JP2005197323A - プロセスと品質との関係についてのモデル作成装置及びモデル作成方法 - Google Patents

Abstract

【課題】 プロセスの状態に関して取得でき、品質との関連についての予測によって絞り込まれていない多種類の情報に基づいて、対象品の品質の推測に用いることのできるモデルを作成する装置及び方法を提供すること
【解決手段】 モデル作成装置１０は、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する。特徴量抽出部１０ｂは、単位対象品ごと及びプロセスステップごとにプロセス特徴量を抽出する。解析部１０ｅは、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス−品質モデルを作成する。
【選択図】 図５

Description

この発明は、複数のプロセスステップからなるプロセスの状態に関連し処理される対象品の品質に影響する可能性のあるプロセス状態情報及び対象品についての検査結果情報を取得し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置及びモデル作成方法に関する。

半導体をはじめとする各種の製品の製造プロセスは、製品の製造歩留まりを改善し、あるいは歩留まりが良好な状態を維持するために、適切に管理されなければならない。

特許文献１には、ＣＶＤ装置の真空度やヒータ電力のような装置状態データと製造された半導体デバイスの歩留まりや電気特性のような製品データとを、データが取得された時刻によって対応付けて相関関係を解析し、その結果を用いて装置状態データの管理基準を設定したり不良原因を究明したりすることが記載されている。

特許文献２には、同等の機能を有する複数の製造装置を用いて製品を量産する際に、歩留まり低下に影響の大きい不良装置を特定するために、いずれの装置により処理がされたかを示す処理履歴データとその処理の出来栄えを示す出来栄えデータを用いて、データマイニングによる解析を行うことが記載されている。
特開平９−２１９３４７号公報 特開２００２−３２３９２４号公報

特許文献１に記載の技術においては、着目したパラメータについて適切な管理基準を知ることができるというにとどまり、いずれのパラメータに着目すべきかについては人の判断に任されている。したがって、人が着目しなかったパラメータが歩留まりに影響するかどうかについての知見を得ることはできない。

特許文献２に記載の技術は、不良装置を特定することはできるが、それ以上詳細に不良の要因を分析することはできない。

ところで、製造歩留まりの改善や維持をより効果的に行うためには、不良装置を特定するだけでなく製品の品質に関わる製造上の情報を特定することが必要である。しかも、品質に関わる情報が特定されうる範囲は、人が品質との関連を予想した情報の範囲を超えていること、すなわち人が予想しなかった範囲からも特定されうることが好ましい。上記いずれの文献に記載された技術も、このような要求を満たすものではなかった。

この発明は、プロセスの状態に関して取得でき、処理される対象品の品質との関連についての予測によって絞り込まれていない多種類の情報に基づいて、対象品の品質の推測に用いることのできるモデルを作成する装置及び方法を提供することを目的とする。この発明の他の目的については、以下の説明から明らかとなるであろう。

この発明によるモデル作成装置は、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するものであって、プロセス状態情報を入力する第１の入力部と、
検査結果情報を入力する第２の入力部と、対象品又は対象品グループ（以下、この明細書において単位対象品という）ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出する特徴量抽出手段と、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段とを備えるものである。

このモデル作成装置によれば、プロセスの状態に関して取得でき、品質との関連についての予測によって絞り込まれていない多種類の情報に基づいて、対象品の品質の推測に用いることのできるプロセス−品質モデルを作成することができる。特に、時系列に取得されるプロセス状態情報を用いるので、十分な量の情報に基づいてモデルを作成することができる。また、プロセスステップごとに抽出したプロセス特徴量を用いるので、各プロセスステップの特徴をよく反映したモデルを作成することができる。

ここで、「プロセス」には、製造プロセスを含むがこれにかぎるものではない。「プロセス」に含まれる製造プロセスによって製造される対象品には、半導体，ＦＰＤ（フラットパネルディスプレイ：液晶，ＰＤＰ，ＥＬ，ＦＥＤなどを用いるディスプレイ），薬品，化粧品，食品，化学，鉄鋼，紙パルプ，射出成形，樹脂が含まれる。「プロセス」に含まれる非製造プロセスには、水処理，ゴミ処理，し尿処理，ガス供給，発電，空調が含まれる。

データマイニングとは、大規模なデータベースからルールやパターンを抽出する手法であり、その具体的な手法としては、決定木分析と呼ばれる手法及び回帰木分析と呼ばれる手法が知られている。
第１の入力部と第２の入力部とは同一の入力部であることを妨げない。

このモデル作成装置が複数の種類のプロセスのために用いられる場合には、プロセス−品質モデルはプロセスの種類ごとに作成し、プロセスの種類を特定する情報であるプロセス特定情報と対応付けて、モデル作成装置又は他の装置に保存しておくことが好ましい。

上記モデル作成装置は、単位対象品ごとにプロセス特徴量を抽出するために、単位対象品を特定する対象品ＩＤ情報をプロセス特徴量と対応付け可能に入力する第３の入力部をさらに備え、関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付け可能となるようにするために、第２の入力部が、検査結果情報を対象品ＩＤ情報と対応付け可能に入力するものであり、対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報とを対応付ける検査結果対応付け手段をさらに備え、解析手段が、検査結果対応付け手段によって対応付けられたプロセス特徴量と検査結果情報とを用いて解析を実行するものとすることができる。
ここで、第３の入力部は、第１又は第２の入力部と同一の入力部であることを妨げない。

対象品ＩＤ情報をプロセス特徴量と対応付け可能に入力するということには少なくとも次の２つの場合が含まれる。

第１は、モデル作成装置への入力情報として、単位対象品と予め対応付けられたプロセス状態情報が与えられる場合である。例えば、プロセス装置のコントローラが処理中の対象品ＩＤ情報を認識しており、このコントローラがプロセス状態情報を対象品ＩＤ情報と対応付けて、モデル作成装置に向けて出力する場合である。このような場合には、モデル作成装置において単位対象品とプロセス状態情報とを対応付けするための処理を行う必要がない。プロセス特徴量はプロセス状態情報から抽出されるから、このようにして単位対象品と対応付けられたプロセス状態情報が入力された場合は、モデル作成装置において単位対象品とプロセス特徴量とを対応付けることができる。

第２は、モデル作成装置への入力情報として、単位対象品と対応付けられていないプロセス状態情報が与えられ、モデル作成装置において単位対象品とプロセス状態情報とを対応付けするための処理を行う場合である。例えば、モデル作成装置への入力情報として、プロセス状態情報が、それが取得された時刻と対応付けられて与えられ、モデル作成装置への他の入力情報として、対象品ＩＤ情報が、その単位対象品が処理された時刻と対応付けられて与えられる場合である。このような場合には、モデル作成装置において、これらの時刻が共通又は接近していることによって単位対象品とプロセス状態情報とを対応付けることができる。このようにして単位対象品とプロセス状態情報とが対応付けられた場合は、モデル作成装置において単位対象品とプロセス特徴量とを対応付けることができる。

上記モデル作成装置は、プロセスステップごとにプロセス特徴量を抽出するために、プロセスステップとプロセス状態情報とを対応付けするステップ対応付け手段をさらに備えるものとすることができる。

ステップ対応付け手段は、特定のプロセス状態情報が変化するタイミングを用いてプロセスステップを生成し、生成したプロセスステップとプロセス状態情報とを対応付けるものとすることができる。

どのプロセス状態情報のどの変化タイミングを用いてプロセスステップを生成するかは、必要に応じて作業者がモデル作成装置に入力する指示に基づいて決めるようにすることができる。あるいは、どのようにしてプロセスステップを生成するかについての指示が予めモデル作成装置に設定されていてもよい。

１つのプロセスステップの開始又は終了を決定するためには、プロセス状態情報の内、１つの項目の情報を用いてもよく、複数の項目の内容から論理演算した結果を用いてもよい。プロセスステップの開始又は終了のタイミングであって、互いに異なるタイミングを決定するために、互いに同一の項目の情報又は論理演算を用いても、互いに異なる項目の情報又は論理演算を用いてもよい。

ステップ対応付け手段は、以上の特徴に加えて、特定のプロセス状態情報が変化するタイミングを用いて期間を特定し、前記期間をさらに分割することによって少なくとも一部のプロセスステップを生成するものとすることができる。

このようにすれば、プロセス状態情報が明瞭な変化をしない期間についても、複数のプロセスステップに分割し、分割によって生成されたプロセスステップごとに抽出された特徴量を用いることができるので、分割前の期間に生じたプロセス特徴量の短期間の変化についても、よく反映したプロセス−品質モデルを作成することができる。
上記モデル作成装置は、他の構成のステップ対応付け手段を備えることも可能である。

他の構成のステップ対応付け手段の１つは、モデル作成装置への入力情報として、プロセス状態情報が、それが取得された時刻と対応付けられてモデル作成装置に与えられ、他の入力情報としてプロセスステップを特定する情報が、そのプロセスステップが実行された時刻と対応付けられてモデル作成装置に与えられる場合を前提とする。このステップ対応付け手段は、これらの時刻が共通又は接近していることによってプロセスステップとプロセス状態情報とを対応付けるものである。

さらに他の構成のステップ対応付け手段は、モデル作成装置への入力情報として、プロセス状態情報が、それが取得された時刻と対応付けられてモデル作成装置に与えられ、さらにプロセス実行に関する基準時刻において同期信号が与えられる場合を前提とする。このステップ対応付け手段は、基準時刻からの相対時間で表した各プロセスステップの開始時間、終了時間、各プロセスステップの継続時間などの情報を含むことにより基準時刻が与えられれば各プロセスステップの実行される時刻を特定できるプロセスステップ予定情報を有するものであり、さらに、ステップ状態情報に対応付けられている時刻情報と、プロセスステップ予定情報及び同期信号から求めた各プロセスステップが実行されるべき時刻とを用いて、プロセスステップとプロセス状態情報とを対応付けるものである。

モデル作成装置にステップ対応付け手段が不要である場合もある。モデル作成装置への入力情報としてプロセスステップと予め対応付けられたプロセス状態情報を与えられる場合である。例えば、プロセス装置のコントローラにプロセスステップの分け方が設定されており、このコントローラがプロセス状態情報をプロセスステップと対応付けて、モデル作成装置に向けて出力する場合である。このような場合は、モデル作成装置においてプロセスステップとプロセス状態情報とを対応付けするための処理を行う必要がない。

ステップ対応付け手段を備える上記モデル作成装置は、複数のプロセスステップにわたって、プロセスステップの最小期間よりも短い一定の周期で連続して取得されたプロセス状態情報を、それが取得された時刻と対応可能に格納する記憶手段をさらに備え、ステップ対応付け手段が、処理に用いるプロセス状態情報を前記記憶手段から読み出すものであるようにすることができる。

このようにすれば、プロセス状態情報の取得周期が一定であるので、事前の設定作業のようなプロセス状態情報の取得についての準備作業が簡単になる。また、複数のプロセスステップにわたって一定の周期でプロセス状態情報を取得するので、プロセスステップと対応付けられていないプロセス状態情報を入力し、モデル作成装置内でプロセス状態情報の変化タイミングに基づきプロセスステップを生成することが容易となる。

ここで、記憶手段は、中断期間をはさむいくつかの期間について取得されたプロセス状態情報を格納するものとすることもできる。この場合、取得期間はプロセスステップに対応していてもよいし対応していなくてもよい。

プロセスにおいて用いられるプロセス装置の動作について、特定の単位対象品と対応付けることが可能な待機期間が存在する場合に、一定の周期で連続して取得されたプロセス状態情報をそれが取得された時刻と対応可能に格納する記憶手段が、さらに、待機期間に取得されたプロセス情報を、それが取得された時刻と対応可能に格納し、ステップ対応付け手段が、待機期間に取得されたプロセス情報についても前期記憶手段から読み出し、待機期間をプロセスステップの１つとして処理するものとすることができる。
このようにすれば、待機期間中のプロセス装置の状態をプロセス−品質モデルに反映することができる。

上記モデル作成装置は、第１の入力部が入力するプロセス状態情報の少なくとも一部の情報項目が、複数のプロセスステップの間で互いに共通である場合に、特徴量抽出手段が抽出する特徴量の項目が、そのプロセスステップのグループに属するプロセスステップごとに、プロセス状態情報の共通の情報項目から抽出可能な共通の特徴量項目を含むものとすることができる。
このようにすれば、プロセス−品質モデルの作成に用いる情報の網羅性を高めることが容易となる。

