TWI588767B - 設備的異常評估方法與異常評估裝置 - Google Patents
設備的異常評估方法與異常評估裝置 Download PDFInfo
- Publication number
- TWI588767B TWI588767B TW105108996A TW105108996A TWI588767B TW I588767 B TWI588767 B TW I588767B TW 105108996 A TW105108996 A TW 105108996A TW 105108996 A TW105108996 A TW 105108996A TW I588767 B TWI588767 B TW I588767B
- Authority
- TW
- Taiwan
- Prior art keywords
- life
- feature
- window
- segment
- sequence
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2642—Testing semiconductor operation lifetime or reliability, e.g. by accelerated life tests
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Description
本發明係關於一種設備的異常評估方法與異常評估裝置。
在傳統對半導體機台之異常(例如故障或者是老化)之狀態的評估方法中,往往僅能判斷其為健康狀態或者是異常狀態二者其中之一。然而,此類二分法並無法明確反應半導體機台的實際狀態。
除此之外,在傳統對半導體機台之異常(例如故障或者是老化)之狀態的另一評估方法中,往往僅透過單一特徵來衡量半導體機台之零件的整個生命週期的老化趨勢。然而,實際上隨著零件生命狀態的改變,反應零件老化的特徵會有所不同,因而單一特徵亦無法精準的反應半導體機台的實際表現。
本發明在於提供一種設備的異常評估方法與異常評估裝置,藉以解決習知方法中無法明確反應出半導體機台之實際狀態的問題,以及用以克服習知方法中僅藉由單一特徵評估因而無法精準地呈現出半導體機台之真實表現的問題。
本發明揭露一種設備的異常評估方法,包括下列步驟:根據一配方資訊與一感測資訊,取得對應於一生命週期的一特徵序列,特徵序列包括多個特徵子集序列,生命週期關聯於多個製程操作(process run)。對生命週期重複執行一生命區段分析程序,以取得生命週期中的多個生命區段,以及每一生命區段所對應的特徵子集序列。根據每一生命區段所對應的特徵子集序列,來建構每一生命區段的一趨勢分布。根據多個趨勢分布來決定是否發出一警示訊息。
本發明揭露一種設備的異常評估裝置,包括一特徵擷取模組、一生命區段分析模組、一趨勢分析模組以及一警示模組。生命區段分析模組耦接特徵擷取模組。趨勢分析模組耦接特徵擷取模組與生命區段分析模組。警示模組耦接趨勢分析模組。特徵擷取模組用以根據一配方資訊與一感測資訊,取得對應於一生命週期的一特徵序列,特徵序列包括多個特徵子集序列,生命週期關聯於多個製程操作。生命區段分析模組用以對生命週期重複執行一生命區段分析程序,以取得生命週期中的多個生命區段,以及每一生命區段所對應的特徵子集序列。趨勢分析模組用以根據每一生命區段所對應的特徵子集序列,來建構每一生命區段的一趨勢分布。警示模組用以根據多個趨勢分布來決定是否發出一警示訊息。
如上所述,本發明透過對生命週期重複執行生命區段分析程序,以取得生命週期中的多個生命區段,以及每一生命區段所對應的特徵子集序列,藉以建構出每一生命區段的趨勢分布,來決定是否發出警示訊息。如此一來,即可對應半導體製程之生命週期中的不同時期(例如較早期、中期或者是較晚期),選取出較恰當的特徵值,來建構出更真實的健康模型,藉以更精準地反應出半導體機台之健康趨勢。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理,並且提供本發明之專利申請範圍更進一步之解釋。
以下在實施方式中詳細敘述本發明之詳細特徵以及優點,其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施,且根據本說明書所揭露之內容、申請專利範圍及圖式,任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點,但非以任何觀點限制本發明之範疇。
圖1為根據本發明一實施例之設備的異常評估裝置100的方塊圖。如圖1所示,異常評估裝置100包括特徵擷取模組110、生命區段分析模組120、趨勢分析模組130以及警示模組140。生命區段分析模組120耦接特徵擷取模組110。趨勢分析模組130耦接特徵擷取模組110與生命區段分析模組120。警示模組140耦接趨勢分析模組130。特徵擷取模組110、生命區段分析模組120、趨勢分析模組130以及警示模組140可以是由各種微處理器或者是晶片來實現,在此不加以限制。舉例來說,特徵擷取模組110、生命區段分析模組120、趨勢分析模組130以及警示模組140可分別藉由一第一處理器、一第二處理器、一第三處理器以及一第四處理器來實現。下列請同時參照圖1與圖2。
圖2為根據本發明一實施例之設備的異常評估方法的流程圖。如圖2所示,設備的異常評估方法的包括步驟S210~S260。
在半導體製程中,針對某一零件甲(即機台零件),其先後可歷經多個製程操作(process run)。也就是說,此零件於製程中的生命週期可涵蓋了這些製程操作。
在步驟S210中,針對上述零件甲的半導體製程,特徵擷取模組110可用以根據配方資訊與感測資訊,取得對應於生命週期的特徵序列。生命週期可關聯於多個製程操作。在本發明實施例中,其中配方資訊包括多個配方值(setpoint),也就是配方的設定值。(SONG:setpoint有許多解釋,此處是否增加說明-“即配方的設定值”會較佳?)。感測資訊包括多個感測值,每一感測值對應多個配方值其中之一。舉例來說,在各製程操作中,可以有對應此LED的配方資訊(或配方步驟(recipe step)),其中配方資訊可具有多個配方值,例如特定時點之加熱溫度。此外,可藉由相關的感測器來擷取上述配方步驟所對應的感測資訊。其中感測資訊具有多個感測值,例如特定時點之感測溫度。
圖3為根據本發明一實施例之配方資訊與感測資訊及其局部放大的示意圖。圖3中的縱軸代表攝氏溫度,橫軸代表時間(秒),其中的實線代表配方資訊,虛線代表感測資訊。下列請同時參照圖1、圖2、圖3。
在本發明實施例中,特徵序列係關聯於配方資訊與感測資訊之間的偏移程度。在本發明實施例中,特徵擷取模組110可進一步根據每一配方值與對應之感測值之間的差值,以及對應生命週期的時間順序,產生特徵序列。
舉例來說,在一情況中,特徵擷取模組110可計算多個配方值與對應之多個感測值之間的多個差值中的一平均差值,以作為對應偏移程度的特徵值。在另一情況中,特徵擷取模組110可計算多個配方值與對應之多個感測值之間的多個差值中的最大差值,以做為對應偏移程度的特徵值。在又另一情況中,特徵擷取模組110亦可計算多個配方值與對應之多個感測值之間的多個差值中,大於一臨界值之多個差值所對應的偏移時間,以做為對應偏移程度的特徵值。藉此,特徵擷取模組110再根據所求得的多個特徵值以及對應生命週期的時間順序,來產生所述特徵序列F。
在本發明實施例中,所述特徵序列F可以是藉由上述各製程操作之配方值與感測值之間的差值所求得的特徵向量所組成的序列。其中特徵序列F所屬的集合可以是{Mean、std、Max、Min、Range、Kurtosis、Skewness、RMS}。其中Mean為平均值,std為標準差,Max為最大值,Min為最小值,Range為範圍,Kurtosis為峰度,Skewness為偏斜度,RMS為均方根。如下列表一與表二所示。表一與表二為根據本發明一實施例之關聯於多個製程操作編號Run的特徵向量。
<TABLE border="1" borderColor="#000000" width="_0002"><TBODY><tr><td> Run </td><td> Mean </td><td> std </td><td> Max </td><td> Min </td></tr><tr><td> 363 </td><td> 0.17341176 </td><td> 0.027167047 </td><td> 0.20588235 </td><td> 0.12352941 </td></tr><tr><td> 365 </td><td> 0.19486859 </td><td> 0.025815622 </td><td> 0.22941176 </td><td> 0.14705882 </td></tr><tr><td> 367 </td><td> 0.18673342 </td><td> 0.025896801 </td><td> 0.21764706 </td><td> 0.14117647 </td></tr><tr><td> 369 </td><td> 0.21309656 </td><td> 0.029899213 </td><td> 0.25294118 </td><td> 0.15882353 </td></tr><tr><td> 371 </td><td> 0.17944209 </td><td> 0.066299488 </td><td> 0.27058824 </td><td> 0.07647059 </td></tr></TBODY></TABLE>表一
<TABLE border="1" borderColor="#000000" width="_0003"><TBODY><tr><td> Run </td><td> Range </td><td> Kurtosis </td><td> Skewness </td><td> RMS </td></tr><tr><td> 363 </td><td> 0.082352941 </td><td> -1.2607203 </td><td> -0.3226644362 </td><td> 0.17552689 </td></tr><tr><td> 365 </td><td> 0.082352941 </td><td> -1.1612369 </td><td> -0.4286145983 </td><td> 0.19657114 </td></tr><tr><td> 367 </td><td> 0.076470588 </td><td> -1.2752570 </td><td> -0.3629301704 </td><td> 0.18852059 </td></tr><tr><td> 369 </td><td> 0.094117647 </td><td> -1.2059249 </td><td> -0.3897615016 </td><td> 0.21518389 </td></tr><tr><td> 371 </td><td> 0.194117647 </td><td> -1.4481707 </td><td> -0.0489579452 </td><td> 0.19129842 </td></tr></TBODY></TABLE>表二
舉例來說,對應製程操作編號Run為363的特徵向量即為(0.17341176, 0.027167047, 0.20588235, 0.12352941, 0.082352941, -1.2607203, -0.3226644362, 0.17552689)。特徵序列F即為所有製程操作的特徵向量所組成的序列。為了便於說明,上述表一與表二並未列舉所有製程操作的特徵向量。
在本發明實施例中,特徵序列可包括多個特徵子集序列,舉例來說,當特徵序列F所屬的集合為{Mean、std、Max、Min、Range、Kurtosis、Skewness、RMS}時,則特徵子集序列Z所屬的集合,則可以是上述特徵序列F所屬集合的子集合,例如為{Mean、Max、Min}或{Mean、Max、Min、Kurtosis、Skewness}等等。換句話說,特徵子集序列Z即為上述子集合之特徵子集向量所組成的序列。上述特徵值所屬的集合僅為便於說明之用,在此不加以限制。
圖4為根據本發明一實施例之生命週期、各生命區段與對應之特徵子集序列的示意圖。下列請同時參照圖1、圖2與圖4。
在步驟S220中,生命區段分析模組120可用以對生命週期重複執行一生命區段分析程序,以取得生命週期中的多個生命區段,以及每一生命區段所對應的特徵子集序列。
如圖4所示,透過重複執行生命區段分析程序,生命區段分析模組120可分別取得對應生命週期中百分比0~36%的區段為生命區段P1,對應生命週期中百分比36~56.5%的區段為生命區段P2,對應生命週期中百分比56.5~87.2%的區段為生命區段P3,對應生命週期中百分比87.2~100%的區段為生命區段P4。其中,生命區段P1所對應的特徵子集序列Z1τ之特徵值所屬的集合為{Mean, Max, Min, Range, Kurtosis, Skewness},生命區段P2所對應的特徵子集序列Z2τ之特徵值所屬的集合為{Std, Max, Min, Range},生命區段P3所對應的特徵子集序列Z3τ之特徵值所屬的集合為{Max, Min, Range, RMS},生命區段P4所對應的特徵子集序列Z4τ之特徵值所屬的集合為{Mean, Std, Max, Min, Range}。
舉例來說,如同人類的生命週期可大致上分為四個生命區段,如兒童期、青少年期、中壯年期以及老年期。其中,在人類的各生命區段,用以評估健康的主要特徵可能不同。舉例來說,在兒童期,評估健康的主要特徵可相關於骨骼、肌肉以及呼吸道。在青少年期,評估健康的主要特徵可相關於膽固醇以及肝指數。在中壯年期,評估健康的主要特徵可相關於血糖、血壓、心血管以及腎功能。在老年期,評估健康的主要特徵可相關於腸胃道、骨密度以及心臟。半導體製程也是一樣,在評估半導體機台之異常(例如故障或者是老化)之狀態時,不同的生命區段可對應不同的特徵子集序列,且透過所屬的特徵子集序列,將能更精準地反應半導體機台之生命區段的發展趨勢。
在步驟S230中,趨勢分析模組130可用以根據每一生命區段所對應的特徵子集序列,來建構每一生命區段的趨勢分布。如圖4所示,趨勢分析模組130可分別針對生命區段P1~P4而建構出趨勢分布t1~ t4。
在步驟S240中,警示模組140可用以根據多個趨勢分布來決定是否發出一警示訊息。如圖4所示,已知的零件更換點發生在製程操作編號Run為469的時點,而警示模組140可提早於製程操作編號Run為455的時點發出警示訊息(如步驟S250)。若判斷為否,則於步驟S260中判定不發出警示訊息。
下列將進一步詳述生命區段分析模組120所執行的生命區段分析程序。
圖5A與圖5B為根據本發明一實施例之生命區段分析程序的示意圖。圖6為根據本發明一實施例之設備的異常評估方法的流程圖。下列請同時參照圖1、圖4、圖5A~5B以及圖6。
在本發明實施例中,其中生命區段分析模組120於步驟S220中,可進一步根據一分析起始點執行生命區段分析程序,以取得對應多個生命區段其中之一的一區段轉換點,以及根據最新所取得的區段轉換點來重新設定分析起始點(步驟g),並重複執行上述步驟,直到無法再取得任何區段轉換點為止(步驟h)。其中,最初始的分析起始點係根據生命週期的起始點而設定。
如圖5A所示,於初始時,生命區段分析模組120會將分析起始點設定為生命週期之起始點(即首個製程操作),並於執行生命區段分析程序之後,獲得對應生命區段P1的區段轉換點E1。接著,如圖5B所示,生命區段分析模組120可將區段轉換點E1設定為下一個分析起始點,並再次執行生命區段分析程序,而獲得對應生命區段P2的區段轉換點E2(未繪示於圖5B中)。上述步驟將不斷的重覆,直到無法再取得任何區段轉換點為止(或者是直到無法再取得後述之任何候選轉換點為止)。
更詳細來說,上述生命區段分析程序可包括下列步驟a~f:
在步驟a中,生命區段分析模組120可從多個特徵子集序列中,隨機選取其中之一特徵子集序列。舉例來說,如圖5A所示,在取得區段轉換點E1的過程中,於第1次迭代時,可隨機選取出特徵子集序列Z
11= {Mean, std, Min}。或者是,如圖5B所示,在取得區段轉換點E2的過程中,於第1次迭代時,可隨機選取出特徵子集序列Z
21= {std, Range, Kurtosis}。
在步驟b中,生命區段分析模組120可從所設定的分析起始點開始,分析被選取的每一特徵子集序列的一分布狀態,以取得對應的一候選轉換點與候選轉換點的一特徵鑑別能力指標。在本發明實施例中,所述之特徵鑑別能力指標為此候選轉換點所對應的費雪分數。再更詳細來說,上述步驟b可包括下列步驟b1~b6:
在步驟b1中,生命區段分析模組120於所選取的特徵子集序列中,根據生命週期的起始點,取得一第一視窗W1。
在步驟b2中,生命區段分析模組120於所選取的特徵子集序列中,根據所設定的分析起始點與一視窗平移量,取得一平移參考點與對應平移參考點的一第二視窗W2。在本發明實施例中,第一視窗W1與第二視窗W2的視窗長度可以是整個生命週期長度的10%,而每次的視窗平移量可以是整個生命週期長度的5%,但本發明並不以此為限。
在步驟b3中,生命區段分析模組120比對第一視窗W1與第二視窗W2。
在步驟b4中,生命區段分析模組120判斷第二視窗W2相對於第一視窗W1的一分布差異是否大於一臨界值。在本發明實施例中,生命區段分析模組120可透過演算法Hotelling’s T2來判斷第一視窗W1與第二視窗W2之間的分布差異是否大於一臨界值。
在步驟b51中,當第二視窗W2相對於第一視窗W1的分布差異不大於臨界值時,則生命區段分析模組120可增加視窗平移量,也就是滑動第二視窗W2,並可重複上述步驟b1~b4,直到平移參考點到達生命週期的終點為止,如步驟b52。
在步驟b6中,當第二視窗W2相對於第一視窗W1的分布差異大於臨界值時,則生命區段分析模組120將平移參考點設定為候選轉換點,並紀錄此候選轉換點以及此候選轉換點所對應的費雪分值,以完成這一次的迭代。如圖5A所示,在取得區段轉換點E1的過程裡,於第一次的迭代中,取得候選轉換點CP
11。於第k次的迭代中,取得候選轉換點CP
1k。
接著,在步驟c中,生命區段分析模組120判斷對應此分析起始點,其迭代所重複的次數是否達到一迭代次數臨界值。當迭代所重複的次數未超過迭代次數臨界值k時,則生命區段分析模組120可重複上述步驟a與b。舉例來說,迭代次數臨界值k可以為5000。然而在此不加以限制迭代次數臨界值k的大小。
在步驟d中,當迭代所重複的次數已超過迭代次數臨界值k時,則生命區段分析模組120可根據前述的紀錄,來判斷對應此分析起始點是否確實存在候選轉換點。當不存在候選轉換點時,則於步驟h中終止流程。
在步驟e中,當存在候選轉換點時,則生命區段分析模組120可將其中具有最高的特徵鑑別能力指標的候選轉換點,設定為區段轉換點,藉以取得對應之生命區段。舉例來說,如圖5A所示,生命區段分析模組120可將候選轉換點CP11到CP1k之中,其具有最高費雪分數的候選轉換點CP1τ,設定為區段轉換點E1。相似地,如圖5B所示,生命區段分析模組120可將候選轉換點CP21到CP2k之中,其具有最高費雪分數的候選轉換點CP2τ(未繪示於圖中)設定為區段轉換點E2(未繪示於圖中)。
在步驟f中,生命區段分析模組120可將具有最高的特徵鑑別能力指標的候選轉換點CP1τ所對應的特徵子集序列Z1τ,設定為生命區段P1所對應的特徵子集序列。
接著,在本發明實施例中,趨勢分析模組130可進一步根據多個生命區段分別所對應的特徵子集序列,訓練出每一生命區段所對應的一健康模型,以及根據每一生命區段所對應的每一健康模型,取得每一生命區段對應之趨勢分布。在本發明實施例中,其中每一趨勢分布係關聯於對應之特徵子集序列於其生命區段中的資料與生命週期的起始點的第一視窗的資料之間的馬氏距離。也就是說,所述第一視窗的資料即為健康資料,而各趨勢分布是對應之生命區段中的各製程操作的資料(對應第二視窗)與此健康資料(對應第一視窗)之間進行比對而來。如圖4所示之趨勢分布t1~ t4。
在本發明實施例中,警示模組140可進一步根據趨勢分布來產生對應的一警示門檻值。如圖4所示之警示門檻值Th1。
此外,警示模組140可進一步比對趨勢分布與警示門檻值,以決定是否發出警示訊息。如圖4所示,已知的零件更換點發生在製程操作編號Run為469的時點,而警示模組140可提早於製程操作編號Run為455的時點,判定趨勢分布t4與警示門檻值Th1相交,藉此發出警示訊息。
在本發明另一實施例中,在針對上述零件甲的半導體製程中,生命區段分析模組120分別取得生命區段P1~P4所對應的特徵子集序列Z1τ~Z4τ之後,這些特徵子集序列Z1τ~Z4τ,可用以作為分析另一個零件乙(與零件甲同類型之零件)之生命區段分析的參考。
舉例來說,當生命區段分析模組120在取得對應零件乙的第一個生命區段P1’的過程中,可以參考零件甲之生命區段P1的特徵子集序列Z1τ所屬的集合{Mean, Max, Min, Range, Kurtosis, Skewness}。在取得對應零件乙的第二個生命區段P2’的過程中,可以參考零件甲之生命區段P2的特徵子集序列Z2τ所屬的集合{Std, Max, Min, Range}。在取得對應零件乙的第三個生命區段P3’的過程中,可以參考零件甲之生命區段P3的特徵子集序列Z3τ所屬的集合{Max, Min, Range, RMS}。在取得對應零件乙的第四個生命區段P4’的過程中,可以參考零件甲之生命區段P4的特徵子集序列Z4τ所屬的集合{Mean, Std, Max, Min, Range}。
如此一來,將可能加速有關於零件乙的異常(例如故障或老化)趨勢的分析速度。
圖7為根據本發明另一實施例之生命週期、各生命區段與對應之特徵子集序列的示意圖。下列請同時參照圖1與圖7。
相似地,趨勢分析模組130可用以根據每一生命區段所對應的特徵子集序列,來建構每一生命區段的趨勢分布。如圖7所示,趨勢分析模組130可分別針對生命區段P1’~P5’而建構出趨勢分布t1’~ t5’。
如圖7所示,透過重複執行生命區段分析程序,生命區段分析模組120可分別取得對應生命週期中百分比0~36%的區段為生命區段P1’,對應生命週期中百分比36~56.5%的區段為生命區段P2’,對應生命週期中百分比56.5~87.2%的區段為生命區段P3’,對應生命週期中百分比87.2~94.9%的區段為生命區段P4’,對應生命週期中百分比94.9%~100%的區段為生命區段P5’。其中,生命區段P1’所對應的特徵子集序列Z1τ’之特徵值所屬的集合為{Mean, Max, Min, Range, Kurtosis, Skewness},生命區段P2’所對應的特徵子集序列Z2τ’之特徵值所屬的集合為{Std, Max, Min, Range},生命區段P3’所對應的特徵子集序列Z3τ’之特徵值所屬的集合為{Max, Min, Range, RMS},生命區段P4’所對應的特徵子集序列Z4τ’之特徵值所屬的集合為{Mean, Std, Max, Min, Range},生命區段P5’所對應的特徵子集序列Z5τ’之特徵值所屬的集合為{Mean, Std, Max, Min, Range, Kurtosis}。
然而相異於上述圖4之實施例,在本發明實施例中,生命區段分析模組120可根據所設定的分析起始點,來決定第一視窗與第二視窗的一視窗長度。在本發明實施例中,生命區段分析模組120亦可根據所設定的分析起始點,來決定視窗平移量。
舉例來說,如圖7所示,在取得前3個區段轉換點E1~E3的過程中,第一視窗W1與第二視窗W2的視窗長度可以是整個生命週期長度的10%,而每次的視窗平移量可以是整個生命週期長度的5%。當找到第3個區段轉換點E3之後,第一視窗W1與第二視窗W2的視窗長度可以變更為整個生命週期長度的5%,而每次的視窗平移量可以變更為整個生命週期長度的2.5%。
如此一來,在半導體機台較接近異常(例如故障或者是老化)之時期,即可更加精準的反應出其發展趨勢。如圖7所示,警示模組140可於製程操作編號Run為456的時點,判定趨勢分布t5’與警示門檻值Th2相交,藉此發出警示訊息。相較於圖4,本發明實施例發出警示訊息的時點,可更接近實際上機台發生異常(例如故障或者是老化)之時點。
綜上所述,本發明透過對生命週期重複執行生命區段分析程序,以取得生命週期中的多個生命區段,以及每一生命區段所對應的特徵子集序列,藉以建構出建構每一生命區段的趨勢分布,來決定是否發出警示訊息。如此一來,即可對應半導體製程之生命週期中的不同時期(例如初期、早期、中期或者是晚期、末期等),選取出較恰當的特徵值,來建構出更真實的健康模型,藉以更精準地反應出半導體機台之健康趨勢。
雖然本發明以前述之實施例揭露如上,然其並非用以限定本發明。在不脫離本發明之精神和範圍內,所為之更動與潤飾,均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。
100‧‧‧異常評估裝置
110‧‧‧特徵擷取模組
120‧‧‧生命區段分析模組
130‧‧‧趨勢分析模組
140‧‧‧警示模組
F‧‧‧特徵序列
t1~ t4、t1’~ t5’‧‧‧趨勢分布
P1~P4、P1’~P5’‧‧‧生命區段
Run‧‧‧製程操作編號
E1~ E4‧‧‧區段轉換點
S210~S260‧‧‧設備的異常評估方法的步驟
a~e‧‧‧設備的異常評估方法的步驟
b1~b4、b51、b52、b6‧‧‧設備的異常評估方法的步驟
W1‧‧‧第一視窗
W2‧‧‧第二視窗
Th1、Th2‧‧‧警示門檻值
CP11~CP1k‧‧‧候選轉換點
CP21~CP2k‧‧‧候選轉換點
CP1τ、CP2τ‧‧‧具有最高費雪分數的候選轉換點
Z‧‧‧特徵子集序列
Z1τ‧‧‧生命區段P1所對應的特徵子集序列
Z2τ‧‧‧生命區段P2所對應的特徵子集序列
Z3τ‧‧‧生命區段P3所對應的特徵子集序列
Z4τ‧‧‧生命區段P4所對應的特徵子集序列
Z1τ’‧‧‧生命區段P1’所對應的特徵子集序列
Z2τ’‧‧‧生命區段P2’所對應的特徵子集序列
Z3τ’‧‧‧生命區段P3’所對應的特徵子集序列
Z4τ’‧‧‧生命區段P4’所對應的特徵子集序列
Z5τ’‧‧‧生命區段P5’所對應的特徵子集序列
圖1為根據本發明一實施例之設備的異常評估裝置的方塊圖。 圖2為根據本發明一實施例之設備的異常評估方法的流程圖。 圖3為根據本發明一實施例之配方資訊與感測資訊及其局部放大的示意圖。 圖4為根據本發明一實施例之生命週期、各生命區段與對應之特徵子集序列的示意圖。 圖5A與圖5B為根據本發明一實施例之生命區段分析程序的示意圖。 圖6為根據本發明一實施例之設備的異常評估方法的流程圖。 圖7為根據本發明另一實施例之生命週期、各生命區段與對應之特徵子集序列的示意圖。
a~e‧‧‧設備的異常評估方法的步驟
b1~b4、b51、b52、b6‧‧‧設備的異常評估方法的步驟
Claims (23)
- 一種設備的異常評估方法,包括:根據一配方資訊與一感測資訊,取得對應於一生命週期的一特徵序列,該特徵序列包括多個特徵子集序列,該生命週期關聯於多個製程操作;對該生命週期重複執行一生命區段分析程序,以取得該生命週期中的多個生命區段,以及每一該生命區段所對應的該特徵子集序列;根據每一該生命區段所對應的該特徵子集序列,來建構每一該生命區段的一趨勢分布;以及根據該些趨勢分布來決定是否發出一警示訊息。
- 如請求項1所述之設備的異常評估方法,其中於對該生命週期重複執行該生命區段分析程序,以取得該生命週期中的該些生命區段,以及每一該生命區段所對應的該特徵子集序列的步驟中,包括:根據一分析起始點執行該生命區段分析程序,以取得對應該些生命區段其中之一的一區段轉換點;以及根據最新所取得的該區段轉換點來重新設定該分析起始點,並重複執行上述步驟,直到無法再取得任何該區段轉換點為止;其中,最初始的該分析起始點係根據該生命週期的一起始點而設定。
- 如請求項2所述之設備的異常評估方法,其中該生命區段分析程序包括下列步驟:從該些特徵子集序列中,隨機選取其中之一特徵子集序列;從所設定的該分析起始點開始,分析被選取的每一該特徵子集序列的一分布狀態,以取得對應的一候選轉換點與該候選轉換點的一特徵鑑別能力指標;重複上述步驟,直到所重複的次數達到一迭代次數臨界值為止;將具有最高的該特徵鑑別能力指標的該候選轉換點,設定為該區段轉換點,藉以取得對應之該生命區段;以及將具有最高的該特徵鑑別能力指標的該候選轉換點所對應的該特徵子集序列,設定為該生命區段所對應的該特徵子集序列。
- 如請求項3所述之設備的異常評估方法,其中於從所設定的該分析起始點開始,分析被選取的每一該特徵子集序列的該分布狀態,以取得對應的該候選轉換點與該候選轉換點的該特徵鑑別能力指標的步驟中,包括:於所選取的該特徵子集序列中,根據該生命週期的該起始點,取得一第一視窗;於所選取的該特徵子集序列中,根據所設定的該分析起始點與一視窗平移量,取得一平移參考點與對應該平移參考點的一第二視窗;比對該第一視窗與該第二視窗;判斷該第二視窗相對於該第一視窗的一分布差異是否大於一臨界值;當該第二視窗相對於該第一視窗的該分布差異不大於該臨界值時,則增加該視窗平移量,並重複上述步驟直到該平移參考點到達該生命週期的終點為止;以及當該第二視窗相對於該第一視窗的該分布差異大於該臨界值時,則將該平移參考點設定為該候選轉換點。
- 如請求項4所述之設備的異常評估方法,其中於從所設定的該分析起始點開始,分析被選取的每一該特徵子集序列的該分布狀態的步驟中,包括:根據所設定的該分析起始點,來決定該第一視窗與該第二視窗的一視窗長度。
- 如請求項5所述之設備的異常評估方法,其中於從所設定的該分析起始點開始,分析被選取的每一該特徵子集序列的該分布狀態的步驟中,包括:根據所設定的該分析起始點,來決定該視窗平移量。
- 如請求項1所述的異常評估方法,其中該特徵序列係關聯於該配方資訊與該感測資訊之間的一偏移程度。
- 如請求項7所述的異常評估方法,其中該配方資訊包括多個配方值,該感測資訊包括多個感測值,每一該感測值對應該些配方值其中之一,而於根據該配方資訊與該感測資訊,取得對應於該生命週期的該特徵序列的步驟中,包括:根據每一該配方值與對應之該感測值之間的差值,以及對應該生命週期的時間順序,產生該特徵序列。
- 如請求項1所述的異常評估方法,其中於根據每一該生命區段所對應的該特徵子集序列,來建構每一該生命區段的該趨勢分布的步驟中,包括:根據該些生命區段分別所對應的該特徵子集序列,訓練出每一該生命區段所對應的一健康模型;以及根據每一該生命區段所對應的每一該健康模型,取得每一該生命區段對應之該趨勢分布。
- 如請求項9所述的異常評估方法,其中每一該趨勢分布係關聯於對應之該特徵子集序列於該生命區段中的資料與該生命週期的一起始點的一第一視窗的資料之間的一馬氏距離。
- 如請求項1所述的異常評估方法,其中於根據該些趨勢分布來決定是否發出該警示訊息的步驟中,包括:根據該趨勢分布來產生對應的一警示門檻值;以及比對該趨勢分布與該警示門檻值,以決定是否發出該警示訊息。
- 一種設備的異常評估裝置,包括:一特徵擷取模組,用以根據一配方資訊與一感測資訊,取得對應於一生命週期的一特徵序列,該特徵序列包括多個特徵子集序列,該生命週期關聯於多個製程操作;一生命區段分析模組,耦接該特徵擷取模組,用以對該生命週期重複執行一生命區段分析程序,以取得該生命週期中的多個生命區段,以及每一該生命區段所對應的該特徵子集序列;一趨勢分析模組,耦接該特徵擷取模組與該生命區段分析模組,用以根據每一該生命區段所對應的該特徵子集序列,來建構每一該生命區段的一趨勢分布;以及一警示模組,耦接該趨勢分析模組,用以根據該些趨勢分布來決定是否發出一警示訊息。
- 如請求項12所述之設備的異常評估裝置,其中該生命區段分析模組進一步執行:(a)根據一分析起始點執行該生命區段分析程序,以取得對應該些生命區段其中之一的一區段轉換點,以及根據最新所取得的該區段轉換點來重新設定該分析起始點;以及重複執行上述步驟(a),直到無法再取得任何該區段轉換點為止,其中,最初始的該分析起始點係根據該生命週期的一起始點而設定。
- 如請求項13所述之設備的異常評估裝置,其中該生命區段分析程序包括下列步驟:(b)從該些特徵子集序列中,隨機選取其中之一特徵子集序列;(c)從所設定的該分析起始點開始,分析被選取的每一該特徵子集序列的一分布狀態,以取得對應的一候選轉換點與該候選轉換點的一特徵鑑別能力指標;重複上述步驟(b)與步驟(c),直到所重複的次數達到一迭代次數臨界值為止;將具有最高的該特徵鑑別能力指標的該候選轉換點,設定為該區段轉換點,藉以取得對應之該生命區段;以及將具有最高的該特徵鑑別能力指標的該候選轉換點所對應的該特徵子集序列,設定為該生命區段所對應的該特徵子集序列。
- 如請求項14所述之設備的異常評估裝置,其中該生命區段分析模組進一步執行:(d)於所選取的該特徵子集序列中,根據該生命週期的該起始點,取得一第一視窗,於所選取的該特徵子集序列中,根據所設定的該分析起始點與一視窗平移量,取得一平移參考點與對應該平移參考點的一第二視窗,比對該第一視窗與該第二視窗,判斷該第二視窗相對於該第一視窗的一分布差異是否大於一臨界值,當該第二視窗相對於該第一視窗的該分布差異不大於該臨界值時,則增加該視窗平移量;重複上述步驟(d)直到該平移參考點到達該生命週期的終點為止;以及當該第二視窗相對於該第一視窗的該分布差異大於該臨界值時,則將該平移參考點設定為該候選轉換點。
- 如請求項15所述之設備的異常評估裝置,其中該生命區段分析模組進一步根據所設定的該分析起始點,來決定該第一視窗與該第二視窗的一視窗長度。
- 如請求項16所述之設備的異常評估裝置,其中該生命區段分析模組進一步根據所設定的該分析起始點,來決定該視窗平移量。
- 如請求項12所述的異常評估裝置,其中該特徵序列係關聯於該配方資訊與該感測資訊之間的一偏移程度。
- 如請求項18所述的異常評估裝置,其中該配方資訊包括多個配方值,該感測資訊包括多個感測值,每一該感測值對應該些配方值其 中之一,而該特徵擷取模組進一步根據每一該配方值與對應之該感測值之間的差值,以及對應該生命週期的時間順序,產生該特徵序列。
- 如請求項12所述的異常評估裝置,其中該趨勢分析模組進一步根據該些生命區段分別所對應的該特徵子集序列,訓練出每一該生命區段所對應的一健康模型,以及根據每一該生命區段所對應的每一該健康模型,取得每一該生命區段對應之該趨勢分布。
- 如請求項20所述的異常評估裝置,其中每一該趨勢分布係關聯於對應之該特徵子集序列於該生命區段中的資料與該生命週期的一起始點的一第一視窗的資料之間的一馬氏距離。
- 如請求項12所述的異常評估裝置,其中該警示模組進一步根據該趨勢分布來產生對應的一警示門檻值,以及比對該趨勢分布與該警示門檻值,以決定是否發出該警示訊息。
- 如請求項12所述的異常評估裝置,其中該特徵擷取模組、該生命區段分析模組、該趨勢分析模組以及該警示模組係分別藉由一第一處理器、一第二處理器、一第三處理器以及一第四處理器來實現。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105108996A TWI588767B (zh) | 2016-03-23 | 2016-03-23 | 設備的異常評估方法與異常評估裝置 |
CN201610296671.6A CN107229764B (zh) | 2016-03-23 | 2016-05-06 | 设备的异常评估方法与异常评估装置 |
US15/286,394 US10281519B2 (en) | 2016-03-23 | 2016-10-05 | Abnormality measuring method and abnormality measuring apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105108996A TWI588767B (zh) | 2016-03-23 | 2016-03-23 | 設備的異常評估方法與異常評估裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI588767B true TWI588767B (zh) | 2017-06-21 |
TW201734927A TW201734927A (zh) | 2017-10-01 |
Family
ID=59688234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105108996A TWI588767B (zh) | 2016-03-23 | 2016-03-23 | 設備的異常評估方法與異常評估裝置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10281519B2 (zh) |
CN (1) | CN107229764B (zh) |
TW (1) | TWI588767B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI570587B (zh) * | 2015-12-07 | 2017-02-11 | 財團法人工業技術研究院 | 半導體機台零件剩餘壽命預測系統與方法 |
TWI632441B (zh) | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
CN112486104B (zh) * | 2019-09-12 | 2022-07-05 | 北京国双科技有限公司 | 基于实时获取传感数据进行设备异常分析的方法及装置 |
US20230016663A1 (en) * | 2021-07-16 | 2023-01-19 | Changxin Memory Technologies, Inc. | Method for detecting abnormity, method for repairing and system for detecting abnormity for machine slot |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020078403A1 (en) * | 2000-01-18 | 2002-06-20 | Gullo Louis J. | Reliability assessment and prediction system and method for implementing the same |
TW555929B (en) * | 2000-12-29 | 2003-10-01 | Honeywell Int Inc | Prognostics monitor for systems that are subject to failure |
US20070280706A1 (en) * | 2006-06-02 | 2007-12-06 | Fuji Xerox Co., Ltd. | Failure prevention diagnosis support system, failure prevention diagnosis support method, and program product of failure prevention diagnosis support |
TWI317868B (en) * | 2004-07-06 | 2009-12-01 | Intel Corp | System and method to detect errors and predict potential failures |
US20120029872A1 (en) * | 2010-07-29 | 2012-02-02 | Hon Hai Precision Industry Co., Ltd. | System and method for analyzing reliability of electronic device |
US20160062820A1 (en) * | 2013-03-15 | 2016-03-03 | Richard B. Jones | System and method for the dynamic analysis of event data |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5214595A (en) * | 1988-05-16 | 1993-05-25 | Hitachi, Ltd. | Abnormality diagnosing system and method for a high voltage power apparatus |
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
JP2004047885A (ja) * | 2002-07-15 | 2004-02-12 | Matsushita Electric Ind Co Ltd | 半導体製造装置のモニタリングシステム及びモニタリング方法 |
JP4495960B2 (ja) * | 2003-12-26 | 2010-07-07 | キヤノンItソリューションズ株式会社 | プロセスと品質との関係についてのモデル作成装置 |
US8620519B2 (en) | 2005-04-18 | 2013-12-31 | Honeywell International Inc. | Kernel-based fault detection system and method |
US7983862B2 (en) * | 2008-04-22 | 2011-07-19 | GM Global Technology Operations LLC | Battery state-of-health monitoring system and method |
TWI380226B (en) | 2008-12-03 | 2012-12-21 | Ind Tech Res Inst | System and method of prognostic analysis and resource planning for apparatu |
SG186412A1 (en) | 2010-06-30 | 2013-01-30 | Prad Res & Dev Ltd | System, method, and apparatus for oilfield equipment prognostics and health management |
CN102072829B (zh) | 2010-11-04 | 2013-09-04 | 同济大学 | 一种面向钢铁连铸设备的故障预测方法及装置 |
CN102361014B (zh) * | 2011-10-20 | 2013-08-28 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
CN102975119B (zh) * | 2012-11-16 | 2014-10-08 | 清华大学 | 一种数控外圆磨床运行及工艺状态监控与诊断系统 |
US20140336791A1 (en) | 2013-05-09 | 2014-11-13 | Rockwell Automation Technologies, Inc. | Predictive maintenance for industrial products using big data |
CN104331766A (zh) * | 2014-10-24 | 2015-02-04 | 华迪计算机集团有限公司 | 基于自动化健康管理的综合业务系统 |
-
2016
- 2016-03-23 TW TW105108996A patent/TWI588767B/zh active
- 2016-05-06 CN CN201610296671.6A patent/CN107229764B/zh active Active
- 2016-10-05 US US15/286,394 patent/US10281519B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020078403A1 (en) * | 2000-01-18 | 2002-06-20 | Gullo Louis J. | Reliability assessment and prediction system and method for implementing the same |
TW555929B (en) * | 2000-12-29 | 2003-10-01 | Honeywell Int Inc | Prognostics monitor for systems that are subject to failure |
TWI317868B (en) * | 2004-07-06 | 2009-12-01 | Intel Corp | System and method to detect errors and predict potential failures |
US20070280706A1 (en) * | 2006-06-02 | 2007-12-06 | Fuji Xerox Co., Ltd. | Failure prevention diagnosis support system, failure prevention diagnosis support method, and program product of failure prevention diagnosis support |
US20120029872A1 (en) * | 2010-07-29 | 2012-02-02 | Hon Hai Precision Industry Co., Ltd. | System and method for analyzing reliability of electronic device |
US20160062820A1 (en) * | 2013-03-15 | 2016-03-03 | Richard B. Jones | System and method for the dynamic analysis of event data |
Also Published As
Publication number | Publication date |
---|---|
US10281519B2 (en) | 2019-05-07 |
CN107229764A (zh) | 2017-10-03 |
CN107229764B (zh) | 2021-01-01 |
US20170276720A1 (en) | 2017-09-28 |
TW201734927A (zh) | 2017-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI588767B (zh) | 設備的異常評估方法與異常評估裝置 | |
JP2013538687A (ja) | はんだ接合の品質検査方法 | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
CN108700852A (zh) | 模型参数值推定装置及推定方法、程序、记录有程序的记录介质、模型参数值推定系统 | |
JP5510642B2 (ja) | 予測・診断モデルの構築装置 | |
CN108268689B (zh) | 加热元件的状态诊断与评估方法及其应用 | |
JP7040851B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
RU2016142123A (ru) | Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата | |
US20150269293A1 (en) | Diagnostic model generating apparatus and method, and abnormality diagnostic apparatus | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
TW201935316A (zh) | 用於光譜量化的減少的誤報識別 | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
JP2007108843A (ja) | 半導体装置設計支援方法、半導体装置設計支援システム、半導体装置設計支援プログラム | |
CN105702595A (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
US7184932B1 (en) | Reliability prediction for complex components | |
JP2010049359A (ja) | プラント監視装置およびプラント監視方法 | |
JP5949032B2 (ja) | 前処理方法及び異常診断装置 | |
US20210208030A1 (en) | Apparatus and method for diagnosing failure of plant | |
TW201719788A (zh) | 設備的故障評估方法與故障評估裝置 | |
JP5178471B2 (ja) | 最適部分波形データ生成装置及び方法ならびにロープ状態判定装置及び方法 | |
CN108629077B (zh) | 故障诊断装置、监视装置、故障诊断方法以及记录介质 | |
JP2011141674A (ja) | ソフトウェア品質指標値管理システム、ソフトウェア品質指標値の真値を推定する推定方法及び推定プログラム | |
JP2014203330A (ja) | プロダクト品質評価装置及び方法 | |
JP7259497B2 (ja) | 情報処理装置、情報処理方法、プログラム |