JP2008071270A - プロセス異常分析装置およびプロセス異常分析方法並びにプログラム - Google Patents

Abstract

【課題】 ラビング装置等において、より適切なプロセス特徴量を算出し、最適なラビング状態を得られるモデルを得て、そのモデルに基づいてリアルタイムに異常分析するプロセス異常分析装置を提供すること
【解決手段】 ラビング装置から得られた時系列のプロセスデータを記憶するプロセスデータ記憶部２１と、プロセスデータ記憶部に格納されたプロセスデータからプロセス特徴量を抽出するプロセスデータ編集部２２と、プロセス特徴量からラビング装置の異常検出を行なうための異常分析ルールを記憶する異常分析ルールデータ記憶部２６と、異常分析ルールにより、プロセス特徴量からラビング装置の異常の有無を判定する異常判定部２４と、を備える。プロセスデータ編集部は、周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ない前記プロセス特徴量を抽出する機能を含むようにした。
【選択図】 図５

Description

この発明は、プロセスの状態に関連し処理される対象品の異常を分析するプロセス異常分析装置およびプロセス異常分析方法並びにプログラムに関する。

半導体・液晶パネル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、或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。

半導体デバイスは、１００工程以上も有する半導体プロセスを経て製造され、また、複数の複雑な半導体製造装置を用いて製造される。そのため、各製造装置（プロセス装置）の状態を示すパラメータと各製造装置を用いて製造された半導体デバイスの特性との関係が明確には求められていないものが多数ある。一方、半導体プロセスは、製造された半導体デバイスの歩留まりが良くなるように、常に各工程を厳密に管理しなければならないという要求もある。

係る問題を解決するため、特許文献１に開示されたモデル化装置では、プロセス実行時に発生する多岐にわたるプロセスデータを一定周期で収集し、得られた時系列のプロセスデータからプロセス特徴量を抽出する。そして、同一の製品についてのプロセス特徴量データと検査データとを結合し、その結合したデータをデータマイニングにより解析し、半導体製造プロセスにおけるプロセス特徴量と結果データの相関関係のモデルを作成する。このモデルにより、プロセス特徴量がどのような条件になったときに異常が発生するかを予測でき、さらに、異常発生箇所・原因を推測することもできる。

一方、液晶パネルの製造プロセスの一工程として、液晶分子を一定方向に配向させる代表的配向法としてラビング処理法がある。このラビング処理法は、基板上にポリイミド等の配向膜を塗布した後、レーヨン，ナイロン，コットン等の布を巻き付けたローラを回転させて配向膜表面を一定方向にこすることで均一な液晶配向を得る方法である（特許文献２等参照）。
特開２００４−１８６４４５号公報 特開昭５５−１４３５２５号公報

基板面内での配向膜のラビング状態が不均一だと、液晶パネル（液晶表示素子）としては表示ムラ（色ムラ）となり表示品位の低下を引き起こしてしまう。前述のラビング処理法で均一な配向を得るには、配向膜表面とラビング布を巻き付けたローラとの間隔（押し込み量）、ローラ回転数、基板の移動速度、ローラ径からなる最適なラビング条件の設定が重要となる。しかし、最適と思われる前記ラビング条件を一定にしていても、必ずしも最適なラビング状態が得られるとは限らない。

また、ラビング処理後における配向膜の配向状態の評価においても有効なものは現時点でなく、配向状態の不良は、液晶パネルとして組み立てられたあとの点燈検査において判明することになる。従って、ラビング条件その他のラビングプロセスに問題があっても、係る問題の発生をすぐに検出することができないので、長期間不良品を製造し続けることになる。

さらに、特許文献１に開示されたモデル化装置を用いてラビング処理時の異常発生のモデルを作成し、その作成したモデルに基づいてプロセス実行時に異常分析をすることも考えられる。しかし、特許文献１等に開示された従来のモデル化装置では、ラビング装置のように、周波数成分を持った信号に対して適切なモデルを作成することができず、異常判定を効果的に行なえるプロセス特徴量を抽出することができなかった。

本発明は前述のような問題点を解決するために、ラビング装置その他の製造プロセスにおいて、より適切なプロセス特徴量を算出し、多変量解析等により最適なラビング状態を得られるモデル（従来、適切なモデル化が困難であったプロセス用のモデル）等を得て、そのモデルに基づいてリアルタイムに異常分析を行なえるプロセス異常分析装置およびプロセス異常分析方法並びにプログラムを提供することを目的とする。

この発明によるプロセス異常分析装置は、（１）１または複数の製造装置からなる製造システムにおいて、プロセス実行時に得られるプロセスデータに基づいてプロセスの異常を単位対象品毎に検出するプロセス異常分析装置であって、前記時系列のプロセスデータを記憶するプロセスデータ記憶手段と、そのプロセスデータ記憶手段に格納されたプロセスデータからプロセス特徴量を抽出するプロセスデータ編集手段と、プロセス特徴量を用いて前記製造システムで製造される製品並びに前記製造装置の異常検出を行なうための異常分析ルールを記憶する異常分析ルールデータ記憶手段と、前記異常分析ルールにより、前記プロセス特徴量から前記製品並びに前記製造装置の異常の有無を判定する異常判定手段と、を備え、プロセスデータ編集手段は、周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ない前記プロセス特徴量を抽出する機能を含むようにした。

（２）前記製造装置は、液晶を配向させるためのラビング装置であり、前記異常判定手段は、前記プロセス特徴量を説明変数としＰＬＳ回帰モデルにより配向強度を予測し、異常検出の有無を判定するように構成するとよい。

（３）前記製造装置は、液晶を配向させるためのラビング装置であり、前記異常判定手段は、前記プロセス特徴量を説明変数としでＱ統計量、Ｔ^２統計量を算出し、それにより異常検出・分類・異常要因分析を行なうように構成するとよい。

（４）前記製造装置は、液晶を配向させるためのラビング装置であり、前記プロセスデータは、ラビングローラの直径、ラビングローラ回転数、基板移動速度、基板および基板を移動させるステージの位置、ラビングローラ軸の位置、ラビングローラの振動、ラビングローラを回転させるモータの電流、基板の振動、ステージを移動させるモータの電流のうち少なくともひとつを含むように構成するとよい。

（５）本発明に係るプログラムは、コンピュータを、プロセス実行時に得られる時系列のプロセスデータを記憶するプロセスデータ記憶手段に格納されたプロセスデータからプロセス特徴量を抽出するものであり、少なくとも周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ない前記プロセス特徴量を抽出するプロセスデータ編集手段、プロセス特徴量を用いて前記製造システムで製造される製品並びに前記製造装置の異常検出を行なうための異常分析ルールを記憶する異常分析ルールデータ記憶手段、前記異常分析ルールにより、前記プロセス特徴量から前記製品並びに前記製造装置の異常の有無を判定する異常判定手段、として機能させるものとした。

（６）本発明に係る異常分析方法は、１または複数の製造装置からなる製造システムにおいて、プロセス実行時に得られるプロセスデータに基づいてプロセスの異常を単位対象品毎に検出するプロセス異常分析装置における分析方法であって、前記時系列のプロセスデータを取得してプロセスデータ記憶手段に格納するステップと、そのプロセスデータ記憶手段に格納されたプロセスデータからプロセス特徴量を抽出するステップと、その抽出したプロセス特徴量を用いて前記製造システムで製造される製品並びに前記製造装置の異常の有無を判定する異常判定ステップと、を実行するものであり、前記プロセス特徴量を抽出するステップは、周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ないプロセス特徴量を抽出する処理を含むようにした。

ここで、「プロセス」は、製造プロセスを含む。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）が含まれる。「単位対象品」は、１枚の半導体ウエハ、１枚のガラス基板のような通常の計数単位で把握される対象品でもよいし、これらの製品の１ロットのような製品のグループ単位で把握される対象品でもよいし、大判のガラス基板上に設定された領域のような製品の部分を単位とする対象品でもよい。異常通知情報の出力は、表示装置に出力したり、メール送信等により通知したり、記憶装置に保存するなど各種の処理を含む。

異常の分析は、異常の有無を判定したり、異常の原因を特定したりするものを含む。異常の原因は、具体的な箇所を特定する場合と、異常箇所の可能性の高い異常要因を特定するものを含む。異常要因分析は、当該異常に対して、どのプロセス特徴量がどのくらい影響を与えているかを示す寄与率を求め、その寄与率の高いものを異常要因とするようにした。

異常分析は、例えば、ＰＬＳ法によりにより得られた、下記に示す回帰式で求められるｙの値が閾値以上の場合に異常発生と判定し、
ｙ＝ｂ０＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋……＋ｂ（ｎ−１）＊ｘ（ｎ−１）＋ｂｎ＊ｘｎ
但し、ｘ１，ｘ２，……，ｘｎは、変数：プロセス特徴量
ｂ０，ｂ１，ｂ２，……，ｂｎは係数
（ｂ１，ｂ２，……，ｂｎは、各変数の重み度）
異常要因分析の寄与率は、下記に示す平均値と実測値の差分に係数を乗算した値とすることができる。

ｂ１（ｘ１−Ｘ１），ｂ２（ｘ２−Ｘ２），・・・・，ｂｎ（ｘｎ−Ｘｎ）
但し、Ｘ１，Ｘ２，……Ｘｎは、各変数のそれぞれの平均値
もちろん、異常の有無の判定並びに異常要因分析は、他のアルゴリズムを用いても良い。

この発明では、特徴のある周波数成分を抽出するウェーブレット変換を採用することで、ラビング装置等の周波数成分を持った信号に対しても適切なプロセス特徴量を抽出し、異常分析を行なうことができる。

本発明は、時系列データからなるプロセスデータに対し、ウェーブレット変換を行ない前記プロセス特徴量を抽出するようにしたため、品質と製造条件の相関を表わすより精度の高いモデルが得られ、かつ、そのモデルに基づいてリアルタイムに異常検出が行なえるため歩留まりが良くなり生産効率がよくなる。

図１は、本発明の実施形態であるプロセス異常分析装置を含む製造システムを示す。この製造システムは、複数のプロセス装置１，プロセス異常分析装置２０及び異常表示装置２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３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３には、プロセス装置１より前の段階、及びプロセス装置１より後の段階で用いられる他のプロセス装置や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４及びこの生産管理システム４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５を含んでいる。ＥＥＳネットワーク３とＭＥＳ系ネットワーク５とは、ルータ６を介して接続されている。ＭＥＳ系ネットワーク５上に存在する生産管理システム４は、ルータ６を経由して、ＥＥＳネットワーク３上の各装置にアクセスすることができる。

この製造システムは、例えば、半導体や液晶パネルを製造するもので、プロセス装置１が液晶パネル等を製造するためのプロセス（ガラス基板に対する配向膜形成，ラビング処理等）を実行する。半導体製造プロセスや液晶パネル製造システムにおいては、処理対象のウエハやガラス基板（以下、「ガラス基板」）は、カセット１０内に所定枚数セットされ、カセット単位で移動されるとともに、プロセス装置１で所定の処理が行なわれる。１つの製品を製造する場合、複数のプロセス装置１においてそれぞれ所定の処理が実行される。その場合、プロセス装置間の移動も、カセット単位で行なわれる。カセット１０に実装された所定枚数のガラス基板が同一のロットとなる。

この実施形態の液晶パネル製造システムでは、個々のガラス基板ごとに管理する必要から、各ガラス基板ごとに製品ＩＤが付与される。この製品ＩＤは、例えばロットＩＤと、そのロット内の識別番号を結合することにより、設定できる。すなわち、仮にロットＩＤが「０４０８２５１」で、ロット内にセット可能な枚数が１桁とすると、ロット内の２番目のガラス基板（ロット内の識別番号は「２」）の製品ＩＤは、下一桁にロット内の識別番号を付加した「０４０８２５１２」と設定することができる。

もちろん、タグ１０ａに、ロットＩＤに替えて、或いはロットＩＤとともに収納された全てのガラス基板についての製品ＩＤを記録しておき、プロセス装置１（プロセスデータ収集装置１２）は、タグ１０ａに格納された全ての製品ＩＤを取得するようにしてもよい。また、カセット１０にセットするガラス基板が１枚の場合には、タグ１０ａに記録したＩＤが、そのまま製品ＩＤとして使用できる。なお、ロット単位で解析をする場合には、製品ＩＤの取得や、ロットＩＤに基づく製品ＩＤの作成は不要である。

カセット１０には、ＲＦ−ＩＤ（radio frequency identification）タグ１０ａが取り付けられている。タグ１０ａは、プロセス装置１に連結されたＲＦ−ＩＤリードライトヘッド１１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１０ａには、ロットＩＤ（製品ＩＤの基となるロットＩＤ或いは製品ＩＤ自体）と、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１は、ＭＥＳ系ネットワーク５からルータ６経由で生産管理システム４から送られてきたレシピＩＤを取得する。プロセス装置１は、レシピＩＤと実際に行な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ＩＤに応じたプロセスを実行する。複数のプロセス装置１は、それぞれの装置を識別するための装置ＩＤが設定されている。

液晶パネルの製造プロセスは、ＴＦＴ形成工程，配向膜塗布、焼成工程，ラビング処理工程，パネル形成工程，液晶注入工程，偏光板貼り工程，モジュール組立工程を順に実行する。そこで、プロセス装置１は、それら各工程を実行する装置である。

ここで、ラビング処理工程を実行するラビング装置について説明する。ラビング装置は、液晶フラットパネルのセル工程製造装置で、配向膜（ポリイミドが主体）を印刷したアレイ基板とカラーフィルタ基板の上を、特殊な布を巻き付けたローラ（ラビングローラ）を回転させることによって擦り、液晶材料を一定方向に配向させる溝を形成するための装置である。ワーク位置決め精度、テーブルの平滑性、ローラ芯振れ精度など、ラビング装置には極めて高精度が要求され、ローラ芯振れ精度とローラ走行精度が重要である。

図２は、ラビング装置であるプロセス装置１の全体構成を示し、図３は、そのプロセス装置１内の動作状況を示している。ラビング装置は、ガラス基板５１を固定するとともに所定方向に移動可能とするステージ５２と、そのステージ５２の上方に配置したラビングローラ５３とを備えている。図３に示すように、ラビングローラ５３の周囲には、ラビング布５４が巻き付けられている。

ステージ５２は、Ｘ，Ｙ，θ，Ｚテーブル、すなわち、Ｘ−Ｙ−Ｚの３軸の直交座標系における各軸方向への移動が行なえるものである。本実施形態との関係では、ステージ５２は、第１駆動モータＭ１の出力を受けて、Ｘ軸方向に移動する。また、ラビングローラ５３は、第２駆動モータＭ２の出力を受けて、自転する。このラビングローラ５３の回転に同期してステージ５２がＸ軸方向に移動する。これにより、ステージ５２上のガラス基板５１が、ラビングローラ５３に取り付けられたラビング布５４に接触しながら移動し、ガラス基板５１の表面に塗布された配向膜が液晶材料を一定方向に配向させるように配向膜に溝が形成される。

本実施形態では、ステージ５２を所定の方向に移動させ、ガラス基板５１の表面が水平になるとともに、ラビングローラ５３との相対位置関係が適切に成るように初期設定される。そして、実際にラビング処理をする際には、ステージ５２をＸ軸方向に所定速度で移動させる。

また、ラビング装置には、ラビングコントローラ５５を備える。このラビングコントローラ５５は、ＭＥＳ系ネットワーク５からルータ６経由で生産管理システム４から送られてきたレシピＮｏ．を取得する。ラビングコントローラ５５は、レシピＮｏ．と実際に行な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．に応じてラビング装置を構成する各機器の動作を制御する。

駆動モータＭ１，Ｍ２の動作は、ラビングコントローラ５５からの制御命令に基づいて制御される。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）及び第１駆動モータＭ１，第２駆動モータＭ２の回転数やモータ電流等の動作状態についての測定データ等は、アナログ入力インタフェース又はデジタル入力インタフェースを介してセンサバス経由で送られて、プロセスデータ収集装置１２にて取得される。各駆動モータＭ１，Ｍ２の回転数は、例えばそれら駆動モータに内蔵或いは別途取り付けられたエンコーダの出力に基づき求めることができる。第１駆動モータＭ１の回転数に基づいてステージ５２ひいてはガラス基板５１の移動距離Ｖが求められる。よって、基準位置からの移動距離に基づいて現在位置を求めたり、内蔵タイマにより計時することによってガラス基板５１の移動速度を求めることもできる。

一方、ステージ５２の上面の四隅には、振動センサ５６を設置する。振動センサ５６は、ステージ５２の振動を検知し、その検知信号（振動波形）がアナログ入力インタフェースを介してセンサバス経由で送られて、プロセスデータ収集装置１２にて取得される。同様に、ラビングローラ５３にも振動センサ５６ａを設置した。この振動センサ５６ａは、ラビングローラ５３の振動を検知し、その検知信号（振動波形）がアナログ入力インタフェースを介してセンサバス経由で送られて、プロセスデータ収集装置１２にて取得される。

また、駆動モータＭ１，Ｍ２には、電流センサ５７が接続され、駆動電流が計測される。すなわち、図４に示すように、駆動モータＭ１，Ｍ２と、そのモータに対して電力供給するアンプ５８とを結ぶ電力線５９のうちの１本に電流センサ５７を装着する。この電流センサ５７の出力をアナログ入力インタフェースを介してセンサバス経由で送られて、プロセスデータ収集装置１２にて取得される。

また、ラビングコントローラ５５からは、各機器に与えられる制御命令や、その他のパラメータなどがプロセスデータ収集装置１２に与えられる。ラビングコントローラ５５から与えられる情報の一例を示すと、ローラ回転数，ローラ半径，押し込み圧力，基板移動速度，ラビング回数，ステージ位置，基板位置等がある。

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コントローラにてロットＩＤ（或いは製品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を介してセンサバスに送られ、プロセスデータ収集装置１２にて取得される。さらにプロセス装置１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，湿度センサを備える。各センサで検出したデータは、アナログ入力インタフェースを介してセンサバス経由でプロセスデータ収集装置に収集される。

このように、プロセスデータ収集装置１２は、プロセス装置１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。

プロセスデータ収集装置１２は、通信機能を備えている。プロセスデータ収集装置１２は、プロセス装置１において発生したあらゆるプロセスデータを収集し、収集したプロセスデータに製品ＩＤと装置ＩＤとを対応付けてＥＥＳ系ネットワーク３に出力する。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。

プロセス異常分析装置２０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。

図５は、プロセス異常分析装置２０の内部構成を示している。プロセス異常分析装置２０は、プロセスデータ収集装置１２から送られてきた各プロセス装置ごとのプロセスデータを格納するプロセスデータ記憶部２１と、各プロセスデータ記憶部２１に格納された各種のプロセスデータからプロセス特徴量を算出するプロセスデータ編集部２２と、プロセスデータ編集部２２が算出したプロセス特徴量を格納するプロセス特徴量データ記憶部２３と、そのプロセス特徴量データ記憶部２３に格納されたプロセス特徴量データに基づいて異常の有無を判定する異常判定部２４と、異常判定部２４で異常と判定されたガラス基板についてのプロセスデータを記憶する異常プロセスデータ記憶部２７と、異常判定部２４の判定結果を記憶する判定結果（異常要因）データ記憶部２８と、異常判定部２４で判定処理を行なう際に使用する異常分析ルールを記憶する異常分析ルールデータ記憶部２６と、その異常分析ルールデータ記憶部２６にアクセスして異常分析ルールの追加・変更を行なう異常分析ルール編集部２５と、を備えている。各記憶部は、プロセス異常分析装置２０の外部の記憶装置に設定してもよいし、内部記憶装置に設けてもよい。

図６（ａ）に示すように、プロセスデータ記憶部２１に格納されるプロセスデータは、製品ＩＤと装置ＩＤとに関連付けられる。プロセスデータは、プロセスデータ収集装置１２が収集した各種のプロセスデータに加え、そのプロセスデータを収集した日時情報（日付＋時刻）も含む。各プロセス装置用のプロセスデータ記憶部２１には、製品ＩＤごとに、日時情報に従って時系列にプロセスデータが格納される。

プロセスデータ記憶部２１は、リングバッファ等の一時記憶手段から構成され、プロセス終了後の所定のタイミングでプロセスデータを削除（新たなプロセスデータを上書き）するようにしている。

プロセスデータ編集部２２は、プロセスデータ記憶部２１に格納された時系列のプロセスデータを呼び出し、製品毎のプロセス特徴量を算出する。プロセス特徴量は、例えば、同一の製品ＩＤについてのプロセスデータのピーク値，総和，平均値等のプロセスデータの値から算出するものに限らず、プロセスデータの値が設定された閾値を超えている時間等の各種のものがある。

すなわち、振動データや電流データの時系列データは、周波数成分を含む波形データである。そこで、係る波形データの特徴量としては、計測値の時系列データ（図７参照）の平均，総和，最大，最小，範囲，標準偏差，２乗和，期間の時間長等の波形データ全体から求めるものがある。また、図８に示すようなＦＦＴのパワーの平均，総和，最大，最小，範囲，標準偏差，パワーの最大または最小等における周波数等もある。さらに、ウェーブレット変換により得られた時系列データの平均，合計，２乗和，最大，最小，範囲，標準偏差などもある。このウェーブレット変換により得られた時系列データとしては、ＯＫ時／ＮＧ時でＦＦＴパワーの差が大きい周波数に近い時系列データや、変換されたすべて時系列データなどがある。

ここで、ウェーブレット変換を用いた特徴量抽出処理アルゴリズムは、以下に示す手順で実行する。
（１）プロセスデータ編集部２２は、時系列データに対してＦＦＴを実施する。次いで、検査結果がＯＫ時とＮＧ時のスペクトラムを比較し、差のある周波数帯（特徴的周波数帯）を見つけ出す（図９参照）。係る特徴的周波数帯の抽出は、プロセスデータ編集部２２が実行しても良いし、ユーザが実行しても良い。ユーザが実行する場合、プロセスデータ編集部２２は、算出したＯＮ時のスペクトラムとＮＧ時のスペクトラムとを、それぞれ表示装置に表示し、ユーザに差のある周波数帯の入力を促す。
（２）また、プロセスデータ編集部２２は、元の時系列データをウェーブレット変換により周波数域で帯域制限された複数の時系列に分解する（図１０参照）。
（３）分解された時系列データの中から、（１）のＦＦＴのスペクトル分析でえられた周波数帯に近い時系列データを選択する（図１０参照）。
（４）（３）で選択された時系列データに基づいて、平均，総計，最大，最小，範囲，標準偏差，２乗和，期間の時間長等を算出する。

このラビング装置におけるラビング条件（プロセス状態データ）とラビング強度ＲＳとは、以下の関係式が成り立つ。
ＲＳ＝ＮＬ（１＋２πｒｆ／Ｖ）
但し
ｆ：回転数
ｒ：ローラ半径
Ｌ：押し込み量（圧力）
Ｖ：移動速度
Ｎ：ラビング回数

しかしこのラビング強度は、配向状態のラビング条件依存を統一的に表すパラメータではなく、ラビングの膜配向に与える影響は、パラメータや膜材料により異なるものである。

プロセスデータ編集部２２は、生産管理システム４から出力されるレシピＩＤを製品ＩＤ並びに装置ＩＤとともに取得する。レシピは、予め決められたプロセス装置に対する命令や設定、パラメータのセットで、処理対象や工程、装置の違いにより複数持ち、生産管理システム４で管理される。それぞれのレシピには、レシピＩＤが付与される。各プロセス装置１で処理されるウエハに対するレシピは、装置ＩＤと製品ＩＤとレシピＩＤとにより特定される。

プロセスデータ編集部２２は、図６（ｂ）に示す製品ＩＤと装置ＩＤとレシピＩＤとのセットを以下に示す手順で取得する。まず、プロセスデータ編集部２２は、生産管理システム（ＭＥＳ）４にアクセスし、分析対象のガラス基板の製品ＩＤと、プロセス装置１を特定する装置ＩＤをキーにし、対応するレシピＩＤを検索する。次いで、プロセスデータ編集部２２は、その検索したレシピＩＤを生産管理システム４から直接、或いは、プロセスデータ収集装置１２経由で取得する。プロセスデータ収集装置１２経由で取得する場合、プロセスデータ収集装置１２は、進行中のプロセスのレシピＩＤを生産管理システム（ＭＥＳ）４から取得し、プロセス装置１の装置ＩＤとプロセスデータとを併せてプロセス異常分析装置２０へ渡すようにしてもよい。

プロセスデータ編集部２２は、製品ＩＤと装置ＩＤをキーにして、算出したプロセス特徴量データと、取得したレシピＩＤとを結合し、その結合したデータを対応する装置ＩＤ用のプロセス特徴量データ記憶部２３に格納する。よって、プロセス特徴量データ記憶部２３のデータ構造は、図６（ｃ）に示すようになる。

異常分析ルール編集部２５は、モデル化装置１９や人手による解析によって得られたモデルを取得し、異常分析ルールを定義し、異常分析ルールデータ記憶部２６に格納する。モデル化装置１９は、例えば特開２００４−１８６４４５号公報に開示されたデータマイニングを利用したモデル化装置等を用いることができる。ここで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等が知られている。

さらに異常分析ルール編集部２５は、異常分析ルールに対応する異常通知情報も登録する。これにより、異常分析ルールデータ記憶部２６のデータ構造は、図１１に示すように、各プロセス装置の装置ＩＤと、各プロセス装置のレシピＩＤと、異常分析ルールと、異常通知情報と、を関連付けたテーブル構造となる。

異常通知情報は、異常分析ルールに基づいて判定された結果を表示する異常表示装置２や、判定結果を通知する通知先等の出力先を特定する情報と、具体的な通知内容がある。通知先は、例えば、担当者のメールアドレスなどである。異常表示装置２と通知先の両方を登録しても良いし、一方のみを登録しても良い。出力先を複数設けた場合、例えば、判定により求められる異常の度合いや異常箇所などで分類し、分類に応じて振り分けることができる。異常表示装置，通知先、通知内容は、ひとつの分類に対し、複数指定することができる。異常分析ルールは、線形回帰，決定木，マハラノビスの距離，主成分分析，移動主成分分析，ＤＩＳＳＩＭなどの手法を使用することができる。

異常分析ルールは、プロセス特徴量に基づいて演算処理する異常判定式と、その異常判定式により求めた値（ｙ）が異常を生じているか否かを決定する判定条件と、を備えている。

この異常分析ルールは、プロセス特徴量から異常検出や異常要因分析を行なうためのルールである。異常検出は、異常の有無を判断するものである。異常要因分析は、異常要因データを求めるものである。異常要因データは、プロセスデータまたはその特徴量を示す名称と寄与率データを含む。寄与率データは、その異常に対して、どのプロセスデータやその特徴量がどのくらい影響を与えているかを表わすデータである。寄与率データの数値が大きいほど当該異常に対する影響度合いが大きい、すなわち当該異常をもたらした原因の可能性が高いと言える。異常要因分析により算出される寄与率データの値の上位Ｎ個（例えば、５個）までの寄与率データを含む異常要因データを抽出する。作業員は、抽出された異常要因データに基づき、異常が検出されたときの対処時に、どのプロセスデータをチェックすればよいかがわかる。

本実施形態では、異常要因データを決定するための寄与率を、ＰＬＳ（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）法により得られた回帰式より求めるようにした。このＰＬＳ法により得られる回帰式を下記に示す。
ｙ＝ｂ０＋ｂ１＊ｘ１＋ｂ２＊ｘ２＋……＋ｂ（ｎ−１）＊ｘ（ｎ−１）＋ｂｎ＊ｘｎ

上記の式において、ｘ１，ｘ２，……ｘｎが、それぞれプロセス特徴量であり、ｂ０，ｂ１，ｂ２，……ｂｎは、係数である。ｂ１，ｂ２，……ｂｎは、各プロセス特徴量の重み度である。上記の回帰式により求めたｙの値がしきい値を越えた場合に異常と判定される。このＰＬＳ法を用いた異常検知は、例えば、特開２００４−３４９４１９の段落［００８０］−［００９３］等に開示されている。

本実施形態では、このＰＬＳ法を利用して各プロセス特徴量の寄与率を求めるようにした。まず、各変数（ｘ１，ｘ２，……ｘｎ）がいずれも平均値を示すときのＰＬＳ予測値をＹとする。そして、実際に取得したプロセス特徴量を各変数に代入して求めたｙとの差であるｙ−Ｙの大きさに各項がどれだけ寄与したかを評価する。つまり、各変数の平均値をＸ１，Ｘ２，……Ｘｎとすると、上記の式の各項の値は、下記のようになる。
ｂ１（ｘ１−Ｘ１）、ｂ２（ｘ２−Ｘ２）、・・・・、ｂｎ（ｘｎ−Ｘｎ）
このように、平均値と実測値の差分に、さらに係数を乗算した値を求めた各項の値を、各プロセス特徴量の寄与率データとした。

本実施形態では、複数のプロセス装置のプロセス特徴量が統合された統合プロセス特徴量データに基づいて異常判定を行なうため、要因分析を行なった結果、異常を生じているおそれが高いプロセス装置を特定したり、そのプロセス装置のどのプロセス特徴量が問題であるかを特定することができる。

プロセス装置の異常の有無の判定は、Ｑ特徴量とＴ^２統計量とを用いる。すなわち、主成分分析（Principal Component Analysys：ＰＣＡ）を利用して管理限界（正常空間）設定し、モデル構築用データ（プロセス特徴量データ）を使用して得られた値を参考に閾値とする。そして、運用時（異常検出時）は上記閾値からリアルタイム（ガラス基板毎）にプロセス状態が正常かどうか判断する。ここで、Ｑ特徴量並びにＴ２統計量は、それぞれ下記式により求められる。

ここで、ｔｒは、主成分分析における第ｒ主成分得点であり、Ｒは、採用された主成分の数である。

ＰＬＳに関連する異常分析ルール編集部２５の具体的な処理機能は、図１２に示すフローチャートを実行するようになっている。まず、異常分析ルール編集部２５は、すでに収集されたルール構築用のプロセスデータと正常／異常を含む検査結果データをＰＬＳ法で分析し、予測モデルを得る（Ｓ２１）。次いで、異常分析ルール編集部２５は、同データから統計量Ｑ，Ｔ２を算出する（Ｓ２２）。そして、異常分析ルール編集部２５は、上記予測モデルと統計量Ｑ，Ｔ２と異常判断のための各しきい値をレシピＩＤとともにルールとして登録する（Ｓ２３）。処理ステップＳ２１と処理ステップＳ２２は、モデル化装置１４で実行しても良い。

また、目的変数（予測対象）は、異方性の大きさＤΔや、配向方位θ等がある。異方性の大きさＤΔは、反射光偏光異方性測定における位相差Δの最大値と最小値の差により求められる。配向方位θは、位相差Δの最大値の方位である。

説明変数は、ラビングローラ回転数，基板移動速度，ラビングローラ押し込み圧力，ラビングローラ半径，ラビング回数，ラビングローラ軸位置（Ｘ，Ｙ，Ｚ×ｎ点），ラビングローラ偏芯度，ステージ位置（Ｘ，Ｙ，Ｚ×ｎ点），基板位置（Ｘ，Ｙ，Ｚ×ｎ点、ステージ相対），基板（ステージ）振動（Ｘ，Ｙ，Ｚ×ｎ点），ラビングローラ（軸）振動（Ｘ，Ｙ，Ｚ×ｎ点），ラビングローラモータ電流，ステージ移動モータ電流，基板温度，室内（装置内）温度，室内（装置内）湿度などがある。

この異常分析部２４ａで実行される異常判定は、異常の有無と、異常要因分析の両方である。異常の有無は、プロセス装置１で製造された製品の異常の有無の予測と、プロセス装置自体の異常の有無の判定の両方を含む。

プロセス装置の異常の有無の判定は、Ｑ特徴量とＴ^２統計量とを用い、Ｑ特徴量とＴ^２統計量の少なくとも一方が閾値を越えると、プロセス装置の異常があると推測できる。但し、Ｑ特徴量，Ｔ^２統計量が閾値を越えた場合であっても、プロセス装置以外の外因その他の理由から異常の値を示す可能性もあるので、本実施形態では、プロセス装置の異常発生の通知は、係るＱ特徴量やＴ^２統計量が閾値を越えた現象が連続してＮ回続いたときに行なうようにした。

異常プロセスデータ保存部２４ｂは、異常分析部２４ａで異常が検出された場合に、その異常と判定されたウエハについてのプロセスデータをプロセスデータ記憶部２１から読み出すとともに、異常プロセスデータとして異常プロセスデータ記憶部２７に保存する。このとき、異常判定結果（ｙの値）を関連づけて登録しても良い。

異常出力部２４ｃは、異常分析部２４ａで異常が検出された場合に、指定された異常表示装置に対して異常メッセージを出力する。出力する異常メッセージは、異常分析ルールデータ記憶部２６に格納されている。また、異常要因分析を行なった場合、寄与率等の詳細データも併せて出力する。さらに異常出力部２４ｃは、異常分析部２４ａで異常が検出された場合に、指定された異常通知先に対して指定された方法で異常メッセージを出力する機能も備える。一例としては、異常出力部２４ｃは、指定されたアドレスに対してメール送信をする。出力する異常メッセージは、異常分析ルールデータ記憶部２６に格納されている。また、異常要因分析を行なった場合、寄与率等の詳細データも併せて出力してもよい。

判定結果保存部２４ｄは、異常分析部２４ａにおける異常判定の結果を判定結果データとして判定結果データ記憶部２８に保存する。つまり、異常判定の結果は、ＰＬＳ予測値や予測値寄与率、Ｑ，Ｔ^２統計量などとともに保存され、異常表示装置等から検索することができる。この判定結果データは、全ての判定結果を保存しても良いし、異常と判定された場合のみを保存するようにしてもよい。

異常分析部２４ａの具体的な処理機能は、図１３，図１４に示すフローチャートのようになっている。プロセスデータ編集部２２は、１枚分の製品のプロセスデータを収集し（Ｓ１）、そのプロセスデータからプロセス特徴量を算出する（Ｓ２）。算出したプロセス特徴量は、プロセス特徴量データ記憶部２３に格納される。

異常分析部２４ａは、プロセス特徴量データ記憶部２３にアクセスし、１つの製品ＩＤをキーにして１枚葉分のプロセス特徴量データを抽出し、そのレシピＩＤを取得する。そして、異常分析部２４ａは、異常検出要因分析ルールデータ記憶部２６にアクセスし、取得したレシピＩＤに対応する異常検出要因分析ルールを取得する（Ｓ３）。

異常分析部２４ａは、取得したプロセス特徴量と異常検出要因分析ルールに基づき、プロセス結果予測値（ｙの値）と予測値寄与率とＱ統計量とＴ^２統計量とを算出する（Ｓ４）。異常分析部２４ａは、Ｑが正常範囲か否かを判断し（Ｓ５）、正常範囲内の場合にはＱの異常カウンタのカウント値を０にリセットし（Ｓ６）、正常範囲外の場合にはＱの異常カウンタのカウント値を１インクリメントする（Ｓ７）。同様に異常分析部２４ａは、Ｔ^２が正常範囲か否かを判断し（Ｓ８）、正常範囲内の場合にはＴ^２の異常カウンタのカウント値を０にリセットし（Ｓ９）、正常範囲外の場合にはＴ^２の異常カウンタのカウント値を１インクリメントする（Ｓ１０）。

異常分析部２４ａは、ＱおよびＴ^２の異常カウンタのカウント値が共に０であるか否かを判断し（Ｓ１１）、何れも０の場合には、プロセス状態を正常状態と判定し（Ｓ１２）、少なくとも一方が０でない場合にはプロセス状態を異常状態と判定する（Ｓ１３）。

プロセス状態が正常な場合、異常分析部２４ａは、プロセス処理結果予測値（ＰＬＳ予測値等）が正常範囲か否かを判断し（Ｓ１４）、正常範囲内の場合にはプロセス処理結果予測値（ＰＬＳ予測値等）の異常カウンタのカウント値を０にリセットし（Ｓ１５）、正常範囲外の場合にはプロセス処理結果予測値（ＰＬＳ予測値等）の異常カウンタのカウント値を１インクリメントする（Ｓ１６）。

上記の処理ステップＳ１７或いはＳ１８を実行後、異常分析部２４ａは、プロセス処理結果予測値（ＰＬＳ予測値等）の異常カウンタのカウント値が指定回数未満か否かを判断し（Ｓ１７）、指定回数以上の場合は、プロセス結果予測値、予測値寄与率、Ｑ，Ｔ２統計量を通知する（Ｓ１８）。

一方、プロセス状態が異常の場合、異常分析部２４ａは、ＱまたはＴ２の異常カウンタのカウント値が指定回数未満か否かを判断し（Ｓ１９）、指定回数以上の場合は、プロセス状態(重大)異常として寄与率と共に通知する（Ｓ２０）。

異常の通知は、予め設定された判定条件に対応する異常通知情報に従って異常を通知する。具体的には、異常出力部２４ｃが、予め設定された異常表示装置２に対してメッセージを出力したり、予め設定された異常通知先にメール送信等により通知する。通知する内容は、異常分析ルールデータ記憶部２６に格納された異常表示情報と、レシピＩＤに加え、発生日時情報や異常通知ＩＤを付加する。

異常表示装置２の設置位置は、ＥＥＳネットワーク３に限ることはなく、ＭＥＳ系ネットワーク５や、さらに外部のネットワークに接続してもよい。異常表示装置２とプロセス異常分析装置２０とが、同一のパソコンにより構成されても良い。

上述した実施形態では、プロセス装置としてラビング装置を例にして説明したが、ラビング装置以外にも適用できる。一例を示すと、半導体製造装置ではCMP(Chemical Mechanical Polishing)装置など可動部（回転部）を持ち振動を発生する装置などに好ましく適用できる。

本発明の一実施形態であるプロセス異常分析装置を含む製造システムの一例を示す図である。 プロセス装置（ラビング装置）の内部構造の一例を示す図である。 ラビング装置の一例を示す模式図である。 ラビング装置の一部を示す図である。 プロセス異常分析装置の内部構造の一例を示す図である。 プロセス異常分析装置が処理する各種データのデータ構造の一例を示す図である。 電流波形（例）と特徴量の一例を示す図である。 ＦＦＴの特徴量の一例を示す図である。 ウェーブレット変換を用いた特徴量抽出処理アルゴリズムを説明する図である。 ウェーブレット変換を用いた特徴量抽出処理アルゴリズムを説明する図である。 プロセス異常分析装置が処理する各種データのデータ構造の一例を示す図である。 異常分析ルール編集部の機能を説明するフローチャートである。 異常判定部の機能を説明するフローチャートである。 異常判定部の機能を説明するフローチャートである。

符号の説明

２０ プロセス異常分析装置
２１ プロセスデータ記憶部
２２ プロセスデータ編集部
２３ プロセス特徴量データ記憶部
２４ 異常判定部
２４ａ 異常分析部
２４ｂ 異常プロセスデータ保存部
２４ｃ 異常出力部
２４ｄ 判定結果保存部
２５ 異常分析ルール編集部
２６ 異常分析ルールデータ記憶部
２７ 異常プロセスデータ記憶部
２８ 異常要因データ記憶部

Claims (6)

1. １または複数の製造装置からなる製造システムにおいて、プロセス実行時に得られるプロセスデータに基づいてプロセスの異常を単位対象品毎に検出するプロセス異常分析装置であって、
   前記時系列のプロセスデータを記憶するプロセスデータ記憶手段と、
   そのプロセスデータ記憶手段に格納されたプロセスデータからプロセス特徴量を抽出するプロセスデータ編集手段と、
   プロセス特徴量を用いて前記製造システムで製造される製品並びに前記製造装置の異常検出を行なうための異常分析ルールを記憶する異常分析ルールデータ記憶手段と、
   前記異常分析ルールにより、前記プロセス特徴量から前記製品並びに前記製造装置の異常の有無を判定する異常判定手段と、
   を備え、
   プロセスデータ編集手段は、周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ない前記プロセス特徴量を抽出する機能を含むことを特徴とするプロセス異常分析装置。
2. 前記製造装置は、液晶を配向させるためのラビング装置であり、
   前記異常判定手段は、前記プロセス特徴量を説明変数としＰＬＳ回帰モデルにより配向強度を予測し、異常検出の有無を判定することを特徴とする請求項１に記載のプロセス異常分析装置。
3. 前記製造装置は、液晶を配向させるためのラビング装置であり、
   前記異常判定手段は、前記プロセス特徴量を説明変数としでＱ統計量、Ｔ^２統計量を算出し、それにより異常検出・分類・異常要因分析を行なうことを特徴とする請求項１に記載のプロセス異常分析装置。
4. 前記製造装置は、液晶を配向させるためのラビング装置であり、
   前記プロセスデータは、ラビングローラの直径、ラビングローラ回転数、基板移動速度、基板および基板を移動させるステージの位置、ラビングローラ軸の位置、ラビングローラの振動、ラビングローラを回転させるモータの電流、基板の振動、ステージを移動させるモータの電流のうち少なくともひとつを含むことを特徴とする請求項１〜３のいずれか１項に記載のプロセス異常分析装置。
5. コンピュータを、
   プロセス実行時に得られる時系列のプロセスデータを記憶するプロセスデータ記憶手段に格納されたプロセスデータからプロセス特徴量を抽出するものであり、少なくとも周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ない前記プロセス特徴量を抽出するプロセスデータ編集手段、
   プロセス特徴量を用いて前記製造システムで製造される製品並びに前記製造装置の異常検出を行なうための異常分析ルールを記憶する異常分析ルールデータ記憶手段、
   前記異常分析ルールにより、前記プロセス特徴量から前記製品並びに前記製造装置の異常の有無を判定する異常判定手段、
   として機能させるためのプログラム。
6. １または複数の製造装置からなる製造システムにおいて、プロセス実行時に得られるプロセスデータに基づいてプロセスの異常を単位対象品毎に検出するプロセス異常分析装置における分析方法であって、
   前記時系列のプロセスデータを取得してプロセスデータ記憶手段に格納するステップと、
   そのプロセスデータ記憶手段に格納されたプロセスデータからプロセス特徴量を抽出するステップと、
   その抽出したプロセス特徴量を用いて前記製造システムで製造される製品並びに前記製造装置の異常の有無を判定する異常判定ステップとを実行するものであり、
   前記プロセス特徴量を抽出するステップは、周波数成分を含む時系列データからなるプロセスデータに対し、ウェーブレット変換を行ないプロセス特徴量を抽出する処理を含むことを特徴とするプロセス異常分析方法。

Images