JP3515756B2 - 処理装置の監視方法 - Google Patents

処理装置の監視方法

Info

Publication number
JP3515756B2
JP3515756B2 JP2000524639A JP2000524639A JP3515756B2 JP 3515756 B2 JP3515756 B2 JP 3515756B2 JP 2000524639 A JP2000524639 A JP 2000524639A JP 2000524639 A JP2000524639 A JP 2000524639A JP 3515756 B2 JP3515756 B2 JP 3515756B2
Authority
JP
Japan
Prior art keywords
training
vector
time
scale
vectors
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.)
Expired - Fee Related
Application number
JP2000524639A
Other languages
English (en)
Other versions
JP2001526418A (ja
Inventor
フェダール ペーター
ペッペル ゲルハルト
ヴァハトマイスター フランク
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of JP2001526418A publication Critical patent/JP2001526418A/ja
Application granted granted Critical
Publication of JP3515756B2 publication Critical patent/JP3515756B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Description

【発明の詳細な説明】
【０００１】本発明は、処理装置を監視および制御する
方法、特に半導体集積製品を製造する処理装置の監視お
よび制御方法に関する。
【０００２】最近の工業生産の分野では一般に高度のオ
ートメーション化が顕著である。特に半導体工業分野で
は国際的な競争力のためにも高度のオートメーション化
が不可避である。
【０００３】製造中には製品に一連の処理ステップが行
われる。これらのステップはオートメーション化され種
々の処理装置で処理すべき製品に対して行われる。例え
ば半導体集積製品の製造では製品ごとに６００のプロセ
スステップが行われ、その大部分はクリーンルーム環境
内の高度に専門的な処理装置でしか行えない。この場合
しばしば複数の同種の処理装置が１つの処理領域（“ベ
イ”）として統合されている。
【０００４】このようにオートメーション化された製造
にかかるコストは、いかに良好かつ効率的に製造プロセ
スを監視および制御できるかという問題にその大部分が
左右される。ここでは欠陥のない製品と製造された製品
の全体数との比（＝歩留まり）ができる限り大きな値を
取るようにする。
【０００５】残念ながら個々の処理ステップは変動や不
規則性の影響を受けており、これは最悪の場合、例えば
複数のチップないしウェハ全体の欠陥、または処理装置
の故障を意味する。したがって個々の処理ステップをで
きる限り安定した状態で行い、ウェハのプロセス処理の
完了後に許容できる収量を保証しなければならない。
【０００６】従来の技術では、場合により発生するウェ
ハの欠陥位置を特定し、この欠陥と所定の処理ステップ
との対応関係を求める多くの手法が使用されている。た
だしこれらの手法の一部にはウェハの処理の完了後にし
か得られないデータが使用されている。したがって欠陥
の遡及方向での追跡にはきわめて高いコストがかかるこ
とが多い。
【０００７】例えばウェハの完成後にウェハテストフィ
ールドで種々の電気的パラメータおよび機能的パラメー
タが種々のタイミング条件のもとで測定され、続いて製
造技術の技術者によって評価される。これらのパラメー
タは例えば電流効率、トランジスタの使用電圧、スタン
バイ電流などである。ここでの欠陥評価はどの処理ステ
ップで欠陥が起こったのかを後から検出しなければなら
ないので、きわめて煩雑である。
【０００８】ウェハが製造ラインを流れる進行時間は８
週間程度となることがある。例えば２週間の処理時間が
経過してから重大な欠陥が発生した場合に、この欠陥は
場合によってはさらに６週間のプロセス処理を終えてか
らしか検出できないことがある。このため一方では製造
ラインが不必要に粗悪品によって負荷され、他方ではタ
イムラグによりこの欠陥の原因が除去されるまでの間に
多数の更なる欠陥ウェハが製造されてしまう。
【０００９】こうした問題点を低減するために、１つま
たは複数の製造ステップ中ないし製造ステップ後に検出
されるデータを分析する付加的な監視手段が存在する。
【００１０】例えば所定の処理ステップの後にウェハが
製造プロセスから取り出され、光学的に走査電子顕微鏡
ＲＥＭによって分析される。ただし残念なことにこの手
法では時間的および人的コストがきわめて大きくなるの
で、ランダムサンプリングとしてしか行われていない。
【００１１】ユニバリアンテ統計的プロセスコントロー
ル"Univariate Statistic Processcontrol (SPC)"の手
法では、論理的に関連する一連のプロセスステップ（例
えばコーティング、露光および続くエッチング）の後に
プロセス結果（例えば１つのロットの２個のウェハのラ
イン幅または層厚さ）が監視される。目標値との差が生
じた場合には、欠陥の原因を除去するための処置を導入
する。ただしこの場合、当該の処理ステップのうちのど
こで前述の差の原因が見出されるかを検出しなければな
らないという問題が生じる。
【００１２】ユニバリアンテ統計的イクイップメントコ
ントロール"Univariate StatisticEquipmentcontrol (S
EC)"の手法では、プロセスステップごとにいわゆるイク
イップメントカップリング（Equipmentkopplung）によ
り例えばプロセス温度、電圧、出力、ガス流および圧力
などの測定データを検出し、監視チャートにエントリす
る。この監視チャートでは複数の処理ステップを通じ
て、検出されたパラメータが上方の監視ラインＯＫＬの
領域内にあるか、または下方の監視ラインＵＫＬの領域
内にあるかが検査される。測定値がＯＫＬとＵＫＬとの
間に存在している場合には、その時点でのプロセスは正
常に作動していると見なされる。ただし高いコストのた
めに全ての装置のパラメータ曲線を手動で検査すること
ができないので、これは最重要のパラメータに制限され
る。しかも最重要のパラメータのみに限っても、この光
学的な監視手法は最大で３次元のパラメータ集合に対し
てしか適用されない。２次元のパラメータ集合ではこの
手法はきわめてわかりにくくなる。したがって例えば２
つの正常のパラメータのコンビネーションが異常を生じ
た場合にも、場合によってはチップまたは装置の欠陥に
いたることがある。この種の多次元のコンビネーション
効果は従来の手法によっては解決できない。さらに監視
チャートの作成および分析にはきわめて時間がかかる。
【００１３】刊行物“Fault Detection and Isolation
in Technical Processes with Neural Networks”（B.
Koeppen-Seliger et al. 著、Proceedings of the 34
ｔｈ Conference on Decision & Control New Orleans,
LA December 1995 にて刊行される）には、ＲＣＥネッ
トワーク（“Restricted Coulomb Energy Neural netwo
rk”）の使用に基づいている、技術プロセスにおける欠
陥の検出および隔離のための構想が記載されている。更
に、文書米国特許第５３６１６２８号明細書（Kenneth
A. Marko et al.）には、ニューラルネットワークを用
いた機関テストの評価のための方法が開示されている。
しかしこれらの方法では、使用のニューラルネットワー
クを相応にトレーニングできるようにするためには適当
にコントロールされた予備実験が必要である。しかし安
定した条件下で「申し分ない」処理装置を用いた相応の
予備実験には、非常に高いコストが要求され、これは製
造環境では通例調達することができるものではない。
【００１４】したがって本発明の課題は、処理装置を監
視および／または制御する方法を提供し、従来の手法に
よる前述の欠点を回避または低減することである。
【００１５】この課題は請求項１記載の処理装置を監視
および／または制御する方法により解決される。本発明
の別の有利な実施例、実施形態および態様は従属請求項
に記載されており、これは以下の説明と添付の図とから
得られる。
【００１６】本発明によれば、時間に依存する処理パラ
メータを有する処理装置を監視および／または制御する
方法が提供される。本発明の方法は、 ａ）時間に依存する所望の処理パラメータを測定曲線と
して測定するステップと、 ｂ）測定された処理パラメータから時間に依存する尺度
数（Masszahl）を形成するステップと、 ｃ）時間に依存する尺度数をクラシフィケータに入力
し、クラシフィケータにより処理装置の正常状態と処理
装置の異常状態との判別を行うステップとを有する。
【００１７】本発明の方法は、クラシフィケータが、成
分が時間に無関係な尺度数であるトレーニングベクトル
を用いてトレーニングされかつクラシフィケータのトレ
ーニングの前処理のために存在するトレーニングベクト
ルから「異常」と見なされるトレーニングベクトルが取
り出され、その際非異常なトレーニングベクトルのフィ
ルタリングのために、それぞれのトレーニングベクトル
から、それぞれ別のトレーニングベクトルへの間隔が適
当に選択された間隔尺度を用いて求められる。
【００１８】本発明の方法は、データの分析を完全に自
動的に行うことができる利点を有する。これにより時間
およびコストのかかる処理装置の“手動の”監視を回避
できる。全ての所望のパラメータを同時かつ並列的に、
所定の処理ステップの終了後に直ちに処理することがで
きる。欠陥の発生からこれを検出するまでのタイムラグ
は従来の処理装置の監視ではあたりまえであったが、こ
れも回避される。
【００１９】さらに本発明の方法によれば、多次元のコ
ンビネーション効果をも問題なく識別することができ
る。しかも、装置の機能に影響を有するが、製造された
製品では明確に特定することのできないパラメータコン
ビネーションも検出可能である。更に、本発明の方法
は、ニューラルネットワークのトレーニングの前処理の
ために存在しているトレーニングベクトルが正確に解析
されるという利点を有している。すべての存在している
トレーニングベクトルから、「異常」と見なされなけれ
ばならないトレーニングベクトルが取り出されかつトレ
ーニングから排除される。
【００２０】有利にはクラシフィケータとしてニューラ
ルネットが使用される。この種のニューラルネットはハ
ードウェア手段としてもソフトウェア手段としても使用
することができる。
【００２１】特に有利にはＲＣＥネットが使用される。
ここでＲＣＥとはRestricted Coulomb Energyを表して
いる。このＲＣＥネットは許容されているパラメータ領
域を制限し、種々の特徴のクラスを相互に分離し、いわ
ゆる“リコール”の際にテストベクトルを分類する。分
離のために有利にはｎ次元のハイパースフィアまたはハ
イパーキューブが使用される。
【００２２】ＲＣＥネットは次のような利点を有してい
る。すなわち複素的部分領域（これは必ずしも必然的に
関連付けられる必要はない）内の特徴空間が分割される
利点を有している。多くの他のネットワークタイプは特
徴空間をハイパー層によって分離する。このことは、次
のような欠点となる。すなわち層断面によって書き表せ
る分類分割の占める問題しか処理できないという欠点で
ある。ＲＣＥネットは、特徴空間のほぼ任意の分割を可
能にする。さらにＲＣＥネットの場合は介在層のニュー
ロンの数がトレーニング中に確定され、つまり最初から
既知である必要はない。その上さらにＲＣＥネットの場
合、重み付けベクトルは、他のネットワークの場合のよ
うに複数の値で予め配置構成される必要もない。ＲＣＥ
ネットのもとでは、バックプロパゲーションアルゴリズ
ムでトレーニングされたネットワークの場合のような
“過度なトレーニング”は存在しない。バックプロパゲ
ーションネットワークの場合では、学習可能なマスタの
数がニューロンによって制限される。従って最大限可能
なマスタ数を越えてトレーニングされると、前に学習さ
れたマスタが再び“忘れた”状態になる。ＲＣＥネット
の場合ではさらに、既にトレーニングされたネットワー
クに対し、ネットワーク全体の新たなトレーニングの必
要性なしで新たなクラスが加えられる。
【００２３】分類系の効果的な使用に対する決定的なも
のは、学習データの選択である。通常は頻繁に現れる典
型的または正常なパラメータ集合が有効である。分類系
のトレーニング中は、非典型的なものあるいは異常なモ
ノとみなされるパラメータ集合も現れる。しかしながら
これまでにはその種の異常なパラメータ集合の識別はで
きなかった。
【００２４】それ故に本発明によれば、多数のベクトル
からの異常とみなされるベクトルのフィルタリング方法
が提案されている。この本発明による方法によれば、各
ベクトルから他のベクトルまでの間隔が、適切に選択さ
れた間隔尺度を用いて求められ、次のようなベクトルの
みがフィルタリングされる。すなわち全てのベクトルの
所定のパーセントが、ちょうど存在するベクトルに対し
て比較的に小さな間隔を有しており、間隔のソート順序
の間隔値Ｋが所定の閾値を超えているベクトルのみがフ
ィルタリングされる。
【００２５】この方法は次にような利点を有している。
すなわちベクトルの数と次元に関して制限がないことで
ある。
【００２６】本発明による方法のさらに別の有利な実施
形態や改善例は従属請求項に記載されている。
【００２７】実施例 次に本発明を図面に基づき以下の明細書で詳細に説明す
る。この場合、図１は、ＲＣＥネットの概略的に示した
図であり、図２は、二次元的寸法空間を概略的に示した
図であり、図３のａとｂは、正常状態（ａ）と異常状態
（ｂ）に対する間隔プロットである。
【００２８】図１は、ＲＣＥネットの概略図である。こ
のＲＣＥネットの利用は２つのフェーズに分けられる。
【００２９】“トレーニングフェーズ”では、ネットワ
ークに参考ベクトルが与えられ、それに基づいて特徴空
間が種々異なるクラスに分けられる。参考ベクトルのク
ラスは、トレーニングの際に既知でなければならず、つ
まり監視された学習“supervised learning”である。
【００３０】“リコールフェーズ”では、ネットワーク
に、分類のためのテストベクトルがおかれ、このベクト
ルが、事前にトレーニングされた１つ（場合によっては
複数）のクラスに対応付け可能かどうか、あるいはクラ
スによって書き表せるフェーズ空間の外にあるのか否か
が決定される。ニューロンネットワークは、所定の境界
内で、既知の例から（少なくとも局所的に）抽象化され
る立場にあり、また所定の許容偏差の枠内では非抽象化
データも正規に対応付けされる。
【００３１】ＲＣＥネットは、一般に３つの層を有して
いる。すなわち入力層（input layer）１と、介在層（h
idden layer）２と、出力層（output layer）３であ
る。
【００３２】入力層１の各ニューロン５は、ｎ次元の入
力ベクトルのディメンションで表されている。この入力
層１は、“結合ベクトル”（＝重み付けベクトル）を介
して、介在層２の各ニューロン６に結合されている。介
在層２の全てのニューロン６は、特徴クラスを表す出力
層３の正確に１つのニューロン７に結合されている。
【００３３】ネットワークのトレーニングのもとでは、
複数の重み付けベクトルと介在層２の多数のニューロン
６が動的に定められており、つまり先験的に既知であっ
てはならない。プロパゲーション関数としてトレーニン
グでは、リコールの場合のように、テストベクトルと全
ての重み付けベクトルの間の間隔尺度（例えばユークリ
ッド間隔又はスカラー積）が算出される。テストベクト
ルが、重み付けベクトルから所定の量よりも少なくずれ
ている場合には、介在層２の相応のニューロン６が刺激
され、相応の出力ニューロン７が活動化される。介在層
２の活動化は、この場合分類されたパーセプトロンとは
異なって、論理ＯＲ関数を介して相互に結合される。介
在層のニューロン６の数は、トレーニング期間中に求め
られる。介在層の多数のニューロンが活動化されるなら
ば、分類は場合によっては一義的ではなくなる。ネット
ワークの“記憶”は、重み付けベクトルに記憶される
（これはプロトタイプとも称される）。
【００３４】入力ベクトルの重み付けの際の間隔尺度と
してスカラー積が重み付けベクトルと共に利用され、介
在層から出力層へ伝達される活動化の重み付けがスカラ
ー積によっても行われる。それによりこのＲＣＥネット
は、分類形多層パーセプトロンとなる。プロトタイプに
関しては、影響領域が所定の半径のハイパースフィアを
形成する。
【００３５】間隔尺度としては以下の関数が用いられ
る。
【００３６】 ｄ＝ｍａｘｉ｜ｗｉ ｊ−ｙｉ｜＜λｊ それにより影響領域としてエッジ長λｊの所定のハイパ
ーキューブが得られる。しかしながらそのようにして定
められたネットワークは、分類形多層パーセプトロンを
もはや表されるのではなく、“一般化”されたパーセプ
トロンとして表される。
【００３７】トレーニングの際には、トレーニングベク
トル周辺に影響領域（ドメインと称される）、ハイパー
キューブないしハイパースフィア（半径λｊ）が確定さ
れる。さらなるトレーニングベクトル（プロトタイプ）
に対しては、ベクトルがこれまでに存在していたプロト
タイプの影響領域に存在するのか否か、すなわちハイパ
ーキューブないしハイパースフィア（半径λｊ）内にあ
るのかどうかが検査される。存在しない場合には、新た
なプロトタイプが形成され、それによって介在層のニュ
ーロン数が高められる。
【００３８】誤った分類を避けるために、トレーニング
フェーズ中は、新たに形成されたプロトタイプのハイパ
ースフィアの半径ないしハイパーキューブの相応のエッ
ジが戻され、もはやこれが重畳されないように既存のド
メインに適合化される。ドメインの引き戻しの際には、
新たなエッジ長ないし半径が最大容積で算出される。
【００３９】ハイパースフィアの代わりにハイパーキュ
ーブを使用する場合には、位相空間が密にカバーされ
る。なぜならハイパースフィアの重畳の際に介在空間が
生じるからである。それ故にハイパーキューブ分類系の
もとでは、特徴空間のカバーには、比較的少ないトレー
ニング例が必要となるだけである。
【００４０】処理装置の監視ないし制御に対しては、有
利には、使用されるＲＣＥネットが、インターバル[−
１，１]で規格化されたベクトルを入力量として受取
る。このベクトルの要素は、拡張された生データから次
のことによって生じている。すなわち所望のプロセスパ
ラメータ（圧力、温度、ガス流など）の時間依存した測
定量から時間依存した特徴的測定尺度が形成されること
によって生じる。この測定量は通常は、処理装置におけ
る設定に応じて種々異なる値範囲を有している。それ故
に有利には、個々の測定量が規格化される。測定量の規
格化範囲としてはインターバル[０，１]が有利である。
【００４１】しかしながらＲＣＥネットを用いて規格化
された測定量の直接的な処理は、まだ有用な結果には結
び付かない。それ故に時間依存した測定量は、時間依存
した測定尺度において変換される。この測定尺度は有利
には以下の要求を満たしている。
【００４２】一般性（”Ｕｎｖｅｒｓａｌｉｔａｅ
ｔ”）は：各パラメータに対して、同じアルゴリズムを
用いることができるようにする必要があり、類似忠実度
（”Ａｅｈｎｌｉｃｈｋｅｉｔｓｔｒｅｕｅ”）は：類
似曲線により、類似測度が提供され、頑強性（”Ｒｏｂ
ｕｓｔｈｅｉｔ”）は：曲線の小さな偏差により、測度
が変わるのが極めて僅かであり、正規性（”Ｎｏｒｍｉ
ｅｒｕｎｇ”）は：測度が、区間［−１；１］で正規化
されるようにする必要がある。
【００４３】上述の条件を考慮して、時間依存の測定量
を、時間に依存しない測度に変換するように構成された
一連の数学的方法がある。
【００４４】つまり、所望のパラメータの時間依存の測
定曲線は、多項式によって近似することができる。その
際、測定曲線は、所定の基底関数の線形結合によって示
される。例えば、誤差の重み付け最小２乗和により得ら
れる線形結合の係数ｃｉは、測度として、従って、ＲＣ
Ｅネットの入力ベクトルの成分として適している。
【００４５】計算時間を節約するために、その際有利に
は、基底関数として直交多項式、例えば、チェビシェフ
多項式を使用するとよい。直交多項式を用いた場合の更
に別の利点は、新規に付加される多項式の係数だけを算
出すればよく、既に算出されている係数に対して付加的
に、直交多項式の比較的高次の累乗項を用いればよいと
いう点にある。
【００４６】間隔量を用いることは、前述の条件を考慮
して、時間依存の測定量を時間に依存しない測度に変換
するための別の方法である。
【００４７】そのために、測定曲線が離散化され、その
際、予め決められた所定の時間の測定値が、ベクトルｘ
の成分として解釈される。比較ベクトルｙ、例えば、同
様に設定された個所に多項式が与えられている場合、こ
れらのベクトル間の類似度を確定するために、種々異な
る距離尺度方法を使用することができる。
【００４８】多数の距離尺度は、所謂ミンコフスキーｑ
計量（Ｌｑ計量とも呼ばれる）の特殊な場合である。一
般的には、ミンコフスキーｑ計量は、 ｄｑ（ｘ，ｙ）＝（Σｉ ｍ｜ｘｉ−ｙｉ｜ｑ）１／ｑ として定義される。
【００４９】この各計量は、曲線を特徴付けるのに適し
ている。ｄｑ距離が、検定ベクトルｘから基準ｙへの固
定量ｑを用いて算出されると、両ベクトルの間隔の尺度
が得られる。十分に定義された複数の比較曲線に対して
距離を測定すると、パラメータ曲線を、選択可能な精度
で特徴付けることができる。種々異なる比較曲線に対す
るｄｑ距離は、測度として適しており、従って、ＲＣＥ
ネットの入力ベクトルの成分として適している。
【００５０】比較曲線ｙとしては、例えば、区間［０；
１］に変換されたチェビシェフ多項式が使用される。定
常の比較曲線の他に、測定されたパラメータの性質によ
り必要である場合には、任意の合成関数を使用してもよ
い。
【００５１】所望のパラメータ用の、使用されている正
規化測定曲線全てから、「平均化」測定曲線を算定する
と、同様の方法が得られる。測度として、その際、種々
異なる偏差、例えば、最小２乗偏差を平均測定曲線又は
任意の他のミンコフスキーｑ計量を使用することができ
る。
【００５２】平均測定曲線（基準曲線）を算定するため
に、メジアンを使うと有利である。つまり、メジアンは
平均値よりも一層ローブストであり、従って、基準曲線
が一層平滑となるからである。
【００５３】ビットマップを特徴付ける方法を、既存の
パラメータ曲線を記述するのに使用すると、別の方法が
得られる。その種の方法は、刊行物ヨーロッパ特許出願
公開第０７８３１７０号公報に記載されており、その開
示内容を次に参照する。その際、パラメータの時間経過
特性がビットマップとして考察される。正規化された測
定曲線から、例えば、以下、の測度を算出することがで
きる：「平均値以上の歩合高」（”Ｐｅｒｃｅｎｔａｇ
ｅ Ｏｖｅｒ Ｍｅａｎ”）：考察している測定曲線全
体の平均値以上の値の歩合高、「質量偏差」（”Ｄｅｖ
ｉａｔｉｏｎ ｏｆ Ｍａｓｓ”）：値の、質量重心か
らの偏差、「質量分布」（”Ｍａｓｓ Ｄｉｓｔｒｉｂ
ｕｔｉｏｎｓ”）：質量分布、「変動」（”Ｆｌｕｃｔ
ｕａｔｉｏｎｓ”）：隣接値の偏差の尺度を示す、「単
調性」（”Ｍｏｎｏｔｏｎｙ”）：測定曲線のグローバ
ルな単調性、そして、「領域」（”Ａｒｅａ”）：曲線
が時間軸で囲まれた面積を算出することができる。
【００５４】上述の６個の測度によって、各曲線を有意
に記述することができる。ニューラルネット用の入力ベ
クトルは、従って、所望の各パラメータに対して６個の
測度を含む。
【００５５】曲線の特徴化用の方法として、以下の方法
も適している：測定曲線の両軸線が、例えば、３つの
「等距離（”ａｅｑｕｉｄｉｓｔａｎｔｅ”）」部分に
分割される。このようにして形成された９つの部分内
で、正規化された測定値の平均値及び／又は標準偏差が
算出される。このようにして、９個乃至１８個の測度が
入力ベクトルに対して形成される。
【００５６】図２には、前述の測度によって展開された
２次元測度空間が略示されている。その際、升目１０
は、処理装置の正常状態を記述する測度ベクトルに対し
て形成されている。このベクトルにより、処理装置が正
常且つ安定して作動する領域が展開される。升目１１
は、処理装置が誤作動する異常状態を記述する測度ベク
トルに対して形成されている。この異常状態は、方法
「一変数統計による装置制御」（”Ｕｎｉｖａｒｉａｔ
ｅ Ｓｔａｔｉｓｔｉｓｃｈｅ Ｅｑｕｉｐｍｅｎｔｋ
ｏｎｔｒｏｌｌｅ（ＳＥＣ）”）では、異常とは認識さ
れず、測度ベクトルは、パラメータ１に関してもパラメ
ータ２に関しても、それぞれの上側制御境界と下側制御
境界との内部に位置している。
【００５７】既述のように、ＲＣＥネットを用いる際に
は、２つの期間、即ち、「トレーニング期間」と「リコ
ール期間」とに区分される。「トレーニング期間」で
は、ネットにはトレーニングベクトルが示され、このト
レーニングベクトルを用いて、特徴空間が種々異なるク
ラスに分類される。非常に安定して作動する処理装置を
用いると、処理装置の安定検定作動の測定量から形成さ
れた測度を、処理装置の「正常」状態用に使用すること
ができる。
【００５８】しかし、処理装置が十分に安定して作動し
ていない場合、トレーニング又は検定作動中、再度、処
理装置の不所望な、乃至、「異常な」状態となることが
ある。トレーニング例で、「異常」と評価されるベクト
ルが生起した場合、このベクトルは、後続のリコール期
間内で誤って正常と検出される。つまり、このベクトル
は、ネットとしては正常としてトレーニングされたから
である。従って、ニューラルネットのトレーニングの前
処理のために、このトレーニングベクトルは、正確に解
析される必要がある。既存のトレーニングベクトル全て
から、「異常」と見なすべきベクトルをフィルタリング
して、トレーニングから排除する必要がある。ネット
は、有利には、一方では、異常偏差全てが検出され、他
方では、処理装置の正常状態全てが検出されるようにト
レーニングされる。誤通知の回数は、出来る限り高い誤
り検出率で、当然出来る限り小さくする必要がある。
【００５９】従って、本発明によると、「異常」状態の
自動検出用の方法が形成される。
【００６０】そのために、入力ベクトルの選択可能な数
が形成される。この入力ベクトルは、例えば、事後に監
視すべき処理装置の１回以上の検定作動から得られる。
それから、適切に選択された距離尺度を用いて、各ベク
トルから各他ベクトルへの距離が求められ、その結果、
有利に対称的な距離行列が形成され、この距離行列の主
対角元素は全て等しくゼロである。距離尺度として、例
えば、２つのベクトルのユークリッド距離を使用しても
よい。
【００６１】異常状態が存在するか否かの判断はこの間
隔の分布に基づいて行われる。正常状態に相応するベク
トルと、異常状態に相応するベクトルとは典型的な間隔
分布を示す。正常状態に相応するベクトルはその隣接部
に多数の別のベクトルを有する。相応して、このような
ベクトルに関連する間隔分布には多数の“小さな”間隔
が発生する。従ってこのようなベクトルの間隔分布は値
が“小さい”ときにその重心を有する。
【００６２】異常状態に相応するベクトルは、その隣接
部に少数の別のベクトルしか有していない。相応して、
このようなベクトルに関連する間隔分布には多数の“大
きな”間隔が発生する。このようなベクトルの間隔分布
は多数の“大きな”間隔を有する。従ってこのようなベ
クトルの間隔分布は値が“大きい”ときにその重心を有
する。
【００６３】間隔分布を計算するために、例えば間隔マ
トリクスの各列が上昇順にソートされる。間隔のソート
順序は各ベクトルに対して固有の座標系にプロットされ
る。ここで各ベクトルに対して１つの間隔分布ないし累
積された間隔分布が発生する。
【００６４】間隔分布を比較するために、全てのベクト
ルの選択可能なパーセント（例えば全てのベクトルの１
０％）がちょうど存在する間隔値内に配置されていれ
ば、ソート順序の値（分布の識別値）が使用される。有
利には、この自由に選択可能なパーセントはトレーニン
グベクトルに発生した“異常な”ベクトルのパーセント
成分に相応する。間隔分布のこの識別値Ｋが所定のしき
い値を上回れば、相応するベクトルは異常状態に相応す
るベクトルである。間隔分布の識別値Ｋがしきい値内に
留まれば、相応するベクトルは正常状態に相応するベク
トルである。図３ａと図３ｂは、正常状態に対する間隔
プロット（図３ａ）と、異常状態に対する間隔プロット
（図３ｂ）を示す。正常状態の場合の識別値Ｋは異常状
態の場合の識別値Ｋより格段に小さいことがわかる。正
常状態の場合、識別値Ｋはしきい値Ｓ内にあり、異常状
態の場合は識別値Ｋはしきい値Ｓの上にある。
【００６５】どれだけの異常ベクトルがデータに存在し
ているかを見つけ出すために、識別値の分布関数を使用
することができる。
【００６６】入力ベクトルの成分としてクラシフィケー
タに対して用いられる尺度数の多数が、明りょうに分離
される複数の分布最大値を有すように分布する。このこ
とは、異常ベクトルの探索の際にエラー推定につながる
ことがある。従って各ベクトルから別のベクトルまでの
間隔検出のための間隔尺度として重み付けされた間隔尺
度を使用すると有利である。とりわけ有利には、間隔尺
度をそれぞれの尺度数の情報内容／エントロピー（また
は情報内容／エントロピーの関数）に従って重み付けす
る。尺度数の分布のエントロピーは次のように計算され
る。
【００６７】 Ｓｉ＝ｋΣj ｐｉ ｊ ｌｎ（ｐｉ ｊ） ここでは、ｐｉ ｊはｉ番目の尺度数がｊ番目の値を取る
確率を表し、ｋは選択可能な定数である。２つのベクト
ルの重み付けされた間隔尺度として、例えば ｄ（ｘ、ｙ）＝（Σｉ （ｘｉ−ｙｉ）ｑ）１／ｑ ないしは ｄ（ｘ、ｙ）＝（Σｉ ｆ（Ｓｉ）（ｘｉ−ｙｉ）ｑ）
１／ｑ ここでｆ（Ｓ）は、エントロピーの適切に選択された関
数である。尺度数分布のエントロピーを考慮することに
より、マルチモーダルなデータの適切な処理も保証され
る。 ［図面の簡単な説明］
【図１】図１は、ＲＣＥネットの概略的に示した図であ
り、
【図２】図２は、二次元的寸法空間を概略的に示した図
であり、
【図３】図３のａとｂは、正常状態（ａ）と異常状態
（ｂ）に対する間隔プロットである。
フロントページの続き (72)発明者 フランク ヴァハトマイスター ドイツ連邦共和国 レーゲンスブルク プリンツ−ルップレヒト−シュトラーセ 19ベー (56)参考文献 特開 平９−305224（ＪＰ，Ａ) 国際公開97／044743（ＷＯ，Ａ１) 国際公開97／036248（ＷＯ，Ａ１) (58)調査した分野(Int.Cl.7，ＤＢ名) G05B 23/02

Claims (12)

    (57)【特許請求の範囲】
  1. 【請求項１】 処理装置の監視および／または制御方法
    であって、該処理装置は時間に依存する処理パラメータ
    を有し、 ａ）時間に依存する所望の処理パラメータを測定曲線と
    して測定し、 ｂ）測定された処理パラメータから時間に依存しない尺
    度数を形成し、 ｃ）時間に依存しない尺度数をクラシフィケータに入力
    し、該クラシフィケータは処理装置の正常状態と異常状
    態とを区別するステップを有する方法において、 クラシフィケータを、時間に依存しない尺度数を成分と
    して有するトレーニングベクトルによりトレーニング
    し、 クラシフィケータのトレーニングを準備するために、既
    存のトレーニングベクトルから“異常”と見なされるト
    レーニングベクトルをフィルタリングし、 異常のトレーニングベクトルをフィルタリングするため
    に、各トレーニングベクトルから各別のトレーニングベ
    クトルまでの間隔を適切に選択された間隔尺度を用いて
    検出し、 間隔のソート順序の間隔値Ｋが所定のしきい値を越える
    トレーニングベクトルをフィルタリングし、 前記間隔値においては、全てのベクトルの所定のパーセ
    ントがちょうど存在するトレーニングベクトルに対して
    比較的に小さい間隔を有する ことを特徴とする方法。
  2. 【請求項２】 クラシフィケータとしてニューラルネッ
    トワークを使用する、請求項１記載の方法。
  3. 【請求項３】 ＲＣＥネットを共に使用する、請求項２
    記載の方法。
  4. 【請求項４】 ドメインとして、プロトタイプ、ハイパ
    ーキューブ、または半径λjのハイパースフィアを使用
    する、請求項１記載の方法。
  5. 【請求項５】 時間に依存しない尺度数は、“一般
    性”、“類似信頼性”、“頑強性”および“正規性”に
    ついての要求を満たす、請求項１から４までのいずれか
    １項記載の方法。
  6. 【請求項６】 所望の処理パラメータの時間に依存する
    測定曲線を、多項式、有利には直交多項式の線形結合に
    より近似し、線形結合の係数ｃiを時間に依存しない尺
    度数として使用する、請求項５記載の方法。
  7. 【請求項７】 尺度数として、測定曲線の所定の比較曲
    線までの距離を使用する、請求項５記載の方法。
  8. 【請求項８】 処理パラメータの測定曲線から、平均測
    定曲線を算出し、尺度数としてこの平均測定局線に対す
    る偏差を使用する、請求項５記載の方法。
  9. 【請求項９】 ビットマップとしてまとめられた測定曲
    線を特徴付けるための識別量を尺度数として使用する、
    請求項５記載の方法。
  10. 【請求項１０】 測定曲線を部分に分割し、当該部分を
    計算する平均値および／または標準偏差を尺度数として
    使用する、請求項５記載の方法。
  11. 【請求項１１】 各トレーニングベクトルから各別のト
    レーニングベクトルまでの間隔を検出するための間隔尺
    度として、重み付けされた間隔尺度を使用する、請求項
    １または１０までのいずれか１項記載の方法。
  12. 【請求項１２】 間隔尺度を、それぞれの尺度数の情報
    内容／エントロピーまたは情報内容／エントロピーの関
    数に従って重み付けする、請求項１１記載の方法。
JP2000524639A 1997-12-11 1998-12-11 処理装置の監視方法 Expired - Fee Related JP3515756B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19755133A DE19755133A1 (de) 1997-12-11 1997-12-11 Verfahren zur Überwachung von Bearbeitungsanlagen
DE19755133.5 1997-12-11
PCT/DE1998/003652 WO1999030127A2 (de) 1997-12-11 1998-12-11 Verfahren zur überwachung von bearbeitungsanlagen

Publications (2)

Publication Number Publication Date
JP2001526418A JP2001526418A (ja) 2001-12-18
JP3515756B2 true JP3515756B2 (ja) 2004-04-05

Family

ID=7851607

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2000524639A Expired - Fee Related JP3515756B2 (ja) 1997-12-11 1998-12-11 処理装置の監視方法

Country Status (6)

Country Link
US (1) US6618632B1 (ja)
EP (2) EP1306736B1 (ja)
JP (1) JP3515756B2 (ja)
KR (1) KR20010033059A (ja)
DE (3) DE19755133A1 (ja)
WO (1) WO1999030127A2 (ja)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19948569C2 (de) * 1999-10-08 2001-09-13 Infineon Technologies Ag Verfahren und Anordnung zur rechnergestützten Ermittlung und Auswahl signifikanter Meßgrößen
US6408259B1 (en) * 2000-02-01 2002-06-18 General Electric Company Alert generation for trend performance analysis
EP1299783A2 (en) * 2000-06-19 2003-04-09 The Dow Chemical Company Rotating equipment diagnostic system and adaptive controller
EP1170650B1 (fr) * 2000-07-05 2008-09-03 PDF Solutions SAS Procédé de surveillance d'un système
JP2002024506A (ja) * 2000-07-12 2002-01-25 Shiizu International:Kk 作業工程の管理システムおよび方法
DE10228799A1 (de) 2002-06-27 2004-01-29 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zum Überwachen eines ablaufenden Prozesses
EP1403750A1 (de) * 2002-09-27 2004-03-31 Peter Renner System zum Aufspüren und Bewerten von Veränderungen an technischen Prozessen
DE50312795D1 (de) * 2003-04-25 2010-07-22 Sig Technology Ltd Verfahren und System zur Überwachung eines Verpackungs-oder Abfüllvorgangs
DE102004022748B4 (de) * 2004-05-07 2016-03-24 Abb Research Ltd. System und Verfahren zur automatischen Ursachenanalyse von anlagenweiten Störungen in einem technischen Prozess
EP1672453A1 (de) * 2004-12-08 2006-06-21 Siemens Aktiengesellschaft Verfahren zur Validierung von Referenzwerten in Analysesystemen
DE102005017902A1 (de) 2005-04-18 2006-10-19 Abb Technology Ag Lasttrennschalter sowie Schaltanlage mit Lasttrennschalter
NZ574330A (en) * 2006-08-09 2011-05-27 Auckland Uniservices Ltd Monitoring data from plant sensors and using a complexity measure to assess predictability
US7853431B2 (en) * 2006-09-29 2010-12-14 Fisher-Rosemount Systems, Inc. On-line monitoring and diagnostics of a process using multivariate statistical analysis
JP5905158B2 (ja) * 2013-04-08 2016-04-20 三菱電機株式会社 数値制御装置
CN110322048B (zh) * 2019-05-31 2023-09-26 南京航空航天大学 一种生产物流输送装备故障预警方法
CN117314475B (zh) * 2023-11-28 2024-02-13 德州市水利局水利施工处 一种封堵门防伪溯源过程中异常数据监测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5060277A (en) * 1985-10-10 1991-10-22 Palantir Corporation Pattern classification means using feature vector regions preconstructed from reference data
US5365574A (en) * 1990-05-15 1994-11-15 Vcs Industries, Inc. Telephone network voice recognition and verification using selectively-adjustable signal thresholds
US5796410A (en) * 1990-06-12 1998-08-18 Lucent Technologies Inc. Generation and use of defective images in image analysis
DE69330021T2 (de) * 1992-12-18 2001-10-31 Raytheon Co Verbessertes System zur Mustererkennung für Sonar und andere Anwendungen
US5361628A (en) * 1993-08-02 1994-11-08 Ford Motor Company System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US5574387A (en) * 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
DE59606668D1 (de) * 1996-01-04 2001-05-03 Infineon Technologies Ag Vorrichtung und Verfahren zur Erfassung und Bewertung eines räumlich diskreten Punktmusters
US6345119B1 (en) * 1996-02-19 2002-02-05 Fujitsu Limited Handwritten character recognition apparatus and method using a clustering algorithm

Also Published As

Publication number Publication date
US6618632B1 (en) 2003-09-09
EP1038163A2 (de) 2000-09-27
DE59812798D1 (de) 2005-06-16
JP2001526418A (ja) 2001-12-18
DE59808096D1 (de) 2003-05-28
EP1306736B1 (de) 2005-05-11
EP1306736A3 (de) 2003-05-07
DE19755133A1 (de) 1999-06-24
EP1038163B1 (de) 2003-04-23
WO1999030127A3 (de) 1999-11-11
KR20010033059A (ko) 2001-04-25
WO1999030127A2 (de) 1999-06-17
EP1306736A2 (de) 2003-05-02

Similar Documents

Publication Publication Date Title
JP3515756B2 (ja) 処理装置の監視方法
JP5735499B2 (ja) 基板処理中に自動的に障害状態を検出及び分類するための方法及び装置
US7356430B2 (en) Methods and apparatus for data analysis
KR100200480B1 (ko) 불량 분석 피드백에 의한 반도체 제조공정 제어방법
US20080189575A1 (en) Methods and apparatus for data analysis
US7225107B2 (en) Methods and apparatus for data analysis
US7395170B2 (en) Methods and apparatus for data analysis
US20180293500A1 (en) Methods and apparatus for data analysis
US8041541B2 (en) Methods and apparatus for data analysis
US20110178967A1 (en) Methods and apparatus for data analysis
WO2002086726A1 (en) Diagnostic systems and methods for predictive condition monitoring
AU2002246994A1 (en) Diagnostic systems and methods for predictive condition monitoring
IL177293A (en) Methods and apparatus for data analysis
JP2023535721A (ja) プロセストレースからの装置故障モードの予測
EP3839680B1 (en) Method and device for controlling a machine using principal component analysis
CN116627116B (zh) 一种流程工业故障定位方法、系统及电子设备
KR20070018880A (ko) 데이터 분석을 위한 방법 및 장치
Zhang et al. Towards real time fault identification in plasma etching using neural networks
US20220237450A1 (en) Semiconductor process prediction method and semiconductor process prediction apparatus considering overall features and local features
Matsushita et al. Highly sensitive inspection system for lithography-related faults in agile-fab-detecting algorithm for monitoring and evaluation of yield impact
TW202310110A (zh) 晶圓缺陷測試設備、晶圓缺陷測試系統以及晶圓的製造方法
Rickli et al. Monitoring and Diagnosis of Assembly Fixture Faults Using Modified Multivariate Control Charts and Surface Scanning Content

Legal Events

Date Code Title Description
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20031218

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20040116

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees