CN107923731B - 工具故障分析***和方法 - Google Patents
工具故障分析***和方法 Download PDFInfo
- Publication number
- CN107923731B CN107923731B CN201680047766.2A CN201680047766A CN107923731B CN 107923731 B CN107923731 B CN 107923731B CN 201680047766 A CN201680047766 A CN 201680047766A CN 107923731 B CN107923731 B CN 107923731B
- Authority
- CN
- China
- Prior art keywords
- tool
- signature
- signature vector
- component
- data set
- 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
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37242—Tool signature, compare pattern with detected signal
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37245—Breakage tool, failure
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提出了利于与制造工艺相关联的工具故障分析的***和技术。监测组件基于由与一个或更多个制造工具相关联的一组传感器生成的传感器数据来确定与所述一个或更多个制造工具相关联的候选工具故障。签名组件基于与一个或更多个制造工具相关联的数据来生成候选工具故障的签名数据集。比较组件基于签名数据集和与至少一个之前确定的工具故障相关联的至少一个其他签名数据集来将候选工具故障与至少一个之前确定的工具故障进行比较。
Description
相关申请的交叉引用
本申请要求2015年7月22日提交的并且题为“TOOL FAILURE ANALYSIS USINGSPACE-DISTORTED SIMILARITY”的序列号14/805,793的美国申请的优先权,该申请的全部内容通过引用并入本文。
技术领域
描述和要求保护的主题总体涉及与制造工艺相关联的工具故障分析。
背景技术
技术进步导致日益复杂的工艺驱动的自动化设备。实现特定目标或执行特定的高度技术性工艺的工具***通常可以包含:多个功能元件,用于达成目标或成功执行工艺;以及各种传感器,其收集数据以监测设备的操作。这样的自动化设备可以生成大容量数据。数据可以包括与作为特定任务的一部分执行的产品或服务有关的信息和/或与工艺有关的相当大的日志信息。例如,处理数据和/或度量数据可以在制造工艺期间被收集和/或存储在一个或更多个数据集中。
虽然现代电子存储技术能够承受保持不断增加的数据量,但是累积数据的利用仍然远未达到最佳状态。收集到的信息的检查和解释通常需要人为干预。例如,半导体制造工具上的工艺可以运行十七个小时(例如61,200秒)。在处理期间,半导体制造工具可以经由例如几百个传感器每秒输出传感器测量。因此,接下来在工艺开发和/或故障排除活动期间必须(例如由工艺工程师)手动研究包括输出传感器测量的大数据集。然而,使用人为干预(例如基于包括输出传感器测量的大数据集)来确定与工具***有关的新出现的工具故障是困难的。
当今的制造***的上述缺陷仅仅是为了提供常规***的一些问题的概述,而不旨在是穷尽性的。当阅读以下描述时,常规***的其他问题以及本文所描述的各个非限制性实施方式的相应优点会变得更明显。
发明内容
以下提供了本说明书的简化的发明内容,以便提供对本说明书的一些方面的基本理解。该发明内容不是对本说明书的广泛概述。其目的既不在于识别说明书的关键或重要元素,也不是描述说明书的特定实现方式的任何范围或权利要求的任何范围。其唯一目的是以简化的形式提出说明书的一些概念,作为稍后呈现的更详细描述的序言。
根据实现方式,***包括监测组件、签名组件和比较组件。监测组件基于由与一个或更多个制造工具相关联的一组传感器生成的传感器数据来确定与所述一个或更多个制造工具相关联的候选工具故障。签名组件基于与一个或更多个制造工具相关联的数据来生成候选工具故障的签名数据集。比较组件基于签名数据集和与至少一个之前确定的工具故障相关联的至少一个其他签名数据集将候选工具故障与至少一个之前确定的工具故障进行比较。
根据另一实现方式,方法提供用于:基于由与一个或更多个制造工具相关联的一组传感器生成的传感器数据来识别与所述一个或更多个制造工具相关联的候选工具故障;基于传感器数据和与一个或更多个制造工具相关联的其他数据来生成候选工具故障的签名数据集;以及将签名数据集和与至少一个工具故障相关联的至少一个其他签名数据集进行比较。
根据又一实现方式,一种存储有计算机可执行指令的计算机可读介质,所述计算机可执行指令响应于被包括处理器的***执行使得***执行操作,所述操作包括:确定与一个或更多个制造工具相关联的候选工具故障;基于与一个或更多个制造工具相关联的数据来生成候选工具故障的签名数据集;以及将签名数据集和与至少一个之前确定的工具故障相关联的至少一个其他签名数据集进行比较。
以下描述和附图阐述了说明书的某些说明性方面。这些方面是指示性的,然而只是可以采用本说明书的原理的各种方式中的一小部分。根据以下在结合附图考虑的情况下对说明书的详细描述,本说明书的其他优点和新的特征将变得明显。
附图说明
图1是示出了根据本文描述的各个方面和实现方式的利于与制造工艺有关的工具故障分析的示例性***的框图;
图2是示出了根据本文描述的各个方面和实现方式的示例性工具故障分析组件的框图;
图3是示出了根据本文描述的各个方面和实现方式的另一示例性工具故障分析组件的框图;
图4是示出了根据本文描述的各个方面和实现方式的又一示例性工具故障分析组件的框图;
图5示出了根据本文描述的各个方面和实现方式的又一示例性工具故障分析组件;
图6示出了根据本文描述的各个方面和实施方式的用于确定两个签名之间的距离(例如相似度)的示例性***;
图7示出了根据本文描述的各个方面和实施方式的用于基于限定的距离来更新变换的示例性***;
图8是根据本文描述的各个方面和实施方式的利于确定工具故障的示例方法的流程图;
图9是根据本文描述的各个方面和实施方式的用于识别工具故障的示例方法的流程图;
图10是根据本文描述的各个方面和实施方式的用于在数据库中查询与给定缺陷类似的缺陷的示例性方法的流程图;
图11是示出适当操作环境的示意性框图;以及
图12是样本计算环境的示意性框图。
具体实施方式
现在参照附图描述本公开内容的各个方面,其中,贯穿全文,相同的附图标记用于表示相同的元件。在以下描述中,为了解释的目的,阐述了许多特定细节,以便提供对一个或更多个方面的透彻理解。然而,应理解,可以在不具有这些特定细节的情况下或以其他方法、组件、材料等实现本公开内容的某些方面。在其他实例中,以框图形式示出了公知结构和装置,以利于描述一个或更多个方面。
技术进步导致日益复杂的工艺驱动的自动化设备。实现特定目标或执行特定的高度技术性工艺的工具***通常可以包含:多个功能元件,用于达成目标或成功执行工艺;以及各种传感器,其收集数据以监测设备的操作。这样的自动化设备可以生成大容量数据。数据可以包括与作为特定任务的一部分执行的产品或服务有关的信息和/或与工艺有关的相当大的日志信息。例如,处理数据和/或度量数据可以在制造工艺期间被收集和/或存储在一个或更多个数据集中。
虽然现代电子存储技术能够承受保持不断增加的数据量,但是累积数据的利用仍然远未达到最佳状态。收集到的信息的检查和解释通常需要人为干预。例如,半导体制造工具上的工艺可以运行十七个小时(例如61,200秒)。在处理期间,半导体制造工具可以经由例如几百个传感器每秒输出传感器测量。因此,接下来在工艺开发和/或故障排除活动期间必须(例如由工艺工程师)手动研究包括输出传感器测量的大数据集。然而,使用人为干预(例如基于包括输出传感器测量的大数据集)来确定与工具***有关的新出现的工具故障是困难的。
为此,公开了用于分析处理数据(例如制造处理数据)以确定、预测和/或防止与制造工艺有关的工具故障的技术。可以使用由一组数字和/或可量化的属性表征的空间扭曲的相似度测量来确定(例如学习、识别、预测、防止等)新出现的工具故障(例如部件故障)。通过采用空间扭曲的相似度度量,可以确定多个制造工具(例如半导体制造工具)的各种工具故障。此外,空间扭曲的相似度测量可以用于以下应用:根据工具故障的属性对相似度的限定不是先验已知的,而是基于有限量的训练数据学习的(例如当仅有限数目的训练示例存在时)。
在一方面,每个工具故障可以与被实现为签名的属性值的n维矢量相关联。例如,可以将不同故障的相关统计表示为信息的签名。可以通过各种统计工艺控制和/或计算与(一个或多个)制造工具相关联的(一个或多个)期望值和(一个或多个)观测值之间的差的其他技术来获得签名。在某些情况下,期望值和观察值之间的差的序列可以与签名相关联。类似的故障(例如类似故障的学习的结果)可以通过在n维空间中进行的签名变换来表示。两个不同工具故障之间的距离可以由变换的签名的距离来确定。在示例中,变换的签名的距离可以是n维欧氏(Euclidian)空间中的距离。如果相应的欧氏距离在变换空间中小于特定阈值(例如为小),则可以认为两个故障类似。可以基于与至少一个制造工艺(例如一个或更多个制造工具)相关联的处理数据来生成签名。另外,可以使用训练输入(例如用户输入)来校正所计算的相似度和/或修改用于确定相似度的变换函数(例如通过指定被确定为相似的故障是相异的、通过指定被确定为相异的故障是相似的、通过基于观测的故障来修改所计算的相似度等)。基于处理数据和/或训练数据,可以随的时间不断提高签名的准确度。
首先参照图1,图1示出了根据本公开的方面的用于分析处理数据以确定、预测和/或防止与制造工艺(例如生产工艺、半导体生产、半导体制造工具等)有关的工具故障的示例***100。***100可以包括(一个或多个)制造工具110、分光镜120、工具传感器130、装置测量设备140、分类设备150、工具故障分析组件160和/或(一个或多个)数据库170。(一个或多个)制造工具110可以包括用于制造(例如生产等)的一个或更多个工具和/或一个或更多个腔。在一方面,(一个或多个)制造工具110可以与半导体制造***相关联。例如,如图1所示,(一个或多个)制造工具110可以接收输入晶片102并输出经处理的晶片104。然而,要认识到,(一个或多个)制造工具110可以接收和/或生成不同类型的资产(例如不同的处理单元)。在示例性的非限制性实施方式中,(一个或多个)制造工具110可以是蚀刻工具,其通过蚀刻工艺(例如湿法蚀刻、干法蚀刻、等离子体蚀刻等)从输入晶片102去除未掩蔽的材料以生成具有腔和形成在腔上的特征的经处理的晶片104。(一个或多个)制造工具110还可以是沉积工具(例如原子层沉积、化学气相沉积等),其将材料沉积到输入晶片102上以产生经处理的晶片104。然而,要认识到,(一个或多个)制造工具110可以与不同类型的制造***相关联。
诸如分光镜120、工具传感器130、装置测量设备140和/或分类设备150的各种测量装置可以监测由(一个或多个)制造工具110执行的一个或更多个工艺以获取与工艺的各个方面、条件和/或结果有关的不同信息。作为示例,分光镜120可以获取光谱数据(例如光谱强度信息)。光谱数据可以包括用于通过分光镜120可观察的各个波长或谱线的一组强度。另外,光谱数据可以包括时间序列数据,使得分光镜120以规则间隔(例如每秒、每两秒、每100毫秒等)测量各个波长的强度。分光镜120也可以将光谱数据和与(一个或多个)制造工具110处理的特定晶片相关联的晶片ID进行关联。因此,分光镜120可以针对由(一个或多个)制造工具110处理的每个晶片单独地获取光谱数据。
工具传感器130可以在(一个或多个)制造工具110处理输入晶片102的同时,监测和/或测量工具操作特性。此外,工具传感器130可以生成相应的传感器测量数据。与由分光镜120测量的光谱数据类似,传感器测量数据可以是基于每个晶片进行关联的时间序列数据。传感器测量数据可以包括来自各个传感器的测量。这样的测量可以包括但不限于(一个或多个)制造工具110的一个或更多个腔内的压力、用于一种或更多种不同气体的气体流量、温度、上射频(RF)功率、与工艺相关联的经过时间(例如自从上次湿洗以来的经过时间等)等等。在一方面,传感器测量数据可以与物理量相关联。在另一方面,传感器测量数据可以与虚拟量相关联。
装置测量设备140可以生成装置测量数据。例如,装置测量设备140可以测量晶片和/或制造在晶片上的特征的物理和几何性质。例如,装置测量设备140可以在晶片的预定位置或区域处测量显影检查关键尺寸(DI-CD)、最终检查关键尺寸(FI-CD)、蚀刻偏压、厚度等等。测量的属性可以以每个位置、每个晶片为基础聚合,并且输出作为装置测量信息。通常,在处理之前或处理之后测量晶片的性质。因此,与光谱数据和传感器数据相比,装置测量数据可以是以不同间隔获取的时间序列数据。
分类设备150可以被实现成获取和/或生成用于对(一个或多个)制造工具110和/或经处理的晶片104进行分类的数据。例如,分类设备150可以被实现成获取和/或生成与(一个或多个)制造工具110相关联的维护数据。另外或替选地,分类设备150可以被实现成获取和/或生成与经处理的晶片104相关联的分类数据。维护数据可以包括但不限于自上次预防性维护以来的经过时间、与(一个或多个)制造工具110相关联的一个或更多个组件的寿命(例如工具部件的寿命、与组件相关联的生产时间等)等等。
工具故障分析组件160可以接收由分光镜120、工具传感器130、装置测量设备140和/或分类设备150获取和/或生成的处理数据(和/或训练数据)。工具故障分析组件160可以在生成处理数据时(例如在在线模式期间)接收处理数据。另外或替选地,工具故障分析组件160可以在与(一个或多个)制造工具110相关联的一个或更多个工艺完成时接收处理数据。在一个实现中,处理数据可以合并到数据矩阵中。例如,数据矩阵可以包括晶片识别数据、时间数据、传感器测量数据、光谱数据和/或其他数据。数据矩阵(例如新的数据矩阵)可以递增地生成以启动新的学习周期。
在一方面,工具故障分析组件160可以对处理数据进行归一化。例如,工具故障分析组件160可以对处理数据进行归一化以解决与(一个或多个)制造工具110相关联的误差。工具故障分析组件160可以归一化光谱数据(例如测量强度)以处理(一个或多个)制造工具110中所包括的不同工具和/或腔中的光谱线的强度的测量误差。在非限制性示例中,工具故障分析组件160可以计算与(一个或多个)制造工具110中所包括的任意选择的参考腔或参考工具相关联的变量(例如总的光强度),以对处理数据进行归一化。
在一种或更多种实施方式中,可以从工具处理日志得出工艺数据,工具处理日志记录在(一个或多个)制造工具110各次运行期间测量的参数数据和/或性能数据。工具处理日志可以包括来自分光镜120、工具传感器130、装置测量设备140和/或分类设备150的测量数据。记录在这样的工具处理日志中的测量可以包括但不限于传感器读数(例如压力、温度、功率等),与维护有关的读数(例如聚焦环寿命、质量流量控制器寿命、自从最后一次执行维护以来的时间、自从最后一批抗蚀剂被加载以来的时间等),和/或工具和性能统计(例如处理晶片的时间、化学品消耗、气体消耗等)。
在示例性场景中,工具处理日志可以由工具故障分析组件160在(一个或多个)制造工具110的每个工艺运行结束时生成。在工艺运行结束时,可以将来自分光镜120、工具传感器130、装置测量设备140或分类设备150中的一个或多个的数据提供给工具故障分析组件160,工具故障分析组件160可以将所收集的数据聚集在用于该运行的工具处理日志中。工具处理日志可以对应于在运行期间处理的单个半导体晶片或在运行期间制造的一批半导体。然后,可以存储工具处理日志以用于报告或存档目的。在一方面,可以通过工具故障分析组件160或相关装置自动提供处理数据。在另一方面,可以通过操作者手动地将处理数据提供给工具故障分析组件160。虽然前述示例描述了从工具处理日志中检索或提取处理数据,但是应该理解,还可以通过其他方式将处理数据提供给工具故障分析组件160。例如,在一些实施方式中,可以从装置120、130、140和/或150将处理数据的全部或子集直接提供给工具故障分析组件160。
工具故障分析组件160可以分析与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的处理数据以确定(例如学习、识别、预测、防止等)与(一个或多个)制造工具110相关联的(一个或多个)工具故障。另外,工具故障分析组件160可以基于包括在(一个或多个)数据库170中的数据来确定(例如学习、识别、预测、防止等)与(一个或多个)制造工具110相关联的(一个或多个)工具故障。工具故障(例如部件故障、感兴趣的缺陷(artifact)等)可以是与一个或更多个制造工艺和/或一个或更多个制造工具(例如(一个或多个)制造工具110)相关联的工具故障。工具故障可以与以下各项相关联:与(一个或多个)制造工具110相关联的非计划中断;与(一个或多个)制造工具110相关联的设定点和/或规格的变化;硬工具故障;软工具故障;校准误差;工具磨损;工具损坏;工具故障;工具停工时间;另一工具故障等等。制造工具110的至少一部分可能与工具故障相关联。此外,一个或更多个制造工具110可以与工具故障相关联。包括在(一个或多个)数据库170中的数据可以和与(一个或多个)制造工具110有关的至少之前确定的(一个或多个)工具故障相关联。
可以使用工具故障分析组件160将处理数据(例如与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的处理数据)与包括在(一个或多个)数据库170中的数据进行比较。处理数据与包括在(一个或多个)数据库170中的数据的比较可以利于确定(例如学习和/或识别)与(一个或多个)制造工具110相关联的(一个或多个)工具故障。例如,处理数据(例如与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的处理数据)与包括在(一个或多个)数据库170中的数据之间的相似度的空间扭曲测量可以由工具故障分析组件160来确定。工具故障分析组件160还可以利于工具故障分析、故障(fault)故障诊断和/或工具故障预防,以例如限制工具故障的影响和/或在即将发生的工具故障之前识别工具故障。
在一方面,工具故障分析组件160可以生成和/或使用汇总(一个或多个)制造工具110的处理数据的签名(例如签名数据集、签名矢量等)。可以将签名(例如签名数据集、签名矢量等)与工具故障(例如候选工具故障、确定的工具故障、之前确定的工具故障等)相关联。例如,工具故障分析组件160可以确定与(一个或多个)制造工具110相关联的候选工具故障。响应于确定候选工具故障,工具故障分析组件160可以另外生成候选工具故障的签名。工具故障分析组件160也可以响应于确定候选工具故障是工具故障,将候选工具故障的签名存储在(一个或多个)数据库170中。因此,可以将与之前确定的工具故障相关联的一组签名存储在(一个或多个)数据库170中。
签名可以捕获制造工具110的状态(例如(一个或多个)制造工具110在工具故障期间的状态)。例如,签名可以是与制造工具110的处理数据相关联的属性值的n维矢量。签名还可以与不同故障的相关统计相关联。签名可以包括和/或与用于(一个或多个)制造工具110的一个或更多个处理日志、计量测量、部件寿命、维护数据、传感器数据、其他处理数据等相关联。在一个示例中,工具故障的签名可以是传感器验证(例如每个传感器偏离对应的期望值的量)和/或其他处理数据的矢量。与签名相关联的数据可以对应于在工具故障之前捕获和/或生成的数据。工具故障分析组件160可以使用统计工艺控制和/或一个或更多个其他技术来生成签名。此外,工具故障分析组件160可以基于处理数据的(一个或多个)期望值与处理数据的(一个或多个)观测值来计算差,以利于签名的生成。例如,签名可以是处理数据的期望值与处理数据的观测值之间的差的序列。在非限制性实现方式中,工具故障分析组件160可以经由至少一组传感器(例如工具传感器130)监测与(一个或多个)制造工具110相关联的半导体制造工艺(例如半导体生产工艺)。可以例如通过统计工艺控制技术和/或一个或更多个其他验证技术来验证传感器值。通过验证检测到的违反预期的传感器行为可以启动用于半导体制造工艺的签名的生成。
在特定实现中,工具故障分析组件160可以对签名的分量进行归一化,例如使得签名的数据值在0和1之间。工具故障分析组件160可以通过变换值对签名的数据值进行归一化。相应地,通过对签名的数据值(例如经由变换值)进行归一化,签名的所有数据值(例如签名数据集的所有属性)可以在初始相似度计算(例如默认相似度计算)中具有相等的权重。签名的多个归一化实例可以包括单个签名。在示例中,签名可以是批次中的每个经处理的晶片104的实例签名的串接(concatenation)。在另一示例中,签名可以是在与(一个或多个)制造工具110相关联的工具故障(例如加热器故障)之前的特定时间帧(例如30秒)中的每一秒的实例签名的串接。在一方面,工具故障分析组件160可以响应于用户输入(例如在训练模式期间)生成签名。例如,可以由用户来标识工具故障和/或签名(例如工具故障)之间的相似度。在一个示例中,工具故障分析组件160可以生成用于由用户标识的工具故障的签名。
工具故障分析组件160还可以接收训练数据(例如用户输入数据)以利于训练模式。训练模式的训练实例可以与第一工具故障、第二工具故障、与第一工具故障相关联的第一签名、与第二工具故障相关联的第二签名以及由外部代理(例如用户)确定的相似度或客观标准(例如在存在特定工具故障的情况下由(一个或多个)制造工具110生成的输出的状态)相关联。因此,可以使用训练数据(例如用户输入数据)来提高和/或校正由工具故障分析组件160确定的比较结果(例如相似度)。在特定实现中,工具故障分析组件160可以采用单独的训练阶段和查询阶段。例如,工具故障分析组件160可以首先使用多个训练实例来进行训练。然后,在单独的阶段中,可以使用学习的转换来查询相似度。在其他实现中,训练操作和查询操作可以交错进行。
工具故障分析组件160可以将与候选工具故障相关联的签名与存储在(一个或多个)数据库170中的一组签名进行比较。存储在(一个或多个)数据库170中的一组签名可以与之前确定的工具故障相关联。响应于确定与(一个或多个)制造工具110有关的候选工具故障相关联的签名与存储在(一个或多个)数据库170中的签名类似(例如与候选工具故障相关联的签名和存储在(一个或多个)数据库170中的签名之间的差小于特定阈值),可以认为该候选工具故障是工具故障(例如工具故障实例)。可以将工具故障实例和/或与工具故障实例相关联的信息存储在(一个或多个)数据库170中。(一个或多个)数据库170可以存储例如一组签名和/或每个工具故障实例的存储的变换。在一方面,一组签名可以被存储在(一个或多个)数据库170的第一数据库中,并且一组变换值可以被存储在(一个或多个)数据库170的第二数据库中。工具故障分析组件160可以进一步将诊断测试和/或建议的修理与观测到的工具故障相关联。新的工具故障实例可以由工具故障分析组件160使用,以确定相似的过去故障(例如以将工艺工程师引向用于修复工具故障的解决方案)。此外,可以通过基于诊断或修理的结果指定新故障与过去故障的相似度或相异度来训练工具故障分析组件160。因此,可以使用工具故障分析组件160来建立与制造操作(例如生产操作)相关联的实际故障发生的知识、由签名捕获的工具的状态的知识和/或与验证和/或修复工具故障所需要的相关修理程序的知识。
工具故障分析组件160可以查询(一个或多个)数据库170以利于确定、预测和/或防止与(一个或多个)制造工具110相关联的工具故障。工具故障分析组件160可以响应于确定生成了签名而实时连续地查询(一个或多个)数据库170(例如以向用户通知工具故障即将发生的情况)。工具故障分析组件160可以确定候选工具故障(例如与(一个或多个)制造工具110相关联的新的候选工具故障)与存储在(一个或多个)数据库170中的工具故障之间的相似度(例如距离)。在特定实现中,工具故障分析组件160可以在计算候选工具故障与存储在(一个或多个)数据库170中的工具故障之间的距离之前,对候选工具故障和/或存储在(一个或多个)数据库170中的工具故障进行变换。在其他实现中,工具故障分析组件160可以生成和/或输出基于与特定工具故障的相似度配置的工具故障的排名列表。
在非限制性示例中,当第一零件-A发生故障时,工具故障分析组件160可以记录处理数据(例如工具数据、相关的处理数据的汇总等),标记与第一零件A相关联的故障(例如零件A故障),和/或将修理程序与用于工具故障的标签相关联以修理工具故障(例如修理工具故障的步骤、用于验证修理的工具故障的测试等)。工具故障分析组件160可以另外存储与和第一零件A相关联的工具故障相关联的标签、签名和/或修理信息。此外,工具故障分析组件160可以输出与上一次签名或所选择的签名(例如由工具故障分析组件160接收的和/或从(一个或多个)数据库170选择的选择签名)相似的故障的列表。响应于确定第一零件A的第二实例发生故障,工具故障分析组件160可以记录其他处理数据(例如工具数据的另一汇总等),标记与第一零件A相关联的另一工具故障,并且将修理程序(例如与用于修理第一零件A的第一工具故障的修理程序对应的修理程序)与另一工具故障的标签进行关联。工具故障分析组件160可以确定与第一零件A相关联的工具故障是否和与第一零件A相关联的其他工具故障类似(例如,工具故障分析组件160可以扭曲n维空间,以使得与第一零件A相关联的工具故障的两个实例在变换的n维空间中靠近在一起)。响应于确定第二零件B首次发生故障,工具故障分析组件160可以确定用于第二零件B的签名、标签和修理程序。工具故障分析组件160还可以确定与第二零件B相关联的工具故障是否与其他故障类似,和/或与第二零件B相关联的工具故障是否与在工具故障的列表中观测到的其他故障不类似。
工具故障分析组件160可以生成输出数据(例如图1所示的输出数据)。由工具故障分析组件160生成的输出数据可以包括但不限于工具故障分析数据、候选工具故障、确定的工具故障、工具故障的排名列表、修理程序和/或与(一个或多个)制造工具110和/或(一个或多个)数据库170相关联的其他输出数据。在一方面,由工具故障分析组件160生成的输出数据可以被存储在(一个或多个)数据库170和/或(一个或多个)其他数据库中。在另一方面,可以将由工具故障分析组件160生成的输出数据显示(例如呈现)在用户装置上,所述用户装置例如但不限于图形用户接口、工作站装置、桌面计算机、膝上型计算机、平板计算机、智能电话或其他类型的用户装置。接收由工具故障分析组件160生成的输出数据的用户装置可以与(一个或多个)处理器相关联,处理器可以与键盘、鼠标、显示监视器、触摸屏和/或其他这样的接口装置进行交互。要理解的是,接收由工具故障分析组件160生成的输出数据的用户装置可以被配置成接收输出数据和/或以任何适当的格式(例如视觉、音频、触觉等)向用户呈现输出数据。
图2示出了根据本公开内容的各个方面和实现方式的***200的非限制性实现。***200包括工具故障分析组件160。工具故障分析组件160可以包括监测组件202、签名组件204和/或比较组件206。在本文中公开的***200和/或其他***的各方面可以构成实施在(一个或多个)机器内例如实施在与一个或更多个机器相关联的一个或更多个计算机可读介质(或介质)中的(一个或多个)机器可读组件。这样的组件当由一个或更多个机器例如(一个或多个)计算机、(一个或多个)计算装置、(一个或多个)虚拟机等执行时可以使得(一个或多个)机器执行所描述的操作。在实施方式中,***200可以包括用于存储计算机可执行组件和指令的存储器210。***200还可以包括处理器208,以利于***200对指令(例如计算机可执行组件和指令)的操作。
监测组件202可以接收和/或监测与(一个或多个)制造工具110相关联的处理数据(例如图2所示的处理数据)。处理数据可以由分光镜120、工具传感器130、装置测量设备140和/或分类设备150来获得和/或生成。在实现中,可以将至少一部分处理数据与工具处理日志进行关联。基于至少一部分处理数据,监测组件202可以确定(例如识别)与制造工具110相关联的候选工具故障。例如,监测组件202可以基于由与(一个或多个)制造工具110相关联的一组传感器生成的传感器数据(例如与工具传感器130相关联的传感器数据)来确定与(一个或多个)制造工具110相关联的候选工具故障。另外或替选地,监测组件202可以基于与分光镜120、装置测量设备140和/或分类设备150相关联的数据来确定与(一个或多个)制造工具110相关联的候选工具故障。监测组件202可以确定处理数据(例如与处理数据相关联的观测值)是否偏离期望值(例如设置点值、规格值、工艺要求、期望行为等)。在一方面,针对处理数据,监测组件202可以使用统计工艺控制和/或另一监测技术。
签名组件204可以基于与(一个或多个)制造工具110相关联的数据(例如与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的数据)来生成候选工具故障的签名数据集(例如签名)。签名组件204可以响应于由监测组件202确定(例如识别)的候选工具故障,生成签名数据集。由签名组件204使用以生成签名数据集的数据可以包括由与(一个或多个)制造工具110相关联的一组传感器生成的传感器数据(例如与工具传感器130相关联的传感器数据)。另外或替代地,由签名组件204使用以生成签名数据集的数据可以包括与(一个或多个)制造工具110相关联的其他数据(例如另一部分处理数据)。例如,另外或替选地,签名组件204可以基于与分光镜120、装置测量设备140和/或分类设备150相关联的数据来生成与候选工具故障相关联的签名数据集。
签名数据集可以是包括与(一个或多个)制造工具110(例如分光镜120、工具传感器130、装置测量设备140和/或分类设备150)相关联的数据(例如一组数据值)的数据结构(例如索引数据结构)。例如,签名数据集可以是与(一个或多个)制造工具110(例如分光镜120、工具传感器130、装置测量设备140和/或分类设备150)相关联的信息的数组(array)(例如数据的容器)。在一个示例中,与(一个或多个)制造工具110相关联的数据可以是与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的观测值与预测值的差的序列。签名数据集的大小可以基于与(一个或多个)制造工具110(例如分光镜120、工具传感器130、装置测量设备140和/或分类设备150)相关联的数据而增加或减小。在一个实现中,签名数据集可以是签名矢量。例如,签名数据集可以是包括与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的数据(例如属性值)的n维矢量。
比较组件206可以基于签名数据集和与至少一个工具故障相关联的至少一个其他签名数据集将候选工具故障与至少一个工具故障(例如至少一个之前确定的工具故障)进行比较。例如,比较组件206可以将签名数据集(例如签名数据集的数据值)与至少一个其他签名数据集(例如至少一个其他签名数据集的数据值)进行比较,以利于确定候选工具故障是否是工具故障。至少一个其他签名数据集可以是(例如由签名组件204)基于至少一个工具故障而之前确定的,和/或可以被存储在至少一个数据库(例如(一个或多个)数据库170)中。例如,(一个或多个)数据库170可以包括与一组之前确定的工具故障相关联的一组签名数据集。比较组件206可以至少基于签名数据集和至少一个其他签名数据集(例如基于签名数据集与至少一个其他签名数据集之间的距离)来确定候选工具故障与至少一个确定的工具故障之间的距离(例如相似度)。例如,比较组件206可以确定签名数据集与至少一个其他签名数据集之间的差,以利于确定候选工具故障与至少一个确定的工具故障之间的距离(例如相似度)。
在一方面,比较组件206可以响应于确定签名数据集与至少一个其他签名数据集之间的差在特定距离内(例如,差小于特定阈值,即候选工具故障与至少一个工具故障类似等),将候选工具故障与工具故障进行关联。比较组件206可以将候选工具故障标记为工具故障。比较组件206可以将签名数据集另外存储在至少一个数据库(例如(一个或多个)数据库170)中,和/或将签名数据集与至少一个其他签名数据集进行关联(例如将候选工具故障添加至与至少一个其他签名数据集相关联的工具故障的列表)。比较组件206还可以响应于确定候选工具故障与至少一个工具故障类似,记录和/或存储与签名数据集相关联的至少一部分处理数据(例如处理数据、工具数据的汇总等)。另外或替选地,响应于确定候选工具故障与至少一个工具故障类似,比较组件206可以确定修理信息(例如修理方案、修理程序和/或验证故障的测试)以利于修理工具故障。比较组件206可以将候选工具故障和与(一个或多个)制造工具110相关联的修理信息(例如修理方案、修理程序和/或用于验证故障的测试)进行关联。在实施方式中,可以将标签、签名数据集和/或修理信息存储在工具故障的至少一个数据库(例如数据库170)中。
虽然图2描绘了***200中的单独部件,但是要理解的是,部件可以被实现成公共组件。在一个示例中,可以将监测组件202、签名组件204和/或比较组件206包括在单个组件中。此外,可以理解,***200的设计可以包括其他组件选择、组件放置等,以利于确定、预测和/或防止工具故障。
图3示出了根据本公开内容的各个方面和实现方式的***300的非限制性实现。***300包括工具故障分析组件160。工具故障分析组件160可以包括监测组件202、签名组件204、比较组件206和/或变换组件302。
变换组件302可以基于与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的处理数据来生成变换值(例如学习的变换值)。另外或替选地,可以经由用户输入来生成和/或修改变换值。可以将变换值与签名数据集(例如候选工具故障)进行关联。可以使用由变换组件302生成的变换值对由签名组件204生成的签名数据集和/或至少一个其他签名数据集进行归一化。例如,可以使用由变换组件302生成的变换值,使得签名数据集(例如签名矢量)和/或至少一个其他签名数据集(例如至少一个其他签名矢量)中的每个分量(component)(例如每个数据值)包括相等的权重。由变换组件302生成的变换值可以对签名数据集和/或至少一个其他签名数据集进行归一化,使得签名数据集和/或至少一个其他签名数据集的每个分量(例如每个数据值)在0和1之间。
在一方面,由变换组件302生成的变换值可以是与签名数据集相关联的初始变换值。例如,初始变换值可以是与签名数据集相关联的身份变换(例如身份变换值)。可以使用身份变换(例如使用欧氏距离作为相似度测量),使得:如果签名数据集之间的差为小(例如小于特定差值),则认为工具故障相似。在另一方面,由变换组件302生成的变换值可以是与签名数据集相关联的经修改的变换值(例如学习的变换值)。可以例如基于用户输入和/或与签名数据集相关联的之前的比较(例如经由比较组件206进行比较)对初始变换值进行修改(例如更新),以生成修改的变换值。在实施方式中,可以使用限定的距离来修改(例如更新)变换值(例如初始变换值、修改的变换值等)。例如,可以基于限定的距离(例如第一签名数据集与第二签名数据集之间的所需距离)来更新变换值。可以将所限定的距离与用户输入进行关联。
在特定实现方式中,比较组件206可以使用变换值来确定候选工具故障与至少一个工具故障之间的距离(例如相似度)。例如,比较组件206可以基于签名数据集、至少一个其他签名数据集和变换值来确定候选工具故障与至少一个之前确定的工具故障之间的距离(例如相似度)。在一个示例中,可以将变换值应用于签名数据集与至少一个其他签名数据集之间的差,以利于确定候选工具故障与至少一个之前确定的工具故障之间的距离(例如相似度)。
虽然图3描绘了***300中的单独部件,要理解的是,部件可以被实现成公共组件。在一个示例中,可以将监测组件202、签名组件204、比较组件206和/或变换组件302包括在单个组件中。此外,可以理解,***300的设计可以包括其他组件选择、组件放置等,以利于确定、预测和/或防止工具故障。
图4示出了根据本公开内容的各个方面和实现方式的***400的非限制性实现。***400包括工具故障分析组件160。工具故障分析组件160可以包括监测组件202、签名组件204、比较组件206、变换组件302和/或排名组件402。
排名组件402可以生成工具故障的排名列表。例如,排名组件402可以基于由比较组件206确定的距离(例如相似度)来生成工具故障的排名列表。可以根据相对于候选工具故障(例如由比较组件206确定的工具故障)的相似度的程度对工具故障(例如与工具故障相关联的签名数据集)进行排序。由排名组件402生成的工具故障的排名列表可以示出相对于候选工具故障最相似的工具故障。排名组件402可以基于与候选工具故障相关联的签名数据集和与之前确定的工具故障相关联的至少一个其他签名数据集之间的相似度将候选工具故障排序在工具故障的列表中。在一方面,比较组件206和/或排名组件402可以将候选工具故障添加至由排名组件402生成和/或保持的工具故障的列表(例如响应于确定候选工具故障与至少一个之前确定的工具故障相似)。
可以至少基于存储在(一个或多个)数据库170中的与签名数据集相关联的信息来生成工具故障的排名列表。当新工具故障被添加至(一个或多个)数据库170时,排名组件402可以基于用于比较签名数据集的特定距离函数和/或通过用户输入来生成和/或更新工具故障的排名列表。排名组件402可以使用随机距离测量(例如使用n维欧氏距离的任意距离测量)。可以经由用户输入选择随机距离测量,和/或可以将随机距离测量用作默认距离测量。排名组件402还可以使用用户输入以允许相对于工具故障的排名列表进行训练(例如以提高与特定工具故障有关的排名的质量)。用户输入可以将两个工具故障标识为较相似或较相异。此外,用户输入可以根据归一化标度来指定相似度(例如,值0对应于完全相异,并且值1对应于完全相似等)。
排名组件402可以输出工具故障的排名列表以用于显示(例如显示在用户装置上)。排名组件402可以提供与由监测组件202确定和/或识别的候选工具故障相对应的排名工具故障的不断更新的列表(例如工具故障的实时排名列表)。因此,可以限制和/或减小***(例如***100)中的工具故障的影响(例如可以提高制造***中的工具故障的识别)。此外,可以使用工具故障的实时排名列表,以识别在即将发生的工具故障之前通常发生的签名。在一方面,可以结合工具故障分析组件160和/或(一个或多个)数据库170来存储和/或检索通常发生的签名(例如故障前签名、早期警告签名等)。
虽然图4描绘了***400中的单独部件,要理解的是,部件可以被实现成公共组件。在一个示例中,可以将监测组件202、签名组件204、比较组件206、变换组件302和/或排名组件402包括在单个部件中。此外,可以理解,***400的设计可以包括其他组件选择、组件放置等,以利于确定、预测和/或防止工具故障。
图5示出了根据本公开内容的各个方面和实现方式的***500的非限制性实现。***500包括工具故障分析组件160。工具故障分析组件160可以包括监测组件202、签名组件204、比较组件206、变换组件302、排名组件402和/或训练组件502。
训练组件502可以基于用户输入来生成和/或更新签名数据集、变换值和/或与签名数据集相关联的其他信息。训练组件502可以使用用户输入来修改(例如校正)由比较组件206计算的相似度。例如,用户输入可以将由比较组件206确定为相似的第一签名数据集和第二签名数据集指定为相异。用户输入也可以将由比较组件206确定为相异的第一签名数据集和第二签名数据集指定为相似。可以基于用于校正由比较组件206计算的相似度的用户输入来修改变换值。由训练组件502使用的用户输入可以包括与成对的工具故障相关联的信息和/或与成对的工具故障相关联的签名数据集。由训练组件502使用的用户输入可以另外包括与成对的工具故障之间的相似度(例如相关相似度预测)相关联的信息。例如,用户输入可以包括限定的距离,限定的距离可以是第一签名和第二签名之间的使得第一签名和第二签名被认为相似的所需距离。因此,训练组件502可以接收与故障(例如工具故障)的相似度和/或相异度相关联的反馈(例如与(一个或多个)制造工具110相关联的用户输入和/或信息)。此外,训练组件502可以扭曲与变换相关联的n维空间(例如修改变换值、修改变换矩阵等),使得相似的签名数据集(例如相似的故障签名)在n维空间中彼此靠近,并且相异的签名数据集(例如相异的故障签名)在在n维空间中彼此移动远离。替选地,可以基于与(一个或多个)制造工具110相关联的标准(例如在(一个或多个)工具故障发生时(一个或多个)制造工具110的输出状态)来确定与成对的工具故障之间的相似度相关联的信息。
虽然图5描绘了***500中的单独部件,要理解的是,部件可以被实现成公共组件。在一个示例中,可以将监测组件202、签名组件204、比较组件206、变换组件302、排名组件402和/或训练组件502包括在单个部件中。此外,可以理解,***500的设计可以包括其他组件选择、组件放置等,以利于确定、预测和/或防止工具故障。
图6是示出了根据本公开内容的各个方面和实现方式的用于使用变换(例如变换值、学习的变换)来确定两个签名之间的距离(例如相似度)的示例性***600的框图。***600可以与比较组件206和/或变换组件302相关联。可以通过块602接收变换M、签名S1和签名S2。变换M可以是初始变换值(例如身份变换值)或更新的变换值(例如学习的变换值、修改的变换值等)。签名S1可以与处理数据(例如与分光镜120、工具传感器130、装置测量设备140和/或分类设备150相关联的处理数据)的观测值相关联。签名S2可以与之前确定的处理数据(例如与之前确定的工具故障相关联的处理数据)相关联。在一个示例中,签名S1可以是第一缺陷(例如候选工具故障)的签名矢量,并且签名S2可以是第二缺陷(例如工具故障、之前确定的工具故障等)的签名矢量。块602可以与工具故障分析组件160(例如比较组件206)相关联。在块602处,可以基于变换M、签名S1和签名S2来计算距离d。例如,距离d可以等于||M(S1-S2)||。块604也可以与工具故障分析组件160(例如比较组件206)相关联。在块604处,可以输出(例如发送和/或存储)距离d。在一个示例中,可以将距离d存储在类似缺陷的列表(例如类似工具故障的列表)中,和/或可以使用距离d来生成类似缺陷的列表(例如类似工具故障的列表)。
图7是示出了根据本公开的各个方面和实现方式的用于基于限定的距离(例如所需距离)更新变换(例如学习的变换W)的示例性***700的框图。***700可以与比较组件206和/或训练组件502相关联。可以通过块702接收签名S1、签名S2和/或限定的距离。限定的距离可以是签名S1和签名S2之间的使得签名S1和签名S2被认为相似的所需距离。在一个示例中,可以经由用户输入提供限定的距离。块702可以与工具故障分析组件160(例如比较组件206)相关联。在块702处,可以计算矢量D和/或参数β。矢量D可以等于S1-S2。可以基于限定的距离来计算参数β。块704也可以与工具故障分析组件160(例如比较组件206)相关联。在块704处,可以至少基于矢量D和参数β来更新变换W。在一个示例中,变换W可以被更新为等于W(-β(1/DTD)DDT+1),其中,DTD是D的归一化外积,并且DDT是D的转置阵。签名S1和签名S2之间的距离(例如相似度)可以是矢量D=S1-S2的长度||WD||。与矢量D相关联的签名空间的投影算子P可以被限定为D和D的转置阵的归一化外积,例如P=(1/DTD)DDT。变换W可以被更新为新的变换W’=W(βP+1),以利于学习签名S1和签名S2之间的新距离(例如相似度)。参数β可以控制距离的变化(例如变化的程度)。在β=-1的示例中,签名S1和签名S2之间的距离相对于新变换W’将为0,这是因为W’D=W(-1P+1)D=W(-D+D)=0。在β=1的另一示例中,签名S1和签名S2之间的距离相对于新变换W’将加倍,这是因为W’D=W(1P+l)D=W(D+D)=2WD,并且||2WD||=2||WD||。因此,可以基于参数β来修改(例如增加或减小)距离。在某些实施方式中,新变换W'可以在被存储之前(例如在被存储在(一个或多个)数据库170中之前)被归一化。
图8至图10示出了根据本申请的一种或更多种实施方式的各种方法。虽然为了简化说明的目的,本文所示的一种或更多种方法被示出和描述为一系列动作,但是应当理解和认识到,本发明不受动作顺序的限制,因为一些动作可以根据与其不同的顺序发生和/或与本文所示和所描述的其他动作同时发生。例如,本领域技术人员将理解和认识到,方法可以替代地例如以状态图表示为一系列相关的状态或事件。此外,并非所有示出的动作都需要实现根据本发明的内容的方法。此外,当不同实体实现方法的不同部分时,(一个或多个)交互图可以表示根据本公开的方法或方式。此外,所公开示例方法中的两种或更多种方法可以彼此组合地实现,以实现本文所描述的一个或更多个特征或优点。
图8示出了根据本公开的各个方面和实现方式的利于确定工具故障的示例方法800。首先,在802处,基于与一个或更多个制造工具相关联的数据来(例如通过监测组件202)识别与一个或更多个制造工具相关联的候选工具故障。例如,可以基于由与一个或更多个制造工具相关联的一组传感器生成的传感器数据来识别与一个或更多个制造工具相关联的候选工具故障。另外或替选地,可以基于分光镜数据、测量数据、分类数据和/或与一个或更多个制造工具相关联的其他处理数据来识别与一个或更多个制造工具相关联的候选工具故障。候选工具故障可以与以下各项相关联:与一个或更多个制造工具有关的非计划中断;从与一个或更多个制造工具相关联的设置点和/或规格的偏离(例如传感器数据、分光镜数据、测量数据、分类数据和/或其他处理数据的变化);硬工具(hard tool)故障;软工具(soft tool)故障;校准误差;工具磨损;工具损坏;工具故障;工具停工时间;其他工具故障等。
在804处,基于与一个或更多个制造工具相关联的至少一部分数据来(例如通过签名组件204)生成候选工具故障的签名数据集。例如,可以基于传感器数据、分光镜数据、测量数据、分类数据和/或与一个或更多个制造工具相关联的其他处理数据来生成候选工具故障的签名数据集。签名数据集可以是包括与一个或更多个制造工具相关联的至少一部分数据的数据结构(例如索引数据结构、签名矢量等)。
在806处,(例如使用比较组件206)将签名数据集和与至少一个工具故障相关联的至少一个其他签名数据集进行比较。例如,可以确定签名数据集与至少一个其他数据集之间的相似度(例如差、距离等)(例如以利于确定签名数据集是否与工具故障相关联)。可以将至少一个其他签名数据集存储在一个或更多个数据集中。与至少一个其他签名数据集相关联的至少一个工具故障可以是至少一个之前确定的工具故障。
图9示出了根据本公开的各个方面和实现方式的用于识别工具故障的示例方法900。首先,在902处,(例如通过监测组件202)确定与一个或更多个制造工具相关联的候选工具故障。在904处,基于与一个或更多个制造工具相关联的数据来(例如通过签名组件204)生成候选工具故障的签名数据集。在906处,(例如通过签名组件204和/或比较组件206)接收至少一个之前确定的工具故障的至少一个其他签名数据集。在908处,(例如通过变换组件302)接收和/或确定与候选工具故障相关联的变换值。例如,可以使用变换值以对签名数据集和/或至少一个其他签名数据集进行归一化。因此,签名数据集和/或至少一个其他签名数据集的每个值可以包括相等的权重。在910处,基于签名数据集、至少一个其他签名数据集和/或变换值来(例如通过比较组件206)确定候选工具故障与至少一个之前确定的工具故障之间的相似度。例如,签名数据集与至少一个其他签名数据集之间的通过变换值归一化的差可以对应于候选工具故障与至少一个之前确定的工具故障之间的相似度。
图10示出了根据本公开的各个方面和实现方式的用于在数据库中查询与给定缺陷类似的缺陷的示例方法1000。首先,在1002处,(例如通过监测组件202)确定和/或接收缺陷(例如工具故障)和缺陷的签名。在1004处,(例如通过变换组件302)确定和/或接收与缺陷相关联的变换。在1006处,从数据库(例如通过签名组件204和/或比较组件206)接收用于之前确定的缺陷的之前确定的签名。在1008处,(例如通过比较组件206)确定签名与之前确定的签名之间的差。在1010处,基于差和变换来(例如通过比较组件206)确定距离。在1012处,基于距离来(例如通过排名组件402)将缺陷添加至相似缺陷的列表。在1014处,(例如通过签名组件204和/或比较组件206)确定是否存在存储在数据库中的另一之前确定的缺陷。如果是,则方法1000返回至1006。如果否,则方法1000进行至1016。在1016处,(例如通过排名组件402)输出类似缺陷的列表。
为了提供所公开的主题的各个方面的上下文,图11和图12以及以下讨论旨在提供对可以实现所公开主题的各个方面的适当环境的简要一般的描述。
参照图11,用于实现本公开的各个方面的适当环境1100包括计算机1112。计算机1112包括处理单元1114、***存储器1116和***总线1118。***总线1118将***部件,包括但不限于***存储器1116耦接至处理单元1114。处理单元1114可以是各个可用处理器中的任何处理器。也可以使用双微处理器和其他多处理器架构作为处理单元1114。
***总线1118可以是几种总线结构中的任何一个,包括存储器总线或存储器控制器、***总线或外部总线和/或使用任何种类的可用总线架构的本地总线,所述可用总线架构包括但不限于工业标准架构(ISA)、微通道架构(MSA)、扩展ISA(EISA)、智能驱动电子装置(IDE)、VESA本地总线(VLB)、***组件互连(PCI)、卡总线、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)、火线(IEEE 1394)和小型计算机***接口(SCSI)。
***存储器1116包括易失性存储器1120和非易失性存储器1122。包含诸如在启动期间在计算机1112内的元件之间传输信息的基本例程的基本输入/输出***(BIOS)被存储在非易失性存储器1122中。以说明的方式而非限制性地,非易失性存储器1122可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪速存储器或非易失性随机存取存储器(RAM)(例如铁电RAM(FeRAM))。易失性存储器1120包括用作外部缓冲存储器的随机存取存储器(RAM)。以说明的方式而非限制性地,RAM可用于许多形式例如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链接DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM。
计算机1112还包括可移除/非可移除、易失性/非易失性计算机存储介质。图11例如示出了磁盘存储装置1124。磁盘存储装置1124包括但不限于诸如磁盘驱动器、软盘驱动器、磁带驱动器、Jaz驱动器、Zip驱动器、LS-100驱动器、闪存卡或记忆棒的装置。磁盘存储设备1124还可以包括单独的或与其他存储介质相结合的存储介质,包括但不限于光盘驱动器如致密盘ROM装置(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或数字多功能磁盘ROM驱动器(DVD-ROM)。为了利于将磁盘存储装置连接至***总线1118,通常使用诸如接口1126的可移除或非可移除接口。
图11还描绘了充当用户和在适当操作环境1100中描述的基本计算机资源之间的媒介的软件。这样的软件包括例如操作***1128。操作***1128可以被存储在磁盘存储装置1124上,操作***1128用于控制和分配计算机1112的资源。***应用程序1130通过程序模块1132和程序数据1134利用操作***1128对资源的管理,程序模块1132和程序数据1134例如被存储在***存储器1116中或磁盘存储装置1124上。要理解,可以使用各种操作***或操作***的组合来实现本公开内容。
用户通过(一个或多个)输入装置1136将命令或信息输入到计算机1112中。输入装置1136包括但不限于诸如鼠标、跟踪球、触控笔的指向设备、触摸板、键盘、麦克风、操纵杆、游戏板、卫星天线、扫描仪、电视调谐卡、数字照相机、数字摄像机、网络摄像头等。这些和其他输入装置经由(一个或多个)接口端口1138通过***总线1118连接至处理单元1114。(一个或多个)接口端口1138包括例如串行端口、并行端口、游戏端口以及通用串行总线(USB)。(一个或多个)输出装置1140使用一些同一类型的端口作为(一个或多个)输入装置1136。因此,例如,USB端口可以用于将输入提供给计算机1112以及将来自计算机1112的输出信息提供给输出装置1140。输出适配器1142被提供,以示出在其他输出装置1140当中存在需要特定适配器的一些输出装置1140如监视器、扬声器和打印机。以说明的方式而非限制性地,输出适配器1142包括显卡和声卡,所述显卡和声卡在输出装置1140和***总线1118之间提供连接手段。应注意,诸如(一个或多个)远程计算机1144的其他装置和/或装置的***提供输入和输出功能二者。
计算机1112可以在联网环境中使用去往一个或更多个远程计算机例如(一个或多个)远程计算机1144的逻辑连接来操作。(一个或多个)远程计算机1144可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的设备、对等装置或其他公共网络节点等,并且通常包括相对于计算机1112所描述的元件中的许多或全部。为了简洁起见,在(一个或多个)远程计算机1144下仅示出了存储器存储设备1146。(一个或多个)远程计算机1144通过网络接口1148逻辑连接至计算机1112,并且然后经由通信连接1150物理地连接。网络接口1148包括诸如局域网(LAN)、广域网(WAN)、蜂窝网络等的有线和/或无线通信网络。LAN技术包括光纤分布式数据接口(FDDI)、铜线分布式数据接口(CDDI)、以太网、令牌环等。WAN技术包括但不限于点对点链路、电路交换网络如综合业务数字网络(ISDN)及其变体、分组交换网络和数字订户线路(DSL)。
(一个或多个)通信连接1150是指用于将网络接口1148连接至总线1118的硬件/软件。尽管为了说明清楚而在计算机1112内部示出了通信连接1150,但是通信连接1150也可以在计算机1112的外部。仅出于示例性目的,连接至网络接口1148所需的硬件/软件包括内部和外部技术例如包括:普通电话级调制解调器、电缆调制解调器和DSL调制解调器的调制解调器;ISDN适配器;以及以太网卡。
图12是本公开内容的主题可以与其交互的样本计算环境的示意性框图。***1200包括一个或更多个客户机1210。客户机1210可以是硬件和/或软件(例如线程、进程、计算装置)。***1200还包括一个或更多个服务器1230。因此,除其他模型之外,***1200可以对应于两层客户机服务器模型或多层模型(例如客户机、中间层服务器、数据服务器)。(一个或多个)服务器1230也可以是硬件和/或软件(例如线程、进程、计算装置)。例如,服务器1230可以容纳线程,以通过使用本公开内容来执行变换。客户机1210和服务器1230之间的一个可能的通信可以为在两个或更多个计算机进程之间传送的数据分组的形式。
***1200包括通信架构1250,通信架构1250可以用于促进(一个或多个)客户机1210和(一个或多个)服务器1230之间的通信。(一个或多个)客户机1210可操作地连接到可以用于存储相对于(一个或多个)客户机1210本地的信息的一个或更多个客户机数据存储装置1220。类似地,服务器1230可操作地连接到可以用于存储相对于服务器1230本地的信息的一个或更多个服务器数据存储器1240。
要注意,本公开的方面或特征可以被用于基本上任何无线电信或无线技术,例如:Wi-Fi;蓝牙;全球微波接入互操作性(WiMAX);增强型通用分组无线业务(增强型GPRS);第三代合作伙伴计划(3GPP)长期演进(LTE);第三代合作伙伴计划2(3GPP2)超移动宽带(UMB);3GPP通用移动电信***(UMTS);高速分组接入(HSPA);高速下行链路分组接入(HSDPA);高速上行链路分组接入(HSUPA);GSM(全球移动通信***)EDGE(增强型数据速率GSM演进)无线接入网络(GERAN);UMTS陆地无线接入网络(UTRAN);高级LTE(LTE-A);等等。另外,本文描述的一些或全部方面可以被用于传统电信技术例如GSM。另外,移动以及非移动网络(例如因特网、数据服务网络如互联网协议电视(IPTV)等)可以利用本文所描述的方面或特征。
虽然上面在在一个计算机和/多个或计算机上运行的计算机程序的计算机可执行指令的总体上下文中描述了本主题,本领域技术人员将认识到,本公开内容也能够或可以结合其他程序模块来实现。通常,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构等。此外,本领域技术人员将认识到,本发明方法可以在其他计算机***配置下实践,包括单处理器或多处理器计算机***、小型计算装置、大型计算机以及个人计算机、手持式计算装置(例如PDA、电话)、基于微处理器或可编程的消费者电子装置或工业电子装置等。也可以在分布式计算环境中实践所示出的方面,在分布式计算环境中,任务由通过通信网络连接的远程处理装置来执行。然而,可以在独立的计算机上实践本公开的一些(如果不是全部的话)。在分布式计算环境中,程序模块可以位于本地存储器存储装置或远端存储器存储设备二者中。
如在本申请中使用的,术语“组件”、“***”、“平台”、“接口”等可以表示和/或可以包括计算机相关实体或与具有一个或更多个特定功能的操作机有关的实体。本文中所公开的实体可以是硬件、硬件和软件的组合、软件或执行中的软件。例如,组件可以是但不限于运行在处理器上的进程、处理器、对象、可执行的执行线程、程序和/或计算机。通过说明的方式,运行在服务器上的应用程序和服务器二者可以是组件。一个或更多个组件可以驻留在进程和/或执行线程内,并且组件可以位于一个计算机上和/或分布在两个或更多个计算机之间。
在另一示例中,相应的组件可以从存储有各种数据结构的各个计算机可读介质执行。组件可以通过本地和/或远程进程例如根据具有一个或更多个数据分组的信号进行通信,(例如来自一个组件与本地***、分布式***中的另一组件进行交互的数据和/或通过信号跨网络如因特网与其他***交互的数据)。作为另一示例,组件可以是具有由电气电路或电子电路操作的机械部件提供的特定功能的设备,所述电气电路或电子电路通过由处理器执行的软件或固件应用程序来操作。在这样的情况下,处理器可以在设备的内部或外部,并且可以执行软件或固件应用程序的至少一部分。作为又一示例,组件可以是通过不具有机械部件的电子组件提供特定功能的设备,其中,电子组件可以包括处理器或其他装置以执行软件或固件,所述软件或固件至少部分地赋予电子组件的功能。在一个方面,组件可以经由例如云计算***内的虚拟机来仿真电子组件。
另外,术语“或”旨在表示包含性的“或”而不是排他性的“或”。也就是说,除非另有指定或根据上下文是清楚的,“X使用A或B”意在表示任何自然的包含性排列。也就是说,如果X使用A,X使用B,或者X使用A和B二者,则在任何前述情况下都满足“X使用A或B”。此外,除非另外指定或根据上下文清楚指向单数形式,否则,在本说明书和附图中使用的冠词“一”和“一个”应一般地解释为表示“一个或更多个”。
如本文所使用的,术语“示例”和/或“示例性”用于表示用作示例、实例或说明。为了避免疑义,本文公开的主题不受这些示例的限制。此外,与其他方面或设计相比,在本文中被描述为“示例”和/或“示例性”的任何方面或设计不一定被认为是优选的或有利的,也不意味着排除为本领域的普通技术人员所知的等效示例性结构和技术。
使用标准编程或工程技术,可以将本文描述的各个方面或特征实现为方法、设备、***或制造物。此外,可以通过实现本文所公开的至少一个或更多个方法的程序模块来实现本公开中所公开的各个方面或特征,程序模块被存储在存储器中并且由至少处理器来执行。硬件和软件或者硬件和固件的其他组合可以实施或者实现本文描述的方面,包括(一个或多个)公开的方法。本文使用的术语“制造物”可以包括可从任何计算机可读装置、载体或存储介质访问的计算机程序。例如,计算机可读存储介质可以包括但不限于:磁存储设备(例如硬盘、软盘、磁条...);光盘(例如致密盘(CD)、数字多功能盘(DVD)、蓝光盘(BD)...);智能卡;以及闪存装置(例如卡、棒、密钥驱动器...)等。
如在本说明书中使用的,术语“处理器”可以表示基本上任何计算处理单元或装置,包括但不限于:单核处理器;具有软件多线程执行能力的单处理器;多核处理器;具有软件多线程执行能力的多核处理器;具有硬件多线程技术的多核处理器;并行平台;以及具有分布式共享存储器的并行平台。另外,处理器可以指集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑控制器(PLC)、复杂可编程逻辑器件(CPLD)、分立门或晶体管逻辑、分立硬件组件,或它们的被设计成执行本文所述功能的任何组合。此外,处理器可以利用纳米级架构,例如但不限于基于分子和量子点的晶体管、开关和门,以优化空间使用或增强用户设备的性能。处理器也可以被实现为计算处理单元的组合。
在本公开内容中,诸如“存储器”、“存储装置”、“数据存储器”、“数据存储装置”、“数据库”以及基本上与组件的操作和功能相关的任何其他信息存储组件的术语被用于表示实施在“存储器”中的“存储器组件”实体或包括存储器的组件。要理解,本文描述的存储器和/或存储器组件可以是易失性存储器或非易失性存储器,或者可以包括易失性和非易失性存储器二者。
以说明的方式而非限制性地,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除ROM(EEPROM)、闪速存储器或非易失性随机存取存储器(RAM)(例如铁电RAM(FeRAM))。易失性存储器可以包括RAM,例如可以用作外部缓冲存储器。以说明的方式而非限制性地,RAM可用于许多形式例如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链接DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外,本文所公开的***或方法的存储器组件旨在包括但不限于包括这些和任何其他合适类型的存储器。
要认识和理解到,相对于特定***或方法所描述的组件可以与相对于本文所公开的其他***或方法描述的相应组件(例如分别命名的组件或类似命名的组件)具有相同或类似的功能。
以上描述的内容包括提供本公开的优点的***和方法的示例。当然,出于描述本公开内容的目的,不可能描述组件或方法的每个能想到的组合,但是本领域的普通技术人员可以认识到,本公开的许多其他组合和置换是可能的。此外,在详细描述、权利要求书、附录和附图中使用术语“包括”、“有”、“具有”等的范围,旨在使这些术语以类似于术语“包括”的方式是包括性的,因为“包括“在权利要求中用作过渡词时被解释。
Claims (22)
1.一种工具故障分析***,包括:
存储器,所述存储器存储计算机可执行组件;以及
处理器,所述处理器被配置成执行存储在所述存储器中的以下计算机可执行组件;
监测组件,所述监测组件基于由与一个或更多个制造工具相关联的一组传感器生成的传感器数据来确定与所述一个或更多个制造工具相关联的候选工具故障;
签名组件,所述签名组件基于与所述一个或更多个制造工具相关联的数据来生成所述候选工具故障的签名矢量数据集;以及
比较组件,所述比较组件基于所述签名矢量数据集和与至少一个之前确定的工具故障相关联的至少一个其他签名矢量数据集来将所述候选工具故障与所述至少一个之前确定的工具故障进行比较,
其中,所述比较组件计算所述签名矢量数据集和所述至少一个其他签名矢量数据集之间的欧氏距离,并且其中,所述比较组件响应于确定所述候选工具故障满足限定的标准来生成所述一个或更多个制造工具的修理数据,以利于工具故障的修理。
2.根据权利要求1所述的***,还包括变换组件,所述变换组件基于所述候选工具故障的处理数据来生成与所述候选工具故障相关联的变换值。
3.根据权利要求2所述的***,其中,所述比较组件还基于所述变换值来将所述候选工具故障与所述至少一个之前确定的工具故障进行比较。
4.根据权利要求2所述的***,其中,所述比较组件确定所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的差。
5.根据权利要求4所述的***,其中,所述比较组件基于所述变换值以及所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的差来确定所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的相似度。
6.根据权利要求1所述的***,其中,响应于确定所述候选工具故障与所述至少一个之前确定的工具故障相似,所述比较组件将所述候选工具故障与工具故障进行关联。
7.根据权利要求1所述的***,其中,所述比较组件从数据库接收所述至少一个其他签名矢量数据集,所述数据库存储与一组之前确定的工具故障相关联的一组签名矢量数据集。
8.根据权利要求1所述的***,其中,响应于确定所述候选工具故障与所述至少一个之前确定的工具故障相似,所述比较组件将所述候选工具故障添加至工具故障的列表。
9.根据权利要求8所述的***,还包括排名组件,所述排名组件基于所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的相似度,来将所述候选工具故障排列在所述工具故障的列表中。
10.根据权利要求1所述的***,其中,所述比较组件将所述候选工具故障和与所述一个或更多个制造工具相关联的修理方案进行关联。
11.根据权利要求1所述的***,其中,所述签名组件基于所述传感器数据来生成所述候选工具故障的签名矢量数据集。
12.根据权利要求8所述的***,还包括训练组件,所述训练组件基于用户输入来更新所述签名矢量数据集。
13.根据权利要求12所述的***,其中,所述训练组件基于与工具故障的相似度和相异度相关联的反馈来更新所述签名矢量数据集。
14.根据权利要求12所述的***,其中,所述训练组件更新与所述候选工具故障相关联的变换值,以校正由所述比较组件确定的所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的相似度。
15.一种工具故障分析方法,包括:
使用处理器以实现操作,所述处理器有利于执行存储在非暂态计算机可读介质上的计算机可执行指令,所述操作包括:
基于由与一个或更多个制造工具相关联的一组传感器生成的传感器数据来识别与所述一个或更多个制造工具相关联的候选工具故障;
基于所述传感器数据和与所述一个或更多个制造工具相关联的其他数据来生成所述候选工具故障的签名矢量数据集;
通过计算所述签名矢量数据集和与至少一个工具故障相关联的至少一个其他签名矢量数据集之间的欧氏距离来对所述签名矢量数据集和所述至少一个其他签名矢量数据集进行比较;以及
响应于确定所述候选工具故障满足限定的标准来生成所述一个或更多个制造工具的修理数据,以利于工具故障的修理。
16.根据权利要求15所述的方法,还包括:基于所述候选工具故障的处理数据来生成与所述候选工具故障相关联的变换值。
17.根据权利要求16所述的方法,还包括:基于所述签名矢量数据集、所述至少一个其他签名矢量数据集以及所述变换值来将所述候选工具故障与所述至少一个工具故障进行比较。
18.根据权利要求16所述的方法,还包括:确定所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的差。
19.根据权利要求18所述的方法,还包括:基于所述变换值以及所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的差来确定所述签名矢量数据集与所述至少一个其他签名矢量数据集之间的相似度。
20.一种在其上存储有计算机可执行指令的计算机可读介质,响应于被包括处理器的***执行,所述计算机可执行指令使得所述***执行操作,所述操作包括:
确定与一个或更多个制造工具相关联的候选工具故障;
基于与所述一个或更多个制造工具相关联的数据来生成所述候选工具故障的签名矢量数据集;
通过计算所述签名矢量数据集和与至少一个之前确定的工具故障相关联的至少一个其他签名矢量数据集之间的欧氏距离来对所述签名矢量数据集和所述至少一个其他签名矢量数据集进行比较;以及
响应于确定所述候选工具故障满足限定的标准来生成所述一个或更多个制造工具的修理数据,以利于工具故障的修理。
21.根据权利要求20所述的计算机可读介质,其中,所述操作还包括:基于所述候选工具故障的处理数据来生成与所述候选工具故障相关联的变换值。
22.根据权利要求21所述的计算机可读介质,其中,所述比较包括:基于所述签名矢量数据集、所述至少一个其他签名矢量数据集以及所述变换值来将所述候选工具故障与所述至少一个之前确定的工具故障进行比较。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/805,793 US10228678B2 (en) | 2015-07-22 | 2015-07-22 | Tool failure analysis using space-distorted similarity |
US14/805,793 | 2015-07-22 | ||
PCT/US2016/042624 WO2017015155A1 (en) | 2015-07-22 | 2016-07-15 | Tool failure analysis using space-distorted similarity |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107923731A CN107923731A (zh) | 2018-04-17 |
CN107923731B true CN107923731B (zh) | 2020-11-20 |
Family
ID=57835165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680047766.2A Active CN107923731B (zh) | 2015-07-22 | 2016-07-15 | 工具故障分析***和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10228678B2 (zh) |
KR (1) | KR102564629B1 (zh) |
CN (1) | CN107923731B (zh) |
TW (1) | TWI616736B (zh) |
WO (1) | WO2017015155A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396443B2 (en) * | 2013-12-05 | 2016-07-19 | Tokyo Electron Limited | System and method for learning and/or optimizing manufacturing processes |
US10853534B2 (en) * | 2015-12-03 | 2020-12-01 | Taiwan Semiconductor Manufacturing Co., Ltd. | Fault related FDC feature extraction |
US10831162B2 (en) * | 2016-06-28 | 2020-11-10 | General Electric Company | Systems and methods for providing an integrated power plant advisor |
DE102018111892B4 (de) * | 2017-05-22 | 2023-06-29 | Okuma Corporation | Betriebsüberwachungsvorrichtung und Steuerprogramm dafür |
WO2019043742A1 (ja) * | 2017-08-28 | 2019-03-07 | 三菱電機株式会社 | 数値制御装置 |
US10777470B2 (en) * | 2018-03-27 | 2020-09-15 | Pdf Solutions, Inc. | Selective inclusion/exclusion of semiconductor chips in accelerated failure tests |
KR102589004B1 (ko) * | 2018-06-18 | 2023-10-16 | 삼성전자주식회사 | 반도체 불량 분석 장치 및 그것의 불량 분석 방법 |
KR20220133998A (ko) * | 2020-02-21 | 2022-10-05 | 나노트로닉스 이미징, 인코포레이티드 | 제조 공정을 위한 시스템, 방법 및 매체 |
DE102022108584A1 (de) | 2022-04-08 | 2023-10-12 | Krones Aktiengesellschaft | Verfahren und Vorrichtung zur automatischen Ermittlung eines aktuellen Zustands einer in Betrieb befindlichen Anlage |
US11966393B2 (en) * | 2022-06-15 | 2024-04-23 | Sap Se | Adaptive data prefetch |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4806914A (en) * | 1987-05-07 | 1989-02-21 | General Electric Company | Detection by automatic gain control features of gradual cutting tool breakage |
US5663894A (en) * | 1995-09-06 | 1997-09-02 | Ford Global Technologies, Inc. | System and method for machining process characterization using mechanical signature analysis |
US6701204B1 (en) * | 2000-05-22 | 2004-03-02 | Mosel Vitelic Inc. | System and method for finding defective tools in a semiconductor fabrication facility |
US6580960B1 (en) * | 2000-06-22 | 2003-06-17 | Promos Technologies, Inc. | System and method for finding an operation/tool combination that causes integrated failure in a semiconductor fabrication facility |
US6744266B2 (en) * | 2000-10-02 | 2004-06-01 | Applied Materials, Inc. | Defect knowledge library |
US6701259B2 (en) * | 2000-10-02 | 2004-03-02 | Applied Materials, Inc. | Defect source identifier |
US6604013B1 (en) * | 2000-10-11 | 2003-08-05 | Ford Motor Company | Tool failure detection utilizing frequency derived, pre-characterization templates |
US6999164B2 (en) * | 2001-04-26 | 2006-02-14 | Tokyo Electron Limited | Measurement system cluster |
US6834212B1 (en) * | 2002-07-03 | 2004-12-21 | Blue Control Technologies, Inc. | Method and apparatus for APC solver engine and heuristic |
US6885977B2 (en) * | 2002-12-20 | 2005-04-26 | Applied Materials, Inc. | System to identify a wafer manufacturing problem and method therefor |
US6952653B2 (en) * | 2003-04-29 | 2005-10-04 | Kla-Tencor Technologies Corporation | Single tool defect classification solution |
US7079966B2 (en) * | 2003-09-08 | 2006-07-18 | Lsi Logic Corporation | Method of qualifying a process tool with wafer defect maps |
US6900385B1 (en) * | 2004-02-05 | 2005-05-31 | Huei-Yi Hsu | Fastening belt for quickly wrapping electric cables |
WO2005077024A2 (en) * | 2004-02-06 | 2005-08-25 | Test Advantage, Inc. | Methods and apparatus for data analysis |
TW200622275A (en) | 2004-09-06 | 2006-07-01 | Mentor Graphics Corp | Integrated circuit yield and quality analysis methods and systems |
US7277824B1 (en) * | 2005-07-13 | 2007-10-02 | Advanced Micro Devices, Inc. | Method and apparatus for classifying faults based on wafer state data and sensor tool trace data |
US7451009B2 (en) * | 2005-09-07 | 2008-11-11 | General Instrument Corporation | Method and apparatus for product defect classification |
US7711674B2 (en) * | 2005-11-01 | 2010-05-04 | Fuji Xerox Co., Ltd. | System and method for automatic design of components in libraries |
US7676077B2 (en) * | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7596718B2 (en) * | 2006-05-07 | 2009-09-29 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
US7890813B2 (en) * | 2006-05-11 | 2011-02-15 | Oracle America, Inc. | Method and apparatus for identifying a failure mechanism for a component in a computer system |
EP1955830B1 (en) * | 2007-02-06 | 2014-04-09 | Abb Research Ltd. | A method and a control system for monitoring the condition of an industrial robot |
US8615695B2 (en) * | 2007-04-04 | 2013-12-24 | Mentor Graphics Corporation | Fault dictionary-based scan chain failure diagnosis |
US20080297667A1 (en) * | 2007-06-01 | 2008-12-04 | Concepttapistry, Llc | Projection apparatus with direct attachment of external storage media |
US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
US8078552B2 (en) * | 2008-03-08 | 2011-12-13 | Tokyo Electron Limited | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US7872489B2 (en) * | 2008-04-28 | 2011-01-18 | Freescale Semiconductor, Inc. | Radiation induced fault analysis |
US9710903B2 (en) * | 2008-06-11 | 2017-07-18 | Kla-Tencor Corp. | System and method for detecting design and process defects on a wafer using process monitoring features |
US8185781B2 (en) * | 2009-04-09 | 2012-05-22 | Nec Laboratories America, Inc. | Invariants-based learning method and system for failure diagnosis in large scale computing systems |
US8234001B2 (en) * | 2009-09-28 | 2012-07-31 | International Business Machines Corporation | Tool commonality and stratification analysis to enhance a production process |
US8954184B2 (en) * | 2011-01-19 | 2015-02-10 | Tokyo Electron Limited | Tool performance by linking spectroscopic information with tool operational parameters and material measurement information |
US8723869B2 (en) * | 2011-03-21 | 2014-05-13 | Tokyo Electron Limited | Biologically based chamber matching |
US9746849B2 (en) * | 2012-11-09 | 2017-08-29 | Tokyo Electron Limited | Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing |
US9405289B2 (en) * | 2012-12-06 | 2016-08-02 | Tokyo Electron Limited | Method and apparatus for autonomous identification of particle contamination due to isolated process events and systematic trends |
KR101466798B1 (ko) * | 2014-05-20 | 2014-12-01 | 삼성전자주식회사 | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 |
US9955274B2 (en) * | 2015-04-08 | 2018-04-24 | The Boeing Company | Vibration monitoring systems |
-
2015
- 2015-07-22 US US14/805,793 patent/US10228678B2/en active Active
-
2016
- 2016-07-15 CN CN201680047766.2A patent/CN107923731B/zh active Active
- 2016-07-15 KR KR1020187003759A patent/KR102564629B1/ko active IP Right Grant
- 2016-07-15 WO PCT/US2016/042624 patent/WO2017015155A1/en active Application Filing
- 2016-07-21 TW TW105123001A patent/TWI616736B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI616736B (zh) | 2018-03-01 |
WO2017015155A1 (en) | 2017-01-26 |
KR20180031698A (ko) | 2018-03-28 |
KR102564629B1 (ko) | 2023-08-07 |
TW201715320A (zh) | 2017-05-01 |
US20170023927A1 (en) | 2017-01-26 |
US10228678B2 (en) | 2019-03-12 |
CN107923731A (zh) | 2018-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107923731B (zh) | 工具故障分析***和方法 | |
US10635993B2 (en) | System and method for learning and/or optimizing manufacturing processes | |
WO2015175629A1 (en) | System and method for modeling and/or analyzing manufacturing processes | |
US10579042B2 (en) | Defect rate analytics to reduce defectiveness in manufacturing | |
US9910430B2 (en) | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data | |
JP2019204321A (ja) | 情報処理方法、情報処理装置、及びプログラム | |
US11054815B2 (en) | Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system | |
TWI649649B (zh) | 用於改進製造產量之基於事件處理的系統 | |
US8649990B2 (en) | Method for detecting variance in semiconductor processes | |
Zhao et al. | Reconstruction based fault diagnosis using concurrent phase partition and analysis of relative changes for multiphase batch processes with limited fault batches | |
KR102623389B1 (ko) | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 | |
US8682058B2 (en) | Defect analysis method, apparatus, and recording medium using pattern dependence degree | |
Bae et al. | Detecting abnormal behavior of automatic test equipment using autoencoder with event log data | |
JP2011054804A (ja) | 半導体製造装置の管理方法およびシステム | |
Baghbanpourasl et al. | Failure prediction through a model-driven machine learning method | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
KR102623390B1 (ko) | 장비 이상 탐지 모델의 정확도를 유지하기 위한 방법,장치 및 프로그램 | |
Jauhri et al. | Outlier detection for large scale manufacturing processes | |
Peng et al. | An online performance monitoring using statistics pattern based kernel independent component analysis for non-Gaussian process | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
Kim et al. | A sensor data mining process for identifying root causes associated with low yield in semiconductor manufacturing | |
CN117881973A (zh) | 用于多维动态零件平均测试的***和方法 | |
TW202334771A (zh) | 與值無關的情況的識別和匹配 | |
Wang | Data analytics in semiconductor industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |