CN117333683A - 用于识别异物的设备和方法 - Google Patents
用于识别异物的设备和方法 Download PDFInfo
- Publication number
- CN117333683A CN117333683A CN202210710676.4A CN202210710676A CN117333683A CN 117333683 A CN117333683 A CN 117333683A CN 202210710676 A CN202210710676 A CN 202210710676A CN 117333683 A CN117333683 A CN 117333683A
- Authority
- CN
- China
- Prior art keywords
- value
- weight
- foreign matter
- material sample
- sample
- 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 84
- 239000000463 material Substances 0.000 claims abstract description 116
- 239000000126 substance Substances 0.000 claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 239000000203 mixture Substances 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 39
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 claims description 34
- 229910052799 carbon Inorganic materials 0.000 claims description 27
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 25
- 229910052760 oxygen Inorganic materials 0.000 claims description 25
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 23
- 239000001301 oxygen Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000000921 elemental analysis Methods 0.000 claims description 8
- 238000004611 spectroscopical analysis Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004566 IR spectroscopy Methods 0.000 claims description 5
- 238000005481 NMR spectroscopy Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 95
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 31
- 239000013074 reference sample Substances 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 15
- 238000011109 contamination Methods 0.000 description 12
- 238000000576 coating method Methods 0.000 description 11
- 239000011248 coating agent Substances 0.000 description 10
- 238000000550 scanning electron microscopy energy dispersive X-ray spectroscopy Methods 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 7
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 description 7
- 229910052710 silicon Inorganic materials 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 239000004593 Epoxy Substances 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 239000003365 glass fiber Substances 0.000 description 4
- 229920005989 resin Polymers 0.000 description 4
- 239000011347 resin Substances 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 239000003822 epoxy resin Substances 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 229920002120 photoresistant polymer Polymers 0.000 description 3
- 229920000647 polyepoxide Polymers 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000013558 reference substance Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001493 electron microscopy Methods 0.000 description 2
- 238000000724 energy-dispersive X-ray spectrum Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 239000011368 organic material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 229910052729 chemical element Inorganic materials 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 229910010272 inorganic material Inorganic materials 0.000 description 1
