TW202211341A - 從處理追蹤預測裝備故障模式 - Google Patents

從處理追蹤預測裝備故障模式 Download PDF

Info

Publication number
TW202211341A
TW202211341A TW110127131A TW110127131A TW202211341A TW 202211341 A TW202211341 A TW 202211341A TW 110127131 A TW110127131 A TW 110127131A TW 110127131 A TW110127131 A TW 110127131A TW 202211341 A TW202211341 A TW 202211341A
Authority
TW
Taiwan
Prior art keywords
steps
anomaly
root cause
database
tracking data
Prior art date
Application number
TW110127131A
Other languages
English (en)
Inventor
理查 伯奇
國俊一樹
Original Assignee
美商Ｐｄｆ對策公司
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 美商Ｐｄｆ對策公司 filed Critical 美商Ｐｄｆ對策公司
Publication of TW202211341A publication Critical patent/TW202211341A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0778—Dumping, i.e. gathering error/state information after a fault for later diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • 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
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/348—Circuit details, i.e. tracer hardware
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)

Abstract

一種用於裝備故障模式的預測模型。在追蹤資料的集合中偵測到異常，然後計算關鍵特徵。在過去追蹤資料的資料庫中對具有相同關鍵特徵的相同或類似異常進行搜尋。若相同異常之前發生過並且在資料庫中，則可自資料庫擷取異常的類型、其根本原因以及校正的動作步驟。

Description

從處理追蹤預測裝備故障模式
本申請案係關於在半導體裝備故障的偵測和分類中使用處理追蹤分析，並且更特定而言，係關於用於預測裝備故障模式的基於機器的方法。
半導體製造應用的高效處理控制對於改善可靠性及降低現場故障至關重要。一種處理控制的方法為故障偵測和分類(「fault detection and classification, FDC」)，其中重點關注監測處理裝備中所安裝的幾千個裝備感測器，以用於快速地辨識及校正處理不穩定性。然而，使用FDC技術來驅動對裝備問題的快速響應的一個關鍵挑戰在於辨識所偵測的處理追蹤異常的根本原因。
藉由監測裝備感測器的時間序列追蹤來偵測裝備故障為半導體製造業界中長期認識到但相當困難的問題。通常，FDC方法以將複雜追蹤分解為邏輯「視窗」，然後計算視窗中追蹤資料的統計值(通常稱為指示符或關鍵數字)開始。可使用統計處理控制(「statistical process control, SPC」)技術來監測指示符，以便主要基於工程知識來辨識異常，並且指示符可用作預測模型及根本原因分析的輸入。指示符的品質判定所有後續分析的值。高品質指示符要求高品質視窗。然而，用於異常偵測的指示符分析在本質上仍然主要為單變數，其中以逐特徵方式考慮異常，並且大體不足以辨識與所偵測異常相關的裝備故障模式。
因此，將期望改善異常偵測系統辨識裝備故障模式的能力，例如經由追蹤資料的多變數分析。
一種用於裝備故障模式的預測模型自半導體處理裝備的追蹤資料中偵測及辨識異常。計算與異常相關聯的關鍵特徵，並且在先前追蹤資料中搜尋具有該些關鍵特徵的先前偵測異常。一旦在類似先前異常中找尋到該些特徵，判定有關該異常是否充分類似先前異常的可能性。若是，則自資料庫擷取異常的類型、其根本原因以及校正的動作步驟。
如本文所使用，術語「感測器追蹤」意指在操作一件半導體處理裝備期間週期性地量測重要物理量的時間序列資料，例如，物理感測器在每一時間點的取樣值。取樣率可變化，並且樣本之間的時間週期並不總是相同。術語「追蹤」或「裝備追蹤」意指針對特定處理例子辨識的所有重要感測器的感測器追蹤集合。術語「步驟」意指相異的裝置處理週期，例如，處理配方中的步驟中的一者。
本文揭示用於裝備故障模式的預測模型。模型偵測及辨識追蹤資料中的當前異常、計算與當前異常相關聯的關鍵特徵，並且在過去的追蹤資料的資料庫中搜尋具有該些關鍵特徵的異常。若在過去追蹤資料中找尋到相同或類似的異常，則可判定有關當前異常是否可根據那些過去異常準確地分類的可能性；例如，當前異常非常類似過去追蹤資料中的先前異常。若是，則有可能自過去追蹤資料的資料庫擷取異常的類型、其根本原因以及校正的動作步驟。然而，若否，則模型返回錯誤，意謂著之前未出見過該異常。然而，將儲存異常及其特徵以供將來參照；並且若此後判定出根本原因及校正動作，則更新資料庫。
參照第1圖，例示追蹤資料的示範性曲線圖100，示範性曲線圖100表示自執行以用於生產半導體晶圓的半導體製造處理的相異步驟期間獲取的個別感測器獲得的近似兩百個個別追蹤（亦即，時間序列值）。在y軸上繪製感測器值，並且在x軸上量測時間(以秒為單位)。應認識到，儘管處理步驟正常在特定時間點起始，處理步驟的長度可以為變化的。
對於大多數介於近似40至90秒的週期而言，預期正常處理操作產生逐漸下降並且因此相對地穩定及一致的追蹤資料。然而，在介於近似45至60秒的此種狀況下，追蹤的頂部分組110中的第一追蹤集112及追蹤的底部集120中第二追蹤集122均展示在值上突然高漲，然後下降，然後回漲，然後回退至逐漸下降圖案的感測器讀數。這一追蹤行為非預期的，並且指示與處理相關的一些種類的問題。因此，為了分析異常行為，在曲線圖100的相應的頂部分組110及底部分組120中的這些I型異常區域上限定視窗115及125，其中針對一些數目個晶圓發生非預期I型異常。
第2圖展示追蹤資料的同一曲線圖100，但重點關注追蹤資料的不同部分，其中僅針對頂部分組110中的第三追蹤集132發生II型異常。在此種狀況下，追蹤中的一些表現為在一路下降至標稱之前提早下降，然後直平，然後再次下降，然後再次直平。因此，為了分析這一類型的異常行為，在追蹤的頂部分組110中的第一下降區域上限定視窗135，並且在頂部分組中的第二下降區域上限定視窗136。
通常，技術人員手動地建立視窗以用於僅基於圖形結果的視覺查看而分析追蹤資料的特定區域，大體查看以便手動地限定用於穩定處理操作的視窗，其中(i)追蹤資料一致，及/或(ii)變化率相同。追蹤資料在值或變化率上快速變化的區域視為過渡視窗，並且將大體定位在一對穩定視窗之間。然而，異常(諸如本文中描述為實例的I型及II型異常)可以出現在追蹤資料的原本正常的穩定視窗中，如第1圖及第2圖所例示，並且可經選擇以用於經由視窗化相關區域來處理並分析。
機器學習模型用以使用已知方法(包括使用來自視窗分析的資料)來偵測異常。例如，晶圓屬性及追蹤位置特徵的組合可以提供為簡單的多類別機器學習模型的輸入(諸如，梯度-增大模型)，該模型對資料集進行訓練以便偵測追蹤資料中的異常行為。然而，一旦偵測到異常，知曉相同異常之前是否已發生，以及(若是)致使原因，以及校正問題應採取的動作步驟至關重要。
在限定異常視窗115、125、135及136之後，自視窗中的每一者中的追蹤計算指示符。然後，將指示符儲存為與視窗、那些晶圓上的追蹤資料的例子，以及所選擇的晶圓屬性以及追蹤中異常位置相關聯的特徵。可執行特徵工程及選擇以將特徵集縮小至經判定以對藉由偵測模型偵測及辨識特定異常極其重要的那些關鍵特徵。
對於第1圖及第2圖所相應地例示的I型及II型異常而言，來自偵測模型的預測分類(包括正常晶圓)在第3圖的表200中概述，其中五個晶圓具有辨識為I型異常的異常；七個晶圓具有辨識為II型異常的異常；以及一個晶圓具有I型及II型異常兩者。儘管所偵測異常的數目較少，但辨識並特徵化異常至關重要，特別是用於訓練預測模型以監測追蹤資料，以使得可以導致缺陷晶圓的處理不穩定性的情況最少化。
對於每一類型的異常而言，藉由將關鍵特徵作為模型的輸入，模型亦用於(i)在先前追蹤資料的資料庫中搜尋相同或類似的異常，以及(ii)將一或多個先前異常辨識為與當前異常最類似，或指示資料庫中不存在與當前異常類似的異常。
若在過去追蹤資料的資料庫中找尋到相同或類似的異常，則其根本原因及校正異常行為所採用的動作步驟有可能亦儲存在資料庫中，並且可經擷取以與當前異常比較。藉由比較異常的特徵及圖案，模型做出有關當前追蹤異常非常類似在過去追蹤中觀測到的一或多個類似或相同的異常的可能性的判定。若可能性超出閾值，則對異常分類，並且自資料庫擷取有關根本原因及校正動作的先前知識。
第4圖中用圖形概述這一處理，例示用於辨識異常的根本原因的處理300的一個實施例。在步驟302，將追蹤資料接收至預測模型中並且加以處理。在步驟304，在所接收的追蹤資料中偵測到至少一個異常，並且辨識該至少一個異常在追蹤中的位置。然後，在步驟306限定視窗，該視窗含有追蹤中包括異常的部分，並且在步驟308計算異常追蹤的特徵(包括統計值)，並且在步驟310儲存。然後，在步驟312，在具有過去追蹤資料的資料庫中搜尋具有與當前異常相關聯的相同特徵的異常。若在步驟314，在過去追蹤資料中找尋到相同或類似的異常，則在步驟316，可判定有關是否可根據該些過去異常正確地對當前異常分類的可能性。若有可能，則在步驟318，可自相同或類似的過去發生的資料庫擷取異常的類型、其根本原因以及校正的動作步驟，並且在步驟320，採取適當的校正動作。然而，若沒有可能，則模型返回錯誤，意謂著之前未出見過該異常。然而，將儲存異常及其特徵以供將來參照；並且若此後判定出根本原因及校正動作，則更新資料庫。
第5圖呈現處理400中的更通用方法。在步驟402，將追蹤資料接收至預測模型中並且加以處理。在步驟404，在追蹤資料中偵測到異常圖案。在步驟406，計算所偵測異常圖案的特徵，並且在步驟408，與儲存在過去追蹤資料的資料庫中的先前異常圖案的特徵比較。在步驟410，若判定出特徵匹配，則在步驟412，自資料庫擷取有關來自過去追蹤資料的異常圖案的資訊，包括異常的一或多個根本原因以及針對根本原因的校正動作。在步驟414，採取適當的校正行動。
並行處理架構的出現及機器學習演算法的推進，促進了追蹤資料的多變數分析，機器學習演算法允許使用者獲取洞察並且使用大量資料以高速做出使此類方法相關及合理的預測。機器學習為人工智慧的分支，該分支涉及可自其學習資料的模型化系統的構造及研究。這些類型的ML演算法以及並行處理能力允許處理大更多的資料集，並且更適用於進行多變數分析。此外，異常追蹤偵測及分類的高效機器學習方法應有助於主動學習，並且使用所獲取的資訊來持續地改善故障偵測及分類兩者的準確性。
用於追蹤分析的基於處理器的模型的創建及使用可為基於桌面(亦即，獨立)的，或聯網系統的一部分；但是在給定藉由一些交互能力處理及顯示的大量資訊的情況下，處理器能力(CPU、RAM，等等)應為當前最新技術以使效果最大化。在半導體製造廠環境中，Exensio®分析平台為建立互動GUI模板的可用選擇。在一個實施例中，處理常式的編碼可使用Spotfire®分析軟體版本7.11或更高版本來完成，該軟體與主要用於編碼機器語言模型的Python物件導向程式設計語言相容。
前述描述僅出於例示的目的而呈現，並非意欲為詳盡的或將本揭示案限制於所描述的精確形式。根據上述教示，許多修改及變化為可能的。
100:曲線圖 110:頂部分組 112:第一追蹤集 115:視窗 120:底部分組 122:第二追蹤集 125:視窗 132:第三追蹤集 135:視窗 136:視窗 300:處理 302:步驟 304:步驟 306:步驟 308:步驟 310:步驟 312:步驟 314:步驟 316:步驟 318:步驟 320:步驟 400:處理 402:步驟 404:步驟 406:步驟 408:步驟 410:步驟 412:步驟 414:步驟
第1圖為處理顯示器介面，例示裝備感測器追蹤的圖形集合，其中第一視窗集經限定以用於第一類型的異常追蹤。
第2圖為第1圖的處理顯示器介面，其中第二視窗集經限定以用於感測器追蹤的不同區域中第二類型的異常追蹤。
第3圖為用於第1圖和第2圖所示的追蹤的概述結果的表。
第4圖為例示用於預測裝備故障模式的處理的一個實施例的流程圖。
第5圖為例示用於預測裝備故障模式的處理的另一實施例的流程圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
300:處理
302:步驟
304:步驟
306:步驟
308:步驟
310:步驟
312:步驟
314:步驟
316:步驟
318:步驟
320:步驟

Claims (10)

  1. 一種方法，包含以下步驟： 在一半導體處理中的複數個步驟期間自複數個半導體裝備感測器接收複數個追蹤資料； 比較對應於在該些追蹤中偵測到的一第一異常圖案的複數個特徵與具有與之相關聯的特徵並且儲存在過去追蹤資料的一資料庫中的複數個先前異常圖案； 判定該第一異常圖案的該些特徵匹配該些先前異常圖案中的至少一者的該些特徵； 自該資料庫擷取針對該所匹配的先前異常圖案的一根本原因；以及 採取一動作以校正該根本原因。
  2. 如請求項1所述之方法，進一步包含以下步驟： 自該資料庫擷取針對該根本原因的一校正動作。
  3. 如請求項1所述之方法，其中該判定步驟進一步包含以下步驟： 判定有關該第一異常圖案的該特徵匹配該些先前異常圖案中的至少一者的一可能性；以及 若該可能性超出一閾值，則擷取該根本原因。
  4. 如請求項3所述之方法，其中擷取一根本原因的該步驟進一步包含以下步驟： 自該資料庫擷取針對該根本原因的一校正動作。
  5. 如請求項1所述之方法，該比較步驟進一步包含以下步驟： 限定一視窗，該視窗含有該些當前追蹤中包括該第一異常圖案的一部分； 對該視窗中的該當前追蹤資料的該部分計算統計值；以及 基於該所計算的統計值，在該些先前異常圖案中的至少一第一者中辨識出該第一異常圖案。
  6. 如請求項5所述之方法，該判定步驟進一步包含以下步驟： 獲得具有該第一異常圖案的該第一追蹤的位置資訊； 將該所計算的統計值及該位置資訊保存為對應於該第一異常圖案的關鍵特徵；以及 將該些關鍵特徵提供為一預測模型的輸入，該預測模型用以比較該第一異常圖案與該些先前異常圖案。
  7. 一種方法，包含以下步驟： 在一半導體處理中的複數個步驟期間自複數個半導體裝備感測器接收追蹤資料； 在該追蹤資料中偵測到一第一異常，該第一異常具有在該追蹤資料內的一相關聯位置； 限定一視窗，該視窗含有該追蹤資料中包括一第一異常的一週期； 對該視窗中的該追蹤資料的該週期計算統計值； 將該第一異常的該統計值及該相關聯位置保存為與該第一異常相關聯的關鍵特徵； 藉由將該第一異常的該些關鍵特徵及該相關聯位置提供為一模型的輸入，搜尋遍歷過去追蹤資料的一資料庫，該模型用以找尋具有該些關鍵特徵及相關聯位置的類似的過去追蹤資料； 判定該資料庫中該過去追蹤資料的一例子具有該第一異常的該些關鍵特徵及相關聯位置； 辨識有關該資料庫中該過去追蹤資料的該例子具有該第一異常的該些關鍵特徵及相關聯位置的一根本原因；以及 採取一動作以校正該根本原因。
  8. 如請求項7所述之方法，進一步包含以下步驟： 自該資料庫擷取該根本原因以及針對該根本原因的一校正動作。
  9. 如請求項7所述之方法，其中該判定步驟進一步包含以下步驟： 判定有關該資料庫中該過去追蹤資料的該例子具有該第一異常的該些關鍵特徵以及相關聯位置的一可能性；以及 若該可能性超出一閾值，則擷取該根本原因。
  10. 如請求項9所述之方法，其中擷取一根本原因的該步驟進一步包含以下步驟： 自該資料庫擷取針對該根本原因的一校正動作。
TW110127131A 2020-07-23 2021-07-23 從處理追蹤預測裝備故障模式 TW202211341A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063055893P 2020-07-23 2020-07-23
US63/055,893 2020-07-23

Publications (1)

Publication Number Publication Date
TW202211341A true TW202211341A (zh) 2022-03-16

Family

ID=79688227

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110127131A TW202211341A (zh) 2020-07-23 2021-07-23 從處理追蹤預測裝備故障模式

Country Status (7)

Country Link
US (1) US11640328B2 (zh)
EP (1) EP4162395A4 (zh)
JP (1) JP2023535721A (zh)
KR (1) KR20230042041A (zh)
CN (1) CN116113942A (zh)
TW (1) TW202211341A (zh)
WO (1) WO2022020642A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436072B2 (en) * 2020-02-27 2022-09-06 Hewlett Packard Enterprise Development Lp System and method for collecting contextual log files from a computing system
CN114764550A (zh) * 2021-01-12 2022-07-19 联华电子股份有限公司 失效检测与分类模型的运作方法与运作装置
US12019507B2 (en) * 2022-05-19 2024-06-25 Applied Materials, Inc. Guardbands in substrate processing systems
US20230376374A1 (en) * 2022-05-19 2023-11-23 Applied Materials, Inc. Guardbands in substrate processing systems
CN116629707B (zh) * 2023-07-20 2023-10-20 合肥喆塔科技有限公司 基于分布式并行计算的fdc溯因分析方法及存储介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160026915A1 (en) * 2001-01-05 2016-01-28 In-Depth Test Llc Methods and Apparatus for Data Analysis
WO2005054968A1 (en) * 2003-11-26 2005-06-16 Tokyo Electron Limited Intelligent system for detection of process status, process fault and preventive maintenance
US20080228338A1 (en) * 2007-03-15 2008-09-18 Honeywell International, Inc. Automated engine data diagnostic analysis
US8046637B2 (en) * 2009-03-06 2011-10-25 Oracle America, Inc. Telemetry data filtering through sequential analysis
ES2427645B1 (es) * 2011-11-15 2014-09-02 Telefónica, S.A. Método para gestionar el rendimiento en aplicaciones de múltiples capas implantadas en una infraestructura de tecnología de información
US9298538B2 (en) * 2012-08-16 2016-03-29 Vmware, Inc. Methods and systems for abnormality analysis of streamed log data
KR102195070B1 (ko) * 2014-10-10 2020-12-24 삼성에스디에스 주식회사 시계열 데이터의 분석을 통한 이상 감지 및 예측 시스템 및 방법
US10275303B2 (en) * 2015-10-23 2019-04-30 Oracle International Corporation Mechanism for running diagnostic rules across multiple nodes
US10109046B2 (en) 2016-07-19 2018-10-23 Globalfoundries Inc. Methods of detecting faults in real-time for semiconductor wafers
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
US10685159B2 (en) * 2018-06-27 2020-06-16 Intel Corporation Analog functional safety with anomaly detection
US11568198B2 (en) * 2018-09-12 2023-01-31 Applied Materials, Inc. Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools
US12067485B2 (en) * 2018-09-28 2024-08-20 Applied Materials, Inc Long short-term memory anomaly detection for multi-sensor equipment monitoring
CN111291096B (zh) * 2020-03-03 2023-07-28 腾讯科技（深圳）有限公司 数据集构建方法、装置和存储介质及异常指标检测方法
CN111353482B (zh) * 2020-05-25 2020-12-08 天津开发区精诺瀚海数据科技有限公司 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法

Also Published As

Publication number Publication date
EP4162395A1 (en) 2023-04-12
JP2023535721A (ja) 2023-08-21
WO2022020642A1 (en) 2022-01-27
US11640328B2 (en) 2023-05-02
KR20230042041A (ko) 2023-03-27
EP4162395A4 (en) 2024-03-27
US20220027230A1 (en) 2022-01-27
CN116113942A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
TW202211341A (zh) 從處理追蹤預測裝備故障模式
US8989888B2 (en) Automatic fault detection and classification in a plasma processing system and methods thereof
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
US20150219530A1 (en) Systems and methods for event detection and diagnosis
US20180082201A1 (en) Time-series fault detection, fault classification, and transition analysis using a k-nearest-neighbor and logistic regression approach
US8732100B2 (en) Method and apparatus for event detection permitting per event adjustment of false alarm rate
TWI841793B (zh) 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體
KR102564629B1 (ko) 공간 왜곡 유사도를 사용하는 툴 오류 분석
KR101744194B1 (ko) 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법
KR20210102170A (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
CN112000081B (zh) 基于多块信息提取和马氏距离的故障监测方法及系统
US7299154B1 (en) Method and apparatus for fast disturbance detection and classification
CN113255840A (zh) 故障检测与分类方法、装置、系统及存储介质
KR102576390B1 (ko) 통계 분석에 기반한 거짓 경보 감소 방법 및 장치
CN111930728A (zh) 一种设备的特征参数和故障率的预测方法及系统
US20240362106A1 (en) Predicting Equipment Fail Mode from Process Trace
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
CN116048036A (zh) 基于动态非平稳投影结构的故障检测方法
KR20230135131A (ko) 측정 위반 분석을 이용한 비정상 식별 프로세스
KR20220028726A (ko) 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
CN114764550A (zh) 失效检测与分类模型的运作方法与运作装置
JPWO2022020642A5 (zh)
MELLAH et al. Early semiconductor anomaly detection based on multivariate time-series classification using multilayer perceptron
US20240184283A1 (en) Time-Series Segmentation and Anomaly Detection
Vásquez-Rodríguez et al. Anomaly-based fault detection in wind turbines using unsupervised learning: a comparative study.