用于制造过程的异常检测方法和系统技术方案

本公开涉及用于制造过程的异常检测方法和系统。生产批次内的产品根据包括制造步骤和散布在制造步骤间的质量控制步骤的步骤序列来处理。该方法包括：从第一生产批次的每个质量控制步骤获得过程质量检查数据；在序列的最后步骤之后获得第一生产批次中产品的产品特性数据；使用来自第一生产批次的过程质量检查数据和产品特性数据训练高斯过程回归模型；使用高斯过程回归模型生成产品特性数据的预测分布，高斯过程回归模型使用浴盆内核函数；使用来自第二生产批次的产品特性数据的预测分布和过程质量检查数据标识第二生产批次中的异常；基于产品特性的预测分布，为过程质量检查数据中的值设置目标值；以及基于目标值调整一个或多个制造步骤的设置。一个或多个制造步骤的设置。一个或多个制造步骤的设置。

【技术实现步骤摘要】
用于制造过程的异常检测方法和系统


[0001]本公开涉及制造系统。制造系统根据加工步骤的序列来加工工件以制造成品零件。质量控制过程被使用在整个加工步骤的序列中，以标识不符合设计或者质量规范的产品。一些制造系统利用预测方法来增强在质量控制过程期间测量的数据，以减少缺陷并且提高制造效率。

技术实现思路

[0002]本公开的实现通常涉及检测批量生产中的异常的方法和系统。更具体地，本公开的实现涉及基于高斯过程回归模型的方法和系统，该方法和系统被用来基于来自上游在线质量控制过程的数据来检测特定产品特性中的异常。
[0003]在一些实现中，动作包括：从针对第一生产批次的一个或多个质量控制步骤中的每个指令控制步骤获得过程质量检查数据；在序列的最后的步骤之后获得针对第一生产批次中的产品的产品特性数据；使用来自第一生产批次的过程质量检查数据和产品特性数据来训练高斯过程回归模型；使用高斯过程回归模型来生成产品特性数据的预测分布，该高斯过程回归模型使用浴盆内核函数；从针对第二生产批次的质量控制步骤中的每个质量控制步骤获得过程质量检查数据；使用来自第二生产批次的产品特性数据的预测分布和过程质量检查数据来标识第二生产批次中的异常；如果在第二生产批次中未检测到异常，则使用来自第二生产批次的过程质量检查数据来更新高斯过程回归模型；基于产品特性的预测分布，为过程质量检查数据中的一个或多个值设置目标值；以及基于目标值来调整一个或多个制造步骤的设置。该方面的其他实现包括对应的系统、装置和计算机程序，其被配置为执行编码在计算机存储设备上的方法的动作。
[0004]这些和其他实现可以每个可选地包括以下特征中的一个或多个：在一些实现中，操作还包括将浴盆内核定义为
[0005][0006]其中是浴盆函数，并且θ表示参数θ＝[α1，β1，γ1，α2，β2，γ2，δ]，其中浴盆函数可以被表达为
[0007][0008]其中α
i
确定浴盆函数的深度，β
i
确定浴盆函数的边的陡度，γ
i
确定浴盆函数的宽度，而δ确定浴盆函数的整体高度，并且这些参数是实数。换句话说，如果R指代所有实数的集合，则x∈R，并且α1，β1，Y1，α2，β2，Y2，δ∈R。
[0009]一些实现包括：将产品特性数据的预测分布的可信区间与预定阈值进行比较；如果可信区间高于阈值，则使用第二生产批次的过程质量检查数据来训练高斯过程回归模型，而不标识第二生产批次中的异常。一些实现包括：生成跳过通告，该跳过通告包括针对第二生产批次的过程质量检查数据。一些实现包括：在序列中的最后的步骤之后获得针对
第二生产批次中的产品的产品特性数据；确定产品特性数据的预测分布与所获得的产品特性数据之间的差异；将差异与预定阈值进行比较；并且如果差异大于预定阈值，则触发警报。一些实现包括：如果差异小于预定阈值，则使用来自第二生产批次的过程质量检查数据和产品特性数据来更新高斯过程回归模型。一些实现包括：标识要被学习的过程质量检查数据，以便改进产品特性的预测分布；基于所标识的过程质量检查数据来调整一个或多个制造步骤的设置；获取所标识的过程质量检查数据；以及使用所获取的过程质量检查数据来训练高斯过程回归模型。一些实现包括：通过晶片制造过程中的晶片测试来获得产品特性数据。
[0010]应当了解，根据本公开的方法可以包括本文描述的各方面和特征的任何组合。也就是说，例如，根据本公开的装置和方法不限于本文具体描述的各方面和特征的组合，还可以包括所提供的各方面和特征的任何组合。
[0011]本公开的一个或多个实现的细节在附图和以下描述中阐述。本公开的其他特征和优点将从描述、附图和权利要求中显而易见。
附图说明
[0012]图1描绘了可以执行本公开的实现的示例系统。
[0013]图2描绘了监测制造过程(诸如半导体设备制造过程)中的质量的示例系统。
[0014]图3描绘了根据本公开的实现的异常检测系统的示例。
[0015]图4描绘了根据本公开的实现的预测模型的示例。
[0016]图5描绘了根据本公开的实现的浴盆(bathtub)函数的各种参数。
[0017]图6描绘了根据本公开的实现的异常检测系统的另一示例。
[0018]图7描绘了根据本公开的实现的异常检测单元的示例。
[0019]图8描绘了根据本公开的实现的异常检测系统的另一示例。
[0020]各种附图中的相同附图标记和名称指示相同的元件。
具体实施方式
[0021]本公开的实现总体上涉及在批量生产中检测异常的方法和系统。更具体地，本公开的实现涉及基于高斯过程回归模型的方法和系统，该方法和系统被用来基于来自上游在线(in
‑
line)质量控制过程的数据来检测特定产品特性中的异常。
[0022]在一些实现中，动作包括：从针对第一生产批次的一个或多个质量控制步骤中的每个质量控制步骤获得过程质量检查数据；在序列的最后的步骤之后获得针对第一生产批次中的产品的产品特性数据；使用来自第一生产批次的过程质量检查数据和产品特性数据来训练高斯过程回归模型；使用高斯过程回归模型来生成产品特性数据的预测分布，该高斯过程回归模型使用浴盆内核函数；从针对第二生产批次的质量控制步骤中的每个质量控制步骤获得过程质量检查数据；使用来自第二生产批次的产品特性数据的预测分布和过程质量检查数据来标识第二生产批次中的异常；如果在第二生产批次中未检测到异常，则使用来自第二生产批次的过程质量检查数据来更新高斯过程回归模型；基于产品特性的预测分布，为过程质量检查数据中的一个或多个值设置目标值；以及基于目标值来调整一个或多个制造步骤的设置。
[0023]在本文中参考示例制造系统更详细地描述了本公开的实现。示例制造系统被用来处理用于制造半导体设备的晶片。例如，半导体设备制造过程被用来制造独立的半导体设备和集成电路芯片。制造过程包括自动化步骤序列，这些步骤逐渐在半导体晶片上形成电子电路。由于步骤数目众多，制造过程从开始到结束可能花费数周时间。然而，可以设想，本公开的实现可以用任何适当的自动化系统来实现，该自动化系统包括产生质量控制数据的多个制造过程。
[0024]图1描绘了可以执行本公开的实现的示例系统100。示例系统100 包括计算设备102、后端系统108和网络106。在一些示例中，网络 106包括局域网(LAN)、广域网(WAN)、互联网或它们的组合，并且连接网站、设备(例如，计算设备102)和后端系统(例如，后端系统108)。在一些示例中，可以通过有线和/或无线通信链路来接入网络106。
[0025]在一些示例中，计算设备102可以包括任何适当类型的计算设备，诸如台式计算机、膝上型计算机、手持式计算机、平板计算机、个人数字助理(PDA)、蜂窝电话、网络设备、相机、智能电话、增强型通用分组无线电服务(EGPRS)移动电话、媒体播放器、导航设备、电子邮件设备、游戏机或这些设备中任意两个或更多个的适当组合或其他数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于在批量生产期间检测异常的计算机实现的方法，其中生产批次内的产品根据包括制造步骤和散布在所述制造步骤之间的一个或多个质量控制步骤的步骤序列来被处理，所述方法包括：从针对第一生产批次的所述一个或多个质量控制步骤中的每个质量控制步骤获得过程质量检查数据；在所述序列中的最后的步骤之后获得针对所述第一生产批次中的产品的产品特性数据；使用来自所述第一生产批次的所述过程质量检查数据和所述产品特性数据，来训练高斯过程回归模型；使用所述高斯过程回归模型来生成所述产品特性数据的预测分布，所述高斯过程回归模型使用浴盆内核函数；从针对第二生产批次的所述质量控制步骤中的每个质量控制步骤获得过程质量检查数据；使用来自所述第二生产批次的所述产品特性数据的所述预测分布和所述过程质量检查数据，来标识所述第二生产批次中的异常；如果没有异常在所述第二生产批次中被检测到，则使用来自所述第二生产批次的所述过程质量检查数据来更新所述高斯过程回归模型；基于所述产品特性的所述预测分布，为所述过程质量检查数据中的一个或多个值设置目标值；以及基于所述目标值来调整一个或多个制造步骤的设置。2.根据权利要求1所述的方法，其中所述浴盆内核函数被定义为：其中是浴盆函数，并且θ表示参数θ＝[α1，β1，γ1，α2，β2，γ2，δ]，其中所述浴盆函数能够被表达为其中α
i
确定所述浴盆函数的深度，β
i
确定所述浴盆函数的边的陡度，γ
i
确定所述浴盆函数的宽度，并且δ确定所述浴盆函数的整体高度，并且α
i
、β
i
、γ
i
和δ是实数，即α1，β1，γ1，α2，β2，γ2，δ∈R。3.根据权利要求2所述的方法，还包括：将针对所述产品特性数据的所述预测分布的可信区间与预定阈值进行比较；以及如果所述可信区间高于所述阈值，则使用针对所述第二生产批次的所述过程质量检查数据来训练所述高斯过程回归模型，而不标识所述第二生产批次中的异常。4.根据权利要求3所述的方法，还包括：生成跳过通告，所述跳过通告包括针对所述第二生产批次的所述过程质量检查数据。5.根据权利要求1所述的方法，还包括：在所述序列中的所述最后的步骤之后获得针对所述第二生产批次中的产品的产品特性数据；确定所述产品特性数据的所述预测分布与所获得的产品特性数据之间的差异；
将所述差异与预定阈值进行比较；以及如果所述差异大于所述预定阈值，则触发警报。6.根据权利要求5所述的方法，还包括：如果所述差异小于所述预定阈值，则使用来自所述第二生产批次的所述过程质量检查数据和所述产品特性数据来更新所述高斯过程回归模型。7.根据权利要求1所述的方法，还包括：标识要被学习的过程质量检查数据，以改进所述产品特性的所述预测分布；基于所标识的所述过程质量检查数据来调整一个或多个制造步骤的设置；获取所标识的所述过程质量检查数据；以及使用所获取的所述过程质量检查数据来训练所述高斯过程回归模型。8.根据权利要求1所述的方法，其中所述批量生产是晶片制造，并且其中所述产品特性数据是通过晶片测试而被获得的。9.一种系统，包括：一个或多个处理器；以及计算机可读存储设备，被耦合到所述一个或多个处理器并且其上存储有指令，所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器执行包括以下的操作：从针对第一生产批次的一个或多个质量控制步骤中的每个质量控制步骤获得过程质量检查数据；在所述序列的最后的步骤之后获得针对所述第一生产批次中的产品的产品特性数据；使用来自所述第一生产批次的所述过程质量检查数据和所述产品特性数据来训练高斯过程回归模型；使用所述高斯过程回归模型来生成所述产品特性数据的预测分布，所述高斯过程回归模型使用浴盆内核函数；从针对第二生产批次的所述质量控制步骤中的每个所述质量控制步骤获得过程质量检查数据；使用来自所述第二生产批次的所述产品特性数据的所述预测分布和所述过程质量检查数据，来标识所述第二生产批次中的异常；如果没有异常在所述第二生产批次中被检测到，则使用来自所述第二生产批次的所述过程质量检查数据来更新所述高斯过程回归模型；基于所述产品特性的所述预测分布，为所述过程质量检查数据中的一个或多个值设置目标值；以及基于所述目标值来调整一个或多个制造步骤的设置。10.根据权利要求9所述的系统，所述操作还包括：将所述浴盆内核定义为其中是浴盆函数，并...

【专利技术属性】
技术研发人员：村井诚，森贺新，须山敦志，林素明，工藤卓哉，
申请(专利权)人：埃森哲环球解决方案有限公司，
类型：发明
国别省市：