WO2014193041A1 - 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 - Google Patents

제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 Download PDF

Info

Publication number
WO2014193041A1
WO2014193041A1 PCT/KR2013/007831 KR2013007831W WO2014193041A1 WO 2014193041 A1 WO2014193041 A1 WO 2014193041A1 KR 2013007831 W KR2013007831 W KR 2013007831W WO 2014193041 A1 WO2014193041 A1 WO 2014193041A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor data
sensor
data
reference signal
product
Prior art date
Application number
PCT/KR2013/007831
Other languages
English (en)
French (fr)
Inventor
신계영
임종승
안대중
민승재
이종호
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Publication of WO2014193041A1 publication Critical patent/WO2014193041A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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]
    • G05B19/41875—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] characterised by quality surveillance of production
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
    • 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]

Definitions

  • Embodiments of the invention relate to techniques for analyzing the manufacturing process of a product.
  • FDC facility analysis system
  • the facility analysis system analyzes and controls a process or equipment that affects the yield of a semiconductor device using various sensor data provided in a manufacturing facility of the semiconductor device.
  • the conventional ROOT CAUSE method for product defects uses the Work In Process (WIP) information of products that have been judged as good or bad. Then, the suspected equipment or chamber was identified as the cause of the defect in the order of the difference between the defective product ratio and the good product ratio.
  • WIP Work In Process
  • Another type of cause search method uses the FDC Summary Data, such as the average of sensor data recorded in the facility analysis system, to search for the cause of the defect based on the significant difference between good and bad products.
  • FDC Summary Data such as the average of sensor data recorded in the facility analysis system
  • Embodiments of the present invention are to provide a yield analysis means that can accurately identify the suspected cause of the failure by using the sensor data of the equipment used in the manufacture of the product when the failure occurs.
  • a yield analysis system a data extraction unit for extracting data from each of a plurality of sensors provided in a manufacturing facility, a reference for generating a reference signal of each of the plurality of sensors from the sensor data And a sensor detector configured to detect one or more sensors having a correlation with a yield of the product among the plurality of sensors by using the signal generator and the sensor data and the reference signal.
  • the data extractor may correct or filter the sensor data in consideration of the number of missing values of the sensor data.
  • the data extracting unit may remove sensor data extracted from the specific sensor when the number of missing values of the sensor data extracted from the specific sensor exceeds a set reference value among the plurality of sensors.
  • the data extractor may remove sensor data related to the specific product when a missing value of sensor data related to the specific product exceeds a set reference value.
  • the sensor detector may calculate a distance between the sensor data and the reference signal and detect one or more sensors having a correlation with a yield of the product among the plurality of sensors using the calculated distance.
  • the system may further include a preprocessor configured to perform preprocessing including at least one of compression, normalization, or symbolization of the sensor data and the reference signal.
  • the preprocessor may compress the sensor data by dividing the sensor data into a plurality of time sections and calculating a representative value of the sensor data for each of the divided time sections.
  • the representative value may be any one of an average value and a median value of the divided sensor data for each time period.
  • the reference signal generator may classify the sensor data, which is compressed by using the non-payment determination information of the product, into one of a good group and a bad group for each sensor, and classify the sensor data into the normal group for each time interval.
  • the reference signal may be generated by calculating either an average value or a median value of sensor data belonging thereto.
  • the reference signal generator may remove an outlier from the normal group before generating the reference signal.
  • the outlier may be sensor data in which at least one of a data start time and a data end time is not included in a preset normal range.
  • the normal range may be calculated using one or more of an average value or a standard deviation of the data start time or the data end time of the sensor data included in the normal group.
  • the preprocessing unit normalizes the compressed sensor data by using the average and the variance of the reference signal, and converts the normalized sensor value and the reference signal into a plurality of symbols according to a preset sensor value range. I can convert it.
  • the sensor detector generates a distance table using the symbolized sensor data, the reference signal, and yield determination information of the product, and applies a classification and regression tree (CART) algorithm to the distance table. Can create a decision tree.
  • CART classification and regression tree
  • the sensor detector may detect a sensor having a Gini Index, which is derived as a result of applying the CART algorithm, to a value having a correlation with a yield of the product.
  • a method of analyzing a yield of a product extracting sensor data from each of a plurality of sensors included in a manufacturing facility of a product in a data extracting unit, and in the reference signal generator, the plurality of sensors from the sensor data Generating a reference signal of each of the four sensors, and detecting at least one sensor having a correlation with a yield of the product among the plurality of sensors by using the sensor data and the reference signal It includes a step.
  • the extracting of the sensor data may further include correcting or filtering the sensor data in consideration of the number of missing values of the sensor data.
  • the correcting or filtering of the sensor data may be configured to remove the sensor data extracted from the specific sensor when the number of missing values of the sensor data extracted from the specific sensor exceeds a set reference value among the plurality of sensors. have.
  • Correcting or filtering the sensor data may be configured to remove sensor data related to the specific product when a missing value of the sensor data related to the specific product exceeds a set reference value.
  • the detecting of the sensor may include calculating a distance between the sensor data and the reference signal, and detecting one or more sensors having a correlation with a yield of the product among the plurality of sensors using the calculated distance. have.
  • the method may further include compressing the sensor data extracted by a preprocessor after performing the step of extracting the sensor data and before performing the step of generating the reference signal.
  • the compressing the sensor data may further include dividing the sensor data into a plurality of time sections, and calculating a representative value of the divided sensor data for each time section.
  • the representative value may be any one of an average value and a median value of the divided sensor data for each time period.
  • the generating of the reference signal for each sensor may include classifying the compressed sensor data into one of a good group and a bad group for each sensor by using the non-payment determination information of the product, and Computing any one of the average value or the median value of the sensor data belonging to the normal group for each time period.
  • the classifying the compressed sensor data into one of a good group and a bad group may further include removing an outlier from the normal group.
  • the outlier may be sensor data in which at least one of a data start time and a data end time is not included in a preset normal range.
  • the normal range may be calculated using one or more of an average value or a standard deviation of the data start time or the data end time of the sensor data included in the normal group.
  • the method may further comprise, in the preprocessor, normalizing the compressed sensor data using the mean and the variance of the reference signal before performing the step of detecting the one or more sensors, and in the preprocessor, the normalized
  • the method may further include converting a sensor value of the sensor data and the reference signal into a plurality of symbols according to a preset sensor value range.
  • the detecting of the one or more sensors may include generating a distance table using the symbolized sensor data, the reference signal, and yield determination information of the product, and classifying and displaying a CART in the distance table. And applying a regression tree) algorithm.
  • the detecting of the one or more sensors may detect a sensor having a Gini Index derived as a result of applying the CART algorithm as a sensor having a correlation with a yield of the product.
  • the apparatus comprising one or more processors, a memory, and one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors,
  • the program may include extracting data from each of a plurality of sensors provided in a manufacturing facility of a product, generating a reference signal of each of the plurality of sensors from the sensor data, and the sensor data and the reference signal. And instructions for executing a process of detecting one or more sensors having a correlation with a yield of the product among the plurality of sensors.
  • the sensor data is summarized through preprocessing of sensor data having a large capacity, thereby reducing the data capacity and effectively removing noise of the sensor data generated in the manufacturing process.
  • the sensor data analysis can be effectively performed while maintaining the time-series characteristics of the data.
  • FIG. 1 is a block diagram illustrating a yield analysis system 100 using manufacturing process data according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a yield analysis method 200 using manufacturing process data according to an embodiment of the present invention.
  • FIG. 1 is a block diagram illustrating a yield analysis system 100 using manufacturing process data according to an embodiment of the present invention.
  • the yield analysis system 100 is to identify the process factors affecting the product yield (Yield) by analyzing the product manufacturing process data and the good judgment information in association.
  • Yield the product yield
  • embodiments of the present invention will be described assuming that the present invention is applied to a manufacturing process of a semiconductor device.
  • the scope of the present invention is not limited to the semiconductor device, but may be applied to all products produced through a predetermined process in a manufacturing facility. That is, even if only "semiconductor device" is described in the following description, it should be interpreted as meaning "a semiconductor device as an example of a product” according to the present invention.
  • the yield analysis system 100 obtains data from various sensors included in a product, for example, a manufacturing facility such as a semiconductor device, and uses the obtained sensor data to
  • a product for example, a manufacturing facility such as a semiconductor device
  • the semiconductor device in the embodiments of the present invention refers to a product manufactured in a semiconductor or fabrication facility (FAB), for example, a silicon wafer or A glass wafer or the like can be the semiconductor device in the present invention.
  • FAB semiconductor or fabrication facility
  • the product yield analysis system 100 includes a data extraction unit 102, a reference signal generator 104, a preprocessor 106 and a sensor detector 108 do.
  • the data extraction unit 102 obtains data from a plurality of sensors provided in a manufacturing facility such as a product, for example, a semiconductor device.
  • the reference signal generator 104 generates a reference signal of each of the plurality of sensors from the sensor data obtained by the data extractor 102.
  • the preprocessor 106 performs preprocessing to reduce the capacity and remove the noise of the sensor data and the reference signal.
  • the sensor detector 108 calculates a distance between the preprocessed sensor data and the reference signal, and detects at least one sensor having a correlation with the yield of the product by using the calculated distance.
  • the data extraction unit 102 extracts raw data to be analyzed from a manufacturing facility, for example, a semiconductor device or the like, and processes the raw data into a form that can be analyzed. First, the data extraction unit 102 obtains sensor data from a plurality of sensors provided in the manufacturing facility.
  • the senor is for detecting a state change in the product production process of the manufacturing facility, for example, may be a temperature sensor or a pressure sensor installed in the facility in charge of a specific process. That is, in this case, the temperature sensor or the pressure sensor may be configured to sense the temperature change or the pressure change with time of the corresponding equipment in the manufacturing process of the product.
  • the data extracting unit 102 extracts sensor data for each process of the product manufacturing facility, for each detailed process of each process, or for each chamber from these sensors.
  • the data extracting unit 102 may obtain final yield determination information (good or bad determination information) of a product produced from the manufacturing facility, for example, a semiconductor device, and store it in association with the sensor data.
  • the yield determination information may be obtained, for example, from equipment such as electric die sorting (EDS) provided in a manufacturing facility. That is, the data extraction unit 102 stores the sensor data sensed by each sensor in the manufacturing process of the product and the non-payment determination information of the product produced through the manufacturing process, thereby changing the sensor data in the future data analysis process. The change in the defective rate of the product can be tracked.
  • EDS electric die sorting
  • the sensor data extracted by the data extractor 102 may have missing values due to various reasons such as a malfunction of the sensor, a sensing error, and a data collection error. Accordingly, the data extractor 102 is configured to correct or filter the sensor data in consideration of the number of missing values of the sensor data.
  • the data extractor 102 analyzes the sensor value of the corresponding sensor by removing the sensor data extracted from the specific sensor. Can be excluded.
  • the data extraction unit 102 is configured to remove all the sensor data associated with the specific product, that is, if the missing value of the sensor data generated during the production of the specific product exceeds a set reference value. Can be. That is, in the embodiment of the present invention, when there are too many missing values of the sensor data, the sensor data related to the corresponding sensor or product is excluded from the analysis to minimize the occurrence of an error in the analysis result.
  • the data extraction unit 102 although the missing value exists in the sensor data, if the number of the missing value does not exceed the set reference value may be used to correct the missing value using the front and rear sensor data.
  • the data extractor 102 may correct missing values using Equation 1 below.
  • y is a missing value
  • x is a missing time
  • y a is a sensor value immediately before the missing
  • y b is a sensor value immediately after the missing
  • x a and x b is a sensing time of y a and y b , respectively.
  • the missing value correction equation of Equation 1 is merely an example, and various methods for correcting the missing value may be applied. In other words, the present invention is not limited to any particular missing value correction algorithm.
  • the reference signal generator 104 next generates a reference signal of each of the plurality of sensors from the obtained sensor data, and the preprocessor 106 performs the sensor data. And performing at least one of compression, normalization, or symbolization of the reference signal.
  • the preprocessor 106 compresses the sensor data into a plurality of time intervals.
  • the preprocessor 106 compresses the sensor data by dividing the sensor data into a plurality of (w) time intervals and calculating a representative value of the sensor data for each of the divided time intervals.
  • the representative value may be set to an average value or a median value of the divided sensor data for each time period. Compressing the sensor data in this way has the advantage of reducing the noise present in the data while reducing the total capacity of the sensor data.
  • a SAX (Symbolic ApproXimation) algorithm may be used to determine the w value, that is, the number of sections for dividing the sensor data, but is not limited thereto.
  • sensor data sensed at one second intervals from a specific sensor is as follows.
  • the sensor data can be compressed as follows.
  • the reference signal generator 104 generates a reference signal from the compressed sensor data.
  • the reference signal refers to a signal that is a reference for calculating the distance of sensor data for each sensor.
  • the reference signal generator 104 classifies the compressed sensor data into a good group and a bad group for each sensor by using the non-payment determination information of the product. That is, the normal group includes sensor data generated in the manufacturing process of the product determined to be normal, and the defective group includes sensor data generated in the manufacturing process of the product determined to be defective.
  • the reference signal generator 104 generates the reference signal by calculating one of an average value and a median value of sensor data belonging to the normal group for each time period w. That is, in the present invention, the reference signal may be defined as an average value or a median value of sensor data belonging to the normal group for each section.
  • the reference signal generator 104 may be configured to first remove an outlier from the normal group before generating the reference signal.
