CN102467089B

CN102467089B - 半导体工艺中的过程控制方法及***

Info

Publication number: CN102467089B
Application number: CN 201010540104
Authority: CN
Inventors: 谢凯
Original assignee: Beijing North Microelectronics Co Ltd
Current assignee: Beijing North Microelectronics Co Ltd
Priority date: 2010-11-10
Filing date: 2010-11-10
Publication date: 2013-09-11
Anticipated expiration: 2030-11-10
Also published as: CN102467089A

Abstract

本发明提供了一种半导体工艺中的过程控制方法和***，以及包含该过程控制***的半导体控制***，以解决现有的单变量过程控制无法满足需求的问题。所述方法包括：启动需监控工艺步骤对应的多变量统计过程控制模型；接收监控样本，所述监控样本包含所述需监控工艺步骤中各变量的多个工艺数据；根据所述多变量统计过程控制模型和所述需监控工艺步骤中各变量的多个工艺数据，获取对应所述需监控工艺步骤的故障分值；判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因。本发明可以定量分析出故障原因，从而使工艺人员对故障报警有理性的认识。

Description

半导体工艺中的过程控制方法及***

技术领域

本发明涉及过程控制技术，特别是涉及一种半导体工艺中的过程控制方法和***，以及包含该过程控制***的半导体控制***。

背景技术

在以连续生产为特征的过程工业(如炼油、石油化工、冶金等)中，过程控制已从相互独立的装置控制进入到生产全过程的控制，是一种集优化、调度、管理于一体的综合自动化控制模式。

单变量统计过程控制技术(Univariate Statistical Process Control，简称USPC)是一种常用的过程控制技术，主要采用平均值控制图(Xbar-X)、均值-标准差控制图(Xbar-S)、均值-极差控制图(Xbar-R)及单值-移动极差图(X-MR)等控制图对变量进行监控，当监控变量有工艺数据超过控制限时，控制图会捕捉到该异常(或称故障)，并发出报警信息；同时，使用历史样本数据计算过程能力指数Cp、Cpk等指标，衡量并监控生产过程的一致性、稳定性程度。

在半导体生产制造过程中，由于工序复杂、原材料成本高的特点，要求每个生产环节的同一批次的产品质量达到高度的一致性，因此也使用单变量统计过程控制技术(USPC)对生产中的变量进行全程监控，从而指导工程师发现和处理出现的异常变量波动情况，保证生产过程的稳定。

但是，USPC所有类型的控制图每次只能监控一个变量，随着半导体制造设备复杂程度的提高，可控制参数也不断增加，需要监控的变量也就越来越多，如果同时监控多个变量，不但计算量庞大，而且控制图间的切换显示也非常繁琐。

此外，由于各变量是单独统计监控，不能反映出变量间存在的关联关系，因此会造成故障的误判和漏判。例如，参照图1，是两个变量在USPC控制图中样本显示正常的示意图。两个变量显示在各自的控制图中，尽管每个控制图中显示有两个工艺数据靠近图中虚线所示的上下控制限(即图1中圆圈内的工艺数据），但并没有超过控制限触发故障报警。但是参照图2，是两个变量在变量的关联图中样本显示异常的示意图。从这两个变量的关联图中可以看到，有两个异常工艺数据远离其他工艺数据直线并触发故障报警（即图2中圆圈内的工艺数据）。虽然变量的关联图可以判断出异常情况，但当监控变量数量较多时，相应的变量关联图也较多，计算和查看变量关联图同样繁琐。且现有技术中，基于USPC技术的两个变量的关联图只能定性地分析故障报警，而不能对其定量分析，使得工艺人员对故障报警没有理性的认识，不能从根本上解决故障报警的相关问题。

综上所述，随着半导体制造设备复杂程度的不断提高，对故障监控提出更高的要求，USPC技术已不能满足这种需求。

发明内容

本发明提供了一种半导体工艺中的过程控制方法和***，以及包含该过程控制***的半导体控制***，以解决现有的单变量过程控制无法满足需求的问题。

为了解决上述问题，本发明公开了一种半导体工艺中的过程控制方法，包括：

启动需监控工艺步骤对应的多变量统计过程控制模型；

接收监控样本，所述监控样本包含所述需监控工艺步骤中各变量的多个工艺数据；

根据所述多变量统计过程控制模型和所述需监控工艺步骤中各变量的多个工艺数据，获取对应所述需监控工艺步骤的故障分值；

判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

所述定量分析故障原因包括：根据故障特征数据库和所述各变量的多个工艺数据的各统计量，获取故障特征数据统计表；所述故障特征数据库为基于单变量统计过程控制技术建立；根据所述故障特征数据统计表和预置故障报警规则，获取故障得分贡献图，所述故障得分贡献图记录了各变量的故障得分及相应的故障报警类型；结合所述故障得分贡献图和所述故障特征数据统计表，定量分析故障原因。

优选的，在离线状态下，所述方法包括：接收包含多个需监控工艺步骤的监控样本；分别获取对应每个需监控工艺步骤的故障分值；分别判断各故障分值是否超出所对应的需监控工艺步骤的多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

优选的，在在线状态下，所述接收监控样本具体为：实时接收包含某一需要监控工艺步骤的监控样本。

优选的，通过统计各硅片刻蚀工艺过程中同一需监控工艺步骤的故障分值，建立多变量统计控制图。

优选的，所述启动需监控工艺步骤对应的多变量统计过程控制模型之前，还包括：建立多变量统计过程控制模型，具体包括：设定建模的配置信息，所述配置信息包括指定的工艺步骤、数据筛选参数、建模变量、置信度、主元计算方法；根据数据筛选参数和建模变量对各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行筛选；对筛选后的训练样本计算统计量；利用训练样本的统计量、置信度和主元计算方法建立多变量统计过程控制模型，并确定模型的控制限；判断所建模型中是否存在超过控制限的训练样本，如果不存在，则保存所建立的模型；如果存在，则去除越限样本，并利用剩下的训练样本循环进行所述统计量计算、模型建立和判断步骤，直到所建模型中不存在超过控制限的训练样本。

优选的，所述筛选包括：利用数据筛选器自动在指定的工艺步骤内，对训练样本进行指定变量的筛选预处理；其中，所述数据筛选器以工艺步骤为单位预配置了每个工艺步骤下所有可选变量的筛选参数值。

本发明还提供了一种半导体工艺中的过程控制***，包括：

模型导入模块，用于启动需监控工艺步骤对应的多变量统计过程控制模型；

数据接收模块，用于接收监控样本，所述监控样本包含所述需监控工艺步骤中各变量的多个工艺数据；

模型计算模块，用于根据所述多变量统计过程控制模型和所述需监控工艺步骤中各变量的多个工艺数据，获取对应所述需监控工艺步骤的故障分值；

故障分析模块，用于判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

所述故障分析模块包括：第一分析单元，用于根据故障特征数据库和所述各变量的多个工艺数据的各统计量，获取故障特征数据统计表；所述故障特征数据库为基于单变量统计过程控制技术建立；第二分析单元，用于根据所述故障特征数据统计表和预置故障报警规则，获取故障得分贡献图，所述故障得分贡献图记录了各变量的故障得分及相应的故障报警类型；综合分析单元，用于结合所述故障得分贡献图和所述故障特征数据统计表，定量分析故障原因。

优选的，所述***还包括：模型建立模块，用于建立多变量统计过程控制模型。

优选的，所述模型建立模块包括：模型配置单元，用于设定建模的配置信息，所述配置信息包括指定的工艺步骤、数据筛选参数、建模变量、置信度、主元计算方法；数据筛选单元，用于根据数据筛选参数和建模变量对各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行筛选；统计计算单元，用于对筛选后的训练样本计算统计量；模型预建立单元，用于利用训练样本的统计量、置信度和主元计算方法建立多变量统计过程控制模型，并确定模型的控制限；迭代建模单元，用于判断所建模型中是否存在超过控制限的训练样本，如果不存在，则保存所建立的模型；如果存在，则去除越限样本，并利用剩下的训练样本结合统计计算单元和模型预建立单元循环进行所述统计量计算、模型建立和判断，直到所建模型中不存在超过控制限的训练样本。

优选的，所述***还包括：数据筛选器，用于以工艺步骤为单位预配置每个工艺步骤下所有可选变量的筛选参数值；数据筛选模块，用于根据模型所指定的工艺步骤和指定变量，利用数据筛选器自动在模型指定的工艺步骤和指定变量，利用数据筛选器自动在模型指定的工艺步骤内，对监控样本进行指定变量的筛选预处理，并将筛选后的监控样本传给所述模型计算模块，所述模型计算模块利用模型对筛选后的监控样本进行计算。

本发明还提供了一种半导体控制***，包括设备控制***和过程控制***，其特征在于：所述过程控制***包括权利要求8至12任一所述的过程控制***。

优选的，所述半导体控制***还包括：数据采集***，用于采集设备控制***所控设备在工艺生产过程中的监控样本，并存储到数据库中；数据库，用于存储监控样本。

半导体控制所述过程控制***以所述数据库为数据源，从该数据库直接接收监控样本。

与现有技术相比，本发明具有以下优点：

第一，本发明提出一种适用于半导体工艺的多变量统计过程控制(Multivariate Statistical Process Control，简称MSPC)方法，该方法能够利用多个变量间的关联关系，将监控样本的异常通过由多个变量综合得到的故障分值反映出来，并根据所述故障分值定量分析出故障原因，从而使工艺人员对故障报警有理性的认识，进而从根本上解决故障报警的相关问题。基于所述故障分值，本发明可以对样本的监控通过一张绘制了故障分值的多变量统计控制图就可以准确分析出异常情况，避免了单变量统计过程控制(USPC)存在的故障误判和漏判问题；而且本发明通过直观的多变量统计控制图就可以方便、快速地判断出故障所在，无需繁琐地切换查看大量的单变量统计过程控制图，大大减轻了操作负荷，提高了控制水平，进一步提高了半导体设备的生产效率和产品良率。

第二，本发明定量分析故障原因时，在提供多变量统计控制图的基础上，还结合USPC技术提供了反映单变量统计情况的故障得分贡献图和故障特征数据统计表，用户在多变量统计控制图中超限的实心点进行双击即可同时打开，通过该图和表能够直观、清晰地分析出现故障的变量和故障的根本原因。

第三，本发明定量分析故障原因时，还结合USPC技术对故障报警信息进行了等级划分，这种分类报警的方式将故障类型量化，能够反映故障变量由量变到质变的变化情况，既实现了以定性方式快速捕捉到主要故障，又实现了对主要故障能够作进一步定量分析，使得故障分析更全面，结果更具实际指导意义。同时，这种量化的报警级别能够为机台控制***提供更为丰富、准确的报警，进一步增强和细化当前控制***的故障处理功能，为过程控制提供先进的决策与调度功能。

第四，本发明还设计了数据筛选器来对监控样本或模型训练样本进行预处理，该数据筛选器以工艺步骤为单位预配置了每个工艺步骤下所有可选变量的筛选参数值，因此在预处理步骤中可直接导入，从而将人工设置数据筛选参数的繁琐操作优化为由***自动进行。

第五，本发明提供的是在tool级(直接面向机台设备)基于实时过程数据的MSPC应用，直接以数据采集***的数据库为数据源，以满足实时控制的要求。

第六，本发明还可以实现离线和在线两种状态下的故障监控与诊断。

附图说明

图1是现有技术中两个变量在USPC控制图中样本显示正常的示意图；

图2是现有技术中两个变量在变量的关联图中样本显示异常的示意图；

图3是本发明中两个变量在MSPC控制图中样本显示异常的示意图；

图4是本发明实施例中建立MSPC模型的流程图；

图5是本发明实施例中MSPC模型建立过程中所参考的多变量统计过程控制图；

图6是本发明实施例所述一种半导体工艺中的MSPC离线过程控制方法流程图；

图7是本发明实施例中某一工艺步骤的多变量统计控制图；

图8是本发明实施例中MSPC故障得分贡献图；

图9是本发明实施例所述一种半导体工艺中的MSPC在线过程控制方法流程图；

图10是本发明实施例所述一种半导体工艺中的过程控制***结构图；

图11是本发明实施例所述一种半导体控制***的架构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提出一种适用于半导体工艺的多变量统计过程控制(MultivariateStatistical Process Control，简称MSPC)方法，MSPC也称为故障诊断与分类(Fault Detection and Classification，FDC)技术，能利用多个变量间的关联关系来监控生产过程中变量的异常(或故障)情况，与USPC技术相比，能够通过简洁的控制图方便、快速地识别设备生产过程中出现的故障变量。例如，针对图1所示的示例，两个变量在USPC控制图中的样本显示正常，但是参照图3，是这两个变量在多变量统计控制图中样本显示异常的示意图，从图3的控制图中可以直接看出这两个异常工艺数据。

本发明适用于半导体制造过程中复杂工序的故障监控，主要包括多变量统计过程控制(MSPC)模型的建立、利用MSPC模型进行监控与故障分析两部分。下面将以半导体刻蚀工艺为例进行详细说明。

1、MSPC模型建立

根据半导体蚀刻过程的特点，每个wafer(硅片)的蚀刻生产全过程都需要经过若干工艺步骤，而各步骤的recipe(工艺配方)设置不同，即各变量在各步骤中的设定值(或称目标值)不一定相同，因此，需要以步骤为单位分别建立相适应的模型。

参照图4，是本发明实施例中建立MSPC模型的流程图。

步骤401，以wafer为单位导入多个训练样本，每个训练样本包含各工艺步骤中各变量的多个工艺数据；

所述训练样本用于模型训练，在半导体蚀刻工艺中，一训练样本的样本数据包括刻蚀wafer(硅片)各工艺步骤中各变量的多个工艺数据。在本步骤中，一般以wafer为单位导入训练样本，这里的建模具体为采用多个训练样本对所指定的工艺步骤进行建模。

步骤402，指定工艺步骤；这里指定的工艺步骤对应实际应用中需监控工艺步骤；

步骤403，设置数据筛选参数并选取参与建模的变量；

上述指定的工艺步骤、数据筛选参数、建模变量以及后续步骤406设定的置信度、主元计算方法都属于建模的主要配置信息，除此之外还包括其他配置信息。这些配置信息在建模初始一旦设定，在后面步骤405至408的迭代建模过程中一般不再更改。当然，根据工艺步骤的特点，不同工艺步骤需建立不同的模型，因此针对不同模型的相应配置信息一般也不相同。

步骤404，根据数据筛选参数和建模变量对各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行筛选；

所述筛选是优选的预处理步骤，用于从导入的训练样本中筛选出符合建模要求的训练样本数据，即对各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行筛选。其中，所述建模变量是指参与建模的变量，即导入的训练样本中所指定工艺步骤内的各变量，但建模时可能只用到其中部分变量，因此需要根据模型配置进行筛选。另外，所述数据筛选参数包括多个参数，用于将初始导入的训练样本进行去噪等处理，以保证建模的精度。例如，可针对不同的变量由用户设定去除开始和结束的工艺数据的个数，以决定是否消除此阶段的不稳定因素；同时，还可以针对不同的变量允许用户设定工艺数据的最大值、最小值范围，以去除噪声数据。

在实际操作中，一般通过人工方式设置数据筛选参数和选取建模变量，然后再对导入训练样本进行筛选。由于每个工艺步骤中包含很多变量，而不同工艺步骤对同一变量的数据筛选参数和建模变量的要求又各不相同，如果每次建模都通过人工操作逐一设置，非常繁琐。基于此，本实施例提出一种优化的数据预处理方法，设计数据筛选器以简化数据筛选设置。所述数据筛选器以工艺步骤为单位预配置了每个工艺步骤下所有可选变量的筛选参数值。数据筛选器可通过Excel等文件格式进行构造，下面以表1所示wafer的典型刻蚀工艺的recipe为例：

Step ID	1	2	3	4	5	6	7	8	9	10
											Step Name	BT_sta	BT	ME1_sta	ME1	ME2_sta	ME2	OE_sta	OE	purge	dechuck
PM.S1.Prc	10	10	10	15	10	75	10	26	5	3
											Pressure	7	7	10	10	30	30	30	30	0	15
SRFpower	0	350	0	500	0	250	350	350	0	300
											BRFpower	0	40	0	80	0	75	40	40	0	0
GasCl2	0	0	60	60	50	50	15	15	0	0
											GasHBr	0	0	0	0	150	150	170	170	0	0
GasCF4	50	50	0	0	0	0	0	0	0	0
											GasCHF3	0	0	0	0	0	0	0	0	0	0
GasCH2F2	0	0	0	0	0	0	0	0	0	0
											GasSF6	0	0	30	30	0	0	0	0	0	0
GasAr	0	0	0	0	0	0	0	0	0	0
											...

表1

表1中，第一行中的Step ID表示工艺步骤序号，第二行中的Step Name表示工艺步骤名称，第一例中除Step ID和Step Name外表示的是各变量的名称。由表1可以看出，刻蚀工艺过程中同一变量在不同工艺步骤的recipe值是不同的。

对应表1构造的数据筛选器如表2所示：

Figure DEST_PATH_RE-GSB00000429838000011

表2

在表2所示的Excel文件中，每个工作表(即每个sheet)对应刻蚀wafer的某一工艺步骤，ParameterName字段对应该步骤内所有可选的变量，Step-start表示该工艺步骤开始部分的工艺数据，Step-Stop表示结束部分的工艺数据，Max-limit表示最大控制限，Min-limit表示最小控制限，Include用于设定参与建模的变量，“1”代表选定。数据筛选器构造完毕后，可直接导入MSPC***使用，将人工设置数据筛选参数的繁琐操作优化为由***自动进行。

步骤405，对筛选后的训练样本计算统计量；

即对筛选后符合建模要求的训练样本进行统计计算，得到的统计量包括Min(最小值)、Max(最大值)、Mean(平均值)、Stdev(标准差)等。这些统计量将用于建模计算。具体地，基于筛选后的各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行统计计算，以得到各统计量。

步骤406，选择置信度和主元计算方法；

所述置信度用于确定模型的控制限，可选的置信度如95％、99％、99.9％等。所述主元计算方法用于计算主元个数，即从参与建模的多个变量中再选出具有代表性的变量用于建模，从而减少计算量和计算复杂度。可选的主元计算方法如90％CPV(cumulative percent variance，方差累计和百分比)、AE(Average Eigenvalue，平均特征值)等。

此外，除了可以使用主元计算方法外，也可以使用神经网络或决策树等计算方法。

步骤407，利用训练样本的统计量、置信度和主元计算方法建立多变量统计过程控制模型，并确定模型的控制限；

模型建立的过程为利用主元计算方法计算主元个数，并选择模型算法利用利用训练样本的统计量、置信度和主元个数等进行计算，进而可得到模型的控制限。所述控制限用于判断工艺步骤是否有故障产生，模型一旦确定，对应该模型的控制限也即确定。此外，在模型建立的过程中，还需要选择模型使用的多变量统计过程控制图和筛选模型数据的多变量统计过程控制图，所述筛选模型数据的多变量统计过程控制图用于步骤408中判断是否存在超过控制限的训练样本。其中，可选的模型算法如SPE、Hotelling T²、φ等，相应的，控制图也可以从SPE(Squared prediction error，平方预测误差)、Hotelling T²、φ(一种结合SPE和Hotelling T²的算法)中选择。

建立的MSPC模型可参照图5所示。图5是本发明实施例中MSPC模型建立过程中所参考的多变量统计过程控制图，该图显示的是模型初步建成后，所导入的多个训练样本对应刻蚀第六工艺步骤的故障情况，且该模型同时选择了SPE、T²和φ的计算及筛选模型数据的多变量统计过程控制图。在 SPE、T²和φ控制图中，每个实心点对应一个wafer的第六工艺步骤，且每个实心点均由一监控样本产生；图中实线代表控制限，超出实直线的实心点具体为超出控制限的实心点，该实心点表明该wafer在此第六工艺步骤刻蚀过程中出现了故障。

步骤408，判断所建模型中是否存在超过控制限的训练样本；

具体地，参照图5，如果上述不存在超过控制限的训练样本，即不存在超出控制限的实心点，则接受所建立的模型，并继续步骤409；如果存在，则去除产生超过控制限的实心点的训练样本，即去除步骤401中导入的多个训练样本中产生超过控制限的实心点的训练样本，并返回步骤405，并利用剩下的训练样本重新计算统计量，并继续后续步骤，直到符合要求。

在模型建立过程，用户可去除超过控制限的训练样本，直到类似图5的图中没有实心点超出控制限为止。优选的，通过迭代建模获得的模型是最优的模型，因此本实施例采用迭代建模的方式。迭代建模过程即为：循环进行步骤405所述的统计量计算、步骤407的模型建立和步骤408的判断步骤，直到所建模型中不存在超过控制限的训练样本。由于每次迭代的训练样本数在减少，因此每次计算出的控制限位置会有所不同，当模型中所有样本点都在控制限之内时，即确定了最终的控制限位置。在此迭代过程中，选择统一的置信度和主元计算方法。

步骤409，保存所建立的模型。

当迭代建模结束之后，则将已确定的模型保存，以便用于实际的生产监控过程中。

在上述建模过程中，优选的，还可以对原始导入的多个训练样本的计算统计量，并保存，以供工程师参考使用。

上述流程是对某一个指定的工艺步骤进行建模的流程，对于其他需要监控的工艺步骤的建模，也可以参照上述流程，在此不再赘述。

2、MSPC监控与故障分析

MSPC模型建立之后，就可以利用MSPC模型对wafer的刻蚀生产过程进行监控。所述监控包括离线监控和在线监控两种模式，下面分别通过图6 和图9所示的流程进行说明。

参照图6，是本发明实施例所述一种半导体工艺中的MSPC离线过程控制方法流程图。

离线监控模式下，MSPC***会对导入的所有数据进行计算和分析，并捕获超过控制限的wafer样本。具体步骤如下：

步骤601，启动各需监控工艺步骤对应的多变量统计过程控制模型；

离线监控模式下，需要预先确定有哪些工艺步骤需要进行离线分析，然后启动对应这些步骤的MSPC模型。

步骤602，接收包含多个需监控工艺步骤的监控样本，每个监控样本包含需监控工艺步骤中各变量的多个工艺数据；

离线监控模式下，还需要全部接收到这些需监控的工艺步骤中的监控样本，例如接收表1中刻蚀工艺第6步和第9步的wafer监控样本，每个步骤中的监控样本包含了各变量的多个工艺数据。

步骤603，对接收的监控样本进行筛选预处理；

本步骤是优选处理，可利用上述的数据筛选器进行筛选，筛选的内容包括Step-start、Step-Stop、Max-limit、Min-limit、Include等。当然，不同工艺步骤所使用的MSPC模型不同，进行筛选的参数及相应参数值也会不同。

步骤604，根据各所述多变量统计过程控制模型和各所述需监控工艺步骤中各变量的多个工艺数据，分别获取对应每个需监控工艺步骤的故障分值；

即以工艺步骤为单位，利用MSPC模型对筛选后的监控样本进行计算，由监控样本所包含的各需监控工艺步骤中各变量的多个工艺数据综合得到每个需监控工艺步骤的故障分值；

针对不同工艺步骤，将使用不同的MSPC模型进行统计计算。在利用每个MSPC模型进行计算的过程中，都先加载需监控工艺步骤中各变量的多个工艺数据、计算指定变量的筛选后多个工艺数据的统计量，然后利用统计量、模型确定的置信度及主元计算方法，最后再计算需监控工艺步骤的故障分值，并通过模型使用的控制图表示出来。

在MSPC模型中，最终通过故障分值来表示一个监控样本在工艺过程中的正常或异常情况。所述故障分值是根据需监控工艺步骤中各变量的多个工艺数据综合得到的计算结果，充分考虑了变量之间的关联关系。

步骤605，分别判断各故障分值是否超出所对应的需监控工艺步骤的多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

在实际应用中，一种可采用的分析方法是利用多变量统计过程控制模型绘制各种类型的控制图，通过控制图直观分析出故障原因。例如，利用MSPC模型对各监控样本相应工艺步骤的故障分值绘制多变量统计控制图，并对应指定工艺步骤切换显示。所述多变量统计控制图中示出了各wafer刻蚀过程中同一工艺步骤的故障分值，还标出了控制限的位置，超过该控制限的实心点即为故障点。

参展图7，是本发明实施例中某一工艺步骤的MSPC离线分析图。对应该工艺步骤的MSPC模型同时使用了SPE、T²和φ多变量统计控制图，由于故障点的故障分值与正常范围值相差太多，因此每个多变量统计控制图的控制限都在接近0值的位置。但从任何一个控制图中都可以判断出发生故障的故障点，即超过控制限的实心点，而且判断结果是一致的。

此外，由于离线模式下可以对接收的所有数据进行计算和分析，因此对于其他工艺步骤的多变量统计控制图，离线模式提供了类似图5所示的操作界面，可以在Step ID中输入工艺步骤的序号，界面的下方就会切换显示对应该指定步骤的多变量统计控制图。

优选的，针对所述多变量统计控制图中超出模型控制限的每个实心点(可简称越限实心点)，还可以分别绘制产生该越限实心点的监控样本的故障得分贡献图和故障特征数据统计表。虽然从上述多变量统计控制图可以定性地分析出哪一wafer在哪一工艺步骤发生了故障，但是无法进一步定量地分析究竟是该工艺步骤的哪些变量导致了该故障。因此，本步骤进一步针对越限实心点所对应的异常监控样本绘制了故障得分贡献图。所述故障得分贡献图给出产生该越限实心点的监控样本所包含的单变量的故障得分贡献值以及相应单变量的故障报警类型，因此从该图可以分析出故障的根本原因。同时，为了更清楚地说明故障原因，还可以结合单变量统计过程控制(USPC)模型对产生该越限实心点的监控样本所包含的单变量计算统计量，并利用统计量绘制异常监控样本的故障特征数据统计表。所述故障得分贡献图和故障特征数据统计表可在双击多变量统计控制图中越限实心点的时候打开并显示。

基于以上分析，所述定量分析故障原因具体可以包括以下处理：

首先，根据故障特征数据库和所述各变量的多个工艺数据的各统计量，获取故障特征数据统计表；所述故障特征数据库为基于USPC建立；

其中，所述故障特征数据库中保存了记录产品良率详细技术指标的数据表，这些技术指标是在总结良率低的原因的基础上得出，所述技术指标包括下面表3中所述的Max_Limit(最大控制限)、Min_Limit(最小控制限)等等，但不包括Mean(平均值)、Max(最大值)、Min(最小值)、Stdev(标准差)和Range(范围)。所述各变量的多个工艺数据的各统计量是指对每个变量进行统计计算的结果，如计算Min(最小值)、Max(最大值)、Mean(平均值)、Stdev(标准差)等等。将这些统计量结合故障特征数据库中的各项技术指标，就可以得到表3所示的故障特征数据统计表。

其次，根据所述故障特征数据统计表和预置的故障报警规则，获取故障得分贡献图，所述故障得分贡献图记录了各变量的故障得分及相应的故障报警类型；

所述故障报警规则是指对故障原因进行按照严重程度进行故障报警类型划分的规则，可以根据实际应用确定，例如下面的表4所示的划分规则。

再次，结合所述故障得分贡献图和所述故障特征数据统计表，定量分析故障原因。

参照图8，是本发明实施例中MSPC故障得分贡献图；参照表3，是MSPC故障的USPC分析表。对于图7中的某个越限实心点，在该越限实心点的位置双击即可打开图8和下面的表3。其中，图8所示的故障得分贡献图包括两部分，在图的左侧示出了SPE、T²和φ的单变量故障分值图，在图的右侧则按照从高到低的顺序示出了每个单变量的故障得分贡献值(Score)和相应的故障及报警描述信息(Alarm)。在表3中，结合USPC分析给出了每个变量的统计数据。

ID	Parameter	Mean	Mar	Min	Std	Ranee	Max Limit	Minlimit	MeanPlus3Std	MeanMinus3Std	MeanOfModel	MarOfModel	StdOfModel
														1	rocessPressur	7.0329	7.3381	6.8055	0.0814	0.533	7.7	6.3	7.3166	6.7454	7.031	7.3671	6.6819
2	eliumPressur	7.8569	7.8569	7.8569	0	0	8.8	7.2	7.914	7.8969	7.9055	7.9622	7.8492
														3	HeliumLeakage	5.8299	8.2864	4.3677	1.1272	3.899	4	0.1	1.3258	1.3105	1.3181	1.458	1.2383
4	VatPosition	155.7	163	146	4.7322	17	1000	0	162.9542	137.537	150.2456	158	140
														5	SRFPower	347.8	348.2	347.3	0.2182	0.882	367.5	332.5	348.5093	347.4	347.9726	346.6326	347.1051
6	BRFPower	39.23	39.567	38.77	0.2055	0.796	42	38	39.7037	38.589	39.1463	39.6956	38.3832
														7	SRFRefl	0.7029	1.4191	0.2747	0.2737	1.144	5	0	1.4391	-0.081	0.6791	1.9913	0
8	BRFRefl	2.347	33.12	0.2747	5.6912	32.85	30	0	11.8074	-8.9096	1.4489	25.0401	0
														9	DCBias	75.604	83	4	19.297	79	91	0	143.0255	18.9791	81.0023	89	0
10	TopC1	58.7	58.7	58.7	0	0	1000	0	58.8591	58.5161	58.6876	59.2	57.9
														11	TopC2	59.1	59.1	59.1	0	0	1000	0	59.2456	59.0641	59.1548	59.7	58.2
12	BottomC1	48.513	50.3	37.3	3.9547	13	1000	0	60.8957	37.0584	48.9771	51.2	35.2
														13	BottomC2	39.825	53.7	38.5	3.546	15.2	1000	0	51.0239	29.1528	40.0884	54.7	38.4
14	GasCF4	50.08	50.08	50.08	0	0	52	48	50.0157	49.9982	50.007	50.09	49.91
														15	UCTemp	60.242	60.3	60.1	0.0739	0.199	65	55	60.1492	59.9703	60.0597	60.3	59.8
16	MCTemp	59.985	60	59.9	0.0357	0.1	65	55	60.0348	59.8652	59.95	60.1	59.8
														17	LCTemp	59.965	60	59.9	0.0357	0.1	65	55	60.0728	59.9048	59.988	60.1	59.8
18	ESCVoltage	1206.1	1207.1	1205.1	0.4523	1.007	1320	1080	1207.3025	1204	1205.7919	1208.6519	1204.303
														19	ESCTemp	65.238	65.36	65.19	0.047	0.17	68	62	65.4742	65.0136	65.2439	66.46	64.69

表3

表4

基于上述图8和表3、表4，故障报警分析流程如下：

以图7中某个越限实心点的分析为例，在图8的故障得分贡献图中，HeliumLeakage变量的故障得分最高并排在第一位，表明该变量出现故障的可能性最大，其故障及报警描述为“MeanAboveMaxLimit&MeanAboveUpper3Std”。进一步查询表3，可以看出该变量的平均值(Mean)是5.8299，超过了模型设定的最大容限(Max_Limit)4，以及USPC***平均值控制图的UCL控制限

即1.3258(MeanPlus3Std)。因此对应表4，这些数据表明该故障触发了3级和4级报警。此外，其他越限样本的分析过程同上。

与上面的离线监控类似，在线监控模式下也可以通过MSPC模型的多变量多变量统计控制图、故障得分贡献图以及结合USPC的故障特征数据统计表，发现异常工艺数据并分析出故障的根本原因。但在线模式与离线模式又有所不同，在线模式下需要实时地接收刻蚀生产过程中的wafer样本数据，进行统计计算和分析，并及时向控制***发出故障报警信息，具体流程如图9所示。

参照图9，是本发明实施例所述一种半导体工艺中的MSPC在线过程控制方法流程图。

步骤901，启动需监控工艺步骤对应的多变量统计过程控制模型；

在线监控模式下，同样也需要预先确定有哪些工艺步骤需要进行在线分析，然后以工艺步骤为单位启动相应的MSPC模型。

步骤902，启动实时监控；

步骤903，实时接收某包含某一需要监控工艺步骤的监控样本，每个监控样本包含所述需监控工艺步骤中各变量的多个工艺数据；

由于工艺步骤的执行是顺序的，因此数据的接收也是每次只接收当前工艺步骤的监控样本；当执行到下一工艺步骤时，如果该工艺步骤需要进行分析，则再接收该工艺步骤中各变量的多个工艺数据，并由对应该工艺步骤的MSPC模型进行统计分析。

步骤904，对接收的监控样本进行筛选预处理；

所述筛选预处理与离线模型的处理类似，可利用上述的数据筛选器进行筛选，但仅是对接收的当前工艺步骤的数据进行筛选。

步骤905，根据所述多变量统计过程控制模型和所述需监控工艺步骤中各变量的多个工艺数据，获取对应所述需监控工艺步骤的故障分值；

该工艺步骤结束后，利用相应MSPC模型对该工艺步骤下筛选后的监控样本进行计算，由需监控工艺步骤中各变量的多个工艺数据综合得到该监控工艺步骤的故障分值；

所述在线的模型计算与离线的模型计算相同，在此略。

步骤906，判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因；

即可以利用相应MSPC模型对需监控工艺步骤的故障分值绘制多变量统计控制图并显示。在线模型下得到的多变量统计控制图与图7类似，但由于在线对顺次执行的多个工艺步骤进行监控，因此是一个动态变化的图。

优选的，针对所述多变量统计控制图中故障分值超出模型控制限的实心点，还可以按照离线模式下的故障原因定量分析方式，分别绘制监控样本的故障得分贡献图和故障特征数据统计表，并发出故障报警信息。

在线模型下得到的故障得分贡献图和故障特征数据统计表也可参见图8和表3，在此略。

此外，与离线模式不同的是，在线监控时还需要对发现的故障及时进行报警，以便工程师及时作出相应措施，尽量减小故障带来的损失。

步骤907，等待接收模型指定的下一工艺步骤的监控样本，并返回步骤903。

该工艺步骤结束后，继续等待下一个需要监控的工艺步骤的执行，并利用相应的模型进行步骤903至906的故障分析。例如，假设wafer的刻蚀过程涉及10个工艺步骤，但仅对步骤3、步骤5和步骤9进行在线监控，则当执行到步骤3时，利用对应步骤3的MSPC模型对步骤3的样本数据进行故障分析；然后等到执行步骤5的时候，再利用对应步骤5的MSPC模型对步骤5的样本数据进行故障分析；最后，再等待对步骤9进行故障监控。

综上所述，本发明实施例提供的MSPC监控方法具有以下优点：

需要说明的是，以上内容仅以半导体刻蚀工艺为例进行说明，当然，本发明也适用于除刻蚀工艺之外的其他半导体工艺过程。

基于以上内容，本发明还提供了相应的***实施例。

参照图10，是本发明实施例所述一种半导体工艺中的过程控制***结构图。

所述过程控制***主要包括模型导入模块1、数据接收模块2、模型计算模块3和故障分析模块4，其中，所述模型导入模块1用于启动需监控工艺步骤对应的多变量统计过程控制模型；数据接收模块2用于接收监控样本，所述监控样本包含所述需监控工艺步骤中各变量的多个工艺数据；模型计算模块3用于根据所述多变量统计过程控制模型和所述需监控工艺步骤中各变量的多个工艺数据，获取对应所述需监控工艺步骤的故障分值；故障分析模块4用于判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

其中，所述过程控制***提供了两种监控模式，分别是离线监控模式和在线监控模式。在离线模式下，针对工艺过程中需要监控的多个工艺步骤，模型导入模块1将以步骤为单位导入多个MSPC模型；数据接收模块2将接收包含多个需监控工艺步骤的监控样本；针对每个工艺步骤，故障分析模块4分别判断各故障分值是否超出所对应的需监控工艺步骤的多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

在线模式下，针对工艺过程中需要监控的多个工艺步骤，模型导入模块1也将以步骤为单位导入多个MSPC模型；而数据接收模块2则按照工艺步骤的执行顺序，实时接收某个监控步骤的监控样本，模型计算模块3和故障分析模块4利用相应模型计算并绘制出对应该工艺步骤的多变量统计控制图进行显示，然后数据接收模块2等待接收模型指定的(即需要监控的)下一工艺步骤的监控样本。此外，在线状态下所述过程控制***还可以包括：故障报警模块，用于当多变量统计控制图中监控样本的故障分值超出模型控制限时发送报警信息。

上述半导体工艺过程控制***能够利用多个变量间的关联关系，将监控样本的异常通过由多个变量综合得到的故障分值反映出来，因此对样本的监控通过一张绘制了故障分值的多变量统计控制图就可以准确分析出异常情况，避免了单变量统计过程控制(USPC)存在的故障误判和漏判问题；而且通过直观的多变量统计控制图就可以方便、快速地判断出故障所在，无需繁琐地切换查看大量的单变量统计过程控制图，大大减轻了操作负荷，提高了控制水平，进一步提高了半导体设备的生产效率和产品良率。

基于上述半导体工艺过程控制***，为了进一步分析出故障的根本原因，优选的，所述故障分析模块4进一步可以包括：第一分析单元，用于根据故障特征数据库和所述各变量的多个工艺数据的各统计量，获取故障特征数据统计表；所述故障特征数据库为基于单变量统计过程控制技术建立；第二分析单元，用于根据所述故障特征数据统计表和预置故障报警规则，获取故障得分贡献图，所述故障得分贡献图记录了各变量的故障得分及相应的故障报警类型；综合分析单元，用于结合所述故障得分贡献图和所述故障特征数据统计表，定量分析故障原因。

即：所述过程控制***还可以针对所述多变量统计控制图中故障分值超出模型控制限的每个异常监控样本，分别绘制异常监控样本的故障得分贡献图；其中，所述故障得分贡献图给出异常监控样本所包含的单变量的故障分值以及相应单变量的故障及报警信息，具体可参见图8。

同时，所述过程控制***还可以结合USPC技术，针对所述多变量统计控制图中故障分值超出模型控制限的每个异常监控样本，结合单变量统计过程控制模型对异常监控样本所包含的单变量计算统计量，并利用所述统计量绘制异常监控样本的故障特征数据统计表，具体可参见表3。用户在多变量统计控制图中异常的工艺数据位置进行双击即可同时打开故障得分贡献图和故障特征数据统计表，通过该图和表直观、清晰地分析出现故障的变量和故障的根本原因。

优选的，为了量化分析故障原因，所述过程控制***还可以将所述故障得分贡献图与故障特征数据统计表相结合，根据故障原因对所述故障报警信息进行类型划分。这种分类能够反映故障变量由量变到质变的变化情况，既实现了以定性方式快速捕捉到主要故障，又实现了对主要故障能够作进一步定量分析，使得故障分析更全面，结果更具实际指导意义。

优选的，为了去除监控样本中的噪声数据，所述过程控制***还可以包括数据筛选模块5，同时为了简化数据筛选模块5的操作，还可以包括数据筛选器6。所述数据筛选器6用于以工艺步骤为单位预配置每个工艺步骤下所有可选变量的筛选参数值；所述数据筛选模块5用于根据模型所指定的工艺步骤和指定变量，利用数据筛选器自动在模型指定的工艺步骤内，对监控样本进行指定变量的筛选预处理，并将筛选后的监控样本传给所述模型计算模块，所述模型计算模块利用模型对筛选后的监控样本进行计算。

优选的，所述过程控制***还可以包括：模型建立模块7，用于建立多变量统计过程控制模型。所述模型建立模块7进一步可以包括：

模型配置单元，用于设定建模的配置信息，所述配置信息包括指定的工艺步骤、数据筛选参数、建模变量、置信度、主元计算方法；

数据筛选单元，用于根据数据筛选参数和建模变量对指定工艺步骤下的训练样本进行筛选；优选的，所述数据筛选单元可以利用数据筛选器6自动在指定的工艺步骤内，对训练样本进行指定变量的筛选预处理；

统计计算单元，用于对筛选后的训练样本计算统计量；

模型预建立单元，用于利用训练样本的统计量、置信度和主元计算方法建立多变量统计过程控制模型，并确定模型的控制限；

迭代建模单元，用于判断所建模型中是否存在超过控制限的训练样本，如果不存在，则保存所建立的模型；如果存在，则去除越限样本，并利用剩下的训练样本结合统计计算单元和模型预建立单元循环进行所述统计量计算、模型建立和判断，直到所建模型中不存在超过控制限的训练样本。

综上所述，上述包含了多个优选模块的半导体工艺过程控制***能够基于多变量统计过程控制模型，并结合单变量统计过程控制模型，提供直观、简洁的故障分析与诊断，进一步提高了半导体设备的控制能力。

基于上述过程控制***，本发明实施例还提供了一种包含该过程控制***的半导体控制***。

参照图11，是本发明实施例所述一种半导体控制***的架构图。

所述半导体控制***包括设备控制***和过程控制***，所述设备控制***用于控制工艺生产线上的各种传感器设备，并为过程控制***提供数据来源，所述过程控制***即指图10所示的***。

图11示出了一种基于分布式设计架构的***图，具体包括以下模块：

集簇设备控制***(Cluster Tool Controller，CTC)；

传输模块控制***(Transfer Module Controller，TMC)；

工艺过程模块控制***(Process Module Controller，PMC)；

工厂自动化模块(Factory Automation，FA)；

数据采集***(Data Acquisition，DA)；

单变量统计过程控制***(Univariate Statistical Process Control，USPC)；

多变量统计过程控制***(Multivariate Statistical Process Control，MSPC)；

实时反馈控制***(Run-to-Run Control，R2R)；

数据库(Data Base，DB)。

其中，控制***最上一级的是工厂自动化模块FA，通过工厂网络与工厂制造执行***MES(Manufacturing Execution System)通信；其次是集簇设备控制***CTC，CTC中内嵌了实时反馈控制***R2R，同级别的还有数据采集***DA、USPC和MSPC、数据库DB；CTC连接着下级的工艺过程模块控制***PMC，PMC直接控制着生产线上的各种传感器设备，如EndPoint Detector、V/I Probe、Other Hardware等等；PMC和TMC通过局域网与CTC、R2R、DA、USPC和MSPC、数据库DB进行直接通信。

基于上述分布式设计架构，由于DA与PMC将wafer生产过程中的所有监控样本都存储到数据库DB中，MSPC***能够直接以DB为数据源，实现基于DB的数据监控和故障分析，以满足实时控制的要求。因此，所述MSPC***是一种基于tool级的多变量过程控制应用，所述tool级即指MSPC直接面向机台控制，能够基于DB获得实时的过程数据实现数据监控和故障分析。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于***实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种半导体工艺中的过程控制方法和***，以及包含该过程控制***的半导体控制***，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种半导体工艺中的过程控制方法，其特征在于，包括：

启动需监控工艺步骤对应的多变量统计过程控制模型；

判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因；

所述定量分析故障原因包括：

根据故障特征数据库和所述各变量的多个工艺数据的各统计量，获取故障特征数据统计表；所述故障特征数据库为基于单变量统计过程控制技术建立；

根据所述故障特征数据统计表和预置故障报警规则，获取故障得分贡献图，所述故障得分贡献图记录了各变量的故障得分及相应的故障报警类型；

结合所述故障得分贡献图和所述故障特征数据统计表，定量分析故障原因。

2.根据权利要求1所述的方法，其特征在于，在离线状态下，包括：

接收包含多个需监控工艺步骤的监控样本；

分别获取对应每个需监控工艺步骤的故障分值；

分别判断各故障分值是否超出所对应的需监控工艺步骤的多变量统计过程控制模型的控制限，若是，则定量分析故障原因。

3.根据权利要求1所述的方法，其特征在于，在在线状态下，所述接收监控样本具体为：实时接收包含某一需要监控工艺步骤的监控样本。

4.根据权利要求2或3所述的方法，其特征在于，通过统计各硅片刻蚀工艺过程中同一需监控工艺步骤的故障分值，建立多变量统计控制图。

5.根据权利要求1至3任一所述的方法，其特征在于，所述启动需监控工艺步骤对应的多变量统计过程控制模型之前，还包括：建立多变量统计过程控制模型，具体包括：

设定建模的配置信息，所述配置信息包括指定的工艺步骤、数据筛选参数、建模变量、置信度、主元计算方法；

根据数据筛选参数和建模变量对各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行筛选；

对筛选后的训练样本计算统计量；

利用训练样本的统计量、置信度和主元计算方法建立多变量统计过程控制模型，并确定模型的控制限；

判断所建模型中是否存在超过控制限的训练样本，如果不存在，则保存所建立的模型；如果存在，则去除越限样本，并利用剩下的训练样本循环进行所述统计量计算、模型建立和判断步骤，直到所建模型中不存在超过控制限的训练样本。

6.根据权利要求5所述的方法，其特征在于，所述筛选包括：

利用数据筛选器自动在指定的工艺步骤内，对训练样本进行指定变量的筛选预处理；其中，所述数据筛选器以工艺步骤为单位预配置了每个工艺步骤下所有可选变量的筛选参数值。

7.一种半导体工艺中的过程控制***，其特征在于，包括：

故障分析模块，用于判断所述故障分值是否超出所述多变量统计过程控制模型的控制限，若是，则定量分析故障原因；

所述故障分析模块包括：

第一分析单元，用于根据故障特征数据库和所述各变量的多个工艺数据的各统计量，获取故障特征数据统计表；所述故障特征数据库为基于单变量统计过程控制技术建立；

第二分析单元，用于根据所述故障特征数据统计表和预置故障报警规则，获取故障得分贡献图，所述故障得分贡献图记录了各变量的故障得分及相应的故障报警类型；

综合分析单元，用于结合所述故障得分贡献图和所述故障特征数据统计表，定量分析故障原因。

8.根据权利要求7所述的***，其特征在于，还包括：

模型建立模块，用于建立多变量统计过程控制模型。

9.根据权利要求8所述的***，其特征在于，所述模型建立模块包括：

数据筛选单元，用于根据数据筛选参数和建模变量对各训练样本中所指定的工艺步骤内各变量的多个工艺数据进行筛选；

统计计算单元，用于对筛选后的训练样本计算统计量；

10.根据权利要求7或9所述的***，其特征在于，还包括：

数据筛选器，用于以工艺步骤为单位预配置每个工艺步骤下所有可选变量的筛选参数值；

数据筛选模块，用于根据模型所指定的工艺步骤和指定变量，利用数据筛选器自动在模型指定的工艺步骤内，对监控样本进行指定变量的筛选预处理，并将筛选后的监控样本传给所述模型计算模块，所述模型计算模块利用模型对筛选后的监控样本进行计算。

11.一种半导体控制***，包括设备控制***和过程控制***，其特征在于：所述过程控制***包括权利要求7至10任一所述的过程控制***。

12.根据权利要求11所述的***，其特征在于，还包括：

数据采集***，用于采集设备控制***所控设备在工艺生产过程中的监控样本，并存储到数据库中；

数据库，用于存储监控样本。

13.根据权利要求12所述的***，其特征在于：

所述过程控制***以所述数据库为数据源，从该数据库直接接收监控样本。