プロセスステップの期間とプロセス状態情報との対応関係は結果的に上記関係になっていればよい。入力時にどのステップに対応するプロセス状態情報かが判明している必要はない。
プロセス状態情報の情報項目が共通である場合の例としては、次のようなものがある。

一つには、単一のプロセス装置を用いて複数のプロセスステップが実行される場合がある。各プロセスステップで共通のプロセス装置を用いるので、共通の情報項目のプロセス状態情報を取得することができる。

他の一つには、一又は複数のプロセスステップを実行する同種のプロセス装置が複数用いられる場合がある。別々のプロセス装置で実行されるプロセスステップ間についても、プロセス装置の種類が共通しているので、共通の情報項目のプロセス状態情報を取得することができる。

いずれの場合も、取得するプロセス状態情報の項目及び抽出するプロセス特徴量の項目は、各プロセスステップの間で可能な限り共通にすることが好ましい。特に、可能であれば、各プロセスステップについて、取得するプロセス状態情報の項目及び抽出するプロセス特徴量の項目をすべて共通にすることが好ましい。このようにすれば、プロセス−品質モデルの作成に用いる情報の網羅性を高めることができる。

プロセスにおいて複数のプロセス装置が用いられる場合に、上記モデル作成装置は、処理中の対象品が一つのプロセス装置で処理されてから他のプロセス装置で処理されるまでの滞留時間の情報を、単位対象品を特定する対象品ＩＤ情報と対応付け可能に入力する第４の入力部をさらに備え、解析手段が、単位対象品と対応付けられた滞留時間情報をプロセス特徴量の項目の一つとして前記解析を実行するものとすることができる。
このようにすれば、滞留時間をプロセス−品質モデルに反映することができる。

ここで、第４の入力部は、第１から第３の入力部のいずれかと同一の入力部であることを妨げない。

第４の入力部は、対象品ＩＤ情報と対応付けられた滞留時間情報を入力するとよい。あるいは、滞留時間情報と対象品ＩＤ情報とが時刻情報のような共通する付加情報を有しており、そのような付加情報をキーとしてモデル作成装置が滞留時間情報を単位対象品と対応付けてもよい。

対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報とを対応付ける検査結果対応付け手段を備える上記モデル作成装置は、プロセスにおいて用いられるプロセス装置についての故障情報を、対象品ＩＤ情報と対応付け可能に入力する第５の入力部をさらに備え、検査結果対応付け手段が、対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報と故障情報とを対応付けるものであり、解析手段が、検査結果対応付け手段によって対応付けられたプロセス特徴量と検査結果情報と故障情報とを用いて解析を実行することにより、プロセス特徴量と故障情報との関係を含むプロセス−品質モデルを作成するものとすることができる。
ここで、第５の入力部は、第１から第４の入力部のいずれかと同一の入力部であることを妨げない。

対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報とを対応付ける検査結果対応付け手段を備える上記モデル作成装置は、１つ又は複数のプロセスステップに対して総括的に与えられるプロセス補足情報を、対象品ＩＤ情報と対応付け可能に入力する第６の入力部をさらに備え、検査結果対応付け手段が、対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報とプロセス補足情報とを対応付けるものであり、解析手段が、検査結果対応付け手段によって対応付けられたプロセス特徴量と検査結果情報とプロセス補足情報とを用いて解析を実行することにより、プロセス−品質モデルを作成するものとすることができる。
このようにすれば、例えば、作業者，保守，環境などについてのプロセス補足情報をプロセス−品質モデルに反映することができる。

ここで、第６の入力部は、第１から第５の入力部のいずれかと同一の入力部であることを妨げない。
上記モデル作成装置は、プロセス特徴量の変化についての予測を表す時系列予測モデルを生成する時系列解析手段をさらに備えるものとすることができる。

時系列解析手段は、プロセス−品質モデルの中に項目が存在するプロセス特徴量に関して時系列予測モデルを生成するものとすることができる。
このようにすれば、品質に関連の大きいプロセス特徴量の項目について時系列予測をすることができるので、有用な時系列予測を効率よく得ることができる。

上記モデル作成装置は、予め作成されたプロセス−品質モデルを蓄積して提供するプロセス−品質モデル提供手段と、プロセス−品質モデルにプロセス特徴量を適用して異常の検出及び異常の種類の特定を行う判定手段とをさらに備えるものとすることができる。
このようにすれば、検査を行う前に、あるいは検査を行わずに、対象品についての推測される異常の検出及び異常の種類の特定を行うことができる。

プロセス−品質モデル提供手段及び判定手段を備える上記モデル作成装置は、プロセス特徴量の変化についての予測を表す時系列予測モデルを生成する時系列解析手段をさらに備え、判定手段が、プロセス−品質モデルに、時系列解析手段によって予測されたプロセス特徴量を適用して、将来発生することが予測される異常の検出及び異常の種類の特定を行うものとすることができる。
ここで、予測される異常の検出を行うことは、予測される異常が発生する時期を特定することを含むことができる。

プロセス−品質モデルがルール式の形で表現される場合には、時系列予測モデルは、プロセス−品質モデルのルール式の中に項目が存在するプロセス特徴量について作成することが好ましい。この場合、そのプロセス特徴量を含むルール式に示された数値をしきい値としてこれをそのプロセス特徴量と比較することにより異常検出を行うことが好ましい。このようにして異常検出を行うことは、そのプロセス特徴量をプロセス−品質モデルに適用する仕方の一形態である。

故障情報を入力する第５の入力部を備える上記モデル作成装置は、プロセス特徴量の変化についての予測を表す時系列予測モデルを生成する時系列解析手段と、予め作成されたプロセス−品質モデルを蓄積して提供するプロセス−品質モデル提供手段と、プロセス−品質モデルに、時系列解析手段によって予測されたプロセス特徴量を適用して、将来発生することが予測されるプロセス装置の故障の検出及び故障の種類の特定を行う故障判定手段とをさらに備えるものとすることができる。
ここで、予測されるプロセス装置の故障の検出を行うことは、予測される異常が発生する時期を特定することを含むことができる。

上記モデル作成装置は、解析手段が、一群のプロセスステップに対応するプロセス特徴量を用いて作成したプロセス−品質モデルから、その一群のプロセスステップの内の一部のプロセスステップに対応するプロセス特徴量のみによってモデルの結論が決定される部分モデルを抽出するものであるようにすることができる。

このようにすれば、抽出された部分モデルに関連する一部のプロセスステップからのプロセス状態情報が得られた段階で異常の検出及び異常の種類の特定を行うことのために、この部分モデルを用いることができる。

ここで、部分モデルに関連する一部のプロセスステップは、一部のプロセス装置に対応するものとすることができる。例えば、この一部のプロセスステップは、１つのプロセス装置で行われるプロセスステップに対応するものとすることができる。また、この一部のプロセスステップは、複数のプロセス装置で行われるプロセスステップに対応するものとすることもできる。特に、この１つのプロセス装置による処理、又は複数のプロセス装置のうち最も後方のプロセスに用いられるものによる処理が対象品に対して行われた後、他のプロセス装置による処理を経てから対象品の検査が行われる場合には、当該他のプロセス装置による処理を行う前に、検査結果について発生する可能性のある異常の検出及び異常の種類の特定を行えることが好ましい。このような異常の検出及び異常の種類の特定を行うことのために、この部分モデルを用いることができる。
以上説明したモデル作成装置の各構成要素は、技術的に可能である限り、任意に組み合わせることができる。

この発明による処理システムは、プロセスに用いられるプロセス装置と、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報を、プロセス装置から収集するプロセス情報収集装置と、プロセスが行われた対象品についての検査をする検査装置と、 プロセス情報収集装置からプロセス状態情報を入力し、かつ、検査結果情報を入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置とを備えるものである。

この処理システムに備えられるモデル作成装置は、プロセス状態情報を入力する第１の入力部と、検査結果情報を入力する第２の入力部と、単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出する特徴量抽出手段と、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することによりプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段とを備えるものである。

ここで、プロセス情報収集装置は、プロセス装置に内蔵されていてもよい。１つのプロセス情報収集装置が複数のプロセス装置に対して共通して設けられていてもよい。処理システムは、さらに、検査装置から検査結果情報を収集する検査情報収集装置を備え、モデル作成装置は、検査結果情報収集装置から検査結果情報を入力するようにしてもよい。

この発明によるプラズマプロセスシステムは、プラズマプロセスに用いられるプラズマチャンバーを備えたプロセス装置と、プラズマを発生させる前の前処理ステップ、プラズマを発生させている期間の本処理ステップ及びプラズマ発生を停止した後の後処理ステップの各プロセスステップが実行されている期間中に時系列に取得される、プラズマプロセスの状態に関連する情報であるプロセス状態情報を、プロセス装置から収集するプロセス情報収集装置と、プラズマプロセスが行われた対象品についての検査をする検査装置と、プロセス情報収集装置からプロセス状態情報を入力し、かつ、検査結果情報を入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置とを備えるものである。

このプラズマプロセスシステムに備えられるモデル作成装置は、プロセス状態情報を入力する第１の入力部と、検査結果情報を入力する第２の入力部と、単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出する特徴量抽出手段と、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することによりプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段とを備えるものである。

この発明によるモデル作成方法は、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを取得し、単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付けし、対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するものである。

この発明による異常検出分類方法は、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを取得し、単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付けし、対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成し、同じプロセスにおいて、プロセス−品質モデルの作成に用いたものとは別の単位対象品について、プロセス状態情報と検査結果情報とを取得し、そのような単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、プロセス−品質モデルに、そのようなプロセス特徴量を適用して、異常の検出及び異常の種類の特定を行うものである。

この発明による他の異常検出分類方法は、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを取得し、単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付けし、対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成し、同じプロセスにおいて、プロセス−品質モデルの作成に用いたものとは別の単位対象品について、プロセス状態情報と検査結果情報とを取得し、そのような単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、そのようなプロセス特徴量の変化についての予測を表す時系列予測モデルを生成し、プロセス−品質モデルに、そのような予測されたプロセス特徴量を適用して、将来発生することが予測される異常の検出及び異常の種類の特定を行うものである。ここで、予測される異常の検出を行うことは、予測される異常が発生する時期を特定することを含むことができる。

この発明によるさらに他の異常検出分類方法は、プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報を取得し、単位対象品を特定する対象品ＩＤ情報をプロセス特徴量と対応付け可能に取得し、そのプロセスで処理された対象品についての検査結果情報を対象品ＩＤ情報と対応付け可能に取得し、プロセスにおいて用いられるプロセス装置についての故障情報を、対象品ＩＤ情報と対応付け可能に取得し、単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、関連する対象品ＩＤ情報が共通していることによってプロセス特徴量と検査結果情報と故障情報とを対応付けし、
対応付けられたプロセス特徴量と検査結果情報と故障情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報及び故障情報との関係を表すプロセス−品質モデルを作成し、同じプロセスにおいて、プロセス−品質モデルの作成に用いたものとは別の単位対象品について、プロセス状態情報と検査結果情報と故障情報とを取得し、そのような単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、そのようなプロセス特徴量の変化についての予測を表す時系列予測モデルを生成し、プロセス−品質モデルに、そのような予測されたプロセス特徴量を適用して、将来発生することが予測されるプロセス装置の故障の検出及び故障の種類の特定を行うものである。ここで、予測されるプロセス装置の故障の検出を行うことは、予測される異常が発生する時期を特定することを含むことができる。

この発明のモデル作成装置によれば、プロセスの状態に関して取得でき、品質との関連についての予測によって絞り込まれていない多種類の情報に基づいて、対象品の品質の推測に用いることのできるプロセス−品質モデルを作成することができる。特に、時系列に取得されるプロセス状態情報を用いるので、十分な量の情報に基づいてモデルを作成することができる。また、プロセスステップごとに抽出したプロセス特徴量を用いるので、各プロセスステップの特徴をよく反映したモデルを作成することができる。

図１は、本発明の第１の実施形態であるモデル作成装置を含む半導体製造システムを示す。このシステムは、プロセス装置２，検査装置３及びモデル作成装置１０を含む。これらの装置は、生産管理情報よりも詳細なプロセス関連情報を高速にやりとりするための装置用ネットワークであるＥＥＳ（Equipment Engineering System）ネットワーク７によって相互に接続されている。図示は省略されているが、ＥＥＳネットワーク７には、製造プロセスのより前の段階及びより後の段階で用いられる他のプロセス装置及び検査装置も接続されている。さらに、このシステムは、ＭＥＳ（Manufacturing Execution System）を含む生産管理システム９及びこれと接続された生産管理情報を伝送するＭＥＳ系ネットワーク８を含んでいる。ＥＥＳネットワーク７とＭＥＳ系ネットワーク８とは、ルータ１２を介して接続されている。ルータ１２を経由して、ＭＥＳ系ネットワーク８上に存在する生産管理システム９からもＥＥＳネットワーク７上の各装置にアクセスすることができる。

この半導体製造システムにおいては、処理対象のウエハ（例えばシリコンウエハ）は、ウエハカセット１内に所定枚数セットされ、ウエハカセット単位でプロセス装置２及び検査装置３の間、並びにそれらの装置とより前の工程で用いられる装置及びより後の工程で用いられる装置との間を移動するとともに、各装置で所定の処理が行われる。このウエハカセット１に実装された所定枚数のウエハが同一のロットとなる。ウエハカセット１には、ＲＦ−ＩＤ（radio frequency identification）タグ１ａが取り付けられている。タグ１ａは、ＲＦ−ＩＤリードライトヘッド６との間で電磁結合をし、非接触で任意のデータを読み書きされるものであり、データキャリアとも呼ばれる。タグ１ａには、ロットＩＤ（対象品ＩＤ情報）、前段装置の出庫時刻等の情報が格納される。

プロセス装置２は、ウエハに対して所定のプロセスを実行する装置である。プロセス装置２にはプロセスデータ収集装置（プロセス情報収集装置）４が内蔵されている。プロセスデータ収集装置４は、プロセス装置２において各プロセスステップが実行されている期間中に、製造プロセスの状態に関連する情報であるプロセス状態データ（プロセス状態情報）を時系列に収集する。プロセス装置２は、ウエハに対する処理を実行していない待機中にもプロセス状態データを時系列に収集する。

プロセスステップは、プロセスの全体を複数のステップに分割した場合の１つのステップである。一般には、プロセスの性質が変化するところでプロセスステップに分けると、効果的な分析結果（プロセス−品質モデルなど）を得やすい。同じ性質のプロセスが長時間継続する場合には、その期間をさらに分割した期間をプロセスステップとしてもよい。１つの装置で行われるプロセスを複数のプロセスステップに分けることが好適な場合もあるし、１つの装置で行われるプロセスを１つのプロセスステップとする場合もある。

プロセス装置２には、ＲＦ−ＩＤリードライトヘッド６が連結されている。このヘッド６は、プロセス装置２内にセットされたウエハが収納されていたウエハカセット１のタグ１ａに対し、データの読み書きを行う。読み取るデータとしては、例えば、ロットＩＤと、ウエハが前段のプロセス装置から出たときの時刻がある。プロセスデータ収集装置４は、タグ１ａから読み取った前装置出庫時刻と現在ウエハがセットされているプロセス装置２への投入時刻とを収集する。これらの時刻の差をとることにより、前段からの滞留時間を算出することができる。また、ヘッド６は、必要に応じてプロセス装置２からウエハを出庫する際に出庫時刻等をタグ１ａ書き込む。

プロセスデータ収集装置４は、通信機能を備えており、収集したプロセス状態データ及び滞留時間データ（滞留時間情報）をロットＩＤと対応付けてＥＥＳネットワーク７に出力する。滞留時間データは、前装置出庫時刻及び投入時刻のデータ、又はそれらの差である滞留時間のデータである。

検査装置３は、プロセス装置２（例えばスパッタリング装置）で処理されたウエハの検査を行い、検査結果データ（検査結果情報）をＥＥＳネットワーク７に出力する。ここでの検査結果データは、例えばウエハ上に形成された膜厚や膜質についての検査結果のデータである。検査装置３にもＲＦ−ＩＤリードライトヘッド６が連結されている。このヘッド６は、検査装置３内にセットされたウエハが収納されていたウエハカセット１のタグ１ａに対し、データの読み書きを行う。読み取るデータには、ロットＩＤが含まれる。検査装置３に内蔵される検査データ収集装置５は、通信機能を備えており、検査結果データ及びロットＩＤを収集し、検査結果データをロットＩＤと対応付けてＥＥＳネットワーク７に出力する。

この実施形態では、１つのプロセス装置２に対して１つの検査装置３を用意し、プロセス装置２で処理されたウエハに対する検査を対応する検査装置３で行うようにしたが、半導体製造プロセスでは、複数のプロセス装置２にて順次所定のプロセスを行い、その後、１つの検査装置３にて検査する場合もある。なお、係る複数のプロセス装置に対し１個の検査装置を設けたシステム構成については、第３の実施形態において説明する。

生産管理システム９は生産指示情報としてプロセスの種類を特定する情報であるレシピＮｏ．（プロセス特定情報）をプロセス装置２に送る。プロセス装置２は、そのレシピＮｏ．に対応した所定のプロセスを実行する。

この実施形態のシステムではロット（対象品グループ）を単位に生産管理が行われるのでロットＩＤが用いられているが、ロットＩＤに代えてウエハ（対象品：この実施形態の場合は製品）ごとにＩＤを付加するシステムである場合には、製品ごとのＩＤと各データとを関連付けて格納する。この場合には、以下の処理においてもロットＩＤに代えて製品ごとのＩＤが用いられる。

モデル作成装置１０は、２つのデータ収集装置４，５から出力されたプロセス状態データ及び滞留時間データ、並びに検査結果データを取得し、ロットＩＤをキーに各データを関連付けてデータベース１１に格納する。

モデル作成装置１０は、ハードウェアの観点からは一般的なパーソナル・コンピュータであり、Windows（登録商標）などのオペレーティング・システム上で稼動するアプリケーション・プログラムによって、本装置の各機能が実現されている。また、モデル作成装置は、データベース１１を利用する。データベース１１は、モデル作成装置１０を構成するコンピュータに内蔵の又は外付けのハードディスク装置等の記憶装置に設けてもよいし、モデル作成装置１０と通信する他のコンピュータに設けてもよい。

モデル作成装置１０は、キーボード等の入力装置１３とディスプレイ等の出力装置１４を備えており、入力装置１３を操作することにより、オペレータ（作業者）がマニュアルで、オペレータデータ，保守データ，故障データなどを入力することができるようになっている。係るマニュアルによる入力情報もデータベース１１に登録される。さらに、モデル作成装置１０は、ロットＩＤをキーにして結合したプロセス状態データ及び検査結果データに基づいてプロセス−品質モデルを作成する機能を備える。モデル作成装置１０は、そのほかに、種々のデータを見るモニタリング機能、完成したプロセス−品質モデルに基づき、異常や故障についての検出と分類や予測を行う機能も備えている。各機能の具体的な構成については、後述する。

図２は、プロセス装置２の内部構造を示す。このプロセス装置２は、ウエハに対して所定材料を成膜するスパッタリング装置であり、プラズマチャンバー２０を備えている。ＭＥＳ系ネットワーク８経由で生産管理システム９から送られてきたレシピＮｏ．は、装置コントローラ１５に与えられる。装置コントローラ１５は、レシピＮｏ．と実際に行うプロセスとの対応テーブルなどを持っており、取得したレシピＮｏ．に応じてプロセス装置２の動作を制御する。

図３は、図２に示されたプラズマチャンバー２０の内部構造並びにそれに接続される機器を拡大して示す。プラズマチャンバー２０の内部上方位置にウエハ２１を取り付ける円板状の取付板２２が設置され、その取付板２２の下面に所定枚数（本実施形態では８枚）のウエハ２１をセット可能となっている。この取付板２２には、ヒータ２３が内蔵され、熱電対２４が取り付けられている。熱電対２４の出力は変換器２５で温度データに変換されて装置コントローラ１５に送られ、これに基づいてヒータ２３のＯＮ／ＯＦＦあるいはヒータ温度が制御され、取付板２２の温度が所望の温度になるように管理される。さらに、取付板２２には直流電源５０の陽極が接続され、ウエハ２１が陽極となるようにする。また、取付板２２にはＲＦ（Radio Frequency）電源５１の出力が、インピーダンス整合のためのＲＦマッチングボックス５２を介して与えられる。

プラズマチャンバー２０の内部下方には、ターゲット２６が設置されている。図示省略するがターゲット側は直流電源５０の陰極が接続される。本実施形態では、ターゲット２６が４個設置可能であり、一連の処理で複数層を連続的に成膜できる。各ターゲット２６の上方には、シャッター２７が開閉可能に設置されている。このシャッター２７は、シャッター開閉機構２８により開閉動作する。ターゲット２６の材料は、シャッター２７が閉じていてターゲット２６の上方を覆っている状態ではウエハ２１に付着せず、シャッター２７が開いたときのみウエハ２１に付着してウエハ２１の表面が成膜される。そして、このシャッター開閉機構２８の動作は、装置コントローラ１５からの制御命令に基づいて制御される。ターゲット２６の温度は熱電対２９により検出され、その温度データは変換器３０を介して装置コントローラ１５に送られる。

プラズマチャンバー２０の内部は、メインバルブ３１を介して真空ポンプ３２に接続されている。真空ポンプ３２を作動させた状態でメインバルブ３１の開閉あるいは開度を調整することにより、プラズマチャンバー２０内を所望の真空度にし、あるいは一定の圧力にすることができる。係る制御は、圧力計３３にて検出したチャンバー圧力に基づいて装置コントローラ１５からの命令により行われる。装置コントローラ１５とは別に、装置コントローラ１５の命令に基づき自動圧力制御（ＡＰＣ：Auto Pressure Control）を行うコントローラを設けてもよい。スパッタ現象を生じさせるためのアルゴンガスの導入は、アルゴンガス供給バルブ５５並びにＭＦＣ（マスフローコントローラ）３５を介して行われる。装置コントローラ１５は、アルゴンガス供給バルブ５５の開閉制御並びにＭＦＣ３５に対する設定値の指定を行う。成膜プロセスを行うにときには、まず、アルゴンガス供給バルブ５５を開き、アルゴンガスをプラズマチャンバー２０内に供給する。このとき、ＭＦＣ３５の作用により、アルゴンガスは設定値に従い所定流量に制御され、プラズマチャンバー２０内の圧力は、メインバルブ３１が制御されることにより、一定の値に制御される。この状態で、シャッター２７を開いてターゲット２６の材料をウエハ２１に付着させて成膜を行い、その後シャッター２７を閉じ、次いでアルゴンガス供給バルブ５５を閉じることにより１つの膜を形成するプロセスが完了する。

プラズマチャンバー２０の側壁に設けられたビューポート２０ａ（窓孔）には、プラズマモニタ３７が取り付けられ、内部で発生するプラズマの状態を検出可能となっている。

プラズマチャンバー２０に設置された各機器の動作は、装置コントローラ１５からの制御命令に基づいて行われる。その制御命令を表すデータ又は信号（設定値，動作のＯＮ／ＯＦＦ等）及び動作状態についての測定データ（温度，圧力値，電圧値，電流値等）は、アナログ入力インタフェース３８又はデジタル入力インタフェース３９を介してセンサバス４０経由で送られて、プロセスデータ収集装置４にて取得される。また、プラズマモニタ３７の検出出力は、イーサネット（登録商標）４１経由で送られて、プロセスデータ収集装置４にて取得される。さらに、ＲＦ−ＩＤリードライトヘッド６で読み取られたデータに基づきＩＤコントローラ４２にてロットＩＤ並びに前段装置出庫時刻及び投入時刻が認識され、それがシリアルインタフェース４３を介してセンサバス４０に送られ、プロセスデータ収集装置４にて取得される。

さらにプロセス装置２は、周囲温度並びに周囲湿度を測定するための温度センサ４５，湿度センサ４６を備え、各センサ４５，４６で検出したデータもプロセスデータ収集装置４にて収集する。

プロセス装置２は、その運転状況（稼動中，停止中，異常の有無等）を周囲の作業者に知らせるためのシグナルタワー（信号灯）４７を備えている。このシグナルタワー４７の点灯制御も装置コントローラ１５からの制御命令によって行う。シグナルタワー４７への制御命令はプロセスデータ収集装置４へも送られる。装置コントローラ１５は、プロセス完了時にスピーカ４８からチャイムを鳴らす。係る「プロセス完了」の通知信号もプロセスデータ収集装置４に送られる。

このように、プロセスデータ収集装置４は、プロセス装置２において発生し、得られるあらゆるデータ（情報）を収集し、ＥＥＳ系ネットワーク７に出力するようになっている。収集するデータの種類は、上記のものに限るものではなく、さらに多くの情報を取得することも妨げない。

この実施形態では、複数のターゲットを実装可能としたプラズマチャンバー２０を用いているが、単一のターゲットを設置（１層の膜を形成）するものでもよい。さらには、プロセス装置２としては、スパッタリング装置に限らず、エッチング装置，ＣＶＤ装置その他各種の装置であってよい。

図４は、図１に示したシステムを構成する各装置間の接続状態を、データの送受に着目して示した図である。つまり、プロセス装置２にて得られたプロセス状態データ、ロットＩＤ、滞留時間データは、プロセスデータ収集装置４を介してモデル作成装置１０に向けて送信される。同様に、検査装置３で求められた検査結果データは、検査データ収集装置５を介してモデル作成装置１０に向けて送信される。モデル作成装置１０は、ＥＥＳネットワーク７に接続するためのネットワークインタフェース１０ｗを備えており、これらのデータをネットワークインタフェース１０ｗ（プロセス状態情報を入力する第１の入力部、検査結果情報を入力する第２の入力部、単位対象品を特定する対象品ＩＤ情報を入力する第３の入力部、滞留時間の情報を入力する第４の入力部）を介して入力する。さらに、モデル作成装置は、生産管理システム９から送信されるデータ（レシピＮｏ．等）もネットワークインタフェース１０ｗを介して入力する。さらにまた、ヒューマン・マシン・インタフェース（ＨＭＩ：モデル作成装置１０に接続されたキーボード等）である入力装置１３（故障情報を入力する第５の入力部、プロセス補足情報を入力する第６の入力部）からも各種のデータがモデル作成装置１０に与えられる。各データのモデル作成装置１０への入力方法はこれに限るものではなく、無線通信による入力、記憶媒体を介した入力などを適宜利用するようにしてもよい。

図５は、モデル作成装置１０の内部構成を示す。モデル作成装置１０において、そのオペレーティング・システム上で稼動するアプリケーション・プログラムによって、以下の各処理機能部が実現されている。すなわち、モデル作成装置１０の処理機能部は、ステップ対応付け部（ステップ対応付け手段）１０ａ，特徴量抽出部（特徴量抽出手段）１０ｂ，データ結合部（検査結果対応付け手段）１０ｃ，データフィルター部１０ｄ，解析部（解析手段）１０ｅ，検査データ編集部１０ｒ，時系列解析部（時系列解析手段）１０ｆ及び故障データ編集部１０ｓを含む。これらの各部は、専用のハードウェア（回路）によって実現することも可能である。

さらに、各処理機能部がアクセスするためのデータを格納する記憶部として、一次データ記憶部（プロセス状態情報を格納する記憶手段）１０ｇ，ステップ情報付データ記憶部１０ｈ，プロセス特徴量記憶部１０ｉ，結合データ記憶部１０ｊ，解析用データ記憶部１０ｋ，検査データ記憶部１０ｍ，編集検査データ記憶部１０ｎ，故障データ記憶部１０ｐ及び編集故障データ記憶部１０ｑを備えている。これらの各記憶部は、データベース１１に設けられる。もっとも、各記憶部をデータベース１１以外のモデル作成装置１０のメモリ、ハードディスク等の記憶装置に設けることや、モデル作成装置と通信する他のコンピュータの記憶装置に設けることも妨げない。

モデル作成装置１０は、次のように構成することもできる。すなわち、ＥＥＳネットワーク７に接続されるコンピュータは、プロセス装置２及び検査装置３との通信、並びにヒューマン・マシン・インタフェースの処理を担当するクライアント・コンピュータとし、このクライアント・コンピュータと通信するサーバ・コンピュータを設けて、サーバ・コンピュータにおいて上記各処理機能部を実現するのである。また、モデル作成装置１０を遠隔地においてインターネットなどの通信回線を経由して生産現場のプロセス装置等と通信するようにすることもできる。ほかにも、モデル作成装置１０を実現するコンピュータの構成及びデータの移転の方式には種々の変形がありうるであろう。

図６は、モデル作成装置１０に入力されるデータを示す。一次データ記憶部１０ｇには、プロセスデータ収集装置４にてプロセス装置２から収集したデータと、オペレータが入力装置１３を介して入力したデータが格納される。プロセスデータ収集装置４から送られたデータのうち、プロセス状態データと滞留時間データ（前装置出庫時刻から投入時刻までの時間を表すデータ）は、それぞれロットＩＤと関連付けられて一次データ記憶部１０ｇに格納される。

ここで、プロセス状態データは、プロセス制御データとプロセス検出データとからなる。プロセス制御データは、プロセス装置２の装置コントローラ１５が出力する種々の制御データ及び装置コントローラ１５が出力する種々の制御信号の状態である。それらの制御データ又は制御信号には、ガス流量設定値，ＤＣ電源５０のＤＣ電力設定値，メインバルブ３１のＯＮ／ＯＦＦ，プロセス完了チャイム，シャッター２７開，アルゴンガス供給バルブ５５開，シグナルタワー４７点灯などがある。

プロセス検出データは、プロセス装置２の種々の検出器によって取得されたデータであり、ＲＦ電源５１の進行波電力ＲＦ Ｐｆ，ＲＦ電源５１の反射波電力ＲＦ Ｐｒ，ＲＦ電源５１のバイアス電圧−Ｖｄｃ，プラズマチャンバー２０のチャンバー内圧力，ガス流量，ウエハ温度，プラズマ光量（Ａｒ，Ｏ２など），ＤＣ電源５０のＤＣ電力（又は電圧，電流），温度センサ４５で検出された周囲温度，湿度センサ４６で検出された周囲湿度などが含まれる。

本実施形態では、装置コントローラ１５が出力する制御信号もデータ化されてネットワーク通信によりモデル作成装置１０に送られるが、この制御信号の出力線を分岐して制御信号のまま直接モデル作成装置１０に送るようにしてもよい。この場合は、モデル作成装置１０において、制御信号の状態が時刻と対応させてデータ化され、一次データ記憶部１０ｇに記憶される。

入力装置１３からは、オペレータデータ，保守データ及び環境データが入力される。これらのデータも一次データ記憶部１０ｇに格納される。ここで、オペレータデータは、オペレータＩＤ，装置ＩＤ，開始／終了種別などであり、作業者は、作業の開始及び終了時にこれらのデータを入力装置から入力する。

保守データは、ポンプ再生情報やターゲット材料交換情報などである。各作業を行ったときにその作業者が登録する。つまり、作業者は、装置内のポンプなどを点検，清掃で再生したときは、その作業内容を入力装置１３から入力し、ターゲット材料を交換したときは、交換した材料名を、材料のロットＮｏ．や交換日時情報などとともに入力装置１３から入力する。

環境データは、製品の品質に影響を及ぼす要因の１つとなりうる作業時の特殊な気象情報（暴風雨、落雷など）や、地震発生時の震度情報であり、該当する情報が存在した場合に作業者が日時情報，装置ＩＤなどともに登録する。

図７は、表示装置１４に表示された気象／地震情報の入力画面の例である。作業者は、係る入力画面を用いて、キーボードやポインティングデバイスなどの入力装置１３を操作して必要な情報を入力する。

さらに、入力するデータは、上記のものに限ることなく、任意情報として他のデータも入力可能としている。すなわち、上記の各データのように、入力データの選択肢が予め決まっている場合は、例えば図７に例示したように表示装置１４の表示画面上の特定の領域を指定するなどの簡便な方法で入力できるが、選択肢が予め決まっていないデータを入力したい場合には、キーボード等の入力装置１３を用いて任意のテキストデータなどを入力することを可能としている。そして、係る任意に入力された情報は、新しい選択肢として登録でき、次回の入力からは選択肢のひとつとして提示することを可能としている。このように、任意情報も入力するようにしたのは、特に半導体製造プロセスの場合、製造される製品の品質に対して与える原因が多岐にわたるところ、予期せぬ要因によって不良品が発生することがあり、また予期せぬ装置の故障が発生することがあることを考慮して、そのような事象をもプロセス−品質モデルの作成等の解析に利用可能とするためである。

図８は、プロセスデータ収集装置４におけるデータ収集及び一次データ記憶部１０ｇへのデータ登録処理を説明するフローチャートである。本実施形態では、１又は複数の所定のプロセスステップが実行されている期間中のみデータを収集する都度収集モードと、特定の製品（ウエハ）に対してプロセス装置２が行う全プロセスステップを通して（プロセスステップ実行の間に待機期間がある場合は待機期間も含めて）データを収集する常時収集モードとを用意している。いずれのモードにおいても、データ収集期間中は一定周期（例えば１００ｍｓｅｃ）でデータのサンプリングを行う。作業者は、プロセスを開始する前に、どちらのモードで稼動するかを選択する。この選択は、例えば入力装置１３を用いて設定したり、プロセスデータ収集装置４に設けた選択スイッチを用いて選択したりすることができる。常時収集モードを設けたのは、どのプロセスステップも、また待機中の状態も、製品の品質に影響を与える可能性があるので、係る影響を与える可能性のあるデータを漏れなく収集するためである。

プロセスデータ収集装置４は、プロセス装置２によるある製品に対するプロセスが開始されると、まず現在の収集モードが常時収集モードか、都度収集モードかを判断する（ＳＴ１）。そして、都度収集モードの場合には、プロセスが開始されて収集を開始すべきと判断できるまで待機する（ＳＴ２）。この収集開始の判断は、例えばメインバルブに対する制御命令がＯＦＦからＯＮになったことを条件とすることができる。もちろん、他の条件を開始条件とすることを妨げない。

そして、都度収集モードで収集開始となった場合、並びに常時収集モードの場合には、プロセスデータ収集装置４は、まず、生産管理システム９から出力される現在処理中のレシピＮｏを取得し（ＳＴ３）、収集タイミングが来るのを待って（ＳＴ４）、一組のプロセス状態データを取得する（ＳＴ５）。

次いで、プロセスデータ収集装置４は、取得したデータに対してロットＩＤと日時情報を付加し、取得したデータをモデル作成装置１０へ送り、モデル作成装置１０は、送られたデータを一次データ記憶部１０ｇに保存する（ＳＴ６）。データに付加する日時情報は、データを取得したときに、プロセスデータ収集装置４が持つ内部時計に基づいて自動的にタイムスタンプとして付加するようにしているが、モデル作成装置１０の側で日時情報を付加するようにしてもよい。

そして、プロセスステップが継続していればＳＴ３に戻り、１つのプロセスステップが終了すれば、全プロセスステップが終了したかどうかの判断に進む（ＳＴ７）。全プロセスステップが終了すればデータ収集を終了し、他のプロセスステップが継続する場合は収集モードの判断に進む（ＳＴ８）。都度収集モードの場合はＳＴ２に戻って次の収集開始まで待機し、常時収集モードの場合はＳＴ３に戻って収集を継続する（ＳＴ９）。このようにして、多数の種類のプロセス状態データを時系列に収集することが可能となる。

プロセスデータ収集装置４はまた、前段のプロセス装置からの滞留時間についての滞留時間データをロットＩＤと対応付けて、そのロットＩＤの製品が処理されている間に少なくとも１度、モデル作成装置１０に送信し、モデル作成装置１０は送られた滞留時間データを一次データ記憶部１０ｇに格納する。

入力装置１３を介して入力するデータについては、図７にも例示したように、作業者により指定された任意の日付時刻を入力することもできる。このように作業者による指定を許容することにより、例えば日報のように各種の作業を行ったことをその日時とともに後で登録することができ、係る作業が製品の品質に与える影響の有無等を検証することができる。

図９から図１１は、一次データ記憶部１０ｇに格納されたデータの構造の一例を示す。図９，図１０は図示の便宜上２枚の図に分割して記載しているが、実際には、ロットＮｏ．（ロットＩＤと等価），収集日付，収集時刻をキーにした一列のデータとなる。

図５の検査データ記憶部１０ｍには、検査データ収集装置５にて検査装置３から収集した検査結果データが格納される。ここで、検査結果データは、検査日時，装置ＩＤ，ロットＩＤ，ウエハＩＤなどの対象を特定する情報と、膜厚データ，膜質データなどの検査結果の情報とを含む。

図１２は、検査方法の一例として膜厚データの検査方法を説明するための図である。本実施形態では、プロセス装置２が複数種類のターゲット２６を実装することができるので、ウエハＷに対する一連のプロセス実行により、図１２（ａ）に示すように、基板の上に複数層を成膜することができる。ターゲット数と成膜された層の数とは必ずしも一致するとは限らない。本実施形態の検査装置３では、膜厚測定は各層ごとに行うようにし、最大４層までの膜について測定可能となっている。さらに、各層における膜厚の計測は、それぞれ複数ポイントにおいて行う。図１２（ｂ）に示す例では、ウエハＷの中心位置及び周囲の４点の合計５つのポイントＰについて計測するようにしている。