- 239000011147 inorganic material Substances 0.000 description 1
- 239000010954 inorganic particle Substances 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
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 229920000620 organic polymer Polymers 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000012925 reference material Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000012744 reinforcing agent Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Engineering & Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
公开了用于识别异物的设备和方法。提供了用于从现有的材料样品的集合识别生产线中的异物的设备和计算机实施的方法,其中,材料样品的化学分析数据是已知的并且被存储在存储器中。该方法包括检索异物的化学分析数据,并且基于检索到的异物的化学分析数据和所存储的材料样品的化学分析数据,计算与异物相结合的每个材料样品的第一值、第二值和第三值。该方法还包括基于第一值、第二值和第三值来计算每个材料样品的相似度分数;由此,通过具有最高的相似度分数的材料样品识别异物。
Description
技术领域
本发明涉及识别生产线中的异物。具体地,本发明涉及印刷电路板(PCB)和基板行业中的材料标识。
背景技术
在生产线中,通常以串行方式执行多个步骤,其中要生产或要加工的物体在多个加工工位之间运输。可能发生工位不正确地工作或者传送路线不是最优的。在这些情况或其他情况下,来自工具、外壳、传送介质或不属于物体的部分的其他来源的材料可能被引入到物体上。这种材料被认为是异物,即,不是物体的部分,并且被视为是污染。
通常,仅在生产线末端在质量控制点处检测这种污染。质量控制点也可以在生产线的工位之间,但由于质量控制所需的时间和劳力,通常在每个工位之后没有控制质量。
生产线是普遍存在的,并且例如,被用于食品制造和加工、液体装瓶、电子部件(比如印刷电路板)的制造、汽车组装线等以及许多其他预期用途。
根据现有技术,例如,通过傅里叶变换红外光谱法(FTIR)和能量色散X射线光谱法(EDX)收集并检查异物的样品。
US 2018/150616 A1描述了具有参考物质数据库的样品分析系统,该参考物质数据库包括通过每个分析设备针对每个参考物质的信息获得的参考物质的测量结果和组分分类信息,其中,特别地描述了EDX和FTIR数据库。
US 2017/307551 A1描述了一种样品分析系统,该样品分析系统用于从使用包括从荧光X射线分析仪、原子吸收光度计和电感耦合等离子体发射分析仪中选择的至少一个设备以及从红外分光光度计和拉曼分光光度计中选择的至少一个设备的多个分析设备获得的其测量数据中识别目标样品。
US 10126250 B1描述了一种能够精确地且容易地分析样品中包含的异物的异物分析系统。该异物分析系统包括获取由红外分光光度计测量的样品的红外光谱信息的红外光谱获取步骤。
US 2017/067864 A1描述了一种用于使用针对从由分析物化合物产生的离子中被选择为参考离子的一个或多个离子获取的质量色谱图来执行样品中包含的分析物化合物的确定的质量色谱图法。
US 2020/284719 A1描述了光谱匹配被广泛地用于各种应用,包括在现有光谱数据库中搜索未知或实验对象材料、化学品或者化合物的光谱以及借助于将产品的光谱与标准进行比较来进行质量控制。特别地,描述了用于通过计算有机化合物的傅里叶变换红外(FTIR)光谱的相似度来识别未知化合物的系统和方法。
已知方法的缺点在于,以前评估污染的成因的时间相当长,并且可能花费几天。因此,如果出现污染物,则生产线的效率显著降低。
此外,已知的现有技术方法通常需要数次测量和/或分析来定义未知的物质,并且它们仅考虑单个物质。
发明内容
因此,本发明的目的是克服现有技术的缺点并提供改善的用于识别异物的方法和系统,或者至少提供现有解决方案的替代方案。
本发明通过提供根据独立权利要求所述的方法和系统来解决该目的。在从属权利要求中阐明了其他有利特征。
根据实施例,提供了一种从现有的材料样品的集合识别生产线中的异物的计算机实施的方法。材料样品的化学分析数据是已知的并且被存储在存储器中,并且该方法包括检索异物的化学分析数据。然后,基于检索到的异物的化学分析数据和所存储的材料样品的化学分析数据,计算与异物相结合的每个材料样品的第一值、第二值和第三值。然后,基于第一值、第二值和第三值来计算每个材料样品的相似度分数。因此,通过具有最高的相似度分数的材料样品来识别异物。
由于与现有技术相比,评估污染的成因所需的时间较少,因此所提出的方法是有利的。因此,生产线的效率提高。另外,所提出的方法仅需要一次测量和/或分析来限定未知物质,并且该方法可以一次考虑多个材料样品。
在另一实施例中,将识别出的异物与存储在数据库中的信息进行比较,其中,该信息指示生产线的部件以及构成部件的材料和/或在对应的部件处使用的材料,由此确定在哪些部件处引入了异物。
这样允许污染的位置的更有效的识别。
在另一实施例中,第一值、第二值和第三值是指化学成分的相似度、质量差和碳氧比的比率。顺序是可交换的。
已发现这些参数最适合识别异物。
在另一实施例中,评估指示碳氧比的比率的值,以确定异物是否由不同材料的混合物构成,或者异物是否仅由一种材料构成。
由此,甚至可以识别不同材料的混合物。
在另一实施例中,将检索到的化学分析数据与来自存储器的数据进行比较,以获得指示以重量%、摩尔%或体积%表示的材料的元素成分的定量表达。
由此,该方法可以有利地指示定量表达。
在另一实施例中,通过采取预筛选测量来对异物进行预筛选,该预筛选测量指示异物的有机含量和无机含量以及异物是否是不同材料的混合物或者异物是否仅由一种材料构成。
已发现,在预筛选已经是决定性的情况下,应用优选地具有非破坏性测量的预筛选是有用的,以便加速该方法。
检索到的化学分析数据可以表示以下中的一个或多个的测量结果:元素分析,优选地光谱法,特别优选地能量色散X射线光谱法、红外光谱法、和/或磁共振光谱法,优选地核磁共振光谱法。相同的技术可以用于预筛选。
对于计算,存在几个计算选项:
可以通过来自以下组的函数计算值:杰卡德系数(Jaccard coefficient)、曼哈顿距离(Manhattan distance)、碳氧比、皮尔森系数(Pearson coefficient)、斯皮尔曼等级相关系数(Spearman's rank correlation coefficient)、肯德尔等级相关系数(Kendallrank correlation coefficient)、戴斯系数(coefficient)、辛普森系数(Simpsoncoefficient)、欧几里德距离(Euclidean distance)、切比雪夫距离(Chebyshevdistance)、闵可夫斯基距离(Minkowski distance)。