  • the outlier means abnormally large sensor data when compared with other sensor data belonging to a normal group. Such anomalies generally occur in a special situation such as a temporary failure of a sensor or a facility, and if not excluded, the reference signal may be distorted. Removing the reference signal before generating it can improve the accuracy of the reference signal.
  • the reference signal generator 104 calculates a distribution of data start time or data end time of the sensor data belonging to the normal group, and at least one of the data start time or the data end time is not included in the preset normal range. If there is sensor data that does not exist, it may be configured to remove the sensor data. In this case, the normal range may be calculated using one or more of an average value or a standard deviation of the data start time or the data end time of the sensor data included in the normal group.
  • the normal range of the data start time may be determined as in Equation 2 below.
  • the reference signal generator 104 may generate the reference signal using only the remaining sensor data except for the sensor data whose data start time is out of the range among the sensor data belonging to the normal group.
  • the above equation describes only the normal range of the data start time, it is obvious that the data end time can also be calculated in the same manner.
  • the preprocessing unit 106 normalizes the compressed sensor data.
  • the preprocessor 106 may normalize sensor data using Equation 3 below using the average and the variance of the reference signal.
  • x i is the i-th sensor value of the sensor data
  • y i is the normalized sensor value
  • ⁇ is the average of the reference signal
  • ⁇ is the dispersion of the reference signal.
  • the preprocessor 106 converts the normalized sensor value and the reference signal into a plurality of symbols according to a preset sensor value range. Specifically, the preprocessing unit 106 divides the entire section in which the normalized sensor values are distributed into a plurality of ( ⁇ ) subsections, and assigns different symbols (for example, alphabetic characters) to each of the divided subsections. By providing, the sensor data can be symbolized. For example, the preprocessor 106 may divide a section in which sensor values are distributed by using Equation 4 below.
  • y i is the threshold value of the i th subsection
  • n is the total number of subsections
  • ⁇ is the cumulative normal distribution, respectively.
  • the sensor data may be converted as follows.
  • the sensor detector 108 calculates a distance between the preprocessed sensor data and the reference signal and uses the calculated distance to yield the product. Detect one or more sensors that have a correlation with.
  • the sensor detector 108 calculates a distance MDIST between respective sensor values of the preprocessed sensor data and a reference signal.
  • the distance can be calculated by, for example, Equation 5 below.
  • Equation 5 is an equation for calculating a distance MDIST i between two i-th elements Q i and P i of two time series data Q and P represented by n symbols.
  • r and c represent positions of rows r and columns c of the lookup table composed of Q i and P i , respectively.
  • MDIST is taken as an example of the distance, but other distance measures such as Euclidean distance can be used.
  • the sensor detector 108 When the distance between the respective sensor values and the reference signal is calculated as described above, the sensor detector 108 generates a distance table using the distance value and the non-payment determination information of the product. In an embodiment of the present invention, the sensor detector 108 may generate two distance tables including a first distance table and a second distance table.
  • the first distance table is a table that records the distance difference with the reference signal according to the time interval of each sensor. For example, assume that the sensor values and reference signals of the pressure sensor and the temperature sensor sensed in the manufacturing process of the wafer 1 and the wafer 2 in the sections I1, I2, and I3 are shown in Table 2 below.
  • the first distance table may be calculated as shown in Table 3 below.
  • the second distance table is a table in which the sum of the distances MDIST of the sensors of the first distance table is recorded. For example, when the second distance table is generated from the distance table described in Table 3, the following Table 4 is shown.
  • the sensor detector 108 When the distance table is generated as described above, the sensor detector 108 generates a decision tree by applying a classification and regression tree (CART) algorithm to the distance table.
  • the sensor detector 108 may generate two decision trees by applying a CART algorithm to each of the first distance table and the second distance table.
  • the first distance table may determine which section of each sensor data affects the yield of the product
  • the second distance table may be used to identify which sensors generally affect the yield of the product.
  • the Gini Index of the sensors constituting each node of the decision tree is calculated.
  • the Gini index is an index indicating the effect of the sensor corresponding to the node on the yield of the product, the higher the Gini index means that the effect of the sensor on the yield of the product.
  • the sensor detector 108 may arrange the sensors according to the Gini Index derived as a result of applying the CART algorithm, and detect a sensor having a Gini Index greater than or equal to a preset value as a sensor having a high correlation with the yield of the product. have.
  • step 202 is a flow chart illustrating a method 200 for analyzing a manufacturing process of a product according to an embodiment of the present invention.
  • the data extracting unit 102 extracts sensor data from a plurality of sensors provided in a manufacturing facility of a product (202).
  • step 202 may further include correcting or filtering the sensor data in consideration of the number of missing values of the sensor data.
  • the data extractor 102 may remove sensor data extracted from a specific sensor when the number of missing values of sensor data extracted from a specific sensor exceeds a set reference value.
  • the data extractor 102 may remove sensor data related to a specific product when a missing value of sensor data related to a specific product exceeds a set reference value.
  • step 204 may further include dividing the sensor data into a plurality of time intervals, and calculating a representative value of the divided sensor data for each time interval.
  • the representative value may be any one of an average value and a median value of the divided sensor data for each time interval.
  • the reference signal generator 104 generates reference signals of each of the plurality of sensors from the sensor data (206).
  • the sensor data is classified into a good group and a bad group by using the non-payment determination information of the product for each sensor, and the sensor data belonging to the normal group for each time interval. Computing any one of the average value or the median value of.
  • the reference signal generator 104 may be configured to remove an outlier from the normal group before generating the reference signal.
  • the outlier means the sensor data in which at least one of the data start time and the data end time is not included in the preset normal range.
  • the normal range may be calculated using one or more of an average value or a standard deviation of the data start time or the data end time of the sensor data included in the normal group.
  • the preprocessing unit 106 When the reference signal is generated as described above, the preprocessing unit 106 then normalizes the compressed sensor data using the average and the variance of the reference signal (208), and presets the sensor value and the reference signal of the normalized sensor data. According to the sensor value range, a plurality of symbols are converted (210).
  • the sensor detector 108 calculates the distance between the sensor data and the reference signal, generates a distance table using the calculated distance (212), and has a correlation with the yield of the product using the distance table.
  • One or more sensors are detected (214).
  • the sensor detector 108 applies a classification and regression tree (CART) algorithm to the distance table, and correlates a sensor having a Gini index greater than or equal to a set value derived from the application of the CART algorithm to a yield of a product. It may be configured to detect with a sensor that a relationship exists.
  • CART classification and regression tree
  • an embodiment of the present invention may include a computer readable recording medium including a program for performing the methods described herein on a computer.
  • the computer-readable recording medium may include program instructions, local data files, local data structures, etc. alone or in combination.
  • the media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those skilled in the computer software arts.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROMs, DVDs, magnetic-optical media such as floppy disks, and ROM, RAM, flash memory, and the like.
  • Hardware devices specifically configured to store and execute the same program instructions are included.
  • Examples of program instructions may include high-level language code that can be executed by a computer using an interpreter as well as machine code such as produced by a compiler.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

제품의 제조 공정 분석 시스템 및 장치가 개시된다. 본 발명의 일 실시예에 따른 제품의 수율 분석 시스템은, 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 추출하는 데이터 추출부, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부, 및 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함한다.

Description

제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
본 발명의 실시예들은 제품의 제조 공정을 분석하기 위한 기술과 관련된다.
반도체 또는 디스플레이 제조 설비등의 경우 제조 공정에서 발생할 수 있는 문제들을 분석하기 위하여 설비분석시스템(FDC; Fault Detection and Classification)을 구비하는 것이 일반적이다. 이러한 설비분석시스템은 반도체 디바이스의 제조 설비에 구비된 각종 센서 데이터를 이용하여 반도체 디바이스의 수율에 영향을 미치는 공정 또는 장비를 분석하고 제어하게 된다.
제품 불량에 대한 종래의 원인탐색(ROOT CAUSE) 방법은 양/불 판정을 받은 제품의 공정진행 (Work In Process: WIP)정보를 활용하여, 설비별로 양/불 판정을 받은 제품의 비율을 계산한 후, 불량제품비율과 양품제품비율의 차(差)가 높은 순으로 혐의 설비 또는 챔버를 불량의 원인으로 지목하는 것이었다. 그러나 이와 같은 종래의 원인 탐색 방법은 분석 대상 제품의 불량률이 특히 낮거나, 설비가 일체형(in-line)이거나, 또는 2가지 이상의 불량 유발 원인이 혼재되어 있는 경우에는 적용이 어려운 문제가 있다. 또 다른 형태의 원인 탐색 방법은 설비분석시스템에서 기록되는 Sensor 데이터의 평균 등의 요약값(FDC Summary Data)을 활용하여, 양/불 제품간의 유의차를 근거로 불량의 원인을 탐색한다. 하지만 이 방법은 시계열 특성을 가지는 센서 데이터를 그대로 활용하지 않고 전체 데이터를 요약한 대표값만을 이용하여 분석을 수행함으로써 센서 데이터의 패턴 변화 감지가 불가능하며, 이에 따라 분석 결과에 왜곡이 발생할 가능성이 존재한다.
본 발명의 실시예들은 불량 발생 시 제품 제조에 사용됐던 설비의 센서 데이터를 활용하여 불량의 원인인 혐의 설비를 정확히 파악할 수 있는 수율 분석 수단을 제공하기 위한 것이다.
본 발명의 실시예에 따른 수율 분석 시스템은, 제조 설비에 구비된 복수 개의 센서 각각으로부터 데이터를 추출하는 데이터 추출부, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부, 및 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함한다.
상기 데이터 추출부는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링할 수 있다.
상기 데이터 추출부는, 상기 복수 개의 센서 중 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거할 수 있다.
상기 데이터 추출부는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 제품과 관계된 센서 데이터를 제거할 수 있다.
상기 센서 검출부는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출할 수 있다.
상기 시스템은, 상기 센서 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행하는 전처리부를 더 포함할 수 있다.
상기 전처리부는, 상기 센서 데이터를 복수 개의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센서 데이터의 대표값을 계산함으로써 상기 센서 데이터를 압축할 수 있다.
상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.
상기 기준 신호 생성부는, 상기 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 상기 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하고, 상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성할 수 있다.
상기 기준 신호 생성부는, 상기 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거할 수 있다.
상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터일 수 있다.
상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.
상기 전처리부는, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하고, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환할 수 있다.
상기 센서 검출부는, 심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 제품의 수율 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하고, 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼트리를 생성할 수 있다.
상기 센서 검출부는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출할 수 있다.
본 발명의 일 실시예에 따른 제품의 수율 분석 방법은, 데이터 추출부에서 제품의 제조 설비에 구비된 복수 개의 센서 각각으로부터 센서 데이터를 추출하는 단계, 기준 신호 생성부에서, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 단계, 및 센서 검출부에서, 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 단계를 포함한다.
상기 센서 데이터를 추출하는 단계는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하는 단계를 더 포함할 수 있다.
상기 센서 데이터를 보정 또는 필터링하는 단계는, 상기 복수 개의 센서 중 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거하도록 구성될 수 있다.
상기 센서 데이터를 보정 또는 필터링하는 단계는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 제품과 관계된 센서 데이터를 제거하도록 구성될 수 있다.
상기 센서를 검출하는 단계는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출할 수 있다.
상기 방법은, 상기 센서 데이터를 추출하는 단계의 수행 후 및 상기 기준 신호를 생성하는 단계의 수행 전, 전처리부에서 추출된 상기 센서 데이터를 압축하는 단계를 더 포함할 수 있다.
상기 센서 데이터를 압축하는 단계는, 상기 센서 데이터를 복수 개의 시간 구간으로 분할하는 단계, 및 분할된 상기 시간 구간별 센서 데이터의 대표값을 계산하는 단계를 더 포함할 수 있다.
상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.
상기 각 센서별 기준 신호를 생성하는 단계는, 상기 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하는 단계, 및 상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함할 수 있다.
상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하는 단계는, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는 단계를 더 포함할 수 있다.
상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터일 수 있다.
상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.
상기 방법은, 상기 하나 이상의 센서를 검출하는 단계의 수행 전, 상기 전처리부에서, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하는 단계, 및 상기 전처리부에서, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환하는 단계를 더 포함할 수 있다.
상기 하나 이상의 센서를 검출하는 단계는, 심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 제품의 수율 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하는 단계, 및 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하는 단계를 포함할 수 있다.
상기 하나 이상의 센서를 검출하는 단계는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출할 수 있다.
한편, 본 발명의 일 실시예에 따른 장치는, 하나 이상의 프로세서, 메모리, 및 하나 이상의 프로그램을 포함하는 장치로서, 상기 하나 이상의 프로그램은 상기 메모리에 저장되고 상기 하나 이상의 프로세서에 의해 실행되도록 구성되며, 상기 프로그램은 제품의 제조 설비에 구비된 복수 개의 센서 각각으로부터 데이터를 추출하는 과정, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 과정, 및 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 과정을 실행하기 위한 명령어들을 포함한다.
본 발명의 실시예들에 따를 경우, 불량 제품의 원인이 되는 공정을 파악하는 수율 분석 시, 시계열 특성을 가지는 센서 데이터를 그대로 이용하여 제조 공정 데이터를 분석함으로써 제품 수율에 영향을 미치는 요인을 정확히 파악할 수 있는 장점이 있다.
또한, 방대한 용량을 가지는 센서 데이터에 대한 전처리 과정을 통하여 센서 데이터를 요약함으로써 데이터의 용량을 감소시킴과 동시에 제조 과정에서 발생되는 센서 데이터의 노이즈를 효과적으로 제거할 수 있는 장점이 있다. 이에 따라 데이터의 시계열적 특성을 그대로 살리면서도 효과적으로 센서 데이터 분석을 수행할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 제조 공정 데이터를 활용한 수율 분석 시스템(100)을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 제조 공정 데이터를 활용한 수율 분석 방법(200)을 설명하기 위한 순서도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하의 실시예는 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
도 1은 본 발명의 일 실시예에 따른 제조 공정 데이터를 활용한 수율 분석 시스템(100)을 설명하기 위한 블록도이다. 본 발명의 실시예들에서, 수율 분석 시스템(100)은 제품의 제조 공정 데이터와 양불 판정 정보를 연계하여 분석함으로써 제품 수율(Yield)에 영향을 미치는 공정 요소를 파악하기 위한 것이다. 이하에서는 본 발명을 반도체 디바이스의 제조 공정에 적용한 것으로 가정하여 본 발명의 실시예들을 설명하기로 한다. 그러나 본 발명의 권리범위는 반도체 디바이스에만 한정되는 것은 아니며, 제조 설비에서 기 설정된 과정을 거쳐 생산되는 모든 제품에도 적용 가능함을 유의한다. 즉, 이하의 설명에서 “반도체 디바이스”라고만 기재되어 있더라도, 이는 본 발명에 따른 “제품의 일례로서의 반도체 디바이스”를 의미하는 것으로 해석되어야 한다.
본 발명의 예시적 실시예들에서, 수율 분석 시스템(100)은 제품, 예를 들어 반도체 디바이스 등의 제조 설비에 구비된 각종 센서로부터 데이터를 획득하고, 획득된 센서 데이터를 이용하여 제조된 제품의 불량을 유발하는 혐의 설비 또는 공정을 검출하도록 구성된다.본 발명의 실시예들에서 반도체 디바이스란 반도체 또는 디스플레이 제조 공장(FAB; Fabrication Facility)에서 제조되는 제품을 지칭하는 것으로서, 예를 들어 실리콘 웨이퍼 또는 글래스 웨이퍼 등이 본 발명에서의 반도체 디바이스가 될 수 있다.
도시된 바와 같이, 본 발명의 일 실시예에 따른 제품의 수율 분석 시스템(100)은 데이터 추출부(102), 기준 신호 생성부(104), 전처리부(106) 및 센서 검출부(108)를 포함한다.
데이터 추출부(102)는 제품, 예를 들어 반도체 디바이스 등의 제조 설비에 구비된 복수 개의 센서들로부터 데이터를 획득한다. 기준 신호 생성부(104)는 데이터 추출부(102)에서 획득된 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성한다. 전처리부(106)는 상기 센서 데이터 및 상기 기준 신호의 용량 감소 및 노이즈 제거를 위한 전처리를 수행한다. 그리고 센서 검출부(108)는 전처리된 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출한다.
이하에서는 상기와 같이 구성된 제품의 수율 분석 시스템(100)의 각 구성요소들을 상세히 설명한다.
데이터 추출
데이터 추출부(102)는 제조 설비, 예를 들어 반도체 디바이스 등의 제조 설비로부터 분석의 대상이 되는 원시 데이터(Raw Data)를 추출하고 이를 분석이 가능한 형태로 가공한다. 먼저, 데이터 추출부(102)는 상기 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 획득한다.
이때, 상기 센서는 상기 제조 설비의 제품 생산 과정에서의 상태 변화를 감지하기 위한 것으로서, 예를 들어 특정 공정을 담당하는 설비에 설치된 온도 센서 또는 압력 센서 등일 수 있다. 즉, 이 경우 상기 온도 센서 또는 압력 센서는 제품의 제조 과정에서의 해당 설비의 시간에 따른 온도 변화 또는 압력 변화를 센싱하도록 구성될 수 있다. 데이터 추출부(102)는 이와 같은 센서들로부터 제품 제조 설비의 각 공정 별, 각 공정들의 세부 공정 별 또는 각 챔버(Chamber) 별 센서 데이터를 추출하게 된다.
또한, 데이터 추출부(102)는 상기 제조 설비로부터 생산된 제품, 예를 들어 반도체 디바이스의 최종 수율 판정 정보(양불 판정 정보)를 획득하고, 이를 상기 센서 데이터와 연계하여 저장할 수 있다. 상기 수율 판정 정보는, 예를 들어 제조 설비에 구비된 EDS(Electric Die Sorting) 등의 장비로부터 획득될 수 있다. 즉, 데이터 추출부(102)는 제품의 제조 과정에서 각 센서들이 센싱한 센서 데이터 및 상기 제조 과정을 통하여 생산된 제품의 양불 판정 정보를 연계하여 저장함으로써, 향후 데이터 분석 과정에서 센서 데이터의 변화에 따른 제품의 불량률 변화를 추적할 수 있게 된다.
한편, 데이터 추출부(102)에서 추출되는 센서 데이터에는, 센서의 오작동, 센싱 오류, 데이터 수집 오류 등의 다양한 이유로 인하여 결측값이 존재할 수 있다. 이에 따라, 데이터 추출부(102)는 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하도록 구성된다.
예를 들어, 데이터 추출부(102)는 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거함으로써 해당 센서의 센서값을 이후 분석에서 배제할 수 있다. 또한, 데이터 추출부(102)는 특정 제품과 관계된, 즉 상기 특정 제품의 생산 과정에서 생성된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 제품과 관계된 센서 데이터를 모두를 제거하도록 구성될 수 있다. 즉, 본 발명의 실시예에서는 센서 데이터의 결측값이 지나치게 많은 경우 해당 센서 또는 제품과 관계된 센서 데이터를 모두 분석에서 배제함으로써 분석 결과에 오류가 발생하는 것을 최소화하도록 구성된다.
한편, 데이터 추출부(102)는 센서 데이터에 결측값이 존재하나, 그 결측값의 개수가 설정된 기준값을 초과하지 않는 경우 전후의 센서 데이터를 이용하여 결측값을 보정할 수 있다. 예를 들어, 데이터 추출부(102)는 다음의 수학식 1을 이용하여 결측값을 보정할 수 있다.
수학식 1
Figure PCTKR2013007831-appb-M000001
이때, y는 결측값, x는 결측 시각, ya는 결측 직전 센서값, yb는 결측 직후 센서값, xa 및 xb는 각각 ya 및 yb의 센싱 시각을 의미한다. 다만, 상기 수학식 1의 결측값 보정식은 단지 예시일 뿐이며, 이 외에도 결측값 보정을 위한 다양한 방법들이 적용될 수 있다. 즉, 본 발명은 특정한 결측값 보정 알고리즘에 한정되는 것은 아님에 유의한다.
데이터 전처리 및 기준 신호(Reference Signal) 생성
상기와 같이 센서 데이터가 추출되면, 다음으로 기준 신호 생성부(104)는 획득된 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하고, 전처리부(106)는 상기 센서 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행한다.
먼저,전처리부(106)는 상기 센서 데이터를 복수 개의 시간 구간으로 압축한다. 구체적으로 전처리부(106)는 상기 센서 데이터를 복수 개(w개)의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센서 데이터의 대표값을 계산함으로써 상기 센서 데이터를 압축하게 된다. 이때 상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값으로 설정될 수 있다. 이와 같이 센서 데이터를 압축할 경우 센서 데이터의 전체 용량을 축소하는 동시에 데이터에 존재하는 노이즈를 감소시킬 수 있는 장점이 있다. 이때, 상기 w값, 즉 센서 데이터를 분할하기 위한 구간의 개수를 결정하기 위하여, 예를 들어 SAX(Symbolic ApproXimation) 알고리즘 등이 사용될 수 있으나 반드시 이에 한정되는 것은 아니다.
이와 같은 센서 데이터의 압축 과정을 예를 들어 설명하면 다음과 같다. 먼저, 특정 센서로부터 1초 간격으로 센싱된 센서 데이터가 다음과 같다고 가정하자.
3.5, 3.8, 3.9, 4.1, 4.5, 4.7, 4.8, 4.8, 4.8, 4.7, 4.8, 4.9, ...
상기 센서 데이터를 4개의 시간 구간으로 분할하고(w = 4), 각 구간 별 평균값을 계산하면 다음과 같다.
구간 1: (3.5 + 3.8 + 3.9) / 3 = 3.7
구간 2: (4.1 + 4.5 + 4.7) / 3 = 4.4
구간 3: (4.8 + 4.8 + 4.8) / 3 = 4.8
구간 4: (4.7 + 4.8 + 4.9) / 3 = 4.8
즉 상기 예에서, 센서 데이터는 다음과 같이 압축될 수 있다.
3.7, 4.4, 4.8, 4.8
이후, 기준 신호 생성부(104)는 압축된 상기 센서 데이터로부터 기준 신호(Reference Signal)을 생성한다. 본 발명의 실시예에서, 기준 신호는 센서 별 센서 데이터의 거리를 계산하는 데 기준이 되는 신호를 의미한다.
기준 신호 생성부(104)에서의 기준 신호 생성 과정을 설명하면 다음과 같다. 먼저, 기준 신호 생성부(104)는 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 상기 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류한다. 즉, 상기 정상 그룹에는 정상으로 판정된 제품의 제조 과정에서 발생한 센서 데이터가 포함되며, 상기 불량 그룹에는 불량으로 판정된 제품의 제조 과정에서 발생된 센서 데이터가 포함된다.
이후, 기준 신호 생성부(104)는 상기 시간 구간(w)별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성한다. 즉, 본 발명에서 기준 신호는 각 구간 별 정상 그룹에 속한 센서 데이터의 평균값 또는 중간값으로 정의될 수 있다.
한편, 기준 신호 생성부(104)는 상기 기준 신호를 생성하기 전, 먼저 상기 정상 그룹으로부터 이상치(outlier)를 제거하도록 구성될 수 있다. 상기 이상치는 정상 그룹에 속한 다른 센서 데이터와 비교하여 볼 때 비정상적으로 차이가 큰 센서 데이터를 의미한다. 이와 같은 이상치의 경우 센서 또는 설비의 일시적 장애 등 특수한 상황에서 발생하는 것이 일반적이므로, 이를 제외하지 않을 경우 오히려 기준 신호가 왜곡될 가능성이 있다. 기준 신호를 생성하기 전 이를 제거할 경우 기준 신호의 정확도를 향상할 수 있다.
구체적으로, 기준 신호 생성부(104)는 상기 정상 그룹에 속한 센서 데이터들의 데이터 시작 시각 또는 데이터 종료 시각들의 분포를 계산하고, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터가 존재하는 경우, 해당 센서 데이터를 제거하도록 구성될 수 있다. 이때 상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.
예를 들어, 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시간의 평균값을 m, 표준편차를 s라 하면 상기 데이터 시작 시간의 정상 범위는 다음의 수학식 2와 같이 정해질 수 있다.
수학식 2
Figure PCTKR2013007831-appb-M000002
즉, 기준 신호 생성부(104)는 상기 정상 그룹에 속한 센서 데이터 중 데이터 시작 시간이 상기 범위를 벗어나는 센서 데이터를 제외하고 나머지 센서 데이터만으로 기준 신호를 생성할 수 있다. 앞선 수학식에서는 데이터 시작 시간의 정상 범위만을 기재하였으나, 데이터 종료 시간 또한 동일한 방법으로 계산할 수 있음은 자명하다.
다음으로, 전처리부(106)는 압축된 상기 센서 데이터를 정규화(normalization)한다. 구체적으로, 전처리부(106)는 상기 기준 신호의 평균 및 분산을 이용하여 다음의 수학식 3과 같이 센서 데이터를 정규화할 수 있다.
수학식 3
Figure PCTKR2013007831-appb-M000003
이때, xi는 센서 데이터의 i번째 센서값, yi는 정규화된 센서값, μ는 기준 신호의 평균, σ는 기준 신호의 분산을 의미한다.
다음으로, 전처리부(106)는 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환한다(symbolization). 구체적으로, 전처리부(106)는 정규화된 센서값들이 분포하는 전체 구간을 복수 개(α개)의 소구간으로 분할하고, 분할된 각 소구간에 각각 다른 심볼(예를 들어, 알파벳 문자)을 부여함으로써 센서 데이터를 심볼화할 수 있다. 예를 들어, 전처리부(106)는 다음의 수학식 4를 이용하여 센서값들이 분포하는 구간을 분할할 수 있다.
수학식 4
Figure PCTKR2013007831-appb-M000004
이때, yi는 i번째 소구간의 임계값, n은 전체 소구간 개수, Φ는 누적정규분포를 각각 의미한다.
예를 들어, 정규화된 센서 데이터가 다음과 같다고 가정하자.
-0.3, -0.7, -0.2, 0.4, 0.8, ...
만약 상기 센서 데이터를 다음의 표 1과 같은 방법으로 심볼화한다고 가정할 경우, 상기 센서 데이터는 다음과 같이 변환될 수 있다.
표 1
구간 심볼
-1.0 이상 -0.5 미만 A
-0.5 이상 0 미만 B
0 이상 0.5 미만 C
0.5 이상 1.0 미만 D
심볼화된 센서 데이터: B A B C D
거리 테이블 생성 및 센서 검출
상기 과정을 거쳐 전처리부(106)에서의 센서 데이터 전처리가 완료되면, 센서 검출부(108)는 전처리된 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출한다.
먼저, 센서 검출부(108)는 전처리된 상기 센서 데이터의 각 센서값들과 기준 신호간의 거리(MDIST)를 계산한다. 상기 거리는 예를 들어 아래의 수학식 5에 의하여 계산될 수 있다.
수학식 5
Figure PCTKR2013007831-appb-M000005
상기 수학식 5는 n개의 심볼(Symbol)로 표현된 두 시계열 데이터 Q, P의 i번째 요소(Qi, Pi)간의 거리(MDISTi)를 계산하기 위한 수학식이다. 상기 수학식에서, r, c는 Qi 및 Pi로 구성된 룩업 테이블(Lookup Table)의 행(r)과 열(c)의 위치를 각각 나타낸다. 상기 수학식 5에서는 상기 거리의 일례로서 MDIST를 예를 들었지만, 그 외의 Euclidean Distance 등의 다양한 거리 척도를 사용할 수 있다. 상기와 같이 각 센서값들과 기준 신호간의 거리가 계산되면, 센서 검출부(108)는 상기 거리값 및 제품의 양불 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성한다. 본 발명의 실시예에서, 센서 검출부(108)는 제1 거리 테이블 및 제2 거리 테이블을 포함하는 2개의 거리 테이블을 생성할 수 있다. 이 중 제1 거리 테이블은 각 센서들의 시간 구간에 따른 기준 신호와의 거리차를 기록한 테이블이다. 예를 들어, 구간 I1, I2, I3에서 웨이퍼1 및 웨이퍼2의 제조 공정에서 센싱된 압력 센서와 온도 센서의 센서값 및 기준 신호가 다음의 표 2와 같다고 가정하자.
표 2
센서 압력 온도 양불 판정 결과
구간 I1 I2 I3 I1 I2 I3
기준 신호 C C C C D A
웨이퍼1 C C B C D B GOOD
웨이퍼2 A C D A C E BAD
이 경우 제1 거리 테이블은 다음의 표 3과 같이 계산될 수 있다.
표 3
센서 압력 온도 양불 판정 결과(G/B)
구간 I1 I2 I3 I1 I2 I3
웨이퍼1 0 0 1 0 0 1 GOOD
웨이퍼2 2 0 1 2 1 4 BAD
제2 거리 테이블은 제1 거리 테이블의 센서별 거리(MDIST)의 합을 기록한 테이블이다. 예를 들어, 상기 표 3에 기재된 거리 테이블로부터 제2 거리 테이블을 생성하면 다음의 표 4와 같다.
표 4
센서 압력 온도 양불 판정 결과(G/B)
웨이퍼1 1 1 GOOD
웨이퍼2 3 7 BAD
상기와 같이 거리 테이블이 생성되면, 다음으로 센서 검출부(108)는 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼 트리를 생성한다. 구체적으로, 센서 검출부(108)는 상기 제1 거리 테이블, 제2 거리 테이블 각각에 CART 알고리즘을 적용하여 2개의 디시젼 트리를 생성할 수 있다. 이때 제1 거리 테이블은 각 센서 데이터의 어떤 구간이 제품의 수율에 영향을 미치는지를 파악하는데, 제2 거리 테이블은 전반적으로 어떤 센서가 제품의 수율에 영향을 미치는지를 파악하는데 각각 이용될 수 있다.
상기와 같이 거리 테이블에 CART 알고리즘을 적용할 경우, 디시젼 트리의 각 노드를 구성하는 센서들의 지니 지수(Gini Index)가 계산된다. 상기 지니 지수는 해당 노드에 대응되는 센서가 제품의 수율에 미치는 영향을 나타내는 지수로서, 지니 지수가 높을수록 해당 센서가 제품의 수율에 미치는 영향이 크다는 것을 의미한다. 따라서 센서 검출부(108)는 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)에 따라 센서들을 정렬하고, 지니 지수가 기 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 높은 센서로 검출할 수 있다.
도 2는 본 발명의 일 실시예에 따른 제품의 제조 공정 분석 방법(200)을 설명하기 위한 순서도이다. 먼저, 데이터 추출부(102)에서 제품의 제조 설비에 구비된 복수 개의 센서들로부터 센서 데이터를 추출한다(202). 전술한 바와 같이, 상기 202단계는 센서 데이터의 결측값의 개수를 고려하여 센서 데이터를 보정 또는 필터링하는 단계를 더 포함할 수 있다. 예를 들어, 데이터 추출부(102)는 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 특정 센서로부터 추출된 센서 데이터를 제거할 수 있다. 또한 데이터 추출부(102)는 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 특정 제품과 관계된 센서 데이터를 제거할 수 있다.
다음으로, 전처리부(106)에서 추출된 센서 데이터를 압축한다(204). 구체적으로, 상기 204단계는 상기 센서 데이터를 복수 개의 시간 구간으로 분할하는 단계, 및 분할된 시간 구간별 센서 데이터의 대표값을 계산하는 단계를 더 포함할 수 있다. 이때 상기 대표값은 분할된 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.
다음으로, 기준 신호 생성부(104)에서 상기 센서 데이터로부터 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성한다(206). 이때 상기 206 단계는 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계, 및 상기 시간 구간별로 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함할 수 있다.
또한, 전술한 바와 같이 기준 신호 생성부(104)는 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거하도록 구성될 수 있다. 이때 상기 이상치는 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터를 의미함은 전술하였다. 상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.
상기와 같이 기준 신호가 생성되면, 다음으로 전처리부(106)에서 기준 신호의 평균 및 분산을 이용하여 압축된 센서 데이터를 정규화하고(208), 정규화된 센서 데이터의 센서값 및 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환한다(210).
이후, 센서 검출부(108)는 센서 데이터와 기준 신호와의 거리를 계산하고, 계산된 거리를 이용하여 거리 테이블을 생성하며(212), 상기 거리 테이블을 이용하여 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출한다(214). 전술한 바와 같이, 센서 검출부(108)는 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하고, CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 제품의 수율과 상관관계가 존재하는 센서로 검출하도록 구성될 수 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다.
그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (31)

  1. 제품의 제조 설비에 구비된 복수 개의 센서 각각으로부터 센서 데이터를 추출하는 데이터 추출부;
    상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부; 및
    상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함하는 수율 분석 시스템.
  2. 청구항 1에 있어서,
    상기 데이터 추출부는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하는, 수율 분석 시스템.
  3. 청구항 2에 있어서,
    상기 데이터 추출부는, 상기 복수 개의 센서 중 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거하는, 수율 분석 시스템.
  4. 청구항 2에 있어서,
    상기 데이터 추출부는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 제품과 관계된 센서 데이터를 제거하는, 수율 분석 시스템.
  5. 청구항 1에 있어서,
    상기 센서 검출부는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는, 수율 분석 시스템.
  6. 청구항 1에 있어서,
    상기 센서 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행하는 전처리부를 더 포함하는, 수율 분석 시스템.
  7. 청구항 6에 있어서,
    상기 전처리부는, 상기 센서 데이터를 복수 개의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센서 데이터의 대표값을 계산함으로써 상기 센서 데이터를 압축하는, 수율 분석 시스템.
  8. 청구항 7에 있어서,
    상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나인, 수율 분석 시스템.
  9. 청구항 7에 있어서,
    상기 기준 신호 생성부는, 상기 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 압축된 상기 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하고,
    상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성하는, 수율 분석 시스템.
  10. 청구항 9에 있어서,
    상기 기준 신호 생성부는, 상기 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는, 수율 분석 시스템.
  11. 청구항 10에 있어서,
    상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터인, 수율 분석 시스템.
  12. 청구항 11에 있어서,
    상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산되는, 수율 분석 시스템.
  13. 청구항 6에 있어서,
    상기 전처리부는, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하고, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환하는, 수율 분석 시스템.
  14. 청구항 13에 있어서,
    상기 센서 검출부는, 심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 제품의 수율 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하고, 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼트리를 생성하는, 수율 분석 시스템.
  15. 청구항 14에 있어서,
    상기 센서 검출부는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출하는, 수율 분석 시스템.
  16. 데이터 추출부에서, 제품의 제조 설비에 구비된 복수 개의 센서 각각으로부터 센서 데이터를 추출하는 단계;
    기준 신호 생성부에서, 상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 단계; 및
    센서 검출부에서, 상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 단계를 포함하는 수율 분석 방법.
  17. 청구항 16에 있어서,
    상기 센서 데이터를 추출하는 단계는, 상기 센서 데이터의 결측값의 개수를 고려하여 상기 센서 데이터를 보정 또는 필터링하는 단계를 더 포함하는, 수율 분석 방법.
  18. 청구항 17에 있어서,
    상기 센서 데이터를 보정 또는 필터링하는 단계는, 상기 복수 개의 센서 중 특정 센서로부터 추출된 센서 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센서 데이터를 제거하도록 구성되는, 수율 분석 방법.
  19. 청구항 17에 있어서,
    상기 센서 데이터를 보정 또는 필터링하는 단계는, 특정 제품과 관계된 센서 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 제품과 관계된 센서 데이터를 제거하도록 구성되는, 수율 분석 방법.
  20. 청구항 16에 있어서,
    상기 센서를 검출하는 단계는, 상기 센서 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는, 수율 분석 방법.
  21. 청구항 16에 있어서,
    상기 센서 데이터를 추출하는 단계의 수행 후 및 상기 기준 신호를 생성하는 단계의 수행 전,
    전처리부에서, 추출된 상기 센서 데이터를 압축하는 단계를 더 포함하는, 수율 분석 방법.
  22. 청구항 21에 있어서,
    상기 센서 데이터를 압축하는 단계는,
    상기 센서 데이터를 복수 개의 시간 구간으로 분할하는 단계; 및
    분할된 상기 시간 구간별 센서 데이터의 대표값을 계산하는 단계를 더 포함하는, 수율 분석 방법.
  23. 청구항 22에 있어서,
    상기 대표값은 분할된 상기 시간 구간별 센서 데이터의 평균값 또는 중간값 중 어느 하나인, 수율 분석 방법.
  24. 청구항 21에 있어서,
    상기 각 센서별 기준 신호를 생성하는 단계는,
    상기 각 센서 별로, 상기 제품의 양불 판정 정보를 이용하여 상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하는 단계; 및
    상기 시간 구간별로 상기 정상 그룹에 속하는 센서 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함하는, 수율 분석 방법.
  25. 청구항 24에 있어서,
    상기 압축된 센서 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하는 단계는, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는 단계를 더 포함하는, 수율 분석 방법.
  26. 청구항 25에 있어서,
    상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센서 데이터인, 수율 분석 방법.
  27. 청구항 26에 있어서,
    상기 정상 범위는 상기 정상 그룹에 포함된 센서 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산되는, 수율 분석 방법.
  28. 청구항 21에 있어서,
    상기 하나 이상의 센서를 검출하는 단계의 수행 전,
    상기 전처리부에서, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센서 데이터를 정규화하는 단계; 및
    상기 전처리부에서, 정규화된 상기 센서 데이터의 센서값 및 상기 기준 신호를 기 설정된 센서값 범위에 따라 복수 개의 심볼(symbol)로 변환하는 단계를 더 포함하는, 수율 분석 방법.
  29. 청구항 28에 있어서,
    상기 하나 이상의 센서를 검출하는 단계는,
    심볼화된 상기 센서 데이터, 상기 기준 신호 및 상기 제품의 수율 판정 정보를 이용하여 거리 테이블(Distance Table)을 생성하는 단계; 및
    상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하는 단계를 포함하는, 수율 분석 방법.
  30. 청구항 29에 있어서,
    상기 하나 이상의 센서를 검출하는 단계는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 제품의 수율과 상관관계가 존재하는 센서로 검출하는, 수율 분석 방법.
  31. 하나 이상의 프로세서;
    메모리; 및
    하나 이상의 프로그램을 포함하는 장치로서,
    상기 하나 이상의 프로그램은 상기 메모리에 저장되고 상기 하나 이상의 프로세서에 의해 실행되도록 구성되며,
    상기 프로그램은, 제품의 제조 설비에 구비된 복수 개의 센서 각각으로부터 센서 데이터를 추출하는 과정;
    상기 센서 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 과정; 및
    상기 센서 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 제품의 수율과 상관관계가 존재하는 하나 이상의 센서를 검출하는 과정을 실행하기 위한 명령어들을 포함하는, 장치.
PCT/KR2013/007831 2013-05-31 2013-08-30 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법 WO2014193041A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0062300 2013-05-31
KR1020130062300A KR101538843B1 (ko) 2013-05-31 2013-05-31 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2014193041A1 true WO2014193041A1 (ko) 2014-12-04

Family

ID=51986074

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/007831 WO2014193041A1 (ko) 2013-05-31 2013-08-30 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법

Country Status (4)

Country Link
US (1) US20140358465A1 (ko)
KR (1) KR101538843B1 (ko)
CN (1) CN104216349B (ko)
WO (1) WO2014193041A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170081039A (ko) * 2015-12-31 2017-07-11 주식회사 포스코아이씨티 스마트 팩토리를 위한 실시간 빅데이터 처리 시스템

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2916260A1 (en) * 2014-03-06 2015-09-09 Tata Consultancy Services Limited Time series analytics
US9866161B1 (en) * 2014-05-21 2018-01-09 Williams RDM, Inc. Universal monitor and fault detector in fielded generators and method
US10935962B2 (en) * 2015-11-30 2021-03-02 National Cheng Kung University System and method for identifying root causes of yield loss
KR102456898B1 (ko) * 2016-03-17 2022-10-19 삼성에스디에스 주식회사 데이터 신호의 표준 패턴 생성 방법 및 그 장치
KR20170130674A (ko) * 2016-05-18 2017-11-29 삼성전자주식회사 공정 평가 방법 및 그를 포함하는 기판 제조 장치의 제어 방법
US11163279B2 (en) * 2016-06-30 2021-11-02 Intel Corporation Sensor based data set method and apparatus
KR102036956B1 (ko) * 2016-08-11 2019-10-25 에스케이 주식회사 계측-수율 상관성 분석 방법 및 시스템
US10393802B2 (en) * 2017-06-14 2019-08-27 Nuvoton Technology Corporation System and method for adaptive testing of semiconductor product
CN109582482A (zh) * 2017-09-29 2019-04-05 西门子公司 用于检测离散型生产设备的异常的方法及装置
KR102024829B1 (ko) * 2018-02-14 2019-09-24 부산대학교 산학협력단 Ｃａｒｔ 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법
CN108761196B (zh) * 2018-03-30 2020-01-21 国家电网公司 一种智能电表用户缺失电压数据修复方法
WO2019229943A1 (ja) * 2018-05-31 2019-12-05 三菱電機株式会社 作業分析装置
CN111223799B (zh) * 2020-01-02 2022-12-20 长江存储科技有限责任公司 工艺控制方法、装置、***及存储介质
KR102578489B1 (ko) 2022-07-12 2023-09-13 이재학 빅데이터, 머신러닝 기반의 디지털 트랜스포메이션 예측 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005092406A (ja) * 2003-09-16 2005-04-07 Nitto Denko Corp 歩留改善情報の提供システムおよび歩留改善方法
US20050182596A1 (en) * 2004-02-13 2005-08-18 Huan-Yung Chang Method and system for analyzing wafer yield against uses of a semiconductor tool
KR20060100489A (ko) * 2005-03-17 2006-09-21 (주)미래로시스템 웨이퍼 맵과 통계분석 기능을 제공해주는 베어 웨이퍼 수율관리 시스템
JP2007310665A (ja) * 2006-05-18 2007-11-29 Toshiba Corp プロセス監視装置
KR20090133138A (ko) * 2001-07-30 2009-12-31 어플라이드 머티어리얼즈 인코포레이티드 제조 데이터를 분석하는 방법 및 장치

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6269353B1 (en) * 1997-11-26 2001-07-31 Ishwar K. Sethi System for constructing decision tree classifiers using structure-driven induction
US6101275A (en) * 1998-01-26 2000-08-08 International Business Machines Corporation Method for finding a best test for a nominal attribute for generating a binary decision tree
KR100547936B1 (ko) * 2003-08-07 2006-01-31 삼성전자주식회사 불순물 용출 장치
JP4501750B2 (ja) * 2005-03-29 2010-07-14 セイコーエプソン株式会社 検出装置および認証装置
US7503020B2 (en) * 2006-06-19 2009-03-10 International Business Machines Corporation IC layout optimization to improve yield
JP4908995B2 (ja) * 2006-09-27 2012-04-04 株式会社日立ハイテクノロジーズ 欠陥分類方法及びその装置並びに欠陥検査装置
CN101183399B (zh) * 2007-11-16 2010-12-08 浙江大学 一种分析和提高半导体生产线的成品率的方法
EP2131292A1 (en) * 2008-06-06 2009-12-09 NTT DoCoMo, Inc. Method and apparatus for searching a plurality of realtime sensors

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090133138A (ko) * 2001-07-30 2009-12-31 어플라이드 머티어리얼즈 인코포레이티드 제조 데이터를 분석하는 방법 및 장치
JP2005092406A (ja) * 2003-09-16 2005-04-07 Nitto Denko Corp 歩留改善情報の提供システムおよび歩留改善方法
US20050182596A1 (en) * 2004-02-13 2005-08-18 Huan-Yung Chang Method and system for analyzing wafer yield against uses of a semiconductor tool
KR20060100489A (ko) * 2005-03-17 2006-09-21 (주)미래로시스템 웨이퍼 맵과 통계분석 기능을 제공해주는 베어 웨이퍼 수율관리 시스템
JP2007310665A (ja) * 2006-05-18 2007-11-29 Toshiba Corp プロセス監視装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170081039A (ko) * 2015-12-31 2017-07-11 주식회사 포스코아이씨티 스마트 팩토리를 위한 실시간 빅데이터 처리 시스템
KR102089818B1 (ko) * 2015-12-31 2020-03-17 주식회사 포스코아이씨티 스마트 팩토리를 위한 실시간 빅데이터 처리 시스템

Also Published As

Publication number Publication date
CN104216349B (zh) 2017-10-27
US20140358465A1 (en) 2014-12-04
KR101538843B1 (ko) 2015-07-22
CN104216349A (zh) 2014-12-17
KR20140141051A (ko) 2014-12-10

Similar Documents

Publication Publication Date Title
WO2014193041A1 (ko) 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
WO2014193040A1 (ko) 센싱 데이터 분석 시스템 및 방법
WO2014204179A1 (en) Method for verifying bad pattern in time series sensing data and apparatus thereof
WO2014058248A1 (ko) 단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법
WO2016163755A1 (ko) 품질 측정 기반의 얼굴 인식 방법 및 장치
WO2020019403A1 (zh) 用电量异常检测方法、装置、设备及可读存储介质
WO2015123967A1 (zh) 一种运动目标的识别方法、装置
WO2020196985A1 (ko) 비디오 행동 인식 및 행동 구간 탐지 장치 및 방법
WO2016070462A1 (zh) 基于方向梯度直方图的显示面板缺陷检测方法
WO2022240163A1 (ko) Mems 기반 보조 지진 관측망에서 지진을 감지하는 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2010041836A2 (en) Method of detecting skin-colored area using variable skin color model
WO2018008881A1 (ko) 단말장치 및 서비스서버, 그 장치에 의해 수행되는 진단분석 서비스를 제공하기 위한 방법 및 프로그램과, 그 프로그램이 기록된 컴퓨터 판독 가능 기록매체
WO2022182176A1 (ko) 시계열 데이터의 특징 값을 추출하는 방법 및 장치
WO2015182802A1 (ko) 영상 처리 방법, 이를 이용한 시스템 및 이를 수행하기 위한 기록매체
WO2019009664A1 (en) APPARATUS FOR OPTIMIZING THE INSPECTION OF THE OUTSIDE OF A TARGET OBJECT AND ASSOCIATED METHOD
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2019035544A1 (ko) 학습을 이용한 얼굴 인식 장치 및 방법
WO2015196878A1 (zh) 一种电视虚拟触控方法及***
WO2017034323A1 (ko) 적응적으로 저조도를 개선하는 영상 처리 장치 및 방법, 그리고 그를 이용한 객체 검출 장치
WO2010095796A1 (ko) 세그먼트 특징을 이용한 내용 기반 동영상 검출 방법
WO2018105830A1 (ko) 동공 중심 검출 방법
WO2018048200A1 (ko) 편석 분석 장치 및 방법
WO2020256407A1 (ko) 제품 검사를 위한 자동 학습 방법 및 시스템
WO2023128668A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2022260221A1 (ko) 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13885683

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 17.03.2016)

122 Ep: pct application non-entry in european phase

Ref document number: 13885683

Country of ref document: EP

Kind code of ref document: A1