TW202236118A - 半導體製造設備的預測性維護 - Google Patents
半導體製造設備的預測性維護 Download PDFInfo
- Publication number
- TW202236118A TW202236118A TW110141958A TW110141958A TW202236118A TW 202236118 A TW202236118 A TW 202236118A TW 110141958 A TW110141958 A TW 110141958A TW 110141958 A TW110141958 A TW 110141958A TW 202236118 A TW202236118 A TW 202236118A
- Authority
- TW
- Taiwan
- Prior art keywords
- manufacturing
- data
- information
- equipment
- predictive maintenance
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 203
- 238000012423 maintenance Methods 0.000 title claims abstract description 151
- 239000004065 semiconductor Substances 0.000 title abstract description 22
- 230000003862 health status Effects 0.000 claims abstract description 50
- 230000036541 health Effects 0.000 claims description 143
- 238000005259 measurement Methods 0.000 claims description 40
- 238000004088 simulation Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 239000000758 substrate Substances 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 10
- 238000011058 failure modes and effects analysis Methods 0.000 claims description 8
- 230000003750 conditioning effect Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 60
- 238000004458 analytical method Methods 0.000 description 60
- 238000010801 machine learning Methods 0.000 description 48
- 238000012545 processing Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000002955 isolation Methods 0.000 description 23
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 20
- 238000001514 detection method Methods 0.000 description 17
- 238000000605 extraction Methods 0.000 description 17
- 238000009826 distribution Methods 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 14
- 235000012431 wafers Nutrition 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000012394 real-time manufacturing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000005336 cracking Methods 0.000 description 3
- 210000002304 esc Anatomy 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004630 atomic force microscopy Methods 0.000 description 2
- 238000000231 atomic layer deposition Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000009713 electroplating Methods 0.000 description 2
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000988 reflection electron microscopy Methods 0.000 description 2
- 238000005389 semiconductor device fabrication Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000000572 ellipsometry Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000011066 ex-situ storage Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000235 small-angle X-ray scattering Methods 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 238000004627 transmission electron microscopy Methods 0.000 description 1
- 238000013024 troubleshooting 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
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—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
-
- 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
-
- 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
-
- 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
- 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
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本文中的諸多實施例涉及用於半導體製造設備之預測性維護的系統和方法。在某些實施例中,預測性維護系統包括處理器,該處理器係配置以:接收指示對應於進行製造製程之製造設備的歷史操作狀況和歷史製造資訊的離線資料;藉由使用將離線資料作為輸入的訓練模型來計算預測設備健康狀態資訊;接收指示製造設備之當前操作狀況的即時資料;藉由使用將即時資料作為輸入的訓練模型來計算估計設備健康狀態資訊;藉由結合預測設備健康狀態資訊和估計設備健康狀態資訊來計算調整設備健康狀態資訊;以及遞交包括製造設備之至少一組件的預期剩餘使用壽命(RUL)的調整設備健康狀態資訊。
Description
本揭示內容關於預測性維護系統及方法,且尤其關於半導體製造設備的預測性維護系統及方法。
[優先權主張] PCT請求書和本說明書乃同時提交以作為本申請案的一部分。在同時提交的PCT請求書中被識別為本申請案主張其利益或優先權的每一申請以引用的方式全文併入本文中並用於所有目的。
因為半導體設備可包括數百組件而每一組件具有許多不同的故障點,且因為系統和組件的設定點可能由於設備的運作而隨時間漂移,因此用於製造半導體裝置的半導體設備可能難以維護。維護工作常常是手動識別的或僅使用有限的資訊。在某些情況下,因為當前的維護識別技術可能造成設備問題識別得太晚,而導致設備停機時間相當長及維修工作成本高昂的結果。
本文中所提供之先前技術說明係為了大體上呈現所揭示內容之脈絡。在此先前技術章節中所敘述之範圍內的本案列名之發明人的成果、以及在申請時不適格作為先前技術之說明書的實施態樣,皆非有意地或暗示地被承認為對抗本揭示內容之先前技術。
本文所揭示的為用於半導體製造設備之預測性維護的方法和系統。
依據所揭示標的的某些實施例,提供預測性維護系統,該系統包含:記憶體;以及處理器,當該處理器執行儲存在記憶體中的電腦可執行指令時,該處理器係配置以:接收指示對應於進行製造製程之製造設備的歷史操作狀況和歷史製造資訊的離線資料;藉由使用將該離線資料作為輸入的訓練模型來計算關聯於製造設備之預測設備健康狀態資訊;接收指示對應於製造設備之當前操作狀況和當前製造資訊的即時資料;藉由使用將該即時資料作為輸入的訓練模型來計算關聯於製造設備之估計設備健康狀態資訊;藉由結合基於離線資料計算的該預測設備健康狀態資訊以及基於即時資料計算的該估計設備健康狀態資訊來計算關聯於製造設備之調整設備健康狀態資訊;以及遞交該調整設備健康狀態資訊,其中該調整設備健康狀態資訊包括製造設備之至少一組件的預期剩餘使用壽命(RUL)。
在某些實施例中,指示歷史操作狀況的離線資料和指示當前操作狀況的即時資料包含從製造設備的一或更多感測器接收的資料。
在某些實施例中,使用物理為基模擬資料來訓練該模型。
在某些實施例中,模擬資料包含在製造設備的第一空間位置的估計資料,該估計資料係基於在製造設備之物理感測器所處的一或更多其他空間位置所測量之感測器資料而被估計。
在某些實施例中,該估計資料為所測量之感測器資料的內插。
在某些實施例中,使用關聯於包含使用該製造製程加工的電子裝置之基材的量測資料來訓練該模型。
在某些實施例中,處理器進一步配置以擷取指示歷史操作狀況之離線資料和指示當前操作狀況之即時資料的特徵,且其中該訓練模型將所擷取的特徵作為輸入。
在某些實施例中,處理器進一步配置以:基於指示當前操作狀況的即時資料來檢測製造設備的異常狀況;以及響應檢測製造設備的異常狀況,識別關聯於製造設備之故障的型式。
在某些實施例中,檢測製造設備的異常狀況係基於指示當前操作狀況之即時資料和指示歷史操作狀況之離線資料的比較。
在某些實施例中,識別關聯於製造設備之故障的型式包含使用歷史故障資料庫將指示當前操作狀況的即時資料進行分類。
在某些實施例中,識別關聯於製造設備之故障的型式包含使用物理為基模擬資料將指示當前操作狀況的即時資料進行分類。
在某些實施例中,處理器進一步配置以:識別製造設備之當前操作狀況的變更以及當前操作狀況中的該變更將改變製造設備之至少一部件的預期剩餘使用壽命的可能性;以及遞交當前操作狀況之被識別的變更。
在某些實施例中,基於物理為基模擬資料來識別製造設備之當前操作狀況的變更。
在某些實施例中,處理器進一步配置以:計算關聯於進行該製造製程之第二製造設備的第二調整設備健康狀態資訊,其中第二調整設備健康狀態資訊係基於具有該製造設備之該至少一組件的第二製造設備;以及基於第二調整設備健康狀態資訊遞交從該製造設備移除該至少一組件以在第二製造設備中使用的建議。
在某些實施例中,響應判定該至少一組件的RUL低於預定閾值而計算第二調整設備健康狀態資訊。以下將參考相關圖式更詳細地描述所揭示內容的此些和其他特徵。
在某些實施例中,響應判定對應於該至少一組件在第二製造設備中被使用時的第二RUL超過該至少一組件在該製造設備中被使用時的RUL而遞交該建議。
依據某些實施例,提供預測性維護系統,該系統包含:記憶體;以及硬體處理器,當該硬體處理器執行儲存在記憶體中的電腦可執行指令時,該硬體處理器係配置以:接收指示對應於進行製造製程之製造設備的歷史操作狀況和歷史製造資訊的離線資料,其中該離線資料包含來自關聯於該製造設備之複數感測器的離線感測器資料;使用一或更多物理為基模擬模型來產生複數物理為基模擬值,而每一物理為基模擬模型建模該製造設備的一組件;使用該離線資料和該複數物理為基模擬值來訓練產生預測設備健康狀態分數的神經網路。
在某些實施例中,用於訓練神經網路的每一訓練樣本包含作為輸入值的該離線資料和該複數物理為基模擬值以及作為目標輸出的量測資料。
在某些實施例中,該複數物理為基模擬值中的一物理為基模擬值係對應於該複數感測器中的一感測器之測量的估計。
在某些實施例中,該複數感測器中的該感測器係位於該製造設備的第一位置,且其中該測量的估計係在該製造設備的第二位置。
在某些實施例中,歷史製造資訊包含對應於該製造設備的故障模式效應分析(FMEA)資訊。
在某些實施例中,歷史製造資訊包含與該製造設備相關的設計資訊。
在某些實施例中,歷史製造資訊包含從品質資料庫中提取的品質資訊。
術語
在本說明書全文中使用以下術語:
術語「半導體晶圓」、「晶圓」、「基材」、「晶圓基材」以及「部分加工之積體電路」可互換地使用。熟悉本技藝之一般人士會理解用語「部分加工之積體電路」可指其上之積體電路加工之許多階段之任一者期間的半導體晶圓。用於半導體裝置產業中的晶圓或基材通常具有200 mm、或300 mm、或450 mm的直徑。除了半導體晶圓之外,可利用所揭示實施例的其他工件包括諸多物件,例如印刷電路板、磁性紀錄媒體、磁性紀錄感測器、鏡子、光學元件、微機械裝置等等。工件可為諸多形狀、尺寸、及材料。
本文所用之「半導體裝置加工操作」為在半導體裝置之加工期間所執行的操作。通常,整體加工處理包括複數半導體裝置加工操作,每一操作係在其自身的半導體加工工具中執行,半導體加工工具例如電漿反應器、電鍍槽、化學機械平坦化工具、濕式蝕刻工具等等。半導體裝置加工操作的範疇包括例如蝕刻處理及平坦化處理的削減式處理以及例如沉積處理(例如,物理氣相沉積、化學氣相沉積、原子層沉積、電化學沉積、無電沉積)的材料加成式處理。在蝕刻處理的背景下,基材蝕刻處理包括蝕刻遮罩層之處理,或者更概括地,包括蝕刻預先沉積於基材表面上及/或存在於基材表面上之任何材料層的處理。如此蝕刻處理可蝕刻基材中的層之堆疊。
「製造設備」係指在其中進行製造製程的設備。製造設備通常具有處理腔室,在處理期間工件駐留於處理腔室中。通常,當使用時,製造設備執行一或更多半導體裝置加工操作。用於半導體裝置加工之製造設備的範例包d括例如電鍍槽、物理氣相沉積反應器、化學氣相沉積反應器、及原子層沉積反應器的沉積反應器,以及例如乾式蝕刻反應器(例如,化學及/或物理蝕刻反應器)、濕式蝕刻反應器、及灰化器的削減式處理反應器。
本文所使用之「異常」係與製程、層、或產品之適當功能的偏離。例如,異常可包括不適當的設定點或操作狀況,例如不適當的溫度、不適當的壓力、不適當的氣流速率等等。
在某些實施例中,異常可能導致或造成例如處理腔室之製造設備的系統或子系統之組件的故障。例如,異常可能導致靜電卡盤(ESC)之組件的故障。作為更特定的範例,關聯於ESC的故障可能包括ESC之組件中例如閥、台座、邊緣環等的故障。作為一具體範例,故障可能包括台座的斷裂。做為另一具體範例,故障可能包括邊緣環的撕裂或斷裂。對於處理腔室的其他系統或子系統之可被偵測的異常可包括噴淋頭、RF產生器、電漿源等。異常可能為隨機的或系統性的。
本文所使用的「量測資料(Metrology data)」係指至少部分係藉由對經處理之基材或基材於其中受處理之反應腔室的特徵進行測量而產生的資料。可在反應腔室中執行半導體裝置製造操作的同時或之後進行測量。在某些實施例中,量測資料係藉由在經蝕刻基材上執行顯微術(例如,掃描式電子顯微術(SEM)、穿透式電子顯微術(TEM)、掃描穿透式電子顯微術(STEM)、反射式電子顯微術(REM)、原子力顯微術(AFM))或光學計量的計量系統而產生。當使用光學計量時,計量系統可藉由從所測量的光學計量信號而計算缺陷位置、形狀、及/或尺寸,以獲得關於它們的資訊。在某些實施例中,藉由在受處理之基材上進行反射量測、圓頂散射量測、角分辨散射量測、小角度X射線散射量測及/或橢圓偏振術,以產生量測資料。在某些實施例中,量測資料包括來自例如能量色散X射線光譜術(EDX)的光譜資料。量測資料的其他範例包括感測器資料,例如溫度、腔室內的環境條件、基材或反應器組件的質量變化、機械力等等。在某些實施例中,可基於感測器日誌而產生虛擬量測資料。
在某些實施例中,量測資料包括與用於獲取量測資料之計量系統或條件有關的「元資料(metadata)」。元資料可視為對資料進行描述及/或表徵的一組標籤。元資料屬性的非排他性列表包括:
處理工具設計及操作資訊,例如平台資訊、機械臂設計、工具材料細節、部件資訊、製程配方資訊等。
圖像擷取細節,例如對比度、放大率、模糊、雜訊、亮度等。
光譜生成細節,例如x射線著陸能量、波長、曝光/取樣時間、化學光譜、偵測器型式等。
計量工具細節,例如缺陷尺寸、位置、類別識別、採集時間、旋轉速度、雷射波長、邊緣排除、明場、暗場、傾斜、正入射、配方資訊等。
來自加工處理的感測器資料(其可為原位或異位的):所截取之資料的光譜範圍、能量、功率、製程終點細節、偵測頻率、溫度、其他環境條件等。
本文所使用的「機器學習模型」為經訓練的計算演算法,其已被訓練以建立資料點間之關係的數學模型。經訓練的機器學習模型可基於所學習的關係產生輸出而無需被明確地程式化以使用明確定義的關係來產生該輸出。
本文所述的技術可將機器學習模型使用於許多不同的目的。例如,經訓練的機器學習模型可為將信號(例如,感測器資料、光譜資料、光發射資料等的時間序列信號、)作為輸出、並產生一或更多特徵作為輸出的特徵擷取模型,該一或更多特徵乃藉由識別輸入信號的關鍵特徵或維度而縮減輸入信號。做為更特定的範例,可將特徵擷取模型用於藉由識別不太可能為雜訊的時間序列信號的關鍵特徵而將該時間序列信號去雜訊。
作為另一範例,經訓練的機器學習模型可為將指示製造設備或製造設備之組件之操作狀況的資料作為輸入、並產生當製造設備操作於異常狀況下之分類作為輸出的分類器。在某些實施例中,異常狀況可包括為達所需操作條件(例如,所需溫度、所需壓力、所需氣體流速、所需功率等)而在系統或子系統之特定組件中的故障及/或系統或子系統的故障。
作為又另一範例,經訓練的機器學習模型可為將指示製造設備或製造設備之組件之操作狀況的資料作為輸入、並產生關聯於製造設備之預測設備健康狀態資訊作為輸出的神經網路。請留意以下將更詳細描述設備健康狀態資訊。
機器學習模型的範例包括自動編碼器網路(例如,長短期記憶(LSTM) 自動編碼器、卷積自動編碼器、深度自動編碼器、及/或任何其他適當型式的自動編碼器網路)、神經網路(例如,卷積神經網路、深度卷積網路、循環神經網路、及/或任何其他適當型式的神經網路)、叢集演算法(例如,最近相鄰者、K平均數叢聚、及/或任何其他適當型式的叢集演算法)、隨機森林模型,隨機森林模型包括深度隨機森林、受限玻爾茲曼機、深度信念網路(DBNs)、循環張量網路、及梯度提升樹。
請留意某些機器學習模型被表徵為「深度學習」模型。除非另外指明,否則本文中任何提及「機器學習」之處皆包含深度學習的實施例。可以諸多形式實施深度學習模型,例如透過神經網路(例如,卷積神經網路)。儘管並非必然地,一般而言其包括複數層。每一如此之層包括複數處理節點,且該些層依序進行處理,其中較靠近模型輸入的層之節點係在較靠近模型輸出的層之節點之前進行處理。在諸多實施例中,一層饋入下一層,以此類推。
在諸多實施例中,深度學習模型可具有相當大的深度。在某些實施例中,該模型具有多於二(或多於三或多於四或多於五)層的處理節點,處理節點自先層接收值(或為直接輸入)並輸出值至後層(或最終輸出)。內部節點通常在某種意義上為「隱藏的」,因內部節點的輸入及輸出值在模型外部係不可見的。在諸多實施例中,於操作期間,隱藏節點的操作沒有被監視或紀錄。
深度學習模型之節點與連接可經訓練和重新訓練而無需重新設計其數目、配置等。
如所指出的,在諸多實施例中,節點層可共同形成神經網路,但許多深度學習模型具有其他結構和格式。在某些實施例中,深度學習模型不具有分層結構,在該情況下,與將「深度」表徵為具有許多層的上述內容並不相關。
「貝氏分析(Bayesian analysis)」係指利用可得證據來評估先驗概率以判定後驗概率的統計典範。先驗概率為反映與待檢測之一或更多參數有關的當前知識或主觀選擇的概率分布。先驗概率亦可包括所儲存之測量的變異數隻係數或通報限值。證據可為經收集或取樣的新資料,其影響先驗概率的概率分布。利用貝氏理論或其變形,將先驗概率與證據結合以產生更新後的概率分布,其稱為後驗概率。在某些實施例中,可使用該後驗概率作為新的先驗概率並結合新的證據以重複多次的貝氏分析。
術語「製造資訊」係指關於製造設備之型式的資訊,例如處理腔室的型式。在某些實施例中,製造資訊可包括關於製造設備之使用的資訊,例如指示可於製造設備上實施的特定配方的資訊。在某些實施例中,製造資訊可包括人工產出或專家產出的故障資訊,例如故障模式效應分析(FMEA)資訊。在某些實施例中,可整合任何其他的設計資訊,例如來自品質資料庫的資訊等。
在某些實施例中,「製造資訊」可包括特定於製造設備之特例的資訊,例如特定的處理腔室。例如,製造資訊可包括特定處理腔室的歷史維護資訊,例如先前更換或維修組件的特定日期、先前發生故障的特定日期、及/或任何其他適當的歷史維護資訊。作為另一範例,製造資訊可包括即將到來的維護資訊,例如製造設備之實例的特定系統或子系統之排程維護的日期。
「資料驅動信號」係指使用關聯於製造設備之系統或子系統之任何適當的感測器或工具來測量或收集的資料。例如,資料驅動信號可包括溫度測量、壓力測量、光譜測量、光發射測量、氣流測量、及/或任何其他合適的測量。作為更特定的範例,在某些實施例中,資料驅動信號可包括從一或更多感測器收集的連續追蹤資料(CTD)。請留意資料驅動信號可為離線(例如,在相對於製造設備正在運作之當前時間的先前時間點預先收集的)或即時(例如,在製造設備的運作期間收集的)。
「物理為基模擬值」係指使用模擬產生的值,該模擬在本文中通常稱為「物理為基演算法」。例如,在某些實施例中,物理為基模擬值可為一參數(例如,溫度、壓力、及/或任何其他合適的參數)的估計值,該估計值係基於特定環境中之參數的模型來計算。作為更特定的範例,物理為基模擬值可為一ESC之特定空間位置處的溫度估計,其係基於該ESC之溫度梯度的模型來計算。
物理為基演算法可使用任何合適的技術以使用明確定義的物理定律或方程式來建模特定組件或物理現象(例如,包括特定材料之環境中的溫度梯度、具有特定尺寸之腔室內的氣流、及/或任何其他合適的物理現象)。例如,在某些實施例中,物理為基演算法可使用任何合適的數值建模技術而產生在一系列時間步驟或空間步驟上之物理現象的模擬。
「預測性維護」係指基於製造設備的特徵及/或基於製造設備之組件而監視和預測製造設備或製造設備之組件的健康狀態。在某些實施例中,製造設備可包括腔室的系統或子系統,例如ESC、噴淋頭、電漿源、射頻(RF)產生器、及/或任何其他適當型式的製造系統或子系統。在某些實施例中,製造設備的組件可包括系統及/或子系統的個別組件,例如台座、ESC的邊緣環、特定閥(例如,供應氣體至噴淋頭之氣箱的閥)、及/或任何其他合適的組件。
本文所述的預測性維護系統可執行任何適當的分析而產生「設備健康狀態資訊」。本文所使用的「設備健康狀態資訊」係為製造設備之操作狀況的分析。在某些實施例中,設備健康狀態資訊可包括對於製造設備之整體系統或子系統(例如,噴淋頭、ESC、電漿源、RF產生器、及/或任何其他適當的系統及/或子系統)的評分或度量。額外地或可替代地,在某些實施例中,設備健康狀態資訊可包括對於系統或子系統之個別組件的評分或度量,該個別組件例如為ESC之台座、ESC之邊緣環、特定閥(例如,供應氣體至噴淋頭之氣箱的閥)、及/或任何其他合適的組件。
在某些實施例中,與製造設備之系統或子系統相關的設備健康狀態評分或度量的範例可包括平均失效時間(MTTF)、平均維護時間(MTTM)、平均失效間隔時間(MTBF)、及/或任何其他合適的設備健康狀態資訊。
在某些實施例中,對於系統或子系統之組件的設備健康狀態評分或度量的範例可包括該組件的剩餘使用壽命(RUL)。例如,在某些實施例中,預測性維護系統可判定該組件於未來的特定時間(例如,十天內、二十天內等)將需被更換。
在某些實施例中,設備健康狀態資訊可包括由預測性維護系統所識別的例行性維護建議。例如,在某些實施例中,響應於識別一組件之特定RUL少於預定閾值時間(例如,少於十天、少於二十天等),預測性維護系統可識別可被採行以增加該組件之RUL的一或更多動作。作為更特定的範例,在某些實施例中,預測性維護系統可識別出很可能延長該組件之RUL的製造設備所使用之配方的改變(例如,溫度的改變、壓力的改變、及/或任何其他合適的配方改變)。作為另一更特定的範例,在某些實施例中,預測性維護系統可識別出不同組件的替換很可能延長該組件的RUL。作為一具體範例,預測性維護系統可建議替換ESC的閥以延長該ESC之邊緣環的RUL。
在某些實施例中,預測性維護系統可識別即將發生的故障。例如,在某些實施例中,預測性維護系統可偵測製造設備之系統或子系統之組件中的異常。在某些實施例中,響應於偵測異常,預測性維護系統可執行任何適當的根本原因分析或其他失效分析以識別異常的原因。例如,在某些實施例中,預測性維護系統可執行失效分析(例如,魚骨圖分析、五問分析(five why analysis)、故障樹分析(fault tree analysis)等等)以識別異常的可能原因。
請留意,在某些實施例中,本文所述的預測性維護系統可使用任何適當的技術來預測設備的健康狀態。例如,在某些實施例中,預測性維護系統可使用機器學習模型(例如經訓練的神經網路)來產生設備健康狀態資訊。
作為更特定的範例,在某些實施例中,預測性維護系統可基於設備之先前測量的特徵(在本文中稱為離線資料)並假定設備之通常的劣化率(例如,由於磨損)而產生指示設備之健康狀態的預測設備健康狀態資訊。進一步接續此特定範例,在某些實施例中,預測性維護系統可基於即時資料(例如,從關聯於設備之感測器收集的即時資料、即時光譜資訊、設備的即時製造狀況、及/或任何其他適當的即時資料)而產生指示設備之當前健康狀態之估計的估計設備健康狀態資訊。仍進一步接續此特定範例,在某些實施例中,預測性維護系統可產生調整設備健康狀態資訊,調整設備健康狀態資訊係結合基於離線資料的預測健康狀態資訊和基於即時資料的估計健康狀態資訊。在某些實施例中,接著可將調整健康狀態資訊饋送回去以作為可被預測性維護系統用於後續設備健康狀態資訊計算的當前健康狀態資訊。
在某些實施例中,例行性維護包括失效分析以判定是什麼條件或設計特徵導致組件發生故障或降級。如此態樣的預防性維護可涉及屍體(
post mortem)分析以識別組件故障或降級的根本原因。預防性維護可用於協助重新設計組件。
請留意,在某些實施例中,產生設備健康狀態資訊的機器學習模型可使用任何適當的輸入。例如,該些輸入可包括資料驅動信號(例如,來自關聯於製造設備的一或更多感測器的資料)、配方資訊、歷史故障資訊(例如,FMEA資訊、指示對製造設備之先前維護動作的維護日誌等)、量測資料、物理為基信號(例如,使用對特定系統或子系統進行建模之物理為基演算法所產生的模擬值)、及/或任何其他適當的輸入。
概述
本文所述的預測性維護系統可用於半導體加工設備的預測性維護,例如用於晶圓支托架(例如,ESC)、RF產生器、電漿源、噴淋頭等。例如,在某些實施例中,本文所述的預測性維護系統可評估系統或子系統的當前設備健康狀態,以指示臨至故障的可能時間或臨至系統或子系統需要維護的可能時間。作為另一範例,在某些實施例中,本文所述的預測性維護系統可評估個別的組件(例如,個別的邊緣環、個別的閥等)並評估該些個別組件的可能RUL。在某些實施例中,藉由預測臨至故障的時間或臨至將需要維修的時間,本文所述的預測性維護系統可讓由於不可預見的故障而導致的製造設備停機時間顯著地減少。此外,本文所述的預測性維護系統可允許及時的部件訂購而允許在故障之前更換被識別為可能很快就要故障的組件。
除了產生預測性維護度量之外,在某些實施例中,本文所述的預測性維護系統可產生例行性維護建議。例如,預測性維護系統可識別特定組件可能在預定的時間週期內(例如,在接下來的十天內)故障,並可額外地識別可能延長該組件之壽命的建議(例如,不同組件的替換、製造設備所實施之配方的改變等)。藉由主動地產生例行性維護建議,本文所述的預測性維護可允許製造設備在排定的維護約期之間使用更長的時間週期,從而提高設備的效率。
在某些實施例中,本文所述的預測性維護系統可識別設備的異常、或即將發生的故障。例如,可在當前加工製程期間偵測例如ESC之台座平台破裂、RF產生器的過大功率、噴淋頭的未調平等等的異常。在某些實施例中,本文所述的預測性維護系統可識別可能的故障,以及該故障的可能原因。在某些實施例中,藉由自動化故障分析,本文所述的預測性維護系統可減少分析故障所需的人工時間,從而提高效率。
在某些實施例中,可使用機器學習模型來產生預測性維護度量、例行性維護建議、及故障分析 。可使用離線資訊以及即時資訊兩者來訓練機器學習模型,離線資訊包括來自製造設備之物件之先前使用的歷史資訊,即時資訊包括在製造設備之該物件的當前使用期間的當前資料。藉由結合離線和即時資訊,可基於當前的、即時的資訊來調整基於已知設備老化的預測設備健康狀態,以產生更準確的製造設備之即時狀態。
在某些實施例中,機器學習模型可包括物理為基模擬值及/或資料驅動信號。在某些實施例中,物理為基模擬值可為諸多物理現象之物理為基模擬的結果。在某些實施例中,可使用物理為基模擬值來訓練模型而產生設備健康狀態資訊、識別異常或故障的根本原因、識別可改變的參數以延長特定組件的RUL、及/或用於任何其他適當的目的。在某些實施例中,資料驅動信號可為被測量的資料(例如,感測器資料、光譜資料、光發射資料等)而可被機器學習模型使用以指示處理腔室之被測量的特性。
預測性維護系統
圖1A顯示依據所揭示標的之某些實施例的預測性維護系統的示意圖。在某些實施例中,預測性維護系統可關聯於製造設備系統或子系統而進行操作,製造設備系統或子系統例如為ESC、噴淋頭、RF產生器、電漿源、及/或任何其他適當的系統或子系統。請留意,在某些實施例中,可使用可執行任何適當功能(例如,執行任何適當的演算法、從任何適當的源接收資料、產生任何適當的輸出等等)的計算系統來實施預測性維護系統。在某些實施例中,計算系統可包括任何適當的裝置(例如,伺服器、桌上型電腦、筆記型電腦等),該些裝置的每一者可包括任何適當的硬體,以下在圖5中更詳細地顯示和描述之。
請留意,以下結合圖1B更詳細地描述關聯於圖1A所顯示之方塊的更詳細技術。
可接收離線資料信號102。在某些實施例中,離線資料信號102可包括在製造設備的先前操作期間收集的任何適當資料。如上所述,離線資料信號102可包括從關聯於製造設備之任何適當的感測器(例如,溫度感測器、位置感測器、壓力感測器、力感測器、氣流感測器、及/或任何其他適當型式的感測器)收集的資料、光譜資料、光發射資料、及/或在製造設備的先前操作期間收集的任何其他適當的測量。在某些實施例中,離線資料信號102可為一組時間序列資料序列,例如溫度資料時間序列、壓力資料時間序列等。請留意可能已在任何適當的時間週期中收集離線資料信號102,例如在過去一個月內、過去兩個月內等。
可使用離線資料信號102來產生衍生離線資料104。在某些實施例中,衍生離線資料104可對應於表現離線資料信號102的特徵。在某些實施例中,例如在圖1B中所顯示的及以下結合圖1B所描述的,可使用特徵擷取模型來產生衍生離線資料104。在某些情況下,無需特徵擷取或其他導出程序而使用離線資料信號102。在如此情況中,衍生離線資料104乃為離線資料信號102。
可接收離線製造資訊106。
在某些實施例中,離線製造資訊106可包括配方資訊。例如,在某些實施例中,配方資訊可指示通常在製造設備上實施的一或更多配方,其中每一配方可指示製程的步驟、在製程中使用的設定點、及/或製程中使用的材料。
在某些實施例中,離線製造資訊可包括故障模式資訊。例如,在某些實施例中,故障模式資訊可包括FMEA資訊,FMEA資訊指示關聯於製造設備的潛在故障以及該些潛在故障之每一者的可能原因。作為另一範例,在某些實施例中,故障模式資訊可包括關聯於製造設備之特定物件的歷史故障而針對該歷史故障對機器學習模型進行訓練。作為更特定的範例,歷史故障資訊可指示先前已故障的特定組件,以及各組件故障的日期及/或發生故障的原因。作為另一更特定的範例,在某些實施例中,歷史故障資訊可包括特定組件先前被替換的日期。在某些實施例中,故障模式資訊可包括指示不同組件之故障頻率、針對特定組件之典型維護排程的品質資訊,及/或任何其他適當品質資訊。
在某些實施例中,離線製造資訊可包括關於製造設備之型式的設計資訊。在某些實施例中,設計資訊可包括製造設備之特定組件的規格。
在某些實施例中,離線製造資訊可包括針對製造設備之特定物件的維護日誌資訊而針對該維護日誌資訊對機器學習模型進行訓練。例如,維護日誌可指示製造設備之特定組件被替換的日期。作為另一範例,維護日誌可指示特定組件的預期壽命。作為又另一範例,維護日誌可指示特定系統或子系統先前被維修的日期。作為再另一範例,維護日誌可指示用於特定系統或子系統之下次未來維修日期。
可接收或計算最近設備健康狀態資訊108。在某些實施例中,最近設備健康狀態資訊108可包括任何適當的度量,適當的度量包括最近被計算之設備健康狀態資訊,例如來自預測性維護系統的先前推論。如上所述,最近設備健康狀態資訊108可包括指示整體系統或子系統之健康狀態的分數或度量,例如MTTF、MTTM、MTBF、及/或任何其他適當的系統或子系統之一或多度量。此外,在某些實施例中,最近設備健康狀態資訊108可包括指示系統或子系統之任何適當個別組件之健康狀態的資訊,例如個別組件的RUL。
在某些實施例中,可使用可靠度資訊110來計算最近設備健康狀態資訊108。在某些實施例中,可靠度資訊110可包括效能資訊,例如指示製造設備之最近效能的量測資料。在某些實施例中,量測資料可包括所製造晶圓中缺陷的指示、及/或任何其他適當的效能問題的指示。在某些實施例中,可從可靠度資訊110中使用任何適當的經訓練之機器學習模型來計算最近設備健康狀態資訊108,經訓練之機器學習模型例如為神經網路(例如,卷積神經網路、深度卷積神經網路、循環神經網路、及/或任何其他適當型式的神經網路)。在某些實施例中,可使用包括量測資料作為輸入的訓練樣本以及手動註解的效能指標(例如,其指示故障或異常是否與量測資料相關聯)來訓練機器學習模型。
可產生物理為基模擬值112。在某些實施例中,物理為基模擬值112可為使用物理為基演算法產生的任何適當的值。例如,物理為基模擬值112可包括模擬溫度值、模擬壓力值、模擬力值、模擬光譜值、及/或任何其他適當的模擬值。
在某些實施例中,物理為基值可為對應測量參數的模擬值。例如,在其中熱電偶測量於特定位置之溫度的案例中,物理為基演算法可產生估計距熱電偶某距離(例如,5 cm、10 cm等)之位置處之溫度的物理為基模擬值。作為另一範例,在其中壓力感測器測量於特定位置之壓力的案例中,物理為基演算法可產生估計距壓力感測器某距離(例如,5 cm、10 cm等)之位置處之壓力的物理為基模擬值。請注意,在某些實施例中,物理為基演算法可產生代表來自虛擬感測器之資料的模擬值。在某些實施例中,物理為基模擬值可為自物理測量內插的值,例如跨網格的物理測量。額外地或可替代地,在某些實施例中,物理為基模擬值可為使用自物理測量之迴歸來計算的值。
可使用衍生離線資料104、離線製造資訊106、最近設備健康狀態資訊108、及物理為基模擬值112來訓練設備健康狀態機器學習模型114。
請注意,一旦經過訓練之後,如以下更詳細描述的,可將設備健康狀態機器學習模型114用於產生估計設備健康狀態資訊及/或預測設備健康狀態資訊。
可接收即時資料信號116。在某些實施例中,即時資料信號116可包括從關聯於製造設備之任何適當的感測器(例如,溫度感測器、位置感測器、壓力感測器、力感測器、氣流感測器、及/或任何其他適當型式的感測器)收集的資料、光譜資料、光發射資料、及/或在製造設備之當前操作期間收集的任何其他適當的測量。在某些實施例中,即時資料信號116可為一組時間序列資料序列,例如溫度資料時間序列、壓力資料時間序列等。
可使用即時資料信號116來產生衍生即時資料118。例如,在某些實施例中,例如在圖2A中所顯示的和以下結合圖2A所描述的,可使用施加至即時資料信號116的特徵擷取模型來產生衍生即時資料118。在某些情況下,無需特徵擷取或其他導出程序而使用即時資料信號116。在如此情況中,衍生即時資料118乃為即時資料信號116。
異常偵測模型120可藉由偵測製造設備之當前狀態中的異常狀況而偵測製造設備即將發生的故障。在某些實施例中,如在圖1A中所顯示的和以下結合圖2B所更加詳細描述的,異常偵測模型120可採用物理為基模擬值112、衍生離線資料104、及衍生即時資料118作為輸入。
在某些實施例中,假如藉由異常偵測模型120偵測到異常,故障隔離與分析模型122可執行所偵測之異常的分析。在某些實施例中,故障隔離與分析模型122可識別系統或子系統中的特定故障,例如ESC之台座中的碎裂或開裂、關聯於噴淋頭的剝落、關聯於RF產生器的過大功率或無功率等等。再者,在某些實施例中,故障隔離與分析模型122可識別所識別之故障的根本原因。在某些實施例中,如在圖1A中所顯示的和以下結合圖2C所更加詳細描述的,故障隔離與分析模型122可採用衍生即時資料118和物理為基模擬值112作為輸入。
可接收即時製造資訊124。在某些實施例中,即時製造資訊124可指示當前製程資訊,例如當前正由製造設備實施的配方。
可使用衍生即時資料118和即時製造資訊124作為至經訓練設備健康狀態機器學習模型114的輸入,而產生估計設備健康狀態資訊126。在某些實施例中,估計設備健康狀態資訊126可基於所實施的當前製程和該製程之執行期間所收集的即時資料而指示製造設備的估計當前健康狀態。
可使用衍生離線資料104、離線製造資訊106、最近設備健康狀態資訊108、及/或物理為基模擬值112作為至經訓練設備健康狀態機器學習模型114的輸入,而產生預測設備健康狀態資訊128。在某些實施例中,預測設備健康狀態資訊128可指示製造設備在當前時間以製造設備及/或製造設備之組件的通常劣化為由的預測健康狀態。
可藉由結合估計設備健康狀態資訊126(例如,基於即時資料的設備健康狀態資訊)及預測設備健康狀態資訊128(例如,基於離線資料的設備健康狀態資訊)而產生調整設備健康狀態資訊130。例如,在某些實施例中,可使用任何適當的技術來產生調整設備健康狀態資訊130,例如使用貝氏推論來結合估計設備健康狀態資訊126及預測設備健康狀態資訊128。作為更特定的範例,可藉由使用貝氏推論將關聯於估計設備健康狀態資訊126之一或更多設備健康狀態分數或度量與關聯於預測設備健康狀態資訊128之相應的分數或度量相結合,而計算調整設備健康狀態分數或度量。
請留意,關於以上所述的估計設備健康狀態資訊、預測設備健康狀態資訊、及調整設備健康狀態資訊,設備健康狀態資訊可包括任何適當的資訊或度量。例如,設備健康狀態資訊可包括與系統或子系統相關的分數或度量,例如與ESC、電漿源、噴淋頭、RF產生器、及/或任何其他適當的系統或子系統相關。系統或子系統分數或度量可包括MTTF、MTTM、MTBF、及/或任何其他適當的度量。
作為另一範例,在某些實施例中,設備健康狀態資訊可包括與系統或子系統之個別組件相關的分數或度量,例如與ESC之邊緣環、特定閥(例如,供應氣體至噴淋頭的氣箱)、及/或任何其他適當的一或多組件相關。組件分數或度量可包括組件的RUL,其指示在組件故障之前預測的組件之可能剩餘的使用時間。
作為又另一範例,在某些實施例中,設備健康狀態資訊可包括例行性維護建議。作為更特定的範例,在其中特定組件之RUL少於預定閾值(例如,少於十天、少於二十天等)及/或其中RUL在組件的排定更換之前結束的案例中,可產生例行性維護建議。接續此特定範例,在某些實施例中,例行性維護建議可包括更換不同組件的建議,其中不同組件的更換有可能延長被識別為可能發生故障之組件的RUL。
在某些實施例中,例行性維護建議可額外地或替代性地包括改變配方參數的建議。例如,在某些實施例中,可識別對氣流速率、溫度變化時間窗、及/或任何其他適當配方參數的改變,使得配方參數中的改變有可能延長被識別為可能發生故障之組件的RUL。在某些實施例中,例行性維護建議可包括製造設備特定配方之停止使用的建議,直到被識別為可能發生故障的組件完成更換。
請留意,在識別例行性維護建議的案例中,在某些實施例中,可自動實施一或更多建議。例如,在其中識別配方參數之改變(例如,將使用不同的氣流速率、將使用不同的溫度設定等)的案例中,可在沒有使用者輸入的情況下自動地實施改變。可替代地,在某些實施例中,可呈現任何合適的警報或通知(例如,對負責設備維護的使用者)而指示例行性維護建議。
轉至圖1B,依據所揭示標的的某些實施例顯示一方塊圖之範例,該方塊圖顯示本文所述的預測性維護系統中所使用之不同模型的輸入和輸出。
請留意,在某些實施例中,特徵擷取模型150、異常偵測分類器152、故障隔離與分析模型156、經訓練設備健康狀態資訊神經網路160、及/或貝氏模型162可各自為一機器學習模型而使用任何適當的訓練組合訓練之。各機器學習模型可為任何適當的型式並可具有任何適當的架構。
可使用特徵擷取模型150來擷取資料信號的特徵。在某些實施例中,資料信號可包括任何適當型式的測量資料,例如感測器資料(例如,溫度資料、壓力資料、力資料、位置資料、及/或任何其他適當的感測器資料)、光譜資料、光發射資料、及/或任何其他適當的資料。然後特徵擷取模型150可擷取資料信號的特徵以產生衍生資料信號。例如,特徵擷取模型150一旦經訓練後,可採用離線資料信號作為輸入並可產生衍生離線資料信號作為輸出。作為另一範例,特徵擷取模型150一旦經訓練後,可採用即時資料信號作為輸入並可產生衍生即時資料信號作為輸出。
在某些實施例中,特徵擷取模型150可為任何適當型式的機器學習模型,例如LSTM自動編碼器、深度卷積神經網路、迴歸模型等。在某些實施例中,特徵擷取模型150可使用主成分分析(PCA)、最小均方差(MMSE)濾波、及/或任何其他適當的技術以在特徵擷取之前用於維度縮減。
請留意,在某些實施例中,例如在資料信號被其他模型使用之前沒有被去雜訊的情況中,可省略特徵擷取模型150。當可用的處理能力能輕易地容納相對簡易或稀疏的輸入資料時,這可能是適當的。
轉至圖2A,依據所揭示標的之某些實施例顯示用以自離線資料信號產生衍生離線資料的示例性示意圖。如圖2A所示,可將一組離線資料信號202轉換為一組離線衍生資料204,其中衍生資料204包括
N特徵,每一者具有代表於不同時間點之特徵之量值的值。例如,資料驅動信號202的組合可轉換為一組
N特徵而具有{X
11, X
12, … X
1T; X
21, X
22, … X
2T; X
N1, X
N2, … X
NT}的值,其中X
ij 為在時間
j之第
i th特徵的值。請留意,在某些實施例中,藉由識別不太可能為雜訊的資料驅動信號202的顯著特徵,衍生離線資料204可有效地代表已移除任何雜訊的離線資料信號202。
請留意,儘管以上結合離線資料信號描述了圖2A,但上述技術亦可應用於即時資料信號的特徵擷取。
返回參考圖1B,異常偵測分類器152可採用衍生離線資料信號、衍生即時信號、及物理為基模擬值作為輸入,並可判定衍生即時信號是否表示異常狀況。在某些實施例中,異常偵測分類器152可產生所偵測異常分類154,其對應於衍生即時資料信號表示異常的可能性。
在某些實施例中,異常偵測模型152可為任何適當型式的模型而將衍生資料分為異常或非異常。例如,在某些實施例中,異常偵測模型152可為叢集演算法(例如,最近相鄰者演算法、K平均數演算法、及/或任何其他適當的叢集演算法)、LSTM自動編碼器、深度卷積神經網路、RBM、DBN、及/或任何其他適當型式的模型。
轉至圖2B,依據所揭示標的之某些實施例顯示用以偵測異常的示例性示意圖。如圖所示,可使用例如以上結合圖2A所述的技術來將即時資料信號212轉變為衍生即時資料214。
在某些實施例中,可使用衍生離線資料204(例如,圖2A中所示的和以上結合圖2A所描述的)和衍生即時資料214作為至異常偵測模型152的輸入而產生將衍生即時資料214分為異常或非異常的輸出。
在某些實施例中,異常偵測模型152可藉由將衍生即時資料214對比衍生離線資料204而有效地判定衍生即時資料214是否表示異常狀況。例如,可將某些衍生離線資料204視為「黃金值(golden values)」,而將衍生即時資料214與「黃金值」比較以偵測衍生即時資料214中的異常。
返回參考圖1B,假若所偵測異常分類154指示衍生即時資料信號中的異常,故障隔離與分析模型156可產生故障分析158。在某些實施例中,故障隔離與分析模型156可指示關聯於所偵測異常的可能故障。此外,在某些實施例中,故障隔離與分析模型156可指示針對一或更多所識別故障的可能原因。
故障隔離與分析模型156可為任何適當型式的機器學習模型,例如深度卷積神經網路、叢集演算法(例如,最近相鄰者演算法、K平均數演算法、及/或任何其他適當型式的叢集演算法)、及/或任何其他適當型式的機器學習模型。
轉至圖2C,依據所揭示標的之某些實施例顯示針對所偵測異常狀況之故障分析的示意圖。
如圖所示,故障隔離與分析模型156可採用衍生即時資料214、來自歷史故障觀察資料庫250的資訊、及物理為基模擬值112作為輸入,並可產生下列作為輸出:(1)不同故障之概度分佈254;及(2)故障原因之概度256。
在某些實施例中,故障隔離與分析模型156可以任何適當的方式使用物理為基模擬值112。例如,可將物理為基模擬值用於識別或定義針對特定系統或子系統的故障模式。作為更特定的範例,物理為基模擬值可識別特定組件(例如,ESC的台座、ESC的邊緣環等)可能在特定物理條件下破裂或斷裂,特定物理條件例如為高溫梯度、高氣流速率、高壓等。作為具體範例,在某些實施例中,可藉由模擬可能導致故障的過高參數值來運行物理為基模擬以加速故障。接續此具體範例,可以相對於正常操作溫度而升高的溫度來運行物理為基模擬,從而允許可能發生故障之特定組件(例如,台座可能破裂或碎裂、閥可能發生故障等)的識別。仍進一步接續此具體範例,在某些實施例中,之後可將物理為基模擬用於識別可改變所識別組件之故障時間的參數(例如,升溫速率、加熱器比率等)。
在某些實施例中,歷史故障觀察資料庫250可包括任何合適的資訊。例如,在某些實施例中,歷史故障觀察資料庫250可包括在接近製造設備之先前故障的時間點所收集的測量(例如,溫度資料、壓力資料、光譜資料、光發射資料、氣流資料、及/或任何其他適當型式的測量)。作為另一範例,在某些實施例中,歷史故障觀察資料庫250可包括指示特定組件之故障原因的資訊。作為更特定的範例,在某些實施例中,歷史故障觀察資料庫250可指示特定組件中的破裂係由特定溫度條件(例如,溫度的大幅改變等)特定次數或特定百分比的次數所造成的。請留意,在某些實施例中,指示特定組件之故障原因的資訊可為專家消息來源(expert-sourced)。
在某些實施例中,不同故障之概度分佈254可包括關聯於衍生即時資料214之任何適當數量的潛在故障。如圖2C中所示,每一潛在故障可關聯於由故障隔離與分析模型156指定的一概度,使潛在故障可適用於衍生即時資料214。
在某些實施例中,故障原因之概度256可包括與各原因之概度相關的任何適當數量的故障原因,各原因之概度的每一者係由故障隔離與分析模型156識別和指定。請留意,在某些實施例中,可針對已識別之潛在故障的子集合識別故障原因。例如,可針對前N個最可能的潛在故障識別故障原因。作為更特定的範例,在其中關聯於即時衍生資料214之最可能故障為邊緣環中之破裂的案例中,故障原因之概度256可針對邊緣環中之破裂識別一組可能原因,例如關聯於由製造設備所實施之製程或配方而可能影響邊緣環的原因、關聯於邊緣環之維護及/或修理的原因、及/或關聯於邊緣環之設計的原因。
返回參考圖1B,經訓練設備健康狀態資訊模型160可產生設備健康狀態資訊。例如,經訓練設備健康狀態資訊模型160可基於離線資料(例如,離線預測設備健康狀態分數或度量,例如針對特定系統或子系統的MTTF、MTBF、及/或MTTM,特定組件的RULs等)並使用衍生離線資料信號、離線製造資訊、當前設備健康狀態資訊、及物理為基模擬值作為輸入而產生離線預測設備健康狀態資訊。
在某些實施例中,設備健康狀態資訊模型160可為任何適當型式的機器學習模型,例如深度卷積網路、支撐向量機(SVM)、隨機森林、決策樹、深度LSTM、卷積LSTM、及/或任何其他適當型式的機器學習模型。
在某些實施例中,可以任何適當的方式訓練設備健康狀態模型160。例如,在某些實施例中,可建立訓練樣本而使得輸入對應於衍生離線資料、離線製造資訊、及/或物理為基模擬值,且用於每一訓練樣本的目標輸出係最近設備健康狀態資訊的對應值,而最近設備健康狀態資訊可基於量測資料。請留意,在某些實施例中,物理為基模擬值可額外地被包括在訓練樣本的目標輸出中。
經訓練設備健康狀態資訊模型160可使用衍生即時資料信號和即時製造資訊作為輸入來額外地產生基於即時資料的即時估計設備健康狀態資訊。
請留意,在某些實施例中,經訓練設備健康狀態資訊模型160可額外地使用物理為基模擬資料作為輸入。例如,在其中可即時運行物理為基模擬的案例中,可產生物理為基模擬值以計算即時估計設備健康狀態資訊。可替代地,在某些實施例中,機器學習模型可經訓練以預測物理為基模擬值。在某些如此的實施例中,經訓練機器學習模型可用於近似物理為基模擬值,然後其可用於產生即時估計設備健康狀態資訊。
貝氏模型162可藉由結合離線預測設備健康狀態資訊和即時估計設備健康狀態資訊來產生調整設備健康狀態資訊164。例如,在某些實施例中,貝氏模型162可計算離線預測設備健康狀態分數或度量以及相對應即時估計設備健康狀態分數或度量的加權平均,設備健康狀態分數或度量例如為特定系統或子系統的MTTF、MTBF、及/或MTTM,特定組件的RULs等。作為更特定的範例,離線預測設備健康狀態分數或度量和即時估計設備健康狀態分數或度量的每一者可關聯於加權平均中使用的權重,其中可使用貝氏推論來更新該權重。作為另一範例,在某些實施例中,貝氏模型162可使用整體學習法,例如堆疊法、推升法、及/或自助重抽總合法(bagging)。作為又另一範例,在某些實施例中,貝氏模型162可混合離線預測設備健康狀態資訊和即時估計設備健康狀態資訊並且之後可基於混合結果而被再訓練。
轉至圖2D,依據所揭示標的之某些實施例顯示用於計算調整設備健康狀態資訊的示意圖。
在某些實施例中,可靠度資訊110(例如,量測資料、粒子資料、及/或任何其他合適的資料)可與來自先前知識資料庫272的先前知識相結合。例如,在某些實施例中,可經由貝氏推論整合先前知識274。在某些實施例中,接著可將經整合的先前知識與可靠度資訊結合以產生效能指標270。在某些實施例中,效能指標270可封裝任何合適的效能資訊,例如系統、子系統、及/或製造設備之個別組件基於最近可靠度資訊的預測當前可靠度。
如上所述,在某些實施例中,設備健康狀態模型160可產生基於衍生離線資料204的預測設備健康狀態資訊和基於衍生即時資料214的估計設備健康狀態資訊。在某些實施例中,設備健康狀態模型可使用效能指標270以產生預測設備健康狀態資訊及/或估計設備健康狀態資訊。
此外,在某些實施例中,設備健康狀態模型160可以任何適當的方式使用物理為基模擬值112。例如,在某些實施例中,設備健康狀態模型160可使用物理為基模擬值112以模擬關聯於不同物理參數的值,例如於特定位置的模擬溫度值、於特定位置的模擬壓力值等。
在某些實施例中,貝氏模型162可藉由使用貝氏推論而結合預測設備健康狀態資訊和估計設備健康狀態資訊來產生調整設備健康狀態資訊164。
如以上針對圖1A所描述的,調整設備健康狀態資訊164可包括任何適當的分數或度量,例如預測個別組件(例如,台座、邊緣環、閥等)之預期RUL的RUL預測276。此外,如以上針對圖1A所描述的,調整設備健康狀態資訊164可包括針對系統或子系統的MTTF、MTBF、及/或MTTM度量。在某些實施例中,個別組件的RUL預測以及系統或子系統位準度量可為經訓練設備健康狀態資訊模型160的輸出。例如,經訓練設備健康狀態模型160可產生系統或子系統位準度量以及組件清單和各組件之經計算的預期RUL作為輸出。
在某些實施例中,可使用物理為基模擬值產生RUL。例如,在某些實施例中,可將物理為基模擬值用於預測特定組件在特定物理條件下隨著時間的狀態。作為更特定的範例,可基於在特定物理條件下的至少部分參數之模擬值來預測特定組件(例如,ESC之台座、ESC之邊緣環等)的RUL,該些參數例如為溫度、力、壓力等。具體範例可包括腔室之特定位置處的溫度、腔室之特定位置處的氣體濃度、腔室之特定位置處的壓力等。
此外,如以上針對圖1A所描述的,經訓練設備健康狀態資訊模型160可產生一或更多例行性維護建議。例如,響應於識別特定組件具有少於預定閾值(例如,少於十天、少於二十天等)的RUL及/或該RUL在下次排定維護日期之前結束,經訓練設備健康狀態資訊模型160可使用知識資料庫272以識別一或更多例行性維護建議。
例如,在其中組件A之RUL少於預定閾值的案例中,經訓練設備健康狀態資訊模型160可使用知識資料庫272來識別可能延長組件A之RUL的一或更多配方參數改變。請留意,在某些實施例中,知識資料庫272中的資訊可為專家消息來源,並可基於組件而被鍵控。例如,知識資料庫272可基於專家消息來源知識指示可藉由改變特定配方參數來延長組件A之RUL,配方參數例如為氣流速率、溫度梯度、及/或任何其他適當的配方參數。
作為另一範例,經訓練設備健康狀態資訊模型160可使用知識資料庫272來識別對組件A有影響而可被替換以延長組件A之RUL的一或更多組件。例如,可查詢知識資料庫272以識別已被辨識(例如,專家消息來源、及/或以任何其他適當方式識別的)為影響組件A的一組組件。
作為又另一範例,經訓練設備健康狀態資訊模型160可使用知識資料庫272來識別直到組件A完成替換之前不應在製造設備上實施的特定配方,但可於製造設備上實施其他配方。例如,知識資料庫272可包括組件A對於在製造設備上實施之不同配方之重要性的指示,並可將重度依賴組件A的配方識別為直到組件A的替換之前不應被實施的配方。
在某些實施例中,可將物理為基模擬值用於識別例行性維護建議。例如,在某些實施例中,可將物理為基模擬值用於識別可能對被識別為可能發生故障之組件有影響的參數。作為更特定的範例,在某些實施例中,可將物理為基模擬值用於判定是否改變可能對所識別的一或多組件有影響的特定參數(例如,溫度、氣流速率等)。在某些實施例中,可使用知識資料庫272中所包括的專家消息來源資訊來驗證使用物理為基模擬值識別的參數。此外,在某些實施例中,可使用從物理為基模擬輸出的模擬值填充知識資料庫272。
請留意,在某些實施例中,可將例行性維護建議饋送回至經訓練設備健康狀態模型160中,以在給定當前即時資料的情況下判斷所識別之建議將延長特定組件之RUL的可能性。也就是說,在某些實施例中,可將經訓練設備健康狀態模型160用於在提供或實施建議之前驗證所識別之例行性維護建議(例如,已使用知識資料庫272識別的例行性維護建議)。
轉至圖3A,依據所揭示標的之某些實施例顯示用於訓練機器學習模型以產生製造設備之設備健康狀態資訊之程序的範例。請留意,在某些實施例中,可於任何合適的裝置上執行圖3A中所示的程序,例如從感測器、資料庫等接收或提取資料的裝置(例如,伺服器、桌上型電腦、筆記型電腦、及/或任何其他合適的裝置)。
於302,可接收離線資料信號。如以上針對圖1A所描述的,離線時間序列資料可為來自關聯於系統或子系統(例如,來自ESC、來自噴淋頭、來自電漿源、來自RF產生器、及/或來自任何其他適當的系統或子系統)之感測器的資料、光譜資料、光發射資料、及/或在製造設備之先前操作期間測量的任何其他合適的資料。
於304,可基於離線時間序列資料而產生衍生離線資料。如以上針對圖1A和2A所描述的,衍生離線資料可包括離線資料信號之顯著特徵的表現。在某些實施例中,衍生資料可為離線資料訊號的去雜訊版本。
於306,可接收離線製造資訊。在某些實施例中,離線製造資訊可包括配方資訊、故障模式資訊、及/或關聯於製造資訊的維護日誌資訊。請留意,在某些實施例中,故障模式資訊可為製造設備的一般資訊及/或特定於製造設備之特定物件而正針對該特定物件訓練機器學習模型。
於308,可接收離線可靠度資訊。如以上針對圖1A所描述的,離線可靠度資訊可包括從製造設備之先前使用收集的量測資料。作為更具體的範例,在某些實施例中,量測資料可包括捕捉先前加工之晶圓的晶圓影像資料。在某些實施例中,離線可靠度資訊可指示先前加工之晶圓中缺陷的存在。
於310,可基於離線可靠度資訊而產生設備健康狀態資訊。在某些實施例中,設備健康狀態資訊可包括任何適當的分數或度量,例如指示系統或子系統之健康狀態的度量。例如,設備健康狀態資訊可包括MTTF、MTBF、MTTM、及/或任何其他適當的度量。在某些實施例中,設備健康狀態資訊可包括關聯於個別組件之任何適當的分數或度量。例如,設備健康狀態資訊可包括個別組件的RULs。
於312,可產生物理為基模擬值。如以上針對圖1A所描述的,物理為基模擬值可為任何適當物理參數(例如,溫度、力、位置、壓力、光譜值、及/或任何其他適當的物理參數)的模擬值。在某些實施例中,可使用任何適當的物理為基演算法來產生物理為基模擬值。在某些實施例中,例如可使用採用任何離線資料值作為輸入值的演算法來產生物理為基模擬值,以產生在和所測量之離線資料值不同時間或不同空間位置處所模擬的相對應模擬值。
於314,可使用衍生離線資料、離線製造資訊、所產生的設備健康狀態資訊、及/或物理為基模擬值來訓練用以預測設備健康狀態資訊的機器學習模型。在某些實施例中,可使用任何適當的訓練組合來訓練機器學習模型。例如,在某些實施例中,訓練組合可包括示例性輸入,示例性輸入包括衍生離線資料、離線製造資訊、及/或物理為基模擬值。接續此範例,在某些實施例中,在訓練組合中的每一訓練樣本可包括包含於310產生之相應設備健康狀態資訊的目標輸出。在某些實施例中,目標輸出可基於物理為基模擬值。
轉至圖3B,依據所揭示標的之某些實施例顯示用於使用經訓練機器學習模型(例如,來自圖3A)以識別和分析製造設備之即將發生故障及/或以產生當前設備健康狀態資訊之程序的範例。
於316,可接收即時時間資料信號。在某些實施例中,如以上針對圖1A所描述的,即時資料信號可為在製造設備之當前操作期間測量的資料。即時資料信號可包括任何適當的測量資料,例如感測器資料(例如,溫度、壓力、力、位置、及/或任何其他適當的感測器測量)、光譜、光發射、及/或任何其他適當的即時資料。
於318,可基於即時資料信號產生衍生即時資料。與和以上針對圖1A之方塊304中所述的衍生離線資料相關的上述內容相似,衍生即時資料可指示即時資料信號的顯著特徵。在某些實施例中,衍生即時資料可代表即時資料信號的去雜訊版本。
於320,可進行是否偵測到異常的判定。在某些實施例中,所偵測異常可指示製造設備之基於衍生即時資料而被辨識的即將發生故障。在某些實施例中,可使用異常偵測分類器偵測異常,如在圖1B中所示及以上針對圖1B所描述的,異常偵測分類器採用衍生即時資料和衍生離線資料作為輸入。
假如於320偵測到異常(於320為「是」),可於322執行故障分析。在某些實施例中,如在圖1B中所示及以上針對圖1B所描述的,可使用故障隔離與分析模型執行故障分析。
在某些實施例中,故障分析可指示關聯於所偵測異常的可能故障。例如,故障分析可指示特定組件可能已經故障,從而造成所偵測異常。此外,在某些實施例中,故障分析可判定所辨識故障的可能原因。例如,在其中故障分析辨識特定組件為已經故障的案例中,故障分析可額外地指示該特定組件之故障的可能原因。
在某些實施例中,如以上針對圖2C所描述的,可基於衍生即時資料、物理為基模擬值、從故障資料庫提取的資訊、及/或任何其他合適的資訊而進行故障分析。
於執行故障分析之後,程序可於332結束。
相反地,假如於320沒有偵測到異常(於320為「否」),於324可使用離線資料作為至經訓練機器學習模型的輸入而計算預測設備健康狀態資訊。特別是在某些實施例中,該些輸入可包括衍生離線資料、離線製造資訊、及/或物理為基模擬值。請留意,在某些實施例中,在假定設備之典型劣化的情況下,使用離線資料計算的預測設備健康狀態資訊可代表基於先前測量資料而於當前時間的預測設備健康狀態資訊。
於326,可使用即時資料作為至經訓練機器學習模型的輸入而計算估計設備健康狀態資訊。特別是在某些實施例中,該些輸入可包括衍生即時資料。此外,在某些實施例中,該些輸入可包括任何適當的即時製造資訊,例如正在製造設備上實施的當前配方。
於328,可藉由結合基於離線資訊的預測設備健康狀態資訊以及基於即時資訊的估計設備健康狀態資訊來計算調整設備健康狀態資訊。在某些實施例中,如在圖1B中所示及以上針對圖1B所描述的,可使用任何適當的一或多技術來結合預測設備健康狀態資訊和估計設備健康狀態資訊,例如使用貝氏推論。例如,在某些實施例中,可使用貝氏推論將預測設備健康狀態分數或度量(例如,MTTF、MTBF、MTTM、個別組件的RULs等)與相對應的估計設備健康狀態分數或度量相結合,以產生調整設備健康狀態分數或度量。
請留意,在某些實施例中,調整設備健康狀態資訊可代表製造設備之健康狀態的當前評估,其考量了設備隨時間之正常劣化(例如,基於離線資訊)以及設備之當前狀態(例如,基於即時資訊)兩者。
如以上針對圖1A和1B所描述的,調整設備健康狀態資訊可包括任何適當的度量。例如,關聯於系統或子系統的度量可包括MTTF、MTTM、MTBF、及/或任何其他合適的度量。作為另一範例,關聯於特定組件的度量可包括該組件的RUL。
此外,如以上針對圖1A和1B所討論的,調整設備健康狀態資訊可包括任何適當的例行性維護建議。例如,例行性維護建議可指示對於特定組件之維護應比當前所排定的更早發生。作為另一範例,例行性維護建議可指示特定組件應盡快地被替換。作為又另一範例,例行性維護建議可指示特定組件可能快要故障,而不同組件的更換可能會延長被辨識為可能快要故障之組件的壽命。作為再另一範例,例行性維護建議可指示由製造設備所實施之配方的改變以延長特定組件的壽命。
如以上針對圖2D所描述的,在某些實施例中,例如可部分地基於物理為基模擬值來判定例行性維護建議,以辨識可被修改以延長特定組件之RUL的參數。
於330,可更新經訓練模型以併入調整設備健康狀態資訊。也就是說,可更新經訓練模型而使得調整設備健康狀態資訊在經訓練模型的後續使用中被經訓練模型利用以併入關聯於製造設備的最新近收集資料。
於332,程序可結束。
現於下文針對圖4A、4B、4C、及4D描述應用至ESC之具體範例之上述技術的範例。
圖4A顯示依據所揭示標的之某些實施例之關聯於ESC的示例性即時資料400。如圖所示,即時資料可包括電壓測量、阻抗測量、功率測量、氣流測量、溫度測量、台座位置測量、及/或任何其他合適的測量。
轉至圖4B,依據所揭示標的之某些實施例顯示示例性的可能故障之分布420。在某些實施例中,可藉由故障隔離與分析模型(例如,在圖1B中所示及以上針對圖1B所描述的)響應基於即時資料400之擷取特徵而判定已偵測到異常而產生可能故障之分布420。
如圖所示,可能故障之分布420可包括一組潛在故障,每一潛在故障具有由即時資料400表示之故障的相應概度。例如,如圖4B所示,台座之碎裂的潛在故障422已被指定97%的概度,其指示在即時資料400中偵測到的異常有97%的可能性表示台座中的碎裂。
轉至圖4C,依據所揭示標的之某些實施例顯示示例性的故障原因之分布430。接續圖4B中所示及以上針對圖4B所描述的範例,在其中最可能的故障為台座碎裂的案例中,故障原因之分布430可指示該碎裂的可能原因。例如,如圖4C所示,故障原因之分布430可包括化學侵襲的可能原因432,其已被指定99%的可能性為碎裂的原因。
在某些實施例中,可使用在圖1B中所示及以上針對圖1B所描述的故障隔離與分析模型來產生故障原因之分布430。例如,在某些實施例中,故障隔離與分析模型可使用指示不同故障之潛在原因的任何適當的知識資料庫,且該知識資料庫允許故障隔離與分析模型進行五問分析以識別故障原因。請留意,在某些實施例中,可針對五問分析使用物理為基模擬值以識別故障原因。
於圖4D中依據所揭示標的之某些實施例顯示針對ESC之台座平台破裂之五問分析440的範例。如圖所示,五問分析可包括可指示台座平台破裂的不同原因和子原因的樹,而該樹的每一層級解決了不同的「為什麼」。例如,五問分析的第一層可判定該台座平台破裂是否係由於快速斷裂。基於在第一層的分析,五問分析的第二層可判定該原因係由於遠場應力、空間應力、或時間應力。仍可進一步持續對於任何適當數量的層級進行五問分析以識別導致台座平台破裂的特定配方參數或組件故障。請留意,儘管圖4D中的五問分析顯示在指示台座平台破裂之根本原因的第五層中只有一項目,但在某些實施例中,第五層可包括相應於任何適當數量(例如,五、十、十五、二十等)之故障根本原因的任何適當數量的項目。
在某些實施例中,可針對任何其他適當的製程腔室之系統或子系統使用預測性維護系統。
例如,在某些實施例中,可針對噴淋頭使用預測性維護系統。關於噴淋頭,預測性維護系統可接收來自感測器的資料(例如,即時資料信號及/或離線資料信號),該感測器指示關於台座和噴淋頭間之間隙、噴淋頭之冷卻控制、冷卻劑閥位置、加熱器功率狀態、冷卻過溫開關、噴淋頭溫度、輸出百分比、及/或任何其他適當的感測器資料的資訊。
在某些實施例中,預測性維護系統可識別關聯於噴淋頭之任何適當的異常或故障,例如剝落、剝離、粒子的異常位準、不平整、及/或任何其他適當的異常或故障。在某些如此的實施例中,預測性維護系統可偵測即將發生的故障(例如,使用上述的異常偵測模型)及/或潛在的未來故障(例如,藉由計算關聯於噴淋頭之不同組件的RULs)。
在某些實施例中,預測性維護系統可響應偵測異常或故障而識別該異常或故障之任何適當的根本原因。例如,所識別的根本原因可為溫度控制故障、堵塞的孔洞,噴淋頭和台座間之間隙的設定錯誤、及/或任何其他適當的根本原因。在某些實施例中,如上所述,可使用預測性維護系統的故障隔離與分析模型來識別根本原因。更特定地,可類似於以上針對圖4D所述的內容而使用五問分析來識別根本原因。
作為另一範例,在某些實施例中,可針對RF產生器使用預測性維護系統。預測性維護系統可接收來自感測器的資料(例如,即時資料信號及/或離線資料信號),該感測器指示RF匹配負載位置、RF產生器補償RF功率、RF電流、RF匹配峰對峰值、RF匹配調諧位置、風扇狀態、及/或任何其他適當的感測器資料。
在某些實施例中,預測性維護系統可識別關聯於RF產生器之任何適當的異常或故障,例如過大功率、無功率、RF雜訊、及/或任何其他適當的異常或故障。在某些如此的實施例中,預測性維護系統可偵測即將發生的故障(例如,使用上述的異常偵測模型)及/或潛在的未來故障(例如,藉由計算關聯於RF產生器之不同組件的RULs)。
在某些實施例中,預測性維護系統可響應偵測異常或故障而識別該異常或故障之任何適當的根本原因。例如,所識別的根本原因可為電晶體故障、印刷電路板組裝(PCBA)故障、架橋現象、及/或任何其他適當的根本原因。在某些實施例中,如上所述的,可使用預測性維護系統的故障隔離與分析模型來識別根本原因。更特定地,可類似於以上針對圖4D所述的內容而使用五問分析來識別根本原因。
在某些實施例中,預測性維護系統可用於識別重複使用特定組件的方式。例如,在其中特定組件被識別為當其被使用於製造設備之特定區塊中時具有低於預定閾值(例如,少於十天、少於二十天等)之特定RUL的案例中,預測性維護系統可判定是否可在製造設備之不同區塊中使用該組件。作為更特定的範例,在其中處理腔室之台座被識別為具有低於預定閾值之RUL的案例中,預測性維護系統可隨之判定是否可在不同的處理腔室中使用該台座,不同的處理腔室例如為較舊的機型、運行不同配方的機型等。可被重複使用之組件的其他範例可包括加熱元件、機器人馬達、電子板、電腦、壓力調節器、氣體管線、關聯於惰性氣體(氬、氦等)及/或無毒氣體(例如,H
2等)的閥及/或質量流量控制器(MFCs)、及/或任何其他適當的組件。
在某些實施例中,藉由使用預測性維護系統評估製造設備之第二物件於使用一組件時的設備健康狀態,預測性維護系統可判定是否可藉由在製造設備之不同的、第二物件中使用該組件而重新利用特定組件。例如,較新型號的處理腔室可於較高溫度下操作,從而導致一或更多故障模式的加速,然而較舊型號的處理腔室可於較低溫度下操作,從而延長特定組件的壽命。作為更特定的範例,一台座在較新型號之處理腔室中被使用時已被識別為可能發生故障,預測性維護系統可評估較舊型號之處理腔室於使用該台座時的設備健康狀態。
作為一具體範例,預測性維護系統可產生針對較舊型號之處理腔室之不同組件的RULs、針對較舊型號之處理腔室之系統的MTTF或MTTM度量等。在某些實施例中,響應於計算當在製造設備之不同物件中使用一組件時的改良設備健康狀態度量,預測性維護系統可識別在其他地方可重複使用該組件以延長該組件的生命週期。例如,在某些實施例中,響應於判定當一組件在較舊型號之處理腔室中被使用時相對於在當前設備中被使用時將增加該組件之RUL,預測性維護系統可產生並遞交該組件應從當前設備移除並於較舊型號之處理腔室中被使用的建議。
在某些實施例中,藉由識別重複使用組件的方式,組件可被重複使用及/或回收,從而延長組件的生命週期。
應用
本文所述的預測性維護系統可藉由減少由於設備中不可預見的異常(例如,損壞的組件)導致的設備停機時間以及藉由減少手動檢查和故障排除的需求而改良半導體製造設備的效率。
例如,藉由計算直到特定系統或組件需要維護的時間,預測性維護系統可提供系統之狀態的持續更新而可允許及時訂購更換組件及/或在設備出現問題之前排程進行維護。
作為另一範例,藉由產生例行性維護建議,預測性維護系統可針對已鑑別之即將出現的組件可能故障識別臨時解決方案,而可允許製造設備繼續使用直到可執行維護,從而減少製造設備的停機時間。
作為又另一範例,藉由在即將發生之故障期間識別關聯於所偵測異常的可能故障,並藉由識別故障的可能原因,預測性維護系統可減少識別故障之根本原因所需的手動故障排除時數。
所揭示之計算實施例的脈絡
本文所揭示的某些實施例涉及用於產生及/或使用預測性維護系統之機器學習模型的計算系統。本文所揭示的某些實施例涉及用於產生及/或使用在如此計算系統上實施的機器學習模型。亦可將用於產生機器學習模型的計算系統配置以接收例如程式碼的資料和指令,該程式碼表示在半導體裝置加工操作期間發生的物理製程。以此方式,在如此系統上產生或程式化機器學習模型。
具有任何的諸多電腦架構的計算系統的許多類型可實現為所揭示用於實施機器學習模型和演算法的系統,演算法係用於產生及/或優化如此模型。例如,該些系統可包括在一或更多一般目的之處理器或例如特殊應用積體電路(ASICs)或可程式化的邏輯裝置(例如,現場可程式閘陣列(FPGAs))的特殊設計處理器上執行的軟體組件。再者,該些系統可在單一裝置上或分布遍及複數裝置實施。計算元件的功能可彼此合併或是進一步分成複數子模組。
在某些實施例中,在恰當地程式化的系統上之機器學習模型的產生或執行期間執行的編碼可以軟體元件的形式實現,可將該軟體元件儲存於不變性儲存媒體(諸如光碟、快閃儲存裝置、行動硬碟等),而包括用於製造電腦裝置(例如個人電腦、伺服器、網路設備等)的大量指令。
在一層級,軟體元件係實施為由程式設計員/開發員所準備的一組指令。然而,可由電腦硬體執行的模組軟體係使用「機械碼」記憶的可執行編碼,該「機械碼」係選自設計在硬體處理器中的特定機器語言指令組或「原生指令(native instruction)」。該機器語言指令組、或原生指令組對一或多硬體處理器而言係已知的且基本上內建於其中。這是系統及應用軟體藉以與硬體處理器溝通的「語言」。每一原生指令係離散碼,該離散碼由處理架構所識別,且該離散碼可為算數、定址、或控制功能;特定記憶體位置或偏置;以及用以解釋運算元的特訂定址模式而指定特定暫存器。更複雜的操作藉由結合這些簡單原生指令加以建構,該些原生指令係序列地執行、或者以其他方式由控制流程指令加以指示。
可執行之軟體指令與硬體處理器之間的相互關係是結構性的。換言之,指令本身係一系列符號或數值。它們並非本質上地運輸任何資訊。其係被設計為預先配置以解釋該符號/數值的處理器而給予此等指令意義。
本文所使用的模型可配置以在單一位置的單一機器上、在單一位置的複數機器上、或是在複數位置的複數機器上加以執行。當應用複數機器時,可針對它們的特定任務特製個別的機器。例如,需要大塊編碼及/或重要處理能力的操作可在大型及/或固定機器上實施。
此外,某些實施例與有形的及/或非暫態電腦可讀媒體或電腦程式產品相關,電腦程式產品包括用於執行諸多電腦實施操作的程式指令及/或資料(包括資料結構)。電腦可讀媒體的範例包括但不限於:半導體記憶體裝置、相變裝置、磁媒體(例如硬碟、磁帶)、光學媒體(例如CD、磁光媒體)、及特別配置以儲存和執行程式指令的硬體裝置,例如唯讀記憶體裝置(ROM)和隨機存取記憶體(RAM)。電腦可讀媒體可由終端使用者直接控制,或者該媒體可由終端使用者間接控制。直接控制媒體的範例包括位在使用者工廠的媒體及/或不與其他實體共享的媒體。間接控制媒體的範例包括使用者經由外部網路及/或經由提供例如「雲端」之共享資源的服務而可間接存取的媒體。程式指令的範例包括機器編碼和含更高階程式碼之檔案兩者,機器編碼例如由編譯器產生,含更高階程式碼之檔案可由使用解譯器之電腦來執行。
在諸多實施例中,在所揭示之方法和設備中使用的資料或資訊係以電子格式提供。如此資料或資訊可包括設計布局、固定參數值、浮動參數值、特徵部輪廓、量測結果等等。如本文所使用的,以電子格式提供的資料或其他資訊可儲存在機器上以及在機器之間傳輸。習知地,電子格式的資料係數位地提供且在諸多資料結構、清單、資料庫等中可被儲存為位元及/或位元組。資料可以電子地、光學地等等方式實現。
在某些實施例中,機器學習模型可各自被視為與使用者及與系統軟體介接之應用軟體的一形式。系統軟體通常與電腦硬體以及相關聯的記憶體介接。在某些實施例中,系統軟體包括操作系統軟體及/或韌體、以及安裝在系統中的任何中間軟體及驅動器。系統軟體提供電腦的基本非任務特定功能。相反地,模組以及其他應用軟係用以完成特定任務。用於模組的每一原生指令係儲存在記憶體裝置中並且使用數值表示之。
於圖5中描繪示例性電腦系統500。如圖所示,電腦系統500包括輸入/輸出子系統502,取決於其應用而可實施用於與人類使用者及/或其他電腦系統互動的介面。本揭露書的實施例可在系統500上的程式碼中實施,系統500具有用以從人類使用者(例如,經由GUI或鍵盤)接收輸入程式陳述及/或資料以及將它們顯示回去給該使用者的I/O子系統502。I/O子系統502可包括,例如,鍵盤、滑鼠、圖形使用者介面、觸控螢幕、或其他輸入介面,以及例如,LED或其他平面螢幕顯示器、或其他輸出介面。
通訊介面507可包括用於使用任何適當的通訊網路(例如,網際網路、內部網路、廣域網路(WAN)、區域網路(LAN)、無線網路、虛擬專用網路(VPN)、及/或其他任何適當型式的通訊網路)進行通訊的任何適當組件或電路。例如,通訊介面507可包括網路介面卡電路、無線通訊電路等。
可將程式碼儲存於例如輔助記憶體510或記憶體508或此兩者的非暫態媒體中。在某些實施例中,輔助記憶體510可為持久儲存器。一或更多處理器504從一或更多非暫態媒體讀取程式碼並執行該編碼以使電腦系統能夠完成由本文實施例所執行的方法,例如如本文所描述之涉及產生或使用製程模擬模型的那些方法。熟悉本技藝者將理解處理器可接受例如用於執行訓練及/或模型化操作之陳述的原始碼,以及將該原始碼解譯或編譯成在處理器之硬體閘層級可理解的機器碼。匯流排505將I/O子系統502、處理器504、周邊裝置506、通訊介面507、記憶體508、以及輔助記憶體510耦合。
結論
在以上描述內容中,提出了大量的具體細節以便提供對於所提出之實施例的透徹理解。在無需某些或全部此等具體細節的情況下仍可實行所揭示之實施例。在其他案例中,為了避免不必要地模糊所揭示之實施例而沒有詳細描述習知的製程操作。雖然所揭示之實施例係與特定實施例一同描述,但應理解特定實施例並非旨在限制所揭示之實施例。
除非另外指明,否則本文所述之方法操作及裝置特徵涉及在計量、半導體裝置加工技術、軟體設計與編程、及統計中常用的技術與設備,其係在本領域之技術範圍內。
除非在本文中另外定義,否則本文所使用之所有技術和科學術語具有與熟習本技藝者所通常理解地相同的含義。包括本文中所含術語的諸多科學辭典對於熟習本技藝者係公知且可得的。儘管與本文所述者相似或均等的任何方法及材料皆可用於本文所揭示實施例的實作或測試中,但僅對某些方法及材料加以描述。
數值範圍包含界定範圍的數字。本案說明書各處所提供之每一最大數值限制旨在包括每一較低數值限制,如同已在本文中明確地寫出此等較低數值限制一般。本案說明書各處所提供之每一最小數值限制將包括每一較高數值限制,如同已在本文中明確地寫出此等較高數值限制一般。本案說明書各處所提供之每一數值範圍將包括落於此等較寬數值範圍內的每一較窄數值範圍,如同已在本文中明確地寫出所有此等較窄數值範圍一般。
本文所提供之標題並非意圖限制本揭露內容。
如本文所使用的,除非上下文另外明確指明,否則單數用語「一(a)」、「一(an)」、及「該(the)」包含複數指涉。除非另外指明,否則本文所使用之用語「或(or)」指涉非排他性的「或」。
102:離線資料信號
104:衍生離線資料
106:離線製造資訊
108:最近設備健康狀態資訊
110:可靠度資訊
112:物理為基模擬值
114:設備健康狀態機器學習模型
116:即時資料信號
118:衍生即時資料
120:異常偵測模型
122:故障隔離與分析模型
124:即時製造資訊
126:估計設備健康狀態資訊
128:預測設備健康狀態資訊
130:調整設備健康狀態資訊
150:特徵擷取模型
152:異常偵測分類器
154:所偵測異常分類
156:故障隔離與分析模型
158:故障分析
160:經訓練設備健康狀態資訊神經網路
162:貝氏模型
164:調整設備健康狀態資訊
202:離線資料信號
204:離線衍生資料
212:即時資料信號
214:衍生即時資料
250:歷史故障觀察資料庫
254:不同故障之概度分佈
256:故障原因之概度
270:效能指標
272:先前知識資料庫
274:經由貝氏推論整合先前知識
276:RUL預測
302,304,306,308,310,312,314,316,318,320,322,324,326,328,330,332:程序
400:即時資料
420:可能故障之分布
422:台座之碎裂的潛在故障
430:故障原因之分布
432:化學侵襲的可能原因
440:五問分析
500:電腦系統
502:輸入/輸出子系統
504:處理器
505:匯流排
506:周邊裝置
507:通訊介面
508:記憶體
510:輔助記憶體
圖1A呈現依據所揭示標的之某些實施例的預測性維護系統的方塊圖。
圖1B呈現依據所揭示標的之某些實施例的預測性維護系統中所使用的軟體模組的方塊圖。
圖2A、2B、2C、及2D呈現依據所揭示標的之某些實施例以產生設備健康狀態資訊之技術的一般範例。
圖3A和3B呈現依據所揭示標的之某些實施例的處理器之操作的流程圖。
圖4A、4B、4C、及4D呈現依據所揭示標的之某些實施例而與用於靜電卡盤子系統之設備健康狀態資訊相關之技術的範例。
圖5呈現可用於實現本文所述特定實施例的示例性電腦系統。
102:離線資料信號
104:衍生離線資料
106:離線製造資訊
108:最近設備健康狀態資訊
110:可靠度資訊
112:物理為基模擬值
114:設備健康狀態機器學習模型
116:即時資料信號
118:衍生即時資料
120:異常偵測模型
122:故障隔離與分析模型
124:即時製造資訊
126:估計設備健康狀態資訊
128:預測設備健康狀態資訊
130:調整設備健康狀態資訊
Claims (23)
- 一種預測性維護系統,包含: 一記憶體;及 一處理器,當該處理器執行儲存在該記憶體中的電腦可執行指令時,該處理器係配置以: 接收離線資料,該離線資料指示對應於進行一製造製程之製造設備的歷史操作狀況和歷史製造資訊; 藉由使用將該離線資料作為輸入的一訓練模型來計算關聯於該製造設備的預測設備健康狀態資訊; 接收即時資料,該即時資料指示對應於該製造設備的當前操作狀況和當前製造資訊; 藉由使用將該即時資料作為輸入的該訓練模型來計算關聯於該製造設備的估計設備健康狀態資訊; 藉由結合基於該離線資料計算的該預測設備健康狀態資訊以及基於該即時資料計算的該估計設備健康狀態資訊來計算關聯於該製造設備的調整設備健康狀態資訊;以及 遞交該調整設備健康狀態資訊,其中該調整設備健康狀態資訊包括該製造設備之至少一組件的一預期剩餘使用壽命(RUL)。
- 如請求項1之預測性維護系統,其中指示歷史操作狀況的該離線資料和指示當前操作狀況的該即時資料包含從該製造設備的一或更多感測器接收的資料。
- 如請求項1或2中任一項之預測性維護系統,其中使用物理為基模擬資料來訓練該模型。
- 如請求項3之預測性維護系統,其中該物理為基模擬資料包含在該製造設備的一第一空間位置的估計資料,該估計資料係基於在該製造設備之物理感測器所處的一或更多其他空間位置所測量之感測器資料而被估計。
- 如請求項1或2中任一項之預測性維護系統,其中該估計資料為該所測量之感測器資料的一內插。
- 如請求項1或2中任一項之預測性維護系統,其中使用關聯於包含使用該製造製程加工的電子裝置之基材的量測資料來訓練該模型。
- 如請求項1或2中任一項之預測性維護系統,其中該處理器係進一步配置以擷取指示歷史操作狀況之該離線資料和指示當前操作狀況之該即時資料的特徵,且其中該訓練模型將所擷取的所述特徵作為輸入。
- 如請求項1或2中任一項之預測性維護系統,其中該處理器係進一步配置以: 基於指示當前操作狀況的該即時資料來檢測該製造設備的一異常狀況;以及 響應檢測該製造設備的該異常狀況,識別關聯於該製造設備之故障的一型式。
- 如請求項8之預測性維護系統,其中檢測該製造設備的該異常狀況係基於指示當前操作狀況之該即時資料和指示歷史操作狀況之該離線資料的一比較。
- 如請求項8之預測性維護系統,其中識別關聯於該製造設備之故障的該型式包含使用一歷史故障資料庫將指示當前操作狀況的該即時資料進行分類。
- 如請求項8之預測性維護系統,其中識別關聯於該製造設備之故障的該型式包含使用物理為基模擬資料將指示當前操作狀況的該即時資料進行分類。
- 如請求項1或2中任一項之預測性維護系統,其中該處理器係進一步配置以: 識別該製造設備之所述當前操作狀況的一變更以及所述當前操作狀況中的該變更將改變該製造設備之該至少一組件的該預期剩餘使用壽命的可能性;以及 遞交所述當前操作狀況之所述被識別的變更。
- 如請求項12之預測性維護系統,其中基於該物理為基模擬資料來識別該製造設備之所述當前操作狀況的該變更。
- 如請求項1或2中任一項之預測性維護系統,其中該處理器係進一步配置以: 計算關聯於進行該製造製程之第二製造設備的第二調整設備健康狀態資訊,其中該第二調整設備健康狀態資訊係基於具有該製造設備之該至少一組件的該第二製造設備;以及 基於該第二調整設備健康狀態資訊遞交從該製造設備移除該至少一組件以在該第二製造設備中使用的建議。
- 如請求項14之預測性維護系統,其中響應判定該至少一組件的該RUL低於一預定閾值而計算該第二調整設備健康狀態資訊。
- 如請求項15之預測性維護系統,其中響應判定對應於該至少一組件在該第二製造設備中被使用時的一第二RUL超過該至少一組件在該製造設備中被使用時的該RUL而遞交該建議。
- 一種預測性維護系統,包含: 一記憶體;及 一處理器,當該處理器執行儲存在該記憶體中的電腦可執行指令時,該處理器係配置以: 接收離線資料,該離線資料指示對應於進行一製造製程之製造設備的歷史操作狀況和歷史製造資訊,其中該離線資料包含來自關聯於該製造設備之複數感測器的離線感測器資料; 使用一或更多物理為基模擬模型來產生複數物理為基模擬值,而每一物理為基模擬模型係建模該製造設備的一組件; 使用該離線資料和該複數物理為基模擬值來訓練產生一預測設備健康狀態分數的一神經網路。
- 如請求項17之預測性維護系統,其中用於訓練該神經網路的每一訓練樣本包含作為輸入值的該離線資料和該複數物理為基模擬值以及作為一目標輸出的量測資料。
- 如請求項17或18中任一項之預測性維護系統,其中該複數物理為基模擬值中的一物理為基模擬值係對應於該複數感測器中的一感測器之一測量的一估計。
- 如請求項19之預測性維護系統,其中該複數感測器中的該感測器係位於該製造設備的一第一位置,且其中該測量的該估計係在該製造設備的一第二位置。
- 如請求項17或18中任一項之預測性維護系統,其中該歷史製造資訊包含對應於該製造設備的故障模式效應分析(FMEA)資訊。
- 如請求項17或18中任一項之預測性維護系統,其中該歷史製造資訊包含與該製造設備相關的設計資訊。
- 如請求項17或18中任一項之預測性維護系統,其中該歷史製造資訊包含從一品質資料庫中提取的品質資訊。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063113133P | 2020-11-12 | 2020-11-12 | |
US63/113,133 | 2020-11-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202236118A true TW202236118A (zh) | 2022-09-16 |
Family
ID=81601670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110141958A TW202236118A (zh) | 2020-11-12 | 2021-11-11 | 半導體製造設備的預測性維護 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230400847A1 (zh) |
JP (1) | JP2023549331A (zh) |
KR (1) | KR20230104540A (zh) |
CN (1) | CN115803858A (zh) |
TW (1) | TW202236118A (zh) |
WO (1) | WO2022103720A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116418421A (zh) * | 2023-06-09 | 2023-07-11 | 北京神州明达高科技有限公司 | 一种基于频率接收的通信设备侦测方法 |
TWI818737B (zh) * | 2022-09-20 | 2023-10-11 | 國立勤益科技大學 | 產線關鍵製程故障模式與失效樹風險機率評估系統及方法 |
TWI826066B (zh) * | 2022-10-24 | 2023-12-11 | 國立中興大學 | 感測器自我診斷異常的系統及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230236586A1 (en) * | 2022-01-27 | 2023-07-27 | Applied Materials, Inc. | Diagnostic tool to tool matching and full-trace drill-down analyasis methods for manufacturing equipment |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100407215C (zh) * | 2002-09-30 | 2008-07-30 | 东京毅力科创株式会社 | 用于监视和控制半导体生产过程的方法和装置 |
US10177018B2 (en) * | 2016-08-11 | 2019-01-08 | Applied Materials, Inc. | Process kit erosion and service life prediction |
US11067515B2 (en) * | 2017-11-28 | 2021-07-20 | Taiwan Semiconductor Manufacturing Co., Ltd. | Apparatus and method for inspecting a wafer process chamber |
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 |
US11036202B2 (en) * | 2018-12-13 | 2021-06-15 | Lam Research Corporation | Real-time health monitoring of semiconductor manufacturing equipment |
-
2021
- 2021-11-09 US US18/251,977 patent/US20230400847A1/en active Pending
- 2021-11-09 KR KR1020227044691A patent/KR20230104540A/ko unknown
- 2021-11-09 WO PCT/US2021/058550 patent/WO2022103720A1/en active Application Filing
- 2021-11-09 JP JP2023526893A patent/JP2023549331A/ja active Pending
- 2021-11-09 CN CN202180044620.3A patent/CN115803858A/zh active Pending
- 2021-11-11 TW TW110141958A patent/TW202236118A/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI818737B (zh) * | 2022-09-20 | 2023-10-11 | 國立勤益科技大學 | 產線關鍵製程故障模式與失效樹風險機率評估系統及方法 |
TWI826066B (zh) * | 2022-10-24 | 2023-12-11 | 國立中興大學 | 感測器自我診斷異常的系統及方法 |
CN116418421A (zh) * | 2023-06-09 | 2023-07-11 | 北京神州明达高科技有限公司 | 一种基于频率接收的通信设备侦测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230400847A1 (en) | 2023-12-14 |
KR20230104540A (ko) | 2023-07-10 |
CN115803858A (zh) | 2023-03-14 |
WO2022103720A1 (en) | 2022-05-19 |
JP2023549331A (ja) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220270237A1 (en) | Defect classification and source analysis for semiconductor equipment | |
TW202236118A (zh) | 半導體製造設備的預測性維護 | |
US8185230B2 (en) | Method and apparatus for predicting device electrical parameters during fabrication | |
TWI672599B (zh) | 探索裝置及探索方法 | |
CN112074940A (zh) | 结合有集成半导体加工模块的自感知校正异构平台及其使用方法 | |
JP5020101B2 (ja) | ラントゥラン制御器を用いた欠陥検出および分類(fdc) | |
CN112106182A (zh) | 结合有集成半导体加工模块的自感知校正异构平台及其使用方法 | |
TWI459169B (zh) | 用於控制設備工程系統之良率預測反饋之方法、系統、及記錄相關指令的非暫態電腦可讀取媒體 | |
US6917849B1 (en) | Method and apparatus for predicting electrical parameters using measured and predicted fabrication parameters | |
JP7137943B2 (ja) | 探索装置、探索方法及びプラズマ処理装置 | |
JP2008004641A (ja) | 不良検出システム、不良検出方法及びプログラム | |
Lee et al. | In-line predictive monitoring framework | |
US20230052392A1 (en) | Process abnormality identification using measurement violation analysis | |
US20040088068A1 (en) | Method and apparatus for providing first-principles feed-forward manufacturing control | |
TW202240735A (zh) | 用於半導體製造設備之處理控制的自適應模型訓練 | |
Jauhri et al. | Outlier detection for large scale manufacturing processes | |
US20230280736A1 (en) | Comprehensive analysis module for determining processing equipment performance | |
US20240087135A1 (en) | Clog detection via image analytics | |
US7849366B1 (en) | Method and apparatus for predicting yield parameters based on fault classification | |
Zhu et al. | Prognostics for Semiconductor Sustainability: Tool Failure Behavior Prediction in Fabrication Processes | |
Yung-Cheng et al. | Manufacturability of multivariate applications in the semiconductor industry | |
WO2024145612A1 (en) | Automated recipe health optimization | |
TW202333080A (zh) | 用於製造裝備的機器學習模型產生和更新 |