CN117121169A - 装置诊断系统、装置诊断装置、半导体装置制造系统以及装置诊断方法 - Google Patents
装置诊断系统、装置诊断装置、半导体装置制造系统以及装置诊断方法 Download PDFInfo
- Publication number
- CN117121169A CN117121169A CN202280005626.4A CN202280005626A CN117121169A CN 117121169 A CN117121169 A CN 117121169A CN 202280005626 A CN202280005626 A CN 202280005626A CN 117121169 A CN117121169 A CN 117121169A
- Authority
- CN
- China
- Prior art keywords
- semiconductor manufacturing
- algorithm
- manufacturing apparatus
- index
- data
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 85
- 239000004065 semiconductor Substances 0.000 title claims abstract description 79
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims description 29
- 230000036541 health Effects 0.000 claims description 57
- 238000012423 maintenance Methods 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000003449 preventive effect Effects 0.000 claims description 6
- 238000001020 plasma etching Methods 0.000 description 43
- 230000002159 abnormal effect Effects 0.000 description 33
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000003862 health status Effects 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 239000002243 precursor Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 102100031478 C-type natriuretic peptide Human genes 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 235000012431 wafers Nutrition 0.000 description 4
- 101500013677 Helix lucorum Peptide CNP2 Proteins 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 101100270213 Caenorhabditis elegans arrd-17 gene Proteins 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 101150114624 cnp-1 gene Proteins 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 101500013676 Helix lucorum Peptide CNP1 Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B19/048—Monitoring; Safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/3065—Plasma etching; Reactive-ion etching
-
- 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
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/31—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to form insulating layers thereon, e.g. for masking or by using photolithographic techniques; After treatment of these layers; Selection of materials for these layers
-
- 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
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Plasma & Fusion (AREA)
- Drying Of Semiconductors (AREA)
- Semiconductor Integrated Circuits (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
诊断半导体制造装置的状态的装置诊断系统具备装置诊断装置,在该装置诊断装置中,将从半导体制造装置收集的传感器数据作为输入,通过第一算法输出健全度指标,将健全度指标作为输入,通过第二算法输出半导体制造装置的正常时的阈值空间数据,将健全度指标和阈值空间数据作为输入,通过第三算法来诊断半导体制造装置的状态。健全度指标是与半导体制造装置的状态的健全度相关的指标。
Description
技术领域
本发明涉及装置诊断系统、装置诊断装置、半导体装置制造系统以及装置诊断方法。本发明特别涉及如下那样的装置诊断系统:收集等离子蚀刻装置的传感器数据以及其他装置日志数据,通过使用任意的触发和任意的解析算法来解析以及学习该数据群,来进行与等离子蚀刻装置的故障、劣化相关的预兆诊断以及健全度指标。
背景技术
出于制造工序中的生产率以及成品率的提升的观点,半导体制造工厂中的制造装置的运转率的提升以及高水准下的维持是重要课题之一。
在此,在制造装置的运转率的提升以及维持中,除了改善制造装置自身的性能、制造工艺性能以外,缩短伴随装置维护的装置停止时间(以下称作停机时间)也是重要的。
特别是,关于装置维护,除了预先设想的定期维护以外,还有由于某种装置不良状况而突发地产生的非常态维护作业。一般,在非常态维护作业中,产生起因于更换零件的筹备、维护人员调整等必要资源调整的等待时间,与定期维护比较,需要显著更长的停机时间。
因此,关于装置运转率的提升,非常态维护作业的避免、防止成为有效果的因子之一。
此外,即是是定期维护,在维护作业的过程判明了装置状态最初预想以上地劣化的情况下等,与非常态维护同样地预计资源调整、作业效率降低,需要长的停机时间。
作为针对这些的对策,能举出如下方法:通过始终评价装置的健全状态,预兆诊断装置状态的异常、劣化,来大幅缩短装置的停机时间。这里说的装置的健全状态的始终监控,例如能举出通过始终自动解析构成装置的组件的状态量,来始终评价以及预测该组件的健全度、状态变化的方法。
在等离子蚀刻装置中,作为用上述那样的方法进行装置的预防维修的技术,已知JP特开2000-259222号公报以及JP特开2006-324316号公报。
现有技术文献
专利文献
专利文献1:JP特开2000-259222号公报
专利文献2:JP特开2006-324316号公报
发明内容
发明要解决的课题
伴随半导体器件构造的进化,蚀刻工艺技术等生产技术、构成装置的组件频繁进行改善、置换,进行上述那样的预防维修的系统也需要能追随其的灵活的校正。
例如,即使是在装置追加新的组件、测量新的状态量的传感器的情况,出于运转率的观点,也并不期望在进行这些数据收集/解析时需要逐次修改系统的方案。
此外,在正确评价评价对象的组件自身的负载、状态时,有需要例如该组件未进行任何控制的状态下的状态量、将处理室与运送室间密封的闸门阀的开闭时等、并不限于工艺实施中的特定的负载事件中的状态量的场景。
在该观点下,JP特开2000-259222号公报中,由于装入故障预知算法,因此,例如在过去设为解析对象的组件的规格发生变更的情况下,或在追加了新的组件的情况下,需要系统的修改。在JP特开2006-324316号公报中,由于解析触发仅是配方信息,因此,不能以装置为空转(idle)状态时等任意的触发执行解析。
用于解决课题的手段
上述课题能通过如下系统解决:关于解析装置的状态量的算法,能在系统上进行替换、删除、新登记时不伴随系统的程序的修改地实施该替换、删除、新登记作业,并且能通过任意的事件触发自动解析对象组件的状态量。
具体地,在等离子蚀刻装置中,以预先确定的装置事件触发、时间间隔等任意的触发,从该传感器群经由LAN(局域网)等收集在各种传感器测量构成其的组件的状态量而得到的传感器数据。将该收集的传感器数据作为输入,执行预先在该系统中登记的单个或多个解析算法,作为上述解析的输出,算出表征针对装置的所有状态的各个健全度的指标。将该健全度指标蓄积于数据库、文件等中,根据需要,将该健全度指标群作为输入执行学习用算法,来算出正常运转时的基准空间。将上述的健全度指标群和基准空间作为输入,实施解析对象的等离子蚀刻装置的预兆诊断,进行不良状况的预防维修。该数据收集/解析系统通过能搭载将前述的健全度指标群和收集数据为输入的AI(人工智能)作为解析算法以及学习用算法的系统达成。
此外,这里说的所谓组件,是指构成等离子蚀刻装置系统的设备、构造物整套,并不限于例如高频产生电路等设备,还包含等离子处理室等构成等离子蚀刻装置系统的构造物。
发明的效果
根据本发明,对组件的健康状态进行始终监控,在组件的异常时、虽未达到异常但却预兆异常的情况下,能将该意思通知给装置管理源、作业者等。由此,通过在陷入非常态维护前进行合适的处置,能防止非常态维护自身。此外,即使是陷入非常态维护的情况下,由于也有事前调整资源的余地,因此,与通常的非常态维护比较,预计缩短停机时间。进而,每个组件的健全度指标能可视化以及解析。因此,能按每个装置制定下次的定期维护时的维护方针。由此,能实现定期维护的准确化以及效率化,能贡献于停机时间的缩短。
附图说明
图1是包含实施例所涉及的进行等离子蚀刻装置的预兆诊断以及健全度指标的评价的装置诊断系统的半导体装置制造系统的整体图。
图2是图1的等离子蚀刻装置的结构图。
图3是作为图1的装置诊断装置的边缘系统的结构图。
图4是图1的服务器系统的结构图。
具体实施方式
以下参考附图来说明本发明的实施方式。
【实施例】
对本发明的实施例进行说明。图1是包含实施例所涉及的进行等离子蚀刻装置的预兆诊断以及健全度指标的评价的装置诊断系统的半导体装置制造系统的整体图。图2是图1的等离子蚀刻装置的结构图。图3是作为图1的装置诊断系统的边缘系统的结构图。图4是图1的服务器系统的结构图。图2~图4所示的箭头表示本发明的实施例所涉及的数据的流。
如图1所示那样,在该示例中,半导体装置制造系统100虽没有特别限制,但包含多个等离子蚀刻装置(PEA)101、多个边缘系统(EGS)107、服务器系统(SVS)121和主处理器(HPR)200。将1个等离子蚀刻装置101与1个边缘系统107之间例如通过利用了LAN(局域网)线缆、USB(通用串行总线)线缆等通信线缆108的网络线路进行连接。将多个边缘系统107与服务器系统121之间例如通过利用了LAN线缆、USB线缆等的通信线缆220的网络线路进行连接。此外,各等离子蚀刻装置101通过利用了LAN线缆、USB线缆等通信线缆210的网络线路与主计算机200连接。另外,还能取代LAN线缆、USB线缆等有线的通信线缆,通过利用了无线的网络线路将等离子蚀刻装置101、边缘系统107以及服务器系统121连接。
服务器系统121例如设置于半导体器件的制造工厂(称作半导体器件Fab)内。或者,服务器系统121设置于半导体器件Fab之外的楼宇等建筑物,例如设置于半导体器件的设计楼、试验楼、检查楼等建筑物内。
在此,等离子蚀刻装置(PEA)101是用于制造半导体器件的半导体制造装置。边缘系统107能视作装置诊断装置或装置诊断系统。装置诊断装置或装置诊断系统为了诊断半导体制造装置(101)的状态而利用。此外,有时将用通信线缆108连接的服务器系统121和边缘系统107视作装置诊断系统。能将用通信线缆108连接的半导体制造装置和边缘系统107视作半导体装置制造系统100。此外,有时将用通信线缆108连接的半导体制造装置、边缘系统107和服务器系统121视作半导体装置制造系统100。
边缘系统107例如能由作为计算机的个人计算机构成。边缘系统107例如包含外部接口电路、处理器、存储器、存贮器以及显示装置。存储器例如由RAM(Random AccessMemory,随机存取存储器)等能进行高速的读出或高速的写入的半导体存储器构成。存贮器例如由HDD(Hard Disk Drive,硬盘驱动器)、SSD(Solid State Drive,固态硬盘)等大容量的存储装置构成。构成为通过处理器执行例如存放于存贮器的实现边缘系统107的功能的软件程序(也称作应用程序),来通过个人计算机实现。即,图3说明的边缘系统107的功能通过由处理器执行以及参考存放于存贮器的软件程序和存放于存贮器的各种参考数据来实现。在图3中,数据处理区域310通过由个人计算机的处理器执行软件程序来实现,数据存贮器区域300通过个人计算机的存储器或存贮器实现,用户接口区域320通过个人计算机的显示装置实现。
在该意义下,图1所示的半导体装置制造系统100能视作具备:经由网络连接半导体制造装置(101)并安装了用于诊断半导体制造装置(101)的状态的装置诊断装置(107)的应用的平台。
首先说明在等离子蚀刻装置(PEA)101内取得的数据群102、103、104。
在本实施例的观点中,如图2所示那样,等离子蚀刻装置(PEA)101的生产区域PR大致能分类成:对作为样品的晶片实施等离子蚀刻处理等的处理室105;和从晶片盒在处理室105间运送晶片的运送室106。在各个系统中,对应于其目的安装有种种控制用组件CNP。例如,作为设于运送室106的控制用组件CNP1,例如设置运送晶片的机器人、进行大气和真空的切换的清洁用阀、真空泵等。作为设于处理室105的控制用组件CNP2,例如设置有用于生成等离子的高频振荡电路、用于对处理室内导入工艺气体的气体流量控制设备、进行处理室内的排气的真空泵等。此外,虽未图示,但作为设于处理室105与运送室106之间的控制用组件,设置有将两者(105和106)之间封闭的闸门阀等。通常在这些控制用组件安装有传感器,测量其种种状态量。以下将该状态量称呼为传感器数据(SDA)102。该传感器数据102保管在数据存贮器区域DSR中。
此外,还与传感器数据102分开地存在表达等离子蚀刻装置101的实时的状态的装置状态量(ESQ)103。该装置状态量103是传感器数据的一种,是以阀的开闭状态、等离子蚀刻装置101或各组件的运转状态以及停止状态的表达为主要目的的对等离子蚀刻装置101的事件进行特别化的值,通常用布尔值、其他整数值表征。这些也是除了保管在数据存贮器区域DSR以外,一部分数据不进行保管而作为命令数据在存储器中保持一定时间。
进而,作为未含在上述传感器数据102以及装置状态量103的任一者中的数据,还存在装置日志(LOG)104。在装置日志(LOG)104中包含装置101的维护的历史记录、执行的工艺配方的信息等装置事件的详细数据等。
接下来,关于上述说明的数据群102、103、104,说明对它们进行收集、蓄积、状态评价、状态判定的边缘系统107。
如图1所示那样,边缘系统107可以针对多个等离子蚀刻装置101连接1台。但在制造现场方面期望该系统这样的附加设备设置面积尽可能小。在该情况下,由于一般设置面积小的代价是选定处理能力水准不高的系统,因此,期望针对1台等离子蚀刻装置101连接1台。因此,在本实施例中,作为代表性的示例,说明对1台等离子蚀刻装置101连接1台边缘系统107的实施例。
首先,如图1所示那样,将等离子蚀刻装置101和边缘系统107用通信用线缆108进行连接。在本实施例中,作为通信线缆108而使用LAN线缆,经由交换式集线器将等离子蚀刻装置101和边缘系统107连接。
如此地,在将等离子蚀刻装置101和边缘系统107用通信用线缆108连接的系统中,如图3所示那样,首先,边缘系统107内的数据收集程序109将前述的传感器数据102、装置日志数据104当中的在边缘系统107中在该时间点复制的没有实绩的数据作为传感器数据110、装置日志数据111复制到边缘系统107的数据存贮器区域300。传感器数据110例如优选构成为由数据收集程序109根据与构成等离子蚀刻装置101的各组件(CNP1、CNP2等)的动作对应的触发或与等离子蚀刻装置101的处理对应的触发从前述的传感器数据102收集。
这时,该传感器数据110以及装置日志数据111的数据的形式并不需要与原始数据的形式相同,例如也可以例如通过zip等数据压缩格式削减数据大小,或者仅保管以AI(人工智能)、其他任意的算法提取的数据的特征部分,或者变换成在进行之后的状态评价以及判定解析时便利的形式进行保管,或者将文件格式的数据作为数据库的记录进行记录以及保管。
进而,关于装置状态量103,可以保管在边缘系统107的数据存贮器区域300。但在本实施例中,主要在后述的触发判定目的中使用装置状态量103,因此,设为不在数据存贮器区域300保管而作为输入移交到设于数据处理区域310的触发解析程序113的结构(参考数据流112)。
接下来说明触发解析程序113。这里说的触发,是指用于执行后述的解析算法114的触发(以下称作解析触发)。例如,在等离子蚀刻装置101中实施了特定的工艺配方的情况下,在希望以该配方执行中的传感器数据102为输入执行特定的解析算法的情况下,该特定的工艺配方的信息成为解析触发。此外,能不依赖于特定的装置事件例如存在于处理室105与运送室106之间的闸门阀的开闭时等、特定的执行配方或装置事件,将特定的时间间隔等也设定为解析触发。即,用数据收集程序109收集的数据110、111、103中所含的信息以及时间信息全都能设定为解析触发。
触发解析程序113对从装置日志数据111以及数据收集程序109通过数据流112移交的装置状态量103,判定是否包含预先设定为解析触发的项目。
另外,这时成为对象的装置日志数据111涉及在触发解析程序113读入该数据群的时间点在过去已经进行过判定的装置日志数据111以外的数据、即装置日志数据111的差分数据群。
这时,关于差分数据群,在包含预先设定为解析触发的项目的情况下,触发解析程序113直接执行关联了该解析触发的装置健全度指标解析算法114。装置健全度指标解析算法114能称作第一算法。第一算法114将从半导体制造装置101收集的传感器数据作为输入,输出后述的健全度指标116。
另外,这里说的预先设定为解析触发的项目,是指在系统的用户接口区域320中的设定画面330由系统的用户通常是生产现场的现场工程师等手动设定为解析触发的项目、或通过AI(人工智能)、其他任意的算法预先设定为解析触发的项目。
进而,这里说的关联了解析触发的装置健全度指标解析算法114,是指在系统的用户接口区域320的设定画面330由系统的用户通常是生产现场的现场工程师等手动与该解析触发建立关联的装置健全度指标解析算法、或由AT、其他任意的算法与该解析触发建立关联的装置健全度指标解析算法。
接下来说明装置健全度指标解析算法114。
该算法114将由上述的数据收集程序109复制以及根据需要整形的传感器数据110以及装置日志111作为输入,由上述的触发解析程序113执行。
这时,只要满足用于触发解析程序113执行该算法114的平台的要件,则不用管记述该算法114的编程语言。此外,只要满足上述的要件,则该算法114可以AT,也可以是其他任意的算法。此外,该算法114设为未嵌入构成边缘系统107的数据收集程序109、触发解析程序113、学习用触发解析程序115的算法,在本实施例中设为满足上述的条件的dl1文件、其他脚本文件。其目的在于,在边缘系统107上中进行替换、删除、新登记时,能不伴随系统的程序的修改地实施装置健全度指标解析算法114。
这时,通过该算法114解析前述的输入数据(传感器数据110、装置日志111),作为输出而得到装置健全度指标116。可以将装置健全度指标116作为文件来保管。但为了事后在作为后述的机器学习用的学习数据等使用时容易检索、提取,在本实施例中,将装置健全度指标116作为数据库形式来保管。健全度指标116是与半导体制造装置101的状态的健全度相关的指标。装置健全度指标116使用通过解析算法114学习了的机器学习来输出。解析算法114还能针对输入数据(传感器数据110、装置日志111)通过解析以及机器学习进行学习。
此外,这时,该算法114也可以不是将单个而是将多个登记在1个边缘系统107。例如还能按装置的每个组件单独地开发该算法114,将它们在1个边缘系统上分别以任意的触发执行。即,该算法114例如能由单个算法或多个算法构成。
接下来,说明学习用触发解析程序115。
学习用触发解析程序115对于作为装置健全度指标解析算法114的输出而得到的装置健全度指标116以及传感器数据110以及装置日志111,判定是否有满足预先设定为学习用触发的条件的数据群。在存在满足该条件的数据群的情况下,将这些数据群作为输入,执行学习算法117。在此,特定的日期时间等时间范围、某特定时期起的生产数范围、特定的事件发生任意次数时等与触发解析程序113同样而由数据收集程序109收集的数据110、111、103中所含的信息以及时间信息全都能设定为学习用触发。学习算法117还能对数据群通过解析以及机器学习来进行学习。
进而,与触发解析程序113同样,该学习用触发设为在系统的用户接口区域320中的设定画面330由系统的用户通常是生产现场的现场工程师等手动设定为解析触发的触发、或者通过AI、其他任意的算法作为过滤基准而预先设定的触发。
接下来,对学习用算法117进行说明。所谓学习用算法117,如前述那样,是指如下算法:通过学习用触发解析程序,将对传感器数据110、装置日志111、装置健全度指标116在给定的条件下进行过滤而得到的数据群作为输入,输出阈值空间数据118。学习用算法117能称作第二算法。第二算法117将健全度指标116作为输入,输出半导体制造装置101的正常时的阈值空间数据118。阈值空间数据118通过学习用算法117使用进行了学习的机器学习来输出。
在此,所谓阈值空间数据118,是指用于判定通过装置健全度指标解析算法114算出的装置健全度指标116的正常以及异常的阈值数据。该阈值空间数据118不是单个,而是通常针对各组件存在。具体地,例如,将各组件的阈值空间数据118描画在与其对应的坐标轴,在其上描画对应的组件的装置健全度指标116。在该情况下,按如下方式使用:若该装置健全度指标描画在阈值空间内就判定为正常,若该装置健全度指标描画在阈值空间外,就判定为异常。
接下来,说明装置健全状态判定算法119。将在执行装置健全状态判定算法119的时间点在过去已经进行过判定的装置健全度指标116数据以外的数据即装置健全度指标116的差分数据群、以及该健全度指标群分别所对应的组件的阈值空间数据118作为输入,来进行与该健全度指标116对应的组件是正常还是异常的判定。这时,作为输出,得到装置健全状态判定结果120。这时,所谓装置健全状态判定结果,一般是表征“正常”、“有异常预兆”的布尔值,但并不限于“正常”、“有异常预兆”这2个值,例如也可以是“正常”、“异常预兆”、“异常”这样的指标。这里得到的装置健全状态判定结果120除了保管在数据库等存贮器中以外,也可以经由蚀刻装置101发送到对该蚀刻装置101进行总括以及监视的主计算机200,进而,将这些数据也发送到后述的服务器系统121。装置健全状态判定算法119能称作第三算法。第三算法119将健全度指标116和阈值空间数据118作为输入,进行与该健全度指标116对应的组件是正常还是异常的判定,由此来诊断半导体制造装置101的状态。作为装置健全状态判定结果120的对半导体制造装置101的状态进行的诊断使用通过算法119学习了的机器学习来进行诊断。算法119还能对“正常”、“异常预兆”、“异常”等指标进行包含健全度指标116和阈值空间数据118的输入数据的解析以及基于机器学习的学习。
在此,对诊断半导体制造装置的状态的装置诊断方法可以如以下那样进行汇总。即,诊断半导体制造装置(101)的状态的装置诊断方法具有如下工序:
1)(健全度指标的输出工序):将从半导体制造装置(101)收集到的传感器数据(110)作为输入,通过第一算法(114)输出健全度指标(116);
2)(阈值空间数据的输出工序):将健全度指标(116)作为输入,通过第二算法(117)输出半导体制造装置(101)的正常时的阈值空间数据(118);以及
3)(诊断工序):将健全度指标(116)和阈值空间数据(118)作为输入,通过第三算法(119)来诊断半导体制造装置(101)的状态。
此外,半导体装置制造系统(100)具备经由网络连接半导体制造装置(101)且安装有用于诊断半导体制造装置(101)的状态的应用的平台,能将该半导体装置制造系统(100)如以下那样汇总。即,半导体装置制造系统(100)包含:
1)(健全度指标的输出步骤):第1步骤,将从半导体制造装置(101)收集到的传感器数据(110)作为输入,通过第一算法(114)输出健全度指标(116);
2)(阈值空间数据的输出步骤):第2步骤,将健全度指标(116)作为输入,通过第二算法(117)输出半导体制造装置(101)的正常时的阈值空间数据(118);以及
3)(诊断步骤):第3步骤,将健全度指标(116)和阈值空间数据(118)作为输入,通过第三算法(119)来诊断半导体制造装置(101)的状态。在此,第1步骤、第2步骤以及第3步骤通过用于诊断半导体制造装置(101)的状态的应用执行。
在此,关于特定的组件,在主计算机200或服务器系统121接收到其状态为异常或预兆异常的状态的通知的情况下,等离子蚀刻装置101的管理源或作业者能直接进行必要的对应,通过在陷入非常态维护前进行合适的处置,能防止非常态维护自身。进而,由于即使是陷入非常态维护的情况,也有能事前调整资源的余地,因此,与通常的非常态维护比较,预计缩短停机时间。
接下来,说明服务器系统121。
如前述那样,在本实施例中,由于针对1台等离子蚀刻装置101连接1台边缘系统107,因此,在制造现场,存在等离子蚀刻装置101的台数的相应量的边缘系统107。
服务器系统121是以总括管理这些多个边缘系统107为目的的系统,主要目的在于,收集从边缘系统107收集的装置日志111、装置健全度指标116、装置健全度状态判定结果120进行监控,或者从边缘系统107接收装置健全度状态判定结果120的通知。即,服务器系统121为了收集来自边缘系统107的数据、根据所收集的数据来进行与等离子蚀刻装置101的故障的预防维修相关的解析或与维护手法相关的解析而设置。
接下来,说明服务器系统121中的数据收集程序122。
数据收集程序122将在边缘系统107的装置日志111、装置健全度指标116、装置健全度状态判定结果120中在该时间点从边缘系统107复制到服务器系统121的没有实绩的数据作为装置日志123、装置健全度指标124、装置健全状态判定结果125复制到服务器系统121的数据存贮器区域400。
这时,该装置日志111、装置健全度指标116、装置健全度状态判定结果120的数据的形式不需要与原始数据的形式相同,例如可以通过zip等数据压缩格式削减数据大小,或者仅保管用AI、其他任意的算法提取的数据的特征部分,或者变换成在进行之后的状态评价以及判定解析时便利的形式进行保管,或者将文件形式的数据作为数据库的记录进行记录、保管。
接下来,说明可视化程序126。可视化程序126是进行用于针对用数据收集程序122复制到数据存贮器区域400的装置日志123、装置健全度指标124、装置健全状态判定结果125而将例如其趋势、当前时间点的状态显示到设于数据显示区域410的装置状态监视器127的处理的程序。
接下来,说明维护计划制定程序128。维护计划制定程序128主要将用数据收集程序122复制到数据存贮器区域400的装置健全度指标124作为输入,根据与各组件的劣化状态对应的装置健全度指标124来评价各组件的劣化状态。维护计划制定程序128将即使是未达到异常预兆状态而在装置健全状态判定中视作正常但却有今后发展成异常预兆状态的可能性从而在下次的定期维护时应重点进行维护的组件、或者反过来劣化状态轻微而不需要维护或通过轻微的维护就没有问题的组件列表化。维护计划制定程序128将列表化的组件显示到设于数据显示区域410的维护计划监视器129。
由此,能进行定期维护作业的准确化以及效率化,期待装置停机时间的缩短以及资源成本的削减。
根据实施例,能提供系统(100),关于解析装置的状态量的算法(114、117、119),能在系统(100)上进行替换、删除、新登记时不伴随系统(100)的程序的修改地实施该替换、删除、新登记作业,且能通过任意的事件触发自动解析对象组件的状态量。
具体地,在等离子蚀刻装置(101)中,以预先确定的装置事件触发、时间间隔等任意的触发从该传感器群经由LAN网络等收集在各种传感器测量构成其的组件(CNP1、CNP2等)的状态量而得到的传感器数据(102)。然后,将所收集的传感器数据(收集数据)(110)作为输入,执行预先在该系统(100)中作为应用登记的单个或多个解析算法(114)。作为解析算法(114)的解析的输出,算出表征针对装置(101)的所有状态的各个健全度的指标(116)。将该健全度指标(116)蓄积于数据库、文件等,根据需要,将该健全度指标(116)群作为输入来执行学习用算法(117)。作为学习用算法(117)的执行结果,算出正常运转时的基准空间(阈值空间数据118)。通过将健全度指标(116)群和基准空间(118)作为输入执行判定算法(119),来实施解析对象的等离子蚀刻装置(101)的预兆诊断。由此,进行解析对象的等离子蚀刻装置(101)的不良状况的预防维修。在系统(100)中,解析算法(114)、学习用算法(117)以及判定算法(119)能通过AI(人工智能)实施。健全度指标(116)、基准空间(118)使用AI(人工智能)的机器学习的结果来输出。此外,等离子蚀刻装置(101)的状态也使用AI(人工智能)的机器学习来诊断。
此外,所谓组件,是指构成等离子蚀刻装置(101)系统的设备、构造物整套。组件例如并不限于高频产生电路等设备,还包含等离子处理室等构成等离子蚀刻装置系统的构造物。
根据本发明,对等离子蚀刻装置(101)的组件的健康状态进行始终监控。然后,在组件的异常时、虽未达到异常但却预兆到异常的情况下,将该意思通知给装置管理源、作业者等。由此,通过在陷入非常态维护前进行合适的处置,能防止非常态维护自身。此外,即使是陷入非常态维护的情况,由于也有能事前调整资源的余地,因此,与通常的非常态维护比较预计缩短停机时间。进而,每个组件的健全度指标能可视化以及解析。因此,能按每个装置制定下次的定期维护时的维护方针。由此,能实现定期维护的准确化以及效率化,能贡献于停机时间的缩短。
以上基于实施例具体说明了由本发明人做出的发明,但本发明并不限定于上述实施方式以及实施例,能进行种种变更,这点不言自明。
附图标记的说明
100:半导体装置制造系统、101:等离子蚀刻装置、102:传感器数据、103:装置状态量、104:装置日志、105:处理室、106:运送室、107:边缘系统、108:通信用线缆、109:数据收集程序、110:传感器数据、111:装置日志数据、112:将装置状态量作为输入移交给触发解析程序的数据流、113:触发解析程序、114:装置健全度指标解析算法、115:学习用触发解析程序、116:装置健全度指标、117:学习算法、118:阈值空间数据、119:装置健全状态判定算法、120:装置健全状态判定结果、121:服务器系统、122:服务器系统中的数据收集程序、123:装置日志、124:装置健全度指标、125:装置健全状态判定结果、126:可视化程序、127:装置状态监视器、128:维护计划制定程序、129:维护计划监视器、200:主处理器(HPR)、210:通信线缆、220:通信线缆、300:数据存贮器区域、310:数据处理区域、320:用户接口区域、330:设定画面。
Claims (12)
1.一种装置诊断系统,诊断半导体制造装置的状态,其特征在于,所述装置诊断系统具备装置诊断装置,
该装置诊断装置执行以下操作:
将从所述半导体制造装置收集的传感器数据作为输入,通过第一算法输出健全度指标,
将所述健全度指标作为输入,通过第二算法输出所述半导体制造装置的正常时的阈值空间数据,
将所述健全度指标和所述阈值空间数据作为输入,通过第三算法来诊断所述半导体制造装置的状态,
所述健全度指标是与所述半导体制造装置的状态的健全度相关的指标。
2.一种装置诊断系统,具备经由网络连接服务器且诊断半导体制造装置的状态的装置诊断装置,所述装置诊断系统的特征在于,
由所述服务器收集来自所述装置诊断装置的数据,并且根据所收集的数据来进行与所述半导体制造装置的故障的预防维修相关的解析或与维护手法相关的解析。
3.根据权利要求1所述的装置诊断系统,其特征在于,
使用机器学习输出所述健全度指标或所述阈值空间数据,或者使用机器学习来诊断所述半导体制造装置的状态。
4.根据权利要求1所述的装置诊断系统,其特征在于,
所述第一算法是单个算法或多个算法。
5.根据权利要求1所述的装置诊断系统,其特征在于,
通过与构成所述半导体制造装置的组件的动作对应的触发或与所述半导体制造装置的处理对应的触发来收集所述传感器数据。
6.根据权利要求1所述的装置诊断系统,其特征在于,
所述装置诊断装置是个人计算机。
7.根据权利要求1所述的装置诊断系统,其特征在于,
所述装置诊断系统还具备:
服务器,其收集来自所述装置诊断装置的数据,并且根据所收集的数据来进行与所述半导体制造装置的故障的预防维修相关的解析或与维护手法相关的解析。
8.根据权利要求2所述的装置诊断系统,其特征在于,
所述装置诊断系统还具备所述服务器。
9.根据权利要求2所述的装置诊断系统,其特征在于,
所述服务器设置于半导体器件Fab内,或者所述服务器设置于半导体器件Fab外。
10.一种装置诊断装置,诊断半导体制造装置的状态,所述装置诊断装置的特征在于,
将从所述半导体制造装置收集的传感器数据作为输入,通过第一算法输出健全度指标,
将所述健全度指标作为输入,通过第二算法输出所述半导体制造装置的正常时的阈值空间数据,
将所述健全度指标和所述阈值空间数据作为输入,通过第三算法来诊断所述半导体制造装置的状态,
所述健全度指标是与所述半导体制造装置的状态的健全度相关的指标。
11.一种导体装置制造系统,具备经由网络连接半导体制造装置且安装有用于诊断半导体制造装置的状态的应用的平台,所述半导体装置制造系统的特征在于,通过所述应用执行如下步骤:
将从所述半导体制造装置收集的传感器数据作为输入,通过第一算法输出健全度指标;
将所述健全度指标作为输入,通过第二算法输出所述半导体制造装置的正常时的阈值空间数据;和
将所述健全度指标和所述阈值空间数据作为输入,通过第三算法来诊断所述半导体制造装置的状态,
所述健全度指标是与所述半导体制造装置的状态的健全度相关的指标。
12.一种装置诊断方法,诊断半导体制造装置的状态,所述装置诊断方法的特征在于,具有如下工序:
将从所述半导体制造装置收集的传感器数据作为输入,通过第一算法输出健全度指标;
将所述健全度指标作为输入,通过第二算法输出所述半导体制造装置的正常时的阈值空间数据;和
将所述健全度指标和所述阈值空间数据作为输入,通过第三算法来诊断所述半导体制造装置的状态,
所述健全度指标是与所述半导体制造装置的状态的健全度相关的指标。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/014006 WO2023181265A1 (ja) | 2022-03-24 | 2022-03-24 | 装置診断システム、装置診断装置、半導体装置製造システムおよび装置診断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117121169A true CN117121169A (zh) | 2023-11-24 |
Family
ID=88100691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280005626.4A Pending CN117121169A (zh) | 2022-03-24 | 2022-03-24 | 装置诊断系统、装置诊断装置、半导体装置制造系统以及装置诊断方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240310827A1 (zh) |
JP (1) | JPWO2023181265A1 (zh) |
KR (1) | KR20230140547A (zh) |
CN (1) | CN117121169A (zh) |
TW (1) | TWI838134B (zh) |
WO (1) | WO2023181265A1 (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000259222A (ja) | 1999-03-04 | 2000-09-22 | Hitachi Ltd | 機器監視・予防保全システム |
JP3660896B2 (ja) * | 2001-07-26 | 2005-06-15 | 株式会社日立製作所 | プラズマ処理装置のメンテナンス方法 |
JP4620524B2 (ja) | 2005-05-17 | 2011-01-26 | 株式会社日立ハイテクノロジーズ | プラズマ処理装置 |
US7289863B2 (en) * | 2005-08-18 | 2007-10-30 | Brooks Automation, Inc. | System and method for electronic diagnostics of a process vacuum environment |
JP5416443B2 (ja) * | 2009-03-19 | 2014-02-12 | 大日本スクリーン製造株式会社 | 故障予知システムおよび故障予知方法 |
RU2724455C1 (ru) * | 2017-06-14 | 2020-06-23 | Мицубиси Электрик Корпорейшн | Оборудование диагностики ухудшения характеристик вследствие старения и способ диагностики ухудшения характеристик вследствие старения |
JP6990634B2 (ja) * | 2018-08-21 | 2022-02-03 | 株式会社日立ハイテク | 状態予測装置及び半導体製造装置 |
WO2020144939A1 (ja) * | 2019-01-11 | 2020-07-16 | パナソニックIpマネジメント株式会社 | 診断システム、診断方法、プログラム及び記録媒体 |
US11348813B2 (en) * | 2019-01-31 | 2022-05-31 | Applied Materials, Inc. | Correcting component failures in ion implant semiconductor manufacturing tool |
WO2020188747A1 (ja) * | 2019-03-19 | 2020-09-24 | 株式会社Kokusai Electric | 半導体装置の製造方法、予兆検知プログラム、及び基板処理装置 |
CN114207593A (zh) * | 2019-06-10 | 2022-03-18 | 沃特世科技爱尔兰有限公司 | 用于分析仪器性能诊断的技术 |
WO2021065295A1 (ja) * | 2019-09-30 | 2021-04-08 | パナソニックIpマネジメント株式会社 | プラズマ処理の異常判定システムおよび異常判定方法 |
WO2021240572A1 (ja) * | 2020-05-25 | 2021-12-02 | 株式会社日立ハイテク | 半導体装置製造システムおよび半導体装置製造方法 |
US20220399182A1 (en) * | 2020-06-15 | 2022-12-15 | Hitachi High-Tech Corporation | Apparatus diagnostic apparatus, apparatus diagnostic method, plasma processing apparatus and semiconductor device manufacturing system |
-
2022
- 2022-03-24 WO PCT/JP2022/014006 patent/WO2023181265A1/ja active Application Filing
- 2022-03-24 KR KR1020237005520A patent/KR20230140547A/ko unknown
- 2022-03-24 US US18/026,201 patent/US20240310827A1/en active Pending
- 2022-03-24 JP JP2023512213A patent/JPWO2023181265A1/ja active Pending
- 2022-03-24 CN CN202280005626.4A patent/CN117121169A/zh active Pending
-
2023
- 2023-02-22 TW TW112106472A patent/TWI838134B/zh active
Also Published As
Publication number | Publication date |
---|---|
TW202338627A (zh) | 2023-10-01 |
WO2023181265A1 (ja) | 2023-09-28 |
KR20230140547A (ko) | 2023-10-06 |
US20240310827A1 (en) | 2024-09-19 |
JPWO2023181265A1 (zh) | 2023-09-28 |
TWI838134B (zh) | 2024-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8291264B2 (en) | Method and system for failure prediction with an agent | |
TWI287244B (en) | Correlation of end-of-line data mining with process tool data mining | |
KR20020019022A (ko) | 반도체 처리 기술 | |
JP2000252179A (ja) | 半導体製造プロセス安定化支援システム | |
CN113590429B (zh) | 一种服务器故障诊断方法、装置及电子设备 | |
CN114551271A (zh) | 监测机台运行状况的方法及装置、存储介质及电子设备 | |
KR102073810B1 (ko) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 | |
JP2004240642A (ja) | プラント機器の保守支援装置 | |
TWI841756B (zh) | 具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式 | |
EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
CN116670608A (zh) | 用于物联网预测建模的混合系综方法 | |
JP2006146459A (ja) | 半導体デバイスの製造方法および製造システム | |
KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
US20230400508A1 (en) | Substrate processing system tools for monitoring, assessing and responding based on health including sensor mapping and triggered datalogging | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
CN117591949A (zh) | 一种设备异常识别方法、设备及介质 | |
CN117121169A (zh) | 装置诊断系统、装置诊断装置、半导体装置制造系统以及装置诊断方法 | |
WO2020044898A1 (ja) | 機器状態監視装置及びプログラム | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
JP2004348315A (ja) | 通信インタフェースを備えた制御装置 | |
KR20230061068A (ko) | 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법 | |
Aggogeri et al. | Design for Reliability of Robotic Systems Based on the Prognostic Approach | |
KR102672799B1 (ko) | 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법 | |
US11703846B2 (en) | Equipment failure diagnostics using Bayesian inference | |
CN117495357B (zh) | 一种基于大数据的电力数据监管系统及方法 |
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 |