図１３は、検査データ記憶部１０ｍに格納されるデータの構造の一例を示す。この例では、基板上に２つ材料を成膜したため、膜厚１及び膜厚２にのみデータが格納され膜厚３，４については空欄となっている。

図５の故障データ記憶部１０ｐには、入力装置１３を操作して作業者が入力した故障データが格納される。ここで、故障データとしては、故障時刻，装置ＩＤ，故障内容，ロットＩＤ，任意入力情報などがある。

図１４は、表示装置１４に表示された故障情報入力画面の例である。係る情報は、キーボードやポインティングデバイスなどの入力装置１３を操作して入力される。日時情報は、装置の内部時計に基づく入力時の日時情報（現在時刻）と、入力者が任意に指定する日時情報（登録時刻）を択一的に選択できるようになっている。図１５は、故障データ記憶部１０ｐに格納されるデータのデータ構造の一例を示す。

以上のようにして、各装置から各種の大量のデータがモデル作成装置１０に入力され、それぞれ適宜の記憶部に格納される。そして、モデル作成装置１０は取得した各データに基づき、所定の処理を行いプロセス−品質モデルを作成する。具体的には、以下の通りである。

まず、一次データ記憶部１０ｇに格納された各種データ（プロセス状態データ，滞留時間データ，オペレータデータ，保守データ，環境データ）は、ステップ対応付け部１０ａに呼び出され、プロセスステップとの対応付けが行われる。ただし、プロセスデータ収集装置４及びモデル作成装置１０の各装置で認識されるプロセスステップの分け方が共通の場合は、プロセスデータ収集装置４にてデータ収集された際に、予めプロセス状態データ及び滞留時間データとプロセスステップとを対応付けておくことも可能であり、この場合には、ステップ対応付け部１０ａにおける処理はその他のデータについてのみ行われる。またモデル作成装置１０におけるステッププロセスの分け方として、プロセスデータ収集装置４におけるステッププロセスの分け方とは異なる分け方を採用してもよい。
一次データ記憶部１０ｇに格納されていた情報がプロセスステップと対応付けられると、その結果はステップ情報付データ記憶部１０ｈに格納される。

プロセス開始から計時して、各ステッププロセスが開始する時間が決まっている場合には、ステップ対応付け部１０ａにおいて時刻データに基づいてステップ対応付けを行うことが可能である。

以下では、プロセス状態データの内容の時系列的な変化に基づいてステップ対応付けを行う方法について説明する。プロセスステップは、例えば前処理，本処理，後処理のように設定することができる。本処理をさらに複数のステップに分割することが適切な場合には、さらに細かなステップに分割される。

図１６は、成膜プロセスについてのステップ対応付けの一例を示す。ウエハ２１に対して１層分の成膜を行うに際し、まず前処理としてアルゴンガス供給バルブ５５を開いてプラズマチャンバー２０内を所定のアルゴン雰囲気にする。次に本処理としてアルゴン雰囲気の状態でシャッター２７を開き、ターゲット２６の材料を飛ばしてウエハ２１に対して所望の成膜を行い、シャッター２７を閉じる。そして、後処理としてシャッター２７を閉じてから所定期間経過後にアルゴンガス供給バルブ５５を閉じる処理を行う。このように前処理、本処理、後処理を含むプロセスを、使用するターゲット２６を切り替えながら繰り返すことにより、複数層を成膜する。図１６中、例えば「Ｓ４−１」とあるのは、４番目のターゲットを用いた１回目の成膜という意味である。

図１７は、ステップ対応付け部１０ａにおいて、ステップの開始と終了のタイミングを決定するのに用いるデータの変化を示す。ステップの開始と終了のタイミングは、デジタル信号（２値データ）の立ち上がり及び立ち下がり（図１７（ａ）），アナログ信号（数値データ）の立ち上がり及び立ち下がり（図１７（ｂ）），デジタル信号（２値データ）における所定レベルの期間（図１７（ｃ））並びにアナログ信号（数値データ）における所定レベルの期間（図１７（ｄ））の内、適切な信号を用いて特定する。ここで、アナログ信号については適切に定義したしきい値により切り替えタイミングを求める。

さらに、図１７（ａ），（ｂ）に示す各信号の立ち上がりと立ち下がりは、同一信号についての立ち上がりと立ち下がりのペアで１つのステップの開始と終了が規定される場合と、異なる信号についての立ち上がりと立ち下がりのペアで１つのステップの開始と終了が規定される場合のいずれもがありうる。また、図１７（ｃ），（ｄ）に示す各信号のレベルによりステップの開始と終了が規定される場合は、各信号が所定レベルにある期間がそのままステップとなる。プロセスステップの開始と終了の条件は、複数種類のデータの状態の論理演算の結果として与えることもできる。

図１８は、プロセスステップの開始と終了の具体例を示す。ここでは、ターゲットのいずれかが用いられた１層分の成膜プロセスを示す。前処理のプロセスステップは、２値変化するプロセス制御データであるアルゴンガス供給バルブ５５の制御データの立ち上がり（バルブ開の指示）から、２値変化するプロセス制御データであるシャッター２７の制御データの立ち上がり（シャッター開の指示）までの期間である。また、本処理のプロセスステップは、シャッター２７の制御データがハイのレベルになっている期間である。さらに、後処理のプロセスステップは、シャッター２７の制御データの立ち下がり（シャッター閉の指示）から、アルゴンガス供給バルブ５５の制御データの立ち上がり（後処理ステップ中にいったんバルブを閉じた後、次の層の成膜の前処理開始となるバルブ開の指示）までの期間である。各プロセスステップの開始及び終了の条件は、作業者が入力装置１３を用いてモデル作成装置１０に入力し、ステップ対応付け部１０ａに格納しておく。

ここで、前処理ステップの終了を規定するために、シャッター２７の制御データの立ち上がり（シャッター開の指示）に代えて、数値データ（アナログデータ）のプロセス検出データであるＤＣ電力の制御データが所定のしきい値を上回ること（取付板２２に対するＤＣ電源５０による電力供給の開始）を用いることができる。また、本処理ステップの期間は、シャッター２７の制御データがハイのレベルになっている期間に代えてＤＣ電力の制御データが所定のしきい値以上のレベルになっている期間を用いることができる。さらに、後処理ステップの開始を規定するために、シャッター２７の制御データの立ち下がり（シャッター閉の指示）に代えて、ＤＣ電力の制御データが所定のしきい値を下回ること（ＤＣ電力供給の終了）を用いることができる。

シャッター２７の開とＤＣ電力供給の開始とはほぼ同時であり、シャッター２７の閉とＤＣ電力供給の終了とはほぼ同時である。シャッター２７が開いており、かつ、ＤＣ電力が供給されている期間が、膜形成に寄与するプラズマが発生している期間に相当する。

すなわち、実質的に、前処理ステップはプラズマを発生させる前、本処理ステップはプラズマを発生させている期間、後処理ステップはプラズマ発生を停止した後のプロセスステップである。

プロセスステップは、通常、プロセスの内容や性質の変化に合わせて設定されるが、本処理などの特定のプロセスステップが長時間続く場合には、予め設定した条件に従い、プロセス状態データの変化を用いずにプロセスステップをさらに細分化することができる。

図１９は、プロセスステップをさらに分割する例を示す。図１９（ａ）では、プロセス状態データの変化に基づくプロセスステップをさらに等分割している。図１９（ｂ）では、プロセスステップを均等な時間で分割している。この場合、一般には細分化された最後の期間は他の期間と異なる長さとなる。図１９（ｃ）では、プロセスステップを、さらに個別の任意の時間に分割している。

図２０，図２１にステップ情報付データ記憶部１０ｈに格納されたデータ構造の一例を示す。「Ｓ４−１前処理」、「Ｓ４−１本処理」等の項目の列がステップ情報である。図示の便宜上プロセス状態データの一部を省略して記載しているが、実際のデータは図９，図１０に示すデータ構造にさらにステップ情報が付加された状態となる。そして、ステップ情報の各項目に記憶されるデータは「１」又は「０」であり、「１」となっているのがそのステップに属することを意味する。したがって、例えばロットＮｏ．０１２０１３、収集日付「２００２／１１／１２」、収集時刻「２１：４７：０４：７０２」のデータ列は、「Ｓ１−２後処理」が「１」となっているので、当該時刻のときに収集したプロセス条件データは、「Ｓ１−２後処理」のステップに属するデータとなる。
また、図示は省略するが、図１１に示したオペレータデータ，保守データ，環境データ，滞留時間データ等もステップ情報付データ記憶部１０ｈに格納される。

次に、係るステップ情報付データ記憶部１０ｈに格納された各種のデータの内の数値データは、特徴量抽出部１０ｂに呼び出され、そこにおいてステップごとに特徴量抽出され、抽出されたプロセス特徴量データが、プロセス特徴量記憶部１０ｉに格納される。ただし、滞留時間データについては、数値データではあるが時系列情報ではなく特定のプロセス装置における処理に総括的に付与された情報であるので、そのまま特徴量としてプロセス特徴量記憶部１０ｉに格納される。

抽出すべき特徴量の候補としては、平均値，最大値，最小値，標準偏差，累積値，域値（最大値−最小値），相乗平均，調和平均，中央値，第１四分位置，第３四分位置，歪度，中間項平均，加速度，尖度，ステップ時間がある。もちろん、これ以外の特徴量も求めるようにすることは妨げない。逆に上記例示列挙したもの中から選択して特徴量を抽出するようにしてもよい。

特徴量抽出部１０ｂは、取得したステップ情報付データ中のステップ情報の欄をサーチし、各ステップ情報が「１」のデータ列をステップごとに抽出し、同一ステップ情報が「１」の数値データについて抽出すべきすべての特徴量を求める。

例えば図１６における「Ｓ４−１の前処理」ステップに属する「ガス流量」の平均値，最大値，最小値，標準偏差，累計値，域値（最大値−最小値）…，「Ｓ４−１の前処理」ステップに属する「ＤＣ電力」の平均値，最大値，最小値，標準偏差，累計値，域値（最大値−最小値）…，以下同様に「Ｓ４−１の前処理」ステップに属する「チャンバー内圧力」，「ウエハ温度」，「プラズマ（Ａｒ）光量」その他についてのプロセス特徴量を抽出する。

同様に、「Ｓ４−１本処理」ステップ及び「Ｓ４−１後処理」ステップについても、「Ｓ４−１前処理」ステップと同じデータ項目について同じ種類のプロセス特徴量を抽出する。さらにＳ１−１，Ｓ２−１，Ｓ１−２の各前処理ステップ、本処理ステップ、後処理ステップについても、同じデータ項目について同じ種類のプロセス特徴量を抽出する。

こうすることで、ステップごとにプロセス状態データの各項目（その内の数値データであるもの）に対して共通した種類の特徴量を網羅的に抽出したことになる。そして、その抽出したすべての特徴量をロットＩＤごとに関連付けたテーブル構造のプロセス特徴量データを生成し、プロセス特徴量記憶部１０ｉに格納する。

さらに、プロセス−品質モデルの精度を高めるために、製品の品質に関係しそうな因子を制約なく入力できるように、先に説明したとおり入力装置１３からの選択肢の選択情報や自由記述情報の入力を許容している。これにより、プロセス技術者や装置のオペレータが製品の出来映えに影響しそうだと考えた情報や、突発的に発生する故障情報など様々な事象の情報を、オペレータが気がついた時点で入力することを可能にし、それらの情報も解析用データに含めて解析できるようにした。

また、半導体製造プロセスは数百種類のプロセスを経て製品が生産される。この場合、ある装置でウエハが処理され次の装置へ投入されるまでの間、ウエハは空気中にさらされているので、表面が酸化したりパーティクルが付着したりする。したがって、この滞留時間は、製品の出来映えに影響するため解析対象データに含めている。

一方、図５の検査データ記憶部１０ｍに格納された各種のデータは、検査データ編集部１０ｒに呼び出され、そこにおいて編集されて得られた編集検査データが、編集検査データ記憶部１０ｎに格納される。

図２２は、編集検査データ記憶部１０ｎの内部データの意味を示す。図２２（ａ）に示すように、ある検査対象について同項目の複数の検査結果データが存在する場合、平均値又はその他の方法により、ロット単位又はウエハ単位の検査結果データを生成する。さらに、本実施形態では、生成した検査結果データから、図２２（ｂ）に示す品質判定基準に基づき、品質のランク分けを行う。ランクは、膜厚平均に基づいて正常範囲（良品）の中をＡ，Ｂ，Ｃに分け、さらに不良品の中を良品に近い膜厚軽欠点（厚／薄）、良品から離れている膜厚重欠点（厚／薄）に分けて判定する。

図２３は、検査データ編集部１０ｒで求められ、編集検査データ記憶部１０ｎに格納される編集検査データのデータ構造の一例を示す。ロットＩＤ単位で各膜（層）ごとに膜厚平均と膜ランク（品質）が格納されている。

一方、図５の故障データ記憶部１０ｐに格納された各種のデータは、故障データ編集部１０ｓに呼び出され、そこにおいて編集されて得られた編集故障データが、編集故障データ記憶部１０ｑに格納される。

図２４は、故障データ編集部１０ｓが備える、故障についての入力内容と故障コードとの対応を示すテーブルの一例である。故障データ編集部１０ｓは、このテーブルに基づき、入力装置１３より選択肢の選択又は自由記述により入力された故障データをコード化する。ただし、故障データがすでにコード化されたデータであれば、そのままとする。新規にコード化された故障内容については、新しいコードがこのテーブルに登録され、再度同じ故障が発生したときには、係るコードが使用される。

図２５は、編集故障データ記憶部１０ｑの内部データ構造の一例を示す。ここには、ロットＩＤ単位で対応付けされ、コード化された各種のデータ（故障発生日付、故障発生時刻、ロットＩＤ，装置ＩＤ、オペレータＩＤ，故障コード）がひとまとめに関連付けて格納される。

図２６は、図５のデータ結合部１０ｃの機能を示す。データ結合部１０ｃは、ステップ情報付データ記憶部１０ｈ，プロセス特徴量記憶部１０ｉ，編集検査データ記憶部１０ｎ，編集故障データ記憶部１０ｑに格納された各データ、さらには生産管理システム９から取得したレシピＮｏ．を取得し、取得した各データをプロセスステップごとにレシピＮｏ．及びロットＩＤをキーとして結合する。そして、結合したデータを結合データ記憶部１０ｊに格納する。図２６においてプロセス補足データとあるのは、１つ又は複数のプロセスステップに対して総括的に与えられており、プロセス特徴量の算出に用いられなかったデータである。図１１に示されたオペレータデータ，保守データ及び環境データ、又はそれらの内容がコード化されたデータは、プロセス補足データである。オペレータデータ，保守データ及び環境データは、それらのデータが対応付けられている日時情報，装置ＩＤ情報などに基づいて、データ結合部１０ｃで用いられる前に、関連するロットＩＤと対応付ける処理が行われる。

図５のデータフィルター部１０ｄは、結合データ記憶部１０ｊに格納された結合データを読み出し、プロセス特徴量の異常データを排除する。そして、残ったデータを解析用データとして解析用データ記憶部１０ｋに格納する。異常データとは、例えば実際にはありえないような数値を含むデータを意味する。係るデータを削除することは、一般的に行われる解析用データの前処理の手法により実現できる。

解析部１０ｅは、解析用データ記憶部１０ｋに格納された解析用データを読み出し、データマイニングの一般的な分析手法である決定木手法による解析を行い、良品又は不良品を生成するプロセス状態のルールの集合であるプロセス−品質モデルを作成する。

図２７は、プロセス−品質モデルの例を示す。この例では、どのステップにおけるどのプロセス特徴量がどんな数値範囲にあれば検査結果はどうなるかという関係を、ＩＦ、Ｔｈｅｎのルール式で表現している。図２７では３つのルール式を示しているが、実際には多数のルール式が生成されるであろう。ルール式のＩＦの部分には、あるプロセスステップにおけるプロセス特徴量の数値範囲が示され、Ｔｈｅｎの部分は製品の検査結果データ又は故障データに関する情報が書かれる。ＩＦの部分には、あるプロセス補足データの有無が示されることもある。図の一番上のルール式に沿って具体的に説明すると、ＩＦ部分の第１行目は、工程Ｓ２−１内の本処理の期間におけるガス流量のＳＵＭ（累計値）が２０００リットルよりも大きくて２１４０リットル以下であるというひとつの条件を示している（数値の単位は表示省略している）。このルール式ではＩＦ条件が３つあって（残り２つの詳細説明は省略する、なお［ＲＡＮＧＥ］は域値（最大値−最小値）を意味する）、それぞれの条件がａｎｄの関係で成立するとき、このＩＦ条件が全体として成立する。一方、Ｔｈｅｎの部分は、製品の品質がランクＡ（良品）であることを示している。つまり、このルール式は、ＩＦ条件の３つの論理積が満たされれば、良品の製品ができる傾向があるという意味を示している。

図２７に示されたようなルール式から、ある製品の検査結果に対して、特定のプロセスステップ内のプロセス特徴量と数値範囲との関係（又はその関係の組み合わせ）が影響を及ぼすことがわかる。このようにプロセス−品質モデルを構成するルール式から、プロセス状態と製品の検査結果との関係や傾向を知ることでできる。図２７の一番下のルール式に示されるように、プロセス状態とプロセス装置の故障又は異常との関係を示すルール式を求めることもできる。また、ルール式のＩＦ条件は、プロセス特徴量についてのみならず、図２６のプロセス補足データについても作成されうる。この場合のＩＦ条件は、例えば、「気象情報の「雷鳴（近）」を表すコードが存在すれば」を意味するような内容となる。

ところで、半導体製造装置の多くはプロセスを繰り返すごとにある方向へ変化していく傾向がある。そこで、本実施形態では、係る変化の方向を時系列解析部１０ｆにて時系列予測（トレンド予測）モデルを適用して検出し、製品が異常になる前に警報を出力したり、異常が発生する日時を予測したりできるようにした。

時系列予測モデルとしては、例えば、指数平滑モデルや自己回帰和分移動平均（ＡＲＩＭＡ）モデルが使用できる。時系列予測モデルは、使用する具体的モデルに適合する解析エンジンを用い、必要に応じてパラメータを設定することにより作成される。指数平滑モデルは、短期的なトレンドを予測するのに適している。したがって、突発的に生じる故障の予測などに利用される。一方、ＡＲＩＭＡモデルは、長期的なトレンドを予測するもので、経年変化による故障や交換などの時期を予測するために利用される。

時系列予測は、プロセス−品質モデルのルール式の中に項目が存在するプロセス特徴量に関して行うとともに、異常の予測判定はルール式に示された数値をしきい値として行う。

時系列予測する際に使用する判定用データ（プロセス特徴量）としては、プロセス特徴量記憶部１０ｉに格納されたプロセス特徴量から、データフィルター部１０ｄを経て不正データ（異常データ）を排除するフィルタリングをした後のデータを用いる。

図２８は、時系列予測モデルの適用例を示す。ここでは、判定用データとして選択した、Ｓ２−１本処理ステップのＤＣ電力の累計値、及びＳ１−１後処理ステップのガス流量の累計値を監視し、これらのデータの将来における値を予測している。その結果、予測値がしきい値を超えて異常になる日時を予知することができる。ここでしきい値は、図２７に示したルール式中の２２０００及び１６００である。この例では、２００２年１２月４日の１４：２３に異常が発生すると予知される。このように、時系列予測モデルによって異常を予知した場合、表示装置１４に表示することによって、オペレータやメンテナンス担当者に通知することができる。係る時系列予測モデルを作成するためには、プロセス特徴量から任意にその観測対象を選ぶことができる。

本実施形態では、モデル作成装置１０に解析部１０ｅによるプロセス−品質モデル作成機能と、時系列解析部１０ｆによる時系列予測モデル作成機能とを設けたが、必ずしも両機能を実装する必要はなく、時系列解析部１０ｆを設けない構成を採ることもできる。

また半導体製造プロセスでは生産品目が多く、それらは生産品目ごとにレシピを持ち、それを切り換えて生産される。したがって、プロセス−品質モデルはレシピごとに作成される。

図２９は、本発明の第２の実施形態を示している。本実施形態は、上記の第１の実施形態のモデル作成装置を用いて生成されたプロセス−品質モデルを利用し、プロセス実行中の製品について品質の予測や異常原因の特定等を行う異常検出分類機能を示している。異常検出分類機能は、一般にＦＤＣ（Fault Detection and Classification）と呼ばれている機能を含み、図５のモデル作成装置１０にいくつかの要素を付加して実現されている。図２９は、異常検出分類機能のために必要な、図５のモデル作成装置１０と共通の要素及び図５のモデル作成装置１０に追加する要素を示している。異常検出分類の機能のみが必要であれば、図５に示されていて図２９に示されていない要素を備えないことも可能である。

異常検出分類機能を備えるモデル作成装置１０は、第１の実施形態と同様にネットワークを介して生産管理システム９，プロセスデータ収集装置４並びに入力装置１３から各種の情報を取得する。各装置から取得する情報は、基本的に第１の実施形態と同様である。つまり、生産管理システム９からはレシピＮｏ．を取得し、プロセスデータ収集装置４からは、プロセス状態データ、ロットＩＤ及び滞留時間データを取得し、さらに、入力装置１３からオペレータデータ，保守データ及び環境データを取得する。そして、それらの各種データは、第１の実施形態と同様に、一次データ記憶部１０ｇに格納される。

そして、一次データ記憶部１０ｇに格納された各種データをステップ対応付け部１０ａが読み出して、プロセス状態データの変化等から各ステップの期間を特定し、各種データをプロセスステップに対応付けたステップ情報付データを生成してステップ情報付データ記憶部１０ｈに格納する。ステップ情報付データ記憶部１０ｈに格納された各種データを特徴量抽出部１０ｂが読み出し、ステップごとに予め決められた項目の特徴量を抽出し、プロセス特徴量記憶部１０ｉに格納する。さらにデータフィルター部１０ｄにて、プロセス特徴量記憶部１０ｉに格納された特徴量を呼び出し、異常データ等を削除するフィルタリング処理を行った後、判定用データ記憶部１０ｔに格納する。この判定用データ記憶部１０ｔに格納される判定用データのデータ構造は、第１の実施形態における解析用データ記憶部１０ｋに格納された解析用データから、故障データや検査結果データを除いたものと同等なものとなる。

さらに、本実施形態における異常検出分類機能に関しモデル作成装置１０は、レシピＮｏ．ごとに作成されているプロセス−品質モデルを複数備えており、モデル選択部（プロセス−品質モデル提供手段）１０ｕは、レシピＮｏ．に基づいて所望のモデルを選択し、判定部（判定手段）１０ｖに与える。

判定部１０ｖは、判定用データ記憶部１０ｔを読み出し、選択されたプロセス−品質モデルのルールと比較し、各ルールに対応する判定用データの値から、実際に検査装置で検査することなく、製造される製品の品質を判定することができる。プロセス状態データは時々刻々と入力されるため、プロセス装置２での処理の途中であっても、異常判定をすることができる。したがって、プロセス装置２における処理を中止、あるいは他の装置を用いる次工程への送出を中止することにより、プロセス材料や時間の無駄を省くことができる。さらに、装置自体の故障その他の異常を予測することもできる。

判定結果は、表示装置１４に表示することにより通知することができる。通知表示の一例としては、「膜質軽欠点が製造されているおそれがあります。検査してください。」，「膜厚重欠点が製造されているおそれがあります。装置を停止してください。」，「ポンプＡに故障が発生するおそれがあります。点検してください！」，「まもなくポンプＡに故障が発生するおそれがあります。強制停止してください！」などがある。

このように、検査装置による検査を行う前に、良否判定が行えたり、装置の故障予測が行えたりできるので、廃棄処分になる不良品の発生を可及的に抑制でき、製品の廃棄ロス及びプロセス材料のロスを削減できる。半導体製造業者において、このような廃棄による損失は一般に多額になっており、たとえプロセス異常の検出確度が１００％を実現できなくても導入効果は十分ある。つまり、例えば５０％の検出確度であっても確度に応じた損失の削減ができ、さらに、導入後のプロセス−品質モデルの改善により残り５０％の改善を目指すこともできる。

さらにまた、時系列予測モデルも導入すれば、判定部１０ｖにて時系列予測を対象にした判定をすることもできる。その場合の通知の一例としては、「２００２年１２月４日１４時２３分から膜厚重欠点製品が製造されるおそれがあります。注意してください。」などとなる。

上記の各実施形態では、いずれも本発明を半導体製造プロセスに適用した例を示したが、本発明の適用対象はこれに限ることなく、各種の製造プロセスや、非製造プロセスに適用することができる。

図３０は、本発明を液晶の製造プロセスにおいて使用される配向膜塗布装置に適用した場合を示す。配向膜塗布装置は、ガラス基板５９の表面にＰＩ（ポリイミド）薄膜を印刷する印刷装置６０と、印刷されたガラス基板５９をプリベークするプリベーク炉７０と、印刷されたガラス基板５９をプリベーク炉７０に搬送する搬送ロボット８０とを備えている。印刷装置６０は、三次元方向に移動するテーブル６１を備え、このテーブル６１の上にガラス基板５９を配置する。テーブル６１の上方には円筒状の版胴６２が配置され、版胴６２のさらに斜め上方に、ＰＩ溶液ディスペンサ６３，ドクターロール６４並びにアニロックスロール６５が配置されている。ＰＩ溶液ディスペンサ６３から滴下されたＰＩがドクターロール６４，アニロックスロール６５間を通過することにより均一に伸ばされて薄膜が形成され、その形成された薄膜が版胴６２に転写される。そして、版胴６２の回転に同期してテーブル６１が移動する。これにより、テーブル６１上の基板５９が版胴６２に接触しながら移動し、版胴６２に転写されたＰＩ薄膜がさらにガラス基板５９の上面に印刷される。

プリベーク炉７０は、ホットプレート７１を備え、搬送ロボット８０によりホットプレート７１上に配置された印刷済みガラス基板５９が、ホットプレート７１によりプリベークされる。
係る装置におけるプロセスは以下の６つのステップに分けることができる。

１．印刷装置６０にガラス基板を搬入する。
２．回転するドクターローラ６４，アニロックスローラ６５にＰＩ溶液を滴下し、両ローラ６４，６５間を通過することによりＰＩ溶液を均一に延ばし、ＰＩ溶液の薄膜を形成する。
３．版胴６２がアニロックスローラ６５に接触して回転し、アニロックスローラ６５のＰＩ薄膜を版胴６２に転写する。それと同時にテーブル６１が移動し、版胴６２に転写されたＰＩ薄膜をガラス基板５９に印刷する。
４．搬送ロボット８０がプリベーク炉７０へガラス基板５９を搬送する。
５．ガラス基板５９をホットプレート８１上でプリベークする。
６．ガラス基板５９を次工程へ搬送する。

このように、プロセスの内容に応じて、先に述べた前処理，本処理，後処理とは別のステップの分け方ができる。また、見方を変えると、１．の搬入処理が前処理となり、６．の搬送処理が後処理となり、２．から５の各処理が本処理に対応するとも言える。そして、ステップ対応付けには、各装置の動作を制御する制御信号や装置が備える検出器の検出信号などの状態についてのデータ（プロセス状態情報）を利用することができる。

さらに、収集して解析に用いることができるプロセス状態情報としては、例えば、印刷装置６０側ではＰＩ溶液ディスペンサ６３から滴下されるＰＩ溶液滴下量や、版胴６２，ドクターロール６４並びにアニロックスロール６５の各回転スピードや、テーブル６１の移動方向、距離並びに移動スピードや、印刷時に版胴６２からガラス基板５９に加わる圧力等がある。また、プリベーク炉７０側では、加熱温度や時間などがある。いずれの装置についても、周囲の温度並びに湿度なども収集可能である。レシピＮｏ．やワークＩＤ等も取得する。

そして、上記の各データを上記の各実施形態で示した装置に供給することで、タイミング信号などの変化を利用して各プロセス状態データをプロセスステップと対応付けし、プロセスステップごとにプロセス特徴量を抽出し、所定の処理を行うことにより、異常の有無判定や故障発生の予測を行うことができる。

図３１は、本発明の第３の実施形態を示す。本実施形態は、複数のプロセス装置２ａから２ｃにより順次プロセス（一群のプロセスステップ）を実行された後、検査装置３で検査するシステムである。

ところで、データを決定木分析する場合、検査結果データや故障データを目的変数とし、各種プロセス特徴量及び必要によりプロセス補足データを説明変数とする。良いプロセス−品質モデルを作るためには、目的変数に関連する説明変数を網羅できていることが重要である。したがって、トランジスタの直流電流増幅率ｈｆｅのような、一連の工程の最後に行われる製品特性の検査の結果を目的変数とする場合は、成膜装置，イオン注入機，アニーリング装置など複数の装置から得られるプロセス状態データを説明変数として分析する必要がある。第３の実施形態は、このような場合についての本発明の適用例である。

係る場合に、各プロセス装置から得られるデータと、最終検査結果であるｈｆｅを用い、上記の各実施形態と同様の手法によりプロセス−品質モデルを作ることができる。すなわち、ロットＩＤをキーにして、プロセスステップごとに各装置で得られたプロセス状態データその他の情報を関連付けて結合し、プロセス特徴量を抽出し、フィルタリング後モデルを生成することができる。

本実施形態では、係る機能のほか、完成後の製品の品質を一連のプロセスの途中で予測するためのモデルを作成する機能が提供される。つまり、先頭の第１プロセス装置２ａにおける処理段階で異常検出ができるようにするために、プロセス−品質モデルの全体の中から第１プロセス装置２ａに関係するルールを抽出した抽出モデル（部分モデル）Ａを作成する。また、第２プロセス装置２ｂにおける処理段階で異常検出ができるようにするために、第１プロセス装置２ａと第２プロセス装置２ｂに関係するルールのみを抽出した抽出モデルＢを作成する。これにより、第２プロセス装置２ｂ又は第３プロセス装置３ｂによる処理前に不良品を除くことが可能となる。このように、本実施形態では、プロセスの早期において不良発生を予測することができるので、全工程のプロセス状態データを用いて異常検出分類する場合にくらべて廃棄コストを削減できる。

本実施形態のモデル作成機能を詳細に説明する。第１から第３プロセス装置２ａから２ｃには、図示省略するが、それぞれデータ収集装置が組み込まれ、ネットワーク７を介して逐次収集された各種のデータがモデル作成装置１０に送られる。また、第３プロセス装置２ｃの後段には、図示省略するが、検査データ収集装置を内蔵する検査装置が配置され、検査結果データがネットワーク７を介してモデル作成装置１０に送られる。モデル作成装置１０は、図外の生産管理システムから、レシピＮｏ．も取得する。モデル作成装置１０の内部構造は、基本的には図５に示すものと同様であり、必要に応じて、入力装置１３から故障データ等も入力される。

各プロセス装置から送られてきたプロセス状態データ等は、ロットＩＤ（ロットＮｏ．）とともに一次データ記憶部１０ｇに格納され、次いでステップ対応付け部１０ａにてステップ対応付けされ、ステップ情報付データ記憶部１０ｈに格納される。ステップ情報付データ記憶部１０ｈから読み出されたデータは、特徴量抽出部１０ｂにて、ステップごとに特徴量が抽出され、プロセス特徴量記憶部１０ｉに格納される。また、最終検査結果は、検査データ記憶部１０ｍに格納され、検査データ編集部１０ｒにて編集検査データが生成され、編集検査データ記憶部１０ｎに格納される。

なお、本実施形態並びに上記各実施形態において、すべての検査結果データがコード情報として入力される場合には、検査データ編集部１０ｒ並びに検査データ記憶部１０ｍは必ずしも必要がなく、直接編集検査データ記憶部１０ｎに格納されるようにすることもできる。

そして、データ結合部１０ｃにて、プロセス装置ごと及びプロセスステップごとのプロセス特徴量と、全体の検査結果データとが、レシピＮｏ．及びロットＮｏ．をキーにして結合され、結合データ記憶部１０ｊに格納される。

図３２は、結合データ記憶部１０ｊのデータ構造の一例を示す。ここでは、レシピＮｏ．は省略されている。図３２では、３つプロセス装置を装置Ａ，装置Ｂ，装置Ｃと表している。Ａ１，Ａ２，Ｂ１等とあるのはプロセス特徴量の項目である。装置の種類が異なる場合には、一般に装置間で特徴量項目を同じにはできない。しかし、この場合も各装置の種類に応じて、プロセス状態データはなるべく網羅的に取得し、プロセス特徴量はなるべく網羅的に求めるのが好ましい。

結合データ記憶部１０ｊに格納された結合データは、データフィルター部１０ｄにて異常なデータが削除されて解析用データが生成され、この解析用データに基づいて解析部１０ｅがプロセス−品質モデルを作成する。

図３３及び図３４は、この実施形態におけるモデル作成の一例を示す。まず、全体モデルを作成する。このモデル作成においては、すべてのプロセス装置のデータに基づいて、データマイニング手法により、ロットＮｏ．をキーに一列に結合された解析用データから、複数のルールを生成する。

次いで、解析部１０ｅは、この全体モデルから、抽出モデルＡ及び抽出モデルＢを抽出する。どのモデル（どのプロセスステップに対応するモデル）を抽出するかについての指示は、入力装置１３を用いて入力する。あるいは、どのモデルを抽出するかが予め解析部１０ｅに設定されているようにしてもよい。

抽出モデルＡは、全体モデルのルール式（一群のプロセスステップに対応するプロセス特徴量を用いて作成したプロセス−品質モデル）から、装置Ａのプロセス特徴量（一群のプロセスステップの内の一部のプロセスステップに対応するプロセス特徴量）のみによってモデルの結論（Ｔｈｅｎ部分）が決定されるルール式（部分モデル）を抽出することにより作成される。すなわち、抽出モデルＡは、装置Ａのプロセス特徴量のみで構成されたルール式を抽出することにより作成される。装置Ａのプロセス特徴量のみで構成された式が他の装置のプロセス特徴量を含む式とａｎｄで結合されているルール式は抽出しない。

抽出モデルＢは、全体モデルのルール式から、装置Ａ及び／又は装置Ｂのプロセス特徴量のみによってモデルの結論（Ｔｈｅｎ部分）が決定されるルール式を抽出することにより作成される。すなわち、抽出モデルＢは、装置Ａ及び／又は装置Ｂのプロセス特徴量のみで構成されたルール式を抽出することにより作成される。
本実施形態のその他の構成並びに作用効果は、上記の各実施形態と同様であるので、その詳細な説明を省略する。

図３５は、複数のプロセス装置を用いる場合の異常検出分類機能を示す。異常検出分類機能を実現するモデル作成装置１０の内部構成は、第２の実施形態と同様で、検査結果データや故障データ等を格納する記憶部並びにそれらについて処理する機能部がない構成をとっている。この異常検出分類機能では、抽出モデルＡ及び抽出モデルＢが使われる。すなわち、装置Ａのプロセスについての異常検出分類を行う場合は抽出モデルＡが用いられ、装置Ｂまでのプロセスについての異常検出分類を行う場合は抽出モデルＢが用いられる。このシステムでは、使用するプロセス特徴量に制限があることを除き、実際の判定処理は第２の実施形態と同様に行えるので、その詳細な説明は省略する。

この異常検出分類機能によれば、各プロセス装置までのプロセスについて、プロセス−品質モデルの全体モデルから抽出された抽出モデルにより早期に異常検出することができ、係る異常検出がされると、それ以降の処理を行わずにすむので、一連の工程の最終段階で異常検出することに比べて不良品発生による損失を削減することが可能である。

本発明の第１の実施形態であるモデル作成装置を含む半導体製造システムを示す図である。 プロセス装置の内部構造の一例を示す図である。 プラズマチャンバーの内部構造並びにそれに接続される機器の一例を示す図である。 図１に示したシステムを構成する各装置間の接続状態を、データの送受に着目して示した図である。 モデル作成装置の内部構成の一例を示す図である。 モデル作成装置に入力されるデータの一例を説明する図である。 表示装置に表示された気象／地震情報の入力画面の一例を示す図である。 プロセスデータ収集装置におけるデータ収集及び一次データ記憶部へのデータ登録処理を説明するフローチャートである。 一次データ記憶部の内部データ構造の一例を示す図である。 一次データ記憶部の内部データ構造の一例を示す図である。 一次データ記憶部の内部データ構造の一例を示す図である。 検査方法の一例として膜厚データの検査方法を説明する図である。 検査データ記憶部に格納されるデータの構造の一例を示す図である。 表示装置に表示された故障情報入力画面の一例を示す図である。 故障データ記憶部に格納されるデータのデータ構造の一例を示す図である。 成膜プロセスについてのステップ対応付けの一例を示す図である。 ステップの開始と終了のタイミングを決定するのに用いるデータの変化を示す図である。 プロセスステップの開始と終了の具体例を示す図である。 プロセスステップをさらに分割する場合の説明図である。 ステップ情報付データ記憶部に格納されたデータ構造の一例を示す図である。 ステップ情報付データ記憶部に格納されたデータ構造の一例を示す図である。 編集検査データ記憶部１０ｎの内部データの意味を示す図である。 編集検査データ記憶部に格納される編集検査データのデータ構造の一例を示す図である。 故障データ編集部が備える、故障についての入力内容と故障コードとの対応を示すテーブルの一例を示す図である。 編集故障データ記憶部の内部データ構造の一例を示す図である。 データ結合部の機能を説明する図である。 プロセス−品質モデルの一例を示す図である。 時系列予測モデルの適用例を示す図である。 本発明の第２の実施形態を示す図である。 本発明を液晶の製造プロセスにおいて使用される配向膜塗布装置に適用した場合を示す図である。 本発明の第３の実施形態を示す図である。 第３の実施形態における結合データ記憶部のデータ構造の一例を示す図である。 第３の実施形態におけるモデル作成の一例を示す図である。 第３の実施形態におけるモデル作成の一例を示す図である。 複数のプロセス装置を用いる場合の異常検出分類機能を示す図である。

符号の説明

１ ウエハカセット
１ａ タグ
２ プロセス装置
３ 検査装置
４ データ収集装置
５ 検査データ収集装置
６ ＲＦ−ＩＤリードライトヘッド
７ ＥＥＳネットワーク
８ ＭＥＳ系ネットワーク
９ 生産管理システム
１０ モデル作成装置
１０ａ ステップ対応付け部
１０ｂ 特徴量抽出部
１０ｃ データ結合部
１０ｄ データフィルター部
１０ｅ 解析部
１０ｒ 検査データ編集部
１０ｆ 時系列解析部
１０ｓ 故障データ編集部
１０ｇ 一次データ記憶部
１０ｈ ステップ情報付データ記憶部
１０ｉ プロセス特徴量記憶部
１０ｊ 結合データ記憶部
１０ｋ 解析用データ記憶部
１０ｍ 検査データ記憶部
１０ｎ 編集検査データ記憶部
１０ｐ 故障データ記憶部
１０ｑ 編集故障データ記憶部
１０ｔ 判定用データ記憶部
１０ｕ モデル選択部
１０ｖ 判定部
１０ｗ ネットワークインタフェース
１１ データベース
１２ ルータ
１３ 入力装置
１４ 表示装置
１５ 装置コントローラ
２０ プラズマチャンバー

Claims (23)

1. プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置であって、
   プロセス状態情報を入力する第１の入力部と、
   検査結果情報を入力する第２の入力部と、
   対象品又は対象品グループ（以下、この特許請求の範囲において単位対象品という）ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出する特徴量抽出手段と、
   関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段と
   を備えるモデル作成装置。
2. 単位対象品を特定する対象品ＩＤ情報をプロセス特徴量と対応付け可能に入力する第３の入力部をさらに備え、
   第２の入力部は、検査結果情報を対象品ＩＤ情報と対応付け可能に入力するものであり、
   対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報とを対応付ける検査結果対応付け手段をさらに備え、
   解析手段は、検査結果対応付け手段によって対応付けられたプロセス特徴量と検査結果情報とを用いて解析を実行する、請求項１に記載のモデル作成装置。
3. プロセスステップとプロセス状態情報とを対応付けするステップ対応付け手段をさらに備える、請求項１に記載のモデル作成装置。
4. ステップ対応付け手段は、特定のプロセス状態情報が変化するタイミングを用いてプロセスステップを生成し、生成したプロセスステップとプロセス状態情報とを対応付ける、請求項３に記載のモデル作成装置。
5. ステップ対応付け手段は、特定のプロセス状態情報が変化するタイミングを用いて期間を特定し、前記期間をさらに分割することによって少なくとも一部のプロセスステップを生成する、請求項４に記載のモデル作成装置。
6. 複数のプロセスステップにわたって、プロセスステップの最小期間よりも短い一定の周期で連続して取得されたプロセス状態情報を、それが取得された時刻と対応可能に格納する記憶手段をさらに備え、
   ステップ対応付け手段は、処理に用いるプロセス状態情報を前記記憶手段から読み出すものである、請求項３に記載のモデル作成装置。
7. プロセスにおいて用いられるプロセス装置の動作について、特定の単位対象品と対応付けることが可能な待機期間が存在する場合に、
   前記記憶手段は、さらに、待機期間に取得されたプロセス情報を、それが取得された時刻と対応可能に格納し、
   ステップ対応付け手段は、待機期間に取得されたプロセス情報についても前期記憶手段から読み出し、待機期間をプロセスステップの１つとして処理する、請求項６に記載のモデル作成装置。
8. 第１の入力部が入力するプロセス状態情報の少なくとも一部の情報項目が、複数のプロセスステップの間で互いに共通である場合に、
   特徴量抽出手段が抽出する特徴量の項目は、そのプロセスステップのグループに属するプロセスステップごとに、プロセス状態情報の共通の情報項目から抽出可能な共通の特徴量項目を含む、請求項１に記載のモデル作成装置。
9. プロセスにおいて複数のプロセス装置が用いられる場合に、
   処理中の対象品が一つのプロセス装置で処理されてから他のプロセス装置で処理されるまでの滞留時間の情報を、単位対象品を特定する対象品ＩＤ情報と対応付け可能に入力する第４の入力部をさらに備え、
   解析手段は、単位対象品と対応付けられた滞留時間情報をプロセス特徴量の項目の一つとして前記解析を実行する、請求項１に記載のモデル作成装置。
10. プロセスにおいて用いられるプロセス装置についての故障情報を、対象品ＩＤ情報と対応付け可能に入力する第５の入力部をさらに備え、
    検査結果対応付け手段は、対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報と故障情報とを対応付けるものであり、
    解析手段は、検査結果対応付け手段によって対応付けられたプロセス特徴量と検査結果情報と故障情報とを用いて解析を実行することにより、プロセス特徴量と故障情報との関係を含むプロセス−品質モデルを作成する、請求項２に記載のモデル作成装置。
11. １つ又は複数のプロセスステップに対して総括的に与えられるプロセス補足情報を、対象品ＩＤ情報と対応付け可能に入力する第６の入力部をさらに備え、
    検査結果対応付け手段は、対象品ＩＤ情報が共通しているプロセス特徴量と検査結果情報とプロセス補足情報とを対応付けるものであり、
    解析手段は、検査結果対応付け手段によって対応付けられたプロセス特徴量と検査結果情報とプロセス補足情報とを用いて解析を実行することにより、プロセス−品質モデルを作成する、請求項２に記載のモデル作成装置。
12. プロセス特徴量の変化についての予測を表す時系列予測モデルを生成する時系列解析手段をさらに備える、請求項１に記載のモデル作成装置。
13. 時系列解析手段は、プロセス−品質モデルの中に項目が存在するプロセス特徴量に関して時系列予測モデルを生成する、請求項１２に記載のモデル作成装置。
14. 予め作成されたプロセス−品質モデルを蓄積して提供するプロセス−品質モデル提供手段と、
    プロセス−品質モデルにプロセス特徴量を適用して異常の検出及び異常の種類の特定を行う判定手段とをさらに備える、請求項１に記載のモデル作成装置。
15. プロセス特徴量の変化についての予測を表す時系列予測モデルを生成する時系列解析手段をさらに備え、
    判定手段は、プロセス−品質モデルに、時系列解析手段によって予測されたプロセス特徴量を適用して、将来発生することが予測される異常の検出及び異常の種類の特定を行う、請求項１４に記載のモデル作成装置。
16. プロセス特徴量の変化についての予測を表す時系列予測モデルを生成する時系列解析手段と、
    予め作成されたプロセス−品質モデルを蓄積して提供するプロセス−品質モデル提供手段と、
    プロセス−品質モデルに、時系列解析手段によって予測されたプロセス特徴量を適用して、将来発生することが予測されるプロセス装置の故障の検出及び故障の種類の特定を行う故障判定手段とをさらに備える、請求項１０に記載のモデル作成装置。
17. 解析手段は、一群のプロセスステップに対応するプロセス特徴量を用いて作成したプロセス−品質モデルから、その一群のプロセスステップの内の一部のプロセスステップに対応するプロセス特徴量のみによってモデルの結論が決定される部分モデルを抽出するものである、請求項１に記載のモデル作成装置。
18. プロセスに用いられるプロセス装置と、
    プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報を、プロセス装置から収集するプロセス情報収集装置と、
    プロセスが行われた対象品についての検査をする検査装置と、
    プロセス情報収集装置からプロセス状態情報を入力し、かつ、検査結果情報を入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置とを備える処理システムであって、
    モデル作成装置は、
    プロセス状態情報を入力する第１の入力部と、
    検査結果情報を入力する第２の入力部と、
    単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出する特徴量抽出手段と、
    関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することによりプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段と
    を備えるものである、処理システム。
19. プラズマプロセスに用いられるプラズマチャンバーを備えたプロセス装置と、
    プラズマを発生させる前の前処理ステップ、プラズマを発生させている期間の本処理ステップ及びプラズマ発生を停止した後の後処理ステップの各プロセスステップが実行されている期間中に時系列に取得される、プラズマプロセスの状態に関連する情報であるプロセス状態情報を、プロセス装置から収集するプロセス情報収集装置と、
    プラズマプロセスが行われた対象品についての検査をする検査装置と、
    プロセス情報収集装置からプロセス状態情報を入力し、かつ、検査結果情報を入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置とを備えるプラズマプロセスシステムであって、
    モデル作成装置は、
    プロセス状態情報を入力する第１の入力部と、
    検査結果情報を入力する第２の入力部と、
    単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出する特徴量抽出手段と、
    関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することによりプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段と
    を備えるものである、プラズマプロセスシステム。
20. プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを取得し、
    単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付けし、
    対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する、モデル作成方法。
21. プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを取得し、
    単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付けし、
    対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成し、
    同じプロセスにおいて、プロセス−品質モデルの作成に用いたものとは別の単位対象品について、プロセス状態情報と検査結果情報とを取得し、
    そのような単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    プロセス−品質モデルに、そのようなプロセス特徴量を適用して、異常の検出及び異常の種類の特定を行う、異常検出分類方法。
22. プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報と、そのプロセスで処理された対象品についての検査結果情報とを取得し、
    単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    関連する単位対象品が共通していることによってプロセス特徴量と検査結果情報とを対応付けし、
    対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成し、
    同じプロセスにおいて、プロセス−品質モデルの作成に用いたものとは別の単位対象品について、プロセス状態情報と検査結果情報とを取得し、
    そのような単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    そのようなプロセス特徴量の変化についての予測を表す時系列予測モデルを生成し、
    プロセス−品質モデルに、そのような予測されたプロセス特徴量を適用して、将来発生することが予測される異常の検出及び異常の種類の特定を行う、異常検出分類方法。
23. プロセスを構成する各プロセスステップが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセス状態情報を取得し、
    単位対象品を特定する対象品ＩＤ情報をプロセス特徴量と対応付け可能に取得し、
    そのプロセスで処理された対象品についての検査結果情報を対象品ＩＤ情報と対応付け可能に取得し、
    プロセスにおいて用いられるプロセス装置についての故障情報を、対象品ＩＤ情報と対応付け可能に取得し、
    単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    関連する対象品ＩＤ情報が共通していることによってプロセス特徴量と検査結果情報と故障情報とを対応付けし、
    対応付けられたプロセス特徴量と検査結果情報と故障情報とを用いて、データマイニングによる解析を実行することにより、プロセス特徴量と検査結果情報及び故障情報との関係を表すプロセス−品質モデルを作成し、
    同じプロセスにおいて、プロセス−品質モデルの作成に用いたものとは別の単位対象品について、プロセス状態情報と検査結果情報と故障情報とを取得し、
    そのような単位対象品ごと及びプロセスステップごとにプロセス状態情報からプロセス特徴量を抽出し、
    そのようなプロセス特徴量の変化についての予測を表す時系列予測モデルを生成し、
    プロセス−品質モデルに、そのような予測されたプロセス特徴量を適用して、将来発生することが予測されるプロセス装置の故障の検出及び故障の種類の特定を行う、異常検出分類方法。

Images