CN105518654B - 对工具处理数据提供多变量分析的基于k最近邻法与*** - Google Patents
对工具处理数据提供多变量分析的基于k最近邻法与*** Download PDFInfo
- Publication number
- CN105518654B CN105518654B CN201480048641.2A CN201480048641A CN105518654B CN 105518654 B CN105518654 B CN 105518654B CN 201480048641 A CN201480048641 A CN 201480048641A CN 105518654 B CN105518654 B CN 105518654B
- Authority
- CN
- China
- Prior art keywords
- tool
- data
- reference fingerprint
- sensor
- formula
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 61
- 238000000034 method Methods 0.000 title claims description 60
- 238000012545 processing Methods 0.000 title claims description 50
- 239000013598 vector Substances 0.000 claims description 52
- 238000003860 storage Methods 0.000 claims description 19
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims 3
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 239000011159 matrix material Substances 0.000 description 36
- 238000010586 diagram Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000009472 formulation Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Drying Of Semiconductors (AREA)
- General Factory Administration (AREA)
- Collating Specific Patterns (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种服务器计算机***,所述服务器计算机***为运行配方的第一工具建立参考指纹。服务器计算机***使用参考数据来建立参考指纹,所述参考数据与在参数之内执行的第一工具相关。参考指纹包括目标基线及基于目标基线的允许范围。服务器计算机***基于样本数据与参考指纹的比较,确定与运行配方的第二工具相关联的样本数据是否在参数之内执行。第二工具可为第一工具或与所述第一工具相同类型的另一工具。服务器计算机***基于样本数据与参考指纹的比较向***或用户中的至少之一提供第二工具的分类。所述分类指示第二工具是否在参数之内执行。
Description
技术领域
本揭示案的实施方式涉及分析工具处理数据,且更特定而言,涉及使用基于k最近邻法(k-nearest neighbor-based method)对工具处理数据提供多变量分析。
背景技术
在半导体工业中,运行配方(recipe)的各种工具有大量传感器数据。通常,传感器信息为原始数据,所述原始数据通常可能对一些用户没有用处,这些用户比如工艺工程师等等。大量的数据可能常常难以管理。一些解决方案使用诸如PCA(主成分分析;principalcomponent analysis)之类的统计方法以尝试将原始数据变换为对用户有意义的数据。然而,半导体工艺的独特特性(比如成批工艺的非线性、具有可变持续时间的工艺步骤等等)已在基于PCA的解决方案中带来一些困难。
发明内容
本案揭示一种方法,所述方法包含:使用参考数据及根据参考数据确定的多个最近邻值为运行配方的第一工具建立参考指纹,所述参考数据与在与运行配方相关联的参数之内执行的所述第一工具相关,所述参考指纹包含目标基线及基于所述目标基线的一或更多个允许范围;基于与运行配方的第二工具相关联的样本数据与参考指纹的比较,确定所述样本数据是否在参数之内执行,所述第二工具为第一工具或与所述第一工具相同类型的另一工具;及基于样本数据与参考指纹的比较向***或用户中的至少之一提供第二工具的分类,所述分类指示所述第二工具是否在参数之内执行。
本案进一步揭示一种***,所述***包含:存储器;及处理装置,所述处理装置与存储器耦接以:使用参考数据及根据参考数据确定的多个最近邻值为运行配方的第一工具建立参考指纹,所述参考数据与在与运行配方相关联的参数之内执行的所述第一工具相关,所述参考指纹包含目标基线及基于所述目标基线的一或更多个允许范围;基于与运行配方的第二工具相关联的样本数据与参考指纹的比较,确定所述样本数据是否在参数之内执行,所述第二工具为第一工具或与所述第一工具相同类型的另一工具;及基于样本数据与参考指纹的比较向***或用户中的至少之一提供第二工具的分类,所述分类指示所述第二工具是否在参数之内执行。
本案进一步揭示一种包括指令的非瞬态计算机可读储存媒介,当这些指令由处理装置执行时,使所述处理装置执行包含以下操作的操作:通过处理装置使用参考数据及根据参考数据确定的多个最近邻值为运行配方的第一工具建立参考指纹,所述参考数据与在与运行配方相关联的参数之内执行的所述第一工具相关,所述参考指纹包含目标基线及基于所述目标基线的一或更多个允许范围;基于与运行配方的第二工具相关联的样本数据与参考指纹的比较,确定所述样本数据是否在参数之内执行,所述第二工具为第一工具或与所述第一工具相同类型的另一工具;及基于样本数据与参考指纹的比较向***或用户中的至少之一提供第二工具的分类,所述分类指示所述第二工具是否在参数之内执行。
附图说明
本揭示案通过举例的方式而并非限制的方式图示于附图的各图中,在这些附图中,相同标号表示类似元件。应注意,对本揭示案中的“一”或“一个”实施方式的不同引用不必然指示相同实施方式,并且这些引用意指至少一个。
图1为图示利用工具分析模块的***的方块图。
图2为工具分析模块的一个实施方式的方块图。
图3图示根据不同实施方式的包括参考指纹(fingerprint)的示例性图形用户界面。
图4图示根据不同实施方式的包括用于多个运行(run)的工艺指标与参考指纹的比较的示例性图形用户界面。
图5图示使用基于k最近邻分析建立参考指纹的方法的一个实施方式。
图6图示根据不同实施方式的距离矩阵的实例及邻近向量的实例。
图7图示用于对工具处理数据执行基于k最近邻分析的方法的一个实施方式。
图8图示根据不同实施方式的示例性图形用户界面,该图形用户界面包括关于用于腔室上的配方的运行的传感器的贡献数据(contribution data)。
图9为根据不同实施方式的示例性计算装置的方块图,该计算装置可执行本文描述的工具分析模块的一或更多个操作。
具体实施方式
本揭示案的实施方式针对用于对工具处理数据执行基于k最近邻分析的方法及***。为了简洁及简化起见,整个文件中腔室被用作工具的实例。本揭示案的实施方式修改k最近邻(k-Nearest Neighbor;kNN)演算法以有助于数据分析,例如以用于腔室匹配及对处理腔室的控制。服务器计算机***能收集腔室配方的多个运行的数据及用于这些运行的多个传感器的数据,且服务器计算机***能创建单个值,该值在下文中被称为“工艺索引”,该工艺索引描述每个运行。工艺索引是腔室配方的运行与相同腔室和/或相同类型腔室的配方的已知良好运行相比较为如何的指示。工艺索引亦描述传感器与已知良好运行如何相关。工艺索引能用于确定哪些传感器可能引起腔室匹配问题。
服务器计算机***能为运行配方的工具(例如,腔室)建立参考指纹。参考数据与如预期(例如在与运行配方相关联的参数之内)执行的工具相关,服务器能使用所述参考数据建立目标基线,且基于来自参考数据的目标基线建立一或更多个容许范围。目标基线及一或更多个容许范围能组成参考指纹。服务器计算机***能基于样本数据与参考指纹的比较来确定是否样本数据指示工具正在如预期(例如在参数之内)执行,所述样本数据与正在运行相同配方的相同工具或相同类型的其他工具相关联。服务器计算机***能基于样本数据与参考指纹的比较来向***或用户提供正被分析的工具的分类。所述分类能指示正被分析的工具/配方组合(tool/recipe combination)是否正在正常地操作。
图1为图示制造***100的方块图,制造***100包括例如经由网络120通信的制造***数据源(例如制造执行***(manufacturing execution system;MES)101)、一或更多个工具(例如腔室109)及分析服务器105。网络120可为局域网络(local area network;LAN)、无线网络、移动通信网络、广域网络(wide area network;WAN)(比如因特网)或类似通信***。
MES 101、分析服务器105和工具分析模块107能分别以任何类型的计算装置而设置,所述计算装置包括服务器计算机、网间连接计算机、台式计算机、便携式计算机、平板电脑、笔记本电脑、PDA(个人数字助理;personal digital assistant)、移动通信装置、手机、智能手机、手提电脑或类似计算装置。或者,MES 101、分析服务器105和工具分析模块107的任何组合能设置于单个计算装置上,所述计算装置包括服务器计算机、网间连接计算机、台式计算机、便携式计算机、移动通信装置、手机、智能手机、手提电脑或类似计算装置。
分析服务器105能收集且分析关于腔室109的数据。在一个实施方式中,分析服务器105被耦接至工厂***数据源(例如MES 101、ERP(企业资源规划;Enterprise ResourcePlanning)***等等)以接收批次数据及设备(例如腔室)数据等等。在一个实施方式中,分析服务器105直接从腔室109接收数据。分析服务器105可包括工具分析模块107以使用参考数据(表示正在如预期执行的腔室109的数据)及实时数据(在腔室109上运行配方的数据)来确定腔室109是否偏离关于运行特定配方的预期表现。
工具分析模块107能使用来自正在如预期执行给定配方的腔室的数据来建立用于所述给定配方的、腔室的参考指纹。工具分析模块107能将运行所述配方的腔室的样本数据,以及运行所述配方的其他腔室的样本数据与参考指纹相比较,以评估腔室的效能和/或运行状况(health)。当与参考指纹相比,运行给定配方的腔室没有如预期执行时,工具分析模块107能为腔室、关于腔室的运行和/或腔室上的传感器提供额外数据,所述额外数据描述哪些传感器和/或配方属性促成任何偏差。在一个实施方式中,工具分析模块107将偏离参考指纹的参数的腔室109分类为“不正常”或“异常”且将在参考指纹的参数之内的腔室109分类为“正常”。在一个实施方式中,工具分析模块107确定分类的程度。例如,根据腔室的样本数据偏离参考指纹的量值,工具分析模块107可进一步将异常的腔室分类为“高度”、“中度”或“低度”。工具分析模块107能向用户(例如工艺工程师、***工程师、工业工程师、***管理员等等)和/或***(例如维护***等等)提供腔室分类(例如正常、不正常、高、中、低等等)。
图2为工具分析模块200的一个实施方式的方块图。工具分析模块200可与图1的工具分析模块107相同。工具分析模块200可包括指纹子模块205、分析子模块210、通知子模块215及用户界面(user interface;UI)子模块220。
工具分析模块200能耦接至一或更多个数据储存器(data store)250。数据储存器250可为持久储存单元。持久储存单元可为本地储存单元或远程储存单元。持久储存单元可为磁性储存单元、光学储存单元、固态储存单元、电子储存单元(主存储器)或类似储存单元。持久储存单元可为单片式(monolithic)装置或装置的分布式集合。本文所使用的“集合”表示任何正整数的项目。
数据储存器250能储存一或更多个工具(例如腔室)的工具数据251。工具数据251能包括数据,所述数据描述在相应工具上运行的配方及相应工具的传感器。工具数据251能由在制造地点的工具(例如腔室)和/或***(例如MES)提供。
指纹子模块205能使用修改的k最近邻演算法来建立对应于正在执行特定配方的腔室和/或腔室类型的参考指纹255。指纹子模块205能识别工具数据251的子集,所述子集对应于在相同类型的腔室上运行特定配方的‘良好’运行。在下文中的‘良好’运行或‘正常’运行表示在腔室上如预期执行,例如,在期望参数之内执行的所述特定配方的运行。在下文中的‘不良’运行或‘异常’运行表示未在腔室上如预期执行,例如,未在期望参数之内执行的所述特定配方的运行。指纹子模块205能使用良好运行的工具数据251作为参考数据253。参考数据253能包括且不限于腔室识别符、腔室类型、配方识别符、腔室上的运行的数目、运行识别符、传感器识别符、传感器的传感器数据等等。参考数据253可被储存于数据储存器250中。数据储存器250能储存配置数据261,配置数据261指定指纹子模块205建立参考指纹255所应使用的良好运行的数目。例如,配置数据261可指定应使用来自五十个良好运行的数据来建立参考指纹255。配置数据261可以是可设定的且可以是用户(例如***管理员、工艺工程师等等)定义的。
指纹子模块205能从参考数据253计算目标基线及与目标基线有关的一或更多个范围。目标基线和与所述目标基线有关的一或更多个范围能组成参考指纹255。参考指纹255能用于相同类型的腔室。在下文中结合图5更加详细地描述建立参考指纹的一个实施方式。
图3图示根据不同实施方式的包括参考指纹310的示例性图形用户界面(graphical user interface;GUI)300。参考指纹310包括目标基线325的值(例如值2.8)及一或更多个允许范围(例如范围1 320及范围2 315)。在下文中结合图5更加详细地描述确定目标基线及范围的一个实施方式。在一个实施方式中,若样本在目标基线325的范围(例如范围1 320及范围2 315)之内,则将样本分类为正常。在下文中的‘样本’或‘样本运行’表示腔室上的特定配方的运行,其中不知道所述运行是关于期望效能的正常运行还是异常运行。在一个实施方式中,范围1 320为目标基线325的3-σ(3-sigma)(3标准偏差)带,范围2315为目标基线325的6-σ(6标准偏差)带。GUI 300可包括X轴,X轴描述用于建立参考指纹310的运行330。例如,参考数据253可包括五十个良好运行的数据。GUI 300可包括Y轴,Y轴描述被分析的数据与参考指纹之间的距离(例如以单位计的至参考的距离(distance tothe reference in units)305)。
回到图2,数据储存器250能储存一或更多个样本(样本运行(sample run))的样本数据257。样本数据257可包括且不限于腔室识别符、腔室类型、配方识别符、运行识别符、传感器识别符、传感器的传感器数据等等。
分析子模块210能使用关于特定运行的样本数据257来建立样本向量S,以描述相应运行的传感器读数。样本向量S可为具有m个元素的行向量,其中每一元素对应于所述特定运行的传感器读数。分析子模块210能使用样本向量S来确定样本运行的工艺索引。在下文中结合图7更加详细地描述确定样本运行的工艺索引的一个实施方式。分析子模块210能将样本运行的工艺索引与参考指纹255的目标基线及范围进行比较,以确定样本的样本数据257将对应于样本数据257的特定腔室/配方组合分类为正常还是异常。下文中结合图7更加详细地描述确定将特定腔室/配方组合的样本运行分类为正常还是异常的一个实施方式。
用户界面(UI)子模块220能提供用户界面202,用户界面202包括多个运行的工艺索引与参考指纹255的比较。用户界面202可为图形用户界面(GUI)。
图4图示根据不同实施方式的包括多个运行的工艺索引与参考指纹的比较的示例性图形用户界面400。参考指纹可包括目标基线420的值(例如7)、第一范围415(例如3-σ带)及第二范围410(例如6-σ带)。GUI 400可包括用于表示样本运行的工艺索引的数据点406。在一个实施方式中,若相应工艺索引(例如数据点)在目标基线420的范围410、415之内,则将样本运行分类为正常;若相应工艺索引(例如数据点)不在目标基线420的范围410、415之内,则将样本运行分类为异常。例如,表示样本运行48的工艺索引的数据点405在参考指纹的允许范围410、415之外,故可将运行48分类为异常。能对运行48的数据做进一步分析以确定哪些传感器可能是运行48在允许范围410、415之外的原因。在另一实例中,表示样本运行49的工艺索引的数据点407在参考指纹的允许范围410、415之内,但是在6-σ之内。可进一步分析运行49的数据以确定哪个传感器可能是运行49在6-σ带之内的原因。
回到图2,通知子模块215能提供分类通知,所述分类通知指示相应腔室/配方组合的样本数据257为正常还是异常。通知子模块215能通过消息及网络等等通过用户界面202提供分类通知。通知子模块215能例如向用户(例如工艺工程师、工业工程师、***工程师、***管理员)和/或***(例如报告***、调度器(scheduler)等等)提供分类通知。
在一个实施方式中,工具分析模块200根据传感器和/或根据工艺步骤将数据分组。例如,工具分析模块200可根据传感器和/或根据工艺步骤将工具数据251分组。在另一实例中,工具分析模块200可根据传感器和/或根据工艺步骤将参考数据253分组。在另一实例中,工具分析模块200可根据传感器和/或根据工艺步骤将样本数据257分组。在另一实例中,工具分析模块200可根据传感器和/或根据工艺步骤将数据的任何组合分组。通过对数据分组,工具分析模块200能确定分类为异常是归因于所有工艺步骤的一个传感器、仅一个步骤的一个传感器、还是不同步骤的不同传感器。在一个实施方式中,工具分析模块200确定数据的帕累托分布。例如,若存在许多具有超出参考指纹的参数范围的数据的运行和/或传感器,则工具分析模块200能识别具有超出参考指纹的参数范围的数据的运行和/或传感器的子集(例如前10个、前20个等等)。帕累托分布可指示所述子集由于一个传感器而超出参考指纹的参数范围。
图5图示使用基于k最近邻分析建立参考指纹的方法的一个实施方式。方法500可通过处理逻辑执行,所述处理逻辑可包含硬件(例如电路***、专用逻辑、可编程逻辑、微码等等)、软件(例如在处理装置上运行的指令)或硬件与软件的组合。在一个实施方式中,方法500由图1的服务器105中的工具分析模块107执行。
在方块501处,服务器为运行给定配方的工具(例如腔室)建立参考矩阵R。参考矩阵R可根据参考数据而建立,所述参考数据包括多个良好运行的数据。参考矩阵R可包括n行×m列,其中n为参考数据中的良好运行的数目且m为相应运行的传感器的数目。
矩阵其中n=运行数目,m=传感器数目 式1
对于参考矩阵R中的每一行(运行),服务器可令行表示向量S,以描述相应运行的传感器读数。向量S可为具有m个元素的行向量,每一元素对应于用于特定运行的传感器读数。
向量S=[rz,1 … rz,m] 式2
其中z为运行编号,z从1至n,
m=传感器数目,且S为参考矩阵R中的一行。
在方块503处,对于参考矩阵R中的每一行,服务器基于参考集合中的每一传感器的参考数据平均值及标准偏差计算归一化S向量及归一化参考矩阵R。
在方块505处,对于归一化R矩阵中的每一行,服务器使用归一化S向量来建立距离矩阵D;且在方块507处,服务器使用距离矩阵D来建立近邻向量N。
矩阵其中n=运行数目,m=传感器数目 式3
图6图示根据不同实施方式的距离矩阵D 609的实例及近邻向量N 615的实例。距离矩阵D 609可为n行×m列矩阵。距离矩阵D 609中的每一行可表示一运行(例如运行1601、运行2 603、运行3 605、运行4 607),且距离矩阵D 609中的每一列可表示一传感器(例如传感器1 611、传感器2 613)。距离矩阵D 609中的每一元素可表示距离单元(例如距离单元617、距离单元619),所述距离单元描述参考矩阵R与向量S中的相应元素之间的距离。在一个实施方式中,距离矩阵D 609中的每个元素(例如距离单元617、距离单元619)为参考矩阵R与向量S中的相应元素之间的平方距离。例如,运行1 601的传感器1 611的距离单元617可具有值零,该值指示运行1中的传感器1与参考矩阵R中的相应元素相距零个单位。在另一实例中,运行1 601的传感器2 613的距离单元619可具有值一,该值指示运行1中的传感器2与参考矩阵R中的相应元素相距一个单位。近邻向量N可为n元素列向量,其中每一元素为相应距离矩阵D中的行的和。
回到图5,在方块509处,服务器使用k最近邻值(例如k=3)来识别N向量中的第k个最小值(最近邻值),以产生参考数据中的每一样本的值的k向量。服务器能将所识别的最近邻值作为k向量而储存在数据储存器中。服务器能通过将近邻向量N中的元素从最小值至最大值排序来识别最近邻值。例如,图6中的近邻向量N 615[1,2,1,3]可被排序为[1,1,2,3]。服务器能将对应于经排序的近邻向量N中的k位置的值确定为第k个最小值(最近邻值)。例如,对于k=3,服务器确定“2”处于第三位置(例如k=3)且“2”为第k个最小值(最近邻值)。服务器为参考数据中的每一样本的值建立k向量。k向量能描述所有传感器如何与参考数据中的其他运行的相应传感器相关。能在配置数据中指定应由服务器使用的k值(例如k=3)。
在方块511处,服务器将k向量的平均值确定为任何样本的目标基线,以匹配传感器的m维分布。目标基线被用于定义参考指纹。在方块513处,服务器确定k向量的一或更多个阈值(例如一或更多个标准偏差)以定义参考指纹的一或更多个允许范围。在方块515处,服务器将参考指纹定义为目标基线及阈值。
图7为用于对工具工艺数据执行基于k最近邻分析的方法700的实施方式的流程图。方法700可由处理逻辑执行,所述处理逻辑可包含硬件(例如电路***、专用逻辑、可编程逻辑、微码等等)、软件(例如在处理装置上运行的指令)或硬件及软件的组合。在一个实施方式中,方法700由图1的服务器105中的工具分析模块107执行。
在方块701处,服务器识别腔室配方的多个样本运行的样本数据。样本运行是腔室的特定配方的运行,其中不知道所述运行为正常运行还是异常运行。样本数据可以用户通过GUI输入的选择为基础。例如,用户可对于待分析的配方XYZ选择腔室X的最后五十个运行(例如运行1至运行50)。样本数据可储存于耦接至工具分析模块的数据储存器中。方法700或方法700的一或更多个部分可为迭代的(iterative)。迭代的数目可基于待分析的样本运行的数目。
在方块703处,服务器确定样本数据的工艺索引。服务器能使用样本数据建立样本向量S,以描述相应样本运行的传感器读数。样本向量S可为具有m个元素的行向量,每一元素对应于特定样本运行的传感器读数。
样本向量S=[s1 … sm] 式4
其中m=传感器数目且S为正在分析的样本运行
服务器能针对参考矩阵R计算归一化样本向量S。服务器能使用归一化样本向量S来为样本运行建立距离矩阵D。距离矩阵D可为n行×m列矩阵,其中每一元素为参考矩阵R与样本向量S中的相应元素之间的平方距离。距离矩阵D中的每一行为样本运行。距离矩阵D中的每一列为传感器。服务器能使用距离矩阵D来计算近邻向量N。近邻向量N可为n元素列向量,其中每一元素为相应距离矩阵D中的行的和。服务器能使用k值(例如k=3)来识别N向量中的第k个最小值(最近邻值)。N向量中的第k个最小值(最近邻值)是用于给定配方的、腔室的工艺索引。能在配置数据中指定应由服务器使用的k值(例如k=3),所述配置数据储存于耦接至工具分析模块的数据储存器中。
在方块705处,服务器确定腔室/配方组合的样本数据的工艺索引是否在参考指纹的参数之内。若工艺索引在参考指纹的参数之内,则在方块707处,服务器将腔室/配方组合的样本数据分类为正常,且在方块711处,服务器将所述分类例如提供给用户(例如工艺工程师、工业工程师、***工程师、***管理员)和/或***(例如报告***、调度器等等)。
若工艺索引不在参考指纹的参数之内(方块705),则在方块709处,服务器将腔室/配方组合的样本数据分类为异常,且在方块711处,服务器将所述分类例如提供给***和/或用户。服务器能通过消息及网络等等通过GUI提供分类。***和/或用户能将所述分类用于例如腔室的维护、腔室匹配、对工艺腔室的控制等等。
在方块713处,服务器确定是否提供额外数据以便识别工艺索引不在参考指纹的参数之内的原因。若服务器应提供额外数据,则服务器在方块715处提供额外数据。例如,服务器可经由图形用户界面(GUI)接收用户输入以接收关于腔室上的特定运行的额外信息,且服务器可在GUI中提供与所述运行有关的传感器及工艺步骤的数据。额外数据可包括,例如且不限于,特定运行的传感器的贡献数据。
图8图示根据不同实施方式的示例性图形用户界面800,所述图形用户界面包括关于用于腔室配方运行的传感器的贡献数据。工具分析模块能产生关于用于腔室配方运行的传感器的贡献向量C。GUI 800包括描绘为条状图的用于特定腔室/配方组合的运行48的贡献向量C。贡献向量C可为m元素行向量,其中每一元素是各传感器的各运行的贡献因子。
C=[c1 … cm]其中m=传感器数目 式5
例如,对于传感器1(例如图6中的传感器1 611)可能有四个参考运行(例如图6中的运行601、603、605、607)。在一个实例中,图6可包括相对于归一化参考矩阵R的关于未知归一化样本向量S的距离矩阵D 609。贡献向量可通过取得距离矩阵D 609中的每列且发现第k个最小值来计算。第1列中的传感器1的贡献向量c=[c1 … cm]可为c1=[0,1,1,2]且c2=[0,1,1,1]。工具分析模块能将贡献向量c中的元素从最小值到最大值排列。假定k=3,则C=[1,1],这描述了未知样本中的传感器1 611与参考集合相距一个单位,且传感器2 613与参考集合相距一个单位。近邻向量N能描述样本与参考指纹相距多少单位,且贡献向量C能描述引起近邻向量N与参考指纹的任何偏差的因子。
回到图8,GUI 800可包括描述对于特定运行的传感器的x轴。例如,x轴可描述运行48815的传感器数据。GUI 800可包括y轴810,y轴810描述被分析的数据与参考指纹之间的距离。工具分析模块能使用距离矩阵D来计算贡献向量C。可以有多种类型的贡献向量C,这些类型包括例如但不限于,最大贡献类型、元素贡献类型及第k个元素贡献类型。
对于第k个元素贡献类型,向量C中的各元素为相应传感器的贡献。小于或等于一的距离值能指示传感器促成样本数据落在参考指纹之内。大于一但小于或等于二的距离值能触发警告以进一步观察和/或监控传感器。大于二的距离值能指示传感器很可能促使样本数据未落在参考指纹之内。例如,距离值805大于二,因此距离值805能指示相应传感器是样本数据不在参考指纹的参数之内的促成因素。在一个实施方式中,值愈大,传感器与参考指纹之间的差愈大。
图9为根据不同实施方式的可执行本文描述的工具分析模块的一个或多个操作的示例性计算装置的方块图。在一个实施方式中,计算装置对应于具有图2的工具分析模块200的计算装置。计算装置900包括一组指令,该组指令使机器执行本文论述的方法中的任何一或更多个方法。在替代实施方式中,机器可被连接(例如网络连接)至LAN、内联网、外联网或因特网中的其他机器。机器可在客户端-服务器网络环境中以服务器机器的容量操作。机器可为个人电脑(personal computer;PC)、机顶盒(set-top box;STB)、服务器、网络路由器、开关或桥接器或能够执行指定待由所述机器完成的动作的一组指令(顺序或以任何其他方式)的任何机器。此外,虽然仅图示了单个机器,但是亦应将术语“机器”视为包括任何机器的集合,这些机器分别地或共同地执行一组(或多组)指令以执行本文论述的任何一或更多个方法。
示例性计算机装置900包括处理***(例如处理装置902)、主存储器904(例如只读存储器(read-only memory;ROM)、闪存、动态随机存取存储器(dynamic random accessmemory;DRAM)(比如同步DRAM(synchronous DRAM;SDRAM))等等)、静态存储器906(例如闪存、静态随机存取存储器(static random access memory;SRAM)等等)及数据储存装置918,上述各者经由总线930彼此通信。
