CN116075824A - 工艺踪迹的自动窗生成 - Google Patents
工艺踪迹的自动窗生成 Download PDFInfo
- Publication number
- CN116075824A CN116075824A CN202180058613.9A CN202180058613A CN116075824A CN 116075824 A CN116075824 A CN 116075824A CN 202180058613 A CN202180058613 A CN 202180058613A CN 116075824 A CN116075824 A CN 116075824A
- Authority
- CN
- China
- Prior art keywords
- trace
- trace data
- change
- sensor
- beginning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 title claims description 19
- 230000008859 change Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 34
- 239000004065 semiconductor Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004454 trace mineral analysis Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F11/348—Circuit details, i.e. tracer hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- G06F11/3457—Performance evaluation by simulation
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- General Factory Administration (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
自动地限定窗以进行踪迹分析。针对每一个工艺步骤,将踪迹数据与所述工艺步骤的开端和所述工艺步骤的末尾对准,并且从所述工艺步骤的所述开端和所述工艺步骤的所述末尾计算包括改变率在内的统计资料。基于对所述所计算统计资料的分析来生成窗。
Description
技术领域
本申请涉及使用工艺踪迹分析来对半导体装备故障进行检测和分类,并且更确切来说涉及自动限定窗以进行工艺踪迹分析的基于机器的方法。
背景技术
通过监测装备传感器的时间序列踪迹来检测装备故障在半导体制造中是经过长时间认证但非常困难的问题。通常,一种用于故障检测和分类(“FDC”)的方法首先是将复杂的踪迹分解到多个逻辑“窗”中,并且接着基于窗中的踪迹数据来计算统计资料(通常称为指标或关键数)。所述指标可使用统计过程控制(“SPC”)技术来监测以主要基于工程知识识别特征或异常并且可用作预测模型和根本原因分析的输入。然而,指标的品质决定了所有后续分析的价值:高品质的指标需要高品质的窗限定。
照惯例,窗限定在很大程度上是人工的并且是使用FDC技术时的关键限制和最大成本之一。此外,尽管已有自动开窗算法,但其通常需要大量的人工干预才能产生高品质的窗。因此,将期望找到在FDC分析方案中限定并使用踪迹窗的改进技术。
附图说明
图1A是在半导体制造工艺的多个步骤的时间内获得的踪迹数据的图形显示。
图1B是图1A的在踪迹数据上限定了窗的图形显示。
图2是图解说明自动限定窗的过程的流程图。
图3A是从与步骤IV的起点对准的图1A的步骤IV起的数据的图形显示。
图3B是从与步骤IV的末尾对准的图1A的步骤IV起的数据的图形显示。
图4A是从图3A获取并且与步骤IV的起点对准的缩放数据的图形显示。
图4B是图4A中的每一个时间点处的传感器数据的改变率或稳定性的图形显示。
图5A是从图3B获取并且与步骤IV的末尾对准的缩放数据的图形显示。
图5B是图5A中的每一个时间点处的传感器数据的改变率或稳定性的图形显示。
图6是图解说明自动计算窗的过程的流程图。
图7A是对来自图1A的踪迹数据执行图6的过程中的第一步骤的结果的图形显示。
图7B是对来自图7A的踪迹数据执行图6的过程中的第二步骤的结果的图形显示。
图7C是对来自图7B的踪迹数据执行图6的过程中的第三步骤的结果的图形显示。
图7D是对来自图7C的踪迹数据执行图6的过程中的第四步骤的结果的图形显示。
具体实施方式
如本文中所使用,术语“传感器踪迹”指代在装备运作期间周期性地测量重要物理量的时间序列数据,例如在每一个时间点处物理传感器的取样值。注意,取样率可变化并且样本之间的时间周期并不始终相同。术语“踪迹”或“装备踪迹”指代被识别为用于特定处理实例的所有重要传感器的一批传感器踪迹。术语“步骤”指代相异装置处理周期,例如工艺方案中的步骤中的一者。
参考图1A,呈现踪迹数据的图解说明性图表曲线100,所述图表曲线表示从400个别踪迹获取的数据,即在半导体制作工艺的六个相异步骤I到VI期间从个别传感器获取的时间序列值。传感器值描绘在y轴上,而以秒为单位的实际经过时间是从步骤I的起点开始测量在x轴上。工艺的每一个步骤在图1A中以唯一图标表示以更好地图解说明并且区分传感器行为,特别是在转变周期中的传感器行为。注意,虽然工艺步骤通常开始于特定时间点,但步骤的长度在工艺的不同轮次期间可以是可变的。
依据对图1A中随时间推移而变化的传感器数据的简单目测,计算基本统计指标所存在的问题应显而易见,即仅统计测量无法提供传感器活动的全貌,特别是在踪迹值快速改变的情况下。举例来说,步骤IV中明显发生诸多活动,并且基本统计测量无法完全解释所述活动。
步骤I在标称传感器值下从t=0进行到大约t=10秒。步骤II从大约t=10进行到t=13,其中传感器值急剧上升接着急剧下降。步骤II I从大约t=13进行到t=25,其中传感器值起初下降并且最后传感器值上升,并且在大约t=17到t=22之间是稳定的标称传感器值周期。
步骤IV在这些步骤中的任一者当中具有最长周期,从大约t=25延伸到t=100;但在此步骤的开端和末尾期间出现明显转变,一些传感器踪迹在约t=75时开始降低,传感器踪迹中的最后一个在t>100时降低,这表明随着传感器值由于步骤时间的变化而在时间上进一步分散开,在大约t=75与t=85之间下降的一组传感器踪迹与在大约t=90与t=100之间下降的第二组传感器踪迹之间存在明显的时间差。大约t=45到t=75之间也存在长稳定周期。
在步骤V中,传感器踪迹在两个不同的时间组中转变到标称值,并且在步骤VI中,传感器踪迹在两个不同的时间组中稳定在标称值。
在常规方式中,技术人员仅基于对图形结果的视觉检视来人工地建立窗,从而通常力图在(i)踪迹数据稳定并且(i i)改变率相同的情况下人工地限定窗。举例来说,鉴于这些目标,图IB图解说明人工地置于其中踪迹数据稳定或改变率相同的区上的示例性窗。
图2示出自动限定用于评估踪迹数据的窗的方法200的一个实施方案。在项202中,在第一情况下从工艺步骤的开端对准每一个工艺步骤的踪迹数据,并且在第二情况下从工艺步骤的末尾对准每一个工艺步骤的踪迹数据。为了将数据与工艺步骤的开端“对准”,从所述工艺步骤内的传感器踪迹的每一个值减去所述工艺步骤内的每一个传感器踪迹的最小时间。接着,将所有传感器踪迹的时间变量内插到恒定时间步骤,称此为“步骤时间。”为了将数据与工艺步骤的末尾“对准”,从每一个传感器踪迹的步骤时间的所有值减去所述传感器踪迹的步骤时间的最大值,并且称此为“剩余步骤时间”。
在项204中,从每一个工艺步骤的开端和末尾两者起计算统计资料。确切来说,所计算统计资料中包括稳定性的新定义。在项206中,通过分析从步骤的开端和末尾起的统计资料来计算窗。现在将更详细地描述方法200的每一个项。
举例来说,图3A和图3B示出方法项202的结果。在图3A中,两个不同方案的步骤IV的传感器数据仍描绘在y轴上,但所有值在时间上与步骤的开端对准。类似地,在图3B中,来自步骤IV的传感器数据值在时间上从步骤的末尾对准。在观察对准数据时,从踪迹的开端和末尾分析窗的优点是显而易见的。由于步骤的处理时间或长度是可变的,因此从图3A和图3B的示例应明白,可最好从踪迹的开始计算踪迹的第一部分的统计资料,并且同样地可最好从踪迹的末尾计算踪迹的最后部分的统计资料。
有效自动窗限定的第二关键是,在项204中从步骤的开端和末尾两者针对每一个工艺步骤的每一个时间点计算统计资料。通过在两个方向上建立汇总统计资料,即使在不同踪迹之间步骤时间各有不同仍可识别最优窗。诸多统计资料可证明有用,包括但不限于中位数、平均数、标准偏差(包括稳健估计)和估计斜率。
对于建立有效窗来说既关键又新颖的另外一个统计资料是对踪迹在每一个时间点处的改变率的估计。出于本公开的目的,对改变率的此估计在本文中将被称为“稳定性”并且是将转变窗与稳定窗区分开的最佳指标。举例来说,图4A图解说明被描绘为从步骤的开端对准的踪迹数据,与图3A类似,但在此y轴上的传感器值从0到1缩放并且相对于步骤时间或步骤的长度加以描绘以使得改变率(即,稳定性)能够在具有宽泛变化量值的传感器之间比较。接着,使用此缩放传感器值来计算所有统计资料以使得评估这些统计资料更容易,而无需考虑传感器的原始范围。基于图4A中的数据来估计每一个踪迹的改变率,并且图4B示出所估计稳定性在与步骤的开端对准的相同步骤对准时间帧内的对应曲线。类似地,图5A图解说明被描绘为从步骤的末尾对准的步骤IV的缩放踪迹数据,并且图5B示出在与步骤的末尾对准的相同步骤对准帧内的对应稳定性曲线。
如果传感器踪迹平滑地变化,则改变率仅是当前时间值与先前和下一个值之间的缩放传感器值之差除以标准时间步骤的绝对值中的最大值。稳定性可以是改变率或改变率的某种单调变换。如果踪迹由于复制数据点或固有噪声而不平滑地变化,则改变率的计算可需要基于特定装备的更复杂算法。
从对稳定性曲线的观察可以看出,传感器读数在步骤(图4B)的开端处从约t=3到t=18并且从t=38到t=100看起来稳定(低值);然而,在从步骤的末尾查看数据时(图5B),传感器读数从约t=80到t=140看起来稳定。
在项204中计算统计资料之后,在步骤206中通过从每一个步骤的开端和末尾两者分析统计资料来计算窗。图6图解说明使用统计资料来计算窗的一种方法600,并且图7A到图7D中绘示对应的图形结果。在图7A到图7D中,将示出异常行为的28个踪迹添加到图1A中所表示的数据,以说明能够进行自动开窗过程以应对训练数据集的异常踪迹。
在项602中,确定每一个步骤的开端和末尾处的转变周期,即踪迹迅速改变的区。此可通过分析在方法200的项204中计算的稳定性和中位数值来进行。图7A示出分析踪迹数据的统计资料的结果,其中转变区的五个窗通过正方形图标示出并且非转变区的六个窗通过圆形图标示出。
接着,在项604中对转变周期之间的所有区进行聚类以将具有类似稳定性值的邻近点分组在一起。此项识别内部转变。举例来说,图7B示出基于类似稳定性值对邻近数据点进行聚类的结果。与图7A相比,此项形成另外的转变窗、和非转变窗的一些分区。
在理想情况下,转变窗应是在具有相对稳定的数据的窗之间的具有迅速改变的数据的窗。在项606中,例如通过包括改变率/稳定性因素的差很小的另外点来将转变窗扩展相对小的量以接近所述目标,如图7C中所示。
在项608中,将类似的窗和非常短的窗与相邻的窗合并以减小窗数,并且在项610中,基于在窗内的点的统计资料来估计最终窗数和类型。图7D中所示的结果是具有三个相异类型的11个窗:四个转变窗由正方形图标限定;三个稳定窗由圆形图标限定;并且四个一般窗(非稳定、非转变)由三角形图标限定。
项610中指派的窗类型允许统计指标被自定义成将所计算指标的品质最大化并将所生成指标的数目最小化。
并行处理架构的出现和机器学习算法的进步促进了踪迹窗的自动生成,所述机器学习算法允许用户对问题和改进前景进行建模并使用海量数据以使所述方式相关并可行的速度进行预测。机器学习是涉及建构并研究可从数据中学习的系统的人工智能的一个分支。这些类型的算法和并行处理能力允许处理更大数据集,并且确切来说更好地适合于多元分析。
为自动开窗创建和使用基于处理器的模型可以是基于桌面的(即独立的)或联网系统的一部分;但鉴于要处理并以一定的交互性显示大量信息,处理器能力(CPU、RAM等)应是目前最先进的以将有效性最大化。在半导体代工厂环境中,分析平台是建立交互性GUI模板的一种有用选择。在一个实施方案中,对处理例程的编码可使用与主要用于对机器语言模型进行编码的Python面向对象的编程语言兼容的分析软件版本7.11或更高版本来进行。
前述描述仅出于图解说明目的而呈现,并不旨在是详尽的或将本公开限制于所述精确形式。鉴于以上教义,可做出很多修改和变化。
Claims (17)
1.一种用于进行自动窗限定以分析半导体装备踪迹数据的方法,所述方法包括:
在半导体工艺的多个工艺步骤期间从多个装备传感器接收多个传感器踪迹;
针对所述多个工艺步骤中的每一个相应步骤:
将每一个传感器踪迹与所述相应步骤的开端对准;
计算与所述相应步骤的所述开端对准的每一个传感器踪迹的第一改变率;
将每一个传感器踪迹与所述相应步骤的末尾对准;以及
计算与所述相应步骤的所述末尾对准的每一个传感器踪迹的第二改变率;以及
主要基于针对所述多个传感器踪迹中的每一者所计算的所述第一改变率和所述第二改变率限定多个窗以在每一个窗中界定并分析所述传感器踪迹。
2.如权利要求1所述的方法,所述限定步骤还包括:
限定第一类型的窗以将传感器踪迹至少界定在其中所述第一改变率或所述第二改变率正在增大或减小到超出阈值的第一区中;以及
限定第二类型的窗以将传感器踪迹至少界定在其中所述第一改变率或所述第二改变率不超过所述阈值的第二区中。
3.如权利要求1所述的方法,所述方法还包括:
针对所述计算步骤中的每一者:
对与所述相应步骤的所述开端对准的每一个传感器踪迹执行第一组其他统计计算;以及
对与所述相应步骤的所述末尾对准的每一个传感器踪迹执行第二组其他统计计算;以及
基于所计算的所述第一改变率和所述第二改变率以及对所述多个传感器踪迹中的每一者的所述第一组其他统计计算和所述第二组其他统计计算来限定所述多个窗。
4.如权利要求1所述的方法,所述方法还包括:
在所述对准步骤之前缩放所述多个传感器踪迹中的每一者。
5.如权利要求3所述的方法,所述限定步骤还包括:
在每一个工艺步骤的所述开端和所述末尾处识别多个转变周期;
在所述多个转变周期之间,对输入数据进行聚类以将具有类似改变率的传感器踪迹分组在一起;
延长所述多个转变周期;以及
合并在所述转变周期中和在所述转变周期之间的类似窗。
6.如权利要求5所述的方法,所述识别转变周期的步骤还包括:
识别其中所述多个传感器踪迹的值迅速改变的区。
7.如权利要求5所述的方法,所述延长转变周期的步骤还包括:
将其中所述多个传感器踪迹的值不太迅速地改变的邻近区的小部分并入到转变周期中。
8.一种用于在分析半导体装备踪迹数据时进行自动窗限定的方法,所述方法包括:
