KR20170116036A - 프로세싱 툴 모니터링 - Google Patents
프로세싱 툴 모니터링 Download PDFInfo
- Publication number
- KR20170116036A KR20170116036A KR1020177022448A KR20177022448A KR20170116036A KR 20170116036 A KR20170116036 A KR 20170116036A KR 1020177022448 A KR1020177022448 A KR 1020177022448A KR 20177022448 A KR20177022448 A KR 20177022448A KR 20170116036 A KR20170116036 A KR 20170116036A
- Authority
- KR
- South Korea
- Prior art keywords
- characteristic data
- contribution
- processing
- period
- processing characteristic
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 227
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 106
- 239000004065 semiconductor Substances 0.000 claims abstract description 45
- 238000012806 monitoring device Methods 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008021 deposition Effects 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 9
- 238000002955 isolation Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 55
- 238000013459 approach Methods 0.000 description 13
- 238000012423 maintenance Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000007774 longterm Effects 0.000 description 6
- 238000005086 pumping Methods 0.000 description 5
- 238000010926 purge Methods 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000013056 hazardous product Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/02104—Forming layers
- H01L21/02365—Forming inorganic semiconducting materials on a substrate
- H01L21/02612—Formation types
- H01L21/02617—Deposition types
- H01L21/0262—Reduction or decomposition of gaseous compounds, e.g. CVD
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31455—Monitor process status
-
- 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
- G05B2219/33—Director till display
- G05B2219/33296—ANN for diagnostic, 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Hardware Redundancy (AREA)
- Tests Of Electronic Circuits (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
Abstract
적어도 하나의 프로세싱 툴을 모니터링하는 모니터링 장치, 방법 및 컴퓨터 프로그램 제품이 개시된다. 반도체 프로세싱 툴로부터의 침출수를 프로세싱하는 동안 적어도 하나의 프로세싱 툴을 모니터링하기 위한 모니터링 장치로서, 침출수를 프로세싱하는 동안 생성된 프로세싱 특성 데이터를 수신하도록 동작가능한 수신 로직과, 프로세싱 특성 데이터를 적어도 하나의 프로세싱 툴의 상태에 기여하는 기여 기간과 연관된 기여 프로세싱 특성 데이터 및 상태에 기여하지 않는 비기여 기간과 연관된 비기여 프로세싱 특성 데이터로 분리하도록 동작가능한 분리 로직과, 상태의 상황을 판정할 때 기여 프로세싱 특성 데이터는 활용하고 비기여 프로세싱 특성 데이터는 제외하도록 동작가능한 고장 로직을 포함한다. 이 방식으로, 툴의 상태의 상황을 판정하는 경우 툴의 상태에 기여하는 기간 동안 생성되는 데이터만이 사용된다. 이 상태에 기여하지 않는 기간 동안 생성되는 다른 데이터는 무시되거나 생략되어서 툴의 상태의 상황의 정확한 평가가 판정될 수 있다. 이는 툴의 상태의 상황의 정확하고 더 신뢰할 수 있는 평가를 제공하는 것을 돕는다.
Description
본 발명은 적어도 하나의 프로세싱 툴을 모니터링하기 위한 모니터링 장치, 방법 및 컴퓨터 프로그램 제품에 관한 것이다.
프로세싱 툴을 모니터링하는 것이 알려져 있다. 진공 펌핑 및 저감 시스템에서의 프로세싱 툴과 같은 프로세싱 툴은 저감 및 보조 디바이스와 함께, 진공 펌핑 메커니즘 및 진공 펌핑 메커니즘을 구동시키기 위한 모터를 갖는다. 진공 펌핑 및 저감 시스템은 반도체 웨이퍼와 같은 웨이퍼를 프로세싱하기 위한 반도체 프로세싱 툴로부터 배출되는 침출수(effluent stream)를 수신하도록 연결될 수 있고, 반도체 프로세싱 툴은 예를 들어, 프로세싱 챔버 및 전달 챔버를 갖는다.
이들 프로세싱 툴의 상태는 동작 동안 열화되므로 툴을 복구, 수리 또는 유지하기 위해서는 유지보수 활동이 필요하다. 예를 들어, 필터가 입자들로 막히게 되면 유지보수가 필요할 수 있다. 기존 기술은 주기적으로 또는 이벤트 이후에 이들 유지보수 활동을 스케쥴링하도록 시도하지만, 둘다 비효율적이고 상당한 단점을 갖는다.
따라서, 프로세싱 툴을 모니터링하기 위한 향상된 기술을 제공하는 것이 바람직하다.
제 1 측면에 따르면, 반도체 프로세싱 툴로부터의 침출수를 프로세싱하는 동안 적어도 하나의 프로세싱 툴을 모니터링하기 위한 모니터링 장치가 제공되는데, 이 모니터링 장치는 침출수를 프로세싱하는 동안 생성된 프로세싱 특성 데이터를 수신하도록 동작가능한 수신 로직과, 프로세싱 특성 데이터를 적어도 하나의 프로세싱 툴의 상태에 기여(contribute)하는 기여 기간과 연관된 기여 프로세싱 특성 데이터 및 상태에 기여하지 않는 비기여 기간과 연관된 비기여 프로세싱 특성 데이터로 분리하도록 동작가능한 분리 로직과, 상태의 상황을 판정할 때 기여 프로세싱 특성 데이터는 활용하고 비기여 프로세싱 특성 데이터는 제외하도록 동작가능한 고장 로직을 포함한다.
제 1 측면은 기존 기술의 문제가 통상적으로 고객에게 시스템이 전달된 이후 또는 이전 유지보수 활동을 수행한 이후 경과된 시간에 의존하는 고정된 유지보수 스케쥴에 의존하는 것이라는 것을 인식한다. 이러한 스케쥴은 유지보수 활동이 스케쥴링될 때에는 시스템의 상태가 유지보수를 필요로 하지 않기 때문에 유지보수 활동에 대한 활용 및 실제 필요조건을 고려하지 않거나, 시스템이 예상보다 더 광범위하게 사용되었기 때문에 유지보수 활동을 위한 필요조건이 존재할 수 있다. 제 1 측면은 또한 프로세싱이 동작 중인 기간을 측정하는 것이 가능할 수도 있지만, 부정확한 유지보수 활동으로 또한 이어질 수 있음을 인식한다.
따라서, 모니터링 장치가 제공된다. 모니터링 장치는 하나 이상의 프로세싱 툴을 모니터링할 수 있다. 모니터링은 반도체 프로세싱 툴의 침출수의 프로세싱 동안이 될 수 있다. 모니터링 장치는 프로세싱 특성 데이터를 수신할 수 있는 수신 로직을 포함할 수 있다. 프로세싱 특성 데이터는 침출수가 프로세싱될 경우 생성될 수 있다. 분리 로직이 또한 제공될 수 있다. 분리 로직은 특성 데이터가 툴의 상태에 기여하는 기간 동안 생성되거나 이 상태에 기여하지 않는 기간 동안 생성되는지 여부에 기초하여 프로세싱 특성 데이터를 분리, 구분 또는 분류할 수 있다. 따라서, 프로세싱 특성 데이터는 기여 프로세싱 특성 데이터 및 비기여 프로세싱 특성 데이터로 분리될 수 있다. 또한 고장 로직이 제공될 수 있다. 고장 로직은 상태의 상황을 판정할 경우 기여 프로세싱 특성 데이터를 활용할 수 있다. 고장 로직은 또한 상황을 판정할 경우 비기여 프로세싱 특성 데이터를 제외할 수 있다. 이 방식으로, 툴의 상태에 기여하는 기간 동안 생성되는 데이터만이 이 툴의 상태의 상황을 판정할 경우 사용된다. 툴의 상태의 상황의 정확한 평가가 판정될 수 있도록 상태에 기여하지 않는 기간 동안 생성되는 다른 데이터가 무시되거나 생략된다. 이는 툴의 상태의 상황의 정확하고 더 신뢰할 수 있는 평가를 제공하도록 돕는다.
일 실시예에서, 수신하는 단계는 프로세싱 툴로부터 프로세싱 특성 데이터를 수신하는 단계를 포함한다. 따라서, 데이터는 프로세싱 툴 자체로부터 수신될 수 있다.
일 실시예에서, 기여 기간은 제 1 검출가능한 단계를 포함하고 비기여 기간은 제 2 검출가능한 단계를 포함한다. 따라서, 기여 기간 및 비기여 기간은 프로세싱 툴의 동작 또는 비동작의 임의의 검출가능한 또는 구별가능한 단계들을 포함할 수 있다.
일 실시예에서, 기여 기간은 활성 반도체 프로세싱이 발생하는 기간을 포함하고 비기여 기간은 어떠한 활성 반도체 프로세싱도 발생하지 않는 기간을 포함한다. 따라서, 기여 기간은 활성 반도체 프로세싱이 발생하는 기간이 될 수 있는 반면, 비기여 기간은 어떠한 활성 반도체 프로세싱도 발생하지 않는 기간이 될 수 있다.
