JP4772377B2 - Abnormal equipment estimation device, abnormal equipment estimation method, abnormal equipment estimation program, and recording medium - Google Patents
Abnormal equipment estimation device, abnormal equipment estimation method, abnormal equipment estimation program, and recording medium Download PDFInfo
- Publication number
- JP4772377B2 JP4772377B2 JP2005141904A JP2005141904A JP4772377B2 JP 4772377 B2 JP4772377 B2 JP 4772377B2 JP 2005141904 A JP2005141904 A JP 2005141904A JP 2005141904 A JP2005141904 A JP 2005141904A JP 4772377 B2 JP4772377 B2 JP 4772377B2
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- quality
- data
- abnormal
- equipment
- 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
Links
Images
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、例えば半導体装置の製造工程のように、多くの工程と設備が存在する製造システムにおいて製造された製品で不良が発生した場合に、その原因となった異常設備の推定を行う異常設備推定装置、異常設備推定方法などに関するものである。 The present invention provides an abnormal facility for estimating an abnormal facility that causes a failure when a product is manufactured in a manufacturing system having many processes and facilities, such as a semiconductor device manufacturing process. The present invention relates to an estimation device, an abnormal equipment estimation method, and the like.
半導体装置は、ウェハに対して、洗浄、成膜、レジストコーティング、露光、およびエッチングなどの一連の工程を定められた層の数だけ繰り返し行い、配線や回路素子を形成することによって製造される。これらの各工程は、それぞれが異物の混入や層膜の形成不良など半導体装置の動作不良の原因と成り得る要素を含んでいる。そのため、製造工程の途中で実施される様々な検査によって品質特性の低下が発見された場合、原因として考えられる製造設備が多数存在し、どの製造設備に起因して異常が発生したのかを特定することが困難であった。 A semiconductor device is manufactured by repeatedly performing a series of processes such as cleaning, film formation, resist coating, exposure, and etching on a wafer as many as a predetermined number of layers to form wirings and circuit elements. Each of these processes includes elements that can cause malfunction of the semiconductor device, such as contamination of foreign matter and defective formation of a layer film. Therefore, when quality characteristics are deteriorated by various inspections performed during the manufacturing process, there are many possible manufacturing equipments, and identify which manufacturing equipment caused the abnormality. It was difficult.
そこで、製造された半導体装置の品質特性に関する品質情報と製造履歴情報とを解析し、異常の原因となる製造設備を推定する方法として、各工程に配置された設備間の品質特性のばらつきに注目して異常設備を推定する方法が提案されている。例えば、特許文献1に開示された半導体装置の製造装置(あるいは、製造方法)では、図20に示すように、まず、工程ごとに配置された各製造設備で処理されたウェハの品質特性を集計する。続いて、工程内に配置された製造設備間の特性値のばらつき2001を、製造設備内の特性値のばらつき2002と比較した値を定量化し、この値が最も大きな工程が最も異常の可能性が高いと推定する。
Therefore, as a method for analyzing the quality information and manufacturing history information on the quality characteristics of the manufactured semiconductor device and estimating the manufacturing equipment that causes the abnormality, pay attention to the variation in quality characteristics between the equipment arranged in each process. Thus, a method for estimating an abnormal facility has been proposed. For example, in the semiconductor device manufacturing apparatus (or manufacturing method) disclosed in
また、別の方法として、ウェハ全体の特性値の平均値と個々の製造設備で処理されたウェハの特性値の平均の差に着目した方法が提案されている。例えば、特許文献2に開示された異常原因検出装置(あるいは、異常原因検出方法)は、図21に示すように、ウェハ全体の特性値のばらつき2101と、製造設備ごとの処理数2102とを考慮した上で、ウェハ全体の特性値の平均値と個々の製造設備で処理されたウェハの特性値の平均との差2103を求める。そして、この差2103に基づいて各製造設備がどれだけ異常であるかを定量化し、この値が最も大きな設備が異常な設備であると推定する。
しかしながら、上記特許文献1および2に記載の技術では、同じ製造工程を担当する設備が複数存在し、かつ、異なる製造工程を行う種類の異なる設備が互いに影響しあって発生した異常に対しては、正しい推定を行うことができないという問題がある。
However, in the technologies described in
例えば、図11に示す例では、工程Aにおいて製造設備A1で処理され、かつ、工程Bにおいて製造設備B1で処理されたウェハ群1101でのみ不良率が高くなっている。このように、品質特性の低下は必ずしも単一の工程を担当する特定の設備のみが原因とは限らず、特定の設備の組み合わせによって発生する場合も多々ある。しかし、特許文献1および2に記載の技術では、一つの工程を担当する特定の設備のみが異常発生原因となることを前提として異常設備の推定を行っている。そのため、特定の設備の組み合わせにおいて品質特性の低下が発生した場合には、原因となる異常設備を正しく推定を行うことができない。
For example, in the example shown in FIG. 11, the defect rate is high only in the
また、特許文献1および2の異常設備の推定では、異常の定量化を行う場合に、正常な母集団が正規分布に従って均一に分布していることを前提にして、統計的な検定を行っている。従って、これらの文献が仮定しているウェハの品質特性の分布は、例えば図22に示すように、ある平均値を中心とした分布である。各工程に配置された同一の製造設備における製造処理が全て均一であった場合には品質特性の分布は図22のような分布に近くなることが予想されるので、そのような製造工程であれば品質特性の低下が単一の異常事象による場合(すなわち、各工程を担当する製造設備が特定された単一の製造経路で製品が製造されており、品質特性の低下が製造工程内に配置された製造設備のいずれか一つに起因している場合)には、製造工程から取得した品質特性と図22のような分布との差異を統計的に検定して異常な製造設備を推定することができる。
In addition, in the estimation of abnormal facilities in
しかしながら、実際の製造工程においては、ウェハは様々な工程で多数の製造設備を利用して処理され、同一の製造工程に配置された同一種類の製造設備であっても、各々の製造設備によって処理に少量の個体差が発生する。そのため、異常が発生していない状態であってもウェハの品質特性の分布は図22のように均一にはならず、正常な品質特性の分布と異常な品質特性との差異から異常な製造設備を推定することは難しい。また、別々の工程で同時に発生した異常がそれぞれ別の異常原因となって同一の品質特性を低下させ、別々の原因によって品質特性が低下したウェハが製造されたウェハ全体に混在する場合も多い。図11に示すように、製造設備A1と製造設備B1とによって処理されたウェハ群1101、製造設備A1と製造設備B2とによって処理されたウェハ群1102、製造設備Amによって処理されたウェハ群1103で異なる品質特性の低下が発生した場合、図12に示すように複数の分布が検査結果に混在することになる。この場合、品質特性は更に複雑な分布となる。
However, in an actual manufacturing process, a wafer is processed using a number of manufacturing facilities in various processes, and even if the manufacturing equipment of the same type is arranged in the same manufacturing process, it is processed by each manufacturing facility. A small amount of individual difference occurs. For this reason, even if no abnormality has occurred, the distribution of quality characteristics of the wafer is not uniform as shown in FIG. 22, and abnormal manufacturing facilities are found due to the difference between the distribution of normal quality characteristics and abnormal quality characteristics. Is difficult to estimate. In many cases, abnormalities that occur simultaneously in different processes cause different abnormalities to deteriorate the same quality characteristics, and wafers whose quality characteristics are deteriorated due to different causes are mixed in the entire manufactured wafer. As shown in FIG. 11, a
ここで、図12に示す1201、1202、1203は、それぞれ図11の1101、1102、1103に対応している。なお、本明細書では、図12の1202のように不良率が低い分布と比較して、1201、1203のように品質特性が低下したウェハの分布(すなわち、同一の異常設備の組み合わせに起因する特定の品質特性の低下)それぞれのことを、異常事象と呼ぶ。図12に示すように、解析対象となるウェハの品質情報が複数の異常事象を含む場合、つまり、製品が様々な製造経路で製造されており、それぞれの製造経路ごとに異なる製造設備に起因して品質低下が発生する場合、特許文献1および2に開示されている技術では、異常設備の正しい推定を行うことができない。
Here,
本発明は、上記の問題点に鑑みてなされたものであり、その目的は、複数の製造設備に起因した品質の低下、および、製造工程内に存在する複数の製造経路を経て製造された製品の品質の低下に対して、その原因となる異常設備を正確に推定することのできる異常設備推定装置および異常設備推定方法を提供することにある。 The present invention has been made in view of the above-described problems, and the object thereof is a product manufactured through a plurality of manufacturing paths existing in the manufacturing process due to a decrease in quality caused by a plurality of manufacturing facilities. It is an object of the present invention to provide an abnormal equipment estimation device and an abnormal equipment estimation method capable of accurately estimating the abnormal equipment that causes the deterioration of quality.
本発明にかかる異常設備推定装置は、上記課題を解決するために、複数の処理工程を含むとともに、同一の処理を行う製造設備が複数個設けられており、各処理工程について複数個の製造設備の何れかを用いて処理を行って製品を製造する製造システムにおいて上記製品の品質低下の原因となる製造設備を推定するための異常設備推定装置であって、上記製造システムにおいて製造された製品の識別情報とその製品の品質検査結果とが対応付けられた品質情報を当該製造システムから取得する品質情報取得手段と、製品の識別情報とその製品の製造時に各工程を担当した製造設備の識別情報とが対応付けられた履歴情報を上記製造システムから取得する履歴情報取得手段と、上記製品の識別情報ごとに検査結果と製造設備の識別情報とを対応付けた解析データを作成するデータ作成手段と、上記解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質結果のばらつきが小さくなるものから順に選択して、解析データを製造設備ごとの解析データ群に順次分類していく分類手段と、上記分類手段によって分類された解析データ群に含まれる各品質検査結果の平均値を算出し、分類された各解析データ群における上記平均値を互いに比較することによって、各製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定する推定手段と、を備えることを特徴としている。 In order to solve the above-mentioned problem, the abnormal equipment estimation apparatus according to the present invention includes a plurality of processing facilities and a plurality of manufacturing facilities for performing the same processing, and a plurality of manufacturing facilities for each processing step. An abnormal equipment estimation device for estimating a manufacturing equipment that causes a reduction in the quality of the product in a manufacturing system that manufactures a product by performing processing using any of the above, wherein the product manufactured in the manufacturing system Quality information acquisition means for acquiring the quality information in which the identification information and the quality inspection result of the product are associated from the manufacturing system, the product identification information, and the identification information of the manufacturing facility in charge of each process at the time of manufacturing the product The history information acquisition means for acquiring the history information associated with and from the manufacturing system, and the inspection result and the manufacturing equipment identification information for each product identification information Data analysis means for generating analysis data, and when the above analysis data is classified for each manufacturing facility, select the analysis data in order of decreasing variation in quality results in the classified analysis data and manufacture the analysis data Classifying means for sequentially classifying into the analysis data group for each facility, and calculating the average value of each quality inspection result included in the analysis data group classified by the classification means, and the average in each classified analysis data group It is characterized by comprising estimation means for calculating the degree of influence of each manufacturing facility on the quality degradation by comparing the values with each other and estimating the manufacturing equipment that causes the product quality degradation.
本発明の異常設備推定装置は、多数の処理工程からなるとともに、同一の処理を行う製造設備が複数個設けられており、各処理工程について複数個の製造設備の何れかを用いて処理を行って製品を製造する半導体装置などの製造システムによって製造された製品の品質低下の原因となる異常設備を推定するためのものである。この異常設備推定装置には、例えば、製造システム内の検査工程などによって行われた各製品の品質検査結果などのような品質情報を、製造システムから取得する品質情報取得手段と、製品の製造時に各工程をどの製造設備が担当したかという履歴情報を、製造システムから取得する履歴情報取得手段とが備えられている。 The abnormal equipment estimation apparatus of the present invention comprises a plurality of processing steps, and a plurality of manufacturing equipments for performing the same processing are provided, and processing is performed using any of the plurality of manufacturing equipments for each processing step. This is for estimating an abnormal facility that causes a deterioration in the quality of a product manufactured by a manufacturing system such as a semiconductor device that manufactures the product. In this abnormal equipment estimation device, for example, quality information acquisition means for acquiring the quality information such as the quality inspection result of each product performed by the inspection process in the manufacturing system from the manufacturing system, and at the time of manufacturing the product History information acquisition means for acquiring history information indicating which manufacturing facility is in charge of each process from the manufacturing system is provided.
さらに、上記異常設備推定装置には、上記品質情報および履歴情報に基づいて、製造システムにおいて製造された各製品の製造履歴と品質情報(品質検査結果)とを関連付けて示す解析データを作成するデータ作成手段、解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質結果のばらつきが小さくなるものから順に選択して、解析データを製造設備ごとに順次分類していく分類手段、および、分類された各製造設備が品質低下に与える影響度を算出し、品質低下の原因となる製造設備を推定する推定手段が備えられている。 Furthermore, the abnormal equipment estimation device includes data for creating analysis data indicating the manufacturing history and quality information (quality inspection result) of each product manufactured in the manufacturing system in association with the quality information and history information. Classifying the analysis data by manufacturing equipment, in order from the one with the smallest variation in quality results in the classified analysis data, when creating means and analysis data are classified by manufacturing equipment Means and estimation means for calculating the degree of influence of each classified manufacturing facility on quality deterioration and estimating manufacturing equipment causing quality deterioration are provided.
本発明の異常設備推定装置は、複数の工程および製造設備からなる製造システムにおいて、解析データを製造設備ごとに分類した場合に、分類された解析データ群に含まれる各品質結果のばらつきが小さくなるものから順に選択して解析データを各製品の処理を行った一連の製造設備ごとに順次分類し、分類された各製造設備に関して品質低下に与える影響を算出することで、製品の品質低下の原因となる製造設備を推定している。そのため、複数の製造設備に起因した品質の低下、および、製造工程内に存在する複数の製造経路を経て製造された製品の品質の低下に対して、その原因となる異常設備を正確に推定することができる。そして、製造システムにおいて発生している異常に対して正確な対策を迅速に実施することができる。 In the abnormal equipment estimation apparatus of the present invention, when analysis data is classified for each manufacturing equipment in a manufacturing system composed of a plurality of processes and manufacturing equipment, variations in quality results included in the classified analysis data group are reduced. The analysis data is selected in order from the product, and the analysis data is sequentially classified for each series of manufacturing equipment that has processed each product, and the impact on the quality deterioration is calculated for each classified manufacturing equipment. Estimated production facilities. Therefore, it is possible to accurately estimate the abnormal equipment that causes the deterioration of quality caused by multiple manufacturing facilities and the quality of products manufactured through multiple manufacturing paths existing in the manufacturing process. be able to. And an exact measure can be quickly implemented with respect to the abnormality which has generate | occur | produced in the manufacturing system.
また、上記の構成によれば、製品の製造に関わる一連の製造設備の経路において、各製造設備が他の製造設備と比較して相対的にどの程度品質低下に影響を与えているのかということを確認することができる。そのため、異常設備をより正確に推定することができる。 In addition, according to the above configuration, in a series of manufacturing equipment paths related to product manufacturing, how much each manufacturing equipment has a relatively low impact on quality compared to other manufacturing equipment. Can be confirmed. Therefore, abnormal equipment can be estimated more accurately.
本発明の異常設備推定装置において、上記分類手段は、上記品質情報を目的変数とし、上記履歴情報を説明変数として、決定木分析手法を用いて上記解析データの分類を行い、上記推定手段は、上記分類手段によって作成された決定木の下位ノードによる分類が、その上位ノードによる分類に与える影響度を算出することによって、各ノードに割り当てられた製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定することが好ましい。 In the abnormal equipment estimation apparatus according to the present invention, the classification means classifies the analysis data using a decision tree analysis technique using the quality information as an objective variable and the history information as an explanatory variable, and the estimation means includes: By calculating the influence of the classification by the lower node of the decision tree created by the classification means on the classification by the higher node, the influence of the manufacturing facility assigned to each node on the quality degradation is calculated, It is preferable to estimate a production facility that causes a reduction in product quality.
上記決定木分析手法とは、解析データ内の各項目(すなわち、品質情報および履歴情報)の関係を樹形状に分類していく手法であり、大量のデータの分類に用いられる手法である。 The decision tree analysis method is a method of classifying the relationship between each item (namely, quality information and history information) in analysis data into a tree shape, and is a method used for classification of a large amount of data.
上記の構成によれば、品質情報を目的変数とし、履歴情報を説明変数として、分類手段が決定木分析手法を用いて解析データの分類を行うことによって、製造工程において製品の処理を行った一連の各製造設備(すなわち、製造設備の経路)が樹形状に表された決定木が作成される。そして、推定手段は、この決定木の下位ノードによる分類が、その上位ノードによる分類に与える影響度を算出することによって、各ノードに割り当てられた製造設備が品質低下に与える影響度を算出する。 According to the above configuration, a series of products processed in the manufacturing process by classifying the analysis data using the decision tree analysis technique with the quality information as an objective variable and the history information as an explanatory variable. A decision tree is created in which each manufacturing facility (that is, the route of the manufacturing facility) is represented in a tree shape. Then, the estimating means calculates the degree of influence of the manufacturing facility assigned to each node on the quality degradation by calculating the degree of influence of the classification by the lower node of the decision tree on the classification by the upper node.
これによって、製品の製造に関わる一連の製造設備の経路において、各製造設備が他の製造設備と比較して相対的にどの程度品質低下に影響を与えているのかという影響度を正確に算出することができる。そのため、異常設備をさらに正確に推定することができる。 As a result, in the series of manufacturing equipment related to product manufacturing, the degree of influence that each manufacturing equipment has on the quality degradation relative to other manufacturing equipment is accurately calculated. be able to. Therefore, the abnormal equipment can be estimated more accurately.
本発明の異常設備推定装置において、上記品質情報には、任意の品質に関する評価値の情報が含まれており、上記推定手段は、下位ノードによって分類されるデータの数、上記下位ノードによって分類されるデータにおける上記評価値の平均値、および、上位ノードによって分類されるデータの上記評価値の平均値ならびに標準偏差に基づいて、上記下位ノードの上記上位ノードに対する影響度を算出してもよい。 In the abnormal equipment estimation apparatus according to the present invention, the quality information includes evaluation value information relating to arbitrary quality, and the estimation means is classified according to the number of data classified by the lower nodes and the lower nodes. The degree of influence of the lower node on the upper node may be calculated based on the average value of the evaluation value in the data and the average value and standard deviation of the evaluation value of the data classified by the upper node.
本発明の異常設備推定装置において、上記データ作成手段は、クラスタ分析を用いて製品の品質情報を段階的に評価することが好ましい。 In the abnormal equipment estimation apparatus of the present invention, it is preferable that the data creation means evaluates the quality information of the product step by step using cluster analysis.
ここで、「製品の品質情報を段階的に評価する」とは、製造システムにおいて実施される品質検査工程などで得られた品質検査結果に基づいて、その品質に関して製造された各製品のランク分けを行うことを意味する。 Here, “product quality information is evaluated step by step” means that each product manufactured with respect to its quality is ranked based on the quality inspection results obtained in the quality inspection process performed in the manufacturing system. Means to do.
上記の構成によれば、品質情報を所定の数(通常は数個程度)のランクに分けることで、それ以降に行われるデータの分類処理および影響度の算出を簡単に行うことができる。また、クラスタ分析を用いることによって、このランク分けを自動で実施することができる。 According to the above configuration, the quality information is divided into a predetermined number (usually about several ranks) of ranks, so that data classification processing and influence degree calculation performed thereafter can be easily performed. In addition, this clustering can be performed automatically by using cluster analysis.
本発明の異常設備推定装置は、上記決定木分析手法において、条件に合致するか否かによってデータを二つに分類することが好ましい。 The abnormal equipment estimation apparatus of the present invention preferably classifies data into two according to whether or not the condition is met in the decision tree analysis method.
上記の構成によれば、分類手段における処理を簡単にすることができ、処理時間を短縮することができる。 According to said structure, the process in a classification means can be simplified and processing time can be shortened.
また、本発明にかかる異常設備推定方法は、複数の処理工程を含むとともに、同一の処理を行う製造設備が複数個設けられており、各処理工程について複数個の製造設備の何れかを用いて処理を行って製品を製造する製造システムにおいて上記製品の品質低下の原因となる製造設備を推定するための異常設備推定装置において行われる異常設備推定方法であって、品質情報取得手段が、上記製造システムにおいて製造された製品の識別情報とその製品の品質検査結果とが対応付けられた品質情報を当該製造システムから取得する品質情報取得ステップと、履歴情報取得手段が、製品の識別情報とその製品の製造時に各工程を担当した製造設備の識別情報とが対応付けられた履歴情報を上記製造システムから取得する履歴情報取得ステップと、データ作成手段が、上記製品の識別情報ごとに検査結果と製造設備の識別情報とを対応付けた解析データを作成するデータ作成ステップと、分類手段が、上上記解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質結果のばらつきが小さくなるものから順に選択して、解析データを製造設備ごとの解析データ群に順次分類していく分類ステップと、推定手段が、上記分類ステップによって分類された解析データ群に含まれる各品質検査結果の平均値を算出し、分類された各解析データ群における上記平均値を互いに比較することによって、各製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定する推定ステップと、を含んでなることを特徴としている。 In addition, the abnormal equipment estimation method according to the present invention includes a plurality of processing steps, and a plurality of manufacturing facilities for performing the same processing are provided, and each processing step is performed using any one of the plurality of manufacturing facilities. An abnormal equipment estimation method performed in an abnormal equipment estimation device for estimating a manufacturing equipment that causes a reduction in quality of the product in a manufacturing system that performs processing to manufacture a product, wherein the quality information acquisition means includes the manufacturing A quality information acquisition step for acquiring from the manufacturing system the quality information in which the identification information of the product manufactured in the system and the quality inspection result of the product are associated with each other, and the history information acquisition means includes the product identification information and the product A history information acquisition step for acquiring history information associated with identification information of a manufacturing facility in charge of each process at the time of manufacturing from the manufacturing system, A data creation step for creating analysis data in which inspection results and manufacturing equipment identification information are associated with each other for each product identification information; and a classification means for classifying the above analysis data for each manufacturing equipment. In this case, the classification step of sequentially classifying the analysis data into the analysis data group for each manufacturing facility, and the estimation means, selecting in order from the smallest variation of the quality results in the classified analysis data, The average value of each quality inspection result included in the analysis data group classified by the classification step is calculated, and the average value in each classified analysis data group is compared with each other, so that each manufacturing facility gives quality degradation. And an estimation step for estimating a production facility that causes a reduction in product quality.
本発明の異常設備推定方法は、複数の工程および製造設備からなる製造システムにおいて、解析データを製造設備ごとに分類した場合に、分類された解析データ群に含まれる各品質結果のばらつきが小さくなるものから順に選択して解析データを各製品の処理を行った一連の製造設備ごとに順次分類し、分類された各製造設備に関して品質低下に与える影響を算出することで、製品の品質低下の原因となる製造設備を推定している。そのため、複数の製造設備に起因した品質の低下、および、製造工程内に存在する複数の製造経路を経て製造された製品の品質の低下に対して、その原因となる異常設備を正確に推定することができる。そして、製造システムにおいて発生している異常に対して正確な対策を迅速に実施することができる。 According to the abnormal equipment estimation method of the present invention, when analysis data is classified for each manufacturing equipment in a manufacturing system composed of a plurality of processes and manufacturing equipment, variations in quality results included in the classified analysis data group are reduced. The analysis data is selected in order from the product, and the analysis data is sequentially classified for each series of manufacturing equipment that has processed each product, and the impact on the quality deterioration is calculated for each classified manufacturing equipment. Estimated production facilities. Therefore, it is possible to accurately estimate the abnormal equipment that causes the deterioration of quality caused by multiple manufacturing facilities and the quality of products manufactured through multiple manufacturing paths existing in the manufacturing process. be able to. And an exact measure can be quickly implemented with respect to the abnormality which has generate | occur | produced in the manufacturing system.
なお、上記異常設備推定装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記各手段として動作させることにより、上記異常設備推定装置をコンピュータにて実現させることができる。つまり、異常設備推定装置の異常設備推定プログラム、および、それを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。 The abnormal equipment estimation device may be realized by a computer. In this case, the abnormal equipment estimation device can be realized by a computer by operating the computer as each of the means. That is, the abnormal equipment estimation program of the abnormal equipment estimation apparatus and the computer-readable recording medium on which the abnormal equipment estimation program is recorded also fall within the scope of the present invention.
すなわち、本発明にかかる異常設備推定プログラムは、上記の何れかの異常設備推定装置を動作させる異常設備推定プログラムであって、コンピュータを上記の各手段として機能させるためのものである。また、本発明にかかる記録媒体は、この異常設備推定プログラムを記録したコンピュータ読取り可能な記録媒体である。 That is, the abnormal equipment estimation program according to the present invention is an abnormal equipment estimation program for operating any one of the above abnormal equipment estimation apparatuses, and is for causing a computer to function as each of the above-described means. The recording medium according to the present invention is a computer-readable recording medium in which the abnormal facility estimation program is recorded.
本発明にかかる異常設備推定装置は、以上のように、製造システムにおいて製造された製品の識別情報とその製品の品質検査結果とが対応付けられた品質情報を当該製造システムから取得する品質情報取得手段と、製品の識別情報とその製品の製造時に各工程を担当した製造設備の識別情報とが対応付けられた履歴情報を製造システムから取得する履歴情報取得手段と、製品の識別情報ごとに検査結果と製造設備の識別情報とを対応付けた解析データを作成するデータ作成手段と、上記解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質結果のばらつきが小さくなるものから順に選択して、解析データを製造設備ごとの解析データ群に順次分類していく分類手段と、上記分類手段によって分類された解析データ群に含まれる各品質検査結果の平均値を算出し、分類された各解析データ群における上記平均値を互いに比較することによって、各製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定する推定手段と、を備えている。 As described above, the abnormal equipment estimation device according to the present invention acquires quality information in which the identification information of the product manufactured in the manufacturing system is associated with the quality inspection result of the product from the manufacturing system. Means, history information acquisition means for acquiring from the manufacturing system history information in which product identification information is associated with the identification information of the manufacturing facility in charge of each process at the time of manufacturing the product, and inspection for each product identification information Data creation means for creating analysis data in which results and identification information of manufacturing equipment are associated with each other, and when the analysis data is classified for each manufacturing equipment, variation in quality results in the classified analysis data is reduced. A classification means for selecting analysis data in order, and sequentially classifying analysis data into analysis data groups for each manufacturing facility, and an analysis data group classified by the classification means Calculate the average value of each quality inspection result included, and compare the average value in each classified analysis data group with each other to calculate the degree of influence each manufacturing facility has on quality degradation, resulting in product quality degradation And an estimation means for estimating the manufacturing equipment that causes the above.
それゆえ、本発明によれば、複数の製造設備に起因した品質の低下、および、製造工程内に存在する複数の製造経路を経て製造された製品の品質の低下に対して、その原因となる異常設備を正確に推定することができる。そして、製造システムにおいて発生している異常に対して正確な対策を迅速に実施することができるという効果を奏する。 Therefore, according to the present invention, it is a cause for the deterioration of quality caused by a plurality of manufacturing facilities and the quality of products manufactured through a plurality of manufacturing paths existing in the manufacturing process. Abnormal equipment can be estimated accurately. And there exists an effect that an exact countermeasure can be rapidly implemented with respect to the abnormality which has generate | occur | produced in the manufacturing system.
本発明の一実施形態について図1ないし図17に基づいて説明すると以下の通りである。本実施の形態では、本発明の一例として、半導体装置の製造工程において、品質特性の低下の原因となる設備を推定する異常設備推定装置を例に挙げて説明する。 An embodiment of the present invention will be described below with reference to FIGS. In the present embodiment, as an example of the present invention, an abnormal facility estimation apparatus that estimates a facility that causes a deterioration in quality characteristics in a semiconductor device manufacturing process will be described as an example.
図2には、本実施の形態にかかる異常設備推定装置200を含む半導体装置の製造システム201の概略構成を示す。図2に示すように、製造システム201は、投入されたウェハを加工する製造ラインを表し、複数の処理工程(工程)202a、202b、202c…(これら、それぞれのことを総称して202xとする)によって加工された結果、半導体装置として完成する。ここで、処理工程202xとは、洗浄工程、露光工程、エッチング工程などのウェハに対する製造処理単位ごとに分かれた工程である。そして、例えば、洗浄工程であれば洗浄装置、成膜工程であれば成膜装置というように、それぞれの処理に応じて少なくとも1つの製造設備203が割り当てられている。なお、図2では、処理工程202aにおいて工程A(例えば、洗浄工程)を行う各設備を設備A1,A2,…Amとし、処理工程202bにおいて工程B(例えば、露光工程)を行う設備B1,B2,…Bnとする。
FIG. 2 shows a schematic configuration of a semiconductor
また、製造システム201では、成膜された薄膜の厚みを測定する膜厚測定検査工程、形成された回路の線幅を測定する線幅測定検査工程など、必要に応じて検査工程204が設けられている。この検査工程204においても、例えば、膜厚測定検査工程であれば膜厚測定装置、線幅測定検査工程であれば線幅測定装置というように、それぞれの検査に応じて少なくとも1つの検査設備206が割り当てられている。これら各検査工程204では、各処理工程200xにおいてウェハが正常に処理されたか否かを把握できるようになっている。
Further, the
製造システム201内に配置された各種製造設備203は、ネットワーク205によって、異常設備推定装置200内の解析サーバ101と接続されている。これによって、解析サーバ101には、ネットワーク205を通じて、各処理工程202xからウェハの処理履歴が送信され、各検査工程204からウェハの処理履歴およびウェハの品質検査結果(これを品質特性とも呼ぶ)が送信される。解析サーバ101は、送信された処理履歴と品質特性とを収集してデータベース(DB:Data Base)に記憶し、データ解析を実施する。また、ネットワーク205には、製造工程内や解析者の居室内に配置される表示用端末110が接続されている。表示用端末110は、解析者の操作によって解析サーバ101が解析を行った結果を端末内に設けられたモニタ(図示せず)に表示することができる。このように、本実施の形態にかかる異常設備推定装置200は、解析サーバ101と表示用端末110とを含んで構成されており、ネットワーク205を通じて送信されたウェハの処理情報に基づいて製造システム201においてウェハの品質特性の低下の原因となる異常設備の推定を行っている。
図1には、上記製造システム201内に備えられた異常設備推定装置200の構成を示す。図1に示すように、解析サーバ101は、製造システム201におけるウェハの処理履歴(履歴情報)を記憶する履歴DB102(履歴情報取得手段)、品質情報を記憶する品質DB103(品質情報取得手段)、様々な解析条件を記憶する条件DB104、製造設備203から送信された各データをDBに登録するデータ登録部105(品質情報取得手段および履歴情報取得手段)、条件DB104に記憶された条件に従って履歴DB102および品質DB103からデータを検索して加工し、新たに解析データを作成する解析データ作成部106(データ作成手段)、上記解析データ作成部106が作成した解析データを使用して異常設備の推定を行うデータ解析部107(分類手段・推定手段)とから構成されている。
In FIG. 1, the structure of the abnormal
上記データ解析部107は、解析データに含まれるウェハの情報を当該ウェハの処理を行った各製造設備の経路(すなわち、異常事象)ごとに分類する異常事象分類部(分類手段)108と、上記異常事象分類部108が分類した個々の製造経路における製造設備に対して解析を行い、異常設備を定量的に評価し、製造された半導体装置の品質低下の原因となる製造設備を推定する異常設備評価部(推定手段)109とを有する。
The
つまり、上記異常設備評価部109は、異常事象分類部108が分類した各製造経路内に存在する製造設備に関して、上記解析データに含まれる品質特性値(品質情報)に基づいて半導体装置の品質低下に与える影響度を算出することによって、半導体装置の品質低下の原因となる製造設備の推定を行う。
In other words, the abnormal
また、上記「異常事象」とは、ある品質異常が発生する原因となる設備の異常のことを意味する。例えば、半導体装置の材料となるウェハ内に品質に関する異常Pが発生し、この異常Pは、ウェハが製造工程Aにおいて設備A1で処理され、さらに製造工程Bにおいて設備B1で処理された場合に発生するものであるとする。このように、異常Pが設備A1および設備B1の組み合わせで引き起こされる場合、この異常が1つの異常事象となる。また、同じ異常Pが他の製造工程Cを担当する設備C1で処理することによっても発生する場合、この異常Pについては、上記の異常事象とは別の異常事象とする。つまり、同一の設備(この設備は1つに限定されない)で処理することによって発生する同一の異常のことを異常事象と呼ぶ。 Further, the “abnormal event” means an abnormality of the equipment that causes a certain quality abnormality. For example, an abnormality P related to quality occurs in a wafer that is a material of a semiconductor device, and this abnormality P occurs when the wafer is processed by the equipment A1 in the manufacturing process A and further processed by the equipment B1 in the manufacturing process B. Suppose you want to. Thus, when the abnormality P is caused by a combination of the equipment A1 and the equipment B1, this abnormality becomes one abnormal event. Moreover, when the same abnormality P also occurs by processing in the equipment C1 in charge of another manufacturing process C, the abnormality P is an abnormal event different from the above-described abnormal event. That is, the same abnormality generated by processing with the same equipment (this equipment is not limited to one) is called an abnormal event.
半導体装置などの製造工程においては、上記のように、ある品質異常が複数の原因(異常事象)によって発生している場合がある。本実施の形態の異常設備推定装置200では、品質情報と履歴情報とから、例えば上記異常Pのように、同時に起こっている複数の異常事象を推定し、品質異常が発生しているウェハをそれぞれの異常事象毎に分類した上で、各異常事象の原因となっている装置を推定するという処理を行う。
In a manufacturing process of a semiconductor device or the like, as described above, a certain quality abnormality may occur due to a plurality of causes (abnormal events). In the abnormal
上記データ解析部107が解析した結果は、表示用端末110に備えられた図示しないモニタに表示される。また、表示用端末110は、入力部(図示せず)も有しており、解析者は上記入力部を用いて上記条件DB104に保存された解析条件の変更行ったり、条件DB104を用いずに解析サーバ101に対して解析条件を指定したりすることができる。なお、条件DB104には、例えば、過去どの程度遡った範囲のウェハデータについて解析を行うのか、機種や不良の種類を限定するのか、などといった解析条件に関する情報が格納されている。
The result analyzed by the
続いて、上記製造システム201における異常設備の推定方法について説明する。まず、履歴情報および品質情報の登録処理方法について説明する。
Next, an abnormal facility estimation method in the
製造システム201において、製造設備203は、ウェハを処理すると処理したウェハに割り当てられたウェハID(製品の識別情報)、ウェハが属しているロットのロットID、その工程に割り当てられた工程番号、処理を行った製造設備の名称およびID(製造設備の識別情報)、ウェハに対する処理が終了した処理終了日時、その他の処理情報などを処理履歴情報として解析サーバ101に送信する。
In the
ここで、ウェハIDとは、全てのウェハで重複しないように製造システム201への投入時に各々のウェハに割り振られた番号である。また、ロットIDとは、全てのロットで重複しないように製造システム201への投入時に各々のロットに割り当てられた番号である。また、工程番号とは、製造システム201の全ての工程で重複しないように各工程に割り振られた番号である。
Here, the wafer ID is a number assigned to each wafer at the time of introduction into the
解析サーバ101では、製造設備203から送られた処理履歴情報は、データ登録部105によって、図3に示すようなフォーマットに従って履歴DB102に随時登録される。図3は、履歴DB102に格納されているデータテーブルの一例を示す模式図である。ウェハが製造システム201で処理される度に、データ登録部105によって、履歴DB102内のデータテーブル(図3参照)に当該処理に関するデータが追加される。なお、履歴DB102には、図3に示していないその他の処理情報を追加情報として記憶してもよい。
In the analysis server 101, the processing history information sent from the
なお、各製造設備203におけるウェハIDおよびロットIDの判別については、半導体装置などの製造システムにおいて一般的に利用されている従来公知の判別方法を用いることができる。通常、製造システムは、CIMと呼ばれるコンピュータシステムで一括管理されている。このシステムは、ロットをどの設備に運ぶかという情報、および、各設備ではどのような処理を行うかという情報などを管理している。
In addition, for the discrimination between the wafer ID and the lot ID in each
それゆえ、例えば上記CIMによってウェハIDおよびロットIDの判別を行う場合には、ロットIDおよびウェハIDは、製造設備203にロットが運ばれた際に、ネットワーク205を通じてCIM208(図2参照)から送信される。これによって、各製造設備203は、自身が処理しているロットやウェハのIDを容易に入手することができる。
Therefore, for example, when the wafer ID and the lot ID are determined by the CIM, the lot ID and the wafer ID are transmitted from the CIM 208 (see FIG. 2) through the
また、その他の判別方法として、CIMを用いずに、ロットケースやウェハそのものに貼られたバーコードあるいはICタグから、ウェハIDおよびロットIDを読み取る方法を採用してもよい。 As another discrimination method, a method of reading the wafer ID and the lot ID from the barcode or IC tag attached to the lot case or the wafer itself without using the CIM may be adopted.
また、製造設備203の名称については、設備ごとに予め決められているため、各設備はそれを記憶しておき、処理が行われる度に、ウェハIDおよびロットIDなどの情報とともに解析サーバ101に送信すればよい。工程番号については、ウェハIDおよびロットIDと同様に、上述のCIMを利用して送信することもできるし、バーコードあるいはICタグなどから読み取って送信することもできる。
Further, since the name of the
一方、検査工程204に配置された検査設備206は、ウェハの検査が終了すると、上述の処理履歴情報とともにウェハの検査結果を品質情報として解析サーバ101に送信する。送信された品質情報は、データ登録部105によってウェハ単位に集計される。例えば、電気特性検査の品質情報であれば、図4に示すようなフォーマットに従って品質DB103に随時登録される。図4は、品質DB103に格納されているデータテーブルの一例を示す模式図である。図4に示す「ウェハID」、「ロットID」、「工程番号」などは、履歴情報と同じものである。なお、検査の内容は、検査工程204で実施される検査の種類によって異なるので、品質DB103において、「ロットID」、「ウェハID」、「機種名」、「工程番号」、および「検査日時」以外の項目については、検査種類ごとに異なるフォーマットが用意される。また、品質情報は、解析サーバ101への送信前に製造設備203の内部でウェハ単位の集計を行ってもよく、その場合データ登録部105は品質データの登録のみを行う。
On the other hand, when the inspection of the wafer is completed, the
なお、図3および図4に示すデータテーブルに示す「機種名」とは、例えば、XX社向けのICなどというように、製造システム201で製造されている半導体装置の種類を示すものである。この機種名が異なると製造条件も異なるため、各データテーブルに記録しておくことが望ましい。
The “model name” shown in the data tables shown in FIGS. 3 and 4 indicates the type of the semiconductor device manufactured by the
次に、図5に示すフローチャートを用いて、解析サーバ101で行われる解析処理の流れについて説明する。 Next, the flow of analysis processing performed by the analysis server 101 will be described using the flowchart shown in FIG.
解析サーバ101における解析処理では、先ず、解析データ作成部106が解析データを作成し(ステップS501)、続いて、データ解析部107が上記解析データに基づいて異常設備を推定する(ステップS502)。
In the analysis processing in the analysis server 101, first, the analysis
解析データ作成ステップS501では、先ず、解析サーバ101の条件DB104に記憶された解析条件に従って品質DB103から解析を実行する品質データを検索して取り出す(ステップS5011)。次に、この品質データをランク別に分ける(ステップS5012)。さらに、履歴DB102から品質データに含まれるウェハの履歴情報を検索して履歴データを作成する(ステップS5013)。そして、品質データと履歴データとを結合して解析データを作成する(ステップS5014)。
In the analysis data creation step S501, first, quality data to be analyzed is retrieved from the
また、異常設備推定ステップS502では、データ解析部107内の異常事象分類部108が、解析データ作成ステップS501で作成した解析データに対して決定木分析を行い、各ウェハの情報を異常事象毎に分類する。その後、異常設備評価部109は、異常事象分類部108が作成した決定木から、各製造設備203の影響度を評価し、異常設備の推定を行う(ステップS5022)。
In the abnormal equipment estimation step S502, the abnormal
続いて、上記解析データ作成ステップS501における各処理についてより詳細に説明する。ステップS5011では、解析データ作成部106は、条件DB104に記憶された解析対象ウェハの機種名、検査日時、および解析を行う品質特性名(例えば、オープン不良、ショート不良など)などに従って、上記機種名および検査日時を検索キーとして、品質DB103からウェハIDおよび解析を行う品質特性に関するデータを取り出す。
Next, each process in the analysis data creation step S501 will be described in more detail. In step S5011, the analysis
なお、上記検索キーは、上述の機種名および検査日時に限定されることなく、他の情報を用いてもよい。また、解析データ作成部106は、条件DB104を用いずに表示用端末110を用いた解析者の指示によって検索を行ってもよい。
The search key is not limited to the model name and the inspection date and time described above, and other information may be used. Further, the analysis
図6(a)には、“機種名”=“AA”、“検査日時”=“2004/6/5 00:00:00〜2004/6/5 23:59:59の期間内に該当するもの”を検索キーとし、解析対象の品質特性を“オープン不良率”として、図4に示すデータテーブルから該当するデータを取り出した結果を示す。 In FIG. 6A, “model name” = “AA”, “inspection date / time” = “2004/6/5 00:00:00 to 2004/6/5 23:59:59. FIG. 4 shows the result of extracting corresponding data from the data table shown in FIG. 4 with “thing” as a search key and the quality characteristic to be analyzed as “open failure rate”.
ステップS5012では、条件DB104に記憶された規格値とステップS5011で取り出した各データの品質特性を比較して品質特性値がどの範囲に含まれるかという特徴にラベル付けを行うことで、データのランク分けを行う(図6(b)参照)。図7には、条件DB104に記憶された規格値を示すテーブルの一例を示す。図7に示すテーブルでは、品質特性の一つであるオープン不良率yの規格値と、ランクとの関係を示しており、ウェハの“オープン不良率”の値によって、品質の良好なものから順に、“OK”、“A”、“B”、“C”の4段階にランクが定義されている。この情報に基づいて図6(a)をランク分けしたものが図6(b)である。
In step S5012, the standard value stored in the
ステップS5013では、ステップS5011で品質DB103から取り出した品質データに含まれるウェハIDを検索キーとして履歴DB103を検索し、ウェハの履歴情報から各々の工程でウェハを処理した製造設備の名称を取り出して横方向に並べる。図8は、図6に示した品質データに含まれる“ウェハID”=“AAA−1”を検索キーとして履歴情報を検索し、処理設備を並べて履歴データを作成した例である。図8(a)は、“ウェハID”=“AAA−1”を検索キーとして履歴DB103を検索した結果を示すテーブルであり、図8(b)は、(a)に示すテーブル中から各々の工程でウェハを処理した製造設備の名称を取り出して横方向に並べた結果を示すテーブルである。図8は、“ウェハID”=“AAA−1”を検索キーとした場合を例として、検索結果および並べ替え結果を示すものである。本実施の形態では、品質データに含まれるウェハID全てについてこのような処理を行う。
In step S5013, the
さらに、ステップS5014では、ウェハIDを用いてステップS5012で作成した品質データとステップS5013で作成した履歴データとを結合し、解析データを作成する。図9には上記解析データの一例であるテーブルを示す。この図は、図6(b)および図8(b)から作成した解析データの一例を示すものである。 In step S5014, the quality data created in step S5012 and the history data created in step S5013 are combined using the wafer ID to create analysis data. FIG. 9 shows a table as an example of the analysis data. This figure shows an example of analysis data created from FIG. 6 (b) and FIG. 8 (b).