处理装置902表示一或更多个通用处理装置,比如微处理器、中央处理单元或类似处理装置。更特定而言,处理装置902可为复杂指令集计算(complex instruction setcomputing;CISC)微处理器、精简指令集计算(reduced instruction set computing;RISC)微处理器、超长指令字(very long instruction word;VLIW)微处理器或执行其他指令集的处理器或执行指令集的组合的处理器。处理装置902亦可为一或更多个专用处理装置,比如专用集成电路(application specific integrated circuit;ASIC)、现场可编程门阵列(field programmable gate array;FPGA)、数字信号处理器(digital signalprocessor;DSP)、网络处理器或类似处理装置。处理装置902被设置以执行工具分析模块200,以便执行本文论述的操作及步骤。
计算装置900可进一步包括网络接口装置908。计算装置900亦可包括视频显示单元910(例如液晶显示器(liquid crystal display;LCD)或阴极射线管(cathode raytube;CRT))、字母数字输入装置912(例如键盘)、光标控制装置914(例如滑鼠)及信号产生装置916(例如扬声器)。
数据储存装置918可包括其上储存一或更多个指令集(例如工具分析模块200的指令)的计算机可读储存媒介928,所述一或更多个指令集执行本文描述的方法或功能中的任何一或更多个。工具分析模块200亦可在其通过计算装置900而执行的期间,完全地或至少部分地存在于主存储器904之内和/或处理装置902之内,主存储器904及处理装置902亦构成计算机可读媒介。工具分析模块200可进一步经由网络接口装置908通过网络920传输或接收。
虽然计算机可读储存媒介928在示例性实施方式中图示为单个媒介,但是应将术语“计算机可读储存媒介”视为包括储存一或更多个指令集的单个媒介或多个媒介(例如集中式或分散式数据库和/或相关联的高速缓冲存储器及服务器)。亦应将术语“计算机可读储存媒介”视为包括能够储存、编码或携带指令集的任何媒介,所述指令集由机器执行且使机器执行本揭示案的任何一或更多个方法。因此,应将术语“计算机可读储存媒介”视为包括但不限于固态存储器、光学媒介及磁性媒介。
在以上描述中,阐述了大量细节。然而,对获取本揭示案的益处的本领域普通技术人员显而易见的是,本揭示案的实施方式可在无这些特定细节的情况下实践。在一些情况下,众所周知的结构及装置以方块图的形式图示,而并未详细说明,以免使本案的描述模糊不清。
详细描述的一些部分在计算机存储器内以数据位元的操作的演算法及符号表示来呈现。这些演算法描述及表示是数据处理领域中的技术人员所使用的最有效地传达他们的主旨给本领域中的其他技术人员的手段。本文的演算法通常被构想为导向结果的自洽的(self-consistent)一系列操作。这些操作是使用物理量的物理操作的操作。通常,虽然并非必要,但是这些量采用能够被储存、传递、组合、比较且以其他方式操作的电信号或磁信号的形式。主要出于公用的原因,已证明将这些信号表示为位元、值、元素、符号、字元、术语、数字或类似物有时是方便的。
然而,应考虑到,所有这些及类似术语应与适当物理量相关联,且所有这些及类似术语仅为应用于这些量的方便标签。除非如上文的论述明显且另外明确地叙述,否则应了解,整个描述中,利用诸如“建立”、“确定”、“提供”、“识别”、“定义”或类似术语的论述表示计算装置、或类似电子计算装置的动作及过程,所述计算装置或类似电子计算装置将表示为计算机***的寄存器及存储器内的物理(例如电子)量的数据操作且变换为其他数据,所述其他数据类似地表示为计算机***存储器或寄存器或其他此种信息储存装置内的物理量。
本揭示案的实施方式亦涉及用于执行本文的操作的设备。所述设备可特别地为所述的目的而建构,或所述设备可包含通用计算机,所述通用计算机被储存于所述计算机中的计算机程序有选择地启动或重新配置。此计算机程序可储存于计算机可读储存媒介中,所述媒介比如但不限于任何类型的盘,所述盘包括光盘、CD-ROM及磁光盘、只读存储器(read-only memory;ROM)、随机存取存储器(random access memory;RAM)、EPROM、EEPROM、磁卡或光卡或适合于储存电子指令的任何类型的媒介。
应理解,上述描述意欲为说明性的,而非限制性的。在阅读且理解以上描述之后,许多其他实施方式对本领域技术人员而言将是显而易见的。因此,本揭示案的范围应由所附权利要求书以及所述权利要求书的等同物的整个范围一起确定。
Claims (15)
1.一种用于分析工具处理数据的方法,包含以下步骤:
使用参考数据及由所述参考数据确定的多个最近邻值为运行配方的第一工具建立参考指纹,所述参考数据与在与运行所述配方相关联的参数之内执行的所述第一工具相关,所述参考指纹包含目标基线及基于所述目标基线的多个允许范围;
通过计算与运行所述配方的第二工具相关联的样本数据的一部分与所述参考指纹的所述目标基线的相应部分之间的距离,确定所述样本数据是否在所述参考指纹之内执行,所述第二工具是所述第一工具或与所述第一工具相同类型的另一工具,并且所述样本数据对应于来自运行所述配方的所述第二工具的多个传感器的数据;
基于所计算的所述距离和基于所述目标基线的所述多个允许范围向***或用户中的至少之一提供所述第二工具的分类,所述分类指示所述第二工具是否在所述参考指纹之内执行;
响应于指示所述第二工具未在所述参考指纹之内执行的所述分类,从所述第二工具的所述多个传感器识别促成所计算的所述距离与所述多个允许范围的偏差的传感器和在所识别的传感器促成所述偏差时运行所述配方的所述第二工具的工艺步骤;以及
使用所述分类和所述传感器的所述识别来为所述第二工具提供维护。
2.如权利要求1所述的方法,进一步包含以下步骤:
识别所述样本数据与所述参考指纹之间的一或更多个偏差;
基于所述一或更多个偏差确定所述第二工具未在所述参数之内执行;以及
提供额外数据以识别所述第二工具未在所述参数之内执行的原因。
3.如权利要求2所述的方法,其中所述额外数据包含贡献数据,所述贡献数据描述所述第二工具的所述多个传感器的贡献。
4.如权利要求1所述的方法,其中当所述样本数据在所述参考指纹之内时,所述分类为正常;当所述样本数据不在所述参考指纹之内时,所述分类为异常。
5.如权利要求1所述的方法,其中建立所述参考指纹的步骤包含以下步骤:
使用所述参考数据产生所述多个最近邻值的向量,其中所述向量指示用于所述配方的、所述第一工具的多个传感器的效能;
由所述向量确定目标值,其中所述目标值表示所述多个传感器的期望效能;
基于所述目标值确定所述多个传感器的所述期望效能的所述多个允许范围;以及
将所述参考指纹定义为所述目标值及所述多个允许范围。
6.如权利要求5所述的方法,其中确定所述目标值的步骤包含以下步骤:
确定所述向量中的所述多个最近邻值的平均值。
7.如权利要求5所述的方法,其中确定所述多个允许范围的步骤包含以下步骤:
由所述目标值确定一或更多个标准偏差。
8.一种用于分析工具处理数据的***,包含:
存储器;以及
处理装置,所述处理装置与所述存储器耦接以:
使用参考数据及根据所述参考数据确定的多个最近邻值为运行配方的第一工具建立参考指纹,所述参考数据与在与运行所述配方相关联的参数之内执行的所述第一工具相关,所述参考指纹包含目标基线及基于所述目标基线的多个允许范围;
通过计算与运行所述配方的第二工具相关联的样本数据的一部分与所述参考指纹的所述目标基线的相应部分之间的距离,确定所述样本数据是否在所述参考指纹之内,所述第二工具为所述第一工具或与所述第一工具相同类型的另一工具,并且所述样本数据对应于来自运行所述配方的所述第二工具的多个传感器的数据;
基于所计算的所述距离和基于所述目标基线的所述多个允许范围向***或用户中的至少之一提供所述第二工具的分类,所述分类指示所述第二工具是否在所述参考指纹之内执行;
响应于指示所述第二工具未在所述参考指纹之内执行的所述分类,从所述第二工具的所述多个传感器识别促成所计算的所述距离与所述多个允许范围的偏差的传感器和在所识别的传感器促成所述偏差时运行所述配方的所述第二工具的工艺步骤;以及
使用所述分类和所述传感器的所述识别来为所述第二工具提供维护。
9.如权利要求8所述的***,其中所述处理装置进一步用于:
识别所述样本数据与所述参考指纹之间的一或更多个偏差;
基于所述一或更多个偏差确定所述第二工具未在所述参数之内执行;以及
提供额外数据以识别所述第二工具未在所述参数之内执行的原因,其中所述额外数据包含贡献数据,所述贡献数据描述所述第二工具的所述多个传感器的贡献。
10.如权利要求8所述的***,其中当所述样本数据在所述参考指纹之内时,所述分类为正常;当所述样本数据不在所述参考指纹之内时,所述分类为异常。
11.如权利要求8所述的***,其中建立所述参考指纹包含所述处理装置用于:
使用所述参考数据产生所述多个最近邻值的向量,其中所述向量指示用于所述配方的、所述第一工具的多个传感器的效能;
根据所述向量确定目标值,其中所述目标值表示所述多个传感器的期望效能;
基于所述目标值确定所述多个传感器的所述期望效能的所述多个允许范围;以及
将所述参考指纹定义为所述目标值及所述多个允许范围。
12.一种包括指令的非瞬态计算机可读储存媒介,当所述指令由处理装置执行时,使所述处理装置执行包含以下操作的操作:
由所述处理装置使用参考数据及根据所述参考数据确定的多个最近邻值为运行配方的第一工具建立参考指纹,所述参考数据与在与运行所述配方相关联的参数之内执行的所述第一工具相关,所述参考指纹包含目标基线及基于所述目标基线的多个允许范围;
通过计算与运行所述配方的第二工具相关联的样本数据的一部分与所述参考指纹的所述目标基线的相应部分之间的距离,确定所述样本数据是否在所述参考指纹之内,所述第二工具为所述第一工具或与所述第一工具相同类型的另一工具,并且所述样本数据对应于来自运行所述配方的所述第二工具的多个传感器的数据;
基于所计算的所述距离和基于所述目标基线的所述多个允许范围向***或用户中的至少之一提供所述第二工具的分类,所述分类指示所述第二工具是否在所述参考指纹之内执行;
响应于指示所述第二工具未在所述参考指纹之内执行的所述分类,从所述第二工具的所述多个传感器识别促成计算的所述距离与所述多个允许范围的偏差的传感器和在所识别的传感器促成所述偏差时运行所述配方的所述第二工具的工艺步骤;以及
使用所述分类和所述传感器的所述识别来为所述第二工具提供维护。
13.如权利要求12所述的非瞬态计算机可读储存媒介,所述操作进一步包含:
识别所述样本数据与所述参考指纹之间的一或更多个偏差;
基于所述一或更多个偏差确定所述第二工具未在所述参数之内执行;以及
提供额外数据以识别所述第二工具未在所述参数之内执行的原因。
14.如权利要求12所述的非瞬态计算机可读储存媒介,其中当所述样本数据在所述参考指纹之内时,所述分类为正常;当所述样本数据不在所述参考指纹之内时,所述分类为异常。
15.如权利要求12所述的非瞬态计算机可读储存媒介,其中建立所述参考指纹包含:
使用所述参考数据产生所述多个最近邻值的向量,其中所述向量指示用于所述配方的、所述第一工具的多个传感器的效能;
根据所述向量确定目标值,其中所述目标值表示所述多个传感器的期望效能;
基于所述目标值确定所述多个传感器的所述期望效能的所述多个允许范围;以及
将所述参考指纹定义为所述目标值及所述多个允许范围。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/974,915 US9910430B2 (en) | 2013-08-23 | 2013-08-23 | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
US13/974,915 | 2013-08-23 | ||
PCT/US2014/052088 WO2015027063A1 (en) | 2013-08-23 | 2014-08-21 | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105518654A CN105518654A (zh) | 2016-04-20 |
CN105518654B true CN105518654B (zh) | 2019-03-15 |
Family
ID=52481070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480048641.2A Active CN105518654B (zh) | 2013-08-23 | 2014-08-21 | 对工具处理数据提供多变量分析的基于k最近邻法与*** |
Country Status (8)
Country | Link |
---|---|
US (1) | US9910430B2 (zh) |
EP (1) | EP3036655A4 (zh) |
JP (1) | JP6629204B2 (zh) |
KR (1) | KR102236931B1 (zh) |
CN (1) | CN105518654B (zh) |
SG (1) | SG11201601107WA (zh) |
TW (1) | TWI628553B (zh) |
WO (1) | WO2015027063A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9910430B2 (en) | 2013-08-23 | 2018-03-06 | Applied Materials, Inc. | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
US10360249B2 (en) * | 2015-04-10 | 2019-07-23 | Trendminder N.V. | System and method for creation and detection of process fingerprints for monitoring in a process plant |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
WO2018202361A1 (en) | 2017-05-05 | 2018-11-08 | Asml Netherlands B.V. | Method to predict yield of a device manufacturing process |
CN108393744B (zh) * | 2018-04-11 | 2023-07-18 | 嘉兴南湖学院 | 一种刀具状态多传感监测方法 |
US11486927B2 (en) | 2020-04-02 | 2022-11-01 | Applied Materials, Inc. | Bode fingerprinting for characterizations and failure detections in processing chamber |
EP3995920A1 (en) * | 2020-11-10 | 2022-05-11 | ABB Schweiz AG | Event analytics in modular industrial plants |
CN113190792B (zh) * | 2021-04-18 | 2023-10-24 | 宁波大学科学技术学院 | 一种基于近邻局部异常因子的乙烯裂解炉运行状态监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7043403B1 (en) * | 2002-09-04 | 2006-05-09 | Advanced Micro Devices, Inc. | Fault detection and classification based on calculating distances between data points |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2402280C (en) * | 2000-03-10 | 2008-12-02 | Cyrano Sciences, Inc. | Control for an industrial process using one or more multidimensional variables |
US6895293B2 (en) * | 2000-09-14 | 2005-05-17 | Applied Materials, Inc. | Fault detection and virtual sensor methods for tool fault monitoring |
US6650955B1 (en) | 2001-12-18 | 2003-11-18 | Advanced Micro Devices, Inc. | Method and apparatus for determining a sampling plan based on process and equipment fingerprinting |
US20050286753A1 (en) * | 2004-06-25 | 2005-12-29 | Triant Technologies Inc. | Automated inspection systems and methods |
WO2006021251A1 (en) * | 2004-08-26 | 2006-03-02 | Scientific Systems Research Limited | A method for transferring process control models between plasma procesing chambers |
US20060180570A1 (en) * | 2005-02-14 | 2006-08-17 | Mahoney Leonard J | Application of in-situ plasma measurements to performance and control of a plasma processing system |
US7477960B2 (en) | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
US7355711B2 (en) * | 2005-07-01 | 2008-04-08 | Kla-Tencor Technologies Corporation | Method for detecting an end-point for polishing a material |
US7587296B2 (en) * | 2006-05-07 | 2009-09-08 | Applied Materials, Inc. | Adaptive multivariate fault detection |
US7813895B2 (en) | 2007-07-27 | 2010-10-12 | Applied Materials, Inc. | Methods for plasma matching between different chambers and plasma stability monitoring and control |
US8145444B1 (en) * | 2007-11-30 | 2012-03-27 | Intellectual Assets Llc | Asset surveillance system and method comprising self-calibrating fault detection |
DE102008021558A1 (de) | 2008-04-30 | 2009-11-12 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren und System für die Halbleiterprozesssteuerung und Überwachung unter Verwendung von PCA-Modellen mit reduzierter Grösse |
DE102009006887B3 (de) * | 2009-01-30 | 2010-07-15 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes |
US9910430B2 (en) | 2013-08-23 | 2018-03-06 | Applied Materials, Inc. | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
-
2013
- 2013-08-23 US US13/974,915 patent/US9910430B2/en active Active
-
2014
- 2014-08-21 SG SG11201601107WA patent/SG11201601107WA/en unknown
- 2014-08-21 EP EP14838723.6A patent/EP3036655A4/en not_active Withdrawn
- 2014-08-21 JP JP2016536451A patent/JP6629204B2/ja active Active
- 2014-08-21 WO PCT/US2014/052088 patent/WO2015027063A1/en active Application Filing
- 2014-08-21 TW TW103128840A patent/TWI628553B/zh active
- 2014-08-21 CN CN201480048641.2A patent/CN105518654B/zh active Active
- 2014-08-21 KR KR1020167007565A patent/KR102236931B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7043403B1 (en) * | 2002-09-04 | 2006-05-09 | Advanced Micro Devices, Inc. | Fault detection and classification based on calculating distances between data points |
Non-Patent Citations (2)
Title |
---|
"Fault Detection Using the k-Nearest Neighbor Rule for Semiconductor Manufacturing Processes";Q.Peter et al;《IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING》;20071130;第20卷(第4期);345-354 |
"基于K均值聚类与k近邻的故障检测方法研究";徐涛 等;《通化师范学院学报(自然科学)》;20130630;第34卷(第3期);38-40 |
Also Published As
Publication number | Publication date |
---|---|
TW201523311A (zh) | 2015-06-16 |
JP2016528655A (ja) | 2016-09-15 |
EP3036655A1 (en) | 2016-06-29 |
TWI628553B (zh) | 2018-07-01 |
EP3036655A4 (en) | 2017-05-03 |
US9910430B2 (en) | 2018-03-06 |
KR102236931B1 (ko) | 2021-04-05 |
SG11201601107WA (en) | 2016-03-30 |
WO2015027063A1 (en) | 2015-02-26 |
CN105518654A (zh) | 2016-04-20 |
KR20160045866A (ko) | 2016-04-27 |
US20150057788A1 (en) | 2015-02-26 |
JP6629204B2 (ja) | 2020-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105518654B (zh) | 对工具处理数据提供多变量分析的基于k最近邻法与*** | |
Hsu et al. | Arrow: Low-level augmented bayesian optimization for finding the best cloud vm | |
US10572512B2 (en) | Detection method and information processing device | |
US7107187B1 (en) | Method for modeling system performance | |
US20230033680A1 (en) | Communication Network Performance and Fault Analysis Using Learning Models with Model Interpretation | |
Cinaglia et al. | Network alignment and motif discovery in dynamic networks | |
Haridy et al. | An optimisation design of the combined np-CUSUM scheme for attributes | |
JP6995909B2 (ja) | 1以上のプロセスを監視しセンサデータを提供する複数のセンサを含むシステムのための方法 | |
CN117094599A (zh) | 基于机器学习的生产质量管理方法、装置和计算机设备 | |
EP4227855A1 (en) | Graph explainable artificial intelligence correlation | |
Yu et al. | Stable structural clustering in uncertain graphs | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
Hsu et al. | Low-level augmented bayesian optimization for finding the best cloud vm | |
US10901407B2 (en) | Semiconductor device search and classification | |
CN115665783A (zh) | 一种异常指标溯源方法、装置、电子设备及存储介质 | |
EP3580676A1 (en) | Sample-based multidimensional data cloning | |
Xie et al. | True sparse PCA for reducing the number of essential sensors in virtual metrology | |
WO2018092317A1 (ja) | 選択装置、選択方法、および選択プログラム | |
CN114020971A (zh) | 一种异常数据检测方法及装置 | |
Haq et al. | TransNAS-TSAD: harnessing transformers for multi-objective neural architecture search in time series anomaly detection | |
Chikhalia et al. | Security of industrial cyberspace: Fair clustering with linear time approximation | |
Taha | An effective approach for identifying defective critical fabrication path | |
JP2018190125A (ja) | 抽出装置、分析システム、抽出方法及び抽出プログラム | |
JPWO2019142344A1 (ja) | 分析装置、分析方法、及び、プログラム | |
Pandey et al. | Software Fault Prediction Using Ensemble Techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |