KR101482758B1 - 문제 검출 방법 - Google Patents
문제 검출 방법 Download PDFInfo
- Publication number
- KR101482758B1 KR101482758B1 KR20110046083A KR20110046083A KR101482758B1 KR 101482758 B1 KR101482758 B1 KR 101482758B1 KR 20110046083 A KR20110046083 A KR 20110046083A KR 20110046083 A KR20110046083 A KR 20110046083A KR 101482758 B1 KR101482758 B1 KR 101482758B1
- Authority
- KR
- South Korea
- Prior art keywords
- result
- value
- deriving
- estimate
- samples
- Prior art date
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
본 발명의 일 실시예에 따른 문제 검출 방법은, 복수의 공정에서 복수의 장치에 의해 처리된 샘플들에 대한 파라미터(parameter)의 모니터링 데이터(또는 모니터링 데이터의 대표값)와, 상기 공정의 결과를 확인하기 위한 결과값을 수집하는 단계; 상기 모니터링 데이터를 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 장치에서 상기 각 샘플에 대한 제1 결과 추정값을 도출하는 단계; 상기 제1 결과 추정값을 상기 각 공정의 대표값으로서 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 샘플에 대한 제2 결과 추정값을 도출하는 단계; 및 상기 제2 결과 추정값을 토대로 하여, 상기 각 공정의 기여도를 계산하여 문제 공정을 검출하는 단계를 포함한다.
Description
본 발명은 문제 검출 방법에 관한 것으로, 좀더 상세하게는 정확한 분석이 가능한 문제 검출 방법에 관한 것이다.
반도체, 디스플레이, 화학, 철강 등의 다양한 산업 분야에서 생산되는 제품은 수 많은 공정을 거쳐서 제조된다. 이때, 공정들의 중간에 제품의 요구 사항이 만족되는지 여부를 반복 검사하고, 최종적으로 공정 완료 후에 수율 및 품질 측정 등을 검사하게 된다.
특히, 수율은 공정이 완료된 상태에서의 불량 여부 및 품질의 상태를 나타내기 때문에 매우 중요한 인자이다. 따라서, 수율을 극대화하고 품질의 상태를 최상으로 유지하는 것이 매우 중요하다.
품질 개선 및 불량의 조기 확인을 위하여 통계적 공정 관리(statistical process control, STC) 등이 수행되고 있으며, 최첨단의 정밀 측정 장치들과 통계적 기법들이 적용되고 있다.
그러나 개별 공정과 관련된 모든 변수들이 수율에 얼마나 영향을 미치는지를 파악하는 것은 어려운데, 공정 중에 발생되는 문제를 검출하여 이에 적절히 해결하지 못하면 큰 손실을 초래할 수 있다. 하나의 생산 라인에 다수의 공정, 장치, 파라미터 등이 존재하므로, 문제가 발생한 공정, 장치 및 파라미터(parameter)를 정확하게 찾아서 조치를 취해야만 문제를 해결할 수 있다.
문제가 되는 공정, 장치 및 파라미터를 검출하기 위하여 데이터 마이닝(data mining) 등이 적용되고 있다. 데이터 마이닝이라 함은 많은 데이터 가운데 숨겨져 있는 유용한 상관관계를 발견하여, 미래에 실행 가능한 정보를 추출해 내고 의사 결정에 이용하는 과정을 말한다. 이러한 데이터 마이닝으로는, 분산 분석(analysis of variance, ANOVA) 방법, 순차 패턴(sequential pattern) 방법 등이 있다.
그런데, 이러한 분산 분석 방법, 순차 패턴 방법에 의하면, 다양한 공정 및 장치가 있는 복잡한 환경에서 정확한 분석 결과를 얻기 어려울 수 있다. 이는 분산 분석 방법, 순차 패턴 방법의 결과값 자체가 개별 공정 및 장치로 발생하는 결과값의 변동을 적절하게 대변하기 어렵기 때문이다. 또한, 결과값을 이용하여 분석을 하는 경우에 해당 샘플들의 공정별 결과값의 평균이 모두 같아서 문제 공정의 탐색이 불가능하며, 개별 공정의 장치 대수가 1대이면 문제 순위가 모두 같아질 수 있다.
즉, 종래의 방법에 따르면 정확한 분석 결과를 얻기 어려울 수 있다.
본 발명은, 문제가 되는 공정, 장치, 파라미터를 통계적으로 정확하게 검출할 수 있는 문제 검출 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 문제 검출 방법은, 복수의 공정에서 복수의 장치에 의해 처리된 샘플들에 대한 파라미터(parameter)의 모니터링 데이터(또는 모니터링 데이터의 대표값)와, 상기 공정의 결과를 확인하기 위한 결과값을 수집하는 단계; 상기 모니터링 데이터를 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 장치에서 상기 각 샘플에 대한 제1 결과 추정값을 도출하는 단계; 상기 제1 결과 추정값을 상기 각 공정의 대표값으로서 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 샘플에 대한 제2 결과 추정값을 도출하는 단계; 및 상기 제2 결과 추정값을 토대로 하여, 상기 각 공정의 기여도를 계산하여 문제 공정을 검출하는 단계를 포함한다.
상기 제1 결과 추정값과 상기 제2 결과 추정값을 도출하는 단계 사이에, 상기 각 샘플을 기준으로 상기 각 공정별 상기 제1 결과 추정값과 상기 결과값을 재배열하는 단계를 더 포함할 수 있다.
상기 제1 결과 추정값을 도출하는 단계 및 상기 제2 결과 추정값을 도출하는 단계 각각에서는, 회귀 모델링을 이용하여 상기 독립 변수와 상기 종속 변수의 관계를 도출할 수 있다.
상기 회귀 모델링은, 최소 제곱법(ordinary least square, OLS), 주성분 분석(principle component regression, PCR) 및 부분 최소 제곱법(partial least square, PLS) 중 적어도 어느 하나일 수 있다.
상기 문제 공정을 검출하는 단계에서는, 상기 샘플들을 상기 제2 결과 추정값을 기준으로 하여 불량 그룹과 양호 그룹으로 구분하고, 상기 각 공정의 상기 기여도는 다음 수학식에 의하여 도출될 수 있다.
<수학식>
기여도 = {(불량 그룹의 평균) - (양호 그룹의 평균)} * 회귀 계수
(여기서, 상기 회귀 계수는 상기 제2 결과 추정값을 도출하기 위한 상기 회귀 모델링에 의하여 도출된 계수이다.)
상기 문제 공정을 위한 상기 장치가 복수일 때, 상기 문제 공정을 검출하는 단계 이후에, 상기 문제 공정을 위한 상기 각 장치의 총 손실을 계산하여 문제 장치를 검출하는 단계를 더 포함할 수 있다.
상기 제2 결과 추정값을 도출하는 단계에서는, 회귀 모델링을 이용하여 상기 독립 변수와 상기 종속 변수의 관계를 도출할 수 있다. 상기 문제 장치를 검출하는 단계에서는, 상기 샘플들을 상기 제2 결과 추정값을 기준으로 하여 불량 그룹과 양호 그룹으로 구분하고, 상기 각 장치의 상기 총 손실은 다음 수학식에 의하여 도출될 수 있다.
<수학식>
총 손실 = {(불량 그룹의 평균) - (양호 그룹의 평균)} * 불량 그룹의 샘플 개수 * 회귀 계수
(여기서, 상기 회귀 계수는 상기 제2 결과 추정값을 도출하기 위한 상기 회귀 모델링에 의하여 도출된 계수이다.)
본 발명의 일 실시예에 따른 문제 검출 방법은, 복수의 공정을 위하여 복수의 장치에서 처리된 샘플들에 대한 파라미터(parameter)의 모니터링 데이터(또는 모니터링 데이터의 대표값)와, 상기 공정의 결과를 확인하기 위한 결과값을 수집하여, 상기 각 장치에서 상기 각 샘플에 대한 제1 결과 추정값을 도출하고; 상기 제1 결과 추정값을 상기 각 공정의 대표값으로서 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 샘플에 대한 제2 결과 추정값을 도출하여 문제 공정, 문제 장치, 문제 파라미터 중 적어도 어느 하나를 도출한다.
본 실시예에서 따르면, 두 차례에 걸쳐 결과값을 추정하여, 복수의 장치를 사용한 복수의 공정을 가지는 복잡한 환경에서도 문제 공정, 문제 장치 또는/및 문제 파라미터를 통계적으로 정확하게 검출할 수 있다. 또한, 두 차례의 걸친 결과값 추정에 의하여 장치의 샘플 개수에 따라 결과값 추정이 달라지는 문제를 보완할 수 있다.
도 1은 본 발명의 일 실시예에 따른 문제 검출 방법의 흐름도이다.
이하, 본 발명의 일 실시예에 따른 문제 검출 방법을 상세하게 설명하면 다음과 같다.
본 실시예에 따른 문제 검출 방법은, 작업 지시서(recipe)에 따라 다양한 장치를 이용한 다양한 공정에 의해 진행되는 생산 라인에서 수율이 저하되는 등의 문제가 발생하였을 때, 어느 공정, 장치 및/또는 파라미터(parameter)에 의한 문제인지를 검출하기 위한 것이다.
이러한 문제 검출 방법은 모니터링부, 데이터 수집부, 회귀 모델링 등을 통한 분석부 등을 포함하는 문제 검출 시스템에 의하여 수행될 수 있다. 이러한 문제 검출 시스템으로는 다양한 구성을 사용할 수 있다.
이때, 본 실시예에서는 다양한 공정에서 다양한 장치에 의해 처리된 샘플들에 대한 파라미터의 모니터링 데이터(또는 모니터링 데이터의 대표값)과, 각 공정의 결과를 확인하기 위한 결과값을 이용하여, 두 차례에 걸쳐 결과값을 추정하여 문제 공정 및/또는 문제 장치를 정확하게 검출할 수 있다. 이에 대하여 도 1을 참조하여 좀더 상세하게 설명하면 다음과 같다.
도 1은 본 발명의 일 실시예에 따른 문제 검출 방법의 흐름도이다.
도 1을 참조하면, 본 실시예에 따른 문제 검출 방법은, 모니터링 데이터와 결과값을 수집하는 단계(ST10), 제1 결과 추정값을 도출하는 단계(ST20), 제2 결과 추정값을 도출하는 단계(ST30), 문제 공정을 검출하는 단계(ST40) 및 문제 장치를 검출하는 단계(ST50)를 포함할 수 있다. 그리고 제1 결과 추정값을 도출하는 단계(ST20)와 제2 결과 추정값을 도출하는 단계(ST30) 사이에 데이터를 재배열하는 단계를 더 포함할 수 있다. 이러한 단계들(ST10, ST20, ST30, ST40, ST50)을 구체적인 참조예와 함께 설명한다.
먼저, 모니터링 데이터와 결과값을 수집하는 단계(ST10)에서는, 하나의 생산 라인의 모든 공정들에 사용되는 모든 장치들에서 파라미터의 모니터링 데이터(또는 그 모니터링 데이터의 대표값, 이하 동일)와, 공정의 결과를 확인하기 위한 결과값(Y)을 수집한다.
여기서, 파라미터의 모니터링 데이터는 설비 분석 시스템(fault detection and classification, FDC)를 위한 모니터링 데이터일 수 있다. 모니터링 데이터는 실제 모니터링 데이터일 수도 있고, 또는 이의 대표값을 사용할 수도 있다. 일례로, 대표값으로는 평균값(mean), 중앙값(median), 최빈값(mode), 최소값(min), 최대값(max), 표준 편차(standard deviation) 등을 사용할 수 있다. 그러나 본 발명이 이에 한정되는 것은 아니며 다양한 형태의 모니터링 데이터를 사용할 수 있음은 물론이다.
그리고 공정의 결과를 확인하기 위한 결과값(Y)은, 각 공정에서 결과를 확인할 수 있도록 측정된 값 또는 최종 공정까지 모두 완료된 후에 측정된 수율 등일 수 있다. 그러나 본 발명이 이에 한정되는 것은 아니며 다양한 형태의 결과값(Y)을 사용할 수 있음은 물론이다.
좀더 구체적인 설명을 위하여, 총 공정 수가 네 개이고 공정이 완료된 후 측정이 이루어진 경우를 참조예로 하여 설명한다.
공정 1에는 장치 1, 2 및 3이 사용되고, 공정 2에는 장치 4 및 5가 사용되고, 공정 3에는 장치 6, 7 및 8이 사용되며, 공정 4에는 장치 9 및 10이 사용된다. 장치 1 내지 10에서 파라미터의 모니터링 데이터와 결과값(Y)를 수집한다. 이때, 본 예에서는 샘플수를 30개로 한정하였으며 통계적으로 충분한 개수로 가정한다. 공정 1 내지 4 각각에서 수집된 결과를 표 1 내지 4에 각기 나타낸다.
장치 | 샘플 | 파라미터1 | 파라미터2 | 결과값(Y) |
1 | 3 | 1.087323979 | 0.168571736 | 113.378 |
1 | 4 | 1.439607227 | 0.299231028 | 113.716 |
1 | 11 | 0.783178245 | 0.629731551 | 117.348 |
1 | 15 | 0.641369697 | 0.647677098 | 125.80178 |
1 | 20 | -0.055424353 | 0.770480737 | 115.27904 |
1 | 21 | -1.251294653 | -0.882737098 | 139.06036 |
1 | 24 | -1.147614337 | -1.223964447 | 129.83183 |
1 | 28 | -1.149346478 | -0.46292273 | 134.97439 |
2 | 1 | 0.375337797 | -0.003930497 | 109.826 |
2 | 6 | 1.193295778 | -0.006591345 | 116.054 |
2 | 7 | 1.216271752 | 0.064334012 | 114.802 |
2 | 14 | 0.703459071 | 0.575822276 | 134.7551 |
2 | 16 | 0.802227046 | 0.794299645 | 125.75846 |
2 | 17 | 0.761520132 | 0.851200281 | 124.628 |
2 | 19 | -0.014118469 | 0.983055664 | 116.86234 |
2 | 25 | -1.162179894 | -1.062554209 | 131.62751 |
2 | 29 | -1.147970358 | -0.566555601 | 133.15354 |
2 | 30 | -1.097137412 | -0.691203528 | 129.33817 |
3 | 2 | 0.962508753 | -0.046636902 | 112.342 |
3 | 5 | 1.182766254 | -0.0344649 | 115.132 |
3 | 8 | 1.313860295 | -0.125846753 | 114.406 |
3 | 9 | 1.247544985 | -0.130129307 | 115.234 |
3 | 10 | 1.29444597 | 0.072399671 | 115.992 |
3 | 12 | 0.793054197 | 0.878351294 | 118.172 |
3 | 13 | 0.814762113 | 1.114119386 | 126.2292 |
3 | 18 | 0.768703154 | 0.553363257 | 124.544 |
3 | 22 | -1.13722232 | -0.877141286 | 134.60623 |
3 | 23 | -1.090096609 | -0.679655556 | 131.22874 |
3 | 26 | -1.122703452 | -0.762113635 | 136.47357 |
3 | 27 | -1.166960324 | -0.89161669 | 133.47269 |
장치 | 샘플 | 파라미터1 | 파라미터2 | 파라미터3 | 결과값(Y) |
4 | 1 | -0.781378508 | 0.642367024 | -0.430569038 | 109.826 |
4 | 2 | 0.735528884 | -0.620969241 | 0.162031837 | 112.342 |
4 | 3 | -0.492125108 | 0.978357589 | -0.50739231 | 113.378 |
4 | 4 | -0.363968799 | 0.076714271 | -0.950819638 | 113.716 |
4 | 5 | 0.09293687 | 0.320817203 | -0.817713907 | 115.132 |
4 | 6 | 0.329068085 | -0.305395456 | -0.240495585 | 116.054 |
4 | 7 | -0.296797325 | 0.241840575 | -0.520370278 | 114.802 |
4 | 12 | 0.783185468 | 0.213427446 | -0.280033976 | 118.172 |
4 | 14 | -0.635785345 | -0.568000504 | 0.622599207 | 134.7551 |
4 | 17 | -0.742424202 | 0.618562649 | -0.571219651 | 124.628 |
4 | 18 | 0.330523798 | -0.882157867 | -0.867567975 | 124.544 |
4 | 19 | 0.307889112 | -0.248182483 | -0.373614485 | 116.86234 |
4 | 20 | -0.395566013 | 0.154956765 | 0.806866291 | 115.27904 |
4 | 22 | -0.946601841 | 0.479679282 | 0.346077063 | 134.60623 |
4 | 25 | -0.874242826 | -0.755147241 | 0.66287369 | 131.62751 |
4 | 27 | 0.170389281 | 0.256868103 | 0.117280167 | 133.47269 |
4 | 28 | 0.18493015 | -0.856778875 | -0.22070048 | 134.97439 |
4 | 29 | 0.753516568 | 0.141109232 | -0.850662894 | 133.15354 |
5 | 8 | 0.399737331 | -0.977928947 | -0.320090495 | 114.406 |
5 | 9 | -0.330236773 | -0.606657031 | -0.056213935 | 115.234 |
5 | 10 | 0.466903148 | 0.339630476 | 0.842300719 | 115.992 |
5 | 11 | -0.408831099 | -0.004097846 | -0.156969507 | 117.348 |
5 | 13 | -0.875172063 | 0.976917997 | -0.050849825 | 126.2292 |
5 | 15 | -0.639701855 | -0.491456582 | -0.812606768 | 125.80178 |
5 | 16 | 0.457326264 | -0.16595555 | 0.121438279 | 125.75846 |
5 | 21 | -0.715112926 | -0.322953123 | -0.047068314 | 139.06036 |
5 | 23 | 0.632576091 | 0.167569406 | 0.172688074 | 131.22874 |
5 | 24 | -0.05934292 | -0.771176134 | 0.107511349 | 129.83183 |
5 | 26 | -0.52144022 | -0.0270464 | -0.210524318 | 136.47357 |
5 | 30 | 0.005361003 | -0.883473283 | -0.366417479 | 129.33817 |
장치 | 샘플 | 파라미터6 | 파라미터7 | 파라미터8 | 파라미터9 | 파라미터10 | 결과값(Y) |
6 | 1 | -0.781378508 | 0.642367024 | -0.430569038 | 0.794001154 | -0.206811725 | 109.826 |
6 | 2 | 0.735528884 | -0.620969241 | 0.162031837 | 0.726322376 | -0.285613022 | 112.342 |
6 | 3 | -0.492125108 | 0.978357589 | -0.50739231 | 0.529882675 | -0.693414283 | 113.378 |
6 | 4 | -0.363968799 | 0.076714271 | -0.950819638 | -0.424987004 | -0.427375833 | 113.716 |
6 | 6 | 0.329068085 | -0.305395456 | -0.240495585 | -0.333021658 | -0.765796674 | 116.054 |
6 | 20 | -0.395566013 | 0.154956765 | 0.806866291 | 0.286904349 | 0.269865016 | 115.27904 |
6 | 22 | -0.946601841 | 0.479679282 | 0.346077063 | 0.754835451 | 0.228370339 | 134.60623 |
6 | 26 | -0.52144022 | -0.0270464 | -0.210524318 | 0.477352601 | -0.448897646 | 136.47357 |
6 | 29 | 0.753516568 | 0.141109232 | -0.850662894 | -0.403484346 | 0.368354651 | 133.15354 |
6 | 30 | 0.005361003 | -0.883473283 | -0.366417479 | 0.426186788 | -0.019522708 | 129.33817 |
7 | 5 | 0.09293687 | 0.320817203 | -0.817713907 | 0.108425837 | -0.934161866 | 115.132 |
7 | 9 | -0.330236773 | -0.606657031 | -0.056213935 | -0.512994184 | -0.550152358 | 115.234 |
7 | 10 | 0.466903148 | 0.339630476 | 0.842300719 | 0.417076959 | -0.836269286 | 115.992 |
7 | 13 | -0.875172063 | 0.976917997 | -0.050849825 | 0.419289854 | 0.091617096 | 126.2292 |
7 | 15 | -0.639701855 | -0.491456582 | -0.812606768 | -0.170637099 | 0.490948043 | 125.80178 |
7 | 17 | -0.742424202 | 0.618562649 | -0.571219651 | 0.97750808 | 0.34451023 | 124.628 |
7 | 21 | -0.715112926 | -0.322953123 | -0.047068314 | -0.234616531 | -0.705792152 | 139.06036 |
8 | 7 | -0.296797325 | 0.241840575 | -0.520370278 | -0.653139745 | 0.110615162 | 114.802 |
8 | 8 | 0.399737331 | -0.977928947 | -0.320090495 | 0.51483238 | -0.301794193 | 114.406 |
8 | 11 | -0.408831099 | -0.004097846 | -0.156969507 | 0.554329199 | 0.441701889 | 117.348 |
8 | 12 | 0.783185468 | 0.213427446 | -0.280033976 | -0.674500044 | 0.425785672 | 118.172 |
8 | 14 | -0.635785345 | -0.568000504 | 0.622599207 | 0.437962744 | 0.062812616 | 134.7551 |
8 | 16 | 0.457326264 | -0.16595555 | 0.121438279 | -0.435125549 | 0.234492445 | 125.75846 |
8 | 18 | 0.330523798 | -0.882157867 | -0.867567975 | -0.834086686 | 0.764361956 | 124.544 |
8 | 19 | 0.307889112 | -0.248182483 | -0.373614485 | -0.41831803 | -0.878826338 | 116.86234 |
8 | 23 | 0.632576091 | 0.167569406 | 0.172688074 | -0.756290602 | -0.294364372 | 131.22874 |
8 | 24 | -0.05934292 | -0.771176134 | 0.107511349 | -0.00094996 | 0.252442125 | 129.83183 |
8 | 25 | -0.874242826 | -0.755147241 | 0.66287369 | -0.274866357 | 0.220647243 | 131.62751 |
8 | 27 | 0.170389281 | 0.256868103 | 0.117280167 | 0.668627319 | 0.002786286 | 133.47269 |
8 | 28 | 0.18493015 | -0.856778875 | -0.22070048 | 0.936022439 | 0.666383912 | 134.97439 |
장치 | 샘플 | 파라미터11 | 파라미터12 | 파라미터13 | 파라미터14 | 결과값(Y) |
9 | 1 | -1.284218231 | -0.251190316 | -0.959380812 | 1.188162881 | 109.826 |
9 | 2 | 1.756441975 | -0.166048965 | -0.959380812 | -1.25669293 | 112.342 |
9 | 3 | 0.236111872 | 0.98936949 | -0.289669268 | 0.210220556 | 113.378 |
9 | 4 | -1.115292664 | 0.327767262 | -0.62452504 | -1.25669293 | 113.716 |
9 | 5 | 0.067186305 | 1.348239844 | 0.380042275 | -0.930712155 | 115.132 |
9 | 6 | 1.249665274 | -0.71189291 | 1.217181704 | -0.278750606 | 116.054 |
9 | 7 | 0.067186305 | 0.259437168 | -0.122241383 | -1.25669293 | 114.802 |
9 | 8 | -0.270664829 | -1.199340518 | -1.629092355 | -1.582673705 | 114.406 |
9 | 9 | -0.946367097 | 1.35277832 | -1.294236584 | 1.025172493 | 115.234 |
9 | 10 | -1.622069365 | 0.160369063 | -1.294236584 | 1.351153268 | 115.992 |
9 | 11 | 0.742888573 | 0.736666795 | 1.049753819 | 0.047230169 | 117.348 |
9 | 12 | 0.236111872 | -1.309224108 | -0.791952926 | 1.514143655 | 118.172 |
10 | 13 | -0.101739262 | 1.048545031 | 1.049753819 | 1.514143655 | 126.2292 |
10 | 14 | -0.77744153 | -1.13453932 | 1.719465362 | -1.582673705 | 134.7551 |
10 | 15 | -0.608515963 | 0.519623889 | -1.629092355 | 1.514143655 | 125.80178 |
10 | 16 | -1.622069365 | -0.732006631 | -0.62452504 | 1.351153268 | 125.75846 |
10 | 17 | -1.453143798 | 0.567478519 | 1.38460959 | -1.25669293 | 124.628 |
10 | 18 | 0.91181414 | -1.024086442 | 1.38460959 | -1.419683317 | 124.544 |
10 | 19 | -1.115292664 | 1.162790465 | -1.126808698 | 0.047230169 | 116.86234 |
10 | 20 | -1.453143798 | 1.599305795 | -1.126808698 | 0.862182106 | 115.27904 |
10 | 21 | 0.447631319 | -0.555794907 | -1.611279799 | -0.842229872 | 139.06036 |
10 | 22 | -1.219257192 | -0.339484695 | -1.289662813 | 1.103111782 | 134.60623 |
10 | 23 | -0.88587949 | -0.59383087 | 1.444081564 | -1.16645348 | 131.22874 |
10 | 24 | -0.88587949 | -0.1738891 | 0.961656086 | -0.193782654 | 129.83183 |
10 | 25 | -0.88587949 | -0.243621698 | -1.12885432 | -0.680118067 | 131.62751 |
10 | 26 | -0.385812937 | -0.195071729 | -0.164003364 | -0.518006263 | 136.47357 |
10 | 27 | 0.781009021 | 0.066696098 | 1.283273072 | -0.680118067 | 133.47269 |
10 | 28 | -1.719323745 | 0.620536828 | 1.283273072 | -1.328565285 | 134.97439 |
10 | 29 | -1.552634894 | 0.579099275 | -0.164003364 | 0.778888173 | 133.15354 |
10 | 30 | -0.219124086 | 0.140139522 | 0.318422115 | 0.454664564 | 129.33817 |
이어서, 제1 결과 추정값을 도출하는 단계(ST20)에서는, 수집된 파라미터의 모니터링 데이터를 독립 변수로 하고 수집된 결과값(Y)을 종속 변수로 하여 각 장치에서 독립 변수와 종속 변수의 관계를 규명하고, 이에 따라 각 장치에서 각 샘플에 대한 제1 결과 추정값(Y1^)를 도출한다.
이때, 독립 변수와 종속 변수 간의 관계를 규명하는 방법으로는 일반적인 회귀 모델링을 사용할 수 있다. 예를 들어, 회귀 모델링으로는 최소 제곱법(ordinary least square, OLS), 주성분 분석(principle component regression, PCR), 부분 최소 제곱법(partial least square, PLS) 등을 사용할 수 있다. 그러나 본 발명이 이에 한정되는 것은 아니며 다양한 방법으로 회귀 모델링을 할 수 있음은 물론이다.
이와 같은 계산은 기존의 통계 툴(Tool)을 이용하여 간단히 구할 수 있음은 물론이다. 또한, 다른 방법에 따른 회귀 모델링에서도 회귀 계수, 보상치 등을 구하는 방법 또는 통계 툴이 널리 알려져 있으므로 이에 대한 상세한 설명은 생략한다.
상술한 참조예에서 표 1 내지 표 4의 결과를 부분 최소 제곱법으로 모델링하여 얻은 제1 결과 추정값(Y1^)을 표 5 내지 도 8에 각기 나타낸다. 이때, 공정 1에서는 장치 1, 2 및 3이 사용되었으므로 장치 1, 2 및 3 각각에 대하여 모델링을 하고, 공정 2 내지 4에 대해서도 이와 유사하게 장치 4 내지 10 각각에 대하여 모델링을 실시한다. 그리고 모델링에 따라 각 장치별로 각 샘플에 대한 제1 결과 추정값(Y1^)을 구한다.
장치 | 샘플 | 제1 결과 추정값(Y1^) |
1 | 3 | 116.76133 |
1 | 4 | 114.17414 |
1 | 11 | 116.95279 |
1 | 15 | 117.74325 |
1 | 20 | 121.50408 |
1 | 21 | 134.59074 |
1 | 24 | 135.18023 |
1 | 28 | 132.48283 |
2 | 1 | 123.01264 |
2 | 6 | 119.87937 |
2 | 7 | 119.68508 |
2 | 14 | 120.88631 |
2 | 16 | 120.18045 |
2 | 17 | 120.25141 |
2 | 19 | 123.02897 |
2 | 25 | 130.49439 |
2 | 29 | 129.69743 |
2 | 30 | 129.68905 |
3 | 2 | 118.98618 |
3 | 5 | 117.55071 |
3 | 8 | 116.90317 |
3 | 9 | 117.33666 |
3 | 10 | 116.6117 |
3 | 12 | 118.13114 |
3 | 13 | 117.49775 |
3 | 18 | 118.96855 |
3 | 22 | 134.16896 |
3 | 23 | 133.45314 |
3 | 26 | 133.83479 |
3 | 27 | 134.38968 |
장치 | 샘플 | 제1 결과 추정값(Y1^) |
4 | 1 | 118.45199 |
4 | 2 | 123.81693 |
4 | 3 | 115.20043 |
4 | 4 | 116.84588 |
4 | 5 | 114.82992 |
4 | 6 | 120.9859 |
4 | 7 | 118.4129 |
4 | 12 | 116.43198 |
4 | 14 | 131.00592 |
4 | 17 | 117.57365 |
4 | 18 | 120.1723 |
4 | 19 | 119.92201 |
4 | 20 | 127.4685 |
4 | 22 | 124.71168 |
4 | 25 | 133.06124 |
4 | 27 | 120.72998 |
4 | 28 | 124.55008 |
4 | 29 | 127.28727 |
5 | 8 | 123.79262 |
5 | 9 | 125.73811 |
5 | 10 | 122.19907 |
5 | 11 | 127.69953 |
5 | 13 | 130.85183 |
5 | 15 | 129.72973 |
5 | 16 | 123.79637 |
5 | 21 | 127.45021 |
5 | 23 | 123.85043 |
5 | 24 | 123.97297 |
5 | 26 | 128.17315 |
5 | 30 | 125.31435 |
장치 | 샘플 | 제1 결과 추정값(Y1^) |
6 | 1 | 118.52935 |
6 | 2 | 123.03736 |
6 | 3 | 111.68416 |
6 | 4 | 119.74735 |
6 | 6 | 117.56881 |
6 | 20 | 125.71448 |
6 | 22 | 123.87304 |
6 | 26 | 119.6167 |
6 | 29 | 126.27996 |
6 | 30 | 128.11534 |
7 | 5 | 118.50039 |
7 | 9 | 122.80739 |
7 | 10 | 114.50284 |
7 | 13 | 126.37511 |
7 | 15 | 128.54218 |
7 | 17 | 126.93083 |
7 | 21 | 124.4186 |
8 | 7 | 120.29527 |
8 | 8 | 125.67153 |
8 | 11 | 128.14092 |
8 | 12 | 119.82084 |
8 | 14 | 132.74968 |
8 | 16 | 123.94925 |
8 | 18 | 120.02931 |
8 | 19 | 119.4526 |
8 | 23 | 120.84325 |
8 | 24 | 127.88868 |
8 | 25 | 131.60618 |
8 | 27 | 127.26566 |
8 | 28 | 130.06991 |
장치 | 샘플 | 제1 결과 추정값(Y1^) |
9 | 1 | 114.47691 |
9 | 2 | 114.6263 |
9 | 3 | 114.97063 |
9 | 4 | 113.50395 |
9 | 5 | 114.76249 |
9 | 6 | 116.53514 |
9 | 7 | 114.40749 |
9 | 8 | 113.23267 |
9 | 9 | 114.05937 |
9 | 10 | 114.10026 |
9 | 11 | 116.12386 |
9 | 12 | 115.60293 |
10 | 13 | 126.45611 |
10 | 14 | 134.42337 |
10 | 15 | 125.1649 |
10 | 16 | 127.46984 |
10 | 17 | 130.4828 |
10 | 18 | 134.90401 |
10 | 19 | 126.17705 |
10 | 20 | 124.08591 |
10 | 21 | 130.96825 |
10 | 22 | 126.98589 |
10 | 23 | 132.68642 |
10 | 24 | 130.29564 |
10 | 25 | 129.6699 |
10 | 26 | 130.35124 |
10 | 27 | 131.90903 |
10 | 28 | 130.2509 |
10 | 29 | 126.47508 |
10 | 30 | 128.86861 |
이어서, 제2 결과 추정값(Y^)의 도출이 원활하게 이루어질 수 있도록 샘플을 기준으로 제1 결과 추정값(Y1^) 및 결과값(Y)를 재배열할 수 있다. 즉, 제1 결과 추정값(Y1^)을 공정의 대표값으로 사용하여, 샘플을 기준으로 각 공정의 제1 결과 추정값(Y1^) 및 결과값(Y)를 재배열한다.
상술한 참조예로 설명하면, 제1 결과 추정값(Y1^)을 공정의 대표값으로 사용하여, 샘플을 기준으로 각 공정의 제1 결과 추정값(Y1^) 및 결과값(Y)를 재배열하여 표 9에 나타낸다.
샘플 | 제1 결과 추정값(Y1^) | 결과값(Y) | |||
공정 1 | 공정 2 | 공정 3 | 공정 4 | ||
1 | 123.01264 | 118.45199 | 118.52935 | 114.47691 | 109.826 |
2 | 118.98618 | 123.81693 | 123.03736 | 114.6263 | 112.342 |
3 | 116.76133 | 115.20043 | 111.68416 | 114.97063 | 113.378 |
4 | 114.17414 | 116.84588 | 119.74735 | 113.50395 | 113.716 |
5 | 117.55071 | 114.82992 | 118.50039 | 114.76249 | 115.132 |
6 | 119.87937 | 120.9859 | 117.56881 | 116.53514 | 116.054 |
7 | 119.68508 | 118.4129 | 120.29527 | 114.40749 | 114.802 |
8 | 116.90317 | 123.79262 | 125.67153 | 113.23267 | 114.406 |
9 | 117.33666 | 125.73811 | 122.80739 | 114.05937 | 115.234 |
10 | 116.6117 | 122.19907 | 114.50284 | 114.10026 | 115.992 |
11 | 116.95279 | 127.69953 | 128.14092 | 116.12386 | 117.348 |
12 | 118.13114 | 116.43198 | 119.82084 | 115.60293 | 118.172 |
13 | 117.49775 | 130.85183 | 126.37511 | 126.45611 | 126.2292 |
14 | 120.88631 | 131.00592 | 132.74968 | 134.42337 | 134.7551 |
15 | 117.74325 | 129.72973 | 128.54218 | 125.1649 | 125.80178 |
16 | 120.18045 | 123.79637 | 123.94925 | 127.46984 | 125.75846 |
17 | 120.25141 | 117.57365 | 126.93083 | 130.4828 | 124.628 |
18 | 118.96855 | 120.1723 | 120.02931 | 134.90401 | 124.544 |
19 | 123.02897 | 119.92201 | 119.4526 | 126.17705 | 116.86234 |
20 | 121.50408 | 127.4685 | 125.71448 | 124.08591 | 115.27904 |
21 | 134.59074 | 127.45021 | 124.4186 | 130.96825 | 139.06036 |
22 | 134.16896 | 124.71168 | 123.87304 | 126.98589 | 134.60623 |
23 | 133.45314 | 123.85043 | 120.84325 | 132.68642 | 131.22874 |
24 | 135.18023 | 123.97297 | 127.88868 | 130.29564 | 129.83183 |
25 | 130.49439 | 133.06124 | 131.60618 | 129.6699 | 131.62751 |
26 | 133.83479 | 128.17315 | 119.6167 | 130.35124 | 136.47357 |
27 | 134.38968 | 120.72998 | 127.26566 | 131.90903 | 133.47269 |
28 | 132.48283 | 124.55008 | 130.06991 | 130.2509 | 134.97439 |
29 | 129.69743 | 127.28727 | 126.27996 | 126.47508 | 133.15354 |
30 | 129.68905 | 125.31435 | 128.11534 | 128.86861 | 129.33817 |
이어서, 제2 결과 추정값을 도출하는 단계(ST30)에서는, 각 샘플을 기준으로 공정들에 대한 제1 결과 추정값(Y1^)을 독립 변수로 하고 결과값(Y)를 종속 변수로 하여 각 샘플에서 독립 변수와 종속 변수의 관계를 규명하고, 이에 따라 각 샘플에 대한 제2 결과 추정값(Y^)를 도출한다. 이때, 독립 변수와 종속 변수 간의 관계를 규명하는 방법으로는 상술한 일반적인 회귀 모델링에 의해 얻어진 회귀 계수 및 보상치를 사용하는 방법을 사용할 수 있다.
상술한 참조예로 설명하면, 표 9에 재배열된 데이터로부터 부분 최소 제곱법을 통한 회귀 모델링을 통해 얻어진 회귀 계수 및 보상치는 아래 표 10과 같다.
공정 1 | 공정 2 | 공정 3 | 공정 4 | 보상치 | |
회귀 계수 | 0.46900 | 0.22800 | 0.23700 | 0.55600 | -60.60300 |
이와 같은 회귀 계수 및 보상치를 이용하여 제1 결과 추정값(Y1^)으로부터 제2 결과 추정값(Y^)를 구하는 식은 아래 수학식 1과 같다.
<수학식 1>
제2 결과 추정값(Y^) = 0.46900*(공정 1의 제1 결과 추정값) + 0.22800*(공정 2의 제1 결과 추정값) + 0.23700*(공정 3의 제1 결과 추정값) + 0.55600*(공정 4의 제1 결과 추정값) - 60.60300
이러한 수학식에 따라 계산된 각 샘플에 대한 제2 결과 추정값(Y^)은 다음 표 11과 같다.
샘플 | 제2 결과 추정값(Y^) |
1 | 115.93768 |
2 | 116.42443 |
3 | 110.91335 |
4 | 111.17115 |
5 | 112.70005 |
6 | 115.96247 |
7 | 114.74739 |
8 | 115.29092 |
9 | 115.71879 |
10 | 112.62431 |
11 | 118.39942 |
12 | 114.11861 |
13 | 124.70271 |
14 | 132.27151 |
15 | 124.35764 |
16 | 124.34042 |
17 | 125.33696 |
18 | 126.15026 |
19 | 123.00767 |
20 | 124.33582 |
21 | 133.99383 |
22 | 130.82657 |
23 | 132.74639 |
24 | 133.92595 |
25 | 134.33415 |
26 | 132.32198 |
27 | 133.56469 |
28 | 133.2842 |
29 | 129.60251 |
30 | 130.91508 |
이어서, 문제 공정을 검출하는 단계(ST40)에서는, 제2 결과 추정값(Y^)을 토대로 문제 공정을 검출한다.
좀더 상세하게는 미리 정해둔 기준에 따라 제2 결과 추정값(Y^)이 원하는 수준 이내이면 양호, 그 수준 밖에 있으면 불량으로 판단한다. 그리고 기여도를 계산하여 기여도 값이 가장 큰 공정을 문제 공정으로 검출한다. 이때, 기여도는 아래 수학식 2와 같이 계산될 수 있다.
<수학식 2>
기여도 = {(불량 그룹의 평균) - (양호 그룹의 평균)} * 회귀 계수
즉, 불량으로 판단된 샘플로 구성된 불량 그룹의 평균으로부터 양호로 판단된 샘플로 구성된 양호 그룹의 평균을 뺀 후에, 회귀 계수를 곱하면 각 공정에서 결과값(Y)에 기여한 기여도를 구할 수 있다.
상술한 참조예로 설명하면, 제2 결과 추정값(Y^)이 120 미만이면 양호로 판단하고, 120 이상이면 불량이라고 판단한다고 가정하면, 샘플 1 내지 12는 양호 그룹이며 샘플 13 내지 30은 불량 그룹이다. 각 공정에서 불량 그룹의 평균(즉, 샘플 13 내지 30의 평균)과 양호 그룹의 평균(즉, 샘플 1 내지 12)의 차이에 회귀 계수를 곱하면, 각 공정의 기여도가 계산된다. 이를 표 12에 나타낸다.
공정 1 | 공정 2 | 공정 3 | 공정 4 | |
양호 그룹의 평균 | 117.99874 | 120.36711 | 120.02552 | 114.70017 |
불량 그룹의 평균 | 127.11345 | 125.53454 | 125.76226 | 129.31250 |
차이 | 9.11470 | 5.16743 | 5.73675 | 14.61233 |
회귀 계수 | 0.46900 | 0.22800 | 0.23700 | 0.55600 |
기여도 | 4.27480 | 1.17817 | 1.35961 | 8.12446 |
표 12에서, 공정 4의 기여도가 8.12446으로 공정 1 내지 4 중에서 가장 큰 것을 알 수 있다. 따라서, 공정 4가 문제 공정으로 검출된다.
이어서, 문제 장치를 검출하는 단계(ST50)에서는, 장치 및 샘플에 대한 제2 결과 추정값(Y^)으로부터 문제 장치를 도출한다. 문제 장치를 검출하는 구체적인 방법은 문제 공정을 도출하는 공정과 유사하다.
즉, 총 손실을 계산하여 총 손실 값이 가장 큰 장치를 문제 장치로 검출한다. 이때, 총 손실은 아래 수학식 3과 같이 계산될 수 있다.
<수학식 3>
총 손실 = {(불량 그룹의 평균) - (양호 그룹의 평균)} * 불량 그룹의 샘플 개수 * 회귀 계수
즉, 불량으로 판단된 샘플로 구성된 불량 그룹의 평균으로부터 양호로 판단된 샘플로 구성된 양호 그룹의 평균을 뺀 후에, 회귀 계수를 곱하면 각 공정에서 결과값(Y)에 기여한 기여도를 구할 수 있다. 이때, 양호 그룹의 평균은 모든 장치에서 처리된 샘플에서 양호 그룹으로 판단된 샘플들의 평균으로 구하고, 불량 그룹의 평균은 해당 장치에서 처리된 샘플 중에서 불량 그룹 판단된 샘플들의 평균으로 구한다. 이렇게 하여야 장비간의 차이를 판단할 수 있기 때문이다.
상술한 참조예로 설명하면, 표 13에 나타난 바와 같이 장치 9의 샘플 1 내지 12는 양호 그룹이며 장치 10의 샘플 13 내지 30은 불량 그룹이다. 표 14에서와 같이 총 손실을 계산하면, 장치 9의 총 손실은 0이고, 장치 10의 총 손실은 149.56705이다. 따라서, 장치 10이 문제 장치로 검출된다.
장치 | 샘플 | 제2 결과 추정값(Y^) | 판단 |
9 | 1 | 115.93768 | 양호 |
9 | 2 | 116.42443 | 양호 |
9 | 3 | 110.91335 | 양호 |
9 | 4 | 111.17115 | 양호 |
9 | 5 | 112.70005 | 양호 |
9 | 6 | 115.96247 | 양호 |
9 | 7 | 114.74739 | 양호 |
9 | 8 | 115.29092 | 양호 |
9 | 9 | 115.71879 | 양호 |
9 | 10 | 112.62431 | 양호 |
9 | 11 | 118.39942 | 양호 |
9 | 12 | 114.11861 | 양호 |
10 | 13 | 124.70271 | 불량 |
10 | 14 | 132.27151 | 불량 |
10 | 15 | 124.35764 | 불량 |
10 | 16 | 124.34042 | 불량 |
10 | 17 | 125.33696 | 불량 |
10 | 18 | 126.15026 | 불량 |
10 | 19 | 123.00767 | 불량 |
10 | 20 | 124.33582 | 불량 |
10 | 21 | 133.99383 | 불량 |
10 | 22 | 130.82657 | 불량 |
10 | 23 | 132.74639 | 불량 |
10 | 24 | 133.92595 | 불량 |
10 | 25 | 134.33415 | 불량 |
10 | 26 | 132.32198 | 불량 |
10 | 27 | 133.56469 | 불량 |
10 | 28 | 133.2842 | 불량 |
10 | 29 | 129.60251 | 불량 |
10 | 30 | 130.91508 | 불량 |
구분 | 장치 9 | 장치 10 |
양호 그룹의 평균 | 114.50071 | |
불량 그룹의 평균 | 0 | 129.44546 |
차이 | -114.50071 | 14.94475 |
불량 그룹의 샘플 개수 | 0 | 18 |
회귀 계수 | 0.55600 | |
총손실 | 0.00000 | 149.56705 |
이와 같이 본 실시예에서는, 복수의 장치를 사용하는 복수의 공정을 거친 후에 결과값(Y)를 측정하고, 이 결과값(Y)으로부터 제1 결과 추정값(Y1^)과 제2 결과 추정값(Y^)을 차례로 도출한다. 이에 의하여 복수의 장치를 사용한 복수의 공정을 가지는 복잡한 환경에서도 문제 공정 및 장치를 정확하게 검출할 수 있다.
이때, 각 장치에서의 모델링을 통하여 얻은 제1 결과 추정값(Y1^)을 각 공정의 대표값으로 하여 각 샘플에 대한 제2 결과 추정값(Y^)을 도출한다. 각 장치에서의 모델링을 통한 제1 결과 추정값(Y1^)을 각 공정의 대표값으로 사용하므로 문제 공정을 쉽게 검출해 낼 수 있고, 장치의 샘플 개수에 따라서 제1 결과 추정값(Y1^)이 달라지는 문제를 제2 결과 추정값(Y^)을 통하여 보완할 수 있다.
또한, 문제 공정을 검출한 후에 문제 공정에 해당하는 장치들 및 제2 결과 추정값(Y^)을 토대로 하여 문제 장치를 도출해낼 수 있다. 별도로 설명하지는 않았지만, 문제 장치를 도출한 후에, 문제 공정 및 문제 장치에서의 파라미터와 제2 결과 추정값(Y^)을 토대로 하여 문제 파라미터까지 검출할 수도 있다. 문제 파라미터의 검출 방법은 문제 공정 및/또는 문제 장치의 검출 방법과 극히 유사하므로 이에 대하여 별도로 설명하지는 않는다.
상술한 바에 따른 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의하여 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (8)
- 복수의 공정에서 복수의 장치에 의해 처리된 샘플들에 대한 파라미터(parameter)의 모니터링 데이터 또는 모니터링 데이터의 대표값과, 상기 공정의 결과를 확인하기 위한 결과값을 수집하는 단계;
상기 모니터링 데이터 또는 모니터링 데이터의 대표값을 독립 변수로 하고 상기 결과값을 종속 변수로 하여, 상기 각 장치에서 처리되는 서로 다른 개수의 상기 각 샘플에 대한 제1 결과 추정값을 도출하는 단계;
상기 제1 결과 추정값을 상기 각 공정의 대표값으로서 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 샘플에 대한 제2 결과 추정값을 도출하는 단계; 및
상기 제2 결과 추정값을 토대로 하여, 상기 각 공정의 기여도를 계산하여 문제 공정을 검출하는 단계
를 포함하는, 문제 검출 방법. - 제1항에 있어서,
상기 제1 결과 추정값과 상기 제2 결과 추정값을 도출하는 단계 사이에,
상기 각 샘플을 기준으로, 상기 각 공정별 상기 제1 결과 추정값과 상기 결과값을 재배열하는 단계를 더 포함하는, 문제 검출 방법. - 제1항에 있어서,
상기 제1 결과 추정값을 도출하는 단계 및 상기 제2 결과 추정값을 도출하는 단계 각각에서는, 회귀 모델링을 이용하여 상기 독립 변수와 상기 종속 변수의 관계를 도출하는, 문제 검출 방법. - 제3항에 있어서,
상기 회귀 모델링은, 최소 제곱법(ordinary least square, OLS), 주성분 분석(principle component regression, PCR) 및 부분 최소 제곱법(partial least square, PLS) 중 적어도 어느 하나인, 문제 검출 방법. - 제3항에 있어서,
상기 문제 공정을 검출하는 단계에서는, 상기 샘플들을 상기 제2 결과 추정값을 기준으로 하여 불량 그룹과 양호 그룹으로 구분하고, 상기 각 공정의 상기 기여도는 다음 수학식에 의하여 도출되는, 문제 검출 방법.
<수학식>
기여도 = {(불량 그룹의 평균) - (양호 그룹의 평균)} * 회귀 계수
(여기서, 상기 회귀 계수는 상기 제2 결과 추정값을 도출하기 위한 상기 회귀 모델링에 의하여 도출된 계수이다.) - 제1항에 있어서,
상기 문제 공정을 위한 상기 장치가 복수일 때,
상기 문제 공정을 검출하는 단계 이후에, 상기 문제 공정을 위한 상기 각 장치의 총 손실을 계산하여 문제 장치를 검출하는 단계를 더 포함하는, 문제 검출 방법. - 제6항에 있어서,
상기 제2 결과 추정값을 도출하는 단계에서는, 회귀 모델링을 이용하여 상기 독립 변수와 상기 종속 변수의 관계를 도출하고,
상기 문제 장치를 검출하는 단계에서는, 상기 샘플들을 상기 제2 결과 추정값을 기준으로 하여 불량 그룹과 양호 그룹으로 구분하고, 상기 각 장치의 상기 총 손실은 다음 수학식에 의하여 도출되는, 문제 검출 방법.
<수학식>
총 손실 = {(불량 그룹의 평균) - (양호 그룹의 평균)} * 불량 그룹의 샘플 개수 * 회귀 계수
(여기서, 상기 회귀 계수는 상기 제2 결과 추정값을 도출하기 위한 상기 회귀 모델링에 의하여 도출된 계수이다.) - 복수의 공정을 위하여 복수의 장치에서 처리된 샘플들에 대한 파라미터(parameter)의 모니터링 데이터 또는 모니터링 데이터의 대표값과, 상기 공정의 결과를 확인하기 위한 결과값을 수집하여, 상기 각 장치에서 처리되는 서로 다른 개수의 상기 각 샘플에 대한 제1 결과 추정값을 도출하고,
상기 제1 결과 추정값을 상기 각 공정의 대표값으로서 독립 변수로 하고 상기 결과값을 종속 변수로 하여 상기 각 샘플에 대한 제2 결과 추정값을 도출하여 문제 공정, 문제 장치, 문제 파라미터 중 적어도 어느 하나를 도출하는, 문제 검출 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20110046083A KR101482758B1 (ko) | 2011-05-17 | 2011-05-17 | 문제 검출 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20110046083A KR101482758B1 (ko) | 2011-05-17 | 2011-05-17 | 문제 검출 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20120128251A KR20120128251A (ko) | 2012-11-27 |
KR101482758B1 true KR101482758B1 (ko) | 2015-01-16 |
Family
ID=47513029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR20110046083A KR101482758B1 (ko) | 2011-05-17 | 2011-05-17 | 문제 검출 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101482758B1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101466798B1 (ko) * | 2014-05-20 | 2014-12-01 | 삼성전자주식회사 | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 |
JPWO2016190261A1 (ja) | 2015-05-25 | 2018-03-08 | 日産化学工業株式会社 | レジストパターン塗布用組成物 |
CN109791376B (zh) | 2016-10-04 | 2023-01-10 | 日产化学株式会社 | 使用了溶剂置换法的抗蚀剂图案涂布用组合物的制造方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090077601A (ko) * | 2008-01-11 | 2009-07-15 | (주)아이세미콘 | 수율 관리를 위한 다변량 인수의 관리 한계선 설정방법 |
-
2011
- 2011-05-17 KR KR20110046083A patent/KR101482758B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090077601A (ko) * | 2008-01-11 | 2009-07-15 | (주)아이세미콘 | 수율 관리를 위한 다변량 인수의 관리 한계선 설정방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20120128251A (ko) | 2012-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI802560B (zh) | 用於線上部分平均測試及潛在可靠性缺陷偵測之方法及系統 | |
US8452441B2 (en) | Process quality predicting system and method thereof | |
JP4568786B2 (ja) | 要因分析装置および要因分析方法 | |
Lin et al. | The worst ill-conditioned silicon wafer slicing machine detected by using grey relational analysis | |
CN103646899B (zh) | 晶圆缺陷检测方法 | |
US7174281B2 (en) | Method for analyzing manufacturing data | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
KR101482758B1 (ko) | 문제 검출 방법 | |
CN101118422A (zh) | 半导体制造的虚拟量测预估与建立预估模型的方法与系统 | |
CN105203941B (zh) | 晶圆测试特殊图案及探针卡缺陷的检验方法 | |
CN107689335B (zh) | 一种多种产品晶圆缺陷的分析方法 | |
US20080033589A1 (en) | Data mining to detect performance quality of tools used repetitively in manufacturing | |
JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
JP2005142467A (ja) | 半導体デバイスの製造方法および半導体製造システム | |
Brik et al. | Assessing process capability index using sampling plan in the presence of measurement system errors | |
US6828776B2 (en) | Method for analyzing defect inspection parameters | |
TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 | |
TWI504911B (zh) | 晶圓測試特殊圖案及探針卡缺陷的檢驗方法 | |
TWI461871B (zh) | 多機台之監控方法 | |
US20100014745A1 (en) | Inspecting method and inspecting equipment | |
CN110057330B (zh) | 一种线宽测量方法和线宽测量系统 | |
US7137085B1 (en) | Wafer level global bitmap characterization in integrated circuit technology development | |
JP2010164446A (ja) | 検査対象品の外観検査方法及びプログラム | |
JP3981911B2 (ja) | 製造工程監視方法 | |
Butler et al. | Intelligent software sensors and process prediction for glass container forming processes based on multivariate statistical process control techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application | ||
J201 | Request for trial against refusal decision | ||
J301 | Trial decision |
Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20140124 Effective date: 20141031 |
|
S901 | Examination by remand of revocation | ||
GRNO | Decision to grant (after opposition) | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20180205 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20181023 Year of fee payment: 5 |