TWI463426B - Integrated Process Monitoring Method and Its System - Google Patents

Description

整合型製程監控方法及其系統

本發明是有關於一種製程偵錯與診斷(Fault Detection and Isolation，FDI)技術，特別是指一種具有預測性製程狀態偵測功能的整合型製程監控方法及其系統。

製程偵錯與診斷之目標，是為了儘早發現製程操作之異常問題，並了解造成異常的原因及時間。透過製程偵錯與診斷機制，可維持製程操作的理想狀況，以提高產品的品質與良率，避免不必要的產品損失與成本浪費。

由於在製程生產過程中，總會存有某些不可避免的變異，像是，操作條件的改變、外在環境的變化、設備的震動或異常等，多變數製程監控技術係考慮各製程變數間的相互影響，萃取出有效的資訊，以提升製程監控的能力。多變數製程監控方法大致上可歸納為三大類：(a)定量分析法(Quantitative Model-Based Method)，或稱為狀態空間模式(State-Space Model)，其係根據測量變數的特性將其等分為輸入、輸出，及可調整變數，然後利用線性方程組建立這些變數間的關係，用以判斷是否有模型結構上的誤差；(b)定性分析法(Qualitative Model-Based Method)，或稱專家系統，係將製程的操作經驗，利用條列式(If-Then-Else)的方式列出規則，或是利用因果關聯性(Cause-Effect Relations)製作成有向圖(Signed Diagraphs，SDG)以分析失誤源；(c)以歷史操作數據結 合統計檢定的多變數統計分析技術，例如，主成份分析法(Principal Component Analysis，PCA)、因子分析法(Factor Analysis)、判別式分析法(Determinant Analysis)、正典相關分析(Canonical Correlation Analysis，CCA)、部分最小均方差迴歸(Partial Least Squares Regression，PLSR)等。以上現有的多變數製程監控方法，雖然可以監測製程是否有異，但無法即時辨識出已知的失誤原因。

其他現有的製程監控技術，如中華民國專利公告號531823所揭露，提供了一種針對半導體製程之多變數監控的方法，其首先在電腦中針對欲監控之製程步驟選取參數，接著從所選取的參數中選取統計參數，該電腦由製程機台接受製程數據後，會依其所選取的統計參數，將前述製程數據轉換成統計數據，最後依據前述統計數據形成監控圖。此種現有技術的主要缺點在於：其僅利用最大、最小、平均及斜率等最終統計數據，來監視製程最終品質，無法正確掌握即時製程變化而提早預警。

因此，本發明之目的，即在提供一種具有預測性製程狀態偵測功能的整合型製程監控方法。

於是，本發明整合型製程監控方法，利用一處理器配合一異常事件模型資料庫來執行，該方法包含下列步驟：A)接收複數即時製程數據；B)根據該異常事件模型資料庫內預先建立之至少一對 應於一已知異常事件的時間序列模型，分析該等即時製程數據以預測是否有異常發生；C)若步驟B)的分析結果為：預測有異常發生，則對應產生一異常事件發生訊號，並進行對應的通報；D)若步驟B)的分析結果為：預測無異常發生，則根據該等即時製程數據進行多變數製程分析，以判斷是否有一新的異常事件發生；及E)若步驟D)的分析結果為：有新的異常事件發生，則建立對應於該新的異常事件的一時間序列模型，並將對應於該新的異常事件的該時間序列模型新增至該異常事件模型資料庫。

本發明之另一目的，即在提供一種具有預測性製程狀態偵測功能的整合型製程監控系統。

於是，本發明整合型製程監控系統包含一異常事件模型資料庫、一即時製程監控模組，及一異常事件處理單元。

該異常事件模型資料庫儲存有預先建立之至少一對應於一已知異常事件的時間序列模型。該即時製程監控模組電連接於該異常事件模型資料庫；該即時製程監控模組包括一預測性製程狀態偵測單元，及一多變數製程監測單元，該即時製程監控模組用以接收複數即時製程數據以進行監控。該異常事件處理單元電連接於該即時製程監控模組。

其中，該預測性製程狀態偵測單元用以根據該異常事 件模型資料庫內對應於該已知異常事件的時間序列模型，分析該等即時製程數據以預測是否有異常發生；若該預測性製程狀態偵測單元預測出有異常發生，則該異常事件處理單元用以對應產生一異常事件發生訊號，並進行對應的通報；若該預測性製程狀態偵測單元預測出無異常發生，則該多變數製程監測單元用以根據該等即時製程數據進行多變數製程分析，以判斷是否有一新的異常事件發生。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之一個較佳實施例的詳細說明中，將可清楚的呈現。

參閱圖1，本發明整合型製程監控系統1之較佳實施例包含一即時製程監控模組11、電連接於該即時製程監控模組11的一異常事件模型資料庫12、電連接於該即時製程監控模組11及該異常事件模型資料庫12的一異常事件模型分析單元13，及電連接於該即時製程監控模組11的一異常事件處理單元14，及電連接於該異常事件處理單元14的一警報單元15。其中，該即時製程監控模組11包括一預測性製程狀態偵測單元111及一多變數製程監測單元112。該異常事件模型資料庫12包括至少一對應於一已知異常事件的時間序列模型。

在本較佳實施例中，該即時製程監控模組11、該異常事件模型分析單元13，及該異常事件處理單元14係以軟體方式實施，並可載入一電腦(圖未示)的一處理器(圖未 示)來執行；然，前述模組或單元亦可以韌體、硬體或其等之組合來實現，並不限於本較佳實施例所揭露。

參閱圖1與圖2，為了更清楚描述該整合型製程監控系統1的各元件之運作，以下配合本發明整合型製程監控方法之較佳實施例來進一步說明。

其中，本發明整合型製程監控方法可再分為一離線建立異常事件模型階段，以及一即時製程監控與警報階段，分別敘述如下。

【離線建立異常事件模型階段】

對於一已知異常事件，該異常事件模型分析單元13根據對應於該已知異常事件的資料，建立對應於該已知異常事件的時間序列模型並將其儲存於該異常事件模型資料庫12。其中，對應於該已知異常事件的資料包括多個時間視窗的資料矩陣，令時間視窗i 的資料矩陣以X _i 表示。

首先，該異常事件模型分析單元13根據X _i 並利用主成份分析法得到其對應的一分數矩陣(score matrix)T _i =[t ₁ t ₂ …t _k …t _K ]，再根據該分數矩陣T _i 得到與時間視窗i 對應的一分數矩陣中心，其中，可為該分數矩陣T _i 的組成向量(t _k ，k =1,2,…,K )之中心。

然後，該異常事件模型分析單元13根據分別對應於該等時間視窗的分數矩陣中心，建立對應於該已知異常事件的時間序列模型(Time Series Model)，其中，該時間序列模型可為例如自我回歸移動平均(Autoregressive Moving Average，ARMA)模型、自回歸(Autoregressive)模型、 移動平均(Moving Average，MA)模型等型態。

值得一提的是，上述主成份分析法及時間序列模型的相關技術，為熟習此項技術者所熟知，故不在此贅述其詳細實作方式。

【即時製程監控與警報階段】

在步驟301中，該即時製程監控模組11接收來自於一製程數據來源2(例如，化工製程)的即時製程數據。

在步驟302中，該即時製程監控模組11的預測性製程狀態偵測單元111根據該異常事件模型資料庫12內已建立的時間序列模型，分析即時製程數據以預測是否可能有異常發生。首先，該預測性製程狀態偵測單元111由即時製程數據求得目前的分數矩陣及分數矩陣中心；繼而，該預測性製程狀態偵測單元111根據該分數矩陣中心並配合該異常事件模型資料庫12內已建立的時間序列模型，判斷即時製程數據是否符合該異常事件模型資料庫12內已建立的時間序列模型，以預測是否有異常發生。

在步驟303中，若該預測性製程狀態偵測單元111預測有異常發生，則繼續進行步驟306之處理；否則，繼續進行步驟304之處理。

在步驟304中，該即時製程監控模組11的多變數製程監測單元112進一步根據即時製程數據進行多變數製程分析，以判斷是否有一新的異常事件發生。其中，此步驟所述的多變數製程分析技術，為熟習此項技術者所熟知，故不在此贅述其詳細實作方式。

在步驟305中，若該多變數製程監測單元112判斷出有新的異常事件發生，則繼續進行步驟306，並至步驟307繼續處理；否則回到步驟301繼續接收即時製程數據。

在步驟306中，該異常事件處理單元14對應產生一異常事件發生訊號，並進行對應的通報。進一步來說，該異常事件模型資料庫12還包括至少一對應於該已知異常事件的相關分析與處理資訊(例如，事件發生原因、對應解決處理方式等)；若異常事件為已知的異常事件，該異常事件處理單元14除了傳送對應的異常事件發生訊號給該警報單元15進行警示(例如，聲音、燈號等)之外，還可將對應於該已知異常事件的相關分析與處理資訊，透過電子郵件(e-mail)、電話、簡訊等方式提供給相關人員以通知並指引其進行適當處理。

在步驟307中，該多變數製程監測單元112在新的異常事件發生時，還會將對應於該新的異常事件的分數矩陣及分數矩陣中心傳送給該異常事件模型分析單元13，以供其據以建立對應於該新的異常事件的時間序列模型。

在步驟308中，該異常事件模型分析單元13將對應於該新的異常事件的時間序列模型新增至該異常事件模型資料庫12，並回到步驟301繼續接收即時製程數據。

綜上所述，本發明整合型製程監控系統1及方法，利用該預測性製程狀態偵測單元111，並配合預先建立的該異常事件模型資料庫12，當即時製程數據符合已知的異常事件之時間序列模型即可提前警示；在實際運作上，相較於 現有的多變數製程監控技術，本發明可縮短20%以上的預警時間，故確實能達成本發明之目的。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

1‧‧‧整合型製程監控系統

11‧‧‧即時製程監控模組

111‧‧‧預測性製程狀態偵測單元

112‧‧‧多變數製程監測單元

12‧‧‧異常事件模型資 料庫

13‧‧‧異常事件模型分析單元

14‧‧‧異常事件處理單元

15‧‧‧警報單元

2‧‧‧製程數據來源

301~308‧‧‧步驟

圖1是一方塊圖，說明本發明整合型製程監控系統之一較佳實施例；及圖2是一流程圖，說明本發明整合型製程監控方法之一較佳實施例。

1‧‧‧整合型製程監控系統

11‧‧‧即時製程監控模組

111‧‧‧預測性製程狀態偵測單元

112‧‧‧多變數製程監測單元

12‧‧‧異常事件模型資料庫

13‧‧‧異常事件模型分析單元

14‧‧‧異常事件處理單元

15‧‧‧警報單元

2‧‧‧製程數據來源

Claims (6)

1. 一種整合型製程監控方法，利用一處理器配合一異常事件模型資料庫來執行，該方法包含下列步驟：A)接收複數即時製程數據；B)對於一已知異常事件，根據對應於該已知異常事件的資料，建立至少一對應於該已知異常事件的時間序列模型，其中對應於該已知異常事件的資料包括多個時間視窗的資料矩陣，步驟(B)包括下列子步驟：b-1)根據該等時間視窗的資料矩陣，並利用主成份分析法得到其等分別對應的複數個分數矩陣，b-2)根據子步驟b-1)得到的該等分數矩陣得到分別與該等時間視窗對應的複數分數矩陣中心，及b-3)根據分別對應於該等時間視窗的該等分數矩陣中心，建立對應於該已知異常事件的該時間序列模型；C)將對應於該已知異常事件的該時間序列模型儲存於該異常事件模型資料庫；D)根據該異常事件模型資料庫內預先建立之對應於該已知異常事件的該時間序列模型，分析該等即時製程數據以預測是否有異常發生；E)若步驟D)的分析結果為：預測有異常發生，則對應產生一異常事件發生訊號，並進行對應的通報；F)若步驟D)的分析結果為：預測無異常發生，則 根據該等即時製程數據進行多變數製程分析，以判斷是否有一新的異常事件發生；及G)若步驟F)的分析結果為：有新的異常事件發生，則建立對應於該新的異常事件的一時間序列模型，並將對應於該新的異常事件的該時間序列模型新增至該異常事件模型資料庫。
2. 依據申請專利範圍第1項所述之整合型製程監控方法，其中，步驟D)包括下列子步驟：d-1)由該等即時製程數據求得一分數矩陣及一分數矩陣中心；及d-2)根據子步驟d-1)求得的該分數矩陣中心，配合該異常事件模型資料庫內已建立的時間序列模型，分析該等即時製程數據以預測是否有異常發生。
3. 依據申請專利範圍第1項所述之整合型製程監控方法，其中，該時間序列模型為自我回歸移動平均模型、自回歸模型，或移動平均模型。
4. 一種整合型製程監控系統，包含：一異常事件模型資料庫，儲存有預先建立之至少一對應於一已知異常事件的時間序列模型；一即時製程監控模組，電連接於該異常事件模型資料庫，該即時製程監控模組包括一預測性製程狀態偵測單元，及一多變數製程監測單元，該即時製程監控模組用以接收複數即時製程數據以進行監控；及一異常事件處理單元，電連接於該即時製程監控模 組；一異常事件模型分析單元，用以對於該已知異常事件，根據對應於該已知異常事件的資料，建立對應於該已知異常事件的該時間序列模型，並用以將對應於該已知異常事件的該時間序列模型儲存於該異常事件模型資料庫，其中，該異常事件模型分析單元係根據多個時間視窗的資料矩陣，並利用主成份分析法得到其等分別對應的複數個分數矩陣，再根據該等分數矩陣得到分別與該等時間視窗對應的複數分數矩陣中心，然後根據分別對應於該等時間視窗的該等分數矩陣中心，建立對應於該已知異常事件的該時間序列模型；其中，該預測性製程狀態偵測單元用以根據該異常事件模型資料庫內對應於該已知異常事件的時間序列模型，分析該等即時製程數據以預測是否有異常發生；若該預測性製程狀態偵測單元預測出有異常發生，則該異常事件處理單元用以對應產生一異常事件發生訊號，並進行對應的通報；若該預測性製程狀態偵測單元預測出無異常發生，則該多變數製程監測單元用以根據該等即時製程數據進行多變數製程分析，以判斷是否有一新的異常事件發生。
5. 依據申請專利範圍第4項所述之整合型製程監控系統，其中，該預測性製程狀態偵測單元係由該等即時製程數據求得一分數矩陣及一分數矩陣中心，並根據該分數矩 陣中心，配合該異常事件模型資料庫內已建立的時間序列模型，分析該等即時製程數據以預測是否有異常發生。
6. 依據申請專利範圍第4項所述之整合型製程監控系統，其中，該時間序列模型為自我回歸移動平均模型、自回歸模型，或移動平均模型。