KR20160079571A - 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법 - Google Patents

위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법 Download PDF

Info

Publication number
KR20160079571A
KR20160079571A KR1020140191128A KR20140191128A KR20160079571A KR 20160079571 A KR20160079571 A KR 20160079571A KR 1020140191128 A KR1020140191128 A KR 1020140191128A KR 20140191128 A KR20140191128 A KR 20140191128A KR 20160079571 A KR20160079571 A KR 20160079571A
Authority
KR
South Korea
Prior art keywords
measurement
measurement time
value
determining
parameter
Prior art date
Application number
KR1020140191128A
Other languages
English (en)
Other versions
KR102361641B1 (ko
Inventor
오경환
고성철
홍은경
김동현
최진하
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020140191128A priority Critical patent/KR102361641B1/ko
Priority to US14/876,612 priority patent/US10040198B2/en
Publication of KR20160079571A publication Critical patent/KR20160079571A/ko
Application granted granted Critical
Publication of KR102361641B1 publication Critical patent/KR102361641B1/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34099—Extrapolation
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00—Robots
    • Y10S901/02—Arm motion controller
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00—Robots
    • Y10S901/46—Sensing device

Abstract

계측 시각들 각각에서의 확정 파라미터값들을 결정하는 계측 정보 처리 방법은 계측 시각들 각각에서의 예상 파라미터값들을 결정하는 단계와, 예상 파라미터값들 각각을 기준으로 계측 시각들 각각에서의 오차 레인지들을 결정하는 단계와, 계측 시각들 각각에서의 계측 파라미터값들을 획득하는 단계와, 예상 파라미터값들, 계측 파라미터값들 및 오차 레인지들에 기초하여 확정 파라미터값들을 결정하는 단계를 포함한다.

Description

위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법{Method for processing location information and method for processing measurement information including the same}
본 발명의 기술적 사상은 계측 정보 처리 방법에 관한 것으로, 특히 반도체 디바이스 제조 시 계측될 수 있는 위치 정보 등을 포함하는 다양한 계측 정보의 처리 방법에 관한 것이다.
반도체 디바이스 제조에 있어서, 반도체 디바이스 자체의 다양한 상태 정보 및 반도체 디바이스의 제조 설비의 상태 정보 등이 계측되며, 이러한 계측 정보를 통해 효과적인 반도체 디바이스 제조 공정을 수행할 수 있다. 이러한 계측 정보는 다양한 노이즈(noise)에 의한 계측값 오류를 가질 수 있으며, 안정적인 반도체 디바이스 제조 공정을 위해 효과적인 계측값 오류 판단 및 보정 방법이 요구된다.
본 발명의 기술적 사상이 이루고자 하는 기술적 과제는 계측 시에 발생할 수 있는 다양한 노이즈에 불구하고, 신뢰성 높은 계측값 오류 판단 및 보정이가능한 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법을 제공하는 것이다.
본 발명의 기술적 사상에 의한 일 양태에 따른 위치 정보 처리 방법은 제1 계측 시각에서의 예상 위치값을 결정하는 위치 예측 단계와, 상기 예상 위치값을 기준으로 오차 레인지(range)를 결정하는 단계와, 상기 제1 계측 시각에서 계측 위치값을 획득하는 단계와, 상기 예상 위치값, 상기 계측 위치값 및 상기 오차 레인지에 기초하여 상기 제1 계측 시각에서의 확정 위치값을 결정하는 단계를 포함한다.
일부 실시예들에서, 상기 확정 위치값을 결정하는 단계는 상기 계측 위치값이 상기 오차 레인지 밖에 있는 경우 상기 계측 위치값을 노이즈(noise)로 판정하여 상기 예상 위치값을 상기 확정 위치값으로 결정하고, 상기 계측 위치값이 상기 오차 레인지 내에 있는 경우 상기 계측 위치값을 상기 확정 위치값으로 결정할 수 있다.
일부 실시예들에서, 상기 위치 예측 단계는 보외법(extrapolation)을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함할 수 있다. 상기 위치 예측 단계는 상기 제1 계측 시각 직전의 계측 시각에서의 위치 변화량을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함할 수 있다.
일부 실시예들에서, 상기 위치 예측 단계는 상기 제1 계측 시각 직전의 연속되는 계측 시각들 각각에서의 위치 변화량의 평균을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함할 수 있다. 또는, 상기 위치 예측 단계는 상기 제1 계측 시각 직전의 연속되는 계측 시각들 각각에서의 위치 변화량의 가중평균을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함할 수 있다.
일부 실시예들에서, 상기 위치 예측 단계는 상기 제1 계측 시각 직전의 계측 시각의 명령 시각 또는 상기 제1 계측 시각 직전의 계측 시각 이전의 명령 시각들 중 상기 제1 계측 시각 직전의 계측 시각과 가장 근접한 명령 시각에서 명령된 위치 변화량 정보를 스케일링하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함할 수 있다.
일부 실시예들에서, 상기 위치 예측 단계는 반복 운동을 통해 학습되어 데이터베이스에 저장된 상기 제1 계측 시각 직전의 계측 시간과 상기 제1 계측 시각 사이에서의 위치 변화량을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함할 수 있다.
본 발명의 기술적 사상에 의한 일 양태에 따른 계측 정보 처리 방법은 제1 계측 시각에서의 예상 파라미터값을 결정하는 단계와, 상기 예상 파라미터값을 기준으로 오차 레인지를 결정하는 단계와, 상기 제1 계측 시각에서의 계측 파라미터값을 획득하는 단계와, 상기 예상 파라미터값, 상기 계측 파라미터값 및 상기 오차 레인지에 기초하여 상기 계측 시각에서의 확정 파라미터값을 결정하는 단계를 포함할 수 있다.
상기 계측 파라미터값은 반도체 디바이스 제조 시 상기 반도체 디바이스 자체에서 계측된 계측값 또는 상기 반도체 디바이스의 제조 설비 자체에서 계측된 계측값일 수 있다. 상기 계측 파라미터값은 상기 반도체 디바이스 또는 상기 반도체 디바이스의 제조 설비의 위치, 온도, 임피던스, 어드미턴스, 전류, 전압 및 두께 중 어느 하나의 계측값일 수 있다.
일부 실시예들에서, 상기 확정 파라미터값을 결정하는 단계는 상기 계측 파라미터값이 상기 오차 레인지 내에 있는 경우, 상기 계측 파라미터값을 상기 계측 시각에서의 확정 파라미터값으로 결정할 수 있다.
일부 실시예들에서, 상기 확정 파라미터값을 결정하는 단계는 상기 계측 파라미터값이 상기 오차 레인지 내에 있는 경우 상기 예상 파라미터값을 상기 계측 시각에서의 확정 파라미터값으로 결정할 수 있다.
본 발명의 기술적 사상에 의한 다른 양태에 따른 계측 시각들각각에서의 확정 파라미터값들을 결정하는 계측 정보 처리 방법은 상기 계측 시각들 각각에서의 예상 파라미터값들을 결정하는 단계와, 상기 예상 파라미터값들 각각을 기준으로 상기 계측 시각들 각각에서의 오차 레인지들을 결정하는 단계와, 상기 계측 시각들 각각에서의 계측 파라미터값들을 획득하는 단계와, 상기 예상 파라미터값들, 상기 계측 파라미터값들 및 상기 오차 레인지들에 기초하여 상기 확정 파라미터값들을 결정하는 단계를 포함할 수 있다.
일부 실시예들에서, 상기 계측 시각들 각각에서의 오차 레인지들은 서로 동일한 범위를 가질 수 있다. 다른 일부 실시예들에서, 상기 계측 시각들 각각에서의 오차 레인지들은 서로 상이한 범위를 가질 수 있다. 상기 계측 시각들 각각에서의 오차 레인지들의 범위는 시간에 따라 순차적으로 넓어질 수 있다.
일부 실시예들에서, 상기 계측 시각들은 일정한 시간 간격으로 순차적으로 진행되는 제1 내지 제3 계측 시각들을 포함하고, 상기 제1 내지 제3 계측 시각들 중 선택된 계측 시각에서의 확정 파라미터값을 결정하는 단계는 상기 선택된 계측 시각에서의 계측 파라미터값이 상기 상기 선택된 계측 시각에서의 오차 레인지 밖에 있는 경우 상기 선택된 계측 시각에서의 예상 파라미터값을 상기 선택된 계측 시각에서의 확정 파라미터값으로 결정하고, 상기 상기 선택된 계측 시각에서의 계측 파라미터값이 상기 상기 선택된 계측 시각에서의 오차 레인지 내에 있는 경우 상기 상기 선택된 계측 시각에서의 계측 파라미터값을 상기 상기 선택된 계측 시각에서의 확정 파라미터값으로 결정할 수 있다.
일부 실시예들에서, 상기 계측 시각들은 상기 제3 계측 시각 직후의 계측 시각인 제4 계측 시각을 더 포함하고, 상기 제1 내지 제3 계측 시각들 각각에서의 확정 파라미터값들이 상기 제1 내지 제3 계측 시각들 각각에서의 예상 파라미터값들로 결정된 경우, 상기 제4 계측 시각에서의 확정 파라미터값은 상기 제4 계측 시각에서의 계측 파라미터값으로 결정할 수 있다.
일부 실시예들에서, 상기 계측 시각들은 상기 제4 계측 시각 직후의 계측 시각인 제5 계측 시각을 더 포함하고, 상기 제5 계측 시각에서의 예상 파라미터값은 상기 제4 계측 시간과 상기 제5 계측 시각 사이에서 목표가 된 위치 변화량을 이용하여 결정할 수 있다.
본 발명의 기술적 사상에 의한 계측 정보 처리 방법은 예상 파라미터값을 결정하고 이에 기초하여 확정 파라미터값으로 결정함으로써, 계측 파라미터값이 노이즈인지 여부를 보다 정확하게 판단할 수 있고, 이에 따라 노이즈를 효율적으로 관리할 수 있다. 또한, 상기 예상 파라미터값은 다양한 예측 방법들에 의해 결정될 수 있으며, 이에 따라 정확도 및 안정성이 높은 노이즈 판별 및 보정을 수행할 수 있다. 나아가, 본 발명에 의할 경우 상기 노이즈 발생 상황을 모니터링할 수 있어, 파라미터값과 관련된 노이즈 상황을 정량적으로, 또는 실시간으로 관리할 수 있게 된다.
도 1a 및 도 1b는 본 발명의 기술적 사상에 의한 실시예들에 따른 계측 정보 처리 방법을 설명하기 위한 개념도 및 플로우차트이다.
도 2는 보외법을 이용하여 계측 시각에서의 예상 파라미터값을 결정하는 방법을 예시적으로 나타낸다.
도 3은 평균 파라미터 변화량을 이용하여 계측 시각에서의 예상 파라미터값을 결정하는 방법을 예시적으로 나타낸다.
도 4는 가중평균 파라미터 변화량을 이용하여 계측 시각에서의 예상 파라미터값을 결정하는 방법을 예시적으로 나타낸다.
도 5a 및 도 5b는 명령 파라미터 변화량을 이용하여 계측 시각에서의 예상 파라미터값을 결정하는 방법을 설명하기 위한 도면들이다.
도 6a 및 도 6b는 학습 파라미터값을 이용하여 계측 시각에서의 예상 파라미터값을 결정하는 방법을 설명하기 위한 도면들이다.
도 7은 도 1a 내지 도 6b를 참조하여 설명한 계측 정보 처리 방법이 복수의 계측 시각들 각각에서 적용되는 모습을 예시적으로 나타낸 도면이다.
도 8 및 도 9는 본 발명의 실시예들에 따른 계측 정보 처리 방법에 있어서 적용될 수 있는 오차 레인지의 적용예를 나타내는 도면들이다.
이하, 첨부 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.
본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 발명의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들어, 본 발명의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 발명 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것임은 이해될 것이다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.
첨부 도면에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시예들은 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조 과정에서 초래되는 형상의 변화를 포함하여야 한다.
도 1a 및 도 1b는 본 발명의 기술적 사상에 의한 실시예들에 따른 계측 정보 처리 방법을 설명하기 위한 개념도 및 플로우차트이다.
도 1a에서, 제1 축은 반도체 디바이스 제조 공정 흐름에 따르는 시간(time)을, 제2 축은 특정 파라미터값(Value)을 나타낼 수 있다.
도 1a를 참조하면, 반도체 디바이스의 제조 공정 동안의 복수의 계측 시각들([N-2], [N-1]) 각각에서 결정된 확정 파라미터값들(D1, D2)과, 상기 계측 시각들([N-2], [N-1]) 이후의 계측 시각([N])에서의 예상 파라미터값(P)이 도시되어 있다.
복수의 계측 시각들([N-2], [N-1], [N])은, 반도체 디바이스의 제조 공정 동안 일정한 시간 간격(T)으로 반복될 수 있다. 즉, 반도체 디바이스의 제조 공정에서 수행될 수 있는 계측은 특정 주기를 가지고 반복 수행될 수 있다.
복수의 계측 시각들([N-2], [N-1]) 각각에서는, 본 발명의 실시예들에 따른 계측 정보 처리 방법을 통하여 결정된 확정 파라미터값들(D1, D2)이 존재하며, 이하에서는 확정 파라미터값들(D1, D2)이 결정된 이후, 계측 시각([N])에서의 확정 파라미터값을 결정하는 방법에 대하여 도 1a 및 도 1b를 상호 참조하여 설명하기로 한다.
도 1a 및 도 1b를 상호 참조하면, 계측 정보 처리 방법은 예상 파라미터값(P) 결정 단계(S110), 오차 레인지(ER) 결정 단계(S120), 계측 파라미터값(M1, M2, M3) 획득 단계(S130), 및 확정 파라미터값 결정 단계(S140)를 포함할 수 있다.
예상 파라미터값(P) 결정 단계(S110)에서는, 계측 시각([N])에서 계측될 것으로 예상되는 예상 파라미터값(P)을 결정할 수 있다. 예상 파라미터값(P) 결정 단계(S110)는 예를 들면 보외법(extrapolation)을 이용하는 방법, 평균 파라미터 변화량을 이용하는 방법, 가중평균 파라미터 변화량을 이용하는 방법, 명령 파라미터 변화량을 이용하는 방법, 및 학습 파라미터값을 이용하는 방법 등에 의해 수행될 수 있으며, 각각의 방법에 대하여는 도 2 내지 도 6b를 참조하여 후술하기로 한다.
오차 레인지 결정 단계(S120)에서는, 상기 결정된 예상 파라미터값(P)을 기준점으로 한 오차 레인지(ER)를 결정할 수 있다.
본 실시예에서의 오차 레인지(ER)는 예상 파라미터값(P)을 기준점으로 하여, 상하 대칭되는 범위(±α)를 가지는 것으로 도시하였으나, 이에 한정되지 않는다. 예를 들어, 상기 오차 레인지(ER)는 예상 파라미터값(P)보다 큰 파라미터값(value)을 가지는 영역에서는 +α의 범위를 가지고, 예상 파라미터값(P)보다 작은 파라미터값(value)을 가지는 영역에서는 -β의 범위를 가질 수도 있다.
일부 실시예들에서, 오차 레인지(ER)는 계측 시각([N-1])으로부터 계측 시각([N])까지의 물리적 변화량 한계를 고려하여 결정할 수 있다. 파라미터값(value)이 특정 물체 등의 위치값인 경우의 구체적인 예를 들면, 계측 시각들([N-2], [N-1]) 각각의 위치값(D1, D2), 시간 간격(T) 등을 통해 물체의 이동 속도를 계산할 수 있으며, 상기 물체를 이동 시킬 수 있는 모터(미도시) 등의 물리적 구동 능력 등을 고려하여 최대 가속 범위, 최대 감속 범위 등을 계산할 수 있다. 이에 따라, 오차 레인지(ER)는 상기 물체의 이동 속도 및 최대 가감속 범위 등을 고려하여 결정될 수 있다.
계측 파라미터값 획득 단계(S130)에서는, 계측 시각([N])에서 계측 장비(미도시)에 의해 측정될 수 있는 계측 파라미터값(M1, M2 및 M3 중 어느 하나)을 획득할 수 있다.
도 1a에서는, 다양한 경우의 계측 파라미터값에 따른 확정 파라미터값을 설명하기 위해 복수의 계측 파라미터값들(M1, M2, M3)을 도시하였으나, 계측 시각([N])에서의 계측 파라미터값은 상기 계측 파라미터값들(M1, M2, M3) 중 어느 하나일 수 있다.
일부 실시예들에서, 상기 계측 파라미터값(M1, M2, M3)은 반도체 디바이스 제조 시 상기 반도체 디바이스에서 계측될 수 있는 다양한 수치값일 수 있다. 예를 들어, 상기 계측 파라미터값(M1, M2, M3)은 상기 반도체 디바이스 내 특정 부분의 온도, 임피던스, 어드미턴스, 전류, 전압 또는 두께 등을 나타내는 다양한 수치값일 수 있다.
다른 일부 일부 실시예들에서, 상기 계측 파라미터값(M1, M2, M3)은 반도체 디바이스 제조 시 사용되는 제조 설비에서 계측될 수 있는 다양한 수치값일 수 있다. 예를 들어, 상기 계측 파라미터값(M1, M2, M3)은 상기 제조 설비의 온도, 상기 제조 설비 내 특정 부분으로 유입되는 전류량 또는 상기 제조 설비의 로봇 암(arm)의 위치 등을 나타내는 다양한 수치값일 수 있다.
계측 파라미터값(M1, M2, M3), 예상 파라미터값(P) 및 확정 파라미터값(D1, D2)은 상기 다양한 수치값들 중 동종의 수치값을 나타낼 수 있다. 예를 들어, 계측 파라미터값(M1, M2, M3)이 상기 로봇 암의 위치값을 나타낼 경우, 예상 파라미터값(P) 및 확정 파라미터값(D1, D2) 또한 상기 로봇 암의 위치값을 나타낼 수 있다.
확정 파라미터값 결정 단계(S140)에서는 계측 파라미터값(M1, M2, M3) 및 예상 파라미터값(P)을 고려하여, 계측 시각([N])에서의 확정 파라미터값을 결정할 수 있다.
계측 시각([N])에서의 확정 파라미터값을 결정하기 위해, 계측 파라미터값 획득 단계(S130)에서 획득된 계측 파라미터값(M1, M2, M3)이 오차 레인지(ER) 범위 내에 있는지를 판단할 수 있다.
구체적인 예를 들면, 계측 파라미터값 획득 단계(S130)에서 계측 파라미터값(M1)이 획득된 경우, 계측 파라미터값(M1)은 예상 파라미터값(P)을 기준으로 한 오차 레인지(ER)의 범위 밖에 위치하므로, 상기 계측 파라미터값(M1)을 노이즈(noise)로 판단할 수 있다. 상기 계측 파라미터값(M1)이 노이즈로 판단되는 경우에는, 예상 파라미터값(P)을 계측 시각([N])에서의 확정 파라미터값으로 결정할 수 있다.
유사하게, 계측 파라미터값 획득 단계(S130)에서 계측 파라미터값(M2)이 획득된 경우, 계측 파라미터값(M2)은 예상 파라미터값(P)을 기준으로 한 오차 레인지(ER)의 범위 밖에 위치하므로, 예상 파라미터값(P)을 계측 시각([N])에서의 확정 파라미터값으로 결정할 수 있다.
한편, 계측 파라미터값(M3)과 같이 획득된 계측 파라미터값이 예상 파라미터값(P)을 기준으로 한 오차 레인지(ER)의 범위 내에 위치할 경우에는, 계측 파라미터값(M3)을 노이즈가 아닌 실제 계측값으로 판단하여, 계측 파라미터값(M3)을 계측 시각([N])에서의 확정 파라미터값으로 결정할 수 있다.
상기한 바와 같이 예상 파라미터값을 결정하고 이에 기초하여 확정 파라미터값으로 결정할 경우, 계측 파라미터값이 노이즈인지 여부를 보다 정확하게 판단할수 있으며, 이에 따라 노이즈를 효율적으로 관리할 수 있다. 이는 계측 시각들([N-2], [N-1])에서의 확정 파라미터값들(D1, D2) 및 계측 시각([N])에서의 예상 파라미터값(P) 등을 통해 파라미터값의 가감속 변화 추세를 예상할 수 있고, 이에 따라 오차 레인지(ER)의 범위를 보다 좁게 결정할 수 있기 때문이다.
일부 실시예들에서, 반도체 디바이스의 제조 공정 동안의 계측 시각들([N-2], [N-1], [N], ...) 각각을 모니터링하여, 상기 노이즈 발생 상황을 모니터링할 수 있다. 이와 같이 상기 노이즈 발생 상황을 모니터링할 경우, 파라미터값과 관련된 노이즈 상황을 정량적으로, 또는 실시간으로 관리할 수 있게 된다.
도 2 내지 도 6b는 상기 예상 파라미터값(P)을 결정하는 다양한 예측 방법들을 예시적으로 설명하기 위한 도면들로서, 이하에서는 상기 다양한 예측 방법들 각각을 구체적으로 살펴보기로 한다.
도 2는 보외법(extrapolation)을 이용하여 계측 시각([N])에서의 예상 파라미터값(P.E)을 결정하는 방법을 예시적으로 나타낸다.
도 2를 참조하면, 계측 시각들([N-2], [N-1]) 각각에서 결정된 확정 파라미터값들(D1, D2)과, 계측 시각([N])에서의 예상 파라미터값(P.E)이 도시되어 있다.
일부 실시예들에서, 계측 시각([N])에서의 예상 파라미터값(P.E)은 계측 시각([N]) 이전의 확정 파라미터값들에 기초한 보외법을 이용하여 결정될 수 있다. 여기서, 보외법이란 넓은 의미로 보면 과거에서 현재까지 시계열적으로 나열된 데이터의 경향선을 연장시켜 미래를 예측하는 방법을 의미할 수 있다.
본 실시예에서는, 상기 보외법의 가장 기초적인 예로서 예상 파라미터값(P.E)의 결정이 요구되는 계측 시각([N]) 직전의 계측 시각들([N-2], [N-1]))에서의 확정 파라미터값들(D1, D2)을 이용하는 경우를 예로 들어 설명한다.
도 2에서의 예상 파라미터값(P.E) 및 확정 파라미터값들(D1, D2)은, 다음과 같이 수학식 1의 관계를 가질 수 있다.
Figure pat00001
한편, 파라미터 변화량들(δ, δp)은 각각의 계측 시각들([N-2], [N-1], [N]) 사이에서의 파라미터값(value)의 변화량을 의미할 수 있다.
상기 수학식 1을 파라미터 변화량들(δ, δp) 관점에서 살펴보면, 파라미터 변화량들(δ, δp)은 다음과 같이 수학식 2의 관계를 가질 수 있다.
Figure pat00002
Figure pat00003

상기한 바와 같이 보외법을 이용하여 예상 파라미터값(P.E)을 결정할 경우, 단순히 이전 파라미터값들에 대한 정보만을 이용하면 되므로 용이하게 예상 파라미터값(P.E)을 결정할 수 있게 된다.
도 3은 평균 파라미터 변화량(δ.AVG)을 이용하여 계측 시각([N])에서의 예상 파라미터값(P.AVG)을 결정하는 방법을 예시적으로 나타낸다.
도 3을 참조하면, 계측 시각들([N-n-1], [N-n], ..., [N-2], [N-1]) 각각에서 결정된 확정 파라미터값들(D1, D2, ..., Dn, Dn+1)과, 계측 시각([N])에서의 예상 파라미터값(P.AVG)이 도시되어 있다.
한편, 파라미터 변화량들(δ1, ..., δn)은 각각의 계측 시각들([N-n-1], [N-n], ..., [N-2], [N-1]) 사이에서의 파라미터값(value)의 변화량을 의미할 수 있다.
본 실시예에서의 예상 파라미터값(P.AVG)은 파라미터 변화량들(δ1, ..., δn)에 기초한 평균 파라미터 변화량(δ.AVG)을 이용하여 결정될 수 있으며, 예상 파라미터값(P.AVG) 및 파라미터 변화량들(δ1, ..., δn)은 다음과 같이 수학식 3의 관계를 가질 수 있다.
Figure pat00004
상기 수학식 3에서, 상기 n 은 임의로 선택되는 양의 정수일 수 있다.
상기n이 1인 경우에는, 도 2를 참조하여 설명한 보외법을 이용하는 방법과동일한 결과를 얻을 수 있다.
상기n의 크기가 상대적으로 커질 경우, 즉 평균 파라미터 변화량(δ.AVG)을 산정하는 데에 사용되는 기초 데이터의 양이 많아질 경우, 상대적으로 안정성 높은 결과값을 얻을 수 있다.
이와 달리 상기n의 크기가 상대적으로 작아질 경우, 즉 평균 파라미터 변화량(δ.AVG)을 산정하는 데에 사용되는 기초 데이터의 양이 적어질 경우에는, 상대적으로 안정성은 낮으나 계측 시각([N])에 근접한 파라미터 변화량의 정확한 반영이 가능할 수 있다.
상기 수학식 3에 의해 평균 파라미터 변화량(δ.AVG)을 결정한 경우, 이에 기초하여 수학식 4와 같이 계측 시간([N])에서의 예상 파라미터값(P.AVG)을 산정할 수 있다.
Figure pat00005
상기한 바와 같이 평균 파라미터 변화량(δ.AVG)을 이용하여 예상 파라미터값(P.AVG)을 결정할 경우, 보다 안정적으로 예상 파라미터값(P.AVG)을 결정할 수 있다. 왜냐 하면, 계측 시간([N]) 직전에서의 파라미터 변화량(δn)만을 이용하여 예상 파라미터값을 결정할 경우에, 파라미터 변화량(δn)에 노이즈 성분이 포함될 경우 부적절한 예상 파라미터값을 결정할 가능성이 존재하기 때문이다.
도 4는 가중평균(weighted average) 파라미터 변화량(δ.WAVG)을 이용하여 계측 시각([N])에서의 예상 파라미터값(P.WAVG)을 결정하는 방법을 예시적으로 나타낸다.
도 4를 참조하면, 계측 시각들([N-n-1], [N-n], ..., [N-2], [N-1]) 각각에서 결정된 확정 파라미터값들(D1, D2, ..., Dn, Dn+1)과, 계측 시각([N])에서의 예상 파라미터값(P.WAVG)이 도시되어 있다.
한편, 파라미터 변화량들(δ1, ..., δn)은 각각의 계측 시각들([N-n-1], [N-n], ..., [N-2], [N-1]) 사이에서의 파라미터값(value)의 변화량을 의미할 수 있다.
본 실시예에서의 예상 파라미터값(P.WAVG)은 파라미터 변화량들(δ1, ..., δn)에 기초한 가중평균 파라미터 변화량(δ.AVG)을 이용하여 결정될 수 있으며, 예상 파라미터값(P.WAVG) 및 파라미터 변화량들(δ1, ..., δn)은 다음과 같이 수학식 5의 관계를 가질 수 있다.
Figure pat00006
Figure pat00007

상기 수학식 5에서, 상기 n 은 임의로 선택되는 양의 정수일 수 있고, 상기 K1, K2, K3, ..., Kn-1, Kn 각각은 파라미터 변화량들(δ1, δ2, δ3, ..., δn-1, δn) 각각에 대한 가중치일 수 있다.
도 3을 참조하여 상술한 바와 같이, 상기 n이 1인 경우에는, 도 2를 참조하여 설명한 보외법을 이용하는 방법과 동일한 결과를 얻을 수 있다.
한편, 상기 가중치들(K1, K2, K3, ..., Kn-1,Kn)이 서로 동일한 값일 경우, 즉 가중치들(K1, K2, K3, ..., Kn-1, Kn) 각각이 1일 경우에는 도 3을 참조하여 설명한 평균 파라미터 변화량을 이용하는 방법과 동일한 결과를 얻을 수 있다.
상기 가중치들(K1, K2, K3, ..., Kn-1, Kn)을 이용하여, 계측 시각([N])에서의 예상 파라미터값(P.WAVG)을 결정하는 데에 있어서 계측 시각([N])과 근접한 파라미터 변화량들(예를 들면 δn-1 또는 δn)에 대해 보다 중점을 둘 수 있다.
예를 들어, 상기 가중치들(K1, K2, K3, ..., Kn-1, Kn)은 수학식 6의 관계를 가질 수 있다.
Figure pat00008
Figure pat00009

