TWI797418B - 用於校正離子注入半導體製造工具中的部件故障的方法及系統 - Google Patents
用於校正離子注入半導體製造工具中的部件故障的方法及系統 Download PDFInfo
- Publication number
- TWI797418B TWI797418B TW109102990A TW109102990A TWI797418B TW I797418 B TWI797418 B TW I797418B TW 109102990 A TW109102990 A TW 109102990A TW 109102990 A TW109102990 A TW 109102990A TW I797418 B TWI797418 B TW I797418B
- Authority
- TW
- Taiwan
- Prior art keywords
- window
- failure
- sensor data
- components
- additional features
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 title abstract description 63
- 239000004065 semiconductor Substances 0.000 title abstract description 21
- 239000007943 implant Substances 0.000 title abstract 5
- 238000010801 machine learning Methods 0.000 claims abstract description 83
- 230000009471 action Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 80
- 238000005468 ion implantation Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 55
- 230000036541 health Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 41
- 238000010200 validation analysis Methods 0.000 description 24
- 238000013500 data storage Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 206010011906 Death Diseases 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000000231 atomic layer deposition Methods 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
- H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
- H01L21/67213—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process comprising at least one ion or electron beam chamber
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
- H01J37/317—Electron-beam or ion-beam tubes for localised treatment of objects for changing properties of the objects or for applying thin layers thereon, e.g. for ion implantation
- H01J37/3171—Electron-beam or ion-beam tubes for localised treatment of objects for changing properties of the objects or for applying thin layers thereon, e.g. for ion implantation for ion implantation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/30—Electron or ion beam tubes for processing objects
- H01J2237/304—Controlling tubes
- H01J2237/30405—Details
- H01J2237/30427—Details using neural networks or fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Physical Vapour Deposition (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
提供了用於校正離子注入半導體製造工具中的部件故障的方法、系統和非暫態電腦可讀取媒體。一種方法包括以下步驟:從與離子注入工具相關的感測器接收與特徵相對應的當前感測器資料;執行特徵分析,以產生用於當前感測器資料的附加特徵;提供附加特徵作為經訓練機器學習模型的輸入;從經訓練機器學習模型獲得一個或多個輸出,其中一個或多個輸出指示預測窗口的信心水平;基於預測窗口的信心水平,來預測離子注入工具的一個或多個部件是否在故障前窗口內;以及響應於預測到一個或多個部件是在故障前窗口內,來執行與離子注入工具相關的校正動作。
Description
本揭示涉及校正部件故障,並且更具體地,涉及校正半導體製造工具中的部件故障。
製造裝備的不中斷效能的限制因素之一是部件故障。例如,溢流槍和源槍的故障可能中斷離子注入工具的效能。部件故障會導致非計劃的停機時間,這對使用者而言是高成本。
以下是本揭示的簡化概述,用以提供對本揭示的一些態樣的基本理解。該概述不是本揭示的廣泛概述。它既不旨在識別本揭示的關鍵或重要元件,亦不旨在描繪本揭示的特定實施方式的任何範疇或申請專利範圍的任何範疇。其唯一目的是以簡化的形式呈現本揭示的一些概念,作為稍後呈現的更詳細描述的序言。
在本揭示的態樣中,一種方法可包括:從與離子注入工具相關的複數個感測器接收與複數個特徵相對應的當前感測器資料。該方法可進一步包括:執行特徵分析,以產生用於當前感測器資料的複數個附加特徵。該方法可
進一步包括:提供複數個附加特徵作為經訓練機器學習模型的輸入。該方法可進一步包括:從經訓練機器學習模型獲得一個或多個輸出。該一個或多個輸出可指示預測窗口的信心水平。該方法可進一步包括:基於預測窗口的信心水平,來預測離子注入工具的一個或多個部件是否在故障前窗口內。該方法可進一步包括:響應於預測到一個或多個部件是在故障前窗口內,來執行與離子注入工具相關的校正動作。
在本揭示的進一步態樣中,一種方法可包括:從與離子注入工具相關的複數個感測器接收與複數個特徵相對應的歷史感測器資料。該方法可進一步包括:決定複數個窗口,該複數個窗口包括用於歷史感測器資料的第一子集的正常操作窗口和用於歷史感測器資料的第二子集的故障前窗口。該方法可進一步包括:執行特徵分析,以產生用於歷史感測器資料的複數個附加特徵。該方法可進一步包括:使用包括複數個附加特徵的訓練資料和包括複數個窗口的目標輸出,來訓練機器學習模型,以產生經訓練機器學習模型。該經訓練機器學習模型可能能夠產生指示一個或多個離子注入工具部件是否在故障前窗口內的一個或多個輸出。
在本揭示的進一步態樣中,一種系統可包括記憶體和耦合到記憶體的處理裝置。該處理裝置可進行以下操作:從與離子注入工具相關的複數個感測器接收與複數個特徵相對應的當前感測器資料。該處理裝置可進一步進行
以下操作:執行特徵分析,以產生用於當前感測器資料的複數個附加特徵。該處理裝置可進一步進行以下操作:提供複數個附加特徵作為經訓練機器學習模型的輸入。該處理裝置可進一步進行以下操作:從經訓練機器學習模型獲得一個或多個輸出。該一個或多個輸出可指示預測窗口的信心水平。該處理裝置可進一步進行以下操作:基於預測窗口的信心水平,來預測離子注入工具的一個或多個部件是否在故障前窗口內。該處理裝置可進一步進行以下操作:響應於預測到一個或多個部件是在故障前窗口內,來執行與離子注入工具相關的校正動作
100:系統架構
110:故障預測系統
120:客戶端裝置
122:校正動作部件
124:製造裝備
124A:溢流槍
124B:源槍
126:感測器
130:故障預測伺服器
132:故障預測部件
140:資料儲存
142:感測器資料
144:歷史感測器資料
146:歷史特徵
148:歷史附加特徵
150:感測器資料
152:當前特徵
154:當前附加特徵
156:窗口
156A:歷史窗口
156B:預測窗口
158:信心水平
160:網路
170:伺服器機器
172:資料集合產生器
180:伺服器機器
182:訓練引擎
184:驗證引擎
186:測試引擎
190:模型
200:系統
210:資料輸入
212A:特徵集合
212Z:特徵集合
220:目標輸出
244:歷史感測器資料
246:歷史特徵
248:歷史附加特徵
272:資料集合產生器
300:系統
302:訓練集合
304:驗證集合
306:測試集合
308:所選模型
310:方塊
312:方塊
314:方塊
316:方塊
318:方塊
320:方塊
344:歷史感測器資料
350:當前感測器資料
356B:預測窗口
358:信心水平
400:方法
402:方塊
404:方塊
406:方塊
408:方塊
410:方塊
412:方塊
414:方塊
416:方塊
500:方法
502:方塊
504:方塊
506:方塊
508:方塊
510:方塊
600:方法
602:方塊
604:方塊
606:方塊
608:方塊
610:方塊
612:方塊
614:方塊
700A:系統
700B:系統
710:輸入資料
720:一維卷積
730:LSTM層
740:SOFTMAX層
800A:曲線圖
800B:曲線圖
900:電腦系統
902:處理裝置
904:記憶體
906:記憶體
908:匯流排
910:視訊顯示單元
912:字母數字輸入裝置
914:游標控制裝置
920:信號產生裝置
922:網路界面裝置
924:電腦可讀儲存媒體
926:指令
在附圖的圖中,藉由示例而非限制的方式示出本揭示。
圖1是示出根據某些實施例的示例性系統架構的方塊圖。
圖2是根據某些實施例的創建用於機器學習模型的資料集合的示例資料集合產生器。
圖3是示出根據某些實施例的用於預測部件故障的系統的方塊圖。
圖4至圖6是示出根據某些實施例的用於預測部件故障的示例方法的流程圖。
圖7A至圖7B是示出根據某些實施例的用於預測部件故障的系統的方塊圖。
圖8A至圖8B是示出根據某些實施例的預測部件故障的曲線圖。
圖9是示出根據某些實施例的電腦系統的方塊圖。
本文描述的是,旨在校正半導體製造工具中的部件故障的技術。部件故障會中斷製造裝備的效能。例如,溢流槍和源槍的故障會中斷離子注入半導體製造工具的效能。部件故障可導致計劃外停機、高使用者成本、裝備和產品損壞等。過早更換部件可能會導致高維護成本、部件的浪費及不必要的時間花費在更換部件上。
本文揭示的裝置、系統及方法提供了校正半導體製造工具中的部件故障(例如,用於離子注入半導體製造工具中的電漿源槍的壽命終止預測)。本文揭示的裝置、系統及方法可針對使用推導的感測器讀數的離子注入工具提供關鍵部件故障預測(例如,藉由使用深度學習模型)。處理裝置可從與製造裝備(例如,離子注入工具)相關的複數個感測器接收與特徵相對應的當前感測器資料(例如,壓力、溫度、流量、功率等)。處理裝置可進一步執行特徵分析,以產生用於當前感測器資料的附加特徵。可基於一個或多個特徵,來產生附加特徵。例如,附加特徵可包括以下項目中的一個或多個:比率、範圍、增量、最大值等。處理裝置可進一步將附加特徵作為輸入提供給經訓練機器學習模型,並且隨後從經訓練機器學習模型獲得一個或多個輸出。一個或多個輸出可指示預測窗口的信心水平。處理裝
置可基於預測窗口的信心水平,來預測離子注入工具的一個或多個部件是否在故障前窗口內。故障前窗口可以是在預測發生部件的故障之前的時間窗口(例如,24小時、48小時)。處理裝置可進一步響應於預測到一個或多個部件是在故障前窗口內,來執行與離子注入工具相關的校正動作。校正動作(例如,校正及/或搶先校正部件故障)可包括提供警報、中斷製造裝備的操作及/或導致一個或多個部件被更換。
本文揭示的裝置、系統及方法還提供了用於預測部件的故障的機器學習模型的訓練。在一些實施例中,處理裝置可從與製造裝備(例如,離子注入工具)相關的感測器接收與特徵相對應的歷史感測器資料(例如,感測器的歷史值、壓力、流量、功率等資料)。處理裝置可進一步決定與歷史感測器資料相對應的窗口。窗口可包括用於歷史感測器資料的第一子集的正常操作窗口和用於歷史感測器資料的第二子集的故障前窗口。處理裝置可進一步執行特徵分析,以產生用於歷史感測器資料的附加特徵(例如,比率、範圍、增量、最大值等)。處理裝置可進一步使用包括附加特徵的訓練資料和包括窗口的目標輸出,來訓練機器學習模型,以產生經訓練機器學習模型。經訓練機器學習模型可能能夠產生一個或多個輸出,該一個或多個輸出指示一個或多個部件(例如,離子注入工具部件)是否在故障前窗口內(例如,執行與離子注入工具的一個或多個部件相關的校正動作)。可使用與第一製造裝備相關的歷史感測器
資料,來訓練機器學習模型,並且可使用機器學習模型,來預測其他製造裝備的部件故障。
本揭示的態樣還導致技術優勢。通常,使用部件直到出現故障,或過早更換部件。藉由處理裝置對一個或多個部件預測故障前窗口(例如,壽命終止、24小時、48小時),該處理裝置可導致校正動作,以便在故障之前更換一個或多個部件。在故障之前更換部件(例如,而不是在故障之後)減少停機時間、減少對製造裝備和產品的損壞、減少計劃外維護、減少更換部件的緊急運送等。在故障前窗口內更換部件(例如,而不是過早地隨意更換部件),減少仍可使用的當前部件的浪費、減少與太頻繁更換部件相關的成本、減少維護等。與分析所有感測器資料(例如,包括雜訊和所有特徵)相比,(在使用經訓練機器學習模型來預測一個或多個部件是否在故障前窗口內之前)接收感測器資料、減少雜訊及執行特徵分析提供了能量消耗(例如,電池消耗)、頻寬、延遲等的顯著降低。
圖1是示出根據某些實施例的示例性系統架構100的方塊圖。系統架構100包括客戶端裝置120、故障預測伺服器130及資料儲存140。故障預測伺服器130可以是故障預測系統110的一部分。
客戶端裝置120、故障預測伺服器130、資料儲存140、伺服器機器170、伺服器機器180、製造裝備124(例如,離子注入工具等)及感測器126可經由網路160彼此耦合,以供故障預測。在一些實施例中,網路160是
公共網路,其向客戶端裝置120提供對故障預測伺服器130、資料儲存140及其他公共可用計算裝置的訪問。在一些實施例中,網路160是私有網路,其向客戶端裝置120提供對故障預測伺服器130、資料儲存140及其他私有可用計算裝置的訪問。網路160可包括一個或多個廣域網路(WAN)、區域網路(LAN)、有線網路(例如,乙太網路)、無線網路(例如,802.11網路或Wi-Fi網路)、手機網路(例如,長期演進(LTE)網路)、路由器、集線器、交換器、伺服器電腦及/或其組合。
製造裝備124可用於半導體處理。製造裝備124可包括離子注入工具。離子注入工具可將原子***半導體裝置中,以控制通過半導體裝置的電力流(例如,以製造電晶體等)。製造裝備124(例如,離子注入工具)可包括部件,諸如溢流槍124A、源槍124B等。溢流槍124A可以是向目標(例如,溢流區域,絕緣體或半導體上的區域)提供穩定的低能量電子流的機電裝置。源槍124B(例如,電漿源槍)可以是用於在半導體裝置上沉積電漿的電漿源(例如,以顯著的流動速度噴射電漿,以在半導體裝置上具有電漿的高能沉積)。
製造裝備124(例如,離子注入工具)的不中斷效能的限制因素可能是一個或多個部件(例如,溢流槍124A、源槍124B等)的故障,這可能導致計劃外停機時間。感測器126可捕獲與製造裝備124相關的感測器資料(例如,原始感測器資料、溫度、壓力、功率、流量等)。
例如,可將離子注入器工具裝配數百個感測器,其採集速度為數千赫茲。給定感測器的數量、感測器資料的獲取速度及部件的預期壽命(例如,六個月等),捕獲的感測器資料(例如,原始感測器資料)的數量可能會非常大。可將來自感測器126的感測器資料142儲存在資料儲存140中。
如本文描述,半導體處理可包括以下項目中的一個或多個:針對晶圓的半導體製造或顯示器製造(例如,平板顯示器製造)。故障預測可與半導體製造裝備的一個或多個部件相關(例如,預測用於針對晶圓的半導體製造的部件的故障),或與顯示器製造的一個或多個部件相關(例如,預測用於顯示器製造的部件的故障)。
客戶端裝置120可包括計算裝置,諸如個人電腦(PC)、膝上型電腦、行動手機、智慧型手機、平板電腦、上網本電腦、網路連接的電視(「智慧型電視」)、網路連接的媒體播放器(例如,藍光播放器)、機上盒、頂上(OTT)串流裝置、操作器盒等。客戶端裝置120可能能夠經由網路160傳輸資訊(例如,用於故障預測的製造裝備124的選擇),並且經由網路160接收與預測故障相關的指示(例如,預測窗口的信心水平、執行校正動作的指令等)。與預測故障相關的指令可指定製造裝備124的一個或多個部件當前與時間的預測窗口156B(例如,正常操作窗口、故障前窗口、故障窗口等)相關。與預測故障相關的指令可指示以下項目中的一個或多個:直到故障的時間量、待更換的部件、如何更換部件、製造裝備124的操作是否已中斷(例
如,已關閉)或製造裝備124的操作是否應中斷。客戶端裝置120可響應於接收與預測故障相關的指示,來經由圖形使用者界面(GUI)顯示警報。每個客戶端裝置120可包括允許使用者產生、觀看及編輯資訊以及觀看警報的作業系統。
客戶端裝置120可包括校正動作部件122。校正動作部件122可接收使用者輸入(例如,經由GUI,其經由客戶端裝置120顯示),並且可基於使用者輸入,來產生要對製造裝備124執行故障預測的指示。校正動作部件122可將指示發送到故障預測伺服器130。在一些實施例中,校正動作部件122將感測器資料142(例如,來自與製造裝備124耦合的感測器126)發送到故障預測伺服器130。校正動作部件122可從故障預測伺服器130接收與預測故障相關的指示(例如,響應於故障預測伺服器130決定故障前窗口)。校正動作部件122可導致執行校正動作。校正動作可指的是校正及/或預先校正部件故障(例如,基於預測故障前窗口)。例如,為導致執行校正動作,校正動作部件122可提供警報(例如,經由客戶端裝置120的GUI、經由製造裝備124等)、可中斷製造裝備124的操作(例如,關閉製造裝備124的一個或多個部分)及/或可導致更換一個或多個部件。
故障預測伺服器130可包括一個或多個計算裝置,諸如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦等。
故障預測伺服器130可包括故障預測部件132。在一些實施例中,故障預測部件132可接收感測器資料142(例如,來自耦合到製造裝備124的感測器126)。感測器資料142可包括隨時間變化的記錄值和針對每個值的對應時間戳(例如,在第一時間點的第一記錄溫度、在第二時間點的第二記錄溫度等)。感測器資料142可以是原始追蹤資料(例如,沒有任何特徵工程)。故障預測部件132可從當前感測器資料150去除雜訊、執行特徵分析以產生用於當前感測器資料150的附加特徵、預測製造裝備124的一個或多個部件是否在故障前窗口內、及響應於預測到一個或多個部件是在故障前窗口內來執行與製造裝備124相關的校正動作。
為了預測部件是否在故障前窗口內,故障預測部件132可將當前感測器資料150(例如,當前附加特徵154)提供給模型190(例如,卷積長短期記憶體(LSTM)(convLSTM)模型、深度學習模型、隨機森林模型等),以供故障預測。故障預測部件132可基於當前感測器資料150從模型190接收用於預測窗口156B的信心水平158。
感測器資料150的每個特徵(例如,歷史特徵146、當前特徵152等)可以包括序列(例如,第一值、第二值等)、時間戳(例如,在第一值的時間、在第二值的時間等)、及哪個感測器126對應到序列的指示。可藉由對特徵中的一個或多個執行一個或多個操作,來產生每個附加特徵(例如,歷史附加特徵148、當前附加特徵154)。一個或
多個操作可包括來自複數個感測器126中的一個或多個的特徵(例如,對應感測器資料)的比率、範圍、增量或最大值中的一個或多個。例如,第一特徵可以是從感測器126的壓力感測器接收的壓力測量的序列,第二特徵可以是從感測器126的溫度感測器接收的溫度測量的序列,及第一附加特徵可以是壓力測量的序列除以每個對應溫度測量的比率(例如,第一附加特徵可以是包括在第一時間點的第一壓力值除以在第一時間點的第一溫度值、在第二時間點的第二壓力值除以在第二時間點的第二溫度值等的序列)。
資料儲存140可以是記憶體(例如,隨機存取記憶體)、碟(例如,硬碟、隨身碟)、資料庫系統或能夠儲存資料的另一類型的部件或裝置。資料儲存140可包括可跨越多個計算裝置(例如,多個伺服器電腦)的多個儲存部件(例如,多個碟或多個資料庫)。資料儲存140可儲存以下項目中的一個或多個:感測器資料142(例如,歷史感測器資料144、歷史特徵146、歷史附加特徵148、當前感測器資料150、當前特徵152、當前附加特徵154等)、窗口156(例如,歷史窗口156A、預測窗口156B)、信心水平158等。
在一些實施例中,故障預測系統110進一步包括伺服器機器170和伺服器機器180。伺服器機器170和180可以是一個或多個計算裝置(諸如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦等)、資料儲存(例如,硬碟、記憶體資料庫)、網路、軟體部件或硬體部件。
伺服器機器170包括資料集合產生器172,其能夠產生一個或多個資料集合(例如,圖2中的資料輸入210的集合和目標輸出220的集合),以訓練、驗證或測試機器學習模型190。下文參照圖2和圖6詳細描述了資料集合產生器172的一些操作。在一些實施例中,資料集合產生器172可將歷史感測器資料144劃分成訓練集合(例如,歷史感測器資料144的百分之六十)、驗證集合(例如,歷史感測器資料144的百分之二十)及測試集合(例如,歷史感測器資料144的百分之二十)。伺服器機器180包括訓練引擎182。在一些實施例中,伺服器機器180包括訓練引擎182、驗證引擎184及測試引擎186。訓練引擎182可能能夠使用來自資料集合產生器172的訓練集合,來訓練機器學習模型190。訓練引擎182可產生一個或多個經訓練機器學習模型190。
驗證引擎184可能能夠使用來自資料集合產生器172的驗證集合,來驗證經訓練機器學習模型190。驗證引擎184可基於驗證集合,來決定每個經訓練機器學習模型190的準確度。驗證引擎184可捨棄具有不滿足閾值準確度的準確度的經訓練機器學習模型190。
測試引擎186可能能夠使用來自資料集合產生器172的測試集合,來測試經訓練機器學習模型190。測試引擎186可基於測試集合,來決定在所有經訓練機器學習模型中準確度最高的經訓練機器學習模型190。
機器學習模型190可指的是,由訓練引擎182使用訓練集合創建的模型人工產物,該訓練集合包括資料輸入和對應目標輸出(各個訓練輸入的正確答案)。可找到資料集合中的模式,該等模式將資料輸入映射到目標輸出(正確答案),並且為機器學習模型190提供了捕獲這些模式的映射。在一些實施例中,機器學習模型190可使用一個或多個LSTM層和softmax層(參見圖7A至圖7B)。
在一些實施例中,故障預測部件132可將歷史感測器資料144和歷史窗口156A提供給資料集合產生器172。資料集合產生器172可將歷史感測器資料144作為輸入而將歷史窗口156作為輸出提供給訓練引擎182、驗證引擎184及/或測試引擎186中的一個或多個,以進行以下項目中的一個或多個:訓練、驗證或測試機器學習模型190。
在一些實施例中,故障預測系統110可基於以下項目中的一個或多個:不同超參數(例如,不同數量的LSTM層)、機器學習模型的不同類型、歷史附加特徵148的不同集合等,來產生不同模型190。故障預測系統110可進行以下項目中的一個或多個:訓練、驗證或測試不同模型190,並且選擇最準確的模型190。
在一些實施例中,故障預測部件132可將當前感測器資料150作為輸入提供給經訓練機器學習模型190,並且用輸入運作經訓練機器學習模型190,以獲得一個或多個輸出。如下文相對於圖4詳細描述的,故障預測部件132可能能夠決定預測窗口156B(例如,基於經訓練機器學習
模型190的輸出,藉由從輸出提取預測窗口156B的信心水平等)。故障預測部件132還可基於輸出,來決定信心資料。信心資料可指示預測窗口156B對應到製造裝備124的信心水平。故障預測部件132可使用信心水平158,來選擇預測窗口156B。
信心資料可包括或指示與製造裝備124的一個或多個部件的未來故障相對應的預測窗口156B的信心水平158。在一個示例中,信心水平是在0與1之間的實數,其中0指示與製造裝備124的一個或多個部件的未來故障相對應的預測窗口156B的沒有信心,而1指示與製造裝備124的一個或多個部件的未來故障相對應的預測窗口156B的絕對信心。
故障預測部件132可基於模型190的輸出,來決定多個預測窗口156B和對應信心水平158(例如,正常操作窗口的10%信心水平和故障前操作窗口的90%信心水平)。在一些實施例中,故障預測部件132選擇具有最高信心水平的預測窗口。在一些實施例中,故障預測部件132選擇具有信心水平超過50%的預測窗口。
出於說明而非限制的目的,本揭示的態樣描述了訓練機器學習模型及使用經訓練學習模型,其使用當前感測器資料150來決定預測窗口156B。在其他實施方式中,使用啟發式模型或基於規則的模型,來決定基於感測器資料142(例如,歷史感測器資料144、當前感測器資料150等)的預測窗口156。可在啟發式或基於規則的模型中監控
或以其他方式使用相對於圖2的資料輸入210描述的任何資訊。
在一些實施例中,可由更少數量的機器來提供客戶端裝置120、故障預測伺服器130、伺服器機器170及伺服器機器180的功能。例如,在一些實施例中,可將伺服器機器170和180整合到單一機器中。在一些其他實施例中,可將伺服器機器170、伺服器機器180及故障預測伺服器130整合到單一機器中。
通常,在一個實施例中描述為由客戶端裝置120、伺服器機器170及伺服器機器180執行的功能,如果合適的話,還可以在其他實施例中的故障預測伺服器130上來執行。另外,歸因於特定部件的功能可由一起操作的不同或多個部件來執行。例如,在一些實施例中,故障預測伺服器130可接收指示用於故障預測的製造裝備124(例如,半導體處理工具)的使用者輸入,並且故障預測伺服器130可基於預測窗口156B的信心水平158,來提供警報、關閉製造裝備124等。在另一示例中,客戶端裝置120可進行以下項目中的一個或多個:從感測器資料142去除雜訊、對感測器資料142執行特徵分析、決定預測窗口156B的信心水平158、預測一個或多個部件是否在故障前窗口內、或執行校正動作。在另一示例中,資料集合產生器172可從歷史感測器資料144去除雜訊,並且對歷史感測器資料144執行特徵分析。
另外,特定部件的功能可由一起操作的不同或多個部件來執行。故障預測伺服器130、伺服器機器170或伺服器機器180中的一個或多個可藉由適當的應用程式界面(API)作為提供給其他系統或裝置的服務來訪問。
在實施例中,「使用者」可表示為單一個體。然而,本揭示的其他實施例涵蓋「使用者」為由複數個使用者及/或自動源控制的實體。例如,可將聯合為管理員群組的個別使用者集合視為「使用者」。
儘管就從耦合到製造裝備124的感測器126接收的感測器資料150討論了本揭示的實施例,但是實施例通常還可應用於隨時間接收的資料(例如,不規則的時間序列資料等)。實施例通常可應用於優化隨時間產生資料的處理。用於晶圓或顯示器製造的製造裝備124的示例為物理氣相沉積(PVD)裝備、化學氣相沉積(CVD)裝備、原子層沉積(ALD)裝備、化學機械拋光(CMP)裝備及蝕刻裝備。
圖2是根據某些實施例的示例資料集合產生器272(例如,圖1的資料集合產生器172),用於使用歷史感測器資料244(例如,圖1的歷史感測器資料144),為機器學習模型290(例如,圖1的模型190)創建資料集合。圖2的系統200示出了資料集合產生器272、資料輸入210及目標輸出220。
在一些實施例中,資料集合產生器272產生包括一個或多個資料輸入210(例如,訓練輸入、驗證輸入、測試輸入)和一個或多個目標輸出220的資料集合(例如,訓
練集合、驗證集合、測試集合)。資料集合還可包括將資料輸入210映射到目標輸出220的映射資料。資料輸入210還可稱為「特徵」、「屬性」或「資訊」。在一些實施例中,資料集合產生器272可將資料集合提供給訓練引擎182、驗證引擎184或測試引擎186中的一個或多個,其中資料集合用於訓練、驗證或測試機器學習模型190。產生訓練集合的一些實施例可相對於圖6來進一步描述。
在一些實施例中,資料輸入210可包括用於歷史感測器資料244的一個或多個特徵集合212A。每個特徵集合212可包括以下項目中的至少一個:歷史特徵246(例如,圖1的歷史特徵146)或歷史附加特徵248(例如,圖1的歷史附加特徵148)。例如,特徵集合212可包括一個或多個歷史附加特徵248。
在一些實施例中,資料集合產生器272可產生與第一特徵集合212A相對應的第一資料輸入210A,以訓練、驗證或測試第一機器學習模型,並且資料集合產生器272可產生與第二特徵集合212B相對應的第二資料輸入210B,以訓練、驗證或測試第二機器學習模型。
在一些實施例中,資料集合產生器272可離散化目標輸出220(例如,以用於回歸問題的分類演算法)。目標輸出220的離散化可將變數的連續值轉換成離散值。在一些實施例中,用於目標輸出220的離散值指示歷史窗口256(例如,正常操作窗口、故障前窗口、故障窗口等)。
在一些實施例中,用於目標輸出220的離散值指示安裝後多少時間一個或多個部件發生故障(例如,天、小時等)。
用於訓練、驗證或測試機器學習模型的資料輸入210和目標輸出220可包括來自特定設施(例如,來自特定半導體製造設施)的資訊。例如,歷史感測器資料244可與圖1的當前感測器資料150來自相同製造設施。在一些實施例中,用於訓練機器學習模型的資訊可來自具有特定特徵的製造設施的特定部件群組(例如,來自特定時間框的部件、用於特定類型的製造裝備的部件等),並且允許經訓練機器學習模型基於與共享特定群組的特徵的一個或多個部件相關的歷史感測器資料,來預測用於特定部件群組的故障前窗口。在一些實施例中,用於訓練機器學習模型的資訊可用於來自兩個或兩個以上製造設施的部件,並且可允許經訓練機器學習模型基於來自一個製造設施的輸入,來決定部件的結果。在一些實施例中,用於訓練機器學習模型的資訊可與一個或多個第一離子注入工具相關,並且經訓練機器學習模型可用於預測與一個或多個第一離子注入工具不同的一個或多個第二離子注入工具的部件故障。
在一些實施例中,在產生資料輸入210和使用資料集合來訓練、驗證或測試機器學習模型190之後,可進一步使用來自一個或多個製造設施的附加歷史感測器資料和對應歷史窗口,來訓練、驗證或測試或調整機器學習模型190(例如,調整與機器學習模型190的資料輸入相關的權重,諸如類神經網路中的連接權重、調整超參數等)。
圖3是示出用於決定預測窗口356B(例如,圖1的預測窗口156B)的信心水平358(例如,圖1的信心水平158)的系統300的方塊圖。系統300可提供用於半導體製造工具的故障預測(例如,用於離子注入半導體製造工具中的電漿源槍的壽命終止預測)。
在方塊310,系統300(例如,圖1的故障預測系統110)執行歷史感測器資料344(例如,圖1的歷史感測器資料144)的資料劃分(例如,經由圖1的伺服器機器170的資料集合產生器172),以產生訓練集合302、驗證集合304及測試集合306。在一些實施例中,系統300產生與每個資料集合相對應的複數個特徵集合。
在方塊312,系統300使用訓練集合302,來執行模型訓練(例如,經由圖1的訓練引擎182)。系統300可使用訓練集合302的多個特徵集合(例如,訓練集合302的第一特徵集合、訓練集合302的第二特徵集合等),來訓練多個模型。
在方塊314,系統300使用驗證集合304,來執行模型驗證(例如,經由圖1的驗證引擎184)。系統300可使用驗證集合304的對應特徵集合,來驗證每個經訓練模型。在方塊314,系統可決定一個或多個經訓練模型中的每一個的準確度,並且可決定經訓練模型中的一個或多個是否具有滿足閾值準確度的準確度。響應於決定沒有任何經訓練模型具有滿足閾值準確度的準確度,流程返回到方塊312,其中系統300使用訓練集合的不同特徵集合,來執
行模型訓練。響應於決定經訓練模型中的一個或多個具有滿足閾值準確度的準確度,流程繼續到方塊316。
在方塊316,系統300執行模型選擇,以決定滿足閾值準確度的一個或多個經訓練模型中的哪個具有最高準確度(例如,所選模型308)。響應於決定滿足閾值準確度的經訓練模型中的兩個或兩個以上具有相同準確度,流程可返回到方塊312,其中系統300使用進一步細化訓練集合,來執行模型訓練,該進一步細化訓練集合對應到用於決定具有最高準確度的經訓練模型的進一步細化特徵集合。
在方塊318,系統300使用測試集合306,來執行模型測試(例如,經由圖1的測試引擎186),以測試所選模型308。在方塊318,系統300可使用測試集合306,來決定所選模型308的準確度是否滿足閾值準確度。響應於所選模型308的準確度不滿足閾值準確度(例如,所選模型308過度適合驗證集合304),流程繼續到方塊312,其中系統300使用對應到不同特徵集合的不同訓練集合,來執行模型訓練。響應於基於測試集合306決定所選模型308具有滿足閾值準確度的準確度,流程繼續到方塊320。在至少方塊312中,模型可學習歷史感測器資料中的模式,以進行預測,並且在方塊318中,系統300可將模型應用於其餘資料(例如,測試集合306),以測試預測。
在一些實施例中,除了針對不同模型的訓練、驗證或測試中的一個或多個使用不同特徵集合(例如,歷史附
加特徵148的不同組合)之外,系統300還可包括不同模型中的不同超參數,以決定哪些特徵和哪些超參數提供最高準確度。在一些實施例中,代替針對不同模型的訓練、驗證或測試中的一個或多個使用不同特徵集合,系統300使用不同模型中的不同超參數(例如,其中每個模型使用相同的歷史附加特徵148集合),以決定哪些超參數提供最高準確度。
在方塊320,系統300使用經訓練模型(例如,所選模型308),來接收當前感測器資料350(例如,圖1的當前感測器資料150)並且輸出預測窗口356B的信心水平358(例如,圖1的預測窗口156B的信心水平158)。
可響應於接收附加感測器資料,將附加感測器資料輸入到方塊312中,以經由模型再訓練來更新經訓練模型。
圖4至圖6是示出根據某些實施例的與故障預測相關的示例方法400、500及600的流程圖。方法400、500及600可由處理邏輯來執行,處理邏輯可包括硬體(例如,電路、專用邏輯、可程式化邏輯、微碼、處理裝置等)、軟體(諸如在處理裝置、通用電腦系統或專用機器上執行的指令)、韌體、微碼或其組合。在一個實施例中,方法400、500及600可部分地由故障預測系統110來執行。在一些實施例中,方法400、500及600可由故障預測伺服器130來執行。在一些實施例中,暫態電腦可讀取儲存媒體儲存指
令,該等指令在由處理裝置(例如,故障預測系統110的處理裝置)執行時導致處理裝置執行方法400、500及600。
為簡化說明,將方法400、500及600描繪和描述為一系列動作。然而,根據本揭示的動作可以各種順序及/或同時發生並且與本文未呈現和描述的其他動作一起發生。此外,根據所揭示的標的,並非所有示出的動作都可以執行來實現方法400、500及600。另外,本領域具有通常知識者將理解並認識的是,可將方法400、500及600替代地經由狀態圖或事件表示為一系列相互關聯的狀態。
圖4是根據某些實施例的用於預測部件故障的方法400的流程圖。在一些實施例中,方法400由故障預測伺服器130的故障預測部件132的處理邏輯來執行。
在方塊402,處理邏輯從與製造裝備(例如,製造裝備124、離子注入工具)相關的感測器(例如,感測器126)接收與特徵相對應的當前感測器資料(例如,當前感測器資料150)。特徵可以是當前感測器資料的序列,其中當前感測器資料的每個序列由對應感測器捕獲。在一些實施例中,將當前感測器資料串流到處理邏輯。處理邏輯可以資料集、矩陣等中的一個或多個的形式接收感測器資料。在一些實施例中,將感測器資料保存和聚集在資料儲存140中。
在一些實施例中,在方塊404,處理邏輯從當前感測器資料去除雜訊。在一些實施例中,處理邏輯藉由平均在時間間隔內的當前感測器資料(例如,在10秒時間段內
的平均感測器資料值等)來從當前感測器資料去除雜訊。在一些實施例中,處理邏輯藉由從當前感測器資料去除異常值來去除雜訊。
在方塊406,處理邏輯執行特徵分析,以產生用於當前感測器資料的附加特徵(例如,當前附加特徵154)。附加特徵可包括來自複數個感測器中的一個或多個的對應感測器資料的比率、範圍、增量或最大值中的一個或多個。在一些實施例中,附加特徵可包括鍵感測器的統計特徵(例如,平均值、標準差等)。
在一些實施例中,處理邏輯藉由接收指示待計算的附加特徵的使用者輸入來執行特徵分析。在一些實施例中,(參見圖5,基於附加特徵的使用者輸入、基於其他參數的使用者輸入、在沒有使用者輸入的情況下)產生用於特徵分析(例如,特徵工程)的模型。用於特徵分析的模型可以是卷積類神經網絡(CNN)(例如,執行一維卷積的CNN)。CNN可擅長學習感測器資料142中的時間結構,並且可決定用於故障和正常資料的不變特徵(例如,用於決定正常操作窗口、故障前窗口等)。
處理邏輯可藉由在矩陣中接收當前感測器資料及經由一維卷積處理矩陣以輸出複數個附加特徵,來執行分析。
在方塊408,(例如,在去除雜訊之後)處理邏輯提供附加特徵作為經訓練機器學習模型的輸入。經訓練機器學習模型可包括一個或多個LSTM層和softmax層。經
訓練機器學習模型可能已經藉由一個或多個LSTM層將空間特徵學習為序列。可將時間序列結構建置在預測中。可對經訓練機器學習模型進行加權,以懲罰誤分類(例如,以避免產生誤正確)。由方法400產生的當前預測可基於當前感測器資料150的先前時間步驟。
可基於來自第二複數個感測器的歷史感測器資料來產生經訓練機器學習模型,第二複數個感測器與不同於方塊402的製造裝備(例如,離子注入工具)的製造裝備(例如,第二離子注入工具)相關。
在方塊410,處理邏輯從經訓練機器學習模型獲得一個或多個輸出。在一些實施例中,一個或多個輸出指示預測窗口(例如,預測窗口156B)的信心水平(例如,信心水平158)。在一些實施例中,處理邏輯從一個或多個輸出提取預測窗口的信心水平。在一些實施例中,處理邏輯決定多個預測窗口和對應信心水平(例如,正常操作窗口的信心水平為10%,並且故障前窗口的信心水平為90%)。
在方塊412,處理邏輯基於預測窗口的信心水平,來預測製造裝備的一個或多個部件(例如,離子注入工具)是否在故障前窗口內。處理邏輯可藉由決定預測窗口的信心水平指示故障前窗口的大於50%信心度,來預測一個或多個部件是在故障前窗口內。
在方塊414,處理邏輯決定預測窗口的信心水平是否指示離子注入工具的一個或多個部件是在故障前窗口內。響應於預測窗口的信心水平指示一個或多個部件不在
故障前窗口內,流程繼續到方塊402,其中接收附加感測器資料(例如,方法400的循環)。響應於預測窗口的信心水平指示一個或多個部件是在故障前窗口內,流程繼續到方塊416。一個或多個部件可以是離子注入工具的部件,諸如溢流槍或源槍中的至少一個。
在方塊416,處理邏輯執行與離子注入工具相關的校正動作(例如,響應於預測到一個或多個部件是在故障前窗口內)。校正動作可包括以下項目中的一個或多個:導致圖形使用者界面顯示警報、中斷製造裝備(例如,離子注入工具)的操作(例如,關閉、降速、停止特定處理等)、或導致一個或多個部件被更換。
圖5是根據某些實施例的用於訓練機器學習模型以供預測部件故障的方法500的流程圖。在一些實施例中,方法500由圖1的故障預測系統110的處理邏輯來執行。在一些實施例中,方法500由圖1的伺服器機器180的處理邏輯來執行。在一些實施例中,方法500由圖1的伺服器機器180的訓練引擎182來執行。
在方塊502,處理邏輯從與製造裝備124(例如,離子注入工具)相關的感測器(例如,感測器126)接收與特徵(例如,測量值和從與製造裝備124相關的感測器126接收的對應時間戳)相對應的歷史感測器資料(例如,歷史感測器資料144)。
在一些實施例中,在方塊504,處理邏輯從歷史感測器資料去除雜訊。處理邏輯可藉由以下項目中的一個
或多個,來從歷史感測器資料去除雜訊:平均在時間間隔內的歷史感測器資料或去除異常值。
在方塊506,處理邏輯決定包括用於歷史感測器資料的第一子集的正常操作窗口和用於歷史感測器資料的第二子集的故障前窗口的窗口(例如,歷史窗口156A)。處理邏輯可藉由決定故障時間,來決定窗口(例如,基於感測器資料值的峰值、基於健康指數值的峰值,諸如在圖8B中)。處理邏輯可決定在故障時間對應到正常操作窗口之前的超過設定的時間量(例如,24小時、48小時)捕獲的感測器資料、在故障對應到故障前窗口之前的故障時間與設定的時間量之間捕獲的感測器資料、及在故障時間對應到故障窗口之後捕獲的感測器資料。
在方塊508,處理邏輯執行特徵分析,以產生用於歷史感測器資料的附加特徵(例如,歷史附加特徵148)。附加特徵可包括來自複數個感測器中的一個或多個的對應感測器資料的比率、範圍、增量或最大值中的一個或多個。處理邏輯可藉由接收矩陣中的歷史感測器資料及經由一維卷積處理矩陣以輸出複數個附加特徵,來執行特徵分析。
在一些實施例中,處理邏輯接收與附加特徵相對應的使用者輸入(例如,與附加特徵相關的操作和特定感測器)。處理邏輯可訓練CNN(例如,基於附加特徵的使用者輸入、具有參數的使用者輸入、沒有使用者輸入等),並且
可在方法400中使用經訓練CNN,來決定附加特徵(例如,當前附加特徵154)以供使用經訓練機器學習模型。
在方塊510,處理邏輯使用包括附加特徵的訓練資料(例如,在去除雜訊之後)和包括窗口的目標輸出,來訓練機器學習模型(例如,包括一個或多個LSTM層和softmax層),以產生經訓練機器學習模型。經訓練機器學習模型可能能夠產生指示一個或多個離子注入工具部件(例如,來自一個或多個離子注入工具、來自一個或多個製造裝備124等)是否在故障前窗口內的一個或多個輸出(參見圖4的方法400)。
在一些實施例中,處理邏輯使用不同特徵(例如,歷史特徵146、歷史附加特徵148)或不同超參數中的一個或多個,來訓練多個模型。處理邏輯可進行以下項目中的一個或多個:訓練、驗證或測試不同模型(例如,評估模型),以選擇給出最高準確度的模型。
在一些實施例中,處理邏輯部署經訓練機器學習模型,以預測製造裝備的一個或多個部件(例如,離子注入工具的溢流槍、源槍等)是否在故障前窗口內,以供執行校正動作(例如,與一個或多個離子注入工具相關)。在一些實施例中,經訓練機器學習模型將基於來自與第二離子注入工具(例如,不同於用於訓練機器學習模型的離子注入工具)相關的第二複數個感測器的當前感測器資料來接收輸入,以供預測一個或多個部件是否在故障前窗口內。
圖6是根據某些實施例的用於產生用於機器學習模型的資料集合以供預測部件故障的方法600的流程圖。根據本揭示的實施例,故障預測系統110可使用方法600來進行以下項目中的至少一個:訓練、驗證或測試機器學習模型。在一些實施例中,方法600的一個或多個操作可由如相對於圖1和圖2描述的伺服器機器170的資料集合產生器172來執行。可注意到,可使用相對於圖1和圖2描述的部件,來說明圖6的態樣。
參照圖6,在方塊602,處理邏輯將資料集合T初始化為空集合。
在方塊604,處理邏輯產生第一資料輸入(例如,第一訓練輸入、第一驗證輸入),該第一資料輸入包括用於歷史感測器資料的第一特徵集合(如相對於圖2描述)。第一資料輸入可包括歷史感測器資料(例如,歷史感測器資料144)的一個或多個特徵(例如,歷史特徵146)及/或一個或多個附加特徵(例如,歷史附加特徵148)。
在方塊606,處理邏輯針對資料輸入中的一個或多個(例如,第一資料輸入)產生第一目標輸出。第一目標輸出提供歷史窗口(例如,歷史窗口156A)的指示。
在方塊608,處理邏輯可選地產生指示輸入/輸出映射的映射資料。輸入/輸出映射(或映射資料)可指的是資料輸入(例如,本文描述的一個或多個資料輸入)、針對資料輸入的目標輸出(例如,其中目標輸出識別預測窗口)、及資料輸入與目標輸出之間的關聯。
在方塊610,處理邏輯將在方塊610產生的映射資料增加到資料集合T。
在方塊612,處理邏輯基於資料集合T是否足夠進行以下項目中的至少一個來分支:訓練、驗證或測試機器學習模型190。如果是,則執行進行到方塊614,否則,執行繼續回到方塊604。應注意的是,在一些實施例中,可僅基於資料集合中的輸入/輸出映射的數量來決定資料集合T的足夠性,而同時在一些其他實施方式中,除了輸入/輸出映射的數量之外或代替輸入/輸出映射的數量,可基於一個或多個其他標準(例如,資料示例的多樣性的測量、準確度等)來決定資料集合T的足夠性。
在方塊614,處理邏輯提供資料集合T,以訓練、驗證或測試機器學習模型190。在一些實施例中,資料集合T是訓練集合,並且被提供給伺服器機器180的訓練引擎182以執行訓練。在一些實施例中,資料集合T是驗證集合,並且被提供給伺服器機器180的驗證引擎184以執行驗證。在一些實施例中,資料集合T是測試集合,並且被提供給伺服器機器180的測試引擎186以執行測試。在一些實施例中,可將資料集合T劃分為訓練集合、驗證集合及測試集合(例如,訓練集合可以為60%,驗證集合可以為20%,並且測試集合可以為20%)。響應於正在訓練的機器學習模型(例如,並且被驗證、被測試及滿足閾值準確度),經訓練機器學習模型(例如,藉由故障預測部件132)可用於故障預測(參見圖3至圖4)。
在類神經網路的情況下,例如,將給定輸入/輸出映射的輸入值(例如,與資料輸入210相關的數值)輸入到類神經網路,並且將輸入/輸出映射的輸出值(例如,與目標輸出220相關的數值)儲存在類神經網路的輸出節點中。然後根據學習演算法(例如,反向傳播等)來調整類神經網路中的連接權重,並且針對資料集合T中的其他輸入/輸出映射重複該過程。可由故障預測部件132(故障預測伺服器130的故障預測部件)實施經訓練機器學習模型,以預測用於一個或多個部件的故障窗口。
圖7A至圖7B是示出根據某些實施例的用於故障預測的系統700A和700B的方塊圖。
參照圖7A,系統700A可接收輸入資料710。輸入資料710可以是矩陣中的感測器資料。可從感測器資料去除雜訊(例如,藉由平均在時間間隔內的原始資料以產生感測器資料、藉由從感測器資料去除異常值)。
系統700A可對輸入資料710執行一維卷積720(例如,經訓練CNN的一維卷積)。在一些實施例中,基於與附加特徵相關的使用者輸入(例如,指示用於產生附加特徵的操作),來訓練CNN(例如,其執行一維卷積)。系統700A可對輸入資料710執行一維卷積720(例如,在去除雜訊之後),以執行特徵分析,以產生用於輸入資料的附加特徵。附加特徵可包括對應感測器資料的比率、範圍、增量、最大值等中的一個或多個。
系統700A可將附加特徵輸入到機器學習模型的LSTM層730中。LSTM層的數量可以是藉由基於感測器資料來訓練和再訓練機器學習模型來調整的超參數。
系統700A可將LSTM層730的輸出傳送到softmax層740,並且softmax層740可對一個或多個預測窗口(例如,類別)產生對應信心水平。
參照圖7B,系統700B包括可基於輸入資料710接收附加特徵的LSTM層730。可將LSTM層730的輸出傳送到softmax層740。softmax層可產生一個或多個輸出。一個或多個輸出可包括用於一個或多個預測窗口的對應信心水平。例如,softmax層可產生正常操作窗口的第一信心水平、用於故障前窗口的第二信心水平、及用於故障窗口的第三信心水平。信心水平可總計為100%。可使用對應到大於50%的信心水平的窗口。
圖8A至圖8B是示出根據某些實施例的故障預測的曲線圖800A和800B。
參照圖8A,曲線圖800A顯示隨時間變化的特徵值(例如,歷史附加特徵148、當前附加特徵154等)。第一時間窗口可對應到類別0(例如,正常操作窗口)。第二時間窗口可對應到類別1(例如,故障前窗口)。第三時間窗口可對應到類別2(例如,故障窗口)。類別0可結束而類別1可開始在故障日期(例如,歷史故障日期、預測故障日期)之前的設定的時間量(例如,24小時、48小時等)。類別1可
結束而類別2可開始在一個或多個部件發生故障時。可根據對應窗口(例如,類別0、1或2)來標記歷史感測器資料。
參照圖8B,曲線圖800B顯示指示隨時間繪製的健康指數(例如,具有對應時間戳)的資料點。健康指數可基於卷積LSTM、感測器資料、附加特徵等的結果中的一個或多個。
健康指數可在正常操作窗口內基本上穩定(例如沿著第一健康指數值)。在故障前窗口期間,健康指數可達到峰值(例如在第二健康指數值處),並且基本上在故障發生時,健康指數可下降。感測器資料的第一子集可對應到正常操作窗口中的時間戳,感測器資料的第二子集可對應到故障前窗口中的時間戳,並且感測器資料的第三子集可對應到故障窗口中的時間戳。感測器資料的每個子集可根據對應窗口(例如,類別)來標記。
圖9是示出根據某些實施例的電腦系統900的方塊圖。在一些實施例中,電腦系統900可(例如,經由網路,諸如區域網路(LAN)、內聯網路、外聯網路或Internet)連接到其他電腦系統。電腦系統900可在客戶端-伺服器環境中以伺服器或客戶端電腦的能力操作,或者在點對點或分散式網路環境中作為對等電腦操作。電腦系統900可由個入電腦(PC)、平板PC、機上盒(STB)、個入數位助理(PDA)、手機、Web設備、伺服器、網路路由器、交換器或橋接器、或能夠執行指定裝置要執行的操作的指令集合(順序的或其他)的裝置來提供。此外,術語「電腦」應包
括單獨或共同執行指令集合(或多個指令集合)以執行本文描述的方法中的任一個或多個的任何電腦集合。
在進一步態樣中,電腦系統900可包括處理裝置902、易失性記憶體904(例如,隨機存取記憶體(RAM))、非易失性記憶體906(例如,唯讀記憶體(ROM)或電可擦可程式化ROM(EEPROM))、及資料儲存裝置916,其可經由匯流排908相互通訊。
處理裝置902可由一個或多個處理器來提供,諸如通用處理器(諸如,複雜指令集合計算(CISC)微處理器、精簡指令集合計算(RISC)微處理器、非常長指令字元(VLIW)微處理器、實施其他類型指令集合的微處理器、或實施組合類型指令集合的微處理器)或專用處理器(諸如,特定應用積體電路(ASIC)、場可程式化閘陣列(FPGA)、數位信號處理器(DSP)、或網路處理器)。
電腦系統900可進一步包括網路界面裝置922。電腦系統900還可包括視訊顯示單元910(例如,LCD)、字母數字輸入裝置912(例如,鍵盤)、游標控制裝置914(例如,滑鼠)、及信號產生裝置920。
在一些實施方式中,資料儲存裝置916可包括非暫態電腦可讀儲存媒體924,其上可儲存對本文描述的方法或功能中的任一個或多個進行編碼的指令926,包括對圖1的故障預測部件132或校正動作部件122進行編碼的指令和用於實施本文描述的方法的指令。
在由電腦系統900執行指令926期間,指令926還可全部或部分地存留在易失性記憶體904內及/或處理裝置902內,因此,易失性記憶體904和處理裝置902還可構成機器可讀儲存媒體。
儘管在示例性示例中將電腦可讀儲存媒體924示為單個媒體,但是術語「電腦可讀儲存媒體」應包括單個媒體或多個媒體(例如,集中式或分散式資料庫及/或相關快取和伺服器),其儲存可執行指令的一個或多個集合。術語「電腦可讀儲存媒體」還應包括能夠儲存或編碼指令集合以供電腦執行的任何有形媒體,該指令集合使電腦能夠執行本文描述的方法中的任一個或多個。術語「電腦可讀儲存媒體」應包括但不限於固態記憶體、光學媒體及磁性媒體。
本文描述的方法、部件及特徵可由離散的硬體部件來實施,或者可整合在其他硬體部件(例如,ASICS、FPGA、DSP或類似裝置)的功能中。另外,方法、部件及特徵可由硬體裝置內的韌體模組或功能電路來實施。此外,方法、部件及特徵可以硬體裝置和電腦程式部件的任何組合或以電腦程式來實施。
除非另有明確陳述,否則諸如「接收」、「執行」、「提供」、「獲取」、「提取」、「預測」、「去除」、「導致」、「中斷」、「決定」、「訓練」、「部署」等的術語指的是由電腦系統執行或實施的動作和處理,其將表示為電腦系統暫存器和記憶體內的物理(電子)量的資料
操縱和轉換為類似地表示為電腦系統記憶體或暫存器或其他此種資訊儲存、傳輸或顯示裝置內的物理量的其他資料。另外,本文所用的術語「第一」、「第二」、「第三」、「第四」等意味著用於區別不同元件之間的標籤,並且可不具有根據其數字名稱的序數意義。
本文描述的示例還涉及用於執行本文描述的方法的設備。可將該設備特別構造為用於執行本文描述的方法,或者它可包括由儲存在電腦系統中的電腦程式選擇性地程式化的通用電腦系統。這種電腦程式可儲存在電腦可讀有形儲存媒體中。
本文描述的方法和說明性示例並非固有地涉及任何特定電腦或其他設備。可根據本文描述的教示來使用各種通用系統,或者其可證明構造更專用設備來執行本文描述的方法及/或它們各別功能、例程、子例程或操作中的每一個是方便的。在上文的描述中闡述了各種該等系統的結構的示例。
上文的描述旨在說明性的,而非限制性的。儘管已參考特定說明性示例和實施方式描述了本揭示,但是將認識的是,本揭示不限於描述的示例和實施方式。本揭示的範疇應參照所附申請專利範圍以及申請專利範圍有權利的均等物的全部範疇來決定。
400:方法
402:方塊
404:方塊
406:方塊
408:方塊
410:方塊
412:方塊
414:方塊
416:方塊
Claims (20)
- 一種用於校正部件故障的方法,該方法包括以下步驟:從與一離子注入工具相關的複數個感測器接收與複數個特徵相對應的當前感測器資料;執行特徵分析,以產生用於該當前感測器資料的複數個附加特徵;提供該複數個附加特徵作為對一經訓練機器學習模型的輸入;從該經訓練機器學習模型獲得一個或多個輸出;基於該一個或多個輸出,來預測該離子注入工具的一個或多個部件是否在一正常操作窗口內或在一故障前窗口內,其中該正常操作窗口中的對應資料點是基本上穩定的沿著一第一健康指數值,其中該故障前窗口中的該等對應資料點從該第一健康指數值增加到一第二健康指數值處的一峰值,該正常操作窗口是在該故障前窗口之前;及響應於預測到該一個或多個部件是在該故障前窗口內,來執行與修復或更換該離子注入工具的該一個或多個部件相關的一校正動作。
- 如請求項1所述之方法,進一步包括以下步驟:藉由對時間間隔內的該當前感測器資料進行平均,來從該當前感測器資料去除雜訊,其中該輸入包括在去除該雜訊之後的該複數個附加特徵,其中該故障前窗口 的該等對應資料點從該第二健康指數值處的該峰值下降到一第三健康指數值,該第三健康指數值對應於該故障前窗口的結束時的一故障時間,該故障時間對應於該一個或多個部件的故障。
- 如請求項1所述之方法,其中該複數個附加特徵包括來自該複數個感測器中的一個或多個的該當前感測器資料的一比率、一範圍、一增量或一最大值中的一個或多個。
- 如請求項1所述之方法,其中執行該特徵分析的步驟包括以下步驟:以一矩陣形式接收該當前感測器資料,並且經由一維卷積來處理該矩陣,以輸出該複數個附加特徵。
- 如請求項1所述之方法,其中該經訓練機器學習模型包括一個或多個長短期記憶體(LSTM)層和一Softmax層。
- 如請求項1所述之方法,其中基於來自與一第二離子注入工具相關的一第二複數個感測器的歷史感測器資料,來產生該經訓練機器學習模型。
- 如請求項1所述之方法,其中該等輸出表示一預測窗口的一信心水平,其中預測到該一個或多個部件是在該故障前窗口內的步驟包括以下步驟:決定該預測窗口的該信心水平指示該故障前窗口的大於50%信心度。
- 如請求項1所述之方法,其中預測該離子注 入工具的該一個或多個部件是否在該故障前窗口內的步驟包括以下步驟:預測一溢流槍或一源槍中的至少一個是否在該故障前窗口內。
- 如請求項1所述之方法,其中該校正動作包括以下項目中的一個或多個:使一圖形使用者界面顯示一警報;中斷該離子注入工具的操作;或導致該一個或多個部件被更換。
- 一種用於校正部件故障的方法,該方法包括以下步驟:從與一離子注入工具相關的複數個感測器接收與複數個特徵相對應的歷史感測器資料;決定複數個窗口,該複數個窗口包括用於該歷史感測器資料的一第一子集的一正常操作窗口和用於該歷史感測器資料的一第二子集的一故障前窗口,其中該正常操作窗口中的對應資料點是基本上穩定的沿著一第一健康指數值,其中該故障前窗口中的該等對應資料點從該第一健康指數值增加到一第二健康指數值處的一峰值,該正常操作窗口是在該故障前窗口之前;執行特徵分析,以產生用於該歷史感測器資料的複數個附加特徵;及使用包括該複數個附加特徵的訓練資料和包括該複數個窗口的目標輸出,來訓練一機器學習模型,以產生一 經訓練機器學習模型,該經訓練機器學習模型能夠產生指示一個或多個離子注入工具部件是否在該故障前窗口內的一個或多個輸出,以執行與修復或更換該一個或多個離子注入工具部件相關的一校正動作。
- 如請求項10所述之方法,進一步包括以下步驟:藉由對時間間隔內的該歷史感測器資料進行平均,來從該歷史感測器資料去除雜訊,其中該訓練資料包括在去除該雜訊之後的該複數個附加特徵,其中該故障前窗口的該等對應資料點從該第二健康指數值處的該峰值下降到一第三健康指數值,該第三健康指數值對應於該故障前窗口的結束時的一故障時間,該故障時間對應於該一個或多個離子注入工具部件的故障。
- 如請求項10所述之方法,其中該複數個附加特徵包括來自該複數個感測器中的一個或多個的對應感測器資料的一比率、一範圍、一增量或一最大值中的一個或多個。
- 如請求項10所述之方法,其中執行該特徵分析的步驟包括以下步驟:以一矩陣形式接收該歷史感測器資料,並且經由一維卷積來處理該矩陣,以輸出該複數個附加特徵。
- 如請求項10所述之方法,其中指示該一個或多個離子注入工具部件是否在該故障前窗口內的該一個或多個輸出包括指示一溢流槍或一源槍中的至少一個是否在該故障前窗口內的該一個或多個輸出。
- 如請求項10所述之方法,其中該經訓練機器學習模型將基於來自與一第二離子注入工具相關的一第二複數個感測器的當前感測器資料來接收輸入,用於預測該一個或多個離子注入工具部件是否在該故障前窗口內。
- 一種用於校正部件故障的系統,該系統包括:一記憶體;及一處理裝置,該處理裝置耦合到該記憶體,該處理裝置將進行以下操作:從與一離子注入工具相關的複數個感測器接收與複數個特徵相對應的當前感測器資料;執行特徵分析,以產生用於該當前感測器資料的複數個附加特徵;提供該複數個附加特徵作為對一經訓練機器學習模型的輸入;從該經訓練機器學習模型獲得一個或多個輸出;基於該一個或多個輸出,來預測該離子注入工具的一個或多個部件是否在一正常操作窗口內或在一故障前窗口內,其中該正常操作窗口中的對應資料點是基本上穩定的沿著一第一健康指數值,其中該故障前窗口中的該等對應資料點從該第一健康指數值增加到一第二健康指數值處的一峰值,該正常操作窗口是在該故障前窗口之前;及 響應於預測到該一個或多個部件是在該故障前窗口內,來執行與修復或更換該離子注入工具的該一個或多個部件相關的一校正動作。
- 如請求項16所述之系統,其中該處理裝置將進一步進行以下操作:藉由對時間間隔內的該當前感測器資料進行平均,來從該當前感測器資料去除雜訊,其中該輸入包括在去除該雜訊之後的該複數個附加特徵,其中該故障前窗口的該等對應資料點從該第二健康指數值處的該峰值下降到一第三健康指數值,該第三健康指數值對應於該故障前窗口的結束時的一故障時間,該故障時間對應於該一個或多個部件的故障。
- 如請求項16所述之系統,其中該複數個附加特徵包括來自該複數個感測器中的一個或多個的對應感測器資料的一比率、一範圍、一增量或一最大值中的一個或多個。
- 如請求項16所述之系統,其中為了執行該特徵分析,該處理裝置將以一矩陣形式接收該當前感測器資料,並且經由一維卷積來處理該矩陣,以輸出該複數個附加特徵。
- 如請求項16所述之系統,其中該校正動作包括以下項目中的一個或多個:使一圖形使用者界面顯示一警報;中斷該離子注入工具的操作;或導致該一個或多個部件被更換。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/264,034 US11348813B2 (en) | 2019-01-31 | 2019-01-31 | Correcting component failures in ion implant semiconductor manufacturing tool |
US16/264,034 | 2019-01-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202044314A TW202044314A (zh) | 2020-12-01 |
TWI797418B true TWI797418B (zh) | 2023-04-01 |
Family
ID=71836669
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109102990A TWI797418B (zh) | 2019-01-31 | 2020-01-31 | 用於校正離子注入半導體製造工具中的部件故障的方法及系統 |
TW112108684A TW202329188A (zh) | 2019-01-31 | 2020-01-31 | 用於校正離子注入半導體製造工具中的部件故障的方法及系統 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112108684A TW202329188A (zh) | 2019-01-31 | 2020-01-31 | 用於校正離子注入半導體製造工具中的部件故障的方法及系統 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11348813B2 (zh) |
JP (2) | JP7238146B2 (zh) |
KR (2) | KR102539586B1 (zh) |
CN (1) | CN113383282A (zh) |
TW (2) | TWI797418B (zh) |
WO (1) | WO2020159730A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210133213A1 (en) * | 2019-10-31 | 2021-05-06 | Vettd, Inc. | Method and system for performing hierarchical classification of data |
US11226805B2 (en) * | 2019-07-31 | 2022-01-18 | Dell Products L.P. | Method and system for predicting upgrade completion times in hyper-converged infrastructure environments |
JP7414589B2 (ja) * | 2020-03-04 | 2024-01-16 | 住友重機械イオンテクノロジー株式会社 | イオン注入装置およびモデル生成方法 |
CN112560327B (zh) * | 2020-11-13 | 2024-03-12 | 盐城工学院 | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 |
WO2022224693A1 (ja) * | 2021-04-19 | 2022-10-27 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置 |
US20230008072A1 (en) * | 2021-07-08 | 2023-01-12 | Applied Materials, Inc. | Method and mechanism for contact-free process chamber characterization |
US20230016122A1 (en) * | 2021-07-09 | 2023-01-19 | Applied Materials, Inc. | Method and apparatus for controlled ion implantation |
KR20240063109A (ko) * | 2021-09-02 | 2024-05-09 | 에이에스엠엘 네델란즈 비.브이. | 선택된 패턴 세트를 평가하는 방법 |
CN117121169A (zh) * | 2022-03-24 | 2023-11-24 | 株式会社日立高新技术 | 装置诊断***、装置诊断装置、半导体装置制造***以及装置诊断方法 |
CN116046078A (zh) * | 2023-03-31 | 2023-05-02 | 东莞市楷德精密机械有限公司 | 一种半导体清洗设备的故障监测预警方法及*** |
US11995401B1 (en) | 2023-04-30 | 2024-05-28 | The Strategic Coach Inc. | Systems and methods for identifying a name |
CN117421679B (zh) * | 2023-10-08 | 2024-06-18 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364818A1 (en) * | 2016-06-17 | 2017-12-21 | Business Objects Software Ltd. | Automatic condition monitoring and anomaly detection for predictive maintenance |
TW201804471A (zh) * | 2016-07-06 | 2018-02-01 | 半導體能源研究所股份有限公司 | 半導體裝置、記憶體裝置及顯示系統 |
US20180294174A1 (en) * | 2017-04-05 | 2018-10-11 | Ebara Corporation | Semiconductor manufacturing apparatus, failure prediction method for semiconductor manufacturing apparatus, and failure prediction program for semiconductor manufacturing apparatus |
CN109283800A (zh) * | 2014-02-12 | 2019-01-29 | Asml荷兰有限公司 | 过程窗口的优化方法 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0613015A (ja) * | 1992-06-25 | 1994-01-21 | Nissin Electric Co Ltd | イオン注入装置 |
JPH08153486A (ja) * | 1994-11-29 | 1996-06-11 | Nec Yamagata Ltd | イオン注入装置 |
JP3265969B2 (ja) * | 1995-07-07 | 2002-03-18 | 日新電機株式会社 | イオン注入制御装置 |
JPH1012180A (ja) * | 1996-06-17 | 1998-01-16 | Nissin Electric Co Ltd | イオン注入装置のファラディ |
US6055460A (en) * | 1997-08-06 | 2000-04-25 | Advanced Micro Devices, Inc. | Semiconductor process compensation utilizing non-uniform ion implantation methodology |
US6895293B2 (en) | 2000-09-14 | 2005-05-17 | Applied Materials, Inc. | Fault detection and virtual sensor methods for tool fault monitoring |
JP2003077907A (ja) | 2001-08-31 | 2003-03-14 | Toshiba Corp | 生産装置の異常停止回避方法及び異常停止回避システム |
US6960774B2 (en) * | 2003-11-03 | 2005-11-01 | Advanced Micro Devices, Inc. | Fault detection and control methodologies for ion implantation processes, and system for performing same |
CA2882796A1 (en) * | 2007-05-16 | 2009-02-12 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
US8078552B2 (en) * | 2008-03-08 | 2011-12-13 | Tokyo Electron Limited | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
US7755066B2 (en) * | 2008-03-28 | 2010-07-13 | Varian Semiconductor Equipment Associates, Inc. | Techniques for improved uniformity tuning in an ion implanter system |
JP6151227B2 (ja) | 2014-08-25 | 2017-06-21 | 株式会社東芝 | 異常検知システム及び半導体デバイスの製造方法 |
US10430719B2 (en) | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
US10984338B2 (en) * | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
CN105353702B (zh) * | 2015-11-17 | 2020-12-04 | 国家电网公司 | 高压设备智能监控*** |
KR101744194B1 (ko) | 2016-08-19 | 2017-06-09 | 인하대학교 산학협력단 | 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법 |
WO2018063225A1 (en) * | 2016-09-29 | 2018-04-05 | Hewlett-Packard Development Company, L.P. | Component failure prediction |
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测*** |
TWI632441B (zh) | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
CN107024267A (zh) * | 2017-04-12 | 2017-08-08 | 无锡研测技术有限公司 | 基于径向基神经网络的称重设备传感器故障检测方法 |
CN107238507B (zh) * | 2017-06-20 | 2019-12-31 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN109102189B (zh) * | 2018-08-10 | 2022-02-11 | 杨璇 | 一种电气设备健康管理***和方法 |
JP7233201B2 (ja) | 2018-11-20 | 2023-03-06 | 東京エレクトロン株式会社 | 搬送ユニットの監視方法及び監視装置並びに監視用モデル |
-
2019
- 2019-01-31 US US16/264,034 patent/US11348813B2/en active Active
-
2020
- 2020-01-17 WO PCT/US2020/014197 patent/WO2020159730A1/en active Application Filing
- 2020-01-17 JP JP2021544540A patent/JP7238146B2/ja active Active
- 2020-01-17 KR KR1020217027568A patent/KR102539586B1/ko active IP Right Grant
- 2020-01-17 KR KR1020237018033A patent/KR20230084317A/ko not_active Application Discontinuation
- 2020-01-17 CN CN202080012043.5A patent/CN113383282A/zh active Pending
- 2020-01-31 TW TW109102990A patent/TWI797418B/zh active
- 2020-01-31 TW TW112108684A patent/TW202329188A/zh unknown
-
2022
- 2022-05-27 US US17/827,408 patent/US11862493B2/en active Active
-
2023
- 2023-03-01 JP JP2023030851A patent/JP7472344B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109283800A (zh) * | 2014-02-12 | 2019-01-29 | Asml荷兰有限公司 | 过程窗口的优化方法 |
US20170364818A1 (en) * | 2016-06-17 | 2017-12-21 | Business Objects Software Ltd. | Automatic condition monitoring and anomaly detection for predictive maintenance |
TW201804471A (zh) * | 2016-07-06 | 2018-02-01 | 半導體能源研究所股份有限公司 | 半導體裝置、記憶體裝置及顯示系統 |
US20180294174A1 (en) * | 2017-04-05 | 2018-10-11 | Ebara Corporation | Semiconductor manufacturing apparatus, failure prediction method for semiconductor manufacturing apparatus, and failure prediction program for semiconductor manufacturing apparatus |
JP2018178157A (ja) * | 2017-04-05 | 2018-11-15 | 株式会社荏原製作所 | 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム |
Also Published As
Publication number | Publication date |
---|---|
KR20210109673A (ko) | 2021-09-06 |
KR20230084317A (ko) | 2023-06-12 |
CN113383282A (zh) | 2021-09-10 |
US20220301903A1 (en) | 2022-09-22 |
US11348813B2 (en) | 2022-05-31 |
KR102539586B1 (ko) | 2023-06-01 |
TW202329188A (zh) | 2023-07-16 |
JP7238146B2 (ja) | 2023-03-13 |
WO2020159730A1 (en) | 2020-08-06 |
JP7472344B2 (ja) | 2024-04-22 |
JP2022523101A (ja) | 2022-04-21 |
JP2023085255A (ja) | 2023-06-20 |
TW202044314A (zh) | 2020-12-01 |
US20200251360A1 (en) | 2020-08-06 |
US11862493B2 (en) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI797418B (zh) | 用於校正離子注入半導體製造工具中的部件故障的方法及系統 | |
US20200104639A1 (en) | Long short-term memory anomaly detection for multi-sensor equipment monitoring | |
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US20210056430A1 (en) | Intelligent time-series analytic engine | |
US11022968B2 (en) | Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time | |
Snijders et al. | Machine learning for digital twins to predict responsiveness of cyber-physical energy systems | |
TW202326314A (zh) | 用於半導體製造設備的自適應故障排除的系統和方法 | |
US20240146054A1 (en) | Methods, devices, and systems for distributed monitoring based adaptive diagnosis of power anomalies in a power network | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
RU2703874C1 (ru) | Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов | |
TW202309791A (zh) | 晶圓上的降維 | |
US20220246454A1 (en) | Process abnormality identification using measurement violation analysis | |
US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
US20240062097A1 (en) | Equipment parameter management at a manufacturing system using machine learning | |
US20230222264A1 (en) | Processing chamber calibration | |
TW202424831A (zh) | 在使用機器學習的製造系統處的裝備參數管理 | |
TW202409764A (zh) | 用於基板處理設備的多維感測器資料的整體分析 | |
TW202340885A (zh) | 用於在評估系統與製造系統之間進行介接的通訊節點 | |
CN118076932A (zh) | 用于改善制造设备的维护质量的校验 | |
TW202340884A (zh) | 預防保養後的腔室條件監控及模擬 | |
TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 |