CN116666198B - 一种半导体器件全自动超声波清洗方法及系统 - Google Patents

一种半导体器件全自动超声波清洗方法及系统 Download PDF

Info

Publication number
CN116666198B
CN116666198B CN202310921223.0A CN202310921223A CN116666198B CN 116666198 B CN116666198 B CN 116666198B CN 202310921223 A CN202310921223 A CN 202310921223A CN 116666198 B CN116666198 B CN 116666198B
Authority
CN
China
Prior art keywords
cleaning
semiconductor device
attribute
cleaned
parameters
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
Application number
CN202310921223.0A
Other languages
English (en)
Other versions
CN116666198A (zh
Inventor
曾献金
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.)
Hengchaoyuan Washing Technology Shenzhen Co ltd
Original Assignee
Hengchaoyuan Washing Technology Shenzhen Co ltd
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 Hengchaoyuan Washing Technology Shenzhen Co ltd filed Critical Hengchaoyuan Washing Technology Shenzhen Co ltd
Priority to CN202310921223.0A priority Critical patent/CN116666198B/zh
Publication of CN116666198A publication Critical patent/CN116666198A/zh
Application granted granted Critical
Publication of CN116666198B publication Critical patent/CN116666198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/02041—Cleaning
    • H01L21/02057—Cleaning during device manufacture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B08—CLEANING
    • B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
    • B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
    • B08B3/04—Cleaning involving contact with liquid
    • B08B3/10—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration
    • B08B3/12—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration by sonic or ultrasonic vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67017—Apparatus for fluid treatment
    • H01L21/67028—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like
    • H01L21/6704—Apparatus for fluid treatment for cleaning followed by drying, rinsing, stripping, blasting or the like for wet cleaning or washing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Cleaning Or Drying Semiconductors (AREA)

Abstract

本发明涉及半导体器件清洗技术领域，尤其是涉及半导体器件全自动超声波清洗方法及系统，该方法包括以下步骤：S1、获取待清洗半导体器件的属性信息；S2、利用规则推理算法构建清洗规则匹配模型；S3、按照清洗参数与配置参数驱动超声波清洗设备对待清洗半导体器件进行常规清洗；S4、设定清洗监测周期，依据清洗进程数据跟随监测周期的变化对常规清洗效果进行评估；S5、按照周期性动态调整后参数驱动超声波清洗设备进行深度清洗；S6、收集与记录超声波清洗设备、待清洗半导体器件在清洗过程中的清洗参数。本发明实行超声波清洗规则全自动匹配与修正，减少与避免人工手动数据录入与参数选择，可以显著提高清洗效率、清洗质量和一致性。

Description

一种半导体器件全自动超声波清洗方法及系统
技术领域
本发明涉及半导体器件清洗技术领域，尤其是涉及一种半导体器件全自动超声波清洗方法及系统。
背景技术
半导体行业是高科技制造领域，涉及到半导体器件的设计、制造和应用。半导体器件是电子设备中至关重要的组成部分，包括集成电路芯片、晶体管、二极管、光电半导体器件等。半导体行业的发展对于现代科技和信息技术的进步至关重要。而在半导体器件的制造过程中，清洗是一个关键的环节。半导体器件在制造过程中会接触到各种污染物，如灰尘、油脂、化学残留物等，这些污染物可能会对半导体器件的性能和可靠性产生负面影响。因此，清洗工艺被广泛应用于半导体器件的生产过程中。
半导体清洗通常使用特定的清洗方法和设备，以满足半导体工业的高要求。包括一些常见的半导体清洗方法：1、化学清洗，是最常见的半导体清洗方法之一，使用化学溶液或溶剂来去除表面的有机和无机污染物。2、气体清洗，常用于去除表面的有机污染物，其中一种常见的气体清洗方法是等离子体清洗，利用等离子体的化学反应和物理作用去除表面有机物。3、超声波清洗，在半导体行业也被广泛使用。它利用超声波的高频振动产生的微小气泡和液流动力，去除表面的污染物和微小颗粒。超声波清洗可以有效地清洗半导体器件的细微结构和微小孔隙。
其中，超声波清洗能够在半导体微小的间隙和表面细纹中产生液流动力，有效清除半导体器件表面的污垢和微小颗粒，因此能够彻底去除难以到达的区域的污染物，提高清洗效果，且对半导体器件敏感性较高的材料和微细结构尤为重要，因此超声波清洗可适用于半导体器件的清洗。
超声波清洗是一种利用超声波振动产生的微小气泡在液体中形成、扩大和破裂的作用原理，对物体表面进行清洗的技术。
超声波清洗的工作原理是通过超声波发生器产生高频声波，将能量转化为超声波振动，然后通过传导介质（一般是水或清洗溶液）将超声波传递到待清洗的物体表面。当超声波波传递到物体表面时，会在液体中形成微小气泡，这些气泡会不断扩大和破裂，产生剧烈的冲击波和涡流，从而将附着在物体表面的污垢、油脂、灰尘等物质击落和分散。
然而，超声波清洗技术在半导体行业的应用中仍存在一些不足之处，需要进一步改进优化。首先，清洗效果可能受到半导体器件形状和材料的限制。复杂形状的半导体器件或具有多个孔隙的半导体器件可能难以完全清洗。其次，清洗液的选择和使用也是一个关键因素。不同材料和污染物需要使用不同的清洗液，因此需要进行适当的清洗液选择和优化。此外，超声波清洗设备的设计和操作参数的调整也需要进一步改进，以提高清洗效率和一致性。
发明内容
基于此，有必要针对上述技术问题，提供一种半导体器件全自动超声波清洗方法及系统。
第一方面，本发明提供了一种半导体器件全自动超声波清洗方法，其特征在于，该方法包括以下步骤：
S1、获取待清洗半导体器件的属性信息，并存入属性与清洗规则的关联数据库；
S2、利用规则推理算法构建清洗规则匹配模型，输入属性信息，匹配并输出清洗规则，包括超声波清洗设备的清洗参数与清洗液的配置参数；
S3、按照清洗参数与配置参数驱动超声波清洗设备对待清洗半导体器件进行常规清洗，并利用物联网监测设备实时获取清洗进程数据；
S4、设定清洗监测周期，依据清洗进程数据跟随监测周期的变化对常规清洗效果进行评估，并动态调整超声波清洗设备的参数；
S5、按照周期性动态调整后参数驱动超声波清洗设备进行深度清洗，直至待清洗半导体器件的清洗效果满足清洗要求，停止清洗；
S6、收集与记录超声波清洗设备、待清洗半导体器件在清洗过程中的清洗参数，并按照属性信息存入关联数据库中的对应存储位置。
在其中一个实施例中，利用规则推理算法构建清洗规则匹配模型，输入属性信息，匹配并输出清洗规则包括以下步骤：
S21、采集超声波清洗设备清洗不同属性信息半导体器件的历史清洗记录；
S22、提取历史清洗记录中的属性信息建立属性数据库，并提取对应的清洗参数与配置参数，分别建立设备匹配数据库与清洗液匹配数据库；
S23、输入当前待清洗半导体器件的属性信息，利用属性推理方法，通过加权临近算法与相似度检测算法搜索与该属性信息相匹配的清洗规则；
S24、利用基于规则推理算法对清洗规则进行修正，输出满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数。
在其中一个实施例中，输入当前待清洗半导体器件的属性信息，利用属性推理方法，通过加权临近算法与相似度检测算法搜索与该属性信息相匹配的清洗规则包括以下步骤：
S231、将当前待清洗半导体器件的属性信息进行预处理，提取与划分该属性信息中不同类型的半导体器件属性，并分别赋予各自对应的权重值；
S232、若属性信息中的半导体器件属性类型为简单枚举型，利用直接算法计算该半导体器件属性与属性数据库中对应半导体器件属性的相似度，公式为：
;
式中，X i 表示属性数据库中第i个历史清洗记录中的属性信息，j表示属性信息中的第j个半导体器件属性，Y表示输入的当前待清洗半导体器件的属性信息，x j 表示当前待清洗半导体器件的属性信息中第j个半导体器件属性的值，y ij 表示第i个历史清洗记录中的属性信息中第j个半导体器件属性的值；
S233、若属性信息中的半导体器件属性类型为有序枚举型，利用差值算法计算该半导体器件属性与属性数据库中对应半导体器件属性的相似度，公式为：
;
式中，c j 表示属性信息中的第j个半导体器件属性的有序枚举参数值；
S234、依据属性信息中每个半导体器件属性的权重值及相似度值计算当前待清洗半导体器件与属性数据库中属性信息的相似度，公式为：
;
式中，表示属性信息中的第j个半导体器件属性的权重值，n表示属性信息中半导体器件属性的数量；
S235、在属性数据库中搜索与当前待清洗半导体器件的属性信息相似度最高的历史清洗记录，并提取匹配数据库与清洗液匹配数据库中对应的清洗参数与配置参数，作为当前待清洗半导体器件的清洗规则。
在其中一个实施例中，将当前待清洗半导体器件的属性信息进行预处理，提取与划分该属性信息中不同类型的半导体器件属性，并分别赋予各自对应的权重值包括以下步骤：
S2311、将属性信息中的各个半导体器件属性进行标准化处理；
S2312、按照半导体器件属性表示的数值类型，将属性信息中的半导体器件属性划分为简单枚举型与有序枚举型；
S2313、计算各个半导体器件属性的信息熵值，若半导体器件属性的信息熵值越小，则该半导体器件属性的权重值越大，若半导体器件属性的信息熵值越大，则该半导体器件属性的权重值越小；
S2314、依据属性信息中每个半导体器件属性的信息熵值大小，确定每个半导体器件属性各自的权重值。
在其中一个实施例中，属性信息中的半导体器件属性包括半导体材质属性、易碎属性、尺寸属性、形状属性、污渍类型属性及污渍程度属性，清洗参数包括超声波频率参数、超声波功率参数、清洗时间参数及温度控制参数，配置参数包括清洗液类型参数、清洗液配方参数及清洗液循环参数。
在其中一个实施例中，利用基于规则推理算法对清洗规则进行修正，输出满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数包括以下步骤：
S241、采集超声波清洗领域的清洗知识库构建清洗规则库；
S242、利用基于规则推理算法对当前待清洗半导体器件的清洗规则进行修正，依据修正结果，输出最终的超声波设备的清洗规则，作为满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数。
在其中一个实施例中，按照清洗参数与配置参数驱动超声波清洗设备对待清洗半导体器件进行常规清洗，并利用物联网监测设备实时获取清洗进程数据包括以下步骤：
S31、按照修正后的清洗规则配置超声波清洗设备初始运行需要的清洗参数与配置参数，在驱动运行后对待清洗半导体器件进行常规清洗；
S32、在超声波清洗设备与清洗槽中配置基于物联网实现数据通信与数据传输的监测设备，对待清洗半导体器件的清洗过程、超声波清洗设备及清洗液的状态进行实时监测，获取清洗进程数据；
其中，清洗进程数据包括清洗温度、半导体器件表面洁净度、半导体器件表面光泽度、污渍清除率、清洗液状态及超声波设备状态。
在其中一个实施例中，设定清洗监测周期，依据清洗进程数据跟随监测周期的变化对常规清洗效果进行评估，并动态调整超声波清洗设备的参数包括以下步骤：
S41、依据修正后的清洗规则制定对待清洗半导体器件的清洗计划；
S42、将清洗计划划分为多个监测周期，并获取清洗计划在每个监测周期时超声波清洗设备与待清洗半导体器件的计划清洗进度；
S43、将处于同一个监测周期内的计划清洗进度与清洗进程数据进行对比，并计算当前监测周期时的清洗评分；
S44、根据清洗进程数据中每一项评估指标的对比数值及评分结果，判断当前对待清洗半导体器件的清洗是否符合预设标准，若评分结果不满足预设阈值，则针对不满足对比阈值的对比数值对应的评估指标进行标定，并动态调整该评估指标对应的清洗参数或配置参数，若评分结果满足预设阈值，则表明待清洗半导体器件处于合理清洗状态。
在其中一个实施例中，将处于同一个监测周期内的计划清洗进度与清洗进程数据进行对比，并计算当前监测周期时的清洗评分包括以下步骤：
S431、选取同一个监测周期时间节点时，计划清洗进度与清洗进程数据中相同的评价指标的数值，分别为计算数值与实际数值；
S432、向清洗进程数据中的每个评价指标赋予各自的权重值，利用综合评分数据模型计算单个监测周期内的清洗评分，公式为：
;
式中，P T 表示待清洗半导体器件在第T个监测周期时的清洗评分，M表示清洗进程数据中的评价指标的数量，表示第a个评价指标的权重值，S表示清洗进程数据中的评价指标，Q表示计划清洗进度中的评价指标。
第二方面，本发明还提供了一种半导体器件全自动超声波清洗系统，该系统包括：
清洗数据库模块，用于提供属性数据库、设备匹配数据与清洗液匹配数据库实现不同参数历史清洗记录的存储，同时提供关联数据库实现超声波清洗设备、待清洗半导体器件及清洗液实际清洗过程与调整过程参数数据；
清洗规则匹配模块，用于利用规则推理算法构建清洗规则匹配模型，输入属性信息，匹配并输出清洗规则，制定超声波清洗的实际运行参数；
物联网监测模块，用于提供超声波清洗设备清洗过程实时监测、数据同步与共享，实现超声波清洗过程动态调度与统一管理；
动态调整清洗模块，用于按照周期性动态调整后参数驱动超声波清洗设备进行深度清洗，直至待清洗半导体器件的清洗效果满足清洗要求；
超声波清洗模块，用于提供超声波清洗设备及清洗环境。
本发明的有益效果：
1、该半导体器件全自动超声波清洗方法及系统，通过基于半导体器件属性信息的实行超声波清洗规则全自动匹配与修正，减少与避免人工手动数据录入与参数选择，可以显著提高清洗效率、清洗质量和一致性，降低人为误差；利用物联网监测体系实现超声波清洗设备与清洗状态实时监测与反馈，通过数据分析和优化实现持续动态调整，进而有助于最大程度的提升清洗过程的效率和质量，满足工业场景中对高效、可靠清洗的需求；此外，在实现参数清洗优化与设备动态调整的前提下，利用超声波清洗能够有效提高半导体器件的清洗效果，达到清洗与防护的功能目的。
2、该半导体器件全自动超声波清洗方法及系统，通过获取待清洗半导体器件的属性信息并存入数据库，利用规则推理算法构建清洗规则匹配模型，可以根据输入的属性信息精确匹配适用的清洗规则，包括超声波清洗设备的清洗参数与清洗液的配置参数，可根据不同半导体器件的属性特征，提供个性化的清洗方案，确保清洗效果最佳，通过匹配和输出清洗规则，针对不同属性的待清洗半导体器件提供最适合的清洗参数和清洗液配置参数，从而优化清洗质量和效率。确保清洗过程更加精准和高效，提高了清洗的一致性和可靠性。
3、该半导体器件全自动超声波清洗方法及系统，通过设定清洗监测周期并根据清洗进程数据动态调整超声波清洗设备的参数，在常规清洗过程中实时评估清洗效果，及时发现和纠正可能存在的问题，从而提高清洗的准确性和一致性；通过周期性的动态调整参数，确保超声波清洗设备的工作状态与待清洗半导体器件的需求相匹配，最大程度地提升清洗效果；直到待清洗半导体器件的清洗效果满足要求，自动停止清洗，避免过度清洗或清洗不足，有助于优化清洗质量、提高清洗效率，并提供可靠的自动化清洗解决方案。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的半导体器件全自动超声波清洗方法的流程示意图；
图2为本发明的半导体器件全自动超声波清洗系统的原理框图。
附图标号：1、清洗数据库模块；2、清洗规则匹配模块；3、物联网监测模块；4、动态调整清洗模块；5、超声波清洗模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明提供了一种半导体器件全自动超声波清洗方法，其特征在于，该方法包括以下步骤：
S1、获取待清洗半导体器件的属性信息，并存入属性与清洗规则的关联数据库。
在本发明的描述中，将待清洗半导体器件的属性信息存入关联数据库，可以实现属性与清洗规则之间的快速匹配和检索。在后续的清洗过程中，系统可以根据待清洗半导体器件的属性信息从数据库中检索出适用的清洗规则，并相应地调整超声波清洗设备的参数和清洗液的配置参数，以实现自动化的清洗过程，从而提高清洗效率、减少人工干预，并确保清洗过程符合规定的标准和要求。
其中，在半导体技术领域，半导体器件、芯片及相关组件需要进行相应的清洗，来去除表面和内部的污染物，确保半导体器件的性能与可靠性。因此，在本发明中，待清洗半导体器件及其清洗目的包括但不限于以下方面：
半导体芯片：利用超声波清洗去除半导体芯片表面的颗粒、污垢和残留物，以确保芯片的可靠性和性能。清洗目的包括去除制造过程中产生的残留光刻胶、化学剂和金属颗粒等。
芯片封装：芯片封装过程中，超声波清洗可去除封装胶水、封装前的污垢和杂质等。目的是确保芯片与封装材料之间的良好粘接，并提高封装质量和可靠性。
传感器：各种类型的传感器（如压力传感器、温度传感器、光学传感器等）常需要超声波清洗。清洗目的是去除粉尘、油脂、氧化物和污垢等，以保持传感器的灵敏度和准确性。
晶圆：在半导体制造过程中，超声波清洗可清洗硅晶圆表面的杂质、颗粒和化学残留物。清洗目的是确保晶圆表面的纯净度和平整度，以提高集成电路制造的质量。
硅基底板：硅基底板是许多半导体器件的基础材料，超声波清洗可去除硅基底板表面的有机和无机污染物。清洗目的包括去除灰尘、油脂和氧化物等，以确保基板的纯净度和可加工性。
光纤组件：在光通信和光纤传感领域，超声波清洗可清洗光纤端面和光纤连接器。清洗目的是去除光纤端面的微小颗粒、油脂和污染物，以保证光信号的传输质量和稳定性。
S2、利用规则推理算法构建清洗规则匹配模型，输入属性信息，匹配并输出清洗规则，包括超声波清洗设备的清洗参数与清洗液的配置参数。
在本发明的描述中，利用规则推理算法构建清洗规则匹配模型，输入属性信息，匹配并输出清洗规则包括以下步骤：
S21、采集超声波清洗设备清洗不同属性信息半导体器件的历史清洗记录。
S22、提取历史清洗记录中的属性信息建立属性数据库，并提取对应的清洗参数与配置参数，分别建立设备匹配数据库与清洗液匹配数据库。
记录不同属性信息的半导体器件的历史清洗记录，对于每次清洗，收集与清洗过程相关的数据，包括半导体器件的属性信息和与清洗相关的参数信息。从历史清洗记录中提取待清洗半导体器件的属性信息。
S23、输入当前待清洗半导体器件的属性信息，利用属性推理方法，通过加权临近算法与相似度检测算法搜索与该属性信息相匹配的清洗规则。
在本发明的描述中，输入当前待清洗半导体器件的属性信息，利用属性推理方法，通过加权临近算法与相似度检测算法搜索与该属性信息相匹配的清洗规则包括以下步骤：
S231、将当前待清洗半导体器件的属性信息进行预处理，提取与划分该属性信息中不同类型的半导体器件属性，并分别赋予各自对应的权重值。
在本发明的描述中，将当前待清洗半导体器件的属性信息进行预处理，提取与划分该属性信息中不同类型的半导体器件属性，并分别赋予各自对应的权重值包括以下步骤：
S2311、将属性信息中的各个半导体器件属性进行标准化处理。
S2312、按照半导体器件属性表示的数值类型，将属性信息中的半导体器件属性划分为简单枚举型与有序枚举型。
在本发明的描述中，将属性信息中的半导体器件属性划分为简单枚举型和有序枚举型。下面是对每个类型的解释：
一、简单枚举型：指属性具有离散的、互斥的取值，并且没有明显的顺序关系。例如，半导体材质属性和污渍类型属性属于简单枚举型。
半导体材质属性：表示半导体器件的材质类型，例如金属、塑料、陶瓷等。
污渍类型属性：表示半导体器件表面的污渍类型，例如油污、灰尘、水渍等。
对于简单枚举型的属性，可以使用独热编码（One-Hot Encoding）将其转换为二进制向量表示，每个取值对应一个二进制位。
二、有序枚举型：指属性具有离散的、互斥的取值，并且存在明显的顺序关系。例如，易碎属性、尺寸属性、形状属性和污渍程度属性属于有序枚举型。
易碎属性：表示半导体器件的易碎程度，可以分为脆性、普通和耐久性等级。
尺寸属性：表示半导体器件的尺寸大小，可以分为小、中、大三个级别。
形状属性：表示半导体器件的形状特征，可以分为圆形、方形、长方形等。
污渍程度属性：表示半导体器件表面污渍的程度，可以分为轻微、中度和严重三个级别。
对于有序枚举型的属性，可以将每个取值映射到一个数值表示，例如使用整数编码。
S2313、计算各个半导体器件属性的信息熵值，若半导体器件属性的信息熵值越小，则该半导体器件属性的权重值越大，若半导体器件属性的信息熵值越大，则该半导体器件属性的权重值越小。
在本发明的描述中，对于给定的半导体器件属性集合，计算每个属性的信息熵值，以确定其权重值。信息熵用于衡量属性的不确定性或混乱程度，熵值越大表示属性的取值越分散，熵值越小表示属性的取值越集中。计算信息熵的步骤包括：
1、统计每个属性的取值频率。
2、计算每个属性取值的概率。
3、根据属性取值的概率计算每个属性的信息量。
4、计算每个属性的信息熵。
具体的计算公式如下：
对于属性A，假设它有n个不同的取值{a1,a2,...,an}，对应的概率分别为{p(a1),p(a2),...,p(an)}。
属性A的信息量定义为：I(A)=-Σ(p(ai)*log2(p(ai)))
属性A的信息熵定义为：H(A)=Σ(p(ai)*log2(p(ai)))
根据信息熵的定义，计算每个属性的信息熵值，并将其归一化为权重值。具体来说，使用最大熵原理将信息熵归一化为权重值，即将信息熵除以属性集合中属性的最大熵值，得到每个属性的权重值。
S2314、依据属性信息中每个半导体器件属性的信息熵值大小，确定每个半导体器件属性各自的权重值。
S232、若属性信息中的半导体器件属性类型为简单枚举型，利用直接算法计算该半导体器件属性与属性数据库中对应半导体器件属性的相似度，公式为：
;
式中，X i 表示属性数据库中第i个历史清洗记录中的属性信息，j表示属性信息中的第j个半导体器件属性，Y表示输入的当前待清洗半导体器件的属性信息，x j 表示当前待清洗半导体器件的属性信息中第j个半导体器件属性的值，y ij 表示第i个历史清洗记录中的属性信息中第j个半导体器件属性的值。
S233、若属性信息中的半导体器件属性类型为有序枚举型，利用差值算法计算该半导体器件属性与属性数据库中对应半导体器件属性的相似度，公式为：
;
式中，c j 表示属性信息中的第j个半导体器件属性的有序枚举参数值。
S234、依据属性信息中每个半导体器件属性的权重值及相似度值计算当前待清洗半导体器件与属性数据库中属性信息的相似度，公式为：
;
式中，表示属性信息中的第j个半导体器件属性的权重值，n表示属性信息中半导体器件属性的数量。
S235、在属性数据库中搜索与当前待清洗半导体器件的属性信息相似度最高的历史清洗记录，并提取匹配数据库与清洗液匹配数据库中对应的清洗参数与配置参数，作为当前待清洗半导体器件的清洗规则。
S24、利用基于规则推理算法对清洗规则进行修正，输出满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数。
在本发明的描述中，利用基于规则推理算法对清洗规则进行修正，输出满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数包括以下步骤：
S241、采集超声波清洗领域的清洗知识库构建清洗规则库。
其中，采集超声波清洗领域的清洗知识是构建清洗规则库的重要一步。清洗知识库是包含了清洗领域经验、行业标准和科学研究成果等内容的集合，用于指导清洗过程中的决策和操作。
S242、利用基于规则推理算法对当前待清洗半导体器件的清洗规则进行修正，依据修正结果，输出最终的超声波设备的清洗规则，作为满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数。
其中，属性信息中的半导体器件属性包括半导体材质属性、易碎属性、尺寸属性、形状属性、污渍类型属性及污渍程度属性，清洗参数包括超声波频率参数、超声波功率参数、清洗时间参数及温度控制参数，配置参数包括清洗液类型参数、清洗液配方参数及清洗液循环参数。
在本发明的描述中，利用基于规则推理算法对当前待清洗半导体器件的清洗规则进行修正，依据修正结果，输出最终的超声波设备的清洗规则，作为满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数包括以下步骤：
S2421、输入当前待清洗半导体器件的属性信息。
S2422、使用规则推理算法，在清洗规则库中搜索与当前待清洗半导体器件属性信息相匹配的初始清洗规则。
S2423、执行规则匹配和推理过程，根据匹配的规则和已知的清洗参数与配置参数，推导出初始的超声波设备的清洗参数和配置参数。
S2424、检查推导的清洗规则和参数是否满足当前待清洗半导体器件的要求。
S2425、如果清洗规则和参数满足要求，输出这些参数作为最终的清洗规则和配置参数。
S2426、如果清洗规则和参数不满足要求，执行修正过程。
S2427、根据清洗规则库中的其他规则，结合当前待清洗半导体器件的属性信息和修正规则，进行规则推理和匹配。
S2428、通过迭代修正过程，持续调整清洗规则和参数，直到得到满足当前待清洗半导体器件要求的清洗规则和配置参数。
S2429、输出最终的超声波设备的清洗参数和配置参数，作为满足当前待清洗半导体器件进行超声波清洗的清洗规则。
S3、按照清洗参数与配置参数驱动超声波清洗设备对待清洗半导体器件进行常规清洗，并利用物联网监测设备实时获取清洗进程数据。
在本发明的描述中，按照清洗参数与配置参数驱动超声波清洗设备对待清洗半导体器件进行常规清洗，并利用物联网监测设备实时获取清洗进程数据包括以下步骤：
S31、按照修正后的清洗规则配置超声波清洗设备初始运行需要的清洗参数与配置参数，在驱动运行后对待清洗半导体器件进行常规清洗。
S32、在超声波清洗设备与清洗槽中配置基于物联网实现数据通信与数据传输的监测设备，对待清洗半导体器件的清洗过程、超声波清洗设备及清洗液的状态进行实时监测，获取清洗进程数据。
其中，清洗进程数据包括清洗温度、半导体器件表面洁净度、半导体器件表面光泽度、污渍清除率、清洗液状态及超声波设备状态。
清洗温度：指清洗液的温度，影响清洗效果和清洗速度。通常情况下，适当的清洗温度可以提高清洗效果，但过高的温度可能会对半导体器件造成损害。
半导体器件表面洁净度：衡量清洗后半导体器件表面的洁净程度。可以通过检测表面残留的污渍、颗粒或化学物质的数量或浓度来评估。
半导体器件表面光泽度：反映清洗后半导体器件表面的光滑程度和反射能力。光泽度通常通过光学测量方法或肉眼观察来评估。
污渍清除率：表示清洗过程中成功去除的污渍比例。可以根据清洗前后的污渍浓度或其他相关指标来计算。
清洗液状态：指清洗液的状态和性质，如浓度、酸碱度、浊度等。清洗液的状态可以影响清洗效果和清洗速度。
超声波设备状态：指超声波清洗设备的运行状态，包括超声波功率、频率、工作模式等。超声波设备的状态可以影响清洗效果和清洗速度。
S4、设定清洗监测周期，依据清洗进程数据跟随监测周期的变化对常规清洗效果进行评估，并动态调整超声波清洗设备的参数。
在本发明的描述中，设定清洗监测周期，依据清洗进程数据跟随监测周期的变化对常规清洗效果进行评估，并动态调整超声波清洗设备的参数包括以下步骤：
S41、依据修正后的清洗规则制定对待清洗半导体器件的清洗计划。
S42、将清洗计划划分为多个监测周期，并获取清洗计划在每个监测周期时超声波清洗设备与待清洗半导体器件的计划清洗进度。
S43、将处于同一个监测周期内的计划清洗进度与清洗进程数据进行对比，并计算当前监测周期时的清洗评分。
在本发明的描述中，将处于同一个监测周期内的计划清洗进度与清洗进程数据进行对比，并计算当前监测周期时的清洗评分包括以下步骤：
S431、选取同一个监测周期时间节点时，计划清洗进度与清洗进程数据中相同的评价指标的数值，分别为计算数值与实际数值。
S432、向清洗进程数据中的每个评价指标赋予各自的权重值，利用综合评分数据模型计算单个监测周期内的清洗评分，公式为：
;
式中，P T 表示待清洗半导体器件在第T个监测周期时的清洗评分，M表示清洗进程数据中的评价指标的数量，表示第a个评价指标的权重值，S表示清洗进程数据中的评价指标，Q表示计划清洗进度中的评价指标。
S44、根据清洗进程数据中每一项评估指标的对比数值及评分结果，判断当前对待清洗半导体器件的清洗是否符合预设标准，若评分结果不满足预设阈值，则针对不满足对比阈值的对比数值对应的评估指标进行标定，并动态调整该评估指标对应的清洗参数或配置参数，若评分结果满足预设阈值，则表明待清洗半导体器件处于合理清洗状态。
S5、按照周期性动态调整后参数驱动超声波清洗设备进行深度清洗，直至待清洗半导体器件的清洗效果满足清洗要求，停止清洗。
S6、收集与记录超声波清洗设备、待清洗半导体器件在清洗过程中的清洗参数，并按照属性信息存入关联数据库中的对应存储位置。
请参阅图2，本发明还提供了一种半导体器件全自动超声波清洗系统，该系统包括：
清洗数据库模块1，用于提供属性数据库、设备匹配数据与清洗液匹配数据库实现不同参数历史清洗记录的存储，同时提供关联数据库实现超声波清洗设备、待清洗半导体器件及清洗液实际清洗过程与调整过程参数数据。
清洗规则匹配模块2，用于利用规则推理算法构建清洗规则匹配模型，输入属性信息，匹配并输出清洗规则，制定超声波清洗的实际运行参数。
物联网监测模块3，用于提供超声波清洗设备清洗过程实时监测、数据同步与共享，实现超声波清洗过程动态调度与统一管理。
动态调整清洗模块4，用于按照周期性动态调整后参数驱动超声波清洗设备进行深度清洗，直至待清洗半导体器件的清洗效果满足清洗要求。
超声波清洗模块5，用于提供超声波清洗设备及清洗环境。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

Claims (6)

1.一种半导体器件全自动超声波清洗方法，其特征在于，该方法包括以下步骤：
S1、获取待清洗半导体器件的属性信息，并存入属性与清洗规则的关联数据库；
S2、利用规则推理算法构建清洗规则匹配模型，输入所述属性信息，匹配并输出清洗规则，包括超声波清洗设备的清洗参数与清洗液的配置参数；
S3、按照所述清洗参数与所述配置参数驱动所述超声波清洗设备对所述待清洗半导体器件进行常规清洗，并利用物联网监测设备实时获取清洗进程数据；
S4、设定清洗监测周期，依据所述清洗进程数据跟随所述监测周期的变化对所述常规清洗效果进行评估，并动态调整所述超声波清洗设备的参数；
S5、按照周期性动态调整后参数驱动所述超声波清洗设备进行深度清洗，直至所述待清洗半导体器件的清洗效果满足清洗要求，停止清洗；
S6、收集与记录所述超声波清洗设备、所述待清洗半导体器件在清洗过程中的清洗参数，并按照所述属性信息存入所述关联数据库中的对应存储位置；
所述利用规则推理算法构建清洗规则匹配模型，输入所述属性信息，匹配并输出清洗规则包括以下步骤：
S21、采集所述超声波清洗设备清洗不同属性信息半导体器件的历史清洗记录；
S22、提取所述历史清洗记录中的属性信息建立属性数据库，并提取对应的清洗参数与配置参数，分别建立设备匹配数据库与清洗液匹配数据库；
S23、输入当前待清洗半导体器件的所述属性信息，利用属性推理方法，通过加权临近算法与相似度检测算法搜索与该属性信息相匹配的清洗规则；
S24、利用基于规则推理算法对所述清洗规则进行修正，输出满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数；
所述输入当前待清洗半导体器件的所述属性信息，利用属性推理方法，通过加权临近算法与相似度检测算法搜索与该属性信息相匹配的清洗规则包括以下步骤：
S231、将当前待清洗半导体器件的所述属性信息进行预处理，提取与划分该属性信息中不同类型的半导体器件属性，并分别赋予各自对应的权重值；
S232、若所述属性信息中的半导体器件属性类型为简单枚举型，利用直接算法计算该半导体器件属性与所述属性数据库中对应半导体器件属性的相似度，公式为：
;
式中，X i 表示属性数据库中第i个历史清洗记录中的属性信息；
j表示属性信息中的第j个半导体器件属性；
Y表示输入的当前待清洗半导体器件的属性信息；
x j 表示当前待清洗半导体器件的属性信息中第j个半导体器件属性的值；
y ij 表示第i个历史清洗记录中的属性信息中第j个半导体器件属性的值；
S233、若所述属性信息中的半导体器件属性类型为有序枚举型，利用差值算法计算该半导体器件属性与所述属性数据库中对应半导体器件属性的相似度，公式为：
;
式中，c j 表示属性信息中的第j个半导体器件属性的有序枚举参数值；
S234、依据所述属性信息中每个半导体器件属性的权重值及相似度值计算当前待清洗半导体器件与所述属性数据库中属性信息的相似度，公式为：
;
式中，表示属性信息中的第j个半导体器件属性的权重值；
n表示属性信息中半导体器件属性的数量；
S235、在所述属性数据库中搜索与当前待清洗半导体器件的所述属性信息相似度最高的历史清洗记录，并提取所述匹配数据库与所述清洗液匹配数据库中对应的清洗参数与配置参数，作为当前待清洗半导体器件的清洗规则；
所述将当前待清洗半导体器件的所述属性信息进行预处理，提取与划分该属性信息中不同类型的半导体器件属性，并分别赋予各自对应的权重值包括以下步骤：
S2311、将所述属性信息中的各个半导体器件属性进行标准化处理；
S2312、按照所述半导体器件属性表示的数值类型，将所述属性信息中的半导体器件属性划分为简单枚举型与有序枚举型；
S2313、计算各个所述半导体器件属性的信息熵值，若半导体器件属性的信息熵值越小，则该半导体器件属性的权重值越大，若半导体器件属性的信息熵值越大，则该半导体器件属性的权重值越小；
S2314、依据所述属性信息中每个半导体器件属性的信息熵值大小，确定每个半导体器件属性各自的权重值；
所述利用基于规则推理算法对所述清洗规则进行修正，输出满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数包括以下步骤：
S241、采集超声波清洗领域的清洗知识库构建清洗规则库；
S242、利用基于规则推理算法对当前待清洗半导体器件的所述清洗规则进行修正，依据修正结果，输出最终的超声波设备的清洗规则，作为满足当前待清洗半导体器件进行超声波清洗的清洗参数与配置参数。
2.根据权利要求1所述的一种半导体器件全自动超声波清洗方法，其特征在于，所述属性信息中的半导体器件属性包括半导体材质属性、易碎属性、尺寸属性、形状属性、污渍类型属性及污渍程度属性，所述清洗参数包括超声波频率参数、超声波功率参数、清洗时间参数及温度控制参数，所述配置参数包括清洗液类型参数、清洗液配方参数及清洗液循环参数。
3.根据权利要求1所述的一种半导体器件全自动超声波清洗方法，其特征在于，所述按照所述清洗参数与所述配置参数驱动所述超声波清洗设备对所述待清洗半导体器件进行常规清洗，并利用物联网监测设备实时获取清洗进程数据包括以下步骤：
S31、按照修正后的所述清洗规则配置所述超声波清洗设备初始运行需要的清洗参数与配置参数，在驱动运行后对所述待清洗半导体器件进行常规清洗；
S32、在所述超声波清洗设备与清洗槽中配置基于物联网实现数据通信与数据传输的监测设备，对所述待清洗半导体器件的清洗过程、所述超声波清洗设备及所述清洗液的状态进行实时监测，获取清洗进程数据；
其中，所述清洗进程数据包括清洗温度、半导体器件表面洁净度、半导体器件表面光泽度、污渍清除率、清洗液状态及超声波设备状态。
4.根据权利要求1所述的一种半导体器件全自动超声波清洗方法，其特征在于，所述设定清洗监测周期，依据所述清洗进程数据跟随所述监测周期的变化对所述常规清洗效果进行评估，并动态调整所述超声波清洗设备的参数包括以下步骤：
S41、依据修正后的所述清洗规则制定对所述待清洗半导体器件的清洗计划；
S42、将所述清洗计划划分为多个监测周期，并获取所述清洗计划在每个所述监测周期时所述超声波清洗设备与所述待清洗半导体器件的计划清洗进度；
S43、将处于同一个所述监测周期内的所述计划清洗进度与所述清洗进程数据进行对比，并计算当前所述监测周期时的清洗评分；
S44、根据所述清洗进程数据中每一项评估指标的对比数值及评分结果，判断当前对所述待清洗半导体器件的清洗是否符合预设标准，若评分结果不满足预设阈值，则针对不满足对比阈值的对比数值对应的评估指标进行标定，并动态调整该评估指标对应的清洗参数或配置参数，若评分结果满足预设阈值，则表明所述待清洗半导体器件处于合理清洗状态。
5.根据权利要求4所述的一种半导体器件全自动超声波清洗方法，其特征在于，所述将处于同一个所述监测周期内的所述计划清洗进度与所述清洗进程数据进行对比，并计算当前所述监测周期时的清洗评分包括以下步骤：
S431、选取同一个所述监测周期时间节点时，所述计划清洗进度与所述清洗进程数据中相同的评价指标的数值，分别为计算数值与实际数值；
S432、向所述清洗进程数据中的每个评价指标赋予各自的权重值，利用综合评分数据模型计算单个所述监测周期内的清洗评分，公式为：;
式中，P T 表示待清洗半导体器件在第T个监测周期时的清洗评分；
M表示清洗进程数据中的评价指标的数量；
表示第a个评价指标的权重值；
S表示清洗进程数据中的评价指标；
Q表示计划清洗进度中的评价指标。
6.一种半导体器件全自动超声波清洗系统，用于实现权利要求1-5中任一项所述半导体器件全自动超声波清洗方法，其特征在于，该系统包括：
清洗数据库模块，用于提供属性数据库、设备匹配数据与清洗液匹配数据库实现不同参数历史清洗记录的存储，同时提供关联数据库实现超声波清洗设备、待清洗半导体器件及清洗液实际清洗过程与调整过程参数数据；
清洗规则匹配模块，用于利用规则推理算法构建清洗规则匹配模型，输入所述属性信息，匹配并输出清洗规则，制定超声波清洗的实际运行参数；
物联网监测模块，用于提供超声波清洗设备清洗过程实时监测、数据同步与共享，实现超声波清洗过程动态调度与统一管理；
动态调整清洗模块，用于按照周期性动态调整后参数驱动超声波清洗设备进行深度清洗，直至所述待清洗半导体器件的清洗效果满足清洗要求；
超声波清洗模块，用于提供超声波清洗设备及清洗环境。
CN202310921223.0A 2023-07-26 2023-07-26 一种半导体器件全自动超声波清洗方法及系统 Active CN116666198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310921223.0A CN116666198B (zh) 2023-07-26 2023-07-26 一种半导体器件全自动超声波清洗方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310921223.0A CN116666198B (zh) 2023-07-26 2023-07-26 一种半导体器件全自动超声波清洗方法及系统

Publications (2)

Publication Number Publication Date
CN116666198A CN116666198A (zh) 2023-08-29
CN116666198B true CN116666198B (zh) 2024-01-12

Family

ID=87715594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310921223.0A Active CN116666198B (zh) 2023-07-26 2023-07-26 一种半导体器件全自动超声波清洗方法及系统

Country Status (1)

Country Link
CN (1) CN116666198B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116991146B (zh) * 2023-09-26 2023-12-01 恒超源洗净科技(深圳)有限公司 一种超声波清洗装置的控制方法及系统
CN117038530B (zh) * 2023-10-07 2024-01-16 东莞市楷德精密机械有限公司 一种半导体清洗设备的智能控制方法及系统
CN117102148B (zh) * 2023-10-25 2023-12-26 江苏华一机械有限公司 超声波水洗机的节能控制方法及系统
CN117687326B (zh) * 2024-02-02 2024-04-12 无锡南方声学工程有限公司 基于数据分析的超声波清洗机运行监测预警系统
CN118045814B (zh) * 2024-04-16 2024-06-11 森弘鑫智能设备(苏州)有限公司 一种超声波清洗的功率自适应调节系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1649100A (zh) * 2004-07-23 2005-08-03 王文 高效能臭氧水清洗半导体晶圆的系统及其方法
CN101236572A (zh) * 2007-01-30 2008-08-06 北京大学 一种半导体器件模型自适应参数提取方法
CN103231304A (zh) * 2013-04-26 2013-08-07 中国科学院微电子研究所 一种化学机械研磨工艺中晶圆表面清洗液配置的优化方法
CN105209402A (zh) * 2013-02-28 2015-12-30 维易科精密表面处理有限责任公司 用于执行湿法蚀刻工艺的系统和方法
KR102122399B1 (ko) * 2019-10-23 2020-06-12 주식회사 세이버 초음파 세척기의 IoT 서비스 제공 시스템
CN113013059A (zh) * 2021-02-10 2021-06-22 北京北方华创微电子装备有限公司 半导体工艺设备中清洗配置的更新方法和装置
CN113380670A (zh) * 2021-05-21 2021-09-10 昆山基侑电子科技有限公司 一种基于物联网的晶圆清洗用监控系统
CN113994453A (zh) * 2020-05-25 2022-01-28 株式会社日立高新技术 半导体装置制造系统以及半导体装置制造方法
CN114433559A (zh) * 2022-03-03 2022-05-06 珠海格力电器股份有限公司 超声波清洗盒控制方法、系统、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1649100A (zh) * 2004-07-23 2005-08-03 王文 高效能臭氧水清洗半导体晶圆的系统及其方法
CN101236572A (zh) * 2007-01-30 2008-08-06 北京大学 一种半导体器件模型自适应参数提取方法
CN105209402A (zh) * 2013-02-28 2015-12-30 维易科精密表面处理有限责任公司 用于执行湿法蚀刻工艺的系统和方法
CN103231304A (zh) * 2013-04-26 2013-08-07 中国科学院微电子研究所 一种化学机械研磨工艺中晶圆表面清洗液配置的优化方法
KR102122399B1 (ko) * 2019-10-23 2020-06-12 주식회사 세이버 초음파 세척기의 IoT 서비스 제공 시스템
CN113994453A (zh) * 2020-05-25 2022-01-28 株式会社日立高新技术 半导体装置制造系统以及半导体装置制造方法
CN113013059A (zh) * 2021-02-10 2021-06-22 北京北方华创微电子装备有限公司 半导体工艺设备中清洗配置的更新方法和装置
CN113380670A (zh) * 2021-05-21 2021-09-10 昆山基侑电子科技有限公司 一种基于物联网的晶圆清洗用监控系统
CN114433559A (zh) * 2022-03-03 2022-05-06 珠海格力电器股份有限公司 超声波清洗盒控制方法、系统、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116666198A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN116666198B (zh) 一种半导体器件全自动超声波清洗方法及系统
Jeong et al. Automatic identification of defect patterns in semiconductor wafer maps using spatial correlogram and dynamic time warping
US9508042B2 (en) Method for predicting machining quality of machine tool
Jalali et al. Predicting time-to-failure of plasma etching equipment using machine learning
CN1860487A (zh) 使用第一原理仿真分析半导体处理工具执行的处理的系统和方法
Christou et al. Predictive and explainable machine learning for industrial internet of things applications
Zhang et al. Bayesian identification of hidden Markov models and their use for condition-based monitoring
WO2021241242A1 (ja) 半導体装置製造システムおよび半導体装置製造方法
Rao A control chart for time truncated life tests using exponentiated half logistic distribution
CN110889260B (zh) 用于侦测工艺参数的方法及装置、电子设备和计算机可读介质
CN102299044A (zh) 工艺控制系统及其实现方法
CN111177970B (zh) 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
Chen et al. Attribute control charts using generalized zero‐inflated Poisson distribution
Nair et al. Statistics in advanced manufacturing
US20060085165A1 (en) Method for determining a failure of a manufacturing condition, system for determining a failure of a manufacuring condition and method for manufacturing an industrial product
US5483636A (en) Automated diagnosis using wafer tracking databases
Bazargan-Lari et al. A data mining approach for forecasting machine related disruptions
Zhu et al. Modern big data analytics for “old-fashioned” semiconductor industry applications
Liu et al. Modelling of machining error flow based on form features for multistage processes
Chen et al. Development of a virtual metrology for high-mix TFT-LCD manufacturing processes
Gao et al. Tool Wear Monitoring Algorithm Based on SWT‐DCNN and SST‐DCNN
Maged et al. Machine Learning Aided Six Sigma: Perspective and Practical Implementation
Marisa et al. Factory production machine damage detection system using case-based reasoning method
TWI230349B (en) Method and apparatus for analyzing manufacturing data

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