接收从多个半导体装备传感器获得的踪迹数据,所述踪迹数据与半导体工艺中的多个工艺步骤相关联;
在第一情况下将每一个工艺步骤的所述踪迹数据与所述工艺步骤的开端对准,并且在第二情况下将每一个工艺步骤的所述踪迹数据与所述工艺步骤的末尾对准;
针对每一个工艺步骤的对准踪迹数据的所述第一情况和所述第二情况计算包括改变率在内的统计资料;以及
通过分析所述对准踪迹数据的所述所计算统计资料来针对所述踪迹数据生成多个窗。
9.如权利要求8所述的方法,所述生成步骤还包括:
在每一个工艺步骤的所述开端和所述末尾处识别多个转变周期;
在所述多个转变周期之间,对踪迹数据进行聚类以将具有类似改变率的踪迹数据分组在一起;
延长所述多个转变周期;以及
合并类似的窗。
10.如权利要求9所述的方法,所述识别转变周期的步骤还包括:
识别其中所述多个传感器踪迹迅速改变的区。
11.如权利要求10所述的方法,所述延长转变周期的步骤还包括:
将其中所述传感器踪迹不太迅速地改变的邻近区的小部分并入到转变周期中。
12.如权利要求8所述的方法,所述方法还包括:
相对于所述对准步骤缩放所述踪迹数据。
13.一种用于在分析半导体装备踪迹数据时进行自动窗限定的方法,所述方法包括:
接收从多个半导体装备传感器获得的踪迹数据,所述踪迹数据与半导体工艺中的多个步骤相关联;
针对所述半导体工艺的每一个步骤:
将与所述步骤相关联的所述踪迹数据与所述步骤的开端对准;
计算统计资料,所述统计资料包括对准在所述步骤的所述开端处的所述踪迹数据的改变率;
将与所述步骤相关联的所述踪迹数据与所述步骤的末尾对准;
计算统计资料,所述统计资料包括对准在所述步骤的所述末尾处的所述踪迹数据的改变率;
分析对准在所述步骤的所述开端处的所述踪迹数据和对准在所述步骤的所述末尾处的所述踪迹数据的所述所计算统计资料;以及
基于对所述所计算统计资料的所述分析针对所述踪迹数据计算窗。
14.如权利要求13所述的方法,所述计算窗的步骤还包括:
在每一个工艺步骤的所述开端和所述末尾处识别多个转变周期;
在所述多个转变周期之间,对踪迹数据进行聚类以将具有类似改变率的踪迹数据分组在一起;
延长所述多个转变周期;以及
合并类似的窗。
15.如权利要求14所述的方法,所述识别转变周期的步骤还包括:
识别其中所述多个传感器踪迹迅速改变的区。
16.如权利要求15所述的方法,所述延长转变周期的步骤还包括:
将其中所述传感器踪迹不太迅速地改变的邻近区的小部分并入到转变周期中。
17.如权利要求13所述的方法,所述方法还包括:
在所述对准步骤之前缩放所述踪迹数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063055885P | 2020-07-23 | 2020-07-23 | |
US63/055,885 | 2020-07-23 | ||
PCT/US2021/042840 WO2022020640A1 (en) | 2020-07-23 | 2021-07-22 | Automatic window generation for process trace |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116075824A true CN116075824A (zh) | 2023-05-05 |
Family
ID=79688241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180058613.9A Pending CN116075824A (zh) | 2020-07-23 | 2021-07-22 | 工艺踪迹的自动窗生成 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11687439B2 (zh) |
EP (1) | EP4162396A4 (zh) |
JP (1) | JP2023541512A (zh) |
KR (1) | KR20230042040A (zh) |
CN (1) | CN116075824A (zh) |
TW (1) | TW202221430A (zh) |
WO (1) | WO2022020640A1 (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088542A1 (en) * | 2001-09-13 | 2003-05-08 | Altaworks Corporation | System and methods for display of time-series data distribution |
CN1682165A (zh) * | 2002-09-30 | 2005-10-12 | 东京毅力科创株式会社 | 用于监视和控制半导体生产过程的方法和装置 |
CN106575118A (zh) * | 2014-08-22 | 2017-04-19 | 西门子股份公司 | 过程工厂中一致的稳定状态行为的检测 |
CN109716303A (zh) * | 2016-09-19 | 2019-05-03 | 应用材料公司 | 使用k最近邻及逻辑回归方法的时间序列故障检测、故障分类及转变分析 |
US20190340392A1 (en) * | 2018-05-04 | 2019-11-07 | New York University | Anomaly detection in real-time multi-threaded processes on embedded systems and devices using hardware performance counters and/or stack traces |
US20200104639A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multi-sensor equipment monitoring |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5864773A (en) * | 1995-11-03 | 1999-01-26 | Texas Instruments Incorporated | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment |
US7477960B2 (en) * | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
TWI323016B (en) * | 2006-12-25 | 2010-04-01 | Ind Tech Res Inst | Real-time fault detection and classification system in use with a semiconductor fabrication process |
US8196117B2 (en) * | 2007-01-03 | 2012-06-05 | Hewlett-Packard Development Company, L.P. | Merging sample based profiling data |
US8490062B2 (en) * | 2009-08-17 | 2013-07-16 | Siemens Corporation | Automatic identification of execution phases in load tests |
US10798026B2 (en) * | 2018-07-05 | 2020-10-06 | Citrix Systems, Inc. | Bufferbloat recovery and avoidance systems and methods |
CN114764550A (zh) * | 2021-01-12 | 2022-07-19 | 联华电子股份有限公司 | 失效检测与分类模型的运作方法与运作装置 |
-
2021
- 2021-07-22 EP EP21845275.3A patent/EP4162396A4/en active Pending
- 2021-07-22 WO PCT/US2021/042840 patent/WO2022020640A1/en unknown
- 2021-07-22 CN CN202180058613.9A patent/CN116075824A/zh active Pending
- 2021-07-22 KR KR1020237005034A patent/KR20230042040A/ko unknown
- 2021-07-22 JP JP2023504306A patent/JP2023541512A/ja active Pending
- 2021-07-22 US US17/383,325 patent/US11687439B2/en active Active
- 2021-07-23 TW TW110127113A patent/TW202221430A/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088542A1 (en) * | 2001-09-13 | 2003-05-08 | Altaworks Corporation | System and methods for display of time-series data distribution |
CN1682165A (zh) * | 2002-09-30 | 2005-10-12 | 东京毅力科创株式会社 | 用于监视和控制半导体生产过程的方法和装置 |
CN106575118A (zh) * | 2014-08-22 | 2017-04-19 | 西门子股份公司 | 过程工厂中一致的稳定状态行为的检测 |
CN109716303A (zh) * | 2016-09-19 | 2019-05-03 | 应用材料公司 | 使用k最近邻及逻辑回归方法的时间序列故障检测、故障分类及转变分析 |
US20190340392A1 (en) * | 2018-05-04 | 2019-11-07 | New York University | Anomaly detection in real-time multi-threaded processes on embedded systems and devices using hardware performance counters and/or stack traces |
US20200104639A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multi-sensor equipment monitoring |
Also Published As
Publication number | Publication date |
---|---|
US20220027248A1 (en) | 2022-01-27 |
EP4162396A4 (en) | 2024-03-20 |
US11687439B2 (en) | 2023-06-27 |
WO2022020640A1 (en) | 2022-01-27 |
KR20230042040A (ko) | 2023-03-27 |
TW202221430A (zh) | 2022-06-01 |
JP2023541512A (ja) | 2023-10-03 |
EP4162396A1 (en) | 2023-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
US11216741B2 (en) | Analysis apparatus, analysis method, and non-transitory computer readable medium | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111610407A (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
US20220027230A1 (en) | Predicting Equipment Fail Mode from Process Trace | |
CN111241744A (zh) | 一种基于双向lstm的低压铸造机时间序列数据异常检测方法 | |
JP2000259223A (ja) | プラント監視装置 | |
CN112581719A (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
CN116610938A (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
US11449781B2 (en) | Plant abnormality prediction system and method | |
JP2009110262A (ja) | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN116075824A (zh) | 工艺踪迹的自动窗生成 | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
US20220253051A1 (en) | Method and assistance system for detecting an abnormal behaviour of a device | |
Haq et al. | Feature construction for dense inline data in semiconductor manufacturing processes | |
CN113988173A (zh) | 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质 | |
CN113435464A (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN117931897B (zh) | 一种加热装置温度数据运行监测方法 | |
Deng et al. | Nonparametric nonlinear profile monitoring method for machine condition monitoring | |
CN113469256B (zh) | 一种齿轮类零件机械损伤节点预测方法 | |
CN115604745A (zh) | 高维kpi的异常检测方法、装置、计算机可读介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |