，记录为震动幅度正常；
当所述损害性预测机械臂的震动幅度大于震动阈值ZD时，将该段机械臂震动幅度的历史记录记录为机械臂震动幅度的异常历史记录。
进一步地，步骤S3包括如下子步骤：
步骤S301：获取当旋转速率和震动幅度正常，机械臂倾斜角度异常时所对应的晶圆批次，将该批次晶圆设置为倾斜异常晶圆，并将此次异常历史记录中倾斜角度的最大值设置为QXn，n为正整数；
步骤S302：获取当倾斜角度和震动幅度正常，机械臂旋转速率异常时所对应的晶圆批次，将该批次晶圆设置为旋转异常晶圆，并将此次异常历史记录中旋转速率的最大值设置为ZSk，k为正整数；
步骤S303：获取当旋转速率和倾斜角度正常，机械臂震动幅度异常时所对应的晶圆批次，将该批次晶圆设置为震动异常晶圆，并将此次异常历史记录中震动幅度的最大值设置为ZDm，m为正整数。
进一步地，所述步骤S4包括如下子步骤：
步骤S401：分别对倾斜异常晶圆、旋转异常晶圆和震动异常晶圆进行缺陷检测；
步骤S402：获得倾斜异常晶圆、旋转异常晶圆和震动异常晶圆的损失率，将倾斜异常损失率设置为YQXn,将旋转异常损失率设置为YZSk，将震动异常损失率设置为YZDm，n、k和m均为正整数；
步骤S403：将倾斜异常损失率、转速异常损失率和震动异常损失率分别代入倾斜异常损失占比系数计算公式、旋转异常损失占比系数计算公式和震动异常损失占比系数计算公式中计算得到倾斜异常损失占比系数、旋转异常损失占比系数和震动异常损失占比系数。
进一步地，所述倾斜异常损失占比系数计算公式配置为
；其中，A1设置为倾斜异常损失占比系数，YQXn设置为倾斜异常损失率，YZSk设置为旋转异常损失率，YZDm设置为震动异常损失率，n、k和m均为正整数；
所述旋转异常损失占比系数计算公式配置为
；其中，A2设置为旋转异常损失占比系数，YQXn设置为倾斜异常损失率，YZSk设置为旋转异常损失率，YZDm设置为震动异常损失率，n、k和m均为正整数；
所述震动异常损失占比系数计算公式配置为
；其中，A3设置为震动异常损失占比系数，YQXn设置为倾斜异常损失率，YZSk设置为旋转异常损失率，YZDm设置为震动异常损失率，n、k和m均为正整数。
进一步地，所述步骤S5包括如下子步骤：
步骤S501：将倾斜阈值、最大倾斜角度、倾斜异常损失率代入倾斜角度影响值计算公式
中，计算得出倾斜角度影响值;其中，JQX设置为倾斜角度影响值，QX设置为倾斜阈值，QXn设置为此次异常历史记录中倾斜角度的最大值，n为正整数，YQXn设置为倾斜异常损失率，B1为倾斜角度转换值；
步骤S502：将转速阈值、最大转速和旋转异常损失率代入旋转速率影响值计算公式
中，计算得出旋转速率影响值；其中，JZS设置为旋转速率影响值，ZS设置为转速阈值，ZSk设置为此次异常历史记录中旋转速率的最大值，k为正整数，YZSk设置为旋转异常损失率,B2为旋转速率转换值；
步骤S503：将震动阈值、最大震动幅度和震动异常损失率代入震动幅度影响值计算公式中
中，计算得出震动幅度影响值；其中，JZD设置为震动幅度影响值，ZD设置为震动阈值，ZDm设置为此次异常历史记录中震动幅度的最大值，m为正整数，YZDm设置为震动异常损失率,B3为震动幅度转换值。
进一步地，所述步骤S6包括以下子步骤：
S601：获取工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度；
S602：将工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度代入异常状态损失率计算公式预测晶圆的损失率。
进一步地，所述异常状态损失率计算公式配置为
；其中，M设置为异常状态损失率，A1设置为倾斜异常损失占比系数，A2设置为旋转异常损失占比系数，A3设置为震动异常损失占比系数，JQX设置为倾斜角度影响值，JZS设置为旋转速率影响值，JZD设置为震动幅度影响值，PQX设置为工作时机械臂的倾斜角度，PZS设置为工作时机械臂的旋转速率，PZD设置为工作时机械臂的震动幅度。
