[發(fā)明專利]大規(guī)模半導體制造過程的狀態(tài)監(jiān)控與故障診斷方法

有效

• 申請?zhí)枺?/td>: 201110319086.0
• 申請日: 2011-10-20
• 公開（公告）號: CN102361014A
• 公開（公告）日: 2012-02-22
• 發(fā)明（設(shè)計）人: 余建波;尹紀庭;劉美芳
• 申請（專利權(quán)）人: 上海大學
• 主分類號: H01L21/66
• 分類號: H01L21/66
• 代理公司: 上海上大專利事務(wù)所(普通合伙) 31205
• 代理人: 何文欣

1.一種大規(guī)模半導體制造過程的狀態(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????????????????????????????????????????????????解封成二維數(shù)據(jù)集，便以后續(xù)建模，為變量個數(shù)、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，為變量個數(shù)、為抽樣時間和為產(chǎn)品批次，需要把三維數(shù)據(jù)集解封成二維數(shù)據(jù)集，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。