KR101562623B1 - 반도체 생산 공정의 이상 감지 장치 및 방법 - Google Patents

반도체 생산 공정의 이상 감지 장치 및 방법 Download PDF

Info

Publication number
KR101562623B1
KR101562623B1 KR1020140153503A KR20140153503A KR101562623B1 KR 101562623 B1 KR101562623 B1 KR 101562623B1 KR 1020140153503 A KR1020140153503 A KR 1020140153503A KR 20140153503 A KR20140153503 A KR 20140153503A KR 101562623 B1 KR101562623 B1 KR 101562623B1
Authority
KR
South Korea
Prior art keywords
variable
value
probability function
abnormality
subsequence
Prior art date
Application number
KR1020140153503A
Other languages
English (en)
Inventor
노웅기
Original Assignee
가천대학교 산학협력단
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 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020140153503A priority Critical patent/KR101562623B1/ko
Application granted granted Critical
Publication of KR101562623B1 publication Critical patent/KR101562623B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Factory Administration (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명은 반도체 생산 공정의 이상 감지 장치 및 방법에 관한 것으로, 반도체 생산 설비로부터 시간에 흐름에 따라 변화하는 복수개의 변수의 값을 각 단계별로 감지하여 전달하는 변수 감지부, 상기 값이 감지되는 변수 중 이상 감지 적합도가 높은 변수를 선택하는 변수 선택부, 상기 선택된 변수와 상기 단계의 각 쌍에 대하여 이상 확률 함수의 값을 산출하는 이상 확률 함수 연산부, 및 상기 이상 확률 함수의 값에 근거하여 각 변수의 이상 발생 여부를 판정하는 이상 판정부를 포함하며, 반도체 생산 장비가 감지하는 신호로부터 효율적으로 고도의 정확성을 갖추어 반도체 생산 장비의 런에 이상이 있는지 여부를 판단할 수 있다.

Description

반도체 생산 공정의 이상 감지 장치 및 방법{APPARATUS AND METHOD FOR FAULT DETECTION IN SEMICONDUCTOR MANUFACTURING PROCESS}
본 발명은 반도체 생산 공정의 이상 감지 장치 및 방법에 관한 것으로, 보다 상세하게는 생산 장비가 감지하는 변화하는 값을 나타내는 변수 값의 시계열을 모델 런의 변수 값의 시계열과 비교하여 반도체 생산 공정의 이상을 감지하는 반도체 생산 공정의 이상 감지 장치 및 방법에 관한 것이다.
반도체 제조 공정에는 여러 단계가 포함되며, 공정 중 어떤 지점에서의 작은 이상도 생산된 제품 품질에 피해를 줄 수 있다. 따라서 이러한 이상의 빠르고 정확한 감지는 높은 수율을 달성하는 데 필수적이다. 현재 반도체 제조 공정에서 발생하는 이러한 이상을 감지하기 위해서 결정 트리, 서포트 벡터 기계(Suppoer Vector Machine, SVM), 신경망 등의 통계적 방법 또는 기계 학습 방법을 사용하는 방법이 알려져 있다. 그러나 통계적 방법 및 기계 학습 방법은 복잡도가 높아서 매우 긴 실행 시간을 요구하거나 대용량 데이터를 처리하기 어렵다는 문제가 있다. 또한 통계적 방법은 대상 데이터가 특정 통계 모델을 따름을 전제로 하지만 실제 상황에서 특정 통계적 모델을 정확히 따르는 데이터는 많지 않다. 이에 따라 통계적 방법 및 기계 학습 방법의 경우 이상 탐지 정확도가 100%인 경우가 존재하지 않으며, 정확도가 매우 낮은 경우도 발생하는 문제가 있다.
한편 주어진 시계열 변수 값과 모델적인 시계열 변수 값의 불일치를 판단하는 방법으로 HOT SAX 방법이 알려져 있으며, 이는 주어진 시계열을 심볼릭 어그리게이션 근사(Symbolic Aggregation approXimation, SAX) 변환하여 저장 장소와 계산 양의 효율성을 향상시키는 방법으로 알려져 있다.
한국공개특허 제10-2000-0051866호(공개일: 2000.08.16., 발명의 명칭 : 주문형 반도체의 이상 검증방법, 청구범위 제1항)가 있다.
본 발명은, 생산 장비가 감지하는 시퀀스에 따라 변화하는 값을 나타내는 변수를 선택하고 불일치(Discord) 감지 알고리즘을 적용하여 고신뢰성 및 고성능의 반도체 생산 공정의 이상 감지 장치 및 방법을 제공하는 데 그 목적이 있다.
본 발명의 일 측면에 반도체 생산 공정의 이상 감지 장치는 반도체 생산 설비로부터 복수개의 변수 값의 시계열을 감지하여 전달하는 변수 감지부, 상기 각 변수와 반도체 생산의 각 단계의 각 쌍에 대하여 이상 확률 함수의 값을 산출하는 이상 확률 함수 연산부 및 상기 이상 확률 함수의 값에 근거하여 상기 반도체 생산 설비의 이상 발생 여부를 판정하는 이상 판정부를 포함한다.
바람직하게는, 상기 이상 확률 함수 연산부는 상기 변수와 단계의 각 쌍에 대한 상기 이상 확률 함수의 값을 병렬로 산출한다.
바람직하게는, 상기 이상 확률 함수의 값은 주어진 상기 변수와 상기 단계에 해당하는 상기 시계열의 서브시퀀스과 모델 런에서 추출한 서브시퀀스 사이의 거리의 최소값과 두 모델 런에서 추출한 서브시퀀스 사이의 거리의 최대값의 비인 불일치 비의 근사값에 근거하여 산출된다.
바람직하게는, 상기 불일치 비의 근사값은 상기 불일치 비를 산출하는데 필요한 서브시퀀스 대신 각 서브시퀀스의 SAX 변환을 사용함으로써 산출된다.
바람직하게는, 상기 값이 감지되는 변수 중 이상 판정에 사용할 변수를 선택하는 변수 선택부를 더 포함하고, 상기 변수 선택부는 각 훈련 런에 대하여 상기 이상 확률 함수의 값에 근거하여 각 변수의 적합도를 산출하고, 모든 훈련 런에 대하여 상기 적합도에 근거하여 각 변수의 결합 지원도를 산출하며, 상기 결합 지원도에 근거하여 변수를 선택한다.
바람직하게는, 상기 변수의 적합도는 상기 훈련 런이 이상이 있는 경우 상기 이상 확률 함수의 최대값으로 산출되고, 상기 훈련 런이 정상인 경우 1에서 상기 이상 확률 함수의 최대값을 뺀 값으로 산출된다.
본 발명의 다른 측면에 따른 반도체 생산 공정의 이상 감지 방법은 변수 감지부가 반도체 생산 설비로부터 복수개의 변수 값의 시계열을 감지하여 전달하는 단계, 이상 확률 함수 연산부가 상기 각 변수와 반도체 생산의 각 단계의 각 쌍에 대하여 이상 확률 함수의 값을 산출하는 단계 및 이상 판정부가 상기 이상 확률 함수의 값에 근거하여 상기 반도체 생산 설비의 이상 발생 여부를 판정하는 단계를 포함한다.
바람직하게는, 상기 이상 확률 함수의 값을 산출하는 단계에서, 상기 이상 확률 함수 연산부는 상기 변수와 단계의 각 쌍에 대한 상기 이상 확률 함수의 값을 병렬로 산출한다.
바람직하게는, 상기 이상 확률 함수의 값을 산출하는 단계에서, 상기 이상 확률 함수의 값은 주어진 상기 변수와 상기 단계에 해당하는 상기 시계열의 서브시퀀스과 모델 런에서 추출한 서브시퀀스 사이의 거리의 최소값과 두 모델 런에서 추출한 서브시퀀스 사이의 거리의 최대값의 비인 불일치 비의 근사값에 근거하여 산출된다.
바람직하게는, 상기 불일치 비의 근사값은 상기 불일치 비를 산출하는데 필요한 서브시퀀스 대신 각 서브시퀀스의 SAX 변환을 사용함으로써 산출된다.
바람직하게는, 변수 선택부가 이상 감지 적합도에 근거하여 상기 값이 감지되는 변수 중 이상 판정에 사용할 변수를 선택하는 단계를 더 포함하고, 상기 변수 선택부는 각 훈련 런에 대하여 상기 이상 확률 함수의 값에 근거하여 각 변수의 적합도를 산출하고, 모든 훈련 런에 대하여 상기 적합도에 근거하여 각 변수의 결합 지원도를 산출하며, 상기 결합 지원도에 근거하여 변수를 선택한다.
바람직하게는, 상기 변수의 적합도는 상기 훈련 런이 이상이 있는 경우 상기 이상 확률 함수의 최대값으로 산출되고, 상기 훈련 실해예가 정상인 경우 1에서 상기 이상 확률 함수의 최대값을 뺀 값으로 산출된다.
본 발명에 따르면, 반도체 생산 장비가 감지하는 신호로부터 효율적으로 고도의 정확성을 갖추어 반도체 생산 장비의 런에 이상이 있는지 여부를 판단할 수 있다.
도 1은 본 발명의 일 실시예에 따른 반도체 생산 공정의 이상 감지 장치의 블록도이다.
도 2는 반도체 생산 설비의 1회 런 중 복수의 변수에 대하여 감지된 각 시계열 및 서브시퀀스를 도시한 그래프이다.
도 3은 σ값에 따른 이상 확율 함수 값의 변화를 나타내는 그래프이다.
도 4는 본 발명의 일 실시예에 따른 반도체 생산 공정의 이상 감지 방법의 동작을 도시한 순서도이다.
이하에서는 본 발명에 따른 반도체 생산 공정의 이상 감지 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 반도체 생산 공정의 이상 감지 장치의 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 반도체 생산 공정의 이상 감지 장치는, 변수 감지부(100), 이상 확률 함수 연산부(200), 이상 판정부(300) 및 변수 선택부(400)를 포함하여 이루어질 수 있다.
변수 감지부(100)는 반도체 생산 설비(500)로부터 복수개의 변수 값의 시계열(Time Series)을 감지하여 전달한다.
도 2는 반도체 생산 설비(500)의 1회 런(Run) 중 복수의 변수(v5 ~ v59)에 대하여 감지된 각 시계열 및 서브시퀀스(Subsequence)를 도시한 그래프이다. 반도체 생산 설비(500)는 그 동작 중에 반도체 생산 설비(500)에 부착된 각종 센서에 의하여 시간에 따라 변화하는 신호 값을 감지하여 변수로서 출력하게 되며, 이러한 센서가 감지한 신호 값에 따라서 생산 공정의 1회 런이 정상인지 아니면 이상이 발생하였는지를 판변할 수 있다. 또한 공정이 실행될 때마다 서로 다른 파라미터를 설정하여 실행할 수 있으므로, 같은 공정이라도 서로 다른 조건의 여러 런으로 실행될 수 있다. 상기 도 2에서 각 시계열을 나타내는 그래프 상의 곡선은 각 단계에 해당하는 부분들로 분리된 수 있으며, 분리된 각 부분이 각 단계(s1 ~ s11)별 서브시퀀스가 된다. 이 때 각 센서가 감지한 서로 다른 변수(Variables)에 저장되며, 시간에 따라 변화하는 변수의 값은 시계열을 형성하게 된다. 따라서 수회 런한 공정이 주어졌을 때, 각 런에 대한 변수들의 시계열이 주어질 수 있으며, 이러한 시계열들에 근거하여 이상이 발생한 웨이퍼를 생산한 실행을 판별할 수 있다. 이 때, 각 공정의 런은 기 설정된 복수의 단계(Step)로 구성될 수 있으며, 시계열은 전체 공정의 런중 감지된 각 변수의 값으로 구성되고, 변수 감지부(100)는 시계열 중 각 단계에 해당되는 부분을 별도의 서브시퀀스로 분리하여 전달할 수 있다.
이 때, 시계열 X에 포함된 위치 p에서 시작하는 길이 l의 서브시퀀스 S에 대응하는 위치 q에서 시작하는 서브시퀀스 T가 |p-q| ≥ l을 만족하는 경우 S에 대한 비자신 매칭(Non-self Match)이라고 한다. 또한 만일 서브시퀀스 S의 가장 유사한 비자신 매칭 SM에 대한 S로부터의 거리가 다른 모든 X 내의 서브시퀀스 T와 그 가장 가까운 비자신 매칭 TM의 거리보다 크다면 서브시퀀스 S는 불일치 서브시퀀스(Discord Subsequence)라고 한다. 이하에서 변수 v와 단계 s에 대한 서브시퀀스를 Sv,s로 나타낸다.
1회 런에 대해 그 런이 정상인지 이상이 발생하였는지를 판단하는 알고리즘은 다음의 수학식 1에 의하여 주어질 수 있다.
Figure 112014106943114-pat00001
이상 확률 함수 연산부(200)는 변수와 단계의 각 쌍에 대하여 이상 확률 함수(fault probablity function)의 값을 산출한다.
상기 수학식 1의 알고리즘은 각 변수와 단계의 쌍 (v,s)에 대하여 모델 런(Model Runs)으로부터 서브시퀀스 Sv,s를 추출하고 이를 변수 감지부(100)가 감지하는 실제 런으로부터 구한 서브시퀀스 S'v,s 와 비교하여 S'v,s가 불일치하는지를 판단할 수 있다. 즉, 다음 수학식 2가 성립하는지 검증할 수 있다.
Figure 112014106943114-pat00002
상기 수학식 2에서, Mi는 모델 런 Ri에서 추출한 Sv,s를 나타낸다. 여기에서 상기 수학식 2의 좌변을 Dexp라고 하고 우변을 Dmod라고 한다. 상기 수학식 2는 RD = Dexp/Dmod > 1 로 다시 쓰여질 수 있다. 이 때 RD 를 불일치 비(Discord Ratio)라고 한다. 즉, 주어진 변수 v 와 단계 s에 해당하는 시계열의 서브시퀀스 S'v,s 과 모델 런 Ri에서 추출한 서브시퀀스 Mi 사이의 거리의 최소값과 두 모델 런 Mi, Mj 에서 추출한 서브시퀀스 사이의 거리의 최대값의 비이다.
이 때, 각 변수와 N개의 모든 모델 런 Ri에 대해 서브시퀀스 Mi=Sv,s가 추출되고, 이러한 서브시퀀스 Mi들의 접합(concatenation) Mv,s = M1 & M2 & ... MN이 각 변수 v 와 단계 s 쌍에 대하여 생성되고, Mv,s의 SAX 변환
Figure 112014106943114-pat00003
이 산출되어 저장될 수 있다. SAX 변환 파라미터 ω는 N의 배수인 정수로 선택되며, 이 때
Figure 112014106943114-pat00004
내의 서브시퀀스
Figure 112014106943114-pat00005
이 용이하게 추출될 수 있다. 이제 상기 수학식 1의 알고리즘은 변수 감지부(100)가 전달하는 각 변수의 시계열로 표현되는 실제 실험적 런에 대해 이상 검증을 수행할 수 있다. 반도체 생산 설비(500)의 각 런에 대하여 변수 감지부(100)는 각 변수별로 시계열을 전달하며, 이 때, 이상 확률 함수 연산부(200)는 각 변수 v 및 단계 s 쌍에 대하여 서브시퀀스 S'v,s 를 추출하고 그 SAX 변환
Figure 112014106943114-pat00006
를 산출할 수 있다.
Figure 112014106943114-pat00007
및
Figure 112014106943114-pat00008
가 SAX 변환된 서브시퀀스가므로, 상기 수학식 2가 직접 불일치 비를 산출하는데 사용될 수 는 없다. 따라서 이상 함수 연산부(200)는 불일치 비의 근사값을 산출하고 그에 근거하여 이상 확률 함수의 값을 산출할 수 있다. 이 때 불일치 비의 근사값
Figure 112014106943114-pat00009
은 다음 수학식 3에 의하여 산출될 수 있다.
Figure 112014106943114-pat00010
상기 수학식 3에서
Figure 112014106943114-pat00011
는 각각 S'v,s, Mi, Mj 의 SAX 변환된 서브시퀀스가다. 즉, 불일치 비의 근사값
Figure 112014106943114-pat00012
은 불일치 비 RD를 산출하는데 필요한 부분 시퀀스 대신 각 부분 시퀀스의 SAX 변환을 사용함으로써 산출될 수 있다. 이 때 SAX 변환의 파라미터 값 ω와 a를 주의 깊게 설정하면 1 이하인 MINDIST/D가 1에 매우 가까워지지만,
Figure 112014106943114-pat00013
>1 이 반드시 RD>1을 보장하지 않는다는 문제가 여전히 있다. 이러한 문제를 해결하기 위하여 다음 수학식 4와 같이 이상 확률 함수
Figure 112014106943114-pat00014
를 정의할 수 있다.
Figure 112014106943114-pat00015
상기 수학식 4에서 σ는 이상 확률 함수
Figure 112014106943114-pat00016
값의 증가 속도를 조절하기 위한 파라미터이다. 이상 확률 함수는 주어진 불일치 비의 근사값
Figure 112014106943114-pat00017
가 정확히 이상을 의미할 확률을 반환한다. 따라서 만일
Figure 112014106943114-pat00018
값이 1에 가깝다면, 그에 해당하는 단계(Step)에서 이상이 발행했다고 간주할 수 있다. 도 3은 σ값에 따른 이상 확율 함수 값의 변화를 나타내는 그래프이다.
상기 수학식 1의 알고리즘은 HOT SAX 방법에 비하여 크게 두가지 점에서 다르다. 먼저 HOT SAX 방법이 불일치 서브시퀀스의 길이 l을 파라미터로 입력받아야 하는데 반해, 상기 수학식 1의 알고리즘은 실행하면서 직접 런 단계의 거리를 유도한다. 또한 상기 수학식 1의 알고리즘이 서브시퀀스 S'v,s 이 불일치 서브시퀀스인지 여부를 판단하는 데 반해, HOT SAX 방법은 임의의 장소에 위치할 수 있는 불일치 서브시퀀스를 검색한다. 이 때 Mi의 접합으로 Mv,s를 산출함으로써 상기 수학식 1의 알고리즘은 HOT SAX 방법에 비하여 계산능력 및 기억 공간을 효율적으로 사용하여 SAX 변환을 수행할 수 있다. 특히 각 Mv,s의 SAX 변환
Figure 112014106943114-pat00019
이 디스크에 저장되어 각 실험적 런에 대하여 반복 이용될 수 있으므로 상기 수학식 1의 알고리즘의 성능이 향상될 수 있다.
또한 이상 확률 함수 연산부(100)는 변수 v와 단계 s의 각 쌍에 대한 이상 확률 함수의 값
Figure 112014106943114-pat00020
을 병렬로 산출할 수 있다. 즉, 상기 수학식 1의 단계 4 내지 단계 7은 병렬적으로(Concurrently) 수행될 수 있으며 복수의 스레드에 의하여 동시에 수행될 수 있다. 즉, 상기 수학식 1의 알고리즘은 모든 변수 v와 단계 s의 조합에 대하여
Figure 112014106943114-pat00021
를 산출하며, 각 변수 v 와 단계 s의 조합 쌍 사이에는 서로 상관관계가 없으므로 각
Figure 112014106943114-pat00022
값은 병렬로 산출될 수 있다.
이상 판정부(300)는 이상 확률 함수의 값에 근거하여 각 변수의 이상 발생 여부를 판정한다. 상기 수학식 1의 단계 9 내지 단계 10에서 이상 판정부(300)는 각 단계별로
Figure 112014106943114-pat00023
값 중 최대값을 산출하고, 상기 수학식 1의 단계 12 내지 단계 15에서 산출한
Figure 112014106943114-pat00024
값의 최대값 중 1에 가까운 경우가 있으면 주어진 반도체 생산 설비(500)의 런이 이상이 발생한 런(Perturbed Run)이라고 판단한다.
변수 선택부(400)는 값이 감지되는 변수 중 이상 감지 적합도(Goodness Measure)가 높은 변수를 선택한다. 이 때, 변수 선택부(400)는 각 훈련 런에 대하여 이상 확률 함수의 값에 근거하여 각 변수의 지원도(Support)를 산출하고, 모든 훈련 런에 대하여 각 변수의 결합 지원도를 산출하며, 결합 지원도에 근거하여 변수를 선택할 수 있다.
즉, 각각에 대하여 이상 확율 함수의 값을 계산하여야 하는 변수의 수를 줄임으로써 상기 수학식 1의 알고리즘의 전체 복잡도를 감소시킬 수 있으며, 따라서 반도체 생산 장비(500)로부터 감지할 수 있는 변수 중 이상 발생 여부를 판단하는 데에 지원도가 큰 변수만에 대하여 이상 확율 함수의 값를 산술함으로써 보다 효율적으로 이상 발생 여부를 판단할 수 있다.
이 때, 변수 선택은 뎀스터 샤퍼 이론(Dempster-Shafer Theory, DST) 에 근거한 방법으로 수행될 수 있다. 각 변수의 적합도 g(vi)는 특정한 런 R에서 변수 vi에 대해서 다음 수학식 5에 의하여 산출될 수 있다.
Figure 112014106943114-pat00025
즉, 변수의 적합도는 훈련 런이 이상이 있는 경우 이상 확률 함수의 최대값으로 산출되고, 훈련 런이 정상인 경우 1에서 상기 이상 확률 함수의 최대값을 뺀 값으로 산출될 수 있다.
이 때 각 변수의 지원도는 각 변수의 적합도를 변수의 수 N으로 나눈 값으로 정의되며, 각 변수들의 지원도는 다음 수학식 6처럼 표현될 수 있다.
Figure 112014106943114-pat00026
이 때, θ는 임의의 변수를 나타내며, DST를 적용하기 위하여 모든 지원도의 합이 1이 되도록 설정되었다. 상기 수학식 6의 각 지원도는 각 런에 대하여 별도로 산출되며, 다음 수학식 7에 나타난 DST의 결합 규칙에 의하여 결합되어 각 변수에 대한 결합 지원도가 산출된다.
Figure 112014106943114-pat00027
상기 수학식7에서 s1과 s2는 임의의 서로 다른 런 R1 및 R2 에서 산출된 지원도를 나타낸다. 최종적인 각 변수의 적합도 측정치는 모든 훈련 런에서 얻어진 결합 적합도로 정의된다. 즉, 실험적인 훈련 런들에 대하여 이상 확률 함수 값을 산출하고 그에 근거하여 각 변수의 적합도를 산출하여 이상 확률 함수를 산출하는 데 적합한 변수를 선택하고 선택한 변수만을 사용하여 공정의 런의 이상 발생 여부를 판단함으로써 이상 발생 여부 판단의 효율성을 향상시킬 수 있다.
도 4는 본 발명의 일 실시예에 따른 반도체 생산 공정의 이상 감지 방법의 동작을 도시한 순서도이다. 이를 참조하여 본 발명의 일 실시예에 따른 반도체 생산 공정의 이상 감지 방법을 설명한다.
먼저 변수 선택부(400)가 주어진 훈련 런에 대하여 상기 수학식 5 내지 수학식 7에 따라 값이 감지되는 변수 중 이상 감지 적합도가 높은 변수를 선택한다. 이 때, 상술한 바와 같이 변수 선택부(400)는 각 훈련 런에 대하여 이상 확률 함수의 값에 근거하여 각 변수의 지원도를 산출하고, 모든 훈련 런에 대하여 각 변수의 결합 지원도를 산출하며, 결합 지원도에 근거하여 변수를 선택할 수 있다.
이어서 변수 감지부(100)가 반도체 생산 설비로부터(500) 감지하여 전달한 복수개의 변수 값의 시계열 중 이상 확률 함수 연산부(200)가 각 단계에 해당하는 서브시퀀스를 감지한다(S120).
이어서, 이상 확율 함수 연산부(200)가 변수와 반도체 생산의 각 단계의 각 쌍에 대하여 이상 확률 함수의 값을 산출하는 단계(S130).
이 때, 상술한 바와 같이 이상 확률 함수 연산부는 변수와 단계의 각 쌍에 대한 이상 확률 함수의 값을 병렬로 산출할 수 있다. 또한, 상술한 바와 같이 이상 확률 함수의 값은 주어진 변수와 단계에 해당하는 시계열의 서브시퀀스, 즉 상기 단계(S120)에서 감지한 서브시퀀스과 모델 런에서 추출한 서브시퀀스 사이의 거리의 최소값과 두 모델 런에서 추출한 서브시퀀스 사이의 거리의 최대값의 비인 불일치 비의 근사값에 근거하여 산출될 수 있다. 즉, 이상 확률 함수의 값은 상기 수학식 3 내지 수학식 4에 근거하여 산출될 수 있다. 또한 이 때, 상술한 바와 같이, 불일치 비의 근사값은 불일치 비를 산출하는데 필요한 서브시퀀스 대신 각 서브시퀀스의 SAX 변환을 사용함으로써 산출될 수 있다.
이어서, 이상 판정부(300)는 상술한 바와 같이, 상기 수학식 1의 단계 9 내지 단계 10에 따라 각 단계별로
Figure 112014106943114-pat00028
값 중 최대값을 산출하고(S140), 이상 판정부(300)는 상기 수학식 1의 단계 12 내지 단계 15에 따라 이상 발생 여부를 판정한 뒤(S150) 프로세스를 종료한다. 이 때 이상 판정부는 산출한
Figure 112014106943114-pat00029
값의 최대값 중 1에 가까운 경우가 있으면 주어진 반도체 생산 설비(500)의 런이 이상이 발생한 런라고 판단하고, 그렇지 않으면 주어진 행 예가 정상이라고 판단할 수 있다.
다음 표 1은 본 발명에 따라 각 런 및 각 변수별로 산출한
Figure 112014106943114-pat00030
값의 최대값 및 그에 따른 이상 판정 결과를 나타낸 표이다. 표의 가로축은 11개의 각 변수를 나타내고, 표의 세로축은 서로 다른 반도체 생산 설비(500)의 런을 나나내며, 밑줄로 표시된 숫자가 이상 발생 가능성이 높다고 판단한
Figure 112014106943114-pat00031
값을 나타내고 가장 오른쪽에 각 런에 대한 이상 발생 여부 판단의 결과 표시되었다. 표 1의 실험 결과 모든 런에 대하여 이상 발생 여부를 정확하게 판단하였음을 알 수 있다.
Figure 112014106943114-pat00032
이상 살펴본 바와 같이 본 발명에 따르면, 반도체 생산 장비가 감지하는 신호로부터 효율적으로 고도의 정확성을 갖추어 반도체 생산 장비의 런에 이상이 있는지 여부를 판단할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 기술적 보호범위는 아래의 특허청구범위에 의해서 정하여져야 할 것이다.
100 : 변수 감지부 200 : 이상 확률 함수 연산부
300 : 이상 판정부 400 : 변수 선택부
500 : 반도체 생산 설비

Claims (12)

  1. 삭제
  2. 반도체 생산 설비로부터 복수개의 변수 값의 시계열을 감지하여 전달하는 변수 감지부;
    상기 각 변수와 반도체 생산의 각 단계의 각 쌍에 대하여 이상 확률 함수의 값을 병렬로 산출하는 이상 확률 함수 연산부; 및
    상기 이상 확률 함수의 값에 근거하여 상기 반도체 생산 설비의 이상 발생 여부를 판정하는 이상 판정부를 포함하는 반도체 생산 공정의 이상 감지 장치.
  3. 제 2항에 있어서,
    상기 이상 확률 함수의 값은 주어진 상기 변수와 상기 단계에 해당하는 상기 시계열의 서브시퀀스과 모델 런에서 추출한 서브시퀀스 사이의 거리의 최소값과 두 모델 런에서 추출한 서브시퀀스 사이의 거리의 최대값의 비인 불일치 비의 근사값에 근거하여 산출되는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 장치.
  4. 제 3항에 있어서,
    상기 불일치 비의 근사값은 상기 불일치 비를 산출하는데 필요한 서브시퀀스 대신 각 서브시퀀스의 SAX 변환을 사용함으로써 산출되는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 장치.
  5. 제 2항에 있어서,
    상기 이상 확률 함수의 값이 감지되는 변수 중 이상 판정에 사용할 변수를 선택하는 변수 선택부를 더 포함하고,
    상기 변수 선택부는 각 훈련 런에 대하여 상기 이상 확률 함수의 값에 근거하여 각 변수의 적합도를 산출하고, 모든 훈련 런에 대하여 상기 적합도에 근거하여 각 변수의 결합 지원도를 산출하며, 상기 결합 지원도에 근거하여 변수를 선택하는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 장치.
  6. 제 5항에 있어서,
    상기 변수의 적합도는 상기 훈련 런이 이상이 있는 경우 상기 이상 확률 함수의 최대값으로 산출되고, 상기 훈련 실해예가 정상인 경우 1에서 상기 이상 확률 함수의 최대값을 뺀 값으로 산출되는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 장치.
  7. 삭제
  8. 변수 감지부가 반도체 생산 설비로부터 복수개의 변수 값의 시계열을 감지하여 전달하는 단계;
    이상 확률 함수 연산부가 상기 각 변수와 반도체 생산의 각 단계의 각 쌍에 대하여 이상 확률 함수의 값을 병렬로 산출하는 단계; 및
    이상 판정부가 상기 이상 확률 함수의 값에 근거하여 상기 반도체 생산 설비의 이상 발생 여부를 판정하는 단계를 포함하는 반도체 생산 공정의 이상 감지 방법.
  9. 제 8항에 있어서,
    상기 이상 확률 함수의 값을 산출하는 단계에서,
    상기 이상 확률 함수의 값은 주어진 상기 변수와 상기 단계에 해당하는 상기 시계열의 서브시퀀스과 모델 런에서 추출한 서브시퀀스 사이의 거리의 최소값과 두 모델 런에서 추출한 서브시퀀스 사이의 거리의 최대값의 비인 불일치 비의 근사값에 근거하여 산출되는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 방법.
  10. 제 9항에 있어서,
    상기 불일치 비의 근사값은 상기 불일치 비를 산출하는데 필요한 서브시퀀스 대신 각 서브시퀀스의 SAX 변환을 사용함으로써 산출되는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 방법.
  11. 제 8항에 있어서,
    변수 선택부가 이상 감지 적합도에 근거하여 상기 이상 확률 함수의 값이 감지되는 변수 중 이상 판정에 사용할 변수를 선택하는 단계를 더 포함하고,
    상기 변수 선택부는 각 훈련 런에 대하여 상기 이상 확률 함수의 값에 근거하여 각 변수의 적합도를 산출하고, 모든 훈련 런에 대하여 상기 적합도에 근거하여 각 변수의 결합 지원도를 산출하며, 상기 결합 지원도에 근거하여 변수를 선택하는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 방법.
  12. 제 11항에 있어서,
    상기 변수의 적합도는 상기 훈련 런이 이상이 있는 경우 상기 이상 확률 함수의 최대값으로 산출되고, 상기 훈련 실해예가 정상인 경우 1에서 상기 이상 확률 함수의 최대값을 뺀 값으로 산출되는 것을 특징으로 하는 반도체 생산 공정의 이상 감지 방법.
KR1020140153503A 2014-11-06 2014-11-06 반도체 생산 공정의 이상 감지 장치 및 방법 KR101562623B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140153503A KR101562623B1 (ko) 2014-11-06 2014-11-06 반도체 생산 공정의 이상 감지 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140153503A KR101562623B1 (ko) 2014-11-06 2014-11-06 반도체 생산 공정의 이상 감지 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101562623B1 true KR101562623B1 (ko) 2015-10-26

Family

ID=54428203

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140153503A KR101562623B1 (ko) 2014-11-06 2014-11-06 반도체 생산 공정의 이상 감지 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101562623B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190008515A (ko) 2017-07-13 2019-01-24 고려대학교 산학협력단 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013061853A (ja) 2011-09-14 2013-04-04 Toshiba Corp プロセス監視・診断・支援装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013061853A (ja) 2011-09-14 2013-04-04 Toshiba Corp プロセス監視・診断・支援装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190008515A (ko) 2017-07-13 2019-01-24 고려대학교 산학협력단 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법

Similar Documents

Publication Publication Date Title
US9547544B2 (en) Method for verifying bad pattern in time series sensing data and apparatus thereof
JP6137938B2 (ja) 時系列データ内のアノマリを検出するための方法
US20200104639A1 (en) Long short-term memory anomaly detection for multi-sensor equipment monitoring
WO2016101690A1 (zh) 基于时间序列分析的输变电设备的状态监测数据清洗方法
US7953577B2 (en) Method and apparatus for improved fault detection in power generation equipment
CN107408522B (zh) 使用高维变量选择模型确定关键参数
JP2019028929A (ja) プリプロセッサおよび異常予兆診断システム
US20170010591A1 (en) Measured value analysis apparatus and measured value analysis method
US20150286950A1 (en) Apparatus for forecasting water demand
US10310929B2 (en) Diagnosing combinations of failures in a system
KR20210158332A (ko) 정보 처리 장치 및 감시 방법
JP6415335B2 (ja) 不具合診断方法及び不具合診断システム
KR101562623B1 (ko) 반도체 생산 공정의 이상 감지 장치 및 방법
US20190235452A1 (en) Power System Status Estimation Device and Status Estimation Method
KR20110114191A (ko) 특징점 구조 기반의 지문 매칭 방법
KR101808461B1 (ko) 기계의 잔여수명 예측 방법 및 장치
WO2021199227A1 (ja) エラー要因の推定装置及び推定方法
KR20200039877A (ko) 전력 부하 데이터의 패턴 변화 탐지 장치 및 방법
Chabane et al. Sensor fault detection and diagnosis using zonotopic set-membership estimation
US20180136641A1 (en) Fault signal recovery apparatus and method
JP6954219B2 (ja) 機械学習装置
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
KR101665476B1 (ko) 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용
CN113761785A (zh) 一种确定锅炉的减薄值的方法、装置以及存储介质
JP6832175B2 (ja) 処理フロー管理装置及び処理フロー管理方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20191002

Year of fee payment: 5