JP2010501091A - 故障診断のための範囲を定めた故障サイン - Google Patents
故障診断のための範囲を定めた故障サイン Download PDFInfo
- Publication number
- JP2010501091A JP2010501091A JP2009509809A JP2009509809A JP2010501091A JP 2010501091 A JP2010501091 A JP 2010501091A JP 2009509809 A JP2009509809 A JP 2009509809A JP 2009509809 A JP2009509809 A JP 2009509809A JP 2010501091 A JP2010501091 A JP 2010501091A
- Authority
- JP
- Japan
- Prior art keywords
- fault
- failure
- signature
- signatures
- process variables
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Or Security For Electrophotography (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Drying Of Semiconductors (AREA)
Abstract
故障を診断する方法及び装置である。故障が検出される。故障に寄与した1つ以上のプロセス変数を判断する。1つ以上のプロセス変数の夫々の相対的な寄与を判断する。故障サインのどれが故障に適合するかに関して、判断を行う。1つ以上のプロセス変数の相対的な寄与が、適合する故障サインの相対的な寄与範囲内の時に、適合が生じる。故障サインは夫々、少なくとも1つの故障種別に関連している。
Description
本出願は、2006年5月7日に出願された米国特許仮出願第60/746,649号及び2006年5月7日に出願された米国特許仮出願第60/746,647号に基づく優先権を主張する。
本発明の実施形態は、故障診断、特に、範囲を定めた故障サインを用いる故障診断に関する。
多くの産業では、複数のセンサ及びコントロールを含む高性能の製造装置を利用しており、これらは、処理中、慎重にモニターされて、製品品質が確保される。複数のセンサ及びコントロールをモニタリングする1つの方法は、統計的プロセスモニタリング(センサ測定及びプロセスコントロール値(プロセス変数)で統計的分析を実施する手段)であり、自動検出及び/又は故障の診断を可能としている。「故障」は、製造装置の機能不良や調整不良(例えば、機械の操作パラメータの目的値からの偏位)、緊迫した機能不良や調整不良を防ぐための予防保守の必要性を示すものである。故障は、製造されている装置に故障を生じさせる可能性がある。従って、統計的プロセスモニタリングの1つの目標は、かかる故障を生成する前に、故障を検出且つ/又は診断することである。
プロセスモニタリング中、モデルメトリックが夫々の信頼度閾値を超えるほど十分に大きな量、統計的モデルから、最新のプロセスデータの1つ以上の統計が偏位すると、故障が検出される。モデルメトリックはスカラー数であり、その値は、実際のプロセスモニタリング中に収集されたプロセスデータの統計的特性と、モデルにより予測される統計的特性との間の偏位の規模を表している。各モデルメトリックは、この偏位を推定する独特な数学的方法である。従来のモデルメトリックとしては、二乗予測誤差(SPE、Qres又はQと一般的に称す)及びホテリングのT2(T2)が挙げられる。
各モデルメトリックは、信頼限界又は管理限界とも呼ばれる夫々の信頼度閾値を有する。その値は、モデルメトリックの許容できる上限を表している。モデルメトリックが、プロセスモニタリング中、各信頼度閾値を超えると、プロセスデータは、故障のために、異常統計を有することが推論できる。
故障が検出されると、各プロセス変数の相対的な故障寄与を推定することにより診断される。故障の中には、診断が困難なものがある。単一のプロセス変数と単純な(例えば、直接の)相関性がないからである。複数のプロセス変数に対して複雑及び/又は間接的な相関性を有する故障は、診断が特に難しい。
故障を診断する従来の方法では、通常、故障が分類される前に、故障が複数回生じる必要がある。これは、複数のプロセス変数に対して複雑な相関性を有する故障を分類するには問題がある。
本明細書に記載されているのは、故障を診断する方法及び装置である。一実施形態において、故障が検出される。故障に寄与した1つ以上のプロセス変数が識別される。プロセス変数は、管理限界外の測定値を有する場合に、故障に寄与する。1つ以上のプロセス変数の夫々の相対的な寄与が判断される。相対的な寄与は、正規化され、順番で一覧に並べられる。その順番は、故障寄与の規模に基づく。検出された故障に適合する故障サインが判断される。一実施形態において、識別されたプロセス変数の相対的な寄与が、適合する故障サインの相対的な寄与範囲内にある場合に、故障サインは、検出された故障に適合する。故障サインは、特定の故障の原因を識別する少なくとも1つの故障種別に関連する。
以下の説明において、数多くの詳細が規定されている。しかしながら、当業者であれば、これらの具体的な詳細がなくても、本発明が実施できることは明白であろう。場合によっては、周知の構造及びデバイスは、本発明を不明瞭にしないために、詳細にではなく、ブロック図形態で示されている。
以下の詳細な説明のいくつかの部分は、コンピュータメモリ内のデータビットでの操作アルゴリズム及び象徴図で示されている。これらのアルゴリズムの説明及び図は、データ処理業界の当業者によって用いられる手段であり、他の当業者にその作業の本質を最も効率的に伝えるものである。アルゴリズムは、ここでは、通常、所望の結果に導く首尾一貫したシーケンスのステップと考えられる。ステップは、物理量の物理操作を必要とするものである。通常、必ずしもではないが、これらの量は、ストア、転送、結合、比較及びその他操作可能な電気的又は磁気的信号の形態を採る。主に、一般的な使用の理由から、これらの信号は、ビット、値、要素、シンボル、文字、用語、数等として参照すると、便利な場合もあることが実証されている。
ただし、これら全て及び同様の用語は、適切な物理量と関連していて、これらの量に適用された便利なラベルでしかないことを念頭に入れておかなければならない。以下の記載から特に明言されていない限り、説明全体にわたって、「処理」、「コンピューティング」、「計算」、「判断」、「表示」等という用語を用いる説明は、コンピュータシステム又は同様の電子コンピューティングデバイスの動作及びプロセスのことを指し、コンピュータシステムのレジスタ及びメモリ内の物理(例えば、電子)量として表わされたデータは、操作されて、コンピュータシステムメモリ又はレジスタ又はその他かかる情報記憶、伝送又は表示デバイス内の物理量として同様に表わされた他のデータへ変換される。
本発明はまた、操作を実施する装置にも関する。この装置は、必要な目的のために特別に構築されていても、コンピュータにストアされたコンピュータプログラムにより選択的に作動又は再構成される汎用コンピュータを含んでいてもよい。かかるコンピュータプログラムは、コンピュータ読取り可能な記憶媒体にストアされる。例えば、フロッピー(商標名)ディスク、光学ディスク、CD−ROM及び磁気−光学ディスクをはじめとする任意のタイプのディスク、リードオンリーメモリ(ROM)、ランダムアクセスメモリ(RAM)、EPROM、EEPROM、磁気又は光学カード、電子的な命令をストアするのに好適な任意のタイプの媒体であるがこれらに限られるものではない。
本明細書に示したアルゴリズムやディスプレイは、特定のコンピュータ又はその他装置に本質的に関係するものではない。様々な汎用システムを、本明細書の教示に従って、プログラムと共に用いることができる。或いは、必要な方法ステップを実施するのに、更に特化した装置を構築するのが便利であることが実証されている。これらの様々なシステムに必要な構造は、以下の説明から明らかである。更に、本発明は、特定のプログラミング言語を参照して説明されていない。様々なプログラミング言語を用いて、本明細書に記載した本発明の教示を実施できるものと考えられる。
機械読取り可能な媒体には、情報を、機械(例えば、コンピュータ)により読み取り可能な形態でストアしたり、伝送する機構が含まれる。例えば、機械読取り可能な媒体としては、機械読取り可能な記憶媒体(例えば、リードオンリーメモリ(「ROM」)、ランダムアクセスメモリ(「RAM」)、磁気ディスク記憶媒体、光学記憶媒体、フラッシュメモリデバイス等)、機械読取り可能な伝送媒体(電気、光学、音響又はその他の形態の伝搬信号(例えば、搬送波、赤外信号、デジタル信号等))等が挙げられる。
以下の説明において、故障(製造異常)を検出及び/又は診断するために、製造デバイスで実施されるプロセスをモニターする統計的プロセスモニタリングシステムの詳細を述べる。一実施形態において、統計的プロセスモニタリングシステムは、電子デバイス(例えば、半導体)の製造に用いられる。かかるデバイスの製造には、通常、異なるタイプの製造プロセスが含まれる数十の製造ステップが必要とされる。例えば、エッチング、スパッタリング及び化学蒸着は、3つの異なるタイプのプロセスであり、夫々が、異なるタイプの機械で実行される。或いは、統計的プロセスモニタリングシステムを用いて、他の製品、例えば、自動車の製造をモニターしてもよい。かかるその他の製品の製造にはまた、様々な製造機械による多くの異なる処理ステップが必要とされる。
図1は、統計的プロセスモニタリングシステム100の一実施形態を示す。統計的プロセスモニタリングシステム100は、1つ以上の製造機110及び1つ以上のプロセスコントローラ150に、データ通信リンク160により結合された統計的プロセスモニタリング装置105を含む。統計的プロセスモニタリングシステム100は、工場(例えば、製造設備)における全ての製造機110を含む。或いは、統計的プロセスモニタリングシステム100は、工場におけるいくつかの製造機110しか含まない。例えば、製造機110は全て、1つ以上の具体的なプロセスを実行するものである。
一実施形態において、製造機110は、夫々、エッチャー、化学蒸着(CVD)炉、フォトリソグラフィーデバイス、注入器等の電子デバイスの製造のための機械である。或いは、製造機110は、他の製品(例えば、自動車)を製造するタイプのものであってもよい。一実施形態において、製造機110は夫々、単一タイプのものである。或いは、製造機110は、夫々が異なるプロセスを実行する複数の異なるタイプの機器を含んでいてもよい。
製造機110は夫々、製造機110で実行されるプロセスをモニターする複数のセンサを含んでいる。製造機に含まれるセンサの1つのタイプは、温度センサである。その他のセンサとしては、圧力センサ、流量センサ、製造プロセスの物理条件又は製造機110により製造されたワークピースの物理特性をモニターするその他センサが例示される。
製造機110で実行される各製造プロセスは、センサ、及び集合的にプロセスデータと呼ばれる様々な操作パラメータにより、測定された様々な物理条件及び特性により特徴付けられる。センサにより測定された夫々異なる物理条件又は特性、並びに各操作パラメータは、プロセスデータの異なるプロセス変数である。センサデータを表すプロセス変数としては、チャンバ圧力、サセプタ温度、RF順方向電力及びRF反射電力が例示される。操作パラメータを表すプロセス変数としては、流量設定(例えば、化学試薬の)及びスロットルバルブ設定(例えば、チャンバ排気ポンプの)が例示される。センサ、製造機及びプロセスコントローラは、処理中にモニターされて、時間内の連続点でプロセス変数を集める。
一実施形態において、各プロセス変数は特定のプロセスに適用される。或いは、1つ以上のプロセス変数を、特定のプロセスの一部のみに適用してもよい。一実施形態において、センサ測定及びプロセスにおける異なるステップについての操作パラメータは、異なるプロセス変数(モデル空間における追加の次元としてモデル化されたもの)を表す。例えば、機械で実施されている製造プロセスが、異なる操作パラメータ設定で複数のステップを有する場合、これは有用である。例えば、3ステップの製造プロセスにおいて、3ステップ中のサセプタ温度は、3つの異なるプロセス変数として処理される。プロセスステップを、モデル空間において、別の次元に分割するのが有利である。例えば、単一のプロセスで、ワークピースに複数の層を堆積する時や、プロセスの異なるステップで、ワークピースを異なるプロセス条件(例えば、圧力、温度等)に晒す時である。
プロセスコントローラ150は、製造機110の操作パラメータをコントロールする。例えば、プロセスコントローラ150は、製造機110のチャンバ温度、真空ポンプ、ガス注入システム等をコントロールする。プロセスコントローラ150は、1つ以上のプロセスレシピ(複数のレシピ)160をストアする。各レシピ160が、プロセスの各ステップで、製造機110の操作パラメータを定義する。一実施形態において、レシピ160は、プロセスコントローラ150により製造機110にロードされる。
データ通信リンク160は、従来の通信リンクを含み、ワイヤありでもワイヤレスであってもよい。データは、生又は処理済みフォーマットで、製造機110、プロセスコントローラ150及び統計的プロセスモニタリング装置105間で伝送される。一実施形態において、半導体装置通信規格(SECS)インタフェースを用いる。他の実施形態において、製造装置の通信及びコントロールの一般モデル(GEM)インタフェース、SECS/GEMインタフェース、高速SECSメッセージサービス(HSMS)インタフェース等を用いてよい。
統計的プロセスモニタリング装置105は、製造機110、センサ155及びプロセスコントローラ150から入ってくるプロセスデータを分析する単一サーバであってもよい。或いは、統計的プロセスモニタリング装置105は、複数のサーバ及び/又はコンピュータを含んでいてもよい。統計的プロセスモニタリング装置105は、一実施形態において、故障検出器125、故障診断器130及び故障報告器150を含んでいる。統計的プロセスモニタリング装置105はまた、記憶デバイス175も含んでいる。一実施形態において、統計的プロセスモニタリング装置105は、1つ以上のプロセスコントローラ150に含まれる。或いは、プロセスモニタリング装置105は、異なる別の装置であってもよい。
記憶装置175は、プロセス測定データベース120、1つ以上の多変量統計的モデル135及び故障診断データベース140を含む。一実施形態において、記憶デバイス175は、統計的プロセスモニタリング装置105のコンピュータ又はサーバの単一記憶デバイスである。或いは、記憶デバイス175は、統計的プロセスモニタリング装置105外であってもよい。一実施形態において、記憶デバイス175は、複数の記憶デバイスを含み、そのうちいくつかは、バックアップのためのデータの冗長コピーを含む。
プロセス測定データ(プロセスデータ)は、プロセス測定データベース120にストアされる。ストアされたプロセスデータを用いて、各製造機110及び製造機110で実行されるプロセス等についてのドリフト及び動向が示される。一実施形態において、ストアされたプロセスデータを用いて、後述するように、1つ以上の多変量統計的モデル135を生成する。生成されると、多変量統計的モデル135は、記憶デバイス175にストアされる。
故障診断データベース140には、複数の故障種別及び故障サインが含まれる。この詳細については後述する。一実施形態において、故障診断データベース140は、リレーショナルデータベースである。例えば、故障診断データベース140は、故障種別のリストをストアする故障種別テーブル、及び故障サインの定義特性をストアする関連の故障サインテーブルを含んでいる。
一実施形態において、訓練期間を用いて、1つ以上の多変量統計的モデルの生成についてのデータを集める。訓練期間に、特定の1つ又は複数の製造機での既知及び/又は制御された条件下で完了した特定の製造プロセスのまとまりのプロセス実行についてカバーする。訓練期間中に完了したプロセス実行により集められたプロセスデータを用いて、平均、分散、共分散行列等の統計を生成する。これらの統計を集合的に用いて、通常、特定の機械で実施される特定のプロセスについての1つ以上の多変量統計的モデル135を生成する。故障サインの初期の組も作成して、訓練期間中に集めたプロセスデータに基づいて、故障診断データベース140に追加することもできる。故障サインは、特定の1つ又は複数の故障を代表するプロセス条件を特徴付けるものである。故障サインは、特定の1つ又は複数の故障に寄与するプロセス変数を含むリスト、テーブル又はその他データである。
一実施形態において、各多変量統計的モデルは、単一の製造機にのみ適用される。或いは、適合する機械タイプの2つ以上の製造機110からのプロセスデータを集めて、単一の故障診断モデル(多変量統計的モデル)を確立し、これを、2つ以上の製造機での1つ以上のプロセス実行に適用する。さらに、第1の製造機について作成された故障診断モデルを、同じタイプ(例えば、同じ型)の第2の機械に適用してもよい。
各多変量統計的モデル135は、1つ以上のモデルメトリックを含む。モデルメトリックは、一組のプロセスデータとモデル間の偏位の量を特徴付けるスカラー値である。一実施形態において、モデルメトリックは、二乗予測誤差(SPE、Qres又はQと一般的に称す)及びホテリングT2を含む。モデルメトリックはまた、結合多変量指数(CMI)等の結合メトリックを含んでいてもよい。これらのメトリックは、モニターされているプロセスデータが、モデルを構築するのに用いられた訓練データと同じ統計を有する可能性を推測する異なる方法である。上述の統計及びメトリックは、従来の統計的アルゴリズムに従って計算される。
1つ以上の多変量モデルは、主成分分析(PCA)を利用して、M次元プロセス変数を、相互に直交する主成分のN次元空間に変換する。ここで、Mはプロセス変数の数であり、NはMよりずっと小さい。PCAは、一組のM固有ベクトル及びM固有値を計算する。各固有ベクトルは、プロセス変数データを、主成分空間の各次元へ変換し、各固有値は、対応の固有ベクトルにより表わされる分散量に比例する。主成分空間を単純化(次元を減少)するには、N最大固有値に対応するN固有ベクトルをモデルに保持し、他の固有ベクトルは放棄又は無視する。モデルに保持される主成分の数Nは、使用者が選択するモデルのパラメータである。主成分の数(N)は、小さな値のNを用いる時のデータ分散が少ないことを説明するモデルと、大きな値のNを用いる時の矛盾するモデル間のトレードオフに基づいて選択される。
1つ以上の多変量統計的モデルが生成されると、故障検出器125により用いられて、製造機110で実行されるプロセスがモニターされる。故障検出器125は、少なくとも1つの多変量統計的モデルに基づく様々な統計的プロセスモニタリング方法を実行することにより、プロセスデータを分析する。一実施形態において、故障検出器125は、製造機110、センサ155及び/又はプロセスコントローラ150から直接、プロセス測定データ(プロセスデータ)を受信する。他の実施形態において、故障検出器125は、プロセス製造データベース120からプロセスデータを受信する。更に他の実施形態において、故障検出器125は、両ソースからプロセスデータを受信する。
故障を検出するために、故障検出器125は、モニターされているプロセスについてのプロセスデータの統計を計算し、計算された統計を、適切な多変量統計的モデルの対応する統計と比較する。統計は、1つのモデルメトリック又は複数のモデルメトリック(例えば、T2、SPE、CMI)について比較する。1つ以上のモデルメトリックが、所定の閾値(信頼限界又は管理限界と称す)を超えると、故障が検出される。一実施形態において、各モデルメトリックは、使用者が選択する閾値を有する。選択した閾値は、故障アラームのリスク(閾値が低すぎる場合)と、故障を検出し損なうリスク(閾値が高すぎる場合)の間の折衷を表す。複数のメトリックを計算する場合には、メトリックの1つが閾値を超えると、故障が誘発される。或いは、特定のメトリックが、閾値を超える、又は複数のメトリックが、閾値を超える場合にのみ、いくつかの故障が誘発される。
故障が故障検出器125により識別されると、故障が、故障診断器130により分析される。故障診断器130は、故障を、故障診断データベース140にストアされた集積した故障サインと比較する。各故障サインは、特定の1つ又は複数の故障を代表するプロセス条件を表す。一実施形態において、故障サインは、特定の1つ又は複数の故障への最大統計的寄与を有するプロセス変数の格付けリストである。プロセス変数は、各寄与の相対的な規模の順番で格付けされる。或いは、故障サインは、故障への統計的寄与に基づいて、プロセス変数を格付けするテーブル、ツリー又はその他データ構造を含む。故障診断器130は、各ストアされた故障サインを、現在の故障に最大の寄与を有するプロセス変数の格付けリストと比較する。故障サインの1つと現在の故障間に高度の類似性がある場合には、適合と記録される。
各故障サインは、故障診断データベース140にストアされた1つ以上の故障種別と関連している。故障種別は、現在の故障を生成した実際の問題、又は現在の故障の予想される原因を示す。例えば、故障サインが、最大に寄与するプロセス変数がシラン流量であったことを示す場合には、故障種別は、シランのチャンバへの供給が機能不良であったことを示す。
故障種別は夫々、故障種別を集合的に定義する1つ以上のパラメータを有する。一実施形態において、故障種別は、使用者にとって有意となる十分な特異性を持つ故障種別を説明する単一パラメータ(例えば、単一データベースフィールド)を含む。他の実施形態において、故障種別は、例えば、故障種別が適用される特定の機械、機械の特定のコンポーネント等を指定する複数のパラメータを有する。例えば、故障種別は、特定の製造機110においてクリーニングを必要とする上部チャンバライナ用である。
故障報告器165は、1つ又は複数の故障種別145のどれが、現在の故障に適用されるかを示す故障報告を生成する。故障報告は、統計的プロセスモニタリング装置105とネットワーク化された1つ以上のクライアント(図示せず)(例えば、ローカルコンピュータ、リモートコンピュータ、携帯情報端末(PDA)、ポケットベル、携帯電話等)に送信される。故障報告器165はまた、製造機110をシャットダウンしたり、機械に警告を与えたり、その他適切な動作を行う。
図2に、故障種別を生成する方法200の一実施形態のフロー図を示す。方法は、ハードウェア(例えば、回路、専用論理、プログラム可能な論理、マイクロコード等)、ソフトウェア(処理デバイスで実行される命令等)又はこれらの組み合わせを含む処理論理により実行される。一実施形態において、方法200は、図1の統計的プロセスモニタリング装置105により実行される。
図2を参照すると、方法200は、故障を示すプロセスデータの取得で始まる(ブロック205)。プロセスデータは、製造機、センサ、プロセスコントローラ、プロセス測定データベースのうち1つ以上から取得することができる。プロセスデータは、例えば、チャンバ温度、圧力、ガス流量等を含む。プロセスデータは、例えば、温度が高すぎたり低すぎる、ガス流量が異常、圧力が、現在のプロセスに必要なものとは異なる場合等に、故障を示す。プロセスデータは、訓練期間、又は製造された製品の実際のプロセスモニタリング中に集められる。故障は、プロセスデータを生成するために意図的に生じさせてもよいし、故障は、意図的ではなく生成されることもある。一実施形態において、プロセスデータは、故障が生じることが分かる前に、取得され、プロセスデータの分析の際に、故障が引き起こされる。
ブロック210で、新たな故障種別を規定する(ブロック205)。一実施形態において、新たな故障種別は、故障診断データベースにおける故障種別を集合的に定義する1つ以上のパラメータをストアすることにより規定される。1つ以上のパラメータは、1つ以上の可能な故障の原因を識別するのに十分な特異性により故障種別を定義する。新たな故障種別は、特定の故障が一回生じた後に規定される。
ブロック215で、故障に寄与したプロセス変数の相対的な寄与が判断される。寄与するプロセス変数は、夫々の寄与の相対的な規模に対応する順番に格付けされる。以降、故障寄与と呼ぶ。プロセス変数の夫々の故障寄与は、従来の統計的方法により判断することができる。故障を検出するためのプロセス変数の相対的な寄与を判断する1つの例示の方法は、ここに参考文献として組み込まれるS.ジョーキン、セルジオバッレ、マイケルJ.ピオヴォーゾ「分散化プロセスモニタリングへの適用によるマルチブロック分析の一体化」、J.ケモメトリックス2001、15巻、715〜742頁に開示されている。検出された故障に対するプロセス変数の相対的な寄与を判断する他の例示の方法は、ここに参考文献として組み込まれるA.K.コンリン、E.B.マーチン、A.J.モリス「寄与プロットの信頼限界」、J.ケモメトリックス2000、14欄、725〜736頁に開示されている。故障を検出するためのプロセス変数の相対的な寄与を判断する更に他の例示の方法は、ここに参考文献として組み込まれるヨハンA.ウェステルハウス、シュテファンP.ガーデン、エージK.スミルデ「多変量統計的プロセスモニタリングにおける汎用寄与プロット」、ケモメトリックス及びインテリジェントラボラトリシステム2000、51巻、95〜114頁に開示されている。相対的な寄与を判断する他の方法を用いてもよい。
一実施形態において、故障寄与は、故障寄与を判断するのに用いる統計的な方法からは独立している。従って、特定の統計的方法(例えば、共分散行列、主成分固有ベクトル等)に特有のパラメータは、故障種別及び/又は故障種別に関連する故障サインに組み込まれない。そのため、故障種別は、適切な統計的方法(例えば、適合モデル(例えば、長期にわたって、特定のパラメータを適合するモデル)による統計的方法、及び静的モデルを用いる統計的方法)に等しく適用される。適合モデルを用いた統計的方法の場合には、モデルは、主成分分析(PCA)を含み、数多くの主成分が適合され、且つ/又はプロセス変数空間から主成分空間までの変換が適合される。
一実施形態において、プロセス変数の故障寄与は、2つ以上の異なる統計的方法(例えば、静的モデル及び適合モデル)により独立して判断される。異なる統計的モデルが、異なる故障についての故障寄与をより正確に判断するため、これは有利である。
ブロック220で、寄与格付けは、寄与プロセス変数に割り当てられて、新たな故障サインを生成する。一実施形態において、寄与プロセス変数のサブセットが選択される。サブセットは、故障寄与が、寄与閾値より大きなプロセス変数を含む。以降、有意限界と呼ぶ。有意限界は、例えば、上述したキンら、コンリンら及びウェステルハウスらの方法をはじめとする様々な方法に従って計算される。連続した番号の付いた格付けが、各寄与の相対的な規模の順番に基づいて、サブセットのプロセス変数に割り当てられる。
選択したサブセット外のプロセス変数(有意限界未満の故障寄与)は、故障寄与格付けなし、又はゼロと割り当てられる、或いは、故障サインから省かれる。一実施形態において、有意限界は予め決められる。或いは、有意限界は、新たな故障値が、1つ以上の統計的方法(例えば、各プロセス変数の夫々の故障寄与を判断するのに用いる統計的方法)を用いて生成される時に決めてもよい。有意限界を用いると、診断から、ある故障から、統計的に重要でない故障に寄与するプロセス変数を全て排除することにより、雑音排除性が改善される。有意限界を有する故障サインの例を、以下の表1及び表2に示す。
一実施形態において、新たな故障サインに含まれるプロセス変数の数に限界はない。従って、任意の数のプロセス変数が、これらのプロセス変数が、有意限界に適合する故障寄与を夫々有する限りは、故障サインに含まれる。或いは、上限及び/又は下限を、故障サインに対するプロセス変数の寄与数に与えてもよい。
ブロック225で、寄与するプロセス変数が、閾値より小さい故障寄与を夫々有するか、処理論理が判断する。以降、変動限界と呼ぶ。変動限界は、使用者が選択するか、又は自動的に選択される。変動限界は、固定値であっても、相対的な値(プロセス変数の1つへの故障寄与のパーセンテージに基づく)であってもよい。一実施形態において、統計的信頼範囲は、各プロセス変数の故障寄与について計算される。変動限界は、プロセス変数の計算された統計的信頼範囲に基づく。一実施形態において、プロセス変数は、重なる信頼範囲を有する場合には、変動限界より小さい。
プロセス変数が、変動限界(例えば、重なる信頼範囲を有する)より小さい場合には、方法をブロック230に進める。プロセス変数が、変動限界より小さくない場合には、方法をブロック235に進める。一実施形態において、プロセス変数が、変動限界が小さくても小さくなくても、方法をブロック235に進める。
ブロック230で、寄与格付け範囲が、1つ以上の寄与プロセス変数に割り当てられる。各寄与格付け範囲は、変動限界より小さいプロセス変数の夫々の寄与格付けを含む。これらのプロセス変数は夫々、格付け範囲に割り当てられる。格付け範囲には、そのプロセス変数の自身の寄与範囲と、他に含まれるプロセス変数の寄与範囲の両方が含まれる。一実施形態において、格付け範囲は、ある範囲の連続した番号の付いた寄与格付けである。例えば、格付け範囲が1〜2であると、第1のプロセス変数の寄与格付け1と、第2のプロセス変数の寄与格付け2とを含む。異なるプロセス変数は、同一であっても、重なる格付け範囲であってもよい。絶対寄与格付けの代わり、又はこれに加えて、格付け範囲により故障サインを定義すると、雑音排除性が改善される(例えば、プロセス変数間の相対的な格付けが、予測した統計的変動に換えられるような場合)。格付け範囲を有する故障サインの例を以下の表3及び表4に示す。
ブロック235で、新たな故障サインを、故障診断データベースにストアする。ストアされた故障サインは、新たな故障種別に関連している。一実施形態において、故障サインに対する各プロセス変数の実際の寄与値(例えば、0.9、0.5等)はストアされず、その代りに、寄与格付けがストアされる(例えば、1、2、3等)。或いは、実際の寄与値が、ストアされたり、寄与値と寄与格付けの両方がストアされる。
表1に、図2の方法200に従って生成された第1の故障サインを示す。プロセス変数A、B、C、D及びEの統計的寄与を求めたところ、第1の統計的分析方法に従って、夫々、0.9、0.8、0.4、0.2及び0.07である。残りのプロセス変数F、G及びHの統計的な寄与を求めたところ、0.02未満である。プロセス変数は、故障に対する寄与の規模の順番で格付けされる。第1の故障サインの有意限界は0.3であり、このように、プロセス変数A、B及びCは、故障に寄与すると考えられ、第1の故障サインの一部である。プロセス変数D〜Hは、第1の故障サインから除外される。それらの故障寄与は、有意限界未満であるためである。
表2に、図2の方法200に従って生成された第2の故障サインを示す。表1の第1の故障サインを生成するのに用いたのと同じプロセスデータを用いて、第2の故障サインを生成する。プロセス変数は、故障に対する寄与の規模の順番で格付けされる。第2の故障サインの有意限界は0.1であり、このように、プロセス変数A、B、C及びDは、故障に寄与すると考えられる。
表3に、図2の方法200に従って生成された第3の故障サインを示す。第3の故障サインは、プロセス変数の各信頼範囲により決まる格付け範囲を含む。「信頼範囲」の欄には、各プロセス変数の故障寄与についての信頼範囲の上限及び下限が示されている。プロセス変数A及びBについての信頼範囲は重なる。変数Aの信頼範囲の下限(0.82)は、変数Bの信頼範囲の上限(0.87)より低いからである。従って、計算された故障寄与に基づいて1及び2の各信頼格付け(ランク)を有するプロセス変数A及びBは、互いに寄与する格付けを含む格付け範囲に夫々割り当てられる(夫々、1〜2の格付け範囲に割り当てられる)。
第3の故障サインは、0.1の有意限界を有しており、プロセス変数A、B、C、D及びDは、故障に寄与すると考えられ、第1の故障サインの一部である。プロセス変数E〜Hは、第1の故障サインから排除される。それらの故障寄与が、有意限界より少ないからである。一実施形態において、プロセス変数Eは、故障サインに含まれる。その信頼範囲の上限が、0.1の有意限界より大きいからである。
一実施形態において、少なくとも寄与するプロセス変数(名前又はその他表示により識別される)及び各寄与するプロセス変数の格付け範囲は、故障サインに含まれる。任意で、計算された故障寄与、信頼範囲及び寄与格付けのうち1つ以上もまた、故障サインの一部として含まれる。
表4に、図2の方法200に従って生成された第4の故障サインを示す。第4の故障サインは、計算された故障寄与及びプロセス変数Cの格付け範囲が異なる以外は、表3の故障サインと同一である。この例において、プロセス変数Bの故障寄与の信頼範囲は、変数Aについての信頼範囲と、変数Cについての信頼範囲の両方と重なる。従って、変数Bの格付け範囲は、変数Aの寄与格付け(1)と変数Cの寄与格付け(3)の両方、及び自身の寄与格付け(2)を含む。従って、プロセス変数Bの格付け範囲は、1〜3である。プロセス変数Aは、変数Bの信頼範囲と重なる信頼範囲を有するため、プロセス変数Aの格付け範囲は1〜2である。同様に、プロセス変数Cの信頼範囲は、プロセス変数Bの信頼範囲と重なり、プロセス変数Cの格付け範囲は2〜3である。
図3に、故障サインを用いて故障を診断する方法300の一実施形態のフロー図を示す。この方法は、ハードウェア(例えば、回路、専用論理、プログラム可能論理、マイクロコード等)、ソフトウェア(処理デバイスでの命令実行等)又はこれらの組み合わせを含む処理論理により実行される。一実施形態において、方法300は、図1の統計プロセスモニタリング装置105により実行される。
図3を参照すると、方法300は、故障を検出する処理論理で始まる(ブロック305)。一実施形態において、故障は、製造機、センサ、プロセスコントローラ及びプロセス測定データベースのうち1つ以上から受信されるプロセスデータに基づいて検出される。ブロック310で、故障に寄与したプロセス変数が判断される。プロセス変数は、管理限界を超える場合、故障に寄与し、そうでない場合には、予期しない及び/又は望まない結果に寄与する。
ブロック315で、処理論理は、寄与プロセス変数の相対的な寄与を判断する。一実施形態において、処理論理は、検出された故障に対する夫々の寄与の相対的な規模の順番で、プロセス変数を格付けする。検出された故障格付けは、プロセス変数の故障寄与の数値を含んでいてもいなくてもよい。一実施形態において、検出された故障格付けは、プロセス変数の単なる順番のリストである。例えば、プロセス変数A、B、C、D及びEの検出された故障の相対的な寄与が、夫々、0.6、0.9、0.5、0.4及び0.1の場合には、検出された故障格付けの順番を付けたリストは、B、A、C、D、Eとなる。
一実施形態において、処理論理はまた、故障寄与に対する有意限界も判断して、有意限界より低い故障寄与は、有意ではなく、(無視)できる。有意限界未満の値を有するプロセス変数は、検出された故障格付けからは排除される、又は、検出された故障格付けなし、又はゼロと割り当てられる。前段の例において、故障寄与の有意限界が0.2の場合には、プロセス変数Eは排除され、検出された故障格付けは、B、A、C、Dとなる。
ブロック320で、処理論理は、どの故障サインが、検出された故障と適合するか判断する。これは、検出された故障格付けを、確立された各故障サインと比較することによりなされる。一実施形態において、検出された故障格付けが、故障サインの1つと厳密に適合する場合には、検出された故障が、故障サインに関連する故障種別のものとして診断される。検出された故障格付けを、格付け範囲を有する故障サインと比較する時、検出された故障の各プロセス変数の格付けが、故障サインにおいて同じプロセス変数の格付け範囲内となる場合に、厳密な適合が生じる。一実施形態において、検出された故障が、複数の故障サインに適合する。かかる発生において、各故障サインが報告される。
現在の故障の故障格付けと既存の故障サイン間で適合が検出される場合、方法をブロック325に進める。既存の故障サインで適合が検出されない場合、方法をブロック340に進める。
一実施形態において、少なくとも1つの適合する故障サインは、複合故障サインである。複合故障サインは、異なる統計的モデルについて個別に計算される個別の寄与格付け及び/又は格付け範囲を含む故障サインである。例えば、複合故障サインの第1のプロセス変数は、第1の統計的モデル(例えば、適応モデル)により計算される1の寄与格付け及び第2の統計的モデル(例えば、静的モデル)により計算される2の寄与格付けを有する。従って、プロセスモニタリング中、検出された故障寄与は、各プロセス変数について、適切な統計的モデルの夫々により求められる個別の格付けを含む。これは、異なる統計的モデルが、異なるタイプの故障に応答して、プロセス変数の故障寄与を、より正確に判断するため、有利である。
表5に、本発明の一実施形態による複合故障サインの例を示す。表6に、本発明の他の実施形態による2つのモデルを同時に用いることにより生成された複合故障格付けを有する検出された故障を示す。図示する通り、2つの異なるモデルを用いて、同じプロセスデータの格付け範囲及び/又は寄与範囲を個別に判断すると、異なる結果が生成される。表5の故障サインは、表6の検出された故障と厳密な適合を示している。各モデルについての各プロセス変数の表6における故障寄与格付けは、表5の対応のプロセス変数及び複合故障サインのモデルの格付け範囲内であるからである。
場合によっては、故障は、第1のモデルにより検出され、第2のモデルでは検出されない。従って、第2のモデルについてのプロセス変数の故障寄与は、有意でない(例えば、有意限界より少ない)と考えられ、分類には有用ではない。その場合、処理論理は、複合故障サインを確立し、第2のモデルについての各プロセス変数は、なしの格付け範囲及び/又は寄与格付けを有する。
図3に戻ると、ブロック325で、処理論理は、適合する故障サインに関連する故障種別を識別する。一実施形態において、各故障サインは、単一の故障種別に関連する。或いは、複数の故障種別は、故障サインに関連していてもよい。これは、例えば、2つの故障種別が同じ故障サインを有する場合に生じる。
ブロック330で、処理論理は、適合する故障サインのいずれかが、複数の故障種別と関連するか判断する。故障サインが複数の故障種別に関連する場合には、方法をブロック335に進める。故障サインが、複数の故障種別に関連しない場合には、方法を終了する。或いは、故障サインが複数の故障種別に関連するかどうかに関わらず、方法を終了する。
ブロック335で、計数を記録する。この計数は、適合する故障サインと関連する各故障種別が、故障の実際の原因であった回数を含むものである。これは、使用者が、現在の故障の実際の原因を識別する補助として有用である。この計数は、故障診断データベースにストアされる。一実施形態において、現在の故障の実際の原因が識別された後、実際の原因が、故障種別データベースの計数に入力される。
ブロック340で、新たな故障種別が確立される。ブロック345で、新たな故障種別に関連する新たな故障サインが生成される。新たな故障種別及び新たな故障サインは、図2の方法200に従って生成される。或いは、新たな故障種別及び新たな故障サインを生成するその他の方法を用いてもよい。従って、製品の実際の処理中に、新たな故障に遭遇すると、新たな故障種別及び新たな故障サインが追加される(例えば、多変量統計的モデルに)。一実施形態において、新たな故障種別及び関連の新たな故障サインを追加するのに必要なのは、単一の例の故障である。
図4に、故障サインを用いることにより、故障を診断する方法400の他の実施形態のフロー図を示す。方法は、ハードウェア(例えば、回路、専用論理、プログラム可能な論理、マイクロコード等)、ソフトウェア(処理デバイスで実行される命令等)又はこれらの組み合わせを含む処理論理により実行される。一実施形態において、方法400は、図1の統計的プロセスモニタリング装置105により実行される。
図4を参照すると、方法400は、故障を検出する処理論理で始まる(ブロック405)。ブロック410で、故障に寄与したプロセス変数が判断される。ブロック415で、寄与するプロセス変数の相対的な寄与が判断される。
ブロック420で、故障に適合する故障サインが判断される。一実施形態において、故障に完全に適合する故障サインのみが考慮される。或いは、検出された故障に部分的に適合する故障サインを考慮してもよい。これは、例えば、複数の故障が同時に生じる時に有用である。このような場合は、1つ以上の故障サインが、検出された故障の実際の原因を表す故障種別と関連していても、故障サインは、検出された故障と正確に適合しない。一実施形態において、検出された故障と部分的に適合する故障サインは、正確な適合が見つからない場合にのみ考慮される。或いは、部分適合は、完全な適合が見つかっても見つからなくても考慮される。これは、部分適合の故障サインに関連した重大な故障(例えば、相当の歩留まり損失)を使用者に確実に警告するのに有利である。
ブロック425で、適合に近いスコアが、完全及び/又は部分適合故障サインの夫々について、判断される。適合に近いスコアは、故障サインと検出されたサインとの間の類似の程度を表す。適合に近いスコアは、様々なやり方で計算される。一実施形態において、適合に近いスコアは、現在の検出された故障の実際の格付けと、与えられた故障サインの両方において、検出された故障格付けが、与えられた故障サインの適切な格付け範囲内にある各プロセス変数について2の値、そして、有意な故障寄与(例えば、有意限界を超えた故障寄与)を有するその他各プロセス変数について1の値を割り当てることにより判断される。他の実施形態において、前の2と1の値に、格付けの高いプロセス変数について高い重み計数を乗算する。
ブロック430で、最低の適合に近いスコアの故障サインは放棄する。一実施形態において、最高の適合に近いスコアを有するX故障サイン以外の故障サインは全て放棄する。他の実施形態において、閾値より低い故障寄与の故障サインは全て放棄する。更に他の実施形態において、適合しない故障サインは放棄する。
ブロック435で、適合する故障サインに関連する故障種別を識別する。ブロック440で、識別された故障サインを、適合するスコア及び各故障種別についての故障重度値と共に記録する。一実施形態において、各故障種別には、故障重度値が含まれる。低故障重度値を有する故障種別が、製造された製品に害を与えることは殆ど、或いは全くない。一方、高重度の故障種別は製品歩留まりを大幅に減じる恐れがある。従って、故障重度値は、使用者に、故障がいかに重要であるか警告するものである。例えば、高適合に近いスコアであるが、低故障重度レベルの故障サインに関連する故障種別は懸念する必要はない。しかしながら、低適合に近いスコアであるが、高故障重度レベルの故障サインに関連する故障種別は懸念の可能性がある。
格付け範囲を有する故障サインに適合する新たな例の故障を取得する際、故障サインを、複数の故障サインに分割するのが望ましい。例えば、故障サインに関連する故障種別が、狭い故障種別に分割できる場合、又は、元の故障サインが、故障サインを分割することにより訂正できる誤った故障診断を生成することが知見される場合、故障サインの分割が望ましい。故障サイン及び/又は故障種別を分割するかかる方法の一実施形態を、図5で以下に説明する。
図5は、故障サインを用いることにより、故障を診断する方法500の更に他の実施形態のフロー図を示す。方法は、ハードウェア(例えば、回路、専用論理、プログラム可能な論理、マイクロコード等)、ソフトウェア(処理デバイスで実行される命令等)又はこれらの組み合わせを含む処理論理により実行される。一実施形態において、方法500は、図1の統計的プロセスモニタリング装置105により実行される。
図5を参照すると、方法500は、故障を検出する処理論理で始まる(ブロック505)。ブロック510で、故障に寄与したプロセス変数が判断される。ブロック515で、寄与するプロセス変数の相対的な寄与が判断される。ブロック520で、故障に適合する故障サインが判断される。
ブロック525で、故障サインが、相対的な寄与範囲を有しているかどうか判断する。故障サインの1つが、相対的な寄与範囲を含んでいる場合には、方法をブロック535に進める。故障サインが、相対的な寄与範囲を含んでいない場合には、方法をブロック530に進める。
ブロック530で、適合する故障サインに関連した故障種別が識別される。方法を終了する。
ブロック535で、判断された故障サインを、複数の故障サインへ分割する。例えば、一実施形態において、判断された故障サインは、2つの異なる故障サインへ分割される。2つの異なる故障サインは、少なくとも1つのプロセス変数により異なり、2つの新たな故障サインにおける各格付け範囲は、元の故障サインにおける変数の格付け範囲の異なるサブセットである。その例を表7、8及び9に示す。
ブロック540で、新たな故障クラスが、1つ以上の複数の故障サインに追加される。新たな故障クラスは、分割された元の故障サインに関連する故障クラスのサブセットでもよい。例えば、元の故障クラスが、「欠陥のある静電チャック」の場合には、新たな故障クラスは、「ウェハ裏側にある粒子のために、欠陥静電チャック」となる。
ブロック545で、元の故障サインとその関連した故障クラスのうち少なくとも1つが更新される。更新には、故障サインの1つ以上のプロセス変数について格付け範囲を狭めること、且つ/又は故障クラス記述子を狭めることが含まれる。例えば、元の故障クラスが、元々「欠陥のある静電チャック」についての場合には、元の故障クラスは、「残渣堆積による欠陥のある静電チャック」まで狭められる。
最も一般的には、2つのプロセス変数に影響する根本的な欠陥に関連する故障サインへと故障を分割するのが有利である。僅かに異なる根本的な原因が、2つのプロセス変数の1つに影響する。一例を挙げると、半導体ワークピースを、半導体プロセスチャンバ内のカソード電極上に保持するのに一般的に用いられる静電チャックの異なる故障モードである。静電チャック中で故障を診断するのに好ましくはモニターされる2つのプロセス変数は、ワークピースとチャックの間のキャビティへとポンピングされるヘリウムの流速と、プロセスコントロールパラメータ値である。このパラメータ値は、カソード電極とRF電源の間に接続されたインピーダンス整合ネットワークにおける調整可能な同調コンデンサのキャパシタンスを表している。チャックに過剰に堆積した残渣により生じた故障は、一般的に、これらのプロセス変数の両方に相互に関連する。しかしながら、ワークピースの下側の粒子により生じる欠陥は、一般的に、ヘリウムの流速にのみ相互に関連する。従って、欠陥のある静電チャックとして定義された第1の故障種別に関連した第1の故障サインは、ワークピースの下側の粒子により欠陥のある静電チャックと定義された第2の故障種別と関連した第2の故障サインへ分割される。第1の故障種別は、チャックに堆積した残渣により生じた欠陥のある静電チャックと再定義される。
表7に、格付け範囲を有する故障サインを示す。表8及び9に、図5の方法500に従って、表7の故障サインを分割することにより生成された2つの新たな故障サインを示す。表7の元の故障サインにおいて、プロセス変数A及びBは、1〜2の格付け範囲に割り当てられ、元の故障サインは、Xと識別される故障種別に関連する。表8の新たな故障サインは、新たな故障種別Yに関連し、プロセス変数AとBについて夫々1と2の寄与格付けを有する。表9の更新された故障サインは、更新された故障種別Xに関連し、プロセス変数AとBについて夫々2と1の寄与格付けを有する。
図6に、機械に、本明細書に記載した方法の1つ以上を実行させる一組の命令が実行されるコンピュータシステム600の例示の形態の機械の図式を示す。変形実施形態において、機械は、LAN、イントラネット、エクストラネット又はインターネットで、他の機械に接続(例えば、ネットワーク化)される。機械は、クライアント−サーバネットワーク環境においては、サーバ又はクライアント機の容量内で、ピアツーピア(又は分散)ネットワーク環境においてはピア機として操作される。機械は、パーソナルコンピュータ(PC)、タブレットPC、セットトプボックス(STB)、携帯情報端末(PDA)、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチやブリッジ、又はその機械により採られる動作を指定する一組の命令(順次その他)を実行可能な機械である。更に、1つの機械のみが示されているが、「機械」という用語にはまた、一組(又は複数組)の命令を個別又は共同して実行して、本明細書に記載した1つ以上の方法を実施する機械の集合も含むものとする。
例示のコンピュータシステム600は、処理装置(プロセッサ)602、メインメモリ604(例えば、リード・オンリーメモリ(ROM))、フラッシュメモリ、ダイナミックランダムアクセスメモリ(DRAM)、例えば、同期DRAM(SDRAM)又はランバスDRAM(RDRAM)等)、スタティックメモリ606(例えば、フラッシュメモリ、スタティックランダムアクセスメモリ(SRAM)等)及び互いにバス630を介して通信するデータ記憶デバイス618が含まれる。
プロセッサ602は、マイクロプロセッサ、中央処理ユニット等といった1つ以上の汎用処理デバイスを表す。より具体的には、プロセッサ602は、複合命令セットコンピューティング(CISC)マイクロプロセッサ、縮小命令セットコンピューティング(RISC)マイクロプロセッサ、超長命令語(VLIW)マイクロプロセッサ、他の命令セットを実行するプロセッサ又は命令セットの組み合わせを実行するプロセッサである。プロセッサ602は又、特定用途向け集積回路(ASIC)、フィールドプログラマブルゲートアレイ(FPGA)、デジタル信号プロセッサ(DSP)、ネットワークプロセッサ等のような1つ以上の専用処理デバイスであってもよい。プロセッサ602は、処理論理626を実行して、ここに述べた、操作とステップを実行するように構成されている。
コンピュータシステム600は更に、ネットワークインタフェースデバイス608を含んでいてもよい。コンピュータシステム600はまた、ビデオディスプレイユニット610(例えば、液晶ディスプレイ(LCD)や陰極線管(CRT))、英数字入力デバイス612(例えば、キーボード)、カーソル制御デバイス614(例えば、マウス)及び信号生成デバイス616(例えば、スピーカー)を含んでいてもよい。
データ記憶装置618は、機械アクセス可能な記憶媒体631を含み、これに、ここで述べた手順又は機能の1つ以上を実行する1つ以上の組の命令(例えば、ソフトウェア622)がストアされる。ソフトウェア622はまた、メインメモリ604内且つ/又はプロセッサ602内に、コンピュータシステム600、メインメモリ604及びプロセッサ602によるその実行中、完全に、又は少なくとも部分的に存在していてもよく、機械アクセス可能な記憶媒体も構成する。ソフトウェア622は更に、ネットワークインタフェースデバイス608を介して、ネットワーク620で送受信される。
機械アクセス可能な記憶媒体631を用いて、ユーザー識別状態及びユーザープロフィールを定義するユーザーの好みを定義するデータ構造セットをストアしてもよい。データ構造セット及びユーザープロフィールはまた、スタティックメモリ606のようなコンピュータシステム600の他のセクションにストアされてもよい。
機械アクセス可能な記憶媒体631を、例示の実施形態においては、単一媒体として示したが、「機械アクセス可能な記憶媒体」という用語は、1つ以上の組の命令をストアする単一の媒体又は複数の媒体(例えば、集中又は分散データベース及び/又は関連キャッシュ及びサーバ)を含むものとする。「機械アクセス可能な媒体」という用語は、装置により実行される一組の命令をストア、エンコード又は伝えることができ、装置に本発明の1つ以上の手順を実行させる媒体を含むものとする。従って、「機械アクセス可能な媒体」という用語には、これらに限られるものではないが、ソリッドステートメモリ、光学及び磁気媒体並びに搬送波信号が含まれるものとする。
上記の説明は、例示であり限定するものとは考えられない。多くのその他の実施形態は、上記の説明を読み、理解することにより、当業者に明白である。従って、本発明の範囲は、特許請求の範囲と、特許請求の範囲に基づく均等の全範囲とに基づいて定められる。
本発明の実施形態を添付図面を例として図解するが、これに限定されるものではない。
統計的プロセスモニタリングシステムの一実施形態を示す図である。
故障種別を生成する方法の一実施形態のフロー図である。
故障サインを用いることにより、故障を診断する方法の一実施形態のフロー図である。
故障サインを用いることにより、故障を診断する方法の他の実施形態のフロー図である。
故障サインを用いることにより、故障を診断する方法の更に他の実施形態のフロー図である。
機械に、本明細書に記載した方法の1つ以上を実行させる一組の命令が実行されるコンピュータシステムの例示の形態の機械の図式を示す図である。
Claims (20)
- 故障を診断する方法であって、
故障を検出する工程と、
前記故障に寄与する1つ以上のプロセス変数を判断する工程と、
前記1つ以上のプロセス変数の夫々の相対的な寄与を判断する工程と、
複数の故障サインのどれが前記故障に適合するか判断する工程であって、前記1つ以上のプロセス変数の相対的な寄与が、前記適合する故障サインの相対的な寄与範囲内の場合、故障サインが前記故障に適合し、前記故障サインが夫々、前記少なくとも1つの故障種別に関連している工程とを含む方法。 - 前記複数の故障サインのいずれも前記故障に適合しない場合には、新たな故障サインを前記故障に追加する工程を含む請求項1記載の方法。
- 新たな故障種別を追加する工程と、
前記新たな故障サインを、前記新たな故障種別と関連付ける工程とを含む請求項2記載の方法。 - 故障が1回生じた後、新たな故障サインを追加する請求項2記載の方法。
- 第1のプロセス変数のための第1の相対的な寄与範囲を含む第1の故障サインを、複数の故障サインに分割する工程であって、前記複数の故障サインの夫々が、前記第1のプロセス変数の異なる相対的な寄与を有し、前記複数の故障サインが夫々、異なる故障種別に関連している工程を含む請求項1記載の方法。
- 前記複数の故障種別が、単一の故障サインに関連している請求項1記載の方法。
- 夫々の関連した故障の回数の計数が、特定の故障サインの実際の故障として確認される請求項1記載の方法。
- 複数の故障サインのどれが前記故障に部分的に適合するか判断する工程であって、前記1つ以上のプロセス変数の相対的な寄与が、故障サインの相対的な寄与範囲外の場合、部分適合が生じる工程と、
適合近似スコアを、前記複数の故障サインの1つ以上に割り当てる工程とを含む請求項1記載の方法。 - 前記複数の故障サインの少なくとも1つが、第1の統計的モデルに基づく第1の故障サインと、第2の統計的モデルに基づく第2の故障サインとを有する結合故障サインである請求項1記載の方法。
- 機械アクセス可能な媒体であって、機械によりアクセスすると、機械に、
故障を検出する工程と、
前記故障に寄与した1つ以上のプロセス変数を判断する工程と、
前記1つ以上のプロセス変数の夫々の相対的な寄与を判断する工程と、
複数の故障サインのどれが前記故障に適合するか判断する工程であって、前記1つ以上のプロセス変数の相対的な寄与が、前記適合する故障サインの相対的な寄与範囲内の場合、故障サインが前記故障に適合し、前記故障サインが夫々、前記少なくとも1つの故障種別に関連している工程とを含む方法を実施させるデータを含む機械アクセス可能な媒体。 - 前記方法が、前記複数の故障サインのいずれも前記故障に適合しない場合には、新たな故障サインを前記故障に追加する工程を含む請求項10記載の機械アクセス可能な媒体。
- 前記方法が、新たな故障種別を追加する工程と、
前記新たな故障サインを、前記新たな故障種別と関連付ける工程とを含む請求項11記載の機械アクセス可能な媒体。 - 前記方法が、第1のプロセス変数のための第1の相対的な寄与範囲を含む第1の故障サインを、複数の故障サインに分割する工程であって、前記複数の故障サインの夫々が、前記第1のプロセス変数の異なる相対的な寄与を有し、前記複数の故障サインが夫々、異なる故障種別に関連している工程を含む請求項10記載の機械アクセス可能な媒体。
- 前記方法が、複数の故障サインのどれが前記故障に部分的に適合するか判断する工程であって、前記1つ以上のプロセス変数の相対的な寄与が、故障サインの相対的な寄与範囲外の場合、部分適合が生じる工程と、
適合近似スコアを、前記複数の故障サインの1つ以上に割り当てる工程とを含む請求項10記載の機械アクセス可能な媒体。 - 前記複数の故障サインの少なくとも1つが、第1の統計的モデルに基づく第1の故障サインと、第2の統計的モデルに基づく第2の故障サインとを有する結合故障サインである請求項10記載の機械アクセス可能な媒体。
- 統計的プロセスモニタリングシステムであって、
少なくとも1つの製造機に結合された故障検出器であって、少なくとも1つの製造機からプロセスデータを受信し、前記プロセスデータに基づいて故障を検出し、前記プロセスデータが、複数のプロセス変数を含む故障検出器と、
複数の故障サインをストアするデータベースであって、前記故障サインの夫々が、前記少なくとも1つの故障種別に関連しているデータベースと、
前記故障検出器に結合され、前記データベースに結合された故障診断器であって、前記故障に寄与した前記1つ以上の複数のプロセス変数を判断し、前記1つ以上のプロセス変数の夫々の相対的な寄与を判断し、前記複数の故障サインのどれが前記故障に適合するか判断し、前記1つ以上のプロセス変数の相対的な寄与が、前記適合する故障サインの相対的な寄与範囲内の場合、故障サインが前記故障に適合する故障診断器とを含む統計的プロセスモニタリングシステム。 - 前記複数の故障サインのいずれも前記故障に適合しない場合には、前記故障診断器が、新たな故障サインを前記データベースにストアする請求項16記載の統計的プロセスモニタリングシステム。
- 前記故障診断器が、前記データベースに新たな故障種別をストアし、前記新たな故障サインを、前記新たな故障種別に関連させる請求項17記載の統計的プロセスモニタリングシステム。
- 前記故障診断器が、複数の故障サインのどれが前記故障に部分的に適合するか判断し、前記1つ以上のプロセス変数の少なくとも1つの相対的な寄与が、故障サインの相対的な寄与範囲外の場合、部分適合が生じ、適合近似スコアを、前記複数の故障サインの1つ以上に割り当てる請求項16記載の統計的プロセスモニタリングシステム。
- 前記複数の故障サインの少なくとも1つが、第1の統計的モデルに基づく第1の故障サインと、第2の統計的モデルに基づく第2の故障サインとを有する結合故障サインである請求項16記載の統計的プロセスモニタリングシステム。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US74664906P | 2006-05-07 | 2006-05-07 | |
US74664706P | 2006-05-07 | 2006-05-07 | |
US11/800,461 US7596718B2 (en) | 2006-05-07 | 2007-05-04 | Ranged fault signatures for fault diagnosis |
PCT/US2007/011106 WO2007133543A2 (en) | 2006-05-07 | 2007-05-07 | Ranged fault signatures for fault diagnosis |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2010501091A true JP2010501091A (ja) | 2010-01-14 |
Family
ID=38694427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009509809A Withdrawn JP2010501091A (ja) | 2006-05-07 | 2007-05-07 | 故障診断のための範囲を定めた故障サイン |
Country Status (4)
Country | Link |
---|---|
US (2) | US7596718B2 (ja) |
JP (1) | JP2010501091A (ja) |
KR (1) | KR101019459B1 (ja) |
WO (1) | WO2007133543A2 (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011104760A1 (ja) * | 2010-02-26 | 2011-09-01 | 株式会社 日立製作所 | 故障原因診断システムおよびその方法 |
JP2012532425A (ja) * | 2009-06-30 | 2012-12-13 | ラム リサーチ コーポレーション | プラズマ処理システムにおける障害の自動的な検出及び分類、並びにその方法 |
JP2019536273A (ja) * | 2016-11-11 | 2019-12-12 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | スペクトル高周波分析を用いた処理チャンバハードウェア障害検出 |
WO2020027207A1 (ja) * | 2018-08-03 | 2020-02-06 | パナソニックIpマネジメント株式会社 | 異常検出方法、情報処理装置及び異常検出システム |
JP2020031096A (ja) * | 2018-08-21 | 2020-02-27 | 株式会社日立ハイテクノロジーズ | 状態予測装置及び半導体製造装置 |
JP2020035281A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社日立パワーソリューションズ | 異常予兆診断システム、管理装置、及び異常予兆診断方法 |
WO2020045757A1 (ko) * | 2018-08-26 | 2020-03-05 | 주식회사 아이티공간 | 기기의 실시간 컨디션 출력 경고등 시스템 및 기기의 실시간 컨디션 출력 방법 |
JP7254257B1 (ja) | 2020-04-02 | 2023-04-07 | アプライド マテリアルズ インコーポレイテッド | 処理チャンバ内の特性評価及び故障検出のためのボード指紋法 |
Families Citing this family (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7161403B2 (en) * | 2004-06-18 | 2007-01-09 | Nantero, Inc. | Storage elements using nanotube switching elements |
US7596718B2 (en) * | 2006-05-07 | 2009-09-29 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
TWI323016B (en) * | 2006-12-25 | 2010-04-01 | Ind Tech Res Inst | Real-time fault detection and classification system in use with a semiconductor fabrication process |
EP2112935B1 (en) * | 2007-02-20 | 2016-06-29 | KCI Licensing, Inc. | System and method for distingushing leaks from a disengaged canister condition in a redued pressure treatment system |
WO2008137544A1 (en) * | 2007-05-02 | 2008-11-13 | Mks Instruments, Inc. | Automated model building and model updating |
US7765020B2 (en) * | 2007-05-04 | 2010-07-27 | Applied Materials, Inc. | Graphical user interface for presenting multivariate fault contributions |
US8010321B2 (en) * | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
US8643471B2 (en) * | 2007-06-15 | 2014-02-04 | Shell Oil Company | Method and system for state encoding |
US7904756B2 (en) * | 2007-10-19 | 2011-03-08 | Oracle International Corporation | Repair planning engine for data corruptions |
US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US8190543B2 (en) | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
US8725667B2 (en) * | 2008-03-08 | 2014-05-13 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
US20090282296A1 (en) * | 2008-05-08 | 2009-11-12 | Applied Materials, Inc. | Multivariate fault detection improvement for electronic device manufacturing |
US8335582B2 (en) * | 2008-05-19 | 2012-12-18 | Applied Materials, Inc. | Software application to analyze event log and chart tool fail rate as function of chamber and recipe |
TWI368962B (en) * | 2008-07-04 | 2012-07-21 | Inotera Memories Inc | Method of fault detection and classification for wafer acceptance test |
TWI399660B (zh) * | 2008-07-09 | 2013-06-21 | Inotera Memories Inc | 偵測半導體製程變異之方法 |
US8527080B2 (en) * | 2008-10-02 | 2013-09-03 | Applied Materials, Inc. | Method and system for managing process jobs in a semiconductor fabrication facility |
US8989887B2 (en) | 2009-02-11 | 2015-03-24 | Applied Materials, Inc. | Use of prediction data in monitoring actual production targets |
US8155770B2 (en) * | 2009-03-31 | 2012-04-10 | Globalfoundries Inc. | Method and apparatus for dispatching workpieces to tools based on processing and performance history |
US9323234B2 (en) | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
US8571696B2 (en) * | 2009-06-10 | 2013-10-29 | Fisher-Rosemount Systems, Inc. | Methods and apparatus to predict process quality in a process control system |
KR101172579B1 (ko) | 2009-12-15 | 2012-08-09 | 한국과학기술원 | 이상 속성을 포함하는 데이터의 검출 방법 및 장치 |
KR101094074B1 (ko) | 2010-04-22 | 2011-12-15 | 주식회사 지오네트 | 성능저하 및 고장원인 조기 진단을 위한 알고리즘 분석모델 제작방법 |
US8549012B2 (en) * | 2010-05-12 | 2013-10-01 | Taiwan Semiconductor Manufacturing Company, Ltd. | Processing exception handling |
US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
FR2970796B1 (fr) * | 2011-01-20 | 2016-11-11 | European Aeronautic Defence & Space Co Eads France | Procede de traitement de messages de pannes generes dans un appareil a systemes complexes |
WO2012162360A2 (en) * | 2011-05-23 | 2012-11-29 | Siemens Corporation | Simulation based fault diagnosis using extended heat flow models |
GB2494416A (en) | 2011-09-07 | 2013-03-13 | Rolls Royce Plc | Asset Condition Monitoring Using Internal Signals Of The Controller |
US9915940B2 (en) * | 2011-10-31 | 2018-03-13 | Applied Materials, Llc | Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data |
JP5921200B2 (ja) * | 2012-01-05 | 2016-05-24 | 株式会社日立国際電気 | 基板処理装置、基板処理方法、半導体装置の製造方法、縮退運用プログラムおよび生産リストの作成プログラム |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
GB201308397D0 (en) | 2013-05-10 | 2013-06-19 | Rolls Royce Plc | Equipment monitoring system |
US9092563B1 (en) * | 2013-09-27 | 2015-07-28 | Emc Corporation | System for discovering bugs using interval algebra query language |
US20150219530A1 (en) * | 2013-12-23 | 2015-08-06 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
US9697470B2 (en) | 2014-04-16 | 2017-07-04 | Applied Materials, Inc. | Apparatus and method for integrating manual and automated techniques for automated correlation in data mining |
US20150331980A1 (en) * | 2014-05-15 | 2015-11-19 | Applied Materials, Inc. | Apparatus and method for classifying context types for multivariate modeling |
US20160203036A1 (en) * | 2015-01-09 | 2016-07-14 | Ecorithm, Inc. | Machine learning-based fault detection system |
US10228678B2 (en) * | 2015-07-22 | 2019-03-12 | Tokyo Electron Limited | Tool failure analysis using space-distorted similarity |
KR101736230B1 (ko) | 2016-02-12 | 2017-05-29 | 한국원자력연구원 | 결함검출률 정량화 시스템 및 방법 |
FR3048527B1 (fr) * | 2016-03-02 | 2021-01-01 | Snecma | Systeme d'analyse de donnees d'essais d'un moteur d'aeronef |
EP3403152B1 (en) * | 2016-03-09 | 2023-07-12 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
US11054815B2 (en) * | 2016-03-11 | 2021-07-06 | Applied Materials, Inc. | Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system |
ES2710338T3 (es) | 2016-05-10 | 2019-04-24 | Von Sobbe Hans Ulrich | Sistema de análisis |
KR102450492B1 (ko) * | 2016-10-21 | 2022-09-30 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 프로세스용 보정 결정 방법 |
DE102017104884B4 (de) * | 2017-03-08 | 2019-02-14 | Mts Consulting & Engineering Gmbh | System und Verfahren zum Bestimmen von Fehlerbildern aus Sensordaten in Produktvalidierungs- und Fertigungsprozessen |
JP6795093B2 (ja) * | 2017-06-02 | 2020-12-02 | 富士通株式会社 | 判定装置、判定方法及び判定プログラム |
US10761496B2 (en) * | 2017-06-12 | 2020-09-01 | Honeywell International Inc. | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance |
US11112449B2 (en) * | 2018-04-06 | 2021-09-07 | Bendy Nevada, LLC | Flexible and scalable monitoring systems for industrial machines |
CN112668727A (zh) * | 2019-09-29 | 2021-04-16 | 北京国双科技有限公司 | 检测设备故障的方法和装置 |
DE102020109858A1 (de) * | 2020-04-08 | 2021-10-14 | Balluff Gmbh | Verfahren zum Betreiben eines Systems |
US20220171374A1 (en) * | 2020-12-02 | 2022-06-02 | Noodle Analytics, Inc. | Defect profiling and tracking system for process-manufacturing enterprise |
DE102021203312A1 (de) * | 2021-03-31 | 2022-10-06 | Rolls-Royce Deutschland Ltd & Co Kg | System und Verfahren zur Zustandserkennung einer Vorrichtung |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5442562A (en) | 1993-12-10 | 1995-08-15 | Eastman Kodak Company | Method of controlling a manufacturing process using multivariate analysis |
US5694401A (en) * | 1994-06-27 | 1997-12-02 | Tandem Computers Incorporated | Fault isolation using pseudo-random scan |
US5544308A (en) * | 1994-08-02 | 1996-08-06 | Giordano Automation Corp. | Method for automating the development and execution of diagnostic reasoning software in products and processes |
US6202181B1 (en) * | 1996-11-04 | 2001-03-13 | The Regents Of The University Of California | Method for diagnosing bridging faults in integrated circuits |
US6442445B1 (en) | 1999-03-19 | 2002-08-27 | International Business Machines Corporation, | User configurable multivariate time series reduction tool control method |
US6625688B1 (en) * | 1999-05-10 | 2003-09-23 | Delphi Technologies, Inc. | Method and circuit for analysis of the operation of a microcontroller using signature analysis of memory |
AU1949501A (en) | 1999-12-07 | 2001-06-18 | University Of Utah Research Foundation | Method and apparatus for monitoring dynamic systems using n-dimensional representations of critical functions |
US7413546B2 (en) | 1999-12-07 | 2008-08-19 | Univeristy Of Utah Research Foundation | Method and apparatus for monitoring dynamic cardiovascular function using n-dimensional representations of critical functions |
US6615366B1 (en) | 1999-12-21 | 2003-09-02 | Intel Corporation | Microprocessor with dual execution core operable in high reliability mode |
US6917845B2 (en) | 2000-03-10 | 2005-07-12 | Smiths Detection-Pasadena, Inc. | Method for monitoring environmental condition using a mathematical model |
WO2002030265A2 (en) | 2000-10-13 | 2002-04-18 | The Brigham And Women's Hospital, Inc. | Method and display for multivariate classification |
US6907545B2 (en) * | 2001-03-02 | 2005-06-14 | Pitney Bowes Inc. | System and method for recognizing faults in machines |
US6600204B2 (en) * | 2001-07-11 | 2003-07-29 | General Semiconductor, Inc. | Low-voltage punch-through bi-directional transient-voltage suppression devices having surface breakdown protection and methods of making the same |
US6954884B2 (en) * | 2001-06-01 | 2005-10-11 | Lucent Technologies Inc. | System and method for effecting recovery of a network |
US20030100995A1 (en) * | 2001-07-16 | 2003-05-29 | Affymetrix, Inc. | Method, system and computer software for variant information via a web portal |
US7089154B2 (en) * | 2001-08-09 | 2006-08-08 | Rovsing Dynamics A/S | Automatic machinery fault diagnostic method and apparatus |
US7072794B2 (en) | 2001-08-28 | 2006-07-04 | Rockefeller University | Statistical methods for multivariate ordinal data which are used for data base driven decision support |
US20040023295A1 (en) | 2001-11-21 | 2004-02-05 | Carol Hamilton | Methods and systems for analyzing complex biological systems |
US6954883B1 (en) * | 2002-01-11 | 2005-10-11 | Advanced Micro Devices, Inc. | Method and apparatus for performing fault detection using data from a database |
US6662089B2 (en) * | 2002-04-12 | 2003-12-09 | Honeywell International Inc. | Method and apparatus for improving fault classifications |
US7096074B2 (en) | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
TW583567B (en) | 2002-06-28 | 2004-04-11 | Powerchip Semiconductor Corp | Automatic intelligent system for performing yield rate improvement and multivariate analysis of production process parameters and method thereof |
US7680753B2 (en) * | 2002-07-10 | 2010-03-16 | Satyam Computer Services Limited | System and method for fault identification in an electronic system based on context-based alarm analysis |
GB0216858D0 (en) * | 2002-07-19 | 2002-08-28 | Bae Systems Plc | Fault diagnosis system |
US6893882B2 (en) | 2002-12-06 | 2005-05-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Multivariate RBR tool aging detector |
US7062411B2 (en) | 2003-06-11 | 2006-06-13 | Scientific Systems Research Limited | Method for process control of semiconductor manufacturing equipment |
US7328126B2 (en) | 2003-09-12 | 2008-02-05 | Tokyo Electron Limited | Method and system of diagnosing a processing system using adaptive multivariate analysis |
US20050114023A1 (en) | 2003-11-26 | 2005-05-26 | Williamson Walton R. | Fault-tolerant system, apparatus and method |
JP2008514015A (ja) | 2004-09-17 | 2008-05-01 | エム ケー エス インストルメンツ インコーポレーテッド | 半導体プロセスの多変量制御 |
US20070028220A1 (en) | 2004-10-15 | 2007-02-01 | Xerox Corporation | Fault detection and root cause identification in complex systems |
US7477960B2 (en) | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
US20070006037A1 (en) * | 2005-06-29 | 2007-01-04 | Microsoft Corporation | Automated test case result analyzer |
WO2007008538A2 (en) | 2005-07-07 | 2007-01-18 | Mks Instruments, Inc. | Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments |
EP2998894B1 (en) | 2005-07-11 | 2021-09-08 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system |
KR100640663B1 (ko) | 2005-08-12 | 2006-11-01 | 삼성전자주식회사 | 상수 및 동일 패턴을 갖는 파라미터들을 다변량 모델링하는방법 및 장치 그리고 이를 이용한 반도체 제조방법 |
US7596718B2 (en) | 2006-05-07 | 2009-09-29 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
US7587296B2 (en) | 2006-05-07 | 2009-09-08 | Applied Materials, Inc. | Adaptive multivariate fault detection |
CN101438251A (zh) | 2006-05-07 | 2009-05-20 | 应用材料股份有限公司 | 调适多变量错误检测 |
US8010321B2 (en) | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
US7765020B2 (en) | 2007-05-04 | 2010-07-27 | Applied Materials, Inc. | Graphical user interface for presenting multivariate fault contributions |
-
2007
- 2007-05-04 US US11/800,461 patent/US7596718B2/en active Active
- 2007-05-07 KR KR1020087029785A patent/KR101019459B1/ko active IP Right Grant
- 2007-05-07 JP JP2009509809A patent/JP2010501091A/ja not_active Withdrawn
- 2007-05-07 WO PCT/US2007/011106 patent/WO2007133543A2/en active Application Filing
- 2007-12-19 US US12/004,667 patent/US7934125B2/en active Active
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012532425A (ja) * | 2009-06-30 | 2012-12-13 | ラム リサーチ コーポレーション | プラズマ処理システムにおける障害の自動的な検出及び分類、並びにその方法 |
JP5454671B2 (ja) * | 2010-02-26 | 2014-03-26 | 株式会社日立製作所 | 故障原因診断システムおよびその方法 |
US9122273B2 (en) | 2010-02-26 | 2015-09-01 | Hitachi, Ltd. | Failure cause diagnosis system and method |
WO2011104760A1 (ja) * | 2010-02-26 | 2011-09-01 | 株式会社 日立製作所 | 故障原因診断システムおよびその方法 |
JP7232181B2 (ja) | 2016-11-11 | 2023-03-02 | アプライド マテリアルズ インコーポレイテッド | スペクトル高周波分析を用いた処理チャンバハードウェア障害検出 |
JP2019536273A (ja) * | 2016-11-11 | 2019-12-12 | アプライド マテリアルズ インコーポレイテッドApplied Materials,Incorporated | スペクトル高周波分析を用いた処理チャンバハードウェア障害検出 |
WO2020027207A1 (ja) * | 2018-08-03 | 2020-02-06 | パナソニックIpマネジメント株式会社 | 異常検出方法、情報処理装置及び異常検出システム |
JP2020031096A (ja) * | 2018-08-21 | 2020-02-27 | 株式会社日立ハイテクノロジーズ | 状態予測装置及び半導体製造装置 |
JP6990634B2 (ja) | 2018-08-21 | 2022-02-03 | 株式会社日立ハイテク | 状態予測装置及び半導体製造装置 |
WO2020045757A1 (ko) * | 2018-08-26 | 2020-03-05 | 주식회사 아이티공간 | 기기의 실시간 컨디션 출력 경고등 시스템 및 기기의 실시간 컨디션 출력 방법 |
JP2020035281A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社日立パワーソリューションズ | 異常予兆診断システム、管理装置、及び異常予兆診断方法 |
JP7254257B1 (ja) | 2020-04-02 | 2023-04-07 | アプライド マテリアルズ インコーポレイテッド | 処理チャンバ内の特性評価及び故障検出のためのボード指紋法 |
JP2023516099A (ja) * | 2020-04-02 | 2023-04-17 | アプライド マテリアルズ インコーポレイテッド | 処理チャンバ内の特性評価及び故障検出のためのボード指紋法 |
JP7319479B1 (ja) | 2020-04-02 | 2023-08-01 | アプライド マテリアルズ インコーポレイテッド | 処理チャンバ内の特性評価及び故障検出のためのボード指紋法 |
Also Published As
Publication number | Publication date |
---|---|
US7596718B2 (en) | 2009-09-29 |
US20080125898A1 (en) | 2008-05-29 |
US20080015726A1 (en) | 2008-01-17 |
WO2007133543A2 (en) | 2007-11-22 |
KR20090007484A (ko) | 2009-01-16 |
US7934125B2 (en) | 2011-04-26 |
WO2007133543A3 (en) | 2008-09-12 |
KR101019459B1 (ko) | 2011-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2010501091A (ja) | 故障診断のための範囲を定めた故障サイン | |
US8010321B2 (en) | Metrics independent and recipe independent fault classes | |
KR101018545B1 (ko) | 적응형 다변수 결함 검출 | |
US7765020B2 (en) | Graphical user interface for presenting multivariate fault contributions | |
US10228678B2 (en) | Tool failure analysis using space-distorted similarity | |
TWI641934B (zh) | 虛擬量測系統與方法 | |
JP2018537853A (ja) | ウエハのポイントバイポイント分析及びデータの提示 | |
US20230195071A1 (en) | Methods and mechanisms for generating a data collection plan for a semiconductor manufacturing system | |
JP2004355330A (ja) | 診断装置及び診断方法 | |
KR20240052016A (ko) | 반도체 제조 장비의 적응형 문제 해결을 위한 시스템들 및 방법들 | |
US20230052392A1 (en) | Process abnormality identification using measurement violation analysis | |
TW200817891A (en) | Adaptive multivariate fault detection | |
US20230394090A1 (en) | Information processing apparatus and selection supporting method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20100803 |