KR20010033059A - 처리 장치의 모니터링 방법 - Google Patents

처리 장치의 모니터링 방법 Download PDF

Info

Publication number
KR20010033059A
KR20010033059A KR1020007006418A KR20007006418A KR20010033059A KR 20010033059 A KR20010033059 A KR 20010033059A KR 1020007006418 A KR1020007006418 A KR 1020007006418A KR 20007006418 A KR20007006418 A KR 20007006418A KR 20010033059 A KR20010033059 A KR 20010033059A
Authority
KR
South Korea
Prior art keywords
vector
distance
measurement
training
value
Prior art date
Application number
KR1020007006418A
Other languages
English (en)
Inventor
페터 페더를
게르하르트 푀펠
프랑크 바흐트마이스터
Original Assignee
칼 하인쯔 호르닝어
지멘스 악티엔게젤샤프트
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 칼 하인쯔 호르닝어, 지멘스 악티엔게젤샤프트 filed Critical 칼 하인쯔 호르닝어
Publication of KR20010033059A publication Critical patent/KR20010033059A/ko

Links

Classifications

    • 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
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

본 발명에 따라 시간에 따른 파라미터를 갖는 처리 장치의 모니터링 및/또는 제어 방법이 제공된다. 본 발명에 따른 방법은 a) 시간에 따른 처리 파라미터를 측정 곡선의 형태로 측정하는 단계, b) 측정된 상기 처리 파라미터로부터 시간과 무관한 측정값을 형성하는 단계, c) 시간과 무관한 측정값을 처리 장치의 정상 상태 및 비정상 상태를 구별하는 분류기에 입력하는 단계를 포함한다.

Description

처리 장치의 모니터링 방법 {PROCESS FOR MONITORING PROCESSING PLANTS}
최근의 산업적 제조는 일반적으로 고도의 자동화를 특징으로 한다. 특히 반도체 산업에서 국제적 경쟁력을 갖기 위해서는 높은 자동화율이 필수적이다.
제조 동안 제품은 상이한 처리 장치에 의해 자동으로 수행되는 일련의 처리 단계를 거친다. 예컨대, 집적 반도체 제품의 제조시 제품은 600개 미만의 단계를 통과한다. 상기 단계들은 대부분 특수화된 처리 장치에 의해 크린룸 환경에서 수행될 수 있다. 이 경우, 종종 다수의 동일한 방식의 처리 장치가 하나의 처리 영역("bay')으로 통합된다.
이러한 자동화된 제조의 비용은 대부분 제조 공정이 얼마나 양호하고 효율적으로 모니터링 또는 제어됨으로써 제조된 제품의 총 수에 대한 에러 없는 제품의 비율(=수율)이 가급적 큰 값을 갖느냐하는 문제에 의해 영향을 받는다.
개별 처리 단계들은 변동되거나 불규칙하게 되는데, 이것은 최악의 경우에 다수의 칩의 또는 완전한 웨이퍼의 결함 또는 처리 장치의 고장을 의미할 수 있다. 따라서, 웨이퍼의 완전한 처리 후에 허용될 수 있는 수율이 보장되기 위해, 각각의 개별 처리 단계가 가급적 안정하게 수행되어야 한다.
웨이퍼의 에러를 찾아내어 상기 에러를 일정한 처리 단계에 할당하기 위한 광범위한 방법이 선행 기술에 공지되어 있다. 그러나, 상기 방법의 일부는 웨이퍼의 완전한 처리 후에야 얻어지는 데이터를 사용한다. 따라서, 에러의 재추적은 종종 매우 높은 비용으로만 가능하다.
예컨대, 웨이퍼의 제조 후에, 기판 테스트 영역에서 상이한 전기적 및 기능적 파라미터, 예컨대 전류 수율, 트랜지스터의 차단 전압, 스탠바이 전류 등이 상이한 타이밍 조건 하에서 측정된 다음, 제조 기술자에 의해 평가된다. 에러 평가는 극도로 복잡하게 이루어지는데, 그 이유는 어떤 처리 단계에서 에러가 발생했는지가 나중에 결정되어야 하기 때문이다.
웨이퍼가 생산 라인을 통과하는 시간은 8주 미만일 수 있다. 예컨대, 2주의 처리 시간 후에 중대한 에러가 나타나면, 상기 에러가 후속하는 6주의 처리 후에야 검출될 수 있다. 따라서, 한편으로는 제조 라인이 불필요하게 불량품에 의해 부하를 받고, 다른 한편으로는 에러의 원인이 제거될 때까지 시간 지연에 의해 에러를 가진 많은 웨이퍼가 생산된다.
이러한 문제점을 줄이기 위해, 하나의 생산 단계 또는 다수의 생산 단계 동안 또는 후에 검출되는 데이터를 분석하는 부가의 제어 기구가 제공된다.
예컨대, 일정한 처리 단계 후에 웨이퍼가 생산 공정에서 꺼내져 주사 전자 현미경법(REM)에 의해 분석된다. 그러나, 상기 방법은 매우 많은 시간 및 사람을 필요로 하기 때문에 랜덤 샘플링으로만 이루어진다.
"일변수(univariant) 통계학적 프로세스 제어(SPC)"의 방법에서는 프로세스 단계(예컨대, 레지스트 도포, 노광 및 후속하는 에칭)의 논리적 관련 시퀀스에 따라 프로세스 결과(예컨대, 라인 폭 또는 하나의 로트의 2 웨이퍼에서의 층 두께)가 제어된다. 설정값과의 편차가 발생하면, 에러의 원인을 제거하기 위한 조치가 취해진다. 그러나, 문제가 되는 처리 단계에서 편차의 원인을 찾는데 어려움이 있다.
"일변수(univariant) 통계학적 장치(equipment) 제어(SEC)"의 방법에서는 매 프로세스 단계 마다 소위 장치 결합을 통해 예컨대 프로세스 온도, 전압, 파워, 가스 흐름 및 압력과 같은 측정 데이터가 검출되어 제어 카드에 엔트리된다. 상기 제어 카드는 몇개의 처리 단계에서 검출된 파라미터가 상부 제어 라인(OKL) 및 하부 제어 라인(UKL)의 범위 내에 놓이는지에 대해 체크된다. 측정값이 (UKL)과 (OKL) 사이에 놓이면, 실제 프로세스가 정상인 것으로 간주된다. 그러나, 그것이 높은 비용 때문에 불가능하기 때문에, 모든 장치에 대한 모든 파라미터 곡선이 수동으로 조사되고, 가장 중요한 파라미터에만 국한된다. 그러나, 가장 중요한 파라미터에만 국한한다 할지라도, 상기 광학적 제어 방법은 최대로 3차원 파라미터 세트에 적용될 수 있다. 2차원 파라미터 세트에서도 상기 방법이 매우 불명료하다. 예컨대, 2개의 정상 파라미터의 조합은 비정상적인 것일 수 있다. 즉, 칩 또는 장치 에러를 야기시킨다. 이러한 다차원 조합 효과는 종래의 방법으로는 해결될 수 없다. 제어 카드의 관리 및 분석도 매우 많은 시간을 필요로 한다.
본 발명은 처리 장치의 모니터링 또는 제어 방법, 특히 집적 반도체 제품의 제조를 위한 처리 장치의 모니터링 또는 제어 방법에 관한 것이다.
도 1은 RCE 네트워크의 개략도,
도 2는 2차원 측정값 공간의 개략도,