优选地,通过使用辛普森系数、杰卡德系数和戴斯系数中的一个来计算第一值。
优选地,通过使用曼哈顿距离、欧几里德距离、切比雪夫距离、皮尔森距离、斯皮尔曼距离、肯德尔距离和闵可夫斯基距离中的一个来计算第二值。
可以通过使用利用预定的第一权重、预定的第二权重和预定的第三权重为第一值、第二值和第三值进行加权来计算相似度分数。可替换地,这些权重可以是在该方法期间确定的或预定的。可以通过机器学习执行该确定。
已发现,以上详细的计算选项有益于该方法的效率和准确性。
还已发现,有益的是,第一权重在0.15至0.45之间(优选地,为0.3),第二权重在0.45至0.75之间(优选地,为0.6),和/或第三权重在0至0.30之间(优选地,为0.10)。还已发现,有益的是,第一权重、第二权重和第三权重之和为1。
已发现,尤其有益的是,如果异物由不同材料的混合物构成,则第三权重在0至0.1之间(优选地,为0.05),否则在0.05至0.3之间(优选地,为0.1)。
在另一实施例中,如果一个或多个预定条件被满足,则可以触发一个或多个动作。这些动作包括通过视觉或音频信号进行的通知、经由电子邮件、向移动应用的推送通知或向移动电话的文本消息的屏幕上的通知、向生产线的设备或部件发出停止或关闭的信号、清洁化学药水槽或传送带、更换化学药水槽、替换过滤器、丢弃生产批次、观察某个生产批次、和/或开启视频记录设备。
通知可以包括关于异物的检测、异物的类型或成分、被确定为来源的最可能位置和/或触发用于停止、关闭的信号、清洁、更换、替换、丢弃、观察或记录信号的信息。
在另一实施例中,可以通过机器学习来执行确定一个或多个预定条件是否被满足。
其他实施例包括被配置为执行所提出的方法的设备和计算机程序产品。
附图说明
在图中图示了优选的实施例,在图中,类似的附图标记是指类似的元件,并且其中:
图1示出了根据本发明的方法的流程图,
图2示出了工件的表面,
图3示出了工件的截面,
图4至图6示出了工件的截面的放大样品,
图7示出了图4至图6的样品的吸收曲线,
图8示出了与参考样品相比图4的样品的吸收曲线,
图9示出了图5的样品的能量曲线,
图10示出了图5的样品的电子显微镜图像,以及
图11至图16示出了根据本发明的方法中使用的值的表格。
注意的是,在不同描述的实施例中,相同的部件被提供相同的附图标记或相同的部件命名,其中,本公开可以应用于具有相同或类似附图标记或者相同或类似部件命名的相同或类似部件。说明书中的诸如顶部、底部、侧面等之类的位置命名与直接描述和图示的图相关,并且这些位置命名可以转移到其他图的其他位置。
具体实施方式
红外光谱法(IR)是基于大多数分子吸收红外区域中的光的效果。所吸收的能量被进一步转化为分子振动。不同的官能团和不同的化学键示出了可以用FTIR测量来检测的个体振动。由此,测量随波长(原始信号)的变化而变化的吸收。在傅里叶变换之后,可以获得具有一种“分子指纹”的光谱。因此,特定吸收允许样品中存在的每个化学键和官能团的性质的表征。FTIR测量可以被用于检测或识别有机分子。FTIR测量通常不适于无机粒子的测量。应该注意,作为FTIR测量的代替,还可以在本发明的方法中使用NMR(核磁共振)测量,因为这两种分析都是基于匹配光谱。所获得的测量可以被用作通过光谱匹配进行的一种预筛选。这包括在现有光谱数据库中搜索未知材料、化学品或化合物的光谱以及借助于将未知材料的光谱与标准或参考进行比较来进行质量控制。如果异物的样品的光谱与现有光谱数据库的样品匹配,则预筛选使得已经能够识别未知的有机材料。另外,或作为替代方案,除了使用FTIR测量,可以执行EDX测量。
对于FTIR,样品可以是固体或半流体、粉末(可能是压缩的)、半透明或透明的膜、或者液体。FTIR可以被用于测量或检测有机物质和一些无机物质,例如,H2O和CO2。可以用FTIR测量的无机物质特别地包括具有酸基的无机物质:或类似物。对称分子结构(诸如,H2、O2、N2、Cl2、...)、金属和大多数无机物质不能用FTIR进行测试,因此不被推荐用于FTIR分析。FTIR的优点在于,它是非破坏性分析方法,这意味着用于FTIR的样品可以用于此后更多的测量,例如,SEM EDX。
能量色散X射线光谱法(EDX)是另一种用于材料的化学表征的方法。EDX系统通常附接到诸如透射电子显微镜(TEM)或扫描电子显微镜(SEM)之类的电子显微镜仪器。这是两种不同的测量方法,并且仅相同的装置被用于执行SEM测量或EDX测量。对于本发明,仅使用EDX测量。与FTIR测量类似,表征是基于能量发射(对于FTIR,振动特性波长)。对于该测量方法,检测X射线。当高能量束撞击样品时,产生X射线。由此,来自样品中存在的原子的电子被激发并离开其原始位置。当电子从较高的结合能级落入恰好该位置时,发射具有特征能量的X射线。所发射的能量允许检测样品成分。
也可以使用SEM-EDX测量来定量地确定元素含量,即,质量百分比或重量百分比,即,质量%或重量%。可以通过对光谱进行积分并对结果进行归一化来获得这些值。在图1中可以看到示例性测量。然而,如现有技术中已知的,因为该方法还取决于样品的测量位置,例如,在表面上测量成分的位置,所以结果不可靠。下面建议了现有技术的改进。其中包括本发明允许使用SEM-EDX数据以用于基于定量分析来预测材料的化学成分。注意的是,SEM-EDX基本上不是元素分析。然而,就本发明而言,来自SEM-EDX的结果以与来自元素分析的结果相同的方式使用,因为它被用作定性方法。因此,就该文本而言,元素分析被假定为包括SEM-EDX作为实施元素分析的选项。
对于EDX,样品可以是固体、膜或粉末,但不推荐粉末。因为样品被放置在样品保持器上,例如,样品需要粘在粘合剂纸上作为示例,所以样品不能是液体或半流体。样品可以被放入到SEM真空室中。样品可以具有生产板格式的尺寸(例如,520mm×520mm×30mm),并且优选地,样品尺寸小于100mm×100mm×30mm。此外,可以在没有进一步准备的情况下分析样品。可替换地,样品可以通过例如将其嵌入到聚合物中例如以获得截面和/或通过用导电材料(例如,用于SEM测量的金)涂覆样品的表面上来制备。
利用本发明的方法,借助于光谱法(例如,如上所述的FTIR或EDX技术)收集到的异物的化学分析数据被用于计算相似度分数,该相似度分数可以被用于将异物与数据库比较,该数据库存储了生产线中使用的比较材料的其他化学分析数据。由此,可以识别异物,并且由于在哪里使用比较材料是已知的,因此可以识别污染点或至少缩小污染点范围。
因此,可以缩短对未按预期操作的工具或工位的搜索,并且可以增加生产线的平均生产率。
通过识别异物,也可以识别异物的来源或缩小异物的来源范围。特别地,在异物被识别的情况下,可以执行数据库查询。数据库可以保存在生产线的各个步骤中使用的材料,还有生产线的设备的制造材料。由此,可以识别异物的可能插入点或缩小异物的可能插入点范围。这被称为追踪,并且涉及异物的来源的识别。由于混合物的个体部分可以对异物的来源的搜索提供额外的限制,因此如果识别到材料的混合物,这可以是特别有用的。也可以采用机器学习方法来辅助跟踪,由此可以使用不同的信息来训练神经网络,以使得能够识别和追踪异物。另外,可以追随受污染的生产物品的路线,以检查二次污染,即,异物是否已从经加工的物品传送到生产线中的再往下的另一设备。
由于数据库还可以包括使用不同材料的位置,因此可以计算和/或确定生产线的每个部分成为异物的来源的可能性。
这种数据库信息的示例可以是,光致抗蚀剂总共用于在某个机器、生产线的另一元件或某个生产线处或其中的光刻处理。
如果满足某些条件,则可以使用计算机实施的方法(例如,机器学习)来触发某些动作。这种动作的示例是通过视觉或音频信号进行的通知、经由电子邮件、向移动应用的推送通知、或向移动电话的文本消息的屏幕上的通知,其中,这种通知可以包括任何有用的信息。这种信息可以是检测到异物、异物的类型或成分、被确定为来源的最可能的位置等。由此,可以指示用户来观察位置、某个设备或生产线等。
该方法还可以发出停止信号,由此在需要时关闭生产线。这可以除了通知或发出信号以外额外地执行,并且通知可以包含启动关闭的信息。
要由该方法触发的其他可能动作包括:关闭单独的机器和/或整个生产线、清洁化学药水槽或传送带、完全更换化学药水槽、过滤器的替换、丢弃生产批次、或观察某个生产批次、开启视频记录设备等。
这种机器学习装置或神经网络可以记住并学习某个材料初始位于哪里以及它被传递到经加工的物品上的方式和地方。随着可用于该方法的数据增加,结果也将随时间推移而变得较好,并且可以改善污染的路线和来源的预测。
本发明的其他优点在于,基本上仅一次EDX测量和/或分析足以描述未知物质。代替EDX测量/分析,可以使用其他合适方法,例如FTIR。已经发现,检测到的异物通常不是一种纯的材料,而是不同材料的聚集物。作为示例,在PCB(印刷电路板)行业中使用所谓的预浸料(prepreg),预浸料包括诸如玻璃纤维之类的增强剂和环氧基树脂。取决于测量异物的地点,通过任何分析确定的元素成分可以与环氧基树脂或玻璃纤维相关。玻璃纤维是基于二氧化硅的,具有低的碳氧含量,而树脂是基于高的碳氧含量的。当在某个位置上使用具有能量色散X射线光谱法(SEM/EDX)的扫描电子显微镜时,扫描结果大幅取决于该位置的异物的成分,使得要么碳氧含量高要么碳氧含量低,碳氧含量高表示该位置处的环氧基树脂的部分较大,碳氧含量低表示该位置处的二氧化硅的部分较大,因此玻璃纤维的部分较大。
通过利用使用相似度值的方法,例如,碳氧比的不确定性将通过类似杰卡德系数和/或曼哈顿距离的系数进行补偿。以下指示了这些具体值的可替换值。另外,仅参照碳氧结果和FTIR结果,碳氧比也有助于识别未知材料是由单一组分还是混合物构成。
下面更详细地描述本发明的过程。该方法可以从现有的一组材料样品中识别生产线中的异物,其中,已知材料样品的化学分析数据并将其存储在存储器中。通常,在例如安装新设备、工位或工具时之前,采集材料样品,对应的样品被采集、分析并被添加到存储器。存储器可以是数据库或存储数据的其他装置。
在附图和以下参照附图的对应文本段落中,作为示例,示出了印刷电路板(PCB)。PCB可以示例性地包括有机聚合物(用玻璃进行增强)、玻璃或陶瓷材料作为主体材料,其中嵌入和/或表面安装铜迹线和/或有源/无源组件。然而,所提出的主题可以应用于任何类型的工件和对应的生产线。其它示例可以是半导体行业中使用的晶片。晶片由高纯度(晶体)硅组成。
用于PCB的另一个术语是组件载体。这种组件载体可以是层压结构,该层压结构包括可以被构造的至少一个导电层和至少一个电绝缘层。
图2示出了工件,这里,PCB被用作示例。工件具有数个孔,并且标记有X的一个孔被污染。这可能是来自先前加工步骤的残留物或已落到工件上的某种物质。
图3示出了在截面中这种污染的一些示例。如图3中可以看到的,存在已被钻入到组件载体中的数个孔。这些孔是被机械地钻出的,并且假定是开放的-即,未堵塞的,以便在后续处理中接收组件元件。然而,如从所描绘的四个孔中可以看到的,异物位于钻孔内,因此堵塞了孔。注意的是,四个孔仅仅是示例,它们不需要彼此紧挨着布置。本主题可以应用于每个孔,并且一个孔被异物堵塞就足够了。
图4示出了样品1的放大的截面。例如,这可以表示尚未被完全制造出的孔,即,孔的底部未被完全去除。在图4中可以看到,工件的基材连接左侧和右侧,并且在生产出孔之后,执行了某种涂覆。
图5示出了样品2的放大的截面。例如,这可以表示完全被制造出的孔,但在涂覆之前,某种物体已进入孔中。在图5中可以看到,左涂层和右涂层通过物体的涂层连接。
图6示出了样品3的放大的截面。例如,这也可以表示完全被制造出的孔,但在涂覆之前,某种物体已进入孔中。在图6中可以看到,左涂层和右涂层未通过物体的涂层连接,而是物体仅接触左侧。
如在现有技术中已知的,可以从工件中隔离和取出这种异物以进行检查。
所提出的方法涉及评估该检查的结果。
图7示出了图4至图6的异物的光谱比较。虚线是指图4的残留物,直线是指图5的残留物并且混合线是指图6的残留物。如可以看到的,光谱图指示图4和图5的残留物是相同的材料或至少非常相似,而图6的残留物的光谱上的特征峰太弱。这可以被解释为残留物太薄,以致无法正确地分析。为了实现最佳结果,优选的是残留物的残留物尺寸大于50μm。
另外,和/或可替换地,可在残留物和测量工具之间布置附加层(例如,金属涂层)。由于所述残留物与所述测量工具的接触不是直接接触,因此可能出现测量信号的强度的降低,这也可能导致较弱的信号。
图8示出了异物的特性与参考样品材料的数据库信息的比较。虚线是指第一样品材料Ref 1,并且直线是指第二样品材料Ref 2。混合线是指图7中的图4的残留物的曲线。即使附图中的表示可能不同,但这些线也旨在是对应的。
如在图8中可以看到的,从2750至3400cm-1,异物与样品材料1和2的对准良好。从500至1000cm-1,异物与样品材料2的对准良好。总之,基于图8的对准,一种可能的解释可以是,异物是第一样品材料与第二样品材料的混合物。
图9示出了通过结合能量色散X射线光谱法(EDX)的电子显微镜进行的元素成分的确定。特别地,不同的曲线是指样品的不同的测量区域,这里使用图6的样品。不同的曲线产生图9中示出的对应的EDX光谱。通过使用不同峰的积分并随后对结果进行归一化,可以获得以重量%表示的元素含量。从附图中的测量值,可以获得比如以下的值:C 66重量%、O29重量%、Ca 2重量%、S 2重量%和Si 1重量%。这些值仅仅是示例。
图10示出了SEM-EDX图像,其中,可以应用着色或对比度变化来指示某些元素的存在。然后,颜色的强度将指示量。在图10中示出的灰度图中,较明亮的区域指示对应的元素:左上的碳;上部中间的氧、右上的硅、左下的硫、下部中间的钙和右下的铜。
如图1中所示,方法100首先在步骤110中检索异物的化学分析数据。可以通过诸如元素分析和光谱法,优选地能量色散X射线光谱法(EDX)和/或红外光谱法(FTIR)或NMR(核磁共振)光谱法之类的任何能够确定未知材料的元素含量的方法来获得化学分析数据。还可以使用其他化学分析技术,特别地,实现生成以重量%、摩尔%或体积%表示的元素成分的技术。然而,任何能够确定未知材料的元素含量的方法将是本发明的合适基础。
可选地,在步骤160中,可以将检索到的化学分析数据与来自存储器(例如,数据库)的数据直接进行比较,以获得定量说明,这是公知技术无法提供的。该步骤基本上可以在步骤110中检索化学分析数据之后的任何时间执行。在图1中,它是在步骤110之后设置的,但它也可以在步骤120、130或下面详述的可选步骤之一之后设置。
然后,在步骤120中,确定基于检索到的异物的化学分析数据和所存储的材料样品的化学分析数据的与异物相结合的每个材料样品的第一值、第二值和第三值。从这个意义上讲,这三个值是将异物与数据库中的现有材料样品进行比较的三个(优选地,不同的)值。
这三个值可以具有将异物的化学分析数据与存储器中已存在的所存储的材料样品的化学分析数据进行比较的不同方式。
第一值可以指示每个材料样品与异物关于它们的化学成分的相似度。第一值的示例是辛普森系数、杰卡德系数和戴斯系数。
在第一值中使用该系数来定义在未知物质中存在哪些元素。元素将被计数。因此,该公式基本上用于确定是否存在某种元素,例如,在未知物质和参考物中存在五个元素中的四个元素。因此,计数将为4。
第二值可以指示材料样品与异物之间的质量%或重量%的差值,以下也被称为质量差。第二值的示例是曼哈顿距离、欧几里德距离、切比雪夫距离、皮尔森距离、斯皮尔曼距离、肯德尔距离和闵可夫斯基距离。
另一方面,第二值使用绝对值。因此,将从参考物的元素重量%中减去元素的重量%。类似地,这适用于可以可替换地使用的质量%、摩尔%或体积%。因此,第二值可以确定相对于参考样品存在多少元素。作为示例,比如说参考样品包含25重量%的硅,而未知样品仅包括20重量%的硅。当与参考样品相比时,5重量%的差值可能指示存在另一种材料。
第三值可以指示材料样品与异物的碳氧比(C/O比或COR)的比率。
换句话说,使用C/O比进一步减少其他两个值的不确定性,以识别未知物质。例如,如果C/O比接近或等于环氧基树脂参考样品的C/O比,则清楚的是,主要成分是基于环氧树脂。如果C/O比偏离参考样品的C/O比,则指示可能存在另一种物质或者未知物质包括超过一种化合物。因此,与确定参考样品和未知样品(即,异物样品)二者中存在的元素的第一值(例如,杰卡德系数)以及确定参考样品和未知样品(即,异物样品)中的相似含量的量的第二值(例如,曼哈顿距离)相比,可以识别未知样品。
应该注意,第一值、第二值和第三值的顺序可以被交换。化学成分相似度也可以是第二值或第三值,质量差可以在第一值或第三值中指示,并且碳氧比可以在第一值或第二值中指示。
注意的是,可以在步骤150中评估指示碳氧比的比率的值,以确定异物是否由不同材料的混合物组成。该步骤基本上可以在步骤120中计算指示碳氧比的比率的值之后的任何时间执行。在图1中,它是在步骤120之后设置的,但它也可以在步骤130或下面详述的可选步骤之一之后设置。
在步骤130中,该方法然后基于第一分数、第二分数和第三分数来计算每个材料样品的相似度分数。换句话说,相似度分数是基于化学成分,更准确地说是未知材料的以重量%表示的元素成分和C/O比。然后,可以通过具有最高的相似度分数的材料样品识别异物。计算相似度分数的最简单方法是将第一值、第二值和第三值相加。它们也可以被相乘,或者可以使用其他数学运算。
换句话说,考虑到以上示例,已知精确的测量位置可以影响材料成分的结果。通过组合第二值与第一值,这种不确定性可以被限制或者被最小化,并且可以使用本发明的方法来识别未知材料。
在步骤140中,可以将识别出的异物与数据库进行比较,其中,数据库存储了关于生产线的信息。该信息可以指示处理的哪些步骤或者哪些机器或其他元素使用或由某种物质制成,使得可以确定异物的引入点。
当计算每个材料样品的相似度分数时,可以用对应的预定的第一权重、预定的第二权重和预定的第三权重对第一值、第二值和第三值进行加权。由此,可以进一步提高相似度分数的整体效率。通过为这些值-即,例如化学成分(例如,存在元素的重量%)、质量差和/或碳氧比进行加权,它们可以对相似度分数具有不同的影响。由此,例如,如果质量差与其他两个值相比具有较高的权重,则与异物具有相似的质量差的材料将得到较高的整体相似度。当然,对于其他两个值,可以同样如此。
可替换地,第一权重、第二权重和第三权重不是预定的,而是由其方法在步骤180中确定。如图1中所示,这可以是计算相似度分数的步骤130的一部分,但这也可以是步骤130之前的单独的步骤。这可以例如通过使用基于规则的系统、专家系统、机器学习系统或通常的神经网络或其他决策系统来实现。
然后,这种学习系统可以如下地调整权重。权重的值可以增加,指示异物与样品的相似度的对应值越高,即-指示异物与每个样品相似的第一值、第二值和第三值(作为示例,可以分别表示杰卡德系数、曼哈顿系距离和C/O比)越大,对应的权重将增加得越多。为此,学习系统还必须能够独立地解释这三个值中的每一个。将未知样品的值1与每个参考样品的值1进行比较,然后进行评估。可以以类似的方式处理值2和值3。还可以设置阈值,使得权重的范围不会增加或减少到预设值之外。
权重可以构成相对于相似度值的值的贡献的百分比。因此,所有权重之和可以总计为1或100%。
因此,值的加权取决于未知样品的元素分析。异物的个体值(individual value)与参考样品值越相似,对应的权重将增加得越多。另外,之前的权重可以被考虑作为每次分析的起点。
已经表明,如果化学成分相似度的权重的值在0.15和0.45之间,则可以实现所描述方法带来的良好结果。特别地,在权重为0.3的情况下实现了良好的结果。这意味着,化学成分相似度值占相似度分数的15%至45%,优选地30%。
还已经表明,如果质量差的权重的值在0.45和0.75之间,则可以实现所描述方法带来的良好结果。特别地,在权重为0.6的情况下实现了良好的结果。这意味着,质量差占相似度分数的45%至75%,优选地60%。
还注意的是,由于质量差与化学成分相似度和C/O相比是绝对的,因此质量差通常可以具有较高的权重。
还已经表明,如果碳氧比的权重的值在0和0.30之间,则可以实现所描述方法带来的良好结果。特别地,在权重为0.1的情况下实现了良好的结果。这意味着,碳氧比的值占相似度分数的0%至30%,优选地10%。
虽然权重可能为例如0.2、0.5和0.1,但这并不指示百分比。因此,优选的是,权重相加为值1,使得值0.35指示对应的值占相似度分数的35%。
作为示例,如图11的表格1中所示,存储器或数据库可以存储7个材料样品的化学分析值。
其中使用了常见的化学符号:C代表碳,O代表氧,Si代表硅,Al代表铝,P代表磷,Cu代表铜并且Ni代表镍。
列中的值详述了以重量%、摩尔%或体积%表示的对应的样品的组分的百分比。最后一列是总数,这自然地应该指示100%。
例如,检测到的异物可以具有图12的表格2中所示的化学分析数据。
根据化学分析数据,此时,可以如上详细地计算第一值、第二值和第三值。利用示例数据,将实现图13中示出的表格3的结果。
表格3中的值指示不同的样品与异物的相似度。因此,因为异物与自身100%相似,所以第一行包含最大的相似度值。对于第一值,该值为1,对于第二值,该值为0。第三值2.40与C/O比有关,指示碳含量的积分值除以氧含量的积分值。
在表格3中,值#1是第一值,指示化学成分相似度。值#2是第二值,指示质量差。值#3是第三值,指示样品的碳氧比。如上所述,这些值可以是交换的。注意的是,由于样品#7不具有任何碳或氧部分,因此也没有定义碳氧比,这在表格3中由值0指示。另外,对于异物,由于它与自身100%相似,所以化学成分相似度为1,并且质量差为零。对于样品,值被指示为与异物有关。
由于个体值的性质,指示化学成分的值可能需要在它可以与其他值相加之前进行归一化。作为示例,如果值尚未被归一化,则可以通过与值100相乘来对值进行归一化。杰卡德值已经被归一化,因此如果使用杰卡德系数,则不需要进行归一化。
指示质量差的值也可能需要在它可以与其他值相加之前进行归一化。作为示例,可以通过(1-值/200)执行归一化。值200构成两个材料的最大距离,因为它是在相应的其他材料中不能找到的每个材料的百分比之和。作为这个的简单示例,由30%的碳和70%的铝构成的材料1和由40%的铜和60%的镍构成的材料2的距离将为200,因为材料1的100%不在材料2中并且材料2的100%不在材料1中。100%和100%的总和得到距离200。
最后,通过将较低的碳氧比除以较高的碳氧比(总是将每个现有材料样品与异物进行比较),可以考虑碳氧比。
在将曼哈顿距离或其他距离计算应用于如上指示的第二值之后,并且在对第三值进行归一化之后,将实现图14中示出的表格4的所得值。
在表格4中,第一列的值取自表格3。第二列的值可以被计算为
归一化的值#2(样品)=1-值#2(样品)/200
以样品#4为例:归一化的值#2=1-73.8/200=0.631,这是指63%的相似度。
如上所述,通过将较低的C/O比除以较高的C/O比来计算第三列,如下所述:
以样品#4为例:归一化的值#3=2.4/2.5=0.96,这指示样品与异物的C/O比的差值。可以使用该差值来降低其他两个值的不确定性,以识别未知物质。例如,如果C/O比接近或等于环氧基树脂参考样品的C/O比,则清楚的是,主要成分是基于环氧树脂。如果C/O比偏离参考样品的C/O比,则已知可能存在另一种物质或者未知物质包括超过一种化合物。
特别地,表格3和表格4中的第一值表示使用杰卡德系数得出的值,第二值表示使用曼哈顿距离得出的值。如上详述的,也可以是其他选项。
对于杰卡德系数,在图15中示出的表格5中,这些值被更详细地描述。
在表格5中,交叉计数表示异物样品和参考样品中存在的相同元素的数量。联合计数表示异物样品和参考样品中存在的现有元素的总量。作为示例,未知样品包括C、O、Si和Al。参考样品包括C、O和Si。因此,该交叉计数将为3并且联合计数将为4。
利用第一值、第二值和第三值,可以计算出相似度分数。如前所述,例如,通过将这些值相加。
相似度分数=值1+值2+值3
可选地,如上阐述地,这些值可以具有权重:
相似度分度=权重1*值1+权重2*值2+权重3*值3
或简言之:
分数=w1v1+w2v2+w3v3
利用以上详述的归一化,然后公式将是如下的:
分数=w1v1*100+w2v2*100+w3*(较低的COR/较高的COR*100)
利用以上讨论的示例性数据,当权重不同时,样品将接收不同的分数。图16的表格6中给出了示例性结果,其中,利用以下权重来计算分数:
分数A:w1=0.3;w2=0.6且w3=0.1。
分数B:w1=0.45;w2=0.45且w3=0.1。
分数C:w1=0.6;w2=0.3且w3=0.1。
如可以看到的,使用针对分数A和B的权重,样品#1最相似,而使用针对分数C的权重,样品#3最相似。
已经表明,以上针对分数A定义的权重或接近该权重的权重是最适合的。
注意的是,也可以在步骤170中通过采取FTIR测量对异物进行预筛选,然后,通过比较所取得的光谱来识别来源,例如,组分是基于有机的还是基于无机的或者未知材料是否是不同材料的混合物,使用FTIR测量作为快速检查异物的有机含量的可能性。另外,然后可以使用常规的EDX测量来精确地识别材料。作为FTIR的替换或补充,其他红外测量或共振测量(特别地,NMR)可以用于预筛选。
利用本发明,可以通过FTIR光谱法来分析已被发现为是生产线中的污染的异物的样品。将所获得的光谱与来自数据库的现有光谱进行比较。如果所获得的光谱与现有光谱匹配或者接近现有光谱,则可以识别异物。将被视为匹配的容许偏差可以是例如5%或更小。如果不是,通过EDX测量进一步分析样品。还可以使用来自EDX测量的数据来获得曼哈顿距离、杰卡德系数和碳氧比。
该方法的主要优点在于,允许通过计算出的总相似度分数直观地且快速地比较来自EDX分析的定量EDX数据。通常,EDX被称为定性评估而非定量评估,这意味着可以了解在样品中存在哪些原子,但不能了解在样品中存在多少原子。这是通过对EDX光谱进行积分实现的。例如,可以通过使用化学成分已知的参考材料来校准EDX设备。在校准之后,该方法可以用于未知材料。可以结合相似度分数进行未知材料的化学成分的最终阐述。进一步将计算出的总分数与来自数据库的现有的总分进行比较。如果样品的总分数与来自数据库的总分数匹配或最接近,则可以识别异物。同样,如上阐述地,可以设置容许偏差。这意味着,如果最接近的分数按大于0.5的因子偏离,则材料肯定不相同。
换句话说,通常在EDX分析中,可以了解样品中存在哪些化学元素成分以及它们的质量/重量/原子百分比。然而,在现有技术中,没有基于这些定量EDX数据或样品的元素含量来比较不同样品的相似度的合适方法。如果异物是无机的或者它非常小并且只能用EDX来分析它,因为FTIR仅可以测量有机材料和一些特殊的无机材料,则即使EDX数据库中有匹配的材料样品,也很难识别异物样品。
总分数表明了异物与EDX数据中的不同样品材料的相似度。总分数越高,相似度越高。因此,如果匹配的样品具有相对高的总相似度分数,则可以识别异物。
然而,通常,除非存在相同样品的备用品,或者可以在去除样品表面上的来自SEM样品制备的导电涂层(通常,超薄金/碳层)之后保持样品,否则FTIR和EDX的测试过程是不可交换的。
为了去除该涂层,通常用磨光纸或抛光布对样品表面进行研磨或抛光。如果样品尺寸非常小且薄,比如例如基板表面上的微小的异物残留物,则在研磨/抛光处理之后可以容易地去除它并且无法通过FTIR进一步分析。
因此,在EDX分析之前进行FTIR分析更为有利。
在其他实施例中,在处理的任何阶段,值也可以被显示到输出设备,比如监视器、显示器或屏幕,并且操作人员可以监视计算。操作人员还可以按需要例如用类似键盘或其他控制元件的输入设备来对值进行修改,由此在需要时否决所提供的数据。
在识别到异物之后,可以在步骤191中触发动作。例如,这种动作可以是传送带的清洁。所获得的结果还可以导致新的标准过程:如果在一定时间段(例如,每周)之后总是在面板上检测到相同的异物(例如,光致抗蚀剂),则动作可能是最迟每周实施强制清洁步骤。主要优点是,通过识别异物,也可以追踪其来源。如果异物是光致抗蚀剂,则已知发生污染的处理步骤并且这进一步允许处理的优化。
触发191可以取决于确定190是否满足某些条件。
以上提到的动作也可以由机器学习系统触发。如上所阐述地,如果用对应的信息(还包括例如在生产处理中使用哪些材料)对系统进行训练,则分析的结果可以被分派到来源。作为示例,在电镀处理中残留的阻焊剂。通过追踪与使用阻焊剂的数据相关的部件号,可以确定异物的来源。
因此,可以追随污染的路线、污染的来源和污染的检测位置。
注意的是,就所提出的实施例而言,机器学习设备或系统执行诸如决策树学习、k最近邻算法、线性回归、逻辑回归、Winnow、LASSO、脊回归、ARIMA、感知机、人工神经网络、深度学习、朴素贝叶斯、贝叶斯网络、支持向量机、提升方法、强化学习、马尔可夫链或隐马尔可夫模型之类的若干学习方法中的一种或其组合。
根据本发明的另一实施例是被配置为执行上述方法的用于从现有的材料样品集合中识别生产线中的异物的设备,优选地计算机。
特别地,该设备可以包括其中存储材料样品的化学分析数据的存储器、用于检索异物的化学分析数据的发送器、以及处理单元。处理单元被配置为基于检索到的异物的化学分析数据和所存储的材料样品的化学分析数据计算与异物相结合的每个材料样品的第一值、第二值和第三值,并且基于第一值、第二值和第三值来计算每个材料样品的相似度分数。因此,通过相似度分数最高的材料样品来识别异物。
其他实施例是具有用于数据处理设备的程序的计算机程序产品,包括用于当在数据处理设备上执行程序时执行上述方法的步骤的软件代码段。
该计算机程序产品可以包括存储有软件代码段的计算机可读介质,其中,该程序可以被直接加载到数据处理设备的内部存储器中。
示例性实施例示出了可能的实施方式变型,由此,此时应该注意,本发明不限于具体描述的设计变型,而是可以将单独的特征相互进行各种组合。特别地,在该方法的上下文中描述的特征也可以被包括在该设备中。
保护范围由权利要求来确定。然而,说明书和附图将用于解释权利要求。
来自所示出和描述的不同示例性实施例的单独的特征或特征的组合可以表示独立的发明解决方案。可以在说明书中找到作为独立的发明方案的基础的对象。
本说明书中关于值范围的所有信息将以它们包括其任何和所有子范围这样的方式进行理解,例如,信息1至10将以还包括从下限1开始到上限10的所有子范围-即,所有子范围以下限1或更大开始并且以上限10或更小结束,例如,1至1.7、或3.2至8.1、或5.5至10这样的方式进行理解。
Claims (20)
1.一种用于从现有的材料样品的集合识别生产线中的异物的计算机实施的方法(100),其中,材料样品的化学分析数据是已知的并且被存储在存储器中,所述方法包括:
检索(110)异物的化学分析数据;
基于检索到的异物的化学分析数据和所存储的材料样品的化学分析数据,计算(120)与异物相结合的每个材料样品的第一值、第二值和第三值;
基于第一值、第二值和第三值来计算(130)每个材料样品的相似度分数;由此,通过具有最高的相似度分数的材料样品来识别异物。
2.根据前述权利要求中任一项所述的方法(100),还包括将识别出的异物与存储在数据库中的信息进行比较(140),其中,所述信息指示生产线的部件、以及构成部件和/或在对应的部件处使用的材料,由此确定在哪些部件处引入了异物。
3.根据前述权利要求中任一项所述的方法(100),其中,
第一值指示材料样品与异物关于它们的化学成分的相似度;
第二值指示材料样品与异物之间的质量差;和/或
第三值指示材料样品与异物的碳氧比的比率。
4.根据权利要求3所述的方法(100),还包括评估(150)指示所述碳氧比的比率的值,以确定异物是否由不同材料的混合物构成。
5.根据前述权利要求中任一项所述的方法(100),其中,所述方法还包括:
将检索到的化学分析数据与来自所述存储器的数据进行比较(160),以获得指示以重量%、摩尔%或体积%表示的材料的元素成分的定量表达。
6.根据前述权利要求中任一项所述的方法(100),其中,所述方法还包括通过采取预筛选测量来对异物进行预筛选(170),所述预筛选测量指示异物的有机含量和无机含量以及异物是否是不同材料的混合物。
7.根据前述权利要求中任一项所述的方法(100),其中,材料样品和异物的化学分析数据表示以下中的一个或多个的数据和/或其中预筛选(170)通过以下中的一个或多个执行:
元素分析,优选地光谱法,特别优选地能量色散X射线光谱法,
红外光谱法,和/或
磁共振光谱法,优选地核磁共振光谱法。
8.根据前述权利要求中任一项所述的方法(100),其中,计算(120)第一值、第二值和第三值由来自以下组的函数执行:杰卡德系数、曼哈顿距离、碳氧比、皮尔森系数、斯皮尔曼等级相关系数、肯德尔等级相关系数、戴斯系数、辛普森系数、欧几里德距离、切比雪夫距离、闵可夫斯基距离。
9.根据前述权利要求中任一项所述的方法(100),其中,计算(120)第一值使用辛普森系数、杰卡德系数和戴斯系数中的一个。
10.根据前述权利要求中任一项所述的方法(100),其中,计算(120)第二值使用曼哈顿距离、欧几里德距离、切比雪夫距离、皮尔森距离、斯皮尔曼距离、肯德尔距离和闵可夫斯基距离中的一个。
11.根据前述权利要求中任一项所述的方法(100),其中,计算(130)每个材料样品的相似度分数包括利用预定的第一权重、预定的第二权重和预定的第三权重对第一值、第二值和第三值进行加权。
12.根据权利要求1至10中任一项所述的方法(100),其中,计算(130)每个材料样品的相似度分数包括确定(180)第一权重、第二权重和第三权重,并且利用所确定的第一权重、第二权重和第三权重对第一值、第二值和第三值进行加权。
13.根据权利要求12所述的方法(100),其中,通过机器学习执行确定(180)第一权重、第二权重和第三权重。
14.根据前述权利要求中任一项所述的方法(100),
其中,第一权重被确定或预定在0.15至0.45之间,优选地为0.3;
其中,第二权重被确定或预定在0.45至0.75之间,优选地为0.6;和/或
其中,第三权重被确定或预定在0至0.30之间,优选地为0.10;
和/或第一权重、第二权重和第三权重之和为1。
15.根据权利要求4至14中任一项所述的方法(100),其中,
如果确定异物由不同材料的混合物构成,则第三权重被确定或预定在0至0.1之间,优选地为0.05,并且
如果确定异物不由不同材料的混合物构成,则第三权重被确定或预定在0.05至0.3之间,优选地为0.1。
16.根据前述权利要求中任一项所述的方法(100),还包括:
确定(190)一个或多个预定条件是否被满足,以及
如果是,则触发(191)一个或多个动作,
其中,所述动作是以下中的一个或多个:通过视觉或音频信号进行的通知、经由电子邮件、向移动应用的推送通知或向移动电话的文本消息的屏幕上的通知、向生产线的部件或设备发出停止或关闭的信号、化学药水槽或传送带的清洁、更换化学药水槽、过滤器的替换、生产批次的丢弃、观察某个生产批次、和/或开启视频记录设备,
其中,这样的通知可以包括关于异物的检测、异物的类型或成分、被确定为来源的最可能位置和/或触发用于停止、关闭的信号、清洁、更换、替换、丢弃、观察或记录信号的信息。
17.根据权利要求16所述的方法(100),其中,通过机器学习执行确定(190)一个或多个预定条件是否被满足的步骤。
18.一种用于从现有的材料样品的集合识别生产线中的异物的设备,所述设备优选地是计算机,所述设备被配置为执行前述权利要求中任一项所述的方法(100),所述设备包括:
存储器,其中存储材料样品的化学分析数据;
发送器,所述发送器用于检索异物的化学分析数据;
处理单元,所述处理单元被配置为:
基于检索到的异物的化学分析数据和所存储的材料样品的化学分析数据,计算与异物相结合的每个材料样品的第一值、第二值和第三值;以及
基于第一值、第二值和第三值来计算每个材料样品的相似度分数;由此,通过具有最高的相似度分数的材料样品识别异物。
19.一种包括用于处理设备的程序的计算机程序产品,包括用于在所述程序在所述处理设备上运行时执行根据权利要求1至17中任一项所述的步骤的软件代码部分。
20.根据权利要求19所述的计算机程序产品,其中,所述计算机程序产品包括存储有所述软件代码部分的计算机可读介质,其中,所述程序能够被直接加载到所述处理设备的内部存储器中。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710676.4A CN117333683A (zh) | 2022-06-22 | 2022-06-22 | 用于识别异物的设备和方法 |
PCT/AT2023/060196 WO2023245218A1 (en) | 2022-06-22 | 2023-06-22 | Device and method for identifying a foreign material |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710676.4A CN117333683A (zh) | 2022-06-22 | 2022-06-22 | 用于识别异物的设备和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333683A true CN117333683A (zh) | 2024-01-02 |
Family
ID=87468563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210710676.4A Pending CN117333683A (zh) | 2022-06-22 | 2022-06-22 | 用于识别异物的设备和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117333683A (zh) |
WO (1) | WO2023245218A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015132901A1 (ja) | 2014-03-05 | 2015-09-11 | 株式会社島津製作所 | 質量分析方法及び質量分析装置 |
JP6638537B2 (ja) | 2016-04-21 | 2020-01-29 | 株式会社島津製作所 | 試料解析システム |
JP6683111B2 (ja) | 2016-11-28 | 2020-04-15 | 株式会社島津製作所 | 試料解析システム |
US10126250B1 (en) | 2017-08-30 | 2018-11-13 | Shimadzu Corporation | Foreign substance analysis system |
US11726034B2 (en) | 2019-03-07 | 2023-08-15 | Missouri State University | IR spectra matching methods |
-
2022
- 2022-06-22 CN CN202210710676.4A patent/CN117333683A/zh active Pending
-
2023
- 2023-06-22 WO PCT/AT2023/060196 patent/WO2023245218A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023245218A1 (en) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5383265B2 (ja) | エッチング装置、分析装置、エッチング処理方法、およびエッチング処理プログラム | |
CN113155809B (zh) | 一种矿石分类与实时定量分析的光谱检测新方法 | |
JP5264061B2 (ja) | 物質同定のための方法及び装置 | |
EP3423813B1 (en) | Xps and raman sample analysis system and method | |
JP4399400B2 (ja) | 検査データ解析システムと検査データ解析プログラム | |
US10309831B2 (en) | Dynamic calibration method for echelle spectrometer in laser-induced breakdown spectroscopy | |
JP2001159616A (ja) | パターン検査方法及びパターン検査装置 | |
KR20010043501A (ko) | 반도체 제조 설비의 수율 향상 시스템 | |
US8330109B2 (en) | Method for determining contamination of material using Mid-IR spectroscopy | |
Amato et al. | Progress towards an unassisted element identification from Laser Induced Breakdown Spectra with automatic ranking techniques inspired by text retrieval | |
US7286633B1 (en) | Fuel analysis system | |
CN109269451A (zh) | 金属镀层厚度的测量方法 | |
WO2006057744A2 (en) | Method for determining chemical content of complex structures using x-ray microanalysis | |
CN1437702A (zh) | 处理来自分光光度计的数据的方法 | |
Takahashi et al. | Partial least squares regression calculation for quantitative analysis of metals submerged in water measured using laser-induced breakdown spectroscopy | |
CN112834485B (zh) | 激光诱导击穿光谱元素定量分析的一种非定标方法 | |
CN117333683A (zh) | 用于识别异物的设备和方法 | |
JP2012007912A (ja) | 計測装置及び計測方法 | |
JP4287863B2 (ja) | レビューsem | |
US7720193B2 (en) | X-ray fluorescence analysis to determine levels of hazardous substances | |
CN113109415A (zh) | 一种适用于二次离子质谱分析的多层膜界面位置表征方法 | |
Yang et al. | Predicting the wettability of patterned ITO surface using ToF‐SIMS images | |
JP6550417B2 (ja) | 解析支援システム | |
EP3586352B1 (en) | Method for real-time monitoring of a process and mass spectrometer | |
Schlag et al. | Extended non-destructive testing for surface quality assessment |
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 |