TW202409758A - 基板處理系統中的保護帶 - Google Patents

Abstract

一種方法，包含：識別包含複數個資料點的追蹤資料，追蹤資料相關聯於經由基板處理系統生產具有滿足閾值的屬性值的基板。方法進一步包含：基於追蹤資料與複數個可允許類型的變化生成保護帶，保護帶包含對於故障偵測的上限與下限。方法進一步包含：基於保護帶導致執行相關聯於基板處理系統的校正動作。

Description

基板處理系統中的保護帶

本揭示內容涉及保護帶，並且特定而言涉及基板處理系統中的保護帶。

可以藉由使用製造設備執行一個或多個製造處理來生產產品。例如，基板處理設備可用於通過基板處理操作來生產基板。將生產具有特定屬性的產品。與基板製造處理相關聯地監測感測器資料。

下文呈現揭示內容的簡化概要，以提供對於在揭示內容的一些態樣的基本瞭解。此概要不是本揭示內容的廣泛概述。此概要既不旨在標識本揭示內容的關鍵或重要元素，也不旨在描繪本揭示內容的特定實施例的任何範圍或請求項的任何範圍。此概要的唯一目的是以簡化形式呈現本揭示內容的一些概念，作為稍後呈現的更詳細描述的序言。

在本揭示內容的一個態樣中，一種方法，包含：識別包含複數個資料點的追蹤資料，追蹤資料相關聯於經由基板處理系統生產具有滿足閾值的屬性值的基板。方法進一步包含：基於追蹤資料與複數個可允許類型的變化生成保護帶，保護帶包含對於故障偵測的上限與下限。方法進一步包含：基於保護帶導致執行相關聯於基板處理系統的校正動作。

在本揭示內容的一個態樣中，一種方法，包含：識別包含複數個資料點的追蹤資料，追蹤資料相關聯於經由基板處理系統生產的基板。方法進一步包含：比較追蹤資料與保護帶，保護帶係基於歷史追蹤資料與相關聯於歷史追蹤資料的複數個可允許類型的變化而生成，歷史追蹤資料相關聯於經由基板處理系統對於歷史基板的歷史生產，歷史基板具有滿足閾值的歷史屬性值，保護帶包含對於故障偵測的上限與下限。方法進一步包含：響應於追蹤資料的一個或多個資料點不位於保護帶之內，導致執行與基板處理系統相關聯的校正動作。

在本揭示內容的一個態樣中，一種非暫態性電腦可讀取儲存媒體，其上儲存指令，指令在被執行時導致處理裝置執行作業，作業包含：識別包含複數個資料點的追蹤資料，追蹤資料相關聯於經由基板處理系統生產具有滿足閾值的屬性值的基板。操作進一步包含：基於追蹤資料與複數個可允許類型的變化生成保護帶，保護帶包含對於故障偵測的上限與下限。操作進一步包含：基於保護帶導致執行相關聯於基板處理系統的校正動作。

本文描述的是與基板處理系統中的保護帶相關的技術（例如，保護帶加強、保護帶違規分析和保護帶外的動態區域）。保護帶可以是目標值附近的上限和下限閾值（例如，允許的誤差範圍）。可以將感測器資料與保護帶進行比較，以確定感測器資料是在閾值內（例如，良好基板）還是在閾值之外（例如，不良基板）。

產品是通過使用製造設備執行一個或多個製造處理來生產的。將生產具有特定屬性的產品。例如，基板處理設備用於通過基板處理操作來生產基板。滿足特定屬性值（例如，通過計量資料驗證的尺寸）的基板將被使用，不滿足特定屬性值的基板將被捨棄。隨著時間的推移收集與基板處理操作相關聯的感測器資料。監測感測器資料的目的有很多，包括嘗試生產滿足特定屬性值的基板、嘗試驗證設備是否正常運行、嘗試確定設備當前或未來何時需要維修或更換、以及嘗試確定對設備參數的調整以使處理更有效（例如，在產量或品質、處理量或數量、成本或壽命等方面或指標上）。為了簡化解釋的目的，本討論將集中在試圖生產滿足特定屬性值的基板的目標上。

傳統上，感測器資料是在與設備生產基板相關聯的特定配方或配方操作中匯總的。此匯總是使用一組統計資料（例如均值和變化）定義的。然後將這些匯總統計資料與設置的限制進行比較，例如平均值介於較低值和較高值之間。如果感測器資料在限制範圍內，則估計基板將滿足特定的屬性值，如果感測器資料在限制範圍之外，則估計基板將不滿足特定的屬性值。太窄的限制會導致誤報（例如，錯誤地預測基板將不符合屬性值）。太寬泛的限制會導致漏報（例如，錯誤地預測基板符合屬性值）。感測器資料的變化和基板處理設備的變化會導致許多誤報。擴大限制以允許感測器資料和基板處理設備的變化可能會導致許多漏報。習知系統錯誤地將基板標記為滿足或不滿足屬性值，會導致材料浪費、良率下降、產品缺陷、使用者時間增加、設備停機時間增加等等。試圖修復錯誤的標記需要額外的處理開銷、頻寬、能源消耗、計量操作、使用者時間等等。

本揭示內容的方法、裝置和系統提供基板處理系統中的保護帶改進，這解決了習知解決方案的這些和其他缺陷。

在一些實施例中，處理裝置識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產相關聯的追蹤資料。追蹤資料可以包括與不同基板的生產相關聯的和來自不同類型感測器的感測器資料組。在一些實施例中，通過使用保護帶在追蹤級別分析資料（例如，與僅提供跨配方或配方操作的感測器的匯總統計相反）。保護帶可以在追蹤資料的長度上提供上限和下限。與匯總統計相比，這提供了許多優勢（例如，本揭示內容可以識別和剖析追蹤資料中的特定違規）。處理裝置基於追蹤資料生成初始保護帶（例如，資料中每個時間窗口的追蹤資料平均值周圍的3 sigma，其中3 sigma是通過分析特定時間窗口的多次資料運行來確定的）。處理裝置基於追蹤資料確定保護帶的允許變化類型。由於追蹤資料是針對良好晶圓的，因此保護帶的允許變化類型可以是一組或多組感測器資料的時間偏移（例如，在x方向上移動）以滿足感測器資料的平均值。允許的變化類型可以包括保護帶上限，其距離追蹤資料的平均值的距離不同於保護帶下限。允許的變化類型可以包括在保護帶的特定部分處更寬的保護帶限制和更窄的保護帶限制。處理裝置基於追蹤資料和允許的變化類型生成保護帶。處理裝置將額外的追蹤資料（例如，可能屬於良好或不良基板）與保護帶進行比較，並且響應於一個或多個資料點不在保護帶內，處理裝置使得校正動作被執行（例如，捨棄基板、中斷基板處理操作、啟動基板檢查等等）。

在一些實施例中，使用良好和不良基板兩者的追蹤資料。基於對良好和不良追蹤資料之間差異的更好理解以確定或更新保護帶，其中不良追蹤資料可以是單個類別或多個類別以代表不同模式或程度的不良基板。

在一些實施例中，處理裝置識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產相關聯的追蹤資料。處理裝置基於保護帶確定追蹤資料的保護帶違規資料點。處理裝置基於保護帶違規資料點來確定保護帶違規形狀表徵。處理裝置將額外的追蹤資料（例如，可能屬於良好或不良基板）與保護帶進行比較以確定保護帶違規資料點。處理裝置基於保護帶違規形狀表徵來確定保護帶違規資料點的分類（例如，保護帶違規資料點對應於良好晶圓還是不良晶圓）。

在一些實施例中，處理裝置識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產相關聯的追蹤資料。處理設備基於追蹤資料確定保護帶限制之外的動態可接受區域。動態可接受區域是保護帶之外的區域，它對應於由可接受的雜訊、可接受的漂移等等產生的良好基板的資料點。處理裝置將額外的追蹤資料（例如，可能屬於良好或不良基板）與保護帶限制之外的可接受區域進行比較。響應於一個或多個資料點在可接受區域之外，處理裝置使校正動作被執行（例如，捨棄基板等等）。響應於一個或多個資料點位於可接受區域內，處理裝置使得可接受區域被更新。例如，更新後的可接受區域可以允許基於已處理的額外追蹤資料的平均值的額外漂移或雜訊。

在一些實施例中，處理裝置（例如，執行保護帶方法）呈現被總結為在可接受的保護帶限制內的追蹤資料運行的結果、具有違規的追蹤資料運行（包括這些違規的形狀特徵）、和/或其中（例如正執行保護帶方法的）處理裝置無法明確確定已發生違規的區域。處理裝置（例如正執行保護帶方法）可以允許使用者（例如，主題專家）驗證或推翻保護帶方法的結論和立場。處理裝置（例如正執行保護帶方法）可以使用來自使用者（例如，主題專家）的反饋來更新保護帶限制、其他違規評估、和/或保護帶特徵。

本揭示內容的各態樣提供優於習知解決方案的技術優勢。與習知解決方案相比，本揭示內容具有更少的誤報和更少的漏報。這提供了更少的材料浪費、更高的良率、更少的缺陷產品、更少的使用者時間、更少的設備停機時間等。與習知解決方案相比，本揭示內容對基板錯誤標記的修復較少。這減少了處理處理器開銷、使用的頻寬、能源消耗、計量操作、使用者時間等等。

本揭示內容的一些實施例是關於基板處理來描述的。在一些實施例中，本揭示內容適用於其他類型的製造處理。

本揭示內容的一些實施例是關於監測感測器資料來描述的，其目的是生產滿足特定屬性值的基板。在一些實施例中，本揭示內容可以為其他目的監控感測器資料，例如驗證設備是否正常運行、確定何時執行設備或設備部件的維修或更換（例如，預防性維護）、確定對設備參數的調整以使過程更有效率（例如，在諸如良率或品質、處理或數量、成本或壽命等方面或度量方面）和/或類似者。

本揭示內容的一些實施例是關於使校正動作被執行來描述的。在一些實施例中，導致執行校正動作可以包括將追蹤資料的特徵識別為衰退的、不同的和/或類似者。

圖1是示出根據某些實施例的示例性系統100（示例性系統架構）的方塊圖。系統100包括客戶端裝置120、製造設備124（例如基板處理設備）、感測器126、計量設備128、預測伺服器112和資料儲存器140。預測伺服器112可以是預測系統110的一部分。預測系統110還可以包括伺服器機器170和180。預測系統110可以用於預測是否已經發生異常、檢測是否已經發生異常等（例如，使用保護帶技術）。

在一些實施例中，製造設備124（例如，群集工具）是基板處理系統（例如，整合處理系統）的一部分。製造設備124包括控制器、外殼系統（例如基板載體、前開式晶圓傳送盒（FOUP）、自動教導FOUP、處理套件封閉系統、基板封閉系統、盒等等）、側存儲倉（SSP）、對準器裝置（例如對準器腔室）、工廠介面（例如設備前端模組（EFEM））、負載鎖、移送腔室、一個或多個處理腔室、機械臂（例如設置在移送腔室中，設置在前端介面中等等）、和/或類似者。外殼系統、SSP和安裝到工廠介面的負載鎖以及佈置在工廠介面中的機械臂用於在外殼系統、SSP、負載鎖和工廠介面之間傳輸內容（例如基板、處理套件環、載體、驗證晶圓等）。對準器裝置設置在工廠介面中，用於對準內容物。負載鎖和處理腔室安裝到移送腔室，以及設置在移送腔室中的機械臂，用於在負載鎖、處理腔室和移送腔室之間轉移內容物（例如基板、處理套件環、載體、驗證晶圓等）。在一些實施例中，製造設備124包括基板處理系統的部件。在一些實施例中，製造設備124用於生產一種或多種產品（例如基板、半導體、晶圓等等）。在一些實施例中，製造設備124用於生產將在基板處理系統中使用的一個或多個部件。

感測器126可以耦合到製造設備124。感測器126可以提供與製造設備124相關聯的感測器資料（例如，相關聯於通過製造設備124生產相應的產品，例如基板）。感測器資料可以存儲為作為時間函數的測量值（例如，追蹤資料142）。追蹤資料142可以包括歷史追蹤資料144和當前追蹤資料146。追蹤資料142可用於設備健康和/或產品健康（例如，產品品質）。製造設備124可以按照配方或在一段時間內執行運行來生產產品。在一些具體實施例中，追蹤資料142可包括溫度（例如，加熱器溫度）、間隔（SP）、壓力、高頻射頻（HFRF）、靜電吸盤的電壓（ESC）、電流、流量、功率、電壓等等中的一項或多項。追蹤資料142可以與諸如製造設備124的硬體參數（例如，設置或部件（例如，尺寸、類型等））或製造設備的製程參數之類的製造參數相關聯或指示製造參數。與一些硬體參數相關聯的資料可以替代地或附加地存儲為製造參數。製造參數可以指示製造裝置的輸入設置（例如，加熱器功率、氣流等）。可以在製造設備124執行製造處理時提供追蹤資料142和/或製造參數（例如，在處理產品時的設備讀數）。追蹤資料142對於每個產品（例如，每個基板）可以是不同的。

計量設備128可用於測量諸如基板（例如，處理過的基板、部分處理過的基板等）的產品的屬性。計量設備可以結合分析來估計或更好地確定計量值。計量資料可以包括在性能資料150中，連同諸如設備維護、良率等的其他性能指標。性能資料150可以包括歷史性能資料152和當前性能資料154。計量資料和/或性能資料150可以包括虛擬計量資料、非虛擬計量資料、虛擬和非虛擬計量資料的混合等。

在一些實施例中，追蹤資料142、性能資料150和/或製造參數可以被處理（例如，由客戶端裝置120和/或由預測伺服器112）。追蹤資料142的處理可以包括生成特徵。在一些實施例中，特徵是追蹤資料142或性能資料150中的模式（例如，斜率、寬度、高度、峰值等）或來自追蹤資料142或性能資料150的值的組合（例如，功率來自電壓和電流等）。追蹤資料142可包括特徵，特徵可由預測部件114和/或客戶端裝置120用於執行信號處理和/或用於獲得預測資料168以執行校正動作。預測部件114可以用於預測是否已經發生異常、檢測是否已經發生異常等（例如，使用保護帶技術）。

追蹤資料142的每個實例（例如，集合）可以對應於產品（例如，基板）、一組製造設備124、由製造設備124生產的基板類型等。性能資料150或製造參數的每個實例同樣可以對應於產品、一組製造設備、由製造設備生產的基板類型等。資料儲存器140可以進一步存儲關聯不同的資料類型組的資訊，例如指示與相同的產品、製造設備、基板類型等等關聯的一組追蹤資料、感測器資料、一組計量資料和/或一組製造參數。

在一些實施例中，預測系統110可以使用受監督的機器學習生成預測資料168（例如，受監督的資料組、性能資料150包括計量資料、用於訓練模型190的追蹤資料142與良好基板和不良基板相關聯等）。在一些實施例中，預測系統110可以使用半受監督的機器學習生成預測資料168（例如，半受監督的資料組、性能資料150為預測比例、用於訓練模型190的追蹤資料142僅與良好基板相關聯等等）。在一些實施例中，預測系統110可以使用無監督機器學習來生成預測資料168（例如，無監督資料組、聚類、基於追蹤資料142的聚類等等）。在一些實施例中，預測系統110可以使用作為機器學習模型、統計模型等中的一個或多個的模型來生成預測資料168。

客戶端裝置120、製造設備124、感測器126、計量設備128、預測伺服器112、資料儲存器140、伺服器機器170和伺服器機器180可以通過網路130相互耦合以生成預測資料168以執行校正動作。

在一些實施例中，網路130是公共網路，向客戶端裝置120提供對預測伺服器112、資料儲存器140和其他公共可得計算裝置的存取。在一些實施例中，網路130是私有網路，向客戶端裝置120提供對製造設備124、感測器126、計量設備128、資料儲存器140和其他私有計算裝置的存取。網路130可包括一個或多個廣域網路（WAN）、區域網路（LAN）、有線網路（例如乙太網路）、無線網路（例如802.11網路或Wi-Fi網路）、蜂巢式網路（例如長期演進（LTE）網路）、路由器、集線器、交換器、伺服器電腦、雲端計算網路及（或）其組合。

客戶端裝置120可包括諸如個人電腦（PC）、膝上型電腦、行動電話、智慧型手機、平板電腦、上網本電腦、連接網路的電視（「智能電視」）、連接網路的媒體播放器（例如，藍光播放器）、機上盒、OTT流媒體裝置、操作員盒等等的計算裝置。客戶端裝置120可以包括校正動作部件122。校正動作部件122可以接收使用者輸入（例如，經由經由客戶端裝置120顯示的圖形使用者介面（GUI））。

在一些實施例中，校正動作部件122獲得與製造設備124相關聯的追蹤資料142（例如當前追蹤資料146）（例如來自資料儲存器140等），並且提供與製造設備124相關聯的追蹤資料142（例如當前追蹤資料146）到預測系統110。在一些實施例中，校正動作部件122將追蹤資料142存儲在資料儲存器140中，並且預測伺服器112從資料儲存器140中檢索追蹤資料142。在一些實施例中，預測伺服器112可以將受過訓練的機器學習模型190的輸出（例如，預測資料168）存儲在資料儲存器140中，並且客戶端裝置120可以從資料儲存器140中檢索輸出。在一些實施例中，校正動作部件122從預測系統110接收校正動作的指示並且導致校正動作被實施。客戶端裝置120可以包括作業系統，作業系統允許使用者進行生成、查看或編輯資料（例如與製造設備124相關聯的指示、與製造設備124相關聯的校正動作等等）中的一個或多個的操作。

在一些實施例中，歷史性能資料152對應於產品的歷史屬性資料（例如，使用與歷史追蹤資料144以及所儲存的製造參數相關聯的製造參數來產生），而預測資料168對應於預測屬性資料（例如，將使用當前追蹤資料146及/或製造參數生產（或已經生產）的產品的屬性資料）。在一些實施例中，預測資料168是根據記錄為當前追蹤資料146和/或製造參數的條件要生產或已經生產的產品的預測計量資料（例如，虛擬計量資料）。在一些實施例中，預測資料168是異常（例如，異常產品、異常部件、異常製造設備124、異常能量使用等）和異常的一個或多個原因的指示。在一些實施例中，預測資料168是製造設備124、感測器126、計量設備128等的一些部件隨時間變化或漂移的指示。在一些實施例中，預測資料168是製造設備124、感測器126、計量設備128等的部件的壽命終止的指示。

執行導致有缺陷產品的製造處理在時間、能量、產品、部件、製造設備124、識別缺陷和捨棄有缺陷產品等方面的成本可能是昂貴的。通過基於追蹤資料142生成預測資料168並導致基於預測資料168執行校正動作，系統100可以具有避免生產、識別和捨棄有缺陷產品的成本的技術優勢。

執行製造過程會導致製造設備124的部件出現故障，從而導致停機、產品損壞、設備損壞、快速訂購替換部件等等，在這些方面的損失很大。通過基於追蹤資料 142（例如正在使用或將用於製造產品的製造參數）生成預測資料168並導致基於預測資料168執行校正行動（例如，預測的操作維護，例如更換、處理、清潔部件等），系統100可以具有避免意外部件故障、計劃外停機、生產力損失、意外設備故障、產品報廢等中的一項或多項的成本的技術優勢。隨時間監測部件（例如製造設備124、感測器126、計量設備128等）的性能可以提供部件衰退的指示。

對於生產產品而言，製造參數可能不是最理想的，其結果可能是昂貴的結果，例如增加了資源（例如能源、冷卻劑、氣體等）的消耗、增加了產品的生產時間、增加了部件故障、增加了缺陷產品的數量等。通過基於追蹤資料142的特徵生成預測資料168並基於預測資料168導致執行更新製造參數的校正動作（例如設置最佳製造參數），系統100可以具有使用最佳製造參數的技術優勢參數（例如，硬體參數、處理參數、優化設計）以避免不佳製造參數所帶來的代價高昂的結果。

校正動作可與計算處理控制（CPC）、統計處理控制（SPC）（例如，用於確定處理受控的電子部件上的SPC，用於預測部件的使用壽命的SPC，與3-sigma圖表進行比較的SPC等等）、高級處理控制（APC）、基於模型的處理控制、預防性操作維護、設計優化、製造參數更新或更新當前或未來製造處理的製造配方、反饋控制、機器學習修改等等中的一項或多項相關聯。

在一些實施例中，校正動作包括提供警報（例如，如果預測資料168指示預測的異常，例如產品、部件或製造設備124的異常，則停止或不執行製造處理的警報）。在一些實施例中，校正動作包括安排預防性維護。在一些實施例中，校正動作包括安排校正性維護。在一些實施例中，校正動作包括更新處理配方以生產後續基板。在一些實施例中，校正動作可根據正在進行的基板處理過程來確定，並且可包括更新當前處理。在一些實施例中，校正動作包括校正與製造設備124（例如，基板處理設備）相關聯的腔室漂移。在一些實施例中，校正動作包括校正與製造設備124（例如，基板處理設備）相關聯的感測器的感測器漂移。在一些實施例中，校正動作包括提供反饋控制（例如，響應於指示預測異常的預測資料168修改製造參數）。在一些實施例中，校正動作包括提供機器學習（例如，基於預測資料168修改一個或多個製造參數）。在一些實施例中，校正動作的執行包括導致對一個或多個製造參數的更新。在一些實施例中，將與基板處理設備的部件相關聯地執行一個或多個校正動作。

製造參數可以包括硬體參數（例如，更換部件、使用某些部件、更換處理晶片、更新韌體等）和/或處理參數（例如，溫度、壓力、流量、速率、電流、電壓、氣體流量、提升速度等）。在一些實施例中，校正動作包含導致預防性操作維護（例如，製造設備124的部件的更換、處理、清潔等）。在一些實施例中，校正動作包含導致設計優化（例如，針對優化的產品更新製造參數、製造處理、製造設備124等等）。在一些實施例中，校正動作包括更新配方（例如，製造設備124處於空閒模式、睡眠模式、預熱模式等）。

預測伺服器112、伺服器機器170和伺服器機器180，可各自包括一個或多個計算裝置，諸如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元（GPU）、加速器專用積體電路（ASIC）（例如張量處理單元（TPU））等。

預測伺服器112可以包括預測部件114。在一些實施例中，預測部件114可以取得當前追蹤資料146（例如從客戶端裝置120接收、從資料儲存器140檢索），並基於當前資料生成用於執行與製造設備124相關聯的校正動作的輸出（例如，預測資料168）。在一些實施例中，預測部件114可以使用一個或多個訓練模型190來確定用於基於當前資料執行校正動作的輸出。在一些實施例中，預測部件114預測異常已經發生或將要發生。在一些實施例中，預測部件114預測另一個事件已經發生或可能發生。

模型190可以是單個模型，也可以是多個模型。可以循序地應用模型，可以同時使用多個模型，可以基於一些度量來選擇合適的模型，可以使用這些作法的組合，等等。模型190（或模型190中包括的模型）可以是機器學習模型，包括監督、非監督或半監督機器學習模型。模型190可以不是機器學習模型，例如統計模型、相關模型等。

在一些實施例中，第一模型190用於生成保護帶（例如，參見圖2A-D），第二模型190用於保護帶違規剖析（例如，參見圖3A-D），以及第三模型190用於生成保護帶外的動態區域（例如，參見圖4A-D）。

在一些實施例中，輸入到模型190的資料可以包括來自單個感測器126的追蹤資料142。在其他實施例中，輸入到模型190的資料可以包括來自許多感測器126的指示不同屬性的值的追蹤資料142。資料輸入可以包括製造參數。從追蹤資料142中提取的特徵、提取特徵的方法、與特徵相關聯的校正動作和/或預測資料168，以及關聯校正動作和/或預測資料168的方法都可以針對作為輸入提供的資料。

在一些實施例中，預測部件114接收當前追蹤資料146並將當前追蹤資料146作為輸入提供給模型190，並且從模型190獲得指示預測資料168的輸出。在一些實施例中，預測資料168指示性能資料150（例如計量資料、良率等）。在一些實施例中，預測資料168指示校正動作。

在一些實施例中，模型190將追蹤資料142作為輸入（例如，指示與追蹤資料142相關聯的配方、製造設備部件等的資料）並產生作為輸出的預測資料168。模型190可以是單個模型，也可以包括多個模型。模型190可以基於輸入資料確定執行哪些處理，或者使用者可以指示哪些分析適合於輸入資料，或者這些的組合。

資料儲存器140可以是記憶體（例如隨機存取記憶體）、磁碟機（例如硬碟機、快閃碟）、資料庫系統、或能夠存儲資料的另一類型的部件或裝置。資料儲存器140可包括可跨越多個計算裝置（例如多個伺服器電腦）的多個存儲部件（例如多個磁碟機或多個資料庫）。資料儲存器140可以存儲追蹤資料142、性能資料150和預測資料168。追蹤資料142可以包括歷史追蹤資料144和當前追蹤資料146。追蹤資料可以包括在製造過程的持續時間內的感測器資料時間追蹤、資料與物理感測器的關聯、預處理資料（例如平均值和複合資料）、以及指示感測器性能隨時間變化的資料（例如，許多製造處理）。製造參數和性能資料150可以包含類似的特徵。歷史追蹤資料144、製造參數和歷史性能資料152可以是歷史資料（例如，至少一部分用於訓練模型190）。當前追蹤資料146可以是要為其生成預測資料168（例如，用於執行校正動作）的當前資料（例如，至少一部分要輸入到模型190中，在歷史資料之後）。

在一些實施例中，預測系統110還包括伺服器機器170和伺服器機器180。伺服器機器170包括資料組生成器172，資料組生成器172能夠生成資料組（例如，一組資料輸入和一組目標輸出）以訓練、驗證和/或測試一個或多個模型，例如機器學習模型。模型190可以包括一個或多個機器學習模型，或者可以是其他類型的模型，例如統計模型。結合機器學習的模型可以使用輸入資料進行訓練，在某些情況下可以使用目標輸出資料。也可以訓練不包含機器學習的模型。在一些實施例中，資料組生成器172可以將歷史資料（例如，歷史追蹤資料144、製造參數或存儲在資料儲存器140中的歷史性能資料152）劃分成訓練組（例如，歷史資料的百分之六十）、驗證組（例如，歷史資料的百分之二十）和測試組（例如，歷史資料的百分之二十）。在一些實施例中，預測系統110（例如，通過預測部件114）生成多組元素。例如，第一組元素可以對應於第一組類型的感測器資料（例如，來自第一組感測器、來自第一組感測器的值的第一組合、來自第一組感測器的值中的第一模式）對應於每個資料集（例如，訓練集、驗證集和測試集），並且第二組元素可以對應於第二組類型的感測器資料（例如，來自不同於第一組感測器、不同於第一組合的第二值組合、不同於第一模式的第二模式）對應於每個資料集。

伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎185及（或）測試引擎186。引擎（例如訓練引擎182、驗證引擎184、選擇引擎185和測試引擎186）可以代表硬體（例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等）、軟體（諸如在處理裝置、通用電腦系統或專用機器上運行）、韌體、微代碼或其組合。訓練引擎182可能夠使用與來自資料組生成器172的訓練組相關聯的一組或多組元素來訓練機器學習模型190或包含在模型190中的各種機器學習模型。訓練引擎182可生成多個經訓練的機器學習模型190，其中每個經訓練的機器學習模型190對應於訓練組的不同元素組（例如來自不同感測器組的感測器資料）。例如，可使用所有元素（例如X1-X5）來訓練第一經訓練機器學習模型，可以使用元素的第一子集（例如X1、X2、X4）來訓練第二經訓練機器學習模型，並且可已經使用可能與元素的第一子集部分重疊的元素的第二子集（例如X1、X3、X4和X5）訓練了第三經訓練機器學習模型。資料組生成器172可以接收經訓練的機器學習模型（例如，經過訓練以執行追蹤資料處理的第一操作的模型）的輸出，將資料收集到訓練、驗證和測試資料組中，並使用資料組來訓練第二機器學習模型（例如，要被訓練以執行追蹤資料處理的第二操作的模型）。

驗證引擎184可能能夠使用來自資料組生成器172的驗證組的相應元素組，來驗證經訓練的機器學習模型190。例如，可使用驗證組的第一組元素，來驗證使用訓練組的第一組元素來訓練的第一經訓練機器學習模型190。驗證引擎184可基於驗證組的相應元素組，來確定每個經訓練的機器學習模型190的準確性。驗證引擎184可丟棄具有不滿足閾值精度的精度的經訓練的機器學習模型190。在一些實施例中，選擇引擎185可能能夠選擇具有滿足閾值精度的精度的一個或多個經訓練的機器學習模型190。在一些實施例中，選擇引擎185可能能夠選擇經訓練的機器學習模型190中具有最高精度的經訓練的機器學習模型190。在一些實施例中，驗證引擎184和選擇引擎185可以為模型190中包括的每個機器學習模型重複此處理。

在一些實施例中，驗證引擎184執行驗證和/或確認（例如，驗證和確認（V&V））。驗證和確認可以是獨立的程序，它們一起用於確定產品、服務或系統（例如，機器學習模型）是否滿足要求和規範以及是否達到預期目的。驗證可能包括確保機器學習模型滿足客戶或其他確定的利益相關者的需求（例如，涉及外部客戶的接受度和適用性）。確認可以包括評估機器學習模型是否符合規範、要求、規格或強制條件（例如，內部處理）。

測試引擎186可能能夠使用來自資料組生成器172的測試組的相應元素組，來驗證經訓練的機器學習模型190。例如，可使用測試組的第一組元素，來測試使用訓練組的第一組元素來訓練的第一經訓練機器學習模型190。測試引擎186可基於測試組，來確定在所有經訓練的機器學習模型中具有最高精度的包含在模型190中的經訓練的機器學習模型。測試引擎186可以為模型190中包括的每個機器學習模型重複這個處理。

模型190可代表由訓練引擎182使用訓練組創建的模型人工產物，訓練組包括資料輸入和對應的目標輸出（各個訓練輸入的正確答案）。可找到資料組中的模式，這些模式將資料輸入映射到目標輸出（正確答案），並且為機器學習模型提供了擷取這些模式的映射。機器學習模型可以使用支持向量機（SVM）、徑向基函數（RBF）、聚類、監督機器學習、半監督機器學習、無監督機器學習、k-最近鄰算法（k-NN）、線性回歸、隨機森林、神經網路（如人工神經網路）等等中的一種或多種。

預測部件114可以將當前追蹤資料146提供給模型190，並且可以對輸入運行經過訓練的機器學習模型190以獲得一個或多個輸出。預測部件114可能能夠從模型190的輸出確定（例如提取）預測資料168，並且可以從輸出確定（例如提取）對於預測資料168是否是一處理的準確預測元的置信度位準的置信度資料，此處理相關聯於對於以當前追蹤資料146及/或製造參數使用製造設備124生產或將要生產的產品的輸入資料。預測部件114還能夠確定與預測事件相關聯的置信範圍，例如包括上限和下限的剩餘使用壽命（RUL）窗口。預測部件114或校正動作部件122可以使用置信度資料基於預測資料168來決定是否引發校正動作及/或何時引發與製造設備124相關聯的校正動作。

置信度資料可以包括或指示置信度位準，置信度位準是關於預測資料168是否為對於與輸入資料的至少一部分相關聯的產品的準確預測。在一個示例中，置信度位準是介於0和1之間的實數，其中0表示不相信預測資料168是根據輸入資料處理的產品的準確預測，而1表示絕對相信預測資料168準確預測根據輸入資料處理的產品的屬性。響應於對於預定數量的實例（例如實例的百分比、實例的頻率、出現的頻率、實例的總數等）置信度資料指示低於閾值位準的置信度位準，預測部件114可以導致模型190將被重新訓練（例如，基於當前追蹤資料146、製造參數、當前性能資料154等）。

出於說明而非限制的目的，本揭示內容的態樣描述了使用歷史資料（例如，歷史追蹤資料144、歷史性能資料152）來訓練一個或多個機器學習模型190，和輸入當前資料（例如，當前追蹤資料146）進入一個或多個經訓練的機器學習模型190以確定預測資料168。在其他實施例中，使用啟發式模型或基於規則的模型，以確定預測資料168（例如不使用經訓練的機器學習模型）。預測部件114可以監視歷史追蹤資料144和歷史性能資料152。

在一些實施例中，客戶端裝置120、預測伺服器130、伺服器機器170和伺服器機器180的功能，可以由更少數量的機器來提供。例如，在一些實施例中，伺服器機器170和180可以被整合到單個機器中，而在其他一些實施例中，伺服器機器170、伺服器機器180和預測伺服器112可以被整合到單個機器中。在一些實施例中，客戶端裝置120和預測伺服器112可以整合到單個機器中。

通常，在適當的情況下，在一個實施例中描述為由客戶端裝置120、預測伺服器130、伺服器機器170和伺服器機器180執行的功能，也可以在其他實施例中在預測伺服器112上執行。另外，歸因於特定部件的功能，可以藉由一起操作的不同或多個部件來執行。例如，在一些實施例中，預測伺服器112可以基於預測資料168來確定校正動作。在另一個示例中，客戶端裝置120可以基於來自經過訓練的機器學習模型的輸出來確定預測資料168。

另外，特定部件的功能可以藉由一起操作的不同或多個部件來執行。預測伺服器112、伺服器機器170或伺服器機器180中的一個或多個，可以藉由適當的應用程序編程介面（API）作為提供給其他系統或裝置的服務來存取。

在實施例中，「使用者」可以被表示為單個個體。然而，本揭示內容的其他實施例所包括的「使用者」是由複數個使用者及（或）自動源控制的實體。例如，聯合為一組管理員的一組個人使用者可以被視為「使用者」。

本揭示內容的實施例可應用於資料品質評估、特徵增強、模型評估、虛擬計量（VM）、預測性維護（PdM）、極限優化、異常或故障檢測、異常或故障分類等。

圖2A-D、3A-D和4A-D是根據某些實施例的與保護帶相關聯的方法200A-D、300A-D和400A-D的流程圖。在一些實施例中，方法200A-D、300A-D和400A-D由處理邏輯執行，處理邏輯包含硬體（例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等）、軟體（諸如在處理裝置、通用電腦系統或專用機器上運行）、韌體、微代碼或其組合。在一些實施例中，方法200A-D、300A-D和400A-D至少部分地由預測系統110執行。在一些實施例中，方法200A-D、300A-D和400A-D至少部分地由預測系統110（例如，預測伺服器112、預測部件114）、客戶端裝置120（例如，校正動作部件），製造設備124，和/或計量設備128執行。在一些實施例中，非暫態性儲存媒體儲存指令，當由處理裝置（例如預測系統110的處理裝置、伺服器機器180的處理裝置、預測伺服器112的處理裝置等）執行時，使處理裝置執行一個或多個方法200A-D、300A-D和400A-D。

為了簡化解釋，方法200A-D、300A-D和400A-D被描述和說明為一系列操作。然而，根據本揭示內容的操作可以以各種順序及（或）同時發生以及與在此未呈現和描述的其他操作一起發生。此外，在一些實施例中，並非所有圖示的操作都被執行以實施根據所揭示主題的方法200A-D、300A-D和400A-D。此外，本領域的技術人員將理解和認識到，方法200A-D、300A-D和400A-D可替代地通過狀態圖或事件表示為一系列相互關聯的狀態。

在一些實施例中，圖2A-D和圖3A-D涉及用於改進故障診斷、故障分類和預測的循序資料保護帶分析（例如，用於故障檢測和分類（FDC）的循序保護帶分析）。在一些實施例中，本揭示內容使用保護帶故障診斷全追蹤分析（FTA）提供對循序資料流（例如，追蹤資料）的改進分析，以提供改進的檢測、分類和預測，包括減少誤報（例如，誤報）和錯過的警報（例如，漏報）。習知的感測器追蹤分析可能會出現誤報和漏報（例如，無法充分擷取正常變化、無法隨時間調整模型、無法處理配方終點確定、無法解決異相追蹤、無法將模型轉移到不同領域等），從而導致習知的保護帶採用率較低。習知的匯總統計可能會遺漏部分追蹤資料（例如，暫態區域）。本揭示內容處理誤報和漏報，並且適應性地提供隨著時間的推移的強健性和靈活性以應對不同的領域（例如，參見圖8A-B）。本揭示內容可以使用保護帶來分析暫態和穩態區域兩者並提取複雜特徵（例如，比獨特變量分析（UVA）更複雜）。

本揭示內容的保護帶可用於檢測追蹤資料中出現的異常或故障，但可能不符合典型的異常形狀，例如尖峰或振盪。習知的保護帶可能存在基於誤報（例如，在暫態中）的輸出品質問題、過渡邊界的放大、被視為異常的追蹤間變異性、所有違規行為均被平等對待且未被剖析或量化等。本揭示內容的保護帶可以解決這些缺點。本揭示內容的保護帶可以單獨提供或者可以與諸如半自動特徵提取（SFE）的其他分析能力組合。

保護帶可以是為資料流定義的通道，其意在根據資料流中的位置來識別共性區域（例如，可接受的值）。資料流通常是感測器在某些事件（例如生產運行）過程中的值。資料流通常是追蹤資料，追蹤資料是作為時間函數呈現和定位的資料值序列（例如，x軸是時間）。排序可能不是基於時間的（例如，可能是某種事物的計數的指示，例如生產的產品數量或記錄的錯誤數量）。用詞「可接受」是應用環境的函數和保護帶分析的目標。例如，「可接受」可以是「無異常」或「無故障」。保護頻帶通道可以具有上限和下限。在一些實施例中，可以沿著資料流的持續時間使用統計方法來計算這些限制。例如，通道可以表示特定感測器的多個軌跡值的正負3-sigma，其中變化是在資料流的每個時間值處計算的。可以採用平滑技術（例如，時間窗平均）來允許通道更抗雜訊和更平滑。

FTA保護帶可用於在暫態段具有輕微振蕩的異常追蹤。FTA保護帶可用於分析在多次運行中來自特定感測器的多個追蹤或追蹤分區。FTA保護帶可以建立上限和下限，指示隨時間變化的感測器資料的正常範圍或通道（例如，3-sigma）。解決方案可識別和分析來自保護帶的偏移。FTA功能可以與SFE一起以互補的方式使用，以提供全面的分析並作為指紋庫的輸入。保護帶可以與單個感測器（UVA）相關聯，也可以與多個感測器相關聯（多變量分析（MVA））。對於MVA，感測器值（例如，y軸）可以是表示MVA中涉及的感測器的某種組合的度量。

在一些實施例中，保護帶可包括多個保護帶（例如，完全包含在錯誤保護帶內的警告保護帶）。在一些實施例中，第一區域是與其他參數無關的正常區域，第二區域是根據其他參數的分析來分類好不良區域，而第三區域是與其他參數無關的故障區域。

在一些實施例中，保護帶的x軸參數或定義資料的排序方面的參數是時間（例如，與感測器讀取速率相關的粒度）。在一些實施例中，處理工具中的基板編號可以對應於基板處理。

在一些實施例中，保護帶違規定義可以是異常、故障、警告、事件觸發和/或預測。保護帶違規確定和解釋可能與保護帶的目的（例如，故障或異常檢測）有關。保護帶通道外的單個資料點可能指示故障。可使用機率分佈函數來定義追蹤中包括違規區域的部分的面積、持續時間和幅度。可以評估這些違規區域（例如，違規區域屬性值）以解釋是否存在故障。

圖2A-D是根據某些實施例的與生成保護帶相關聯的方法200A-D的流程圖。圖2A是與生成保護帶相關聯的方法200A的流程圖，圖2B是與使用保護帶相關聯的方法200B的流程圖，圖2C是與經由機器學習生成保護帶相關聯的方法200C的流程圖，並且圖2D是與透過機器學習使用保護帶相關聯的方法200D的流程圖。

參考圖2A，在一些實施例中，在方塊202，處理邏輯識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產（經由基板處理系統）相關聯的追蹤資料。追蹤資料包括每個基板隨時間變化的單獨一組感測器資料。在一些實施例中，追蹤資料包括來自每個基板的多個不同感測器的感測器資料（例如，不同類型的感測器資料）。

在方塊204，處理邏輯基於追蹤資料確定允許的變化類型（例如，保護帶的）。

在一些實施例中，處理邏輯基於追蹤資料生成保護帶。保護帶可以包括用於故障檢測（例如，異常檢測）的上限和下限。在一些實施例中，為了形成保護帶，生成所有追蹤資料的平均值，然後使用平均值的偏移量（例如，3 sigma）作為上限和下限。通常，上限和下限與追蹤資料的平均值的距離相等。

由於追蹤資料是針對良好基板的，因此由追蹤資料形成的保護帶的任何變化都是允許的變化類型。

在一些實施例中，方塊204包括在方塊210處確定追蹤資料的追蹤間變異性的處理邏輯（參見圖5A-B）。在一些實施例中，允許的變化類型包括時間偏移的追蹤間變異性。追蹤資料可以包括隨時間（例如，x軸）的感測器值（例如，y軸）。由於開始記錄感測器資料的時間不同，隨著時間的推移，一些感測器資料組可能會發生偏移（例如，x 軸上的時間偏移）。在一些實施例中，處理邏輯追蹤追蹤間的差異並且在發現正常時間偏移變化時自主地位準地調整保護帶變化。這可以防止在配方步驟或追蹤略有變化時出現誤報。這增加了強健性並減少了誤報。

在一些實施例中，方塊204包括基於方塊212處的追蹤資料確定不同於下限的上限的處理邏輯（參見圖5C）。在一些實施例中，允許的變化類型包括形成保護帶上限的第一允許類型的變化和形成保護帶的下限的第二允許類型的變化。第一允許類型（例如，數量）的變化可以不同於第二允許類型（例如，數量）的變化。保護帶每一側的變化將單獨計算（例如，在信號轉換期間）並減少誤報。

在一些實施例中，方塊204包括在方塊214處確定追蹤資料的位置相關變化的處理邏輯（參見圖5D）。參數和權重（例如，持續時間、位準、面積、連續違規的串聯等）和其他保護帶設置，可以根據保護帶中的位置（例如，沿x軸）進行調整。示例包括：1）沿著對應於處理中不同操作的x軸進行調整，以使保護帶更加（或較不）敏感或自適應；2）根據信號的屬性調整保護帶（例如，在保護帶在y方向上快速變化的區域中不太積極，而在保護帶值相對恆定的區域中較積極）；3）根據沿保護帶檢測到的警報調整保護帶（例如，在檢測到第一個尖峰後調整分佈參數，而更加（或較不）對此追蹤上的未來尖峰特徵敏感）；諸如此類。這提高了保護帶性能，並進一步允許將主題專業知識納入保護帶分析。

在一些實施例中，方塊204包括在方塊216處確定追蹤資料的追蹤分段的處理邏輯（參見圖5E）。在一些實施例中，允許的變化類型進一步基於追蹤資料的部分的分段（例如，相關聯於超過閾值變化的值的變化、值位於閾值內）。例如，特徵（例如，在閾值內）可以針對保護帶的下一段觸發更寬的保護帶。在一些實施例中，允許的變化類型進一步基於從追蹤資料中提取的特徵。

在一些實施例中，方塊204包括執行在方塊218的追蹤資料的特徵提取（例如，半自動特徵提取（SFE））的處理邏輯。例如，可以針對不同的段或針對不同的特徵來改變保護帶參數。這通過允許組合不同的能力（例如，保護帶、特徵提取和/或追蹤分段）來改進保護帶性能和整體分析。

在一些實施例中，追蹤資料包括來自不同類型感測器的感測器資料並且允許的變化類型是通過MVA。MVA度量將多個感測器的值組合成單個度量（例如，主成分分析（PCA）中的第一主成分）。可以使用MVA技術跨多個保護帶應用保護帶參數。示例包括：（1）將違規和違規分佈確定為跨兩個或多個同時發生（或不發生）的追蹤的違規特徵的函數；和/或（2）與基於一個或多個其他信號的信號的信號的保護帶相關聯的動態。這提高了保護帶性能，進一步允許將主題專業知識納入保護帶分析，並允許解決多個信號之間的相關性。

在一些實施例中，這些特徵包括以下一項或多項：持久特徵（例如，坡道和平地）；使用者定義的特徵（例如，坡道和斜坡的串聯）；間歇性特徵，例如坡道、平面和FTA特徵；x-偏移量；y-偏移量；形狀；長度；翹曲等等。

在方塊205，處理邏輯基於允許的變化類型生成保護帶。例如，保護帶可以允許時間偏移（例如，在x軸上）、不同的上限和下限、多變量（例如，多變數）分析、追蹤資料部分的分段、提取追蹤資料的特徵等等。在一些實施例中，保護帶是通過訓練機器學習模型來生成的，如圖2C所示。

在方塊208，處理邏輯基於保護帶導致執行與基板處理系統相關聯的校正動作。方塊208可以包括將額外的追蹤資料與保護帶進行比較以確定是否執行校正動作（例如，參見圖2B）。

參考圖2B，在一些實施例中，在方塊222，處理邏輯識別與經由基板處理系統（例如，與圖2A相同的基板處理系統）的基板生產相關聯的追蹤資料。追蹤資料可以相關聯於不知道基板的屬性資料是滿足閾值（例如，良好基板）還是不滿足閾值（例如，不良基板）的基板。追蹤資料包括每個基板隨時間變化的單獨一組感測器資料。在一些實施例中，追蹤資料包括來自每個基板的多個不同感測器的感測器資料（例如，不同類型的感測器資料）。

在方塊224，處理邏輯將追蹤資料與已經基於允許的變化類型生成的保護帶進行比較（例如，參見圖2A的方塊206）。隨著時間的推移，保護帶可以具有資料點的上限和下限。

在方塊226，處理邏輯確定追蹤資料的一個或多個資料點不在保護帶內。一個或多個資料點可以包括至少一個高於上限的資料點和/或至少一個低於下限的資料點（例如，資料點與具有滿足閾值的屬性值的基板的資料點不匹配））。

在方塊228，處理邏輯導致執行與基板處理系統相關聯的校正動作。在一些實施例中，校正動作包括提供警報、中斷基板處理設備、啟動基板檢查、捨棄基板、更新製造參數等。在一些實施例中，校正動作的執行特定於保護帶之外的資料點的類型或數量。

參考圖2C，在一些實施例中，在方塊242，處理邏輯識別與經由基板處理系統的基板的生產相關聯的歷史追蹤資料。在一些實施例中，基板（例如，良好基板）具有滿足閾值的屬性值。方塊242可以類似於圖2A的方塊202。在一些實施例中，基板（例如，不良基板）具有不滿足閾值的屬性值。

在一些實施例中，在方塊244，處理邏輯識別與歷史追蹤資料相關聯的歷史性能資料。在一些示例中，歷史性能資料指示基板是良好基板還是不良基板（例如，所有基板都具有滿足閾值的屬性值，所有基板都具有不滿足閾值的屬性值）。

在方塊246，處理邏輯用包括歷史追蹤資料的資料輸入（例如，和包括歷史性能資料的目標輸出）來訓練機器學習模型，以生成指示與允許類型的變化相關聯的保護帶的經訓練機器學習模型。機器學習模型的訓練可以使保護帶基於圖2A的方塊204中描述的允許的變化類型。

經訓練的機器學習模型可用於確定額外的追蹤資料是否滿足保護帶（例如，參見圖2D）。

參考圖2D，在一些實施例中，在方塊262，處理邏輯識別與經由基板處理系統（例如，與圖2C相同的基板處理系統）的基板生產相關聯的追蹤資料。追蹤資料可以相關聯於不知道基板的屬性資料是滿足閾值（例如，良好基板）還是不滿足閾值（例如，不良基板）的基板。方塊262可以類似於圖2B的方塊242。

在方塊264，處理邏輯將追蹤資料作為輸入提供給與基於允許的變化類型生成的保護帶相關聯的經訓練機器學習模型（例如，圖2C的246的經訓練機器學習模型）。

在方塊266，處理邏輯從經訓練機器學習模型接收指示預測資料的輸出。

在方塊268，處理邏輯基於預測資料確定追蹤資料的一個或多個資料點不在經訓練機器學習模型的保護帶內。一個或多個資料點可高於保護帶的上限或可低於保護帶的下限。

在方塊270，處理邏輯基於預測資料導致執行與基板處理系統相關聯的校正動作。方塊270可以類似於圖2B的方塊228。

圖3A-D是根據某些實施例的與保護帶違規剖析關聯的方法的流程圖。圖3A是與確定保護帶違規形狀表徵以分類保護帶違規資料點相關聯的方法300A的流程圖，圖3B是與基於保護帶違規形狀表徵對保護帶違規資料點進行分類相關聯的方法300B的流程圖，圖3C是與訓練用於分類保護帶違規資料點的機器學習模型相關的方法300C的流程圖，且圖3D是與使用經訓練機器學習模型對保護帶違規資料點進行分類相關聯的方法300D的流程圖。

參考圖3A，在一些實施例中，在方塊302，處理邏輯識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產（經由基板處理系統）相關聯的追蹤資料。方塊302可以類似於圖2A的方塊202。

在方塊304，處理邏輯識別與追蹤資料相關聯的保護帶。保護帶可以基於圖2A的方法200A或圖2C的方法200C生成。

在方塊306，處理邏輯基於保護帶確定追蹤資料的保護帶違規資料點。保護帶違規資料點包括追蹤資料的高於保護帶上限的資料點和/或追蹤資料的低於保護帶下限的資料點。

在一些實施例中，追蹤資料來自不同類型的感測器並且保護帶違規資料點的確定是經由多變量（例如，多變量）分析。

在一些實施例中，保護帶違規資料點的確定包括對與超過閾值變化的值的變化相關聯的追蹤資料的部分進行分段。在一些實施例中，保護帶違規資料點的確定包括從追蹤資料中提取特徵。

在方塊308，處理邏輯基於保護帶違規資料點來確定保護帶違規形狀表徵（參見圖6A-E）。

在一些實施例中，保護帶違規形狀表徵是保護帶違規持續時間（例如，循序保護帶違規資料點的數量在保護帶限制之外）、保護帶違規幅度（例如，保護帶違規資料點高於上限多遠或低於下限多遠）、保護帶違規區域（例如，穿過保護帶違規資料點的線和保護帶限制之間的區域）、保護帶違規位置（例如，保護帶違規資料點相對於保護帶限制的位置）和/或保護帶違規間歇性（例如，保護帶違規資料點超過保護帶上限和/或保護帶下限的頻率）中的一個或多個的加權組合。

在一些實施例中，保護帶違規形狀表徵的確定包括將連續違規串聯成單個違規。通過分析連續違規之間的行為，可以更好地了解違規是否相關。典型的分析可能包括違規之間的時間、違規之間恢復正常的位準、以及導致連續違規的因素的相似性（例如，x方向偏移）。連續違規的串聯通過識別系統問題而不是保護帶違規來提高保護帶的性能。這減少了保護帶違規報告中的喋喋不休情況，並允許將主題專業知識納入保護帶分析。

保護帶違規形狀表徵可用於根據與持續時間、位準、面積等相關的參數來表徵任何保護帶特徵。可以對這些參數進行加權以更好地擷取特定的違規類型。

在方塊310，處理邏輯基於保護帶違規形狀表徵導致執行與基板處理系統相關聯的校正動作。方塊310可以包括基於保護帶違規形狀表徵對額外追蹤資料的額外保護帶違規資料點進行分類，以確定是否執行校正動作（例如，參見圖3B）。

參考圖3B，在一些實施例中，在方塊322，處理邏輯識別與經由基板處理系統（例如，與圖3A相同的基板處理系統）的基板生產相關聯的追蹤資料。追蹤資料可以相關聯於不知道基板的屬性資料是滿足閾值（例如，良好基板）還是不滿足閾值（例如，不良基板）的基板。方塊322可以類似於圖2B的方塊222。

在方塊324，處理邏輯識別與追蹤資料相關聯的保護帶。方塊324可以類似於圖3A的方塊304。

在方塊326，處理邏輯基於保護帶確定追蹤資料的保護帶違規資料點。保護帶違規資料點包括追蹤資料的高於保護帶上限的資料點和/或追蹤資料的低於保護帶下限的資料點。方塊326可以類似於圖3A的方塊306。

在方塊328，處理邏輯識別保護帶違規形狀表徵。保護帶違規形狀表徵可以由圖3A的方塊308確定。保護帶違規形狀表徵可以指示特定類型（例如，形狀、面積、持續時間、大小、位置、間歇性等）的保護帶違規將被分類為異常（例如，執行校正動作）或不是異常（例如，不執行校正動作）。

在方塊330，處理邏輯基於保護帶違規形狀表徵來確定保護帶違規資料點的分類。在一些實施例中，分類指示保護帶違規資料點是否異常。在一些實施例中，分類指示與保護帶違規資料點相關聯的異常類型。在一些實施例中，分類指示要與保護帶違規資料點相關聯地執行的校正動作的類型。

在方塊332，處理邏輯基於分類導致執行與基板處理系統相關聯的校正動作。方塊332的校正動作的執行可類似於圖2B的塊228的校正動作的執行。

參考圖3C，在一些實施例中，在方塊342，處理邏輯識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產（經由基板處理系統）相關聯的追蹤資料。方塊302可以類似於圖2A的方塊202、圖2C的方塊242、和/或圖3A的方塊302。

在方塊344，處理邏輯識別與歷史追蹤資料相關聯的歷史性能資料。在一些示例中，歷史性能資料指示基板是良好基板還是不良基板（例如，所有基板都具有滿足閾值的屬性值，所有基板都具有不滿足閾值的屬性值）。方塊344可以類似於圖2C的方塊244。

在方塊346，處理邏輯識別與追蹤資料相關聯的保護帶。保護帶可以基於圖2A的方法200A或圖2C的方法200C生成。方塊346可以類似於圖3B的方塊304。

在方塊348，處理邏輯基於保護帶確定歷史追蹤資料的歷史保護帶違規資料點。保護帶違規資料點包括歷史追蹤資料的高於保護帶上限的資料點和/或追蹤資料的低於保護帶下限的資料點。方塊348可以類似於圖3A的方塊306。

在方塊350，處理邏輯使用包括歷史保護帶違規資料點（例如，目標輸出包括歷史性能資料）的資料輸入來訓練機器學習模型，以生成與保護帶違規形狀表徵相關聯的經訓練機器學習模型，以對額外的保護帶違規資料點進行分類。經訓練的機器學習模型可由圖3D使用。在一些實施例中，將保護帶違規資料點和違規形狀表徵（例如，形狀匯總統計）被提供給經訓練的機器學習模型，以對保護帶違規資料點進行分類。在一些實施例中，基於保護帶違規資料點來確定保護帶違規形狀表徵（例如，參見圖3B的方塊308）。

參考圖3D，在一些實施例中，在方塊362，處理邏輯識別與經由基板處理系統（例如，與圖3C相同的基板處理系統）的基板生產相關聯的追蹤資料。追蹤資料可以相關聯於不知道基板的屬性資料是滿足閾值（例如，良好基板）還是不滿足閾值（例如，不良基板）的基板。方塊362可以類似於圖3B的方塊342。

在方塊364，處理邏輯識別與追蹤資料相關聯的保護帶。方塊364可以類似於圖3A的方塊304、圖3B的方塊324、和/或圖3C的方塊344。

在方塊366，處理邏輯基於保護帶確定追蹤資料的保護帶違規資料點。保護帶違規資料點包括追蹤資料的高於保護帶上限的資料點和/或追蹤資料的低於保護帶下限的資料點。方塊366可以類似於圖3A的方塊306、圖3B的方塊326、和/或圖3C的方塊346。

在方塊368，處理邏輯提供保護帶違規資料點作為與保護帶違規形狀表徵相關聯的經訓練機器學習模型（例如，經由圖3C的方塊350訓練）的輸入。在一些實施例中，保護帶違規資料點和保護帶違規形狀表徵（例如，形狀匯總統計）被提供作為經訓練機器學習模型的輸入，以對保護帶違規資料點進行分類。在一些實施例中，基於保護帶違規資料點來確定保護帶違規形狀表徵（例如，參見圖3B的方塊308）。

在方塊370，處理邏輯從經訓練機器學習模型接收指示預測資料的輸出。

在方塊372，處理邏輯基於預測資料確定追蹤資料的一個或多個資料點的分類。方塊372的分類可以類似於圖3B的方塊330的分類。

在方塊384，處理邏輯基於分類導致執行與基板處理系統相關聯的校正動作。方塊384可以類似於圖3B的方塊332。

圖4A-D是根據某些實施例的與保護帶限制之外的動態可接受區域（例如，追蹤資料的時間相關變化）相關聯的方法的流程圖。圖4A是與確定保護帶限制之外的可接受區域相關聯的方法400A的流程圖，圖4B是與使用和可能調整保護帶限制之外的可接受區域相關聯的方法400B的流程圖，圖4C是與用於確定保護帶限制之外的可接受區域的經訓練機器學習模型相關聯的方法400C的流程圖，並且圖4D是使用經訓練的機器學習模型來使用和可能調整保護帶限制之外的可接受區域相關聯的方法400D的流程圖。

由於可接受的漂移、振盪、雜訊、尖峰等，良好晶圓的追蹤資料可能會隨時間發生變化。

參考圖4A，在一些實施例中，在方塊402，處理邏輯識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產（經由基板處理系統）相關聯的追蹤資料。方塊302可以類似於圖2A的方塊202和/或圖3A的方塊302。

在方塊404，處理邏輯基於追蹤資料確定保護帶限制之外的動態可接受區域。

在一些實施例中，處理邏輯基於追蹤資料確定保護帶的上限和下限（例如，經由圖2A的方塊206、經由圖2C的方塊246、經由追蹤資料的平均值的3 sigma等等）。保護帶上限和下限之間的區域是安全區域（例如，綠色區域），此區域中的資料點被認為是良良好。

處理邏輯確定保護帶限制之外的可接受區域。可接受區域可以是警告區域（例如，黃色區域），其中資料點仍然正常並且用於追蹤基板處理系統的動態。異常區域（例如，紅色區域）在可接受區域之外，並且異常區域內的資料點被認為是正的（例如，異常）。

可接受的區域可以通過使用者輸入來確定（例如，保護帶限制之外的1 sigma、4 埃感測器資料變化、4%感測器資料變化等等）。可接受區域可隨時間變化（例如，動態可接受區域）。在一些實施例中，對於預定量的時間（例如，預定次數的運行），偏離保護帶限制的預定量的感測器值變化是可接受的。例如，對於10次運行，感測器值相對於保護帶限制的4埃或4%的變化可能是可以接受的。

動態可接受區域和/或保護帶限制可能會隨時間變化。例如，經過預定的運行量（例如，10次運行），可接受的區域和/或保護帶限制可以按預定量調整（例如，上升4埃、加寬4%等等）。隨著動態可接受區域和/或保護帶限制隨時間改變，新的可接受區域可以被更新。

在方塊406，處理邏輯基於保護帶限制之外的動態可接受區域導致執行與基板處理設備相關聯的校正動作。校正動作的執行可以基於額外追蹤資料位於可接受區域之外（參見圖4B）。

參考圖4B，在一些實施例中，在方塊422，處理邏輯識別與經由基板處理系統（例如，與圖4A相同的基板處理系統）的基板生產相關聯的追蹤資料。追蹤資料可以相關聯於不知道基板的屬性資料是滿足閾值（例如，良好基板）還是不滿足閾值（例如，不良基板）的基板。方塊422可以類似於圖2B的方塊222和/或圖3B的方塊322。

在方塊424，處理邏輯將追蹤資料與保護帶限制之外的動態可接受區域進行比較。動態可接受區域可由圖4A的方塊404確定。

在方塊426，處理邏輯響應於追蹤資料的一個或多個資料點在動態可接受區域內，基於追蹤資料更新保護帶限制之外的動態可接受區域。

在方塊428，處理邏輯響應於追蹤資料的一個或多個資料點在動態可接受區域之外而導致執行與基板處理設備相關聯的校正動作。方塊428的校正動作的執行可以類似於圖2B的塊228和/或圖3B的方塊332的校正動作的執行。

參考圖4C，在一些實施例中，在方塊442，處理邏輯識別與具有滿足閾值的屬性值的基板（例如，良好基板）的生產（經由基板處理系統）相關聯的追蹤資料。方塊302可以類似於圖2A的方塊202，圖2C的方塊242，圖3A的方塊302，圖3C的方塊342和/或圖4A的方塊402。

在方塊444，處理邏輯識別與歷史追蹤資料相關聯的歷史性能資料。在一些示例中，歷史性能資料指示基板是良好基板還是不良基板（例如，所有基板都具有滿足閾值的屬性值，所有基板都具有不滿足閾值的屬性值）。方塊444可以類似於圖2C的方塊244和/或圖3C的方塊344。

在方塊446，處理邏輯用包括歷史追蹤資料的資料輸入（例如，和包括歷史性能資料的目標輸出）來訓練機器學習模型以生成指示保護帶限制之外的動態可接受區域的經訓練機器學習模型。經訓練的機器學習模型可由圖4D使用。

參考圖4D，在一些實施例中，在方塊462，處理邏輯識別與經由基板處理系統（例如，與圖4C相同的基板處理系統）的基板生產相關聯的追蹤資料。追蹤資料可以相關聯於不知道基板的屬性資料是滿足閾值（例如，良好基板）還是不滿足閾值（例如，不良基板）的基板。方塊362可以類似於圖4B的方塊442。

在方塊464，處理邏輯提供追蹤資料作為對與保護帶限制之外的動態可接受區域相關聯的經訓練機器學習模型的輸入（例如，圖4C的446的經訓練機器學習模型）。

在方塊466，處理邏輯從經訓練機器學習模型接收指示預測資料的輸出。

在方塊468，處理邏輯響應於基於預測資料確定追蹤資料的一個或多個資料點在可接受區域內而更新保護帶限制之外的動態可接受區域。方塊468可以類似於圖4B的方塊426。

在方塊470，處理邏輯響應於基於預測資料確定追蹤資料的一個或多個資料點在可接受區域之外而導致執行與基板處理系統相關聯的校正動作。方塊470可以類似於圖4B的方塊428。

圖5A-E圖示根據某些實施例的允許類型的變化的圖表500A-E（例如，參見圖2A-D）。圖5A-B說明了追蹤間變異性的圖表500A-B。圖5C示出上限不同於下限的圖表500C。圖5D圖示了位置相關變化的圖表500D。圖5E圖示了軌跡分段的圖表500E。

參考圖5A，圖表500A圖示了追蹤資料502A-B。追蹤資料502A可以是對於第一基板（例如，一個或多個第一基板）的生產的感測器資料（例如，來自一個或多個感測器），並且追蹤資料502B可以是對於第二基板（例如，一個或多個第二基板）的感測器資料（例如，來自相同的一個或多個感測器）。追蹤資料502B的擷取可能在基板生產操作中比追蹤資料502A的擷取更早發生，導致x方向上的偏移（例如，x軸是時間而y軸是感測器值，追蹤資料502A比追蹤資料502B更早地上升）。這稱為追蹤間變異性（例如變化）。

參照圖5B，圖表500B示出了與許多基板的生產相關聯的隨時間變化的追蹤資料。未考慮追蹤間變異性的保護帶504A導致許多誤報（例如，許多不對應於不良基板的保護帶違規資料點）。在一些示例中，線506通過取追蹤資料的平均值來計算，並且保護帶504A通過從線506取3 sigma來創建，使得保護帶504A隨著時間與線506的距離相等。追蹤間變異性導致保護帶504A的許多誤報，並且僅僅擴展保護帶504A會產生許多漏報（例如，如果擴展保護帶504A，則不會擷取在y方向上偏離的資料點）。

通過圖2A的方法200A或圖2C的方法200C，考慮到追蹤間變異性而生成保護帶504B。來自良好基板的追蹤資料用於確定允許的變異性類型。例如，初始保護帶504A可以由良好基板的追蹤資料製成，然後，由於基板都具有滿足閾值的屬性值，保護帶504A在區域中在x方向上加寬（例如，位準擴展）形成保護帶504B以適應追蹤間的變異性。

參照圖5C，圖表500C說明上限不同於下限的圖表500C。

如圖5B中所討論的，保護帶504A可以具有與穿過追蹤資料的平均值的線506等距的上限和下限（例如，3 sigma）。來自良好晶圓的追蹤資料可能在線506上方和下方具有不同量的變化。通過僅使保護頻帶504A的上限和下限等距，可能會存在許多誤報。

通過圖2A的方法200A或圖2C的方法200C，生成考慮了彼此不同的上限和下限的保護帶504B。例如，如圖5C所示，在轉變開始時可能存在比下側變化508B更大的上側變化508A，並且在轉變結束時可能存在比上側變化508C更大的下側變化508D。

參考圖5D，圖表500D說明位置相關變化的圖表500D。

如圖5B中所討論的，保護帶504A可以具有上限和下限（例如，3 sigma），它們與穿過追蹤資料的平均值的線506隨時間的距離相同。來自良好晶圓的追蹤資料在不同的時間部分可能具有不同的變化量。隨著時間的推移具有相同大小的保護帶504A，可能會出現許多誤報。

通過圖2A的方法200A或圖2C的方法200C，生成的保護帶504B考慮了隨時間變化的不同量的變化510。例如，如圖5D所示，在平坦區域中可能存在較低的變化510A（例如，良好基板的保護帶504B的上限和下限之間的距離較小）且在一個暫態區域中可能存在較高的變化510B（例如，良好基板的保護帶504B的上限和下限之間的距離較大）。

參考圖5E，圖表500E圖示了軌跡分段的圖表500E。如圖5B中所討論的，保護帶504A可以具有上限和下限（例如，3 sigma），它們與穿過追蹤資料的平均值的線506隨時間的距離相同。在一些實施例中，追蹤資料的變化大於閾值量（例如，參見圖5E中的區域512）。

如果兩個邊界彼此靠近，則可以使用中間位置。如果邊界之一接近具有大於閾值量的變化的邊界，則可以維持該段邊界。

追蹤資料中顯示原始邊界急劇變化的兩段可能不會從追蹤資料中刪除。可以基於區域512中的急劇變化分段點的分段知識來調整保護帶的參數。

區域512的急劇變化可以是以下一種或多種：

1）追蹤資料段從負到正或從正到負的斜率變化（例如slope（right）*slope（left）＜0）；

2）右段和/或左段的斜率超過閾值斜率（例如abs（slope（right））＞0.1或abs（slope（left））＞0.1（在正常值中））；和/或

3）兩個連接段的平均變化（例如，標準偏差）是大於下兩個段的平均變化（例如，標準偏差）的閾值量）（例如，mean（std[right,left]）＞2*mean（std[right_2,left_2]）。

如果追蹤資料的兩個相鄰段具有來自上面的（1）、（2）和（3），則段邊界（例如，區域512中的資料點）可以被認為是固定邊界。在一些實施例中，作為分段邊界的區域512導致為區域512中的點生成保護帶504B而不是從保護帶504B生成中移除512中的資料點。在一些實施例中，作為分段邊界的區域512導致區域512中的資料點成為具有較小允許變化的保護帶504B的極限。

圖6A-E圖示了根據某些實施例的保護帶違規分析（例如，參見圖3A-D）。

在圖6A中，追蹤資料被顯示在圖表602A-Z中的每一個上（例如，圖3A的方塊302、圖3C的方塊344）。每個圖表602A-Z可以說明不同基板的生產的追蹤資料，其中每個基板都是良好基板（例如，具有滿足閾值的屬性值）。每個圖表602A-Z還說明了保護帶，並且每個圖表602A-Z具有落在保護帶限制之外的一些資料點組。這些資料點組被稱為保護帶違規資料點組604A-Z（例如，與保護帶違規相關聯的資料點組）。由於追蹤資料是針對良好基板的，因此保護帶違規資料點組604A-Z違反了保護帶，但並不表示不良基板（例如，它們是誤報）。

為追蹤資料的每組保護帶違規資料點604提取參數606。參數606可以包括面積、持續時間、幅度等。在一些示例中，區域可以是保護帶限制和穿過保護帶限制之外的追蹤資料的線的一部分之間的區域。在一些示例中，持續時間可以是循序的保護帶違規資料點在保護帶限制之外的時間量。幅度可以是保護帶違規資料點和保護帶限制之間（例如，在y方向上）的差異的幅度（例如，y值）。在一些示例中，每個保護帶違規資料點可以具有對應的參數輸入。

參數606和參數606的聯合機率密度函數可用於形成圖表608。圖表608可以通過擬合多元高斯分佈（例如，找到三個變量的聯合機率密度函數）來生成。保護帶違規資料點組604可以形成圍繞保護帶違規資料點組604（例如，良好保護帶違規資料點614A）的保護帶違規形狀表徵610（例如，圖表608上的圓圈）。

包括保護帶違規形狀表徵610的圖表608可用於生成圖表612。圖表12顯示了保護帶違規形狀表徵610，保護帶違規形狀表徵610將對應於良好基板的良好保護帶違規資料點614A和對應於不良基板的不良保護帶違規資料點614B分開。

響應於針對良好基板的保護帶違規資料點組604，保護帶違規形狀表徵610圍繞（例如，包圍）圖表608中的良好基板的資料點。保護帶違規形狀表徵610可用於確定未來的保護帶違規資料點集604是否是對應於良好基板的良好保護帶違規資料點614A（例如，在圖表608上的保護帶違規形狀表徵610內部，低於圖表612上的保護帶違規形狀表徵610）或不良基板（例如，在圖表608上的保護帶違規形狀表徵610之外，在圖表612上的保護帶違規形狀表徵610以上）。

在一些實施例中，用於參數606、圖表608和圖表612的保護帶違規資料點組604對應於不良基板（例如，具有不滿足閾值的屬性值的基板）。保護帶違規形狀表徵610隨後圍繞（例如，包圍）圖表608中的不良基板的資料點。保護帶違規形狀表徵610可用於確定未來基板是否是不良（例如，在圖表608上的保護帶違規形狀表徵610內，在圖表612上的保護帶違規形狀表徵610之下）或是否良好（例如，在圖表608上的保護帶違規形狀表徵610外，在圖表612上的保護帶違規形狀表徵610之上）。

響應於針對特定類型基板（例如特定類型的不良、具有不滿足閾值的特定屬性值的基板）的保護帶違規資料點組604，保護帶違規形狀表徵610圍繞（例如，包圍）特定類型基板的資料點。保護帶違規形狀表徵610可用於確定未來基板是否是特定類型的基板（例如，在圖表608上的保護帶違規形狀表徵610內，在圖表612上的保護帶違規形狀表徵610之下）或是否不是特定類型的基板（例如，在圖表608上的保護帶違規形狀表徵610外，在圖表612上的保護帶違規形狀表徵610之上）。

圖6B圖示了根據某些實施例的保護帶違規剖析的圖表620。圖表620包括帶平均值622（例如，平均追蹤資料）、保護帶限制624、保護帶限制624和帶平均值622之間的偏移量626、以及保護帶違規資料點628。圖表620在第一保護帶違規資料點628A和第二保護帶違規資料點628B之間有間隙638。

保護帶違規資料點628的違規持續時間630是在保護帶限制624之外的第一保護帶違規資料點628A和在保護帶限制624之外的最後一個保護帶違規資料點628B之間的距離（例如，在x方向上，違規的持續時間）。

違規幅度632（例如最大違規、違規峰值）是保護帶限制624和保護帶違規資料點628（例如，在y方向上離保護帶限制624最遠的保護帶違規資料點628）之間的距離。

違規區域634是穿過保護帶違規資料點的線與保護帶限制624之間的區域（例如，違規的平均值）。

違規位置636可以是最大違規幅度632的位置（例如，x值、時間值，違規所在）。

違規間歇性可以包括合併或拆分兩個或多個違規。

保護帶違規形狀表徵610可以進一步基於違規持續時間630、違規幅度632、違規面積634和/或違規位置636中的一項或多項。對應於滿足閾值的違規持續時間630、違規幅度632、違規區域634和/或違規位置636的保護帶違規資料點628可以被忽略。對應於滿足閾值的違規持續時間630、違規幅度632、違規區域634和/或違規位置636的保護帶違規資料點628可以對應於一種基板類型（例如，良好基板、不良基板、基板不良類型等等）。

圖6C圖示了根據某些實施例的保護帶違規剖析的圖表640。圖表640包括帶平均值622（例如，平均追蹤資料）、保護帶限制624、保護帶違規資料點628的實例、保護帶違規資料點628的兩個實例之間的間隙638，以及帶平均值622和保護帶違規資料點628的第一實例的最後一個保護帶違規資料點628之間的違規幅度632。線642位於保護帶違規資料點628C的第一實例的最後一個保護帶違規資料點和對應於保護帶違規資料點628D的第二實例的第一個保護帶違規資料點的帶平均值622的資料點之間。

保護帶違規形狀表徵610可以基於違規的數量將基板或追蹤資料分類為良好、不良或不良類型。響應於線642的長度滿足閾值（例如，足夠大），保護帶違規資料點628C的第一實例和保護帶違規資料點的第二實例628D被認為是單一違規，否則保護帶違規資料點628C的第一實例和保護帶違規資料點628D的第二實例被認為是單獨的違規。

圖6D圖示了根據某些實施例的用於保護帶違規剖析的方法660的流程圖。保護帶違規資料點的分類可以經由多變量（例如，多變數）分析（例如，基於來自不同類型感測器的感測器資料）。

在一些實施例中，來自感測器662A-N的追蹤資料被單獨地與對應的保護帶664A-N進行比較。來自感測器662的追蹤資料與保護帶664的比較的保護帶違規資料點，被經由違規機率密度函數（pdf）666處理並與閾值668比較以提供測試追蹤資料670。

測試追蹤資料為每個感測器662提供分數672。基於分數672執行分數排名674。基於分數排名674執行感測器重要性排名676。基於感測器重要性排名676生成綜合分數677。將綜合分數677與綜合閾值678進行比較以提供故障檢測結果679（例如，將保護帶違規資料點分類為良好基板或不良基板、異常檢測結果）。

圖6E圖示了根據某些實施例的用於保護帶違規剖析的方法680的流程圖。保護帶違規形狀表徵可以基於保護帶違規資料點和分段特徵提取。

在方塊682，追蹤資料被識別。這可以類似於圖3A的方塊302和/或圖3C的方塊342，用於生成保護帶。這可以類似於圖3B的方塊322和/或圖3D的方塊362用於使用保護帶。

在方塊684，對來自方塊682的追蹤資料執行完整追蹤分析。例如，可以確定面積、持續時間、幅度等（例如，參見圖6A-C）。

在方塊686，基於對追蹤資料的完整追蹤分析生成保護帶模型。這可以類似於圖2A的方塊206和/或圖2C的方塊246。

在方塊688，通過將追蹤資料與保護帶模型（例如，保護帶）進行比較來確定異常特徵（例如，保護帶違規資料點）。這可以類似於圖3A的方塊306、圖3B的方塊326、用於訓練模型的圖3C的方塊346和/或圖3D的方塊366。異常特徵（例如，保護帶違規資料點）可能是持續性的或間歇性的。

在方塊690，對方塊682的追蹤資料執行分段特徵提取。這可能類似於圖5E（例如，分段邊界，例如圖5E的區域512中的資料點，被認為是固定邊界）。在一些實施例中，保護帶模型產生可以與在方塊690處識別的特徵（例如，方塊692的持續性特徵和方塊692的間歇性特徵）組合的方塊688的異常特徵。

在方塊692，基於方塊690的分割特徵提取確定追蹤資料的持續性特徵。持續性特徵可以是滿足閾值出現次數的追蹤資料的特徵。

在方塊694，執行追蹤資料的持續性特徵的特徵參數相關（例如，基於主題專業知識699，例如使用者輸入）。特徵參數相關可以基於諸如幅度、位置、面積、持續時間等的參數（參見圖6B）。在一些實施例中，保護帶違規形狀表徵可以將對應於持續性特徵的保護帶違規資料點分類為與良好基板相關聯。

在方塊696，基於方塊690的分段特徵提取來確定追蹤資料的間歇性特徵。間歇性特徵可以是不滿足閾值出現次數的追蹤資料特徵。

在方塊698，基於來自方塊696的間歇性特徵、來自方塊688的異常特徵和/或主題專業知識699執行特徵存在相關。在一些實施例中，保護帶違規形狀表徵可將對應於間歇性特徵的保護帶違規資料點分類為與不良基板相關聯。

圖7A-F圖示了根據某些實施例的保護帶限制之外的動態可接受區域。

圖7A示出了與保護帶限制之外的動態區域相關聯的方法700的流程圖。

在方塊702，處理邏輯識別基線追蹤資料。這可以類似於圖3A的方塊302和/或圖3C的方塊342，用於生成保護帶。這可以類似於圖3B的方塊322和/或圖3D的方塊362用於使用保護帶。

在方塊704，處理邏輯基於追蹤資料識別保護帶。保護帶可以由圖2A的方塊206和/或圖2C的塊246生成。

在方塊706，處理邏輯基於保護帶和基線追蹤資料執行多變量（例如，多變數）分析（MVA）分佈。

在方塊708，處理邏輯識別基線追蹤資料上的機率。機率可以是資料點處於安全區域（例如，圖7B的圖表734或圖表742的區域736）、警報區域（例如，圖7B的圖表734或圖表742的區域738）、或異常區域（例如，圖7B的圖表734或圖表742的區域740）中的機率。

在方塊710，處理邏輯生成內部閾值。內部閾值可以是將警報區域（例如，圖7B的圖表734或圖表742的區域738）與異常區域（例如，圖7B的圖表734或圖表742的區域740）分開的線。

在方塊712，處理邏輯生成增強的追蹤資料。增強的追蹤資料可以是通過由方塊714-720中的一個或多個調整方塊702的基線追蹤資料而形成的模擬追蹤資料。

在方塊714，增強的追蹤資料可以包括具有較小漂移的追蹤資料。漂移可以包括在y方向上增加方塊702的基線追蹤資料的感測器值。

在方塊716，增強的追蹤資料可包括具有較小重複的追蹤資料。方塊702的基線追蹤資料的一個或多個部分可以隨時間重複（例如，在x方向上）。

在方塊718，增強的追蹤資料可以包括具有較小雜訊（例如，和/或振盪）的追蹤資料。可以在y方向上調整（例如，增加和減少）方塊702的基線追蹤資料以模擬雜訊。

在方塊720，增強的追蹤資料可以包括具有較小尖峰的追蹤資料。方塊702的基線追蹤資料可以包括峰和谷以模擬小尖峰。

在方塊722，處理邏輯識別基線追蹤資料加上增強追蹤資料的機率。方塊722可以類似於方塊708。

在方塊724，處理邏輯生成外部閾值。方塊724可以類似於方塊710。

圖7B說明保護帶限制之外的動態區域。圖表730說明基線追蹤資料（例如，方塊702的），並且圖表732說明增強的追蹤資料（例如，方塊712的）。

圖表734圖示了區域736（例如，允許區域、綠色區域）、區域738（例如，警告區域、黃色區域）和區域740（例如，異常區域）。圖表734可以基於來自良好基板的追蹤資料形成。圖表734上的所有資料點可能在區域736或區域738中。

圖表742示出了用於確定基板是好還是不良基板的新追蹤資料。圖表742在區域736、區域738和區域740中具有追蹤資料。區域740中的資料點對應於不良基板。區域738（例如，黃色區域、警報區域）將根據區域738中的資料點重新計算。

圖7C示出了與保護帶限制之外的動態區域相關聯的方法744的流程圖。

在方塊746，處理邏輯識別追蹤資料的訓練組。訓練組可以是用於使用基板處理設備生產基板的先前追蹤資料。

在方塊748，處理邏輯識別新的追蹤資料。在一些實施例中，新的追蹤資料包括與使用與方塊746相同的基板處理設備或使用不同的基板處理設備生產新基板相關聯的新感測器資料。在一些實施例中，新的追蹤資料包括模擬的追蹤資料，其基於方塊746的軌跡日期而製作並且包括漂移、雜訊、尖峰、振盪等中的一種或多種。

在方塊750，處理邏輯對來自方塊748的新追蹤資料進行排序。可以基於代表（例如，接近於）方塊746的追蹤資料來對新的追蹤資料進行排名。新的追蹤資料可以基於彼此的接近度來排名（例如，移除異常）。新追蹤資料的資料點可能被評為良好（例如，綠色區域）、可接受並用於調整保護帶（例如，黃色區域）或異常（例如，紅色區域）。例如，新追蹤資料的資料點可能在綠色區域內（例如，沒有輸入保護帶調整），在可接受的黃色區域（例如，沒有異常，但輸入GB調整），或在異常紅色區域（例如，異常，但沒有輸入保護帶調整）。

在方塊752，處理邏輯選擇至少一部分來自方塊748的新追蹤資料（例如，基於來自方塊750的排名）。處理邏輯可以基於方塊750的排名選擇排名最高的追蹤資料。

在方塊754，處理邏輯基於從方塊752選擇的訓練集和/或追蹤資料更新（例如，參見圖7E）或重新訓練（例如，參見圖7F）舊保護帶。當滿足特定標準時（例如，追蹤資料有雜訊、追蹤資料沒有漂移等），處理邏輯可以觸發保護帶更新。

在方塊756，處理邏輯識別已經從方塊754更新或重新訓練的新保護帶。

圖7D說明保護帶限制之外的動態區域。圖表760說明了新的追蹤資料（例如，來自圖7C的方塊748），並且圖表762說明了圖表760的追蹤資料的追蹤排名（例如，參見圖7C的方塊750）。

圖表764圖示了選擇的軌跡（例如，來自圖7C的方塊752），並且圖表766圖示了從來自圖表764的所選軌跡（例如，資訊最豐富的軌跡）更新的自適應保護帶（例如，圖7C的方塊756的新保護帶）。

圖7E示出了雜訊保護帶限制之外的動態區域。方塊圖770A說明生成保護帶的處理資料（例如，追蹤資料）正在累積。響應於處理邏輯檢測雜訊（例如，週期性變化），處理邏輯用所有歷史資料更新保護帶。

圖表772A說明了初始追蹤資料（例如，前60條軌跡），並且圖表774A說明了圖表772A的追蹤資料的初始保護帶。

圖表776A說明了追蹤資料（例如，前120條軌跡）並且圖表778A說明了圖表776A的追蹤資料的後續保護帶。如圖表778A所示，保護帶隨時間加寬以適應可接受雜訊的增加。

圖7F說明了漂移保護帶限制之外的動態區域。方塊圖770A說明較早的歷史資料（例如，先前的追蹤資料）被遺忘，並且僅一些量（例如，零或更多）的較新的歷史資料與新的處理資料（例如，當前的追蹤資料）組合用於生成保護帶。響應於處理邏輯檢測漂移（例如，感測器值的y方向隨時間的變化），處理邏輯觸發遺忘機制並且僅用最近的追蹤資料更新保護帶。

圖表772B說明了初始追蹤資料（例如，前50條軌跡）並且圖表774B說明了圖表772B的追蹤資料的初始保護帶。

圖表776B說明了追蹤資料（例如，後續的50條軌跡）並且圖表778B說明了圖表776B的追蹤資料的後續保護帶。如圖表778B所示，保護帶隨時間在y方向上移動（例如，上升）以適應可接受的漂移。

圖8A-B圖示了根據某些實施例的保護帶適配。圖8A-B的任何部分中所示的保護帶適應可以用於本揭示內容的任何方法（例如，圖2A-D、3A-D和/或4A-D），以使保護帶適應系統動態（例如，不適應違規，例如故障位準轉換）。

圖8A圖示了水平縮放。圖表810A圖示了追蹤資料812A和追蹤資料812B。追蹤資料812A和812B可以在y方向上具有不同的尺度。如圖表810B所示，追蹤資料812A和/或追蹤資料812B可以進行水平縮放（例如，配方端點水平縮放）。

在一些實施例中，追蹤資料812A和812B用於良好基板。透過水平縮放，可以基於追蹤資料812A和812B創建更準確的保護帶。通過水平縮放可能對應於良好或不良基板的追蹤資料，可以更準確地識別追蹤資料和保護帶之間的差異（例如，減少誤報和漏報）。

圖8B圖示了垂直縮放和水平扭曲。圖表850A圖示了在y方向上具有不同尺度的追蹤資料812A和追蹤資料812B。可以執行圖表850A的追蹤資料812A和812B的垂直縮放以生成圖表850B（例如，幅度歸一化）。可以執行圖形850B的追蹤資料812A和812B的水平扭曲以生成圖形850C（例如，動態時間扭曲）。

通過追蹤變形和縮放，異相和不同的幅度因素可能會被忽略。應用水平扭曲來忽略異相因素並保留垂直雜訊。垂直和水平縮放應用於地址域傳輸（例如，將保護帶應用於不同的域，例如不同的配方）。

圖9根據某些實施例示出電腦系統900的方塊圖。在一些實施例中，電腦系統900可以（例如經由諸如區域網路（LAN）、內聯網、外聯網或網際網路的網路）連接到其他電腦系統。電腦系統900可在客戶端-伺服器環境中以伺服器或客戶端電腦的能力來操作，或者在同級間或分佈式網路環境中作為同級電腦來操作。電腦系統900可為個人電腦（PC）、平板電腦、機上盒（STB）、個人數位助理（PDA）、蜂巢式電話、網頁器件、伺服器、網路路由器、交換器或橋接器、或能夠執行指定此裝置要（循序地或以其他方式）採取的動作的一組指令的任何裝置。此外，用詞「電腦」應包括單獨地或共同地執行一組（或多組）指令以執行本文所述的任何一個或多個方法的電腦的任何集合。

在另一態樣中，電腦系統900可包括處理裝置902、揮發性記憶體904（例如隨機存取記憶體（RAM）），非揮發性記憶體906（例如唯讀記憶體（ROM）或電子可抹除可編程ROM（EEPROM）和資料儲存器裝置918，它們可以通過匯流排908相互通信。

處理裝置902可以由一個或多個處理器（諸如通用處理器（例如複雜指令集計算（CISC）微處理器、精簡指令集計算（RISC）微處理器，非常長的指令字（VLIW）微處理器、實現其他類型指令集的微處理器或實現多種類型指令集的組合的微處理器）或專用處理器（例如特定應用積體電路（ASIC）、現場可編程閘陣列（FPGA）、數位信號處理器（DSP）或網路處理器）。

電腦系統900可進一步包括網路介面裝置922（例如，耦合到網路974）。電腦系統900還可以包括視頻顯示單元910（例如LCD）、字母數字輸入裝置912（例如鍵盤）、游標控制裝置914（例如滑鼠）、以及信號生成裝置920。

在一些實施例中，資料儲存器裝置918可包括非暫態性電腦可讀取儲存媒體924（例如非暫態性機器可讀取儲存媒體），在其上可以存儲對本文所述的方法或功能中的任何一個或多個進行編碼的指令926，包括編碼圖1的部件（例如用於預測或檢測的預測部件114、模型190等等）並用於實現本文所述方法的指令。存儲在記憶體上的指令在被執行時導致處理裝置執行本文描述的一個或多個操作。

在電腦系統900執行指令期間，指令926還可以全部或部分地駐留在揮發性記憶體904內及（或）處理裝置902內，因此，揮發性記憶體904和處理裝置902也可以構成機器可讀取儲存媒體。

雖然電腦可讀取儲存媒體924被在示例性範例中示為單一媒體，但用詞「電腦可讀取儲存媒體」應被視為包含儲存一或更多可執行指令組的單一媒體或多個媒體（例如集中式或分散式資料庫，及（或）相關聯的快取與伺服器）。用詞「電腦可讀取儲存媒體」亦應被視為包含能夠儲存或編碼指令組的任何有形媒體，此指令組要由電腦執行並使電腦執行本揭示內容的方法之任一者或更多者。用詞「電腦可讀取儲存媒體」應包括但不限於固態記憶體、以及光學和磁性媒體。

本文描述的方法、部件和特徵可以由分立的硬體部件實現，或者可以整合在其他硬體部件（諸如ASIC、FPGA、DSP或類似裝置）的功能中。另外，方法、部件和特徵可以由硬體裝置內的韌體模塊或功能電路系統來實現。此外，方法、部件和特徵可以以硬體裝置和電腦程式部件的任何組合或以電腦程序來實現。

除非另有明確說明，否則諸如「識別」、「生成」、「導致」、「提供」、「接收」、「確定」、「更新」、「比較」、「訓練」、「扭曲」、「縮放」、「獲取」等用詞，係指向電腦系統或類似的電子計算裝置的作業和程序，其將在電腦系統的暫存器和存儲器內的表示為物理（電子）量的資料，操縱和變換成類似地表示為電腦系統存儲器內的物理量的其他資料或暫存器或其他此類資訊儲存、傳輸或顯示裝置。另外，本文所用的用詞「第一」、「第二」、「第三」、「第四」等是指用於區分不同元素的標籤，並且根據其數字名稱可能不具有序數含義。

本文描述的示例還涉及用於執行本文描述的方法的設備。此設備可以被特別構造為用於執行本文描述的方法，或者它可以包括由存儲在電腦系統中的電腦程序選擇性地編程的通用電腦系統。這種電腦程式可以被存儲在電腦可讀取的有形儲存媒體中。

本文所述的方法和說明性示例並非固有地與任何特定電腦或其他裝置相關。可以根據本文描述的教導來使用各種通用系統，或者可以證明構造更專用的裝置來執行本文描述的方法及（或）它們各自的功能、例程、子例程或操作中的每一個的便利。在上面的描述中闡述了各種這些系統的結構的例子。

上面的描述旨在是說明性的，而不是限制性的。儘管已經參考特定的說明性示例和實施例描述了本揭示內容，但是將認識到，本揭示內容不限於所描述的示例和實施例。因此，揭示內容的範圍應參照下列申請專利範圍來判定，並涵蓋這些申請專利範圍的完整均等範圍。

100:系統 110:預測系統 112:預測伺服器 114:預測部件 120:客戶端裝置 122:校正動作部件 124:製造設備 126:感測器 128:計量設備 130:預測伺服器 140:資料儲存器 142:追蹤資料 144:歷史追蹤資料 146:當前追蹤資料 150:性能資料 152:歷史性能資料 154:當前性能資料 168:預測資料 170:伺服器機器 172:資料組生成器 180:伺服器機器 182:訓練引擎 184:驗證引擎 185:選擇引擎 186:測試引擎 190:機器學習模型 506:線 512:區域 606:參數 608:圖表 610:保護帶違規形狀表徵 612:圖表 620:圖表 622:帶平均值 624:保護帶限制 626:偏移量 630:違規持續時間 632:違規幅度 634:違規區域 636:違規位置 638:間隙 640:圖表 642:線 660:線 666:違規機率密度函數（pdf） 668:閾值 670:測試追蹤資料 672:分數 674:分數排名 676:感測器重要性排名 677:綜合分數 678:綜合閾值 679:故障檢測結果 680:方法 682:方塊 684:方塊 686:方塊 688:方塊 690:方塊 692:方塊 694:方塊 696:方塊 698:方塊 699:主題專業知識 700:方法 702:方塊 704:方塊 706:方塊 708:方塊 710:方塊 712:方塊 714:方塊 716:方塊 718:方塊 720:方塊 722:方塊 724:方塊 730:圖表 732:圖表 734:圖表 736:區域 738:區域 740:區域 742:圖表 744:方法 746:方塊 748:方塊 750:方塊 752:方塊 754:方塊 756:方塊 760:圖表 762:圖表 764:圖表 766:圖表 900:電腦系統 902:處理裝置 904:揮發性記憶體 906:非揮發性記憶體 908:匯流排 910:視頻顯示單元 912:字母數字輸入裝置 914:游標控制裝置 918:資料儲存器裝置 920:信號生成裝置 922:網路介面裝置 924:電腦可讀取媒體 926:指令 974:指令 200A-D:方法 202-208:操作 222-228:操作 242-246:操作 262-270:操作 300A-C:方法 302-310:操作 322-332:操作 342-350:操作 362-374:操作 400A-D:方法 402-406:操作 422-428:操作 442-446:操作 462-470:操作 500A-E:圖表 502A:追蹤資料 502B:追蹤資料 504A:保護帶 504B:保護帶 508A:上側變化 508B:下側變化 508C:上側變化 508D:下側變化 510A:變化 602A-602Z:圖表 604A-Z:保護帶違規資料點組 614A:良好保護帶違規資料點 614B:不良保護帶違規資料點 628A:第一保護帶違規資料點 628B:第二保護帶違規資料點 628C:保護帶違規資料點 628D:保護帶違規資料點 662A-N:感測器 664A-N:保護帶 770A:方塊圖 772A:圖表 772B:圖表 774A:圖表 774B:圖表 776A:圖表 776B:圖表 778A:圖表 778B:圖表 810A:圖表 810B:圖表 812A:追蹤資料 812B:追蹤資料 850A:圖表 850B:圖表 850C:圖表

在附圖圖式中，通過示例而非限制地示出了本揭示內容。

圖1根據某些實施例示出示例性系統架構的方塊圖。

圖2A-D是根據某些實施例的與生成保護帶相關聯的方法的流程圖。

圖3A-D是根據某些實施例的與保護帶違規剖析關聯的方法的流程圖。

圖4A-D是根據某些實施例的與保護帶限制之外的動態可接受區域相關聯的方法的流程圖。

圖5A-E圖示了根據某些實施例的允許類型的變化的圖表。

圖6A-E圖示了根據某些實施例的保護帶違規分析。

圖7A-F圖示了根據某些實施例的保護帶限制之外的動態可接受區域。

圖8A-B圖示了根據某些實施例的保護帶適配。

圖9根據某些實施例示出電腦系統的方塊圖。

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

200A:方法

202-218:操作

Claims (20)

1. 一種方法，包含以下步驟： 識別包含複數個資料點的追蹤資料，該追蹤資料相關聯於經由一基板處理系統生產具有滿足閾值的屬性值的基板； 基於該追蹤資料與複數個可允許類型的變化生成一保護帶，該保護帶包含對於故障偵測的一上限與一下限；以及 基於該保護帶導致執行相關聯於該基板處理系統的一校正動作。
2. 如請求項1所述之方法，其中該追蹤資料包含來自基板處理操作的複數次運行的感測器資料，其中該複數個可允許類型的變化包含時間偏移的追蹤間可變性。
3. 如請求項1所述之方法，其中該保護帶的該生成步驟包含以下步驟：確定一第一可允許類型的變化以形成該上限，以及確定一第二可允許類型的變化以形成該下限，該第一可允許類型的變化不同於該第二可允許類型的變化。
4. 如請求項1所述之方法，其中該追蹤資料包含來自不同類型的感測器的感測器資料，其中該保護帶的該生成步驟是經由多變量分析。
5. 如請求項1所述之方法，其中該保護帶的該生成步驟包含以下步驟：由包含該追蹤資料的資料輸入訓練一機器學習模型，以生成包含該保護帶的一經訓練機器學習模型。
6. 如請求項1所述之方法，該方法進一步包含以下步驟： 識別額外追蹤資料； 提供該額外追蹤資料作為對一經訓練機器學習模型的資料輸入，該經訓練機器學習模型係由該追蹤資料訓練，該保護帶是經由該經訓練機器學習模型生成的；以及 從該經訓練機器學習模型接收指示預測資料的輸出，其中該校正動作的該執行是基於該預測資料。
7. 如請求項1所述之方法，其中該保護帶的該生成步驟包含以下步驟： 基於該追蹤資料生成一初始保護帶； 基於該追蹤資料與該初始保護帶確定該複數個可允許類型的變化；以及 基於該複數個可允許類型的變化更新該初始保護帶以形成該保護帶。
8. 如請求項1所述之方法，其中該保護帶的該生成步驟進一步基於： 與超過一閾值變化的值的變化相關聯的該追蹤資料的部分的分段；以及 從該追蹤資料提取特徵。
9. 一種方法，包含以下步驟： 識別包含複數個資料點的追蹤資料，該追蹤資料相關聯於經由一基板處理系統的基板的生產； 比較該追蹤資料與一保護帶，該保護帶係基於歷史追蹤資料與相關聯於該歷史追蹤資料的複數個可允許類型的變化而生成，該歷史追蹤資料相關聯於經由該基板處理系統對於歷史基板的歷史生產，該等歷史基板具有滿足閾值的歷史屬性值，該保護帶包含對於故障偵測的一上限與一下限；以及 響應於該追蹤資料的一個或多個資料點不位於該保護帶之內，導致執行與該基板處理系統相關聯的一校正動作。
10. 如請求項9所述之方法，其中該歷史追蹤資料包含來自基板處理操作的複數次運行的歷史感測器資料，其中該複數個可允許類型的變化包含時間偏移的追蹤間可變性。
11. 如請求項9所述之方法，該保護帶包含一第一可允許類型的變化與一第二可允許類型的變化，該第一可允許類型的變化形成該上限，該第二可允許類型的變化形成該下限，該第一可允許類型的變化不同於該第二可允許類型的變化。
12. 如請求項9所述之方法，其中該追蹤資料包含來自不同類型的感測器的感測器資料，該保護帶是經由多變量分析生成。
13. 如請求項9所述之方法，該保護帶是藉由以下步驟生成：由包含該歷史追蹤資料的資料輸入訓練一機器學習模型，以生成包含該保護帶的一經訓練機器學習模型，其中該追蹤資料與該保護帶的該比較步驟包含以下步驟： 提供該追蹤資料作為對該經訓練機器學習模型的資料輸入；以及 從該經訓練機器學習模型接收指示預測資料的輸出，其中該校正動作的該執行是基於該預測資料。
14. 如請求項9所述之方法，該保護帶是藉由以下步驟生成：將與超過一閾值變化的值的變化相關聯的該歷史追蹤資料的部分分段；以及從該歷史追蹤資料提取特徵。
15. 一種非暫態性電腦可讀取儲存媒體，其上儲存指令，該等指令在由一處理裝置執行時使該處理裝置執行作業，包含： 識別包含複數個資料點的追蹤資料，該追蹤資料相關聯於經由一基板處理系統生產具有滿足閾值的屬性值的基板； 基於該追蹤資料與複數個可允許類型的變化生成一保護帶，該保護帶包含對於故障偵測的一上限與一下限；以及 基於該保護帶導致執行相關聯於該基板處理系統的一校正動作。
16. 如請求項15所述之非暫態性電腦可讀取儲存媒體，其中該追蹤資料包含來自基板處理操作的複數次運行的感測器資料，其中該複數個可允許類型的變化包含時間偏移的追蹤間可變性。
17. 如請求項15所述之非暫態性電腦可讀取儲存媒體，其中該保護帶的該生成步驟包含以下步驟：確定一第一可允許類型的變化以形成該上限，以及確定一第二可允許類型的變化以形成該下限，該第一可允許類型的變化不同於該第二可允許類型的變化。
18. 如請求項15所述之非暫態性電腦可讀取儲存媒體，其中該追蹤資料包含來自不同類型的感測器的感測器資料，其中該保護帶的該生成步驟是經由多變量分析。
19. 如請求項15所述之非暫態性電腦可讀取儲存媒體，其中該保護帶的該生成步驟包含以下步驟：由包含該追蹤資料的資料輸入訓練一機器學習模型，以生成包含該保護帶的一經訓練機器學習模型。
20. 如請求項15所述之非暫態性電腦可讀取儲存媒體，進一步包含： 識別額外追蹤資料； 提供該額外追蹤資料作為對一經訓練機器學習模型的資料輸入，該經訓練機器學習模型係由該追蹤資料訓練，該保護帶是經由該經訓練機器學習模型生成的；以及 從該經訓練機器學習模型接收指示預測資料的輸出，其中該校正動作的該執行是基於該預測資料。