도 3a 및 3b는 정상 상태(도 3a) 및 비정상 상태(도 3b)에 대한 거리 플롯이다.
본 발명의 목적은 종래 방법의 전술한 단점을 피하거나 줄인 처리 장치의 모니터링 및/또는 제어 방법을 제공하는 것이다.
상기 목적은 본 발명에 따라 청구항 제 1항에 따른 처리 장치의 모니터링 및/또는 제어 방법에 의해 달성된다. 본 발명의 바람직한 실시예는 청구범위 종속항, 하기 설명 및 첨부한 도면에 제시된다.
본 발명에 따라 시간에 따른 처리 파라미터를 가진 처리 장치의 모니터링 및/또는 제어 방법이 제공된다. 본 발명에 따른 방법은 하기 단계를 포함한다:
a) 시간에 따른 처리 파라미터를 측정 곡선으로 측정하는 단계,
b) 측정된 처리 파라미터로부터 시간과 무관한 측정값을 형성하는 단계, 및
c) 시간과 무관한 측정값을 처리 장치의 정상 상태와 처리 장치의 비정상 상태를 구별하는 분류기에 입력하는 단계.
본 발명에 따른 방법은 데이터의 분석이 완전히 자동으로 이루어진다는 장점을 갖는다. 많은 시간 및 비용을 필요로 하는, 처리 장치의 "수동" 모니터링이 피해질 수 있다. 모든 소정 파라미터가 동시에 그리고 병렬로 처리 단계의 종료 직후에 처리될 수 있다. 종래의 처리 장치 모니터링에서 통상적이었던, 에러의 발생과 그것의 검출 사이의 시간 지연이 방지된다.
또한, 본 발명에 따른 방법에 의해 다차원 조합 효과가 어려움 없이 검출될 수 있다. 제조된 제품에서 눈에 띌 만한 것이 발견되지 않을지라도, 장치의 동작에 영향을 주는 파라미터 조합이 검출될 수 있다.
바람직하게는 분류기로서 신경 회로망이 사용된다. 이러한 신경 회로망은 하드웨드 해결책으로 또는 소프트웨어 해결책으로 사용될 수 있다.
RCE(Restricted Coulomb Energy) 네트워크가 사용되는 것이 특히 바람직하다. RCE 네트워크는 허용되는 파라미터 범위를 제한하고 상이한 특징 클래스를 서로 분리시키며 소위 "리콜"시 테스트 벡터를 분류하는 과제를 갖는다. 분리를 위해, 바람직하게는 n-차원의 하이퍼스피어(hypersphere) 또는 하이퍼큐보이드(hypercuboid)가 사용된다.
RCE 네트워크는 특징 공간들이 반드시 관련되지 않아도 되는 복잡한 부분 영역으로 나눠진다는 장점을 갖는다. 많은 다른 타입의 네트워크는 초평면(hyperplane)에 의해 특징 공간을 분리한다. 이것은 평면 절단에 의해 표시될 수 있는 클래스를 갖는 문제점만이 처리될 수 있다는 단점을 갖는다. RCE 네트워크는 특징 공간의 거의 임의의 분리를 가능하게 한다. 또한, RCE 네트워크에서는 트레이닝 동안 중간 층 뉴런의 수가 결정되고, 처음부터 공지될 필요가 없다. 또한, RCE 네트워크에서는 다른 네트워크에서와 같이 웨이트 벡터가 값으로 미리 채워질 필요가 없다. 또한, RCE 네트워크에서는 백(back) 전파 알고리즘으로 트레이닝되는 대부분의 네트워크에서와 같이 "오버트레이닝"이 이루어지지 않는다. 백 전파 네트워크에서는 학습 가능한 패턴의 수가 뉴런 수에 의해 제한된다. 최대로 가능한 패턴의 수 이상으로 트레이닝되면, 먼저 학습된 패턴이 "잊혀진다". 게다가, RCE 네트워크에서는 네트워크가 완전히 새로 트레이닝될 필요 없이, 이미 트레이닝된 네트워크에 새로운 클래스가 부가될 수 있다.
분류기의 성공적인 사용을 위해서는 학습 데이터의 선택이 중요하다. 일반적으로, 빈번히 나타나는 파라미터 값이 전형적이거나 또는 정상적인 것으로 간주된다. 분류기의 트레이닝 동안, 비전형적이거나 또는 비정상적인 것으로 간주되는 파라미터 값이 나타날 수도 있다. 그러나, 지금까지는 그러한 비정상적인 파라미터 값을 식별하는 것이 쉽지 않았다.
따라서, 본 발명에 따라 다수의 벡터로부터 비정상적인 것으로 간주되는 벡터를 필터링하는 방법이 제공된다. 본 발명에 따른 방법은 한 벡터와 다른 벡터 사이의 거리가 적합하게 선택된 거리 값에 의해 검출되고, 모든 벡터의 주어진 백분율이 현재 주어진 벡터와 약간 차이나는 거리의 시퀀스의 거리 값(K)이 주어진 한계치를 초과하는 벡터가 필터링되는 것을 특징으로 한다.
이러한 방법은 벡터의 수 및 벡터의 차원과 관련해서 제한되지 않는다는 장점을 갖는다.
본 방법의 다른 바람직한 실시예는 청구범위 종속항에 제시된다.
이하, 첨부한 도면을 참고로 본 발명을 구체적으로 설명한다.
도 1은 RCE 네트워크의 개략도이다. RCE 네트워크의 사용은 2단계로 나눠진다; "트레이닝 단계"에서, 특징 공간을 상이한 클래스로 나누는 예시 벡터가 네트워크에 제공된다. 예시 벡터의 클래스는 트레이닝 동안 공지되어야 한다. 즉, 이것은 감시되는 학습("supervised learning")이다.
"리콜 단계"에서는 테스트 벡터가 분류를 위해 네트워크에 제공되며, 상기 테스트 벡터가 이전에 트레이닝된 하나의(또는 경우에 따라 다수의) 클래스에 할당될 수 있는지, 아니면 클래스로 표시되는 공간 밖에 놓이는지의 여부를 결정한다. 신경 회로망은 확실한 한계로 공지된 예시로부터 (적어도 국부적으로) 감산할 수 있고 트레이닝되지 않은 데이터를 주어진 공차의 범위로 정확히 할당할 수 있다.
RCE 네트워크는 일반적으로 3개의 층을 갖는다: 입력층(1), 중간층(hidden layer)(2) 및 출력층(3).
입력층(1) 내의 각각의 뉴런(5)은 n-차원 입력 벡터의 차원을 나타낸다. 입력층(1)은 "커플링 벡터"(=웨이트 벡터)를 통해 중간층(2)의 각각의 뉴런(6)에 접속된다. 중간층(2)의 모든 뉴런(6)은 특징 클래스를 나타내는 출력층(3)의 정확히 하나의 뉴런(7)에 접속된다.
네트워크의 트레이닝시, 웨이트 벡터 및 중간층(2) 내의 뉴런(6)의 수는 다이내믹하게 결정된다. 즉, 이전에 공지될 필요가 없다. 리콜과 같은 트레이닝시, 전파 함수로서 테스트 벡터와 모든 웨이트 벡터의 거리 값, 예컨대 유클리드 거리 또는 스칼라 곱이 계산된다. 테스트 벡터가 주어진 값 보다 적은 웨이트 벡터와의 편차를 가지면, 중간층(2)의 상응하는 뉴런(6)이 활성화되고 상응하는 출력 뉴런(7)이 활성화된다. 중간층(2)의 활성화는 종래의 퍼셉트론(perceptron)과는 달리 논리 OR 함수를 통해 서로 연산된다. 중간층 뉴런(6)의 수는 트레이닝 동안 검출된다. 중간층 내의 다수의 뉴런(6)이 활성화되면, 분류가 경우에 따라 명확치 않다. 네트워크의 "메모리"는 프로토 타입이라 하는 웨이트 벡터로 저장된다.
입력 벡터의 평가시, 거리 값으로서 웨이트 벡터를 가진 스칼라 곱이 사용되고 중간층으로부터 출력층으로 전송되는 활성화의 평가가 마찬가지로 스칼라 곱에 의해 이루어지면, RCE 네트워크로는 종래의 다층 퍼셉트론이 사용된다. 프로토 타입 둘레에는 특정 영역, 즉 주어진 반경을 가진 하이퍼스피어가 형성된다.
거리 값으로 하기 함수를 사용하면,
d = maxi｜wi j- yi｜ 〈 λj
특정 영역으로서 에지 길이(λj)를 가진 하이퍼 큐보이드가 얻어진다. 그러나, 이렇게 규정된 네트워크는 종래의 다층 퍼셉트론이 아니라 "일반화된" 퍼셉트론이라 한다.
트레이닝시 트레이닝 벡터에 특정 영역, 소위 도메인이 고려되면, 반경(λj)을 가진 하이퍼 큐보이드 또는 하이퍼 스피어가 결정된다. 부가 트레이닝 벡터(프로토 타입)에 대해 벡터가 지금까지 존재하는 프로토 타입의 특정 영역 내에 있는지, 즉 반경(λj)을 가진 하이퍼 큐보이드 또는 하이퍼 스피어 내에 놓이는지의 여부가 테스트된다. 그렇지 않은 경우에는 새로운 프로토 타입이 형성됨으로써 중간층의 뉴런 수가 증가된다.
잘못된 분류를 피하기 위해, 트레이닝 단계에서 하이퍼 큐보이드의 상응하는 에지 또는 새로 형성된 프로토 타입의 하이퍼 스피어의 반경이 감소되어 이미 존재하는 도메인에 매칭됨으로써, 이것들이 더 이상 오버랩되지 않는다. 도메인의 감소시, 새로운 에지 길이 또는 반경은 최대 체적으로 계산된다.
하이퍼 스피어 대신에 하이퍼 큐보이드를 사용하면, 공간이 긴밀하게 커버되는데, 그 이유는 하이퍼 스피어의 오버랩시 사이 공간이 생기기 때문이다. 따라서, 하이퍼 큐보이드 분류기에서 특징 공간을 커버하기 위한 더 적은 트레이닝 예가 필요하다.
처리 장치의 모니터링 또는 제어를 위해, 사용된 RCE 네트워크가 인터벌[-1, 1]에 대해 규격화된 벡터를 입력으로 얻는 것이 바람직하다. 상기 벡터의 성분은 소정 프로세스 파라미터(압력, 온도, 가스 흐름 등)의 시간에 따른 측정값으로부터 시간과 무관한 측정값이 형성되는 방식으로 미처리 데이터로부터 나온다. 통상적으로 측정값은 처리 장치에 대한 세팅에 따라 상이한 값 범위를 갖는다. 따라서, 개별 측정값이 규격화되는 것이 바람직하다. 측정값의 규격화 범위로는 인터벌[0, 1]이 바람직하다.
그러나, 규격화된 측정값을 RCE 네트워크로 직접 처리하는 것은 불필요한 결과를 야기시킨다. 따라서, 시간에 따른 측정값이 시간과 무관한 측정값으로 변환되어야 한다. 상기 측정값은 바람직하게는 하기 요구를 충족시킨다:
"보편성": 각각의 파라미터에 대해 동일한 알고리즘이 적용될 수 있어야 한다.
"유사성": 유사한 곡선은 유사한 측정값을 제공한다.
"강성": 곡선에서의 작은 편차는 측정값을 적게 변동시킨다.
"규격화": 측정값이 인터벌[-1;1]에 대해 규격화되어야 한다.
상기 요구를 고려해서 시간에 따른 측정값을 시간과 무관한 측정값으로 변환할 수 있는 일련의 수학적 방법이 있다.
소정 파라미터의 시간에 따른 측정 곡선은 다항식에 의해 근사화될 수 있다. 측정 곡선은 주어진 기본 함수의 선형 조합으로 표시된다. 예컨대 최소로 웨이팅된 에러 제곱 합에서 주어지는 선형 조합의 계수(ci)는 측정값으로 그리고 RCE 네트워크의 입력 벡터의 성분으로 적합하다.
계산 시간을 절약하기 위해, 기본 함수로서 직교 다항식, 예컨대 체비셰프(Tschebyscheff) 다항식이 사용되는 것이 바람직하다. 직교 다항식의 사용은 새로 부가되는 다항식의 계수만이 계산되면 된다는 부가의 장점을 가지며, 이미 계산된 계수에 부가해서 직교 다항식의 높은 제곱이 사용된다.
거리 값의 사용은 전술한 요구를 고려해서 시간에 따른 측정값을 시간과 무관한 측정값으로 변환시키기 위한 부가의 방법이다.
이것을 위해, 측정값이 주어진 특정 시간에 대해 벡터(x)의 성분으로 해석되는 방식으로 측정 곡선이 이산된다. 비교 벡터(y), 예컨대 하나의 다항식이 마찬가지로 미리 정해진 점에 주어지면, 상기 벡터들 사이의 유사성을 결정하기 위해 상이한 거리 값 방법이 사용될 수 있다.
다수의 거리 값은 소위 민코브스키(Minkowski)-q-메트릭(Lq-메트릭이라 함)의 특수한 경우이다. 일반적으로 민코브스키-q-메트릭은
dq(x, y) = ( i m┃xi-yi┃q)1/q
로 규정된다.
각각의 상기 메트릭은 곡선 특성화에 적합하다. 기준 y에 대한 테스트 벡터 x의 고정 q로 dq-거리를 계산하면, 2개의 벡터에 대한 척도가 얻어진다. 다수의 전체적으로 규정된 비교 곡선의 거리를 측정하면, 파라미터 곡선이 선택 가능한 정확도로 특성화될 수 있다. 상이한 비교 곡선에 대한 dq-거리는 측정값으로 그리고 RCE 네트워크의 입력 벡터의 성분으로 적합하다.
비교 곡선(y)으로 예컨대 인터벌[0;1]로 변환된 체비셰프 다항식이 사용된다. 측정된 파라미터의 조건으로 인해 필요한 경우에는 일정한 비교 곡선과 더불어 임의로 구성된 함수가 사용될 수 있다.
각각의 소정의 파라미터에 대해 사용될 수 있는 모든 규격화된 측정 곡선으로부터 "평균의" 측정 곡선이 산출될 경우, 유사한 방법이 사용된다. 측정값으로는 상이한 편차, 예컨대 평균 측정 곡선과의 최소의 정방향 편차 또는 임의의 다른 민코브스키-q-매트릭이 사용될 수 있다.
중간 측정 곡선(기준 곡선)을 산출하기 위해, 바람직하게 중앙값이 사용될 수 있다. 왜냐하면, 상기 중앙값은 평균값보다 더 강건함으로써, 상기 기준 곡선은 더 평탄해진다.
파라미터 곡선을 나타내기 위해 비트 맵 특성화 방법이 사용될 경우, 또다른 방법이 얻어진다. 상기와 같은 방법은 간행물 EP 0 783 170호에 공지되어 있으며, 상기 간행물의 내용을 참고할 수 있다. 여기서, 파라미터의 시간 진행이 비트 맵으로서 간주된다. 규격화된 측정 곡선으로부터, 예컨대 하기의 측정값이 산출된다. 즉,
"평균에 대한 백분율" : 전체적으로 관찰된 측정 곡선의 평균값에 대해 놓여있는 값의 백분율,
"질량의 편차" : 질량 중심과 값의 편차,
"질량 분포" : 질량 분포,
"요동" : 인접값의 편차에 대한 척도를 나타내며,
"반복성" : 측정 곡선의 전체적인 반복성, 및
"에어리어" : 시간 축을 가진 곡선이 형성하는 영역.
위에 제시된 6 개의 측정값을 통해, 각각의 곡선이 적절하게 나타내질 수 있다. 따라서, 신경 회로망의 입력 벡터는 각각의 파라미터에 대해 6개의 측정값을 갖는다.
곡선 특성화를 위한 방법으로는 하기의 방법들이 적합하다. 즉, 측정 곡선의 두 축은 예컨대 3개의 "등거리" 섹션으로 분할된다. 이러한 방식으로 형성된 9개의 섹션에서, 평균값 및/또는 규격화된 측정값의 표준 편차가 산출된다. 이러한 방식으로, 입력 벡터에 대한 9 또는 18개의 측정값이 형성된다.
도 2는 2차원 측정값 공간을 개략적으로 도시하며, 상기 측정값 공간은 상기 측정값에 의해 정해진다. 여기서, 박스(10)는 측정값 벡터를 나타내며, 상기 측정값 벡터는 처리 장치의 정상 상태를 나타낸다. 이러한 벡터들은 처리 장치가 정상적이고 고정적으로 작동할 수 있는 영역을 고정시킨다. 박스(11)는 비정상 상태를 나타내는 측정값 벡터를 나타내며, 상기 비정상 상태에서는 처리 장치가 불완전하게 작동한다. 여기서, 이러한 비정상 상태는 "일변수 통계학적 장치 제어(SEC)" 방법에서는 비정상으로 인식되지 않을 수도 있으며, 상기 방법에 의해 파라미터 1에 대한 측정 벡터 및 파라미터 2에 대한 측정 벡터가 각각의 상하 제어 한계의 내에 놓인다.
위에 언급된 바와 같이, RCE 네트워크의 사용은 두 개의 단계로 분류된다. 즉, "트레이닝 단계" 와 "리콜 단계". 상기 "트레이닝 단계"에서는 네트워크에 트레이닝 벡터가 제공되며, 상기 트레이닝 벡터에 의해 특성 공간이 상이한 클래스로 분류된다. 매우 고정적으로 작동되는 처리 장치일 경우, 처리 장치의 고정 테스트 진행의 측정 변수로부터 생성된 측정값이 상기 처리 장치의 "정상" 상태를 위한 트레이닝 벡터(프로토 타입)로서 사용될 수 있다.
그러나, 작동된 처리 장치가 별로 고정적이지 않음으로써, 트레이닝 또는 테스트 진행시 재차 처리 장치의 예기치 않은 또는 "비정상" 상태가 나타날 수 있다. 상기 트레이닝 예에서 "비정상"으로서 산출되는 벡터가 발견될 경우, 상기 벡터는 나중의 리콜 단계에서는 잘못된 방식으로 정상으로 인식된다. 왜냐하면, 네트워크로서의 벡터는 정상으로 트레이닝되기 때문이다. 따라서, 상기 신경 회로망의 트레이닝을 준비하기 위해, 상기 트레이닝 벡터는 정확하게 분석되어야만 한다. 모든 트레이닝 벡터로부터, "비정상"으로 간주되어야만 하는 벡터가 필터링되고, 트레이닝에 의해 제거되어야만 한다. 상기 네트워크는 한편으로는 모든 비정상 편차가, 다른 한편으로는 처리 장치의 모든 정상 상태가 인식되도록 바람직하게 트레이닝된다. 에러 메시지의 수는 가능한한 높은 에러 인식률에서 될 수 있는 대로 작아야만 한다.
따라서, 본 발명에 따라 "비정상" 상태의 자동 인식을 위한 방법이 제공된다.
이를 위해, 입력 벡터의 선택가능한 수가 제공된다. 상기 입력 벡터는 예컨대 후에 모니터링될 처리 장치의 하나 이상의 테스트 진행으로부터 얻어질 수 있다. 그리고 나서, 적합하게 선택된 거리값에 의해 각각의 벡터로부터 다른 벡터로의 거리가 검출됨으로써, 바람직하게 대칭의 거리 매트릭스가 생겨나며, 상기 거리 매트릭스의 주 대각 요소는 모두 제로이다. 거리값으로는 예컨대 두 개의 벡터의 유클리드 거리가 사용될 수 있다.
비정상 상태가 존재하는지에 대한 결정은 이러한 거리의 분포에 의해 이루어진다. 이에 따라, 정상 상태에 상응하는 벡터 및 비정상 상태에 상응하는 벡터에 대한 전형적인 거리 분포가 나타난다. 정상 상태에 상응하는 벡터는 그것의 인접 영역에서 추가의 벡터를 갖는다. 이에 상응하여, 이러한 벡터에 관계된 거리 분포에서 다수의 "작은" 거리가 나타난다. 따라서, 상기 벡터의 거리 분포는 "작은" 값에 그 중심을 갖는다.
비정상 상태에 상응하는 벡터는 그것의 인접 영역에서 거의 추가 벡터를 갖지 않는다. 이에 상응하여, 이러한 벡터에 관계된 거리 분포에서 다수의 "큰" 거리가 나타난다. 따라서, 상기 벡터의 거리 분포는 "큰" 값에 중심을 갖는다.
거리 분포를 산출하기 위해, 예컨대 거리 매트릭스의 각각의 간격이 상승 분류된다. 거리 시퀀스는 각각의 벡터에 있어서, 고유한 좌표계내에 기입된다. 여기서, 각각의 벡터에 있어서 거리 분포 또는 누적된 거리 분포가 생겨난다.
모든 벡터의 선택가능한 백분율(예컨대 모든 벡터의 10 %)가 이미 존재하는 간격값내에 배치된 경우, 상기 거리 분포를 비교하기 위해 시퀀스(분포의 특성값)의 값이 사용된다. 이렇게 자유롭게 선택가능한 백분율은 트레이닝 벡터에서 나타나는 "비정상" 벡터의 백분율에 상응한다. 상기 거리 분포의 특성값(K)이 특정 한계치를 초과할 경우, 상응하는 벡터는 비정상 상태에 상응하는 벡터이다. 한계치 내에 거리 분포의 특성값(K)이 존재할 경우, 상응하는 벡터는 정상 상태에 상응하는 벡터이다. 도 3a 및 3b는 정상 상태(도 3a)와 비정상 상태(도 3b)에 대한 거리 플롯을 보여준다. 여기서, 정상 상태의 경우에서의 특성값(K)이 비정상 상태에서의 특성값(K) 보다 더 작다는 것을 알 수 있다. 정상 상태일 경우 특성값(K)은 한계치(S)내에 존재하고, 비정상 상태일 경우 특성값(K)은 한계치(S)위에 존재한다.
얼마나 많은 비정상 벡터가 데이터에 존재하는지를 찾아내기 위해, 특성값의 분포 함수가 사용될 수 있다.
분류기에 대한 입력 벡터의 구성 요소로 사용되는 측정값 중 많은 값이 다수의 분리된 분포 최대점을 소유하는 분포를 지닌다. 이에 따라, 비정상 상태를 찾을 경우에 오류 평가가 이루어질 수 있다. 따라서, 거리를 검출하기 위한 거리값으로서 벡터간의 가중된 거리값이 사용되는 것이 바람직하다. 각각의 측정값의 정보량/엔트로피(또는 정보량/엔트로피의 함수)에 따라 거리값이 가중되는 것이 바람직하다. 측정값을 분배하는 엔트로피는
Si= k jpi j1n(pi j)
로 산출될 수 있다. 여기서, pi j는 i-측정값이 j-값을 취하는 확률을 나타내고, k는 선택가능한 상수이다. 따라서, 두 벡터의 가중된 거리값으로서 예컨대,
d(x, y) = ( i(xi-yi)q)1/q
또는
d(x, y) = ( if(Si)(xi-yi)q)1/q
이 나타나며, f(S)는 엔트로피의 적합하게 선택된 함수이다. 측정값 분포의 엔트로피를 고려함으로써, 또한 다중 양상 데이터의 적절한 처리가 보호된다.

Claims (19)

  1. 시간에 따른 처리 파라미터를 갖는 처리 장치의 모니터링 및/또는 제어 방법에 있어서,
    a) 시간에 따른 처리 파라미터를 측정 곡선의 형태로 측정하는 단계,
    b) 측정된 상기 처리 파라미터로부터 시간과 무관한 측정값을 형성하는 단계,
    c) 시간과 무관한 측정값을 처리 장치의 정상 상태와 처리 장치의 비정상 상태를 구별하는 분류기에 입력하는 단계를 포함하는 것을 특징으로 하는 방법.
  2. 제 1항에 있어서,
    분류기로서 신경 회로망이 사용되는 것을 특징으로 하는 방법.
  3. 제 2항에 있어서,
    RCE 네트워크가 함께 사용되는 것을 특징으로 하는 방법.
  4. 제 4항에 있어서,
    프로토 타입의 도메인으로서 반경λy을 가진 하이퍼큐보이드 또는 하이퍼스피어가 사용되는 것을 특징으로 하는 방법.
  5. 제 1항 내지 4항 중 어느 한 항에 있어서,
    시간과 무관한 측정값이 "보편성", "유사성", "강성" 및 "규격화"의 요구를 충족하는 것을 특징으로 하는 방법.
  6. 제 5항에 있어서,
    처리 파라미터의 시간에 따른 측정 곡선이 다항식, 바람직하게는 직교 다항식의 선형 조합에 의해 근사화되고, 선형 조합의 계수(Ci)가 시간과 무관한 측정값으로 사용되는 것을 특징으로 하는 방법.
  7. 제 5항에 있어서,
    주어진 비교 곡선과 측정 곡선의 거리가 측정값으로 사용되는 것을 특징으로 하는 방법.
  8. 제 5항에 있어서,
    처리 파라미터의 상기 측정 곡선으로부터 평균 측정 곡선이 산출되고, 측정값으로서 상기 평균 측정 곡선에 대한 편차가 사용되는 것을 특징으로 하는 방법.
  9. 제 5항에 있어서,
    비트맵으로 파악된 측정 곡선을 특성화하기 위한 특성값이 측정값으로 사용되는 것을 특징으로 하는 방법.
  10. 제 5항에 있어서,
    측정 곡선이 섹션별로 나눠지고 상기 섹션들에서 산출된 평균값 및/또는 표준 편차가 측정값으로서 사용되는 것을 특징으로 하는 방법.
  11. 제 1항 내지 10항 중 어느 한 항에 있어서,
    상기 분류기가 시간과 무관한 측정값으로 구성된 트레이닝 벡터로 트레이닝되는 것을 특징으로 하는 방법.
  12. 제 11항에 있어서,
    상기 분류기 트레이닝의 준비를 위해 트레이닝 벡터로부터 "비정상"으로 간주되는 트레이닝 벡터가 필터링되는 것을 특징으로 하는 방법.
  13. 제 12항에 있어서,
    비정상 트레이닝 벡터의 필터링을 위해 각각의 트레이닝 벡터와 다른 트레이닝 벡터간의 거리가 적절히 선택된 거리 척도에 의해 검출되는 것을 특징으로 하는 방법.
  14. 제 13항에 있어서,
    모든 벡터의 주어진 백분율이 현재의 트레이닝 벡터에 대해 약간 차이가 나는, 거리의 시퀀스의 거리값(K)이 주어진 한계값을 초과하는 트레이닝 벡터가 필터링되는 것을 특징으로 하는 방법.
  15. 제 13항 또는 14항에 있어서,
    각각의 트레이닝 벡터와 다른 트레이닝 벡터간의 거리를 측정하기 위한 상기 거리 척도로서 가중된 거리 척도가 사용되는 것을 특징으로 하는 방법.
  16. 제 15항에 있어서,
    상기 거리 척도가 정보량/엔트로피 또는 각 측정값의 정보량/엔트로피의 함수에 따라 가중되는 것을 특징으로 하는 방법.
  17. 비정상으로 판단되는 벡터를 다수의 벡터로부터 필터링하는 방법에 있어서,
    각각의 벡터와 각각의 다른 벡터간의 거리가 적절히 선택된 거리 척도를 사용하여 측정되고, 모든 벡터의 사전 설정된 비율이 현재의 트레이닝 벡터에 대해 약간 차이가 나는, 거리의 배치된 시퀀스의 거리값(K)이 사전 설정된 한계값을 초과하는 트레이닝 벡터가 필터링되는 것을 특징으로 하는 방법.
  18. 제 17항에 있어서,
    상기 각각의 벡터와 각각의 다른 벡터간의 거리를 측정하기 위한 거리 척도로서 가중된 거리 척도가 사용되는 것을 특징으로 하는 방법.
  19. 제 18항에 있어서,
    상기 거리 척도가 정보량/엔트로피 또는 각각의 벡터 요소의 정보량/엔트로피의 함수에 따라 가중되는 것을 특징으로 하는 방법.
KR1020007006418A 1997-12-11 1998-12-11 처리 장치의 모니터링 방법 KR20010033059A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19755133A DE19755133A1 (de) 1997-12-11 1997-12-11 Verfahren zur Überwachung von Bearbeitungsanlagen
DE19755133.5 1997-12-11
PCT/DE1998/003652 WO1999030127A2 (de) 1997-12-11 1998-12-11 Verfahren zur überwachung von bearbeitungsanlagen

Publications (1)

Publication Number Publication Date
KR20010033059A true KR20010033059A (ko) 2001-04-25

Family

ID=7851607

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020007006418A KR20010033059A (ko) 1997-12-11 1998-12-11 처리 장치의 모니터링 방법

Country Status (6)

Country Link
US (1) US6618632B1 (ko)
EP (2) EP1038163B1 (ko)
JP (1) JP3515756B2 (ko)
KR (1) KR20010033059A (ko)
DE (3) DE19755133A1 (ko)
WO (1) WO1999030127A2 (ko)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19948569C2 (de) * 1999-10-08 2001-09-13 Infineon Technologies Ag Verfahren und Anordnung zur rechnergestützten Ermittlung und Auswahl signifikanter Meßgrößen
US6408259B1 (en) * 2000-02-01 2002-06-18 General Electric Company Alert generation for trend performance analysis
WO2001098849A2 (en) * 2000-06-19 2001-12-27 Dow Global Technologies Inc. Rotating equipment diagnostic system and adaptive controller
DE60040144D1 (de) 2000-07-05 2008-10-16 Pdf Solutions Sas Verfahren zur Systemüberwachung
JP2002024506A (ja) * 2000-07-12 2002-01-25 Shiizu International:Kk 作業工程の管理システムおよび方法
DE10228799A1 (de) 2002-06-27 2004-01-29 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Vorrichtung und Verfahren zum Überwachen eines ablaufenden Prozesses
EP1403750A1 (de) * 2002-09-27 2004-03-31 Peter Renner System zum Aufspüren und Bewerten von Veränderungen an technischen Prozessen
EP1471008B1 (de) * 2003-04-25 2010-06-09 SIG Technology Ltd. Verfahren und System zur Überwachung eines Verpackungs-oder Abfüllvorgangs
DE102004022748B4 (de) * 2004-05-07 2016-03-24 Abb Research Ltd. System und Verfahren zur automatischen Ursachenanalyse von anlagenweiten Störungen in einem technischen Prozess
EP1672453A1 (de) * 2004-12-08 2006-06-21 Siemens Aktiengesellschaft Verfahren zur Validierung von Referenzwerten in Analysesystemen
DE102005017902A1 (de) 2005-04-18 2006-10-19 Abb Technology Ag Lasttrennschalter sowie Schaltanlage mit Lasttrennschalter
US20100292825A1 (en) * 2006-08-09 2010-11-18 Auckland Uniservices Limited Process control of an industrial plant
US7917240B2 (en) 2006-09-29 2011-03-29 Fisher-Rosemount Systems, Inc. Univariate method for monitoring and analysis of multivariate data
DE112013006799T5 (de) * 2013-04-08 2015-11-26 Mitsubishi Electric Corporation Numerische Steuerungsvorrichtung
CN110322048B (zh) * 2019-05-31 2023-09-26 南京航空航天大学 一种生产物流输送装备故障预警方法
CN117314475B (zh) * 2023-11-28 2024-02-13 德州市水利局水利施工处 一种封堵门防伪溯源过程中异常数据监测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5060277A (en) * 1985-10-10 1991-10-22 Palantir Corporation Pattern classification means using feature vector regions preconstructed from reference data
US5365574A (en) * 1990-05-15 1994-11-15 Vcs Industries, Inc. Telephone network voice recognition and verification using selectively-adjustable signal thresholds
US5796410A (en) * 1990-06-12 1998-08-18 Lucent Technologies Inc. Generation and use of defective images in image analysis
DE69330021T2 (de) * 1992-12-18 2001-10-31 Raytheon Co Verbessertes System zur Mustererkennung für Sonar und andere Anwendungen
US5361628A (en) * 1993-08-02 1994-11-08 Ford Motor Company System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US5574387A (en) * 1994-06-30 1996-11-12 Siemens Corporate Research, Inc. Radial basis function neural network autoassociator and method for induction motor monitoring
ATE200161T1 (de) * 1996-01-04 2001-04-15 Infineon Technologies Ag Vorrichtung und verfahren zur erfassung und bewertung eines räumlich diskreten punktmusters
US6345119B1 (en) * 1996-02-19 2002-02-05 Fujitsu Limited Handwritten character recognition apparatus and method using a clustering algorithm

Also Published As

Publication number Publication date
JP2001526418A (ja) 2001-12-18
DE19755133A1 (de) 1999-06-24
WO1999030127A3 (de) 1999-11-11
US6618632B1 (en) 2003-09-09
EP1306736A2 (de) 2003-05-02
EP1306736A3 (de) 2003-05-07
EP1306736B1 (de) 2005-05-11
EP1038163B1 (de) 2003-04-23
DE59812798D1 (de) 2005-06-16
JP3515756B2 (ja) 2004-04-05
EP1038163A2 (de) 2000-09-27
DE59808096D1 (de) 2003-05-28
WO1999030127A2 (de) 1999-06-17

Similar Documents

Publication Publication Date Title
US11853899B2 (en) Methods and apparatus for data analysis
US7356430B2 (en) Methods and apparatus for data analysis
US7225107B2 (en) Methods and apparatus for data analysis
US8000928B2 (en) Methods and apparatus for data analysis
US20100088054A1 (en) Methods and apparatus for data analysis
US8041541B2 (en) Methods and apparatus for data analysis
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
US20110178967A1 (en) Methods and apparatus for data analysis
JP5735499B2 (ja) 基板処理中に自動的に障害状態を検出及び分類するための方法及び装置
KR20010033059A (ko) 처리 장치의 모니터링 방법
KR20180094111A (ko) 이미지 기반 표본 프로세스 제어
JP4728968B2 (ja) データ解析の方法および装置
Fan et al. Fault diagnosis of wafer acceptance test and chip probing between front-end-of-line and back-end-of-line processes
US6704691B2 (en) Method and system for in-line monitoring process performance using measurable equipment signals
Tin et al. Virtual metrology in semiconductor fabrication foundry using deep learning neural networks
Lee et al. A new intelligent SOFM-based sampling plan for advanced process control
KR20070018880A (ko) 데이터 분석을 위한 방법 및 장치
IL172850A (en) Methods and apparatus for data analysis
Huang An improved fault detection methodology for semiconductor applications based on multi-regime identification
US20220122864A1 (en) Smart skip testing method for semiconductor manufacturing
JP2023537652A (ja) 特に多変量の状況において異常個体を統計的に検出するため、個体の異常レベルを決定する方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E601 Decision to refuse application