本发明的有益效果：本发明首先获取晶圆传输过程中的机械臂状态信息，分析得到机械臂异常状态信息，再抓取机械臂异常状态信息所对应的异常晶圆，对异常晶圆进行缺陷检测，计算获得异常损失率和异常损失占比系数，对异常损失率、异常损失占比系数进行再计算获得倾斜角度影响值、旋转速率影响值和震动幅度影响值；最后再获取工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度，基于机械臂状态信息、机械臂倾斜角度影响值、机械臂旋转速率影响值和机械臂震动幅度影响值结果对晶圆损失率进行预测；通过对机械臂工作状态进行监测，为预测晶圆损失率提供了数据支持，以解决由于检测滞后导致大量晶圆损失的问题。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明的处理方法的流程图；
图2为本发明的步骤S1的子步骤流程图；
图3为本发明的步骤S2的子步骤流程图；
图4为本发明的步骤S3的子步骤流程图；
图5为本发明的步骤S4的子步骤流程图；
图6为本发明的步骤S6的子步骤流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
请参阅图1所示，本发明提供一种基于晶圆传输状态数据的损害性预测方法，所述预测方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5和步骤S6；
步骤S1包括获取晶圆传输过程中的机械臂状态信息，所述机械臂状态信息包含所述晶圆传输过程中的机械臂倾斜角度的历史记录、机械臂旋转速率的历史记录和机械臂震动幅度的历史记录；
所述机械臂倾斜角度的历史记录包括：机械臂的倾斜角度的最大值和机械臂倾斜时间；
所述机械臂旋转速率的历史记录包括：机械臂的旋转速率和机械臂旋转速率对应的时间；
所述机械臂震动幅度的历史记录包括：机械臂的震动幅度和机械臂震动幅度对应的时间；
请参阅图2所示，所示步骤S1包括如下子步骤：
步骤S101：选取一台机械臂作为损害性预测机械臂；
步骤S102：在所述损害性预测机械臂上设置有倾斜传感器、旋转速率传感器和震动传感器，实时获取机械臂的倾斜角度、旋转速率和震动幅度，并记录时间；具体地，倾斜传感器设置在机械臂两端；
步骤S2包括对所述机械臂倾斜角度的历史记录、机械臂旋转速率的历史记录和机械臂震动幅度的历史记录进行分析，获取机械臂倾斜角度的异常历史记录、机械臂旋转速率的异常历史记录和机械臂震动幅度的异常历史记录；
请参阅图3所示，所述步骤S2包括如下子步骤：
步骤S201：将倾斜角度与倾斜阈值进行比较，当所述损害性预测机械臂的倾斜角度小于等于倾斜阈值QX时，记录为倾斜角度正常；
当所述损害性预测机械臂的倾斜角度大于倾斜阈值QX时，将该段机械臂倾斜角度的历史记录记录为机械臂倾斜角度的异常历史记录；
步骤S202：将旋转速率与转速阈值进行比较，当所述损害性预测机械臂的旋转速率小于等于转速阈值ZS时，记录为旋转速率正常；
当所述损害性预测机械臂的旋转速率大于转速阈值ZS时，将该段机械臂旋转速率的历史记录记录为机械臂旋转速率的异常历史记录；
步骤S203：将震动幅度与震动阈值进行比较，当所述损害性预测机械臂的震动幅度小于等于震动阈值ZD时，记录为震动幅度正常；
当所述损害性预测机械臂的震动幅度大于震动阈值ZD时，将该段机械臂震动幅度的历史记录记录为机械臂震动幅度的异常历史记录。
步骤S3包括将机械臂倾斜角度的异常历史记录对应的晶圆设定为倾斜异常晶圆；将机械臂旋转速率的异常历史记录对应的晶圆设定为旋转异常晶圆；将机械臂震动幅度的异常历史记录对应的晶圆设定为震动异常晶圆；请参阅图4所示，所述步骤S3包括如下子步骤：
步骤S301：获取当旋转速率和震动幅度正常，机械臂倾斜角度异常时所对应的晶圆批次，将该批次晶圆设置为倾斜异常晶圆，并将此次异常历史记录中倾斜角度的最大值设置为QXn，n为正整数；在具体实施中，当旋转速率和震动幅度正常时，造成晶圆损失的主要原因为机械臂倾斜异常；
步骤S302：获取当倾斜角度和震动幅度正常，机械臂旋转速率异常时所对应的晶圆批次，将该批次晶圆设置为旋转异常晶圆，并将此次异常历史记录中旋转速率的最大值设置为ZSk，k为正整数；在具体实施中，当倾斜角度和震动幅度正常时，造成晶圆损失的主要原因为机械臂旋转异常；
步骤S303：获取当旋转速率和倾斜角度正常，机械臂震动幅度异常时所对应的晶圆批次，将该批次晶圆设置为震动异常晶圆，并将此次异常历史记录中震动幅度的最大值设置为ZDm，m为正整数；在具体实施中，当旋转速率和倾斜角度正常时，造成晶圆损失的主要原因为机械臂震动异常。
步骤S4包括对倾斜异常晶圆、旋转异常晶圆和震动异常晶圆进行缺陷检测，统计倾斜异常损失率、旋转异常损失率和震动异常损失率，计算获得倾斜异常损失占比系数、旋转异常损失占比系数和震动异常损失占比系数；请参阅图5所示，所述步骤S4包括如下子步骤：
步骤S401：分别对倾斜异常晶圆、旋转异常晶圆和震动异常晶圆进行缺陷检测；
步骤S402：获得倾斜异常晶圆、旋转异常晶圆和震动异常晶圆的损失率，将倾斜异常损失率设置为YQXn,将旋转异常损失率设置为YZSk，将震动异常损失率设置为YZDm，n、k和m均为正整数；
步骤S403：将倾斜异常损失率、转速异常损失率和震动异常损失率分别代入倾斜异常损失占比系数计算公式、旋转异常损失占比系数计算公式和震动异常损失占比系数计算公式中计算得到倾斜异常损失占比系数、旋转异常损失占比系数和震动异常损失占比系数。
所述倾斜异常损失占比系数计算公式配置为
；其中，A1设置为倾斜异常损失占比系数，YQXn设置为倾斜异常损失率，YZSk设置为旋转异常损失率，YZDm设置为震动异常损失率，n、k和m均为正整数；
所述旋转异常损失占比系数计算公式配置为
；其中，A2设置为旋转异常损失占比系数，YQXn设置为倾斜异常损失率，YZSk设置为旋转异常损失率，YZDm设置为震动异常损失率，n、k和m均为正整数；
所述震动异常损失占比系数计算公式配置为
；其中，A3设置为震动异常损失占比系数，YQXn设置为倾斜异常损失率，YZSk设置为旋转异常损失率，YZDm设置为震动异常损失率，n、k和m均为正整数。
步骤S5包括将所述步骤S3和步骤S4获取得到的机械臂倾斜角度的异常历史记录、机械臂旋转速率的异常历史记录和机械臂震动幅度的异常历史记录分别代入倾斜角度影响值计算公式、旋转速率影响值计算公式和震动影响值计算公式中，得到晶圆传输过程中的倾斜角度影响值、旋转速率影响值和震动幅度影响值；所述步骤S5包括如下子步骤：
步骤S501：将倾斜阈值、最大倾斜角度、倾斜异常损失率代入倾斜角度影响值计算公式
中，计算得出倾斜角度影响值;其中，JQX设置为倾斜角度影响值，QX设置为倾斜阈值，QXn设置为此次异常历史记录中倾斜角度的最大值，n为正整数，YQXn设置为倾斜异常损失率，B1为倾斜角度转换值；在具体实施过程中，机械臂发生倾斜异常时，倾斜异常损失率越大，反应出倾斜角度影响值越大，异常倾斜角度的最大值与倾斜阈值差越大，倾斜角度影响值也越大；
步骤S502：将转速阈值、最大转速和旋转异常损失率代入旋转速率影响值计算公式
中，计算得出旋转速率影响值；其中，JZS设置为旋转速率影响值，ZS设置为转速阈值，ZSk设置为此次异常历史记录中旋转速率的最大值，k为正整数，Yzsk设置为旋转异常损失率,B2为旋转速率转换值；在具体实施过程中，机械臂发生旋转异常时，旋转异常损失率越大，反应出旋转速率影响值越大，异常旋转速率的最大值与转速阈值差越大，旋转速率影响值也越大；
步骤S503：将震动阈值、最大震动幅度和震动异常损失率代入震动幅度影响值计算公式中
中，计算得出震动幅度影响值；其中，JZD设置为震动幅度影响值，ZD设置为震动阈值，ZDm设置为此次异常历史记录中震动幅度的最大值，m为正整数，YZDm设置为震动异常损失率,B3为震动幅度转换值；在具体实施过程中，机械臂发生震动异常时，震动异常损失率越大，反应出震动幅度影响值越大，异常震动幅度的最大值与转速阈值差越大，震动幅度影响值也越大。
步骤S6：获得工作时的机械臂状态信息，所述工作时的机械臂状态信息包括：工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度，基于机械臂状态信息、机械臂倾斜角度影响值、机械臂旋转速率影响值和机械臂震动幅度影响值结果对晶圆损失率进行预测；请参阅图6所示，所述步骤S6包括以下子步骤：
S601：获取工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度；
S602：将工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度代入异常状态损失率计算公式预测晶圆的损失率。
所述异常状态损失率计算公式配置为
；其中，M设置为异常状态损失率，A1设置为倾斜异常损失占比系数，A2设置为旋转异常损失占比系数，A3设置为震动异常损失占比系数，JQX设置为倾斜角度影响值，JZS设置为旋转速率影响值，JZD设置为震动幅度影响值，PQX设置为工作时机械臂的倾斜角度，PZS设置为工作时机械臂的旋转速率，PZD设置为工作时机械臂的震动幅度；在具体实施过程中，异常状态损失率受多个异常状态的影响，各个异常状态的影响占比不同，分别为A1、A2和A3，其中，A1、A2和A3损害性预测机械臂记录得出。
工作原理：本发明首先获取晶圆传输过程中的机械臂状态信息，然后对机械臂状态信息进行分析，获取机械臂异常状态信息，再抓取机械臂异常状态信息所对应的异常晶圆，对异常晶圆进行缺陷检测，计算获得异常损失率和异常损失占比系数，对异常损失率、异常损失占比系数进行再计算获得倾斜角度影响值、旋转速率影响值和震动幅度影响值；最后再获取工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度，基于机械臂状态信息、机械臂倾斜角度影响值、机械臂旋转速率影响值和机械臂震动幅度影响值结果对晶圆损失率进行预测；通过对机械臂工作状态进行监测，能够实时预测出晶圆损失率，减少了由于检测滞后带来的大量晶圆损失。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static RandomAccess Memory，简称SRAM），电可擦除可编程只读存储器（Electrically ErasableProgrammable Read-Only Memory，简称EEPROM），可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，简称EPROM），可编程只读存储器（Programmable Red-Only Memory，简称PROM），只读存储器（Read-OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述预测方法包括以下步骤：
步骤S1:获取晶圆传输过程中的机械臂状态信息，所述机械臂状态信息包含所述晶圆传输过程中的机械臂倾斜角度的历史记录、机械臂旋转速率的历史记录和机械臂震动幅度的历史记录；
步骤S2：对所述机械臂倾斜角度的历史记录、机械臂旋转速率的历史记录和机械臂震动幅度的历史记录进行分析，获取机械臂倾斜角度的异常历史记录、机械臂旋转速率的异常历史记录和机械臂震动幅度的异常历史记录；
步骤S3：将机械臂倾斜角度的异常历史记录对应的晶圆设定为倾斜异常晶圆；将机械臂旋转速率的异常历史记录对应的晶圆设定为旋转异常晶圆；将机械臂震动幅度的异常历史记录对应的晶圆设定为震动异常晶圆；
步骤S4：对倾斜异常晶圆、旋转异常晶圆和震动异常晶圆进行缺陷检测，统计倾斜异常损失率、旋转异常损失率和震动异常损失率，计算获得倾斜异常损失占比系数、旋转异常损失占比系数和震动异常损失占比系数；
步骤S5:将所述步骤S3和步骤S4获取得到的机械臂倾斜角度的异常历史记录、机械臂旋转速率的异常历史记录和机械臂震动幅度的异常历史记录分别代入倾斜角度影响值计算公式、旋转速率影响值计算公式和震动幅度影响值计算公式中，得到晶圆传输过程中的倾斜角度影响值、旋转速率影响值和震动幅度影响值；所述步骤S5包括如下子步骤：
步骤S501：将倾斜阈值、最大倾斜角度、倾斜异常损失率代入倾斜角度影响值计算公式
中，计算得出倾斜角度影响值;其中，JQX设置为倾斜角度影响值，QX设置为倾斜阈值，QXn设置为第n次异常历史记录中倾斜角度的最大值，B1为倾斜角度转换值；
步骤S502：将转速阈值、最大转速和旋转异常损失率代入旋转速率影响值计算公式
中，计算得出旋转速率影响值；其中，JZS设置为旋转速率影响值，ZS设置为转速阈值，ZSk设置为第k次异常历史记录中旋转速率的最大值,B2为旋转速率转换值；
步骤S503：将震动阈值、最大震动幅度和震动异常损失率代入震动幅度影响值计算公式中
中，计算得出震动幅度影响值；其中，JZD设置为震动幅度影响值，ZD设置为震动阈值，ZDm设置为第m次异常历史记录中震动幅度的最大值，B3为震动幅度转换值；YQXn为倾斜异常损失率,YZSk为旋转异常损失率，YZDm为震动异常损失率，n、k和m均为正整数；
步骤S6：获得工作时的机械臂状态信息，所述工作时的机械臂状态信息包括：工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度，基于机械臂状态信息、机械臂倾斜角度影响值、机械臂旋转速率影响值和机械臂震动幅度影响值结果对晶圆损失率进行预测。
2.根据权利要求1所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述机械臂倾斜角度的历史记录包括：机械臂的倾斜角度和机械臂倾斜角度对应的时间；
所述机械臂旋转速率的历史记录包括：机械臂的旋转速率和机械臂旋转速率对应的时间；
所述机械臂震动幅度的历史记录包括：机械臂的震动幅度和机械臂震动幅度对应的时间；
所述步骤S1包括如下子步骤：
步骤S101：选取一台机械臂作为损害性预测机械臂；
步骤S102：在所述损害性预测机械臂上设置有倾斜传感器、旋转速率传感器和震动传感器，实时获取机械臂的倾斜角度、旋转速率和震动幅度，并记录时间。
3.根据权利要求2所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述步骤S2包括如下子步骤：
步骤S201：将倾斜角度与倾斜阈值进行比较，当所述损害性预测机械臂的倾斜角度小于等于倾斜阈值QX时，记录为倾斜角度正常；
当所述损害性预测机械臂的倾斜角度大于倾斜阈值QX时，将该机械臂的倾斜角度的历史记录记录为机械臂倾斜角度的异常历史记录；
步骤S202：将旋转速率与转速阈值进行比较，当所述损害性预测机械臂的旋转速率小于等于转速阈值ZS时，记录为旋转速率正常；
当所述损害性预测机械臂的旋转速率大于转速阈值ZS时，将该机械臂的旋转速率的历史记录记录为机械臂旋转速率的异常历史记录；
步骤S203：将震动幅度与震动阈值进行比较，当所述损害性预测机械臂的震动幅度小于等于震动阈值ZD时，记录为震动幅度正常；
当所述损害性预测机械臂的震动幅度大于震动阈值ZD时，将该机械臂的震动幅度的历史记录记录为机械臂震动幅度的异常历史记录。
4.根据权利要求3所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，步骤S3包括如下子步骤：
步骤S301：获取当旋转速率和震动幅度正常，机械臂倾斜角度异常时所对应的晶圆批次，将该批次晶圆设置为倾斜异常晶圆，并将此次异常历史记录中倾斜角度的最大值设置为QXn，n为正整数；
步骤S302：获取当倾斜角度和震动幅度正常，机械臂旋转速率异常时所对应的晶圆批次，将该批次晶圆设置为旋转异常晶圆，并将此次异常历史记录中旋转速率的最大值设置为ZSk，k为正整数；
步骤S303：获取当旋转速率和倾斜角度正常，机械臂震动幅度异常时所对应的晶圆批次，将该批次晶圆设置为震动异常晶圆，并将此次异常历史记录中震动幅度的最大值设置为ZDm，m为正整数。
5.根据权利要求4所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述步骤S4包括如下子步骤：
步骤S401：分别对倾斜异常晶圆、旋转异常晶圆和震动异常晶圆进行缺陷检测；
步骤S402：获得倾斜异常晶圆、旋转异常晶圆和震动异常晶圆的损失率；
步骤S403：将倾斜异常损失率、转速异常损失率和震动异常损失率分别代入倾斜异常损失占比系数计算公式、旋转异常损失占比系数计算公式和震动异常损失占比系数计算公式中计算得到倾斜异常损失占比系数、旋转异常损失占比系数和震动异常损失占比系数。
6.根据权利要求5所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述倾斜异常损失占比系数计算公式配置为
；其中，A1设置为倾斜异常损失占比系数；
所述旋转异常损失占比系数计算公式配置为
；其中，A2设置为旋转异常损失占比系数；
所述震动异常损失占比系数计算公式配置为
；其中，A3设置为震动异常损失占比系数。
7.根据权利要求6所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述步骤S6包括以下子步骤：
S601：获取工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度；
S602：将工作时机械臂的倾斜角度、工作时机械臂的旋转速率和工作时机械臂的震动幅度代入异常状态损失率计算公式预测晶圆的损失率。
8.根据权利要求7所述的一种基于晶圆传输状态数据的损害性预测方法，其特征在于，所述异常状态损失率计算公式配置为
；其中，M设置为异常状态损失率，A1设置为倾斜异常损失占比系数，A2设置为旋转异常损失占比系数，A3设置为震动异常损失占比系数，JQX设置为倾斜角度影响值，JZS设置为旋转速率影响值，JZD设置为震动幅度影响值，PQX设置为工作时机械臂的倾斜角度，PZS设置为工作时机械臂的旋转速率，PZD设置为工作时机械臂的震动幅度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310247141.2A CN115946154B (zh) | 2023-03-15 | 2023-03-15 | 一种基于晶圆传输状态数据的损害性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310247141.2A CN115946154B (zh) | 2023-03-15 | 2023-03-15 | 一种基于晶圆传输状态数据的损害性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115946154A CN115946154A (zh) | 2023-04-11 |
| CN115946154B true CN115946154B (zh) | 2023-06-02 |
Family
ID=85891497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310247141.2A Active CN115946154B (zh) | 2023-03-15 | 2023-03-15 | 一种基于晶圆传输状态数据的损害性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115946154B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117162104B (zh) * | 2023-11-02 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下的转运机械臂装机控制预警系统及方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4786505B2 (ja) * | 2006-11-13 | 2011-10-05 | 株式会社東芝 | 不良検出方法 |
| CN110065091A (zh) * | 2018-01-24 | 2019-07-30 | 固德科技股份有限公司 | 一种机械手臂动态监测系统及其实施方法 |
| CN110118543B (zh) * | 2019-04-22 | 2020-07-10 | 武汉理工大学 | 一种基于机器人盘式打磨的工件表面粗糙度预测方法 |
| US11367637B2 (en) * | 2020-02-11 | 2022-06-21 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of operating transport system |
| CN111554594A (zh) * | 2020-04-30 | 2020-08-18 | 上海果纳半导体技术有限公司 | 晶圆传送监测方法及晶圆传送监测装置 |
| CN113255732B (zh) * | 2021-04-29 | 2022-03-18 | 华中科技大学 | 基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法 |
| CN115164998B (zh) * | 2022-09-08 | 2023-02-28 | 泓浒(苏州)半导体科技有限公司 | 一种用于晶圆传送设备的运行稳定性数据处理系统 |
-
2023
- 2023-03-15 CN CN202310247141.2A patent/CN115946154B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115946154A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5042225B2 (ja) | 熱処理システムのビルトイン・セルフテスト | |
