本发明专利技术涉及一种大规模半导体制造过程的状态监控与故障诊断方法。本方法的操作步骤为：第一步，多批次过程数据解封：把三维数据集（即变量个数、抽样时间和生产批次）解封成二维数据集；第二步，数据集冗余信息消除；第三步，数据集特征提取；第四步：基于高斯混合模型的制造过程状态建模；第五步：制造过程状态监控；第六步：制造过程故障诊断，本发明专利技术能够实现对大规模半导体制造过程的过程状态监控与故障诊断，从而提高半导体制造系统的运行可靠性和输出晶圆的质量，进一步降低生产运作成本。
【技术实现步骤摘要】
本专利技术是一种，涉及多传感信号数据转换、大规模过程数据集维度缩减和重要特征提取、数据概率密度分布空间描述建模、过程状态监控和故障诊断，实现对复杂的大规模半导体制造过程的状态监控与故障诊断。本专利技术属于制造过程的状态监控和故障诊断
技术介绍
目前，半导体制造系统呈现出了高自动化、高精度、高可靠性、高度智能化的发展趋势，强调制造过程的可控性，可靠性和可维护性。半导体制造过程相当复杂，制造过程不仅工序繁多，而且时间跨度长，因此过程异常而引起各种过程故障可导致大批晶圆成为废品，这不仅会极大地增加企业的制造成本，而且会严重影响企业的生产效率，引起一系列的严重问题，使企业蒙受巨大损失。因此提高半导体制造过程产品质量的控制，增加最终成品率已成为半导体企业降低运作成本、提高生产效率和市场竞争力的关键所在。半导体制造过程通常有多很多工位制造过程组成，生产线上布置大量的传感器来获取制造系统的各个关键过程变量的实时变化，各个过程变量间表现出一种互相关和自相关的统计特性。同时， 半导体制造过程是一个典型的间歇型制造过程，即由多个批次晶圆产品的制造过程组成， 而每个批次的数据采集时间不尽相同，而且采集的过程变量在数据分布上呈现典型的多模态和非线性分布。以上这些半导体制造过程特有的特征给过程数据的处理和系统建模带来了极大的困难。因此，对半导体制造的状态进行持续地监测、评估和实施故障诊断，在防止过程失控的同时，最大限度地提高制造过程的稳定性和提高产品质量，已经成为半导体制造过程质量控制的一个重要的发展方向。在传统的半导体制造过程质量控制，大部分的技术开发与应用集中在基于数据投影技术、多变量统计过程控制技术、基于统计分析的故障诊断技术等。这些传统的技术基础是统计过程控制技术，但是半导体制造过程的多批次、高维度、多模态和非线性、动态性等特点使得传统的基于线性模型的统计过程控制技术无法有效地解决过程的状态监控和故障诊断问题。为了解决这些高维度、非线性、结构重构等问题，一个新的机器学习方法—— 流形学习(Manifold Learning, ML)受到了学术界和工业界的广泛关注。流形学习目的是通过将数据集约简至低维来避免维数灾难，通过局部和整体相结合来发现和重建数据的内在规律性，挖掘隐含在高维数据中的有趣的低维度物理意义，这对于在多传感信号的信息处理和模式识别具有十分重要的意义。统计学习理论(Statistical Learning Theory, SLT)是一种专门研究有限样本情况下机器学习规律的理论。统计学习是建立在一套较坚实的理论基础之上的，在这种体系下的统计推理规则不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。统计学习理论与方法为解决有限样本学习问题提供了一个统一的框架。它能将很多现有的统计学习模型纳入其中，比如高斯混合模型、隐半马尔科夫模型、贝叶斯模型等)，可实现分类、聚类、时间序列预测、知识发现、信息可视化等众多重要分析功能。引入流形学习和统计学习模型到半导体制造过程质量控制，可系统地解决制造过程的系统建模、过程状态评估、过程故障的模式识别等。因此，基于流形学习和统计学习方法的数据分析和建模技术可有效地解决大规模半导体制造过程的状态监控与故障诊断的一些关键性问题。经过文献检索发现，中国专利专利技术名称为《半导体制造装置的监控系统以及监控方法》(申请号03147^6. 6，公开号CN1476051)。该专利公开一种半导体制造系统的监控系统和监控方法该方法通过在生产线上的各个装置上安置的传感器来采集多个过程变量，然后采用主元分析方法降低过程变量数据集的维度，通过均方预测误差(Squared Prediction Error, SPE)统计量来监控半导体制造过程的异常。该方法存在以下不足 对采集到的批制造多传感信号导致的过程数据集大规模性没有实施有效的过程变量数据集的冗余信息消除；特征提取阶段采用主元分析方法仅可提取数据集中的全局方差信息的特征，但对局部方差信息无法进行有效提取，可能失去重要的信息；半导体制造过程的变量数据空间分布通常呈现非线性和多模态性，因此，基于被给数据集应符合高斯分布的前提假设而提出的SPE统计指标通常无法有效地探测非线性和多模态的制造过程异常；该方法仅对半导体制造过程异常实施监控，而没有对引起过程异常的原因进行识别，即无法进行制造过程故障诊断。
技术实现思路
本专利技术的目的是针对现有技术中的不足和缺陷，提供一种，实施对半导体制造过程的大规模过程数据集的冗余信息消除和维度缩减、制造过程信息特征提取、制造过程状态建模、制造过程状态量化监控、制造过程故障识别，实现对半导体制造过程的质量控制，进而提高制造系统的生产效率和运行可靠性，最终提升输出晶圆的质量。为达到上述目的，本专利技术采用以下技术方案一种大规模半导体制造过程的状态监控和故障诊断方法，其特征在于操作过程如下 第一步，多批次数据解封半导体制造过程是典型的多批次间歇制造过程，以产品批次为单位进行生产，整个在制造过程的时间上表现为晶圆产品一批接着一批进行制造，同时系统在同一时间点上同时采集多路传感信号数据，因此在在半导体制造系统上采集的数据隼在形式上表现为三维数据集 /XjXf (即/为变量个数、/为抽样时间和产品批次)多批次数据解封方法是指把三维数据集解封成二维数据集/X JXT ,即按照批次进行展开，并重新组合成二维数据集，以便进行后续的数据分析和系统建模。第二步，数据集冗余信息消除由于半导体过程在一个批次上采集数据时间的较长持续性和多过程变量同时采集的特性，导致大规模的过程数据集，并含有较多的冗余信息，这些数据集的特征导致制造过程建模的难度和降低了模型的性能。因此，对过程正常状态下解封成二维的正常数据集，采用主元分析方法提取数据集包含的重要过程信息，通过比较主元对应的欧氏向量值的大小，去除若干个不重要的主元，保留包含主要方差信息的主元，保留的信息量通常为所有信息量的95%。通过重要主元提取，一方面降低了半导体大规模数据集的维度，另一方面消除了数据集中的冗余信息，最后提取的主元作为后续模型的输入特征。第三步，数据集特征提取通常，提取的主元数据集维度还比较大，而且没有提取蕴涵在数据集中的重要的局部结构信息，需进一步采用局部保持投影算法(Local Preserving Projection, LPP)，在数据流形上提取主元数据集中重要的局部结构信息，通过去除若干不重要的欧氏向量，保留的重要欧氏向量形成欧氏向量矩阵，进行数据投影和维度缩减，提取的重要特征不仅保持了全局信息而且保持了局部信息，这些提取重要的特征来代表过程状态特征。第四步，制造过程状态建模在离线状态下，采用高斯混合模型(Gaussian Mixture Model, GMM)对局部保持投影算法提取后的特征数据集进行信息融合建模，获取能表达制造过程在控状态下数据概率密度分布的基准GMM模型，用于制造过程状态异常监控；同时，对收集的各种故障历史样本经过第一至第三步处理后，对每种故障历史数据集， 采用一个GMM对相应的故障数据概略密度分布状态进行描述建模，每一故障类型构建一个对应的GMM模型，最终形成一个对应各种过程故障建模的GMM模型诊断库。在线实施过程监控和故障诊断中本文档来自技高网...
【技术保护点】
１．一种大规模半导体制造过程的状态监控与故障诊断方法，其特征在于，操作步骤如下：第一步骤，多批次数据解封：收集从设备上采集到的多批次多路传感信号数据，把三维数据集解封成二维数据集，便以后续建模，为变量个数、为抽样时间为产品批次；第二步骤，数据集冗余信息消除：由于半导体批过程引起的数据集尺度的大规模性，采用主元分析方法对第一步骤产生的数据集进行维度缩减和信息提取，降低原始数据集维度和消除冗余信息，并提取真正能表达制造过程状态的特征信息；第三步骤，数据集特征提取：在离线状态下，采用局部保持投影算法对第二步骤的主元分析方法抽取的数据集进行特征提取，仅保留保持大部分局部信息的特征；第四步骤，制造过程状态建模：在离线状态下，采用高斯混合ＧＭＭ模型对局部保持投影算法提取后的在控特征信息进行信息融合建模，获取能表达过程在控状态下数据空间分布的基准ＧＭＭ模型；对各种历史故障样本经过第一至第三步骤处理后，对每种过程故障，采用ＧＭＭ对故障分布状态进行描述建模，并形成一个对应各种故障建模的ＧＭＭ模型诊断库；第五步骤，制造过程状态监控：在线上采集样本通过第一到第三步骤的处理，抽取的特征输入到第四步骤构建的基准ＧＭＭ模型，通过计算负似然概论值和马氏距离实现对过程状态的监控；第六步骤，制造过程故障诊断：在线上被基准ＧＭＭ模型报道为过程失控的状态下，信号进一步输送到第四步骤构建的ＧＭＭ模型诊断库，通过比较各个ＧＭＭ模型输出的似然概论值大小比较进行故障模式识别，完成故障诊断。...
【技术特征摘要】
【专利技术属性】
技术研发人员：余建波，尹纪庭，刘美芳，
申请(专利权)人：上海大学，
类型：发明
国别省市：31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。