JP2008109101A - モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム - Google Patents
モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム Download PDFInfo
- Publication number
- JP2008109101A JP2008109101A JP2007235193A JP2007235193A JP2008109101A JP 2008109101 A JP2008109101 A JP 2008109101A JP 2007235193 A JP2007235193 A JP 2007235193A JP 2007235193 A JP2007235193 A JP 2007235193A JP 2008109101 A JP2008109101 A JP 2008109101A
- Authority
- JP
- Japan
- Prior art keywords
- data
- unit
- feature
- process data
- analysis
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 481
- 230000008569 process Effects 0.000 title claims abstract description 362
- 230000005856 abnormality Effects 0.000 title claims description 34
- 238000007689 inspection Methods 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000007418 data mining Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000013500 data storage Methods 0.000 claims description 63
- 238000004519 manufacturing process Methods 0.000 claims description 49
- 238000003860 storage Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 238000000491 multivariate analysis Methods 0.000 claims description 7
- 230000000630 rising effect Effects 0.000 claims description 5
- 239000000047 product Substances 0.000 description 65
- 238000013480 data collection Methods 0.000 description 39
- 238000012545 processing Methods 0.000 description 35
- 239000011521 glass Substances 0.000 description 31
- 239000000758 substrate Substances 0.000 description 28
- 230000006870 function Effects 0.000 description 25
- 238000001514 detection method Methods 0.000 description 18
- 239000000243 solution Substances 0.000 description 17
- 239000004065 semiconductor Substances 0.000 description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000000576 coating method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229920001131 Pulp (paper) Polymers 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000002537 cosmetic Substances 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
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002438 flame photometric detection Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000010800 human waste Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】 適切なプロセスステップの区間を設定し、対象品の品質の推測に用いることのできるモデル作成装置を提供すること
【解決手段】 モデル作成装置10は、プロセスが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセスデータと、そのプロセスで処理された対象品についての検査結果情報とを入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する。ステップ対応付け部10aは、個々のプロセスの各プロセスデータごとにプロセスステップの区間を決定し、特徴量抽出部10bは、単位対象品ごと及び決定されたプロセスステップごとにプロセス特徴量を抽出する。解析部10eは、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニング等による解析を実行することにより、プロセス−品質モデルを作成する。
【選択図】 図4
【解決手段】 モデル作成装置10は、プロセスが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセスデータと、そのプロセスで処理された対象品についての検査結果情報とを入力し、プロセス状態情報から抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する。ステップ対応付け部10aは、個々のプロセスの各プロセスデータごとにプロセスステップの区間を決定し、特徴量抽出部10bは、単位対象品ごと及び決定されたプロセスステップごとにプロセス特徴量を抽出する。解析部10eは、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニング等による解析を実行することにより、プロセス−品質モデルを作成する。
【選択図】 図4
Description
この発明は、プロセスの状態に関連し処理される対象品の品質に影響する可能性のあるプロセスデータ及び対象品についての検査結果情報を取得し、プロセスデータから抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置及びモデル作成システム並びに異常分析検出装置に関する。
半導体・液晶パネルをはじめとする各種の製品の製造プロセスは、製品の製造歩留まりを改善し、或いは歩留まりが良好な状態を維持するために、適切に管理されなければならない。
半導体デバイスは、100工程以上も有する半導体プロセスを経て製造され、また、複数の複雑な半導体製造装置を用いて製造される。そのため、各製造装置(プロセス装置)の状態を示すパラメータと各製造装置を用いて製造された半導体デバイスの特性との関係が明確には求められていないものが多数ある。一方、半導体プロセスは、製造された半導体デバイスの歩留まりが良くなるように、常に各工程を厳密に管理しなければならないという要求もある。
係る問題を解決するため、特許文献1に開示された発明では、プロセス実行時に発生する多岐にわたるプロセスデータと処理結果とを取得し、データマイニングにより解析してプロセスデータとその処理結果の相関のモデルを作成する。このモデルを用い、プロセス実行時に処理結果の予測を行なうことができる。
例えば液晶パネル製造のアレイ工程において、ホットプレートにガラスを置いたときにガラスの一部が異物などに乗り上げた場合、レジスト膜厚に不均一性が生じる。その結果、パターンの線幅が規格外になるなどの製品品質に影響を与えることとなる。ホットプレートにガラスを置いた場合、そのホットプレートの温度は一旦降下したあと上昇するように変化するが、この温度低下の変化の割合(傾斜)が小さい場合、ガラスの一部が異物に乗り上げていると考えられる。
特許文献1に記述されているモデル作成装置やプロセス異常検出分類装置では、プロセスをプロセスステップに分けることができ、そのプロセスステップ毎にプロセスデータから特徴量を求めることができる。しかし、このプロセスステップはプロセス毎に固定であり、全てのプロセスデータに対して共通に設定されているため、特徴量に使用する時間が固定となっていた。よって、個々のガラスに対するプロセスにおいて、上記温度低下の変化の割合(傾斜、)つまり温度差/時間をプロセスデータ毎に異なる時間を使用した特徴量とすることができないため、有効なプロセス−品質モデルが得られず、また、効果的な異常検出ルール(プロセス特徴量−品質モデル)を実行できなかった。
本発明では、プロセスステップをプロセスデータ毎に適切に設定することができ、そのプロセスステップごとに抽出したプロセス特徴量を用いることで、各プロセスステップの特徴をよく反映したモデルを作成することができるモデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラムを提供することを目的とする。
(1)この発明によるモデル作成方法は、プロセスが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセスデータを取得するステップ、そのプロセスの実行の結果得られた単位対象品の検査結果情報を取得するステップ、取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ、その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出するステップ、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニング或いは多変量解析による解析を実行し、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するステップ、を実行するようにした。
(2)プロセスステップの区間の決定は、処理対象のプロセスデータの最小値、最大値となる時点と、および、そのプロセスデータの平均値,中央値,第1四分位値,第3四分位値のいずれかひとつをしきい値とする立ち上がり立ち下がりの時点と、あらかじめ設定された値となる時点のうちの少なくとも1つを使用することができる。さらに、それらの時点を基準として、値或いは時間的に一定のマージンをとった時点を区間の開始,終了タイミングとしても良い。
(3)本発明による異常分析方法は、単位対象品について、プロセス実行中に時系列に発生するプロセスデータを取得するステップ、取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ、その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出するステップ、(1)又は(2)の方法で作成したプロセス−品質モデルに、プロセス特徴量を適用して、異常分析を行なうステップ、を実行するようにした。
(4)上記(1)の方法を実施するのに適したモデル作成装置は、プロセスが実行されている期間中に時系列に取得される、プロセスデータと、そのプロセスで処理された単位対象品についての検査結果情報とに基づき、プロセスデータから抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置であって、取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け部と、その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出部と、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニング或いは多変量解析による解析を実行し、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析部と、を備えて構成することができる。
(5)上記(3)の方法を実施するのに適したプロセス異常分析装置は、1または複数の製造装置からなる製造システムにおいて、プロセス実行時に得られるプロセスデータに基づいてプロセスの異常を単位対象品毎に検出するプロセス異常分析装置であって、時系列のプロセスデータを記憶するプロセスデータ記憶手段と、そのプロセスデータ記憶手段に格納されたプロセスデータから個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け部と、そのステップ対応付け部で決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出部と、プロセス特徴量から製造システムで製造される製品並びに製造装置の異常検出を行なうためのプロセス−品質モデルを記憶する記憶部と、プロセス−品質モデルをプロセスステップごとに抽出されたプロセス特徴量に適用して、異常分析を行なう判定部と、を備えることができる。
(6)モデル作成処理を実行するためのプログラムは、コンピュータを、取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け手段、その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出手段、関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニング或いは多変量解析による解析を実行し、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段、として機能させるためのプログラムとした。
(7)また、プロセス異常分析をするためのプログラムは、コンピュータを、プロセスデータ記憶手段に格納されたプロセスデータから個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け手段、そのステップ対応付け部で決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出手段と、プロセス−品質モデルを、プロセスステップごとに抽出されたプロセス特徴量に適用して、異常分析を行なう判定手段、として機能させるためのプログラムとした。
このモデル作成装置によれば、プロセスの状態に関して取得でき、品質との関連についての予測によって絞り込まれていない多種類の情報に基づいて、対象品の品質の推測に用いることのできるプロセス−品質モデルを作成することができる。特に、プロセスステップの区間を各プロセスデータごとに決定したため、適切なプロセスステップの区間に基づいてプロセス特徴量を抽出できるので、各プロセスステップの特徴をよく反映したモデルを作成することができる。
ここで、「プロセス」には、製造プロセスを含むがこれにかぎるものではない。「プロセス」に含まれる製造プロセスによって製造される対象品には、半導体,FPD(フラットパネルディスプレイ:液晶,PDP,EL,FEDなどを用いるディスプレイ),薬品,化粧品,食品,化学,鉄鋼,紙パルプ,射出成形,樹脂が含まれる。「プロセス」に含まれる非製造プロセスには、水処理,ゴミ処理,し尿処理,ガス供給,発電,空調が含まれる。
データマイニングとは、大規模なデータベースからルールやパターンを抽出する手法であり、その具体的な手法としては、決定木分析と呼ばれる手法及び回帰木分析と呼ばれる手法が知られている。
モデル作成装置やプロセス異常検出分類装置におけるプロセスを構成するプロセスステップの開始、終了のタイミングとして、当該プロセス区間における最小値、最大値を定義できるようにした場合、既出のタイミングとあわせ適切なプロセス特徴量を得ることが可能となる。
あわせて、当該プロセス区間における平均値、中央値、四分位値など当該プロセスが完了した時点で判明する値をしきい値とする特定プロセスデータの立ち上がり立ち下がりもプロセスステップの開始、終了のタイミングとして定義できるようにした場合、これらプロセスステップの区切りおよび特徴量の抽出は、当該プロセスが完了した時点で直ちに実行することができる。
この発明のモデル作成装置によれば、プロセスの状態に関して取得でき、品質との関連についての予測によって絞り込まれていない多種類の情報に基づいて、対象品の品質の推測に用いることのできるプロセス−品質モデルを作成することができる。特に、時系列に取得されるプロセスデータを用いるので、十分な量の情報に基づいてモデルを作成することができる。また、適切に設定されたプロセスステップごとに抽出したプロセス特徴量を用いるので、各プロセスステップの特徴をよく反映したモデルを作成することができる。
図1は、本発明の一実施形態であるモデル作成装置を含む液晶パネル製造システムを示す。このシステムは、プロセス装置2,検査装置3及びモデル作成装置10を含む。これらの装置は、生産管理情報よりも詳細なプロセス関連情報を高速にやりとりするための装置用ネットワークであるEES(Equipment Engineering System)ネットワーク7によって相互に接続されている。図示は省略されているが、EESネットワーク7には、製造プロセスのより前の段階、及びより後の段階で用いられる他のプロセス装置及び検査装置も接続されている。さらに、このシステムは、MES(Manufacturing Execution System)を含む生産管理システム9及びこの生産管理システム9と接続された生産管理情報を伝送するMES系ネットワーク8を含んでいる。EESネットワーク7とMES系ネットワーク8とは、ルータ12を介して接続されている。MES系ネットワーク8上に存在する生産管理システム9は、ルータ12を経由して、EESネットワーク7上の各装置にアクセスすることができる。
この製造システムは、例えば、半導体や液晶パネルを製造するもので、プロセス装置2が半導体,液晶パネル等を製造するためのプロセスを実行する。液晶パネル製造システムにおいては、処理対象のガラス基板は、カセット1内に所定枚数セットされ、カセット単位でプロセス装置2及び検査装置3の間、並びにそれらの装置とより前の工程で用いられる装置及びより後の工程で用いられる装置との間を移動するとともに、各装置で所定の処理が行われる。このカセット1に実装された所定枚数のガラス基板が同一のロットとなる。カセット1には、RF−ID(radio frequency identification)タグ1aが取り付けられている。タグ1aは、RF−IDリードライトヘッド6との間で電磁結合をし、非接触で任意のデータを読み書きされるものであり、データキャリアとも呼ばれる。タグ1aには、ロットID、前段装置の出庫時刻等の情報が格納される。
この実施形態の液晶パネル製造システムでは、個々のガラス基板(対象品:この実施形態の場合は製品)ごとに管理する必要から、製品ごとにID(製品ID)が付与される。この製品IDは、例えばロットIDと、そのロット内の識別番号を結合することにより、設定できる。すなわち、仮にロットIDが「01201」で、ロット内にセット可能な枚数が1桁とすると、ロット内の1番目のガラス基板(ロット内の識別番号は「1」)の製品IDは、下一桁にロット内の識別番号を付加した「012011」と設定することができる。この製品IDの設定は、プロセス装置2に内蔵されたプロセスデータ収集装置4にて行なうことができる。
もちろん、タグ1aに、ロットIDに替えて、あるいはロットIDとともに収納された全てのガラス基板についての製品IDを記録しておき、プロセス装置2(プロセスデータ収集装置4)は、タグ1aに格納された全ての製品IDを取得するようにしてもよい。いずれの場合も、ユーザがカセット1からガラス基板1を取り出すとともにプロセス装置2に供給する順序は、決められた順番で行なう必要がある。また、カセット1にセットするガラス基板が1枚の場合には、タグ1aに記録したIDが、そのまま製品IDとして使用できる。
プロセス装置2は、ガラス基板に対して所定のプロセスを実行する装置である。プロセス装置2は、例えば、ガラス基板の表面にレジスト液を塗布するレジスト液塗布装置であったり、塗布したレジスト層を露光したり、現像したりするためのプロセス処理を実行する装置である。
プロセス装置2は、MES系ネットワーク8からルータ12経由で生産管理システム9から送られてきたレシピIDを取得する。プロセス装置2は、レシピIDと実際に行なうプロセスとの対応テーブルなどを持っており、取得したレシピIDに応じたプロセスを実行する。
プロセス装置2にはプロセスデータ収集装置(プロセス情報収集装置)4が内蔵されている。このプロセスデータ収集装置4は、EESネットワーク7に接続されている。プロセスデータ収集装置4は、プロセス装置2においてプロセスが実行されている期間中に、製造プロセスの状態に関連する情報であるプロセスデータを時系列に収集する。また、プロセス装置2には、装置IDが設定されており、その装置IDもプロセスデータ収集装置4を介してモデル作成装置10に渡される。
プロセスデータは、例えば、プロセス装置2の動作時の電圧,電流や、あるプロセスを実行するプロセス装置を出庫してから次のプロセスを実行するプロセス装置に投入されるまでの滞留時間などがある。また、プロセス装置2が液晶パネルの作成用の露光装置や現像装置の場合、ソフトベークホットプレート温度、露光におけるランプパワーや照度などがある。プロセス装置2は、これらのプロセスデータを検出するための検出装置を備え、その検出装置の出力が、プロセスデータ収集装置4に与えられる。
プロセスデータ収集装置4は、RF−IDリードライトヘッド6を介してタグ1aから読み取った前段装置の出庫時刻と、ガラス基板がセットされているプロセス装置2への投入時刻と、を収集する。これらの出庫時刻と投入時刻との差をとることにより、前段装置からの滞留時間を算出することができる。また、RF−IDリードライトヘッド6は、必要に応じてプロセス装置2からガラス基板を出庫する際に、出庫時刻等をタグ1aへ書き込む。
プロセスデータ収集装置4は、通信機能を備えている。プロセスデータ収集装置4は、プロセス装置2において発生したあらゆるプロセスデータを収集し、収集したプロセスデータにロットIDを対応付けてEES系ネットワーク7に出力する。収集するデータの種類は、上記のものに限るものではなく、さらに多くの情報を取得することも妨げない。
図2,図3は、プロセス装置2の一部であるホットプレート15の上にガラス基板16をおいた状態を示している。このホットプレート15によりガラス基板16が加熱されることで、ガラス基板16の表面に塗布されたレジストが、ソフトベークされる。また、ホットプレート15の表面近傍の内側には、温度センサ17が内蔵されている。この実施形態では、温度センサ17は、ホットプレート15の表面中央と四隅の合計5箇所(a〜e)に設置されている。
これにより、ホットプレート15の表面にガラス基板15の全面が接触している場合には、5つの温度センサ17の検出信号(ホットプレート温度)は、ほぼ等しくなる。これに対し、ホットプレート15とガラス基板16との間に異物18が介在した場合、その異物18の周囲ではホットプレート15の表面(加熱面)とガラス基板16との間に隙間が生じる。その結果、ホットプレート15の表面温度が均一ではなくなり、各温度センサの検出信号がばらつく。
図1に戻り、検査装置3には、RF−IDリードライトヘッド6が連結されている。このRF−IDリードライトヘッド6は、検査装置2内にセットされた製品(ガラス基板)が収納されているカセット1のタグ1aに対し、データの読み書きを行なう。読み取るデータには、ロットIDが含まれる。検査装置3に内蔵される検査データ収集装置5は、通信機能を備えており、収集した検査結果データ(膜厚データ)と検査位置座標データとを、製品IDと対応付けてEESネットワーク7に出力する。
生産管理システム9は、生産指示情報としてプロセスの種類を特定する情報であるレシピNo.(プロセス特定情報)をプロセス装置2に送る。プロセス装置2は、そのレシピNo.に対応した所定のプロセスを実行する。
モデル作成装置10は、2つのデータ収集装置4,5から出力されたプロセスデータ、位置情報データ、及び滞留時間データ、並びに検査結果データ、検査位置座標データを、EESネットワーク7を介して取得し、製品IDをキーに各データを関連付けてデータベース11に格納する。
モデル作成装置10は、ハードウェアの観点からは一般的なパーソナル・コンピュータであり、Windows(登録商標)などのオペレーティング・システム上で稼動するアプリケーション・プログラムによって、本装置の各機能が実現されている。また、モデル作成装置は、データベース11を利用する。データベース11は、モデル作成装置10を構成するコンピュータに内蔵の又は外付けのハードディスク装置等の記憶装置に設けてもよいし、モデル作成装置10と通信する他のコンピュータに設けてもよい。
モデル作成装置10は、キーボード等の入力装置13とディスプレイ等の出力装置14とを備えている。オペレータ(作業者)は、入力装置13を操作することにより、オペレータデータ,保守データ,故障データなどを入力することができる。係る操作によって入力された入力情報もデータベース11に登録される。モデル作成装置10は、製品IDをキーにして結合したプロセスデータ及び検査結果データに基づいてプロセス−品質モデルを作成する機能を備える。モデル作成装置10は、そのほかに、種々のデータを見るモニタリング機能、完成したプロセス−品質モデルに基づき、異常や故障についての検出と分類や予測を行なう機能も備えている。各機能の具体的な構成については、後述する。
図4は、モデル作成装置10の内部構成を示す。モデル作成装置10において、そのオペレーティング・システム上で稼動するアプリケーション・プログラムによって、以下の各処理機能部が実現されている。すなわち、すなわち、モデル作成装置10の処理機能部は、ステップ対応付け部10a,特徴量抽出部10b,データ結合部(検査結果対応付け手段)10c,データフィルター部10d,解析部10e,検査データ編集部10r,時系列解析部10f及び故障データ編集部10sを含む。これらの各部は、専用のハードウェア(回路)によって実現することも可能である。
さらに、各処理機能部がアクセスするためのデータを格納する記憶部として、一次データ記憶部(プロセスデータを格納する記憶手段)10g,ステップ情報付データ記憶部10h,プロセス特徴量記憶部10i,結合データ記憶部10j,解析用データ記憶部10k,検査データ記憶部10m,編集検査データ記憶部10n,故障データ記憶部10p及び編集故障データ記憶部10qを備えている。これらの各記憶部は、データベース11に設けられる。もっとも、本発明では、各記憶部をデータベース11以外のモデル作成装置10のメモリ、ハードディスク等の記憶装置に設けることや、モデル作成装置10と通信する他のコンピュータの記憶装置に設けることも妨げない。
モデル作成装置10は、次のように構成することもできる。すなわち、EESネットワーク7に接続されるコンピュータは、プロセス装置2及び検査装置3との通信、並びにヒューマン・マシン・インタフェースの処理を担当するクライアント・コンピュータとし、このクライアント・コンピュータと通信するサーバ・コンピュータを設けて、サーバ・コンピュータにおいて上記各処理機能部を実現する。また、モデル作成装置10を遠隔地においてインターネットなどの通信回線を経由して生産現場のプロセス装置等と通信するようにすることもできる。ほかにも、モデル作成装置10を実現するコンピュータの構成及びデータの移転の方式には種々の変形がありうる。
一次データ記憶部10gには、プロセスデータ収集装置4にてプロセス装置2から収集したデータと、オペレータが入力装置13を介して入力したデータが格納される。プロセスデータ収集装置4から送られたデータのうち、プロセスデータと滞留時間データ(前装置出庫時刻から投入時刻までの時間を表すデータ)は、それぞれ製品IDと関連付けられて一次データ記憶部10gに格納される。
ここで、プロセスデータは、プロセス制御データとプロセス検出データとからなる。プロセス制御データは、プロセス装置2の装置コントローラ15が出力する種々の制御データ及び装置コントローラ15が出力する種々の制御信号の状態である。それらの制御データ又は制御信号には、モータ回転数設定値,レジスト液吐出ノズル移動速度設定値,レジスト液流量設定値,レジスト液温度設定値,レジスト液開閉バルブのON/OFF,プロセス完了チャイム,シグナルタワー点灯などがある。
プロセス検出データは、プロセス装置2の種々の検出器によって取得されたデータであり、モータ回転数,レジスト液流量,レジスト液温度,レジスト液粘度,レジスト液吐出ノズル移動速度並びにレジスト吐出ノズル位置情報(レジスト液塗布処理の位置を特定する位置情報データ),ソフトベークホットプレート温度設定値,ランプパワー設定値,照度設定値,レジスト液流量設定値,レジスト液温度設定値,レジスト液開閉バルブON/OFFなどがある。もちろん、これら例示されたデータは、プロセス装置の種類により異なる。
プロセスデータは、ロットID或いは製品IDごとに、日時情報に従って時系列に一次データ記憶部10gに格納される。プロセスデータ記憶部21は、リングバッファ等の一次記憶手段から構成され、プロセス終了後の所定のタイミングでプロセスデータを削除(新たなプロセスデータを上書き)するようにしている。
RF−IDリードライトヘッド6を介して取得したロットNo.や製品ID等のIDデータ並びに滞留時間データ(前段装置出庫時刻と投入時刻の差)等もプロセスデータ収集装置4から一次データ記憶部10gへ与えられる。
入力装置13からは、オペレータデータ,保守データ,環境データ及び共通データが入力される。これらのデータも一次データ記憶部10gに格納される。ここで、オペレータデータは、オペレータID,装置ID,開始/終了種別などであり、作業者は、作業の開始及び終了時にこれらのデータを入力装置から入力する。
保守データは、ポンプ再生情報やレジスト液交換情報などである。各作業を行なったときにその作業者が登録する。つまり、作業者は、装置内のポンプなどを点検,清掃で再生したときは、その作業内容を入力装置13から入力し、レジスト液を交換したときは、交換したレジスト液名を、交換日時情報などとともに入力装置13から入力する。
環境データは、製品の品質に影響を及ぼす要因の1つと成り得る作業時の特殊な気象情報(暴風雨、落雷など)や、地震発生時の震度情報であり、該当する情報が存在した場合に作業者が日時情報,装置IDなどともに登録する。
共通データは、その他の任意に入力できる情報である。ユーザは、あらゆる情報を共通データとして入力することができる。すなわち、プロセス−品質モデルの精度を高めるために、製品の品質に関係しそうな因子を制約なく入力できるように、入力装置13からの選択肢の選択情報や自由記述情報の入力を許容している。これにより、プロセス技術者や装置のオペレータが製品の出来映えに影響しそうだと考えた情報や、突発的に発生する故障情報など様々な事象の情報を、オペレータが、気がついた時点で入力することを可能にし、それらの情報も解析用データに含めて解析できるようにしている。
さらに、入力するデータは、上記のものに限ることなく、任意情報として他のデータも入力可能としている。すなわち、上記の各データのように、入力データの選択肢が予め決まっている場合は、例えば表示装置14の表示画面上の特定の領域を指定するなどの簡便な方法で入力できるが、選択肢が予め決まっていないデータを入力したい場合には、キーボード等の入力装置13を用いて任意のテキストデータなどを入力することを可能とするのがよい。そして、係る任意に入力された情報は、新しい選択肢として登録でき、次回の入力からは選択肢のひとつとして提示することを可能とする。このように、任意情報も入力するようにするのは、特に半導体製造プロセスや液晶基板製造プロセスの場合、製造される製品の品質に対して与える原因が多岐にわたるところ、予期せぬ要因によって不良品が発生することがあり、また予期せぬ装置の故障が発生することがあることを考慮して、そのような事象をもプロセス−品質モデルの作成等の解析に利用可能とするためである。
図5は、プロセスデータ収集装置4におけるデータ収集及び一次データ記憶部10gへのデータ登録処理を説明するフローチャートである。本実施形態では、1又は複数の所定のプロセスステップが実行されている期間中のみデータを収集する都度収集モードと、特定の製品に対してプロセス装置2が行なう全プロセスステップを通して(プロセスステップ実行の間に待機期間がある場合は待機期間も含めて)データを収集する常時収集モードとを用意している。いずれのモードにおいても、データ収集期間中は一定周期(例えば100msec)でデータのサンプリングを行なう。都度収集モードにおけるデータ収集期間は、例えばプロセス実行中である。プロセス実行中は、ガラス基板に対するレジスト液の塗布処理中や、ガラス基板に対するポストベーク処理中などである。作業者は、プロセスを開始する前に、どちらのモードで稼動するかを選択する。この選択は、例えば入力装置13を用いて設定したり、プロセスデータ収集装置4に設けた選択スイッチを用いて選択したりすることができる。常時収集モードを設けたのは、どのプロセスステップも、また待機中の状態も、製品の品質に影響を与える可能性があるので、係る影響を与える可能性のあるデータを漏れなく収集するためである。
プロセスデータ収集装置4は、プロセス装置2によるある製品に対するプロセスが開始されると、まず現在の収集モードが常時収集モードか、都度収集モードかを判断する(S1)。そして、都度収集モードの場合、プロセスデータ収集装置4は、プロセスが開始されて収集を開始すべきと判断できるまで待機する(S2)。この収集開始の判断は、例えばホットプレートに対する制御命令がOFFからONになったことを条件とすることができる。もちろん、他の条件を開始条件とすることを妨げない。
そして、都度収集モードで収集開始となった場合、並びに常時収集モードの場合には、プロセスデータ収集装置4は、まず、生産管理システム9から出力される現在処理中のレシピNoを取得し(S3)、収集タイミングが来るのを待って(S4)、プロセスデータを取得する(S5)。
次いで、プロセスデータ収集装置4は、取得したデータに対してタイムスタンプ(製品ID+日時情報)を付加し、取得したデータをモデル作成装置10へ送る。モデル作成装置10は、送られたデータを一次データ記憶部10gに保存する(S6)。データに付加する日時情報は、データを取得したときに、プロセスデータ収集装置4が持つ内部時計に基づいて自動的にタイムスタンプとして付加するようにしているが、モデル作成装置10側で日時情報を付加するようにしてもよい。
そして、プロセスデータ収集装置4は、常時収集モードか否かを判断し(S7)、常時収集モードの場合、処理ステップS3に戻り、上記処理を繰り返す。また、都度収集モードの場合、プロセスデータ収集装置4は、収集終了タイミング、つまりプロセスが終了したか否かを判断する(S8)。プロセス継続中の場合、プロセスデータ収集装置は、S2に戻って収集を継続する。このようにして、多数の種類のプロセスデータを時系列に収集することが可能となる。
プロセスデータ収集装置4は、前段のプロセス装置からの滞留時間についての滞留時間データをロットIDと対応付けて、そのロットIDの製品が処理されている間に少なくとも1度、モデル作成装置10に送信し、モデル作成装置10は、送られた滞留時間データを一次データ記憶部10gに格納する。一次データ記憶部10gに格納されるデータのデータ構造は、製品ID,収集日付,収集時刻を関連づけたテーブル構造となる。
入力装置13を介して入力するデータについては、前述したように、作業者により指定された任意の日付時刻を入力することもできる。このように作業者による指定を許容することにより、例えば日報のように各種の作業を行なったことをその日時とともに後で登録することができ、係る作業が製品の品質に与える影響の有無等を検証することができる。
図4の検査データ記憶部10mには、検査データ収集装置5にて検査装置3から収集した検査結果データが格納される。ここで、検査結果データは、検査日時,装置ID,製品IDなどの対象を特定する情報と、膜厚データ,膜質データなどの検査結果の情報とを含む。
故障データ記憶部10pには、入力装置13を操作して作業者が入力した故障データが格納される。ここで、故障データとしては、故障時刻,装置ID,故障内容,ロットID,任意入力情報などがある。
以上のようにして、各装置から各種の大量のデータがモデル作成装置10に入力され、それぞれ適宜の記憶部に格納される。そして、モデル作成装置10は、取得した各データに基づき、所定の処理を行ないプロセス−品質モデルを作成する。具体的には、以下の通りである。
まず、一次データ記憶部10gに格納された各種データ(プロセスデータ,滞留時間データ,オペレータデータ,保守データ,環境データ)は、ステップ対応付け部10aに呼び出され、プロセスステップとの対応付けが行われる。ただし、プロセスデータ収集装置4及びモデル作成装置10の各装置で認識されるプロセスステップの分け方が共通の場合は、プロセスデータ収集装置4にてデータ収集された際に、予めプロセスデータ及び滞留時間データとプロセスステップとを対応付けておくことも可能であり、この場合には、ステップ対応付け部10aにおける処理はその他のデータについてのみ行われる。またモデル作成装置10におけるステッププロセスの分け方として、プロセスデータ収集装置4におけるステッププロセスの分け方とは異なる分け方を採用してもよい。
一次データ記憶部10gに格納されていた情報がプロセスステップと対応付けられると、その結果はステップ情報付データ記憶部10hに格納される。
以下では、プロセスデータの内容の時系列的な変化に基づいてステップ対応付けを行なう方法について説明する。本処理をさらに複数のステップに分割することが適切な場合には、さらに細かなステップに分割される。
図6は、ステップ対応付け部10aにおいて、ステップの開始と終了のタイミングを決定するのに用いるデータの変化を示す。ステップの開始と終了のタイミングは、デジタル信号(2値データ)の立ち上がり及び立ち下がり(図6(a)),アナログ信号(数値データ)の立ち上がり及び立ち下がり(図6(b)),デジタル信号(2値データ)における所定レベルの期間(図6(c))並びにアナログ信号(数値データ)における所定レベルの期間(図6(d))の内、適切な信号を用いて特定する。ここで、アナログ信号については適切に定義したしきい値により切り替えタイミングを求める。さらに、ステップの開始や終了のタイミングは、アナログ信号の最小値と最大値(図6(e))とすることもできる。
また、図6(b)に示すように、閾値により切り替えタイミングを設定する場合、その閾値は任意に設定した規定値でも良いし、当該区間における平均値,中央値,四分位値などをもちいてもよい。
さらに、図7(a)に示すように、オフセット付の閾値とすることもできる。つまり、あらかじめ定められた値やプロセスデータから算出された値(平均値等)に、あらかじめ定められた値を加算または減算した値をしきい値とし、そのしきい値を超えた時点や下回った時点を、プロセスステップの開始または終了のタイミングとする。
また、図7(b)に示すように、しきい値を超えたまたは下回った時点に、あらかじめ定められた時間を加算または減算した時点を、プロセスステップの開始または終了のタイミングとすることもできる。この場合に対象となる閾値は、上述した全てのものを含み、オフセット付の閾値ももちろん含む。そして、デジタル信号におけるプロセスステップの開始または終了のタイミングは、信号の立ち上がりまたは立ち下がりの時点に、あらかじめ定められた時間を加算または減算した時点とする。
さらに、図6(a),(b),(e)に示す各信号の立ち上がりと立ち下がりは、同一信号についての立ち上がりと立ち下がりのペアで1つのステップの開始と終了が規定される場合と、異なる信号についての立ち上がりと立ち下がりのペアで1つのステップの開始と終了が規定される場合のいずれもがありうる。また、図6(c),(d)に示す各信号のレベルによりステップの開始と終了が規定される場合は、各信号が所定レベルにある期間がそのままステップとなる。プロセスステップの開始と終了の条件は、複数種類のデータの状態の論理演算の結果として与えることもできる。
図8は、プロセスステップをさらに分割する例を示す。図8(a)では、プロセスデータの変化に基づくプロセスステップをさらに等分割している。図8(b)では、プロセスステップを均等な時間で分割している。この場合、一般には細分化された最後の期間は他の期間と異なる長さとなる。図8(c)では、プロセスステップを、さらに個別の任意の時間に分割している。このプロセスステップのさらなる分割は、時間による分割に限ることはなく、プロセスの分割同様に立ち上がり、立ち下がりなどによる分割も可能である。
図9は、図2に示すホットプレート15を用いたソフトベーク処理プロセスを実行中に計測したホットプレート15の表面の5つの計測点a〜eの温度変化を示すグラフである。この例では、プロセス中の温度変化についての5つのプロセスデータが取得できることになり、各プロセスデータは、いずれも、時間経過に伴い、一旦温度が低下した後、温度上昇し、その後安定する特性を示す。これは、ある温度に加熱されているホットプレート15の上に、ホットプレート15の表面温度よりも低温のガラス基板16を乗せることでホットプレート15の表面温度が一旦下がる。その後、ホットプレート15により加熱されたガラス基板16が温度上昇するにつれて計測点a〜eの温度も上昇するためである。
プロセスステップの開始又は終了のタイミングを温度センサの出力(アナログ信号)の最小点と最大点とすると、図10に示すように、1つのプロセスデータが3つのプロセスステップに分割できる。さらに、本実施形態では、個々の信号毎にプロセスステップを生成するようにした。つまり、製品ID=“1”,“2”の2つの製品についての同種のプロセスデータ(例えばa地点の温度変化データ)が、図10に示すようになっているとすると、各プロセスデータの最小値と最大値を基準にそれぞれのプロセスデータのプロセスステップを生成する。その結果、時間軸上における各プロセスステップの区画位置は、異なることになる。
これは、従来のように、代表のプロセスデータに基づいて全てのプロセスデータに対して一律にプロセスステップを分割した場合、図11に示すように、時間軸ではばらつきがないものの、そのプロセスステップ(1)の終了の位置におけるプロセスデータ(温度)の値が大きくばらつくと共に、そのプロセスステップ(1)の区間における変化量や傾きも大きくばらつく。そして、各プロセスp1〜p5におけるプロセスステップ(1)の終了位置に着目すると、温度の下降途中であったり、最小値を経て上昇区間に入っている場合もあり、上記のばらつきが異常検出のために有意義なばらつきとはいえない。なお、図11では、選択信号としてプロセスp3のプロセスデータの最小値をプロセスステップ(1)の終了の位置としている。
これに対し、図12に示すように、各プロセスp1〜p5のプロセスデータの最小値をそれぞれのプロセスにおけるプロセスステップ(1)の終了のタイミングに設定すると、図示の例ではそのプロセスステップ(1)の終了の位置におけるプロセスデータ(温度)の値がばらついたり、そのプロセスステップ(1)の区間における変化量もばらつく。しかし、このばらつきは、各プロセスp1〜p5におけるプロセスステップ(1)の終了位置が全てプロセスデータの最小値であることから、有意義なばらつきとなる。つまり、例えば、ホットプレート15とガラス基板16との間に異物18が介在してホットプレート15とガラス基板16との間に隙間が生じた場合、ガラス基板16がホットプレート15の表面に接触してその表面温度を低下させる作用が十分に発生せず、温度低下が小さくなる。そこで、各計測点間の温度や、温度が最小値となる時間などを正常時のそれらから作成したモデルと比較することにより、異常の有無を判断することが可能となる。図10から図12では異なるプロセスにおける同一プロセスデータの変化の例を説明したが、ひとつプロセスにおける異なるプロセスデータに対してもそれぞれ異なるプロセスステップを設定することにより、例えば図9に示すように、各計測点間の温度のばらつきや、温度が最小値となる時間のばらつきなどからも異常の有無を判断することが可能となる。
上記のステップ対応付け処理を行なうステップ対応付け部10aは、図13に示すフローチャートを実施する機能を有する。まず、ステップ対応付け部10aは、一次データ記憶部10gにプロセス終了タイミングが格納されるのを待つ(S11)。プロセス終了タイミングが格納されたならば、ステップ対応付け部10aは、当該のプロセス内で全てのプロセスステップが抽出されたか否かを判断し(S12)、未抽出のものが存在する場合、一次データ記憶部10gに格納された対応するプロセスデータに基づき、予め設定されたルール(最小値,最大値等)に従い次のプロセスステップ開始と終了のタイミングを検索する(S13)。そして、ステップ対応付け部10aは、検索されたプロセスステップ開始,終了タイミング間の一次データを抽出し、ステップ情報付データとしてステップ情報付データ記憶部10hに格納する(S14)。ステップ対応付け部10aは、上記の処理ステップS12〜S14を繰り返し実行し、全てのプロセスステップが抽出されたならば、処理ステップ15に飛び、終了か否かを判断する。終了しない場合、ステップ対応付け部10aは、処理ステップS11に戻り、次のプロセスデータについてのプロセスステップの生成並びにステップ情報付データの保存処理を行なう。
ステップ情報付データ記憶部10hに格納された各種のデータの内の数値データは、特徴量抽出部10bに呼び出され、そこにおいてステップごとに特徴量抽出され、抽出されたプロセス特徴量データが、プロセス特徴量記憶部10iに格納される。ただし、滞留時間データについては、数値データではあるが時系列情報ではなく特定のプロセス装置における処理に総括的に付与された情報であるので、そのまま特徴量としてプロセス特徴量記憶部10iに格納される。
抽出すべき特徴量の候補としては、平均値,最大値,最小値,標準偏差,累積値,域値(最大値−最小値),相乗平均,調和平均,中央値,第1四分位置,第3四分位置,歪度,中間項平均,加速度,尖度,ステップ時間がある。もちろん、これ以外の特徴量も求めるようにすることは妨げない。逆に上記例示列挙したもの中から選択して特徴量を抽出するようにしてもよい。
特徴量抽出部10bは、図14に示すフローチャートを実施する機能を有する。まず、特徴量抽出部10bは、新しいステップ情報付データが、ステップ情報付データ記憶部10hに追加されるのを待つ(S21)。そして特徴量抽出部10bは、追加された全てのプロセスステップの特徴量の抽出が完了したか否かを判断し(S22)、完了していないならば、ステップ情報付データから1プロセスステップ分のデータを抽出し特徴量を抽出する(S23)。そして、特徴量抽出部10bは、抽出した特徴量を製品ID等と関連づけてプロセス特徴量として保存する。
こうすることで、ステップごとにプロセスデータの各項目(その内の数値データであるもの)に対して共通した種類の特徴量を網羅的に抽出したことになる。そして、その抽出したすべての特徴量をロットIDごとに関連付けたテーブル構造のプロセス特徴量データを生成し、プロセス特徴量記憶部10iに格納する。
さらに、プロセス−品質モデルの精度を高めるために、製品の品質に関係しそうな因子を制約なく入力できるように、先に説明したとおり入力装置13からの選択肢の選択情報や自由記述情報の入力を許容している。これにより、プロセス技術者や装置のオペレータが製品の出来映えに影響しそうだと考えた情報や、突発的に発生する故障情報など様々な事象の情報を、オペレータが気がついた時点で入力することを可能にし、それらの情報も解析用データに含めて解析できるようにした。
また、半導体製造プロセスは数百種類のプロセスを経て製品が生産される。この場合、ある装置でウエハが処理され次の装置へ投入されるまでの間、ウエハは空気中にさらされているので、表面が酸化したりパーティクルが付着したりする。したがって、この滞留時間は、製品の出来映えに影響するため解析対象データに含めている。
一方、検査データ記憶部10mに格納された各種のデータは、検査データ編集部10rに呼び出され、そこにおいて編集されて得られた編集検査データが、編集検査データ記憶部10nに格納される。
故障データ記憶部10pに格納された各種のデータは、故障データ編集部10sに呼び出され、そこにおいて編集されて得られた編集故障データが、編集故障データ記憶部10qに格納される。
編集故障データ記憶部10qの内部データ構造は、製品ID単位で対応付けされ、コード化された各種のデータ(故障発生日付、故障発生時刻、製品ID、オペレータID,故障コード)がひとまとめに関連付けて格納される。
図15は、データ結合部10cの機能を示す。データ結合部10cは、ステップ情報付データ記憶部10h,プロセス特徴量記憶部10i,編集検査データ記憶部10n,編集故障データ記憶部10qに格納された各データ、さらには生産管理システム9から取得したレシピNo.を取得し、取得した各データをプロセスステップごとにレシピNo.及び製品IDをキーとして結合する。そして、結合したデータを結合データ記憶部10jに格納する。図15においてプロセス補足データとあるのは、1つ又は複数のプロセスステップに対して総括的に与えられており、プロセス特徴量の算出に用いられなかったデータである。オペレータデータ,保守データ及び環境データ、又はそれらの内容がコード化されたデータは、プロセス補足データである。オペレータデータ,保守データ及び環境データは、それらのデータが対応付けられている日時情報,装置ID情報などに基づいて、データ結合部10cで用いられる前に、関連する製品IDと対応付ける処理が行われる。
データフィルター部10dは、結合データ記憶部10jに格納された結合データを読み出し、プロセス特徴量の異常データを排除する。そして、残ったデータを解析用データとして解析用データ記憶部10kに格納する。異常データとは、例えば実際にはありえないような数値を含むデータを意味する。係るデータを削除することは、一般的に行われる解析用データの前処理の手法により実現できる。
解析部10eは、解析用データ記憶部10kに格納された解析用データを読み出し、データマイニングの一般的な分析手法である決定木手法による解析を行ない、良品又は不良品を生成するプロセス状態のルールの集合であるプロセス−品質モデルを作成する。
プロセス−品質モデルは、たとえば、どのステップにおけるどのプロセス特徴量がどんな数値範囲にあれば検査結果はどうなるかという関係を、IF−Thenのルール式で表現することができる。ルール式のIFの部分には、あるプロセスステップにおけるプロセス特徴量の数値範囲が示され、Thenの部分は製品の検査結果データ又は故障データに関する情報が書かれる。IFの部分には、あるプロセス補足データの有無が示されることもある。
また、このプロセス−品質モデルは、設計値計測値差分データを目的変数とし、プロセス特徴量データを説明変数とするデータマイニングあるいは多変数解析を実行し、それらの相関を表わすモデルである。さらに、データマイニングや多変数解析として、正規化検定処理,PLS線形回帰分析処理,相関分析処理,主成分分析処理,クラスタ分析処理,移動主成分分析処理,ステップワイズ処理,Q統計量分析処理,線形回帰分析処理,T2統計量分析処理,決定木分析処理,相関図処理,マハラノビスの距離分析処理などの手法やそれらを組み合わせることがでる。
モデルを作成するための解析処理の基本的なアルゴリズムは、例えば、特開2004−186445号公報や特開2005−197323号公報などに開示された発明の技術を利用できる。
ルール式等から、ある製品の検査結果に対して、特定のプロセスステップ内のプロセス特徴量と数値範囲との関係(又はその関係の組み合わせ)が影響を及ぼすことがわかる。このようにプロセス−品質モデルを構成するルール式から、プロセス状態と製品の検査結果との関係や傾向を知ることでできる。
ところで、半導体製造装置や液晶パネル製造装置の多くはプロセスを繰り返すごとにある方向へ変化していく傾向がある。そこで、本実施形態では、係る変化の方向を時系列解析部10fにて時系列予測(トレンド予測)モデルを適用して検出し、製品が異常になる前に警報を出力したり、異常が発生する日時を予測したりできるようにした。
時系列予測モデルとしては、例えば、指数平滑モデルや自己回帰和分移動平均(ARIMA)モデルが使用できる。時系列予測モデルは、使用する具体的モデルに適合する解析エンジンを用い、必要に応じてパラメータを設定することにより作成される。指数平滑モデルは、短期的なトレンドを予測するのに適している。したがって、突発的に生じる故障の予測などに利用される。一方、ARIMAモデルは、長期的なトレンドを予測するもので、経年変化による故障や交換などの時期を予測するために利用される。
時系列予測は、プロセス−品質モデルのルール式の中に項目が存在するプロセス特徴量に関して行なうとともに、異常の予測判定はルール式に示された数値をしきい値として行なう。
時系列予測する際に使用する判定用データ(プロセス特徴量)としては、プロセス特徴量記憶部10iに格納されたプロセス特徴量から、データフィルター部10dを経て不正データ(異常データ)を排除するフィルタリングをした後のデータを用いる。
図16は、本発明の第2の実施形態を示している。本実施形態は、上記の第1の実施形態のモデル作成装置を用いて生成されたプロセス−品質モデルを利用し、プロセス実行中の製品について品質の予測や異常原因の特定等を行なう異常検出分類機能を示している。異常検出分類機能は、一般にFDC(Fault Detection and Classification)と呼ばれている機能を含み、図5のモデル作成装置10にいくつかの要素を付加して実現されている。図16は、異常検出分類機能のために必要な、図5のモデル作成装置10と共通の要素及び図5のモデル作成装置10に追加する要素を示している。異常検出分類の機能のみが必要であれば、図5に示されていて図16に示されていない要素を備えないことも可能である。
異常検出分類機能を備えるモデル作成装置10は、第1の実施形態と同様にネットワークを介して生産管理システム9,プロセスデータ収集装置4並びに入力装置13から各種の情報を取得する。各装置から取得する情報は、基本的に第1の実施形態と同様である。つまり、生産管理システム9からはレシピNo.を取得し、プロセスデータ収集装置4からは、プロセスデータ、製品ID及び滞留時間データを取得し、さらに、入力装置13からオペレータデータ,保守データ及び環境データを取得する。そして、それらの各種データは、第1の実施形態と同様に、一次データ記憶部10gに格納される。
そして、一次データ記憶部10gに格納された各種データをステップ対応付け部10aが読み出して、プロセスデータの変化等から各プロセスデータごとにプロセスステップの期間を特定し、各種データをプロセスステップに対応付けたステップ情報付データを生成してステップ情報付データ記憶部10hに格納する。ステップ情報付データ記憶部10hに格納された各種データを特徴量抽出部10bが読み出し、ステップごとに予め決められた項目の特徴量を抽出し、プロセス特徴量記憶部10iに格納する。さらにデータフィルター部10dにて、プロセス特徴量記憶部10iに格納された特徴量を呼び出し、異常データ等を削除するフィルタリング処理を行なった後、判定用データ記憶部10tに格納する。この判定用データ記憶部10tに格納される判定用データのデータ構造は、第1の実施形態における解析用データ記憶部10kに格納された解析用データから、故障データや検査結果データを除いたものと同等なものとなる。
さらに、本実施形態における異常検出分類機能に関しモデル作成装置10は、レシピNo.ごとに作成されているプロセス−品質モデルを複数備えており、モデル選択部(プロセス−品質モデル提供手段)10uは、レシピNo.に基づいて所望のモデルを選択し、判定部(判定手段)10vに与える。
判定部10vは、判定用データ記憶部10tを読み出し、選択されたプロセス−品質モデルのルールと比較し、各ルールに対応する判定用データの値から、実際に検査装置で検査することなく、製造される製品の品質を判定することができる。プロセスデータは時々刻々と入力されるため、プロセス装置2での処理の途中であっても、異常判定をすることができる。したがって、プロセス装置2における処理を中止、あるいは他の装置を用いる次工程への送出を中止することにより、プロセス材料や時間の無駄を省くことができる。さらに、装置自体の故障その他の異常を予測することもできる。
このように、検査装置による検査を行なう前に、良否判定が行なえたり、装置の故障予測が行えたりできるので、廃棄処分になる不良品の発生を可及的に抑制でき、製品の廃棄ロス及びプロセス材料のロスを削減できる。半導体製造業者において、このような廃棄による損失は一般に多額になっており、たとえプロセス異常の検出確度が100%を実現できなくても導入効果は十分ある。つまり、例えば50%の検出確度であっても確度に応じた損失の削減ができ、さらに、導入後のプロセス−品質モデルの改善により残り50%の改善を目指すこともできる。
上記の各実施形態では、いずれも本発明を液晶基板の製造プロセスに適用した例を示したが、本発明の適用対象はこれに限ることなく、各種の製造プロセスや、非製造プロセスに適用することができる。
1 カセット
1a タグ
2 プロセス装置
3 検査装置
4 プロセスデータ収集装置
5 検査データ収集装置
6 RF−IDリードライトヘッド
7 EESネットワーク
8 MES系ネットワーク
9 生産管理システム
10 モデル作成装置
10a ステップ対応付け部
10b 特徴量抽出部
10c データ結合部
10d データフィルター部
10e 解析部
10r 検査データ編集部
10f 時系列解析部
10s 故障データ編集部
10g 一次データ記憶部
10h ステップ情報付データ記憶部
10i プロセス特徴量記憶部
10j 結合データ記憶部
10k 解析用データ記憶部
10m 検査データ記憶部
10n 編集検査データ記憶部
10p 故障データ記憶部
10q 編集故障データ記憶部
10t 判定用データ記憶部
10u モデル選択部
10v 判定部
11 データベース
12 ルータ
13 入力装置
14 表示装置
15 ホットプレート
16 ガラス基板
17 温度センサ
18 異物
1a タグ
2 プロセス装置
3 検査装置
4 プロセスデータ収集装置
5 検査データ収集装置
6 RF−IDリードライトヘッド
7 EESネットワーク
8 MES系ネットワーク
9 生産管理システム
10 モデル作成装置
10a ステップ対応付け部
10b 特徴量抽出部
10c データ結合部
10d データフィルター部
10e 解析部
10r 検査データ編集部
10f 時系列解析部
10s 故障データ編集部
10g 一次データ記憶部
10h ステップ情報付データ記憶部
10i プロセス特徴量記憶部
10j 結合データ記憶部
10k 解析用データ記憶部
10m 検査データ記憶部
10n 編集検査データ記憶部
10p 故障データ記憶部
10q 編集故障データ記憶部
10t 判定用データ記憶部
10u モデル選択部
10v 判定部
11 データベース
12 ルータ
13 入力装置
14 表示装置
15 ホットプレート
16 ガラス基板
17 温度センサ
18 異物
Claims (7)
- プロセスが実行されている期間中に時系列に取得される、プロセスの状態に関連する情報であるプロセスデータを取得するステップ、
そのプロセスの実行の結果得られた単位対象品の検査結果情報を取得するステップ、
取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ、
その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出するステップ、
関連する単位対象品が共通していることによって対応付けられたプロセス特徴量と検査結果情報とを用いて、データマイニング或いは多変量解析による解析を実行し、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するステップ、
を実行することを特徴とするモデル作成方法。 - 前記プロセスステップの区間の決定は、処理対象のプロセスデータの最小値、最大値となる時点と、および、そのプロセスデータの平均値,中央値,第1四分位値,第3四分位値のいずれかひとつをしきい値とする立ち上がり立ち下がりの時点と、あらかじめ設定された値となる時点のうちの少なくとも1つを使用することを特徴とする請求項1に記載のモデル作成方法。
- 単位対象品について、プロセス実行中に時系列に発生するプロセスデータを取得するステップ、
取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ、
その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出するステップ、
請求項1又は2の方法で作成したプロセス−品質モデルに、前記プロセス特徴量を適用して、異常分析を行なうステップ、
を実行することを特徴とする異常分析方法。 - プロセスが実行されている期間中に時系列に取得される、プロセスデータと、そのプロセスで処理された単位対象品についての検査結果情報とに基づき、プロセスデータから抽出されるプロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成するモデル作成装置であって、
取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け部と、
その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出部と、
関連する単位対象品が共通していることによって対応付けられた前記プロセス特徴量と検査結果情報とを用いて、データマイニング或いは多変量解析による解析を実行し、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析部と、
を備えるモデル作成装置。 - 1または複数の製造装置からなる製造システムにおいて、プロセス実行時に得られるプロセスデータに基づいてプロセスの異常を単位対象品毎に検出するプロセス異常分析装置であって、
前記時系列のプロセスデータを記憶するプロセスデータ記憶手段と、
そのプロセスデータ記憶手段に格納されたプロセスデータから個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け部と、
そのステップ対応付け部で決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出部と、
プロセス特徴量から前記製造システムで製造される製品並びに前記製造装置の異常検出を行なうためのプロセス−品質モデルを記憶する記憶部と、
前記プロセス−品質モデルを前記プロセスステップごとに抽出されたプロセス特徴量に適用して、異常分析を行なう判定部と、
を備えたことを特徴とするプロセス異常分析装置。 - コンピュータを、
取得した個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け手段、
その決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出手段、
関連する単位対象品が共通していることによって対応付けられた前記プロセス特徴量と検査結果情報とを用いて、データマイニング或いは多変量解析による解析を実行し、プロセス特徴量と検査結果情報との関係を表すプロセス−品質モデルを作成する解析手段、
として機能させるためのプログラム。 - コンピュータを、
プロセスデータ記憶手段に格納されたプロセスデータから個々のプロセスデータごとに、プロセスステップの区間を決定するステップ対応付け手段、
そのステップ対応付け部で決定されたプロセスステップごとにプロセスデータからプロセス特徴量を抽出する特徴量抽出手段と、
プロセス−品質モデルを、前記プロセスステップごとに抽出されたプロセス特徴量に適用して、異常分析を行なう判定手段、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007235193A JP2008109101A (ja) | 2006-09-30 | 2007-09-11 | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006270210 | 2006-09-30 | ||
JP2007235193A JP2008109101A (ja) | 2006-09-30 | 2007-09-11 | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008109101A true JP2008109101A (ja) | 2008-05-08 |
Family
ID=39442161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007235193A Withdrawn JP2008109101A (ja) | 2006-09-30 | 2007-09-11 | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2008109101A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010015205A (ja) * | 2008-07-01 | 2010-01-21 | Meidensha Corp | 半導体製造装置の異常診断システムおよび方法 |
JP2014154094A (ja) * | 2013-02-13 | 2014-08-25 | Jtekt Corp | 生産ラインにおける生産物の品質分析装置 |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
CN110543147A (zh) * | 2018-05-29 | 2019-12-06 | 发那科株式会社 | 分析装置、分析方法及记录了分析程序的计算机可读介质 |
JP2022027683A (ja) * | 2020-07-29 | 2022-02-14 | 株式会社新日本コンサルタント | マンホールポンプの劣化予測方法 |
-
2007
- 2007-09-11 JP JP2007235193A patent/JP2008109101A/ja not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010015205A (ja) * | 2008-07-01 | 2010-01-21 | Meidensha Corp | 半導体製造装置の異常診断システムおよび方法 |
JP2014154094A (ja) * | 2013-02-13 | 2014-08-25 | Jtekt Corp | 生産ラインにおける生産物の品質分析装置 |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
US11106197B2 (en) | 2017-01-19 | 2021-08-31 | Omron Corporation | Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method |
CN110543147A (zh) * | 2018-05-29 | 2019-12-06 | 发那科株式会社 | 分析装置、分析方法及记录了分析程序的计算机可读介质 |
CN110543147B (zh) * | 2018-05-29 | 2023-12-19 | 发那科株式会社 | 分析装置、分析方法及记录了分析程序的计算机可读介质 |
JP2022027683A (ja) * | 2020-07-29 | 2022-02-14 | 株式会社新日本コンサルタント | マンホールポンプの劣化予測方法 |
JP7431391B2 (ja) | 2020-07-29 | 2024-02-15 | NiX JAPAN株式会社 | マンホールポンプの劣化予測方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4495960B2 (ja) | プロセスと品質との関係についてのモデル作成装置 | |
JP4462437B2 (ja) | モデル作成装置及びモデル作成システム並びに異常検出装置及び方法 | |
JP2004186445A (ja) | モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法 | |
JP6443312B2 (ja) | 管理システム | |
US20060129257A1 (en) | Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework | |
JP2008072047A (ja) | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム | |
JP5020101B2 (ja) | ラントゥラン制御器を用いた欠陥検出および分類(fdc) | |
US20200151199A1 (en) | Time-series data processing device, time-series data processing system, and time-series data processing method | |
CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
JP2019520659A (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 | |
TW200403554A (en) | Method for dynamic sensor configuration and runtime execution | |
KR20020019022A (ko) | 반도체 처리 기술 | |
JP2005251925A (ja) | 製造装置管理システム、製造装置管理方法及びプログラム | |
JP2006261253A (ja) | プロセスデータ収集装置およびモデル作成装置ならびにモデル作成システム | |
Jalali et al. | Predicting time-to-failure of plasma etching equipment using machine learning | |
JP2008109101A (ja) | モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム | |
CN114551271A (zh) | 监测机台运行状况的方法及装置、存储介质及电子设备 | |
KR20230104540A (ko) | 반도체 제작 장비를 위한 예측 유지 보수 | |
US20220317679A1 (en) | Methods and systems for predictive analysis and/or process control | |
JP2007258731A (ja) | プロセスと品質との関係についてのモデル作成装置及びモデル作成方法 | |
JP2007250647A (ja) | モデル作成装置およびモデル作成方法 | |
US20130080372A1 (en) | Architecture and methods for tool health prediction | |
US6714884B2 (en) | Method and apparatus for providing communication between a defect source identifier and a tool data collection and control system | |
JP2022061975A (ja) | 工業用資産の支配期間に基づく処理最適化のための方法およびシステム | |
Zhukovskiy et al. | Automated system for definition of life-cycle resources of electromechanical equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20101207 |