| CN115946154B (zh) | 一种基于晶圆传输状态数据的损害性预测方法 | |
| JP5096335B2 (ja) | 熱処理システムのビルトイン・セルフテスト | |
| US8396583B2 (en) | Method and system for implementing virtual metrology in semiconductor fabrication | |
| CN106971953B (zh) | 制造制程中的误差检测方法 | |
| US11061915B2 (en) | System and method for anomaly characterization based on joint historical and time-series analysis | |
| JP7466197B2 (ja) | 異常解析装置、製造システム、異常解析方法及びプログラム | |
| US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
| JP7467261B2 (ja) | 異常検知装置、半導体製造装置及び異常検知方法 | |
| US20200082225A1 (en) | Inspection device and machine learning method | |
| US20120101758A1 (en) | Method of analyzing cause of abnormality and program analyzing abnormality | |
| US20230400508A1 (en) | Substrate processing system tools for monitoring, assessing and responding based on health including sensor mapping and triggered datalogging | |
| JP2994321B2 (ja) | 製造工程の生産管理システム | |
| JP4887628B2 (ja) | 半導体製造装置、コンピュータプログラム及び記憶媒体 | |
| US7292959B1 (en) | Total tool control for semiconductor manufacturing | |
| US7130769B1 (en) | Method of dynamically designing a preventative maintenance schedule based upon sensor data, and system for accomplishing same | |
| JP2018005393A (ja) | 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム | |
| JP2010061505A (ja) | 生産管理装置および生産管理方法 | |
| US8510610B2 (en) | Method and system of compressing raw fabrication data for fault determination | |
| US7299154B1 (en) | Method and apparatus for fast disturbance detection and classification | |
| CN1229265A (zh) | 防止因工艺条件规范改变使半导体制造工艺失效的方法 | |
| JP2006513561A (ja) | パラレル欠陥検出 | |
| CN118571773B (zh) | 晶圆状态检测方法、装置、设备和介质 | |
| CN112201587B (zh) | 晶圆测量方法 | |
| CN116770253A (zh) | 用于溅射机台的烧腔卡控方法、装置、计算机设备及介质 |
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 |