KR101019459B1 - 결함 진단을 위한 분류된 결함 시그니처들 - Google Patents

결함 진단을 위한 분류된 결함 시그니처들 Download PDF

Info

Publication number
KR101019459B1
KR101019459B1 KR1020087029785A KR20087029785A KR101019459B1 KR 101019459 B1 KR101019459 B1 KR 101019459B1 KR 1020087029785 A KR1020087029785 A KR 1020087029785A KR 20087029785 A KR20087029785 A KR 20087029785A KR 101019459 B1 KR101019459 B1 KR 101019459B1
Authority
KR
South Korea
Prior art keywords
fault
defect
signature
relative contribution
signatures
Prior art date
Application number
KR1020087029785A
Other languages
English (en)
Other versions
KR20090007484A (ko
Inventor
린 제리 주니어 할베이
알렉산더 티. 쉬밤
Original Assignee
어플라이드 머티어리얼스, 인코포레이티드
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 어플라이드 머티어리얼스, 인코포레이티드 filed Critical 어플라이드 머티어리얼스, 인코포레이티드
Publication of KR20090007484A publication Critical patent/KR20090007484A/ko
Application granted granted Critical
Publication of KR101019459B1 publication Critical patent/KR101019459B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Or Security For Electrophotography (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

결함들을 진단하기 위한 방법 및 장치가 개시된다. 결함이 검출된다. 결함에 기여한 하나 이상의 프로세스 변수들이 결정된다. 하나 이상의 프로세스 변수들 각각의 상대적 기여도가 결정된다. 결함 시그니처들이 결함과 매칭되는지에 대한 결정이 이루어지고, 하나 이상의 프로세스 변수들의 상대적 기여도들이 매칭 결함 시그니처의 상대적 기여도 범위들 내에 있을 때 매칭이 이루어진다. 각각의 결함 시그니처는 적어도 하나의 결함 클래스와 연관된다.

Description

결함 진단을 위한 분류된 결함 시그니처들{RANGED FAULT SIGNATURES FOR FAULT DIAGNOSIS}
본 출원은 2006년 5월 7일자로 제출된 가출원번호 제60/746,649호 및 2006년 5월 7일자로 제출된 가출원번호 제60/746,647호를 우선권으로 청구한다.
본 발명의 실시예들은 결함 진단에 관한 것으로서, 보다 구체적으로는 분류된 결함 시그니처들(ranged fault signatures)을 이용하는 결함 진단에 관한 것이다.
많은 산업들에서 다수의 센서들과 제어부들을 포함하는 지능화된 제조 설비가 사용되고 있고, 각각의 센서와 제어부는 제품 품질을 보장하기 위해 처리 동안 신중하게 모니터링될 수 있다. 다수의 센서들과 제어부들을 모니터링하는 한가지 방법은 결함들의 자동 검출 및/또는 진단을 가능하게 하는 통계적 프로세스 모니터링(센서 측정치들과 프로세서 제어값들(프로세스 변수들)에 통계적 분석을 수행하는 수단)이다. "결함"은 제조 설비의 오작동(malfunction) 또는 조절불량(maladjustment)일 수 있거나(예, 의도된 값들과 기계의 작동 파라미터들의 편차), 긴급한 오작동 또는 조절불량을 방지하기 위해 예방적인 유지보수가 필요하다는 표시일 수 있다. 결함들은 제조되는 장치들에 결함들을 생성할 수 있다. 따라 서, 통계적 프로세스 모니터링의 한가지 목적은 그러한 결함들을 생성하기 이전에 결함들을 검출 및/또는 진단하는 것이다.
프로세스 모니터링 동안, 모델 계측량(metric)이 각각의 신뢰도 임계치를 초과하도록 하기에 충분히 큰 양만큼 최근 프로세스 데이터의 하나 이상의 통계치가 통계 모델로부터 벗어날 때 결함이 검출된다. 모델 계측량은 그 값이 실제 프로세스 모니터링 동안 수집된 프로세스 데이터의 통계적 특성들과 모델에 의해 예측된 통계적 특성들 사이의 편차 크기를 나타내는 스칼라 수이다. 각각의 모델 계측은 이러한 편차를 추정하는 고유한 수학적 방법이다. 종래의 모델 계측들은 스퀘어드 예측 에러(Squared Prediction Error)(통상, SPE, Qres 또는 Q로 지칭됨), 및 Hotelling의 T2(T2)를 포함한다.
각각의 모델 계측량은 신뢰도 제한치 또는 제어 제한치로도 지칭되는 각각의 신뢰도 임계치를 갖고, 그 값은 모델 계측량의 허용가능한 상한을 나타낸다. 모델 계측량이 프로세스 모니터링 동안 각각의 신뢰도 임계치를 초과하면, 프로세스 데이터가 결함 때문에 이상 통계치들을 갖는다고 추정될 수 있다.
결함들이 검출되면, 결함들은 각각의 프로세스 변수의 상대적 결함 기여도를 추정함으로써 진단된다. 몇몇 결함들은 단일 프로세스 변수와 간단한(예, 직접적인) 상관관계를 갖지 않기 때문에 진단하기가 어렵다. 다중 프로세스 변수들에 대해 복합적 및/또는 간접적 상관관계들을 갖는 결함들은 특히 진단하기가 어려울 수 있다.
결함들을 진단하는 종래의 방법들은 일반적으로 결함이 분류되기 이전에 결 함의 다중 발생도들을 요구한다. 이는 다중 프로세스 변수들에 대한 복합적 상관관계들을 갖는 결함들을 분류하는데 문제가 될 수 있다.
결함들을 진단하기 위한 방법 및 장치가 본 발명에서 기술된다. 일 실시예에서, 결함이 검출된다. 결함에 기여된 하나 이상의 프로세스 변수들이 식별된다. 프로세스 변수는 제어 제한치를 벗어나는 측정값을 갖는 경우 결함에 기여할 수 있다. 하나 이상의 프로세스 변수들 각각의 상대적 기여도(relative contribution)가 결정된다. 상대적 기여도들은 정규화될 수 있고 정렬된 리스트로 배열될 수 있으며, 그 순서는 결함 기여도의 크기를 기초로 한다. 검출된 결함과 매칭되는 결함 시그니처가 결정된다. 일 실시예에서, 식별된 프로세스 변수들이 매칭 결함 시그니처의 상대적 기여도 범위들 내에 있으면, 결함 시그니처가 검출된 결함과 매칭된다. 각각의 결함 시그니처들은 특정 결함 원인을 식별하는 적어도 하나의 결함 클래스와 연관될 수 있다.
본 발명은 첨부된 도면들에서 예로서 도시되며, 제한적이지 않다.
도 1은 통계적 프로세스 모니터링 시스템의 일 실시예를 도시한다.
도 2는 결함 클래스들을 생성하는 방법에 대한 일 실시예의 흐름도를 도시한다.
도 3은 결함 시그니처들을 이용함으로써 결함들을 진단하는 방법에 대한 일 실시예의 흐름도를 도시한다.
도 4는 결함 시그니처들을 이용하는 진단 방법에 대한 다른 실시예의 흐름도를 도시한다.
도 5는 결함 시그니처들을 이용함으로써 결함들을 진단하는 방법에 대한 또 다른 실시예의 흐름도를 도시한다.
도 6은 본 발명에서 논의되는 임의의 하나 이상의 방법들을 기계가 수행하도록 하기 위한 명령들의 세트가 실행될 수 있는 예시적인 형태의 컴퓨터 시스템의 기계를 나타내는 개략도를 도시한다.
이하의 상세한 설명에서, 많은 세부사항들이 기술된다. 그러나, 본 발명은 이러한 특정 세부사항들 없이 실시될 수 있다는 것은 통상의 당업자에게 명백할 것이다. 몇몇 예들에서, 공지된 구조들과 장치들은 본 발명을 방해하지 않기 위해, 상세히 기술되지 않고 블럭도 형태로 도시된다.
이하의 상세한 설명의 일부분들은 컴퓨터 메모리 내의 데이터 비트들의 동작들의 심볼 표시들과 알고리즘들에 의해 나타낸다. 이러한 알고리즘 설명들과 표현들은 통상의 당업자에게 이들의 작업의 실체를 가장 효과적으로 전달하기 위해 데이터 처리 기술의 당업자에 의해 사용되는 수단이다. 알고리즘은 일반적으로 목표된 결과를 유도하는 단계들의 자체-일관된 시퀀스(self-consistent sequence)가 되도록 안출된다. 단계들은 물리적 양들의 물리적 조작들을 요구하는 것들이다. 일반적으로, 필수적이진 않지만, 이러한 양들은 저장, 전달, 조합, 비교 및 조작될 수 있는 전기적 또는 자기적 신호들의 형태를 갖는다. 원칙적으로 공통적인 사용 을 위하여, 종종 비트들, 값들, 구성요소들, 심볼들, 문자들, 용어들, 수 등으로서 이러한 신호들을 지칭하는 것이 편리한 것으로 입증되었다.
그러나, 이러한 용어들 및 유사한 용어들은 모두 적절한 물리적 양들과 연관되고, 이러한 양들에 적용되는 편의적인 라벨들이라는 점을 유의해야 한다. 이하의 논의로부터 명백해지는 것처럼 특별히 반대로 기술되지 않는 한, 본 상세한 설명에 걸쳐서, "처리(processing)", "컴퓨팅", "계산", "결정", "디스플레이" 등과 같은 용어들을 사용하는 설명들은 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치의 조치들 및 프로세스들을 지칭하고, 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치는 컴퓨터 시스템의 레지스터들과 메모리들 내의 물리적(예, 전자) 양들로서 나타낸 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장, 전송 또는 디스플레이 장치들 내의 물리적 양들로서 유사하게 나타낸 다른 데이터로 조작 및 변환한다는 것을 고려한다.
본 발명은 또한 본 발명의 동작들을 수행하기 위한 장치에 관한 것이다. 이러한 장치는 요구되는 목적들을 위해 특수하게 구성될 수 있거나, 컴퓨터 내에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화 또는 리컨피규어되는(reconfigured) 범용 컴퓨터를 포함할 수 있다. 그러한 컴퓨터 프로그램은 이에 제한됨이 없이, 플로피 디스크, 광학 디스크, CD-ROM, 및 광자기 디스크를 포함하는 임의의 타입의 디스크, 리드-온리 메모리(ROM), 랜덤 액세스 메모리(RAM), EPROM, EEPROM, 자기 또는 광학 카드, 또는 전자 명령들을 저장하기 위해 적합한 임의의 타입의 매체와 같은, 컴퓨터 판독가능한 저장 매체에 저장될 수 있다.
본 발명에서 나타낸 알고리즘들과 디스플레이들은 본질적으로 임의의 특정 컴퓨터 또는 다른 장치에 관련된 것이 아니다. 다양한 범용 시스템들에 본 발명의 특징들에 따른 프로그램들이 사용될 수 있거나, 요구되는 방법 단계들을 수행하기 위해 보다 특수화된 장치를 구성하는 것이 편의적일 수 있다. 다양한 이러한 시스템들을 위해 요구되는 구조는 이하의 상세한 설명으로부터 명백할 것이다. 또한, 본 발명은 임의의 특정 프로그래밍 언어를 참조하여 기술되지 않는다. 다양한 프로그래밍 언어들이 본 발명에서 기술되는 바와 같은 본 발명의 특징들을 구현하는데 사용될 수 있음을 고려해야 할 것이다.
기계-판독가능한 매체는 기계(예, 컴퓨터)에 의해 판독가능한 형태로 정보를 저장 또는 전송하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 기계-판독가능한 매체는 기계 판독가능한 저장 매체(예, 리드 온리 메모리("ROM"), 랜덤 액세스 메모리("RAM"), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 소자들 등), 기계 판독가능한 전송 매체(전기적, 광학, 음향 또는 다른 형태의 전파 신호들(예, 반송파들, 적외선 신호들, 디지털 신호들 등)) 등을 포함한다.
이하의 상세한 설명은 결함들(제조 불규칙들)을 검출 및/또는 진단하기 위해 제조 장치들에서 실행되는 프로세스들을 모니터링하는 통계 프로세스 모니터링 시스템의 세부사항들을 제공한다. 일 실시예에서, 통계 프로세스 모니터링 시스템은 전자 소자들(예, 반도체들)의 제조에 사용하기 위한 것이다. 그러한 소자들의 제조는 일반적으로 상이한 타입들의 제조 프로세스들을 포함하는 수십개의 제조 단계들을 요구한다. 예를 들어, 식각, 스퍼터링, 및 화학 기상 증착은 3가지 상이한 타입들의 프로세스들로서, 각각의 프로세스는 상이한 타입들의 기계들에서 수행된다. 대안적으로, 통계 프로세스 모니터링 시스템은 자동차와 같은 다른 제품들의 제조를 모니터링하는데 사용될 수 있다. 또한, 그러한 다른 제품들의 제조는 다양한 제조 기계들에 의해 많은 상이한 프로세스 단계들을 요구할 수 있다.
도 1은 통계 프로세스 모니터링 시스템(100)의 일 실시예를 도시한다. 통계 프로세스 모니터링 시스템(100)은 데이터 통신 링크들(160)에 의해 하나 이상의 제조 기기들(110)와 하나 이상의 프로세스 제어기들(150)에 결합된 통계 프로세스 모니터링 장치(105)를 포함한다. 통계 프로세스 모니터링 시스템(100)은 팩토리에 있는 모든 제조 기기들(110)(예, 제조 설비)을 포함할 수 있다. 대안적으로, 통계 프로세스 모니터링 시스템(100)은 하나 이상의 특정 프로세스들을 실행하는 모든 제조 기기들(110)과 같은, 팩토리에 있는 일부 제조 기기들(110)만을 포함할 수 있다.
일 실시예에서, 각각의 제조 기기(110)는 식각기들, 화학 기상 증착(CVD) 퍼니스(furnaces), 포토리소그래피 장치들, 주입기들 등과 같은 전자 소자들의 제조를 위한 기기이다. 대안적으로, 제조 기기들(110)은 다른 제품들(예, 자동차들)을 제조하기 위한 타입일 수 있다. 일 실시예에서, 각각의 제조 기기(110)는 단일한 형태이다. 대안적으로, 제조 기기들(110)은 각각 상이한 프로세스들을 실행할 수 있는 다수의 상이한 타입들의 설비를 포함할 수 있다.
각각의 제조 기기들(110)은 제조 기기들(110)에서 실행되는 프로세스들을 모니터링하기 위한 다중 센서들을 포함할 수 있다. 제조 기기에 포함될 수 있는 한 가지 타입의 센서는 온도 센서이다. 다른 센서들의 예들은 압력 센서들, 유량 센서들, 또는 제조 프로세스의 물리적 조건들 또는 제조 기기들(110)에 의해 제조되는 반도체 소재(workpiece)의 물리적 특성들을 모니터링하는 임의의 다른 센서들을 포함한다.
제조 기기(110)에서 수행되는 각각의 제조 프로세스는 센서들에 의해 측정되는 다양한 물리적 조건들과 특성들, 및 프로세스 데이터로 공통으로 지칭되는 다양한 동작 파라미터들에 의해 특성화된다. 센서들에 의해 측정되는 각각의 개별 물리적 조건 또는 특성, 및 각각의 동작 파라미터는 프로세스 데이터의 개별 프로세스 변수일 수 있다. 센서 데이터를 나타내는 프로세스 변수들의 예들은 챔버 압력, 서셉터 온도, RF 순방향 전력, 및 RF 반사 전력을 포함한다. 동작 파라미터들을 나타내는 프로세스 변수들의 예들은 유속 설정들(예, 화학 반응제들의), 및 스로틀 밸브 설정들(예, 챔버 배기 진공 펌프)을 포함한다. 센서들, 제조 기기들 및 프로세스 제어기들은 연속적인 시간 지점들에서 프로세스 변수들을 수집하기 위해 프로세스 동안 모니터링될 수 있다.
일 실시예에서, 각각의 프로세스 변수는 특정 프로세스에 적용된다. 대안적으로, 하나 이상의 프로세스 변수들은 특정 프로세스의 일부분들에게만 적용될 수 있다. 일 실시예에서, 프로세스의 상이한 단계들에 대한 센서 측정치들과 동작 파라미터들은 개별 프로세스 변수들(모델 공간의 부가적인 차원들로서 모델링됨)을 나타낸다. 이는 예를 들어, 기계로 수행되는 제조 프로세스가 상이한 동작 파라미터 설정들을 가진 다중 단계들을 갖는 경우 유용할 수 있다. 예를 들어, 3 단계의 제조 프로세스에서, 3개 단계들 동안 서셉터 온도는 3개의 개별 프로세스 변수들로서 처리된다. 예를 들어, 단일 프로세스에서 반도체 소재 상에 다중 층들을 증착할 때, 또는 상이한 프로세스 단계들에서 반도체 소재가 상이한 프로세스 조건들(예, 압력, 온도 등)에 노출될 때, 모델 공간의 개별 차원들(dimensions)로 프로세스 단계들을 분할하는 것이 바람직할 수 있다.
프로세스 제어기들(150)은 제조 기기들(110)의 동작 파라미터들을 제어한다. 예를 들어, 프로세스 제어기들(150)은 제조 기기들(110)의 챔버 온도, 진공 펌프들, 가스 주입 시스템들 등을 제어할 수 있다. 프로세스 제어기들(150)은 하나 이상의 프로세스 방법들(recipes)(160)을 저장할 수 있다. 각각의 방법(160)은 프로세스의 각 단계에서 제조 기기(110)의 동작 파라미터들을 규정할 수 있다. 일 실시예에서, 방법들(160)은 프로세스 제어기들(150)에 의해 제조 기기들(110)에 로딩될 수 있다.
데이터 통신 링크들(160)은 종래의 통신 링크들을 포함할 수 있고, 유선 또는 무선일 수 있다. 제조 기기들(110), 프로세스 제어기들(150) 및 통계 프로세스 모니터링 장치(150) 간에 데이터가 원시(raw) 또는 처리 포맷으로 전송될 수 있다. 일 실시예에서, 반도체 설비 통신 표준(SECS) 인터페이스가 사용된다. 다른 실시예들에서, 제조 설비(GEM) 인터페이스, SECS/GEM 인터페이스, 고속 SECS 메시지 서비스(HSMS) 인터페이스 등의 통신 및 제어를 위한 포괄적 모델이 사용될 수 있다.
통계 프로세스 모니터링 장치(105)는 제조 기기들(110), 센서들(155), 및 프로세스 제어기들(150)로부터 입력 프로세스 데이터를 분석하는 단일 서버일 수 있 다. 대안적으로, 통계 프로세스 모니터링 장치(105)는 다중 서버들 및/또는 컴퓨터들을 포함할 수 있다. 일 실시예에서 통계 프로세스 모니터링 장치(105)는 결함 검출기(125), 결함 진단기(130) 및 결함 리포터(150)를 포함한다. 통계 프로세스 모니터링 장치(105)는 저장 장치(175)를 포함할 수도 있다. 일 실시예에서, 통계 프로세스 모니터링 장치(105)는 하나 이상의 프로세스 제어기들(150)에 포함된다. 대안적으로, 프로세스 모니터링 장치(105)는 개별적인 별도의 장치일 수 있다.
저장 장치(175)는 프로세스 측정 데이터베이스(120), 하나 이상의 다변수 통계 모델들(135), 및 결함 진단 데이터베이스(140)를 포함할 수 있다. 일 실시예에서, 저장 장치(175)는 통계 프로세스 모니터링 장치(105)의 컴퓨터 또는 서버의 단일 저장 장치이다. 대안적으로, 저장 장치(175)는 통계 프로세스 모니터링 장치(105) 외부에 있을 수 있다. 일 실시예에서, 저장 장치(175)는 다중 저장 장치들을 포함하고, 그 중 일부는 백업을 위해 데이터의 중복 복사본들(redundant copies)을 포함할 수 있다.
프로세스 측정 데이터(프로세스 데이터)는 프로세스 측정 데이터베이스(120)에 저장될 수 있다. 저장된 프로세스 데이터는 제조 기기들(10) 등에서 실행되는 프로세스들 동안 각각의 제조 기기들(110)에 대한 편차들과 추이들(trends)을 나타내는데 이용될 수 있다. 일 실시예에서, 저장된 프로세스 데이터는 이하에서 기술되는 것처럼, 하나 이상의 다변수 통계 모델들(135)을 생성하는데 사용된다. 생성되면, 다변수 통계 모델들(135)이 저장 장치(175)에 저장될 수 있다.
결함 진단 데이터베이스(140)는 이하에서 보다 상세히 기술되는 다중 결함 클래스들 및 결함 시그니처들을 포함한다. 일 실시예에서, 결함 진단 데이터베이스(140)는 관계형(relational) 데이터베이스이다. 예를 들어, 결함 진단 데이터베이스(140)는 결함 클래스들의 리스트를 저장하는 결함 클래스 테이블, 및 결함 시그니처들의 규정 특성들을 저장하는 관련 결함 시그니처들을 포함할 수 있다.
일 실시예에서, 트레이닝 주기는 하나 이상의 다변수 통계 모델들의 생성을 위해 데이터를 수집하는데 사용된다. 트레이닝 주기는 특정 제조 기기 또는 제조 기기들에서 공지된 및/또는 제어된 조건들 하에 완료되는 특정 제조 프로세스의 프로세스 실행들의 수집 동안 계속된다. 트레이닝 주기 동안 완료되는 프로세스 실행들로부터 수집된 프로세스 데이터는 평균, 분산(variance), 공분산 행렬 등과 같은 통계치들을 생성하는데 사용될 수 있다. 이러한 통계치들은 일반적으로 특정 기기에서 실행되는 특정 프로세스에 대해 하나 이상의 다변수 통계 모델들(135)을 생성하기 위해 공동으로 사용된다. 또한, 결함 시그니처들의 초기 세트는 트레이닝 주기 동안 수집된 프로세스 데이터를 기초로 생성되어 결함 진단 데이터베이스(140)에 부가될 수 있다. 결함 시그니처는 특정 결함 또는 결함들을 나타내는 프로세스 조건들의 특성이다. 결함 시그니처는 특정 결함 또는 결함들에 기여하는 프로세스 변수들을 포함하는 리스트, 테이블, 또는 데이터 구조일 수 있다.
일 실시예에서, 각각의 다변수 통계 모델은 단일 제조 기기에만 적용된다. 대안적으로, 제조 기기 타입의 2개 이상의 제조 기기들(110)로부터 프로세스 데이터가 누적되어 단일 결함 진단 모델(다변수 통계 모델)을 생성하고, 2개 이상의 제조 기기들에서 실행되는 하나 이상의 프로세스들에 적용될 수 있다. 더욱이, 제 1 제조 기기를 위해 개발된 결함 진단 모델은 동일한 타입(예, 동일 모델)의 제 2 기기에 적용될 수 있다.
각각의 다변수 통계 모델(135)은 하나 이상의 모델 계측량들을 포함할 수 있다. 모델 계측량들은 프로세스 데이터의 세트와 모델 사이의 편차량을 특성화하는 스칼라 값들이다. 일 실시예에서, 모델 계측량들은 스퀘어드 예측 에러(Squared Prediction Error)(통상, SPE, Qres 또는 Q로 지칭됨), 및 Hotellings T2를 포함한다. 또한, 모델 계측량들은 조합 다변수 인덱스(CMI)와 같은 조합된 계측량들을 포함할 수 있다. 각각의 이러한 계측량은 모니터링되는 프로세스 데이터가 모델을 형성하는데 사용된 트레이닝 데이터와 동일한 통계치들을 갖는 확률을 추정하는 상이한 방법이다. 전술한 통계치들과 계측량들은 종래의 통계 알고리즘들에 따라 계산될 수 있다.
하나 이상의 다변수 모델들은 M차원 프로세스 변수 공간을 상호 직교하는 주 성분들의 N차원 공간으로 변환하기 위해 주성분 분석(Principal Components Analysis: PCA)을 사용할 수 있고, 여기서 M은 프로세스 변수들의 개수이며 N은 M보다 훨씬 더 작다. PCA는 하나의 세트의 M 고유벡터들(eigenvectors)과 M 고유값들(eigenvalues)을 계산하고, 각각의 개별 고유벡터는 프로세스 변수 데이터를 주성분 공간의 각 차원으로 변환시키며, 각각의 고유값은 상응하는 고유벡터로 나타낸 분산량에 비례한다. 주성분 공간을 간략화하기 위해(그 차원을 감소시키기 위해), 가장 큰 N 고유값들에 상응하는 N 고유벡터들이 모델 내에 유지되고; 다른 고유벡터들은 폐기 또는 무시된다. 모델 내에 유지되는 주성분들의 수 N은 사용자에 의해 선택될 수 있는 모델의 파라미터이다. 주성분들의 수(N)는 보다 작은 N 값을 사용할 때 보다 적은 데이터 분산을 설명하는 모델 간의 트레이드오프(tradeoff)를 기초로 선택될 수 있고, 모델은 보다 큰 N 값을 사용할 때 오버-스펙(over-specified)된다.
하나 이상의 다변수 통계 모델들이 생성되면, 제조 기기들(110)의 프로세스 실행을 모니터링하기 위해 결함 검출기(125)에 의해 이용될 수 있다. 결함 검출기(125)는 다양한 통계 프로세스 모니터링 방법들을 실행함으로써 프로세스 데이터를 분석하고, 각각의 프로세스 모니터링 방법은 적어도 하나의 다변수 통계 모델을 기초로 한다. 일 실시예에서, 결함 검출기(125)는 제조 기기들(110), 센서들(155) 및/또는 프로세스 제어기들(150)로부터 직접 프로세스 측정 데이터(프로세스 데이터)를 수신한다. 다른 실시예에서, 결함 검출기(125)는 프로세스 측정 데이터베이스(120)로부터 프로세스 데이터를 수신할 수 있다. 또 다른 실시예에서, 결함 검출기(125)는 두 소스들로부터 프로세스 데이터를 수신한다.
결함들을 검출하기 위해, 결함 검출기(125)는 모니터링되는 프로세스들에 대한 프로세스 데이터의 통계치들을 계산하고, 계산된 통계치들을 적절한 다변수 통계 모델들의 상응하는 통계치들과 비교한다. 통계치들은 하나의 모델 계측량 또는 다중 모델 계측량들(예, T2, SPE, CMI)에 대해 비교될 수 있다. 하나 이상의 모델 계측량들이 미리 결정된 임계치(신뢰도 제한치 또는 제어 제한치로서 지칭됨)를 초과할 경우, 결함이 검출될 수 있다. 일 실시예에서, 각각의 모델 계측량은 사용자에 의해 선택된 임계값을 갖는다. 선택된 임계값은 결함 경보의 위험(임계값이 너 무 낮은 경우) 및 결함을 검출하는데 실패할 위험(임계값이 너무 높은 경우) 간에 절충을 나타낼 수 있다. 다중 계측량들이 계산되면, 계측량들 중 임의의 하나가 임계값들을 초과할 경우에 결함들이 유발될 수 있다. 대안적으로, 몇몇 결함들은 특정 계측량들이 임계값들을 초과할 경우에만 또는 다중 계측량들이 임계값들을 초과할 경우에만 유발될 수 있다.
결함이 결함 검출기(125)에 의해 식별되면, 결함 진단기(130)에 의해 결함이 분석된다. 결함 진단기(130)는 결함 진단 데이터베이스(140)에 저장된 결함 시그니처들의 집합과 결함을 비교한다. 각각의 결함 시그니처는 특정 결함 또는 결함들을 나타내는 프로세스 조건들을 나타낸다. 일 실시예에서, 결함 시그니처들은 특정 결함 또는 결함들에 대한 가장 큰 통계적 기여도를 갖는 프로세스 변수들의 랭킹된 리스트들이다. 프로세스 변수들은 이들의 각각의 기여도의 상대적 크기들의 순서로 랭킹될 수 있다. 대안적으로, 결함 시그니처들은 결함에 대한 통계적 기여도들을 기초로 프로세스 변수들을 랭킹하는, 테이블들, 트리들, 또는 다른 데이터 구조들을 포함할 수 있다. 결함 진단기(130)는 현재 결함에 대해 가장 큰 기여도들을 갖는 프로세스 변수들의 랭킹 리스트와 각각의 저장된 결함 시그니처를 비교할 수 있다. 결함 시그니처들 중 하나와 현재 결함 사이의 높은 유사도가 있을 때, 매칭이 리포팅된다.
각각의 결함 시그니처들은 결함 진단 데이터베이스(140)에 저장된 하나 이상의 결함 클래스들과 연관된다. 결함 클래스들은 현재 결함 또는 현재 결함의 상당한 원인(probable cause)을 형성한 실제 문제를 나타낼 수 있다. 예를 들어, 결함 시그니처가 가장 큰 기여 프로세스 변수가 실란 유속이었다고 나타내면, 결함 클래스는 실란을 챔버에 공급하는 밸브가 오작동했다는 것을 나타낼 수 있다.
결함 클래스들은 각각 결함 클래스를 공동으로 규정하는 하나 이상의 파라미터들을 포함한다. 일 실시예에서, 결함 클래스는 사용자에게 의미있도록 충분히 구체적으로 결함 클래스를 기술하는 단일 파라미터(예, 단일 데이터베이스 필드)를 포함한다. 다른 실시예에서, 결함 클래스는 예를 들어, 특정 기기, 기기 내의 특정 구성요소 등을 특정하는 다중 파라미터들을 포함한다. 예를 들어, 결함 클래스는 특정 제조 기기(110)의 세정을 필요로 하는 상부 챔버 라이너를 위한 것일 수 있다.
결함 리포터(165)는 어떤 결함 클래스 또는 결함 클래스들(145)이 현재 결함에 적용되는지를 나타내는 결함 리포트들을 생성한다. 결함 리포트들은 통계 프로세스 모니터링 장치(105)에 네트워킹된 하나 이상의 클라이언트(미도시)(예, 로컬 컴퓨터들, 원격지 컴퓨터들, 개인용 디지털 보조기들(PDAs), 페이저들, 휴대전화들 등)로 전송될 수 있다. 또한, 결함 리포터(165)는 제조 기기들(110)이 가동 중지되도록 하거나, 기기에 경보를 유발하거나, 다른 적절한 조치들을 유발할 수 있다.
도 2는 결함 클래스들을 생성하는 방법(200)에 대한 일 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(예, 처리 소자에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(200)은 도 1의 통계 프로세스 모니터링 장치(105)에 의해 수행된다.
도 2를 참조하면, 방법(200)은 결함을 나타내는 프로세스 데이터를 획득함으로써 시작된다(블럭 205). 프로세스 데이터는 하나 이상의 제조 기기들, 센서들, 프로세스 제어기들, 및 프로세스 측정 데이터베이스 중 하나 이상으로부터 획득될 수 있다. 프로세스 데이터는 예를 들어, 챔버 온도, 압력, 가스 유속 등을 포함할 수 있다. 프로세스 데이터는 예를 들어, 온도가 너무 높거나 너무 낮은 경우, 가스 유속들이 일정하지 않는 경우, 압력이 현재 프로세스에 요구되는 것과 상이할 경우 등에서 결함을 나타낼 수 있다. 프로세스 데이터는 트레이닝 주기 동안 또는 제조된 제품들의 실제 프로세스 모니터링 동안 수집될 수 있다. 결함은 프로세스 데이터를 생성하기 위해 의도적으로 유도될 수 있거나, 비의도적으로 결함이 생성될 수 있다. 일 실시예에서, 프로세스 데이터는 결함이 발생한 것이 발견되기 이전에 획득되고, 프로세스 데이터의 분석시에 결함이 발생된다.
블럭 210에서, 새로운 결함 클래스가 형성된다(블럭 205). 일 실시예에서, 새로운 결함 클래스는 결함 진단 데이터베이스에 결함 클래스를 공동으로 규정하는 하나 이상의 파라미터들을 저장함으로써 형성된다. 하나 이상의 파라미터들은 하나 이상의 가능한 결함 원인들을 식별하기 위해 충분히 구체적으로 결함 클래스를 규정할 수 있다. 새로운 결함 클래스는 특정 결함의 한번의 발생 이후에 형성될 수 있다.
블럭 215에서, 결함에 기여된 프로세스 변수들의 상대적 기여도들이 결정된다. 기여 프로세스 변수들은 이후에 결함 기여도들로서 지칭되는 각각의 기여도들의 상대적 크기들에 상응하는 순서로 랭킹될 수 있다. 프로세스 변수들의 각각의 결함 기여도들은 임의의 종래의 통계 방법에 의해 결정될 수 있다. 검출된 결함에 대한 프로세스 변수들의 상대적 기여도들을 결정하는 하나의 예시적인 방법은 S. Joe Qin, Sergio Valle, Michael J. Piovoso, "On Unifying Multiblock Analysis with Application to Decentralized Process Monitoring", J. Chemometrics 2001, vol. 15, page 715-742에 개시되어 있고, 이는 참조로 본 발명에 포함된다. 검출된 결함에 대한 프로세스 변수들의 상대적 기여도들을 결정하는 다른 예시적인 방법은 A.K. Conlin, E.B. Martin, A.J. Morris, "Confidence Limits For Contribution Plots", J. Chemometrics 2000, col.14, pages 725-736에 개시되어 있고, 이는 참조로 본 발명에 포함된다. 검출된 결함에 대한 프로세스 변수들의 상대적 기여도들을 결정하는 또 다른 예시적인 방법은 Johan A. Westerhuis, Stephen P. Gurden, Age K. Smilde, "Generalized Contribution Plots in Multivariate Statistical Process Monitoring", Chemometrics and Intelligent Laboratory Systems 2000, vol. 51, pages 95-114에 개시되어 있고, 이는 참조로 본 발명에 포함된다. 상대적 기여도들을 결정하는 다른 방법들이 사용될 수도 있다.
일 실시예에서, 결함 기여도들은 결함 기여도들을 결정하는데 사용되는 통계 방법과 무관하다. 따라서, 특정 통계 방법들(예, 공분산 행렬들, 주성분 고유벡터들 등)에 대한 특정 파라미터들은 결함 클래스 및/또는 결함 클래스와 연관된 결함 시그니처에 포함되지 않을 수 있다. 따라서, 결함 클래스는 임의의 적절한 통계 방법들(예, 적응형(adaptive) 모델들을 갖는 통계 방법들(예, 시간 동안 특정 파라 미터들을 적용하는 모델들) 및 통계 모델들을 사용하는 통계 방법들)에 동일하게 적용가능할 수 있다. 적응형 모델을 이용하는 통계 방법의 경우, 모델은 주성분 분석(PCA)을 포함할 수 있고, 주성분들의 수는 조절되며, 및/또는 프로세스 변수 공간으로부터 주성분 공간으로의 변환은 조절된다.
일 실시예에서, 프로세스 변수들의 결함 기여도들은 2개 이상의 상이한 통계 방법들(예, 정적 모델과 적응형 모델을 갖는)에 의해 독립적으로 결정된다. 이는 상이한 통계 모델들이 상이한 결함들에 대해 결함 기여도들을 보다 정확히 결정할 수 있기 때문에 바람직할 수 있다.
블럭 220에서, 기여도 랭킹들은 새로운 결함 시그니처를 생성하기 위해 기여 프로세스 변수들에 할당된다. 일 실시예에서, 기여 프로세스 변수들의 서브세트가 선택된다. 서브세트는 그 결함 기여도가 기여도 임계값(이후에, 유효 제한치(significance limit)로서 지칭됨)보다 더 큰 그러한 프로세스 변수들을 포함할 수 있다. 유효 제한치는 예를 들어 상기에서 논의된 Qin 외, Conlin 외, 및 Westerhuis 외의 방법들을 포함하는 다양한 방법들에 따라 계산될 수 있다. 그 다음, 연속적으로 넘버링되는 랭킹들은 이들의 각각의 기여도들의 상대적 크기의 순서를 기초로 서브세트의 프로세스 변수들에 할당될 수 있다.
선택된 서브세트(유효 제한치 미만의 결함 기여도)를 벗어난 프로세스 변수들은 넌(none) 또는 제로의 결함 기여도 랭킹으로 할당될 수 있거나, 결함 시그니처로부터 생략될 수 있다. 일 실시예에서, 유효 제한치는 미리 결정된다. 대안적으로, 유효 제한치는 새로운 시그니처 값이 하나 이상의 통계 방법들(예, 각각의 프로세스 변수의 각각의 결함 기여도를 결정하는데 사용되는 통계 방법)을 이용하여 생성될 때 결정될 수 있다. 유효 제한치의 사용은 결함에 대한 그 기여도가 통계적으로 무의미한, 주어진 모든 결함 프로세스 변수들의 진단에서 배제됨으로써 잡음 면역성(noise immunity)을 개선할 수 있다. 유효 제한치를 포함하는 결함 시그니처들의 예들은 이하의 표 1 및 표 2에 예시된다.
일 실시예에서, 새로운 결함 시그니처에 포함될 수 있는 프로세스 변수들의 수에는 제한이 없다. 따라서, 그러한 프로세스 변수들이 각각 유효 제한치를 충족시키는 결함 기여도들을 갖는 한, 임의의 수의 프로세스 변수들이 결함 시그니처에 포함될 수 있다. 대안적으로, 결함 시그니처에 대한 기여 프로세스 변수들의 수에 상한 및/또는 하한이 존재할 수 있다.
블럭 225에서, 처리 로직은 기여 프로세스 변수들이 이후에 변동 제한치(variation limit)로서 지칭되는 임계값 미만만큼 상이한 각각의 결함 기여도들을 갖는지 여부를 결정한다. 변동 제한치는 사용자에 의해 선택될 수 있거나 자동적으로 선택될 수 있다. 변동 제한치는 고정값일 수 있거나, 상대적 값(예, 프로세스 변수들 중 하나의 결함 기여도의 퍼센티지를 기초로)일 수 있다. 일 실시예에서, 통계 신뢰도 범위는 각각의 프로세스 변수의 결함 기여도에 대해 계산된다. 변동 제한치는 프로세스 변수들에 대한 계산된 통계 신뢰도 범위들을 기반으로 할 수 있다. 일 실시예에서, 프로세스 변수들은 중첩 신뢰도 범위들을 갖는 경우 변동 제한치 미만만큼 상이하다.
프로세스 변수들이 변동 제한치 미만만큼 상이한 경우(예, 중첩 신뢰도 범위 들을 갖는 경우), 방법은 블럭 230으로 진행한다. 프로세스 변수들이 변동 제한치 미만만큼 상이하지 않는 경우, 방법은 블럭 235로 진행한다. 일 실시예에서, 방법은 프로세스 변수들이 변동 제한치 미만만큼 상이한지 여부와 무관하게 블럭 235로 진행한다.
블럭 230에서, 기여 랭킹 범위들은 하나 이상의 기여 프로세스 변수들에 할당된다. 각각의 기여 랭킹 범위는 변동 제한치 미만만큼 상이한 각각의 프로세스 변수의 기여도 랭킹들을 포함한다. 각각의 이러한 프로세스 변수들은 프로세스 변수의 자신의 기여도 랭킹 및 다른 포함된 프로세스 변수들의 기여도 랭킹들을 둘다 포함하는 랭킹 범위에서 할당된다. 일 실시예에서, 랭킹 범위는 연속적으로 넘버링된 기여도 랭킹들의 범위이다. 예를 들어, 랭킹 범위는 1-2일 수 있고, 제 1 프로세스 변수의 기여도 랭킹 1 및 제 2 프로세스 변수의 기여도 랭킹 2를 포함한다. 상이한 프로세스 변수들은 동일하거나 중첩되는 랭킹 범위들을 가질 수 있다. 절대 기여도 랭킹들 대신에 또는 절대 기여도 랭킹들과 더불어, 랭킹 범위들에 의해 결함 시그니처들을 규정하는 것은 잡음 면역성을 개선시킬 수 있다(예, 프로세스 변수들 간의 상대적 랭킹은 추정된 통계적 변동들에 의해 상호교환될 수 있음). 랭킹 범위들을 갖는 결함 시그니처들의 예들은 이하의 표 3 및 표 4에 예시된다.
블럭 235에서, 새로운 결함 시그니처가 결함 진단 데이터베이스에 저장된다. 저장된 결함 시그니처는 새로운 결함 클래스와 연관된다. 일 실시예에서, 결함 시그니처에 대한 각각의 프로세스 변수의 실제 기여도 값들(예, 0.9, 0.5 등)은 저장되지 않고, 그 대신에 기여도 랭킹(예, 1, 2, 3 등)이 저장된다. 대안적으로, 실 제 기여도 값들이 저장되거나, 기여도 값들과 기여도 랭킹들이 모두 저장될 수 있다.
프로세스 변수 결함에 대한 기여도 기여도 랭킹
A 0.9 1
B 0.8 2
C 0.4 3
D 0.2 없음(none)
E 0.07 없음
F < 0.02 없음
G < 0.02 없음
H < 0.02 없음
표 1: 제 1 결함 시그니처
표 1은 도 2의 방법(200)에 따라 생성된 제 1 결함 시그니처를 예시한다. 프로세스 변수들 A, B, C, D 및 E의 통계적 기여도들은 제 1 통계 분석 방법에 따라 각각 0.9, 0.8, 0.4, 0.2 및 0.07로 결정된다. 나머지 프로세스 변수들 F, G, H의 통계적 기여도들은 0.02 미만으로 결정된다. 프로세스 변수들은 결함에 대한 이들의 기여도들의 크기들의 순서로 랭킹된다. 제 1 결함 시그니처는 0.3의 유효 제한치를 가지므로, 프로세스 변수들 A, B, C는 결함에 기여하는 것으로 고려되고, 제 1 결함 시그니처의 부분이다. 프로세스 변수들 D 내지 H는 이들의 기여도들이 유효 제한치 미만이기 때문에 제 1 결함 시그니처에서 배제된다.
프로세스 변수 결함에 대한 기여도 기여도 랭킹
A 0.9 1
B 0.8 2
C 0.4 3
D 0.2 없음(none)
E 0.07 없음
F < 0.02 없음
G < 0.02 없음
H < 0.02 없음
표 2: 제 2 결함 시그니처
표 2는 도 2의 방법(200)에 따라 생성된 제 2 결함 시그니처를 예시한다. 표 1의 제 1 결함 시그니처를 생성하는데 사용된 동일한 프로세스 데이터가 제 2 결함 시그니처를 생성하는데 사용된다. 프로세스 변수들은 결함에 대한 이들의 기여도들의 크기들의 순서로 랭킹된다. 제 2 결함 시그니처는 0.1의 유효 제한치를 가지므로, 프로세스 변수들 A, B, C 및 D는 결함에 기여한 것으로 고려된다.
프로세스 변수 결함에 대한 기여도 신뢰도 범위 기여도 랭킹 랭킹 범위
A 0.9 0.82-0.98 1 1-2
B 0.8 0.73-0.87 2 1-2
C 0.4 0.45-0.55 3 3
D 0.2 0.15-0.25 4 4
E 0.07 0.06-0.11 없음 없음
F < 0.02 N/A 없음 없음
G < 0.02 N/A 없음 없음
H < 0.02 N/A 없음 없음
표 3: 랭킹 범위를 갖는 제 3 결함 시그니처
표 3은 도 2의 방법(200)에 따라 생성되는 제 3 결함 시그니처를 예시한다.제 3 결함 시그니처는 프로세스 변수들의 각각의 신뢰도 범위들에 의해 결정되는 랭킹 범위를 포함한다. 열 제목 "신뢰도 범위"는 각각의 프로세스 변수의 결함 기여도에 대한 신뢰도 범위의 상한 및 하한을 나타낸다. 프로세스 변수들 A 및 B에 대한 신뢰도 범위들은 변수 A의 신뢰도 범위의 하한(0.82)이 변수 B의 신뢰도 범위의 상한(0.87)보다 더 낮기 때문에 중첩된다. 결과적으로, 계산된 결함 기여도들을 기초로 1 및 2의 각각의 기여도 랭킹들을 갖는 프로세스 변수들 A 및 B는 각각 서로의 기여도 랭킹(각각 1-2의 랭킹 범위로 할당됨)을 포함하는 랭킹 범위로 할당된다.
제 3 결함 시그니처는 0.1의 유효 제한치를 갖기 때문에, 프로세스 변수들 A, B, C 및 D는 결함에 기여한 것으로 고려되고, 제 1 결함 시그니처의 부분이다. 프로세스 변수들 E 내지 H는 이들의 결함 기여도들이 유효 제한치 미만이기 때문에, 제 1 결함 시그니처로부터 배제된다. 일 실시예에서, 프로세스 변수 E는 그 신뢰도 범위의 상한이 0.1의 유효 제한치보다 더 크기 때문에 결함 시그니처에 포함된다.
일 실시예에서, 기여 프로세스 변수들과 각각의 기여 프로세스 변수의 랭킹 범위로 이루어진 적어도 하나의 리스트가 결함 시그니처에 포함된다. 선택적으로, 계산된 결함 기여도, 신뢰도 범위 및 기여도 랭킹 중 하나 이상이 결함 시그니처의 부분으로서 포함될 수도 있다.
프로세스 변수 결함에 대한 기여도 신뢰도 범위 기여도 랭킹 랭킹 범위
A 0.9 0.82-0.98 1 1-2
B 0.8 0.73-0.87 2 1-3
C 0.7 0.65-0.75 3 2-3
D 0.2 0.15-0.25 4 4
E 0.07 0.06-0.11 없음 없음
F < 0.02 N/A 없음 없음
G < 0.02 N/A 없음 없음
H < 0.02 N/A 없음 없음
표 4: 랭킹 범위를 갖는 제 4 결함 시그니처
표 4는 도 2의 방법(200)에 따라 생성되는 제 4 결함 시그니처를 예시한다. 제 4 결함 시그니처는 프로세스 변수 C의 계산된 결함 기여도 및 랭킹 범위가 상이하다는 점을 제외하고는 표 3의 결함 시그니처와 동일하다. 본 예에서, 프로세스 변수 B의 결함 기여도에 대한 신뢰도 범위는 변수 A에 대한 신뢰도 범위 및 변수 C에 대한 신뢰도 범위와 중첩된다. 결과적으로, 변수 B에 대한 랭킹 범위는 그 자신의 기여도 랭킹(2) 뿐만 아니라, 변수 A의 기여도 랭킹(1), 및 변수 C의 기여도 랭킹(3)을 포함한다. 따라서, 프로세스 변수 B에 대한 랭킹 범위는 1-3이다. 프로세스 변수 A는 변수 B의 신뢰도 범위와 중첩되는 신뢰도 범위를 갖기 때문에, 프로세스 변수 A는 1-2의 랭킹 범위를 갖는다. 마찬가지로, 프로세스 변수 C의 신뢰도 범위는 프로세스 변수 B의 신뢰도 범위와 중첩되므로, 프로세스 변수 C는 2-3의 랭킹 범위를 갖는다.
도 3은 결함 시그니처들을 이용함으로써 결함들을 진단하는 방법(300)의 일 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(예, 처리 장치에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(300)은 도 1의 통계 프로세스 모니터링 장치(105)에 의해 수행된다.
도 3을 참조하면, 방법(300)은 결함을 검출하는 처리 로직에 의해 시작된다(블럭 305). 일 실시예에서, 제조 기기, 센서들, 프로세스 제어기들, 및 프로세스 측정 데이터베이스 중 하나 이상으로부터 수신되는 프로세스 데이터를 기초로 결함이 검출된다. 블럭 310에서, 결함에 기여하는 프로세스 변수들이 결정된다. 프로세스 변수는 제어 제한치를 초과하는 경우 결함에 기여할 수 있거나, 예기치 않은 및/또는 바람직하지 않은 결과에 기여할 수 있다.
블럭 315에서, 처리 로직은 기여 프로세스 변수들의 상대적 기여도들을 결정한다. 일 실시예에서, 처리 로직은 검출된 결함에 대한 이들의 각각의 기여도들의 상대적 크기들의 순서로 프로세스 변수들을 랭킹한다. 검출된 결함 랭킹은 프로세스 변수들의 결함 기여도들의 수치값들을 포함하거나 포함하지 않을 수 있다. 일 실시예에서, 검출된 결함 랭킹은 단지 프로세스 변수들의 정렬된 리스트이다. 예를 들어, 프로세스 변수들 A, B, C, D 및 E의 검출된 결함에 대한 상대적 기여도들이 각각 0.6, 0.9, 0.5, 0.4 및 0.1인 경우, 검출된 결함 랭킹은 B, A, C, D, E의정렬된 리스트이다.
일 실시예에서, 처리 로직은 결함 기여도들에 대한 유효 제한치를 결정함으로써, 유효 제한치 아래에 있는 임의의 결함 기여도가 무의미한 것으로서 고려될 수 있다(무시될 수 있음). 유효 제한치 미만의 값을 갖는 프로세스 변수들은 검출된 결함 랭킹으로부터 배제될 수 있거나, 넌 또는 제로의 검출된 결함 랭킹으로 할당될 수 있다. 이전의 문단의 예에서, 결함 기여도들의 유효 제한치가 0.2이면, 프로세스 변수 E가 배제되고, 검출된 결함 랭킹은 B, A, C, D이다.
블럭 320에서, 처리 로직은 어떤 결함 시그니처들이 검출된 결함에 매칭되는지를 결정한다. 이는 검출된 결함 랭킹을 각각 형성된 결함 시그니처와 비교함으로써 달성될 수 있다. 일 실시예에서, 검출된 결함 랭킹이 결함 시그니처들 중 하나와 정확히 매칭되면, 검출된 결함은 결함 시그니처와 연관된 결함 클래스인 것으로서 진단된다. 검출된 결함 랭킹을 랭킹 범위들을 갖는 결함 시그니처와 비교할 때, 검출된 결함의 각각의 프로세스 변수의 랭킹이 결함 시그니처의 동일한 프로세스 변수의 랭킹 범위 내에 속하는 경우에 정확한 매칭이 발생한다. 일 실시예에서, 검출된 결함은 다중 결함 시그니처들과 매칭될 수 있다. 그러한 경우에, 각각의 결함 시그니처가 리포팅된다.
현재 결함의 결함 랭킹과 현존하는 결함 시그니처 간에 매칭이 검출되면, 방법은 블럭 325로 진행한다. 현존하는 결함 시그니처와의 매칭이 검출되지 않으면, 방법은 블럭 340으로 진행한다.
일 실시예에서, 적어도 하나의 매칭 결함 시그니처는 복합 결함 시그니처이다. 복합 결함 시그니처는 상이한 통계 모델들에 대해 개별적으로 계산되는 개별 기여도 랭킹들 및/또는 랭킹 범위들을 포함하는 결함 시그니처이다. 예를 들어, 복합 결함 시그니처의 제 1 프로세스 변수는 제 1 통계 모델(예, 적응형 모델)에 의해 계산되는 바와 같은 1의 기여도 랭킹, 및 제 2 통계 모델(예, 정적 모델)에 의해 계산되는 바와 같은 2의 기여도 랭킹을 가질 수 있다. 따라서, 프로세스 모니터링 동안, 검출된 결함 기여도는 각각의 프로세스 변수에 대해 각각의 적절한 통계 모델들에 의해 결정되는 개별 랭킹을 포함한다. 이는 상이한 통계 모델들이 상이한 타입들의 결함들에 대응하여 프로세스 변수들의 결함 기여도를 보다 정확히 결정할 수 있기 때문에 바람직할 수 있다.
프로세스 변수 제 1 모델 랭킹 범위 제 2 모델 랭킹 범위
A 1-2 3-4
B 1-2 3-4
C 3 1
D 없음(none) 2
E 없음 없음
F 없음 없음
표 5: 복합 결함 시그니처
프로세스 변수 제 1 모델 기여도 범위 제 2 모델 기여도 범위
A 2 3
B 1 4
C 3 1
D 4 2
E 없음(none) 없음
F 없음 없음
표 6: 제 1 및 제 2 통계 모델을 이용하여 검출된 결함
표 5는 본 발명의 일 실시예에 따른 복합 결함 시그니처의 일 예를 예시한다. 표 6은 본 발명의 다른 실시예에 따른 2개의 모델들의 동시적인 사용에 의해 생성된 복합 결함 랭킹을 갖는 검출된 결함을 예시한다. 예시된 바와 같이, 2개의 상이한 모델들을 이용하여 동일한 프로세스 데이터의 랭킹 범위들 및/또는 기여도 랭킹들을 개별적으로 결정하면 상이한 결과들을 형성할 수 있다. 표 5의 결함 시그니처는 각 모델에 대한 각각의 프로세스 변수의 표 6의 결함 기여도 랭킹이 표 5의 복합 결함 시그니처의 모델 및 상응하는 프로세스 변수의 랭킹 범위 내에 있기 때문에, 표 6의 검출된 결함의 정확한 매칭을 나타낸다.
몇몇 예들에서, 제 2 모델에 의해서가 아니라 제 1 모델에 의해 결함이 검출될 수 있다. 따라서, 제 2 모델에 대한 프로세스 변수들의 결함 기여도들은 무의미할 수 있고(예, 유효 제한치 아래에 있음), 이에 따라 분류를 위해 유용하지 않을 수 있다. 이 경우, 처리 로직은 복합 결함 시그니처를 형성하고, 복합 결함 시그니처에서 제 2 모델에 대한 각각의 프로세스 변수는 넌(none)의 기여도 랭킹 및/또는 랭킹 범위를 갖는다.
도 3을 참조하면, 블럭 325에서, 처리 로직은 매칭 결함 시그니처들과 연관된 결함 클래스들을 식별한다. 일 실시예에서, 각각의 결함 시그니처는 단일 결함 클래스와 연관된다. 대안적으로, 다중 결함 클래스들은 결함 시그니처와 연관될 수 있다. 이는 예를 들어, 2개의 결함 클래스들이 동일한 결함 시그니처를 갖는 경우 발생할 수 있다.
블럭 330에서, 처리 로직은 임의의 매칭 결함 시그니처가 다중 결함 클래스들과 연관되는지 여부를 결정한다. 결함 시그니처가 다중 결함 클래스들과 연관되는 경우, 방법은 블럭 335로 진행한다. 결함 시그니처들이 다중 결함 클래스들과 연관되지 않는 경우, 방법은 종료된다. 대안적으로, 방법은 임의의 결함 시그니처들이 다중 결함 클래스들과 연관되는지 여부와 무관하게 종료될 수 있다.
블럭 335에서, 집계가 리포팅되고, 집계는 매칭 결함 시그니처와 연관된 각각의 결함 클래스들이 결함의 실제적인 원인이었다는 횟수를 포함한다. 이는 사용자가 현재 결함의 실제적인 원인을 식별하도록 돕는데 유용할 수 있다. 집계는 결함 진단 데이터베이스에 저장될 수 있다. 일 실시예에서, 현재 결함의 실제적인 원인이 식별된 이후, 그러한 실제적인 원인이 결함 진단 데이터베이스의 집계에 입력된다.
블럭 340에서, 새로운 결함 클래스가 형성된다. 블럭 345에서, 새로운 결함 시그니처가 생성되고 새로운 결함 클래스와 연관될 수 있다. 새로운 결함 클래스와 새로운 결함 시그니처는 도 2의 방법(200)에 따라 생성될 수 있다. 대안적으로, 새로운 결함 클래스와 새로운 결함 시그니처를 생성하는 다른 방법들이 사용될 수 있다. 따라서, 새로운 결함 클래스들과 새로운 결함 시그니처들은 제품의 실제적인 처리 동안 새로운 결함들에 직면할 때 부가될 수 있다(예, 다변수 통계 모델에 부가). 일 실시예에서, 결함의 단지 하나의 예는 새로운 결함 클래스 및 연관된 새로운 결함 시그니처를 부가하는데 요구된다.
도 4는 결함 시그니처들을 이용함으로써 결함들을 진단하는 방법(400)의 다른 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(예, 처리 장치에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(400)은 도 1의 통계 프로세스 모니터링 장치(105)에 의해 수행된다.
도 4를 참조하면, 방법(400)은 결함을 검출하는 처리 로직에 의해 시작된다(블럭 405). 블럭 410에서, 결함에 기여한 프로세스 변수들이 결정된다. 블럭 415에서, 기여 프로세스 변수들의 상대적 기여도들이 결정된다.
블럭 420에서, 결함에 매칭되는 결함 시그니처들이 결정된다. 일 실시예에서, 결함과 완전히 매칭되는 결함 시그니처들만이 고려된다. 대안적으로, 검출된 결함과 부분적으로 매칭되는 결함 시그니처들이 고려될 수 있다. 이는 예를 들어, 다중 결함들이 동시적으로 발생할 때 유용할 수 있다. 그러한 경우, 하나 이상의 결함 시그니처들이 검출된 결함의 실제적인 원인들을 나타내는 결함 클래스들과 연관될 수 있지만, 결함 시그니처가 검출된 결함과 정확하게 매칭되진 않는다. 일 실시예에서, 검출된 결함과 부분적으로 매칭되는 결함 시그니처들은 정확한 매칭이 발견되지 않는 경우에만 고려된다. 대안적으로, 완전한 매칭이 발견되는지 여부에 따라 부분적인 매칭들이 고려된다. 이는 예를 들어, 부분적인 매칭들을 갖는 결함 시그니처들과 연관된 심각한 결함들(예, 상당한 수율 손실을 초래하는 결함들)이 사용자에게 경보되도록 보장하기 위해, 바람직할 수 있다.
블럭 425에서, 매칭 근사(closeness) 스코어는 각각의 완전 및/또는 부분 매칭 결함 시그니처들에 대해 결정된다. 매칭 근사 스코어는 결함 시그니처와 검출된 결함 사이의 유사성의 정도를 나타낸다. 매칭 근사 스코어들은 다양한 방법들로 계산될 수 있다. 일 실시예에서, 그 검출된 결함 랭킹이 주어진 결함 시그니처의 적절한 랭킹 범위내에 있는 각각의 프로세스 변수에 대해 2의 값을 할당하고, 현재 검출된 결함의 실제 랭킹과 주어진 결함 시그니처의 유효 결함 기여도(예, 유효 제한치를 넘는 결함 기여도)를 갖는 모든 다른 프로세스 변수에 대해 1의 값을 할당함으로써, 매칭 근사 스코어가 결정된다. 다른 실시예에서, 전술한 2 및 1의 값들은 랭킹이 더 높은 프로세스 변수들에 대해 보다 높은 가중 인자로 곱해진다.
블럭 430에서, 최저 매칭 근사 스코어들을 갖는 결함 시그니처들은 폐기된다. 일 실시예에서, 모든 결함 시그니처들은 최고 매칭 근사 스코어들을 갖는 X 결함 시그니처들을 제외하고는 폐기된다. 다른 실시예에서, 임계값 미만의 결함 기여도를 갖는 모든 결함 시그니처들은 폐기된다. 또 다른 실시예에서, 매칭 결함 시그니처들이 폐기되지 않는다.
블럭 435에서, 매칭 결함 시그니처들과 연관된 결함 클래스들이 식별된다. 블럭 440에서, 식별된 결함 시그니처들은 각각의 결함 클래스에 대한 결함 심도값들(severity values) 및 매칭 스코어들과 함께 리포팅된다. 일 실시예에서, 각각의 결함 클래스는 결함 심도값을 포함한다. 낮은 결함 심도값을 갖는 결함 클래스들은 제조된 제품에 거의 유해하지 않거나 전혀 유해하지 않을 수 있지만, 높은 심도를 갖는 결함 클래스들은 제품 수율을 현저히 감소시킬 수 있다. 따라서, 결함 심도값들은 결함이 얼마나 중요할 수 있는지를 사용자에게 경고할 수 있다. 예를 들어, 높은 매칭 근사 스코어를 갖지만 낮은 결함 심도 레벨을 갖는 결함 시그니처와 연관된 결함 클래스는 관심사가 아닐 수 있다. 그러나, 낮은 매칭 근사 스코어를 갖지만 높은 결함 심도 레벨을 갖는 결함 시그니처와 연관된 결함 클래스가 관심사일 수 있다.
랭킹 범위를 갖는 결함 시그니처와 매칭되는 결함들의 새로운 예들이 획득됨에 따라, 결함 시그니처를 다중 결함 시그니처들로 분할하는 것이 바람직할 수 있다. 결함 시그니처를 분할하는 것은 예를 들어, 결함 시그니처와 연관된 결함 클래스가 보다 좁은 결함 클래스들로 분할될 수 있는 경우, 또는 원래의 결함 시그니처가 결함 시그니처를 분할함으로써 수정될 수 있는 에러있는 결함 진단을 형성하는 경우에 바람직할 수 있다. 결함 시그니처 및/또는 결함 클래스를 분할하는 그러한 방법의 일 실시예는 이하의 도 5에서 설명된다.
도 5는 결함 시그니처들을 이용함으로써 결함들을 진단하는 방법(500)의 또 다른 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(처리 장치에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(500)은 도 1의 통계 프로세스 모니터링 장치(105)에 의해 수행된다.
도 5를 참조하면, 방법(500)은 결함을 검출하는 처리 로직에 의해 시작된다(블럭 505). 블럭 510에서, 결함에 기여한 프로세스 변수들이 결정된다. 블럭 515에서, 기여 프로세스 변수들의 상대적 기여도들이 결정된다. 블럭 520에서, 결함에 매칭되는 결함 시그니처들이 결정된다.
블럭 525에서, 처리 로직은 결함 시그니처들이 상대적 기여도 범위를 포함하는지 여부를 결정한다. 결함 시그니처들 중 하나가 상대적 기여도 범위를 포함하는 경우, 방법은 블럭 535로 진행한다. 결함 시그니처들이 상대적 기여도 범위를 포함하지 않는 경우, 방법은 블럭 530으로 진행한다.
블럭 530에서, 매칭 결함 시그니처와 연관된 결함 클래스들이 식별된다. 그 다음, 방법은 종료된다.
블럭 535에서, 결정된 결함 시그니처는 다중 결함 시그니처들로 분할된다. 예를 들어, 일 실시예에서, 결정된 결함 시그니처는 2개의 개별 결함 시그니처들로 분할된다. 2개의 개별 결함 시그니처들은 2개의 새로운 결함 시그니처들의 각각의 랭킹 범위들이 원래의 결함 시그니처의 프로세스 변수의 랭킹 범위의 상이한 서브세트들인 적어도 하나의 프로세스 변수를 가짐으로써 상이할 수 있고, 그 예들은 표 7, 8 및 9에 예시된다.
블럭 540에서, 하나 이상의 다중 결함 시그니처들에 대해 새로운 결함 클래스가 부가된다. 새로운 결함 클래스는 분할된 원래의 결함 시그니처와 연관된 결함 클래스의 서브세트일 수 있다. 예를 들어, 원래의 결함 클래스가 "결함있는 정전 척"이었다면, 새로운 결함 클래스는 "웨이퍼 후면의 입자들로 인한 결함있는 정전 척"일 수 있다.
블럭 545에서, 원래의 결함 시그니처와 그 연관된 결함 클래스 중 적어도 하나가 업데이트된다. 업데이트는 결함 시그니처의 하나 이상의 프로세스 변수들에 대해 랭킹 범위들의 한정(narrowing), 및/또는 결함 클래스 디스크립터(descriptor)의 한정을 포함할 수 있다. 예를 들어, 원래의 결함 클래스가 원리 "결함있는 정전 척"에 대한 것이었다면, 원래의 결함 클래스는 "잔류물 축적으로 인한 결함있는 정전 척"으로 한정될 수 있다.
2개의 프로세스 변수들에 가장 공통으로 영향을 주는 근본적인(underlying) 결함과 연관된 결함 시그니처로 결함을 분할하는 것이 유용할 수 있고, 다소 상이한 근본적인 원인이 2개의 프로세스 변수들 중 하나에 영향을 준다. 일 예는 반도체 프로세스 챔버 내의 캐소드 전극에 반도체 소재를 홀딩하기 위해 공통적으로 사용되는 정전 척의 상이한 고장 모드들이다. 정전 척의 결함들을 진단하기 위해 모니터링되는 것이 바람직한 2개의 프로세스 변수들은 반도체 소재와 척 사이의 캐비티로 펌핑되는 헬륨의 유속, 및 캐소드 전극과 RF 전력 공급부 사이에 접속된 임피던스 정합망에서 조절가능한 조정 커패시터의 커패시턴스를 나타내는 프로세스 제어 파라미터 값이다. 정전 척 상의 과도한 잔류물 누적으로 인해 유발되는 결함은 전형적으로 이러한 두개의 프로세스 변수들과 상관된다. 그러나, 반도체 소재의 하면(underside) 상의 입자들로 인해 유발되는 결함은 전형적으로 헬륨 유속에만 상관된다. 따라서, 결함있는 정전 척으로서 규정되는 제 1 결함 클래스와 연관된 제 1 결함 시그니처는 반도체 소재의 하면 상의 입자들로 인해 유발되는 결함있는 정전 척으로서 규정되는 제 2 결함 클래스와 연관된 제 2 결함 시그니처로 분할된다. 그 다음, 제 1 결함 클래스는 정전 척 상의 잔류물 축적으로 인해 유발되는 결함있는 정전 척으로서 다시 규정될 수 있다.
프로세스 변수 랭킹 범위
A 1-2
B 1-2
C 3
D 4
표 7: 랭킹 범위를 갖는 원래의 결함 시그니처
프로세스 변수 랭킹 범위
A 1
B 2
C 3
D 4
표 8: 결함 시그니처 분할을 기초로 한 새로운 결함 시그니처
프로세스 변수 랭킹 범위
A 2
B 1
C 3
D 4
표 9: 결함 시그니처 분할을 기초로 한 업데이트된 결함 시그니처
표 7은 랭킹 범위를 갖는 결함 시그니처를 예시한다. 표 8 및 9는 도 5의 방법(500)에 따라 표 7의 결함 시그니처를 분할함으로써 생성된 2개의 새로운 결함 시그니처들을 예시한다. 표 7의 원래의 결함 시그니처에서, 프로세스 변수들 A 및 B는 1-2의 랭킹 범위로 할당되고, 원래의 결함 시그니처는 X로서 식별되는 결함 클래스와 연관된다. 표 8의 새로운 결함 시그니처는 새로운 결함 클래스 Y와 연관되고, 프로세스 변수들 A 및 B에 대해 각각 1 및 2의 기여도 랭킹을 갖는다. 표 9의 업데이트된 결함 시그니처는 업데이트된 결함 클래스 X와 연관되고, 프로세스 변수들 A 및 B에 대해 각각 2 및 1의 기여도 랭킹을 갖는다.
도 6은 기기가 본 발명에서 논의된 하나 이상의 방법들을 수행하도록 하기 위해, 그 내부에서 명령들의 세트가 실행될 수 있는 예시적인 형태의 컴퓨터 시스템(600)의 기기의 개략도를 도시한다. 대안적인 실시예들에서, 기기는 LAN, 인트라넷, 익스트라넷 또는 인터넷으로 다른 기기들에 접속(예, 네트워킹)될 수 있다. 기기는 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 기기의 용량에서 동작하거나, 피어-투-피어(또는 분산) 네트워크 환경에서 피어 기기로서 동작할 수 있다. 기기는 개인용 컴퓨터(PC), 타블렛 PC, 셋톱박스(STB), 개인용 디지털 보조기(PDA), 휴대전화, 웹 어플라이언스, 서버, 네트워크 라우터, 스위치 또는 브릿지, 또는 기기에 의해 수행될 조치들을 특정하는 명령들(순차적 또는 순차적이지 않은)의 세트를 실행할 수 있는 임의의 기기일 수 있다. 또한, 단지 하나의 기기만이 도시되지만, "기기(machine)"란 용어는 본 발명에서 논의된 임의의 하나 이상의 방법들을 수행하기 위한 명령들의 세트(또는 다중 세트들)를 개별적으로 또는 집합적으로 실행하는 기기들의 임의의 집합을 포함하는 것으로서 고려된다.
예시적인 컴퓨터 시스템(600)은 버스(630)를 통해 서로 통신하는, 처리 장치(프로세서)(602), 메인 메모리(604)(예, 리드 온리 메모리(ROM), 플래시 메모리, 동기식 DRAM(SDRAM) 또는 램버스 DRAM(RDRAM)과 같은 동적 랜덤 액세스 메모리(DRAM) 등), 정적 메모리(606)(예, 플래시 메모리, 정적 랜덤 액세스 메모리(SDRAM) 등), 및 데이터 저장 장치(618)를 포함한다.
프로세서(602)는 마이크로프로세서, 중앙 처리 유닛 등과 같은 하나 이상의 범용 처리 장치들을 나타낸다. 보다 구체적으로는, 프로세서(602)는 컴플렉스 인스트럭션 세트 컴퓨팅(CISC) 마이크로프로세서, 리듀스드 인스트럭션 세트 컴퓨팅(RISC) 마이크로프로세서, 장문 인스트럭션 워드(VLIW) 마이크로프로세서, 또는 다른 명령 세트들을 구현하는 프로세서 또는 명령 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세서(602)는 또한 애플리케이션 특정 집적회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 처리기(DSP), 네트워크 프로세서 등과 같은 하나 이상의 특수용 처리 장치들일 수 있다. 프로세서(602)는 본 발명에서 논의된 단계들과 동작들을 수행하기 위해 처리 로직(626)을 실행하도록 컨피규어(configure)된다.
컴퓨터 시스템(600)은 네트워크 인터페이스 장치(608)를 추가로 포함할 수 있다. 또한, 컴퓨터 시스템(600)은 비디오 디스플레이 유닛(610)(예, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 영숫자 입력 장치(612)(예, 키보드), 커서 제어 장치(614)(예, 마우스), 및 신호 생성 장치(616)(예, 스피커)를 포함할 수 있다.
데이터 저장 장치(618)는 본 발명에서 기술된 임의의 하나 이상의 방법들 또는 기능들을 구현하는 하나 이상의 명령 세트들(예, 소프트웨어(622))이 저장된 기계-액세스가능한 저장 매체(631)를 포함할 수 있다. 또한, 소프트웨어(622)는 컴퓨터 시스템(600)에 의한 그 실행 동안 메인 메모리(604) 및/또는 프로세서(602) 내에, 완전하게 또는 적어도 부분적으로 위치할 수 있다. 또한, 소프트웨어(622)는 네트워크 인터페이스 장치(608)를 통해 네트워크(620)상에서 송신 또는 수신될 수 있다.
또한, 기계-액세스가능한 저장 매체(631)는 사용자 프로파일들을 규정하는 사용자 선호도들과 사용자 식별 상태들을 규정하는 데이터 구조 세트들을 저장하는데 사용될 수도 있다. 데이터 구조 세트들과 사용자 프로파일들은 정적 메모리(606)와 같은 컴퓨터 시스템(600)의 다른 섹션들에 저장될 수도 있다.
기계-액세스가능한 저장 매체(631)는 단일 매체인 예시적인 실시예로 도시되지만, "기계-액세스가능한 저장 매체"란 용어는 하나 이상의 명령 세트들을 저장한 단일 매체 또는 다중 매체들(예, 중앙 집중 또는 분산 데이터베이스, 및/또는 연동되는 캐스들과 서버들)을 포함하는 것으로 고려되어야 한다. 또한, "기계-액세스가능한 저장 매체"란 용어는 기계에 의한 실행을 위해 명령들의 세트를 저장, 인코딩 또는 전송할 수 있고, 기계가 본 발명의 임의의 하나 이상의 방법들을 수행할 수 있도록 하는, 임의의 매체를 포함하는 것으로 고려되어야 한다. 따라서, "기계-액세스가능한 매체"란 용어는 제한됨이 없이, 반도체(solid-state) 메모리들, 광학 및 자기 매체, 및 반송파 신호들을 포함하는 것으로서 고려되어야 한다.
상기한 상세한 설명은 제한적인 것이 아니라 예시적인 것으로 의도된다는 점을 이해해야 한다. 상기한 상세한 설명을 읽고 이해할 때 많은 다른 실시예들은 통상의 당업자에게 명백할 것이다. 따라서, 본 발명의 범주는 권리가 부여되는 청구범위에 대한 등가물들의 전체 범주와 함께, 첨부된 청구범위를 참조로 결정되어야 한다.

Claims (21)

  1. 결함들을 진단하는 방법으로서,
    통계적 프로세스 모니터링 장치에 의해 현재 결함을 검출하는 단계;
    상기 현재 결함에 기여한 하나 이상의 프로세스 변수들을 결정하는 단계;
    상기 하나 이상의 프로세스 변수들 각각의 상기 현재 결함에 대한 상대적 기여도(relative contribution)에 기초하여 상대적 기여도 세트를 계산하는 단계;
    상기 계산된 상대적 기여도 세트를 저장된 상대적 기여도 세트들과 비교하는 단계 ― 각각의 상기 저장된 상대적 기여도 세트들은 결함 시그니처(fault signature)를 규정(define)하고, 각각의 상기 저장된 상대적 기여도 세트들은 특정 결함에 대한 가장 큰 통계적 기여도들을 갖는 프로세스 변수들의 저장된 상대적 기여도들을 포함함 ―;
    상기 결함에 매칭되는 결함 시그니처를 결정하는 단계 ― 상기 결정된 결함 시그니처의 상기 저장된 상대적 기여도 세트는 상대적 기여도 범위들을 포함하고, 상기 상대적 기여도 범위들은 적어도 2개의 프로세스 변수들의 중첩하는 상대적 신뢰도(confidence) 범위들에 기초하며, 상기 결함 시그니처는 상기 계산된 상대적 기여도 세트의 상대적 기여도들이 상기 상대적 기여도 범위들 내에 있는 경우 상기 결함에 매칭됨 ―; 및
    상기 현재 결함의 원인을 규정하는 결함 클래스를 식별하는 단계
    를 포함하는 결함들을 진단하는 방법.
  2. 제 1 항에 있어서,
    상기 결함 시그니처가 상기 결함에 매칭되지 않는 경우 상기 결함에 대한 새로운 결함 시그니처를 부가하는 단계를 더 포함하는,
    결함들을 진단하는 방법.
  3. 제 2 항에 있어서,
    새로운 결함 클래스를 부가하는 단계; 및
    상기 새로운 결함 시그니처를 상기 새로운 결함 클래스와 연관시키는 단계
    를 더 포함하는, 결함들을 진단하는 방법.
  4. 제 2 항에 있어서,
    상기 새로운 결함 시그니처는 상기 결함의 한번 발생 이후에 부가되는,
    결함들을 진단하는 방법.
  5. 제 1 항에 있어서,
    제 1 프로세스 변수에 대한 제 1 상대적 기여도 범위를 포함하는 제 1 결함 시그니처를 다수의 결함 시그니처들로 분할하는 단계를 더 포함하고, 각각의 상기 다수의 결함 시그니처들은 상기 제 1 프로세스 변수의 상이한 상대적 기여도를 가지며, 각각의 상기 다수의 결함 시그니처들은 상이한 결함 클래스와 연관되는,
    결함들을 진단하는 방법.
  6. 제 1 항에 있어서,
    다수의 결함 클래스들이 하나의 결함 시그니처와 연관되는,
    결함들을 진단하는 방법.
  7. 제 1 항에 있어서,
    각각의 연관된 결함 클래스가 특정한 결함 시그니처에 대한 실제적인 결함으로 확인되는 횟수를 기록하는(tallying) 단계를 더 포함하는,
    결함들을 진단하는 방법.
  8. 제 1 항에 있어서,
    상기 결함에 부분적으로 매칭되는 결함 시그니처를 결정하는 단계 ― 부분적인 매칭은 상기 하나 이상의 프로세스 변수들 중 적어도 하나의 상대적 기여도들이 결함 시그니처의 상대적 기여도 범위 내에 있지 않는 경우 발생함 ―; 및
    매칭 근사 스코어(match closeness score)를 하나 이상의 결함 시그니처에 할당하는 단계
    를 더 포함하는, 결함들을 진단하는 방법.
  9. 제 1 항에 있어서,
    상기 결함 시그니처는 제 1 통계적 모델에 기초한 제 1 결함 시그니처 및 제 2 통계적 모델에 기초한 제 2 결함 시그니처를 갖는 조합된 결함 시그니처인,
    결함들을 진단하는 방법.
  10. 기계에 의해 실행될 때, 기계로 하여금 방법을 수행하도록 하는 명령들을 포함하는 컴퓨터 판독가능 매체로서,
    상기 방법은,
    통계적 프로세스 모니터링 장치에 의해 현재 결함을 검출하는 단계;
    상기 현재 결함에 기여한 하나 이상의 프로세스 변수들을 결정하는 단계;
    상기 하나 이상의 프로세스 변수들 각각의 상기 현재 결함에 대한 상대적 기여도에 기초하여 상대적 기여도 세트를 계산하는 단계;
    상기 계산된 상대적 기여도 세트를 저장된 상대적 기여도 세트들과 비교하는 단계 ― 각각의 상기 저장된 상대적 기여도 세트들은 결함 시그니처(fault signature)를 규정(define)하고, 각각의 상기 저장된 상대적 기여도 세트들은 특정 결함에 대한 가장 큰 통계적 기여도들을 갖는 프로세스 변수들의 저장된 상대적 기여도들을 포함함 ―;
    상기 결함에 매칭되는 결함 시그니처를 결정하는 단계 ― 상기 결정된 결함 시그니처의 상기 저장된 상대적 기여도 세트는 상대적 기여도 범위들을 포함하고, 상기 상대적 기여도 범위들은 적어도 2개의 프로세스 변수들의 중첩하는 상대적 신뢰도 범위들에 기초하며, 상기 결함 시그니처는 상기 계산된 상대적 기여도 세트의 상대적 기여도들이 상기 상대적 기여도 범위들 내에 있는 경우 상기 결함에 매칭됨 ―; 및
    상기 현재 결함의 원인을 규정하는 결함 클래스를 식별하는 단계
    를 포함하는,
    컴퓨터 판독가능 매체.
  11. 제 10 항에 있어서,
    상기 방법은,
    상기 결함 시그니처가 상기 결함에 매칭되지 않는 경우 상기 결함에 대한 새로운 결함 시그니처를 부가하는 단계를 더 포함하는,
    컴퓨터 판독가능 매체.
  12. 제 11 항에 있어서,
    상기 방법은,
    새로운 결함 클래스를 부가하는 단계; 및
    상기 새로운 결함 시그니처를 상기 새로운 결함 클래스와 연관시키는 단계를 더 포함하는,
    컴퓨터 판독가능 매체.
  13. 제 10 항에 있어서,
    상기 방법은,
    제 1 프로세스 변수에 대한 제 1 상대적 기여도 범위를 포함하는 제 1 결함 시그니처를 다수의 결함 시그니처들로 분할하는 단계를 더 포함하고, 각각의 상기 다수의 결함 시그니처들은 상기 제 1 프로세스 변수의 상이한 상대적 기여도를 가지며, 각각의 상기 다수의 결함 시그니처들은 상이한 결함 클래스와 연관되는,
    컴퓨터 판독가능 매체.
  14. 제 10 항에 있어서,
    상기 방법은,
    각각의 연관된 결함 클래스가 특정한 결함 시그니처에 대한 실제적인 결함으로 확인되는 횟수를 기록하는 단계를 더 포함하는,
    컴퓨터 판독가능 매체.
  15. 제 10 항에 있어서,
    상기 방법은,
    상기 결함에 부분적으로 매칭되는 결함 시그니처를 결정하는 단계 ― 부분적인 매칭은 상기 하나 이상의 프로세스 변수들 중 적어도 하나의 상대적 기여도들이 결함 시그니처의 상대적 기여도 범위 내에 있지 않는 경우 발생함 ―; 및
    매칭 근사 스코어를 하나 이상의 결함 시그니처에 할당하는 단계를 더 포함하는,
    컴퓨터 판독가능 매체.
  16. 제 10 항에 있어서,
    상기 결함 시그니처는 제 1 통계적 모델에 기초한 제 1 결함 시그니처 및 제 2 통계적 모델에 기초한 제 2 결함 시그니처를 갖는 조합된 결함 시그니처인,
    컴퓨터 판독가능 매체.
  17. 통계적 프로세스 모니터링 시스템으로서,
    적어도 하나의 제조 기기로부터 프로세스 데이터를 수신하기 위해, 그리고 상기 프로세스 데이터에 기초하여 결함을 검출하기 위해, 상기 적어도 하나의 제조 기기에 연결된 결함 검출기 ― 상기 프로세스 데이터는 다수의 프로세스 변수들을 포함함 ―;
    다수의 결함 시그니처들을 저장하기 위한 데이터베이스 ― 각각의 상기 결함 시그니처들은 적어도 하나의 결함 클래스와 연관됨 ―; 및
    상기 결함 검출기에 연결되고 상기 데이터베이스에 연결되는 결함 진단기
    를 포함하며, 상기 결함 진단기는,
    상기 결함에 기여한 상기 다수의 프로세스 변수들 중 하나 이상의 프로세스 변수들을 결정하고;
    상기 하나 이상의 프로세스 변수들 각각의 상기 결함에 대한 상대적 기여도에 기초하여 상대적 기여도 세트를 계산하며;
    상기 계산된 상대적 기여도 세트를 저장된 상대적 기여도 세트들과 비교하고 ― 각각의 상기 저장된 상대적 기여도 세트들은 결함 시그니처를 규정하고, 각각의 상기 저장된 상대적 기여도 세트들은 특정 결함에 대한 가장 큰 통계적 기여도들을 갖는 프로세스 변수들의 저장된 상대적 기여도들을 포함함 ―;
    상기 결함에 매칭되는 결함 시그니처를 결정하며 ― 상기 결정된 결함 시그니처의 상기 저장된 상대적 기여도 세트는 상대적 기여도 범위들을 포함하고, 상기 상대적 기여도 범위들은 적어도 2개의 프로세스 변수들의 중첩하는 상대적 신뢰도 범위들에 기초하며, 상기 결함 시그니처는 상기 계산된 상대적 기여도 세트의 상대적 기여도들이 상기 상대적 기여도 범위들 내에 있는 경우 상기 결함에 매칭됨 ―; 그리고
    상기 결함의 원인을 규정하는 결함 클래스를 식별하는,
    통계적 프로세스 모니터링 시스템.
  18. 제 17 항에 있어서,
    상기 결함 진단기는 상기 다수의 결함 시그니처들 중 어떤 결함 시그니처들도 상기 결함에 매칭되지 않는 경우 새로운 결함 시그니처를 상기 데이터베이스에 저장하는,
    통계적 프로세스 모니터링 시스템.
  19. 제 18 항에 있어서,
    상기 결함 진단기는 새로운 결함 클래스를 상기 데이터베이스에 저장하고 상기 새로운 결함 시그니처를 상기 새로운 결함 클래스와 연관시키는,
    통계적 프로세스 모니터링 시스템.
  20. 제 17 항에 있어서,
    상기 결함 진단기는 상기 다수의 결함 시그니처들 중 어떤 결함 시그니처가 상기 결함에 부분적으로 매칭되는지를 추가적으로 결정하고 매칭 근사 스코어를 상기 다수의 결함 시그니처들 중 하나 이상에 할당하며, 부분적인 매칭은 상기 하나 이상의 프로세스 변수들 중 적어도 하나의 상대적 기여도들이 결함 시그니처의 상대적 기여도 범위 내에 있지 않는 경우 발생하는,
    통계적 프로세스 모니터링 시스템.
  21. 제 17 항에 있어서,
    상기 다수의 결함 시그니처들 중 적어도 하나는 제 1 통계적 모델에 기초한 제 1 결함 시그니처 및 제 2 통계적 모델에 기초한 제 2 결함 시그니처를 갖는 조합된 결함 시그니처인,
    통계적 프로세스 모니터링 시스템.
KR1020087029785A 2006-05-07 2007-05-07 결함 진단을 위한 분류된 결함 시그니처들 KR101019459B1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US74664906P 2006-05-07 2006-05-07
US74664706P 2006-05-07 2006-05-07
US60/746,649 2006-05-07
US60/746,647 2006-05-07
US11/800,461 US7596718B2 (en) 2006-05-07 2007-05-04 Ranged fault signatures for fault diagnosis
US11/800,461 2007-05-04

Publications (2)

Publication Number Publication Date
KR20090007484A KR20090007484A (ko) 2009-01-16
KR101019459B1 true KR101019459B1 (ko) 2011-03-07

Family

ID=38694427

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020087029785A KR101019459B1 (ko) 2006-05-07 2007-05-07 결함 진단을 위한 분류된 결함 시그니처들

Country Status (4)

Country Link
US (2) US7596718B2 (ko)
JP (1) JP2010501091A (ko)
KR (1) KR101019459B1 (ko)
WO (1) WO2007133543A2 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101736230B1 (ko) 2016-02-12 2017-05-29 한국원자력연구원 결함검출률 정량화 시스템 및 방법
KR20190123279A (ko) * 2017-03-08 2019-10-31 엠티에스 컨설팅 앤 엔지니어링 게엠베하 제품 검증 및 제조 공정에서의 센서 데이터로부터 결함 패턴을 결정하기 위한 시스템 및 방법

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7161403B2 (en) * 2004-06-18 2007-01-09 Nantero, Inc. Storage elements using nanotube switching elements
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
TWI323016B (en) * 2006-12-25 2010-04-01 Ind Tech Res Inst Real-time fault detection and classification system in use with a semiconductor fabrication process
US7927319B2 (en) * 2007-02-20 2011-04-19 Kci Licensing, Inc. System and method for distinguishing leaks from a disengaged canister condition in a reduced pressure treatment system
WO2008137544A1 (en) * 2007-05-02 2008-11-13 Mks Instruments, Inc. Automated model building and model updating
US7765020B2 (en) * 2007-05-04 2010-07-27 Applied Materials, Inc. Graphical user interface for presenting multivariate fault contributions
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
WO2008157498A1 (en) * 2007-06-15 2008-12-24 Shell Oil Company Methods and systems for predicting equipment operation
US7904756B2 (en) 2007-10-19 2011-03-08 Oracle International Corporation Repair planning engine for data corruptions
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8190543B2 (en) 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US20090282296A1 (en) * 2008-05-08 2009-11-12 Applied Materials, Inc. Multivariate fault detection improvement for electronic device manufacturing
US8335582B2 (en) * 2008-05-19 2012-12-18 Applied Materials, Inc. Software application to analyze event log and chart tool fail rate as function of chamber and recipe
TWI368962B (en) * 2008-07-04 2012-07-21 Inotera Memories Inc Method of fault detection and classification for wafer acceptance test
TWI399660B (zh) * 2008-07-09 2013-06-21 Inotera Memories Inc 偵測半導體製程變異之方法
US8527080B2 (en) * 2008-10-02 2013-09-03 Applied Materials, Inc. Method and system for managing process jobs in a semiconductor fabrication facility
US8989887B2 (en) 2009-02-11 2015-03-24 Applied Materials, Inc. Use of prediction data in monitoring actual production targets
US8155770B2 (en) * 2009-03-31 2012-04-10 Globalfoundries Inc. Method and apparatus for dispatching workpieces to tools based on processing and performance history
US9323234B2 (en) 2009-06-10 2016-04-26 Fisher-Rosemount Systems, Inc. Predicted fault analysis
US8571696B2 (en) * 2009-06-10 2013-10-29 Fisher-Rosemount Systems, Inc. Methods and apparatus to predict process quality in a process control system
SG176797A1 (en) * 2009-06-30 2012-01-30 Lam Res Corp Automatic fault detection and classification in a plasma processing system and methods thereof
KR101172579B1 (ko) 2009-12-15 2012-08-09 한국과학기술원 이상 속성을 포함하는 데이터의 검출 방법 및 장치
US9122273B2 (en) * 2010-02-26 2015-09-01 Hitachi, Ltd. Failure cause diagnosis system and method
KR101094074B1 (ko) 2010-04-22 2011-12-15 주식회사 지오네트 성능저하 및 고장원인 조기 진단을 위한 알고리즘 분석모델 제작방법
US8549012B2 (en) * 2010-05-12 2013-10-01 Taiwan Semiconductor Manufacturing Company, Ltd. Processing exception handling
US8855804B2 (en) * 2010-11-16 2014-10-07 Mks Instruments, Inc. Controlling a discrete-type manufacturing process with a multivariate model
FR2970796B1 (fr) * 2011-01-20 2016-11-11 European Aeronautic Defence & Space Co Eads France Procede de traitement de messages de pannes generes dans un appareil a systemes complexes
US10331510B2 (en) * 2011-05-23 2019-06-25 Siemens Corporation Simulation based fault diagnosis using extended heat flow models
GB2494416A (en) 2011-09-07 2013-03-13 Rolls Royce Plc Asset Condition Monitoring Using Internal Signals Of The Controller
US9915940B2 (en) * 2011-10-31 2018-03-13 Applied Materials, Llc Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data
JP5921200B2 (ja) * 2012-01-05 2016-05-24 株式会社日立国際電気 基板処理装置、基板処理方法、半導体装置の製造方法、縮退運用プログラムおよび生産リストの作成プログラム
US9541471B2 (en) 2012-04-06 2017-01-10 Mks Instruments, Inc. Multivariate prediction of a batch manufacturing process
US9429939B2 (en) 2012-04-06 2016-08-30 Mks Instruments, Inc. Multivariate monitoring of a batch manufacturing process
GB201308397D0 (en) 2013-05-10 2013-06-19 Rolls Royce Plc Equipment monitoring system
US9092563B1 (en) * 2013-09-27 2015-07-28 Emc Corporation System for discovering bugs using interval algebra query language
US20150219530A1 (en) * 2013-12-23 2015-08-06 Exxonmobil Research And Engineering Company Systems and methods for event detection and diagnosis
US9697470B2 (en) 2014-04-16 2017-07-04 Applied Materials, Inc. Apparatus and method for integrating manual and automated techniques for automated correlation in data mining
US20150331980A1 (en) * 2014-05-15 2015-11-19 Applied Materials, Inc. Apparatus and method for classifying context types for multivariate modeling
US20160203036A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity
FR3048527B1 (fr) * 2016-03-02 2021-01-01 Snecma Systeme d'analyse de donnees d'essais d'un moteur d'aeronef
WO2017153005A1 (en) * 2016-03-09 2017-09-14 Siemens Aktiengesellschaft Smart embedded control system for a field device of an automation system
US11054815B2 (en) * 2016-03-11 2021-07-06 Applied Materials, Inc. Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system
ES2710338T3 (es) * 2016-05-10 2019-04-24 Von Sobbe Hans Ulrich Sistema de análisis
CN109863456B (zh) * 2016-10-21 2021-06-18 Asml荷兰有限公司 确定图案化过程的校正的方法
US10283320B2 (en) * 2016-11-11 2019-05-07 Applied Materials, Inc. Processing chamber hardware fault detection using spectral radio frequency analysis
WO2018220813A1 (ja) * 2017-06-02 2018-12-06 富士通株式会社 判定装置、判定方法及び判定プログラム
US10678194B2 (en) * 2017-06-12 2020-06-09 Honeywell International Inc. Apparatus and method for estimating impacts of operational problems in advanced control operations for industrial control systems
US11112449B2 (en) * 2018-04-06 2021-09-07 Bendy Nevada, LLC Flexible and scalable monitoring systems for industrial machines
WO2020027207A1 (ja) * 2018-08-03 2020-02-06 パナソニックＩｐマネジメント株式会社 異常検出方法、情報処理装置及び異常検出システム
JP6990634B2 (ja) * 2018-08-21 2022-02-03 株式会社日立ハイテク 状態予測装置及び半導体製造装置
WO2020045757A1 (ko) * 2018-08-26 2020-03-05 주식회사 아이티공간 기기의 실시간 컨디션 출력 경고등 시스템 및 기기의 실시간 컨디션 출력 방법
JP6517991B1 (ja) * 2018-08-31 2019-05-22 株式会社日立パワーソリューションズ 異常予兆診断システム、管理装置、及び異常予兆診断方法
CN112668727A (zh) * 2019-09-29 2021-04-16 北京国双科技有限公司 检测设备故障的方法和装置
US11486927B2 (en) 2020-04-02 2022-11-01 Applied Materials, Inc. Bode fingerprinting for characterizations and failure detections in processing chamber
DE102020109858A1 (de) * 2020-04-08 2021-10-14 Balluff Gmbh Verfahren zum Betreiben eines Systems
US20220171374A1 (en) * 2020-12-02 2022-06-02 Noodle Analytics, Inc. Defect profiling and tracking system for process-manufacturing enterprise
DE102021203312A1 (de) * 2021-03-31 2022-10-06 Rolls-Royce Deutschland Ltd & Co Kg System und Verfahren zur Zustandserkennung einer Vorrichtung

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907545B2 (en) * 2001-03-02 2005-06-14 Pitney Bowes Inc. System and method for recognizing faults in machines

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5442562A (en) 1993-12-10 1995-08-15 Eastman Kodak Company Method of controlling a manufacturing process using multivariate analysis
US5694401A (en) * 1994-06-27 1997-12-02 Tandem Computers Incorporated Fault isolation using pseudo-random scan
US5544308A (en) * 1994-08-02 1996-08-06 Giordano Automation Corp. Method for automating the development and execution of diagnostic reasoning software in products and processes
US6202181B1 (en) * 1996-11-04 2001-03-13 The Regents Of The University Of California Method for diagnosing bridging faults in integrated circuits
US6442445B1 (en) 1999-03-19 2002-08-27 International Business Machines Corporation, User configurable multivariate time series reduction tool control method
US6625688B1 (en) * 1999-05-10 2003-09-23 Delphi Technologies, Inc. Method and circuit for analysis of the operation of a microcontroller using signature analysis of memory
US7413546B2 (en) 1999-12-07 2008-08-19 Univeristy Of Utah Research Foundation Method and apparatus for monitoring dynamic cardiovascular function using n-dimensional representations of critical functions
AU1949501A (en) 1999-12-07 2001-06-18 University Of Utah Research Foundation Method and apparatus for monitoring dynamic systems using n-dimensional representations of critical functions
US6615366B1 (en) * 1999-12-21 2003-09-02 Intel Corporation Microprocessor with dual execution core operable in high reliability mode
US6853920B2 (en) 2000-03-10 2005-02-08 Smiths Detection-Pasadena, Inc. Control for an industrial process using one or more multidimensional variables
WO2002030265A2 (en) 2000-10-13 2002-04-18 The Brigham And Women's Hospital, Inc. Method and display for multivariate classification
US6600204B2 (en) * 2001-07-11 2003-07-29 General Semiconductor, Inc. Low-voltage punch-through bi-directional transient-voltage suppression devices having surface breakdown protection and methods of making the same
US6954884B2 (en) * 2001-06-01 2005-10-11 Lucent Technologies Inc. System and method for effecting recovery of a network
US20030100995A1 (en) * 2001-07-16 2003-05-29 Affymetrix, Inc. Method, system and computer software for variant information via a web portal
US7089154B2 (en) * 2001-08-09 2006-08-08 Rovsing Dynamics A/S Automatic machinery fault diagnostic method and apparatus
US7072794B2 (en) 2001-08-28 2006-07-04 Rockefeller University Statistical methods for multivariate ordinal data which are used for data base driven decision support
US6873914B2 (en) 2001-11-21 2005-03-29 Icoria, Inc. Methods and systems for analyzing complex biological systems
US6954883B1 (en) * 2002-01-11 2005-10-11 Advanced Micro Devices, Inc. Method and apparatus for performing fault detection using data from a database
US6662089B2 (en) * 2002-04-12 2003-12-09 Honeywell International Inc. Method and apparatus for improving fault classifications
US7096074B2 (en) 2002-05-30 2006-08-22 Insyst Ltd. Methods and apparatus for early fault detection and alert generation in a process
TW583567B (en) 2002-06-28 2004-04-11 Powerchip Semiconductor Corp Automatic intelligent system for performing yield rate improvement and multivariate analysis of production process parameters and method thereof
US7680753B2 (en) * 2002-07-10 2010-03-16 Satyam Computer Services Limited System and method for fault identification in an electronic system based on context-based alarm analysis
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
US6893882B2 (en) 2002-12-06 2005-05-17 Taiwan Semiconductor Manufacturing Co., Ltd. Multivariate RBR tool aging detector
US7062411B2 (en) 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
US7328126B2 (en) 2003-09-12 2008-02-05 Tokyo Electron Limited Method and system of diagnosing a processing system using adaptive multivariate analysis
US20050114023A1 (en) 2003-11-26 2005-05-26 Williamson Walton R. Fault-tolerant system, apparatus and method
WO2006034179A2 (en) 2004-09-17 2006-03-30 Mks Instruments, Inc. Method and apparatus for multivariate control of semiconductor manufacturing processes
US20070028220A1 (en) 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
US7477960B2 (en) 2005-02-16 2009-01-13 Tokyo Electron Limited Fault detection and classification (FDC) using a run-to-run controller
US20070006037A1 (en) * 2005-06-29 2007-01-04 Microsoft Corporation Automated test case result analyzer
US7809450B2 (en) 2005-07-07 2010-10-05 Mks Instruments, Inc. Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments
EP1913506A4 (en) 2005-07-11 2008-08-13 Brooks Automation Inc INTELLIGENT STATUS MONITORING AND TROUBLESHOOTING SYSTEM FOR PREDICTIVE MAINTENANCE
KR100640663B1 (ko) 2005-08-12 2006-11-01 삼성전자주식회사 상수 및 동일 패턴을 갖는 파라미터들을 다변량 모델링하는방법 및 장치 그리고 이를 이용한 반도체 제조방법
US7596718B2 (en) 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
CN101438251A (zh) 2006-05-07 2009-05-20 应用材料股份有限公司 调适多变量错误检测
US7587296B2 (en) * 2006-05-07 2009-09-08 Applied Materials, Inc. Adaptive multivariate fault detection
US7765020B2 (en) * 2007-05-04 2010-07-27 Applied Materials, Inc. Graphical user interface for presenting multivariate fault contributions
US8010321B2 (en) 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907545B2 (en) * 2001-03-02 2005-06-14 Pitney Bowes Inc. System and method for recognizing faults in machines

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101736230B1 (ko) 2016-02-12 2017-05-29 한국원자력연구원 결함검출률 정량화 시스템 및 방법
KR20190123279A (ko) * 2017-03-08 2019-10-31 엠티에스 컨설팅 앤 엔지니어링 게엠베하 제품 검증 및 제조 공정에서의 센서 데이터로부터 결함 패턴을 결정하기 위한 시스템 및 방법
KR102505722B1 (ko) * 2017-03-08 2023-03-02 엠티에스 컨설팅 앤 엔지니어링 게엠베하 제품 검증 및 제조 공정에서의 센서 데이터로부터 결함 패턴을 결정하기 위한 시스템 및 방법

Also Published As

Publication number Publication date
KR20090007484A (ko) 2009-01-16
US7934125B2 (en) 2011-04-26
US7596718B2 (en) 2009-09-29
WO2007133543A2 (en) 2007-11-22
US20080125898A1 (en) 2008-05-29
US20080015726A1 (en) 2008-01-17
WO2007133543A3 (en) 2008-09-12
JP2010501091A (ja) 2010-01-14

Similar Documents

Publication Publication Date Title
KR101019459B1 (ko) 결함 진단을 위한 분류된 결함 시그니처들
US8010321B2 (en) Metrics independent and recipe independent fault classes
KR101018545B1 (ko) 적응형 다변수 결함 검출
US7765020B2 (en) Graphical user interface for presenting multivariate fault contributions
US7221990B2 (en) Process control by distinguishing a white noise component of a process variance
US5642296A (en) Method of diagnosing malfunctions in semiconductor manufacturing equipment
US7603328B2 (en) Dual-phase virtual metrology method
CN101438249A (zh) 用于错误诊断的多种错误特征
EP1191308A2 (en) Fault detection method and apparatus
JP2017211713A (ja) 生産システム
WO2006034179A2 (en) Method and apparatus for multivariate control of semiconductor manufacturing processes
TWI641934B (zh) 虛擬量測系統與方法
US20060189009A1 (en) Apparatus for controlling semiconductor manufacturing process
US20130080372A1 (en) Architecture and methods for tool health prediction
JP2004355330A (ja) 診断装置及び診断方法
JP6647461B1 (ja) 故障診断システム、故障予測方法、および故障予測プログラム
TW200811978A (en) Ranged fault signatures for fault diagnosis
KR20240052016A (ko) 반도체 제조 장비의 적응형 문제 해결을 위한 시스템들 및 방법들
KR100446926B1 (ko) 반도체제조장치의 감시 및 제어방법과 그 실시장치
TW202409764A (zh) 用於基板處理設備的多維感測器資料的整體分析

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140129

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150129

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20151230

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20161229

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20180212

Year of fee payment: 8