일 실시예에서, 기여 기간은 증착이 발생하는 기간을 포함하고 비기여 기간은 증착이 발생하지 않는 기간을 포함한다. 따라서, 반도체 프로세싱 툴 내에서의 증착의 결과로서 발생하는 이들 상태에 대해, 기여 기간은 증착이 발생하는 기간이 될 수 있다.
일 실시예에서, 기여 기간은 세척이 발생하는 기간을 포함한다.
일 실시예에서, 비기여 기간은 퍼지가 발생하는 기간을 포함한다.
일 실시예에서, 분리 로직은 프로세싱 특성 데이터를 임계치 양과 비교함으로써 기여 기간 및 비기여 기간을 식별하도록 동작가능하다. 따라서, 특성 데이터가 선택된 임계치 양을 넘어서면 기여 또는 비기여 기간의 발생을 식별할 수 있다.
일 실시예에서, 분리 로직은 프로세싱 특성 데이터에서의 편차의 양을 검출함으로써 기여 기간 및 비기여 기간을 식별하도록 동작가능하다.
일 실시예에서, 분리 로직은 프로세싱 특성 데이터에서의 패턴 매칭에 의해 기여 기간 및 비기여 기간을 식별하도록 동작가능하다. 일 실시예에서, 분리 로직은 프로세싱 특성 데이터에서 알려진 프로세스 패턴(통상적으로 프로세스 라이브러리 내에 포함됨)에 대한 패턴 매칭에 의해 기여 기간 및 비기여 기간을 식별하도록 동작가능하다. 일 실시예에서, 분리 로직은 프로세싱 특성 데이터에서 새로운 패턴(통상적으로 프로세스 라이브러리에 추가됨)을 식별하도록 동작가능하다. 따라서, 특정 패턴은 기여 기간 및/또는 비기여 기간과 연관될 수 있는 프로세싱 특성 데이터에서 인식될 수 있다. 머신 학습 패턴의 예시들은 C5, K-평균 군집 분석(K-means), 코호넨 맵(Kohonen maps)(클러스터링 알고리즘) 및 신경망을 포함하는 알고리즘에 매칭한다.
일 실시예에서, 분리 로직은 프로세싱 특성 데이터가 임계치 시간 동안 임계치 양을 넘는지 여부를 판정함으로써 기여 기간 및 비기여 기간을 식별하도록 동작가능하다. 따라서, 이들 기간은 선택된 임계치 시간 동안 선택된 임계치 양을 넘는지에 의해 식별될 수 있다.
일 실시예에서, 분리 로직은 상승 엣지 시간, 하강 엣지 시간, 프로세싱 특성 데이터 아래의 영역 및 프로세싱 특성 데이터의 값들 사이의 차이 중 적어도 하나를 판정함으로써 기여 기간 및 비기여 기간을 식별하도록 동작가능하다. 따라서, 기간은 다양한 상이한 방식으로 결정될 수 있다.
일 실시예에서, 분리 로직은 프로세싱 특성 데이터의 가우시안 혼합 분석에 의해 기여 기간 및 비기여 기간을 식별하도록 동작가능하다.
일 실시예에서, 고장 로직은 기여 기간으로부터의 기여 프로세싱 특성 데이터를 통합하여 통합된 기여 프로세싱 특성 데이터를 제공하도록 동작가능하다. 따라서, 기여 기간으로부터의 프로세싱 특성 데이터가 함께 통합, 종합 또는 연결되어 통합된 기여 프로세싱 특성 데이터를 제공할 수 있다. 이는 툴의 상태의 상황에 영향을 주는 누적 데이터를 제공한다.
일 실시예에서, 고장 로직은 기여 기간으로부터의 기여 프로세싱 특성 데이터의 평균을 통합하여 통합된 기여 프로세싱 특성 데이터를 제공하도록 동작가능하다. 따라서, 기간 자체로부터 모든 특성 데이터를 통합하기보다는, 대신에 데이터의 평균 또는 다른 통계적으로 변경된 표현이 통합될 수 있고, 이는 데이터의 안정성을 증가시키도록 돕는다.
일 실시예에서, 고장 로직은 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하도록 동작가능하다. 따라서, 통합된 데이터는 기여 프로세싱 특성 데이터의 미래 값을 추정, 계산 또는 근사하도록 외삽될 수 있다. 이는 고장 로직이 유지보수가 필요할 경우 예측하는데 사용될 수 있는 데이터의 값을 예측하는 것을 가능하게 한다.
일 실시예에서, 고장 로직은 추정 모델을 사용하여 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하도록 동작가능하다.
일 실시예에서, 추정 모델은 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 적어도 하나를 사용하여 미래의 기여 프로세싱 특성 데이터를 추정한다. 추정 모델은 예를 들어, 사례 기반 추론과 같은 경험 기반 기술과 통합될 수 있는 다양한 수학적 모델링 기술을 사용할 수 있다. 정확성을 향상시키기 위해, 잔존 유효 수명에 대한 최적 추정을 판정하기 위해 다른 기술로부터의 출력을 통합하는 보강 층이 사용될 수 있다. 확률론적 추론이 이 단계 동안 광범위하게 적용된다.
일 실시예에서, 추정 모델은 첫번째 기간 동안의 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 적어도 하나 및 두번째 기간 동안의 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 다른 적어도 하나를 사용하여 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하도록 동작가능하다. 따라서, 상이한 기술의 조합이 사용될 수 있고, 이들의 각각은 첫번째 또는 두번째 기간 동안 더 적합해질 수 있다.
일 실시예에서, 추정 모델은 베이지언(Bayesian) 추정 기술 및 미래의 기여 프로세싱 특성 데이터와 후속으로 수신된 프로세싱 특성 데이터 사이의 차이를 사용하여 재귀적으로 보정하도록 동작가능하다. 따라서, 예측된 미래의 특성 데이터는 이 추정의 정확도를 향상시키기 위해 재귀적으로 보정된 추정 모델에 후속하여 수신된 실제 특성 데이터에 대해 비교될 수 있다.
일 실시예에서, 고장 로직은 비기여 기간 동안 미래의 기여 프로세싱 특성 데이터에 시간 기반 보정 계수를 적용하도록 동작가능하다. 따라서, 기여 기간이 발생하지 않을 경우에도 상태의 상황이 변하는 이들 상태에 대해, 이들 기간 동안 추정되는 미래의 데이터에 대해 수정이 이루어질 수 있다. 예를 들어, 일부 상태의 상황은 세척 동안 변할 수 있고, 통상적으로 상태의 상황의 심각성을 감소시킨다. 시간 기반 보정을 적용함으로써, 이들은 예측을 더욱 정확하게 만들기 위해 수용될 수 있다.
일 실시예에서, 고장 로직은 미래의 기여 프로세싱 특성 데이터가 고장 임계치를 넘는 경우 고장 상태를 판정하도록 동작가능하다. 따라서, 고장 로직은 예측된 미래의 특성 데이터가 선택된 고장 임계치를 넘거나 초과할 경우 상태가 고장임을 판정한다.
일 실시예에서, 고장 로직은 미래의 기여 프로세싱 특성 데이터가 고장 임계치를 넘을 때까지 기여 기간 수의 표시를 제공하도록 동작가능하다. 따라서, 고장 로직은 추정된 미래의 기여 특성 데이터가 고장 임계치를 넘거나 초과할 때까지 얼마나 많은 기여 기간이 남았는지를 나타낼 수 있다(잔존 유효 수명). 이는 고장 로직이 고장이 발생할 가능성이 있을 때까지 얼마나 많은 기여 기간이 남아있는지에 대한 표시를 운영자에게 제공하는 것을 가능하게 한다.
일 실시예에서, 고장 로직은 미래의 기여 프로세싱 특성 데이터가 대응하는 고장 임계치의 각각을 넘을 경우 복수의 고장 상태의 강도를 판정하도록 동작가능하다. 따라서, 고장 로직은 다수의 상이한 고장 상태의 강도 또는 심각도를 제공할 수 있다.
일 실시예에서, 고장 로직은 미래의 기여 프로세싱 특성 데이터가 고장 임계치의 각각을 넘을 때까지 기여 기간의 수의 표시를 제공하도록 동작가능하다. 따라서, 고장 로직은 상이한 심각도의 고장 상태의 각각이 발생할 수 있다는 것이 예측될 경우를 운영자에게 나타낼 수 있다.
일 실시예에서, 각각의 고장 임계치는 공칭(nominal) 운영 프로세싱 특성 데이터 값으로부터 선택된 편차를 사용하여 설정된다. 다양한 상이한 방식이 각각의 임계치를 설정하는데 사용될 수 있다는 것을 이해할 수 있다.
일 실시예에서, 고장 로직은 비기여 프로세싱 특성 데이터가 비기여 기간 동안 선택된 양을 초과하여 벗어날 경우 고장 상태를 식별하도록 동작가능하다. 따라서, 고장 로직은 비기여 프로세싱 특성 데이터가 비기여 기간 동안 선택된 임계치 양을 초과하여 벗어나거나 변화할 경우 고장을 식별할 수 있다.
일 실시예에서, 프로세싱 툴은 진공 펌프 및 저감 장치 중 적어도 하나를 포함한다.
일 실시예에서, 프로세싱 특성 데이터는 프로세싱 툴 및 침출수 중 하나의 온도, 프로세싱 툴 내의 침출수의 압력, 프로세싱 툴의 전력 소비 및 프로세싱 툴을 통과하는 흐름 속도 중 적어도 하나를 포함한다. 다양한 상이한 측정가능한 특성 데이터가 활용될 수 있다는 것을 이해할 수 있다.
제 2 측면에 따르면, 반도체 프로세싱 툴로부터의 침출수를 프로세싱하는 동안 적어도 하나의 프로세싱 툴을 모니터링하는 방법이 제공되는데, 이 방법은 침출수를 프로세싱하는 동안 생성된 프로세싱 특성 데이터를 수신하는 단계와, 프로세싱 특성 데이터를 적어도 하나의 프로세싱 툴의 상태에 기여하는 기여 기간과 연관된 기여 프로세싱 특성 데이터 및 상태에 기여하지 않는 비기여 기간과 연관된 비기여 프로세싱 특성 데이터로 분리하는 단계와, 상태의 상황을 판정할 때 기여 프로세싱 특성 데이터는 활용하고 비기여 프로세싱 특성 데이터는 제외하는 단계를 포함한다.
일 실시예에서, 수신하는 단계는 프로세싱 툴로부터 프로세싱 특성 데이터를 수신하는 단계를 포함한다.
일 실시예에서, 기여 기간은 제 1 검출가능한 단계를 포함하고 비기여 기간은 제 2 검출가능한 단계를 포함한다. 따라서, 기여 기간 및 기비여 기간은 프로세싱 툴의 동작 또는 비동작의 임의의 검출가능한 구별가능한 단계를 포함할 수 있다.
일 실시예에서, 기여 기간은 활성 반도체 프로세싱이 발생하는 기간을 포함하고 비기여 기간은 어떠한 활성 반도체 프로세싱도 발생하지 않는 기간을 포함한다.
일 실시예에서, 기여 기간은 증착이 발생하는 기간을 포함하고 비기여 기간은 증착이 발생하지 않는 기간을 포함한다.
일 실시예에서, 기여 기간은 세척이 발생하는 기간을 포함한다.
일 실시예에서, 비기여 기간은 퍼지가 발생하는 기간을 포함한다.
일 실시예에서, 분리하는 단계는 프로세싱 특성 데이터를 임계치 양과 비교함으로써 기여 기간 및 비기여 기간을 식별하는 것을 포함한다.
일 실시예에서, 분리하는 단계는 프로세싱 특성 데이터에서의 편차의 양을 검출함으로써 기여 기간 및 비기여 기간을 식별하는 것을 포함한다.
일 실시예에서, 분리하는 단계는 프로세싱 특성 데이터에서의 패턴 매칭에 의해 기여 기간 및 비기여 기간을 식별하는 것을 포함한다.
일 실시예에서, 분리하는 단계는 프로세싱 특성 데이터가 임계치 시간 동안 임계치 양을 넘는지 여부를 판정함으로써 기여 기간 및 비기여 기간을 식별하는 것을 포함한다.
일 실시예에서, 분리하는 단계는 상승 엣지 시간, 하강 엣지 시간, 프로세싱 특성 데이터 아래의 영역 및 프로세싱 특성 데이터의 값들 사이의 차이 중 적어도 하나를 판정함으로써 기여 기간 및 비기여 기간을 식별하는 것을 포함한다.
일 실시예에서, 분리하는 단계는 프로세싱 특성 데이터의 가우시안 혼합 분석에 의해 기여 기간 및 비기여 기간을 식별하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 기여 기간으로부터의 기여 프로세싱 특성 데이터를 통합하여 통합된 기여 프로세싱 특성 데이터를 제공하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 기여 기간으로부터의 기여 프로세싱 특성 데이터의 평균을 통합하여 통합된 기여 프로세싱 특성 데이터를 제공하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 추정 모델을 사용하여 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하는 것을 포함한다.
일 실시예에서, 추정 모델을 사용하는 것은 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 적어도 하나를 사용하여 미래의 기여 프로세싱 특성 데이터를 추정하는 것을 포함한다.
일 실시예에서, 추정 모델을 사용하는 것은 첫번째 기간 동안의 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 적어도 하나 및 두번째 기간 동안의 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 다른 적어도 하나를 사용하여 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하는 것을 포함한다.
일 실시예에서, 방법은 베이지언 추정 기술 및 미래의 기여 프로세싱 특성 데이터와 후속으로 수신된 프로세싱 특성 데이터 사이의 차이를 사용하여 재귀적으로 추정 모델을 보정하는 단계를 포함한다.
일 실시예에서, 활용하는 단계는 비기여 기간 동안 미래의 기여 프로세싱 특성 데이터에 시간 기반 보정 계수를 적용하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 미래의 기여 프로세싱 특성 데이터가 고장 임계치를 넘는 경우 고장 상태를 판정하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 미래의 기여 프로세싱 특성 데이터가 고장 임계치를 넘는 때까지 기여 기간 수의 표시를 제공하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 미래의 기여 프로세싱 특성 데이터가 대응하는 고장 임계치를 넘는 때 복수의 고장 상태 강도를 판정하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 미래의 기여 프로세싱 특성 데이터가 각각의 고장 임계치를 넘는 때까지 기여 기간 수의 표시를 제공하는 것을 포함한다.
일 실시예에서, 방법은 공칭 운영 프로세싱 특성 데이터 값으로부터 선택된 편차를 사용하여 각각의 고장 임계치를 설정하는 것을 포함한다.
일 실시예에서, 활용하는 단계는 비기여 프로세싱 특성 데이터가 비기여 기간 동안 선택된 선택된 양을 초과하여 벗어날 경우 고장 상태를 식별하는 것을 포함한다.
일 실시예에서, 프로세싱 툴은 진공 펌프 및 저감 장치 중 적어도 하나를 포함한다.
일 실시예에서, 프로세싱 특성 데이터는 프로세싱 툴 및 침출수 중 하나의 온도, 프로세싱 툴 내의 침출수의 압력, 프로세싱 툴의 전력 소비 및 프로세싱 툴을 통과하는 흐름 속도 중 적어도 하나를 포함한다.
제 3 측면에 따르면, 컴퓨터 상에서 실행될 경우 제 2 측면의 방법을 수행하도록 동작가능한 컴퓨터 프로그램 제품이 제공된다.
추가의 특정 선호되는 측면들이 첨부한 독립 및 종속항에서 제시된다. 종속항의 특징들은 독립항의 특징들과 적합하게 그리고 청구항에서 명시적으로 제시되는 것과는 다른 조합으로 조합될 수 있다.
장치 특징이 기능을 제공하도록 동작가능한 것으로서 설명된 곳에서, 기능을 제공하거나 기능을 제공하도록 적응 또는 구성되는 장치 특징이 포함된다는 것을 이해할 수 있다.
이제 본 발명의 실시예가 첨부한 도면을 참조하여 추가로 설명된다.
도 1은 일 실시예에 따른 반도체 프로세싱 장치를 도시한다.
도 2는 도 1에 도시된 모니터링 장치에 의해 수행되는 주프로세싱 단계를 도시한다.
도 3은 몇 주 동안 플로팅된 부스터 전력 및 배출압 모두를 포함하는 펌프로부터 수신된 예시의 특성 데이터를 도시한다.
도 4는 몇 시간 동안의 도 3의 데이터 중 일부를 도시한다.
도 5는 반도체 주기에서 다수의 모드를 특성화시키는 가우시안 혼합 분포 접근방식을 도시한다.
도 6a는 프로세스와 관련된 것으로서 식별되는 데이터를 포함하고 이들 프로세스와 관련되지 않은 것으로서 식별되는 데이터를 제외하도록 임계치를 사용하는 특성 데이터의 필터링을 더 자세하게 도시한다.
도 6b는 유휴 상태로부터 벗어난 움직임에 기초하여 반복 패턴 매칭을 사용하는 특성 데이터의 필터링을 도시한다.
도 7은 필터링된 데이터에 대한 다른 가우시안 혼합 모델 분석을 도시한다.
도 8a는 평균 배출압 대 프로세스 수를 나타내는 그래프이다.
도 8b는 데이터 중 일부의 단순한 외삽법을 도시한다.
도 9는 잔존 유효 수명을 추정하기 위한 선형 회귀 기술의 결과를 도시한다.
도 10은 다항 회귀를 사용하여 추정된 잔존 기대 수명을 도시한다.
도 11은 남은 프로세싱 단계의 수를 추정하기 위한 미분 및 비례 계산 접근방식을 도시한다.
도 12는 적분 기반 기술을 사용하여 추정된 잔존 유효 수명을 도시한다.
도 13은 배출압, 추정된 남은 프로세스 수 및 3개의 다른 경고 또는 주의 임계치를 도시한다.
도 14는 고객 프로세스의 분할을 통해 가능하게 만들어진 펌프 및 저감 시스템의 외부 이슈의 고장 식별을 도시한다.
도 15는 동적 모델 기반 접근방식의 주요 개념을 도시한다.
도 16은 단계 수에 기초한 입자 필터링 프레임워크를 도시한다.
도 17은 저감 TPU 고장 예시에 적용되는 입자 필터링을 도시한다.
도 18은 두 다른 시간에서 장기 예측으로부터 생성된 RUL 확률 분포 함수를 도시한다.
도 19는 장기 예측이 이루어지는 데이터를 제공하는 원래의 TPU 고장 예시인 상황을 도시한다.
도 20은 RUL의 더 많은 정보의 입증된 예측을 생성하는 입증 엔진으로 입력되는 분리된 개별적인 수학 및 경험 기반 기술이 후속하는 분리 단계를 도시한다.
도 1은 일 실시예에 따른 반도체 프로세싱 장치를 도시한다.
도 2는 도 1에 도시된 모니터링 장치에 의해 수행되는 주프로세싱 단계를 도시한다.
도 3은 몇 주 동안 플로팅된 부스터 전력 및 배출압 모두를 포함하는 펌프로부터 수신된 예시의 특성 데이터를 도시한다.
도 4는 몇 시간 동안의 도 3의 데이터 중 일부를 도시한다.
도 5는 반도체 주기에서 다수의 모드를 특성화시키는 가우시안 혼합 분포 접근방식을 도시한다.
도 6a는 프로세스와 관련된 것으로서 식별되는 데이터를 포함하고 이들 프로세스와 관련되지 않은 것으로서 식별되는 데이터를 제외하도록 임계치를 사용하는 특성 데이터의 필터링을 더 자세하게 도시한다.
도 6b는 유휴 상태로부터 벗어난 움직임에 기초하여 반복 패턴 매칭을 사용하는 특성 데이터의 필터링을 도시한다.
도 7은 필터링된 데이터에 대한 다른 가우시안 혼합 모델 분석을 도시한다.
도 8a는 평균 배출압 대 프로세스 수를 나타내는 그래프이다.
도 8b는 데이터 중 일부의 단순한 외삽법을 도시한다.
도 9는 잔존 유효 수명을 추정하기 위한 선형 회귀 기술의 결과를 도시한다.
도 10은 다항 회귀를 사용하여 추정된 잔존 기대 수명을 도시한다.
도 11은 남은 프로세싱 단계의 수를 추정하기 위한 미분 및 비례 계산 접근방식을 도시한다.
도 12는 적분 기반 기술을 사용하여 추정된 잔존 유효 수명을 도시한다.
도 13은 배출압, 추정된 남은 프로세스 수 및 3개의 다른 경고 또는 주의 임계치를 도시한다.
도 14는 고객 프로세스의 분할을 통해 가능하게 만들어진 펌프 및 저감 시스템의 외부 이슈의 고장 식별을 도시한다.
도 15는 동적 모델 기반 접근방식의 주요 개념을 도시한다.
도 16은 단계 수에 기초한 입자 필터링 프레임워크를 도시한다.
도 17은 저감 TPU 고장 예시에 적용되는 입자 필터링을 도시한다.
도 18은 두 다른 시간에서 장기 예측으로부터 생성된 RUL 확률 분포 함수를 도시한다.
도 19는 장기 예측이 이루어지는 데이터를 제공하는 원래의 TPU 고장 예시인 상황을 도시한다.
도 20은 RUL의 더 많은 정보의 입증된 예측을 생성하는 입증 엔진으로 입력되는 분리된 개별적인 수학 및 경험 기반 기술이 후속하는 분리 단계를 도시한다.
실시예들을 더 자세하게 논의하기 이전에, 먼저 개요가 제공될 것이다. 실시예들은 침출수를 프로세싱하는 하나 이상의 프로세싱 툴의 상태 또는 상황을 모니터링하는 기술을 제공한다. 통상적으로, 침출수는 반도체 프로세싱 툴에 의해 프로세싱하는 동안 반도체 프로세싱 툴로부터 제공된다.
침출수가 프로세싱되고 있는 동안 데이터가 프로세싱 툴로부터 수신된다(침출수가 수신되고 있지 않는 동안에도 데이터가 수신될 수 있다). 데이터는 침출수의 특성 또는 속성 또는 프로세싱 툴의 동작 특성 또는 속성과 같은 프로세싱 툴에 의해 측정 또는 경험되는 프로세싱 특성을 제공한다.
이 데이터는 또한 두 상이한 분류 그룹 중 하나로 분리 또는 분류된다. 첫번째는 프로세싱 툴의 특정 상태에 기여하는 데이터(기여 데이터)를 식별한다. 두번째는 프로세싱 툴의 특정 상태에 기여하지 않는 데이터(비기여 데이터)이다. 이 방식으로, 수신되는 모든 특성 데이터 중 프로세싱 툴에 의해 수행되는 일부 프로세싱과 관련되고 프로세싱 툴의 상태 또는 상황에 영향을 주는 특성 데이터의 부분만이 상태의 상황을 판정할 때 사용되고, 나머지 데이터는 이 상태에 대해 아무런 기여도하지 않는다고 판정되었기 때문에 제외된다. 비기여 데이터를 제외함으로써, 상태의 정확한 평가가 이루어질 수 있다.
다양한 상이한 기술들이 기여 및 비기여 기간을 식별하도록 활용될 수 있다는 것을 이해할 수 있다. 이들은 반도체 프로세싱 툴 자체에 의해 시그널링될 수 있거나 프로세싱 툴에 의해 측정되는 특성으로부터 또는 프로세싱 동안 프로세싱 툴 자체의 특성으로부터 추론될 수 있다.
통상적으로, 기여 기간은 증착 기간과 같은, 반도체의 활성 프로세싱일 경우의 기간이 될 것이다. 이러한 기간은 통상적으로 프로세싱 툴에 대한 부정적인 영향을 가질 것이고, 통상적으로 일부 고장으로 이어질 것이다. 툴의 상태의 상황을 판정함으로써, 고장이 발생할 가능성이 클 때까지 고장의 가능성을 예측하고 얼마나 많은 프로세싱 단계 또는 주기가 수행될 수 있는지를 추정하는 것이 가능하다. 이는 예방용 유지보수를 계획하여 수행되는 것을 가능하게 하고 부분적으로 프로세싱된 반도체에 대해 가능한 손상을 야기하고 낭비를 야기할 수 있는 프로세싱 동안 발생하는 고장의 가능성을 감소시킨다. 또한, 프로세싱 주기 동안 다양한 단계의 세그먼트화를 통해, 임의의 주어진 단계 동안 파라미터에서의 상당한 변화가 존재하는 경우를 판정하는 것이 가능함에 유의하는 것이 중요하다. 이는 정상 상태 동안 장비를 모니터링하는 핑거프린팅을 향상시켜 중요한 변화 및 작동 상태에서의 편차를 추적할 수 있게 한다.
반도체 프로세싱 장치
도 1은 일 실시예에 따른 반도체 프로세싱 장치, 전체적으로 (10)으로 표시한다. 반도체 프로세싱 툴(20)이 제공되며, 그 안에서 반도체 프로세싱이 행해진다. 이러한 반도체 프로세싱은 반도체 성장, 반도체 층 성장, 반도체 층의 주입 및/또는 반도체 재료와 함께 다른 구조체의 생성을 포함할 수 있다. 도관(25)을 통해 반도체 프로세싱 툴(20)에 연결되어서 침출수를 수신하는 저감 장치(30)가 제공된다. 저감 장치(30)는 처리된 침출수를 환경으로 배출하기 전에 위험 물질의 성분을 제거 또는 변경하거나 이들 물질의 농도를 수용가능한 수준으로 감소시킨다. 당 기술분야에 알려진 바와 같이, 저감 장치(30)는 통상적으로 버너, 플라즈마 토치 또는 유사한 디바이스(37) 및 하나 이상의 스크러빙(scrubbing) 디바이스(39)와 함께 하나 이상의 진공 펌프(35A, 35B)를 포함할 것이다. 진공 펌프(35A, 35B)는 평행하게 배열될 수 있고 디바이스(37)에 피드될 수 있다는 것을 이해할 수 있다.
저감 장치(30)에 연결되어 저감 장치의 컴포넌트로부터 데이터를 수신하는 모니터링 장치(40)가 제공된다. 반도체 프로세싱 툴(20)은 또한 모니터링 장치(40)에 의해 수신되는 데이터를 제공한다.
센서 또는 센서들이 제공될 수 있는 것과 같이 저감 장치 자체의 컴포넌트가 사용될 수 있다. 예를 들어, 진공 펌프는 저감 장치(30) 내 및/또는 다른 장비의 상류 또는 하류에서 발생하는 장비 고장의 시작을 검출 및 식별하기 위해 분석될 수 있는 데이터를 제공하는 프로세서 센서로서 동작하도록 사용될 수 있다. 통상적으로, 이하에서 더 자세하게 설명되는 바와 같이, 이러한 고장은 다른 데이터를 이용한 확인을 통해 식별될 수 있다. 이 데이터를 사용하여, 프로세싱 툴 데이터와는 독립적으로, 나머지 프로세싱 주기의 수의 관점에서, 펌프와 같은 장비의 잔존 유효 수명을 추정하도록 분석을 수행하는 것이 또한 가능하다.
이러한 분석은 통상적으로 장비 고장 이전에 장비 이슈의 범위를 견고하게 검출 및 식별하기 위해 수신된 데이터에 대한 윈도잉(windowing) 및 모델링 기술을 활용한다. 이 분석은 통상적으로 하나 이상의 모델을 사용하여, 분석 로직(60)에 의해 수행되는 데이터 프로세싱의 결과 뿐만 아니라 수신된 데이터를 저장하기 위한 데이터 저장소(50)를 포함하는 모니터링 장치(40)에 의해 수행된다.
모니터링 장치(40)는 또한 저감 장치(30) 및/또는 반도체 프로세싱 툴(20)의 상태의 표시를 제공하여 고장이 발생했는지 여부, 정상 동작으로부터의 편차가 발생했는지 여부를 통지 및/또는 고장이 발생하는 것으로 예상될 때까지 얼마나 많은 주기가 남아있는지의 표시를 제공한다.
모니터링
동작 개요
개요에서, 모니터링 장치에 의해 수행되는 주프로세싱 단계(40)가 도 2에 도시된다.
단계 S1에서, 모니터링 장치(40)는 저감 장치(30) 및/또는 반도체 프로세싱 툴(20)로부터 데이터를 수신한다. 하나 이상의 데이터 세트가 수신되는 경우, 통상적으로 각각은 상이한 특성과 관련되고, 이들은 통상적으로 개별적으로 저장된다.
단계 S2에서, 데이터가 분석되어 또한 통상적으로 두 상이한 카테고리로 분할된다. 제 1 카테고리는 장치의 컴포넌트의 상태에 기여하지 않는 것으로 간주되는 데이터이고 제 2 카테고리는 장치의 상태에 기여하는 것으로 간주되는 데이터이다. 예를 들어, 장치의 상태에 기여하는 데이터는 통상적으로 활성 프로세싱의 기간 동안 수신되는 데이터가 될 것이고, 반면 활성 프로세싱이 발생하지 않는 기간 동안 수신되는 데이터는 비기여 데이터가 될 것이다. 이하에서 더 자세하게 설명되는 바와 같이, 상이한 기간을 식별하고 이들 기간 내의 데이터를 분류하기 위한 이러한 분리는 다양한 상이한 방식으로 수행될 수 있다.
데이터가 분리되면, 단계 S3에서, 분리된 데이터는 (통상적으로 식별된 핑거프린트 상태로부터의) 고장 또는 편차가 발생되는지 여부를 식별 및/또는 고장이 발생할 것 같은 때까지 얼마나 걸리는지의 표시를 제공하기 위해 분석된다. 위에서 언급된 바와 같이, 이는 또한 유지관리 계획 및 스케쥴링을 위해 사용될 수 있다.
모니터링
예시
이제 모니터 장치의 동작의 자세한 예시가 설명될 것이다. 다음의 예시는 저감 장치(30) 내의 펌프로부터의 파라미터 또는 특성을 활용하지만, 다른 컴포넌트로부터의 파라미터 또는 특성이 동일하게 사용될 수 있다는 것을 이해할 수 있다. 또한, 다음의 예시는 펌프로부터의 배출압 및 부스터 전력을 활용하지만, 예를 들어, 부스터 인버터 속도, 유입구 압력 등과 같이 펌프 자체 또는 침출수와 관련된 다른 파라미터가 제공될 수 있다는 것을 이해할 수 있다.
데이터 수집
예를 들어, 정확한 펌프 프로세싱 특성화를 가능하게 하기 위해, 다양한 가스 로드 상태를 캡쳐하기 위해 프로세스 주기 동안 적합한 데이터 샘플링이 필요하다. 시간이 흐르면서 펌프 파라미터 및 이들의 시퀀스의 분포를 분석함으로써, 예를 들어, 프로세스 단계 또는 세척 단계가 발생하는지 여부와 같은 반도체 주기의 주요 단계에서의 프로세스 동작을 특성화하는 것이 가능하다. 일반적으로, 단계는 특정 시간 동안 가스를 펌핑하는 것으로 구성된다. 증착 가스 로드가 펌프에 인가될 때마다, 펌프의 전력 소비 뿐만 아니라 이의 배출압이 증가한다. 각각의 증착 가스 흐름은 배출 차단에 기여하는 불순물 및 잔해를 포함한다. 따라서, 부스터 전력에서의 증가를 이용하여 가스 로드를 검출 및 특성화하는 것이 가능하다. 세척은 높은 증착 가스 로드에 후속하는 경향이 있다. 세척 동안 낮은 가스 로드 및 연관된 전력 소비가 발생한다. "프로세스"인 가스 로드와 단순히 "세척"인 가스 로드를 구별하는 것이 가능하다. 각각의 프로세스가 제 시간에 검출되고 특성화되면, 배출압이 프로세스 동안 어떠했는지를 아는 것이 가능하다. 추가적인 원리를 고려하면, 반도체 프로세스의 세그먼트화를 통해 다른 타입의 고장을 세그먼트화하는 것이 가능하다. 예를 들어, 세척 동안 부식이 발생한다면, 세척 동안의 시간, 따라서 부식에 기여하는 시간을 세그먼트화하는 것이 가능하다.
도 3은 몇 주 동안 플로팅된 부스터 전력 및 배출압 모두를 포함하는 펌프로부터 수신된 예시의 특성 데이터를 도시한다. 도 4는 몇 시간 동안 이 데이터의 일부를 도시한다.
알 수 있는 바와 같이, 모든 가스 로드는 전력 소비의 증가 및 배출압의 동기화된 증가를 야기하지만, 전력에서의 모든 피크는 프로세스와 연관되지 않고, 이들 피크 중 일부는 퍼지 단계와 관련되고, 일부는 세척과 관련된다. 이 예시에서, 전력이 부스터 전력의 크기 분포에 따라 선택되는 주어진 임계치에 도달할 때 피크가 검출된다. 신호는 구형파이기 때문에, 크기 분포는 두 가지 모드(고 및 저)를 갖는다. 임계치는 상위 전력 크기의 90%로 설정된다. 각각의 피크는 폭, 크기, 시작 시간, 종료 시간 및 다음 피크 이전의 시간으로 특성화된다.
데이터 분리
세척 동안과 같이 데이터가 프로세스와 관련된 데이터 및 프로세스와 관련되지 않은 데이터로 분리되는 것을 가능하게 하는 다양한 상이한 접근 방식이 가능하지만, 도 5에서 알 수 있는 바와 같이, 일 실시예는 반도체 주기에서 다수의 모드를 특성화하는 가우시안 혼합 분포 접근방식을 활용한다. 도 5에서 알 수 있는 바와 같이, 분포는 두 그룹의 피크를 도시하고, 이들 중 하나는 매우 짧은 기간(통상적으로 100초 미만) 및 이들 중 하나는 긴 기간(통상적으로 100초 초과)이다.
이 예시에서, 검출된 피크의 수는 5190이다. 짧은 피크는 퍼지 단계로서 식별되는 반면, 긴 피크는 "프로세스"로서 식별된다. 이 분류는 또한 필터링될 프로세스와 관련되지 않는 특성 데이터를 가능하게 하여, 이 실시예에서는, 필터링이 오직 긴 피크만을 고려하는 것으로 구성된다.
다른 실시예에서, 데이터 분리는 임계치 기반이 아니지만, 대신에 유휴(idle) 또는 공칭 상태로부터 벗어난 움직임에 후속하는 특성 데이터에서의 패턴을 검출하는 것에 기초한다. 이러한 패턴 매칭 또는 식별은 통상적으로 통계적인 또는 가우시안 혼합 모델 표현에 의존하고 길이, 평균 값, 표준 편차, 곡선 아래의 영역 등과 같은 다수의 상이한 특성을 함께 활용할 수 있다. 이러한 패턴은 사전정의되거나 학습될 수 있다. 패턴에 대한 특성 데이터의 매칭은 상이한 거리 메트릭 및 매칭 프로세스를 활용할 수 있다.
실시예들은 또한 상이한 y축 범위에 걸친 폭 분포 또는 정상화된 데이터 및 미분 데이터 모두를 사용하는 폭 분포와 같은 기술을 활용할 수 있다는 것을 이해할 수 있다.
도 6a는 임계치 기술을 사용하여 프로세스와 관련된 것으로서 식별되는 데이터를 포함하고 이들 프로세스와 관련되지 않은 것으로서 식별되는 데이터는 제외하는 특성 데이터의 필터링을 더 자세하게 도시한다.
도 6b는 패턴 매칭 기술을 사용하여 프로세스와 관련된 것으로서 식별되는 데이터를 포함하고 이들 프로세스와 관련되지 않은 것으로서 식별되는 데이터는 제외하는 특성 데이터의 필터링을 더 자세하게 도시한다. 기여 데이터 및 비기여 데이터를 구성하는 것은 예측되는 고장 상태의 타입 및 고장 메커니즘에 따른다. 이 예시에서, 데이터(200)는 프로세스 증착 단계 A와 연관된 것으로서 식별되며, 데이터(210)는 프로세스 증착 단계 B와 연관된 것으로서 식별되고, 데이터(230)는 세척 단계(프로세스 증착 단계 A 및 B의 끝에서 일반적으로 수행됨)와 연관된 것으로서 식별되는데, 이들 각각은 데이터가 이들 기간 동안 툴 동작이 특정한 최종 고장 상태에 기여할 것임을 나타내기 때문에 기여하는 데이터이다. 퍼지 단계와 연관된 것으로서 식별된 데이터(220)를 포함하는 나머지 데이터는, 이들 기간 동안 툴 동작이 특정한 최종 고장 상태에 기여할 가능성이 없으므로 비기여 데이터이다.
데이터 분석
특성 데이터가 분리되면, 분석될 수 있다. 예를 들어, 도 7에 도시된 바와 같이, 필터링된 데이터에 대해 다른 가우시안 혼합 모델 분석을 수행하는 것이 가능하다. 이러한 분석은 검출된 피크의 수가 거의 1196이라는 것을 나타낸다. 이 예시에서, 기간 동안 수행되는 프로세스의 수를 나타내는 정보가 반도체 처리 툴(20)로부터 사용가능하고, 이 예시에서는 1128이다. 이는 특성화가 적정한 수준까지 정확하다는 것을 보여준다.
후속 프로세싱에서 특성 데이터를 활용하는 것이 가능하지만, 이 실시예에서, 각각의 프로세스 동안의 평균 값이 대신에 활용된다. 다른 퉁계적인 사전프로세싱이 또한 수행될 수 있다는 것을 이해할 수 있다. 프로세스 시작 및 종료 지점이 알려져 있기 때문에, 기간 내의 배출압이 알려져 있고 이 평균은 특정 프로세스 발생을 위해 계산될 수 있다.
도 8a는 평균 배출압 대 프로세스 수를 나타내는 그래프이다. 이 그래프 상의 데이터로부터, 다음 차단 고장 이전에 잔존 유효 수명(RUL)이 판정될 수 있고, 나머지 프로세싱 단계 수의 함수로서 표현된다. 프로세스 증착 단계를 사용하여 RUL을 추정하는데 사용될 수 있는 다양한 상이한 접근방식이 존재한다. 통상적으로, 디바이스에 대해 고장 지점을 나타내는 특정 파라미터를 위한 경고 제한 또는 위험 구역이 설정된다. 이 위험 구역은 안전 제약 또는 이전 경험의 결과로서 설정될 수 있고 수동 개입이 필요하다고 간주되는 지점으로서 볼 수 있다.
이 특정 경우에, 위험 구역은 약 700Pa이다. 프로세스 수 159, 634 및 972에서 펌프의 서비스가 발생한다. 서비스 사이의 프로세스 수는 475(델타 2) 및 338(델타 3)이다.
도 8b는 압력 임계치를 넘을 때 까지 프로세스 주기 수를 결정함으로써 RUL을 추정하는데 사용될 수 있는 데이터 중 일부의 단순한 외삽법을 도시한다.
선형 회귀
도 9는 RUL을 추정하기 위한 선형 회귀 기술의 결과를 도시한다. 이 기술은 선형 방정식 [수학식 1]의 파라미터 "이득" 및 "오프셋"을 추정하는 다섯개의 지점을 사용하여 배출압을 외삽하는 것으로 구성된다.
[수학식 1]
압력(t) = 이득 × t + 오프셋
배출 차단 이전에 남은 프로세스의 수는,
[수학식 2]
잔존수명(t) = (제한 - 압력(t)) / (이득(t))에 따라 계산된다.
선형 외삽에 의해 추정되는 남은 프로세스 수는 일정하지 않고 배출압의 갑작스러운 감소 때문에 끊임없이 변동하는 것을 볼 수 있다. 압력에서의 증가가 일정한 기간 동안, 추정되는 남은 프로세스 수는 상당히 정확할 수 있다. 이 기술은 특히 특정 고정 영역에 적합하다.
다항 회귀
도 10은 다항 회귀를 사용하여 추정된 잔존 기대 수명을 도시한다. 이 기술은 다항식 [수학식 3]의 파라미터 "A", "B", "C", 및 "오프셋"을 추정하기 위해 다섯개의 지점을 사용하여 배출압을 외삽하는 것으로 구성된다.
[수학식 3]
압력(t) = A.(t^2) + B.t + C
다항 외삽에 의해 추정되는 남은 프로세스 수는 또한 일정하지 않고 배출압의 갑작스러운 감소 때문에 끊임없이 변동한다. 그러나, 다시 한번, 압력에서의 증가가 일정할 때, 남은 프로세스 수는 상당히 정확하다.
미분 및 비례 계산
도 11은 남은 프로세싱 단계의 수를 추정하기 위한 미분 및 비례 계산 접근방식을 도시한다. 다시 한번, 남은 프로세스 수는 일정하지 않고 배출압의 갑작스러운 감소 때문에 끊임없이 변동한다.
[수학식 4]
잔존수명(t) = [제한 - 압력(t)] × 이득
정확도는 일정한 이득에 따른다.
적분 기반 계산
도 12는 적분 기반 기술을 사용하여 추정된 잔존 유효 수명을 도시한다. 적분 기반 기술을 사용하여 추정된 잔존 유효 수명을 도시한다.
서비스 사이의 배출압의 적분은 다음과 같다.
영역_1 = 0.9853e+05
영역_2 = 2.6409e+05
영역_3 = 2.2636e+05
델타 2는 델타 3보다 상당히 더 크다(28% 더 큼)는 것에 유의한다. 그러나, 영역 2는 영역 3보다 더 크지만(14%만큼 더 큼), 대응하는 델타만큼 크지 않다는 것에 유의한다.
속도 = 영역/델타를 계산함으로써, 우리는 0.0056(속도 1) 및 0.0067(속도 2)를 얻는다.
속도는 (0.0061 +/- 0.005)에 매우 가깝다는 것을 알 수 있다.
접근방식은 주어진 프로세스 수를 나타내는 영역으로서 잔존 유효 수명을 나타내는 것으로서 구성된다. 잔존 유효 수명은 [수학식 5]에 따라 계산된다.
[수학식 5]
잔존수명(t) = (cte영역 - ∫(압력(t) + 오프셋)dt)/cte영역 × cte프로세스
알 수 있는 바와 같이, 압력 값이 증가하고, 안정화된 다음 다시 램핑하는 것에도 불구하고, 남은 프로세스 수는 서비스 이전에 꾸준히 감소한다. 하나의 서비스로부터 다음 서비스로 감소할 수 있는 기대 수명을 나타내는 영역을 조정함으로써 정확도가 증가될 수 있다. 압력이 프로세스 단계와 함께 지속적으로 증가하지 않는다는 사실은, 특히 이전 서비스 이후에, RUL 추정과 관련한 일부 불확실성을 생성한다. 그러나, 임계 영역 또는 질량이 도달한 이후에 값이 램핑한다. 남은 실시간 프로세스 수는 시간 당 프로세스 수로 표현되는 프로세싱 속도로서 보고될 수 있다.
변동의 관점에서 적분 기반 계산은 최상의 솔루션을 제공한다. 정밀도의 관점에서, 선형 회귀가 가장 적합한 것으로 보여진다. 따라서, 배출 차단 이전에 남은 프로세스 수를 판정하는 모델은 경고 레벨에 따라 이들 두 계산법 사이에서 전환될 수 있다. 이는 적분 및 회귀성/추론성/모델 기반 접근방식의 조합이 사용될 수 있다는 것을 의미한다(예를 들어, 이 중대한 전환점에서 모델 기반 접근방식으로의 전환). 이러한 기술은 예를 들어, 입자 필터, 칼만 필터 등을 사용할 수 있다. 도 15 내지 20에서 도시된 바와 같이, 이러한 모델링 기술/수학적 기술의 조합을 사용할 때 신뢰 및 확률 측정치가 활용될 수 있다.
도 15는 회귀적인 베이지언 추정 기술의 사용에 기초한 동적 모델 기반 접근방식의 주요 개념을 도시한다.
도 16은 분리 단계와 함께 단계 수에 기초한 입자 필터링 프레임워크 뿐만 아니라 상태 추정 및 장기 예측의 생성을 도시한다.
도 17은 상태 추정 및 장기 예측 생성과 함께 저감 TPU 고장 예시에 적용되는 입자 필터링을 도시한다.
도 18은 두 다른 시간에서 장기 예측으로부터 생성된 RUL 확률 분포 함수를 도시한다.
도 19는 장기 예측이 이루어지는 데이터를 제공하는 원래의 TPU 고장 예시인 상황을 도시한다.
도 20은 일 실시예에 따른 분리 단계 및 후속하는 RUL의 더 많은 정보의 입증된 예측을 생성하는 입증 엔진으로 입력되는 분리된 개별적인 수학 및 경험 기반 기술이 후속하는 분리 단계를 도시한 것으로, 각각의 개별적인 분리된 알고리즘의 상이한 미묘한 차이에 유의해야 한다.
경고
도 13은 배출압, 추정된 남은 프로세스 수 및 3개의 다른 경고 또는 주의 임계치를 도시한다. 이 예시에서, 서비스가 필요하기 이전에 200, 100 및 50개의 프로세스가 각각 남아있는 것이 추정될 때 경고 표시가 주어진다.
외부 고장
상이한 반도체 프로세스 모드 동안의 펌프 또는 다른 파라미터 동작을 이해하고 어떻게 반도체 주기가 상이한 고장 타입에 영향을 줄 수 있는지를 이해함으로써, 고장이 저감 장치(30)의 외부에서 발생할 가능성이 있는지를 판정하는 것이 또한 가능하다. 대신에, 진공 펌프(35A, 35B)의 센서로부터 프로세싱 툴(20) 또는 저감 장치(30)에서 고장이 검출될 수 있다. 그러나, 데이터는 통상적으로 고장의 속성을 정확하게 찾아내도록 정보 다운스트림으로 확증될 필요가 있다. 예를 들어, 도 14에 도시된 바와 같이, 프로세싱 툴(20)의 챔버에서의 누출을 고려하면, 유휴 동안 배출압에서의 증가에 의해 확인되는 챔버에서의 압력이 증가한다. 또한, 예를 들어, 차단을 고려한다. 차단의 속성에 따라 다양한 파라미터가 증가할 수 있다. 그러나, 파라미터와 상관 없이, 차단은 프로세스 증착 단계의 직접적인 결과로서 악화된다. 펌프 차단 파라미터가 증가하는 시나리오를 고려하면, 프로세스 단계 동안이 아닌 프로새스 세척 동안, 이는 다른 문제점 - 누출의 발생을 시사한다. 따라서, 파라미터 트렌드가 차단을 식별하는 것을 도울 수 있지만, 반도체 주기 정보를 오버레이함으로써, 다른 곳에 고장이 존재하는지 여부를 판정하는 것이 가능하다.
따라서, 실시예들은 펌프 또는 다른 디바이스를 사용하고, 반도체 주기를 특성화하여 알려진 고장에 대한 주기의 영향을 이해한다는 것을 알 수 있다. 이 접근방식은 펌프 프로세스 특성의 확인 중 일부 레벨에 의존한다. 그러나, 한번 숙련되면, 이 접근방식은 개별 툴 프로세스 기반 데이터와 전체적으로 독립적이 되어야 한다.
본 발명의 예시적인 실시예가 첨부한 도면과 관련하여 본원에서 자세하게 개시되었지만, 본 발명은 정확한 실시예에 제한되지 않고 첨부된 청구항 또는 등가물에 의해 정의되는 본 발명의 범위로부터 벗어남이 없이 다양한 변경 및 수정이 당업자에 의해 실시될 수 있다는 것을 이해할 수 있다.
Claims (15)
- 반도체 프로세싱 툴로부터의 침출수(effluent stream)를 프로세싱하는 동안 적어도 하나의 프로세싱 툴을 모니터링하기 위한 모니터링 장치로서,
상기 침출수를 프로세싱하는 동안 생성된 프로세싱 특성 데이터를 수신하도록 동작가능한 수신 로직과,
상기 프로세싱 특성 데이터를 상기 적어도 하나의 프로세싱 툴의 상태(condition)에 기여(contribute)하는 기여 기간과 연관된 기여 프로세싱 특성 데이터 및 상기 상태에 기여하지 않는 비기여(non-contributing) 기간과 연관된 비기여 프로세싱 특성 데이터로 분리하도록 동작가능한 분리 로직과,
상기 상태의 상황(status)을 판정할 때 상기 기여 프로세싱 특성 데이터는 활용하고 상기 비기여 프로세싱 특성 데이터는 제외하도록 동작가능한 고장 로직을 포함하는
모니터링 장치.
- 제 1 항에 있어서,
상기 기여 기간은 활성 반도체 프로세싱이 발생하는 기간을 포함하고 상기 비기여 기간은 활성 반도체 프로세싱이 발생하지 않는 기간을 포함하는
모니터링 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 기여 기간은 증착이 발생하는 기간을 포함하고 상기 비기여 기간은 증착이 발생하지 않는 기간을 포함하는
모니터링 장치.
- 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 분리 로직은 상기 프로세싱 특성 데이터를 임계치 양과 비교하는 것, 편차 양을 검출하는 것 및 패턴 매칭 중 적어도 하나에 의해 상기 기여 기간 및 상기 비기여 기간을 식별하도록 동작가능한
모니터링 장치.
- 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
상기 고장 로직은 상기 기여 기간으로부터의 기여 프로세싱 특성 데이터를 통합하여 통합된 기여 프로세싱 특성 데이터를 제공하도록 동작가능한
모니터링 장치.
- 제 5 항에 있어서,
상기 고장 로직은 상기 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하도록 동작가능한
모니터링 장치.
- 제 5 항 또는 제 6 항에 있어서,
상기 고장 로직은 추정 모델을 사용하여 상기 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하도록 동작가능한
모니터링 장치.
- 제 7 항에 있어서,
상기 추정 모델은, 첫번째 기간 동안 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링(Kalman filtering), 입자 필터링 및 사례 기반 추론 중 적어도 하나를 사용하고, 두번째 기간 동안 선형 회귀, 다항 회귀, 미분 비례 계산, 적분 기반 계산, 칼만 필터링, 입자 필터링 및 사례 기반 추론 중 다른 적어도 하나를 사용하여 상기 통합된 기여 프로세싱 특성 데이터를 외삽하여 미래의 기여 프로세싱 특성 데이터를 추정하도록 동작가능한
모니터링 장치.
- 제 7 항 또는 제 8 항에 있어서,
상기 추정 모델은 상기 미래의 기여 프로세싱 특성 데이터와 후속으로 수신된 프로세싱 특성 데이터 사이의 차이를 사용하여 재귀적으로 보정(calibrate recursively)하도록 동작가능한
모니터링 장치.
- 제 5 항 내지 제 9 항 중 어느 한 항에 있어서,
상기 고장 로직은 비기여 기간 동안 상기 미래의 기여 프로세싱 특성 데이터에 시간 기반 보정 계수를 적용하도록 동작가능한
모니터링 장치.
- 제 5 항 내지 제 10 항 중 어느 한 항에 있어서,
상기 고장 로직은 상기 미래의 기여 프로세싱 특성 데이터가 고장 임계치를 넘어갈 경우 고장 상태를 판정하도록 동작가능한
모니터링 장치. - 제 5 항 내지 제 11 항 중 어느 한 항에 있어서,
상기 고장 로직은 상기 미래의 기여 프로세싱 특성 데이터가 상기 고장 임계치를 넘어갈 때까지 기여 기간 수의 표시를 제공하도록 동작가능한
모니터링 장치.
- 제 1 항 내지 제 12 항 중 어느 한 항에 있어서,
상기 고장 로직은 상기 비기여 프로세싱 특성 데이터가 상기 비기여 기간 동안 선택된 양을 초과하여 벗어날 경우 고장 상태를 식별하도록 동작가능한
모니터링 장치.
- 반도체 프로세싱 툴로부터의 침출수를 프로세싱하는 동안 적어도 하나의 프로세싱 툴을 모니터링하는 방법으로서,
상기 침출수를 프로세싱하는 동안 생성된 프로세싱 특성 데이터를 수신하는 단계와,
상기 프로세싱 특성 데이터를 상기 적어도 하나의 프로세싱 툴의 상태에 기여하는 기여 기간과 연관된 기여 프로세싱 특성 데이터 및 상기 상태에 기여하지 않는 비기여 기간과 연관된 비기여 프로세싱 특성 데이터로 분리하는 단계와,
상기 상태의 상황을 판정할 때 상기 기여 프로세싱 특성 데이터는 활용하고 상기 비기여 프로세싱 특성 데이터는 제외하는 단계를 포함하는
모니터링 방법.
- 컴퓨터 상에서 실행될 경우 제 14 항의 방법을 수행하도록 동작가능한 컴퓨터 프로그램 제품.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GB1502312.0A GB2535456A (en) | 2015-02-12 | 2015-02-12 | Processing tool monitoring |
| GB1502312.0 | 2015-02-12 | ||
| PCT/GB2016/050080 WO2016128709A1 (en) | 2015-02-12 | 2016-01-13 | Processing tool monitoring |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170116036A true KR20170116036A (ko) | 2017-10-18 |
| KR102609260B1 KR102609260B1 (ko) | 2023-12-01 |
Family
ID=52781461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020177022448A KR102609260B1 (ko) | 2015-02-12 | 2016-01-13 | 프로세싱 툴 모니터링 |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US10802941B2 (ko) |
| EP (1) | EP3256922B1 (ko) |
| JP (1) | JP6937698B2 (ko) |
| KR (1) | KR102609260B1 (ko) |
| CN (1) | CN107533572B (ko) |
| GB (1) | GB2535456A (ko) |
| MY (1) | MY196961A (ko) |
| SG (2) | SG10201908440SA (ko) |
| TW (1) | TWI688845B (ko) |
| WO (1) | WO2016128709A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI729500B (zh) | 2019-09-18 | 2021-06-01 | 財團法人工業技術研究院 | 電腦可讀取紀錄媒體、資料處理方法及資料處理系統 |
| TWI833251B (zh) * | 2022-06-21 | 2024-02-21 | 南亞科技股份有限公司 | 失效模式分析系統及失效模式分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000283056A (ja) * | 1999-03-26 | 2000-10-10 | Hitachi Ltd | 真空ポンプ異常監視システム |
| JP2004186445A (ja) * | 2002-12-03 | 2004-07-02 | Omron Corp | モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法 |
| JP2006172364A (ja) * | 2004-12-20 | 2006-06-29 | Fujitsu Ten Ltd | モデル予測制御装置 |
| US20120253500A1 (en) * | 2004-06-07 | 2012-10-04 | James Robert Smith | Method of controlling operation of a processing system |
| US20130069792A1 (en) * | 2011-09-19 | 2013-03-21 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5212645A (en) * | 1990-07-19 | 1993-05-18 | General Electric Company | Flexible real-time, multi-tasking architecture for tool condition monitoring |
| US5834642A (en) * | 1997-07-25 | 1998-11-10 | International Business Machines Corporation | Downstream monitor for CMP brush cleaners |
| JP3351398B2 (ja) * | 1999-08-09 | 2002-11-25 | 株式会社村田製作所 | データ通信装置 |
| AU2001267913A1 (en) * | 2000-07-04 | 2002-01-14 | Tokyo Electron Limited | Operation monitoring method for treatment apparatus |
| JP4138267B2 (ja) | 2001-03-23 | 2008-08-27 | 株式会社東芝 | 半導体製造装置、真空ポンプの寿命予測方法及び真空ポンプの修理タイミング決定方法 |
| US6954883B1 (en) * | 2002-01-11 | 2005-10-11 | Advanced Micro Devices, Inc. | Method and apparatus for performing fault detection using data from a database |
| WO2003102724A2 (en) * | 2002-05-29 | 2003-12-11 | Tokyo Electron Limited | Method and system for data handling, storage and manipulation |
| WO2005054968A1 (en) | 2003-11-26 | 2005-06-16 | Tokyo Electron Limited | Intelligent system for detection of process status, process fault and preventive maintenance |
| US7383097B2 (en) * | 2004-10-25 | 2008-06-03 | Ford Motor Company | Method for managing machine tool data |
| JP4721234B2 (ja) | 2004-12-17 | 2011-07-13 | コリア リサーチ インスティチュート オブ スタンダーズ アンド サイエンス | 真空ポンプの傾向監視及び診断解析方法、その傾向監視及び診断解析システム、及びその方法を行うコンピュータプログラムを含むコンピュータ可読記憶媒体 |
| KR100885919B1 (ko) * | 2007-05-21 | 2009-02-26 | 삼성전자주식회사 | 펌프 폴트 예측 장치 및 펌프 폴트 예측 방법 |
| JP4983575B2 (ja) * | 2007-11-30 | 2012-07-25 | パナソニック株式会社 | プラズマ処理装置およびプラズマ処理方法 |
| JP4775516B1 (ja) | 2011-03-14 | 2011-09-21 | オムロン株式会社 | 制御装置、制御方法、プログラム、記録媒体 |
| EP2711471B1 (en) | 2011-05-16 | 2019-09-04 | Sumitomo Heavy Industries, Ltd. | Shovel, monitoring device therefor, and shovel output device |
| US9740182B2 (en) | 2012-06-08 | 2017-08-22 | Applied Materials, Inc. | Integrated controller solution for monitoring and controlling manufacturing equipment |
| EP2762831B1 (en) | 2013-02-05 | 2020-04-29 | Hexagon Technology Center GmbH | Dynamical monitoring of a coordinate measuring machine using recursive filtering |
| KR101775808B1 (ko) | 2013-04-12 | 2017-09-06 | 미쓰비시덴키 가부시키가이샤 | 프로그래머블 컨트롤러의 주변장치 및 디버그 지원 프로그램 |
-
2015
- 2015-02-12 GB GB1502312.0A patent/GB2535456A/en not_active Withdrawn
-
2016
- 2016-01-13 JP JP2017542399A patent/JP6937698B2/ja active Active
- 2016-01-13 KR KR1020177022448A patent/KR102609260B1/ko active IP Right Grant
- 2016-01-13 US US15/549,927 patent/US10802941B2/en active Active
- 2016-01-13 EP EP16701072.7A patent/EP3256922B1/en active Active
- 2016-01-13 SG SG10201908440S patent/SG10201908440SA/en unknown
- 2016-01-13 SG SG11201706299UA patent/SG11201706299UA/en unknown
- 2016-01-13 CN CN201680021553.2A patent/CN107533572B/zh active Active
- 2016-01-13 WO PCT/GB2016/050080 patent/WO2016128709A1/en active Application Filing
- 2016-01-13 MY MYPI2017702940A patent/MY196961A/en unknown
- 2016-02-04 TW TW105103816A patent/TWI688845B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000283056A (ja) * | 1999-03-26 | 2000-10-10 | Hitachi Ltd | 真空ポンプ異常監視システム |
| JP2004186445A (ja) * | 2002-12-03 | 2004-07-02 | Omron Corp | モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法 |
| US20120253500A1 (en) * | 2004-06-07 | 2012-10-04 | James Robert Smith | Method of controlling operation of a processing system |
| JP2006172364A (ja) * | 2004-12-20 | 2006-06-29 | Fujitsu Ten Ltd | モデル予測制御装置 |
| US20130069792A1 (en) * | 2011-09-19 | 2013-03-21 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201640244A (zh) | 2016-11-16 |
| GB201502312D0 (en) | 2015-04-01 |
| JP6937698B2 (ja) | 2021-09-22 |
| EP3256922A1 (en) | 2017-12-20 |
| GB2535456A9 (en) | 2016-09-28 |
| KR102609260B1 (ko) | 2023-12-01 |
| MY196961A (en) | 2023-05-15 |
| CN107533572A (zh) | 2018-01-02 |
| WO2016128709A1 (en) | 2016-08-18 |
| SG11201706299UA (en) | 2017-09-28 |
| JP2018513547A (ja) | 2018-05-24 |
| GB2535456A (en) | 2016-08-24 |
| US10802941B2 (en) | 2020-10-13 |
| TWI688845B (zh) | 2020-03-21 |
| CN107533572B (zh) | 2022-07-19 |
| EP3256922B1 (en) | 2021-07-28 |
| US20180032419A1 (en) | 2018-02-01 |
| SG10201908440SA (en) | 2019-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amari et al. | Cost-effective condition-based maintenance using Markov decision processes | |
| JP5975883B2 (ja) | 故障している計器を検出する方法及び装置 | |
| Barros et al. | Joint modelling and optimization of monitoring and maintenance performance for a two-unit parallel system | |
| JP4138267B2 (ja) | 半導体製造装置、真空ポンプの寿命予測方法及び真空ポンプの修理タイミング決定方法 | |
| CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
| KR102008231B1 (ko) | 자동화 설비의 고장 예측 장치, 이를 이용한 고장 예측 시스템 및 고장 예측 방법 | |
| US9972517B2 (en) | Anomaly detection system and method of manufacturing semiconductor device | |
| US8407027B2 (en) | Online diagnostic method and online diagnostic system for geothermal generation facility | |
| US6502018B1 (en) | Method for diagnosis of equipment | |
| TWI841756B (zh) | 具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式 | |
| KR20170116036A (ko) | 프로세싱 툴 모니터링 | |
| CN112585727B (zh) | 装置诊断装置、等离子体处理装置以及装置诊断方法 | |
| JP2010015205A (ja) | 半導体製造装置の異常診断システムおよび方法 | |
| KR20190077137A (ko) | 인프라 설비 가동 데이터 자동분석방법 및 시스템 | |
| KR101620850B1 (ko) | 가상다중센서 기술을 이용한 센서 건전성 평가 방법 및 시스템 | |
| JP2008267351A (ja) | 発電装置の監視方法及びシステム | |
| EP3950966B1 (en) | Blast furnace abnormality assessment device, blast furnace abnormality assessment method, and blast furnace operation method | |
| Goto et al. | On-line residual life prediction including outlier elimination for condition based maintenance | |
| US11586984B2 (en) | Method for verifying the production process of field devices by means of a machine-learning system or of a prognosis system | |
| RU2794126C1 (ru) | Устройство для определения неисправности доменной печи, способ определения неисправности доменной печи и способ эксплуатации доменной печи | |
| WO2023148967A1 (ja) | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム | |
| TW202107393A (zh) | 用於設備的壽命預測方法及系統 | |
| CN114008549A (zh) | 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 | |
| WO2023033789A1 (en) | Printer anomaly detection | |
| Nakagawa | Preventive Maintenance Policies |
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 |