DE102019203412A1 - Verfahren zur automatisierten prozessführung bei bearbeitungsprozessen - Google Patents

Verfahren zur automatisierten prozessführung bei bearbeitungsprozessen Download PDF

Info

Publication number
DE102019203412A1
DE102019203412A1 DE102019203412.8A DE102019203412A DE102019203412A1 DE 102019203412 A1 DE102019203412 A1 DE 102019203412A1 DE 102019203412 A DE102019203412 A DE 102019203412A DE 102019203412 A1 DE102019203412 A1 DE 102019203412A1
Authority
DE
Germany
Prior art keywords
cleaning
process data
machining
algorithm
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019203412.8A
Other languages
English (en)
Inventor
Matthias Roos
Erik Rodner
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carl Zeiss SMT GmbH
Original Assignee
Carl Zeiss SMT GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Carl Zeiss SMT GmbH filed Critical Carl Zeiss SMT GmbH
Publication of DE102019203412A1 publication Critical patent/DE102019203412A1/de
Pending legal-status Critical Current

Links

Images

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Cleaning In General (AREA)

Abstract

Die vorliegende Erfindung betrifft Verfahren zur automatisierten Prozessführung bei einem Bearbeitungsprozess, bei welchem für eine Vielzahl N von Bearbeitungsprozessen jeweils für einen Bearbeitungsprozess mehrere Prozessdaten und mindestens ein Charakterisierungsparameter des Bearbeitungsergebnisses erfasst werden, die zum Trainieren eines Algorithmus für maschinelles Lernen verwendet werden, wobei für den N + 1. Bearbeitungsprozess mehrere Prozessdaten und mindestens ein Soll - Charakterisierungsparameter des Bearbeitungsergebnisses erfasst werden, aus denen der Algorithmus mindestens einen Teil der Prozessdaten zur automatisierten Prozessführung ermittelt.

Description

  • HINTERGRUND DER ERFINDUNG
  • GEBIET DER ERFINDUNG
  • Die vorliegende Erfindung betrifft ein Verfahren zur automatisierten Prozessführung bei einem Bearbeitungsprozess und insbesondere bei einem Reinigungsverfahren für die Reinigung von Komponenten von Vakuumanlagen, vorzugsweise Komponenten von Projektionsbelichtungsanlagen für die Mikrolithographie.
  • STAND DER TECHNIK
  • Komponenten von Vakuumanlagen und insbesondere Komponenten von Projektionsbelichtungsanlagen für die Mikrolithographie, die beispielsweise mit Arbeitslicht im Spektrum des extrem ultravioletten Lichts (EUV - Licht) betrieben werden, müssen hohen Anforderungen bezüglich der Sauberkeit bzw. Reinheit genügen, da kontaminierte Komponenten dazu führen können, dass Kontaminationen unter den Betriebsbedingungen des Vakuumsystems verdampfen, d.h. ausgasen, wobei die in den gasförmigen Zustand übergegangenen Kontaminationen andere Komponenten der Vakuumanlage, wie einer EUV - Projektionsbelichtungsanlage, wie beispielsweise Spiegel oder dergleichen, verschmutzen oder beschädigen können. Entsprechend muss für die Reinigung von Komponenten von Vakuumanlagen, wie EUV - Projektionsbelichtungsanlagen, ein hoher Aufwand geleistet werden, um die Vorgaben bezüglich der Sauberkeit erfüllen zu können. Beispielsweise gibt es maximal zulässige Vakuumausgasraten für Wasser sowie leichte Kohlenwasserstoffe (Atommassenbereiche amu = 45-100) und schwere Kohlenwasserstoffe (Atommassenbereiche amu = 101-200) in EUV - Projektionsbelichtungsanlagen.
  • Als Reinigungsmethoden für entsprechende Komponenten kommen nach einer nass - chemischen Vor - Reinigung abschließende Trockenreinigungsverfahren in Betracht, bei welchen die zu reinigenden Komponenten unter Vakuumbedingungen bei einem Druck P ≤ 10-6 mbar auf Temperaturen von bis zu 250°C oder höher erhitzt werden. Organische Kontaminationen, die im Wesentlichen für die Ausgasung und somit die gasförmige Verschmutzung des Vakuumbereichs verantwortlich sind, werden auf diese Weise mittels Thermodesorption von den Oberflächen der zu reinigenden Komponenten abgelöst und können durch das Pumpsystem einer entsprechenden Reinigungsanlage, das für das erforderliche Vakuum sorgt, abtransportiert werden. Außer der Thermodesorption können Trockenreinigungsverfahren auf Basis von Plasma - oder Laserbehandlungen sowie auf Basis der Behandlung mit ultraviolettem Licht oder mit reaktiven Gasen Verwendung finden.
  • Die Reinigungsleistung einer Trockenreinigung mittels Thermodesorption wird außer durch die Reinigungsvorrichtung mit einem Vakuumsystem mit ausreichend hoher Pumpleistung und hinreichender Sauberkeit insbesondere durch die maximal zulässige Temperatur und die Zeitdauer für die thermische Behandlung beeinflusst.
  • Da in der Praxis häufig verschiedene Komponenten mit unterschiedlichsten Verunreinigungsgraden durch Trockenreinigungsverfahren gereinigt werden müssen, ist es erforderlich zur Sicherstellung der Erreichung der Vorgaben bezüglich der Sauberkeit, eine ausreichend lange Wärmebehandlung für die Thermodesorption durchzuführen, was jedoch zu langen Prozesszeiten und einem hohen Aufwand führt.
  • Die Überprüfung des Reinigungszustandes wird hierbei üblicherweise nach dem Abschluss des Trockenreinigungsprozesses mittels einer Restgasanalyse unter Vakuumbedingungen durchgeführt, wobei mithilfe eines Restgasanalysators durch Ausgasung vorhandenes Restgas ionisiert und anschließend einem Massenspektrometer zugeführt wird, sodass über die ermittelten Massen der festgestellten Gasbestandteile eine Analyse der Zusammensetzung der Kontaminationen möglich ist.
  • Durch die nachträgliche Analyse des Reinigungszustands kann aber nur ermittelt werden, ob die vorangegangene Reinigung ausreichend war oder nicht. Da es jedoch nicht möglich ist, bei unbekanntem Verunreinigungsgrad der zu reinigenden Komponenten und Unkenntnis über die Art der Kontaminationen sowie über die bei den konkret zu reinigenden Komponenten ablaufenden Reinigungsmechanismen die Reinigungsparameter der Thermodesorption, wie Temperatur und Dauer, zu bestimmen, muss entsprechend mit möglichst hoher Reinigungstemperatur und langer Reinigungsdauer gereinigt werden. Dies führt jedoch dazu, dass das Reinigungsverfahren in vielen Fällen ineffizient sein kann bzw. ein Sauberkeitsgrad erreicht wird, der weit besser ist als erforderlich.
  • OFFENBARUNG DER ERFINDUNG
  • AUFGABE DER ERFINDUNG
  • Es ist deshalb Aufgabe der vorliegenden Erfindung ein Verfahren zur automatisierten Prozessführung bei einem Bearbeitungsprozess und insbesondere bei einem Reinigungsverfahren bereitzustellen, welches eine effiziente Bearbeitung bzw. Reinigung ermöglicht, ohne die exakten Startbedingungen für den Bearbeitungsprozess bzw. Reinigungsprozess und die genauen Bearbeitungs - bzw. Reinigungsmechanismen zu kennen. Insbesondere soll das erfindungsgemäße Verfahren eine effiziente Trockenreinigung von unterschiedlichen Komponenten mit einer möglichst kurzen Phase der Thermodesorption ermöglichen.
  • TECHNISCHE LÖSUNG
  • Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1. Vorteilhafte Ausgestaltungen sind Gegenstand der abhängigen Ansprüche.
  • Die vorliegende Erfindung schlägt vor, zur effizienten Gestaltung von Bearbeitungsprozessen und insbesondere Reinigungsprozessen, bei denen exakte Angaben zum Ausgangszustand der zu bearbeitenden bzw. zu reinigenden Komponente und der anzuwendenden Bearbeitung- bzw. Reinigungsmechanismen fehlen, eine Bewertung bzw. Abschätzung des Bearbeitungs - bzw. Reinigungszustands in der Weise vorzunehmen, dass aus einer Vielzahl N von früheren Bearbeitungsprozessen jeweils für einen Bearbeitungsprozess mehrere Prozessdaten und mindestens ein Charakterisierungsparameter für das Bearbeitungsergebnis erfasst werden, die zum Trainieren eines Algorithmus für maschinelles Lernen verwendet werden. Unter Prozessdaten sind hier vielfältige stationäre oder variable Daten, die in irgendeiner Weise mit dem Bearbeitungsprozess zu tun haben oder auf ihn Einfluss haben können, zu verstehen, während Charakterisierungsparameter jedwede Parameter sein können, die das Bearbeitungsergebnis charakterisieren können.
  • Mit den Prozessdaten und Charakterisierungsparametern aus früheren Bearbeitungs - bzw. Reinigungsprozessen kann ein Modell für den Bearbeitungs - bzw. Reinigungsprozess entwickelt werden, welches eine Vorhersage des Bearbeitungs - bzw. Reinigungszustandes aus Prozessdaten ermöglicht, die beim N +1. Bearbeitungsprozess erfasst werden. Durch einen Algorithmus für maschinelles Lernen kann somit im Zusammenhang mit einem Soll - Charakterisierungsparameter, der das gewünschte Bearbeitungsergebnis definiert, ein Teil der Prozessdaten ermittelt werden, die es ermöglichen, den Soll - Charakterisierungsparameter zu erreichen.
  • Für einen Reinigungsprozess bedeutet dies, dass aus den Daten vorangegangener Reinigungsprozesse und der dabei erzielten Charakterisierungsparameter mit Hilfe eines Algorithmus für maschinelles Lernen beim N +1. Reinigungsprozess aus einem Teil von Prozessdaten, wie Reinigungsparametern, beispielsweise der Temperatur des Thermodesorptionsprozesses, andere Teile der Prozessdaten, wie die Dauer der Thermodesorption, ermittelt werden können, die notwendig sind, um den Soll - Charakterisierungsparameter, wie beispielsweise den Reinigungszustand der zu reinigenden Komponente in Form der Ausgasungsrate bei Raumtemperatur zu erreichen. Mit anderen Worten heißt dies, dass beispielsweise bei der Reinigung mittels Thermodesorption die Temperatur für die Thermodesorption bestimmt wird und aus weiteren Prozessdaten, wie beispielsweise der Größe der zu reinigenden Komponente oder dem Material der zu reinigenden Komponente, die Dauer der Thermodesorption, also die Dauer der Auslagerung bei der entsprechenden Thermodesorptionstemperatur, automatisiert mit dem Algorithmus für maschinelles Lernen bestimmt wird, wobei die Prozessdaten vorangegangener Reinigungsprozesse, wie Temperatur, Dauer, Größe und Material der zu reinigenden Komponenten etc. sowie das dabei erzielte Reinigungsergebnis in Form einer Ausgasungsrate bei Raumtemperatur innerhalb des vom Algorithmus für maschinelles Lernen entwickelten Modells Berücksichtigung finden.
  • Die Prozessdaten für einen Reinigungsprozess auf Basis des Prinzips der Thermodesorption können ausgewählt werden aus einer Vielzahl von möglichen Prozessdaten, die beispielsweise auch die Eigenschaften der zu reinigenden Komponenten umfassen, wie beispielsweise die Größe, die Oberflächenbeschaffenheit oder das Material der zu reinigenden Komponente. Außerdem können die Prozessdaten durch Informationen zu den Kontaminationen und durch Eigenschaften der Reinigungsvorrichtung sowie Eigenschaften der Erfassungseinrichtungen für Prozessdaten, wie beispielsweise Temperaturmesseinrichtungen, und / oder für Charakterisierungsparameter, wie Restgasanalysatoren, definiert sein. Die Prozessdaten können auch Reinigungsparameter, wie Prozessdauer, Reinigungstemperatur, Druck etc. umfassen. Außerdem können die Prozessdaten zeitlich variabel sein und beispielsweise zeitliche Verläufe von entsprechenden Eigenschaften der Vorrichtungen oder der zu reinigenden Komponenten sowie zeitliche Veränderungen des mindestens einen Charakterisierungsparameters, wie z.B. die Ausgasungsrate, umfassen.
  • In vorteilhafter Weise können als Prozessdaten auch Informationen über den Verlauf der Ausgasung während der Thermodesorption zur Verfügung gestellt werden, die durch kontinuierliche Restgasanalyse während der Thermodesorption erfasst werden. Aus diesen Prozessdaten, also dem kontinuierlichen Verlauf der Ausgasung über der Zeitdauer der Thermodesorption kann im Zusammenhang mit weiteren Prozessdaten, wie beispielsweise der Thermodesorptionstemperatur, Parameter der Reinigungsvorrichtung, Angaben über die Größe und Beschaffenheit der zu reinigenden Komponenten usw. mithilfe des Algorithmus für maschinelles Lernen abgeschätzt werden, wie lange die Thermodesorption durchgeführt werden muss, um den mindestens einen Soll - Charakterisierungsparameter des Reinigungsprozesses in Form einer Ausgasungsrate bei Raumtemperatur zu erreichen. Hierzu kann kontinuierlich die zum jeweiligen Bearbeitungsreinigungszeitpunkt erzielbare Ausgasungsrate bei Raumtemperatur ermittelt werden und bei Unterschreiten der ermittelten Ausgasungsrate bei Raumtemperatur unter einen gewünschten Sollwert kann das Reinigungsverfahren automatisiert abgebrochen werden, um so unnötige Reinigungszeiten zu vermeiden.
  • Anstelle des beschriebenen Reinigungsverfahrens kann das Verfahren zur automatisierten Prozessführung auch bei verschiedenen anderen Bearbeitungsprozessen eingesetzt werden, wie beispielsweise bei der Materialbearbeitung.
  • Das Modell, welches durch den Algorithmus für maschinelles Lernen erstellt werden kann, kann aus der Gruppe ausgewählt werden, die entscheidungsbaumbasierte Modelle, lineare Modelle, nicht - parametrische Modelle und neuronale Netzwerke umfasst.
  • Figurenliste
  • Die beigefügten Zeichnungen zeigen in rein schematischer Weise in
    • 1 eine Darstellung einer Reinigungsvorrichtung für Thermodesorption mit einer kombinierten Restgasanalyse (RGA)- Einrichtung,
    • 2 ein RGA - Spektrum zur Bewertung des Sauberkeitszustandes von Vakuumbauteilen und in
    • 3 ein Diagramm, das den Temperatur - Verlauf über der Zeit bei einem Trockenreinigungsprozess auf Basis der Thermodesorption sowie die Ausgasungsraten für Wasser, leichte Kohlenwasserstoffe und schwere Kohlenwasserstoffe sowie den Gesamtdruck in der Reinigungsvorrichtung zeigt.
  • AUSFÜHRUNGSBEISPIELE
  • Weitere Vorteile, Kennzeichen und Merkmale der vorliegenden Erfindung werden bei der nachfolgenden detaillierten Beschreibung der Ausführungsbeispiele ersichtlich. Allerdings ist die Erfindung nicht auf diese Ausführungsbeispiele beschränkt.
  • Die 1 zeigt eine Reinigungsvorrichtung 1, die nach dem Prinzip der Thermodesorption funktioniert. Die Reinigungsvorrichtung 1 umfasst eine Vakuumkammer 2, die mit einer Vakuumpumpe 6 verbunden ist, sodass in der Vakuumkammer 2 Vakuumbedingungen mit einem Druck kleiner gleich 10-6 mbar eingestellt werden können.
  • In der Vakuumkammer 2 ist eine zu reinigende Komponente 3 angeordnet, die mittels einer Heizeinrichtung 5 auf eine Temperatur im Bereich von 250°C oder höher erhitzt werden kann, sodass Kontaminationen 4, die an der Oberfläche der Komponente 3 angeordnet sind, verdampfen bzw. durch Thermodesorption abgelöst werden können und von der Vakuumpumpe 6 abgesaugt werden können.
  • Im Bereich der Vakuumkammer 2 ist ein Restgasanalysator 7 angeordnet, mit dem das in der Vakuumkammer 2 befindliche Restgas analysiert werden kann. Entsprechend können die von der Komponente 3 abgelösten Kontaminationen 4 durch den Restgasanalysator 7 ionisiert und in einem Massenspektrometer des Restgasanalysators 7 analysiert werden.
  • Darüber hinaus ist an der Vakuumkammer 2 ein Manometer 8 angeordnet, welches ermöglicht, den Druck in der Vakuumkammer 2 zu erfassen. Ferner kann eine Temperaturmesseinrichtung 9 vorgesehen sein, welche die Temperatur der Komponente 3 erfassen kann.
  • Die Messwerte des Restgasanalysators 7, des Manometers 8 und der Temperaturmesseinrichtung 9 können an eine Auswerteeinheit 10 übermittelt werden, die die erfassten Messwerte speichert und / oder gemäß dem Verfahren der vorliegenden Erfindung automatisiert auswertet. Die Auswerteeinheit 10 kann entsprechend durch eine geeignet programmtechnisch eingerichtete Datenverarbeitungsanlage ausgebildet sein.
  • Die 2 zeigt ein Restgasanalyse (RGA) - Spektrum, wie es von dem Restgasanalysator 7 der Reinigungsvorrichtung 1 ermittelt werden kann. In dem RGA - Spektrum ist die Ausgasungsrate (mbar 1/s) gegenüber der atomaren Masseneinheit amu aufgetragen, sodass für die relevanten Massenbereiche für Wasser (amu 18) sowie für leichte Kohlenwasserstoffe (LHC) (amu 45-100) und schwere Kohlenwasserstoffe (HHC) (amu 101-200) entsprechende Ausgasungsraten vorliegen.
  • Die Ausgasungsraten für Wasser, leichte Kohlenwasserstoffe (LHC) und schwere Kohlenwasserstoffe (HHC) sind im Diagramm der 3 über der Zeit aufgetragen, welche der Prozessdauer entspricht. Darüber hinaus ist in der 3 die Temperatur der Heizeinrichtung 5 bzw. der zu reinigenden Komponente 3 über der Prozessdauer gezeigt.
  • Wie sich aus der 3 ergibt, wird für den Trockenreinigungsprozess die Komponente 3 durch die Heizeinrichtung 5 zunächst in einer Aufheizphase auf eine Reinigungstemperatur Th erwärmt und nach dem Erreichen der Temperatur Th für eine bestimmte Zeitdauer während der Reinigungsphase II auf der Temperatur Th gehalten. Nach dem Abschalten der Heizeinrichtung 5 kühlt die Heizeinrichtung 5 und die zu reinigende Komponente 3 in einer Abkühlphase II auf die Raumtemperatur Tk ab.
  • Entsprechend dem Temperaturverlauf der Heizeinrichtung 5 bzw. der Komponente 3 ergibt sich mit der Erwärmung ein Anstieg der Ausgasungsrate für Wasser, leichte Kohlenwasserstoffe und schwere Kohlenwasserstoffe, wobei nach dem Erreichen von Maximalwerten für die Ausgasungsraten mit Erreichen der Prozesstemperatur Th die Ausgasungsraten anschließend kontinuierlich abnehmen bis nach dem Abschalten der Heizeinrichtung 5 und dem Abkühlen der Heizeinrichtung 5 bzw. der zu reinigenden Komponente 3 die Ausgasungsraten für die entsprechenden Kontaminationen weiter deutlich abnehmen bis konstante Endwerte bei der Raumtemperatur Tk erreicht werden. In ähnlicher Weise verhält sich der Druck P in der Vakuumkammer 2.
  • Gemäß dem erfindungsgemäßen Verfahren wird in der Auswerteeinheit 10 durch maschinelles Lernen aus vorangegangenen Reinigungsprozessen ein Modell entwickelt, mit welchen die Ausgasungsraten bei Raumtemperatur Tk aus den Prozessdaten abgeschätzt werden können, sodass bei Unterschreiten des Sollwerts der Soll - Ausgasungsrate durch eine abgeschätzte Ausgasungsrate der Reinigungsprozess durch Abschalten der Heizeinrichtung beendet werden kann, da dann sicher gestellt werden kann, dass der gewünschte Sollwert unterschritten wird. Werden, wie in der 3 dargestellt, Ausgasraten für verschiedene Kontaminationen ermittelt, kann das Abschalten dann erfolgen, wenn für alle Kontaminationen die abgeschätzten Ausgasraten unterhalb der Sollwerte liegen. Damit kann die Prozessdauer für die Reinigungsphase II in Abhängigkeit von den erfassten Prozessdaten, nämlich den Ausgasungsraten für Wasser, leichte Kohlenwasserstoffe und schwere Kohlenwasserstoffe sowie dem Gesamtdruck in der Vakuumkammer, variiert werden, und zwar so, dass die Reinigungsphase II beendet wird, wenn durch die Auswerteeinheit mit Algorithmus für maschinelles Lernen abgeschätzt werden kann, dass die gewünschten Reinigungswerte erreicht werden. Dadurch ist es möglich angepasst an die tatsächlichen Verhältnisse und die erfassten Prozessdaten den Reinigungsprozess so kurz wie möglich zu halten, wobei gleichzeitig sichergestellt wird, dass der gewünschte Reinigungsgrad in Form der maximalen Ausgasungsrate bei Raumtemperatur Tk erreicht wird.
  • Als Prozessdaten können neben den kontinuierlich erfassten Daten für die Ausgasungsrate von Wasser, leichten Kohlenwasserstoffen, schweren Kohlenwasserstoffen und dem Druck in der Vakuumkammer weitere Prozessdaten in Form von Angaben über die Oberfläche der zu reinigenden Komponente 3, die Art der Verunreinigungen auf der zu reinigenden Komponente 3 oder Parameter bezüglich der Reinigungsvorrichtung oder vergleichbare Daten verwendet werden, sodass durch den für das maschinelle Lernen verwendeten Algorithmus ein Modell erzeugt werden kann, welches unterschiedliche Ausgangssituationen hinsichtlich der zu reinigenden Komponente oder der Reinigungsvorrichtung berücksichtigen kann und aus den Erfahrungswerten aus vorangegangenen Reinigungsprozessen eine Abschätzung des Reinigungszustandes ermöglicht, ohne exakt für jeden Reinigungsprozess die genauen Reinigungsvorgänge zu kennen. Damit ist eine erhebliche Effizienzsteigerung für den Reinigungsprozess möglich.
  • Gemäß einem Ausführungsbeispiel wird ein Regressionsmodell mittels eines „Boosted Decision Tree Regression“ - Algorithmus verwendet, der auf der Basis von Datensätzen zu ungefähr 1000 Reinigungsprozessen gemäß einer Thermodesorption angelernt werden kann. Die Qualität des Modells kann mittels einer Hold-out - und Kreuzvalidierung optimiert werden, wobei die Optimierung auch bei anderen Algorithmen, die bei der Erfindung eingesetzt werden können, angewandt werden kann. Die dabei für das Modell berücksichtigten und aus der Messung extrahierten Prädiktoren (Einzelmerkmale) sind (i) die Proben-Temperatur, (ii) der verwendete Anlagentyp für die Trockenreinigung mittels Thermodesorption, (iii) die Ausgasrate schwerer Kohlenwasserstoffe vor Beginn der Temperrampe (Reinigungstemperatur Th ), (iv) die zu den jeweiligen Zeitpunkten des Temperprozesses aktuellen Ausgasraten der schweren Kohlenwasserstoffe, sowie (v) der der Messung zugeordnete Zielwert, welchen die Ausgasrate der schweren Kohlenwasserstoffe am Ende der Messung und im kalten Zustand (Raumtemperatur) nicht überschreiten darf. Der Algorithmus berücksichtigt darüber hinaus den Startzeitpunkt des Temperatur - Plateaus bei der Reinigungstemperatur Th und der vorgesehenen (maximalen) Reinigungszeit, über die die Proben - Temperatur konstant gehalten wird. Als Output für die Optimierung dient der (logarithmierte) Quotient aus spezifizierter (Soll - ) Ausgasrate und den tatsächlich gemessenen Ausgasraten jeweils bezogen auf die schweren Kohlenwasserstoffe mit dem Ziel einer positiven oder negativen Bewertung des Gesamtergebnisses. Die abschließende Klassifizierung des aktuellen Sauberkeitszustandes, welche über den zeitlichen Verlauf des Temperatur - Plateaus kontinuierlich durchgeführt und zum (vorzeitigen) Abbruch des Reinigungsprozesses führen kann, wird durch eine geeignete Wahl des Akzeptanzlevels dahingehend optimiert, eine Balance zu finden zwischen Sicherheit für die Vorhersage und möglichst optimaler Ausschöpfung des Potentials zusätzlicher Haltezeiten bei der Reinigungstemperatur Th . Der optimale Wert wird dabei aus der zugehörigen Receiver-Operating-Characteristic (ROC) - Kurve ermittelt. Auch dies ist allgemein einsetzbar, insbesondere auch bei anderen Algorithmen.
  • Obwohl die vorliegende Erfindung anhand der Ausführungsbeispiele detailliert beschrieben worden ist, ist für den Fachmann selbstverständlich, dass die Erfindung nicht auf diese Ausführungsbeispiele beschränkt ist, sondern dass vielmehr Abwandlungen in der Weise möglich sind, dass einzelne Merkmale weggelassen oder andersartige Kombinationen von Merkmalen verwirklicht werden können, ohne dass der Schutzbereich der beigefügten Ansprüche verlassen wird. Insbesondere schließt die vorliegende Offenbarung sämtliche Kombinationen der in den verschiedenen Ausführungsbeispielen gezeigten Einzelmerkmale mit ein, sodass einzelne Merkmale, die nur in Zusammenhang mit einem Ausführungsbeispiel beschrieben sind, auch bei anderen Ausführungsbeispielen oder nicht explizit dargestellten Kombinationen von Einzelmerkmalen eingesetzt werden können.
  • Bezugszeichenliste
    • 1
    Reinigungsvorrichtung
    2
    Vakuumkammer
    3
    zu reinigende Komponente
    4
    Kontaminationen
    5
    Heizeinrichtung
    6
    Vakuumpumpe
    7
    Restgasanalysator
    8
    Manometer
    9
    Temperaturmesseinrichtung
    10
    Auswerteeinheit

