TWI459487B - 度量獨立及處方獨立的故障類別 - Google Patents

度量獨立及處方獨立的故障類別 Download PDF

Info

Publication number
TWI459487B
TWI459487B TW097116323A TW97116323A TWI459487B TW I459487 B TWI459487 B TW I459487B TW 097116323 A TW097116323 A TW 097116323A TW 97116323 A TW97116323 A TW 97116323A TW I459487 B TWI459487 B TW I459487B
Authority
TW
Taiwan
Prior art keywords
fault
faults
category
signature
metric
Prior art date
Application number
TW097116323A
Other languages
English (en)
Other versions
TW200908186A (en
Inventor
Y Sean Lin
William R Clements
Alexander T Schwarm
Original Assignee
Applied Materials Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Publication of TW200908186A publication Critical patent/TW200908186A/zh
Application granted granted Critical
Publication of TWI459487B publication Critical patent/TWI459487B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37519—From machining parameters classify different fault cases

Description

度量獨立及處方獨立的故障類別
本發明之各具體實施例係關於故障診斷，且更特定而言係關於使用處方獨立故障類別及/或度量獨立故障類別之故障診斷。
許多行業使用包含更多感測器及控制之複雜製造設備，在處理期間可仔細監視其中每一者以確保產品品質。一種監視該等更多感測器及控制之方法係統計製程監視(一種用於對感測器測量及製程控制值(製程變數)執行統計分析之方式)，此方法允許故障之自動偵測及/或診斷。一“故障”(fault)可能是製造設備之功能失靈或失調(例如，一機器的操作參數之偏離預期值)，或指示需要預防性維護以防止一即將發生的功能失靈或失調。故障可在正在製造之該等裝置中產生缺陷。相應地，統計製程監視之一目標係在故障產生此等缺陷之前偵測及/或診斷故障。
在監視製程期間，當最近的製程資料之一或更多該等統計值自一統計模型偏離一足夠大之數量，以致使一模型度量超過一各自置信臨限時，即偵測到一故障。一模型度量係一純量數字，其值表示在實際製程監視期間收集之該等統計特性製程資料與藉由該模型預測之該等統計特性之間偏離之一幅度。每一模型度量係估算此偏離之一唯一算術方法。習知模型度量包含平方預測誤差(通常被稱作SPE、Qres或Q)，及Hotelling的T2 (T2)。
每一模型度量具有各自之一置信臨限(confidence threshold)，亦被稱作一置信限制或控制限制，其值表示該模型度量之一可接受上限。如果一模型度量在監視製程期間超過其各自置信臨限，則可推斷該製程資料因為一故障而具有異常統計值。
一旦偵測到故障，即藉由估算如藉由一特定模型度量判定之每一製程變數之一相對故障貢獻，對故障進行診斷。該估算故障貢獻用於為該模型度量產生一故障簽章及/或一故障類別。習知方法中，該故障類別及故障簽章與一特定模型度量相關聯，且不能被用於其他模型度量。
故障類別及故障簽章在習知方法中與運行於特定製造機器上之特定製程及/或處方相關聯。此等習知故障類別及故障簽章不可用於為其產生該等故障類別及故障簽章之機器、製程及處方之外的其他處方、製程或機器。
本發明中之一態樣，為一種使用故障類別診斷故障之方法，該方法包括以下步驟：使用一第一度量來分析製程資料以識別一故障，其中該製程資料係自一運行一第一處方之製造機器中所獲得；識別一匹配該故障之故障簽章，其中該故障簽章係使用一第二度量及一第二處方之至少一者而產生；及識別與該故障簽章相關聯之至少一故障類別。
本發明中之另一態樣，為一種包含資料之機器可存取媒體，當藉由一機器存取該資料時，可致使該機器執行一種使用故障類別診斷故障之方法，該方法包括以下步驟： 使用一第一度量來分析製程資料以識別一故障，其中該製程資料係自一運行一第一處方之製造機器中所獲得；識別一匹配該故障之故障簽章，其中該故障簽章係使用一第二度量及一第二處方之至少一者而產生；及識別與該故障簽章相關聯之至少一故障類別。
本發明中之另一態樣，為一種使用故障類別來診斷故障之統計製程監視系統，該系統包括：一與一製造機器耦接之故障偵測器，該故障偵測器從該製造機器接收使用一第一處方所產生之製程資料，且使用一第一度量來分析該製程資料以識別一故障；一儲存複數個故障簽章之資料庫，該等故障簽章各者與至少一故障類別相關聯；及一與該故障偵測器耦接且與該資料庫耦接之故障診斷器，該故障診斷器自複數個故障簽章識別一匹配該故障之匹配故障簽章，其中該匹配故障簽章係藉由該製造機器使用一第二度量及一第二處方之至少一者所產生，且用以識別與該故障簽章相關聯之至少一故障類別。
本發明中之另一態樣，為一種為故障診斷建立故障類別之方法，該方法包括：分析來自歷史資料及訓練資料中之至少一者之製程資料，以識別複數個故障；判定貢獻於複數個故障之一或更多製程變數；判定該等一或更多製程變數各者之一相對貢獻；針對該等複數個故障各者產生一故障簽章，該故障簽章具有包含該一或更多製程變數各者之該等相對貢獻之相對貢獻範圍；基於故障簽章中之相似性而將該等複數個故障劃分為群組；及針對該等故障群組 各者產生一故障類別。
本發明中之另一態樣，為一種機器可存取媒體包含資料，當藉由一機器存取該資料時，致使該機器執行一種針對故障診斷而建立故障類別之方法，該方法包括以下步驟：分析來自歷史資料及訓練資料之至少一者之製程資料，以識別複數個故障；判定貢獻於該等複數個故障之一或更多製程變數；判定該等一或更多製程變數各者之一相對貢獻；針對該等複數個故障各者產生一故障簽章，該故障簽章具有包含該一或更多製程變數各者之該等相對貢獻之相對貢獻範圍；基於故障簽章中之相似性而將該等複數個故障劃分為群組；及針對該等故障群組各者產生一故障類別。
本發明中之另一態樣，為一種針對故障診斷建立故障類別之統計製程監視系統，其包括：一資料庫，用以儲存歷史製程資料及訓練製程資料之至少一者；一故障偵測器，其與該資料庫耦接，用以分析該歷史製程資料與訓練製程資料之至少一者，以識別複數個故障；及一故障診斷器，其與該故障偵測器耦接，用以判定貢獻於該等複數個故障之一或更多製程變數，以判定該等一或更多製程變數各者之一相對貢獻，以針對複數個故障各者產生一故障簽章，該故障簽章具有包含該一或更多製程變數各者之該等相對貢獻之相對貢獻範圍，用以基於在故障簽章中之相似性而劃分複數個故障成群組，且用以針對該等故障群組各者產生一故障類別。
本文所述係一種用於診斷故障之方法及裝置。在一具體實施例中，使用一第一度量分析製程資料以識別一故障。該製程資料可為自一運行一第一處方之製造機器獲得之製程資料。該製造機器可為一蝕刻機、化學氣相沉積(CVD)爐、布植機等等。該第一處方可為一用以蝕刻一工作件(work piece)、在該工作件上沉積一層、在該工作件中摻雜雜質等等之製程處方。該第一度量可為該Q度量、該T2度量、一組合多變數索引(CMI)度量等等。識別一匹配該故障之故障簽章。在一具體實施例中，該故障簽章係先前使用一第二度量及/或一第二處方產生。識別與該故障簽章相關聯之至少一故障類別。
在以下說明中，將闡釋眾多細節。然而，熟習此項技術者將顯而易見，無須此等特定細節即可實踐本發明。在某些實例中，吾人熟習之結構及裝置將以方塊圖之形式，而非詳細之形式顯示，以避免讓本發明難以理解。
以下“實施方式”之某些部分將按對一電腦記憶體內之資料位元進行之操作之演算法及符號表示法來展示。此等演算法說明及表示法係由熟習該等資料處理技術者用來最有效地向其他熟習此項技術者傳遞其工作實質之方法。一演算法在此，且大體上，被視為一導致一所需結果之自一致序列之步驟。該等步驟係需要實體數量之實體操縱的步驟。通常，儘管不必，此等數量採用能夠儲存、傳送、 組合、比較，及以其他方式操縱之電氣或磁訊號之形式。業已證實有時很方便，主要因為公共使用，將此等訊號稱為位元、值、元件、符號、字元、術語、數字，諸如此類。
然而，應切記，所有此等及類似術語將與該等適當實體數量相關聯，且僅係應用於此等數量之方便標記。除非另行特別表述(如自以下討論所顯而易見)，應瞭解在整個本說明中，利用術語諸如“處理”、“演算”、“計算”、“判定”、“顯示”諸如此類之討論，係指一電腦系統或類似電子計算裝置之動作及製程，其操縱及轉換在該電腦系統的暫存器及記憶體內表示為實體(例如，電子)數量之資料，使其成為類似地在該電腦系統記憶體或暫存器或其他此等資訊儲存器、傳輸或顯示裝置內表示為實體數量之其他資料。
本發明亦係關於一種用於執行本文該等操作之裝置。此裝置可係針對所需目的專門建構，或可包括一一般用途電腦，其藉由儲存在該電腦中之一電腦程式選擇性啟動或重新組態。此一電腦程式可被儲存於一電腦可讀儲存媒體中，諸如，但不限於，包含軟磁碟、光碟、CD-ROM，及磁光碟之任何類型的碟、唯讀記憶體(ROM)、隨機存取記憶體(RAM)、可抹除可程式化唯讀記憶體、電子可抹除可程式化唯讀記憶體、磁卡或光卡，或適合於儲存電子指令之任何類型的媒體。
本文展示之該等演算法及顯示並未固定地與任何特定電腦或其他裝置相關。各種一般用途系統可依據本文之該 等教示來使用程式，或可證明能方便建構一更專用之裝置來執行該等所需方法步驟。自以下說明將顯現各種此等系統之所需結構。此外，本發明之說明並不參考任何特定編程語言。應瞭解，各種編程語言可用於實施如本文所述之本發明之該等教示。
一機器可讀媒體包含用於以一機器(例如，一電腦)可讀之形式儲存或傳輸資訊之任何機構。舉例而言，一機器可讀媒體包含一機器可讀儲存媒體(例如，唯讀記憶體("ROM")、隨機存取記憶體("RAM")、磁碟儲存器媒體、光儲存器媒體、快閃記憶體裝置等)、一機器可讀傳輸媒體(以電氣、光、聲學或其他形式傳播之訊號(例如，載波、紅外訊號、數位訊號等))，等等。
以下說明提供一統計製程監視系統之細節，該統計製程監視系統監視運行在製造裝置上之製程，以偵測及/或診斷故障(製造缺陷)。在一具體實施例中，該統計製程監視系統係用於電子裝置(例如，半導體)之製造。製造此等裝置大體上需要數十個製造步驟，其涉及不同類型之製造製程。舉例而言，蝕刻、濺射，及化學氣相沉積係三種不同類型之製程，其中每一者執行於不同類型之機器上。以替代方式，該統計製程監視系統可用於監視諸如汽車之其他產品之製造。此等其他產品之製造亦可要求藉由各種製造機器執行之許多不同處理步驟。
第1圖圖解說明一統計製程監視系統100之一具體實施例。該統計製程監視系統100包含一統計製程監視裝置 105，其藉由資料通訊連結160與一或更多製造機器110及一或更多製程控制器150耦接。該統計製程監視系統100可包含在工廠(例如，一製造設施)中之所有制造機器110。以替代方式，該統計製程監視系統100可僅包含該工廠中之某些製造機器110，諸如運行一或更多特定製程之所有制造機器110。
在一具體實施例中，該等製造機器110各者係一用於製造電子裝置之機器，諸如蝕刻機、化學氣相沉積(CVD)爐、光刻裝置、布植機等等。以替代方式，該等製造機器110可係一用於製造其他產品(例如，汽車)之類型。在一具體實施例中，該等製造機器110各者係單一類型。以替代方式，該等製造機器110可包含多種不同類型之設備，其中每一者可運行不同製程。
該等製造機器各者110可包含多個感測器，用於監視在該等製造機器110上之製程運行。可包含在該製造機器中之一種類型感測器係一溫度感測器。其他感測器之實例包含壓力感測器、流速感測器，或任何其他感測器，其監視一製造製程之實體條件或一藉由該等製造機器110製造之工作件之實體特性。
執行於一製造機器110上之每一製造製程其特徵在於藉由該等感測器測量之各種實體條件及特性，以及各種操作參數，統稱為製程資料。藉由感測器測量之每一不同實體條件或特性，以及每一操作參數，可為該製程資料之一不同製程變數。表示感測器資料之製程變數之實例包含腔 室壓力、支撐旋轉裝置溫度、射頻順向功率，及射頻反射功率。表示操作參數之製程變數之實例包含流速設定(例如，化學試劑)，及節流閥設定(例如，對於一腔室排氣式真空幫浦)。可在處理期間監視該等感測器、製造機器及製程控制器，以收集在連續時間點處之該等製程變數。
在一具體實施例中，每一製程變數適用於一特定製程。以替代方式，一或更多製程變數可僅適用於一特定製程之部分。在一具體實施例中，在一製程中不同步驟之感測器測量及操作參數表示不同製程變數(其模型化為模型空間中之其他維度)。這可能非常有用，舉例而言，如果正在一機器中執行之一製造製程具有帶有不同操作參數設定之多個步驟。舉例而言，在一具有三個步驟之製造製程中，在該等三個步驟期間之一支撐旋轉裝置溫度將被視為三個不同製程變數。將製程步驟劃分成模型空間中之單獨維度可能係有利的，舉例而言，當單一製程在一工件上沉積多層時，或當一製程之不同步驟將該工件暴露於不同製程條件(例如，壓力、溫度等)時。
製程控制器150控制製造機器110之操作參數。舉例而言，製程控制器150可控制製造機器110之腔室溫度、真空幫浦、氣體注射系統，等。製程控制器150可儲存一或更多製程處方(若干處方)170。每一處方170可定義一製造機器110在一製程之每一步驟之操作參數。在一具體實施例中，可藉由製程控制器150將處方170載入製造機器110。
資料通訊連結160可包含習知通信連結，且可為有線或無線。資料可在該等製造機器110、該等製程控制器150及該統計製程監視裝置105之間以一原始或處理之格式進行傳輸。在一具體實施例中，使用一半導體設備通信標準(SECS)介面。在其他具體實施例中，可使用一製造設備通信與控制一般模型(GEM)介面、一半導體設備通信標準/製造設備通信與控制一般模型介面、一高速半導體設備通信標準訊息服務(HSMS)介面等等。
該統計製程監視裝置105可為單一伺服器，其分析來自該等製造機器110、感測器155及製程控制器150之傳入製程資料。以替代方式，該統計製程監視裝置105可包含更多伺服器及/或電腦。在一具體實施例中之統計製程監視裝置105包含一故障偵測器125、一故障診斷器130及一故障回報器165。該統計製程監視裝置105亦可包含一儲存裝置175。在一具體實施例中，該統計製程監視裝置105包含於一或更多該等製程控制器150中。以替代方式，該製程監視裝置105可為一不同之單獨裝置。儲存裝置175可包含一製程測量資料庫120、一或更多多變數統計模型135與一故障診斷資料庫140。在一具體實施例中，該儲存裝置175係該統計製程監視裝置105之一電腦或伺服器之單一儲存裝置。以替代方式，該儲存裝置175可在該統計製程監視裝置105外部。在一具體實施例中，該儲存裝置175包含更多儲存裝置，其中某些可包含資料之冗余副本以作為備份。製程測量資料(製程資料)可被儲存於製程 測量資料庫120中。該儲存製程資料可用於顯示針對每一該等製造機器110、針對運行在該等製造機器110上之製程等等之漂移及趨勢。在一具體實施例中，該儲存製程資料用於產生一或更多多變數統計模型135，如以下之所述。一旦產生，該多變數統計模型135可被儲存於儲存裝置175中。
故障診斷資料庫140包含多個故障類別及故障簽章，以下將對此更詳細地進行描述。在一具體實施例中，故障診斷資料庫140係一關聯式資料庫。舉例而言，故障診斷資料庫140可包含一故障類別資料表(其儲存一故障類別清單)，及一相關故障簽章資料表(其儲存故障簽章之定義特性)。
在一具體實施例中，一訓練期間用於收集資料以用於一或更多多變數統計模型之產生。該訓練期間覆蓋在習知及/或控制條件之下在一特定製造機器或若干製造機器上完成之一特定製造製程之一組製程運行。自在該訓練期間內完成之製程運行收集之製程資料可用於產生統計值，諸如平均、變異數、共異變數矩陣，等等。此等統計值合起來用於產生一或更多多變數統計模型135，其大體上針對運行於一特定機器上之一特定製程或處方。
可基於在該訓練期間內收集之製程資料，建立一初始組故障簽章，並將其添加至該故障診斷資料庫140。一故障簽章係代表一特定故障或若干故障之一特性化製程條件。該故障簽章可為包含貢獻於一特定故障或若干故障之 製程變數之一清單、資料表，或其他資料結構。當產生該一或更多多變數統計模型135時，可自動產生該初始組故障簽章。
可針對每一初始故障簽章建立一初始故障類別。該故障類別可產生於產生該故障簽章之前或之後。一故障類別識別及/或特性化一特定故障原因。用於產生一初始故障簽章之該製程資料可基於一習知已產生一良好產品(符合品質要求之產品)之製程運行。由於該產品良好，發生在其產生期間之任何故障可能係一干擾故障(例如，對最終產出具有很少或無影響)。相應地，可產生一虛假警報故障類別，且將其與針對該干擾故障產生之故障簽章相關聯。可針對在該訓練期間內發生之每一干擾故障產生一單獨虛假警報故障類別。當多個故障產生相同故障簽章時，可產生單一故障簽章及單一故障類別。虛假警報故障類別可用於抑制未來虛假警報，且因此減少由於該虛假警報而造成之製造機器110之停機時間。
在一具體實施例中，在該訓練期間內故障被故意地導出，以產生故障類別及故障簽章。舉例而言，藉由促使一溫度超過一預先設定臨限、藉由促使將超過一處方限制之一定氣體量引入一製程室等等，可故意地導出一故障。可針對每一該等導出故障建立故障簽章，且可產生故障類別並將其與該等故障簽章相關聯。藉此，可特徵化習知可能故障，以改良未來之故障偵測及/或故障診斷。
在一具體實施例中，歷史製程資料用於產生故障簽章 及故障類別。歷史製程資料係在產生一目前多變數統計模型之前收集之製程資料。舉例而言，歷史製程資料可包含在一訓練期間啟動之前收集之所有製程資料。
大體上，吾人已知道藉由製程資料從中收集之製程運行最終所產生之產品是否係良好產品(例如，在規範限制內)。因此，可針對由於來自歷史良好製程運行(最終產生良好產品之製程運行)之製程資料而造成之故障產生故障簽章，且將其與一新虛假警報故障類別相關聯。亦可針對由於來自歷史不良製程運行(造成報廢、產出損失等等之製程運行)之製程資料而造成之故障產生故障簽章及故障類別。在基於歷史不良製程運行產生之故障類別之情況下，如果該不良製程運行之一最終原因習知，則該故障類別指示該習知原因。如果該最終原因未知(例如，未與該製程資料一起儲存)，則可產生一“未識別”類型之一故障類別。歷史製程資料之使用可減少專用於該訓練期間之時間量。
在一具體實施例中，基於歷史製程資料及/或訓練製程資料自動產生故障類別及故障簽章。此等故障簽章及故障類別之自動產生可發生於一或更多多變數統計模型135被產生時。藉此，在處理任何顧客產品之前，故障類別及故障簽章可用於診斷故障。可針對該歷史資料及/或訓練資料中之每一故障自動產生故障簽章。可組合相同或類似之故障簽章，且將其與自動產生之單一故障類別相關聯。如果，則舉例而言，自該歷史資料偵測到兩百個故障，且此等兩 百個故障表示二十個不同故障簽章，則可自動產生二十個故障類別。
在一具體實施例中，故障類別及故障簽章自歷史及/或訓練資料之產生完全自動進行。以替代方式，一故障類別之產生中之一或更多步驟可要求使用者輸入。舉例而言，一旦一或更多故障類別自動產生，可要求使用者輸入以識別針對每一故障類別之一實際故障原因。使用者輸入亦可定義針對每一故障之一嚴重性等級。
在一具體實施例中，每一多變數統計模型僅適用於單一制造機器。以替代方式，可聚合來自一匹配機器類型之兩個或更多製造機器110之製程資料，以建立單一故障診斷模型(多變數統計模型)，該單一模型可應用於運行在該等兩個或更多製造機器110上之一或更多製程。此外，針對一第一製造機器發展之一故障診斷模型可應用於相同類型(例如，相同模型)之一第二機器。
每一多變數統計模型135可包含一或更多模型度量。模型度量係特性化一組製程資料與一模型之間之一偏離量之純量值。在一具體實施例中，該等模型度量包含平方預測誤差(通常被稱作SPE、Qres或Q)及Hotelling的T2。模型度量亦可包含組合度量，諸如組合多變數索引(CMI)。此等度量各者係一種不同之估算機率方法，其估算被監視製程資料具有與用於構建該模型之訓練資料相同之統計值之機率。上述統計值及度量可依據習知統計值演算法進行計算。
一或更多該等多變數模型可利用主要成份分析(PCA)來將一M維製程變數空間轉換至一相互正交主要成份之N維空間，其中M係製程變數之數量，且N大大低於M。PCA計算一組M特徵向量及M特徵值，其中每一各自之自特徵向量將製程變數資料轉換至該主要成份空間之一各自維度，且每一特徵值與藉由一對應特徵向量表示之變異數之量成比例。為簡化該主要成份空間(減少其維度)，在該模型中保持對應於該等N個最大特徵值之該等N個特徵向量；其他特徵向量被丟棄或忽略。在該模型中所保持之主要成份之數字N可為使用者選擇之模型之一參數。可基於當使用一更小值N時說明更少之資料變異數之一模型與當使用一更大值N時被指定過高之模型之間之一折衷，選擇主要成份(N)之數量。
一旦一或更多多變數統計模型已經產生，其可藉由故障偵測器125使用以監視在製造機器110上之製程運行。故障偵測器125藉由執行各種統計製程監視方法分析製程資料，其中每一者係基於至少一多變數統計模型。在一具體實施例中，故障偵測器125自該等製造機器110、感測器155及/或製程控制器150直接接收製程測量資料(製程資料)。在另一具體實施例中，故障偵測器125可從該製程測量資料庫120接收製程資料。在又一具體實施例中，故障偵測器125從以上兩種來源接收製程資料。
為偵測故障，故障偵測器125計算被監視製程之製程資料的統計值，且比較該計算統計值與適當多變數統計模 型之對應統計值。可針對一模型度量，或多個模型度量(例如，T2、SPE、CMI)比較該子統計值。如果該等模型度量之一或更多超過一預定臨限(被稱作一置信限制或控制限制)，則可偵測一故障。在一具體實施例中，每一模型度量具有一使用者選擇之臨限值。所選臨限可表示一虛假警報之風險(如果該臨限太低)及未能偵測一故障之風險(如果該臨限太高)之間之一折衷。計算多個度量時，如果該等度量之任一者超過臨限值可觸發故障。以替代方式，僅當某些度量超過臨限值或僅當多個度量超過臨限值才可觸發某些故障。
一旦一故障已由該故障偵測器125所識別，則由故障診斷器130對該故障進行分析。故障診斷器130比較該故障與儲存於該故障診斷資料庫140中之一組故障簽章。每一故障簽章表示代表一特定故障或若干故障之製程條件。在一具體實施例中，故障簽章係對一特定故障或若干故障具有一最大統計貢獻之製程變數之排序清單。該製程變數可按其各自貢獻之相對幅度之順序進行排序。以替代方式，故障簽章可包含資料表、樹，或其他資料結構，其基於對一故障之統計貢獻對製程變數進行排序。故障診斷器130可比較每一儲存故障簽章與對於一目前故障具有最大貢獻之製程變數之一經排序清單。當該等故障簽章之一者與目前故障之間存在一高度相似性時，即報告一匹配。
當由一第一度量所計算之製程變數之相對貢獻可能不同於當由一第二度量所計算之製程變數之該等相對貢獻。 在某些情況下，針對相同偵測故障，該第一度量及該第二度量甚至可在一故障簽章中包含不同製程變數。在一具體實施例中，每一故障簽章，且因此與該故障簽章相關聯之每一故障類別，適用於用於產生該故障簽章之單一度量。舉例而言，一故障簽章可包含根據該T2度量對一故障之經排序貢獻。如果一偵測故障具有與如藉由該Q度量計算之相同之排序貢獻，則在該故障簽章與該偵測故障之間不存在匹配。另一方面，如果該偵測故障具有與藉由如該T2度量計算之相同之排序貢獻，則在該故障簽章與該偵測故障之間存在一匹配。
在一替代具體實施例中，至少某些故障簽章及故障類別係度量獨立。可依據一第一度量(例如，T2)產生一度量獨立故障簽章，且匹配一具有與如藉由一第二度量(例如，CMI)計算之相同之排序貢獻之偵測故障。在一具體實施例中，判定一第一度量之故障簽章及一第二度量之故障簽章之間之一關係。此關係可用於將藉由該第一度量產生之故障簽章應用於如藉由該第二度量偵測之故障。以替代方式，當產生一故障簽章時，其可以此等一方式產生，使得該故障簽章自原始用於建立該故障簽章之度量分離。舉例而言，當產生一故障簽章時，其可作為藉由貢獻於一故障之幅度進行排序之貢獻製程變數之一清單儲存，無須儲存該製程變數之實際所需測量幅度。舉例而言，相同排序清單可應用於一T2及一CMI度量，或一Q及一CMI度量。因此，即使，舉例而言，使用該T2或該Q度量產生 一故障簽章，該故障簽章可用於使用該CMI度量診斷之一故障，並可得到準確的結果。
在一具體實施例中，每一故障簽章，且因此與該故障簽章相關聯之每一故障類別，適用於用於產生該故障簽章之單一處方及/或製程(例如，從其收集該製程資料之製程/處方)。舉例而言，某些故障可與僅對於一特定處方發生之特定操作參數相關聯。以替代方式，某些故障簽章及故障類別識別處方/製程獨立之故障。因此，該等故障簽章及故障類別本身可係處方及/或製程獨立的。此等處方/製程獨立故障之實例包含與感測器行為(例如，感測器輸出、感測器之統計值等)相關聯之故障。舉例而言，如果一故障類別指示一溫度感測器已失敗，則無論處方或製程如何，該溫度感測器將已失敗。因此，表示該失敗溫度感測器之故障類別可適用於多個處方及製程。
在一具體實施例中，處方獨立類別可用於藉由一類似工具及/或製程室處理之兩個或更多處方。這允許針對一特定處方、工具及腔室組合之一多變數統計模型採納來自其他處方之故障類別，而不是單獨必須經歷該等故障。在另一具體實施例中，該處方獨立類別可適用於具有一匹配工具類型之所有制造機器110。
某些故障類別可部分地處方獨立(receipt independent)。可在類似處方(例如，包含類似步驟、化學反應、溫度、壓力等之處方)之間共用此等故障類別。舉例而言，當一處方隨小更改以遞增方式變更時，可繼續使 用相同故障類別及/或相同多變數統計模型。不類似之處方不能共用部分地獨立之故障類別。然而，不相同的處方可仍然共用處方獨立故障類別。
該等故障簽章各者與儲存於該故障診斷資料庫140中之一或更多故障類別相關聯。該故障類別可指示產生一目前故障之一實際問題，或目前故障之一可能原因。舉例而言，如果該故障簽章指示最大貢獻製程變數係矽烷流速，則該故障類別可能指示向一腔室饋給矽烷之一閥已功能失靈。
該等故障類別之每一者包含一或更多參數，這些參數合起來定義該故障類別。在一具體實施例中，一故障類別包含單一參數(例如，單一資料庫欄位)，該參數使用對一使用者有意義的充分特性說明該故障類別。在另一具體實施例中，一故障類別包含更多參數，舉例而言，該等參數指定該故障類別應用之一特定機器、在一機器內之一特定組件，等。舉例而言，一故障類別可針對在一特定製造機器110中需要清潔之一上腔室襯套。
故障回報器165產生故障報告，指示應用於一目前故障之故障類別或若干故障類別145。該故障報告可被發送至藉由網路連結至該統計製程監視裝置105之一或更多用戶端(未顯示)(例如，區域電腦、遠端電腦、個人數位助理(PDA)、呼叫器、行動電話等)。故障回報器165亦可致使製造機器110關機、致使一機器警報，或導致其他適當動作。
第2圖圖解說明一產生故障類別之方法200之一具體實施例之流程圖。該方法可藉由處理邏輯執行，處理邏輯可包括硬體(例如，電路、專用邏輯、可編程邏輯、微碼，等)、軟體(諸如運行在一處理裝置上之指令)，或其一組合。在一具體實施例中，方法200係藉由第1圖之統計製程監視裝置105來執行。
方法200可在建立一多變數統計模型時自動執行。藉此，在處理任何顧客產品之前，故障類別及故障簽章可用於診斷故障。以替代方式，在產生一多變數統計模型之後可執行方法200，諸如用以向一現有多變數統計模型添加其他故障類別及故障簽章。
參照第2圖，方法200以分析歷史製程資料及/或訓練製程資料(區塊205)開始。訓練製程資料包含在一訓練期間內收集之資料。歷史製程資料包含在產生一多變數統計模型之前收集之製程資料(例如，在該訓練期間之前收集之資料)。在一具體實施例中，該訓練製程資料及/或歷史製程資料獲取自一製程測量資料庫。以替代方式，訓練製程資料可在其產生時藉由一或更多製造機器、感測器，及製程控制器獲取。該製程資料可包含，舉例而言，腔室溫度、壓力、氣體流速等等。
在區塊210處，基於該歷史及/或訓練製程資料而識別故障。該製程資料可指示一故障，舉例而言，若溫度太高或太低、氣體流速不穩定、壓力不同於一目前製程之需要，等等。該故障可能係有意導出以產生該製程資料，或該故 障可能係無意產生。
在區塊215處，基於在製程變數對該等故障之貢獻中之相似性，將該等識別故障劃分為群組。故障之該等群組可包含任意數量之故障，自單一故障至，舉例而言，成百之故障。在一具體實施例中，比較製程變數之該等相對貢獻以判定故障中之相似性。在一具體實施例中，比較故障之間之故障簽章以便分組，如以下參考第3圖之所述。
返回第2圖，在區塊220處，處理邏輯判定任何該等故障(或故障群組)是否與“良好”產品相關聯。良好產品可包含符合規範要求之產品，及最終判定滿足品質要求之產品。對於與良好產品相關聯之彼等故障及故障群組，該方法繼續到區塊225。對於不與良好產品相關聯之彼等故障及故障群組，該方法繼續到區塊235。
在區塊225處，針對與良好產品相關聯之每一不同故障群組產生一虛假警報故障類別。一虛假警報故障類別指示該故障並非由於任何功能失靈或問題而造成，且當該故障發生時處理之產品將符合品質要求。然後該方法結束。
在區塊235處，一“真實”故障類別係針對與失敗產品相關聯之每一故障群組而產生。一真實故障類別係一識別一虛假警報之外的其他故障之故障類別。每一真實故障類別可指示一故障原因。藉此，當在未來處理中觸發該故障時，使用者可立即知道該故障之可能原因。
在區塊240處，可將一嚴重性等級指派給一或更多該等真實故障類別。該嚴重性等級可指示該故障類別之該等 故障將導致失敗產品之可能性。在一具體實施例中，基於，舉例而言，對於多少產品被報廢之瞭解，將該嚴重性等級自動指派給該故障類別。以替代方式，可藉由一使用者輸入嚴重性等級。
第3圖圖解說明一產生故障類別之方法300之另一具體實施例之流程圖。該方法可藉由處理邏輯執行，處理邏輯可包括硬體(例如，電路、專屬邏輯、可編程邏輯、微碼等)、軟體(諸如運行在一處理裝置上之指令)，或其一組合。在一具體實施例中，方法300係藉由第1圖之統計製程監視裝置105執行。
參照第3圖，方法300以分析歷史製程資料及/或訓練製程資料(區塊305)開始。在區塊310處，自該歷史及/或訓練製程資料識別故障。
在區塊315處，製程邏輯判定哪些製程變數貢獻於該等故障各者。在區塊320處，判定貢獻於該故障之製程變數之相對貢獻。貢獻製程變數可按一順序對應於其各自貢獻(以下稱作故障貢獻)之該等相對幅度進行排序。該等製程變數之該等各自故障貢獻可藉由任何習知統計方法判定。在S. Joe Qin、Sergio Valle、Michael J. Piovoso之『化學計量學學報』，2001年，第15卷，第715-742頁“關於統一多區塊分析與分散式製程監視應用”(On Unifying Multiblock Analysis with Application to Decentralized Process Montioring)中，揭示了判定製程變數對一偵測故障之相對貢獻之一例示性方法，該文藉由引用方式併入本 文。在A. K .Conlin、E .B. Martin、A. J. Morris之『化學計量學學報』，2000年，第14卷，第725-736頁“貢獻圖之置信限制”(Confidence Limits For Contribution Plot)中，揭示了判定製程變數對一偵測故障之相對貢獻之另一例示性方法，該文藉由引用方式併入本文。在Johan-A. Westerhuis、Stephen-P. Gurden、Age-K. Smilde之『化學計量學及智慧型實驗室系統』，2000年，第51卷，第95-114頁“多變數統計製程監視中之廣義貢獻圖”(Generalized Contribution Plot in Multivariate Statistical Process Monitoring)中，揭示了判定製程變數對一偵測故障之相對貢獻之又一例示性方法，該文藉由引用方式併入本文。亦可使用判定相對貢獻之其他方法。
在一具體實施例中，該等故障貢獻獨立於用於判定該等故障貢獻之一統計方法。相應地，特定於某些統計方法之參數(例如，共異變數矩陣、主要成份特徵向量等)不能被併入該故障類別及/或與該故障類別關聯之一故障簽章。因此，該故障類別可同樣適用於任何適當統計方法(例如，具有調適型模型(例如，隨時間調適某些參數之模型)之統計方法及使用靜態模型之統計方法)。在一使用一調適型模型之統計方法之情況下，該模型可包含主要成份分析(PCA)，其中調適若干主要成份及/或調適自製程變數空間至主要成份空間之一變換。
在一具體實施例中，藉由兩個或更多不同統計方法(例如，使用一靜態模型及一調適型模型)獨立判定該等製程 變數之故障貢獻。這可能很有利，因為不同統計模型可更準確地判定不同故障之故障貢獻。
在區塊325處，貢獻排序被指派給貢獻製程變數，以產生一新故障簽章。在一具體實施例中，選擇該等貢獻製程變數之一子集。該子集可包含其故障貢獻大於一貢獻臨限值(以下稱作顯著性極限)之彼等製程變數。該顯著性極限可根據各種方法進行計算，舉例而言，包含以上所討論之Qin等人、Conlin等人，及Westerhuis等人之該等方法。然後可基於其各自貢獻之相對幅度之順序，將連續編號之排序指派給在該子集中之該等製程變數。對於所選子集外部之製程變數(故障貢獻小於該顯著性極限)，可指派一無或零故障貢獻排序，或可自該故障簽章中省略。在一具體實施例中，預定該顯著性極限。以替代方式，可在產生該新的簽章值時使用一或更多統計方法(例如，一用於判定每一製程變數的各自故障貢獻之統計方法)判定該顯著性極限。使用一顯著性極限可改良雜訊抗擾性，其藉由自一既定故障之診斷中排除對該故障之貢獻在統計學上非顯著之所有製程變數。
在一具體實施例中，不存在對可包含於一新故障簽章中之製程變數數量之限制。因此，任意數量之製程變數可包含於一故障簽章中，只要每一彼等製程變數具有符合該顯著性極限之故障貢獻。以替代方式，可在一故障簽章之貢獻製程變數之數量上設置一上限及/或下限。
在區塊330處，處理邏輯判定該貢獻製程變數是否具 有差別小於一臨限值之各自故障貢獻(以下稱作變化限制)。該變化限制可由使用者選擇或自動選擇。該變化限制可為一固定值，或可為一相對值(例如，基於該等製程變數之一者之故障貢獻之一百分比)。在一具體實施例中，針對每一製程變數之故障貢獻計算一統計置信範圍。該變化限制可基於該等製程變數之計算統計置信範圍。在一具體實施例中，如果該等製程變數具有重叠置信範圍，其差別小於該變化限制。
如果該製程變數之差別小於該變化限制(例如，具有重叠置信範圍)，該方法繼續到區塊335。如果該等製程變數之差別不小於該變化限制，該方法繼續到區塊340。在一具體實施例中，無論該等製程變數之差別是否小於該變化限制，該方法繼續到區塊340。
在區塊335處，將貢獻排序範圍指派給一或更多貢獻製程變數。每一貢獻排序範圍包含差別小於該變化限制之每一製程變數之貢獻排序。為每一此等製程變數指派一排序範圍，該排序範圍包含製程變數自己的貢獻排序及其他被包含製程變數之該等貢獻排序。在一具體實施例中，該排序範圍係一連續編號貢獻排序之範圍。舉例而言，一排序範圍可為1-2，其包含一第一製程變數之貢獻排序1及一第二製程變數之貢獻排序2。不同製程變數可具有相同或重叠之排序範圍。代替或除絕對貢獻排序之外藉由排序範圍定義故障簽章可改良雜訊抗擾性(例如，其中製程變數之間之一相對排序可能被期望統計波動交換)。
在區塊340處，該等故障基於在該故障簽章中之相似性被劃分為群組。在一具體實施例中，將具有一完全匹配故障簽章之所有故障一起指派至一故障群組。以替代方式，某些或所有故障群組可包含具有如下故障簽章之故障：該故障簽章僅部分地匹配在該群組中其他故障之故障簽章。
在區塊345處，針對每一群組故障產生一故障類別。在一具體實施例中，藉由指派一或更多合起來定義該故障類別之參數建立每一故障類別。該一或更多參數可使用足以識別一或更多可能故障原因之充分特性定義該故障類別。一故障類別可在一特定故障之單一出現之後建立。
在區塊350處，該等故障簽章及故障類別被儲存(例如，在該故障診斷資料庫中)。在一具體實施例中，不儲存每一製程變數對該等故障簽章之該等實際貢獻值(例如，0.9、0.5等)，而是儲存該貢獻排序(例如，1、2、3等)。以替代方式，可儲存該等實際貢獻值，或可儲存該等貢獻值及該等貢獻排序。
第4A圖圖解說明一藉由使用度量獨立故障簽章診斷故障之方法400之一具體實施例之流程圖。該方法可藉由處理邏輯執行，處理邏輯可包括硬體(例如，電路、專屬邏輯、可編程邏輯、微碼等)、軟體(諸如運行在一處理裝置上之指令)，或其一組合。在一具體實施例中，藉由第1圖之該統計製程監視裝置105執行方法400。
參照第4A圖，方法400以接收製程資料(區塊405) 開始。該製程資料可接收自一或更多感測器、製造機器、製程控制器及一製程測量資料庫。在區塊410處，使用一第一度量分析該製程資料以識別一故障。在一具體實施例中，該第一度量為該CMI度量。以替代方式，該第一度量可為，舉例而言，該T2或該Q度量。使用該第一度量分析該製程資料可包含使用該第一度量以判定貢獻於該故障之製程變數，及該等貢獻製程變數之相對貢獻。
在區塊415處，處理邏輯識別一匹配該故障之故障簽章，其中該故障簽章係使用一第二度量產生。舉例而言，如果該第一度量為該CMI度量，該第二度量可為該Q或該T2度量。一匹配可發生於該偵測故障之貢獻製程變數與在一故障簽章中之貢獻製程變數相同或類似時。可使用一度量產生一故障簽章，其藉由使用該度量以判定貢獻於一故障之製程變數，及該等貢獻製程變數之相對貢獻。
在區塊420處，處理邏輯識別一與該故障簽章相關聯之故障類別。在一具體實施例中，每一故障簽章與單一故障類別相關聯。以替代方式，多個故障類別可與一故障簽章相關聯。這可發生於，舉例而言，其中兩個故障類別具有相同故障簽章時。然後該方法結束。
第4B圖圖解說明一藉由使用處方獨立故障簽章診斷故障之方法450之一具體實施例之流程圖。該方法可藉由處理邏輯執行，處理邏輯可包括硬體(例如，電路、專屬邏輯、可編程邏輯、微碼等)、軟體(諸如運行在一處理裝置上之指令)，或其一組合。在一具體實施例中，方法450 藉由第1圖之該統計製程監視裝置105執行。
參照第4B圖，方法450以接收自一使用一第一處方之第一製造機器獲得之製程資料(區塊455)開始。該製程資料可接收自感測器、製造機器、製程控制器及/或一製程測量資料庫。該第一處方可為，舉例而言，一在一工作件上增長一氧氣層、在一工作件上沉積一介電質、自一工作件蝕刻去除一層材料等等之處方。
在區塊460處，分析該製程資料以識別一故障。分析該製程資料可包含判定貢獻於該故障之製程變數，及該等製程變數之相對貢獻。
在區塊465處，處理邏輯識別一匹配該故障之故障簽章，其中該故障簽章係使用一第二處方產生。在一具體實施例中，在該第一製造機器上使用該第二處方產生該故障簽章。以替代方式，可能已使用該第二處方在一具有一與該第一製造機器匹配之機器類型之第二製造機器上產生該故障簽章。一匹配可發生於該偵測故障之貢獻製程變數與在一故障簽章中之貢獻製程變數相同或類似時。
在區塊470處，處理邏輯識別與該故障簽章相關聯之一或更多故障類別。然後該方法結束。
在一具體實施例中，可組合第4A圖之方法400及第4B圖之方法450。相應地，某些故障簽章可為度量獨立及處方獨立。其他故障簽章可僅為處方獨立或度量獨立，或非度量獨立亦非處方獨立。
第5圖以一電腦系統500之例示性形式圖解說明一機 器之一示意性表示，在該電腦系統500中可執行一組指令，以促使該機器執行本文所討論之任何一或更多該等方法。在替代具體實施例中，可將該機器連接(例如，網路連結)至在一區域網路、一企業內部網路、一企業外部網路，或網際網路中之其他機器。該機器可以一主從式網路環境中之一伺服器或一用戶端機器之能力進行操作，或作為在一點對點或分散式網路環境中之一對等機器進行操作。該機器可為一個人電腦(PC)、一平板電腦、一視訊盒(STB)、一個人數位助理(PDA)、一行動電話、一網路設備、一伺服器、一網路路由器、交換機或橋接器，或能夠執行一組指令(以順序或其他方式)之任何機器，該組指令指定該機器將採取之動作。此外，儘管僅圖解說明單一機器，但該術語“機器”亦應被視為包含單獨或共同執行一組(或多組)指令以執行本文所討論之任何一或更多該等方法的任何機器集合。
該例示性電腦系統500包含一處理裝置(處理器)502、一主記憶體504(例如，唯讀記憶體(ROM)、快閃記憶體、諸如同步動態隨機存取記憶體(SDRAM)或Rambus動態隨機存取記憶體(RDRAM)之動態隨機存取記憶體(DRAM)等)、一靜態記憶體506(例如，快閃記憶體、靜態隨機存取記憶體(SRAM)等)，及一資料儲存裝置518，其經由一匯流排530與彼此進行通信。
處理器502表示一或更多一般目的處理裝置，諸如一微處理器、中央處理單元，諸如此類。更特定而言，該處 理器502可為一複雜指令集計算(CISC)微處理器、精簡指令集計算(RISC)微處理器、超長指令字(VLIW)微處理器，或一實施其他指令集之處理器或實施指令集之一組合之處理器。該處理器502亦可為一或更多專用目的處理裝置，諸如一應用特定積體電路(ASIC)、一場可編程閘陣列(FPGA)、一數位訊號處理器(DSP)、網路處理器，諸如此類。該處理器502經組態以執行該處理邏輯526，以用於執行本文所討論之該等操作及步驟。
該電腦系統500可此外包含一網路介面裝置508。該電腦系統500亦可包含一視訊顯示單元510(例如、一液晶顯示器(LCD)或一陰極射線管(CRT))、一文數字輸入裝置512(例如、一鍵盤)、一遊標控制裝置514(例如、一滑鼠)，及一訊號產生裝置516(例如，一揚聲器)。
該資料儲存裝置518可包含一機器可存取儲存媒體531，在該媒體上儲存具體實施任何一或更多本文所述該等方法或函式之一或多組指令(例如，軟體522)。該軟體522在其藉由該電腦系統500執行期間，亦可完全或至少部分地駐留在該主記憶體504內及/或在處理器502內，該主記憶體504及該處理器502亦構成機器可存取儲存媒體。該軟體522可此外經由該網路介面裝置508通過一網路520被傳輸或接收。
該機器可存取儲存媒體531亦可用於儲存定義使用者識別狀態之資料結構設定，及定義使用者設定檔之使用者偏好。資料結構設定及使用者設定檔亦可被儲存於電腦系 統500之其他部分，諸如靜態記憶體506。
儘管在一例示性具體實施例中將該機器可存取儲存媒體531展示為單一媒體，該術語“機器可存取儲存媒體”應被視為包含儲存該一或多組指令之單一媒體或更多媒體(例如，一集中式或分散式資料庫，及/或關聯快取記憶體及伺服器)。該術語“機器可存取儲存媒體”亦應被視為包含能夠儲存、編碼或執行一組指令之任何媒體，該組指令用於藉由該機器執行及致使該機器執行本發明之任何一或更多該等方法。該術語“機器可存取儲存媒體”應相應地被視為包含，但不限於，固態記憶體、光及磁媒體，及載波訊號。
應瞭解以上說明意欲為示意性，而非限制性的。熟習此項技術者經閱讀及瞭解以上說明將顯而易見許多其他具體實施例。因此，本發明之範疇應參考該等隨附申請專利範圍，以及此等申請專利範圍有權主張之等效項之完整範圍來判定。
100‧‧‧統計製程監視系統
105‧‧‧統計製程監視裝置
110‧‧‧製造機器
120‧‧‧製程測量資料庫
125‧‧‧故障偵測器
130‧‧‧故障診斷器
135‧‧‧多變數統計模型
140‧‧‧故障診斷資料庫
150‧‧‧製程控制器
155‧‧‧感測器
160‧‧‧資料通訊連結
165‧‧‧故障回報器
170‧‧‧處方
175‧‧‧儲存裝置
500‧‧‧電腦系統
502‧‧‧處理器
504‧‧‧主記憶體
506‧‧‧靜態記憶體
508‧‧‧網路介面裝置
510‧‧‧視訊顯示器
512‧‧‧文數字輸入裝置
514‧‧‧遊標控制裝置
516‧‧‧訊號產生裝置
518‧‧‧次要記憶體
520‧‧‧網路
522‧‧‧軟體
526‧‧‧處理邏輯
530‧‧‧匯流排
531‧‧‧機器可存取儲存媒體
本發明藉由實例之方式，且並非藉由限制之方式，圖解說明於隨附該等圖式之各圖中，且其中：第1圖圖解說明一統計製程監視系統之一具體實施例；第2圖圖解說明產生故障類別之方法之一具體實施例之流程圖；第3圖圖解說明產生故障類別之方法之另一具體實施 例之流程圖；第4A圖圖解說明藉由使用度量獨立故障簽章診斷故障之方法之一具體實施例之流程圖；第4B圖圖解說明藉由使用處方獨立故障簽章診斷故障之方法之一具體實施例之流程圖；及第5圖以一電腦系統之例示性形式圖解說明一機器之一示意性表示，在該電腦系統中可執行一組指令，以用於促使該機器執行任何一或更多本文所討論之該等方法。
100‧‧‧統計製程監視系統
105‧‧‧統計製程監視裝置
110‧‧‧製造機器
120‧‧‧製程測量資料庫
125‧‧‧故障偵測器
130‧‧‧故障診斷器
135‧‧‧多變數統計模型
140‧‧‧故障診斷資料庫
150‧‧‧製程控制器
155‧‧‧感測器
160‧‧‧資料通訊連結
165‧‧‧故障回報器
170‧‧‧處方
175‧‧‧儲存裝置

Claims (25)

  1. 一種使用故障類別診斷故障之方法，該方法包括以下步驟：使用一第一度量來分析製程資料以識別一故障，其中該製程資料係自一運行一第一處方之製造機器中所獲得；識別一匹配該故障之故障簽章，其中該故障簽章係使用一第二度量及一第二處方之至少一者而產生，其中該故障簽章依據複數個製程條件各者的一貢獻而排序能代表一或更多個故障的該等複數個製程條件，其中該故障簽章不包含具有以一預定方式比較於一臨限(threshold)之一貢獻的一製程條件；及識別與該故障簽章相關聯之至少一故障類別，其中故障類別各者係識別由該故障簽章所代表的一或更多個故障之一原因。
  2. 如申請專利範圍第1項所述之方法，其中該至少一故障類別適用於兩個或更多不同度量。
  3. 如申請專利範圍第1項所述之方法，其中該第一度量係一組合多變數索引(CMI)度量，且該第二度量係一T2度量及一Q度量其中之一者。
  4. 如申請專利範圍第1項所述之方法，其中該至少一故障類別適用於兩個或更多不同處方。
  5. 一種包含資料之機器可存取媒體，當藉由一機器存取該資料時，可致使該機器執行一種使用故障類別診斷故障之方法，該方法包括以下步驟： 使用一第一度量來分析製程資料以識別一故障，其中該製程資料係自一運行一第一處方之製造機器中所獲得；識別一匹配該故障之故障簽章，其中該故障簽章係使用一第二度量及一第二處方之至少一者而產生，其中該故障簽章依據複數個製程條件各者的一貢獻而排序能代表一或更多個故障的該等複數個製程條件，其中該故障簽章不包含具有以一預定方式比較於一臨限之一貢獻的一製程條件；及識別與該故障簽章相關聯之至少一故障類別，其中故障類別各者係識別由該故障簽章所代表的一或更多個故障之一原因。
  6. 如申請專利範圍第5項所述之機器可存取媒體，其中該至少一故障類別適用於兩個或更多不同度量。
  7. 如申請專利範圍第6項所述之機器可存取媒體，其中該第一度量係一組合多變數索引(CMI)度量，且該第二度量係一T2度量及一Q度量其中之一者。
  8. 如申請專利範圍第5項所述之機器可存取媒體，其中該至少一故障類別適用於兩個或更多不同處方。
  9. 一種使用故障類別來診斷故障之統計製程監視系統，該系統包括：一與一製造機器耦接之故障偵測器，該故障偵測器從該製造機器接收使用一第一處方所產生之製程資料，且使用一第一度量來分析該製程資料以識別一故障；一儲存複數個故障簽章之資料庫，該等故障簽章各者與 至少一故障類別相關聯；及一與該故障偵測器耦接且與該資料庫耦接之故障診斷器，該故障診斷器自複數個故障簽章識別一匹配該故障之匹配故障簽章，其中該匹配故障簽章係藉由該製造機器使用一第二度量及一第二處方之至少一者所產生，其中該故障簽章依據複數個製程條件各者的貢獻而排序能代表一或更多個故障的該等複數個製程條件，其中該故障簽章不包含具有以一預定方式比較於一臨限之一貢獻的一製程條件，該故障診斷器並用以識別與該故障簽章相關聯之至少一故障類別，其中該故障類別係識別由該故障簽章所代表的該一或更多個故障之一原因。
  10. 如申請專利範圍第9項所述之統計製程監視系統，其中該至少一故障類別適用於兩個或更多不同度量。
  11. 如申請專利範圍第10項所述之統計製程監視系統，其中該第一度量係一組合多變數索引(CMI)度量，且該第二度量係一T2度量及一Q度量其中之一者。
  12. 如申請專利範圍第9項所述之統計製程監視系統，其中該至少一故障類別適用於兩個或更多不同處方。
  13. 一種為故障診斷建立故障類別之方法，該方法包括：分析來自歷史資料及訓練資料中之至少一者之製程資料，以識別複數個故障；判定貢獻於該等複數個故障之一或更多製程變數；判定該等一或更多製程變數各者之一相對於該等複數個故障的貢獻； 針對該等複數個故障各者產生一故障簽章，該故障簽章具有包含該一或更多製程變數各者之該等相對貢獻之相對貢獻範圍，其中該故障簽章不包含具有以一預定方式比較於一臨限之一貢獻的一製程變數；基於故障簽章中之相似性而將該等複數個故障劃分為群組；及針對該等故障群組各者產生一故障類別，其中故障類別各者係識別故障之一對應群組的一原因。
  14. 如申請專利範圍第13項所述之方法，其更包括：判定與一符合規範要求之產品相關聯之至少一故障；及將一因該至少一故障所產生之故障類別分類為一虛假警報。
  15. 如申請專利範圍第13項所述之方法，其更包括：判定與一不符合規範要求之產品相關聯之至少一故障；將一因該至少一故障所產生之故障類別識別為一真實故障；接收使用者輸入以對該產生之故障類別進行分類；及將一嚴重性等級指派為該故障類別。
  16. 如申請專利範圍第13項所述之方法，其中該等複數個故障包含具有至少某些該等一或更多製程變數之類似相對貢獻之至少兩個故障，該方法更包括：為該等至少兩個故障而產生一單一故障簽章，該單一故障簽章具有包含該等至少兩個故障各者之該等製程變數之該等相對貢獻之相對貢獻範圍；及 為該等至少兩個故障產生一單一故障類別。
  17. 如申請專利範圍第13項所述之方法，其中該等故障簽章係在產生一多變數統計模型時自動產生。
  18. 一種包含資料之機器可存取媒體，當藉由一機器存取該資料時，致使該機器執行一種針對故障診斷而建立故障類別之方法，該方法包括以下步驟：分析來自歷史資料及訓練資料之至少一者之製程資料，以識別複數個故障；判定貢獻於該等複數個故障之一或更多製程變數；判定該等一或更多製程變數各者之一相對於該等複數個故障的貢獻；針對該等複數個故障各者產生一故障簽章，該故障簽章具有包含該一或更多製程變數各者之該等相對貢獻之相對貢獻範圍，其中該故障簽章不包含具有以一預定方式比較於一臨限之一貢獻的一製程變數；基於故障簽章中之相似性而將該等複數個故障劃分為群組；及針對該等故障群組各者產生一故障類別，其中故障類別各者係識別故障之一對應群組的一原因。
  19. 如申請專利範圍第18項所述之機器可存取媒體，該方法更包括：判定與一符合規範要求之產品相關聯之至少一故障；及將一因該至少一故障所產生之故障類別分類為一虛假警報。
  20. 如申請專利範圍第18項所述之機器可存取媒體，該方法更包括：判定與一不符合規範要求之產品相關聯之至少一故障；將一因該至少一故障所產生之故障類別識別為一真實故障；接收使用者輸入以對該產生之故障類別進行分類；及將一嚴重性等級指派為該故障類別。
  21. 如申請專利範圍第18項所述之機器可存取媒體，其中該等複數個故障包含具有至少某些該一或更多製程變數之類似相對貢獻之至少兩個故障，其更包括：為該等至少兩個故障而產生一單一故障簽章，該單一故障簽章具有包含該等至少兩個故障各者之該等製程變數之該等相對貢獻之相對貢獻範圍；及為該等至少兩個故障產生一單一故障類別。
  22. 如申請專利範圍第18項所述之機器可存取媒體，其中該等故障簽章係在產生一多變數統計模型時自動產生。
  23. 一種針對故障診斷建立故障類別之統計製程監視系統，其包括：一資料庫，用以儲存歷史製程資料及訓練製程資料之至少一者；一故障偵測器，其與該資料庫耦接，用以分析該歷史製程資料與訓練製程資料之至少一者，以識別複數個故障；及一故障診斷器，其與該故障偵測器耦接，用以判定貢獻 於該等複數個故障之一或更多製程變數、以判定該等一或更多製程變數各者之一相對於該等複數個故障的貢獻、以針對複數個故障各者產生一故障簽章，該故障簽章具有包含該一或更多製程變數各者之該等相對貢獻之相對貢獻範圍，該故障簽章不包含具有以一預定方式比較於一臨限之一相對貢獻的一製程變數、用以基於在故障簽章中之相似性而劃分複數個故障成群組，且用以針對該等故障群組各者產生一故障類別，其中故障類別各者係識別故障之一對應群組的一原因。
  24. 如申請專利範圍第23項所述之統計製程監視系統，其中該故障診斷器用以判定與一符合規範要求之產品相關聯之至少一故障，以產生一虛假警報故障類別。
  25. 如申請專利範圍第23項所述之統計製程監視系統，其中該故障診斷器用以判定與一不符合規範要求之產品相關聯之至少一故障，以產生一真實故障類別，並接收使用者輸入以對該真實故障類別進行分類，且用以將一嚴重性等級指派為該故障類別。
TW097116323A 2007-05-04 2008-05-02 度量獨立及處方獨立的故障類別 TWI459487B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US11/800,460 US8010321B2 (en) 2007-05-04 2007-05-04 Metrics independent and recipe independent fault classes

Publications (2)

Publication Number Publication Date
TW200908186A TW200908186A (en) 2009-02-16
TWI459487B true TWI459487B (zh) 2014-11-01

Family

ID=39940428

Family Applications (1)

Application Number Title Priority Date Filing Date
TW097116323A TWI459487B (zh) 2007-05-04 2008-05-02 度量獨立及處方獨立的故障類別

Country Status (4)

Country Link
US (1) US8010321B2 (zh)
KR (1) KR20100017637A (zh)
TW (1) TWI459487B (zh)
WO (1) WO2008137062A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
US8010321B2 (en) 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
WO2008157494A2 (en) * 2007-06-15 2008-12-24 Shell Oil Company Framework and method for monitoring equipment
US8949671B2 (en) * 2008-01-30 2015-02-03 International Business Machines Corporation Fault detection, diagnosis, and prevention for complex computing systems
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8190543B2 (en) 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US20090282296A1 (en) * 2008-05-08 2009-11-12 Applied Materials, Inc. Multivariate fault detection improvement for electronic device manufacturing
US8335582B2 (en) * 2008-05-19 2012-12-18 Applied Materials, Inc. Software application to analyze event log and chart tool fail rate as function of chamber and recipe
US8527080B2 (en) * 2008-10-02 2013-09-03 Applied Materials, Inc. Method and system for managing process jobs in a semiconductor fabrication facility
US8989887B2 (en) * 2009-02-11 2015-03-24 Applied Materials, Inc. Use of prediction data in monitoring actual production targets
US8407520B2 (en) * 2010-04-23 2013-03-26 Ebay Inc. System and method for definition, creation, management, transmission, and monitoring of errors in SOA environment
JP2012114157A (ja) * 2010-11-22 2012-06-14 Toshiba Corp ドロップレシピ作成方法およびデータベース作成方法
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
WO2012143059A1 (en) * 2011-04-21 2012-10-26 Telefonaktiebolaget L M Ericsson (Publ) Recovery from multiple faults in a communications network
US9110452B2 (en) 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
US9915940B2 (en) * 2011-10-31 2018-03-13 Applied Materials, Llc Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data
KR101579448B1 (ko) * 2013-05-30 2015-12-23 삼성에스디에스 주식회사 불량 샘플의 결함 맵을 이용한 문제 설비 판정 방법 및 그 장치
KR102122266B1 (ko) * 2013-08-22 2020-06-26 엘지전자 주식회사 가전기기, 가전기기 시스템 및 그 제어방법
KR101924487B1 (ko) 2013-12-17 2018-12-03 에이에스엠엘 네델란즈 비.브이. 수율 추산 및 제어
US9697470B2 (en) 2014-04-16 2017-07-04 Applied Materials, Inc. Apparatus and method for integrating manual and automated techniques for automated correlation in data mining
CA2972973A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system
TWI584134B (zh) * 2015-11-03 2017-05-21 財團法人工業技術研究院 製程異因分析方法與製程異因分析系統
US10210037B2 (en) * 2016-08-25 2019-02-19 Uptake Technologies, Inc. Interface tool for asset fault analysis
US11940318B2 (en) * 2016-09-27 2024-03-26 Baker Hughes Energy Technology UK Limited Method for detection and isolation of faulty sensors
US10917419B2 (en) 2017-05-05 2021-02-09 Servicenow, Inc. Systems and methods for anomaly detection
US10360671B2 (en) * 2017-07-11 2019-07-23 Kla-Tencor Corporation Tool health monitoring and matching
US10783290B2 (en) 2017-09-28 2020-09-22 Taiwan Semiconductor Manufacturing Company, Ltd. IC manufacturing recipe similarity evaluation methods and systems
CN109242046B (zh) * 2018-10-10 2021-11-23 中国工程物理研究院计算机应用研究所 基于非线性复杂系统过程数据的在线故障诊断方法
US11093315B2 (en) 2019-03-22 2021-08-17 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for detecting a fault or a model mismatch
US11100221B2 (en) * 2019-10-08 2021-08-24 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
US11063965B1 (en) * 2019-12-19 2021-07-13 Nanotronics Imaging, Inc. Dynamic monitoring and securing of factory processes, equipment and automated systems
CN111312415A (zh) * 2020-03-02 2020-06-19 上海交通大学 故障诊断方法及装置
US20210341901A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies, Inc. Induction motor condition monitoring using machine learning
JP7379303B2 (ja) * 2020-09-14 2023-11-14 株式会社東芝 類似不良検索／表示システム、装置及び方法
US20220171374A1 (en) * 2020-12-02 2022-06-02 Noodle Analytics, Inc. Defect profiling and tracking system for process-manufacturing enterprise

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6615366B1 (en) * 1999-12-21 2003-09-02 Intel Corporation Microprocessor with dual execution core operable in high reliability mode
US20070067678A1 (en) * 2005-07-11 2007-03-22 Martin Hosek Intelligent condition-monitoring and fault diagnostic system for predictive maintenance

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5858350A (en) * 1993-12-01 1999-01-12 Marine Polymer Technologies Methods and compositions for poly-β-1→4-N-acetylglucosamine cell therapy system
US5442562A (en) * 1993-12-10 1995-08-15 Eastman Kodak Company Method of controlling a manufacturing process using multivariate analysis
US5694401A (en) * 1994-06-27 1997-12-02 Tandem Computers Incorporated Fault isolation using pseudo-random scan
US5544308A (en) * 1994-08-02 1996-08-06 Giordano Automation Corp. Method for automating the development and execution of diagnostic reasoning software in products and processes
US6202181B1 (en) * 1996-11-04 2001-03-13 The Regents Of The University Of California Method for diagnosing bridging faults in integrated circuits
JP2000216737A (ja) 1998-04-16 2000-08-04 Sony Corp ディジタル放送受信装置及びその制御方法
US6442445B1 (en) * 1999-03-19 2002-08-27 International Business Machines Corporation, User configurable multivariate time series reduction tool control method
US6625688B1 (en) * 1999-05-10 2003-09-23 Delphi Technologies, Inc. Method and circuit for analysis of the operation of a microcontroller using signature analysis of memory
US7413546B2 (en) * 1999-12-07 2008-08-19 Univeristy Of Utah Research Foundation Method and apparatus for monitoring dynamic cardiovascular function using n-dimensional representations of critical functions
AU1949501A (en) * 1999-12-07 2001-06-18 University Of Utah Research Foundation Method and apparatus for monitoring dynamic systems using n-dimensional representations of critical functions
AU4733601A (en) 2000-03-10 2001-09-24 Cyrano Sciences Inc Control for an industrial process using one or more multidimensional variables
AU2002213134A1 (en) * 2000-10-13 2002-04-22 The Brigham And Women's Hospital, Inc. Method and display for multivariate classification
US6907545B2 (en) * 2001-03-02 2005-06-14 Pitney Bowes Inc. System and method for recognizing faults in machines
US6600204B2 (en) * 2001-07-11 2003-07-29 General Semiconductor, Inc. Low-voltage punch-through bi-directional transient-voltage suppression devices having surface breakdown protection and methods of making the same
US6954884B2 (en) * 2001-06-01 2005-10-11 Lucent Technologies Inc. System and method for effecting recovery of a network
US7089154B2 (en) * 2001-08-09 2006-08-08 Rovsing Dynamics A/S Automatic machinery fault diagnostic method and apparatus
US7072794B2 (en) * 2001-08-28 2006-07-04 Rockefeller University Statistical methods for multivariate ordinal data which are used for data base driven decision support
US20040002842A1 (en) * 2001-11-21 2004-01-01 Jeffrey Woessner Methods and systems for analyzing complex biological systems
US6954883B1 (en) * 2002-01-11 2005-10-11 Advanced Micro Devices, Inc. Method and apparatus for performing fault detection using data from a database
US20030171897A1 (en) * 2002-02-28 2003-09-11 John Bieda Product performance integrated database apparatus and method
US6662089B2 (en) * 2002-04-12 2003-12-09 Honeywell International Inc. Method and apparatus for improving fault classifications
US7096074B2 (en) * 2002-05-30 2006-08-22 Insyst Ltd. Methods and apparatus for early fault detection and alert generation in a process
TW583567B (en) * 2002-06-28 2004-04-11 Powerchip Semiconductor Corp Automatic intelligent system for performing yield rate improvement and multivariate analysis of production process parameters and method thereof
US7680753B2 (en) * 2002-07-10 2010-03-16 Satyam Computer Services Limited System and method for fault identification in an electronic system based on context-based alarm analysis
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
US6893882B2 (en) * 2002-12-06 2005-05-17 Taiwan Semiconductor Manufacturing Co., Ltd. Multivariate RBR tool aging detector
US7062411B2 (en) * 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
US7328126B2 (en) * 2003-09-12 2008-02-05 Tokyo Electron Limited Method and system of diagnosing a processing system using adaptive multivariate analysis
US20050114023A1 (en) * 2003-11-26 2005-05-26 Williamson Walton R. Fault-tolerant system, apparatus and method
WO2006034179A2 (en) * 2004-09-17 2006-03-30 Mks Instruments, Inc. Method and apparatus for multivariate control of semiconductor manufacturing processes
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
US7477960B2 (en) * 2005-02-16 2009-01-13 Tokyo Electron Limited Fault detection and classification (FDC) using a run-to-run controller
US20070006037A1 (en) * 2005-06-29 2007-01-04 Microsoft Corporation Automated test case result analyzer
JP2009500853A (ja) * 2005-07-07 2009-01-08 エム ケー エス インストルメンツ インコーポレーテッド プロセス環境における動的パラメータのモニタリングに用いる自己訂正型多変量解析
KR100640663B1 (ko) * 2005-08-12 2006-11-01 삼성전자주식회사 상수 및 동일 패턴을 갖는 파라미터들을 다변량 모델링하는방법 및 장치 그리고 이를 이용한 반도체 제조방법
CN101438249A (zh) 2006-05-07 2009-05-20 应用材料股份有限公司 用于错误诊断的多种错误特征
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
US7587296B2 (en) * 2006-05-07 2009-09-08 Applied Materials, Inc. Adaptive multivariate fault detection
US8010321B2 (en) 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US7765020B2 (en) * 2007-05-04 2010-07-27 Applied Materials, Inc. Graphical user interface for presenting multivariate fault contributions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6615366B1 (en) * 1999-12-21 2003-09-02 Intel Corporation Microprocessor with dual execution core operable in high reliability mode
US20070067678A1 (en) * 2005-07-11 2007-03-22 Martin Hosek Intelligent condition-monitoring and fault diagnostic system for predictive maintenance

Also Published As

Publication number Publication date
US8010321B2 (en) 2011-08-30
WO2008137062A1 (en) 2008-11-13
TW200908186A (en) 2009-02-16
US20080276128A1 (en) 2008-11-06
KR20100017637A (ko) 2010-02-16

Similar Documents

Publication Publication Date Title
TWI459487B (zh) 度量獨立及處方獨立的故障類別
US7934125B2 (en) Ranged fault signatures for fault diagnosis
Fan et al. Data-driven approach for fault detection and diagnostic in semiconductor manufacturing
US7765020B2 (en) Graphical user interface for presenting multivariate fault contributions
KR101018545B1 (ko) 적응형 다변수 결함 검출
Yang et al. Bayesian Belief Network-based approach for diagnostics and prognostics of semiconductor manufacturing systems
KR102564629B1 (ko) 공간 왜곡 유사도를 사용하는 툴 오류 분석
JP2017211713A (ja) 生産システム
US11022968B2 (en) Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
WO2018106150A1 (ru) Способ и система удаленного мониторинга объектов
US7100081B1 (en) Method and apparatus for fault classification based on residual vectors
WO2023028345A1 (en) Systems and methods for adaptive troubleshooting of semiconductor manufacturing equipment
JP2024507688A (ja) 測定値違反解析を使用したプロセス異常の識別
TW200817891A (en) Adaptive multivariate fault detection
JP2022061975A (ja) 工業用資産の支配期間に基づく処理最適化のための方法およびシステム
Maqbool et al. An efficient fault-prediction mechanism for improving yield in industry 5.0
KR20240052016A (ko) 반도체 제조 장비의 적응형 문제 해결을 위한 시스템들 및 방법들
Ou et al. MIMO EWMA-CUSUM condition-based statistical process control in manufacturing processes

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees