TWI689887B - 錯誤偵測分類 - Google Patents

錯誤偵測分類 Download PDF

Info

Publication number
TWI689887B
TWI689887B TW107133721A TW107133721A TWI689887B TW I689887 B TWI689887 B TW I689887B TW 107133721 A TW107133721 A TW 107133721A TW 107133721 A TW107133721 A TW 107133721A TW I689887 B TWI689887 B TW I689887B
Authority
TW
Taiwan
Prior art keywords
sub
segment
series data
time series
segments
Prior art date
Application number
TW107133721A
Other languages
English (en)
Other versions
TW201915908A (zh
Inventor
德莫特 坎特維爾
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW201915908A publication Critical patent/TW201915908A/zh
Application granted granted Critical
Publication of TWI689887B publication Critical patent/TWI689887B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]
    • G01R31/2894—Aspects of quality control [QC]
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • H01L22/34—Circuits for electrically characterising or monitoring manufacturing processes, e. g. whole test die, wafers filled with test structures, on-board-devices incorporated on each die, process control monitors or pad structures thereof, devices in scribe line
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Complex Calculations (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

此處揭露的實施例一般相關於用於對時間序列資料中的異常值分類的方法、系統、及非暫態電腦可讀取媒體，由置於基板處理腔室中的感測器來收集該等時間序列資料。客戶裝置自置於基板處理腔室中的感測器來接收該等時間序列資料。客戶裝置將該等時間序列資料轉換成有界均勻信號。客戶裝置識別不符合預期行為的信號子分段。客戶裝置對不符合該預期行為的經識別的該等子分段分類。

Description

錯誤偵測分類
本揭示案的實施例一般相關於半導體製造，且更特定地，本揭示案的實施例相關於半導體處理期間所取回的感測器資料中的異常值偵測。
電子裝置的製造典型地涉及實行相關於基板(例如矽基板、玻璃平板等，該等基板也可稱為晶圓，無論圖案化或未圖案化)的一序列程序。該等步驟可包含研磨、沉積、蝕刻、微影、熱處理等。通常可在單一處理系統或包含複數個處理腔室的「工具」中實行一數量的不同處理步驟。在處理期間，實現程序所在的每一腔室可包含複數個感測器，每一感測器經配置以監視相關於基板處理的預先定義的度量。
感測器追蹤資料中的異常值偵測輔助評估實現基板處理程序所在的腔室的整體健康。隨著針對半導體製造要求的增加，用於偵測異常值偵測的該等方法需要巨幅地變得對更精製範圍的感測器資料中偵測異常更敏感以及更可縮放，以便能夠在批次的基板增加至上千時計算異常值偵測演算法。
因此，針對偵測半導體處理期間所取回的感測器資料中的異常值的改良方法具有持續的需求。
此處揭露的實施例一般相關於用於對時間序列資料中的異常值分類的方法、系統、及非暫態電腦可讀取媒體，由置於基板處理腔室中的感測器來收集該等時間序列資料。客戶裝置自置於基板處理腔室中的感測器來接收該等時間序列資料。客戶裝置將該等時間序列資料轉換成有界均勻信號。客戶裝置識別不符合預期行為的信號子分段。客戶裝置對不符合該預期行為的經識別的該等子分段分類。
第1圖根據一個實施例圖示計算環境100。計算環境100包含控制器102及客戶裝置108。控制器102與客戶裝置108在網路105上通訊。控制器102可為與一個或更多個基板處理腔室104一起使用的控制器。例如，控制器102可為輔助控制每一基板處理腔室104的處理參數的控制器。每一處理腔室104具有置於處理腔室104中的一個或更多個感測器106。每一感測器106經配置以監視相關聯於半導體處理的處理的度量。每一感測器106提供每一度量的量測值至控制器102以用於進一步處理。
客戶裝置108與控制器102在網路105上通訊。例如，控制器102可傳送由每一感測器106所收集的感測器資料至客戶裝置108以用於進一步分析。在一些實施例中，客戶裝置108經配置以偵測由控制器102所產生的時間序列資料組中的新奇或異常的行為以用於感測器106量測。在額外的實施例中，客戶裝置108可進一步經配置以對所偵測異常(若已知)分類且標註或學習相關聯於所偵測異常的錯誤標記。因此，在經歷時間序列資料中新的錯誤或新奇時，客戶裝置108可學習。
第2圖為根據一個實施例的流程圖，圖示了對異常值分類的方法200。方法200起始於方塊202。在方塊202處，客戶裝置108自與基板處理腔室通訊的控制器接收基板處理資料。例如，置於處理腔室中的感測器可監視相關於基板處理的度量。在另一範例中，感測器可置於處理腔室外部。控制器傳送相關聯於基板處理度量的資料至客戶裝置108以用於進一步分析。
在方塊204處，客戶裝置108將控制器所接收的時間序列資料轉換成一有界均勻信號。第3圖更詳細圖示方塊204。例如，第3圖圖示將進入的時間序列資料濾波以移除時間序列資料中任何錯誤肯定的方法。為了轉換進入的時間序列資料，客戶裝置108產生針對基板處理系統的每一感測器所記錄的量測值的矩陣T(方塊302)。例如，假設基板處理腔室有K個感測器，客戶裝置108產生K個矩陣T1 至TK 。為了下方討論的目的，假設處理腔室包含單一感測器，因而導致單一矩陣T。
矩陣T包含相關聯於基板處理腔室中的m個運行的量測值。「運行」意指待處理的單一基板。針對每一運行，每一運行期間感測器紀錄量測值n次。據此，矩陣T為m x n矩陣。例如，矩陣T可表示為：
Figure 02_image001
其中ti,j 代表運行i及時間j期間的給定量測值。因此，每一列代表在給定時間片段n時的所有運行資料。
為了將自控制器接收的時間序列資料轉換成有界均勻信號，客戶裝置108自資料組(亦即，矩陣T)移除任何異常值以產生修改的矩陣T’(方塊304)。為了自資料組移除異常值，針對每一列1…n，客戶裝置108應用Grubbs規則至列中的量測值。Grubbs規則為使用以偵測單變數資料組中的異常值的統計測試。Grubbs規則在一時間偵測一個異常值。自資料組抹去異常值且該測試為遞迴直至偵測不到異常值。針對以下假設定義Grubbs規則： H0 ：資料組中沒有異常值。 H1 ：資料組中有剛好一個異常值。
Grubbs測試統計值G定義為：
Figure 02_image003
其中Yi 為X，
Figure 02_image005
為樣本平均，且s為標準差。
該假設被拒絕回應於：
Figure 02_image007
其中N代表行的數量且
Figure 02_image009
標示具有(N-2)自由度及
Figure 02_image011
有效位準的t分布的關鍵值。
應用Grubbs規則至矩陣T，應用Grubbs規則於量測值資料的給定運行m的n時間片段上。若偵測到異常值，移除該異常值且在針對時間片段n的剩餘的(m-1)運行上重新運行Grubbs規則。重複該處理直至偵測不到異常值。據此，矩陣T中的每一列可包含用於變化量的運行(m)的資料。例如，列1可包含(m)個元素，列2可包含(m-1)個元素；列3可包含(m-5)個元素等。應注意在時間片段n中具有最大數量的m個樣本，所以應用Grubbs規則可自時間片段n移除一個或更多個運行m。
在客戶裝置108自矩陣T移除所有異常值之後，客戶裝置產生矩陣T’(方塊306)。矩陣T’為3x3矩陣，其中行定義了由矩陣T中的列所提供的每一時間片段時的最小、最大、及平均值。例如，矩陣T’可數學上表示為：
Figure 02_image013
其中每一列代表給定時間t(t=1…n)，且每一行代表針對每一時間t的最小、最大、及平均量測值。據此，矩陣T’定義「包封」或輸入信號的預期上限及下限以及信號的平均(或準平均)。例如，包封可具有自+1(最大)至-1(最小)的界限且具有0的平均(或準平均)。
使用矩陣T’，客戶裝置108可接著將來自控制器的進入的原始信號變換成有界的、規律的範圍(方塊308)。一般而言，針對任何樣本tn (n定義矩陣T’的列)，行0對應至時間片段n時的平均，行1對應至時間片段n時的最大值，且行2對應至時間片段n時的最小值。
使用修改的矩陣T’，客戶裝置108可使用以下來轉換tn 時的樣本：
Figure 02_image015
其中
Figure 02_image017
) 。項目rn 定義時間n時的預期範圍值。在一些情況中，rn 可變小(亦即，接近零)而導致「包封崩塌」。為了解決此問題，可將兩個額外輸入項目加入變換。使用項目rmin 以定義可允許的最小範圍值。使用項目pmin 以定義表示成預期值百分比的可允許的最小範圍值。因此，為了避免rn 接近零的情況，若rn ＜ max(rmin ,pmin )，客戶裝置108使用max(rmin ,pmin )來取代rn 。轉換等式則看起來像以下：
Figure 02_image019
因此，針對接收自控制器的任何組的輸入追蹤，客戶裝置可將輸入追蹤變換成受限於上限及下限的信號。
現在回到第2圖，在客戶裝置108將控制器所接收的時間序列資料轉換成有界均勻信號之後，客戶裝置108識別不符合預期行為的信號的子分段(方塊206)。例如，客戶裝置108使方塊204中的資料變換起槓桿作用至藉由輸入時間信號的準平均的大約k個最近鄰居(k-NN)計算。如上方所討論，客戶裝置108產生用於所接收信號的「包封」(亦即，輸入信號的預期上限及下限，以及信號的平均(或準平均))，在每一時間片段中經由Grubbs規則對異常值濾波且接著變換成固定有界的信號。在一個範例中可具有約200個運行，每一者具有約45個樣本，使得矩陣T具有200行，45列。在每一列上執行的Grubbs規則移除了異常值。在Grubbs規則結束之後，留下具有與原本矩陣T相同數量的列的T’矩陣，但僅有3行，每一者用於最小、最大及平均。Grubbs幫助產生無異常值的預期信號。在特定範例中，上限為+1，下限為-1，且平均準平均為0。
第4圖為流程圖，圖示了進一步細節的方塊206。為了識別不符合預期行為的子分段，客戶裝置108首先在上方定義的包封內產生訓練組資料(方塊402)。例如，第5圖根據一個實施例圖示圖表500以描繪範例時間資料序列信號502。圖表500包含決定於上方方塊202中的包封504。例如，包封504為受限於最大量+1及最小量-1的面積。包封504具有平均值0。假設任何信號具有相等機率以落於包封504的(-1,+1)範圍內的任意處，客戶裝置108產生人工訓練資料，其中任何樣本xi 可位於包封504內，使得每一額外的樣本xi 均勻地分布。數學上，此可表示為：
Figure 02_image021
人工訓練資料，亦即{xi }，定義了進入的時間序列資料信號的預期行為。現在使用上述處理將信號變換成受限[-1,+1]的信號。下一步驟為將人工訓練資料切合至一邏輯函數。邏輯函數為反曲(sigmoidal)邏輯函數的倒數。邏輯函數切合人工資料組以用於任何時間窗大小，且允許演算法產生時間序列資料信號的子分段符合預期行為的機率。
第6圖圖示圖表600，圖示了邏輯曲線602。點604a對應至108中產生的人工資料。此外，點604b也在相同時間產生，點604b為點604a經由一反射點的「鏡像」。反射點設定系統的「敏感性」。較高的敏感性點意指演算法為較低敏感性。若具有大的反射點，則604a及604b之間的差異大且將進行大的偏離以得到自1移動至0的機率。在第6圖中，反射點為4處(x軸上)。邏輯接著切合至點資料組(604a及604b)。邏輯定義如下，其中X為點資料組604a及604b。
Figure 02_image023
且β代表經學習或計算的參數，p(y|X)為子分段中的信號符合預期行為的0及1之間的機率，如包封504所定義。
使用訓練(X)資料以估計β。在產生人工資料時產生2組：用於在資料的子分段符合點資料組604a的預期行為時的值，及用於在子分段不符合點資料組604b的預期行為時的值。客戶裝置108產生兩個資料組，所以，取決於如何產生該等資料組，可修改演算法敏感性。參數θ控制自1至0的過渡且為另一敏感性參數。高數值意指可見p(y|X)緩慢地自1(子分段在包封中)減低至0(子分段在包封外部)。使用此可見起始時有失能。低數值意指取得急坡(步階改變)。p(y|X)為子分段中的信號符合預期行為的0及1之間的機率，如包封504所定義。
在方塊404處，客戶裝置108將時間資料序列信號分成複數個子分段506i 。每一子分段506i 可包含複數個資料點包含於其中。一般而言，每一子分段可自時間t=a跨越至時間t=b。在一個實施例中，第一子分段5061 可自時間t=0跨越至時間t=24，亦即，第一子分段5061 跨越25秒。在相同實施例中，第二子分段5062 可自時間t=25跨越至時間t=50。在一些例子中，第一子分段506i 可為自現在往後伸展的滑動窗。例如，兩秒的子分段可包含過去兩秒中發生的任何樣本或資料點。
在方塊406處，客戶裝置108計算包含於子分段中的資料點的準平均(normal)。例如，參考第5圖，客戶裝置108決定包含於子分段5061 的t=0至t=24的窗中的該等資料點。子分段5061 內為對應至給定半導體處理感測器的複數個讀數。客戶裝置108接著計算子分段中的量測值的平均(亦即，準平均)。此可容易地計算，因為包含於子分段5061 中的資料點可視為向量。
在方塊408處，客戶裝置108計算子分段5061 的準平均及包封504的準平均之間的距離。例如，如第5圖中所展示，客戶裝置108計算子分段5061 的準平均及包封504的準平均之間的最短距離。客戶裝置108可應用此結果至邏輯函數。
據此，客戶裝置108可容易地決定子分段5061 中的信號是否符合預期行為。在方塊410處，客戶裝置108決定子分段5061 是否符合預期行為。例如，客戶裝置108自邏輯切合(上方與方塊408一併討論)決定子分段5061 是否符合預期行為。若客戶裝置108決定子分段5061 符合預期行為，則在方塊412處，客戶裝置108不會將子分段5061 標旗。然而，若客戶裝置108決定子分段5061 不符合預期行為，則在方塊414處，客戶裝置108將子分段5061 標旗以用於進一步分析。
在方塊416處，客戶裝置108決定是否還有任何剩餘的待分析子分段5061 。若還有剩餘的子分段5061 ，則方法400回復到方塊406。然而，若沒有任何剩餘的子分段5061 ，則方法400結束。
參考回到第2圖，在方塊208處，客戶裝置108對不符合預期行為的該等經識別的子分段分類。例如，可使用人工神經網路以對該等子分段分類。在系統中基於系統的已知值的分析操作中，人工神經網路可為有用的。例如，使用者可對分析感測器資料感興趣，例如半導體處理腔室中感測器所收集的時間序列資料。放射式基底函數(Radial Basis Function，RBF)網路為將放射式基底函數使用為啟動函數的人工網路。在典型的RBF網路中，RBF節點(或「神經元」)負責決定節點的啟動值，其中每一節點具有多個輸入及單一輸出。
可將RBF函數定義為任何數值僅取決於與原點的距離的函數。數學上，此可表示為：
Figure 02_image025
)
RBF網路為位於n維空間中的RBF函數的集合。例如，第7圖為根據一個實施例的圖700，圖示了RBF網路702。RBF網路702包含兩層：輸入層704及RBF層706。如所圖示，網路702包含三(3)個輸入(7081 -7083 )及四(4)個RBF節點(7101 -7104 )。此處，可使用n元素向量來定義每一節點，且輸入至每一節點也可為n元素向量。第7圖中所展示的網路能夠區分5個特定類型的未預期行為。每一節點710i 代表一特定類型的未預期行為。可將進入的子分段歸類至節點7101 至7104 之其中一者或無節點。
一般而言，針對每一節點710i ，針對該節點決定超立方。客戶裝置接著決定子分段是否落於超立方內。若樣本沒有落於超立方內，則系統決定樣本是否落於超球面中，該超球面具有等於該超立方的對角線的一半徑。系統接著基於子分段是否落於超立方(正常)、超球面(較低信心的正常)內或以上皆非(異常)來決定可能的樣本類別，例如，正常或異常。
在一個實施例中，針對任何給定節點的最大誤差為沿著單一軸且可計算而無視於網路及誤差是否可容忍來評估。在一個實施例中，可藉由使用相關標籤在軸上加入額外節點來最小化誤差。
第8圖為方法800的流程圖以用於RBF網路及超立方分析。可藉由處理邏輯來實行方法800，該處理邏輯可包括硬體(例如，電路、專用邏輯、可程式化邏輯、微程式碼等)、軟體(例如，運行於處理裝置上的指令)、或其組合。在一個實施例中，方法800可運行於下方討論的第14圖的系統1400上。
在第8圖的方塊802處，客戶裝置108產生第一節點902，如第9圖中所圖示的圖900中所展示。第一節點902包含多個輸入及一個輸出。例如，多個輸入可包含來自經識別的子分段的一個或更多個資料點。為了產生一節點，提供一數量的輸出n、位置L[n](其中L[n]向量決定n維空間中的節點位置)、及接受域r(節點的維度或大小)。在一實施例中，預設的r值為1。
在方塊804處，客戶裝置108決定用於第一節點902的第一超立方904。在一個實施例中，基於參考資料產生3標準差(3-sigma)超立方。換句話說，第一超立方的大小為3標準差。
在方塊806處，客戶裝置108決定子分段是否落於第一超立方904內。例如，客戶裝置108在繞著第一節點的原點鏡像時決定子分段是否落於第一超立方904內。數學上，可計算以下等式：
Figure 02_image027
在使用超立方以用於偵測時，用於任何節點的輸出將為0或1，其中1指示駐留於超立方中。若c[x]值小於或等於用於第一節點的r(亦即，接收域)，第一節點的輸出為1。在此範例中，客戶裝置使用第一超立方以偵測子分段屬於哪個類別及RBF函數未啟動。例如，第10圖為根據一個實施例的圖1000，圖示了第一節點1001。若子分段1002落於第一超立方1004內，則子分段1002被認定屬於第一節點的類別且被視為「正常」。
在方塊808處，若子分段位於第一超立方1004外部，則客戶裝置108決定樣本是否落於繞著第一超立方的第一超球面內。例如，第11圖為圖1100，圖示了繞著第一超立方1104放置的第一超球面1102，第一超球面1102具有等於第一超立方1104的對角線1106的半徑。參考回到第10圖，若子分段1008落於第一超球面1006內，則被認定屬於第一節點1001的類別且被視為正常，但具有較低的信心評估。若子分段(例如，子分段1010)位於第一超球面1006外部，則將樣本分類為未知或可疑。
例如，若c[x]值大於半徑，則客戶裝置108切換至RBF函數。初始地，用於所有節點出現的接收域被設定為1。此處，使用臨界值調整方案(亦即，使用固定函數但基於與原點的距離來選擇不同臨界值)來取代接收域調整方案(亦即，使用較寬函數)。使用Gaussian啟動等式來啟動節點並記錄輸出，其中用於每一節點的輸出範圍為數值自1至0。Gaussian啟動等式可表示為：
Figure 02_image029
其中d為超球面的直徑且r為超球面的半徑。
此處，正方形(二維超立方)具有3標準差的側面，使得繞著正方形的圓形(二維超球面)具有4.24的半徑。在提供輸入且使用Gaussian啟動等式來啟動RBF函數時，輸出為數值自1至0，取決於樣本離節點有多遠。臨界值為RBF輸出(輸入為超立方的半徑)，在此範例中，4.24為Gaussian啟動等式的輸入。據此，此產生0.00012的臨界值。
在此範例中，若子分段包含座標(2,0)，則樣本將位於3標準差正方形中。若樣本座標為(3.5,0)，則樣本將位於超方格外部，且將使用Gaussian啟動等式。在此範例中，輸出為大於臨界值的值，因此，樣本位於超球面內。然而，若子分段包含小於臨界值的座標，子分段將位於超球面外部。
在方塊810處，客戶裝置108基於樣本是否落於超立方或超球面內決定用於子分段的可能分類。若使用超立方以用於偵測，若輸出為1則樣本被認定屬於第一節點。若使用RBF函數以用於偵測，使用啟動函數針對第一節點計算節點臨界值，其中x為用於現在節點的原本接收域值。若節點輸出大於或等於節點臨界值，則子分段被認定屬於此節點。
據此，方法200有效地將從半導體處理腔室中給定感測器所取回的時間序列資料中的錯誤定位及歸類。在一些實施例中，方法200可進一步包含方塊210。在方塊210處，客戶裝置108試圖對子分段分類以回應於方塊208中子分段變得未分類。在一個範例中，將信號子分段的平均使用為RBF網路的輸入。在對具有多於1個輸入時間序列信號的一組資料分類時，經識別的子分段中的信號可減低至其平均。若一個或更多個輸入信號震盪，此震盪並未在平均中被擷取，所以RBF網路可能不會正確分類且可造成子分段的準平均呈現「正常」。在單一感測器分析中，此可藉由抽取描述統計值來減緩。
為了解決此，使用前饋2層分類神經網路。客戶裝置108使人工訓練資料起槓桿作用(相似於上方方塊204)以產生預期的及錯誤記號以訓練神經網路，而不需要訓練資料需求。使用2網路類型，客戶裝置108使用RBF來一般化2層分類。
第12圖為根據一個實施例的邏輯流程圖1200，圖示了上方與第2圖一併討論的方法200。圖1200包含對客戶裝置108的一個或更多個輸入1202。一個或更多個輸入1202可包含變換參數1202a、RBF錯誤記號1202b、及神經網路配置1202c。
客戶裝置108使用變換參數1202a以變換進入的時間序列資料。例如，變換參數1202a可包含3xn經濾波的矩陣T’。在另一實施例中，變換參數1202a可進一步包含原本的時間序列資料矩陣T以及使用以產生經濾波的矩陣T’的Grubbs規則等式的臨界數值。變換參數1202a包含使用以防止包封崩塌的參數，亦即，在rn 變小接近零時，如上方所討論。使用變換參數1202a以在下方討論的方塊1206中產生T’矩陣。
客戶裝置108使用RBF錯誤記號1202b以對不符合預期行為的該等信號子分段分類。例如，在客戶裝置108試圖對經標旗的子分段分類時，客戶裝置108可比較子分段與輸入的RBF錯誤記號1202b。基於子分段是否符合輸入的RBF錯誤記號1202b，客戶裝置108可能夠對子分段分類。此外，若客戶裝置108不能夠將信號子分段符合輸入的RBF錯誤記號1202b，客戶裝置108可接著在後續分析中將新找到的記號加入至RBF錯誤記號1202b。
客戶裝置108使用神經網路配置1202c於識別錯誤記號偵測中客戶裝置108未分類的該等信號子分段。例如，可使用神經網路配置1202c以產生使用以解決在識別多個共同變化信號時上方討論盲點的2層神經網路。因此，使用神經網路配置1202c以一般化RBF以用於特定錯誤追蹤。
時間序列資料1204被傳送至客戶裝置108。時間序列資料1204經歷了預期行為抽取1206。例如，如上方與第2圖一併討論，使用Grubbs規則及變換參數1202a自時間序列資料1204產生預期行為以防止「包封崩塌」而導致T’矩陣。流程圖1200接著進行資料變換方塊1208，其中經由T’矩陣變換進入的時間序列資料1204。
經變換的資料進行至邏輯迴歸方塊1210。如上方與第2圖的方塊206一併討論，在邏輯迴歸方塊1210中，客戶裝置108產生經濾波的時間序列資料的邏輯迴歸切合以識別一個或更多個異常值子分段。在方塊1212處，客戶裝置108決定子分段是否符合方塊1206處所決定的預期行為。
若在方塊1212處，客戶裝置決定子分段符合預期行為，則在方塊1214處，客戶裝置108移動至另一子分段上。然而，若在方塊1212處，客戶裝置108決定子分段不符合預期行為，則在方塊1215處，流程圖進行至RBF網路方塊以對子分段分類。
在方塊1216處，客戶裝置108決定子分段的類別為「正常」或「未知」。例如，若子分段符合存在的RBF錯誤記號1202b，客戶裝置108將子分段回報為正常。在此情況中，客戶裝置108可以可選地將子分段通過至2層神經網路(方塊1218)。例如，使用神經網路配置1202c以識別先前分類器(方塊1216)可能錯過(或未見)的子分段。在方塊1220處，客戶裝置回報神經網路輸出類別。然而，若子分段不符合存在的RBF錯誤記號1202b，則客戶裝置108將子分段回報為未知(方塊1222)。
第13圖為根據一個實施例的邏輯流程圖1300，圖示了與上方第2圖一併討論的方法200。圖1300與圖1200實質相似。然而，在圖1300中，將預期行為1302d使用為與變換參數1202a、RBF錯誤記號1202b、及神經網路配置1202c一起的額外輸入1302。因此，在第13圖中省略第12圖中的方塊1206。
第14圖根據一個實施例圖示計算平台1400。計算平台1400包含客戶裝置108及控制器102。如所展示，客戶裝置108包含處理器1402、記憶體1404、儲存1406、及網路介面1408。在一些實施例中，客戶裝置108可進一步包含耦合至客戶裝置108的一個或更多個I/O裝置1410。處理器1402被包含以代表單一處理器、多個處理器、具有多個處理核心的單一處理器等。
處理器1402可包含預期行為代理器1412、資料變換代理器1416、及邏輯迴歸代理器1418、及分類代理器1420。預期行為代理器1412經配置以產生時間序列資料的預期行為。例如，預期行為代理器1412產生與上方第2圖一併討論的訓練資料。資料變換代理器1416經配置以將進入的時間序列資料變換成由變換矩陣T’所定義的包封。邏輯迴歸代理器1418經配置以識別經變換的時間序列資料的該等不符合預期行為的分段。例如，邏輯迴歸代理器1418經配置以藉由決定分段是否在變換矩陣T’所定義的包封外部來識別該等分段。分類代理器1420經配置以基於RBF錯誤記號對不符合預期行為的該等子分段分類。例如，分類代理器1420使用RBF神經網路配置以對子分段分類。
記憶體1404包含程式碼1422。程式碼1422經配置以實現對包含於從半導體處理腔室中感測器所收集的時間序列資料中的一個或更多個異常值分類的指令。例如，程式碼1422可包含與上方第2至13圖一併討論的方法。
儲存1406可為磁碟驅動儲存。雖然展示成單一單元，儲存1406可為固定的及/或可移除的儲存裝置的組合，例如固定磁碟驅動、可移除記憶卡、光學儲存、網路接合儲存(NAS)、或儲存面積網路(SAN)。網路介面1408可為任何類型的網路通訊以允許控制器經由網路105與其他電腦通訊，例如，控制器102。
控制器102包含處理器1452、記憶體1454、儲存1456、及網路介面1458。處理器1452取回及執行程式指令，例如儲存於記憶體1454中的程式碼1462。處理器1452被包含以代表單一處理器、多個處理器、具有多個處理核心的單一處理器等。如所展示，處理器1452包含時間序列資料蒐集代理器1466。時間序列資料蒐集代理器1466經配置以自一個或更多個感測器106之每一者接收感測器資料。在一些實施例中，時間序列資料蒐集代理器1466經配置以產生用於每一感測器106的資料組。例如，時間序列資料蒐集代理器1466產生用於第一感測器的第一資料組及用於第二感測器的第二資料組。
儲存1456可為磁碟驅動儲存。雖然展示成單一單元，儲存1456可為固定的及/或可移除的儲存裝置的組合，例如固定磁碟驅動、可移除記憶卡、光學儲存、網路接合儲存(NAS)、或儲存面積網路(SAN)。網路介面1458可為任何類型的網路通訊以允許控制器102經由網路105與其他電腦通訊，例如，客戶裝置108。
前述係本發明的實施例，可修改本發明的其他及進一步的實施例而不遠離其基本範圍，且該範圍由隨後的申請專利範圍所決定。
100‧‧‧計算環境102‧‧‧控制器104‧‧‧處理腔室105‧‧‧網路106‧‧‧感測器108‧‧‧客戶裝置200‧‧‧方法202‧‧‧方塊204‧‧‧方塊206‧‧‧方塊208‧‧‧方塊210‧‧‧方塊400‧‧‧方法402‧‧‧方塊404‧‧‧方塊406‧‧‧方塊408‧‧‧方塊410‧‧‧方塊416‧‧‧方塊500‧‧‧圖表502‧‧‧時間資料序列信號504‧‧‧包封506i‧‧‧子分段5061‧‧‧第一子分段5062‧‧‧第二子分段512‧‧‧方塊514‧‧‧方塊600‧‧‧圖表602‧‧‧邏輯曲線604a‧‧‧點604b‧‧‧點700‧‧‧圖702‧‧‧RBF網路704‧‧‧輸入層706‧‧‧RBF層7081‧‧‧輸入710i‧‧‧節點800‧‧‧方法802‧‧‧方塊804‧‧‧方塊806‧‧‧方塊808‧‧‧方塊810‧‧‧方塊900‧‧‧圖902‧‧‧第一節點904‧‧‧第一超立方1000‧‧‧圖1001‧‧‧第一節點1002‧‧‧子分段1004‧‧‧第一超立方1006‧‧‧第一超球面1008‧‧‧子分段1010‧‧‧子分段1100‧‧‧圖1102‧‧‧第一超球面1104‧‧‧第一超立方1106‧‧‧對角線1200‧‧‧流程圖1202‧‧‧輸入1202a‧‧‧參數1202b‧‧‧RBF錯誤記號1202c‧‧‧神經網路配置1204‧‧‧進入的時間序列資料1206‧‧‧方塊1208‧‧‧方塊1210‧‧‧邏輯迴歸方塊1212‧‧‧方塊1214‧‧‧方塊1216‧‧‧方塊1218‧‧‧方塊1220‧‧‧方塊1222‧‧‧方塊1300‧‧‧流程圖1302‧‧‧額外輸入1302d‧‧‧預期行為1400‧‧‧計算平台1402‧‧‧處理器1404‧‧‧記憶體1406‧‧‧儲存1408‧‧‧網路介面1410‧‧‧I/O裝置1412‧‧‧預期行為代理器1416‧‧‧資料變換代理器1418‧‧‧邏輯迴歸代理器1420‧‧‧分類代理器1422‧‧‧程式碼1452‧‧‧處理器1454‧‧‧記憶體1456‧‧‧儲存1458‧‧‧網路介面1462‧‧‧程式碼1466‧‧‧時間序列資料蒐集代理器
於是可以詳細理解本發明上述特徵中的方式，可藉由參考實施例而具有本發明的更特定描述(簡短總結如上)，其中一些圖示於所附圖式中。然而，注意所附圖式僅圖示本發明典型的實施例，因此不考慮限制其範圍，因為本發明可允許其他等效實施例。
第1圖根據於此揭露的一個實施例圖示計算環境。
第2圖為根據於此揭露的一個實施例的流程圖，圖示了對異常值分類的方法。
第3圖為根據於此揭露的一個實施例的流程圖，圖示了來自第2圖的方法而更詳細地討論的方塊圖。
第4圖為根據於此揭露的一個實施例的流程圖，圖示了來自第2圖的方法而更詳細地討論的方塊圖。
第5圖根據於此揭露的一個實施例圖示一圖表以描繪範例的時間資料序列信號。
第6圖為根據於此揭露的一個實施例的圖表，圖示了邏輯曲線。
第7圖為根據於此揭露的一個實施例的圖，圖示了RBF網路。
第8圖為根據於此揭露的一個實施例的方法的流程圖以用於RBF網路及超立方分析。
第9圖為根據於此揭露的一個實施例的邏輯圖，圖示了使用於第8圖的RBF方法的第一節點。
第10圖為根據於此揭露的一個實施例的圖，圖示了第一節點。
第11圖為根據於此揭露的一個實施例的圖，圖示了繞著第一超立方放置的第一超球面。
第12圖為根據於此揭露的一個實施例的邏輯流程圖，圖示了與第2圖一併於上方討論的方法。
第13圖為根據一個實施例的邏輯流程圖1300，圖示了與第2圖一併於上方討論的方法200。
第14圖根據於此揭露的一個實施例圖示計算平台1400。
為了便於理解，儘可能使用相同元件符號，以標示圖式中常見的相同元件。思量一個實施例的元件及特徵可有利地併入其他實施例中，而無須進一步敘述。
然而，注意所附圖式僅圖示本發明示範性的實施例，因此不考慮限制其範圍，因為本發明可允許其他等效實施例。
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
200‧‧‧方法
202‧‧‧方塊
204‧‧‧方塊
206‧‧‧方塊
208‧‧‧方塊
210‧‧‧方塊

Claims (15)

  1. 一種對時間序列資料中的一異常值分類的方法，由置於一基板處理系統中的一感測器來收集該等時間序列資料，該方法包括以下步驟：自置於該基板處理腔室中的該感測器接收時間序列資料；將該等時間序列資料轉換成一有界均勻信號；識別不符合一預期行為的信號子分段；及對不符合該預期行為的經識別的該等子分段分類。
  2. 如請求項1所述之方法，進一步包括以下步驟：對先前無法分類的經識別的該等子分段分類。
  3. 如請求項1所述之方法，其中將該等時間序列資料轉換成一有界均勻信號之步驟包括以下步驟：從自該感測器所接收的該等時間序列資料移除所有異常值；產生不含該等異常值的時間序列資料的一矩陣；及使用不含該等異常值的時間序列資料的該矩陣以變換該等時間序列資料。
  4. 如請求項1所述之方法，其中識別不符合該預期行為的信號子分段之步驟包括以下步驟：產生定義該有界均勻信號的一包封內的訓練集資 料；將該等時間序列資料分成複數個子分段；及計算該子分段的一準平均(normal)及該包封的一準平均之間的一距離。
  5. 如請求項1所述之方法，其中對不符合一預期行為的經識別的該等子分段分類之步驟包括以下步驟：產生對應一第一樣本類別的一節點；產生繞著該節點的一超立方(hypercube)；及產生環繞該超立方的一超球面(hypersphere)。
  6. 如請求項5所述之方法，進一步包括以下步驟：回應於決定該子分段落於該超立方中，對該第一樣本類別中的該子分段分類。
  7. 如請求項5所述之方法，進一步包括以下步驟：回應於決定該子分段沒有落於該超立方中，決定該子分段是否落於該超球面中；及回應於決定該子分段落於該超球面中，對該第一樣本類別中的該子分段分類。
  8. 一種基板處理系統，包括：一處理器；及 一記憶體，該記憶體具有儲存於該記憶體上的指令，在由該處理器執行時，實行用於對時間序列資料中的一異常值分類的一操作，由置於一基板處理系統中的一感測器來收集該等時間序列資料，該操作包括以下步驟：自置於該基板處理腔室中的該感測器接收時間序列資料；將該等時間序列資料轉換成一有界均勻信號；識別不符合一預期行為的信號子分段；及對不符合該預期行為的經識別的該等子分段分類。
  9. 如請求項8所述之基板處理系統，進一步包括以下步驟：對先前無法分類的經識別的該等子分段分類。
  10. 如請求項8所述之基板處理系統，其中將該等時間序列資料轉換成一有界均勻信號之步驟包括以下步驟：從自該感測器所接收的該等時間序列資料移除所有異常值；產生不含該等異常值的時間序列資料的一矩陣；及使用不含該等異常值的時間序列資料的該矩陣以變換該等時間序列資料。
  11. 如請求項8所述之基板處理系統，其中識別不符合該預期行為的信號子分段之步驟包括以下步驟：產生定義該有界均勻信號的一包封內的訓練集資料；將該等時間序列資料分成複數個子分段；及計算該子分段的一準平均(normal)及該包封的一準平均之間的一距離。
  12. 如請求項8所述之基板處理系統，其中對不符合一預期行為的經識別的該等子分段分類之步驟包括以下步驟：產生對應一第一樣本類別的一節點；產生繞著該節點的一超立方(hypercube)；及產生環繞該超立方的一超球面(hypersphere)。
  13. 如請求項12所述之基板處理系統，進一步包括以下步驟：回應於決定該子分段落於該超立方中，對該第一樣本類別中的該子分段分類。
  14. 如請求項12所述之基板處理系統，進一步包括以下步驟：回應於決定該子分段沒有落於該超立方中，決定該子分段是否落於該超球面中；及 回應於決定該子分段落於該超球面中，對該第一樣本類別中的該子分段分類。
  15. 如請求項14所述之基板處理系統，其中在該子分段符合一現存基於放射式基底函數(Radial Basis Function)網路錯誤記號之後，將該子分段回報為正常且通過該子分段至一2層神經網路以用於識別一先前分類器可能錯過的子分段。
TW107133721A 2017-10-05 2018-09-26 錯誤偵測分類 TWI689887B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/726,145 US11275975B2 (en) 2017-10-05 2017-10-05 Fault detection classification
US15/726,145 2017-10-05

Publications (2)

Publication Number Publication Date
TW201915908A TW201915908A (zh) 2019-04-16
TWI689887B true TWI689887B (zh) 2020-04-01

Family

ID=65993987

Family Applications (2)

Application Number Title Priority Date Filing Date
TW107133721A TWI689887B (zh) 2017-10-05 2018-09-26 錯誤偵測分類
TW109106001A TWI711997B (zh) 2017-10-05 2018-09-26 錯誤偵測分類

Family Applications After (1)

Application Number Title Priority Date Filing Date
TW109106001A TWI711997B (zh) 2017-10-05 2018-09-26 錯誤偵測分類

Country Status (6)

Country Link
US (1) US11275975B2 (zh)
JP (1) JP7182617B6 (zh)
KR (1) KR102445335B1 (zh)
CN (1) CN111183510B (zh)
TW (2) TWI689887B (zh)
WO (1) WO2019070426A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11410891B2 (en) * 2019-08-26 2022-08-09 International Business Machines Corporation Anomaly detection and remedial recommendation
US11610296B2 (en) 2020-01-09 2023-03-21 Kla Corporation Projection and distance segmentation algorithm for wafer defect detection
KR102455758B1 (ko) * 2020-01-30 2022-10-17 가부시키가이샤 스크린 홀딩스 데이터 처리 방법, 데이터 처리 장치 및 기억 매체
CN111813618A (zh) * 2020-05-28 2020-10-23 平安科技（深圳）有限公司 数据异常检测方法、装置、设备及存储介质
CN111983429B (zh) * 2020-08-19 2023-07-18 Oppo广东移动通信有限公司 芯片验证系统、芯片验证方法、终端及存储介质
EP3992739A1 (en) * 2020-10-29 2022-05-04 Siemens Aktiengesellschaft Automatically generating training data of a time series of sensor data
JP7433532B1 (ja) 2023-01-20 2024-02-19 三菱電機株式会社 疑似異常データ生成装置、設備監視システム、疑似異常データ生成方法、およびプログラム
CN116484306B (zh) * 2023-06-20 2023-09-26 蘑菇物联技术（深圳）有限公司 异常传感器的定位方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150269050A1 (en) * 2014-03-18 2015-09-24 Microsoft Corporation Unsupervised anomaly detection for arbitrary time series
US20150318221A1 (en) * 2014-05-02 2015-11-05 Bistel Inc. Method and apparatus for detecting fault in the semiconductor menufacturing process and recording medium thereof
WO2016009626A1 (ja) * 2014-07-15 2016-01-21 株式会社アルバック 膜厚制御装置、膜厚制御方法および成膜装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW402769B (en) * 1998-06-13 2000-08-21 Samsung Electronics Co Ltd Apparatus and method for contact failure inspection in semiconductor devices
US20160026915A1 (en) * 2001-01-05 2016-01-28 In-Depth Test Llc Methods and Apparatus for Data Analysis
US6999836B2 (en) * 2002-08-01 2006-02-14 Applied Materials, Inc. Method, system, and medium for handling misrepresentative metrology data within an advanced process control system
US6946303B2 (en) * 2002-12-04 2005-09-20 Lam Research Corporation Electronically diagnosing a component in a process line using a substrate signature
JP5050607B2 (ja) * 2006-05-09 2012-10-17 オムロン株式会社 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
JP2008130925A (ja) 2006-11-22 2008-06-05 Hitachi Kokusai Electric Inc 基板処理装置
JP5793299B2 (ja) 2010-12-28 2015-10-14 株式会社東芝 プロセス監視診断装置
KR101625320B1 (ko) 2012-10-12 2016-05-27 가부시기가이샤니레꼬 형상 계측 방법 및 형상 계측 장치
US9262726B2 (en) 2013-01-17 2016-02-16 Applied Materials, Inc. Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment
CN105224543A (zh) 2014-05-30 2016-01-06 国际商业机器公司 用于处理时间序列的方法和装置
US10126210B2 (en) 2015-07-29 2018-11-13 Taiwan Semiconductor Manufacturing Co., Ltd. Fault detection and classification matching

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150269050A1 (en) * 2014-03-18 2015-09-24 Microsoft Corporation Unsupervised anomaly detection for arbitrary time series
US20150318221A1 (en) * 2014-05-02 2015-11-05 Bistel Inc. Method and apparatus for detecting fault in the semiconductor menufacturing process and recording medium thereof
WO2016009626A1 (ja) * 2014-07-15 2016-01-21 株式会社アルバック 膜厚制御装置、膜厚制御方法および成膜装置

Also Published As

Publication number Publication date
JP7182617B6 (ja) 2022-12-16
CN111183510A (zh) 2020-05-19
KR20200047772A (ko) 2020-05-07
TW201915908A (zh) 2019-04-16
JP2020536380A (ja) 2020-12-10
KR102445335B1 (ko) 2022-09-19
WO2019070426A1 (en) 2019-04-11
TW202044176A (zh) 2020-12-01
US11275975B2 (en) 2022-03-15
TWI711997B (zh) 2020-12-01
CN111183510B (zh) 2023-11-17
JP7182617B2 (ja) 2022-12-02
US20190108422A1 (en) 2019-04-11

Similar Documents

Publication Publication Date Title
TWI689887B (zh) 錯誤偵測分類
JP7223839B2 (ja) 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム
US11720821B2 (en) Automated and customized post-production release review of a model
US11120336B2 (en) Anomaly detection independent of a normal pattern of input data
KR102101974B1 (ko) 어노말리 디텍션
JP7408653B2 (ja) 非定常性機械性能の自動分析
US7447609B2 (en) Principal component analysis based fault classification
US7096153B2 (en) Principal component analysis based fault classification
WO2018035878A1 (zh) 缺陷分类方法和缺陷检查系统
US9396061B1 (en) Automated repair of storage system components via data analytics
US11093360B2 (en) Multivariate anomaly detection and identification
US20230125203A1 (en) Network anomaly detection
Maggipinto et al. A deep learning-based approach to anomaly detection with 2-dimensional data in manufacturing
CN115964211A (zh) 一种根因定位方法、装置、设备和可读介质
Kim et al. Improvement of virtual metrology performance by removing metrology noises in a training dataset
CN110874601B (zh) 识别设备运行状态的方法、状态识别模型训练方法及装置
US20230056595A1 (en) Method and device for predicting process anomalies
US20220405632A1 (en) Machine learning replacements for legacy cyber security
Yuan et al. Deep and spatio-temporal detection for abnormal traffic in cloud data centers
US20220283139A1 (en) Method, system and paperboard production machine for estimating paperboard quality parameters
US12013437B2 (en) Machine learning system and method to detect circuit breaker conditions in a network operating environment
US20240220608A1 (en) System and method for detecting poisoned training data based on characteristics of updated artificial intelligence models
Naveen et al. Fault diagnosis in semiconductor manufacturing processes using a CNN-based generative adversarial network 1
CN111382041A (zh) 一种故障检测、数据处理方法、装置及设备