以上が、解析データ作成部106による解析データ作成処理(ステップS501)の流れである。
The above is the flow of the analysis data creation process (step S501) by the analysis
続いて、データ解析部107によって行われる異常設備推定ステップS502の詳細について述べる。
ステップS5021では、データ解析部107がステップS501において作成した解析データを解析データ作成部106から受け取ると、データ解析部107内の異常事象分類部108が、解析データに対して決定木分析を行って異常事象毎に分類する。そして、各々の異常事象を記述する樹形状の決定木ルールを作成する。決定木分析には、単一の条件に合致するか否かの二通りの分岐させる手法と、考えられる条件によって複数に分岐させる手法があるが、本実施の形態では後者の手法を用いる。
Next, details of the abnormal equipment estimation step S502 performed by the
In step S5021, when the
図10には、異常事象分類部によって作成される決定木の一例であり、図9に示す解析データに対して決定木分析を行った場合に作成される決定木を示す。図10では、図9に示す解析データに含まれるウェハは、先ず、“工程番号”=“3300”で、どの製造設備によって処理されたかによって分類される。ここで、“設備名”=“CA−01”によって処理されたウェハは、図10の第1の分岐で1001に分類され、さらに“工程番号”=“1320”で処理された製造設備によって分類される。決定木分析では、1001のような分岐の条件を表す点をノードと呼ぶ。 FIG. 10 is an example of a decision tree created by the abnormal event classification unit, and shows a decision tree created when a decision tree analysis is performed on the analysis data shown in FIG. In FIG. 10, the wafers included in the analysis data shown in FIG. 9 are first classified according to which manufacturing equipment is processed with “process number” = “3300”. Here, the wafer processed by “equipment name” = “CA-01” is classified as 1001 in the first branch of FIG. 10, and further classified by the manufacturing facility processed by “process number” = “1320”. Is done. In decision tree analysis, a point representing a branch condition such as 1001 is called a node.
ノードの作成方法については後述するが、分類されたウェハ群に同じランクが集まるようにノードが作成される。つまり、図10において、図9で表されるウェハ群はまず“工程番号”=“3300”の設備が“CA−01”のウェハ群、“CA−02”のウェハ群、および“CA−03”のデータ群に分類されているが、これは他の工程を用いて分類した場合と比較して、それぞれのデータ群に含まれるデータには同じランクが多く含まれることを表している。 The node creation method will be described later, but the nodes are created so that the same ranks are collected in the classified wafer group. That is, in FIG. 10, the wafer group shown in FIG. 9 is first a “CA-01” wafer group, a “CA-02” wafer group, and a “CA-03” facility with “process number” = “3300”. "", Which indicates that the data included in each data group includes many of the same ranks as compared with the case of classification using other processes.
また、ノード1001によって分類されたウェハ群中でノード1002によって分類されたウェハ、すなわち“工程番号”=“1320”において“設備名”=“CT−02”で処理されたウェハには“ランク”=“OK”になるものが集まっている。一方、“設備名”=“CT−01”で処理されたウェハはさらに“工程番号”=“0820”で処理された製造設備によって分類される。全てのウェハについて以上のような分岐を最も下位の分岐のないノードにたどり着くまで繰り返すことで、元々のデータ群は同じランクが集中する複数のウェハ群に分類される。言い換えると、先頭のノードから終端のノードまでの分岐を辿ることで、そのノードに割り当てられた工程番号と製造設備の組み合わせで処理されたウェハの品質データがどのランクになる頻度が最も高いかを推定することができる。
In addition, the wafer classified by the
従って、分析によって作成された決定木は、履歴情報を用いた簡単なIf−Thenルールに書き直すことができる。例えば、図10のノード1002は、以下のルールに書き直すことができる。
「If “工程(3300)”=“CA−01” AND “工程(1320)”=“CT−02” Then “ランク”=“OK”」
このルールは、特定の製造設備の組み合わせによって処理されたウェハ群を同じグループに分類し、そのグループに分類されたウェハは類似した品質特性の特徴を持つことを表している。決定木分析では、全てのデータは決定木で表現されるルールによって何れかの結論に達する。従って、解析データに対しては決定木分析を行うことにより、処理設備と品質特性の両方に共通性のある解析データのグループを探し出して分割することになる。すなわち、ステップS5021の処理は、図11に示す単数または複数の製造設備に起因する条件を用いて、図12に示すように複数の異常事象が混在した品質情報から個々の異常事象を分離するものである。
Therefore, the decision tree created by the analysis can be rewritten into a simple If-Then rule using history information. For example, the
“If“ Step (3300) ”=“ CA-01 ”AND“ Step (1320) ”=“ CT-02 ”Then“ Rank ”=“ OK ””
This rule indicates that wafer groups processed by a combination of specific manufacturing facilities are classified into the same group, and the wafers classified into the group have characteristics of similar quality characteristics. In decision tree analysis, all data reaches one of the conclusions according to the rules expressed in the decision tree. Therefore, analysis data is subjected to decision tree analysis to find and divide a group of analysis data common to both processing equipment and quality characteristics. That is, the process of step S5021 is to separate individual abnormal events from quality information in which a plurality of abnormal events are mixed as shown in FIG. 12, using the conditions resulting from one or more manufacturing facilities shown in FIG. It is.
本発明で用いる決定木分析は大量のデータの分類や予測に用いられる汎用的な手法であり、分岐の作製方法や無駄な分岐の回避方法について既にいくつかの方法が提案されている。従って、ここでは詳細な説明は省略し、各手法に共通の大まかな処理についてのみ説明する。 The decision tree analysis used in the present invention is a general-purpose technique used for classification and prediction of a large amount of data, and several methods have already been proposed for a branch creation method and a useless branch avoidance method. Therefore, detailed description is omitted here, and only rough processing common to each method will be described.
図13に決定木分析の大まかな処理の流れを示す。決定木分析では、先ず分類する項目を目的変数に設定し、分類の条件に用いる項目を説明変数にそれぞれ設定し、根ノードを作成する(ステップS1301)。図9に示す解析データの例では、ステップS1301において、目的変数は品質情報の“ランク”であり、説明変数は履歴情報の“工程(0001)”、“工程(0002)”、…、である。また、根ノードとは、解析の起点となる最も上位のノードであり、全てのデータはこのノードに属する。なお、“ウェハID”と“オープン不良率”は、図5に示すステップS5021では使用しない。 FIG. 13 shows a rough processing flow of decision tree analysis. In the decision tree analysis, first, an item to be classified is set as an objective variable, an item used as a classification condition is set as an explanatory variable, and a root node is created (step S1301). In the example of analysis data shown in FIG. 9, in step S1301, the objective variable is “rank” of quality information, and the explanatory variables are “process (0001)”, “process (0002)”,. . The root node is the highest node that is the starting point of analysis, and all data belongs to this node. Note that “wafer ID” and “open failure rate” are not used in step S5021 shown in FIG.
次に、ステップS1301で設定した説明変数から1つを選んでデータを分類し(ステップS1302)、予め定めた分類精度の指標にしたがってその結果を評価する(ステップS1303)。分類精度の指標には、“Giniの多様性指標”や“情報利得”などが提案されている。この作業を各説明変数に対して繰り返し行い(ステップS1304)、全ての説明変数についての評価が終了すると(S1304でYes)、これらの中から分類精度の最も良かった説明変数を使ってデータを分類し、新しいノードを作成する(ステップS1305)。 Next, one of the explanatory variables set in step S1301 is selected to classify the data (step S1302), and the result is evaluated according to a predetermined classification accuracy index (step S1303). As the index of classification accuracy, “Gini diversity index”, “information gain”, and the like have been proposed. This operation is repeated for each explanatory variable (step S1304), and when all the explanatory variables have been evaluated (Yes in S1304), the data is classified using the explanatory variable having the best classification accuracy. Then, a new node is created (step S1305).
上記S1302〜S1304では、各工程での処理履歴(履歴情報)から処理設備を条件としてデータを分割し、例えば、品質特性のばらつきを指標に用いて、それぞれの条件でいかにデータがきれいに分割されたかを評価している。各データ群がきれいに分割されるということは、分割された各データ群に属するデータの品質が似通っており、かつ、互いにデータ群の品質に差があることを示している。そのため、S1305において最も分類精度の良かった説明変数を採用して新しいノードを作成するということは、最も品質特性に差が出る設備を選択して新しいノードを作成するということを意味する。つまり、この一連のステップで、順次ノードを作成していくという処理は、品質特性に差が生じる設備を次々に抽出する作業を行うことを意味している。 In the above S1302 to S1304, the data is divided from the processing history (history information) in each process on the condition of the processing equipment, for example, how the data is neatly divided under each condition using the variation in quality characteristics as an index. Is evaluated. The fact that each data group is divided neatly indicates that the quality of data belonging to each divided data group is similar and that there is a difference in the quality of the data groups. Therefore, adopting the explanatory variable having the best classification accuracy in S1305 to create a new node means selecting a facility having the most difference in quality characteristics and creating a new node. In other words, the process of sequentially creating nodes in this series of steps means performing an operation of successively extracting equipment that has a difference in quality characteristics.
そして、予め定めた終了条件を満足するまでステップS1302からS1305までの処理を繰り返し行う(ステップS1306)。ここで言う「予め定めた終了条件」とは、例えば、ノードで分割されたデータ数が予め定めた数以下になるまでといったもの、あるいは、元のデータと比較して、ばらつきがある程度小さくなるまでといったものなどが挙げられる。 Then, the processes from step S1302 to S1305 are repeated until a predetermined end condition is satisfied (step S1306). The “predetermined end condition” referred to here is, for example, until the number of data divided by the node is equal to or less than a predetermined number, or until the variation is reduced to some extent as compared with the original data. And the like.
上記終了条件を満たさない場合は(S1306でNo)、新しい分類条件(ノード)を追加し(ステップS1307)、データの分類を行う(ステップS1302)。このような処理を行うことによって、決定木を作成する。 If the termination condition is not satisfied (No in S1306), a new classification condition (node) is added (step S1307), and data is classified (step S1302). A decision tree is created by performing such processing.
以上のように、本実施の形態における決定木分析では、ノードで分割することのできる全ての組み合わせでデータを分割した結果を比較し、最も「きれい」に分割できるものをそのノードにおいて着目する製造設備として採用している。ここで、上記「最もきれい」とは、例えば分散値あるいは情報量(エントロピー)などの値を用いて、分類された各々の品質結果のデータ群のばらつきを計算し、それぞれが最もまとまっている(すなわち、ばらつきが小さい)ことを意味する。 As described above, in the decision tree analysis according to the present embodiment, the result of dividing the data by all combinations that can be divided by the node is compared, and the manufacturing that focuses on the node that can be divided most “cleanly” is focused on that node. Adopted as equipment. Here, the “most beautiful” means, for example, using a value such as a variance value or an information amount (entropy) to calculate the variation of each classified data group of quality results, and each is the most organized ( That is, the variation is small.
つまり、異常事象分類部108は、解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質結果のばらつきが小さくなるものから順に選択して、解析データを各製品の処理を行った一連の製造設備ごとに順次分類していくという処理を行って決定木を作成する。
That is, when the analysis data is classified for each manufacturing facility, the abnormal
なお、上述の根ノードとは、最初に作成されるノードである。つまり、S1301で作成する根ノードとは、解析データを最初に分割するための単なる分岐点で、この時点ではまだ分岐条件は確定していない。そして、S1302〜S1304で考えられる全ての分岐条件を試行する。その結果、S1305で最もきれいに分類できた分岐条件(ここでは、製造設備)を採用し、この時点で分岐が確定し、分岐先に新しいノードを作成する。さらに、この新しいノードに対して先ほど確定した分岐条件で分類されたデータをもとに同様の処理を行い、次の分岐条件を確定する。この作業をノードが終了条件を満たすまで繰り返し行うことによって決定木が作成される。 Note that the above-described root node is a node created first. That is, the root node created in S1301 is a simple branch point for first dividing the analysis data, and the branch condition has not yet been determined at this point. Then, all branch conditions conceivable in S1302 to S1304 are tried. As a result, the branch condition (here, the manufacturing equipment) that can be classified most beautifully in S1305 is adopted, and at this point, the branch is determined and a new node is created at the branch destination. Further, the same processing is performed on the new node based on the data classified according to the branch condition determined earlier, and the next branch condition is determined. A decision tree is created by repeating this operation until the node satisfies the end condition.
ステップS5021では、作成された決定木によって個々の異常事象とその原因となる製造設備との組み合わせを抽出することができる。しかしながら、これらのルールは、事象を最も効率良く分類するための製造設備の羅列であり、実際にどの製造設備が最も品質特性に影響を与えており、どの製造設備から対策を施せばよいのかわかり難い。そこで、ステップS5022では、ステップS5021で作成した決定木を構成する各ノードが分類結果に対して持つ影響度を定量的に評価することで、ノードに割り当てられた製造設備の影響度を評価し、異常設備の順位付けを行う。 In step S5021, combinations of individual abnormal events and the manufacturing equipment that causes them can be extracted from the created decision tree. However, these rules are an enumeration of manufacturing equipment to categorize events most efficiently, and it is clear which manufacturing equipment actually has the most impact on quality characteristics and which manufacturing equipment should take measures. hard. Therefore, in step S5022, the influence degree of the manufacturing equipment assigned to the node is evaluated by quantitatively evaluating the influence degree that each node constituting the decision tree created in step S5021 has on the classification result. Ranking abnormal equipment.
続いて、ステップS5022におけるより詳細な処理の流れを、図14に示すフローチャートに基づいて説明する。先ず、根ノードから評価の対象となるノードまでの分岐によって分類されるデータの数Nおよび品質特性の平均値Mを計算する(ステップS1401)。次に、評価対象のノードの上位に位置するノードまでの分岐によって分類されるデータの品質特性の平均値μおよび標準偏差σを計算し(ステップS1402)、これらの値から上位ノードでの分類に対して評価対象ノードでの分類が与える影響度fを計算する(ステップS1403)。この評価を根ノード以外の全てのノードに対して行われるまで(ステップS1404でYes)、繰り返し行う。全てのノードに対して上記評価を行った後(ステップS1404でYes)、ノードの影響度fから製造設備の影響度Fを計算する(ステップS1405)。最後に製造設備の影響度Fから製造設備の評価値Wを計算して(ステップS1406)、評価値Wの値が大きな製造設備ほど異常の度合いが大きいと推定する。 Next, a more detailed processing flow in step S5022 will be described based on the flowchart shown in FIG. First, the number N of data classified by the branch from the root node to the node to be evaluated and the average value M of the quality characteristics are calculated (step S1401). Next, the average value μ and the standard deviation σ of the quality characteristics of the data classified by the branch up to the node positioned higher than the node to be evaluated are calculated (step S1402), and the classification at the upper node is performed from these values. On the other hand, the degree of influence f of the classification at the evaluation target node is calculated (step S1403). This evaluation is repeated until all the nodes other than the root node are evaluated (Yes in step S1404). After the above evaluation is performed on all nodes (Yes in step S1404), the influence F of the manufacturing facility is calculated from the influence f of the node (step S1405). Finally, the evaluation value W of the manufacturing facility is calculated from the influence F of the manufacturing facility (step S1406), and it is estimated that the degree of abnormality is larger as the manufacturing facility has a larger evaluation value W.
図15には、図9に示す解析データおよび図10に示す決定木の一部を用いて図14に示す処理を行った場合の例を示す。なお、図10と図15では、決定木の表記方法が異なっているが、どちらも同じ決定木である。ステップS1401でノード1501を評価した場合の処理について説明する。ノード1501は、以下のルールで図9の解析データを分類する。
「If “工程(3300)”=“CA−01” AND “工程(1320)”=“CT−01” AND “工程(0820)”=“CT−01” AND “工程(1800)”=“SU−02” Then ノード1501」
このとき、このルールに合致するウェハのデータ数をN、そのウェハの“オープン不良率”の平均値をMとする。
FIG. 15 shows an example in which the process shown in FIG. 14 is performed using the analysis data shown in FIG. 9 and a part of the decision tree shown in FIG. In FIG. 10 and FIG. 15, the notation method of the decision tree is different, but both are the same decision tree. Processing when the
“If“ Step (3300) ”=“ CA-01 ”AND“ Step (1320) ”=“ CT-01 ”AND“ Step (0820) ”=“ CT-01 ”AND“ Step (1800) ”=“ SU -02 "Then
At this time, it is assumed that the number of data of a wafer that meets this rule is N, and the average value of the “open failure rate” of the wafer is M.
ノード1501の上位のノード1502は、以下のルールで図9の解析データを分類する。
「If “工程(3300)”=“CA−01” AND “工程(1320)”=“CT−01” AND “工程(0820)”=“CT−01” Then ノード1502」
このとき、このルールに合致するウェハの“オープン不良率”の平均値をμ、標準偏差をσとする。
The
“If“ Step (3300) ”=“ CA-01 ”AND“ Step (1320) ”=“ CT-01 ”AND“ Step (0820) ”=“ CT-01 ”Then
At this time, the average value of the “open failure rate” of wafers that match this rule is μ, and the standard deviation is σ.
ステップS1403では、ステップS1401およびステップS1402で計算した統計値から、ノードの影響度fを以下の式で計算する。 In step S1403, the node influence degree f is calculated from the statistical values calculated in steps S1401 and S1402 by the following formula.
影響度fは、上位ノードまでの分類に対して下位ノードの条件を追加した際に、分類されたウェハの品質特性値の平均がどの程度変化するかを確率的に表したものである。つまり、影響度fは、上位ノードまでの条件で分割されたデータ群に対して、下位ノードの条件を付加した際に、どの程度品質特性が変化するかを表す指標である。“オープン不良率”の値は、上側のみに規格値が存在するので、図15の例ではzの値には式(3)を用いる。 The degree of influence f stochastically represents how much the average quality characteristic value of the classified wafer changes when the condition of the lower node is added to the classification up to the upper node. In other words, the influence degree f is an index representing how much the quality characteristic changes when the condition of the lower node is added to the data group divided under the condition up to the upper node. Since the standard value of the “open failure rate” exists only on the upper side, Equation (3) is used as the value of z in the example of FIG.
ステップS1404では、これらの上位ノードと下位ノードとの間の影響度の計算を根ノード以外の全てのノードに対して行っている。 In step S1404, the degree of influence between these upper node and lower node is calculated for all nodes other than the root node.
次に、ステップS1405では、ステップS1403で計算したノードの影響度fから製造設備の影響度Fを算出する。製造設備の影響度Fは、決定木の中に同じ設備名が割り当てられたノードの影響度fを平均することで求められる。ここでは、工程番号が異なる場合を異なる製造設備と判断する。例えば、ノード1501と図10に示すノード1003には、同じ工程“工程(1800)”=“SU−02”が割り当てられているが、これらには同一の製造設備が割り当てられていると判断して影響度を平均する。また、ノード1502およびノード1503は同じ設備名が割り当てられているが、工程番号が異なるので、異なる製造設備と判断して影響度は平均しない。このようにして、製造設備ごとの影響度Fを求める。この影響度Fは、製造ライン全体に対して、その製造設備がその工程番号でウェハに対して行った処理が品質特性の低下に与える影響度である。
Next, in step S1405, the influence F of the manufacturing facility is calculated from the influence f of the node calculated in step S1403. The influence F of the manufacturing facility can be obtained by averaging the influences f of the nodes to which the same facility name is assigned in the decision tree. Here, the case where the process number is different is determined as a different manufacturing facility. For example, the same process “process (1800)” = “SU-02” is assigned to the
最後にステップS1406では、製造設備ごとの影響度Fから以下の式で製造設備の評価値Wを計算する。 Finally, in step S1406, the evaluation value W of the manufacturing facility is calculated from the influence F for each manufacturing facility using the following formula.
上記式(5)は、製造設備の影響度Fに対する上記式(1)の逆関数であり、評価値Wは値Zに対する標準正規分布の積分値である。従って、上記式(4)は、あるウェハがその製造設備によって処理された際の特性値のずれを確率的に表したものである。つまり、上記式(4)は、当該製造設備が特性値に与える影響を定量化したものである。 The above equation (5) is an inverse function of the above equation (1) with respect to the influence F of the manufacturing facility, and the evaluation value W is an integral value of the standard normal distribution with respect to the value Z. Therefore, the above formula (4) stochastically represents the deviation of the characteristic value when a certain wafer is processed by the manufacturing facility. That is, the above formula (4) quantifies the influence of the manufacturing facility on the characteristic value.
図16には、上記処理によって図10の決定木に割り当てられた各製造設備を評価し、評価値順に並べた表を示す。また、図17は、図16の表で上位10位の製造設備をマークした決定木を示す。表中の平均不良率とは、各ノードに分類されるデータのオープン不良率の平均値を該当設備が割り当てられたノードで平均したものである。 FIG. 16 shows a table in which the manufacturing facilities assigned to the decision tree of FIG. 10 are evaluated by the above processing and are arranged in the order of evaluation values. FIG. 17 shows a decision tree in which the top 10 manufacturing facilities are marked in the table of FIG. The average failure rate in the table is an average of the open failure rate of data classified into each node at the node to which the corresponding facility is assigned.
図16に示すテーブルにおいて、各製造設備に分類されるウェハの平均不良率のみを比較した場合には、“0880 RS−01”が最も高いが、評価値を比較すると“3300 CA−03”や“3000 AG−01”が高い。図17でこれらの製造設備が割り当てられたノードの関係を調べると、“0880 RS−01”はノード1701に割り当てられているが、その上位ノードには評価値の高い“3000 CA−03”が割り当てられたノード1702や、“3000 AG−01”が割り当てられたノード1703が存在している。
In the table shown in FIG. 16, when only the average defect rate of the wafers classified into each manufacturing facility is compared, “0880 RS-01” is the highest, but when the evaluation values are compared, “3300 CA-03” “3000 AG-01” is high. When the relationship between the nodes to which these manufacturing facilities are assigned is examined in FIG. 17, “0880 RS-01” is assigned to the
これらの結果から、図16の表で“0880 RS−01”の不良率が高くなっているのは、その上位ノードである1702の“3300 CA−03”や、ノード1703の“3000 AG−01”での不良率低下の影響が大きいことがわかる。そして、これらの上位ノードと比較すると、下位ノードである“0880 RS−01”単体での影響は小さいことがわかる。
From these results, the defect rate of “0880 RS-01” in the table of FIG. 16 is high because “3300 CA-03” of 1702 which is the upper node and “3000 AG-01” of
一方、図16の表で6番目に順位付けされている“1800 SU−01”は、平均不良率が0.862と低い値になっているが、評価値は0.944と高くなっている。図17では、この製造設備はノード1704およびノード1705に割り当てられており、ともに分類結果のランクはAとなっている。しかし、これらのノードは、上位ノードの不良率の値と比較すると不良率に対する影響が大きく、“1800 SU−01”の状態を改善することで、ノード1704およびノード1705で分類されるウェハの不良率を改善する余地があることを示している。
On the other hand, “1800 SU-01” ranked sixth in the table of FIG. 16 has a low average defect rate of 0.862 but a high evaluation value of 0.944. . In FIG. 17, this manufacturing facility is assigned to
このように、決定木分析手法では、決定木状(樹形状)の最上位ノードからある下位ノードiまでたどった際に、各のノードで表される条件で分析対象となるウェハを分類した場合の品質特性の低下の割合(例えば、ウェハ不良率)をaとする。例えば、最上位ノードから順に工程Aの担当設備A1、…、工程Eの担当設備E3が割り当てられている場合、全ウェハに対して工程A=設備A1、…、工程E=設備E3という条件で絞り込んだ場合の不良率はaとなる。さらに、下位ノードiから一段下のノード(i+1)までたどった際の不良率をbとすると、上記式(5)を用いることで不良率bそのものではなく、ノードiまでの条件で絞り込まれたウェハの不良率aに対して、条件としてノード(i+1)を加えることで相対的にどれだけ不良率が増加したかを算出することができる。この計算によって、そのノード(i+1)が原因で不良率が増加しているのか、それともより上位のノードの累計で不良率が悪化しているのかがわかる。 In this way, in the decision tree analysis method, when tracing from the highest node of the decision tree (tree shape) to a lower node i, the wafer to be analyzed is classified under the conditions represented by each node. The rate of deterioration of quality characteristics (for example, the wafer defect rate) is a. For example, when the assigned equipment A1 for the process A,..., The assigned equipment E3 for the process E are allocated in order from the highest node, the process A = equipment A1,. The defective rate when narrowed down is a. Furthermore, if the failure rate when tracing from the lower node i to the next lower node (i + 1) is b, the above equation (5) is used to narrow down the conditions to the node i, not the failure rate b itself. By adding node (i + 1) as a condition to the wafer defect rate a, it is possible to calculate how much the defect rate has increased. By this calculation, it can be seen whether the failure rate is increased due to the node (i + 1) or whether the failure rate is deteriorated by the cumulative number of higher nodes.
決定木分析では、ある条件(ここでは、製造設備)が複数のノードに表れることを制限してはいない。したがって、最上位のノードからある下位のノードまでのルート上に現れた設備が、最上位のノードから上記全く異なるルート上に現れることもある。そこで、上記のような相対的な不良率の増加の割合を、各ルート上の同一の設備で平均することで、その設備がウェハ全体に対してどれだけ悪影響を与えているかを算出し、それに基づいて各設備の異常可能性を順位付けしたものが図16である。 The decision tree analysis does not restrict a certain condition (in this case, a manufacturing facility) from appearing at a plurality of nodes. Therefore, equipment that appears on the route from the highest node to a certain lower node may appear on the completely different route from the highest node. Therefore, the average rate of increase in the relative defect rate as described above is averaged for the same equipment on each route to calculate how much the equipment has an adverse effect on the entire wafer. FIG. 16 shows the ranking of the possibility of abnormality of each facility based on the ranking.
つまり、決定木分析手法を用いてデータの解析を行えば、異常事象分類部108によって分類された製造設備の経路において、ある製造設備の品質低下に与える影響が当該経路内の他の製造設備と比較してどの程度大きいか(あるいは、小さいか)という相対値を知ることができる。そして、一つの製造設備について各経路における上記相対値を平均することで、当該製造設備の品質低下に与える影響度(例えば、図16に示す評価値)を算出することができる。
In other words, if data is analyzed using the decision tree analysis technique, the influence on the quality deterioration of a certain manufacturing facility in the path of the manufacturing facility classified by the abnormal
以上のように、異常設備評価部109は品質特性低下の原因と推定される製造設備の評価を行い、異常設備を推定する。作成された決定木と各製造設備の評価値およびその他の情報は、ネットワーク205を通じて表示用端末110に送信され、解析者は自由に閲覧することができる。
As described above, the abnormal
このように、本実施の形態にかかる異常設備推定装置によれば、履歴DB102および品質DB103から作成した解析データに対して異常事象分類部108が多分岐の決定木分析を実施し、さらに異常設備評価部109によって決定木の各ノードに割り当てられた製造設備の評価を行う。従って、この異常設備推定装置によれば、決定木によって分類される個々の事象を総合的に判断して品質特性に大きな影響を持つ製造設備を正確に推定することができるので、製造システム内の製造設備に対して効果的かつ迅速な対策を実施することができる。
As described above, according to the abnormal equipment estimation apparatus according to the present embodiment, the abnormal
本実施の形態で用いる決定木分析では、上記のように、考えられる条件によって複数に分岐させる手法を採用しているが、本発明はこれに限定されるものではない。 In the decision tree analysis used in the present embodiment, as described above, a method of branching into a plurality according to possible conditions is adopted, but the present invention is not limited to this.
図18には、異常事象分類部108が二分岐による決定木分析を行う場合に作成される決定木の一例を示す。図18に示すように、ノード1801およびノード1802は、“工程(3300)=CA−03”という条件に合致するか否かでウェハを分類し、上記の条件に合致していればノード1801に分類され、上記の条件に合致していなければノード1802に分類される。このような決定木では、ノードの影響度は条件に合致する側のみ評価する。例えば、図18に示す決定木では、ノード1801は評価するが、ノード1802は評価しない。このような評価方法を用いることで、処理時間を短縮することができる。
FIG. 18 shows an example of a decision tree created when the abnormal
また、本実施の形態にかかる異常設備推定装置200において、上記解析データ作成部106は、条件DB104に保存された規格値を用いて品質データのクラス分けを行っているが、本発明はこれに限定されるものではない。
Moreover, in the abnormal
これ以外の方法として、解析データ作成部106がクラスタ分析などの手法を用いて自動的に品質データを行うことも可能である。クラスタ分析については、様々な方法が提案されているが、その一例としてK−means法を用いたランク分けの処理の流れを図19に示す。
As another method, the analysis
K−means法を用いてデータをK個のランクに分ける場合、まず適当なデータをランクi(1≦i≦K)の中心Viに設定する(ステップS1901)。次に、各データとViとの距離を計算し、最も近い中心Viを持つランクiにデータを割り当て(ステップS1902)、各ランクに割り当てられたデータの平均値Ciをランクごとに計算する(ステップS1903)。最後に、ランクiの中心Viと平均Ciとを比較し(ステップS1904)、ViとCiとが同じ値であればランク分けを決定し、違う値であれば平均Ciを新たな中心ViとしてステップS1902以降の処理を繰り返す。 When dividing the data by using a K-means clustering method into K rank, it sets a first appropriate data to the central V i of rank i (1 ≦ i ≦ K) ( step S1901). Next, the distance between each data and V i is calculated, the data is assigned to the rank i having the closest center V i (step S1902), and the average value C i of the data assigned to each rank is calculated for each rank. (Step S1903). Finally, the center V i of rank i is compared with the average C i (step S1904). If V i and C i are the same value, the ranking is determined. If the values are different, the average C i is newly set. The processing from step S1902 onward is repeated for the center V i .
このように、解析データに対してクラスタ分析を行うことで、条件DB104内に規格値を設けることなくデータを品質特性の分布に合わせて分類することができ、規格値が定められていない品質特性にも本発明にかかる異常設備推定を適用することができる。また、この手法によれば解析データ内の品質特性の分布に合わせて自動的にランクの閾値を変化させるので、規格値を設けた場合と比較して、品質特性値の特徴をより明確に表したクラス分けを行うことができる。そのため、データ解析部107におけるデータ解析の精度をより向上させることができる。
In this way, by performing cluster analysis on the analysis data, the data can be classified according to the distribution of quality characteristics without providing standard values in the
上記クラスタ分析の手法としては、K−means法に限定されることなく、Fuzzy−c−means法、LVQ法などのニューラルネットワークを利用した手法など、種々の手法を用いることができる。 The cluster analysis method is not limited to the K-means method, and various methods such as a method using a neural network such as a Fuzzy-c-means method and an LVQ method can be used.
本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。すなわち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。 The present invention is not limited to the above-described embodiments, and various modifications can be made within the scope shown in the claims. That is, embodiments obtained by combining technical means appropriately modified within the scope of the claims are also included in the technical scope of the present invention.
最後に、異常設備推定装置200の各ブロック、特に解析データ作成部106およびデータ解析部107は、ハードウェアロジックによって構成してもよいし、次のようにCPUを用いてソフトウェアによって実現してもよい。
Finally, each block of the abnormal
すなわち、異常設備推定装置200は、各機能を実現する制御プログラムの命令を実行するCPU(central processing unit)、上記プログラムを格納したROM(read only memory)、上記プログラムを展開するRAM(random access memory)、上記プログラムおよび各種データを格納するメモリ等の記憶装置(記録媒体)などを備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアである異常設備推定装置200の異常設備推定プログラムのプログラムコード(実行形式プログラム、中間コードプログラム、ソースプログラム)をコンピュータで読み取り可能に記録した記録媒体を、上記異常設備推定装置200に供給し、そのコンピュータ(またはCPUやMPU)が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。
That is, the abnormal
上記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ系、フロッピー(登録商標)ディスク/ハードディスク等の磁気ディスクやCD−ROM/MO/MD/DVD/CD−R等の光ディスクを含むディスク系、ICカード(メモリカードを含む)/光カード等のカード系、あるいはマスクROM/EPROM/EEPROM/フラッシュROM等の半導体メモリ系などを用いることができる。 Examples of the recording medium include a tape system such as a magnetic tape and a cassette tape, a magnetic disk such as a floppy (registered trademark) disk / hard disk, and an optical disk such as a CD-ROM / MO / MD / DVD / CD-R. Card system such as IC card, IC card (including memory card) / optical card, or semiconductor memory system such as mask ROM / EPROM / EEPROM / flash ROM.
また、異常設備推定装置200を通信ネットワークと接続可能に構成し、上記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークとしては、特に限定されず、例えば、インターネット、イントラネット、エキストラネット、LAN、ISDN、VAN、CATV通信網、仮想専用網(virtual private network)、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、通信ネットワークを構成する伝送媒体としては、特に限定されず、例えば、IEEE1394、USB、電力線搬送、ケーブルTV回線、電話線、ADSL回線等の有線でも、IrDAやリモコンのような赤外線、Bluetooth(登録商標)、802.11無線、HDR、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお、本発明は、上記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。
Moreover, the abnormal
本発明によれば、様々な工業製品の製造システムにおいて効率的な生産管理を行うことができるため、生産技術の分野において有効に利用することができる。 According to the present invention, since efficient production management can be performed in various industrial product manufacturing systems, it can be effectively used in the field of production technology.
101 解析サーバ
102 履歴DB(履歴情報取得手段)
103 品質DB(品質情報取得手段)
104 条件DB
105 データ登録部(履歴情報取得手段・品質情報取得手段)
106 解析データ作成部(データ作成手段)
107 データ解析部(分類手段・推定手段)
108 異常事象分類部(分類手段)
109 異常設備評価部(推定手段)
110 表示用端末
200 異常設備推定装置
201 製造システム
203 製造設備
101
103 Quality DB (quality information acquisition means)
104 Condition DB
105 Data registration unit (history information acquisition means / quality information acquisition means)
106 Analysis data creation unit (data creation means)
107 Data analysis unit (classification / estimation)
108 Abnormal event classification part (classification means)
109 Abnormal equipment evaluation section (estimating means)
DESCRIPTION OF
Claims (8)
上記製造システムにおいて製造された製品の識別情報とその製品の品質検査結果とが対応付けられた品質情報を当該製造システムから取得する品質情報取得手段と、
製品の識別情報とその製品の製造時に各工程を担当した製造設備の識別情報とが対応付けられた履歴情報を上記製造システムから取得する履歴情報取得手段と、
上記製品の識別情報ごとに品質検査結果と製造設備の識別情報とを対応付けた解析データを作成するデータ作成手段と、
上記解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質検査結果のばらつきが小さくなるものから順に選択して、解析データを製造設備ごとの解析データ群に順次分類していく分類手段と、
上記分類手段によって分類された解析データ群に含まれる各品質検査結果の平均値を算出し、分類された各解析データ群における上記平均値を互いに比較することによって、各製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定する推定手段と、を備えることを特徴とする異常設備推定装置。 In a manufacturing system that includes a plurality of processing steps and that includes a plurality of manufacturing facilities that perform the same processing, and that uses each of the plurality of manufacturing facilities to manufacture a product for each processing step. An abnormal equipment estimation device for estimating a production equipment that causes a reduction in product quality,
Quality information acquisition means for acquiring, from the manufacturing system, quality information in which identification information of a product manufactured in the manufacturing system is associated with a quality inspection result of the product;
History information acquisition means for acquiring history information associated with identification information of a product and identification information of a manufacturing facility in charge of each process at the time of manufacturing the product from the manufacturing system;
Data creation means for creating analysis data in which the quality inspection result and the identification information of the manufacturing equipment are associated with each other for the identification information of the product;
When the above analysis data is classified for each manufacturing facility, the analysis data is sequentially sorted into analysis data groups for each manufacturing facility by selecting in descending order of variation in the quality inspection results in the classified analysis data. Classification means to go,
The average value of each quality inspection result included in the analysis data group classified by the classification means is calculated, and the respective average values in each classified analysis data group are compared with each other, so that each manufacturing facility gives quality degradation. An abnormal equipment estimation device comprising: an estimation unit that calculates an influence degree and estimates a manufacturing equipment that causes a reduction in product quality.
上記推定手段は、上記分類手段によって作成された決定木の下位ノードによる分類が、その上位ノードによる分類に与える影響度を算出することによって、各ノードに割り当てられた製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定することを特徴とする請求項1に記載の異常設備推定装置。 The classification means classifies the analysis data using a decision tree analysis technique, using the quality information as an objective variable and the history information as an explanatory variable,
The estimation means calculates the influence of the classification by the lower node of the decision tree created by the classification means on the classification by the higher node, thereby determining the influence of the manufacturing equipment assigned to each node on the quality degradation. The abnormal equipment estimation apparatus according to claim 1, wherein a manufacturing equipment that causes a reduction in product quality is estimated.
上記推定手段は、下位ノードによって分類されるデータの数、上記下位ノードによって分類されるデータにおける上記評価値の平均値、および、上位ノードによって分類されるデータの上記評価値の平均値ならびに標準偏差に基づいて、上記下位ノードの上記上位ノードに対する影響度を算出することを特徴とする請求項2に記載の異常設備推定装置。 The quality inspection result is an evaluation value for arbitrary quality,
The estimation means includes the number of data classified by the lower node, the average value of the evaluation values in the data classified by the lower node, and the average value and standard deviation of the evaluation values of the data classified by the upper node The abnormal equipment estimation apparatus according to claim 2, wherein the degree of influence of the lower node on the upper node is calculated based on the above.
品質情報取得手段が、上記製造システムにおいて製造された製品の識別情報とその製品の品質検査結果とが対応付けられた品質情報を当該製造システムから取得する品質情報取得ステップと、
履歴情報取得手段が、製品の識別情報とその製品の製造時に各工程を担当した製造設備の識別情報とが対応付けられた履歴情報を上記製造システムから取得する履歴情報取得ステップと、
データ作成手段が、上記製品の識別情報ごとに検査結果と製造設備の識別情報とを対応付けた解析データを作成するデータ作成ステップと、
分類手段が、上記解析データを製造設備ごとに分類した場合に、分類された解析データ中の各品質結果のばらつきが小さくなるものから順に選択して、解析データを製造設備ごとの解析データ群に順次分類していく分類ステップと、
推定手段が、上記分類ステップによって分類された解析データ群に含まれる各品質検査結果の平均値を算出し、分類された各解析データ群における上記平均値を互いに比較することによって、各製造設備が品質低下に与える影響度を算出して、製品の品質低下の原因となる製造設備を推定する推定ステップと、を含んでなることを特徴とする異常設備推定方法。 In a manufacturing system that includes a plurality of processing steps and that includes a plurality of manufacturing facilities that perform the same processing, and that uses each of the plurality of manufacturing facilities to manufacture a product for each processing step. An abnormal facility estimation method in an abnormal facility estimation device for estimating a production facility that causes a reduction in product quality,
A quality information acquisition step in which quality information acquisition means acquires, from the manufacturing system, quality information in which identification information of a product manufactured in the manufacturing system and a quality inspection result of the product are associated with each other;
A history information acquisition step in which history information acquisition means acquires from the manufacturing system history information in which identification information of a product and identification information of a manufacturing facility in charge of each process at the time of manufacturing the product are associated;
A data creation step for creating analysis data in which the data creation means associates the inspection result with the identification information of the manufacturing equipment for each identification information of the product;
Classification means, when classifying the analyzed data for each manufacturing facility, from which the variation of the quality results in classified analysis data is reduced by choosing, the analysis data set for each manufacturing facility analysis data A classification step to sequentially classify,
The estimation means calculates the average value of each quality inspection result included in the analysis data group classified by the classification step, and compares the average value in each classified analysis data group with each other, so that each manufacturing facility An abnormal facility estimation method comprising: an estimation step of calculating an influence on quality degradation and estimating a production facility that causes a product quality degradation.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005141904A JP4772377B2 (en) | 2005-05-13 | 2005-05-13 | Abnormal equipment estimation device, abnormal equipment estimation method, abnormal equipment estimation program, and recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005141904A JP4772377B2 (en) | 2005-05-13 | 2005-05-13 | Abnormal equipment estimation device, abnormal equipment estimation method, abnormal equipment estimation program, and recording medium |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006319220A JP2006319220A (en) | 2006-11-24 |
JP4772377B2 true JP4772377B2 (en) | 2011-09-14 |
Family
ID=37539602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005141904A Expired - Fee Related JP4772377B2 (en) | 2005-05-13 | 2005-05-13 | Abnormal equipment estimation device, abnormal equipment estimation method, abnormal equipment estimation program, and recording medium |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4772377B2 (en) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6794283B2 (en) * | 2017-01-30 | 2020-12-02 | 三菱重工航空エンジン株式会社 | Production process analyzer and production control system using it |
JP7077553B2 (en) | 2017-09-21 | 2022-05-31 | 富士フイルムビジネスイノベーション株式会社 | Quality control equipment |
JP2019061598A (en) * | 2017-09-28 | 2019-04-18 | Heroz株式会社 | Production management device and production management method |
JP6871877B2 (en) | 2018-01-04 | 2021-05-19 | 株式会社東芝 | Information processing equipment, information processing methods and computer programs |
CN111954855B (en) * | 2018-04-19 | 2024-05-14 | 三菱电机株式会社 | Device and method for determining abnormal equipment and computer equipment |
JP7080841B2 (en) * | 2019-03-15 | 2022-06-06 | 株式会社東芝 | Estimator, display controller, estimation system, estimation method, program, and storage medium |
CN111487075B (en) * | 2020-04-24 | 2022-10-11 | 三一石油智能装备有限公司 | Fault detection method, device, equipment and medium for construction equipment |
CN112395178B (en) * | 2020-11-18 | 2022-09-30 | 河南辉煌城轨科技有限公司 | Equipment fault prediction method |
CN117114716A (en) * | 2023-08-30 | 2023-11-24 | 深圳市嘉之宏电子有限公司 | Information tracing method, system, terminal equipment and storage medium |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000198051A (en) * | 1998-12-29 | 2000-07-18 | Matsushita Electric Ind Co Ltd | Device for and method of extracting abnormality of facility flow, and storage medium recorded with program for extracting abnormality from facility flow |
JP2002323924A (en) * | 2001-02-21 | 2002-11-08 | Toshiba Corp | Method and device for detecting defective device, program, and method for manufacturing product |
JP2002324206A (en) * | 2001-04-25 | 2002-11-08 | Fujitsu Ltd | Data analyzing method and its device |
JP2004086897A (en) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | Method and system for constructing model |
-
2005
- 2005-05-13 JP JP2005141904A patent/JP4772377B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2006319220A (en) | 2006-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4772377B2 (en) | Abnormal equipment estimation device, abnormal equipment estimation method, abnormal equipment estimation program, and recording medium | |
Friedler et al. | A comparative study of fairness-enhancing interventions in machine learning | |
US9268674B1 (en) | System, method, and computer program for monitoring testing progress of a software testing project utilizing a data warehouse architecture | |
CN112241494B (en) | Key information pushing method and device based on user behavior data | |
CN102667775B (en) | Method for training and using a classification model with association rule models | |
JP2009021348A (en) | Fault factor identification method and system, program for making computer execute above fault factor identification method, and recording medium in which above program is recorded, capable of being read by computer | |
KR102069377B1 (en) | Predictive Diagnosis Apparatus For Complex Defect of Nuclear Power Plant by Machine Learning | |
JP5391637B2 (en) | Data similarity calculation system, data similarity calculation method, and data similarity calculation program | |
US20130268288A1 (en) | Device, method, and program for extracting abnormal event from medical information using feedback information | |
US20130166572A1 (en) | Device, method, and program for extracting abnormal event from medical information | |
KR20180013102A (en) | Method for evaluating credit rating, and apparatus and computer-readable recording media using the same | |
CN112685276A (en) | User contact point failure analysis method in service-oriented design process | |
Kazemi et al. | Quality control and classification of steel plates faults using data mining | |
CN114757495A (en) | Membership value quantitative evaluation method based on logistic regression | |
WO2022059135A1 (en) | Error cause estimation device and estimation method | |
JP2007122682A (en) | Method and system for extracting product similar to failure product | |
JP2006318316A (en) | Quality monitoring apparatus, method and program, and computer readable recording medium | |
CN114092216A (en) | Enterprise credit rating method, apparatus, computer device and storage medium | |
Rodpysh | Model to predict the behavior of customers churn at the industry | |
JP5566616B2 (en) | Characteristic analysis apparatus, program for causing computer to execute characteristic analysis method, and computer-readable recording medium recording the program | |
Chaurasia et al. | Housing price prediction model using machine learning | |
CN110990236A (en) | SaaS software performance problem recognition method based on hidden Markov random field | |
Adipraja et al. | Prediction of per-batch yield rates in production based on maximum likelihood estimation of per-machine yield rates | |
Turkoglu et al. | Application of data mining in failure estimation of cold forging machines: An industrial research | |
CN117555501B (en) | Cloud printer operation and data processing method based on edge calculation and related device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070822 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110412 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20110414 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110602 |
|
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: 20110621 |
|
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: 20110622 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140701 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |