CN117708615A - 产品的检测方法及加工设备的监控方法 - Google Patents
产品的检测方法及加工设备的监控方法 Download PDFInfo
- Publication number
- CN117708615A CN117708615A CN202410154734.9A CN202410154734A CN117708615A CN 117708615 A CN117708615 A CN 117708615A CN 202410154734 A CN202410154734 A CN 202410154734A CN 117708615 A CN117708615 A CN 117708615A
- Authority
- CN
- China
- Prior art keywords
- product
- groups
- deviation
- value
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000012545 processing Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 105
- 238000005315 distribution function Methods 0.000 claims abstract description 44
- 230000001186 cumulative effect Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 239000004065 semiconductor Substances 0.000 abstract description 5
- 238000011002 quantification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000427 thin-film deposition Methods 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
Abstract
本发明提供了一种产品的检测方法及加工设备的监控方法。该检测方法中,通过获得产品组的参数分布的第一边界相对于规格上限的第一偏离值、第二边界相对于规格下限的第二偏离值,以直观的反应出产品组的参数分布的边界至对应的规格限的距离,并可整体反映出产品参数的偏离度,可以更精准、直观的将产品参数的偏离度以量化的方法体现出。以及,本发明提供的检测方法中,还可根据不同产品组的检测数据的累计分布函数的比值,得到不同产品组的参数分布的相似度,使得相似度也同样能够以量化的方式体现出,此外还可联合使用偏离度和相似度,以自动化检测半导体制造过程中的检测数据的趋势、设备性能问题等。
Description
技术领域
本发明涉及半导体技术领域,特别涉及一种产品的检测方法及加工设备的监控方法。
背景技术
随着集成电路产业的快速发展,产品的尺寸越做越小,量测数据精密度越来越高,参数测试的规格要求也越来越严格。通过对产品进行检测,以根据检测结果判断出当前产品的质量,同时也可利用检测结果对加工设备和工艺制程能力、工艺稳定性等进行监控。因此,获取产品的检测数据的分布具有重大意义。
当前大多数企业在对产品进行检测时,是利用如下方法对检测数据进行处理,以得到对应的检测结果。
1. 利用CPK制程能力指标判定过程能力是否达到要求的指标,过程能力指数越高,生产可能出现的不良率就越低。其中,CPK采用不连续判定标准,分别为1.0、1.33、1.67和2.0 等进行好坏分级。
2. 利用方差分析(ANOVA) 比较多组数据的分布差异,通过判断样本均值是否有显著差异来检验总体均值是否相等。然而,多组数据之间的判断模型本身带来的误差较大,技术人员难以具体感知几组数据之间的差异。
因此,现有的检测过程中,在对检测数据进行处理而得到的检测结果缺乏精准性、参考性较低,技术人员根据检测结果还需要更多的时间进行分析判断,效率低且精准性欠佳。
发明内容
本发明的目的在于提供一种产品的检测方法,解决现有的检测方法所得到的检测结果难以精准、直观的反映出产品质量的问题。
本发明提供的一种产品的检测方法,包括:对至少一产品组的预定参数进行检测,以得到包含多个检测数据的数据组;获取产品针对所述预定参数的规格上限、规格下限、规格上限和规格下限之间的规格中心值;根据所述数据组的3倍标准差所对应的第一边界至规格中心值的差值与规格上限至规格中心值的差值的比值,获取数据组的第一边界相对于规格上限的第一偏离值;以及,根据所述数据组的3倍标准差所对应的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值,获取数据组的第二边界相对于规格下限的第二偏离值;选取第一偏离值和第二偏离值中的较大值,以构成产品组的参数分布的偏离度。
可选的,利用如下公式获得所述第一偏离值和所述第二偏离值;
DOD_U=((μ+3*σ)-T)/(USL-T)
DOD_L=(T-(μ-3*σ))/ (T-LSL)
其中,DOD_U表示数据组的第一边界相对于规格上限的第一偏离值;
DOD_L表示数据组的第二边界相对于规格下限的第二偏离值;
μ表示均值;
σ表示标准差;
USL表示规格上限;
LSL表示规格下限;
T表示规格中心值。
可选的,所述检测方法还包括:根据所述偏离度,得到产品组的检测数据的分布和对应的规格限之间的距离。
可选的,所述检测方法还包括:判断所述偏离度是否大于预设值,若否,则判定检测的产品组的检测参数合格;若是,则判定检测的产品组的检测参数不合格。
可选的,所述预设值小于等于1。
可选的,所述预设值的设定方法包括:获取至少一组合格的产品组在针对所述预定参数的检测数据,以得到包含多个检测数据的合格数据组;根据所述合格数据组的3倍标准差所对应的第一边界至规格中心值的差值与规格上限至规格中心值的差值的比值,得到合格数据组的第一边界相对于规格上限的第一偏离值;以及,根据所述合格数据组的3倍标准差所对应的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值,得到第二边界相对于规格下限的第二偏离值;选取第一偏离值和第二偏离值中的较大值,作为所述预设值。
可选的,所述检测方法还包括:对至少两组产品组的预定参数进行检测,以得到至少两组数据组;获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;以及,根据各组产品组的偏离度大小,得到多组产品组的参数优劣的排布。
可选的,所述检测方法还包括:对至少两组产品组的预定参数进行检测,以得到至少两组数据组;获取各个数据组的概率密度函数,并对各个概率密度函数进行积分,以得到各个数据组的累计分布函数;以及,根据不同数据组的累计分布函数的比值,得到不同产品组的参数分布的相似度。
可选的,不同数据组的累计分布函数的比值介于0.95-1.0之间,则判断对应的产品组的参数分布接近。
可选的,所述检测方法包括:对多组产品组的预定参数进行检测,以得到多组数据组;获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;对多组产品组的偏离度进行拟合处理,以得到拟合曲线的拟合系数;以及,判断拟合系数是否大于预定值,若是,则表示多组产品组的偏离度出现趋势变化;若否,则表示多组产品组的偏离度未出现趋势变化。
可选的,所述检测方法还包括:将多组产品组中来自同一加工设备的产品组划分至同一比对单元中,得到来自至少两个加工设备的至少两组比对单元;根据各个比对单元的检测数据,获取各个比对单元的概率密度函数,并对各个概率密度函数进行积分,以得到各个比对单元的累计分布函数;以及,根据不同比对单元的累计分布函数的比值,得到不同比对单元的参数分布的相似度,以获取不同加工设备之间的制程能力相似度。
本发明还提供了一种产品的检测方法,包括:对至少两组产品组的预定参数进行检测,以得到包含多个检测数据的至少两组数据组;获取各个数据组的概率密度函数,并对各个概率密度函数进行积分,以得到各个数据组的累计分布函数;以及,根据不同数据组的累计分布函数的比值,得到不同产品组的参数分布的相似度。
可选的,不同数据组的累计分布函数的比值介于0.95-1.0之间,则判断对应的产品组的参数分布接近。
本发明还提供了一种产品的加工设备的监控方法,包括:步骤一,对多组产品组的预定参数进行检测,以得到多组数据组;步骤二,获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;步骤三,对多组产品组的偏离度进行拟合处理,以得到拟合曲线的拟合系数;步骤四,判断拟合系数是否大于预定值,若是,表示多组产品组的偏离度出现趋势变化,则执行步骤五至步骤七;若否,则表示多组产品组的偏离度未出现趋势变化;步骤五,将多组产品组中来自同一加工设备的产品组划分至同一比对单元中,以得到来自至少两个加工设备的至少两组比对单元;步骤六,根据各个比对单元的检测数据,获取各个比对单元的概率密度函数,并对各个概率密度函数进行积分,以得到各个比对单元的累计分布函数;步骤七,根据不同比对单元的累计分布函数的比值,得到不同比对单元的参数分布的相似度,以获取不同加工设备之间的制程能力相似度,并将相似度最低的加工设备判定为异常设备。
本发明还提供了一种加工设备的监控方法,包括:利用如上所述的产品的检测方法,得到至少一组产品组的参数分布的偏离度;判断所述偏离度是否大于预设值;若是,则判断出所述加工设备异常;若否,则判断出所述加工设备无异常。
本发明还提供了一种加工设备的监控方法,包括:利用如上所述的产品的检测方法,得到至少两组产品组的参数分布的相似度,其中,至少两组产品组中具有来自不同加工设备的产品组,所述相似度为来自不同加工设备的产品组之间的参数分布的相似度;以及,根据所述相似度,判断出不同加工设备之间的制程能力的差异。
在本发明提供的产品的检测方法中,根据产品组的参数分布的第一边界至规格中心值的差值与规格上限至规格中心值的差值的比值获得第一偏离值,根据产品组的参数分布的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值获得第二偏离值,该第一偏离值和第二偏离值可以直观的反应出产品组的参数分布的边界至规格上限和规格下限的距离,利用第一偏离值和第二偏离值中的较大值可以整体反映出产品参数的偏离度,并且可以更精准、直观的将产品参数的偏离度以量化的方法体现出。
相比于传统的利用CPK值进行产品合格率判断时,虽然CPK值可用于判断出产品是否合格,但是CPK值并不能够直接的反映出参数分布与规格限的具体差距。而本发明提供的偏离度恰恰可以弥补CPK值的这一缺陷,其可以更精准、直观的将产品组的参数分布与规格限的具体差距以量化的方式表示出。
此外,在本发明提供的产品的检测方法中,还可根据不同产品组的检测数据的累计分布函数的比值,得到不同产品组的参数分布的相似度,该相似度也同样是以量化的方式体现出,进而可针对不同的产品组的参数分布进行量化差异的比对。在此基础上,即可进一步判断出不同加工设备的制程能力之间的差异。
进一步的方案中,还可联合使用偏离度和相似度的模型,以自动化检测半导体制造过程中的检测数据的趋势、加工设备的性能问题,并可实现自动报警。
附图说明
图1为本发明一实施例中的一种产品的检测方法的流程示意图。
图2为产品在针对预定参数设置的规格上限、规格下限和规格中心值的示意图。
图3为本发明一实施例中的一产品组的参数分布的示意图。
图4为本发明一实施例中的另一种产品的检测方法的流程示意图。
图5为本发明一实施例中的第一产品组和第二产品组的参数分布的示意图。
图6为本发明一实施例中的第一产品组和第二产品组的检测数据的概率密度函数所对应的正态分布图。
图7为本发明一实施例中的第一产品组和第二产品组的检测数据的累计分布函数的示意图。
图8为本发明一实施例中的多个产品组的偏离度进行拟合所得到的拟合曲线的示意图。
图9为本发明一实施例中的来自不同加工设备的产品组的检测数据的概率密度函数所对应的正态分布图。
具体实施方式
本发明的核心思路在于提供一种产品的检测方法,该检测方法中通过对参数分布进行量化处理,使得所获得的检测结果可以更加直观的反映出产品组的参数分布的边界距离规格上限/规格下限的距离,以及产品组的合格率分布状况。
具体可参考图1所示的本发明一实施例中的一种检测方法的流程图,该检测方法可包括如下步骤。
步骤S110,对至少一产品组的预定参数进行检测,以得到包含多个检测数据的数据组。
步骤S120,获取产品针对预定参数的规格上限、规格下限、规格上限和规格下限之间的规格中心值。
步骤S130,得到数据组的3倍标准差所对应的第一边界至规格中心值的差值与规格上限至规格中心值的差值的比值,由此获得数据组的第一边界相对于规格上限的第一偏离值;以及,得到数据组的3倍标准差所对应的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值,由此获得数据组的第二边界相对于规格下限的第二偏离值。
步骤140,选取第一偏离值和第二偏离值中的较大值,以构成产品组的参数分布的偏离度DOD。
即,本发明提供的检测方法中,根据检测数据获得产品组的检测参数分布的第一偏离值和第二偏离值,该第一偏离值和第二偏离值可以直观的反应出产品组的参数分布的边界至规格上限和规格下限的距离,利用第一偏离值和第二偏离值中的较大值可以整体反映出产品参数的偏离度。并且,根据偏离度DOD的数值大小,可以更精准、直观的将产品组的参数分布与对应的规格限之间的距离以量化的方式体现出,如此,即可使技术人员可以根据偏离度DOD的具体数值进行调整,为技术人员对参数的调整方向和调整尺度提供更直观的参考依据。
以下结合附图和具体实施例对本发明提出的产品的检测方法、产品的加工设备的监控方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
在步骤S110中,对至少一产品组的预定参数进行检测,以得到包含多个检测数据的数据组。进行检测的预定参数例如包括在产品的制备过程中的膜层厚度,凹槽深度、线宽和线距等;以及,进行检测的预定参数也可包括对产品的性能检测,例如,击穿电压检测等。
通过对每一产品组内的多个产品进行检测,所得到的多个检测数据通常服从正态分布,在此基础上,即可进一步得到该数据组的平均值μ和标准差σ。具体而言,当对产品组内的各个产品进行线宽检测时,即可得到产品组内的多个线宽数据,进而得到该数据组中的线宽均值和标准差;又例如,在对产品组内的各个产品进行击穿电压检测时,即可得到产品组内的多个击穿电压数据,进而得到该数据组中的击穿电压的均值和标准差。其中,产品组内针对预定参数的多个检测数据的平均值 μ 和标准差 σ 可根据领域内熟知的方式计算得到,此处不再赘述。
在步骤S120中,具体可参考图2所示,获取产品针对预定参数的规格上限USL、规格下限LSL、规格上限USL和规格下限LSL之间的规格中心值T。
例如,在对产品进行线宽检测时,即可调取对应的线宽的规格上限USL、规格下限LSL和规格中心值T;同样的,在对产品进行击穿电压检测时,即可调取对应的击穿电压的规格上限USL、规格下限LSL和规格中心值T。通常来说,在对产品进行预定参数检测时,希望得到的检测数据应当落入在规格上限USL和规格下限LSL之间的区域内,此时表明该产品的检测结果满足要求。此外,在一般情况下检测数据越接近规格中心值T,即表明该产品的检测结果也越接近设计值。
因此,在理想情况下,是希望产品的检测数据可以更接近规格中心值T,并集中在规格中心值T的附近,基于产品组内的多个检测数据所得到的正态分布也集中在规格中心值T的附近,例如图2所示,此时即表明该产品组的品质较高,所对应的加工设备和制程能力也更为稳定。
在步骤S130中,具体可结合图3所示,得到数据组的3倍标准差所对应的第一边界(即,图3中对应于+3*σ的界限位置)至规格中心值T的差值((μ+3*σ)-T)与规格上限USL至规格中心值T的差值(USL-T)的比值,由此获得第一边界相对于规格上限USL的第一偏离值DOD_U;以及,得到数据组的3倍标准差所对应的第二边界(即,图3中对应于-3*σ的界限位置)至规格中心值T的差值(T-(μ-3*σ))与规格下限LSL至规格中心值T的差值(T-LSL)的比值,由此获得第二边界相对于规格下限LSL的第二偏离值DOD_L。
具体示例中,第一偏离值DOD_U和第二偏离值DOD_L可根据如下所示的公式(1)和公式(2)计算得到。
DOD_U=((μ+3*σ)-T)/(USL-T) (1)
DOD_L= (T-(μ-3*σ))/ (T-LSL) (2)
根据第一偏离值DOD_U即可获悉该产品组的3倍标准差所对应的第一边界(对应于+3*σ的界限位置)相对于规格上限USL的偏离值。通常情况下,当第一偏离值DOD_U越小,则意味着第一边界更远离规格上限USL且更靠近规格中心值T;反之,当第一偏离值DOD_U越大,则意味着第一边界更靠近规格上限USL且更远离规格中心值T。
同样的,根据第二偏离值DOD_L即可获悉该产品组的3倍标准差所对应的第二边界(对应于-3*σ的界限位置)相对于规格下限LSL的偏离值。通常情况下,当第二偏离值DOD_L越小,则意味着第二边界更远离规格下限LSL且更靠近规格中心值T;反之,当第二偏离值DOD_L越大,则意味着第二边界更靠近规格下限LSL且更远离规格中心值T。
在步骤S140中,选取第一偏离值DOD_D和第二偏离值DOD_L中的较大值,以构成产品组的参数分布的偏离度DOD。
具体来说,在对产品组的特定参数进行检测时,即需要同时结合第一偏离值DOD_U和第二偏离值DOD_L进行判断,以定义出该产品组的参数分布的整体偏离度,偏离值较大的数值反应出产品组的检测参数分布的偏离倾向。其中,当第一偏离值DOD_U大于第二偏离值DOD_L时,即意味着产品的特定参数更往规格上限USL的方向偏离,此时结合第一偏离值DOD_U的大小,还可进一步得到产品组的第一边界至规格上限USL的距离;反之,当第二偏离值DOD_L大于第一偏离值DOD_D时,即意味着产品的特定参数更往规格下限LSL的方向偏离,此时结合第二偏离值DOD_L的大小,还可进一步得到产品组的第二边界至规格下限LSL的距离。
例如在图3的示例中,可以得到第一偏离值DOD_U大于第二偏离值DOD_L,产品组的检测数据的分布整体朝向规格上限USL的方向偏离,定义第一偏离值DOD_U为产品组的参数分布的偏离度DOD。
进一步的方案中,还可根据偏离度DOD的数值,对产品组的质量进行判断。具体的,判断偏离度DOD是否小于等于预设值DOD’;若是,则判定检测的产品组合格;若否,则判定检测的产品组不合格。
具体示例中,该预设值DOD’以小于等于1设置。该示例中预设值DOD’设置为1,此时,当产品组的参数分布的偏离度DOD小于1时,即意味着产品组的检测数据的第一边界(或者,第二边界)未超出规格上限USL(或者,规格下限LSL);当产品组的参数分布的偏离度DOD大于1时,即意味着产品组的检测数据的第一边界(或者,第二边界)超出规格上限USL(或者,规格下限LSL),产品不合格。
或者,其他示例中,该预设值DOD’可根据至少一组合格的产品组定义出。具体来说,该预设值DOD’的设定方法包括:获取至少一组合格的产品组在针对预定参数的检测数据,以得到包含多个检测数据的合格数据组;接着,根据合格数据组的3倍标准差所对应的第一边界至规格中心值T的差值与规格上限USL至规格中心值T的差值的比值,得到合格数据组的第一边界相对于规格上限的第一偏离值;以及,根据合格数据组的3倍标准差所对应的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值,得到第二边界相对于规格下限的第二偏离值;之后,即可选取第一偏离值和第二偏离值中的较大值,以作为该预设值DOD’。
此外,如上所述,根据第一偏离值DOD_U/第二偏离值DOD_L的数值大小可以进一步获悉,产品组的参数分布相对于规格限的距离。
例如,在针对合格的产品组时,即可根据偏离度DOD得到参数分布的边界至对应的规格限的距离;以及,针对不合格产品组时,即可根据偏离度DOD得到参数分布的边界超出规格限的距离。如此,即可使技术人员可以根据偏离度DOD的具体数值进行调整,为技术人员对参数调整的方向和调整尺度提供更直观的参考依据。
为了更明晰的解释本实施例中的偏离度DOD在产品检测中的作用,下面通过列举五组产品组的检测数据进行说明。该示例中,对五组产品组进行检测而得到五组数据组,从而得到各个数据组的第一偏离值DOD_U和第二偏离值DOD_L,并选取出第一偏离值DOD_U和第二偏离值DOD_L中的较大者以构成各个产品组的参数分布的偏离度DOD,由此得到五组数据组的偏离度DOD具体如下方的表1所示。