Claims (8)

  1. Verfahren zur automatisierten Prozessführung bei einem Bearbeitungsprozess, bei welchem für eine Vielzahl N von Bearbeitungsprozessen jeweils für einen Bearbeitungsprozess mehrere Prozessdaten und mindestens ein Charakterisierungsparameter des Bearbeitungsergebnisses erfasst werden, die zum Trainieren eines Algorithmus für maschinelles Lernen verwendet werden, wobei für den N + 1. Bearbeitungsprozess mehrere Prozessdaten und mindestens ein Soll - Charakterisierungsparameter des Bearbeitungsergebnisses erfasst werden, aus denen der Algorithmus mindestens einen Teil der Prozessdaten zur automatisierten Prozessführung ermittelt.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der Algorithmus ein Modell erzeugt, welches auf den erfassten Prozessdaten und Charakterisierungsparametern beruht und die Vorhersage von einem Teil der Prozessdaten bei Eingabe eines anderen Teils von Prozessdaten und mindestens eines Soll - Charakterisierungsparameters ermöglicht.
  3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Modell ausgewählt ist aus der Gruppe, die entscheidungsbaumbasierte Modelle, lineare Modelle, nicht - parametrische Modelle und neuronale Netzwerke umfasst.
  4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Bearbeitungsprozess ein Reinigungsprozess für optische Komponenten ist, insbesondere ein Trockenreinigungsprozess gemäß dem Prinzip der Thermodesorption.
  5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Prozessdaten ausgewählt sind aus der Gruppe, die Eigenschaften von zu reinigenden Komponenten, Informationen zu Verunreinigungen, Eigenschaften einer Reinigungsvorrichtung, Eigenschaften einer Erfassungseinrichtung für Prozessdaten und / oder Charakterisierungsparameter, zeitliche Verläufe von entsprechenden Eigenschaften, Reinigungsparameter, Prozessdauer, Reinigungstemperatur, Druck, Ausgasungsraten für eine oder mehrere Arten von Kontaminationen und einen zeitlichen Verlauf von diesen umfasst.
  6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass der Charakterisierungsparameter eine maximale Ausgasungsrate bei Raumtemperatur ist.
  7. Verfahren nach einem der Ansprüche 4 bis 6, dadurch gekennzeichnet, dass der Reinigungsprozess automatisiert beendet wird, wenn durch den Algorithmus für maschinelles Lernen aus den Prozessdaten ermittelt wird, dass das Erreichen des Soll - Charakterisierungsparameters in Form einer maximalen Ausgasungsrate bei Raumtemperatur möglich ist.
  8. Verfahren nach einem der Ansprüche 4 bis 7, dadurch gekennzeichnet, dass während der Thermodesorption kontinuierlich eine Restgasanalyse durchgeführt und die Ausgasungsrate und / oder der Druck als Prozessparameter erfasst und als Eingabewerte für den Algorithmus bereitgestellt werden, sodass der Algorithmus kontinuierlich aus den erfassten Prozessparametern die Prozessdauer und / oder einen erzielbaren Charakterisierungsparameter ermittelt.
DE102019203412.8A 2018-05-15 2019-03-13 Verfahren zur automatisierten prozessführung bei bearbeitungsprozessen Pending DE102019203412A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018207453.4 2018-05-15
DE102018207453.4A DE102018207453A1 (de) 2018-05-15 2018-05-15 Verfahren zur automatisierten Prozessführung bei Bearbeitungsprozessen

Publications (1)

Publication Number Publication Date
DE102019203412A1 true DE102019203412A1 (de) 2019-11-21

Family

ID=62636708

Family Applications (2)

Application Number Title Priority Date Filing Date
DE102018207453.4A Withdrawn DE102018207453A1 (de) 2018-05-15 2018-05-15 Verfahren zur automatisierten Prozessführung bei Bearbeitungsprozessen
DE102019203412.8A Pending DE102019203412A1 (de) 2018-05-15 2019-03-13 Verfahren zur automatisierten prozessführung bei bearbeitungsprozessen

Family Applications Before (1)

Application Number Title Priority Date Filing Date
DE102018207453.4A Withdrawn DE102018207453A1 (de) 2018-05-15 2018-05-15 Verfahren zur automatisierten Prozessführung bei Bearbeitungsprozessen

Country Status (1)

Country Link
DE (2) DE102018207453A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022023312A1 (de) 2020-07-28 2022-02-03 Carl Zeiss Smt Gmbh Verfahren zur kalibration, vorrichtung zur zuführung eines kalibriergases zu einem vakuum, kalibriersubstanz, system zur ausbildung einer vakuumumgebung und projektionsbelichtungsanlage
EP4116781A1 (de) * 2021-07-08 2023-01-11 Krones AG Verfahren zum überwachen einer produktionsanlage zum behandeln von getränken und überwachungssystem für die produktionsanlage

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022023312A1 (de) 2020-07-28 2022-02-03 Carl Zeiss Smt Gmbh Verfahren zur kalibration, vorrichtung zur zuführung eines kalibriergases zu einem vakuum, kalibriersubstanz, system zur ausbildung einer vakuumumgebung und projektionsbelichtungsanlage
DE102020209482A1 (de) 2020-07-28 2022-02-03 Carl Zeiss Smt Gmbh Verfahren zur Kalibration, Vorrichtung zur Zuführung eines Kalibriergases zu einem Vakuum, Kalibriersubstanz, System zur Ausbildung einer Vakuumumgebung und Projektionsbelichtungsanlage
EP4116781A1 (de) * 2021-07-08 2023-01-11 Krones AG Verfahren zum überwachen einer produktionsanlage zum behandeln von getränken und überwachungssystem für die produktionsanlage

Also Published As

Publication number Publication date
DE102018207453A1 (de) 2018-07-12

Similar Documents

Publication Publication Date Title
DE102016009114B4 (de) Fehlerursache-Diagnosevorrichtung für eine Spritzgießmaschine und Maschinenlernvorrichtung
DE10394223B4 (de) Einstellen einer Probennahmerate auf der Grundlage von Zustandsabschätzungsergebnissen
DE102008015261B4 (de) Betriebsverfahren für einen Rechner zur Bestimmung von optimierten Ansteuersequenzen für eine bildgebende medizintechnische Anlage
DE102019203412A1 (de) Verfahren zur automatisierten prozessführung bei bearbeitungsprozessen
DE102016108499A1 (de) Laservorrichtung mit einer Funktion zum Vorhersagen des Auftretens von Kondensation
DE102015009395B4 (de) Verfahren zum Kontrollieren eines Verschraubungsprozesses
DE102005041311B4 (de) Verfahren und System zum automatischen Erkennen belichteter Substrate mit einer hohen Wahrscheinlichkeit für defokussierte Belichtungsfelder
WO2008107136A1 (de) Verfahren zur messung der ausgasung sowie euv-lithographievorrichtung und messaufbau
DE102005030586A1 (de) Verfahren und System für eine fortschrittliche Prozesssteuerung unter Anwendung der Messunsicherheit als Steuerungseingang
DE102011016559A1 (de) Verfahren zum Durchführen adaptiver Reibungskompensation in einem Aktuator, das eine mit einer Temperaturänderung verbundene Variation der Reibungseigenschaften eines Wellgetriebes berücksichtigt
DE102015005901A1 (de) Verfahren und Vorrichtung zum Bewerten einer Schraubverbindung
EP1819846B1 (de) Verfahren zum reinigen eines werkstückes mit halogenionen
EP2476031B1 (de) Verfahren zum überwachen einer walze in einer anlage zum walzen von metall
WO2018197358A1 (de) Verfahren zur kontrolle einer folienproduktion
WO2018197362A1 (de) Verfahren zur kontrolle einer folienproduktion
DE102015212149A1 (de) Leistungsversorgungssystem und Verfahren zur Einstellung einer Ausgangsgröße der Verstärkerstufe eines Leistungsversorgungssystems
EP3517741A1 (de) Verfahren und anordnung zum befestigen einer vielzahl von gleichartigen bauteilen
DE102008028777A1 (de) Leitsystem einer Anlage mit mehrstufiger Modelloptimierung
EP3542229B1 (de) Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung
EP3610329A1 (de) Vorrichtung zur oberflächenbehandlung von objekten
DE102019213019A1 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
DE102020208429A1 (de) Verfahren und anlage zur reinigung von gegenständen zum gebrauch in vakuumanlagen und / oder optischen einrichtungen für die mikrolithographie
DE102016001393B4 (de) Laseroszillator mit Gebläse
DE102018124909B3 (de) Verfahren und Vorrichtung zum Kühlen eines Werkzeugs
DE10123302B4 (de) Verfahren zum automatisierten Auswählen von Blechen, insbesondere Stahlblechen, für das Umformen zu Bauelementen