專利名稱：大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明是一種大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，涉及多傳感信號數(shù)據(jù)轉(zhuǎn)換、大規(guī)模過程數(shù)據(jù)集維度縮減和重要特征提取、數(shù)據(jù)概率密度分布空間描述建模、過程狀態(tài)監(jiān)控和故障診斷，實現(xiàn)對復(fù)雜的大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷。本發(fā)明屬于制造過程的狀態(tài)監(jiān)控和故障診斷技術(shù)領(lǐng)域。
背景技術(shù)：
目前，半導(dǎo)體制造系統(tǒng)呈現(xiàn)出了高自動化、高精度、高可靠性、高度智能化的發(fā)展趨勢，強調(diào)制造過程的可控性，可靠性和可維護性。半導(dǎo)體制造過程相當復(fù)雜，制造過程不僅工序繁多，而且時間跨度長，因此過程異常而引起各種過程故障可導(dǎo)致大批晶圓成為廢品，這不僅會極大地增加企業(yè)的制造成本，而且會嚴重影響企業(yè)的生產(chǎn)效率，引起一系列的嚴重問題，使企業(yè)蒙受巨大損失。因此提高半導(dǎo)體制造過程產(chǎn)品質(zhì)量的控制，增加最終成品率已成為半導(dǎo)體企業(yè)降低運作成本、提高生產(chǎn)效率和市場競爭力的關(guān)鍵所在。半導(dǎo)體制造過程通常有多很多工位制造過程組成，生產(chǎn)線上布置大量的傳感器來獲取制造系統(tǒng)的各個關(guān)鍵過程變量的實時變化，各個過程變量間表現(xiàn)出一種互相關(guān)和自相關(guān)的統(tǒng)計特性。同時， 半導(dǎo)體制造過程是一個典型的間歇型制造過程，即由多個批次晶圓產(chǎn)品的制造過程組成， 而每個批次的數(shù)據(jù)采集時間不盡相同，而且采集的過程變量在數(shù)據(jù)分布上呈現(xiàn)典型的多模態(tài)和非線性分布。以上這些半導(dǎo)體制造過程特有的特征給過程數(shù)據(jù)的處理和系統(tǒng)建模帶來了極大的困難。因此，對半導(dǎo)體制造的狀態(tài)進行持續(xù)地監(jiān)測、評估和實施故障診斷，在防止過程失控的同時，最大限度地提高制造過程的穩(wěn)定性和提高產(chǎn)品質(zhì)量，已經(jīng)成為半導(dǎo)體制造過程質(zhì)量控制的一個重要的發(fā)展方向。在傳統(tǒng)的半導(dǎo)體制造過程質(zhì)量控制，大部分的技術(shù)開發(fā)與應(yīng)用集中在基于數(shù)據(jù)投影技術(shù)、多變量統(tǒng)計過程控制技術(shù)、基于統(tǒng)計分析的故障診斷技術(shù)等。這些傳統(tǒng)的技術(shù)基礎(chǔ)是統(tǒng)計過程控制技術(shù)，但是半導(dǎo)體制造過程的多批次、高維度、多模態(tài)和非線性、動態(tài)性等特點使得傳統(tǒng)的基于線性模型的統(tǒng)計過程控制技術(shù)無法有效地解決過程的狀態(tài)監(jiān)控和故障診斷問題。為了解決這些高維度、非線性、結(jié)構(gòu)重構(gòu)等問題，一個新的機器學(xué)習(xí)方法—— 流形學(xué)習(xí)(Manifold Learning, ML)受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。流形學(xué)習(xí)目的是通過將數(shù)據(jù)集約簡至低維來避免維數(shù)災(zāi)難，通過局部和整體相結(jié)合來發(fā)現(xiàn)和重建數(shù)據(jù)的內(nèi)在規(guī)律性，挖掘隱含在高維數(shù)據(jù)中的有趣的低維度物理意義，這對于在多傳感信號的信息處理和模式識別具有十分重要的意義。統(tǒng)計學(xué)習(xí)理論(Statistical Learning Theory, SLT)是一種專門研究有限樣本情況下機器學(xué)習(xí)規(guī)律的理論。統(tǒng)計學(xué)習(xí)是建立在一套較堅實的理論基礎(chǔ)之上的，在這種體系下的統(tǒng)計推理規(guī)則不僅考慮了對漸近性能的要求，而且追求在現(xiàn)有有限信息的條件下得到最優(yōu)結(jié)果。統(tǒng)計學(xué)習(xí)理論與方法為解決有限樣本學(xué)習(xí)問題提供了一個統(tǒng)一的框架。它能將很多現(xiàn)有的統(tǒng)計學(xué)習(xí)模型納入其中，比如高斯混合模型、隱半馬爾科夫模型、貝葉斯模型等)，可實現(xiàn)分類、聚類、時間序列預(yù)測、知識發(fā)現(xiàn)、信息可視化等眾多重要分析功能。引入流形學(xué)習(xí)和統(tǒng)計學(xué)習(xí)模型到半導(dǎo)體制造過程質(zhì)量控制，可系統(tǒng)地解決制造過程的系統(tǒng)建模、過程狀態(tài)評估、過程故障的模式識別等。因此，基于流形學(xué)習(xí)和統(tǒng)計學(xué)習(xí)方法的數(shù)據(jù)分析和建模技術(shù)可有效地解決大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷的一些關(guān)鍵性問題。經(jīng)過文獻檢索發(fā)現(xiàn)，中國專利發(fā)明名稱為《半導(dǎo)體制造裝置的監(jiān)控系統(tǒng)以及監(jiān)控方法》(申請?zhí)?3147^6. 6，公開號CN1476051)。該專利公開一種半導(dǎo)體制造系統(tǒng)的監(jiān)控系統(tǒng)和監(jiān)控方法該方法通過在生產(chǎn)線上的各個裝置上安置的傳感器來采集多個過程變量，然后采用主元分析方法降低過程變量數(shù)據(jù)集的維度，通過均方預(yù)測誤差(Squared Prediction Error, SPE)統(tǒng)計量來監(jiān)控半導(dǎo)體制造過程的異常。該方法存在以下不足[1] 對采集到的批制造多傳感信號導(dǎo)致的過程數(shù)據(jù)集大規(guī)模性沒有實施有效的過程變量數(shù)據(jù)集的冗余信息消除；[2]特征提取階段采用主元分析方法僅可提取數(shù)據(jù)集中的全局方差信息的特征，但對局部方差信息無法進行有效提取，可能失去重要的信息；[3]半導(dǎo)體制造過程的變量數(shù)據(jù)空間分布通常呈現(xiàn)非線性和多模態(tài)性，因此，基于被給數(shù)據(jù)集應(yīng)符合高斯分布的前提假設(shè)而提出的SPE統(tǒng)計指標通常無法有效地探測非線性和多模態(tài)的制造過程異常；[4]該方法僅對半導(dǎo)體制造過程異常實施監(jiān)控，而沒有對引起過程異常的原因進行識別，即無法進行制造過程故障診斷。

發(fā)明內(nèi)容
本發(fā)明的目的是針對現(xiàn)有技術(shù)中的不足和缺陷，提供一種大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，實施對半導(dǎo)體制造過程的大規(guī)模過程數(shù)據(jù)集的冗余信息消除和維度縮減、制造過程信息特征提取、制造過程狀態(tài)建模、制造過程狀態(tài)量化監(jiān)控、制造過程故障識別，實現(xiàn)對半導(dǎo)體制造過程的質(zhì)量控制，進而提高制造系統(tǒng)的生產(chǎn)效率和運行可靠性，最終提升輸出晶圓的質(zhì)量。為達到上述目的，本發(fā)明采用以下技術(shù)方案
一種大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控和故障診斷方法，其特征在于操作過程如下 第一步，多批次數(shù)據(jù)解封半導(dǎo)體制造過程是典型的多批次間歇制造過程，以產(chǎn)品批次為單位進行生產(chǎn)，整個在制造過程的時間上表現(xiàn)為晶圓產(chǎn)品一批接著一批進行制造，同時系統(tǒng)在同一時間點上同時采集多路傳感信號數(shù)據(jù)，因此在在半導(dǎo)體制造系統(tǒng)上采集的數(shù)據(jù)隼在形式上表現(xiàn)為三維數(shù)據(jù)集 /XjXf (即/為變量個數(shù)、/為抽樣時間和產(chǎn)品批次)多批次數(shù)據(jù)解封方法是指把三維數(shù)據(jù)集解封成二維數(shù)據(jù)集/X JXT ,即按照批次進行展開，并重新組合成二維數(shù)據(jù)集，以便進行后續(xù)的數(shù)據(jù)分析和系統(tǒng)建模。第二步，數(shù)據(jù)集冗余信息消除由于半導(dǎo)體過程在一個批次上采集數(shù)據(jù)時間的較長持續(xù)性和多過程變量同時采集的特性，導(dǎo)致大規(guī)模的過程數(shù)據(jù)集，并含有較多的冗余信息，這些數(shù)據(jù)集的特征導(dǎo)致制造過程建模的難度和降低了模型的性能。因此，對過程正常狀態(tài)下解封成二維的正常數(shù)據(jù)集，采用主元分析方法提取數(shù)據(jù)集包含的重要過程信息，通過比較主元對應(yīng)的歐氏向量值的大小，去除若干個不重要的主元，保留包含主要方差信息的主元，保留的信息量通常為所有信息量的95%。通過重要主元提取，一方面降低了半導(dǎo)體大規(guī)模數(shù)據(jù)集的維度，另一方面消除了數(shù)據(jù)集中的冗余信息，最后提取的主元作為后續(xù)模型的輸入特征。
第三步，數(shù)據(jù)集特征提取通常，提取的主元數(shù)據(jù)集維度還比較大，而且沒有提取蘊涵在數(shù)據(jù)集中的重要的局部結(jié)構(gòu)信息，需進一步采用局部保持投影算法(Local Preserving Projection, LPP)，在數(shù)據(jù)流形上提取主元數(shù)據(jù)集中重要的局部結(jié)構(gòu)信息，通過去除若干不重要的歐氏向量，保留的重要歐氏向量形成歐氏向量矩陣，進行數(shù)據(jù)投影和維度縮減，提取的重要特征不僅保持了全局信息而且保持了局部信息，這些提取重要的特征來代表過程狀態(tài)特征。第四步，制造過程狀態(tài)建模在離線狀態(tài)下，采用高斯混合模型(Gaussian Mixture Model, GMM)對局部保持投影算法提取后的特征數(shù)據(jù)集進行信息融合建模，獲取能表達制造過程在控狀態(tài)下數(shù)據(jù)概率密度分布的基準GMM模型，用于制造過程狀態(tài)異常監(jiān)控；同時，對收集的各種故障歷史樣本經(jīng)過第一至第三步處理后，對每種故障歷史數(shù)據(jù)集， 采用一個GMM對相應(yīng)的故障數(shù)據(jù)概略密度分布狀態(tài)進行描述建模，每一故障類型構(gòu)建一個對應(yīng)的GMM模型，最終形成一個對應(yīng)各種過程故障建模的GMM模型診斷庫。在線實施過程監(jiān)控和故障診斷中，基準GMM模型用于過程狀態(tài)監(jiān)控，被基準GMM模型報道為過程失控的信號輸入到GMM模型診斷庫，實施半導(dǎo)體制造過程故障診斷。第五步，制造過程狀態(tài)監(jiān)控在線輸入過程信號到離線狀態(tài)下第四步構(gòu)建的基準 GMM模型，通過兩種量化指標來評估制造過程的狀態(tài)，一種是基準GMM輸出的負似然對數(shù)概率值，另外一種是輸入向量與基準GMM上最匹配的高斯混合模型間的馬氏距離。如任何一種指標超出事先設(shè)定的信任限(即失控閾值)，表示過程處于失控狀態(tài)，并報警過程處于失控狀態(tài)。第六步，過程狀態(tài)監(jiān)控與故障診斷如基準GMM模型報道過程處于失控狀態(tài)，則進一步將信號輸入到下一層的GMM模型診斷庫，通過比較各個GMM模型的輸出負似然對數(shù)概率大小，其中輸出最小負似然對數(shù)概率的故障GMM模型表示該GMM模型最匹配過程的輸入信號，認為該GMM模型代表的過程故障為當前制造過程發(fā)生的故障類型，從而來識別過程的故障模式，完成半導(dǎo)體制造過程故障的診斷。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下顯而易見的突出實質(zhì)性特點和顯著優(yōu)點本發(fā)明實現(xiàn)了大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷的整個過程，可實現(xiàn)對晶圓制造過程的狀態(tài)量化評估與故障源識別，具有對大規(guī)模數(shù)據(jù)集的降維與冗余信息消除，局部與全局特征信息提取、多傳感信號融合建模，異常探測與診斷，計算簡單高效，滿足復(fù)雜的大規(guī)模半導(dǎo)體制造過程質(zhì)量控制的需求，即使不懂各種計算模型的操作人員也能方便地使用該發(fā)明。特別是，本發(fā)明的制造過程狀態(tài)監(jiān)控的建模方法僅需要健康數(shù)據(jù)進行系統(tǒng)建模而不需要各種歷史故障數(shù)據(jù)，避免了故障數(shù)據(jù)不容易收集的缺陷，顯著地提高了該系統(tǒng)的工程可應(yīng)用性。同時，本發(fā)明可對半導(dǎo)體制造過程狀態(tài)給出量化的評估指標，克服了其它方法只能簡單判斷過程是否失控的不足，而且本發(fā)明可對制造過程微小的異常提前給出異常評估，可顯著地提高質(zhì)量控制人員與設(shè)備維護人員決策的正確性。本發(fā)明也非常容易地安裝到各類嵌入式設(shè)備中，具有很大的應(yīng)用靈活性。該發(fā)明可以大大提高半導(dǎo)體設(shè)備運行的可靠性與智能性，提高產(chǎn)品質(zhì)量與生產(chǎn)效率，給半導(dǎo)體制造企業(yè)帶來更高的經(jīng)濟效益。


圖1是本發(fā)明方法流程框圖。
具體實施例方式本發(fā)明的一個優(yōu)選實施例結(jié)合附圖進行詳細說明 實施例一
如圖1所示，本大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，具體操作步驟如
下
1.在半導(dǎo)體制造過程的關(guān)鍵位置上布置相關(guān)傳感器，拾取能夠反映半導(dǎo)體制造過程性能狀態(tài)的各種信號(如晶圓蝕刻過程中的氣體流壓力、射頻電源大小、射頻電阻、電壓等)， 信號通過數(shù)據(jù)采集卡上的濾波電路和放大電路進行數(shù)據(jù)采集，數(shù)據(jù)采集卡同時也把模擬信號轉(zhuǎn)換為數(shù)字信號，數(shù)據(jù)采集卡采集的數(shù)據(jù)通過網(wǎng)絡(luò)輸送到計算終端，進行進一步的數(shù)據(jù)分析處理。假定生產(chǎn)線上所有傳感器數(shù)目為/，對每一批次晶圓產(chǎn)品制造過程的各傳感信號采集時間持續(xù)長度為‘力實現(xiàn)系統(tǒng)建模需要，收集了「批次制造系統(tǒng)產(chǎn)出正常晶圓的過程數(shù)據(jù)，因此采集的數(shù)據(jù)集(包括正常數(shù)據(jù)集和各類故障數(shù)據(jù)集)在數(shù)據(jù)結(jié)構(gòu)上表現(xiàn)出三維數(shù)據(jù)集/x/xir (即/為變量個數(shù)力抽樣時間和批次Γ)特征，多批次數(shù)據(jù)解封方法是指把三維數(shù)據(jù)集/χ Jxr解封成二唯數(shù)據(jù)集/χ/1,即按照批次進行展開，并重新組合成一個二維數(shù)據(jù)集，解封的數(shù)據(jù)集用于系統(tǒng)建模(其中正常數(shù)據(jù)集用于監(jiān)控模型建模，各類歷史故障數(shù)據(jù)集用于故障診斷庫建模)。2.由于半導(dǎo)體制造過程在一個批次上采集數(shù)據(jù)時間的較長持續(xù)性和很多過程變量同時采集的特性，導(dǎo)致三維數(shù)據(jù)集ZxJxI在解封成二維數(shù)據(jù)集/X JX后，在數(shù)據(jù)的維度上表現(xiàn)為大規(guī)模性，并含有較多的冗余信息，這些特征容易提高過程控制系統(tǒng)建模的難度和降低所建系統(tǒng)模型的監(jiān)控與診斷性能。因此，對過程正常狀態(tài)下解封成二維的正常數(shù)據(jù)集在建模前，采用主元分析方法提取該數(shù)據(jù)集包含的重要過程信息，通過比較主元對應(yīng)的歐氏向量值的大小，去除若干個不重要的主元，保留包含主要方差信息的主元，使得保留的信息量通常為所有信息量的95% (可根據(jù)實際需要而定)。通過主元分析提取的重要主元來保持數(shù)據(jù)集的絕大部分全局信息，一方面降低了半導(dǎo)體制造過程的大規(guī)模數(shù)據(jù)集的維度，另一方面消除了數(shù)據(jù)集中的冗余信息。提取的主元數(shù)據(jù)集將作為后續(xù)模型的輸入特征。3.盡管通過第二步產(chǎn)生的主元數(shù)據(jù)集維度已經(jīng)得到一定的下降，但對于系統(tǒng)建模來講，仍然過于龐大，而且需要進一步提取該數(shù)據(jù)集中的重要局部物理特征信息。因此通過局部保持投影算法對該數(shù)據(jù)集進行進一步的維度縮減和特征提取，可以提取隱藏在數(shù)據(jù)集中局部的數(shù)據(jù)流形信息，來提取真正表達過程狀態(tài)的特征，使得后面的系統(tǒng)建模更加簡單有效，而且可以顯著地提高系統(tǒng)監(jiān)控與故障診斷性能。局部保持投影算法被描述為拉普拉斯特征映射的線性逼近，局部保持投影算法首先計算一個基于最近鄰的有向連接圖，圖上每一邊表示數(shù)據(jù)集中任何兩個向量間的關(guān)系，如為最近鄰則為1，否則為0?；谟邢蜻B接圖，通過計算兩個相鄰向量間的歐氏距離，得到一個權(quán)重矩陣，然后計算該權(quán)重矩陣的拉普拉斯矩陣?；谝陨暇仃?，可獲得一個目標函數(shù)，通過范化向量方法計算方法求解該目標函數(shù)獲得一個歐氏向量矩陣Α。依據(jù)公式(1)提取原始數(shù)據(jù)集T中局部重要的結(jié)構(gòu)信息，降低數(shù)據(jù)的維度，減少后續(xù)建模的復(fù)雜性和有效性，真正獲取代表過程狀態(tài)的特征數(shù)據(jù)隼^作為后續(xù)模型的輸入
權(quán)利要求
1.一種大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征在于，操作步驟如下第一步驟，多批次數(shù)據(jù)解封收集從設(shè)備上采集到的多批次多路傳感信號數(shù)據(jù)，把三維數(shù)據(jù)集/X JxT解封成二維數(shù)據(jù)集/xJT ,便以后續(xù)建模力變量個數(shù)、J為抽樣時間為產(chǎn)品批次；第二步驟，數(shù)據(jù)集冗余信息消除由于半導(dǎo)體批過程引起的數(shù)據(jù)集尺度的大規(guī)模性，采用主元分析方法對第一步驟產(chǎn)生的數(shù)據(jù)集進行維度縮減和信息提取，降低原始數(shù)據(jù)集維度和消除冗余信息，并提取真正能表達制造過程狀態(tài)的特征信息；第三步驟，數(shù)據(jù)集特征提取在離線狀態(tài)下，采用局部保持投影算法對第二步驟的主元分析方法抽取的數(shù)據(jù)集進行特征提取，僅保留保持大部分局部信息的特征；第四步驟，制造過程狀態(tài)建模在離線狀態(tài)下，采用高斯混合GMM模型對局部保持投影算法提取后的在控特征信息進行信息融合建模，獲取能表達過程在控狀態(tài)下數(shù)據(jù)空間分布的基準GMM模型；對各種歷史故障樣本經(jīng)過第一至第三步驟處理后，對每種過程故障，采用 GMM對故障分布狀態(tài)進行描述建模，并形成一個對應(yīng)各種故障建模的GMM模型診斷庫；第五步驟，制造過程狀態(tài)監(jiān)控在線上采集樣本通過第一到第三步驟的處理，抽取的特征輸入到第四步驟構(gòu)建的基準GMM模型，通過計算負似然概論值和馬氏距離實現(xiàn)對過程狀態(tài)的監(jiān)控；第六步驟，制造過程故障診斷在線上被基準GMM模型報道為過程失控的狀態(tài)下，信號進一步輸送到第四步驟構(gòu)建的GMM模型診斷庫，通過比較各個GMM模型輸出的似然概論值大小比較進行故障模式識別，完成故障診斷。
2.根據(jù)權(quán)利要求1所述的大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征在于，所述第一步驟的多批次數(shù)據(jù)解封是半導(dǎo)體制造是典型的多批次間歇制造過程，以產(chǎn)品批次為單位進行生產(chǎn)，在時間上表現(xiàn)為一批晶圓連著一批晶圓進行制造，同時在生產(chǎn)線上由于安裝多個傳感器，系統(tǒng)在時間點上同時采集多路傳感信號數(shù)據(jù)，因此在數(shù)據(jù)形式上表現(xiàn)為三維數(shù)據(jù)集/χ/χι, I為變量個數(shù)、J為抽樣時間和Γ為產(chǎn)品批次，需要把三維數(shù)據(jù)集解封成二維數(shù)據(jù)集ZxJT ,即按照批次進行展開，并重新組合成二維數(shù)據(jù)集，以便后續(xù)的數(shù)據(jù)分析和系統(tǒng)建模。
3.根據(jù)權(quán)利要求1所述的大規(guī)模的半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征是，所述第二步驟的數(shù)據(jù)集冗余信息消除是指對正常狀態(tài)下解封成二維的數(shù)據(jù)集，采用主元分析方法提取數(shù)據(jù)集包含的重要過程信息，通過比較主元對應(yīng)的歐氏向量值，去除若干不重要的主元，保留包含主要方差信息的主元；通過重要主元的提取，一方面降低了半導(dǎo)體制造過程的大規(guī)模數(shù)據(jù)集的維度，另一方面消除了數(shù)據(jù)集中的冗余信息。
4.根據(jù)權(quán)利要求1所述的一種大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征是，所述第三步驟的數(shù)據(jù)集特征提取是基于提取的主元信息，采用局部保持投影算法 (Local Preserving Projection, LPP)，在數(shù)據(jù)流形上提取數(shù)據(jù)集中重要的局部結(jié)構(gòu)信息， 通過去除若干不重要的歐氏向量，通過保留的重要歐氏向量并形成歐氏向量矩陣，進行數(shù)據(jù)投影和維度縮減，提取重要的局部特征來代表過程狀態(tài)特征。
5.根據(jù)權(quán)利要求1所述的大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征是，所述第四步驟的制造過程狀態(tài)建模是指在離線狀態(tài)下，采用高斯混合模型GMM對局部保持投影算法提取后的特征信息進行信息融合建模，獲取能表達過程在控狀態(tài)下數(shù)據(jù)空間分布的基準GMM模型，用于制造過程狀態(tài)監(jiān)控；同時，對收集的各種歷史故障樣本經(jīng)過第一至第三步驟處理后，對每種故障數(shù)據(jù)集，采用一個GMM對故障分布狀態(tài)進行描述建模，進而形成一個對應(yīng)各種過程故障建模的GMM模型診斷庫；最終基準GMM模型用于過程狀態(tài)監(jiān)控， 被基準GMM模型報道為過程失控的信號輸入到GMM模型診斷庫，進行過程故障診斷。
6.根據(jù)權(quán)利要求1所述的大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征是，所述第五步驟的制造過程狀態(tài)監(jiān)控是指在線輸入過程信號到離線狀態(tài)下第五步驟構(gòu)建的基準GMM模型，計算出負似然對數(shù)概率值和馬氏距離實現(xiàn)對制造過程狀態(tài)的量化評估值，如量化評估值超出事先設(shè)定的信任限，表示過程處于失控狀態(tài)，并報警過程失控。
7.根據(jù)權(quán)利要求1所述的大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法，其特征是，所述第六步驟的制造過程故障診斷是指如基準GMM模型報道過程處于失控狀態(tài)，則進一步將過程信號輸入到GMM模型診斷庫，通過比較各個GMM模型的輸出負似然對數(shù)概率大小，最小的輸出表示該GMM模型最匹配過程輸入信號，從而來識別過程的故障模式，完成過程故障的診斷。
全文摘要
本發(fā)明涉及一種大規(guī)模半導(dǎo)體制造過程的狀態(tài)監(jiān)控與故障診斷方法。本方法的操作步驟為第一步，多批次過程數(shù)據(jù)解封把三維數(shù)據(jù)集(即變量個數(shù)、抽樣時間和生產(chǎn)批次)解封成二維數(shù)據(jù)集；第二步，數(shù)據(jù)集冗余信息消除；第三步，數(shù)據(jù)集特征提??；第四步基于高斯混合模型的制造過程狀態(tài)建模；第五步制造過程狀態(tài)監(jiān)控；第六步制造過程故障診斷，本發(fā)明能夠?qū)崿F(xiàn)對大規(guī)模半導(dǎo)體制造過程的過程狀態(tài)監(jiān)控與故障診斷，從而提高半導(dǎo)體制造系統(tǒng)的運行可靠性和輸出晶圓的質(zhì)量，進一步降低生產(chǎn)運作成本。
文檔編號H01L21/66GK102361014SQ20111031908
公開日2012年2月22日 申請日期2011年10月20日 優(yōu)先權(quán)日2011年10月20日
發(fā)明者余建波, 劉美芳, 尹紀庭 申請人:上海大學(xué)