表1
D1 | D2 | D3 | D4 | D5 | |
DOD | 0.95 | 0.67 | 0.57 | 0.53 | 1.14 |
CPK | 1.12 | 1.63 | 1.81 | 2.96 | 0.74 |
根据表1可以获悉,D1-D5产品组的参数分布的偏离度及相对于对应的规格限的距离如下。
D1产品组其偏离度为0.95,其仍在规格范围内,而未超出产品的规格上限(或者,规格下限),并且根据偏离度的数值可以进一步获悉,D1产品组的第一边界(或者,第二边界)至对应的规格限的距离为5%。可见,虽然D1产品组的参数分布的偏离度未超出规格范围,但是D1产品组的第一边界(或者,第二边界)很接近规格限,这说明了该产品组的质量存在风险、制程能力不稳定。
D2产品组其偏离度为0.67,其仍在规格范围内,而未超出产品的规格上限(或者,规格下限),并且根据偏离度的数值可以进一步获悉,D2产品组的第一边界(或者,第二边界)至对应的规格限的距离为33%。
D3产品组其偏离度为0.57,其仍在规格范围内,而未超出产品的规格上限(或者,规格下限),并且根据偏离度的数值可以进一步获悉,D3产品组的第一边界(或者,第二边界)至对应的规格限的距离为43%。
D4产品组其偏离度为0.53,其仍在规格范围内,而未超出产品的规格上限(或者,规格下限),并且根据偏离度的数值可以进一步获悉,D4产品组的第一边界(或者,第二边界)至对应的规格限的距离为47%。
D5产品组其偏离度为1.14,可见D5产品组的参数分布已经超出规格范围,并且根据偏离度的数值可以进一步获悉,D5产品组的第一边界(或者,第二边界)超出对应的规格限大约14%。可见,D5产品组的质量不满足要求、所对应的制程能力不足。
进一步的,还可将五组产品组的参数分布的偏离度DOD进行排序,其中偏离度DOD越小,对应的产品组的参数数据越集中靠近规格中心值T;偏离度DOD越大,对应的产品组的参数数据越分散且更可能超出规格限。因此,表1中的五组产品组的质量由高到低分别为:D4、D3、D2、D1和D5。
此外,表1中还列出了五组产品组的检测数据的CPK值。虽然根据CPK值同样可以获悉,D2/D3/D4的产品组的精度和稳定性较高,质量较好;D1和D5产品组的工序能力不足,但是CPK值没有量化概念,根据CPK值难以直接体现出各个产品组的参数分布相对于规格限的距离。
然而,本实施例中提供的偏离度DOD不仅可以定性出产品组的参数或质量是否满足要求,同时还能够将产品组的参数分布至规格限的距离以量化的方式表示出(即,偏离度DOD可以直接表征出参数分布相对于规格限的距离比例),从而使得技术人员可以根据偏离度DOD的具体数值进行调整,为技术人员对调整方向和调整尺度提供更直观的参考依据。
因此,本实施例中的检测方法,还可用于根据不同产品组的参数分布的偏离度DOD,获得不同产品组的参数差异或质量差异,并可进一步得到最优质量的产品组。具体包括:对至少两组产品组的预定参数进行检测,以得到至少两组数据组;接着,获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;之后,即可根据各组产品组的偏离度大小,得到多组产品组的参数优劣的排布,基于此还可选取出偏离度最小的产品组为最优产品组。
以表1中的示例说明,D1-D5产品组中,偏离度DOD由小至大依次为D4、D3、D2、D1和D5,对应得到的参数性能或者质量由高到低的排布即为:D4、D3、D2、D1和D5。因此,D4产品组为最优产品组,其参数分布更集中在规格中心值T;D3产品组与D4产品组的偏离度DOD差异仅0.04%,因此D3产品组的质量也较高;以及,D5产品组的质量最差,且参数分布超出规格限14%,其质量不满足要求。
具体示例中,不仅可利用偏离度DOD对各个产品组进行质量判断,还可进一步比对不同产品组之间的参数分布的相似度。具体可包括:对至少两组产品组的预定参数进行检测,以得到至少两组数据组,如上所述检测得到的各组数据组通常服从正态分布;接着,获取各个数据组的概率密度函数,并对各个概率密度函数进行积分以得到对应的累计分布函数;之后,即可根据不同数据组的累计分布函数的比值,得到不同产品组的参数分布的相似度。
其中,各个数据组的概率密度函数f(x)具体如下方的公式(3)。
公式(3)
对概率密度函数f(x)进行积分而得到的累计分布函数F(x;μ,σ)如下方的公式(4)。
公式(4)
因此,不同数据组的累计分布函数的比值R即可由如下的公式(5)表示出,进而得到不同产品组的参数分布的相似度。
R= //> 公式(5)
其中,不同数据组的累计分布函数的比值R越接近1,即表示比对的两组产品组的参数差异越小,相似程度越高;反之,不同数据组的累计分布函数的比值R越远离1,即表示比对的两组产品组的参数差异越大,相似程度越低。实际应用中,例如可在比值R介于0.95-1.0之间时,判断为对应的产品组的参数分布接近,对应的产品组的质量无差异或质量差异可忽略。
具体示例中,可根据两组产品组中平均值μ和3倍标准差之和(μ+3*σ)的较小值确定出公式(5)中的x值,并将对应的产品组的累计分布函数F(x;μ,σ)确定为分母进行计算,此时得到的比值R的范围为[0,1],通常情况下,可以在比值R大于等于95%时,认为两组产品组的参数分布的相似度很高。例如,第一组产品组中μ+3*σ=5.5,而第二组产品组中μ+3*σ=4.3,此时即可将x=4.3代入公式(5)中,并以第二组产品组的累计分布函数F(x;μ,σ)作为分母,计算出第一组产品组的累积分布函数相对于第二组产品组的累计分布函数的比值R。
也就是说,本实施例提供的检测方法,其一方面可以利用偏离度DOD对各个产品组的参数分布进行单独评估,以得出各个产品组的质量是否满足要求及参数分布至规格限的具体距离;另一方面,还可以根据不同产品组的累计分布函数的比值R,而得到不同产品组的参数分布的相似度SC,例如可以将各个产品组与一优质产品组进行相似度比对。
例如图4所示,本实施例提供的一种产品的检测方法,可包括如下步骤。
首先执行步骤S200,对至少两组产品组的预定参数进行检测,以得到至少两组数据组。
接着可优先执行步骤S310至步骤S320,以根据偏离度DOD对各个产品组的质量进行单独评估,并得到多组产品组的质量排布;或者,也可优先执行步骤S410至步骤S420,以得到不同产品组之间的参数分布的相似度SC;又或者,还可以同时执行步骤S310至步骤S320、步骤S410至步骤S420。
其中,步骤S310的具体过程可参考如上所述的步骤S120-步骤S140;在步骤S320中,根据偏离度DOD由小至大,即可得到质量由高到低排布的产品组。以及,步骤S410的具体过程则可参考如上所述的通过对各个数据组的概率密度函数进行积分以得到对应的累计分布函数,进而可根据不同数据组的累计分布函数的比值,得到不同产品组的参数分布的相似度SC。
可选的示例中,可以选取至少一组合格的产品组作为参考组,之后即可根据其他产品组的累计分布函数和参考组的累计分布函数之间的比值,得到其他产品组与参考组之间的参数分布的相似度。
下面以两组产品组在进行偏离度DOD判断和参数分布的相似度SC比对为例进行说明,以更清楚的显示出本实施例中的偏离度DOD判断和参数分布的相似度SC比对在产品中的作用。其中,该两组产品组内有多个基片样品(例如,多个晶片),通过对各组产品组内的多个基片样品进行预定参数的检测,以得到多个检测数据,从而形成对应的数据组。针对该预定参数的规格上限USL=6、规格下限LSL=3。
其中,第一产品组D6所对应的数据组中,其平均值μ1=4.6,标准差σ1=0.3;以及,第二产品组D7所对应的数据组中,其平均值μ2=4.0,标准差σ2=0.25。
重点参考图5所示,分别获取第一产品组D6和第二产品组D7的偏离度DOD,其中第一产品组D6的偏离度DOD=0.67,第二产品组D7的偏离度DOD=0.83,可见,第一产品组D6的检测数据的分布更优于第二产品组D7的检测数据的分布,并且第一产品组D6的检测数据的分布至规格限(具体为规格上限USL)还有33%的距离;第二产品组D7的检测数据的分布至规格限(具体为规格下限LSL)还有17%的距离。
接着参考图6和图7所示,根据所获取的两组产品组的检测数据,得到第一产品组D6和第二产品组D7的检测数据的概率密度函数所对应的正态分布图如图6所示;接着,对各个概率密度函数进行积分以得到对应的累计分布函数,具体如图7所示,之后通过公式(5)即可得到第一产品组D6和第二产品组D7的累计分布函数的比值R。例如,以第二产品组D7的(μ2+3*σ2)作为x值,得到的第一产品组D6相对于第二产品组D7的比值。
在实际应用中,还可联合使用偏离度DOD和相似度SC,来自动化监控半导体制造过程中的检测数据的趋势分布、设备性能问题。
具体的,可优先对收集到的多组产品组的预定参数进行检测,以得到多组数据组,并进一步得到各组产品组的参数分布的偏离度DOD;接着,对多组产品组的偏离度DOD进行拟合处理,以得到拟合曲线的拟合系数;接着,可判断该拟合系数是否大于预定值(例如,判断该拟合系数是否大于0.5),若是,则表示多组产品组的偏离度出现了明显的趋势变化;若否,则表示多组产品组的偏离度未出现明显的趋势变化。需要说明的是,当多组产品组的偏离度出现了明显的趋势变化,即意味着多组产品组的参数分布出现趋势的分布而未集中于固定区间内,这表示至少有一产品组存在参数异常,则对应采用的加工设备也可能存在异常。反之,当多组产品组的偏离度未出现明显的趋势变化,即意味着多组产品组的参数分布在固定区间内而没有明显的趋势,这表示多组产品组的参数均匀而无明显差异。
进一步的,还可在多组产品组的偏离度出现了明显的趋势变化时,将多组产品组中来自同一加工设备的产品组划分至同一比对单元中,以得到来自至少两个加工设备的至少两组比对单元,之后即可利用如上所述的方法得到至少两组比对单元之间的相似度SC,相应的得到了不同加工设备之间的制程能力相似度。具体的,可根据各个比对单元的检测数据,获取各个比对单元的概率密度函数,并对各个概率密度函数进行积分,以得到各个比对单元的累计分布函数;接着,根据不同比对单元的累计分布函数的比值,得到不同比对单元的参数分布的相似度,以获取不同加工设备之间的制程能力相似度。例如,在实际应用中,多组产品组可来自三个或三个以上的加工设备,此时可将相似度最低的加工设备判定为异常设备。
下面结合图8和图9,以一具体示例解释说明联合使用偏离度DOD和相似度SC,以根据产品的参数分布,而实现对相应的加工设备的制程能力监控。
在具体示例中,例如可收集来自第一加工设备A、第二加工设备B和第三加工设备C的多个产品组的检测数据,并得到多个产品组的偏离度DOD;接着,对多组产品组的偏离度DOD进行拟合处理,以得到拟合曲线的拟合系数,其拟合结果例如图8所示,其拟合系数为0.7067(大于0.5),即说明多个产品组的参数分布已经有明显的趋势变化,意味着部分加工设备可能出现异常;之后,可针对来自第一加工设备A、第二加工设备B和第三加工设备C的产品组进行相似度SC计算,以获得不同加工设备的制程能力相似度,例如可参考下方的表2、表3和图9,其中表2示意出了来自第一加工设备A、第二加工设备B和第三加工设备C的产品的均值μ和标准差σ,表3示意出了不同加工设备之间的制程能力相似度SC。
表2
A | B | C | |
μ | 4.0959 | 4.0975 | 4.3572 |
σ | 0.0401 | 0.0431 | 4.3572 |
表3
A | B | C | |
A | 100% | 100% | 0.96% |
B | 99.88% | 100% | 1.70% |
C | 0.85% | 1.48% | 100% |
根据表3和图9可以获悉,第一加工设备A和第二加工设备B的制程能力相似度较高,可达到接近100%;然而,第一加工设备A和第二加工设备B分别与第三加工设备C的相似度均很低,因此根据该相似度SC结果,有理由推断出第三加工设备C可能存在异常。
此外,本公开提供的技术构思还可用于对加工设备进行监控,具体包括:利用如上所述的检测方法对产品进行检测,进而可根据检测结果判断出所采用的加工设备的性能。
第一种可选的方案中,该监控方法具体包括:利用如上所述的偏离度DOD的获取方法,得到至少一组产品组的参数分布的偏离度DOD;接着,判断偏离度DOD是否大于预设值DOD’,若是,即表示偏离度DOD超出规格要求,则判断出该产品组所采用的加工设备存在异常,导致生产的产品不合格;若否,即表示偏离度DOD未超出规格要求,则判断出该产品组所采用的加工设备无异常,生产的产品合格。该方案中,还可根据偏离度DOD的数值,对加工设备进行维护。
第二种可选的方案中,该监控方法可包括:利用如上所述的相似度SC的获取方法,得到至少两组产品组的参数分布的相似度,其中,至少两组产品组中具有来自不同加工设备的产品组,所得到的相似度具体为来自不同加工设备的产品组之间的参数分布的相似度;如此,即可根据该相似度,判断出不同加工设备之间的制程能力的差异。具体来说,当该相似度越高时,即意味着不同加工设备之间的制程能力差异越小;反之,当相似度越低时,即意味着不同加工设备之间的制程能力差异越大。
第三种可选的方案中,对加工设备的监控方法,可包括如下步骤。
步骤一,对多组产品组的预定参数进行检测,以得到多组数据组。
步骤二,获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度。
步骤三,对多组产品组的偏离度进行拟合处理,以得到拟合曲线的拟合系数。
步骤四,判断拟合系数是否大于预定值,若是,表示多组产品组的偏离度出现趋势变化,则执行步骤五至步骤七;若否,则表示多组产品组的偏离度未出现趋势变化。
步骤五,将多组产品组中来自同一加工设备的产品组划分至同一比对单元中,以得到来自至少两个加工设备的至少两组比对单元。
步骤六,根据各个比对单元的检测数据,获取各个比对单元的概率密度函数,并对各个概率密度函数进行积分,以得到各个比对单元的累计分布函数。
步骤七,根据不同比对单元的累计分布函数的比值,得到不同比对单元的参数分布的相似度,以获取不同加工设备之间的制程能力相似度,并将相似度最低的加工设备判定为异常设备。
如上所述的加工设备例如包括半导体加工中的薄膜沉积设备、刻蚀设备、光刻设备等。以及,此处所述的不同加工设备具体指的是同一功能且不唯一的加工设备,例如均为刻蚀设备,但不是同一刻蚀设备。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。以及,虽然本发明已以较佳实施例披露如上,然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言,在不脱离本发明技术方案范围情况下,都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围。
还应当理解的是,除非特别说明或者指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。此外还应该认识到,此处的以及所附权利要求中使用的单数形式“一个”和“一种”包括复数基准,除非上下文明确表示相反意思。例如,对“一个步骤”或“一个装置”的引述意味着对一个或多个步骤或装置的引述,并且可能包括次级步骤以及次级装置。
Claims (15)
1.一种产品的检测方法,其特征在于,包括:
对至少一产品组的预定参数进行检测,以得到包含多个检测数据的数据组;
获取产品针对所述预定参数的规格上限、规格下限、规格上限和规格下限之间的规格中心值;
根据所述数据组的3倍标准差所对应的第一边界至规格中心值的差值与规格上限至规格中心值的差值的比值,获取数据组的第一边界相对于规格上限的第一偏离值;以及,根据所述数据组的3倍标准差所对应的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值,获取数据组的第二边界相对于规格下限的第二偏离值;
选取第一偏离值和第二偏离值中的较大值,以构成产品组的参数分布的偏离度。
2. 如权利要求1所述的产品的检测方法,其特征在于,利用如下公式获得所述第一偏离值和所述第二偏离值;
DOD_U=((μ+3*σ)-T)/(USL-T)
DOD_L=(T-(μ-3*σ))/ (T-LSL)
其中,DOD_U表示数据组的第一边界相对于规格上限的第一偏离值;
DOD_L表示数据组的第二边界相对于规格下限的第二偏离值;
μ表示均值;
σ表示标准差;
USL表示规格上限;
LSL表示规格下限;
T表示规格中心值。
3.如权利要求1所述的产品的检测方法,其特征在于,所述检测方法还包括:根据所述偏离度,得到产品组的检测数据的分布和对应的规格限之间的距离。
4.如权利要求1所述的产品的检测方法,其特征在于,所述检测方法还包括:判断所述偏离度是否大于预设值,若否,则判定检测的产品组的检测参数合格;若是,则判定检测的产品组的检测参数不合格。
5.如权利要求4所述的产品的检测方法,其特征在于,所述预设值的设定方法包括:
获取至少一组合格的产品组在针对所述预定参数的检测数据,以得到包含多个检测数据的合格数据组;
根据所述合格数据组的3倍标准差所对应的第一边界至规格中心值的差值与规格上限至规格中心值的差值的比值,得到合格数据组的第一边界相对于规格上限的第一偏离值;以及,根据所述合格数据组的3倍标准差所对应的第二边界至规格中心值的差值与规格下限至规格中心值的差值的比值,得到第二边界相对于规格下限的第二偏离值;
选取第一偏离值和第二偏离值中的较大值,作为所述预设值。
6.如权利要求1所述的产品的检测方法,其特征在于,所述检测方法还包括:
对至少两组产品组的预定参数进行检测,以得到至少两组数据组;
获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;以及,
根据各组产品组的偏离度大小,得到多组产品组的参数优劣的排布。
7.如权利要求1所述的产品的检测方法,其特征在于,所述检测方法还包括:
对至少两组产品组的预定参数进行检测,以得到至少两组数据组;
获取各个数据组的概率密度函数,并对各个概率密度函数进行积分,以得到各个数据组的累计分布函数;以及,
根据不同数据组的累计分布函数的比值,得到不同产品组的参数分布的相似度。
8.如权利要求7所述的产品的检测方法,其特征在于,不同数据组的累计分布函数的比值介于0.95-1.0之间,则判断对应的产品组的参数分布接近。
9.如权利要求1所述的产品的检测方法,其特征在于,所述检测方法包括:
对多组产品组的预定参数进行检测,以得到多组数据组;
获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;
对多组产品组的偏离度进行拟合处理,以得到拟合曲线的拟合系数;以及,
判断拟合系数是否大于预定值,若是,则表示多组产品组的偏离度出现趋势变化;若否,则表示多组产品组的偏离度未出现趋势变化。
10.如权利要求9所述的产品的检测方法,其特征在于,所述检测方法还包括:
将多组产品组中来自同一加工设备的产品组划分至同一比对单元中,得到来自至少两个加工设备的至少两组比对单元;
根据各个比对单元的检测数据,获取各个比对单元的概率密度函数,并对各个概率密度函数进行积分,以得到各个比对单元的累计分布函数;以及,
根据不同比对单元的累计分布函数的比值,得到不同比对单元的参数分布的相似度,以获取不同加工设备之间的制程能力相似度。
11.一种产品的检测方法,其特征在于,包括:
对至少两组产品组的预定参数进行检测,以得到包含多个检测数据的至少两组数据组;
获取各个数据组的概率密度函数,并对各个概率密度函数进行积分,以得到各个数据组的累计分布函数;以及,
根据不同数据组的累计分布函数的比值,得到不同产品组的参数分布的相似度。
12.如权利要求11所述的产品的检测方法,其特征在于,不同数据组的累计分布函数的比值介于0.95-1.0之间,则判断对应的产品组的参数分布接近。
13.一种产品的加工设备的监控方法,其特征在于,包括:
利用如权利要求1-6任一项所述的产品的检测方法,得到来自同一加工设备的至少一组产品组的参数分布的偏离度;
判断所述偏离度是否大于预设值,若是,则判断出所述加工设备异常;若否,则判断出所述加工设备无异常。
14.一种产品的加工设备的监控方法,其特征在于,包括:
步骤一,对多组产品组的预定参数进行检测,以得到多组数据组;
步骤二,获取各组数据组的第一偏离值和第二偏离值,以得到各组产品组的参数分布的偏离度;
步骤三,对多组产品组的偏离度进行拟合处理,以得到拟合曲线的拟合系数;
步骤四,判断拟合系数是否大于预定值,若是,表示多组产品组的偏离度出现趋势变化,则执行步骤五至步骤七;若否,则表示多组产品组的偏离度未出现趋势变化;
步骤五,将多组产品组中来自同一加工设备的产品组划分至同一比对单元中,以得到来自至少两个加工设备的至少两组比对单元;
步骤六,根据各个比对单元的检测数据,获取各个比对单元的概率密度函数,并对各个概率密度函数进行积分,以得到各个比对单元的累计分布函数;
步骤七,根据不同比对单元的累计分布函数的比值,得到不同比对单元的参数分布的相似度,以获取不同加工设备之间的制程能力相似度,并将相似度最低的加工设备判定为异常设备。
15.一种产品的加工设备的监控方法,其特征在于,包括:
利用如权利要求11-12任一项所述的产品的检测方法,得到至少两组产品组的参数分布的相似度,其中,至少两组产品组中具有来自不同加工设备的产品组,所述相似度为来自不同加工设备的产品组之间的参数分布的相似度;以及,
根据所述相似度,判断出不同加工设备之间的制程能力的差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410154734.9A CN117708615B (zh) | 2024-02-04 | 2024-02-04 | 产品的检测方法及加工设备的监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410154734.9A CN117708615B (zh) | 2024-02-04 | 2024-02-04 | 产品的检测方法及加工设备的监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708615A true CN117708615A (zh) | 2024-03-15 |
CN117708615B CN117708615B (zh) | 2024-05-17 |
Family
ID=90151905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410154734.9A Active CN117708615B (zh) | 2024-02-04 | 2024-02-04 | 产品的检测方法及加工设备的监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708615B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937212A (zh) * | 2009-07-03 | 2011-01-05 | 中芯国际集成电路制造(上海)有限公司 | 过程检测方法和装置 |
CN102496588A (zh) * | 2011-12-16 | 2012-06-13 | 上海先进半导体制造股份有限公司 | 判断半导体生产设备之间的匹配程度的方法 |
CN104484747A (zh) * | 2014-12-01 | 2015-04-01 | 西安电子科技大学 | 利用截尾样本确定产品合格率的方法 |
CN104900551A (zh) * | 2014-03-04 | 2015-09-09 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆质量管控方法和装置 |
CN105468910A (zh) * | 2015-11-25 | 2016-04-06 | 中国船舶工业系统工程研究院 | 一种机电设备性能退化预测方法 |
CN107093568A (zh) * | 2016-02-18 | 2017-08-25 | 北大方正集团有限公司 | 一种晶元在线监测方法及装置 |
KR101945131B1 (ko) * | 2017-11-30 | 2019-02-01 | 성균관대학교산학협력단 | 비정규분포 공정에서의 극소불량률 관리 방법 및 장치 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
EP3605061A1 (en) * | 2018-08-03 | 2020-02-05 | ProXentia S.r.l. | System for the rapid analysis of samples and corresponding reader, cartridge and method |
CN111353131A (zh) * | 2020-02-26 | 2020-06-30 | 桂林电子科技大学 | 一种码载偏离度阈值计算的方法 |
CN112163729A (zh) * | 2020-08-25 | 2021-01-01 | 北京航空航天大学 | 基于供货产品截断正态分布质量数据的过程能力分析方法 |
CN113126584A (zh) * | 2021-04-29 | 2021-07-16 | 陕西中烟工业有限责任公司 | 一种卷烟生产过程质量稳定性评价系统 |
CN114936207A (zh) * | 2022-07-25 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种物联网传感设备感知数据质量评估方法 |
CN115018827A (zh) * | 2022-08-03 | 2022-09-06 | 山东亿昌装配式建筑科技有限公司 | 一种建材焊缝质量自动检测方法 |
CN117252480A (zh) * | 2023-10-09 | 2023-12-19 | 上海慧程工程技术服务有限公司 | 一种焊装车间质量预警方法 |
WO2024000356A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 数据处理方法及装置、数据显示方法及装置、设备和介质 |
-
2024
- 2024-02-04 CN CN202410154734.9A patent/CN117708615B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937212A (zh) * | 2009-07-03 | 2011-01-05 | 中芯国际集成电路制造(上海)有限公司 | 过程检测方法和装置 |
CN102496588A (zh) * | 2011-12-16 | 2012-06-13 | 上海先进半导体制造股份有限公司 | 判断半导体生产设备之间的匹配程度的方法 |
CN104900551A (zh) * | 2014-03-04 | 2015-09-09 | 中芯国际集成电路制造(上海)有限公司 | 一种晶圆质量管控方法和装置 |
CN104484747A (zh) * | 2014-12-01 | 2015-04-01 | 西安电子科技大学 | 利用截尾样本确定产品合格率的方法 |
CN105468910A (zh) * | 2015-11-25 | 2016-04-06 | 中国船舶工业系统工程研究院 | 一种机电设备性能退化预测方法 |
CN107093568A (zh) * | 2016-02-18 | 2017-08-25 | 北大方正集团有限公司 | 一种晶元在线监测方法及装置 |
KR101945131B1 (ko) * | 2017-11-30 | 2019-02-01 | 성균관대학교산학협력단 | 비정규분포 공정에서의 극소불량률 관리 방법 및 장치 |
CN109829876A (zh) * | 2018-05-30 | 2019-05-31 | 东南大学 | 基于机器视觉的链板缺陷在线检测装置及方法 |
EP3605061A1 (en) * | 2018-08-03 | 2020-02-05 | ProXentia S.r.l. | System for the rapid analysis of samples and corresponding reader, cartridge and method |
CN111353131A (zh) * | 2020-02-26 | 2020-06-30 | 桂林电子科技大学 | 一种码载偏离度阈值计算的方法 |
CN112163729A (zh) * | 2020-08-25 | 2021-01-01 | 北京航空航天大学 | 基于供货产品截断正态分布质量数据的过程能力分析方法 |
CN113126584A (zh) * | 2021-04-29 | 2021-07-16 | 陕西中烟工业有限责任公司 | 一种卷烟生产过程质量稳定性评价系统 |
WO2024000356A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 数据处理方法及装置、数据显示方法及装置、设备和介质 |
CN114936207A (zh) * | 2022-07-25 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种物联网传感设备感知数据质量评估方法 |
CN115018827A (zh) * | 2022-08-03 | 2022-09-06 | 山东亿昌装配式建筑科技有限公司 | 一种建材焊缝质量自动检测方法 |
CN117252480A (zh) * | 2023-10-09 | 2023-12-19 | 上海慧程工程技术服务有限公司 | 一种焊装车间质量预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117708615B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7437271B2 (en) | Methods and apparatus for data analysis | |
US7421358B2 (en) | Method and system for measurement data evaluation in semiconductor processing by correlation-based data filtering | |
US8170707B2 (en) | Failure detecting method, failure detecting apparatus, and semiconductor device manufacturing method | |
US20040006447A1 (en) | Methods and apparatus for test process enhancement | |
CN101290611A (zh) | 数据中异常点的检测方法和装置 | |
US20230176542A1 (en) | Method and device for monitoring production equipment and storage medium | |
CN117708615B (zh) | 产品的检测方法及加工设备的监控方法 | |
US20030125903A1 (en) | Method and system for statistical comparison of a plurality of testers | |
US6553521B1 (en) | Method for efficient analysis semiconductor failures | |
CN109308395B (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
US10146215B2 (en) | Monitor system and method for semiconductor processes | |
CN117642707A (zh) | 数据处理方法及装置、数据显示方法及装置、设备和介质 | |
CN113420842A (zh) | 晶圆测试数据处理方法 | |
CN114167335B (zh) | 新增检测工具的合格检验方法和检验系统 | |
CN117892093B (zh) | 一种监测参数数据交互处理方法、处理系统及处理设备 | |
TWI537845B (zh) | 半導體製程管制規格之制定方法 | |
US7899627B2 (en) | Automatic dynamic baseline creation and adjustment | |
US7220605B1 (en) | Selecting dice to test using a yield map | |
CN111755079B (zh) | 一种多晶硅最优原料配比方案确定方法及系统 | |
WO2022052540A1 (zh) | 新增生产工具的合格检验方法和检验系统 | |
CN115308518B (zh) | 一种老炼电路的参数测量顺序确定方法和系统 | |
Kundu et al. | Defect clustering and classification for semiconductor devices | |
US20220034939A1 (en) | Method and apparatus for judging abnormality of probe card | |
CN115705543A (zh) | 用于评估半导体设备生产能力的方法及其装置 | |
CN115705544A (zh) | 用于评估半导体设备生产能力的方法及其装置 |
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 |