TWI838134B

TWI838134B - 裝置診斷系統、裝置診斷裝置、半導體裝置製造系統及裝置診斷方法

Info

Publication number: TWI838134B
Application number: TW112106472A
Authority: TW
Inventors: 玉利南菜子; 角屋誠浩; 鹿子嶋昭; 松倉聖; 長谷裕治
Original assignee: 日商日立全球先端科技股份有限公司
Priority date: 2022-03-24
Filing date: 2023-02-22
Publication date: 2024-04-01

Abstract

診斷半導體製造裝置的狀態的裝置診斷系統，具備裝置診斷裝置，該裝置診斷裝置：以從半導體製造裝置收集的感測器資料作為輸入，透過第1演算法輸出健全度指標；以健全度指標為輸入，透過第2演算法輸出半導體製造裝置的正常時的閾值空間資料；以及以健全度指標與閾值空間資料為輸入，透過第3演算法診斷半導體製造裝置的狀態。健全度指標，為與半導體製造裝置的狀態的健全度有關的指標。

Description

裝置診斷系統、裝置診斷裝置、半導體裝置製造系統及裝置診斷方法

本發明，有關裝置診斷系統、裝置診斷裝置、半導體裝置製造系統及裝置診斷方法。本發明，尤其有關一裝置診斷系統，收集電漿蝕刻裝置的感測器資料及其他的裝置歷程記錄資料，利用任意的觸發與任意的解析演算法，將該資料群予以解析及學習，從而進行與電漿蝕刻裝置的故障、劣化有關的預兆診斷及健全度指標。

半導體製造工廠中的製造裝置的運行率的提升及高水準下的維持，從製程中的生產率及良率的提升的觀點而言為重要課題之一。

因此，製造裝置的運行率的提升及維持方面，除製造裝置本身的性能、製造程序性能的改善以外，縮短裝置維護導致的裝置停止時間(以下，停機時間)為重要。

尤其，關於裝置維護，除預先設想的定期維護以外，包括因一些裝置瑕疵而突發地產生的非例行維護作業。一般而言，非例行維護作業，產生因交換部件的安排、維護人員調整等的必要資源調整而導致的等待時間，比起定期維護，需要顯著長的停機時間。

因此，裝置運轉率的提升方面，非例行維護作業的迴避、防止為有效果的因子之一。

此外，即使為定期維護，在維護作業的過程始判明裝置狀態劣化預想以上的情況等，與非例行維護同樣地，預計有資源調整、作業效率降低，需要長的停機時間。

對於此等之研究方面，舉一方法，經常性評價裝置的健全狀態，針對裝置狀態的異常、劣化進行預兆診斷，從而大幅使裝置的停機時間縮短。此處所謂的裝置的健全狀態的經常性監控，例如舉一方法，經常性自動地解析構成裝置的組件的狀態量，從而經常性評價及預測該組件的健全度、狀態變化。

於電漿蝕刻裝置以如上述的方法進行裝置的預防保全的技術方面，已知特開2000-259222號公報及特開2006-324316號公報。 [先前技術文獻] [專利文獻]

[專利文獻1]特開2000-259222號公報 [專利文獻2]特開2006-324316號公報

[發明所欲解決之問題]

隨半導體裝置構造的進化，蝕刻程序技術等的生產技術、構成裝置的組件，頻繁地進行改善、置換，故進行如上述的預防保全的系統亦需要為可跟隨其之靈活的構成。

例如，在裝置追加了新的組件、計測新的狀態量的感測器的情況下，進行該等資料收集、解析時需要逐次進行系統的整修者，從運行率的觀點而言不理想。

此外，要正確地評價作為評價對象的組件本身的負載、狀態時，例如該組件絲毫未被控制的狀態下的狀態量、將處理室與搬送室間封閉的閘閥的開閉時等，存在不僅程序實施中而特定的負載活動下的狀態量亦變得需要的場面。

該觀點下，特開2000-259222號公報由於故障預知演算法為已建入，例如在作為歷來解析對象的組件的規格發生變更的情況、追加了新的組件的情況下，需要系統的整修。在特開2006-324316號公報，解析觸發僅為配方資訊，故裝置為空閒狀態時等無法以任意的觸發執行解析。 [解決問題之技術手段]

上述課題，透過一系統而解決，該系統在針對裝置的狀態量進行解析的演算法方面，在系統上進行替換、刪除、新登錄之際可在不伴隨系統的程式的整修之下實施該替換、刪除、新登錄作業，且可透過任意的活動觸發而自動地針對對象組件的狀態量進行解析。

具體而言，於電漿蝕刻裝置，將以各種感測器計測了構成其構成之組件的狀態量的感測器資料，以預先設定的裝置活動觸發、時間間隔等任意的觸發，從該感測器群經由LAN(區域網路)等進行收集。以該收集了的感測器資料作為輸入，執行預先登錄於該系統的單數或複數個解析演算法，作為上述解析的輸出，予以算出表示相對於裝置的所有的狀態之個別的健全度的指標。將該健全度指標累積於資料庫、檔案等，依所需而以該健全度指標群作為輸入而執行學習用演算法，予以算出正常運行時的基準空間。以上述的健全度指標群與基準空間為輸入，實施作為解析對象的電漿蝕刻裝置的預兆診斷，進行瑕疵的預防保全。此資料收集、解析系統，透過可搭載以前述的健全度指標群與收集資料作為輸入的AI(人工智能)作為解析演算法及學習用演算法的系統而達成。

此外，此處所謂的組件，指構成電漿蝕刻裝置系統的裝置、構造物整套，例如不限於高頻產生電路等的裝置，亦包含電漿處理室等構成電漿蝕刻裝置系統的構造物。 [對照先前技術之功效]

依本發明時，經常性監控組件的健康狀態，可在組件的異常時、僅管未達到異常惟有異常預兆的情況下，將該旨向裝置管理源、作業員等進行通知。據此，可在陷入非例行維護之前進行適切的處置從而防止非例行維護本身。此外，即使陷入非例行維護的情況下，仍有可事前調整資源之餘地，故比起一般的非例行維護，預計會縮短停機時間。再者，每個組件的健全度指標可進行可視化及解析。為此，可按裝置策定下次的定期維護時的維護方針。據此，可達成定期維護的正確化及效率化，可有助於停機時間的縮短。

針對本發明的實施方式，以下參照圖式進行說明。 [實施例]

針對本發明的實施例進行說明。圖1，為一半導體裝置製造系統的整體圖，該半導體裝置製造系統包含進行實施例之電漿蝕刻裝置的預兆診斷及健全度指標的評價的裝置診斷系統。圖2，為圖1的電漿蝕刻裝置的構成圖。圖3，為圖1的裝置診斷系統的邊緣系統的構成圖。圖4，為圖1的伺服器系統的構成圖。示於圖2～圖4之箭頭，表示本發明的實施例之資料的流程。

如示於圖1，半導體裝置製造系統100，在此例，包含複數個電漿蝕刻裝置(PEA)101、複數個邊緣系統(EGS)107、伺服器系統(SVS)121以及主處理器(HPR)(亦稱為主電腦)200，但不特別限制。1個電漿蝕刻裝置101與1個邊緣系統107之間，例如透過使用了LAN(區域網路)電纜、USB(通用序列匯流排)電纜等的通訊電纜108之網路線路從而進行連接。複數個邊緣系統107與伺服器系統121之間，例如透過使用了LAN電纜、USB電纜等的通訊電纜220之網路線路從而進行連接。此外，各電漿蝕刻裝置101，透過使用了LAN電纜、USB電纜等的通訊電纜210之網路線路，從而連接於主電腦200。另外，亦可代替LAN電纜、USB電纜等的有線的通訊電纜，透過使用了無線之網路線路，從而連接電漿蝕刻裝置101、邊緣系統107及伺服器系統121。

伺服器系統121，例如設置於半導體裝置的製造工廠(稱為半導體裝置Fab)內。或者，伺服器系統121，設置於半導體裝置Fab外的大樓等的建築，例如設置於半導體裝置的設計棟、試驗棟、檢查棟等的建築內。

此處，電漿蝕刻裝置(PEA)101為製造半導體裝置用的半導體製造裝置。邊緣系統107，可視為裝置診斷裝置或裝置診斷系統。裝置診斷裝置或裝置診斷系統，利用於診斷半導體製造裝置(101)的狀態。此外，有時將以通訊電纜220連接的伺服器系統121與邊緣系統107，視為裝置診斷系統。以通訊電纜108連接的半導體製造裝置與邊緣系統107，可視為半導體裝置製造系統100。此外，有時將以通訊電纜108、220連接的半導體製造裝置、邊緣系統107以及伺服器系統121，視為半導體裝置製造系統100。

邊緣系統107，例如能以為電腦之個人電腦而構成。邊緣系統107，例如包含外部介面電路、處理器、記憶體、儲存器及顯示裝置。記憶體，例如由RAM (Random Access Memory)等的可高速讀取或高速寫入的半導體記憶體而構成。儲存器，例如由HDD(Hard Disk Drive)、SSD(Solid State Drive)等的大容量的記憶裝置而構成。被構成為，處理器例如執行被儲存於儲存器的實現邊緣系統107的功能之軟體程式(亦稱為應用程式)，從而透過個人電腦而實現。亦即，透過圖3進行說明的邊緣系統107的功能，由處理器執行及參照被儲存於儲存器的軟體程式與被儲存於儲存器的各種的參照資料從而實現。於圖3，資料處理區域310由個人電腦的處理器執行軟體程式從而實現，資料儲存區域300以個人電腦的記憶體或儲存器而實現，使用者介面區域320以個人電腦的顯示裝置而實現。

此表示可視為，示於圖1的半導體裝置製造系統100，具備一平台，該平台經由網路連接著半導體製造裝置(101)，實現了針對半導體製造裝置(101)的狀態進行診斷用的裝置診斷裝置(107)的應用程式。

首先，針對在電漿蝕刻裝置(PEA)101內取得的資料群102、103、104進行說明。

於本實施例的觀點，如示於圖2，電漿蝕刻裝置(PEA)101的生產區域PR，可大致分為針對為樣品之晶圓實施電漿蝕刻處理等的處理室105以及從晶圓盒在處理室105間搬送晶圓的搬送室106。於個別的系統，依其目的安裝有各種的控制用組件CNP。例如，設於搬送室106的控制用組件CNP1方面，例如設置有搬送晶圓的機器人、進行大氣與真空的切換的淨化用閥、真空泵等。設於處理室105的控制用組件CNP2方面，例如設置有生成電漿用的高頻振盪電路、將處理氣體導入至處理室內用的氣體流量控制裝置、進行處理室內的排氣的真空泵等。此外，雖未圖示，設於處理室105與搬送室106之間的控制用組件方面，設置有將兩者(105與106)之間封閉的閘閥等。一般於此等控制用組件安裝有感測器，計測該各種的狀態量。將此狀態量以下稱為感測器資料(SDA)102。該感測器資料102保管於資料儲存區域DSR。

此外，感測器資料102以外，亦存在表現電漿蝕刻裝置101的實時的狀態的裝置狀態量(ESQ)103。該裝置狀態量103為感測器資料的一種，惟為以表現閥的開關狀態、電漿蝕刻裝置101或各組件的運轉狀態及停止狀態為主目的之為了電漿蝕刻裝置101的活動而專門化的值，一般以布林值、其他的整數值表示。此等除亦保管於資料儲存區域DSR外，一部分的資料未被保管而作為指令資料被保持於記憶體一定時間。

再者，上述感測器資料102及裝置狀態量103皆未包含的資料方面，亦存在裝置歷程記錄(LOG)104。於裝置歷程記錄(LOG)104，包含裝置101的維護的歷史、執行了的處理配方的資訊等裝置活動的詳細資料等。

接著，針對在上述說明的資料群102、103、104，說明有關針對此等進行收集、累積、狀態評價、狀態判定的邊緣系統107。

如示於圖1，邊緣系統107亦可相對於複數個電漿蝕刻裝置101連接1台。然而，如該系統的附加設備，在製造現場期望設置面積盡可能小。該情況下，一般而言代替設置面積小而選定處理能力水準不高的系統，故期望上相對於1台的電漿蝕刻裝置101連接1台。因此，在本實施例，作為代表性之例，說明有關針對1台電漿蝕刻裝置101連接了1台的邊緣系統107的實施例。

首先，如示於圖1，將電漿蝕刻裝置101與邊緣系統107以通訊用電纜108連接。在本實施例，使用LAN電纜作為通訊電纜108，經由交換集線器將電漿蝕刻裝置101與邊緣系統107連接。

如此般在將電漿蝕刻裝置101與邊緣系統107以通訊用電纜108連接的系統，如示於圖3，首先邊緣系統107內的資料收集程式109，將前述的感測器資料102、裝置歷程記錄資料104之中，在該時點複製至邊緣系統107的無實效的資料，複製至邊緣系統107的資料儲存區域300作為感測器資料110、裝置歷程記錄資料111。感測器資料110，例如優選上構成為，依對應於構成電漿蝕刻裝置101的各組件(CNP1、CNP2等)的動作之觸發或對應於電漿蝕刻裝置101的處理之觸發，由資料收集程式109從前述的感測器資料102收集。

此時，該感測器資料110及裝置歷程記錄資料111的資料的格式為原始資料的格式而不需要為相同，例如可透過zip等的資料壓縮格式削減了資料大小，僅保管以AI(人工智能)、其他的任意的演算法進行了抽出的資料的特徵部分，轉換為在進行之後的狀態評價及判定解析之際便利的格式而保管，或將檔案格式的資料作為資料庫的記錄而記錄及保管。

再者，裝置狀態量103方面亦可保管於邊緣系統107的資料儲存區域300。然而，在本實施例，主要為了後述的觸發判定目的而使用裝置狀態量103，故作成為未在資料儲存區域300進行保管，並作為輸入而交給設於資料處理區域310的觸發解析程式113的構成(數據流112參照)。

接著針對觸發解析程式113進行說明。此處所謂的觸發，指執行後述的解析演算法114用的觸發(以下，解析觸發)。例如，特定的處理配方在電漿蝕刻裝置101被實施的情況下，欲將該配方執行中的感測器資料102作為輸入而執行特定的解析演算法的情況下，該特定的處理配方的資訊成為解析觸發。此外，特定的裝置活動如存在於處理室105與搬送室106之間的閘閥的開閉時等，或無關特定的執行配方、裝置活動，特定之時間間隔等，亦可設定為解析觸發。亦即，以資料收集程式109收集的資料110、111、103中所含的資訊及時間資訊，全可設定為解析觸發。

觸發解析程式113針對裝置歷程記錄資料111及從資料收集程式109透過數據流112交付的裝置狀態量103，判定是否包含預先設定為解析觸發的項目。

另外，此時作為對象的裝置歷程記錄資料111，有關在觸發解析程式113讀取該資料群之時點在過去已進行了判定的裝置歷程記錄資料111以外的資料，亦即有關裝置歷程記錄資料111的差分資料群。

此時，差分資料群方面，在含有預先設定為解析觸發的項目的情況下，觸發解析程式113立即執行與該解析觸發建立有關聯的裝置健全度指標解析演算法114。裝置健全度指標解析演算法114，可謂第1演算法。第1演算法114，將從半導體製造裝置101收集的感測器資料作為輸入，輸出後述的健全度指標116。

另外，此處所謂的預先設定為解析觸發的項目，指在系統的使用者介面區域320中的設定畫面330，系統的使用者，一般而言在生產現場之現場工程師(field engineer)等以手動設定為解析觸發者，或透過AI(人工智能)、其他的任意的演算法而預先設定為解析觸發者。

再者，此處所謂的與解析觸發建立有關聯的裝置健全度指標解析演算法114，指在系統的使用者介面區域320之設定畫面330，系統的使用者，一般而言在生產現場之現場工程師等以手動與該解析觸發建立了關聯的裝置健全度指標解析演算法，或AI、其他的任意的演算法與該解析觸發建立了關聯的裝置健全度指標解析演算法。

接著，針對裝置健全度指標解析演算法114進行說明。

該演算法114，以透過上述的資料收集程式109進行複製以及依所需進行了調整格式的感測器資料110及裝置歷程記錄資料111作為輸入，由上述的觸發解析程式113執行。

此時只要觸發解析程式113符合執行該演算法114用的平台的要件，則不問記述該演算法114的程式語言。此外，只要符合上述的要件，該演算法114可為AI，為其他的任意的演算法亦無妨。此外，該演算法114，設為未建入於構成邊緣系統107的資料收集程式109、觸發解析程式113、學習用觸發解析程式115者，在本實施例設為符合上述的條件的dll檔案、其他的腳本檔。此目的在於，將裝置健全度指標解析演算法114，在邊緣系統107上進行替換、刪除、新登錄之際，可不伴隨系統的程式的整修而實施。

此時，透過該演算法114解析前述的輸入資料(感測器資料110、裝置歷程記錄111)，作為輸出獲得裝置健全度指標116。裝置健全度指標116可作為檔案被保管。然而，為了在事後作為後述的機械學習用的學習資料等而使用之際使檢索、抽出為容易，在本實施例，裝置健全度指標116以資料庫格式進行保管。健全度指標116，為與半導體製造裝置101的狀態的健全度有關的指標。裝置健全度指標116，被使用透過解析演算法114進行學習的機器學習而輸出。解析演算法114，亦可針對輸入資料(感測器資料110、裝置歷程記錄111)透過解析及機器學習進行學習。

此外，此時，該演算法114不僅為單數，登錄複數個於1個邊緣系統107亦無妨。例如可按裝置的組件個別地開發該演算法114，將該等在1個邊緣系統上分別以任意的觸發而執行。亦即，該演算法114例如能以單數個演算法或複數個演算法而構成。

接著，針對學習用觸發解析程式115進行說明。

學習用觸發解析程式115，針對作為裝置健全度指標解析演算法114的輸出而獲得的裝置健全度指標116及感測器資料110及裝置歷程記錄111，判定是否有符合預先作為學習用觸發而設定的條件之資料群。存在符合該條件的資料群的情況下，以該等資料群作為輸入，執行學習演算法117。此處，學習用觸發方面，特定的日時等之時間範圍、從一特定時期的生產數範圍、發生特定的活動任意次數時等，與觸發解析程式113同樣地，以資料收集程式109進行了收集的資料110、111、103中所含的資訊及時間資訊全部可設定。學習演算法117，亦可針對資料群透過解析及機器學習進行學習。

再者，該學習用觸發，與觸發解析程式113同樣地，設為：在系統的使用者介面區域320中的設定畫面330，系統的使用者，一般而言在生產現場的現場工程師等，作為解析觸發以手動進行設定者，或透過AI、其他的任意的演算法作為過濾基準而預先設定者。

接著，針對學習用演算法117進行說明。學習用演算法117，如前述般，指透過學習用觸發解析程式，將感測器資料110、裝置歷程記錄111、裝置健全度指標116以既定的條件進行了過濾的資料群作為輸入，輸出閾值空間資料118者。學習用演算法117，可稱為第2演算法。第2演算法117，以健全度指標116作為輸入而輸出半導體製造裝置101的正常時的閾值空間資料118。閾值空間資料118，被利用透過學習用演算法117進行了學習的機器學習而輸出。

此處，閾值空間資料118，指判定透過裝置健全度指標解析演算法114而算出的裝置健全度指標116的正常及異常用的閾值資料。該閾值空間資料118非單數，一般而言針對各組件而存在。具體而言，例如將各組件的閾值空間資料118以對應於其之座標軸進行描繪，在其上，描繪對應的組件的裝置健全度指標116。此情況下，使用為：該的裝置健全度指標被描繪於閾值空間內時判定為正常，該裝置健全度指標被描繪於閾值空間外時判定為異常。

接著，針對裝置健全狀態判定演算法119進行說明。以在執行裝置健全狀態判定演算法119的時點在過去已進行了判定的裝置健全度指標116資料以外的資料，亦即以裝置健全度指標116的差分資料群以及該健全度指標群個別對應的組件的閾值空間資料118作為輸入，進行對應於該健全度指標116之組件為正常或異常的判定。此時，作為輸出獲得裝置健全狀態判定結果120。此時，裝置健全狀態判定結果一般而言指表示「正常」「有異常預兆」的布林值，惟不限於「正常」「有異常預兆」的2值，例如為「正常」「異常預兆」「異常」如此的指標亦無妨。此處獲得的裝置健全狀態判定結果120保管於資料庫等的儲存器以外，亦可經由蝕刻裝置101發送至統括及監視該蝕刻裝置101的主電腦200，進一步此等資料亦可發送至後述的伺服器系統121。裝置健全狀態判定演算法119，可稱為第3演算法。第3演算法119，以健全度指標116與閾值空間資料118作為輸入，透過進行對應於該健全度指標116的組件為正常或異常的判定，從而診斷半導體製造裝置101的狀態。針對作為裝置健全狀態判定結果120的半導體製造裝置101的狀態進行診斷，被利用透過演算法119進行了學習的機器學習而診斷。演算法119，亦可針對「正常」「異常預兆」「異常」等的指標，進行透過了包含健全度指標116與閾值空間資料118的輸入資料的解析及機器學習之學習。

此處，診斷半導體製造裝置的狀態的裝置診斷方法方面，可歸納如以下。亦即，診斷半導體製造裝置(101)的狀態的裝置診斷方法，具有： 1)(健全度指標的輸出程序)：以從半導體製造裝置(101)收集的感測器資料(110)作為輸入，透過第1演算法(114)輸出健全度指標(116)的程序； 2)(閾值空間資料的輸出程序)：以健全度指標(116)作為輸入，透過第2演算法(117)輸出半導體製造裝置(101)的正常時的閾值空間資料(118)的程序；以及 3)(診斷程序)：以健全度指標(116)與閾值空間資料(118)作為輸入，透過第3演算法(119)診斷半導體製造裝置(101)的狀態的程序。

此外，具備經由網路連接著半導體製造裝置(101)並實現了診斷半導體製造裝置(101)的狀態用的應用程式之平台的半導體裝置製造系統(100)方面，可歸納如以下。亦即，半導體裝置製造系統(100)，包含： 1)(健全度指標的輸出步驟)：以從半導體製造裝置(101)收集的感測器資料(110)作為輸入，透過第1演算法(114)輸出健全度指標(116)的第1步驟； 2)(閾值空間資料的輸出步驟)：以健全度指標(116)作為輸入，透過第2演算法(117)輸出半導體製造裝置(101)的正常時的閾值空間資料(118)的第2步驟；以及 3)(診斷步驟)：以健全度指標(116)與閾值空間資料(118)作為輸入，透過第3演算法(119)診斷半導體製造裝置(101)的狀態的第3步驟。此處，第1步驟、第2步驟及第3步驟，透過診斷半導體製造裝置(101)的狀態用的應用程式而執行。

此處，特定的組件方面，其狀態為異常或有異常預兆的狀態的通知在主電腦200或伺服器系統121有接收到的情況下，電漿蝕刻裝置101的管理源或作業員立即可進行所需的對應，可在陷入非例行維護之前進行適切的處置從而防止非例行維護本身。再者，即使陷入非例行維護的情況下，仍有可事前調整資源之餘地，故比起一般的非例行維護，預計會縮短停機時間。

接著，針對伺服器系統121進行說明。

如前述，在本實施例，相對於1台電漿蝕刻裝置101連接1台邊緣系統107，故在製造現場，存在電漿蝕刻裝置101的台數份的邊緣系統107。

伺服器系統121為統括管理此等複數個邊緣系統107的目的之系統，主要目的在於，收集或監控從邊緣系統107收集的裝置歷程記錄111、裝置健全度指標116、裝置健全度狀態判定結果120，或從邊緣系統107接收裝置健全度狀態判定結果120的通知。亦即，伺服器系統121，設以收集來自邊緣系統107的資料，基於收集的資料而進行有關電漿蝕刻裝置101的故障的預防保全的解析或有關維護手法的解析。

接著，針對伺服器系統121中的資料收集程式122進行說明。

資料收集程式122，於邊緣系統107的裝置歷程記錄111、裝置健全度指標116、裝置健全度狀態判定結果120，將在該時點從邊緣系統107複製至伺服器系統121的無實效的資料複製至伺服器系統121的資料儲存區域400作為裝置歷程記錄123、裝置健全度指標124、裝置健全狀態判定結果125。

此時，該裝置歷程記錄111、裝置健全度指標116、裝置健全度狀態判定結果120的資料的格式為原始資料的格式而不需要為相同，例如可透過zip等的資料壓縮格式削減了資料大小，僅保管以AI(人工智能)、其他的任意的演算法進行了抽出的資料的特徵部分，轉換為在進行之後的狀態評價及判定解析之際便利的格式而保管，或將檔案格式的資料作為資料庫的記錄而記錄、保管。

接著，針對可視化程式126進行說明。可視化程式126，為針對在資料收集程式122複製於資料儲存區域400的裝置歷程記錄123、裝置健全度指標124、裝置健全狀態判定結果125，例如進行將其趨勢、在現階段的狀態顯示於設在資料顯示區域410的裝置狀態監視器127用的處理之程式。

接著，針對維護計劃策定程式128進行說明。維護計劃策定程式128，主要以在資料收集程式122複製於資料儲存區域400的裝置健全度指標124作為輸入，針對各組件的劣化狀態根據對應於其之裝置健全度指標124進行評價。維護計劃策定程式128，針對為未達到異常預兆狀態而在裝置健全狀態判定視為正常的組件惟今後仍有可能發展至異常預兆狀態而在下次的定期維護時應重點進行維護的組件、此外反而劣化狀態為輕微而不需要維護或輕微的維護而無問題的組件進行清單化。維護計劃策定程式128，為將清單化的組件，顯示於設在資料顯示區域410的維護計劃監視器129者。

據此，定期維護作業的正確化及效率化成為可能，可期待裝置停機時間的縮短及資源成本的削減。

依實施例時，可提供一系統(100)，該系統在針對裝置的狀態量進行解析的演算法(114、117、119)方面，在系統(100)上進行替換、刪除、新登錄之際可在不伴隨系統(100)的程式的整修之下實施該替換、刪除、新登錄作業，且可透過任意的活動觸發而自動地針對對象組件的狀態量進行解析。

具體而言，於電漿蝕刻裝置(101)，將以各種感測器計測了構成其構成之組件(CNP1、CNP2等)的狀態量的感測器資料(102)，以預先設定的裝置活動觸發、時間間隔等任意的觸發，從該感測器群經由LAN網路等進行收集。並且，以收集的感測器資料(收集資料)(110)作為輸入，執行預先作為應用程式而登錄於該系統(100)的單數或複數個解析演算法(114)。作為解析演算法(114)的解析的輸出，算出表示對於裝置(101)的所有狀態之個別的健全度的指標(116)。將該健全度指標(116)累積於資料庫、檔案等，依所需而以該健全度指標(116)群作為輸入而執行學習用演算法(117)。學習用演算法(117)的執行其結果，算出正常運行時的基準空間(閾值空間資料118)。以健全度指標(116)群與基準空間(118)作為輸入，執行判定演算法(119)，從而實施作為解析對象的電漿蝕刻裝置(101)的預兆診斷。據此，進行作為解析對象的電漿蝕刻裝置(101)的瑕疵的預防保全。於系統(100)，解析演算法(114)、學習用演算法(117)及判定演算法(119)，可透過AI (人工智能)而實施。健全度指標(116)、基準空間(118)可使用AI(人工智能)的機器學習的結果而輸出。此外，電漿蝕刻裝置(101)的狀態，亦使用AI(人工智能)的機器學習而診斷。

此外，組件，指構成電漿蝕刻裝置(101)系統的裝置、構造物整套。組件方面，例如不限於高頻產生電路等的裝置，亦包含電漿處理室等構成電漿蝕刻裝置系統的構造物。

依本發明時，經常性監控電漿蝕刻裝置(101)的組件的健康狀態。並且，組件的異常時、未達到異常惟有異常預兆的情況下，將該旨向裝置管理源、作業員等通知。據此，可在陷入非例行維護之前進行適切的處置，從而防止非例行維護本身。此外，即使陷入非例行維護的情況下，仍有可事前調整資源之餘地，故比起一般的非例行維護，預計會縮短停機時間。再者，每個組件的健全度指標可進行可視化及解析。為此，可按裝置策定下次的定期維護時的維護方針。據此，可達成定期維護的正確化及效率化，可有助於停機時間的縮短。

以上，基於實施例具體說明了本發明人創作的發明；然而，本發明，當然不限定於上述實施方式及實施例，可作各種變更。

100:半導體裝置製造系統

101:電漿蝕刻裝置

102:感測器資料

103:裝置狀態量

104:裝置歷程記錄

105:處理室

106:搬送室

107:邊緣系統

108:通訊用電纜

109:資料收集程式

110:感測器資料

111:裝置歷程記錄資料

112:將裝置狀態量作為輸入而交給觸發解析程式的數據流

113:觸發解析程式

114:裝置健全度指標解析演算法

115:學習用觸發解析程式

116:裝置健全度指標

117:學習演算法

118:閾值空間資料

119:裝置健全狀態判定演算法

120:裝置健全狀態判定結果

121:伺服器系統

122:伺服器系統中的資料收集程式

123:裝置歷程記錄

124:裝置健全度指標

125:裝置健全狀態判定結果

126:可視化程式

127:裝置狀態監視器

128:維護計劃策定程式

129:維護計劃監視器

200:主處理器(HPR)

210:通訊電纜

220:通訊電纜

300:資料儲存區域

310:資料處理區域

320:使用者介面區域

330:設定畫面

400:資料儲存區域

410:資料顯示區域

[圖1]一半導體裝置製造系統的整體圖，該半導體裝置製造系統包含進行實施例之電漿蝕刻裝置的預兆診斷及健全度指標的評價的裝置診斷系統。 [圖2]圖1的電漿蝕刻裝置的構成圖。 [圖3]為圖1的裝置診斷裝置之邊緣系統的構成圖。 [圖4]圖1的伺服器系統的構成圖。