상기 가중치들(K1 + K2 + K3 + ... + Kn-1 + Kn)이 수학식 6의 관계를 가질 경우, 계측 시각([N])과 근접하지 않은 파라미터 변화량들(예를 들면 δ1 또는 δ2)을 고려하긴 하되, 계측 시각([N])과 근접한 파라미터 변화량들(예를 들면 δn-1 또는 δn)에 대해 보다 중점을 두어 예상 파라미터값(P.WAVG)을 결정할 수 있다.
상기 수학식 5에 의해 가중평균 파라미터 변화량(δ.WAVG)을 결정한 경우, 이에 기초하여 수학식 7과 같이 계측 시간([N])에서의 예상 파라미터값(P.WAVG)을 산정할 수 있다.
Figure pat00010
상기한 바와 같이 가중평균 파라미터 변화량(δ.WAVG)을 이용하여 예상 파라미터값(P.WAVG)을 결정할 경우, 평균 파라미터 변화량(δ.AVG)을 이용하는 경우와 유사하게 보다 안정적으로 예상 파라미터값(P.WAVG)을 결정할 수 있을 뿐만 아니라, 계측 시각([N])과 근접한 파라미터 변화량들(예를 들면 δn-1 또는 δn)에 대해 보다 중점을 둠으로써 보다 정확한 예상 파라미터값(P.WAVG)을 결정할 수 있게 된다.
도 5a 및 도 5b는 명령 파라미터 변화량(δ.cmdx)을 이용하여 계측 시각([N])에서의 예상 파라미터값(P.TP)을 결정하는 방법을 설명하기 위한 도면들이다.
도 5a를 참조하면, 제1 축은 반도체 디바이스 제조 공정 흐름에 따르는 시간(time)을, 제2 축은 명령 파라미터값(Value.cmd)을 나타낼 수 있다.
여기서, 명령 파라미터값(Value.cmd) 이란 도 5b의 파라미터값(Value)이 원하는 값을 가지도록 제어하기 위한 신호 정보일 수 있다.
파라미터값(Value)이 로봇 암의 위치값인 경우의 구체적인 예를 들면, CPU(Central Processing Unit) 모듈은 명령 시각들([G1], [G2], ..., [Gx], [Gx+1]) 각각에서 상기 로봇 암이 명령된 위치값(P.cmd1, P.cmd2, ..., P.cmdx)으로 이동하도록 하기 위한 신호 정보를 생성하여 DSP(Digital Signal Processor) 모듈에 전송할 수 있다.
즉, 상기 신호 정보는 명령 시각([Gx]) 및 명령 시각([Gx+1]) 사이의 시간 동안 로봇 암이 명령 파라미터 변화량(δ.cmdx) 만큼 이동하도록 하는 신호일 수 있다.
상기 신호 정보는 일정한 시간 간격(T_C)으로 규칙적으로 생성 및 전송될 수 있다. 이에 따라 명령 시각들([G1], [G2], ..., [Gx], [Gx+1])은 일정한 시간 간격(T_C)을 가지며 이격될 수 있다.
한편, 명령 시각들([Gx], [Gx+1])이 가지는 시간 간격(T_C)은 도 5b에서 계측 시각들([N-1], [N])이 가지는 시간 간격(T_M)과 상이할 수 있다. 예를 들어, 상기 명령 시각들([Gx], [Gx+1])이 가지는 시간 간격(T_C)은 1 ms 이고, 상기 계측 시각들([N-1], [N])이 가지는 시간 간격(T_M)은 0.1 ms 일 수 있으며, 이에 대하여는 도 5b를 참조하여 후술하기로 한다.
도 5b에는, 계측 시각([N])에서의 예상 파라미터값(P.TP)이 도시되어 있다.
도 5a 및 도 5b를 상호 참조하면, 본 실시예에서의 예상 파라미터값(P.TP)은 계측 시각([N])에서 적용되는 명령 파라미터 변화량(δ.cmdx)을 이용하여 결정될 수 있다.
예를 들어, 계측 시각([N])이 명령 시각([Gx]) 및 명령 시각([Gx+1]) 사이에 위치하는 경우를 예로 들면, 계측 시각([N])에서 로봇 암은 명령 파라미터 변화량(δ.cmdx)만큼의 이동 명령을 받은 상태일 수 있으며, 이에 따라 예상 파라미터값(P.TP)은 명령 시각([Gx]) 및 명령 시각([Gx+1]) 사이에서의 명령 파라미터 변화량(δ.cmdx)을 이용하여 결정될 수 있다.
한편, 명령 시각들([Gx], [Gx+1])이 가지는 시간 간격(T_C)과 계측 시각들([N-1], [N])이 가지는 시간 간격(T_M)은 상이할 수 있으므로, 명령 파라미터 변화량(δ.cmdx)을 이용한 예상 파라미터값(P.TP) 결정 과정에 있어서 스케일링(scaling)이 요구될 수 있다.
구체적으로, 예상 파라미터값(P.TP)을 결정하는 데에 필요한 스케일링된 파라미터 변화량(δ.sc)은 명령 파라미터 변화량(δ.cmdx)과 수학식 8의 관계를 가질 수 있다.
Figure pat00011
상기 명령 시각들([Gx], [Gx+1])이 가지는 시간 간격(T_C)이 1 ms 이고, 상기 계측 시각들([N-1], [N])이 가지는 시간 간격(T_M)이 0.1 ms인 경우를 예를 들면, 스케일링된 파라미터 변화량(δ.sc)은 명령 파라미터 변화량(δ.cmdx)과 수학식 9의 관계를 가질 수 있다.
Figure pat00012
상기 수학식 8에 의해 스케일링된 파라미터 변화량(δ.sc)을 결정한 경우, 이에 기초하여 수학식 10과 같이 계측 시간([N])에서의 예상 파라미터값(P.TP)을 결정할 수 있다.
Figure pat00013
본 실시예에서와 같이, 명령 파라미터 변화량(δ.cmdx)을 이용하여 계측 시간([N])에서의 예상 파라미터값(P.TP)을 결정할 경우, 계측된 데이터들(예를 들면, 계측 시간([N] 이전에 계측된 파라미터값 등)에 기초하여 예상 파라미터값을 결정하는 경우보다 안정성 높은 예측이 가능하다. 명령 파라미터 변화량(δ.cmdx)의 경우, 계측된 데이터들과 다르게 계측 시 발생할 수 있는 노이즈를 포함하지 않는 정보이기 때문이다.
도 6a 및 도 6b는 학습 파라미터값(Value.L)을 이용하여 계측 시각([N])에서의 예상 파라미터값(P.L)을 결정하는 방법을 설명하기 위한 도면들이다.
도 6a를 참조하면, 제1 축은 반도체 디바이스 제조 공정 흐름에 따르는 시간(time)을, 제2 축은 학습 파라미터값(Value.L)을 나타낼 수 있다.
여기서, 학습 파라미터값(Value.L) 이란 반복되는 반도체 디바이스 제조 공정에서 학습되어 데이터베이스 등에 저장된 파라미터값(Value)을 의미할 수 있다.
본 실시예에서 학습 파라미터값(Value.L)은 도 6a에서와 같이 그래프 형식으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 상기 학습 파라미터값(Value.L)은 테이블(table)에 저장된 비트(bit) 형식의 데이터일 수 있다.
상기 학습 파라미터값(Value.L)은 다양한 학습 알고리즘 등을 이용하여 데이터베이스 등에 저장될 수 있다.
예를 들어, 학습 파라미터값(Value.L)은 다중 선형 회기 분석(Multiple Linear Regression) 알고리즘, 다중 비선형 회귀 분석(Multiple Nonlinear Regression) 알고리즘, 신경망(Neural Network) 알고리즘, 지지벡터회귀(Support Vector Regression) 분석 알고리즘, 최근접 이웃(KNN: K Nearest Neighbor) 회기 분석 알고리즘, 실험 계획(DOE: Design Of Experiment) 분석 알고리즘, 호텔링의 T2(Hotelling's T square) 분석 알고리즘, 가우시안 분포 추정(Gaussian density estimator) 알고리즘, 주성분 분석(PCA: Principal Component Analysis) 알고리즘, 이상치 분석(Novelty Detection) 알고리즘, 스코어 플롯(score plot) 분석 알고리즘, 부분최소자승 판별 분석(PLS-DA: partial least squares-discriminant analysis) 알고리즘, 계층적 동일 분석(HCA: Hierarchiral cluster analysis) 알고리즘, 부분최소제곱(PLS: partial least squares) 회기 분석 알고리즘, SVM(Support Vector Machine) 알고리즘, 퍼지 논리(fuzzy logic) 알고리즘, K-평균 군집화(K-means clustering) 알고리즘, MoG(Mixture of Gaussian) 알고리즘, K-NN(K-Nearest Neighbor) 알고리즘, 및 SVDD(Support Vector Data Description) 알고리즘 등의 다양한 알고리즘을 통해 수행될 수 있다.
학습 파라미터 변화량들(δ.S1, δ.S2, ..., δ.Sn, δ.Sx)은 계측 시각들([N-n-1], [N-n], ..., [N-2], [N-1], [N], [N+1])에 따른 상기 학습 파라미터값(Value.L)의 변화량을 의미할 수 있다.
도 6b에는, 계측 시각([N])에서의 예상 파라미터값(P.L)이 도시되어 있다.
도 6a 및 도 6b를 상호 참조하면, 본 실시예에서의 예상 파라미터값(P.L)은 데이터베이스 등에 저장된 학습 파라미터값(Value.L) (또는 학습 파라미터 변화량(δ.Sx))을 이용하여 결정될 수 있다.
예를 들어, 계측 시각([N])에서의 예상 파라미터값(P.L)을 결정하기 위한 파라미터 변화량(δ.L)은 데이터베이스 등에 저장된 학습 파라미터값(Value.L) 중 계측 시각([N-1]) 및 계측 시각([N]) 사이에서의 학습 파라미터 변화량(δ.Sx)을 룩업(lookup)하여 결정될 수 있다. 즉, 계측 시각([N-1]) 및 계측 시각([N]) 사이에서의 파라미터 변화량(δ.L)은 계측 시각([N-1]) 및 계측 시각([N]) 사이에서의 학습 파라미터 변화량(δ.Sx)으로 결정되어, 수학식 11의 관계를 가질 수 있다.
Figure pat00014
상기 수학식 11에 의해 파라미터 변화량(δ.L)을 결정한 경우, 이에 기초하여 수학식 12와 같이 계측 시간([N])에서의 예상 파라미터값(P.L)을 결정할 수 있다.
Figure pat00015
본 실시예에서와 같이, 학습 파라미터값(Value.L)을 이용하여 예상 파라미터값(P.L)을 결정할 경우, 안정성 높은 예상 파라미터값(P.L)의 예측이 가능하다. 왜냐 하면 로봇 암 등이 특정 동작을 반복 운동하는 동안 학습되는 학습 파라미터값(Value.L)은 상기 특정 동작의 수행 시 불규칙적으로 발생할 수 있는 노이즈의 영향력을 감소시킬 수 있기 때문이다.
도 2 내지 도 6b에서는, 본 발명에서의 계측 정보 처리 방법에 적용될 수 있는 다양한 예상 파라미터값의 결정 방법들 각각을 살펴보았다.
다만, 상기 계측 정보 처리 방법에는 상기한 각각의 예상 파라미터값 결정 방법 중 어느 하나만 선택될 필요는 없고, 복수의 예상 파라미터값 결정 방법들을 통해 상기 예상 파라미터값을 결정할 수도 있다.
예를 들어, 상기 예상 파라미터값은 도 2 내지 도 6b을 참조하여 설명한 보외법을 이용하는 방법, 평균 파라미터 변화량을 이용하는 방법, 가중평균 파라미터 변화량을 이용하는 방법, 명령 파라미터 변화량을 이용하는 방법, 및 학습 파라미터값을 이용하는 방법 중 선택되는 복수의 방법을 통한 복수의 임시 예상 파라미터값을 취합하여 결정될 수 있다.
일부 실시예에들에서, 상기 예상 파라미터값은 상기 복수의 임시 예상 파라미터값의 평균값으로 선택될 수 있다. 또는, 상기 예상 파라미터값은 상기 복수의 임시 예상 파라미터값의 가중 평균값으로 선택될 수도 있다.
도 7은 도 1a 내지 도 6b를 참조하여 설명한 계측 정보 처리 방법이 복수의 계측 시각들([N-2], [N-1], [N], [N+1], [N+2], [N+3]) 각각에서 적용되는 모습을 예시적으로 나타낸 도면이다.
도 7을 참조하면, 계측 시각들([N], [N+1], [N+2]) 각각에서의 계측 파라미터값들(M)이 오차 레인지(ER) 범위 밖에 위치하고, 이에 따라 계측 파라미터값들(M)은 노이즈로 판단되어 예상 파라미터값(P)을 확정 파라미터값(D)으로 결정되는 경우가 도시되고 있다. 즉, 3회의 계측 동안 연속하여 파라미터값의 보정이 수행된 경우이다.
본 발명의 일부 실시예들에 따른 계측 정보 처리 방법은, 상기와 같이 특정 횟수 이상의 연속된 노이즈 판단에 따른 보정이 수행된 경우라면, 최종 보정 수행 이후에서의 계측 시각([N+3])에서 계측 파라미터값(Mx)이 오차 레인지(ER) 범위 밖에 위치하는 경우라도 상기 계측 파라미터값(Mx)을 노이즈로 판단하지 않도록 설정될 수 있다. 즉, 계측 시각([N+3])에서는 예상 파라미터값(Px)이 아닌 계측 파라미터값(Mx)을 확정 파라미터값(D)으로 결정할 수 있다.
이 경우, 계측 시각([N+3]) 이후의 계측 시각(미도시, [N+4], [N+5], ...)에서는 본 발명의 실시예들에 따른 예상 파라미터값을 이용한 계측 정보 처리 방법이 적용되지 않을 수 있다.
왜냐 하면, 계측 시각([N+3])에서 보정하지 않고 확정 파라미터값(Dx)으로 결정한 계측 파라미터값(Mx)이 노이즈일 경우, 계측 시각(미도시, [N+4], [N+5], ...)에서는 잘못된 확정 파라미터값(Dx)에 기초한 파라미터값 예측을 수행할 수 있기 때문이다.
한편, 이와 달리 특정 횟수 이상의 연속된 노이즈 판단에 따른 보정이 수행된 경우에, 계측 시각([N+3]) 이후의 계측 시각(미도시, [N+4], [N+5], ...)에서는 도 5a 및 도 5b를 참조하여 설명한 명령 파라미터 변화량(δ.cmdx)을 이용하여 결정된 예상 파라미터값(P.TP)을 이용한 계측 정보 처리 방법(도 5a 및 도 5b 참조)이 적용될 수 있다.
상기 명령 파라미터 변화량(δ.cmdx)을 이용하여 결정된 예상 파라미터값(P.TP)을 이용한 계측 정보 처리 방법의 경우에는, 계측 파라미터값(Mx)이 노이즈인지 여부와 무관하게 명령 파라미터 변화량(δ.cmdx) 및 예상 파라미터값(P.TP)을 결정하기 때문에, 계측 시각([N+3]) 이후의 계측 시각(미도시, [N+4], [N+5], ...)에서도 안정적으로 파라미터값 예측을 수행할 수 있기 때문이다.
도 8 및 도 9는 본 발명의 실시예들에 따른 계측 정보 처리 방법에 있어서 적용될 수 있는 오차 레인지의 적용예를 나타내는 도면들이다.
도 8을 참조하면, 계측 시각들([N], [N+1], [N+2]) 각각에서 적용되는 오차 레인지(ER_a, ER_b, ER_c)는 일정한 범위(±α)를 가질 수 있다.
이와 같이, 계측 시각들([N], [N+1], [N+2]) 각각에서 적용되는 오차 레인지(ER_a, ER_b, ER_c)가 일정한 범위를 가질 경우, 계측 파라미터값이 노이즈인지 여부를 일관성 있게 판단할 수 있다.
도 9를 참조하면, 계측 시각들([N], [N+1], [N+2]) 각각에서 적용되는 오차 레인지(ER_d, ER_e, ER_f)가 서로 상이한 범위를 가지고 있다.
예를 들어, 오차 레인지(ER_d)는 ±α1의 범위를 가지고, 오차 레인지(ER_e)는 오차 레인지(ER_d)보다 넓은 ±α2의 범위를 가지며, 오차 레인지(ER_f)는 오차 레인지(ER_e)보다 넓은 ±α3의 범위를 가지도록 할 수 있다.
이와 같이, 계측 시각들([N], [N+1], [N+2]) 각각에서 적용되는 오차 레인지(ER_d, ER_e, ER_f)의 범위를 상이하게 적용할 경우, 잘못된 확정 파라미터값의 결정을 감소시킬 수 있으며, 이에 따라 잘못된 확정 파라미터값이 누적되어 발생할 수 있는 노이즈 판단 에러에 의한 토크(torque) 튐 현상 등을 감소시킬 수 있다.
이상, 본 발명을 바람직한 실시예를 들어 상세하게 설명하였으나, 본 발명은 상기 실시예에 한정되지 않고, 본 발명의 기술적 사상 및 범위 내에서 당 분야에서 통상의 지식을 가진 자에 의하여 여러가지 변형 및 변경이 가능하다.
[N-n], ..., [N-1], [N]: 계측 시각
D: 확정 파라미터값
P: 예상 파라미터값
M: 계측 파라미터값
ER: 오차 레인지
δ: 파라미터 변화량
[G1], [G2], ..., [Gx]: 명령 시각

Claims (10)

  1. 제1 계측 시각에서의 예상 위치값을 결정하는 위치 예측 단계와,
    상기 예상 위치값을 기준으로 오차 레인지(range)를 결정하는 단계와,
    상기 제1 계측 시각에서 계측 위치값을 획득하는 단계와,
    상기 예상 위치값, 상기 계측 위치값 및 상기 오차 레인지에 기초하여 상기 제1 계측 시각에서의 확정 위치값을 결정하는 단계를 포함하는 위치 정보 처리 방법.
  2. 제1 항에 있어서,
    상기 확정 위치값을 결정하는 단계는
    상기 계측 위치값이 상기 오차 레인지 밖에 있는 경우 상기 계측 위치값을 노이즈(noise)로 판정하여 상기 예상 위치값을 상기 확정 위치값으로 결정하고,
    상기 계측 위치값이 상기 오차 레인지 내에 있는 경우 상기 계측 위치값을 상기 확정 위치값으로 결정하는 것을 특징으로 하는 위치 정보 처리 방법.
  3. 제1 항에 있어서,
    상기 위치 예측 단계는 상기 제1 계측 시각 직전의 계측 시각에서의 위치 변화량을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함하는 것을 특징으로 하는 위치 정보 처리 방법.
  4. 제1 항에 있어서,
    상기 위치 예측 단계는 상기 제1 계측 시각 직전의 연속되는 계측 시각들 각각에서의 위치 변화량의 평균을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함하는 것을 특징으로 하는 위치 정보 처리 방법.
  5. 제1 항에 있어서,
    상기 위치 예측 단계는 상기 제1 계측 시각 직전의 연속되는 계측 시각들 각각에서의 위치 변화량의 가중평균을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함하는 것을 특징으로 하는 위치 정보 처리 방법.
  6. 제1 항에 있어서,
    상기 위치 예측 단계는
    상기 제1 계측 시각 직전의 계측 시각의 명령 시각 또는 상기 제1 계측 시각 직전의 계측 시각 이전의 명령 시각들 중 상기 제1 계측 시각 직전의 계측 시각과 가장 근접한 명령 시각에서 명령된 위치 변화량 정보를 스케일링(scaling)하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함하는 것을 특징으로 하는 위치 정보 처리 방법.
  7. 제1 항에 있어서,
    상기 위치 예측 단계는
    반복 운동을 통해 학습되어 데이터베이스에 저장된 상기 제1 계측 시각 직전의 계측 시간과 상기 제1 계측 시각 사이에서의 위치 변화량을 이용하여 상기 제1 계측 시각에서의 예상 위치값을 결정하는 단계를 포함하는 것을 특징으로 하는 위치 정보 처리 방법.
  8. 계측 시각들 각각에서의 확정 파라미터값들을 결정하는 계측 정보 처리 방법에있어서,
    상기 계측 시각들 각각에서의 예상 파라미터값들을 결정하는 단계와,
    상기 예상 파라미터값들 각각을 기준으로 상기 계측 시각들 각각에서의 오차 레인지들을 결정하는 단계와,
    상기 계측 시각들 각각에서의 계측 파라미터값들을 획득하는 단계와,
    상기 예상 파라미터값들, 상기 계측 파라미터값들 및 상기 오차 레인지들에 기초하여 상기 확정 파라미터값들을 결정하는 단계를 포함하는 계측 정보 처리 방법.
  9. 제8 항에 있어서,
    상기 계측 시각들은 일정한 시간 간격으로 순차적으로 진행되는 제1 내지 제3 계측 시각들을 포함하고,
    상기 제1 내지 제3 계측 시각들 중 선택된 계측 시각에서의 확정 파라미터값을 결정하는 단계는 상기 선택된 계측 시각에서의 계측 파라미터값이 상기 상기 선택된계측시각에서의 오차 레인지 밖에 있는 경우 상기 선택된 계측 시각에서의 예상 파라미터값을 상기 선택된 계측 시각에서의 확정 파라미터값으로 결정하고, 상기 상기 선택된 계측 시각에서의 계측 파라미터값이 상기 상기 선택된 계측 시각에서의 오차 레인지 내에 있는 경우 상기 상기 선택된 계측 시각에서의 계측 파라미터값을 상기 상기 선택된 계측 시각에서의 확정 파라미터값으로 결정하는 것을 특징으로 하는 위치 정보 처리 방법.
  10. 제9 항에 있어서,
    상기 계측 시각들은 상기 제3 계측 시각 직후의 계측 시각인 제4 계측 시각을 더 포함하고,
    상기 제1 내지 제3 계측 시각들 각각에서의 확정 파라미터값들이 상기 제1 내지 제3 계측 시각들 각각에서의 예상 파라미터값들로 결정된 경우, 상기 제4 계측 시각에서의 확정 파라미터값은 상기 제4 계측 시각에서의 계측 파라미터값으로 결정하는 것을 특징으로 하는 위치 정보 처리 방법.
KR1020140191128A 2014-12-26 2014-12-26 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법 KR102361641B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140191128A KR102361641B1 (ko) 2014-12-26 2014-12-26 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법
US14/876,612 US10040198B2 (en) 2014-12-26 2015-10-06 Method of processing location information and method of processing measurement information including the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140191128A KR102361641B1 (ko) 2014-12-26 2014-12-26 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법

Publications (2)

Publication Number Publication Date
KR20160079571A true KR20160079571A (ko) 2016-07-06
KR102361641B1 KR102361641B1 (ko) 2022-02-10

Family

ID=56165060

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140191128A KR102361641B1 (ko) 2014-12-26 2014-12-26 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법

Country Status (2)

Country Link
US (1) US10040198B2 (ko)
KR (1) KR102361641B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08313278A (ja) * 1995-05-19 1996-11-29 Pioneer Electron Corp 測位データ補正装置及び測位データ補正方法
JPH1031511A (ja) * 1996-07-15 1998-02-03 Matsushita Electric Ind Co Ltd 異常変動予測方法及び異常変動予測装置
KR100982306B1 (ko) * 2008-06-09 2010-09-15 삼성모바일디스플레이주식회사 가상 계측 장치 및 계측 방법

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3904039B2 (ja) 1997-03-10 2007-04-11 株式会社安川電機 ロボットの制御方法
US6975406B2 (en) 2001-08-02 2005-12-13 Zygo Corporation Glitch filter for distance measuring interferometry
JP4289169B2 (ja) 2003-09-29 2009-07-01 株式会社安川電機 複数ロボット間の相対位置計測方法
JP4667951B2 (ja) * 2004-10-14 2011-04-13 アルパイン株式会社 ナビゲーション装置
KR100946676B1 (ko) 2007-04-19 2010-03-12 주식회사 바른전자 인코더 및 가속도 센서를 이용한 위치 추정 시스템 및 방법
KR100926760B1 (ko) 2007-12-17 2009-11-16 삼성전자주식회사 이동 로봇의 위치 인식 및 지도 작성 방법
KR100911714B1 (ko) 2007-12-27 2009-08-10 한국생산기술연구원 이동 로봇 위치 추적 방법
US8630382B2 (en) 2009-03-27 2014-01-14 Freescale Semiconductor, Inc. Asynchronous data recovery methods and apparatus
JP2011002880A (ja) 2009-06-16 2011-01-06 Hitachi Industrial Equipment Systems Co Ltd 移動ロボット
KR20110006064A (ko) 2009-07-13 2011-01-20 (주)로봇에버 로봇 위치 인식을 위한 방법, 시스템 및 이를 이용한 로봇
DE102011084412A1 (de) 2011-10-13 2013-04-18 Kuka Roboter Gmbh Robotersteuerungsverfahren
KR101322620B1 (ko) 2012-03-20 2013-10-29 삼성에스디에스 주식회사 위치 측정 장치 및 방법
KR101945734B1 (ko) 2012-08-16 2019-02-11 한화에어로스페이스 주식회사 로봇 시스템 및 그의 동작 방법
JP5904445B2 (ja) 2013-01-07 2016-04-13 トヨタ自動車東日本株式会社 ロボット用制御装置
KR20140108821A (ko) 2013-02-28 2014-09-15 삼성전자주식회사 이동 로봇 및 이동 로봇의 위치 추정 및 맵핑 방법
US9606848B2 (en) * 2013-03-12 2017-03-28 Raytheon Company Iterative Kalman filtering
KR101475826B1 (ko) 2013-03-14 2014-12-30 인하대학교 산학협력단 백스테핑 기법을 이용한 선도 추종자 대형제어 장치, 방법 및 이동로봇

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08313278A (ja) * 1995-05-19 1996-11-29 Pioneer Electron Corp 測位データ補正装置及び測位データ補正方法
JPH1031511A (ja) * 1996-07-15 1998-02-03 Matsushita Electric Ind Co Ltd 異常変動予測方法及び異常変動予測装置
KR100982306B1 (ko) * 2008-06-09 2010-09-15 삼성모바일디스플레이주식회사 가상 계측 장치 및 계측 방법

Also Published As

Publication number Publication date
US20160189992A1 (en) 2016-06-30
US10040198B2 (en) 2018-08-07
KR102361641B1 (ko) 2022-02-10

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
US10317853B2 (en) Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
CN110515351B (zh) 异常检测器
JP5997330B1 (ja) 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法
JP6148316B2 (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2018124937A (ja) 異常検出装置、異常検出方法およびプログラム
JP7154432B2 (ja) ロボットアームを制御するシステム及び方法
EP2904299B1 (en) Methods and apparatus for process device calibration
TW201642147A (zh) 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
Sim et al. A data mining approach to the causal analysis of product faults in multi-stage PCB manufacturing
US20210197375A1 (en) Robot and method for operating a robot
CN104024964A (zh) 用于在工业过程控制系统中预测终结并且改进过程控制的装置和方法
US11774228B2 (en) Method and apparatus for testing workpieces
CN109213057B (zh) 智能诊断装置和方法
KR20160079571A (ko) 위치 정보 처리 방법 및 그것을 포함하는 계측 정보 처리 방법
JP2020099982A (ja) 工作機械の熱変位補正方法、熱変位補正プログラム、熱変位補正装置
JP2022139266A (ja) 工作機械の環境温度変化予測装置及び予測方法
Eker et al. State-based prognostics with state duration information of cracks in structures
Pinto End-effector tools wear prediction: a multimodel approach
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
US11876021B2 (en) Test circuit and test method
CN117010463A (zh) 包括改进的rbf神经网络的处理器及提供该神经网络的方法
WO2021245916A1 (ja) サーボ制御装置
CN112541297A (zh) 根据贝叶斯优化方法确定物理或化学过程的鲁棒最优状态的设备和方法

Legal Events

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