CN116046078A - 一种半导体清洗设备的故障监测预警方法及*** - Google Patents
一种半导体清洗设备的故障监测预警方法及*** Download PDFInfo
- Publication number
- CN116046078A CN116046078A CN202310335566.9A CN202310335566A CN116046078A CN 116046078 A CN116046078 A CN 116046078A CN 202310335566 A CN202310335566 A CN 202310335566A CN 116046078 A CN116046078 A CN 116046078A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- early warning
- monitoring
- information
- module
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 231
- 238000004140 cleaning Methods 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000004065 semiconductor Substances 0.000 title claims abstract description 42
- 239000007788 liquid Substances 0.000 claims abstract description 156
- 239000000126 substance Substances 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 99
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 99
- 230000005540 biological transmission Effects 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 239000003814 drug Substances 0.000 claims description 89
- 230000008021 deposition Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000013506 data mapping Methods 0.000 claims description 8
- 230000033764 rhythmic process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000013507 mapping Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000012535 impurity Substances 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Cleaning Or Drying Semiconductors (AREA)
Abstract
本发明提供了一种半导体清洗设备的故障监测预警方法及***,涉及数据分析技术领域,监测获取机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据,输入特征分析模块确定各部件清洗运行特征,输入运行特征预测模型获得各部件预测结果,若达到预警条件执行预警,解决现了有技术中对于半导体清洗设备的故障监测预警方法分析深度与完备性不足,只针对可监测数据进行故障衡量,导致故障监测结果精准度不足,忽略了潜在性故障因素,影响设备运行准确度的技术问题,通过提取单组件特征与融合特征进行分析预测,提升分析深度与全面性,提高分析结果精准度,针对不同故障分析结果进行针对性预警,保障检修的及时有效性。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种半导体清洗设备的故障监测预警方法及***。
背景技术
清洗步骤作为贯穿半导体产业链的重要环节,直接影响着集成电路的成品良率,因此需严格把控清洗能效,保障半导体清洗设备的标准化运行。半导体清洗设备运行过程中,不可避免地存在故障运行,以影响清洗效果。现如今,主要通过布设监测设备进行集成监测,基于监测运行状态进行故障评估,或针对清洗产品进行抽检,以进行清洗实况确定,针对存在的异常数据进行故障定位检修。当前的故障监测预警方式较为传统,存在着一定的弊端。
现有技术中,对于半导体清洗设备的故障监测预警方法分析深度与完备性不足,只针对可监测数据进行故障衡量,导致故障监测结果精准度不足,忽略了潜在性故障因素,影响设备运行准确度。
发明内容
本申请提供了一种半导体清洗设备的故障监测预警方法及***,用于针对解决现有技术中存在的对于半导体清洗设备的故障监测预警方法分析深度与完备性不足,只针对可监测数据进行故障衡量,导致故障监测结果精准度不足,忽略了潜在性故障因素,影响设备运行准确度的技术问题。
鉴于上述问题,本申请提供了一种半导体清洗设备的故障监测预警方法及***。
第一方面,本申请提供了一种半导体清洗设备的故障监测预警方法,所述方法包括:
通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;
通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;
通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;
通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据;
将所述机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据作为输入变量,输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征;
将所述各部件清洗运行特征输入运行特征预测模型,获得各部件预测结果;
当所述各部件清洗运行特征、各部件预测结果有任一结果达到预警条件时,根据预警发送规则发送预警信息。
第二方面,本申请提供了一种半导体清洗设备的故障监测预警***,所述***包括:
机械手移动监测数据获取模块,所述机械手移动监测数据获取模块用于通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;
化学药液传输数据获取模块,所述化学药液传输数据获取模块用于通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;
清洗腔室监测数据获取模块,所述清洗腔室监测数据获取模块用于通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;
循环流量监测数据获取模块,所述循环流量监测数据获取模块用于通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据;
特征分析模块,所述特征分析模块用于将所述机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据作为输入变量,输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征;
特征预测模块,所述特征预测模块用于将所述各部件清洗运行特征输入运行特征预测模型,获得各部件预测结果;
结果预警模块,所述结果预警模块用于当所述各部件清洗运行特征、各部件预测结果有任一结果达到预警条件时,根据预警发送规则发送预警信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种半导体清洗设备的故障监测预警方法,通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据,进一步输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征,输入运行特征预测模型获得各部件预测结果,当所述各部件清洗运行特征、各部件预测结果存在任一结果达到预警条件时,根据预警发送规则发送预警信息,解决现了有技术中存在的对于半导体清洗设备的故障监测预警方法分析深度与完备性不足,只针对可监测数据进行故障衡量,导致故障监测结果精准度不足,忽略了潜在性故障因素,影响设备运行准确度的技术问题,通过提取单组件特征与融合特征进行分析预测,提升分析深度与全面性,提高分析结果精准度,针对不同故障分析结果进行针对性预警,保障检修的及时有效性。
附图说明
图1为本申请提供了一种半导体清洗设备的故障监测预警方法流程示意图;
图2为本申请提供了一种半导体清洗设备的故障监测预警方法中机械手运行特征列表构建流程示意图;
图3为本申请提供了一种半导体清洗设备的故障监测预警方法中预警条件设定流程示意图;
图4为本申请提供了一种半导体清洗设备的故障监测预警***结构示意图。
附图标记说明:机械手移动监测数据获取模块11,化学药液传输数据获取模块12,清洗腔室监测数据获取模块13,循环流量监测数据获取模块14,特征分析模块15,特征预测模块16,结果预警模块17。
具体实施方式
本申请通过提供一种半导体清洗设备的故障监测预警方法及***,监测获取机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据,输入特征分析模块确定各部件清洗运行特征,输入运行特征预测模型获得各部件预测结果,当存在任一结果达到预警条件时发送预警信息,用于解决现有技术中存在的对于半导体清洗设备的故障监测预警方法分析深度与完备性不足,只针对可监测数据进行故障衡量,导致故障监测结果精准度不足,忽略了潜在性故障因素,影响设备运行准确度的技术问题。
实施例一:如图1所示,本申请提供了一种半导体清洗设备的故障监测预警方法,所述方法应用于故障监测预警***,所述故障监测预警***包括机械手监测模块、化学药液传输模块、清洗腔室监测模块、水循环监测模块,所述方法包括:
步骤S100:通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;
具体而言,清洗步骤作为贯穿半导体产业链的重要环节,直接影响着集成电路的成品良率,因此需严格把控清洗能效,保障半导体清洗设备的标准化运行。本申请提供的一种半导体清洗设备的故障监测方法应用于所述故障监测***,所述***为进行半导体清洗设备故障的全位面完备监预警的总控***,所述***包括机械手监测模块、化学药液传输模块、清洗腔室监测模块与水循环监测模块多个功能性模块,分别连接有适配性监测设备,与所述半导体清洗设备的运行部件相对应,用于进行监测数据采集,以确定时效性精准监测数据。
具体的,机械手为进行半导体产品夹持的组件,所述机械手监测模块为进行机械手的监测控制与数据录入的执行模块,所述机械手监测模块与所述机械手监测设备连接,所述机械手监测设备为布设于机械手运行空间中的监测设备,例如可以是图像采集设备、轨迹监测设备等,基于所述机械手监测设备进行实时运行采集,将监测数据反馈至所述机械手监测模块中,进行监测数据统计规整,生成所述机械手移动监测数据,所述机械手移动监测数据为进行故障分析的采集源数据。
步骤S200:通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;
步骤S300:通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;
步骤S400:通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据;
具体而言,化学药液用于进行半导体产品的清洗,不同清洗工艺节点对应的清洗需求不同,导致化学药液类型不同,所述化学药液传输模块为进行化学药液配置监测的控制执行设备,所述化学药液传输模块与所述化学药液配置执行设备连接,监测所述化学药液配置执行设备获取化学药液配置流程数据,包括原料、含量等,进行数据统计规整传输导入所述化学药液传输模块中,获取所述化学药液传输数据。
进一步的,清洗腔为进行半导体产品清洗的执行空间,所述清洗腔室监测模块为进行清洗监测控制的执行模块,所述清洗腔室监测模块与所述清洗腔室液体监测设备连接,所述清洗腔室液体监测设备用于监测实时清洗工况,可以是多类型传感监测设备,采集多维实时清洗数据,基于数据类型进行数据归属整合,导入所述化学药液传输模块中,获取所述化学药液传输数据。
进一步的,所述水循环监测模块用于进行药液清洗的循环流转监测,以进行药液与融合杂质的流转影响分析,所述水循环流量监测设备为清洗进程中流量数据的辅助性监测采集设备,所述水循环监测模块与所述水循环流量监测设备连接,用于进行设备监测控制与监测数据导入统计,获取所述水循环流量监测数据。上述监测数据皆为所述半导体清洗设备的部件分类采集结果,具有时效一致性,用于半导体清洗设备异常判定预警的待分析数据源。
步骤S500:将所述机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据作为输入变量,输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征;
具体而言,所述机械手移动监测数据、所述化学药液传输数据、所述清洗腔室的监测数据与所述水循环流量监测数据为所述半导体清洗设备的运行部件监测数据源。构建所述特征分析模块,所述特征分析模块为自定义设定的满足分析需求的特征识别分析功能区,包括单部件运行特征分析子模块与部件融合特征分析子模块,用于进行特征识别提取分析。如下为一种可行性构建方式:针对模块分析部件,采集样本监测数据进行分析,针对需求特征维度进行人工识别分析与特征提取,确定对应的样本识别特征,对样本监测数据与样本识别特征进行映射对应,将其作为构建数据进行神经网络训练,完成子模块构建,同时,将对应样本监测数据识别分析算法嵌入对应的子模块中,集成多个子模块,生成所述特征分析模块,其中,上述多个子模块的构建方法相同。将上述运行部件监测数据源输入所述特征分析模块中,分别进行单项特征分析与融合特征分析,以提高特征分析结果的完备性与准确度,生成所述各部件清洗运行特征。
进一步而言,如图2所示,本申请步骤S500还包括:
步骤S510-1:根据所述机械手移动监测数据,提取机械手移动轨迹、机械手运动振幅、工作时间;
步骤S520-1:根据所述机械手移动轨迹、机械手运动振幅、工作时间进行运行特征提取,获得机械手运行特征集;
步骤S530-1:基于工作时间对应关系,对所述机械手运行特征集进行对齐处理,构建机械手运行特征列表。
具体而言,对所述机械手监测数据与所述特征分析模块中的多个子模块进行映射匹配,传输至对应的单部件运行特征分析子模块中,基于子模块识别分析机制对所述机械手移动监测数据进行识别提取,所述模块识别分析机制为样本数据与样本监测数据识别分析算法训练生成,可直接进行执行分析。具体的,基于所述机械手移动监测数据,进行所述机械手移动轨迹、所述机械手运行振幅与所述工作时间的提取,例如可基于数据表征形式进行识别。由于进行机械手运行故障分析时,例如松动等,主要通过移动轨迹、时间、振幅进行评定分析。基于所述机械手移动轨迹、所述机械手运动振幅与所述工作时间,进行运行特征识别提取,例如轨迹偏离度、振幅范围、累计工作时长等,生成所述机械手运行特征集,将所述机械手运行特征集作为子模块输出结果。进一步基于所述机械手运行特征集的标识时间,进行同时序特征的映射对其,生成多个特征序列,其中,所述多个特征序列分别对应不同时间节点,基于时序推进集成整合所述多个特征序列,生成所述机械手运行特征列表。所述机械手运行特征列表为进行部件运行异常分析的依据。
进一步而言,本申请步骤S500还包括:
步骤S510-2:根据所述化学药液传输数据,获得化学药液成分、浓度要求、药液补给信息,其中,药液补给信息包括补给时间、补给量;
步骤S520-2:根据所述化学药液成分、浓度要求,进行清洗目标特征分析,确定药液清洗特征;
步骤S530-2:根据所述药液清洗特征、药液补给信息进行补给匹配关系分析,确定补给匹配特征;
步骤S540-2:基于所述药液清洗特征、补给匹配特征,获得化学药液运行特征集。
具体而言,将所述化学药液传输数据传输至所述特征分析模块中对应的单部件运行特征分析子模块,进行数据剖析确定化学药液的配置组分与配置含量识别,获取所述化学药液成分与所述浓度要求,对药液的补给时间与对应的单次补给量进行识别,确定所述药液补给信息。基于所述化学药液成分与所述浓度要求,进行细化特征提取,示例性的,提取各成分特征,例如可视化表征状态等;进行化学药液浓度计量,例如浓度变化速率等,作为所述药液清洗特征。对所述药液清洗特征与所述药液补给信息进行补给匹配分析,确定多个浓度-补给量-调整浓度的表征序列,用于进行实时补给状况衡量,作为所述补给匹配特征,以进行化学药液补给调整分析,若补给调整存疑表明存在部件异常。对所述药液清洗特征与所述补给匹配特征进行映射对应,生成所述化学药液运行特征集。所述化学药液运行特征集为进行设备组件运行异常评定的数据源。
进一步而言,本申请步骤S500还包括:
步骤S510-3:根据所述清洗腔室的监测数据,提取超声振幅信息、清洗流程信息、温度信息、液位信息、清洗元件信息及对应的化学药液信息;
步骤S520-3:基于所述清洗流程信息,建立所述超声振幅信息、温度信息、液位信息、清洗元件信息、化学药液信息与所述清洗流程信息的清洗腔室数据映射关系;
步骤S530-3:获得超声控制参数信息,基于所述超声控制参数信息与所述超声振幅信息进行匹配关系分析,确定振幅匹配度特征;
步骤S540-3:根据所述清洗腔室数据映射关系进行清洗特征分析,确定清洗腔特征;
步骤S550-3:将所述振幅匹配度特征、所述清洗腔特征,作为清洗腔室的运行特征。
具体而言,将所述清洗腔室的监测数据输入所述特征分析模块中对应的单部件运行特征分析子模块,对所述清洗腔室的监测数据进行识别提取,获取所述超声振幅信息、所述清洗流程信息、所述温度信息、所述液位信息、所述清洗元件信息及对应的化学药液信息,上述参数数据表征清洗步骤的实况,可直接进行识别提取。不同清洗流程节点对应的清洗参数需求不同,例如清洗初期与中期由于杂质含量差别导致清洗需求不同,将所述清洗流程信息作为推进依据,进行所述清洗流程信息,建立所述超声振幅信息、温度信息、液位信息、清洗元件信息与化学药液信息的映射对应,生成所述清洗腔室数据映射关系。获取所述超声控制参数信息,例如超声波频谱等,与所述超声振幅信息进行映射对应,确定控制参数与控制效果的匹配结果,分析两者是否相一致,生成所述振幅匹配度特征,当两者的匹配度较低时,表明存在的控制偏差较大,有待进行调控休整。对所述清洗腔室数据映射关系进行清洗特征分析,确定随着所述清洗流程信息的推进,不同清洗时期的表征状态,作为所述清洗腔特征。集成所述振幅匹配度特征与所述清洗腔特征,作为所述清洗腔室的运行特征。所述清洗腔室的运行特征为进行该清洗环节部件运行异常分析的数据源。
进一步而言,本申请步骤S500还包括:
步骤S510-4:根据所述水循环流量监测数据,提取水循环流量数据、水循环药液信息;
步骤S520-4:基于所述水循环流量数据、水循环药液信息进行时间对齐,确定水循环运行特征。
具体而言,将所述水循环流量监测数据输入所述特征分析模块中对应的单部件运行特征分析子模块,通过进行数据识别确定所述水循环流量数据与所述水循环药液信息,由于杂质融合特征的差异,可能对水循环管道存在影响,例如杂质沉积等,以影响到正常水循环流动,甚至出现堵塞。所述水循环流量数据包括单位流通量、流通速率等,所述水循环药液信息包括流通过程中的药液杂质成分、含量等,将所述水循环流量数据与所述水循环药液信息进行时间对其,即同时序节点的数据对应,作为所述水循环运行特征。所述水循环运行特征为进行水循环的运行环节异常分析判定的数据源。
进一步而言,所述各部件融合特征分析,本申请步骤S500还包括:
步骤S510-5:根据所述清洗腔室的运行特征,进行清洗元件、化学药液的特征影响关系分析,确定化学药液转换参数;
步骤S520-5:根据所述水循环运行特征、所述化学药液转换参数,进行水循环沉积附着分析,确定沉积附着物特征;
步骤S530-5:基于所述沉积附着物特征,以水循环流量监测数据进行流量、循环时间分析,获得水循环管壁附着时序特征。
具体而言,将所述清洗腔室的运行特征与所述水循环运行特征输入所述特征分析模块的部件融合特征分析子模块中,基于所述清洗腔室的运行特征,对所述清洗元件与所述化学药液进行特征影响关系分析,所述清洗元件为进行清洗处理的执行元件,进行清洗处理时,可能存在溶解、分离、电解、化合等多种方式,对应的生成产物不同,导致化学药液成分改变,将确定的转换成分、转换速率等作为所述化学药液转换参数。基于所述水循环运行特征与所述化学药液转换参数,确定沉积速率与沉积量,作为所述沉积附着物特征,例如转换速率越低、水循环速率越低,对应的沉积附着物的沉积速率与沉积量越高。所述沉积附着物为清洗处理后生成的转换成分沉积。进一步的,基于所述沉积附着物特征,结合所述水循环流量监测数据,即循环时间周期,其中,设备清洗过程中,会定期进行会循环流通,确定水循环流转运行下的附着时间,即沉积附着物于水循环下的管壁附着时间节点、时间间隔,作为所述水循环管壁附着时序特征。
步骤S600:将所述各部件清洗运行特征输入运行特征预测模型,获得各部件预测结果;
步骤S700:当所述各部件清洗运行特征、各部件预测结果有任一结果达到预警条件时,根据预警发送规则发送预警信息。
具体而言,搭建所述运行特征预测模型,所述运行特征预测模型为进行部件异常预测的辅助性分析工具。搭建所述运行特征预测模型的主体架构,通过进行大数据半导体清洗设备的运行记录数据统计,获取多个运行特征递变序列,对异常表征特征进行标识,将标识后的所述运行特征递变序列输入模型主体架构中进行训练,进一步采集多组样本数据作为验证数据,输入所述运行特征预测模型中进行模型准确度判定,若模型输出准确度不达标时,采集样本数据进行模型训练修正,直至模型的预测准确度达到预定准确度。进一步的,将所述各部件清洗运行特征输入所述运行特征预测模型中,通过进行运行特征匹配识别,确定所述各部件清洗运行特征对应的序列节点,分别与标识的异常表征特征进行测距,筛选满足预定距离的特征,生成所述各部件预测结果,其中,所述各部件预测结果带有时间节点标识,实时判定结果为附加输出信息,所述实时判定结果为与标识的异常表征特征相对应。
设定所述预警条件,对所述各部件清洗运行特征与所述各部件预测结果进行匹配评定,当同部件存在任一预测结果满足所述预警条件时,表明存在部件运行故障或存在潜在性部件运行故障,基于所述预警发送规则发送所述预警信息进行预警警示,所述预警发送规则为设定的用于进行部件预警的预警方式,不同故障组件、同组件的不同故障等级对应的预警发送规则不同,以实现部件专用精准预警。
进一步而言,如图3所示,本申请步骤S700还包括:
步骤S710-1:根据清洗设备的机械手、药液投放设备、清洗腔室、水循环设备的基础信息,获得故障记录集;
步骤S720-1:根据所述故障记录集,分别进行机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据的故障特征分析,确定各部件的故障特征集;
步骤S730-1:基于所述各部件的故障特征集,设定预警条件。
具体而言,针对半导体清洗设备运行过程中的多类故障因素,需及时进行预警警示,以作及时修正调整,避免造成后续清洗异常。具体的,设定预定时间区间,即进行历史记录调取的时间范围,基于所述预定时间区间,进行设备运行记录采集调取,包括所述机械手、所述药液投放设备、所述清洗腔室与所述水循环设备,生成所述故障记录集,所述故障记录集带有时间节点与故障因素标识。遍历所述故障记录集,对所述机械手移动监测数据、所述化学药液传输数据、所述清洗腔室的监测数据与所述水循环流量监测数据进行映射匹配,基于匹配性故障记录进行故障特征提取,例如水流量小于某一特定值时,造成异常运行,如管道堵塞等,分别进行分析整合,集成生成所述各部件的故障特征集,包括多种可能性故障特征。针对所述各部件的故障特征集,分别进行预警条件设置,即触发异常预警的运行实况,例如水流量小于某一特定值时,激发所述水循环设备的预警,以做到及时有效的设备异常预警。
进一步而言,所述根据预警发送规则发送预警信息,本申请步骤S700还包括:
步骤S710-2:基于所述预警条件,确定故障类型、故障等级,所述故障类型包括部件特征预警、融合特征预警;
步骤S720-2:分别基于所述部件特征预警、融合特征预警,设定预警类型,其中,所述预警类型包括信号灯预警、警示音预警;
步骤S730-2:根据部件信息,设定部件预警信号颜色信息或声音类型信息;
步骤S740-2:根据故障等级,设定信号灯闪烁频率或声音节奏速度。
具体而言,不同故障因素对应的预警条件不同,基于所述预警条件,确定所述故障类型与所述故障等级,所述故障类型包括所述部件特征预警与所述融合特征预警,其中所述部件特征预警与所述融合特征预警包含多种细化故障。具体的,针对不同的故障,设定不同的预警方式,便于直接进行故障因素判定。基于所述部件特征预警与所述融合特征预警,设定所述预警类型,即预警方式,可针对所述部件特征预警采用信号灯预警,针对所述融合特征预警采用警示音预警,以便进行区分。进一步的,进行预警类型细化,根据不同的部件信息,针对所述部件特征预警设定不同的预警信号颜色信息;针对不同的融合特征预警,设定不同的声音类型信息,以进行该部件的专用预警,用作区分。针对故障等级同步进行预警方式调制,针对部件特征预警,将信号灯闪烁频率作为等级判定标准,频率越高,对应的预警等级越高;针对融合特征预警,将声音节奏速度作为等级判定标准,速度越快,对应的预警等级越高,可基于预警信息直接进行故障判定。优选的,预警等级越高,对应的修复优先级越高,当存在多部件同时预警时,基于预警等级确定修复顺序。
实施例二:基于与前述实施例中一种半导体清洗设备的故障监测预警方法相同的发明构思,如图4所示,本申请提供了一种半导体清洗设备的故障监测预警***,所述***包括:
机械手移动监测数据获取模块11,所述机械手移动监测数据获取模块11用于通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;
化学药液传输数据获取模块12,所述化学药液传输数据获取模块12用于通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;
清洗腔室监测数据获取模块13,所述清洗腔室监测数据获取模块13用于通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;
循环流量监测数据获取模块14,所述循环流量监测数据获取模块14用于通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据;
特征分析模块15,所述特征分析模块15用于将所述机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据作为输入变量,输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征;
特征预测模块16,所述特征预测模块16用于将所述各部件清洗运行特征输入运行特征预测模型,获得各部件预测结果;
结果预警模块17,所述结果预警模块17用于当所述各部件清洗运行特征、各部件预测结果有任一结果达到预警条件时,根据预警发送规则发送预警信息。
进一步而言,所述***还包括:
机械手移动监测数据剖析模块,所述机械手移动监测数据剖析模块用于根据所述机械手移动监测数据,提取机械手移动轨迹、机械手运动振幅、工作时间;
机械手运行特征提取模块,所述机械手运行特征提取模块用于根据所述机械手移动轨迹、机械手运动振幅、工作时间进行运行特征提取,获得机械手运行特征集;
特征列表构建模块,所述特征列表构建模块用于基于工作时间对应关系,对所述机械手运行特征集进行对齐处理,构建机械手运行特征列表。
进一步而言,所述***还包括:
化学药液传输数据剖析模块,所述化学药液传输数据剖析模块用于根据所述化学药液传输数据,获得化学药液成分、浓度要求、药液补给信息,其中,药液补给信息包括补给时间、补给量;
清洗特征分析模块,所述清洗特征分析模块用于根据所述化学药液成分、浓度要求,进行清洗目标特征分析,确定药液清洗特征;
补给匹配特征确定模块,所述补给匹配特征确定模块用于根据所述药液清洗特征、药液补给信息进行补给匹配关系分析,确定补给匹配特征;
化学药液运行特征获取模块,所述化学药液运行特征获取模块用于基于所述药液清洗特征、补给匹配特征,获得化学药液运行特征集。
进一步而言,所述***还包括:
清洗腔室监测数据剖析模块,所述清洗腔室监测数据剖析模块用于根据所述清洗腔室的监测数据,提取超声振幅信息、清洗流程信息、温度信息、液位信息、清洗元件信息及对应的化学药液信息;
映射关系构建模块,所述映射关系构建模块用于基于所述清洗流程信息,建立所述超声振幅信息、温度信息、液位信息、清洗元件信息、化学药液信息与所述清洗流程信息的清洗腔室数据映射关系;
振幅匹配度特征获取模块,所述振幅匹配度特征获取模块用于获得超声控制参数信息,基于所述超声控制参数信息与所述超声振幅信息进行匹配关系分析,确定振幅匹配度特征;
清洗腔特征确定模块,所述清洗腔特征确定模块用于根据所述清洗腔室数据映射关系进行清洗特征分析,确定清洗腔特征;
运行特征确定模块,所述运行特征确定模块用于将所述振幅匹配度特征、所述清洗腔特征,作为清洗腔室的运行特征。
进一步而言,所述***还包括:
水循环流量监测数据剖析模块,所述水循环流量监测数据剖析模块用于根据所述水循环流量监测数据,提取水循环流量数据、水循环药液信息;
水循环运行特征确定模块,所述水循环运行特征确定模块用于基于所述水循环流量数据、水循环药液信息进行时间对齐,确定水循环运行特征。
进一步而言,所述***还包括:
转换参数确定模块,所述转换参数确定模块用于根据所述清洗腔室的运行特征,进行清洗元件、化学药液的特征影响关系分析,确定化学药液转换参数;
沉积附着物特征确定模块,所述沉积附着物确定模块用于根据所述水循环运行特征、所述化学药液转换参数,进行水循环沉积附着分析,确定沉积附着物特征;
附着时序特征获取模块,所述附着时序特征获取模块用于基于所述沉积附着物特征,以水循环流量监测数据进行流量、循环时间分析,获得水循环管壁附着时序特征。
进一步而言,所述***还包括:
故障记录集获取模块,所述故障记录集获取模块用于根据清洗设备的机械手、药液投放设备、清洗腔室、水循环设备的基础信息,获得故障记录集;
故障特征分析模块,所述故障特征分析模块用于根据所述故障记录集,分别进行机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据的故障特征分析,确定各部件的故障特征集;
预警条件设定模块,所述预警条件设定模块用于基于所述各部件的故障特征集,设定预警条件。
进一步而言,所述***还包括:
故障参数确定模块,所述故障参数确定模块用于基于所述预警条件,确定故障类型、故障等级,所述故障类型包括部件特征预警、融合特征预警;
预警类型设定模块,所述预警类型设定模块用于分别基于所述部件特征预警、融合特征预警,设定预警类型,其中,所述预警类型包括信号灯预警、警示音预警;
部件预警参数设定模块,所述部件预警参数设定模块用于根据部件信息,设定部件预警信号颜色信息或声音类型信息;
等级预警参数设定模块,所述等级预警参数设定模块用于根据故障等级,设定信号灯闪烁频率或声音节奏速度。
本说明书通过前述对一种半导体清洗设备的故障监测预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种半导体清洗设备的故障监测预警方法及***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种半导体清洗设备的故障监测预警方法,其特征在于,所述方法应用于故障监测预警***,所述故障监测预警***包括机械手监测模块、化学药液传输模块、清洗腔室监测模块、水循环监测模块,所述方法包括:
通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;
通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;
通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;
通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据;
将所述机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据作为输入变量,输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征;
将所述各部件清洗运行特征输入运行特征预测模型,获得各部件预测结果;
当所述各部件清洗运行特征、各部件预测结果有任一结果达到预警条件时,根据预警发送规则发送预警信息。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述机械手移动监测数据,提取机械手移动轨迹、机械手运动振幅、工作时间;
根据所述机械手移动轨迹、机械手运动振幅、工作时间进行运行特征提取,获得机械手运行特征集;
基于工作时间对应关系,对所述机械手运行特征集进行对齐处理,构建机械手运行特征列表。
3.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述化学药液传输数据,获得化学药液成分、浓度要求、药液补给信息,其中,药液补给信息包括补给时间、补给量;
根据所述化学药液成分、浓度要求,进行清洗目标特征分析,确定药液清洗特征;
根据所述药液清洗特征、药液补给信息进行补给匹配关系分析,确定补给匹配特征;
基于所述药液清洗特征、补给匹配特征,获得化学药液运行特征集。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述清洗腔室的监测数据,提取超声振幅信息、清洗流程信息、温度信息、液位信息、清洗元件信息及对应的化学药液信息;
基于所述清洗流程信息,建立所述超声振幅信息、温度信息、液位信息、清洗元件信息、化学药液信息与所述清洗流程信息的清洗腔室数据映射关系;
获得超声控制参数信息,基于所述超声控制参数信息与所述超声振幅信息进行匹配关系分析,确定振幅匹配度特征;
根据所述清洗腔室数据映射关系进行清洗特征分析,确定清洗腔特征;
将所述振幅匹配度特征、所述清洗腔特征,作为清洗腔室的运行特征。
5.如权利要求4所述的方法,其特征在于,所述方法包括:
根据所述水循环流量监测数据,提取水循环流量数据、水循环药液信息;
基于所述水循环流量数据、水循环药液信息进行时间对齐,确定水循环运行特征。
6.如权利要求5所述的方法,其特征在于,所述各部件融合特征分析,包括:
根据所述清洗腔室的运行特征,进行清洗元件、化学药液的特征影响关系分析,确定化学药液转换参数;
根据所述水循环运行特征、所述化学药液转换参数,进行水循环沉积附着分析,确定沉积附着物特征;
基于所述沉积附着物特征,以水循环流量监测数据进行流量、循环时间分析,获得水循环管壁附着时序特征。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据清洗设备的机械手、药液投放设备、清洗腔室、水循环设备的基础信息,获得故障记录集;
根据所述故障记录集,分别进行机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据的故障特征分析,确定各部件的故障特征集;
基于所述各部件的故障特征集,设定预警条件。
8.如权利要求7所述的方法,其特征在于,所述根据预警发送规则发送预警信息,包括:
基于所述预警条件,确定故障类型、故障等级,所述故障类型包括部件特征预警、融合特征预警;
分别基于所述部件特征预警、融合特征预警,设定预警类型,其中,所述预警类型包括信号灯预警、警示音预警;
根据部件信息,设定部件预警信号颜色信息或声音类型信息;
根据故障等级,设定信号灯闪烁频率或声音节奏速度。
9.一种半导体清洗设备的故障监测预警***,其特征在于,所述***包括机械手监测模块、化学药液传输模块、清洗腔室监测模块、水循环监测模块,所述***包括:
机械手移动监测数据获取模块,所述机械手移动监测数据获取模块用于通过机械手监测模块与机械手监测设备连接,获取机械手移动监测数据;
化学药液传输数据获取模块,所述化学药液传输数据获取模块用于通过化学药液传输模块与化学药液配置执行设备连接,获得化学药液传输数据;
清洗腔室监测数据获取模块,所述清洗腔室监测数据获取模块用于通过清洗腔室监测模块与清洗腔室液体监测设备连接,获取清洗腔室的监测数据;
循环流量监测数据获取模块,所述循环流量监测数据获取模块用于通过水循环监测模块与水循环流量监测设备连接,获得水循环流量监测数据;
特征分析模块,所述特征分析模块用于将所述机械手移动监测数据、化学药液传输数据、清洗腔室的监测数据、水循环流量监测数据作为输入变量,输入特征分析模块进行各部件运行特征分析及各部件融合特征分析,确定各部件清洗运行特征;
特征预测模块,所述特征预测模块用于将所述各部件清洗运行特征输入运行特征预测模型,获得各部件预测结果;
结果预警模块,所述结果预警模块用于当所述各部件清洗运行特征、各部件预测结果有任一结果达到预警条件时,根据预警发送规则发送预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310335566.9A CN116046078A (zh) | 2023-03-31 | 2023-03-31 | 一种半导体清洗设备的故障监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310335566.9A CN116046078A (zh) | 2023-03-31 | 2023-03-31 | 一种半导体清洗设备的故障监测预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116046078A true CN116046078A (zh) | 2023-05-02 |
Family
ID=86133578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310335566.9A Pending CN116046078A (zh) | 2023-03-31 | 2023-03-31 | 一种半导体清洗设备的故障监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116046078A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153712A (zh) * | 2023-09-18 | 2023-12-01 | 苏州恩腾半导体科技有限公司 | 半导体清洗设备腔室内部的综合监控***及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1649100A (zh) * | 2004-07-23 | 2005-08-03 | 王文 | 高效能臭氧水清洗半导体晶圆的***及其方法 |
US20080289652A1 (en) * | 2004-09-28 | 2008-11-27 | Satomi Hamada | Substrate Cleaning Apparatus and Method for Determining Timing of Replacement of Cleaning Member |
CN105810618A (zh) * | 2016-05-31 | 2016-07-27 | 北京七星华创电子股份有限公司 | 提高晶圆传输效率的***及方法 |
CN106328569A (zh) * | 2016-11-07 | 2017-01-11 | 北京七星华创电子股份有限公司 | 半导体清洗设备工作状态的监测***及检测方法 |
CN110689067A (zh) * | 2019-09-25 | 2020-01-14 | 上海华力集成电路制造有限公司 | 晶圆的失效检测方法、装置、设备及存储介质 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化*** |
CN113383282A (zh) * | 2019-01-31 | 2021-09-10 | 应用材料公司 | 校正离子注入半导体制造工具中的部件故障 |
CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN115148620A (zh) * | 2021-03-30 | 2022-10-04 | 长鑫存储技术有限公司 | 晶圆清洗异常检测方法及装置 |
-
2023
- 2023-03-31 CN CN202310335566.9A patent/CN116046078A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1649100A (zh) * | 2004-07-23 | 2005-08-03 | 王文 | 高效能臭氧水清洗半导体晶圆的***及其方法 |
US20080289652A1 (en) * | 2004-09-28 | 2008-11-27 | Satomi Hamada | Substrate Cleaning Apparatus and Method for Determining Timing of Replacement of Cleaning Member |
CN105810618A (zh) * | 2016-05-31 | 2016-07-27 | 北京七星华创电子股份有限公司 | 提高晶圆传输效率的***及方法 |
CN106328569A (zh) * | 2016-11-07 | 2017-01-11 | 北京七星华创电子股份有限公司 | 半导体清洗设备工作状态的监测***及检测方法 |
CN113383282A (zh) * | 2019-01-31 | 2021-09-10 | 应用材料公司 | 校正离子注入半导体制造工具中的部件故障 |
CN110689067A (zh) * | 2019-09-25 | 2020-01-14 | 上海华力集成电路制造有限公司 | 晶圆的失效检测方法、装置、设备及存储介质 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化*** |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN115148620A (zh) * | 2021-03-30 | 2022-10-04 | 长鑫存储技术有限公司 | 晶圆清洗异常检测方法及装置 |
CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张剑波等: "《清洗技术基础教程》", 中国环境科学出版社, pages: 421 - 424 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153712A (zh) * | 2023-09-18 | 2023-12-01 | 苏州恩腾半导体科技有限公司 | 半导体清洗设备腔室内部的综合监控***及方法 |
CN117153712B (zh) * | 2023-09-18 | 2024-03-29 | 苏州恩腾半导体科技有限公司 | 半导体清洗设备腔室内部的综合监控***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
CN108510221A (zh) | 具有进行库存管理以及预防维护的功能的库存管理*** | |
CN116046078A (zh) | 一种半导体清洗设备的故障监测预警方法及*** | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN115643159B (zh) | 一种基于边缘计算的设备异常预警方法及*** | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及*** | |
CN109426225A (zh) | 一种烟草制丝生产的质量控制方法 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及*** | |
CN109634233A (zh) | 工业大数据智能分析决策方法、可读存储介质和终端 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及*** | |
CN113806969A (zh) | 一种基于时域数据关联建模的压缩机组健康预测方法 | |
CN109614451A (zh) | 工业大数据智能分析决策装置 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制***及其控制方法 | |
CN108593622A (zh) | 一种用于石化生产过程的智能化集成光纤传感***及其实时监测诊断方法 | |
CN116991146B (zh) | 一种超声波清洗装置的控制方法及*** | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和*** | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及*** | |
CN116611574A (zh) | 一种管道焊接机器人钢结构的再制造评估方法及*** | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及*** | |
CN114063601A (zh) | 一种基于人工智能的设备状态诊断***及方法 | |
CN115511237A (zh) | 装置运行状况监控方法及*** | |
CN117870034B (zh) | 洁净室环境参数的控制方法、装置及*** | |
CN117668501B (zh) | 一种基于自动化生产的焊接数据智能管理***及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230502 |