JP4663808B2 - プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置 - Google Patents

プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置 Download PDF

Info

Publication number
JP4663808B2
JP4663808B2 JP2009255149A JP2009255149A JP4663808B2 JP 4663808 B2 JP4663808 B2 JP 4663808B2 JP 2009255149 A JP2009255149 A JP 2009255149A JP 2009255149 A JP2009255149 A JP 2009255149A JP 4663808 B2 JP4663808 B2 JP 4663808B2
Authority
JP
Japan
Prior art keywords
manufacturing
process parameter
quality
multivariate analysis
prediction model
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
JP2009255149A
Other languages
English (en)
Other versions
JP2010267947A (ja
Inventor
勇気 益井
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.)
Sharp Corp
Original Assignee
Sharp Corp
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 Sharp Corp filed Critical Sharp Corp
Priority to JP2009255149A priority Critical patent/JP4663808B2/ja
Priority to PCT/JP2010/056819 priority patent/WO2010119939A1/ja
Publication of JP2010267947A publication Critical patent/JP2010267947A/ja
Application granted granted Critical
Publication of JP4663808B2 publication Critical patent/JP4663808B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

この発明は、デバイス製造工程における多数のプロセスパラメータから有効なプロセスパラメータを選択するプロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置に関する。
デバイス製造装置における製造条件の調整は、良・不良の判定結果や特性値のような製品の品質に影響を与える。そのため、検査工程において各製品の品質が目標範囲内に収まっているか否かを確認し、もし品質が目標範囲内からずれていれば、製造条件を調整して品質が目標範囲内に収まるようにする必要がある。
しかしながら、品質を全数検査するには多くの工数や時間が必要となることや、検査工程によっては製品を破壊しなければ検査ができず、全製品の品質を検査できないという問題がある。
そこで、製造工程から取得できるプロセスパラメータ、例えば各種計測器によって、測定される製造中の装置内温度や装置内圧力のような状態の計測値から、当該製造中の製品の品質を予測する技術がある。このような品質を予測する技術としては、ＰＬＳ(Partial Least Squares：部分最小二乗法)を利用する方法がある。ＰＬＳによって、上記プロセスパラメータの線形式で表現される品質の予測モデルを作成することにより、この予測モデルを用いて上記プロセスパラメータから品質を予測するのである。そのため、上記プロセスパラメータのみに基づいて品質が目標範囲内であるか否かを判別することができ、検査工程を通すことなく製造条件の調整を行うことが可能になるのである。
ここで、製造工程のプロセスパラメータを用いて品質の予測を行う場合に、予測しようとしている品質とは全く関係のないプロセスパラメータを用いると、品質の予測精度が落ちる。また、多数のプロセスパラメータを管理するには、多くの工数および時間を必要とする。
そのため、上記品質の予測モデルを作成するに先立ってプロセスパラメータの取捨選択を行い、限られたプロセスパラメータで予測モデルを作成する方法が提案されている(特開２００４‐３３５８４１号公報(特許文献１))。
上記特許文献１に開示された「プラズマ処理装置の予測装置」においては、ウエハの処理ごとに得られる運転データ(プロセスパラメータ)と処理結果データとを運転データ記憶部と処理結果データ記憶部とに収集し、収集した運転データに対して解析処理部により多変量解析を行って予測に用いる運転データを選択し、この選択した運転データと処理結果データとの相関関係を求め、求めた相関関係に基づいて、この相関関係を得たウエハ以外のウエハを処理した際の運転データを用いて、プラズマ処理装置の状態あるいは被処理体の状態を予測するようにしている。
ここで、上記多変量解析として主成分分析を用いている。そして、上記予測に用いる運転データの選択では、収集した上記運転データに主成分分析を行い、得られた各主成分軸に関する元の運転データの相対的な貢献度であるローディングを求め、夫々の主成分軸から予め設定された距離内にあるローディングに対応する運転データを選択するようにしている。
しかしながら、上記従来の特許文献１に開示されたプラズマ処理装置の予測装置においては、以下のような問題がある。
短時間に多くの製品を製造するために、生産工程に、同一機能を有する多数の製造装置で構成された製造工程を設ける場合がある。この場合、同一機能を有する製造装置間においてもプロセスパラメータの変動に差があるため、全く同じ調整を行うことは効率的でない。そのため、製造装置毎に適切な調整を行う必要があるという問題がある。
具体的には、上記特許文献１には、単一の製造装置について状態を予測する旨が開示されているだけである。したがって、同一機能を有する複数の製造装置を有するデバイス製造工程において、上記特許文献１に開示された予測に用いるプロセスパラメータの選択方法によって上記製造装置別にプロセスパラメータの選択を行った場合には、製造装置間で異なるプロセスパラメータが選ばれる可能性がある。そのため、各製造装置別に、取得して管理するプロセスパラメータを予め設定して保守する必要があり、工数が増加する。また、各製造装置に対して、何れのプロセスパラメータが管理されているのかを考慮して、製造条件の調整を行う必要があり、調整者の負担が増加する。
さらに、製造装置の台数が多数の場合に、総ての製造装置において、管理されているプロセスパラメータを把握することは現実的ではないという問題もある。
製造装置の台数が多数の場合、同一機能を有する複数の製造装置において、特定の製造装置のみに品質に大きく影響を与えるプロセスパラメータが存在するのであれば、その製造装置が異常である可能性が高い。そのため、その製造装置のプロセスパラメータを使用して予測を行うよりも、寧ろその製造装置の調整を行うべきである。ところが、そうした点については、上記特許文献１においては何ら考慮されてはいない。
また、別の手法として、１つの製造工程を構成する複数の製造装置に対して、まとめて特許文献１に開示された予測に用いるプロセスパラメータの選択方法を適用することによって、全製造装置共通のプロセスパラメータを選択することが可能である。
図１１(a)に、プロセスパラメータ１と品質との関係を表わす散布図を示し、図１１(b)に、プロセスパラメータ２と品質との関係を表わす散布図を示している。図１１(a)および図１１(b)において、３台の製造装置の夫々を●,▲,■で表している。尚、この場合、図１１(a)あるいは図１１(b)に示す品質‐プロセスパラメータ平面上において、各製造装置のデータを略平行移動すれば、移動した製造装置に関するデータの散布領域が他の製造装置に関するデータの散布領域と、略重なるものと仮定する。
上記プロセスパラメータ１は、３台の製造装置をまとめると品質との相関が強いが、各製造装置別に見ると品質との相関関係がない。これに対し、プロセスパラメータ２は、３台の製造装置をまとめると品質との相関関係はないが、各製造装置別に見ると品質との相関が強い。したがって、上記３台の製造装置をまとめて特許文献１に開示された予測に用いるプロセスパラメータの選択方法を適用した場合には、各製造装置別では品質との相関関係がないプロセスパラメータ１が選ばれて、各製造装置別で見ると品質との相関関係が強いプロセスパラメータ２は選ばれないことになる。そのため、品質を予測するためのプロセスパラメータを適切に選択することができないという問題がある。
特開２００４‐３３５８４１号公報
そこで、この発明の課題は、同一機能を有する複数の製造装置を有する製造工程において、高い保守性と高い精度とで製品の品質を予測する予測モデルを作成可能にするプロセスパラメータを選択することができるプロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置を提供することにある。
上記課題を解決するため、第１の発明のプロセスパラメータ選択装置は、
同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置からプロセスパラメータを取得するプロセスパラメータ取得部と、
上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から品質データを取得する品質データ取得部と、
上記取得されたプロセスパラメータおよび品質データを用いて、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータを選択するプロセスパラメータ選択部と
を備え、
上記プロセスパラメータ選択部は、
上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出する第１多変量解析手段と、
上記取得されたプロセスパラメータから、上記第１多変量解析手段で算出された多変量解析結果の上記プロセスパラメータ毎の統計値が予め設定された基準値以上であるような上記プロセスパラメータを選択するプロセスパラメータ選択手段と、
上記プロセスパラメータ選択手段によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを作成する第２多変量解析手段と、
上記第２多変量解析手段で作成された予測モデルの予測精度を算出する予測精度算出手段と
を含んでおり、
上記基準値を順次大きくすると共に、上記プロセスパラメータ選択手段によって夫々の上記基準値で順次選択されたプロセスパラメータを用いて上記第２多変量解析手段で順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、上記全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
ことを特徴としている。
上記構成によれば、取得したプロセスパラメータを説明変数とし、取得した品質データを目的変数として、上記製造装置別に多変量解析による解析を行い、上記プロセスパラメータ毎に算出された多変量解析結果の統計値に基づいて、プロセスパラメータを選択している。したがって、上記製造工程における全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。その結果、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記製造装置別に算出された上記多変量解析結果の上記プロセスパラメータ毎の統計値値が、上記基準値以上である上記プロセスパラメータを選択している。したがって、全製造装置の平均予測精度等で表される全体の予測精度を向上させることができるプロセスパラメータを抽出することができる。
さらに、上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを用いて品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを選択するようにしている。したがって、上記品質の予測結果が最もよくなる予測モデルを作成できる最も少ない数のプロセスパラメータを選択することができる。
また、第２の発明のプロセスパラメータ選択装置は、
同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置からプロセスパラメータを取得するプロセスパラメータ取得部と、
上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から品質データを取得する品質データ取得部と、
上記取得されたプロセスパラメータおよび品質データを用いて、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータを選択するプロセスパラメータ選択部と
を備え、
上記プロセスパラメータ選択部は、
上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出する第１多変量解析手段と、
上記取得されたプロセスパラメータから、上記第１多変量解析手段で算出された多変量解析結果の上記プロセスパラメータ毎の統計値が予め設定された基準値以上であって尚且つ上記統計値の高い順に、予め設定された設定数分の上記プロセスパラメータを選択するプロセスパラメータ選択手段と、
上記プロセスパラメータ選択手段によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを作成する第２多変量解析手段と、
上記第２多変量解析手段で作成された予測モデルの予測精度を算出する予測精度算出手段と
を含んでおり、
上記基準値を順次大きくすると共に、上記プロセスパラメータ選択手段によって夫々の上記基準値で順次選択されたプロセスパラメータを用いて上記第２多変量解析手段で順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、上記全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
ことを特徴としている。
この実施の形態によれば、取得したプロセスパラメータを説明変数とし、取得した品質データを目的変数として、上記製造装置別に多変量解析による解析を行い、上記プロセスパラメータ毎に算出された多変量解析結果の統計値に基づいて、プロセスパラメータを選択している。したがって、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。その結果、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記製造装置別に算出された上記多変量解析結果の上記プロセスパラメータ毎の統計値が、上記基準値以上であって尚且つ上記統計値の高い順に、予め設定された設定数分のプロセスパラメータを選択している。したがって、全製造装置の平均予測精度等で表される全体の予測精度を向上させることが可能なプロセスパラメータを抽出することができる。さらに、使用する変数の数に制限がある場合でも、制限内で予測精度を向上させるプロセスパラメータを抽出することができる。
さらに、上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを用いて品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを選択するようにしている。したがって、上記品質の予測結果が最もよくなる予測モデルを作成できる最も少ない数のプロセスパラメータを選択することができる。
また、１実施の形態のプロセスパラメータ選択装置では、
上記多変量解析は、ＰＬＳであり、
上記多変量解析結果は、ＶＩＰ値である。
この実施の形態によれば、上記多変量解析としてＰＬＳを用いると共に、上記多変量解析結果としてＶＩＰ値を用いている。したがって、品質を予測する上で重要なプロセスパラメータを抽出することができる。
また、第３の発明のプロセスパラメータ選択方法は、
同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置から、プロセスパラメータ取得部によってプロセスパラメータを取得し、
上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から、品質データ取得部によって品質データを取得し、
プロセスパラメータ選択部によって、
上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出し、この算出された多変量解析結果の上記プロセスパラメータ毎の統計値が予め設定された基準値以上である上記プロセスパラメータを選択し、
上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
ことを特徴としている。
上記構成によれば、取得した上記プロセスパラメータを説明変数とし、取得した品質データを目的変数として、上記製造装置別に多変量解析による解析を行い、上記プロセスパラメータ毎に算出された多変量解析結果の統計値に基づいて、プロセスパラメータを選択している。したがって、上記製造工程における全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。その結果、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記製造装置別に算出された上記多変量解析結果の上記プロセスパラメータ毎の統計値値が、上記基準値以上である上記プロセスパラメータを選択している。したがって、全製造装置の平均予測精度等で表される全体の予測精度を向上させることができるプロセスパラメータを抽出することができる。
さらに、上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを用いて品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを選択するようにしている。したがって、上記品質の予測結果が最もよくなる予測モデルを作成できる最も少ない数のプロセスパラメータを選択することができる。
また、第４の発明のプロセスパラメータ選択方法は、
同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置から、プロセスパラメータ取得部によってプロセスパラメータを取得し、
上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から、品質データ取得部によって品質データを取得し、
プロセスパラメータ選択部によって、
上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出し、この算出された多変量解析結果の上記プロセスパラメータ毎の統計値が、予め設定された基準値以上であって尚且つ上記統計値の高い順に、予め設定された設定数分の上記プロセスパラメータを選択し、
上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
ことを特徴としている。
上記構成によれば、取得した上記プロセスパラメータを説明変数とし、取得した品質データを目的変数として、上記製造装置別に多変量解析による解析を行い、上記プロセスパラメータ毎に算出された多変量解析結果の統計値に基づいて、プロセスパラメータを選択している。したがって、上記製造工程における全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。その結果、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記製造装置別に算出された上記多変量解析結果の上記プロセスパラメータ毎の統計値が、上記基準値以上であって尚且つ上記統計値の高い順に、予め設定された設定数分のプロセスパラメータを選択している。したがって、全製造装置の平均予測精度等で表される全体の予測精度を向上させることが可能なプロセスパラメータを抽出することができる。さらに、使用する変数の数に制限がある場合でも、制限内で予測精度を向上させるプロセスパラメータを抽出することができる。
さらに、上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを用いて品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを選択するようにしている。したがって、上記品質の予測結果が最もよくなる予測モデルを作成できる最も少ない数のプロセスパラメータを選択することができる。
また、１実施の形態のプロセスパラメータ選択方法では、
上記多変量解析は、ＰＬＳであり、
上記多変量解析結果は、ＶＩＰ値である。
この実施の形態によれば、上記多変量解析としてＰＬＳを用いると共に、上記多変量解析結果としてＶＩＰ値を用いている。したがって、品質を予測する上で重要なプロセスパラメータを抽出することができる。
また、第５の発明のプロセスパラメータ選択方法は、
同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる部分製造工程を複数有する製造工程において、
夫々の上記部分製造工程で使用される複数の上記製造装置の組み合わせを上記製造工程の製造装置として扱い、上記製造工程の製造装置に対して上記第３の発明あるいは上記第４の発明のプロセスパラメータ選択方法を適用する
ことを特徴としている。
上記構成によれば、夫々の上記素材に関して、相関の強いパラメータを選択することができる。
また、第６の発明のプロセスパラメータ選択プログラムは、
コンピュータを
上記第１の発明あるいは上記第２の発明のプロセスパラメータ選択装置におけるプロセスパラメータ取得部,品質データ取得部およびプロセスパラメータ選択部
として機能させることを特徴としている。
上記構成によれば、上記第１の発明あるいは上記第２の発明のプロセスパラメータ選択装置の場合と同様に、上記製造工程における全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。したがって、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記プロセスパラメータ毎に算出された多変量解析結果の統計値が上記基準値を超えるまたは上記統計値がより高い有効なプロセスパラメータのみを選択することができる。したがって、この選択された有効なプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルの予測精度を上げることが可能になる。
また、第７の発明のコンピュータ読出し可能なプログラム記録媒体は、
上記第６の発明のプロセスパラメータ選択プログラムが記録されたことを特徴としている。
上記構成によれば、本プログラム記録媒体をコンピュータで読み出して実行することによって、上記第１の発明あるいは上記第２の発明のプロセスパラメータ選択装置の場合と同様に、上記製造工程における全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。したがって、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記プロセスパラメータ毎に算出された多変量解析結果の統計値が上記基準値を超えるまたは上記統計値がより高い有効なプロセスパラメータのみを選択することができる。したがって、この選択された有効なプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルの予測精度を上げることが可能になる。
また、第８の発明の製造工程管理装置は、
上記第１の発明あるいは上記第２の発明のプロセスパラメータ選択装置と、
上記プロセスパラメータ選択装置によって選択されたプロセスパラメータを用いて、上記各製造装置別に製品の品質を予測するための予測モデルを作成するモデル作成部と、
上記モデル作成部で上記各製造装置別に作成された上記予測モデルを、上記各製造装置別に記憶するモデル記憶部と
を備えたことを特徴としている。
上記構成によれば、上記各製造装置別に予測精度の高い予測モデルを作成することができるので、誤差の少ない品質を類推できる。
また、１実施の形態の製造工程管理装置では、
上記製造装置からプロセスパラメータを取得すると共に、上記モデル記憶部に記憶されている予測モデルの中から上記取得されたプロセスパラメータに関する上記製造装置に対応した予測モデルを選出し、上記選出された予測モデルと上記取得されたプロセスパラメータとを用いて製品の品質の予測値を算出し、上記算出された予測値が予め設定された設定範囲を逸脱した場合には異常の警告を出力する異常警告部を備えている。
この実施の形態によれば、品質異常を早期に発見できるため、早期のフィードバックを行うことができる。さらに、プロセスパラメータを選択により厳選しているので、異常の要因候補が少なく、異常要因を早期に発見することができる。さらに、上記選択されたプロセスパラメータは総ての上記製造装置に共通であるので、上記製造装置の調整者が扱うプロセスパラメータの数を減らし、負担を軽減することができる。
また、１実施の形態の製造工程管理装置では、
上記製造装置からプロセスパラメータを取得すると共に、上記モデル記憶部に記憶されている予測モデルの中から上記取得されたプロセスパラメータに関する上記製造装置に対応した予測モデルを選出し、上記選出された予測モデルと上記取得されたプロセスパラメータとを用いて製品の品質の予測値を算出し、上記算出された品質の予測値を出力する予測品質出力部を備えている。
この実施の形態によれば、上記製造装置から取得されたプロセスパラメータに基づいて品質の予測結果を生成して出力することができる。したがって、品質検査を行うに先立って、品質を類推することができる。さらに、品質検査のコストが高いため等の理由から、総ての製品の品質を検査することが難しい場合であっても、総ての製品の予測品質を得ることができる。
以上より明らかなように、第１から第４,第６および第７の発明によれば、取得した上記プロセスパラメータおよび品質データを用いて上記製造装置別に多変量解析による解析を行い、上記プロセスパラメータ毎に算出された多変量解析結果の統計値に基づいて、プロセスパラメータを選択している。したがって、上記製造工程における全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータのみを選択することができる。その結果、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることができる。また、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることが可能になる。
さらに、上記多変量解析結果の統計値と予め設定された基準値との比較結果、または、上記多変量解析結果の統計値同士の比較結果に基づいて、プロセスパラメータを選択している。したがって、上記プロセスパラメータ毎に算出された多変量解析結果の統計値が上記基準値を超えるまたは上記統計値がより高い有効なプロセスパラメータのみを選択することができる。その結果、この選択された有効なプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルの予測精度を上げることが可能になる。
また、第５の発明によれば、同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる部分製造工程を複数有する製造工程において、夫々の部分製造工程で使用される複数の上記製造装置の組み合わせを上記製造工程の装置として扱うので、複数の上記部分製造工程からの多数のプロセスパラメータから、有効な共通のプロセスパラメータを選択することができる。したがって、製造工程が増えることによる、上記製造装置の莫大な組み合わせの夫々に関してプロセスパラメータを選択する必要がなく、高い保守性を得ることができる。
また、第１〜第７の発明によって選択された有効なプロセスパラメータを用いて予測モデルを作成し、この予測モデルを用いた予測結果が異常を示した場合には、上記プロセスパラメータを調整する必要がある。その際に、全製造装置に共通のプロセスパラメータが選択されているために、調整すべきプロセスパラメータが少なく、調整の負担が少なくなる。
さらに、製品に対する全数検査が難しい場合、あるいは、製品の品質検査に非常にコストが掛かる場合であっても、上記プロセスパラメータに基づいて、総ての製品の品質を高い予測精度で予測することができる。
また、第８の発明によれば、上記第１の発明あるいは上記第２の発明のプロセスパラメータ選択装置によって選択された有効なプロセスパラメータを用いて、モデル作成部によって予測モデルを作成し、モデル記憶部によってこの予測モデルを上記各製造装置別に記憶するので、上記各製造装置別に予測精度の高い予測モデルを作成することができ、誤差の少ない品質を類推できる。
この発明のプロセスパラメータ選択装置が搭載された製造工程管理装置におけるブロック図である。 図１に示す製造工程管理装置によって管理される製造工程を含む生産工程の構成図である。 図１におけるモデル作成部によって行われる予測モデル作成処理動作のフローチャートである。 データセットの形式の一例を示す図である。 プロセスパラメータとこのプロセスパラメータから作成された各予測モデルのＶＩＰ値とこのＶＩＰ値の平均値とを示す図である。 図５に続くプロセスパラメータと各予測モデルのＶＩＰ値と平均値とを示す図である。 プロセスパラメータとこのプロセスパラメータから作成された各予測モデルのＶＩＰ値の平均値とを、上記平均の値が高いものから降順に並べた図である。 ２つの部分製造工程を１つの製造工程にまとめる方法の説明図である。 同時に複数のロットを処理する処理位置が１台の製造装置内に複数存在する場合の説明図である。 図１とは異なる製造工程管理装置におけるブロック図である。 プロセスパラメータと品質との関係の一例を示す散布図である。
・第１実施の形態
以下、この発明を図示の実施の形態により詳細に説明する。図１は、本実施の形態のプロセスパラメータ選択装置が搭載された製造工程管理装置におけるブロック図である。また、図２は、図１に示す製造工程管理装置によって管理される製造工程を含む生産工程の概略構成図である。
図１に示すように、本製造工程管理装置１は、生産工程９における製造工程１０の製造装置から各種データ(以下、プロセスパラメータと言う)を取得するプロセスパラメータ取得部２と、生産工程９における検査工程１１の検査装置から検査結果(以下、品質データと言う)を取得する品質データ取得部３と、上記取得されたプロセスパラメータを記憶するプロセスパラメータ記憶部４と、上記取得された品質データを記憶する品質データ記憶部５と、上記プロセスパラメータおよび上記品質データに基づいて上記プロセスパラメータから製品の品質を予測する予測モデルを作成するモデル作成部６と、作成された予測モデルを記憶するモデル記憶部７と、上記予測モデルによって予測された品質が予め定められた目標範囲から外れたことを検知して異常の警告を出力する異常警告部８とを備えている。
図２に示すように、上記生産工程９は、製品の製造を行う製造工程１０と、製造工程１０による製造の終了後に製品の検査を行う検査工程１１とを、含んでいる。そして、製造工程１０は、第１製造工程１２a,第２製造工程１２b,…第Ａ製造工程１２cでなるＡ個の部分製造工程(任意の部分製造工程で代表する場合には部分製造工程１２と言う)で構成されている。さらに、各部分製造工程１２は、同じ作業を行う複数の製造装置１３を備えている。例えば、第Ａ製造工程１２cは、第１製造装置１３1,第２製造装置１３2,…第Ｌ製造装置１３LでなるＬ個の製造装置１３で構成されている。そして、各部分製造工程１２において、何れか１つの製造装置１３によって処理されて、次の検査工程１１に進む。
製品は、単位数量(以下、ロットと言う)毎に番号を付して、このロット番号で管理されている。検査工程１１は、第１検査工程１４a,第２検査工程１４b,…第Ｂ製造工程１４cでなるＢ個の部分検査工程(任意の部分検査工程で代表する場合には部分検査工程１４と言う)で構成されている。
上記構成を有する製造工程管理装置１のモデル作成部６は、プロセスパラメータ記憶部４から読み出したプロセスパラメータと品質データ記憶部５から読み出された品質データとに基づいて、多変量解析によって、品質を予測する予測モデルを作成する。その場合、製造工程１０は、同じ作業を行う複数の製造装置１３を備えた部分製造工程１２を複数含んでいる。そのため、本モデル作成部６は、各製造装置１３別に予測モデルを作成するのである。すなわち、本実施の形態における予測モデルとは、上記プロセスパラメータから品質を予測するための予測式のことである。
したがって、上記モデル記憶部７は、モデル作成部６で製造装置１３別に作成された予測モデルを、製造装置１３別に記憶するのである。
上記異常警告部８は、製造工程１０からプロセスパラメータを取得すると共に、モデル記憶部７に記憶された予測モデルにおける品質予測の対象となる製造装置に対応した予測モデルを用いて、品質の予測値を算出する。そして、得られた品質の予測値が予め定められた目標範囲を外れた場合には、異常の警告を出力する。
そうすると、異常の警告を受けた調整者は、品質を目標範囲内に収めるために、対応する製造装置１３に関する製造条件の調整を行うのである。
以下、上記モデル作成部６による予測モデルの作成について、さらに詳細に説明する。図３は、モデル作成部６によって行われる予測モデル作成処理動作のフローチャートを示す。モデル作成部６は、品質の予測精度が良くなるような有効なプロセスパラメータを選択して用い、各製造装置１３別に予測モデルの作成を行う。但し、各製造装置１３の予測モデルの作成に使用されるプロセスパラメータは、１つの部分製造工程１２に関して共通である。以下、図３に示すフローチャートに従って、各製造装置１３間で共通したプロセスパラメータを用いることを条件とした場合の、予測精度が良くなる予測モデルの作成方法について説明する。
ステップＳ1で、製造装置１３別にプロセスパラメータと品質データとのデータセットを作成する初期設定が行われる。ステップＳ2で、上記ステップＳ1において作成された各データセットに関して、製造装置１３別に、プロセスパラメータを説明変数とし、品質データを目的変数とするＰＬＳが実行される。ステップＳ3で、各データセットのプロセスパラメータ毎に、ＶＩＰ(Variable importance in the projection)値の平均が算出される。
ステップＳ4で、メモリ(図示せず)の作業領域に設定された上記ＶＩＰ値の基準値を表す変数「Ｖ」と、前回の予測モデルの予測精度を表す変数「Ｐ０」とに、「０」が格納される。ステップＳ5で、上記ステップＳ3において算出されたＶＩＰ値の平均値がＶ以上であるプロセスパラメータが選択される。ステップＳ6で、上記ステップＳ1において作成された各データセットに関して、上記ステップＳ5において選択されたプロセスパラメータのみを説明変数として、製造装置１３別にＰＬＳが実行される。ステップＳ7で、予測モデル毎に、つまり上記ステップＳ6において実行されたＰＬＳ毎に(製造装置１３毎に)、予測精度が算出される。さらに、全予測モデル(全製造装置１３)に関する予測精度の平均値が算出されて、上記作業領域に設定された今回の予測モデルの予測精度を表す変数「Ｐ１」に格納される。
ステップＳ8で、前回の予測モデルの予測精度「Ｐ０」と今回の予測モデルの予測精度「Ｐ１」とが比較され、Ｐ０がＰ１よりも大きければステップＳ10に進み、そうでなければステップＳ9に進む。ステップＳ9で、変数「Ｐ０」の値が変数「Ｐ１」の値で更新されると共に、変数「Ｖ」の値が「０.１」だけインクリメントされる。そうした後、上記ステップＳ5に戻ってプロセスパラメータが選択される。
ステップＳ10で、今回の予測モデルの予測精度「Ｐ１」が前回の予測モデルの予測精度「Ｐ０」よりも低くなったので、前回上記ステップＳ6において実行されたＰＬＳで作成された前回の予測モデルが、本製造工程管理装置１が製造工程１０からのプロセスパラメータに基づいて製品の品質を予測する際に使用する予測モデルとして出力される。そうした後、上記予測モデル作成処理動作が終了される。
すなわち、本実施の形態においては、上記モデル作成部６による予測モデル作成処理動作の上記ステップＳ1〜上記ステップＳ9によって、上記特許請求の範囲におけるプロセスパラメータ選択部を構成するのである。
ここで、上記「目的変数」とは予測したい変数のことであり、「説明変数」とは目的変数の要因候補となる変数のことである。
以下、図３における各ステップでの処理内容について具体的に説明する。
（ａ）ステップＳ1：製造装置１３別にプロセスパラメータと品質データとのデータセットを作成する。
以下、予測モデル作成の対象となる製造工程が、図２における第Ａ製造工程１２cの場合を例に説明する。この場合、第Ａ製造工程１２cを構成する製造装置１３の台数は、第１製造装置１３1,第２製造装置１３2,…第Ｌ製造装置１３LのＬ台となる。
以下の説明においては、上記単位数量(ロット)は１であり、個々の製品(素材)にロット番号が付加されている。そこで、以下の説明では、個々の製品(素材)を「ロット」と称する場合もある。
素材に第Ａ製造工程１２cで製造処理が行われた場合に得られる第Ａ製造工程１２cからのプロセスパラメータと、第Ａ製造工程１２cで製造処理された製品に対して検査工程１１における第１検査工程１４a,第２検査工程１４b,…第Ｂ製造工程１４cのうちの何れかの部分検査工程１４で検査された品質データと、でなるデータセットをＬ個作成する。
上記第１製造装置１３1〜第Ｌ製造装置１３Lの夫々で処理された素材の数をＳ1〜ＳL、製造工程１０で取得できるプロセスパラメータの数をＮ、検査工程１１で予測する品質の数をＭと置く。また、第１製造装置１３1のデータセットの形式は、図４に示すように、縦方向にロット番号(１〜ＳL)、横方向にプロセスパラメータ１〜プロセスパラメータＮおよび品質１〜品質Ｍが、配列された形式である。
（ｂ）ステップＳ2：各データセットに関して、プロセスパラメータを説明変数とし、品質データを目的変数とするＰＬＳを実行する。
上記ステップＳ1において作成されたＬ個のデータセットの夫々に、多変量解析の１つであるＰＬＳを行う。ＰＬＳとは、説明変数Ｘから目的変数Ｙを予測する予測モデルを作成する手法である。例えば、上記第１製造装置１３1の場合には、図４において、「説明変数Ｘ」はプロセスパラメータを表わすＳ1×Ｎの行列であり、「目的変数Ｙ」は品質を表わすＳ1×Ｍの行列である。
上記ＰＬＳのアルゴリズムを以下に示す。
Figure 0004663808
（２） ａ＝１
（３） ｕa＝Ｙa-1の分散最大の列
（４） ｗa＝Ｘa-1 Tｕa/‖Ｘa-1 Tｕa-1‖
（５） ｔa＝Ｘa-1ｗa
（６） ｃa＝Ｙa-1 Tｔa/‖Ｙa-1 Tｔa‖
（７） ｕa＝Ｙa-1ｃa
（８） 直前のｕaと比較して収束したら(９)へ、そうでなければ上記(４)へ
（９） ｐa＝Ｘa-1 Tｔa/‖ｔa‖2
（１０）ｑa＝Ｙa-1 Tｔa/‖ｔa‖2
（１１）Ｘa＝Ｘa-1−ｔaｐa T
（１２）Ｙa＝Ｙa-1−ｔaｑa T
（１３）次のＰＬＳ成分が不要であれば終了、必要であれば「ａ＝ａ＋１］として上記(３)へ
ここで、「ｔ」と「ｕ」とは説明変数Ｘと目的変数Ｙとの潜在変数、「ｐ」と「ｃ」とはローディングベクトル、「ｗ」はＰＬＳ重みベクトル、「ｑ」はｔの回帰係数である。添え字「ａ」はａ番目のＰＬＳ成分を表す。また、ＸTはＸの転置行列を表わす。
ｙ^Tの重回帰式による表現は以下の通りである。
Figure 0004663808
ここで、Ｗ＝(ｗ1,ｗ2,…,ｗa)、Ｐ＝(ｐ1,ｐ2,…,ｐa)、Ｑ＝(ｑ1,ｑ2,…,ｑa)である。また、「Ｂ」は重回帰式における各プロセスパラメータに対する係数を表わし、「ｂT」は重回帰式における切片を表わす。
ＰＬＳの成分の数を定めるために予測誤差を使用する。以下、クロスバリデーション法を用いて予測誤差を算出する方法を示す。
ｎ個のロットがある場合、１個のロットを除き、残りの(ｎ−１)個のロットで１成分のＰＬＳモデルを計算する。そのモデルを使用して取り除いた１個のロットにおけるｙの推定値ｙ^predを求める。取り除くロットを変えてｎ個のロットのｙ^predを求める。そして、ｙ^predを用いて予測誤差PRESS(Prediction Residual Sum of Squares)を以下のように求める。
Figure 0004663808
ここで、ｙobsはｙの実測値、ｙ^predはバリデーションによる予測値である。上記PRESSが最小のＰＬＳ成分数を、最適な成分とする。
（ｃ）ステップＳ3：各プロセスパラメータ毎にＶＩＰ値の平均を算出する。
上記ＶＩＰ値の計算式を以下に示す。
Figure 0004663808
ここで、ＤはＰＬＳの成分数を、ｄはＰＬＳの各成分を、ｎは各プロセスパラメータを、ＳＳＹdはＹdの偏差平方和を、ｗdnはベクトルｗdのｎ番目の要素を表す。
上記計算式によって、各プロセスパラメータ毎に、Ｌ個の予測モデルのＶＩＰ値が得られる。そして、プロセスパラメータ毎に、ＶＩＰ値の統計値として、平均を計算する。
（ｄ）ステップＳ4：ＶＩＰ値の基準値「Ｖ」と前回の予測モデルの予測精度「Ｐ０」とに、初期値「０」を格納する。
以下に述べるように、ステップＳ5〜ステップＳ9はループしており、ループの初期値として、ＶＩＰ値の基準値Ｖに値０を設定し、前回の予測モデルの予測精度Ｐ０に値０を設定する。
（ｅ）ステップＳ5：ＶＩＰ値の平均値がＶ以上のプロセスパラメータを選択する。
（ｆ）ステップＳ6：各データセットに関して、上記選択されたプロセスパラメータのみを説明変数として、ＰＬＳを実行する。
上記ステップＳ1において作成されたＬ個のデータセットの夫々に関して、上記ステップＳ5において選択されたプロセスパラメータのみを説明変数とし、上記ステップＳ2の場合と同じ品質データを目的変数として、各製造装置別にＰＬＳを行う。こうして、Ｌ個のＰＬＳモデルを作成する。
（ｇ）ステップＳ7：予測モデル毎に(つまり製造装置１３毎に)予測精度を算出し、全予測モデル(全製造装置１３)に関する予測精度の平均値を算出する。
上記予測精度は、上記(ｂ)ステップＳ2において算出した予測誤差の場合と同様に、クロスバリデーション法によって算出する。尚、各予測モデルの予測精度Ｑ2の算出式を以下に示す。
Figure 0004663808
上記式によって予測モデル毎の(製造装置１３毎の)予測精度を算出した後、全予測モデル(全製造装置１３)に関する予測精度の統計値として平均値を計算し、今回の予測モデルの予測精度Ｐ１に格納する。
（ｈ）ステップＳ8：前回の予測モデルの予測精度「Ｐ０」と今回の予測モデルの予測精度「Ｐ１」とを比較し、Ｐ０＞Ｐ１であればステップＳ10に、そうでなければステップＳ9に進む。
前回の予測モデルの予測精度「Ｐ０」と今回の予測モデルの予測精度「Ｐ１」とを比較し、Ｐ０の方が大きい場合には、これ以上プロセスパラメータを削減することは予測精度を低下させると判断して、ステップＳ10に進む。そうでなければ、さらにプロセスパラメータを削減して予測精度を上げることができる可能性がまだあると判断し、ステップＳ9に進む。
（ｉ）ステップＳ9：変数「Ｐ０」の値を変数「Ｐ１」の値で更新し、変数「Ｖ」の値を「０.１」だけインクリメントする。
前回の予測モデルの予測精度「Ｐ０」よりも今回の予測モデルの予測精度「Ｐ１」の方が高いため、「Ｐ１」に「Ｐ０」の値を格納する。そして、プロセスパラメータの選択条件を厳しくするためＶＩＰ値の基準値Ｖに０.１を加える。そうした後、上記ステップＳ5に戻る。
（ｊ）ステップＳ10：前回上記ステップＳ6において作成された前回の予測モデルを出力する。
今回の予測モデルの予測精度「Ｐ１」が前回の予測モデルの予測精度「Ｐ０」よりも低いため、前回上記ステップＳ6において作成された前回の予測モデルを、本製造工程管理装置１が製造工程１０からのプロセスパラメータに基づいて製品の品質を予測する際に使用する予測モデルとして出力する。
したがって、本実施の形態におけるプロセスパラメータ選択部は、前回の上記ステップＳ5において選択されたプロセスパラメータを、本製造工程管理装置１が使用する予測モデルを作成可能にするプロセスパラメータとするのである。
以下、上記プロセスパラメータ選択方法について、具体的なプロセスパラメータおよび品質データを例に挙げて説明する。
本例における予測モデル作成の対象となる部分製造工程１２の条件は、以下の通りである。
・部分製造工程１２の製造装置数Ｌ＝８（第１製造装置１３1〜第８製造装置１３8）
・部分製造工程１２のプロセスパラメータ数Ｎ＝４１(Ｘ1〜Ｘ41)
・検査工程１１の品質数(部分検査工程数)Ｍ＝１(Ｙ1)
・各製造装置１３のロット数
Ｓ1＝７０, Ｓ2＝７２, Ｓ3＝９１, Ｓ4＝１０５,
Ｓ5＝８５, Ｓ6＝７３, Ｓ7＝６０, Ｓ8＝４８
先ず、４１個総てのプロセスパラメータを用いて、製造装置１３別のＰＬＳモデルを作成する。図５および図６に、プロセスパラメータ毎の作成された各予測モデルのＶＩＰ値とＶＩＰ値の平均値とを示す。図５および図６では、縦方向に４１個のプロセスパラメータを、横方向に各予測モデルのＶＩＰ値とモデル平均のＶＩＰ値とを配置している。尚、横方向のＭ１〜Ｍ８は第１製造装置１３1〜第８製造装置１３8の予測モデルであることを表し、ＶＩＰ[Ｄ]のＤはＰＬＳ成分数を表している。また、図５および図６中の空欄は、取得できなかったデータ、あるいは、変動がなかったデータを表しており、「０」として扱わず、平均値を求める場合には使用しない。
図７は、図５および図６に関して、各ＶＩＰ値毎に、第１製造装置１３1〜第８製造装置１３8の値の平均をとり、当該ＶＩＰ値の平均の値が高いものから降順順に並べ替えたものである。図７においては、１列目に順位を、２列目に上記順位に相当するプロセスパラメータを、３列目に当該プロセスパラメータに関するＶＩＰ値の平均値を示している。
先ずは、上記ＶＩＰ値の基準値Ｖを「０」とし、図７において、ＶＩＰ値の平均値が基準値Ｖ＝０以上であるプロセスパラメータを選択する。そして、この選択されたプロセスパラメータ、つまり総てのプロセスパラメータを用いた予測モデルの予測精度Ｑ2を求める。表１に各製造装置１３の予測精度と全製造装置の平均予測精度とを示す。
Figure 0004663808
続いて、プロセスパラメータの選択基準を厳しくする。図３に示すフローチャートにおける上記ステップＳ9では、ＶＩＰ値の基準値Ｖを「０.１」ずつインクリメントしているが、本例ではＶＩＰ値の基準値Ｖを、適当な値に設定することにする。以降の予測モデルの場合も同様である。この場合、ＶＩＰ値の基準値Ｖを０.８として、図７において、ＶＩＰ値の平均値が基準値Ｖ＝０.８以上である上位２０個のプロセスパラメータを選択する。そして、この選択されたプロセスパラメータを用いて予測モデルを作成し、その予測精度Ｑ2を求める。
表２に、ＶＩＰ値の平均値が０.８以上のプロセスパラメータを用いた各製造装置１３の予測精度と全製造装置の平均予測精度とを示す。尚、平均予測精度において、括弧内は少数点以下４桁まで表記したものであり、括弧外は括弧内の値の少数点以下４桁目を四捨五入した値である。
Figure 0004663808
上記予測モデル２の予測精度Ｑ2の平均「０.７４５」は、上述の予測モデル１の予測精度Ｑ2の平均「０.６６３」よりも大きい。したがって、予測モデル２は予測モデル１よりも予測精度の平均が上昇している。
続いて、ＶＩＰ値の基準値Ｖを１.０として、図７において、ＶＩＰ値の平均値が基準値Ｖ＝１.０以上である上位１２個のプロセスパラメータを選択する。そして、この選択されたプロセスパラメータを用いて予測モデルを作成し、その予測精度Ｑ2を求める。
表３に、ＶＩＰ値の平均値が１.０以上のプロセスパラメータを用いた各製造装置１３の予測精度と全製造装置の平均予測精度とを示す。尚、平均予測精度において、括弧内は少数点以下４桁まで表記したものであり、括弧外は括弧内の値の少数点以下４桁目を四捨五入した値である。
Figure 0004663808
上記予測モデル３の予測精度Ｑ2の平均「０.７４５２」は、上述の予測モデル２の予測精度Ｑ2の平均「０.７４４８」よりも大きい。したがって、予測モデル３は予測モデル２よりも予測精度の平均が上昇している。
続いて、ＶＩＰ値の基準値Ｖを１.２として、図７において、ＶＩＰ値の平均値が基準値Ｖ＝１.２以上である上位８個のプロセスパラメータを選択する。そして、この選択されたプロセスパラメータを用いて予測モデルを作成し、その予測精度Ｑ2を求める。
表４に、ＶＩＰ値の平均値が１.２以上のプロセスパラメータを用いた各製造装置１３の予測精度と全製造装置の平均予測精度とを示す。
Figure 0004663808
上記予測モデル４の予測精度Ｑ2の平均「０.７５４」は、上述の予測モデル３の予測精度Ｑ2の平均「０.７４５」よりも大きい。したがって、予測モデル４は予測モデル３よりも予測精度の平均が上昇している。
続いて、ＶＩＰ値の基準値Ｖを１.３として、図７において、ＶＩＰ値の平均値が基準値Ｖ＝１.３以上である上位４個のプロセスパラメータを選択する。そして、この選択されたプロセスパラメータを用いて予測モデルを作成し、その予測精度Ｑ2を求める。
表５に、ＶＩＰ値の平均値が１.３以上のプロセスパラメータを用いた各製造装置１３の予測精度と全製造装置の平均予測精度とを示す。
Figure 0004663808
上記予測モデル５の予測精度Ｑ2の平均「０.５９７」は、上述の予測モデル４の予測精度Ｑ2の平均「０.７５４」よりも小さい。したがって、予測モデル５は予測モデル４よりも予測精度の平均が減少している。
よって、前回ＶＩＰ値の平均値が１.２以上のプロセスパラメータを用いて作成した予測モデル４を、本製造工程管理装置１が製造工程１０からのプロセスパラメータに基づいて製品の品質を予測する際に使用する予測モデルとして採用するのである。
上記５つの分析結果をまとめたものを表６に示す。表６中の１列目は各予測モデルと条件、２列目は予測モデル作成に使用したプロセスパラメータの数、３列目は作成したモデルの予測精度Ｑ2の平均値を表わしている。
Figure 0004663808
上記予測モデル１〜予測モデル４においては、ＶＩＰ値の基準値Ｖを高く設定する程予測精度が高くなっている。これに対して、予測モデル５の場合には、ＶＩＰ値の基準値Ｖを高くしてプロセスパラメータ数を減らしも、予測精度Ｑ2は低くなっている。これは、プロセスパラメータの数が少な過ぎると、逆に予測精度Ｑ2が低くなる傾向があることを示している。プロセスパラメータを選択するための選択条件としては、最も予測精度Ｑ2が高くなるように設定することが望ましい。したがって、本例の場合には、表６から分かるように、ＶＩＰ値が１.２以上を基準とした場合に最も良い予測モデルを作成できるのである。
以上のごとく、本実施の形態においては、同じ機能を有する複数の製造装置１３を含む部分製造工程１２からプロセスパラメータ取得部２によってプロセスパラメータを取得する。また、上記部分製造工程１２によって製造された製品を検査する部分検査工程１４から品質データ取得部３によって品質データを取得する。
そして、上記モデル作成部６によって、製造装置１３別にプロセスパラメータと品質データとのデータセットを作成し、作成した各データセットに関して、プロセスパラメータを説明変数とし、品質データを目的変数とするＰＬＳを行って、各プロセスパラメータ毎にＶＩＰ値の平均を算出する。また、上記ＶＩＰ値の基準値「Ｖ」と前回の予測モデルの予測精度「Ｐ０」とを初期値０に設定する。
そうした後、上記算出されたＶＩＰ値の平均値がＶ以上であるプロセスパラメータを選択し、上記各データセットに関して、上記選択されたプロセスパラメータのみを説明変数としてＰＬＳを行い、予測モデル毎(製造装置１３毎)に予測精度を算出し、全予測モデル(全製造装置１３)に関する予測精度の平均値を算出して「Ｐ１」とする。そして、前回の予測モデルの予測精度「Ｐ０」が今回の予測モデルの予測精度「Ｐ１」以下の場合には、「Ｐ０」を「Ｐ１」で更新すると共に「Ｖ」を「０.１」だけインクリメントしながら、上記プロセスパラメータの選択〜「Ｐ０」と「Ｐ１」との比較を繰り返す。
そして、「Ｐ１」が「Ｐ０」よりも低くなると、前回の予測モデルを、本製造工程管理装置１用の予測モデルとして出力するようにしている。
したがって、上記部分製造工程１２から取得されたプロセスパラメータの中から、品質に関係のないプロセスパラメータを削減して、有効なプロセスパラメータのみを選択することができる。その結果、上記選択されたプロセスパラメータを用いて予測モデルを作成することによって、当該予測モデルによる品質の予測精度を上げることを可能にする。
また、管理するプロセスパラメータの数を減らすことができ、プロセスパラメータ管理の工数および時間を削減し、高い保守性を得ることができる。また、プロセスパラメータを部分製造工程１２の全製造装置１３に共通とすることができるので、各製造装置毎の特定の操作および知識を必要とはせず、何れの製造装置に関しても同様に管理することができ、プロセスパラメータ管理の工数および時間を削減して高い保守性を得ることが可能になる。
このように、本実施の形態のプロセスパラメータ選択方法を適用することによって、全製造装置に共通のプロセスパラメータを選択することができ、プロセスパラメータの管理作業を減らすことができる。さらに、予測精度を向上させることができる。
以上、図面を参照しながらこの発明における好適な実施の形態について説明したが、この発明は上記実施の形態に限定されるものではない。
例えば、図３に示すフローチャートにおける上記ステップＳ3において、ＶＩＰ値の代りに、係数のような、各プロセスパラメータを用いてＰＬＳを行うことによって得られる値を用いることもできる。また、上記実施の形態において用いられた平均の他に、例えば中央値や標準偏差を用いることができる。
また、上記ステップＳ4において、ＶＩＰ値の基準値Ｖの初期値を「０」に設定しているが、最初から、例えば「０.５」等の正の数を設定しても構わない。
また、上記ステップＳ5においてプロセスパラメータを選択する場合に、予め選択するプロセスパラメータの数が決まっている場合には、ＶＩＰ値の平均値の上位から順番に上記所定の数だけ選出して、選ばれたプロセスパラメータを用いて予測モデルを作成しても構わない。
また、上記ステップＳ7においては、前回の予測モデルとの比較用の値として予測精度Ｑ2を算出し、全製造装置に関する平均値を算出ている。しかしながら、この発明は予測精度Ｑ2に限定されるものではなく、予測誤差のようにＰＬＳを行うことによって各予測モデル毎に算出できる値を用いても差し支えない。さらに、上記平均値の他に、例えば中央値や標準偏差を用いても差し支えない。
また、上記ステップＳ8においては、前回の予測モデルの予測精度と今回の予測モデルの予測精度とを比較しているが、この発明はこれに限定されるものではない。例えば、目標の予測精度に近いか否かを比較しても構わない。あるいは、前々回の予測モデルの予測精度と比較しても構わない。
また、上記ステップＳ9においては、選択するプロセスパラメータの数を絞り込むために、ＶＩＰ値の基準値Ｖの値を「０.１」だけインクリメントしている。しかしながら、この発明は「０.１」に限定されるものではなく、正の数であれば構わない。あるいは、プロセスパラメータの削減数が一定になるように、基準値Ｖの上昇値を変動させても構わない。また、ＶＩＰ値の基準値Ｖの値を上昇させるのではなく、プロセスパラメータの数を１つずつ減らしていき、夫々のプロセスパラメータについて予測モデルを作成し、その中で最も予測精度の良いものを最良の予測モデルとして選出することも可能である。
また、本実施の形態においては、多変量解析としてＰＬＳを用いているが、例えば主成分分析やニューラルネットワークを用いることも可能である。
尚、上記主成分分析を用いる場合には、図３に示すフローチャートにおける上記ステップＳ1において、品質データがない場合には、プロセスパラメータだけで上記データセットを作成することができる。また、上記ステップＳ3においては、ＰＬＳのＶＩＰ値の代りとして、例えば主成分軸に関するローディングのように、各プロセスパラメータに対して主成分分析を行うことによって得られる値を用いることができる。
また、上記多変量解析としてニューラルネットワークを用いる場合には、図３に示すフローチャートにおける上記ステップＳ3において、ＰＬＳのＶＩＰ値の代りとして、例えば係数のように、各プロセスパラメータに対してニューラルネットワークを適用することによって得られる値を用いることができる。
また、本実施の形態では、図３に示すフローチャートにおける上記ステップＳ2と上記ステップＳ6とにおいて、同じ多変量解析であるＰＬＳを実行している。しかしながら、この発明はこれに限定されるものではなく、上記ステップＳ2と上記ステップＳ6とにおいて、異なる多変量解析を行っても一向に構わない。同様に、上記ステップＳ10において前回の予測モデルを出力する代りに、前回に選択されたプロセスパラメータを用いて、上記ステップＳ6の場合とは異なる多変量解析によって予測モデルを作成して出力するようにしても構わない。
・第２実施の形態
本実施の形態は、予測モデル作成の対象となる製造工程が、複数の部分製造工程である場合に関する。以下、図２における第１製造工程１２aと第２製造工程１２bとの２つの部分製造工程１２に本発明のプロセスパラメータ選択方法を適用する場合を例に説明する。
図２における上記第１製造工程１２aと第２製造工程１２bとの２つの部分製造工程１２に本発明のプロセスパラメータ選択方法を適用する場合には、図８に示すように、第１製造工程１２aと第２製造工程１２bとを１つの部分製造工程にまとめる。尚、第１製造工程１２aはＬ1台の製造装置で構成され、第２製造工程１２bはＬ2台の製造装置で構成されている。そして、第１製造工程１２aの製造装置１で処理された素材は、次に第２製造工程１２bの製造装置１〜製造装置Ｌ2の何れかで処理される。また、第１製造工程１２aの製造装置２で処理された素材は、次に第２製造工程１２bの製造装置１〜製造装置Ｌ2の何れかで処理される。以下同様である。
そして、上記第１製造工程１２aと第２製造工程１２bとを合わせて、第１２製造工程１２abを作成するのである。その結果、第１２製造工程１２abにおける製造装置１は、第１製造工程１２aの製造装置１と第２製造工程１２bの製造装置１との組み合わせである。また、第１２製造工程１２abにおける製造装置２は、第１製造工程１２aの製造装置１と第２製造工程１２bの製造装置２との組み合わせである。このように第１製造工程１２aの製造装置と第２製造工程１２bの製造装置との各組み合わせを１つの製造装置として、(Ｌ1×Ｌ2)台の製造装置で構成された１つの第１２製造工程１２abとして扱うのである。このとき、第１製造工程１２aで得られる総てのプロセスパラメータと第２製造工程１２bで得られる総てのプロセスパラメータとから、品質の予測精度を上げることができる予測モデルの作成を可能にする有効なプロセスパラメータを選択するのである。３つ以上の部分製造工程１２に対して本予測モデル作成処理を適用する場合も同様に扱う。
すなわち、上記特許請求の範囲に記載された「製造工程」とは、本実施の形態における部分製造工程および複数の部分製造工程を組み合わせてなる製造工程に相当するものである。
以上、図面を参照しながら、この発明における好適な実施の形態について説明したが、この発明は上記各実施の形態に限定されるものではない。
例えば、２つの部分製造工程１２に本発明のプロセスパラメータ選択方法を適用する場合、夫々の部分製造工程１２に対して別々に本発明を適用することもできる。その場合には、先ず、夫々の部分製造工程１２に対して別々に本発明を適用して、各部分製造工程１２毎に有効なプロセスパラメータを選択する。その後、各部分製造工程１２を１つの部分製造工程にまとめ、各部分製造工程１２別に選択した総てのプロセスパラメータに対して本発明を適用して有効なプロセスパラメータを選択する。このように、２段階(あるいは２段階以上)に分けてプロセスパラメータを選択することもできる。
また、上記部分製造工程１２に関わらずプロセスパラメータを幾つかのグループに分けて、本発明を適用することもできる。その場合には、先ず、夫々のプロセスパラメータグループに対して本発明を適用して有効なプロセスパラメータを選択し、次に、各プロセスパラメータグループ別に選択された総てのプロセスパラメータに対して再び本発明を適用して、有効なプロセスパラメータを選択する。このように、２段階(あるいは２段階以上)に分けて本発明を適用するのである。その場合、プロセスパラメータの分け方としては、相関の高いもの同士でグループ化する等のごとく何らかの基準で分けることも、ランダムに分けることもできる。
・第３実施の形態
本実施の形態は、上記製造工程１０の部分製造工程１２を構成する製造装置１３において、処理ロット,外部要件,製造条件,時間条件等が変化する場合に関する。
例えば、図２に示す第Ａ製造工程１２cの製造装置１３1において、図９に示すように、同時に第１ロット１３1a〜第４ロット１３1dの複数のロットを処理するために、製造装置１３1内にロットを処理する位置が複数存在する場合を想定する。図９においては、製造装置１３1に４つのロットを処理する処理位置がある。このような場合、各ロット１３1a〜１３1dの処理位置の夫々を製造装置と見なし、製造装置１３1を複数の製造装置として扱って、本発明を適用するのである。
このように、１台の製造装置１３1における夫々の処理位置を製造装置として扱うことによって、各処理位置が図１１に示す●,▲,■のごとく分かれたとしても、図１１(a)に示すような処理位置別に相関のないプロセスパラメータ１ではなく、図１１(b)に示すような処理位置別に相関の強いプロセスパラメータ２を選択することができるのである。
また、１台の製造装置１３において、メンテナンス等の外部要因によって、製造装置１３内の状態が変わる可能性もある。そのような場合、メンテナンスの前と後とを別の製造装置として扱って、本発明を適用することもできる。
また、１台の製造装置１３において、製造条件を変更することによって、製造装置１３内の状態が変わる可能性もある。そのような場合、製造条件変更の前と後とを別の製造装置として扱って、本発明を適用することもできる。
また、１台の製造装置１３において、時間的な変化によって製造装置１３内の状態が変わる可能性もある。そのような場合、一定期間あるいは不定期期間で区切り、各期間を別の製造装置として扱って、本発明を適用することもできる。
このように、１台の製造装置１３を何らかの条件で分割した場合における、分割後の夫々の製造装置を別の製造装置として扱って、本発明を適用することができるのである。
また、複数の製造装置１３を幾つかのグループに分け、各グループに属する製造装置１３を統合して１つの製造装置として扱う等、２台以上の製造装置を１つの製造装置として扱って、本発明を適用することも可能である。
すなわち、上記特許請求の範囲に記載された「製造装置」とは、１台の製造装置に限らず、本実施の形態における製造装置１３1の処理位置、メンテナンスの前後、製造条件変更の前後、一定期間あるいは不定期期間で区切った際の各期間等の、１つの製造装置を様々な条件で分割した場合における分割後の夫々を製造装置と見なし、複数の製造装置を１台の製造装置にまとめたものにも相当するのである。
・第４実施の形態
本実施の形態は、上記第１実施の形態における製造工程管理装置とは異なる製造工程管理装置に関する。
図１０は、本実施の形態の製造工程管理装置におけるブロック図である。本実施の形態における製造工程管理装置は、上記第１実施の形態における図１に示す製造工程管理装置の異常警告部８を、図１０に示すように予測品質出力部１５に置き換えたものである。
本実施の形態の製造工程管理装置によれば、プロセスパラメータ取得部２で取得したプロセスパラメータから、モデル作成部６で作成された予測モデルによって予測された総ての製品の予測品質を出力することができる。このような構成の製造工程管理装置を用いれば、ある製造工程１０のプロセスパラメータから製品の品質を予測し、予測品質の出力値に基づいて、最終的な品質が目標品質になるように次の製造工程を調整することが可能になる。また、総ての製品の品質を検査することが難しい場合であっても、総ての製品の予測品質を得ることができる。したがって、予測品質の出力値を品質検査結果の代用として用いることもできる。
また、本実施の形態の製造工程管理装置に、上記第１実施の形態における異常警告部８と同様の異常警告部を設けて、予測品質出力部１５に加えて上記異常警告部を備えるようにしても構わない。その場合、予測品質が上記目標範囲から外れて上記異常警告部によって異常が警告された際に、予測品質出力部１５からの出力により上記予測品質を確認することによって、当該異常が突発的な異常であるのか、少しずつ上記目標範囲から離れていく異常であるのかを、判別することが可能になる。
本発明のプロセスパラメータ選択装置は、複数の同機能を有する製造装置を含む製造工程において、品質の予測モデルの予測精度を上げる技術として有用であり、半導体デバイス製造工程等に利用することができる。また、予測された品質を監視することにより、検査工程を通す前に異常を発見することができ、異常を発見した際も、プロセスパラメータが厳選されているために異常要因となるプロセスパラメータ候補が少なく、異常要因となるプロセスパラメータを早期に発見できる技術として有用である。
１…製造工程管理装置、
２…プロセスパラメータ取得部、
３…品質データ取得部、
４…プロセスパラメータ記憶部、
５…品質データ記憶部、
６…モデル作成部、
７…モデル記憶部、
８…異常警告部、
９…生産工程、
１０…製造工程、
１１…検査工程、
１２…部分製造工程、
１２a…第１製造工程、
１２b…第２製造工程、
１２c…第Ａ製造工程、
１３…製造装置、
１３1…第１製造装置、
１３2…第２製造装置、
１３L…第Ｌ製造装置、
１４…部分検査工程、
１４a…第１検査工程、
１４b…第２検査工程、
１４c…第Ｂ製造工程、
１５…予測品質出力部。

Claims (12)

  1. 同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置からプロセスパラメータを取得するプロセスパラメータ取得部と、
    上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から品質データを取得する品質データ取得部と、
    上記取得されたプロセスパラメータおよび品質データを用いて、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータを選択するプロセスパラメータ選択部と
    を備え、
    上記プロセスパラメータ選択部は、
    上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出する第１多変量解析手段と、
    上記取得されたプロセスパラメータから、上記第１多変量解析手段で算出された多変量解析結果の上記プロセスパラメータ毎の統計値が予め設定された基準値以上であるような上記プロセスパラメータを選択するプロセスパラメータ選択手段と、
    上記プロセスパラメータ選択手段によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを作成する第２多変量解析手段と、
    上記第２多変量解析手段で作成された予測モデルの予測精度を算出する予測精度算出手段と
    を含んでおり、
    上記基準値を順次大きくすると共に、上記プロセスパラメータ選択手段によって夫々の上記基準値で順次選択されたプロセスパラメータを用いて上記第２多変量解析手段で順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、上記全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
    ことを特徴とするプロセスパラメータ選択装置。
  2. 同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置からプロセスパラメータを取得するプロセスパラメータ取得部と、
    上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から品質データを取得する品質データ取得部と、
    上記取得されたプロセスパラメータおよび品質データを用いて、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータを選択するプロセスパラメータ選択部と
    を備え、
    上記プロセスパラメータ選択部は、
    上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出する第１多変量解析手段と、
    上記取得されたプロセスパラメータから、上記第１多変量解析手段で算出された多変量解析結果の上記プロセスパラメータ毎の統計値が予め設定された基準値以上であって尚且つ上記統計値の高い順に、予め設定された設定数分の上記プロセスパラメータを選択するプロセスパラメータ選択手段と、
    上記プロセスパラメータ選択手段によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを作成する第２多変量解析手段と、
    上記第２多変量解析手段で作成された予測モデルの予測精度を算出する予測精度算出手段と
    を含んでおり、
    上記基準値を順次大きくすると共に、上記プロセスパラメータ選択手段によって夫々の上記基準値で順次選択されたプロセスパラメータを用いて上記第２多変量解析手段で順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、上記全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
    ことを特徴とするプロセスパラメータ選択装置。
  3. 請求項１あるいは請求項２に記載のプロセスパラメータ選択装置において、
    上記多変量解析は、部分最小二乗法であり、
    上記多変量解析結果は、ＶＩＰ値である
    ことを特徴とするプロセスパラメータ選択装置。
  4. 同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置から、プロセスパラメータ取得部によってプロセスパラメータを取得し、
    上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から、品質データ取得部によって品質データを取得し、
    プロセスパラメータ選択部によって、
    上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出し、この算出された多変量解析結果の上記プロセスパラメータ毎の統計値が予め設定された基準値以上である上記プロセスパラメータを選択し、
    上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
    ことを特徴とするプロセスパラメータ選択方法。
  5. 同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる製造工程において、上記各製造装置から、プロセスパラメータ取得部によってプロセスパラメータを取得し、
    上記製造工程によってプロセス処理が行われた製品に対して検査装置によって検査が行われる検査工程において、上記検査装置から、品質データ取得部によって品質データを取得し、
    プロセスパラメータ選択部によって、
    上記取得されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記プロセスパラメータ毎に多変量解析結果の統計値を算出し、この算出された多変量解析結果の上記プロセスパラメータ毎の統計値が、予め設定された基準値以上であって尚且つ上記統計値の高い順に、予め設定された設定数分の上記プロセスパラメータを選択し、
    上記基準値を順次大きくすると共に、夫々の上記基準値によって選択されたプロセスパラメータを説明変数とする一方、上記取得された品質データを目的変数として、上記製造装置別に多変量解析による解析を行って上記品質の予測モデルを順次作成した場合に、この順次作成される予測モデルの予測精度を最大にするプロセスパラメータを、全製造装置に共通のプロセスパラメータであって、品質に関係のあるプロセスパラメータとして選択する
    ことを特徴とするプロセスパラメータ選択方法。
  6. 請求項４あるいは請求項５に記載のプロセスパラメータ選択方法において、
    上記多変量解析は、部分最小二乗法であり、
    上記多変量解析結果は、ＶＩＰ値である
    ことを特徴とするプロセスパラメータ選択方法。
  7. 同じ機能を有する複数の製造装置によって製品に対してプロセス処理が行われる部分製造工程を複数有する製造工程において、
    夫々の上記部分製造工程で使用される複数の上記製造装置の組み合わせを上記製造工程の製造装置として扱い、上記製造工程の製造装置に対して請求項４から請求項６までの何れか一つに記載のプロセスパラメータ選択方法を適用する
    ことを特徴とするプロセスパラメータ選択方法。
  8. コンピュータを
    請求項１あるいは請求項２におけるプロセスパラメータ取得部,品質データ取得部およびプロセスパラメータ選択部
    として機能させることを特徴とするプロセスパラメータ選択プログラム。
  9. 請求項８に記載のプロセスパラメータ選択プログラムが記録されたことを特徴とするコンピュータ読出し可能なプログラム記録媒体。
  10. 請求項１あるいは請求項２に記載のプロセスパラメータ選択装置と、
    上記プロセスパラメータ選択装置によって選択されたプロセスパラメータを用いて、上記各製造装置別に製品の品質を予測するための予測モデルを作成するモデル作成部と、
    上記モデル作成部で上記各製造装置別に作成された上記予測モデルを、上記各製造装置別に記憶するモデル記憶部と
    を備えたことを特徴とする製造工程管理装置。
  11. 請求項１０に記載の製造工程管理装置において、
    上記製造装置からプロセスパラメータを取得すると共に、上記モデル記憶部に記憶されている予測モデルの中から上記取得されたプロセスパラメータに関する上記製造装置に対応した予測モデルを選出し、上記選出された予測モデルと上記取得されたプロセスパラメータとを用いて製品の品質の予測値を算出し、上記算出された予測値が予め設定された設定範囲を逸脱した場合には異常の警告を出力する異常警告部を備えた
    ことを特徴とする製造工程管理装置。
  12. 請求項１０に記載の製造工程管理装置において、
    上記製造装置からプロセスパラメータを取得すると共に、上記モデル記憶部に記憶されている予測モデルの中から上記取得されたプロセスパラメータに関する上記製造装置に対応した予測モデルを選出し、上記選出された予測モデルと上記取得されたプロセスパラメータとを用いて製品の品質の予測値を算出し、上記算出された品質の予測値を出力する予測品質出力部を備えた
    ことを特徴とする製造工程管理装置。
JP2009255149A 2009-04-16 2009-11-06 プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置 Expired - Fee Related JP4663808B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2009255149A JP4663808B2 (ja) 2009-04-16 2009-11-06 プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置
PCT/JP2010/056819 WO2010119939A1 (ja) 2009-04-16 2010-04-16 プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、および、プログラム記録媒体

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009099998 2009-04-16
JP2009255149A JP4663808B2 (ja) 2009-04-16 2009-11-06 プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置

Publications (2)

Publication Number Publication Date
JP2010267947A JP2010267947A (ja) 2010-11-25
JP4663808B2 true JP4663808B2 (ja) 2011-04-06

Family

ID=42982596

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009255149A Expired - Fee Related JP4663808B2 (ja) 2009-04-16 2009-11-06 プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置

Country Status (2)

Country Link
JP (1) JP4663808B2 (ja)
WO (1) WO2010119939A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6926224B2 (ja) 2017-11-08 2021-08-25 株式会社東芝 技能基盤システム、技能モデル化装置および技能流通方法
JP2022043780A (ja) * 2020-09-04 2022-03-16 東京エレクトロン株式会社 パラメータ選択方法および情報処理装置
KR20220125208A (ko) * 2021-03-01 2022-09-14 주식회사 히타치하이테크 실험 포인트 추천 장치, 실험 포인트 추천 방법 및 반도체 장치 제조 시스템
CN117273553B (zh) * 2023-11-22 2024-02-02 青州市华康生物科技有限公司 一种基于糖浆浓度检测的生产异常监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005142467A (ja) * 2003-11-10 2005-06-02 Renesas Technology Corp 半導体デバイスの製造方法および半導体製造システム
JP2007311581A (ja) * 2006-05-19 2007-11-29 Sharp Corp 工程管理方法および工程管理システム
JP2008282248A (ja) * 2007-05-11 2008-11-20 Sharp Corp グラフ描画装置および方法、その方法を実行する歩留り解析方法および歩留り向上支援システム、プログラム、並びにコンピュータ読み取り可能な記録媒体
JP2009016758A (ja) * 2007-07-09 2009-01-22 Iwate Toshiba Electronics Co Ltd 不良製品解析方法およびこれを用いた警告システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005142467A (ja) * 2003-11-10 2005-06-02 Renesas Technology Corp 半導体デバイスの製造方法および半導体製造システム
JP2007311581A (ja) * 2006-05-19 2007-11-29 Sharp Corp 工程管理方法および工程管理システム
JP2008282248A (ja) * 2007-05-11 2008-11-20 Sharp Corp グラフ描画装置および方法、その方法を実行する歩留り解析方法および歩留り向上支援システム、プログラム、並びにコンピュータ読み取り可能な記録媒体
JP2009016758A (ja) * 2007-07-09 2009-01-22 Iwate Toshiba Electronics Co Ltd 不良製品解析方法およびこれを用いた警告システム

Also Published As

Publication number Publication date
JP2010267947A (ja) 2010-11-25
WO2010119939A1 (ja) 2010-10-21

Similar Documents

Publication Publication Date Title
US10739752B2 (en) Computer system and method for causality analysis using hybrid first-principles and inferential model
US9299623B2 (en) Run-to-run control utilizing virtual metrology in semiconductor manufacturing
JP4911055B2 (ja) バッチプロセスデータの解析装置およびそれを用いた異常検出／品質推定装置
KR100660861B1 (ko) 반도체 공정 결과를 예측하고 제어하는 반도체 공정 제어장치
MXPA04007419A (es) Diseno de la industria manufacturera y sistema de analisis del proceso.
JP2011242923A (ja) モデルの入力変数調整装置
US20140303912A1 (en) System and method for the automatic determination of critical parametric electrical test parameters for inline yield monitoring
US11022968B2 (en) Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
JP4663808B2 (ja) プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置
JP2006318263A (ja) 情報分析システム、情報分析方法及びプログラム
WO2011065428A1 (ja) 不良要因の分析表示方法および不良要因の分析表示装置
KR102003961B1 (ko) 수율 손실의 근원 파악 시스템 및 방법
JP4613751B2 (ja) 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム
JP5229631B2 (ja) 製造条件調整装置
US10345794B2 (en) Product quality prediction method for mass customization
Cudney et al. Applying the Mahalanobis–Taguchi system to vehicle handling
JP2014018844A (ja) 鋼材の熱伝達係数予測装置及び冷却制御方法
US20210118754A1 (en) Die level product modeling without die level input data
CN108090241B (zh) 连续性工艺的趋势变量鉴定方法与系统
JP2009076772A (ja) 工程監視方法
JP2009099960A (ja) 品質管理方法、半導体装置の製造方法及び品質管理システム
WO2023243232A1 (ja) データ分析装置、データ分析方法およびプログラム
US20240053735A1 (en) Method and Device for Identifying Variables from a Plurality of Variables Having a Dependence on a Predetermined Variable from the Plurality of Variables
JP2018120538A (ja) 処理フロー管理装置及び処理フロー管理方法
KR20230056720A (ko) 파라미터 선택 방법 및 정보 처리 장치

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100917

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20101026

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20101122

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20101214

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20110105

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20140114

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees