CN1849599A - 使用适应性多元分析诊断处理系统的方法和系统 - Google Patents

使用适应性多元分析诊断处理系统的方法和系统 Download PDF

Info

Publication number
CN1849599A
CN1849599A CNA2004800264199A CN200480026419A CN1849599A CN 1849599 A CN1849599 A CN 1849599A CN A2004800264199 A CNA2004800264199 A CN A2004800264199A CN 200480026419 A CN200480026419 A CN 200480026419A CN 1849599 A CN1849599 A CN 1849599A
Authority
CN
China
Prior art keywords
data parameters
data
adaptability
operational process
centralization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2004800264199A
Other languages
English (en)
Other versions
CN100476798C (zh
Inventor
凯文·安德鲁·卡姆尼斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
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 Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of CN1849599A publication Critical patent/CN1849599A/zh
Application granted granted Critical
Publication of CN100476798C publication Critical patent/CN100476798C/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Abstract

一种监视处理系统的方法和系统，所述处理系统用于在半导体制造过程期间处理衬底。从所述处理系统获取多次观察的数据(510)，所述数据包括多个数据参数。从所述数据构建主成分分析(PCA)模型，所述模型包括中心化系数(520)。从所述处理系统获取附加数据(550)，所述附加数据包括所述多个数据参数的附加观察。调整所述中心化系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性中心化系数。将所述更新后的适应性中心化系数应用于所述PCA模型中所述数据参数的每一个(560)。利用所述PCA模型从所述附加数据确定至少一个统计量(560)。设置用于所述统计量的控制限度(570)，并将所述统计量与所述控制限度相比较(580)。

Description

使用适应性多元分析诊断处理系统的方法和系统
技术领域
本发明涉及使用主成分分析(PCA)诊断处理系统的方法，更具体而言，涉及更新后的PCA的利用。
背景技术
例如在半导体制造中的材料处理系统的建模和控制一直以来就是一项非常有挑战性的任务。材料处理系统一般运行多种工艺流程(processrecipe)和产品，每一种都有其独特的化学、机械和电特性。材料处理系统还要经历频繁的维护周期，在维护周期中，清洗或替换关键部件，并且当发生周期性问题时以新的硬件设计来解决这些问题。另外，存在某些特定的工艺步骤，其很少有与衬底的性能直接相关的衬底质量度量。在没有集成度量的情况下，这些测量被延迟并且经常不是对每个衬底进行测量。这些问题导致了复杂的处理系统，其已经很难以简单工具来进行建模。
一种在模型中捕捉处理系统的行为的方法是将诸如主成分分析(PCA)之类的多元分析应用于处理系统数据。然而，由于处理系统在跟踪数据(trace data)方面会发生漂移和变化，因此静态PCA模型不足以在长时间上对单个处理系统进行监视。另外，对于一个处理系统开发的模型不能转移到另一个处理系统，例如，从一个刻蚀工艺室转移到相同设计的另一个刻蚀工艺室。
发明内容
本发明的目的是解决或部分解决上述问题中的任何一个或全部，或者现有技术中的其他问题。
本发明的另一个目的是提供一种健壮PCA模型，其能够在长时间上监视单个处理系统。
本发明的另一个目的是提供一种健壮PCA模型，其能够适用于不只一个处理系统。
本发明的这些和其他目的可由根据本发明利用适应性多元分析诊断处理系统的方法来满足。
根据一个方面，描述了一种监视用于在半导体制造过程期间处理衬底的处理系统的方法。所述方法包括：从所述处理系统获取多次观察的数据，所述数据包括多个数据参数；从所述数据构建主成分分析(PCA)模型，所述模型包括中心化系数；从所述处理系统获取附加数据，所述附加数据具有所述多个数据参数的附加观察；调整所述中心化系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性中心化系数；将所述更新后的适应性中心化系数应用于所述PCA模型中所述数据参数的每一个；利用所述PCA模型从所述附加数据确定至少一个统计量；设置用于所述至少一个统计量的控制限度；以及将所述至少一个统计量与所述控制限度相比较。另外，所述方法还可以包括：确定PCA模型的缩放系数；调整所述缩放系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性缩放系数；以及将所述更新后的适应性缩放系数应用于所述PCA模型中所述数据参数的每一个。
根据另一个方面，描述了一种在用于监视处理系统的主成分分析(PCA)模型中的改进，所述处理系统用于在半导体制造过程期间处理衬底，所述改进包括：在给定数据参数的当前观察期间的每个数据参数的适应性中心化系数，所述适应性中心化系数组合了所述适应性中心化系数的旧值和当前观察的数据参数的当前值，其中所述旧值包括在当前观察之前的多次观察期间的数据参数的平均值。另外，所述改进还可以包括：在给定数据参数的当前观察期间的每个数据参数的适应性缩放系数，所述适应性缩放系数包括应用递归标准偏差过滤器，该公式组合了适应性缩放系数的旧值、当前观察下每个数据参数的当前值和适应性中心化系数的旧值，其中所述适应性缩放系数的旧值包括在当前观察之前的多次观察期间所述数据参数的标准偏差，所述适应性中心化系数的旧值包括在当前观察之前的多次观察期间的所述数据参数的平均值。
另外，根据另一个方面，描述了一种用于在半导体制造过程期间处理衬底的处理系统，包括：工艺工具(process tool)；和耦合到所述工艺工具的工艺性能监视系统，其包括耦合到所述工艺工具的多个传感器以及耦合到所述多个传感器和所述工艺工具的控制器，其中所述控制器包括，用于从所述多个传感器获取多次观察的数据的装置，所述数据包括多个数据参数；用于从所述数据构建主成分分析(PCA)模型的装置，所述模型包括中心化系数；用于从所述多个传感器获取附加数据的装置；用于调整所述中心化系数以产生用于所述数据参数的每一个的更新后的适应性中心化系数的装置；用于将所述更新后的适应性中心化系数应用到所述PCA模型中所述数据参数的每一个的装置；用于利用所述PCA模型从所述附加数据确定至少一个统计量的装置；用于设置用于所述至少一个统计量的控制限度的装置；以及用于将所述至少一个统计量与所述控制限度相比较的装置。另外，所述处理系统还可以包括：用于确定PCA模型的缩放系数的装置；用于调整所述缩放系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性缩放系数的装置；以及用于将所述更新后的适应性缩放系数应用到所述PCA模型中所述数据参数的每一个的装置。
根据另一个方面，描述了一种监视用于在半导体制造过程期间处理衬底的处理系统的工艺性能监视系统，包括：耦合到所述处理系统的多个传感器；和耦合到所述多个传感器和所述处理系统的控制器，其中所述控制器包括，用于从所述多个传感器获取多次观察的数据的装置，所述数据具有多个数据变量；用于从所述多个传感器获取多次观察的数据的装置，所述数据包括多个数据参数；用于从所述数据构建主成分分析(PCA)模型的装置，所述模型包括中心化系数；用于从所述多个传感器获取附加数据的装置；用于调整所述中心化系数以产生用于所述数据参数的每一个的更新后的中心化系数的装置；用于将所述更新后的适应性中心化系数应用到所述PCA模型中所述数据参数的每一个的装置；用于利用所述PCA模型从所述附加数据确定至少一个统计量的装置；用于设置用于所述至少一个统计量的控制限度的装置；以及用于将所述至少一个统计量与所述控制限度相比较的装置。另外，所述处理系统还可以包括：用于确定PCA模型的缩放系数的装置；用于调整所述缩放系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性缩放系数的装置；以及用于将所述更新后的适应性缩放系数应用到所述PCA模型中所述数据参数的每一个的装置。
根据另一个方面，描述了一种监视用于在半导体制造过程期间处理衬底的第一处理系统的方法。所述方法包括：从第二处理系统获取多次观察的数据，所述数据具有多个数据参数；从所述数据构建用于所述第二处理系统的主成分分析(PCA)模型，所述模型包括中心化系数；从所述第一处理系统获取附加数据，所述附加数据包括所述多个数据参数的附加观察；调整所述中心化系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性中心化系数；将所述更新后的适应性中心化系数应用于所述PCA模型中所述数据参数的每一个；利用所述PCA模型从所述附加数据确定至少一个统计量；设置用于所述至少一个统计量的控制限度；以及将所述至少一个统计量与所述控制限度相比较。另外，所述方法还可以包括：确定PCA模型的缩放系数；调整所述缩放系数以产生用于所述PCA模型中所述数据参数的每一个的更新后的适应性缩放系数；以及将所述更新后的适应性缩放系数应用于所述PCA模型中所述数据参数的每一个。
根据另一个方面，描述了一种用于分类在处理系统中的多个衬底运行过程(substrate run)期间发生的工艺故障的方法。所述方法包括：监视来自所述处理系统的用于所述多个衬底运行过程内的每个衬底运行过程的多个数据参数；利用多元分析识别所述多个衬底运行过程内发生工艺故障的故障衬底运行过程；选择所述故障衬底运行过程之前的第一衬底运行过程；计算所述第一衬底运行过程期间所述多个数据参数中每一个的第一多个平均值；选择所述故障衬底运行过程之后的第二衬底运行过程；计算所述第二衬底运行过程期间所述多个数据参数中每一个的第二多个平均值；确定所述多个数据参数中每一个的在所述第一多个平均值和所述第二多个平均值之间的多个差的绝对值；计算所述第一衬底运行过程和所述第二衬底运行过程中的至少一个运行过程期间所述多个数据参数中每一个的多个标准偏差；利用所述多个数据参数中每一个的所述多个标准偏差来归一化所述多个差；确定归一化后的差的最大值；以及识别所述多个数据参数中与所述差的所述最大值相对应的数据参数。
根据另一个方面，描述了一种用于分类在处理系统中的多个衬底运行过程期间发生的工艺故障的方法。所述方法包括：监视来自所述处理系统的用于所述多个衬底运行过程内的每个衬底运行过程的多个数据参数；利用多元分析识别所述多个衬底运行过程内发生工艺故障的故障衬底运行过程；选择所述故障衬底运行过程之前的第一衬底运行过程；计算所述第一衬底运行过程期间所述多个数据参数中每一个的第一多个标准偏差；选择所述故障衬底运行过程之后的第二衬底运行过程；计算所述第二衬底运行过程期间所述多个数据参数中每一个的第二多个标准偏差；确定所述多个数据参数中每一个的在所述第一多个标准偏差和所述第二多个标准偏差之间的多个差的绝对值；计算所述第一衬底运行过程和所述第二衬底运行过程中的一个运行过程期间所述多个数据参数中每一个的多个平均值；利用所述多个数据参数中每一个的所述多个平均值来归一化所述多个差；确定归一化后的差的最大值；以及识别所述多个数据参数中与所述差的所述最大值相对应的数据参数。
附图说明
在附图中：
图1示出了根据本发明优选实施例的材料处理系统；
图2示出了根据本发明一个实施例的材料处理系统；
图3示出了根据本发明另一个实施例的材料处理系统；
图4示出了根据本发明另一个实施例的材料处理系统；
图5示出了根据本发明另一个实施例的材料处理系统；
图6A表示利用静态中心化和缩放系数计算出的示例性Q统计量；
图6B表示在第一批500个衬底后利用适应性中心化和缩放系数计算出的示例性Q统计量；
图7表示示例性Q贡献图；
图8表示两个数据参数的示例性汇总统计量；
图9A表示两个衬底范围的示例性模型平均移动度量图；
图9B表示图9A的移动度量图中最高值的示例性汇总统计量；
图10表示利用应用于第二处理系统的静态中心化和缩放系数计算出的示例性Q统计量；
图11表示利用应用于第二处理系统的适应性中心化和缩放系数计算出的示例性Q统计量；
图12表示根据本发明的实施例监视处理系统的方法；以及
图13图示了用于实现本发明的各种实施例的计算机系统。
具体实施方式
根据本发明的实施例，图1示出了材料处理系统1，系统1包括工艺工具10和工艺性能监视系统100。工艺性能监视系统100包括多个传感器50和控制器55。或者，材料处理系统1可以包括多个工艺工具10。传感器50耦合到工艺工具10以测量工具数据，控制器55耦合到传感器50以接收工具数据。或者，控制器55还耦合到工艺工具10。而且，控制器55被配置用来使用(工具)数据参数来监视处理系统1的性能。工艺性能例如可以包括工艺故障的检测。
在图1所示的实施例中，材料处理系统1利用等离子体进行材料处理。优选地，材料处理系统1包括刻蚀室。或者，材料处理系统1包括诸如光刻胶旋涂系统之类的光刻胶涂覆室；诸如紫外(UV)光刻系统之类的光刻胶图案化室；诸如玻璃上旋涂(SOG)或电介质上旋涂(SOD)系统之类的电介质涂覆室；诸如化学气相沉积(CVD)系统或物理气相沉积(PVD)系统之类的沉积室；诸如用于热退火的RTP系统之类的快速热处理(RTP)室；或者批处理垂直炉。
根据图2中所示的本发明的实施例，材料处理系统1包括工艺工具10、附着有要处理的衬底25的衬底夹持器20、气体注入系统40和真空泵浦系统58。衬底25例如可以是半导体衬底、晶片、或液晶显示器(LCD)。工艺工具10例如可以被配置用来促进在与衬底25的表面相邻的处理区域45中生成等离子体，其中等离子体经由加热的电子和可离子化气体之间的碰撞来形成。可离子化气体或气体混合物经由气体注入系统40引入，并且调节工艺压强。优选地，等离子体用来产生预定材料工艺特有的材料，并帮助将材料沉积在衬底25上或从衬底25的暴露表面上移去材料。例如，控制器55可用来控制真空泵浦系统58和气体注入系统40。
衬底25例如可以经由机器人式衬底转移系统通过缝隙阀(未示出)和室通装置(未示出)移入到工艺工具10中和从工艺工具10中移出，衬底25被位于衬底夹持器20内部的衬底抬升栓(未示出)接收，并被其内部的设备机械平移。一旦从衬底转移系统接收到衬底25，就将衬底25降低到衬底夹持器20的上表面。
例如，衬底25可以经由静电钳制系统28附着到衬底夹持器20。此外，衬底夹持器20还可以包括冷却系统，冷却系统包括再循环冷却液流，这种再循环冷却液流从衬底夹持器20接收热量并将热量转移到热交换系统(未示出)，或者在加热时转移来自于热交换系统的热量。而且，气体可以经由背面气体系统26传送到衬底的背面以提高衬底25和衬底夹持器20之间的气体间隙的热导率。这种系统可以在需要衬底的温度被控制在提升或降低的温度时使用。例如，衬底的温度控制可用在温度超过稳定状态的温度时，这种稳定状态的温度是由于从等离子体传送到衬底25的热通量和通过传导到衬底夹持器20从衬底25移去的热通量达到平衡而实现的。在其他实施例中，可以包括诸如电阻加热元件之类的加热元件或热电加热器/冷却器。
如图2所示，衬底夹持器20包括电极，RF功率经由电极耦合到处理区域45中的等离子体。例如，通过从RF发生器30经由阻抗匹配网络32向衬底夹持器20发送RF功率，衬底夹持器20可以被电偏置在RF电压。RF偏置可用来加热电子以形成并维持等离子体。在该配置中，系统可以作为反应离子刻蚀(RIE)反应室操作，其中室和上部气体注入电极充当地表面。RF偏置的典型频率范围可以从1MHz到100MHz，优选地为13.56MHz。
或者，RF功率可以以多个频率施加到衬底夹持器电极上。此外，阻抗匹配网络32用来通过最小化反射功率来使转移到处理室10中的等离子体上的RF功率最大。可以采用各种匹配网络拓扑(例如，L型、π型、T型等)和自动控制方法。
继续参考图2，工艺气体例如可以经由气体注入系统40引入到处理区域45中。工艺气体例如可以包括诸如氩、CF4和O2之类的气体混合物，或用于氧化物刻蚀应用的氩、C4F8和O2之类的气体混合物，或者其他化学气体，如O2/CO/Ar/C4F8，O2/CO/Ar/C5F8，O2/CO/Ar/C4F6，O2/Ar/C4F6，N2/H2。气体注入系统40包括喷淋头，其中工艺气体从气体传送系统(未示出)经由气体注入孔(未示出)、一系列隔板(未示出)和多孔喷淋头气体注入板(未示出)被提供到处理区域45。
真空泵浦系统58例如可以包括泵浦速度高至5000升/每秒(以及更大)的涡轮分子真空泵(TMP)和用于对室压强节流的门阀。在干法等离子体刻蚀所采用的传统等离子体处理设备中，通常采用1000至3000升/每秒的TMP。TMP可用于低压处理，一般小于50mTorr。在较高的压强下，TMP泵浦速度明显下降。对于高压处理(即，大于100mTorr)，可以使用机械升压泵和干法粗抽泵。此外，用于监视室压强的设备(未示出)耦合到工艺室16。压强测量设备例如可以是可以从MKS仪器公司(Andover，MA)以购得的628B Baratron型绝对容积压力计。
如图1所示，工艺性能监视系统100包括耦合到工艺工具10以测量工具数据的多个传感器50和耦合到传感器50以接收工具数据的控制器55。传感器50既可以包括工艺工具10内部固有的传感器，又可以包括工艺工具10外部的传感器。工艺工具10内部固有的传感器可以包括关于工艺工具10的功能的那些传感器，如测量氦背面气体压强、氦背面流、静电卡盘(ESC)电压、ESC电流、衬底夹持器20的温度(或下电极(LEL)温度)、冷却液温度、上电极(UEL)温度、前向RF功率、反射RF功率、RF自感应DC偏置、RF峰-峰电压、室壁温度、工艺气体流速、工艺气体部分压强、室压强、电容器设置(即，C1和C2位置)、聚焦环厚度、RF小时、聚焦环RF小时和其任何统计量。或者，工艺工具10外部的传感器可以包括那些不与工艺工具10的功能直接相关的传感器，如图2中所示的用于监视从处理区域45中的等离子体发射的光的光检测设备34，或者图2中所示的用于监视工艺工具10的电力系统的电力测量设备36。
光检测设备34可以包括用于测量从等离子体发射的总光强的检测器，如(硅)光电二极管或光电倍增管(PMT)。光检测设备34还可以包括滤光器，如窄带干涉滤光器。在替换实施例中，光检测设备34包括线CCD(电荷耦合器件)或CID(电荷注入器件)阵列和诸如光栅或棱镜之类的光分散设备。另外，光检测设备34可以包括用于测量给定波长处的光的单色仪(例如，光栅/检测器系统)，或者用于测量光谱的分光计(例如，具有旋转光栅)，如在美国专利No.5,888,337中描述的设备。
光检测设备34可以包括来自于Peak Sensor Systems的高分辨率OES传感器。这种OES传感器具有跨越了紫外(UV)、可见(VIS)和近红外(NIR)光谱的宽光谱。在Peak Sensor Systems中，分辨率约为1.4埃，即，传感器能够收集从240nm到1000nm的5550个波长。在Peak SystemSensor中，传感器配备有高灵敏度微型光纤UV-VIS-NIR分光计，该分光计又集成有2048像素的线CCD阵列。
在本发明的一个实施例中，分光计接收经由单根和集束光纤发送的光，其中从光纤输出的光被利用固定光栅分散到线性CCD阵列。与上述配置相类似，发射经过光学真空窗口的光经由凸球透镜被聚焦到光纤的输入端上。三个分光计(每一个被具体调谐用于给定的谱范围(UV、VIS和NIR))形成了用于工艺室的传感器。每个分光计包括独立的A/D转换器。最后，取决于传感器的应用，可以每0.1到1.0秒记录全发射谱。
电测量设备36例如可以包括电流和/或电压探针、功率计或谱分析仪。例如，等离子体处理系统经常采用RF功率来形成等离子体，这种情况下，采用诸如同轴电缆或结构之类的RF传输线来将RF能量经由电耦合元件(即，感应线圈，电极等)耦合到等离子体。例如使用电流-电压探针的电测量可在电(RF)路内的任何位置处进行，例如在RF传输线内进行。此外，电信号的测量(如电压或电流的时间跟踪)允许利用离散傅立叶(Fourier)级数表达方式(假设是周期信号)将信号变换到频率空间。其后，可以监视并分析傅立叶谱(或者对于时变信号是频谱)以表征材料处理系统1的状态。电压-电流探针例如可以是在2001年1月8日提交的未决美国申请No.60/259,862和美国专利No.5,467,013中详细描述的设备，这里通过引用并入这两个文件的全部内容。
在替换实施例中，电测量设备36可以包括用于测量材料处理系统1外部的辐射RF场的宽带RF天线。可购买到的宽带RF天线是诸如Antenna Research Model RAM-220(0.1MHz到300MHz)之类的宽带天线。
通常，多个传感器50可以包括内部固有的或外部的任何数目的传感器，这些传感器可以耦合到工艺工具10以向控制器55提供工具数据。
控制器55包括微处理器、存储器和数字I/O端口(可能包括D/A和/或A/D转换器)，该端口能够生成足以与材料处理系统1进行通信并激活到材料处理系统1的输入以及监视来自材料处理系统1的输出的控制电压。如图2所示，控制器55可以耦合到RF发生器30、阻抗匹配网络32、气体注入系统40、真空泵浦系统58、背面气体传送系统26、静电钳制系统28、光检测设备34和电测量设备36，并与这些设备交换信息。存储在存储器中的程序被用来根据存储的工艺流程与材料处理系统1的前述组件交互。控制器55的一个示例是可以从Austin，Texas的Dell公司购得的DELL PRECISION WORKSTATION 530TM。控制器55相对于材料处理系统1可以位于本地，也可以相对于材料处理系统1位于远处。例如，控制器55可以使用直连、内联网和互联网中的至少一种与材料处理系统1交换数据。控制器55可以耦合到例如位于客户端位置处(即，器件制作者等)的内联网，或者可以耦合到例如位于销售商位置处(即，设备制造商)的内联网。另外，例如，控制器55可以耦合到互联网。此外，另一台计算机(即，控制器、服务器等)例如可以经由直连、内联网和互联网中的至少一种访问控制器55以交换数据。
如图3所示，材料处理系统1可以包括磁场系统60。例如，磁场系统60可以包括固定的、或者机械或电动旋转的DC磁场，以潜在增加等离子体密度和/或提高材料处理均匀性。而且，控制器55可以耦合到磁场系统60，以约束场强或旋转速度。
如图4所示，材料处理系统可以包括上电极70。例如，RF功率可以从RF发生器72经由阻抗匹配网络74耦合到上电极70。用于向上电极施加RF功率的频率范围优选地从10MHz到200MHz，并且优选为60MHz。另外，用于向下电极施加功率的频率范围可以从0.1MHz到30MHz，优选为2MHz。而且，控制器55可以耦合到RF发生器72和阻抗匹配网络74，以控制向上电极70施加RF功率的操作。
如图5所示，图1的材料处理系统可以包括感应线圈80。例如，RF功率可以从RF发生器82经由阻抗匹配网络84耦合到感应线圈80，并且RF功率可以从感应线圈80经由电介质窗口(未示出)感应耦合到等离子体处理区域45。用于向感应线圈80施加RF功率的频率优选地范围从10MHz到100MHz，并且优选为13.56MHz。类似地，向卡盘电极施加的功率的范围优选地从0.1MHz到30MHz，并且优选为13.56MHz。另外，可以采用缝隙式法拉第(Faraday)屏蔽(未示出)来减少感应线圈80和等离子体之间的电容性耦合。而且，控制器55可以耦合到RF发生器82和阻抗匹配网络84，以控制向感应线圈80施加功率的操作。在替换实施例中，感应线圈80可以是从上部与等离子体处理区域45通信的“螺旋”线圈或“扁平”线圈，就好像在变压器耦合的等离子体(TCP)反应室中一样。
或者，等离子体可以利用电子回旋共振(ECR)来形成。在另一个实施例中，等离子体通过发射螺旋波(Helicon wave)来形成。在另一个实施例中，等离子体通过传播表面波来形成。
如上所述，工艺性能监视系统100包括多个传感器50和控制器55，其中传感器50耦合到工艺工具10，并且控制器55耦合到传感器50以接收工具数据。控制器55还能够执行至少一种算法以优化从传感器50接收的工具数据，确定工具数据之间的关系(模型)，并使用该关系(模型)来进行故障检测。
当遇到涉及大量变量的大量数据集时，经常应用多元分析(MVA)。例如，一种MVA技术包括主成分分析(PCA)。在PCA中，可以组装模型以从大量数据集中提取出表现多维参数空间中最大差异的信号。
例如，对于给定衬底运行过程或者即时的每个数据参数集可被存储为矩阵 X中的一行，因而一旦矩阵 X被聚集，每行就代表不同的衬底运行过程，或者不同时间(或观察)点，而每列代表对应于多个传感器50的不同数据参数(或数据变量)。因此，矩阵 X是q×r维的方阵，其中q代表行的维度，r代表列的维度。一旦数据被存储在矩阵中，数据通常就被平均值中心化(mean-centered)和/或归一化。对存储在矩阵列中的数据进行平均值中心化的处理包括计算列元素的平均值，并从每个元素中减去平均值。而且，驻留在矩阵列中的数据可通过确定列中数据的标准偏差来归一化。例如，PCA模型可以与在2002年5月16日提交的题为“A processsystem health index and method of using the same”的美国临时申请No.60/470,901中描述的类似的方式来构建。这里通过引用并入该申请的全部内容。
利用PCA技术，矩阵 X内的相关结构通过将矩阵 X近似为较低维度的矩阵乘积
Figure A20048002641900251
加上误差矩阵 E来确定。
X ‾ = T ‾ P T ‾ + E ‾ - - - ( 1 a )
其中
X ‾ i , j = ( X ‾ * i , j - X ‾ M , j σ X , j ) - - - ( 1 b )
“i”代表第i行，“j”代表第j列，下标“M”代表平均值，σ代表标准偏差， X*是原始数据， T是汇总了 X变量的分数矩阵(q×p)， P是示出变量影响的负载矩阵(r×p，其中p≤r)。
通常，负载矩阵 P可示为包括 X的协方差矩阵的特征向量，其中协方差矩阵 S可示为
S＝ XT X      (2)协方差矩阵 S是实对称矩阵；因此，协方差矩阵可描述为
S＝ U Λ UT    (3)
其中实对称特征向量矩阵 U包括作为列的归一化特征向量，而 Λ是包括与沿对角线的每个特征向量相对应的特征值的对角矩阵。使用方程(1a)和(3)(对于全矩阵p＝r，即，没有误差矩阵)，可以看出
P＝ U        (4)
并且
TT T＝ Λ    (5)
上述特征分析的结果是每个特征值代表n维空间内沿对应的特征向量方向的数据方差。因而，最大的特征值对应于多维空间内数据的最大方差，而最小的特征值代表数据的最小方差。通过定义，所有特征向量都是正交的，因此，次最大的特征值对应于沿相应特征向量方向的数据的次最大方差，该方向垂直于第一特征向量的方向。通常，对于这种分析，选择第一若干(三个到四个，或者更多)最大特征值来近似数据，并且，作为近似的结果，误差 E被代入到方程(1a)中的表达式。总之，一旦确定了特征值和其相应特征向量的集合，就可以选择一组最大特征值，并且可以确定方程(1a)中的误差矩阵 E。
一种支持PCA建模的可以购买到的软件示例是MATLABTM(可以从Natick，MA的Mathworks公司购得)和PLS工具箱(可以从Manson，WA的Eigenvector Research公司购得)。
另外，一旦建立了PCA模型，诸如MATLABTM之类的可以购买到的软件还能够产生并输出用于观察的诸如霍特林(Hotelling)T2参数之类的其他统计量，或者Q统计量。用于观察的Q统计量可计算如下
Q＝ ET E         (6a)
其中
E＝ X( I- P PT)    (6b)
I是适当大小的单位矩阵。例如，PCA模型(负载矩阵 P等)可以利用数据的“训练”集来构建(即，聚集大量观察的 X，并利用MATLABTM确定PCA模型)。一旦构建了PCA模型，就可以利用新观察到PCA模型上的投影(projection)来确定残留矩阵 E，如同方程(1a)中那样。
类似地，霍特林T2可以计算如下
T 2 i = Σ a = 1 p T ‾ 2 ia s 2 ta - - - ( 7 a )
其中
T＝ X P          (7b)
Tia是用于第i次观察(衬底运行过程，即时等；即，i＝1到q)和第a模型维度(即，a＝1到p)的分数(来自方程(7b))，s2 ta是 Ta的方差。例如，PCA模型(负载矩阵 P等)可以利用数据的“训练”集来构建(即，聚集大量观察的 X，并利用MATLABTM确定PCA模型)。一旦构建了PCA模型，就可以利用新观察到PCA模型上的投影来确定新的分数矩阵T。
一般来说，诸如Q统计量或霍特林T2之类的统计量是对于过程而被监视的，并且当该量超过了预定的控制限度时，检测出工艺故障。
图6A示出了使用PCA模型来监视过程的Q统计量(Q因子)以确定工艺故障的传统示例。在图6A的示例中，模型被应用于从Unity II DRM(偶极环磁场)CCP(电容性耦合等离子体)处理系统(可以从TokyoElectron Limited购得；见图3)获取的工艺数据，该系统执行以基于C4F8/CO/Ar+O2的化学物质进行的图案化氧化物刻蚀。该处理系统以批处理模式进行操作，其中每一批次有固定的工艺流程(process recipe)。一般来说，对于器件制造中的特定工艺步骤，单个流程被用于多个批次。同一处理系统被频繁用于许多不同的器件层和步骤，但是对于每个工艺步骤，流程都保持相同。
所收集的数据参数包括室压强、施加的功率、各种温度以及与压强、功率和温度控制有关的许多其他变量，如表1中所示。
在该示例中所用的工艺流程有三个主要步骤：光刻胶清洁步骤，主刻蚀步骤和光刻胶剥离步骤。本示例的范围适用于主刻蚀步骤，但是并不限于该特定步骤或任何特定步骤，因此也可适用于其他步骤。
对于每个工艺步骤，对每个衬底从大约160个样品中计算每个数据参数(或工具变量)的时间跟踪的观察平均和观察标准偏差。每个数据参数的时间跟踪的开始部分(其中RF功率增大)在这些统计计算中被修整，以去除由于功率启动时引起的变化。
在图6A的示例中，在单个处理系统中利用相同流程对于第一批500个衬底执行PCA模型。使用了在MATLABTM中实现的标准PCA方法，并进行了平均值中心化和单位方差的缩放。另外，利用由EigenvectorResearch提供作为MATLABTM附加功能的Eigenvector Research PLS工具箱来计算标准Q残留(SPE)和Q贡献。
在图6A的示例中，PCA模型从第一处理系统中的第一批500个衬底来构建，并且被应用于来自该处理系统的所有3200个衬底。从图中可见，在PCA模型建立后少于250个衬底的范围内(即，到衬底数750)，所得到的Q统计量就超过了模型中的95％置信限度，并且再也没有返回到低于该水平。另外，明了的偏离和明了的阶跃变化都是清楚的。从而，图6A表明尽管如上所述构建的传统PCA模型可用来监视Q统计量，但是存在某些时间段，其中统计参数偏离到控制限度以上，并且再也没有返回到低于控制限度。事实上，任何一种上述的统计量(例如，Q统计量，或霍特林T2参数)都可以利用用于特定处理系统中特定工艺的给定模型来监视，但是最终都会偏离到控制限度以上，并且再也没有返回到低于控制限度。其后，该模型不再适用于给定工艺和给定处理系统。
尽管已知用于在长的工艺运行过程中保留PCA模型的可用性的方法，但是本发明的发明人意识到，这些方法对于半导体制造工艺控制的商业应用并不实际。例如，使用适应性模型技术，PCA模型实际上可以利用每个工艺运行过程来重建，以在工艺进行期间更新模型。尽管该适应性建模技术通常可以将统计监视稳定在给定控制限度内，但是它要求对于商业工艺来说不实际的计算资源。
另一种用于维持图6A的统计监视的可用性的技术是采用更复杂的控制限度方案。具体而言，控制限度可以基于PCA模型的预测劣化对于每个工艺运行过程重设。尽管该方法可避免由于PCA模型的劣化引起的工艺条件失控指示，但是改变每个工艺运行过程的控制限度要求复杂的方案，这对于商业工艺来说也是不实际的。
从而，本发明的发明人意识到，传统的用于改动PCA模型从而能够在长的工艺运行过程中进行统计监视的方法对于商业工艺来说是不实际的。更具体而言，本发明的发明人已经发现，中心化和缩放PCA矩阵中的数据的标准方法并不能开发出能够用于长时间段(即，大量衬底运行过程)的健壮模型。
在本发明的实施例中，描述了用于准备健壮PCA模型的适应性多元分析。其中，中心化和缩放系数被利用改动方案更新。每个汇总统计量(summary statistic)的平均值(用于中心化)在一次观察到下一次观察之间被利用过滤器更新，过滤器例如是如下所示的指数加权移动平均(EWMA)过滤器：
XM，j ，n＝λ XM，j，n-1+(1-λ) Xj，n        (8)
其中 XM，j，n代表在当前运行过程(或观察“n”)中第j数据参数的计算的模型平均值(“M”)， XM，j，n-1代表在先前运行过程(或观察“n-1”)中第j数据参数的计算的模型平均值(“M”)， Xj，n代表当前运行过程中第j数据参数的当前值，λ是范围从0到1的加权因子。例如，当λ＝1时，用于中心化每个数据参数的模型平均值是先前使用的值，而当λ＝0时，用于中心化每个数据参数的模型平均值是当前测得的值。
每个汇总统计量的模型标准偏差(用于缩放)被利用下面的递归标准偏差过滤器更新：
σ X , j , n = ( σ X , j , n - 1 ) 2 ( k - 2 k - 1 ) + 1 k ( X ‾ j , n - X ‾ M , j , n ) 2 - - - ( 9 )
其中σX，j，n代表在当前运行过程(或观察“n”)中第j数据参数的计算的模型标准偏差，σX，j，n-1代表在先前运行过程(或观察“n-1”)中第j数据参数的计算的模型标准偏差，n代表运行过程(或观察)号，k代表过滤常数。过滤常数k例如可以选择为小于或等于N的常数，其中N代表用来构建PCA模型的衬底运行过程(或观察)的次数。
                   表1
区域 变量 描述
气体流和压强 PRESSURE 室压强
APC 节流阀角度
Ar Ar流率
C4F8 C4F8流率
CO CO流率
功率和匹配 RF-FORWARD-LO 下电极功率
C1-POSITION-LO 匹配网络电容器1
C2-POSITION-LO 匹配网络电容器2
MAGNITUDE 匹配器大小
PHASE 匹配器相位
RF-VDC-LO 下电极DC电压
RF-VPP-LO 下电极峰-峰电压
ES卡盘 ESC-CURRENT 静电卡盘电流
ESC-VOLTAGE 静电卡盘电压
温度和冷却 LOWER-TEMP 下电极温度
UPPER-TEMP 上电极温度
WALL-TEMP 壁温度
COOL-GAS-FLOW1 He边缘冷却流率
COOL-GAS-FLOW2 He中心流率
COOL-GAS-P1 He边缘冷却气体压强
COOL-GAS-P2 He中心冷却气体压强
图6B示出了与图6A中表示的使用PCA模型来监视Q统计量相同的示例，除了中心化和缩放系数被利用根据本发明的改动方案更新以外。从图中可见，在第一批500个晶片后，当利用上述的适应性中心化和缩放系数(λ＝0.92；k＝500)来改动中心化和缩放常数时，在所有的剩余衬底内Q统计量基本更为稳定，并且数据大部分停留在相同的限度内。本发明的改动方案提供了与其他统计监视方案(例如，霍特林T2参数)类似的改进。从而，根据本发明的PCA模型的改动实现了可用于长工艺运行过程的更为健壮的PCA模型。
现在一起参考图6A和6B，第一次递归是在适应性情形中具有最大Q值的运行过程，这发生在衬底1492处。在静态和适应性情形的残留贡献图(见图7)中，C1-POSITION-LO均值、RF-VPP-LO均值和ESC-CURRENT是极值。后两个数据参数的任何缩放的汇总统计量绘在图8中。这三种数据参数考虑到了在四个点处数据的大尖峰，这些大的尖峰可能指示阻抗匹配网络系统的问题。这一类偏离(outlier)在两个Q图中都是清楚的，但是只有适应性情形允许在任何时间上都有固定限度(例如，95％置信限度)。
在另一个实施例中，可以计算中心化和缩放系数的相对变化以警告操作者或工程师步骤汇总统计量已经在两次运行过程或观察之间发生了偏移。对于每个中心化系数，这是通过从最终运行过程的估计值中减去初始运行过程的估计值，然后将每个差除以用于缩放初始运行过程的步骤统计量的标准偏差来完成的，即：
M X ‾ = | X ‾ M , j , b - X ‾ M , j , a σ j , a | - - - ( 10 )
其中M X 是模型的平均移动度量， XM，j，a代表第a衬底的第j数据参数的模型平均值， XM，j，b代表第b衬底的第j数据参数的模型平均值，σj，a代表第a衬底的第j数据参数的模型标准偏差。
对于缩放系数，计算方法是标准偏差之间的差除以用于中心化该步骤统计量的平均值，即：
M σ = | σ j , b - σ j , a X ‾ M , j , a | - - - ( 11 )
其中σj，b代表第b衬底的第j数据参数的模型标准偏差。
这些结果然后被显示在排列图中以标识在时间段期间表现最大相对变化的变量。例如，这种对典型贡献图的补充可以给予操作者关于数据参数集中的全局变化的信息。相反地，贡献图指示特定运行过程中的局部偏差。
再次参考图6A和6B，在输入汇总数据中逐步观察下一种漂移类型。在静态情形中，这些漂移在Q图中清楚可见，尽管这些变化的自动检测被证明是非常困难的。在适应性情形中，仅有四个时间段5个连续衬底的Q统计量超过了置信限度(开始于衬底1880、2535、2683和2948)。当计算关于这四个时间段中每一个的模型平均移动度量时(从时间段之前的衬底到时间段之后的衬底)，最大的极值分别发生于1880和2946的C1-POSITION-LO平均值和WALL-TEMP平均值上。图9A表示所有数据参数的模型平均移动度量和模型标准偏差度量。这两个数据参数的任意缩放的汇总数据显示在图9B中。Q统计量中的两次主要变化看起来主要由这两个数据参数主导。例如，这些数据参数的偏移可能由工具清洗引起，例如，替换关键部件和改变处理系统的电或热传递特性。尽管温度在处理系统中是被管理的，但是这仅在上电极和壁处进行。较低的温度并不被控制，并且可能受到处理系统中不同材料或部件配置的影响。衬底1880的静态情形和适应性情形的贡献图都是由C1-POSITION-LO主导。对于衬底2948，WALL-TEMP是适应性情形的主导贡献，但是在静态情形中，其只略微大于C1-POSITION-LO值(该值在此次运行过程中不变化)的影响。
除了提供可用于统计监视长工艺运行过程的更为健壮的PCA模型外，适应性技术还提供了同一PCA模型在不同处理系统中的使用。图10和11图示了本发明的第二示例，其中，在观看了一个处理系统随时间的主要变化后，随后将来自于第一批500个衬底的同一模型应用于来自第二处理系统的一组800个衬底。如图10所示，静态模型的Q统计量图的大小比模型的置信限度高许多阶。从而，从一个用于给定处理系统的给定工艺的传统模型导出的统计参数对于同一工艺不能从这个处理系统转移到另一处理系统。而且，对于上述图6A的示例，对于每个处理系统重建PCA模型或者采用复杂的控制限度方案来使一个系统的PCA模型适应另一个系统是不实际的。图11示出了应用了本发明的适应性中心化和缩放系数的同一模型。数据仅在25个衬底(单个基座的一般加载量)之后就返回到置信限度以下。提高λ可能提供更快的恢复，但是可能导致过冲问题。一旦低于置信限度，相同的总偏离仍然是清楚的，但是诸如衬底445和455之间的区域之类的其他变化也被高亮显示。
在将该同一模型应用于第二处理系统的情况下，仍然可以使用贡献图来识别上述单点漂移的起因。基于静态模型的贡献图提供了多个数据参数，这些数据参数都没有清楚的单个起因，并且所识别的这些数据参数中很少一部分表现了大偏离特性。基于适应性方案的贡献清楚地指示了两个参数：RF-VPP-LO平均值和APC标准偏差。这些偏离与等离子体峰一致，在等离子体峰处，电压值在整个步骤中很高，并且压强控制非常不稳，这是因为其试图控制不稳定的等离子体。
为了研究系统的突然偏移，从图11的数据中标出了连续突破的时间段。在衬底1、91和446的三个不同区域都有多于五个超过置信限度的连续点。第一批22个衬底(其中模型被改动适应新的处理系统值)的移动度量表明在RF-VPP-LO平均值、ESC_VOLTAGE平均值、C2-POSITION-LO平均值、ESC-CURRENT平均值和RF-FORWARD-LO标准偏差上发生了明显变化，这表明许多电特性在这两个处理系统之间有偏移。开始于衬底91的时间段在5个运行过程中有两个大尖峰，从而使移动度量标识对偏离的适应。在开始于衬底446的最终区域中，度量指向APC平均值和COOL-GAS-FLOW1标准偏差。这些变量的衬底汇总数据在此时表现了波纹式的跳跃。有必要进行进一步分析来考虑这类问题，这类问题由用来控制压强的节流阀角度发生偏移和用来控制下电极上的温度的氦气流的可变性来表征。
从而，本发明的发明人意识到，静态PCA模型并不适于监视和检测工业材料处理系统上的局部故障。在模型被构建后模型的置信限度被迅速超过；此外，在模型被应用于另一个处理系统时置信限度并不适当。用于单变量缩放的平均值和标准偏差可以缓慢地与新的数据相适应。适应性中心化和缩放方法足以使到残留空间(Q)内的模型的距离保持稳定，并且原始的模型置信限度在用于检测漂移时是适当的。另外，从适应性方法计算的Q贡献有助于区分局部偏差的根起因数据参数，而不需耦合到具有全局变化的那些数据参数的贡献。对贡献图的补充以及移动度量标识了在连续置信限度突破的时间段期间具有尖锐步骤变化的输入数据参数。
图12的流程图表示监视处理系统的方法，处理系统用于在半导体制造期间处理衬底。方法500开始于510，在510，从处理系统获取多次观察的数据。处理系统例如可以是刻蚀系统，或者可以是图1所述的另一个处理系统。来自处理系统的数据可以使用耦合到处理系统和控制器的多个传感器来获取。数据例如可以包括任何可测量的数据参数和其任何统计量(例如，平均值、标准偏差、偏斜度、峰度等)。附加数据例如可以包括光发射谱、辐射RF发射或电压和/或电流测量的RF谐波等。每次观察可以是关于衬底运行过程、即时、时间平均等。
在520，通过在530确定代表数据的一个或多个主成分，并在540将如上所述的静态中心化和缩放系数应用于所获取的数据的数据参数，来从获取的数据参数构建PCA模型。例如，可以使用可以购买到的软件(如MATLABTM和PLS工具箱)来构建PCA模型。
在550，从处理系统获取附加数据，并且在555，在将PCA模型应用于获取的数据参数时采用适应性中心化和缩放系数。在560，从附加数据和PCA模型确定至少一个统计量。例如，附加数据可以被正向投影到一个或多个主成分上以确定一组分数，该组分数可以被反向投影到主成分上以确定一个或多个残留误差。利用该组分数以及模型的分数集，或者利用一个或多个残留误差，可以确定每次附加观察的至少一个统计量，如Q统计量或霍特林T2参数。
在570，可以设置控制限度，在580，可以将至少一个统计量与控制限度相比较。控制限度可以利用主观方法或经验方法来设置。例如，当使用Q统计量时，控制限度可以被设置在95％置信限度(例如见图6A、6B和11)。另外，例如，当使用霍特林T2参数时，控制限度可以被设置在95％置信限度。或者，例如，控制限度可通过假定统计量的理论分布(如x2分布)来建立；然而，所观察的分布应当与理论相验证。如果该至少一个统计量超过了控制限度，则在590检测到处理系统的故障，并且在600可以通知操作者。
图13图示了用于实现本发明的各种实施例的计算机系统1201。计算机系统1201可用作控制器55以执行上述的控制器功能中的任何一种或全部。计算机系统1201包括总线1202或用于传输信息的其他通信机构，以及与总线1202相耦合用于处理信息的处理器1203。计算机系统1201还包括主存储器1204，如随机存取存储器(RAM)或其他动态存储设备(例如，动态RAM(DRAM)、静态RAM(SRAM)和同步DRAM(SDRAM))，主存储器1204耦合到总线1202，用于存储信息和由处理器1203执行的指令。另外，主存储器1204可用于存储在处理器1203执行指令期间的临时变量或其他中间信息。计算机系统1201还包括只读存储器(ROM)1205或其他静态存储设备(例如，可编程ROM(PROM)、可擦写PROM(EPROM)和电可擦写PROM(EEPROM))，这些设备耦合到总线1202，用于存储处理器1203的指令和静态信息。
计算机系统1201还包括盘控制器1206，盘控制器1206耦合到总线1202以控制用于存储信息和指令的一个或多个存储设备，如磁硬盘1207和可移动介质驱动1208(例如，软盘驱动、只读光盘驱动、读/写高密盘驱动、光盘机、磁带驱动和可移动磁光驱动)。存储设备可以利用合适的设备接口(例如，小型计算机系统接口(SCSI)、集成电子设备(IDE)、增强IDE(E-IDE)、直接存储器访问(DMA)或UDMA)添加到计算机系统1201上。
计算机系统1201还可以包括专用逻辑器件(例如，专用集成电路(ASIC))或可配置逻辑器件(例如，简单可编程逻辑器件(SPLD)、复杂可编程逻辑器件(CPLD)和现场可编程门阵列(FPGA))。
计算机系统1201还可以包括耦合到总线1202以控制显示器1210(如阴极射线管(CRT))的显示控制器1209，显示器1210用于向计算机用户显示信息。计算机系统包括诸如键盘1211和点选设备1212之类的输入设备，其用于与计算机用户交互并向处理器1203提供信息。点选设备1212例如可以是鼠标、跟踪球、或点选棍，其用于将方向信息和命令选择传输到处理器1203并控制显示器1210上光标的移动。另外，打印机可以提供计算机系统1201存储和/或生成的数据的打印列表。
响应于处理器1203执行包含在存储器(如主存储器1204)中的一条或多条指令的一个或多个序列，计算机系统1201执行本发明的处理步骤(如以上结合图12所述的示例)中的一部分或全部。这些指令可以从另一种计算机可读介质(如硬盘1207或可移动介质驱动器1208)读取到主存储器1204中。也可以采用多处理配置中的一个或多个处理器来执行包含在主存储器1204中的指令序列。在替换实施例中，可以使用硬连线电路来替代软件指令或与软件指令相组合。从而，实施例并不限于硬件电路和软件的任何特定组合。
如上所述，计算机系统1201包括至少一个计算机可读介质或存储器，其用于保存根据本发明的教导编程的指令，并保存数据结构、表、记录或这里所述的其他数据。计算机可读介质的示例是光盘、硬盘、软盘、磁带、磁光盘、PROM(EPROM、EEPROM、快闪EPROM)、DRAM、SRAM、SDRAM、或任何其他磁介质、光盘(例如，CD-ROM)、或任何其他光介质、穿孔卡片、纸带、或其他具有孔图案的物理介质、载波(将在下面描述)、或计算机可以读取的任何其他介质。
本发明包括存储在计算机可读介质中的任何一种或其组合上的软件，该软件用于控制计算机系统1201，驱动一个或多个设备以实现本发明，并且使计算机系统1201能够与人类用户交互(例如，打印生产员工)。这种软件可以包括但不限于设备驱动器、操作系统、开发工具和应用软件。这种计算机可读介质还包括本发明的计算机程序产品，其用于执行在实现本发明时所执行的处理中的一部分(如果处理是分布式的话)或全部。
本发明的计算机代码设备可以是任何可解释或可执行的代码机构，包括但不限于脚本、可解释程序、动态链接库(DLL)、Java类和完全可执行程序。而且，本发明的处理的一部分可以是分布式的，以实现更好的性能、可靠性和/或成本。
这里所用的术语“计算机可读介质”指参与向处理器1203提供指令以用于执行的任何介质。计算机可读介质可以采取许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质例如包括光盘、磁盘和磁光盘，如硬盘1207或可移动介质驱动器1208。易失性介质包括动态存储器，如主存储器1204。传输介质包括同轴电缆、铜线和光纤，包括构成总线1202的线路。传输介质还可以采取声波或光波的形式，如在无线电波和红外数据通信期间生成的波。
各种形式的计算机可读介质可用来执行向处理器1203提供一条或多条指令的一个或多个序列以用于执行。例如，指令可以首先在远程计算机的磁盘上执行。远程计算机可以将用于实现本发明的全部或一部分的指令远程地加载到动态存储器中，并利用调制解调器经由电话线发送指令。在计算机系统1201本地的调制解调器可以在电话线上接收数据，并使用红外发送器将数据转换为红外信号。耦合到总线1202的红外检测器可以接收红外信号中承载的数据，并将数据放在总线1202上。总线1202将数据传输到主存储器1204，处理器1203从主存储器1204取得并执行指令。主存储器1204接收的指令可选地可以在由处理器1203执行之前或之后被存储在存储设备1207或1208上。
计算机系统1201还包括耦合到总线1202的通信接口1213。通信接口1213提供耦合到网络链路1214的双向数据通信，网络链路1214例如连接到局域网(LAN)1215，或者连接到诸如互联网之类的另一个通信网络1216。例如，通信接口1213可以是附接到任何分组交换LAN的网络接口卡。作为另一个示例，通信接口1213可以是提供到相应类型的通信线路的数据通信连接的非对称数字用户线路(ADSL)卡、集成服务数字网络(ISDN)卡或调制解调器。也可以实现无线链路。在任何一种实现方式中，通信接口1213发送并接收电的、电磁的或光信号，这些信号承载了代表各种类型信息的数字数据流。
网络链路1214一般提供经过一个或多个网络到其他数据设备的数据通信。例如，网络链路1214可以提供经过本地网络1215(例如，LAN)或者经过由服务供应商运行的设备到另一个计算机的连接，服务供应商提供经过通信网络1216的通信服务。本地网络1215和通信网络1216例如使用承载了数字数据流的电的、电磁的或光信号以及相关联的物理层(例如，CAT 5电缆、同轴电缆、光纤等)。经过各种网络的信号和在网络链路1214上并且经过通信接口1213的信号(其承载了去往和来自计算机系统1201的数字数据)可以以基带信号、或基于载波的信号的形式来实现。基带信号将数字数据以无调制的电脉冲形式传送，这种电脉冲描述了数字数据位流，其中术语“位”应广义理解为符号，每个符号传送至少一个或多个信息位。数字数据也可用来调制载波，例如以幅移键控、相移键控和/或频移键控信号来调制，这些信号在传导介质上传播，或者以电磁波的形式经过传播介质来发送。从而，数字数据可以经由“有线”通信信道以无调制的基带数据的形式发送，以及/或者通过调制载波在不同于基带的预定频带内发送。计算机系统1201可以经由网络1215和1216、网络链路1214和通信接口1213发送和接收包括程序代码在内的数据。而且，网络链路1214可以提供经由LAN 1215到移动设备1217的连接，移动设备1217例如是个人数字助理(PDA)、膝上型计算机或蜂窝电话。
尽管上面仅仅详细描述了本发明的某些示例性实施例，但是本领域技术人员可清楚地意识到，在本质上不脱离本发明的新颖教导和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都应当包括在本发明的范围内。

Claims (50)

1.一种监视用于在半导体制造过程期间处理衬底的处理系统的方法，包括：
从所述处理系统获取多次观察的数据，所述数据包括多个数据参数；
从所述数据构建主成分分析模型，所述模型包括中心化系数；
从所述处理系统获取附加数据，所述附加数据包括所述多个数据参数的附加观察；
调整所述中心化系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性中心化系数；
将所述更新后的适应性中心化系数应用于所述主成分分析模型中所述数据参数的每一个；
利用所述主成分分析模型从所述附加数据确定至少一个统计量；
设置用于所述至少一个统计量的控制限度；以及
将所述至少一个统计量与所述控制限度相比较。
2.如权利要求1所述的方法，其中所述调整所述中心化系数的操作包括：
通过将每个数据参数的适应性中心化系数的旧值与所述附加观察下每个数据参数的当前值相组合，来更新每个数据参数的适应性中心化系数，其中所述旧值包括在所述多次观察期间的数据参数的平均值。
3.如权利要求2所述的方法，其中所述组合所述适应性中心化系数的所述旧值与所述附加观察下所述数据参数的所述当前值的操作包括：
应用指数加权移动平均过滤器。
4.如权利要求3所述的方法，其中所述应用所述指数加权移动平均过滤器的操作包括：
设置加权因子。
5.如权利要求4所述的方法，其中所述设置所述加权因子的操作包括：
将所述加权因子设置为从0.5到1.0之间的值。
6.如权利要求5所述的方法，其中所述设置所述加权因子的操作包括：
将所述加权因子设置为从0.8到0.95之间的值。
7.如权利要求1所述的方法，其中所述将所述更新后的适应性中心化系数应用于所述数据参数的每一个的操作包括：
从所述数据参数的每一个中减去所述更新后的中心化系数。
8.如权利要求1所述的方法，还包括：
确定主成分分析模型的缩放系数；
调整缩放系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性缩放系数；以及
将所述更新后的适应性缩放系数应用于所述主成分分析模型中所述数据参数的每一个。
9.如权利要求8所述的方法，其中所述调整所述缩放系数的操作包括：
应用递归标准偏差过滤器，所述过滤器组合每个数据参数的适应性缩放系数的旧值、所述附加观察下每个数据参数的当前值和每个数据参数的适应性中心化系数的旧值，
其中所述适应性缩放系数的所述旧值包括所述多次观察期间所述数据参数的标准偏差，所述适应性中心化系数的所述旧值包括所述多次观察期间所述数据参数的平均值。
10.如权利要求9所述的方法，其中所述应用所述递归标准偏差过滤器的操作包括设置过滤常数。
11.如权利要求1所述的方法，其中将所述更新后的适应性缩放系数应用到所述数据参数的每一个的操作包括将所述数据参数的每一个除以所述更新后的缩放系数。
12.如权利要求1所述的方法，其中所述构建所述主成分分析模型的操作包括：
利用主成分分析确定所述多次观察下所述数据的一个或多个主成分。
13.如权利要求1所述的方法，还包括：
在所述至少一个统计量超过所述控制限度时检测到已发生工艺故障。
14.如权利要求1所述的方法，其中所述多个数据参数包括电容器位置、前向射频功率、反射射频功率、电压、电流、相位、阻抗、射频峰-峰电压、射频自感应直流偏置、室压强、气体流率、温度、背面气体压强、背面气体流率、静电钳制电压、静电钳制电流、聚焦环厚度、射频小时、工艺步骤持续时间、聚焦环射频小时、光发射谱和射频谐波中的至少一个。
15.如权利要求1所述的方法，其中所述多个数据参数包括即时值、时间平均、标准偏差、第三瞬时、第四瞬时和方差中的至少一个。
16.如权利要求1所述的方法，其中所述统计量包括Q统计量和霍特林T2参数中的至少一个。
17.如权利要求1所述的方法，还包括：
经由内联网和互联网中的至少一种访问所述数据、所述附加数据、所述适应性中心化系数、所述至少一个统计量和所述控制限度中的至少一个。
18.如权利要求8所述的方法，还包括：
经由内联网和互联网中的至少一种访问所述适应性缩放系数。
19.一种在用于监视处理系统的主成分分析模型中的改进，所述处理系统用于在半导体制造过程期间处理衬底，所述改进包括：
在给定数据参数的当前观察期间每个数据参数的适应性中心化系数，
所述适应性中心化系数组合了所述适应性中心化系数的旧值和所述当前观察下所述数据参数的当前值，其中所述旧值包括在所述当前观察之前的多次观察期间数据参数的平均值。
20.如权利要求19所述的改进，其中所述组合所述适应性中心化系数的所述旧值和所述当前观察下所述数据参数的所述当前值的操作包括应用指数加权移动平均过滤器。
21.如权利要求20所述的改进，其中所述应用所述指数加权移动平均过滤器的操作包括设置加权因子。
22.如权利要求21所述的改进，其中所述设置所述加权因子的操作包括将所述加权因子设置为从0到1之间的值。
23.如权利要求22所述的改进，其中所述设置所述加权因子的操作包括将所述加权因子设置为从0.8到0.95之间的值。
24.如权利要求19所述的改进，还包括：
在给定数据参数的当前观察期间每个数据参数的适应性缩放系数，
所述适应性缩放系数包括应用精确递归标准偏差公式，所述公式组合了适应性缩放系数的旧值、所述当前观察下每个数据参数的当前值和适应性中心化系数的旧值，
其中所述适应性缩放系数的所述旧值包括在所述当前观察之前的多次观察期间所述数据参数的标准偏差，所述适应性中心化系数的所述旧值包括在所述当前观察之前的多次观察期间所述数据参数的平均值。
25.一种用于在半导体制造过程期间处理衬底的处理系统，包括：
工艺工具；和
耦合到所述工艺工具的工艺性能监视系统，其包括耦合到所述工艺工具的多个传感器以及耦合到所述多个传感器和所述工艺工具的控制器，
其中所述控制器包括，
用于从所述多个传感器获取多次观察的数据的装置，所述数据包括多个数据参数；
用于从所述数据构建主成分分析模型的装置，所述模型包括中心化系数；
用于从所述多个传感器获取附加数据的装置；
用于调整所述中心化系数以产生用于所述数据参数的每一个的更新后的适应性中心化系数的装置；
用于将所述更新后的适应性中心化系数应用到所述主成分分析模型中所述数据参数的每一个的装置；
用于利用所述主成分分析模型从所述附加数据确定至少一个统计量的装置；
用于设置用于所述至少一个统计量的控制限度的装置；以及
用于将所述至少一个统计量与所述控制限度相比较的装置。
26.如权利要求25所述的处理系统，其中所述用于调整所述中心化系数的装置包括：
用于组合每个数据参数的适应性中心化系数的旧值与所述附加观察下每个数据参数的当前值的装置，其中所述旧值包括在所述多次观察期间数据参数的平均值。
27.如权利要求25所述的处理系统，还包括：
用于确定主成分分析模型的缩放系数的装置；
用于调整缩放系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性缩放系数的装置；以及
用于将所述更新后的适应性缩放系数应用到所述主成分分析模型中所述数据参数的每一个的装置。
28.如权利要求27所述的处理系统，其中所述用于调整所述缩放系数的装置包括：
用于将递归标准偏差过滤器应用到所述适应性缩放系数的装置，所述过滤器组合每个数据参数的适应性缩放系数的旧值、所述附加观察下每个数据参数的当前值和每个数据参数的适应性中心化系数的旧值，
其中所述适应性缩放系数的所述旧值包括所述多次观察期间所述数据参数的标准偏差，所述适应性中心化系数的所述旧值包括所述多次观察期间所述数据参数的平均值。
29.如权利要求25所述的处理系统，还包括：
用于访问所述数据、所述附加数据、所述适应性中心化系数、所述至少一个统计量和所述控制限度中的至少一个的装置。
30.如权利要求29所述的处理系统，其中所述用于访问的装置包括内联网和互联网中的至少一种。
31.如权利要求27所述的处理系统，还包括：
用于访问所述数据、所述附加数据、所述适应性中心化系数、所述适应性缩放系数、所述至少一个统计量和所述控制限度中的至少一个的装置。
32.如权利要求31所述的处理系统，其中所述用于访问的装置包括内联网和互联网中的至少一种。
33.一种监视用于在半导体制造过程期间处理衬底的处理系统的工艺性能监视系统，包括：
耦合到所述处理系统的多个传感器；和
耦合到所述多个传感器和所述处理系统的控制器，其中所述控制器包括，
用于从所述多个传感器获取多次观察的数据的装置，所述数据包括多个数据变量；
用于从所述多个传感器获取多次观察的数据的装置，所述数据包括多个数据参数；
用于从所述数据构建主成分分析模型的装置，所述模型包括中心化系数；
用于从所述多个传感器获取附加数据的装置；
用于调整所述中心化系数以产生用于所述数据参数的每一个的更新后的中心化系数的装置；
用于将所述更新后的适应性中心化系数应用到所述主成分分析模型中所述数据参数的每一个的装置；
用于利用所述主成分分析模型从所述附加数据确定至少一个统计量的装置；
用于设置用于所述至少一个统计量的控制限度的装置；以及
用于将所述至少一个统计量与所述控制限度相比较的装置。
34.如权利要求33所述的工艺性能监视系统，其中所述用于调整所述中心化系数的装置包括：
用于组合每个数据参数的适应性中心化系数的旧值与所述附加观察下每个数据参数的当前值的装置，
其中所述旧值包括在所述多次观察期间数据参数的平均值。
35.如权利要求33所述的工艺性能监视系统，还包括：
用于确定主成分分析模型的缩放系数的装置；
用于调整缩放系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性缩放系数的装置；以及
用于将所述更新后的适应性缩放系数应用到所述主成分分析模型中所述数据参数的每一个的装置。
36.如权利要求35所述的工艺性能监视系统，其中所述用于调整所述缩放系数的装置包括：
用于将递归标准偏差过滤器应用到所述适应性缩放系数的装置，
所述过滤器组合每个数据参数的适应性缩放系数的旧值、所述附加观察下每个数据参数的当前值和每个数据参数的适应性中心化系数的旧值，
其中所述适应性缩放系数的所述旧值包括所述多次观察期间所述数据参数的标准偏差，所述适应性中心化系数的所述旧值包括所述多次观察期间所述数据参数的平均值。
37.如权利要求33所述的工艺性能监视系统，还包括：
用于访问所述数据、所述附加数据、所述适应性中心化系数、所述至少一个统计量和所述控制限度中的至少一个的装置。
38.如权利要求37所述的工艺性能监视系统，其中所述用于访问的装置包括内联网和互联网中的至少一种。
39.如权利要求35所述的工艺性能监视系统，还包括：
用于访问所述数据、所述附加数据、所述适应性中心化系数、所述适应性缩放系数、所述至少一个统计量和所述控制限度中的至少一个的装置。
40.如权利要求39所述的工艺性能监视系统，其中所述用于访问的装置包括内联网和互联网中的至少一种。
41.一种监视用于在半导体制造过程期间处理衬底的第一处理系统的方法，包括：
从第二处理系统获取多次观察的数据，所述数据包括多个数据参数；
从所述数据构建用于所述第二处理系统的主成分分析模型，所述模型包括中心化系数；
从所述第一处理系统获取附加数据，所述附加数据包括所述多个数据参数的附加观察；
调整所述中心化系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性中心化系数；
将所述更新后的适应性中心化系数应用于所述主成分分析模型中所述数据参数的每一个；
利用所述主成分分析模型从所述附加数据确定至少一个统计量；
设置用于所述至少一个统计量的控制限度；以及
将所述至少一个统计量与所述控制限度相比较。
42.如权利要求41所述的方法，还包括：
确定主成分分析模型的缩放系数；
调整缩放系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性缩放系数；以及
将所述更新后的适应性缩放系数应用于所述主成分分析模型中所述数据参数的每一个。
43.一种用于分类在处理系统中的多个衬底运行过程期间发生的工艺故障的方法，包括：
监视来自所述处理系统的用于所述多个衬底运行过程内的每个衬底运行过程的多个数据参数；
利用多元分析识别所述多个衬底运行过程内发生所述工艺故障的故障衬底运行过程；
选择所述故障衬底运行过程之前的第一衬底运行过程；
计算所述第一衬底运行过程期间所述多个数据参数中每一个的第一多个平均值；
选择所述故障衬底运行过程之后的第二衬底运行过程；
计算所述第二衬底运行过程期间所述多个数据参数中每一个的第二多个平均值；
确定所述多个数据参数中每一个的在所述第一多个平均值和所述第二多个平均值之间的多个差的绝对值；
计算所述第一衬底运行过程和所述第二衬底运行过程中的至少一个衬底运行过程期间所述多个数据参数中每一个的多个标准偏差；
利用所述多个数据参数中每一个的所述多个标准偏差来归一化所述多个差；
确定所述归一化后的差的最大值；以及
识别所述多个数据参数中与所述差的所述最大值相对应的数据参数。
44.如权利要求43所述的方法，其中所述计算所述第一衬底运行过程期间所述多个数据参数中每一个的所述第一多个平均值中每一个的操作包括：
组合所述第一衬底运行过程的每个数据参数的当前值和每个数据参数的第一旧平均值，
其中所述第一旧平均值包括所述第一衬底运行过程之前的衬底运行过程期间数据参数的平均值，并且所述计算所述第二衬底运行过程期间所述多个数据参数中每一个的所述第二多个平均值中每一个的操作包括：组合所述第二衬底运行过程的每个数据参数的当前值和每个数据参数的第二旧平均值，
其中所述第二旧平均值包括所述第二衬底运行过程之前的衬底运行过程期间数据参数的平均值。
45.如权利要求44所述的方法，其中所述组合所述第一衬底运行过程期间所述数据参数的所述当前值和所述第一旧平均值的操作以及所述组合所述第二衬底运行过程期间所述数据参数的所述当前值和所述第二旧平均值的操作包括：
应用指数加权移动平均过滤器。
46.一种用于分类在处理系统中的多个衬底运行过程期间发生的工艺故障的方法，包括：
监视来自所述处理系统的用于所述多个衬底运行过程内的每个衬底运行过程的多个数据参数；
利用多元分析识别所述多个衬底运行过程内发生所述工艺故障的故障衬底运行过程；
选择所述故障衬底运行过程之前的第一衬底运行过程；
计算所述第一衬底运行过程期间所述多个数据参数中每一个的第一多个标准偏差；
选择所述故障衬底运行过程之后的第二衬底运行过程；
计算所述第二衬底运行过程期间所述多个数据参数中每一个的第二多个标准偏差；
确定所述多个数据参数中每一个的在所述第一多个标准偏差和所述第二多个标准偏差之间的多个差的绝对值；
计算所述第一衬底运行过程和所述第二衬底运行过程中的一个衬底运行过程期间所述多个数据参数中每一个的多个平均值；
利用所述多个数据参数中每一个的所述多个平均值来归一化所述多个差；
确定所述归一化后的差的最大值；以及
识别所述多个数据参数中与所述差的所述最大值相对应的数据参数。
47.一种包含用于在计算机系统上执行的程序指令的计算机可读介质，所述程序指令当被计算机系统执行时，使计算机系统执行以下步骤：
从所述处理系统获取多次观察的数据，所述数据包括多个数据参数；
从所述数据构建主成分分析模型，所述模型包括中心化系数；
从所述处理系统获取附加数据，所述附加数据包括所述多个数据参数的附加观察；
调整所述中心化系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性中心化系数；
将所述更新后的适应性中心化系数应用于所述主成分分析模型中所述数据参数的每一个；
利用所述主成分分析模型从所述附加数据确定至少一个统计量；
设置用于所述至少一个统计量的控制限度；以及
将所述至少一个统计量与所述控制限度相比较。
48.一种包含用于在计算机系统上执行的程序指令的计算机可读介质，所述程序指令当被计算机系统执行时，使计算机系统执行以下步骤：
从第二处理系统获取多次观察的数据，所述数据包括多个数据参数；
从所述数据构建用于所述第二处理系统的主成分分析模型，所述模型包括中心化系数；
从第一处理系统获取附加数据，所述附加数据包括所述多个数据参数的附加观察；
调整所述中心化系数以产生用于所述主成分分析模型中所述数据参数的每一个的更新后的适应性中心化系数；
将所述更新后的适应性中心化系数应用于所述主成分分析模型中所述数据参数的每一个；
利用所述主成分分析模型从所述附加数据确定至少一个统计量；
设置用于所述至少一个统计量的控制限度；以及
将所述至少一个统计量与所述控制限度相比较。
49.一种包含用于在计算机系统上执行的程序指令的计算机可读介质，所述程序指令当被计算机系统执行时，使计算机系统执行以下步骤：
监视来自所述处理系统的用于所述多个衬底运行过程内的每个衬底运行过程的多个数据参数；
利用多元分析识别所述多个衬底运行过程内发生所述工艺故障的故障衬底运行过程；
选择所述故障衬底运行过程之前的第一衬底运行过程；
计算所述第一衬底运行过程期间所述多个数据参数中每一个的第一多个平均值；
选择所述故障衬底运行过程之后的第二衬底运行过程；
计算所述第二衬底运行过程期间所述多个数据参数中每一个的第二多个平均值；
确定所述多个数据参数中每一个的在所述第一多个平均值和所述第二多个平均值之间的多个差的绝对值；
计算所述第一衬底运行过程和所述第二衬底运行过程中的至少一个衬底运行过程期间所述多个数据参数中每一个的多个标准偏差；
利用所述多个数据参数中每一个的所述多个标准偏差来归一化所述多个差；
确定所述归一化后的差的最大值；以及
识别所述多个数据参数中与所述差的所述最大值相对应的数据参数。
50.一种包含用于在计算机系统上执行的程序指令的计算机可读介质，所述程序指令当被计算机系统执行时，使计算机系统执行以下步骤：
监视来自所述处理系统的用于所述多个衬底运行过程内的每个衬底运行过程的多个数据参数；
利用多元分析识别所述多个衬底运行过程内发生所述工艺故障的故障衬底运行过程；
选择所述故障衬底运行过程之前的第一衬底运行过程；
计算所述第一衬底运行过程期间所述多个数据参数中每一个的第一多个标准偏差；
选择所述故障衬底运行过程之后的第二衬底运行过程；
计算所述第二衬底运行过程期间所述多个数据参数中每一个的第二多个标准偏差；
确定所述多个数据参数中每一个的在所述第一多个标准偏差和所述第二多个标准偏差之间的多个差的绝对值；
计算所述第一衬底运行过程和所述第二衬底运行过程中的一个衬底运行过程期间所述多个数据参数中每一个的多个平均值；
利用所述多个数据参数中每一个的所述多个平均值来归一化所述多个差；
确定所述归一化后的差的最大值；以及
识别所述多个数据参数中与所述差的所述最大值相对应的数据参数。
CNB2004800264199A 2003-09-12 2004-08-27 使用适应性多元分析诊断处理系统的方法和系统 Active CN100476798C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/660,697 US7328126B2 (en) 2003-09-12 2003-09-12 Method and system of diagnosing a processing system using adaptive multivariate analysis
US10/660,697 2003-09-12

Publications (2)

Publication Number Publication Date
CN1849599A true CN1849599A (zh) 2006-10-18
CN100476798C CN100476798C (zh) 2009-04-08

Family

ID=34273706

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2004800264199A Active CN100476798C (zh) 2003-09-12 2004-08-27 使用适应性多元分析诊断处理系统的方法和系统

Country Status (7)

Country Link
US (1) US7328126B2 (zh)
EP (1) EP1665076A4 (zh)
JP (1) JP4699367B2 (zh)
KR (1) KR101047971B1 (zh)
CN (1) CN100476798C (zh)
TW (1) TWI261738B (zh)
WO (1) WO2005036314A2 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102301289A (zh) * 2009-01-23 2011-12-28 Mks仪器股份有限公司 用多变量模型控制制造工艺
CN103472732A (zh) * 2013-09-27 2013-12-25 上海交通大学 一种改进的基于马氏距离的多变量控制器性能监控方法
TWI463426B (zh) * 2012-09-25 2014-12-01 China Steel Corp Integrated Process Monitoring Method and Its System
CN101536002B (zh) * 2006-11-03 2015-02-04 气体产品与化学公司 用于工艺监控的系统和方法
CN106647274A (zh) * 2016-12-28 2017-05-10 中南大学 一种连续生产过程中运行工况稳态判别方法
CN106771697A (zh) * 2015-11-20 2017-05-31 财团法人工业技术研究院 设备的故障评估方法与故障评估装置
CN109933049A (zh) * 2019-03-29 2019-06-25 国网山东省电力公司费县供电公司 一种电力调度日志故障分类方法及系统
TWI676158B (zh) * 2017-05-26 2019-11-01 日商羅姆電子股份有限公司 信號燈監視器
TWI708275B (zh) * 2018-08-21 2020-10-21 日商日立全球先端科技股份有限公司 狀態預測裝置及半導體製造裝置

Families Citing this family (92)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020191102A1 (en) * 2001-05-31 2002-12-19 Casio Computer Co., Ltd. Light emitting device, camera with light emitting device, and image pickup method
JP2004240628A (ja) * 2003-02-05 2004-08-26 Yokogawa Electric Corp 生産プロセスの評価方法及び評価装置
US8676538B2 (en) * 2004-11-02 2014-03-18 Advanced Micro Devices, Inc. Adjusting weighting of a parameter relating to fault detection based on a detected fault
US7404123B1 (en) * 2005-03-28 2008-07-22 Lam Research Corporation Automated test and characterization data analysis methods and arrangement
WO2007008538A2 (en) * 2005-07-07 2007-01-18 Mks Instruments, Inc. Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments
JP4712462B2 (ja) * 2005-07-11 2011-06-29 東京エレクトロン株式会社 基板処理監視装置、基板処理監視システム、基板処理監視プログラム及び記録媒体
US7467064B2 (en) * 2006-02-07 2008-12-16 Timbre Technologies, Inc. Transforming metrology data from a semiconductor treatment system using multivariate analysis
US7523021B2 (en) * 2006-03-08 2009-04-21 Tokyo Electron Limited Weighting function to enhance measured diffraction signals in optical metrology
US9158941B2 (en) * 2006-03-16 2015-10-13 Arm Limited Managing access to content in a data processing apparatus
US7587296B2 (en) * 2006-05-07 2009-09-08 Applied Materials, Inc. Adaptive multivariate fault detection
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
US8145358B2 (en) 2006-07-25 2012-03-27 Fisher-Rosemount Systems, Inc. Method and system for detecting abnormal operation of a level regulatory control loop
US7912676B2 (en) * 2006-07-25 2011-03-22 Fisher-Rosemount Systems, Inc. Method and system for detecting abnormal operation in a process plant
US8606544B2 (en) * 2006-07-25 2013-12-10 Fisher-Rosemount Systems, Inc. Methods and systems for detecting deviation of a process variable from expected values
US7657399B2 (en) * 2006-07-25 2010-02-02 Fisher-Rosemount Systems, Inc. Methods and systems for detecting deviation of a process variable from expected values
US8762106B2 (en) * 2006-09-28 2014-06-24 Fisher-Rosemount Systems, Inc. Abnormal situation prevention in a heat exchanger
US20080120060A1 (en) * 2006-09-29 2008-05-22 Fisher-Rosemount Systems, Inc. Detection of catalyst losses in a fluid catalytic cracker for use in abnormal situation prevention
US7917240B2 (en) * 2006-09-29 2011-03-29 Fisher-Rosemount Systems, Inc. Univariate method for monitoring and analysis of multivariate data
WO2008042757A2 (en) * 2006-09-29 2008-04-10 Fisher-Rosemount Systems, Inc. Univariate method for monitoring and analysis of multivariate data
US20080140345A1 (en) * 2006-12-07 2008-06-12 International Business Machines Corporation Statistical summarization of event data
US8103481B2 (en) * 2006-12-12 2012-01-24 International Business Machines Corporation Processing irregularly occuring data events in real time
US8032341B2 (en) 2007-01-04 2011-10-04 Fisher-Rosemount Systems, Inc. Modeling a process using a composite model comprising a plurality of regression models
US20080167842A1 (en) * 2007-01-04 2008-07-10 Honeywell International Inc. Method and system for detecting, analyzing and subsequently recognizing abnormal events
US8032340B2 (en) * 2007-01-04 2011-10-04 Fisher-Rosemount Systems, Inc. Method and system for modeling a process variable in a process plant
US7827006B2 (en) * 2007-01-31 2010-11-02 Fisher-Rosemount Systems, Inc. Heat exchanger fouling detection
US7630859B2 (en) * 2007-05-01 2009-12-08 Verity Instruments, Inc. Method and apparatus for reducing the effects of window clouding on a viewport window in a reactive environment
WO2008137544A1 (en) * 2007-05-02 2008-11-13 Mks Instruments, Inc. Automated model building and model updating
US7765020B2 (en) * 2007-05-04 2010-07-27 Applied Materials, Inc. Graphical user interface for presenting multivariate fault contributions
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
KR100885187B1 (ko) * 2007-05-10 2009-02-23 삼성전자주식회사 플라즈마 챔버의 상태를 모니터링하는 방법 및 시스템
KR100928205B1 (ko) * 2007-06-05 2009-11-25 삼성전자주식회사 반도체 제조설비 관리시스템 및 그의 통계적 공정 관리방법
US8301676B2 (en) * 2007-08-23 2012-10-30 Fisher-Rosemount Systems, Inc. Field device with capability of calculating digital filter coefficients
US7702401B2 (en) 2007-09-05 2010-04-20 Fisher-Rosemount Systems, Inc. System for preserving and displaying process control data associated with an abnormal situation
US8055479B2 (en) 2007-10-10 2011-11-08 Fisher-Rosemount Systems, Inc. Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process
US8271122B2 (en) 2008-03-07 2012-09-18 Mks Instruments, Inc. Process control using process data and yield data
US7622308B2 (en) * 2008-03-07 2009-11-24 Mks Instruments, Inc. Process control using process data and yield data
DE102008021558A1 (de) * 2008-04-30 2009-11-12 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System für die Halbleiterprozesssteuerung und Überwachung unter Verwendung von PCA-Modellen mit reduzierter Grösse
US20090282296A1 (en) * 2008-05-08 2009-11-12 Applied Materials, Inc. Multivariate fault detection improvement for electronic device manufacturing
US8335582B2 (en) * 2008-05-19 2012-12-18 Applied Materials, Inc. Software application to analyze event log and chart tool fail rate as function of chamber and recipe
KR101504594B1 (ko) * 2008-08-28 2015-03-23 삼성전자주식회사 반도체 소자의 누설전류 예측 방법
US8494798B2 (en) * 2008-09-02 2013-07-23 Mks Instruments, Inc. Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection
US8527080B2 (en) * 2008-10-02 2013-09-03 Applied Materials, Inc. Method and system for managing process jobs in a semiconductor fabrication facility
US8643539B2 (en) * 2008-11-19 2014-02-04 Nokomis, Inc. Advance manufacturing monitoring and diagnostic tool
DE102009006887B3 (de) * 2009-01-30 2010-07-15 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes
US8989887B2 (en) 2009-02-11 2015-03-24 Applied Materials, Inc. Use of prediction data in monitoring actual production targets
US8983631B2 (en) * 2009-06-30 2015-03-17 Lam Research Corporation Arrangement for identifying uncontrolled events at the process module level and methods thereof
US8855804B2 (en) 2010-11-16 2014-10-07 Mks Instruments, Inc. Controlling a discrete-type manufacturing process with a multivariate model
SG190883A1 (en) * 2010-11-26 2013-07-31 Heung Seob Koo Representative-value calculating device and method
US9295148B2 (en) * 2012-12-14 2016-03-22 Lam Research Corporation Computation of statistics for statistical data decimation
US9541471B2 (en) 2012-04-06 2017-01-10 Mks Instruments, Inc. Multivariate prediction of a batch manufacturing process
US9429939B2 (en) 2012-04-06 2016-08-30 Mks Instruments, Inc. Multivariate monitoring of a batch manufacturing process
JP5739841B2 (ja) * 2012-06-13 2015-06-24 株式会社東芝 電子デバイスの生産管理装置、生産管理システム及び生産管理プログラム
US8917261B2 (en) * 2012-06-26 2014-12-23 Atmel Corporation Pixel occlusion mitigation
KR101780874B1 (ko) 2012-10-17 2017-09-21 도쿄엘렉트론가부시키가이샤 다변량 분석을 이용한 플라즈마 에칭 종료점 검출
FR3003034B1 (fr) * 2013-03-05 2017-09-08 Polyor Sarl Protocole pour la preconisation et le dosage de la fertilisation phospho-potassique et magnesique (pkmg) de cultures agronomiques
US9400944B2 (en) * 2013-03-11 2016-07-26 Sas Institute Inc. Space dilating two-way variable selection
JP6173851B2 (ja) 2013-09-20 2017-08-02 株式会社日立ハイテクノロジーズ 分析方法およびプラズマエッチング装置
US10431428B2 (en) 2014-01-10 2019-10-01 Reno Technologies, Inc. System for providing variable capacitance
KR101522385B1 (ko) * 2014-05-02 2015-05-26 연세대학교 산학협력단 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
FR3029620B1 (fr) * 2014-12-05 2019-06-14 Safran Aircraft Engines Procede de suivi de la fabrication de pieces base sur l'analyse simultanee d'indicateurs statistiques
FR3029622B1 (fr) * 2014-12-05 2019-06-14 Safran Aircraft Engines Procede de suivi de la fabrication de pieces base sur l'analyse de coefficients de centrage
CN104714537B (zh) * 2015-01-10 2017-08-04 浙江大学 一种基于联合相对变化分析和自回归模型的故障预测方法
CN104777831B (zh) * 2015-04-09 2017-11-17 武汉船用机械有限责任公司 一种液压式潜液泵系统的故障诊断方法
WO2017014210A1 (ja) * 2015-07-21 2017-01-26 東京エレクトロン株式会社 プラズマ処理装置及びプラズマ処理方法
US10395895B2 (en) 2015-08-27 2019-08-27 Mks Instruments, Inc. Feedback control by RF waveform tailoring for ion energy distribution
US10656102B2 (en) 2015-10-22 2020-05-19 Battelle Memorial Institute Evaluating system performance with sparse principal component analysis and a test statistic
WO2017087378A1 (en) 2015-11-16 2017-05-26 Tokyo Electron Limited Advanced optical sensor and method for plasma chamber
US20170245361A1 (en) * 2016-01-06 2017-08-24 Nokomis, Inc. Electronic device and methods to customize electronic device electromagnetic emissions
US10521774B2 (en) * 2016-03-22 2019-12-31 Asm Ip Holding B.V. Preventive maintenance system and preventive maintenance method
US10773282B2 (en) 2016-03-31 2020-09-15 Tokyo Electron Limited Controlling dry etch process characteristics using waferless dry clean optical emission spectroscopy
US10453653B2 (en) 2016-09-02 2019-10-22 Tokyo Electron Limited Endpoint detection algorithm for atomic layer etching (ALE)
US10804821B2 (en) * 2016-11-04 2020-10-13 Advanced Ion Beam Technology, Inc. Apparatus and method for monitoring the relative relationship between the wafer and the chuck
KR102520779B1 (ko) 2016-11-18 2023-04-11 도쿄엘렉트론가부시키가이샤 제조 공정에서 입자 유도 아크 검출을 위한 조성 발광 분광법
US10606253B2 (en) * 2017-02-08 2020-03-31 United Microelectronics Corp. Method of monitoring processing system for processing substrate
US10448864B1 (en) 2017-02-24 2019-10-22 Nokomis, Inc. Apparatus and method to identify and measure gas concentrations
SG11201908533PA (en) 2017-03-17 2019-10-30 Tokyo Electron Ltd Surface modification control for etch metric enhancement
FR3066289B1 (fr) * 2017-05-09 2021-03-19 Quantics Tech Procede, mise en oeuvre par ordinateur, de recherche de regles d'association dans une base de donnees
US11476091B2 (en) 2017-07-10 2022-10-18 Reno Technologies, Inc. Impedance matching network for diagnosing plasma chamber
US11521833B2 (en) 2017-07-10 2022-12-06 Reno Technologies, Inc. Combined RF generator and RF solid-state matching network
US11489847B1 (en) 2018-02-14 2022-11-01 Nokomis, Inc. System and method for physically detecting, identifying, and diagnosing medical electronic devices connectable to a network
JP7139734B2 (ja) * 2018-07-09 2022-09-21 日新電機株式会社 異常検知方法及び異常検知システム
JP7068583B2 (ja) * 2018-09-20 2022-05-17 日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法およびプログラム
US10976718B2 (en) * 2019-03-06 2021-04-13 Honeywell Limited System and method for monitoring changes in process dynamic behavior by mapping parameters to a lower dimensional space
CN110109435B (zh) * 2019-05-22 2020-07-24 杭州电子科技大学 一种改进两步子空间划分的在线监测方法
CN113924474A (zh) 2019-05-23 2022-01-11 东京毅力科创株式会社 使用高光谱成像的半导体过程的光学诊断
US10910201B1 (en) 2019-08-22 2021-02-02 Tokyo Electron Limited Synthetic wavelengths for endpoint detection in plasma etching
JP7450358B2 (ja) * 2019-09-25 2024-03-15 東京エレクトロン株式会社 基板処理制御方法、基板処理装置、及び記憶媒体
US11293981B2 (en) 2020-01-15 2022-04-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for false-positive reduction in power electronic device evaluation
CN110987436B (zh) * 2020-03-05 2020-06-09 天津开发区精诺瀚海数据科技有限公司 基于激励机制的轴承故障诊断方法
TWI742693B (zh) 2020-05-26 2021-10-11 國立中正大學 感測器安裝最佳化裝置及其方法
US11893004B2 (en) 2020-08-26 2024-02-06 Ford Global Technologies, Llc Anomaly detection in multidimensional sensor data
CN112463264B (zh) * 2020-12-11 2022-12-09 西安交通大学 一种用于反应堆破口事故分析程序的交互功能实现方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5442562A (en) 1993-12-10 1995-08-15 Eastman Kodak Company Method of controlling a manufacturing process using multivariate analysis
SE9304246L (sv) * 1993-12-22 1995-06-23 Asea Brown Boveri Förfarande vid övervakning av multivariata processer
US5796606A (en) * 1996-02-07 1998-08-18 Noranda Inc. Process information and maintenance system for distributed control systems
US6153115A (en) * 1997-10-23 2000-11-28 Massachusetts Institute Of Technology Monitor of plasma processes with multivariate statistical analysis of plasma emission spectra
JP2000114338A (ja) * 1998-09-30 2000-04-21 Mitsubishi Electric Corp 半導体装置の特性変動評価方法、特性変動評価装置および特性変動評価プログラムを記憶した記録媒体
JP2000252179A (ja) * 1999-03-04 2000-09-14 Hitachi Ltd 半導体製造プロセス安定化支援システム
US6442445B1 (en) * 1999-03-19 2002-08-27 International Business Machines Corporation, User configurable multivariate time series reduction tool control method
US6368975B1 (en) * 1999-07-07 2002-04-09 Applied Materials, Inc. Method and apparatus for monitoring a process by employing principal component analysis
US6675137B1 (en) * 1999-09-08 2004-01-06 Advanced Micro Devices, Inc. Method of data compression using principal components analysis
US6470230B1 (en) * 2000-01-04 2002-10-22 Advanced Micro Devices, Inc. Supervisory method for determining optimal process targets based on product performance in microelectronic fabrication
AU4733601A (en) * 2000-03-10 2001-09-24 Cyrano Sciences Inc Control for an industrial process using one or more multidimensional variables
GB0007063D0 (en) * 2000-03-23 2000-05-10 Simsci Limited Mulitvariate statistical process monitors
US6622059B1 (en) * 2000-04-13 2003-09-16 Advanced Micro Devices, Inc. Automated process monitoring and analysis system for semiconductor processing
US6636862B2 (en) * 2000-07-05 2003-10-21 Camo, Inc. Method and system for the dynamic analysis of data
WO2002023289A2 (en) 2000-09-15 2002-03-21 Advanced Micro Devices, Inc. Adaptive sampling method for improved control in semiconductor manufacturing
US6549864B1 (en) 2001-08-13 2003-04-15 General Electric Company Multivariate statistical process analysis systems and methods for the production of melt polycarbonate
CN100419983C (zh) * 2003-05-16 2008-09-17 东京毅力科创株式会社 处理系统健康指数及其使用方法
US6952657B2 (en) * 2003-09-10 2005-10-04 Peak Sensor Systems Llc Industrial process fault detection using principal component analysis

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101536002B (zh) * 2006-11-03 2015-02-04 气体产品与化学公司 用于工艺监控的系统和方法
CN102301289A (zh) * 2009-01-23 2011-12-28 Mks仪器股份有限公司 用多变量模型控制制造工艺
TWI463426B (zh) * 2012-09-25 2014-12-01 China Steel Corp Integrated Process Monitoring Method and Its System
CN103472732A (zh) * 2013-09-27 2013-12-25 上海交通大学 一种改进的基于马氏距离的多变量控制器性能监控方法
CN106771697A (zh) * 2015-11-20 2017-05-31 财团法人工业技术研究院 设备的故障评估方法与故障评估装置
US10281362B2 (en) 2015-11-20 2019-05-07 Industrial Technology Research Institute Method and device of measuring breakdown status of equipment
CN106771697B (zh) * 2015-11-20 2020-12-15 财团法人工业技术研究院 设备的故障评估方法与故障评估装置
CN106647274A (zh) * 2016-12-28 2017-05-10 中南大学 一种连续生产过程中运行工况稳态判别方法
CN106647274B (zh) * 2016-12-28 2018-05-18 中南大学 一种连续生产过程中运行工况稳态判别方法
TWI676158B (zh) * 2017-05-26 2019-11-01 日商羅姆電子股份有限公司 信號燈監視器
TWI708275B (zh) * 2018-08-21 2020-10-21 日商日立全球先端科技股份有限公司 狀態預測裝置及半導體製造裝置
CN109933049A (zh) * 2019-03-29 2019-06-25 国网山东省电力公司费县供电公司 一种电力调度日志故障分类方法及系统

Also Published As

Publication number Publication date
WO2005036314A3 (en) 2005-11-10
WO2005036314A2 (en) 2005-04-21
TW200515112A (en) 2005-05-01
JP4699367B2 (ja) 2011-06-08
KR20060123098A (ko) 2006-12-01
US7328126B2 (en) 2008-02-05
EP1665076A2 (en) 2006-06-07
EP1665076A4 (en) 2007-06-20
US20050060103A1 (en) 2005-03-17
JP2007505494A (ja) 2007-03-08
KR101047971B1 (ko) 2011-07-13
CN100476798C (zh) 2009-04-08
TWI261738B (en) 2006-09-11

Similar Documents

Publication Publication Date Title
CN1849599A (zh) 使用适应性多元分析诊断处理系统的方法和系统
CN1299226C (zh) 用于监视和控制气体等离子体处理的系统和方法
CN1914618A (zh) 用于多批次控制的方法和系统
EP1639632B1 (en) Method of monitoring a processing system
CN107689318A (zh) 监测等离子体处理系统和工艺与工具控制的方法和系统
CN109075066A (zh) 使用无晶片干式清洗发射光谱来控制干式蚀刻过程特征
TW201838053A (zh) 由光譜之時間序列的特徵部抽取以控制程序終點的方法
CN104040679A (zh) 自适应配方选择器
CN1860487A (zh) 使用第一原理仿真分析半导体处理工具执行的处理的系统和方法
CN1860440A (zh) 用于工具上半导体仿真的系统和方法
WO2005111265A1 (en) Method and system of dry cleaning a processing chamber
CN1608315A (zh) 等离子体处理装置
CN1659690A (zh) 处理装置的多变量解析模型式作成方法、处理装置用的多变量解析方法、处理装置的控制装置、处理装置的控制系统
US10910201B1 (en) Synthetic wavelengths for endpoint detection in plasma etching
JP2021068682A (ja) 制御方法及びプラズマ処理装置
US7211196B2 (en) Method and system of discriminating substrate type

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant