JP2004355330A - Diagnostic device and diagnostic method - Google Patents

Abstract

An object of the present invention is to accurately and accurately detect an abnormality in a semiconductor manufacturing apparatus even in detection using many sensors.
When a sensor information acquisition unit acquires signal data from a plurality of sensors indicating an operation state of a semiconductor manufacturing apparatus at predetermined time intervals, a storage unit is provided. , 30-m under normal operating conditions of the semiconductor manufacturing apparatus 20, a data group consisting of normal signal data obtained by the sensors 30-1, 30-2,. Are weighted for each of the sensors 30-1, 30-2,..., 30-m, and a distance indicating a deviation from the normal signal data is calculated.
[Selection diagram] Fig. 1

Description

【００２５】
但し、Ｘ_{ｊ（ＶＳ）}＝ｋ_ｊＸ_ｊ／σ_ｊ、Ｓ_{ｉｊ（ＶＳ）}＝ｋ_ｊＳ_ｉｊ／σ_ｊである。
ここで、ｋ_ｊは、ｊ番目のセンサの重み付け係数であり、σ_ｊは正常動作状態のもとで取得して記憶されているデータ群のｊ番目のセンサの標準偏差を表している。
【００２６】
このように、センサごとに所定の重み付け係数をかけて距離を求めることで、重み付けを大きくしたセンサからの信号データによるずれが強調される。これにより、重み付けを大きくしたセンサについて、異常値を感度よく検出することができる。また、標準偏差σ_ｊで割ることによって、分散の大きなセンサのデータが距離に支配的な影響を与えるのを取り除くことができる。
【００２７】
本発明の実施の形態では、次に、ｋ−最近傍法により、正常状態のもとで取得して記憶されているデータ群の全てのサンプル（ｐ個）に対して、式（１）より距離の２乗Ｄ_ｉ ^２を計算し、その値が小さい順に（類似度の高い順に）ノイズの影響を踏まえてｋ個（１つ以上）のサンプルを選択する。
【００２８】
図４は、距離が小さい順に選択したｋ個のサンプルを示す図である。
図のように、距離がもっとも小さい“Ｄ_１’ ^２”となる正常時のサンプル“Ｓ_１’１，Ｓ_１’２，Ｓ_１’３，…，Ｓ_１’ｍ”から、距離がｋ番目に小さい“Ｄ_ｉ’ ^２”となる正常時のサンプル“Ｓ_ｉ’１，Ｓ_ｉ’２，Ｓ_ｉ’３，…，Ｓ_ｉ’ｍ”まで、ｋ個のサンプルを選択する。
【００２９】
その後、ｋ個の正常時のサンプルを用いて、装置が正常であるときのセンサごとの予測値の候補Ｐ_ｉｊ（１≦ｉ≦ｋ）を、例えば、以下の式により計算する。
【００３０】
【数２】

【００３１】
式（２）を全てのセンサについて計算すると（Ｐ_ｉ１，Ｐ_ｉ２，Ｐ_ｉ３，…，Ｐ_ｉｍ）という予測値の候補が得られる。
さらに、リアルタイムに時刻ｔにおいて取得した信号データ（Ｘ_１，Ｘ_２，Ｘ_３，…，Ｘ_ｍ）と、予測値の候補（Ｐ_ｉ１，Ｐ_ｉ２，Ｐ_ｉ３，…，Ｐ_ｉｍ）との距離の２乗を以下の式により計算する。
【００３２】
【数３】

【００３３】
式（３）において、Ｘ_{ｊ（ＶＳ）}＝ｋ_ｊＸ_ｊ／σ_ｊ、Ｐ_{ｉｊ（ＶＳ）}＝ｋ_ｊＰ_ｉｊ／σ_ｊである。なお、ｋ_ｊ及びσ_ｊは前述の重み付け係数と、標準偏差である。
この式（３）において、距離の２乗Ｄ_ｉ ^２が最も小さくなる（Ｐ_ｉ１，Ｐ_ｉ２，Ｐ_ｉ３，…，Ｐ_ｉｍ）を予測値とする。
【００３４】
次に、上記のようにして計算した予測値を、正常動作状態のもとで取得して記憶されているサンプルのデータ群に対して適用（クロスバリデーション：ｉ番目のサンプルを測定値として残りのｐ−１個のサンプルをデータ群として予測値を算出）することにより、ｉ＝１からｐまでのｐ個の予測値を求める。また、残差Δｊ（測定値と予測値の差）をセンサごとに計算する。さらに、センサごとに残差の平均値Ａｖｅ_Ｒｅｓｊと標準偏差σ_Ｒｅｓｊを求める。
【００３５】
装置が正常動作を行っている状態からのトータルのずれを表す指標を性能指数ＰＩ（パフォーマンス・インデックス）と呼ぶと、性能指数ＰＩは以下の式により算出される。
【００３６】
【数４】

【００３７】
ここで、Δ_ｊはｊ番目のセンサの時刻ｔに取得した信号データの測定値と予測値の差を表している。複数のセンサの測定値が全て正常動作状態の値からずれていない場合には、性能指数ＰＩはゼロに近い値となり、正常状態の値からのずれが大きくなるにつれてＰＩは正の大きな値を持つようになる。従って、予め所定の閾値を設定しておいて、その値を超えた場合に異常と判断し、アラームを出力するようにすればよい。
【００３８】
また、センサへの重み付け係数が全て同じ場合（例えば、全てｋ_ｊ＝１）には、各センサは式（１）、式（３）のように正常動作時の各々のセンサの標準偏差の逆数での重み付けとなり、ばらつきの小さなセンサほど重みが大きくなり、変動に対するＰＩの感度が高くなる。それに対し、変動に対する感度を上げたいセンサには重み付け係数ｋ_ｊを大きく設定し、感度を下げたいセンサには重み付け係数を小さく設定することにより、ｋ_ｊの大小に応じて標準偏差σ_Ｒｅｓｊが変わるため自由に、感度を調整することができる。
【００３９】
ここで、図２で示したプラズマエッチング装置の装置状態を診断する診断システムにおいて、図３で示した３種類のセンサ値（圧力、電圧、流量）の時間変化から、上記の式（１）〜（４）により算出された性能指数ＰＩの例を示す。
【００４０】
図５は、センサへの重み付け係数を等しくした場合の性能指数ＰＩの時間変化を示す図である。
重み付け係数ｋ_ｊを等しくした場合、例えば、３種類のセンサへの重み付け係数が全てｋ_ｊ＝１であるような場合、図のように、図３で示したセンサ値の全ての変動を受けており、個々のセンサの変動に対する感度は低いことが分かる。
【００４１】
図６は、３種類のセンサ値のうち圧力と電圧の重み付け係数を大きくした場合の性能指数ＰＩの時間変化を示す図である。
図６では、センサへの重み付けの比率を、圧力１０：電圧５：流量１としている。これにより、圧力異常（図中のＥ１）の場合に性能指数ＰＩは最も大きくなり、電圧異常（図中のＥ２）の場合はその半分程度になり、重み付け係数の大きなセンサほど異常値に対する検出感度が高くなることが分かる。
【００４２】
図７は、３種類のセンサ値のうち圧力のみの重み付け係数を大きくした場合の性能指数ＰＩの時間変化を示す図である。
図７では、センサへの重み付けの比率を、圧力１０：電圧１：流量１として、圧力のみ比率を大きくしている。この場合、図のように、圧力異常（図中のＥ３）のみを高感度に検出できるようになることが分かる。
【００４３】
このように、変動に対する感度を上げたいセンサには重み付け係数ｋ_ｊを大きく設定し、感度を下げたいセンサには重み付け係数ｋ_ｊを小さく設定することにより、自由に検出感度を調整することができる。これによって、異なる重要度を持つ複数のセンサに対して、重要度に応じて確実に精度よく異常を検出することが可能になる。
【００４４】
なお、上記では半導体製造装置としてプラズマエッチング装置を例にして説明したがこれに限らない。例えば、ＣＭＰ（Ｃｈｅｍｉｃａｌ Ｍｅｃｈａｎｉｃａｌ Ｐｏｌｉｓｈｉｎｇ）装置や、ＣＶＤ（Ｃｈｅｍｉｃａｌ Ｖａｐｏｒ Ｄｅｐｏｓｉｔｉｏｎ）装置などを用いてもよい。
【００４５】
なお、上記では、半導体製造装置が正常動作状態のもとで取得して記憶されているデータ群（Ｓ_１１，Ｓ_１２，Ｓ_１３，…，Ｓ_ｐｍ）を用いているが、データ空間のサンプル間の座標空間距離に応じて、サンプル数を最適化するとデータ量の削減や計算時間の短縮のためによい。
【００４６】
以下サンプル数の削減処理について説明する。
ｐ個のサンプル配列に対して以下に示すような計算処理を行う。
まず、ｍ個のセンサの１番目のセンサの信号データに対してソートを行う。
【００４７】
次に、ａ番目とｂ（＝ａ＋１）番目のサンプル間の次式で示す距離の２乗Ｄ_ａｂ ^２を、ａ＝１、ｂ＝２から順番に計算し、予め設定した所定の閾値Ｄ_ｔｈ ^２と比較する。
【００４８】
【数５】

【００４９】
但し、Ｘ_{ｉｊ（ＶＳ）}＝Ｘ_ｉｊ／σ_ｊである。
ここで、もしＤ_１２ ^２≧Ｄ_ｔｈ ^２ならば、ａ＝ａ＋１、ｂ＝ｂ＋１として再び式（５）を計算し、もしＤ_１２ ^２＜Ｄ_ｔｈ ^２ならば、２番目のサンプルを削除し、ｂ＝ｂ＋１として式（５）でＤ_１３を計算する。
【００５０】
この処理をｂが最終行のサンプルになるまで繰り返し行う。
上記の処理をｍ番目の全てのセンサの信号データに対して行う。
このようにして、閾値Ｄ_ｔｈ ^２を所定の値に設定すれば、記憶されているデータ群のサンプル数を自動的かつ最適に削減できる。
【００５１】
以上説明してきた診断装置３００は、例えばコンピュータであり、以下のようなハードウェア構成で実現できる。
図８は、診断装置のハードウェア構成例である。
【００５２】
診断装置３００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３０２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３０３、ハードディスク３０４、グラフィック処理部３０５、入力Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０６及び通信Ｉ／Ｆ３０７などによって構成され、これらはバス３０８を介して相互に接続されている。
【００５３】
ここで、ＣＰＵ３０１は、ハードディスク３０４に格納されているプログラムに応じて各部を制御する。また、上述してきた各種の計算を行う。
ＲＯＭ３０２は、ＣＰＵ３０１が実行する基本的なプログラムやデータを格納している。
【００５４】
ＲＡＭ３０３は、ＣＰＵ３０１が実行途中のプログラムや、演算途中のデータを一時的に格納する。
ハードディスク３０４は、ＣＰＵ３０１が実行するＯＳや、装置状態の診断を行うアプリケーションプログラムなどが格納される。また、前述したように半導体製造装置（図２で示したようなプラズマエッチング装置など）の正常動作状態のもとで取得した各センサのデータ群が、サンプルとして記憶されている。
【００５５】
グラフィック処理部３０５には、ディスプレイなどの表示装置３０５ａが接続されており、ＣＰＵ３０１からの描画命令に従って、表示装置３０５ａの画面上に画像を表示させる。
【００５６】
入力Ｉ／Ｆ３０６には、マウス３０６ａやキーボード３０６ｂが接続されており、例えば、診断装置３００の管理者により入力された情報を受信し、バス３０８を介してＣＰＵ３０１に送信する。
【００５７】
通信Ｉ／Ｆ３０７には、ＳＥＣＳ通信で装置制御用コンピュータ２００を介して各種センサ情報がリアルタイムで入力される。
上記のような、ハードウェア構成により本発明の実施の形態の処理が実現される。
【００５８】
以下、診断装置３００での診断処理を、フローチャートを用いてまとめ、本発明の実施の形態の診断方法を説明する。
図９は、本発明の実施の形態の診断方法の処理の流れを説明するフローチャートである。
【００５９】
通信Ｉ／Ｆ３０７でセンサからのリアルタイムの信号データを入力すると（ステップＳ１）、次に、ＣＰＵ３０１の制御のもとセンサごとに重み付けの設定を行う（ステップＳ２）。なお、重み付けは、管理者によるマウス３０６ａやキーボード３０６ｂによる入力により、重要度の高い検出感度を上げるべきセンサの重み付け係数を大きくするなどして、重み付けを設定するようにしてもよい。また、予めデータベース（ハードディスク３０４など）に、プロセスに応じた各センサの重み付け係数を格納しておき、ＣＰＵ３０１の制御のもと取り出して、自動的に設定するようにしてもよい。
【００６０】
重み付けが設定されると、ＣＰＵ３０１は重み付けられたセンサの信号データを用いて、式（１）により信号データと、例えば、ハードディスク３０４に格納された半導体製造装置の正常動作状態のもとで取得したデータ群との距離を計算する（ステップＳ３）。
【００６１】
次に、ＣＰＵ３０１はデータ群の全てのサンプルのうち、ステップＳ３の処理で算出した距離が小さくなるものを小さい順にｋ個選択する（ステップＳ４）。その後、ＣＰＵ３０１は選択したｋ個の正常時のサンプルを用いて、式（２）、式（３）を計算して、予測値を計算する（ステップＳ５）。予測値が算出されると、今度はその予測値を測定値として適用し、残りのサンプルのデータ群について計算して予測値を求め、測定値との残差をセンサごとに求める（ステップＳ６）。さらに、残差の標準偏差及び平均値を算出する（ステップＳ７）。
【００６２】
次に、ステップＳ６、Ｓ７の処理で算出した残差、残差の標準偏差及び平均値を用いて、式（４）により、装置が正常動作を行っている状態からのトータルのずれを表す性能指数ＰＩを計算する（ステップＳ８）。
【００６３】
ＣＰＵ３０１は、算出した性能指数ＰＩが、予め設定されている所定の閾値を超えたか否かを判定し（ステップＳ９）、超えた場合には、アラームを例えば、表示装置３０５ａに出力し、管理者に半導体製造装置（図２の場合はプラズマエッチング装置）が異常であることを通知し（ステップＳ１０）、閾値以下の場合は処理を終了する。
【００６４】
このように、変動に対する感度を上げたいセンサには重み付け係数ｋ_ｊを大きく設定し、感度を下げたいセンサには重み付け係数を小さく設定することにより、自由に検出感度を調整することができる。これによって、異なる重要度を持つ複数のセンサに対して、重要度に応じて確実に精度よく異常を検出することが可能になる。
【００６５】
次に本発明の実施の形態の診断装置を、半導体装置の製造工場などの複数のコンピュータからなる製造システムに適用した例を簡単に説明する。
図１０は、製造システムのシステム構成図である。
【００６６】
図のように製造システムは、ＭＥＳ（Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｅｘｅｃｕｔｉｏｎ Ｓｙｓｔｅｍ）４００、Ｃ／Ｃ（Ｃｅｌｌ Ｃｏｎｔｒｏｌｌｅｒ）４１０、ＡＰＣ（Ａｄｖａｎｃｅｄ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ）４２０、ＹＭＳ（Ｙｉｅｌｄ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）４３０などの複数のシステムにより構成されていて、診断システム４４０もこれらのシステムとＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）で接続されている。
【００６７】
なお、ここで、ＭＥＳ４００は、製造管理システムであり、生産ラインで流れている各製品の工程、設備、条件、作業データをコンピュータで全て管理し、分析し、品質向上、歩留まり向上、作業ミス低減などのより効率的な生産を支援するシステムである。
【００６８】
また、Ｃ／Ｃ４１０は装置オンライン自動化システムであり、ＡＰＣ４２０は、ＳＥＭＡＴＥＣＨガイドラインで提言された先進的プロセス制御を行うシステムである。
【００６９】
ＹＭＳ４３０は歩留まり管理システムである。
ここで、各システムは、サーバや、データベースサーバなどとして機能する複数の、図９で示したようなハードウェア構成のコンピュータから構成されている。
【００７０】
診断システム４４０は、データ収集部４４１、解析部４４２、データベース４４３からなる複数のコンピュータから構成される。
ここで示した診断システム４４０は、図１の診断装置１０、図２の診断装置３００に対応しており、特に、図１の診断装置１０のセンサ情報取得部１１がデータ収集部４４１、演算処理部１３が解析部４４２、記憶部１２がデータベース４４３と対応している。
【００７１】
データ収集部４４１は半導体製造装置５００の内蔵センサデータをＳＥＣＳ通信またはＨＳＭＳ（Ｈｉｇｈ−ｓｐｅｅｄ ＳＥＣＳ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅｓ）通信により、リアルタイムに取得する。同時に、外部センサ４５０のセンサデータもリアルタイムに取得する。解析部４４２では、前述したような多変量解析により性能指数ＰＩを求め装置状態の監視を行う。また、データベース４４３は、正常動作状態の下で取得した半導体製造装置５００の各センサのセンサデータのデータ群をサンプルとして格納している。
【００７２】
このような製造システムにおいて、本発明によって診断した半導体製造装置５００の装置状態に関する情報を共有することによって、異常が検出された場合に速やかに対応することが可能になり、半導体装置の製造をより効率よく行うことができる。
【００７３】
（付記１）半導体製造装置の装置状態を診断する診断装置において、
前記半導体製造装置の動作状態を表す複数のセンサからの信号データを所定の時間間隔で取得するセンサ情報取得部と、
前記半導体製造装置が正常動作状態の下で前記センサにより取得した正常信号データからなるデータ群を記憶する記憶部と、
前記信号データを前記センサごとに重み付けし、前記正常信号データとのユークリッド距離を算出する演算処理部と、
を有することを特徴とする診断装置。
【００７４】
（付記２）前記演算処理部は、前記データ群に対して前記センサごとに標準偏差を計算し、前記標準偏差の逆数で前記信号データを重み付けすることを特徴とする付記１記載の診断装置。
【００７５】
（付記３）前記演算処理部は、前記標準偏差の逆数での重み付けに対して、さらに前記センサごとに重み付け係数をかけることにより、前記センサごとの重み付けを変更することを特徴とする付記２記載の診断装置。
【００７６】
（付記４）前記演算処理部は、前記信号データとの前記ユークリッド距離が小さくなる前記正常信号データを少なくとも１つ以上前記データ群から選択し、選択した前記正常信号データを用いて予測値を算出することを特徴とする付記１記載の診断装置。
【００７７】
（付記５）前記演算処理部は、前記信号データと前記予測値を用いて、前記センサごとに残差を計算し、前記残差の平均値及び標準偏差を計算し、全ての前記センサの前記残差、前記平均値及び前記標準偏差を用いて前記装置状態を示す性能指数を算出することを特徴とする付記４記載の診断装置。
【００７８】
（付記６）前記演算処理部は、前記データ群において、前記データ群の中のデータ間の座標空間距離を算出し、前記距離に応じてデータ数を削減することを特徴とする付記１記載の診断装置。
【００７９】
（付記７）半導体装置を製造する半導体製造装置の装置状態を診断する診断方法において、
前記半導体製造装置の動作状態を表す複数のセンサからの信号データを所定の時間間隔で取得し、
前記半導体製造装置が正常動作状態の下で前記センサにより取得した正常信号データからなるデータ群を記憶し、
前記信号データを前記センサごとに重み付けし、
重み付けした前記信号データと、前記正常信号データとのユークリッド距離を算出する、
ことを特徴とする診断方法。
【００８０】
【発明の効果】
以上説明したように本発明では、複数のセンサからの信号データをセンサごとに重み付けして、正常信号データとのずれを示す距離を算出するので、重み付けを大きくしたセンサからの信号データによるずれが強調される。これにより、異なる重要度を持つ複数のセンサに対して、自由に検出感度を調整することができ、重要度に応じて確実に精度よく異常を検出することが可能になる。
【図面の簡単な説明】
【図１】本発明の実施の形態の診断装置の原理構成図である。
【図２】プラズマエッチング装置の装置状態を診断する診断システムの構成図である。
【図３】エッチング中のあるステップにおける圧力、電圧、流量の時間変化を示した図であり、（Ａ）は圧力の時間変化、（Ｂ）は電圧の時間変化、（Ｃ）は流量の時間変化を示している。
【図４】距離が小さい順に選択したｋ個のサンプルを示す図である。
【図５】センサへの重み付け係数を等しくした場合の性能指数ＰＩの時間変化を示す図である。
【図６】３種類のセンサ値のうち圧力と電圧の重み付け係数を大きくした場合の性能指数ＰＩの時間変化を示す図である。
【図７】３種類のセンサ値のうち圧力のみの重み付け係数を大きくした場合の性能指数ＰＩの時間変化を示す図である。
【図８】診断装置のハードウェア構成例である。
【図９】本発明の実施の形態の診断方法の処理の流れを説明するフローチャートである。
【図１０】製造システムのシステム構成図である。
【符号の説明】
１０ 診断装置
１１ センサ情報取得部
１２ 記憶部
１３ 演算処理部
２０ 半導体製造装置
３０−１，３０−２，…，３０−ｍ センサ[0001]
TECHNICAL FIELD OF THE INVENTION
The present invention relates to a diagnostic device and a diagnostic method, and more particularly, to a diagnostic device and a diagnostic method for diagnosing a device state of a semiconductor manufacturing device that manufactures a semiconductor device.
[0002]
[Prior art]
2. Description of the Related Art In the manufacture of semiconductor devices, it is necessary to detect an abnormality in a manufacturing apparatus at an early stage and quickly investigate the cause in order to minimize the occurrence of defective wafers and increase the manufacturing yield. For this reason, the k-nearest neighbor method, the Mahalanobis distance, the PCA (main There is known a method of detecting an abnormality in a manufacturing apparatus by various multivariate analysis methods such as a component analysis method and a neural network (for example, see Patent Document 1). In particular, a method of diagnosing the state of a manufacturing apparatus in real time during wafer processing is an important technique because the pilot wafer can be eliminated and the occurrence of defective wafers can be minimized.
[0003]
[Patent Document 1]
JP-A-2000-259222 (paragraph number [0053])
[0004]
[Problems to be solved by the invention]
However, in a manufacturing process of a semiconductor device, parameters that are important in the process and parameters that are not important may be mixed among operating states detected by a plurality of sensors. In such a case, even if an abnormality is detected by performing the above-described multivariate analysis, it is difficult to determine whether the abnormality is caused by an abnormality of an important parameter or an abnormality of an unimportant parameter. was there.
[0005]
In particular, when the number of sensors is increased in order to detect an unexpected abnormality, there is a problem that the number of parameters increases and the detection sensitivity at the time of abnormality detection becomes unreliable.
[0006]
The present invention has been made in view of such a point, and an object of the present invention is to provide a diagnostic apparatus and a diagnostic method capable of reliably and accurately detecting an abnormality even in detection using many sensors.
[0007]
[Means for Solving the Problems]
In the present invention, in order to solve the above-mentioned problem, in a diagnostic device for diagnosing a device state of a semiconductor manufacturing device for manufacturing a semiconductor device, as shown in FIG. , 30-m at predetermined time intervals, and the sensors 30-1, 30-2, and 30-3 when the semiconductor manufacturing apparatus 20 operates normally. , 30-m, and a storage unit 12 for storing a data group composed of normal signal data obtained by 30-m. The signal data is weighted for each of the sensors 30-1, 30-2,. And a calculation processing unit 13 for calculating a Euclidean distance (hereinafter abbreviated as a distance) used in pattern recognition.
[0008]
According to the above configuration, the signal data from the plurality of sensors 30-1, 30-2,..., 30-m is weighted for each of the sensors 30-1, 30-2,. Since the distance indicating the deviation from the data is calculated, the deviation due to the signal data from the sensor whose weight is increased is emphasized.
[0009]
BEST MODE FOR CARRYING OUT THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
FIG. 1 is a principle configuration diagram of a diagnostic device according to an embodiment of the present invention.
[0010]
The diagnostic apparatus 10 includes: a sensor information acquisition unit 11 that acquires signal data from a plurality of sensors 30-1, 30-2,..., 30-m indicating an operation state of the semiconductor manufacturing apparatus 20 at predetermined time intervals; .., 30-m in a normal operation state, and a storage unit 12 for storing a data group consisting of normal signal data acquired by the sensors 30-1, 30-2,. , 30-m, and an arithmetic processing unit 13 for calculating the distance from the normal signal data.
[0011]
Hereinafter, the operation of the diagnostic device 10 will be described.
When the sensor information acquisition unit 11 acquires signal data representing the operation state of the semiconductor manufacturing apparatus 20 at time t from the sensors 30-1, 30-2,..., 30-m in real time, the signal data is processed by the arithmetic processing unit 13 Is input to
[0012]
On the other hand, a data group of normal signal data obtained from the sensors 30-1, 30-2,..., 30-m under the normal operation state of the semiconductor manufacturing apparatus 20 stored in the storage unit 12 is taken out and operated. It is input to the processing unit 13.
[0013]
The arithmetic processing unit 13 weights the signal data for each of the sensors 30-1, 30-2,..., 30-m, and calculates the distance from the normal signal data. For example, in the manufacturing process in the semiconductor manufacturing apparatus 20, the operation state (temperature, pressure (atmospheric pressure), gas flow rate, supply) of the semiconductor manufacturing apparatus 20 detected by the sensors 30-1, 30-2,. , And 30-m, the weight of the signal data of the sensor 30-1 is made larger than that of the other sensors 30-2,..., 30-m.
[0014]
By calculating the distance from the normal signal data in this manner, the shift due to the signal data from the sensor with the increased weight is emphasized. As a result, an abnormal value can be detected with high sensitivity for a sensor whose weight is increased.
[0015]
In other words, even when a large number of sensors having different degrees of importance are used, it is possible to reliably and accurately detect an abnormality by performing weighting according to the degrees of importance of the sensors.
Hereinafter, an embodiment of the present invention will be described in detail with reference to an example of diagnosing the state of a plasma etching apparatus used for forming a pattern in a semiconductor device manufacturing process.
[0016]
FIG. 2 is a configuration diagram of a diagnostic system that diagnoses the state of the plasma etching apparatus.
In the plasma etching apparatus, a grounded upper electrode 101 and a lower electrode 102 on which a substrate 150 is placed are arranged in a processing chamber 100 so as to face each other. A high frequency power supply 110 for generating plasma is connected to the lower electrode 102 via a matching unit 111. Further, a gas pressure controller 112 for controlling the gas pressure in the processing chamber 100 to be constant by a vacuum exhaust system (not shown) and a reaction gas (hexafluorobutadiene (C₄F₆)), A flow controller 113 for controlling the flow rate, a voltage measuring unit 120 for measuring a voltage (bias voltage Vdc) generated at the lower electrode 102, and a pressure gauge 121 for measuring a gas pressure in the processing chamber 100. .
[0017]
The sensors 30-1, 30-2,..., 30-m shown in FIG. 1 measure the flow rate, voltage, and pressure in the flow rate controller 113, the voltage measurement unit 120, and the pressure gauge 121, respectively. Equivalent to three sensors. The signal data measured by the above is transmitted to a diagnostic apparatus of the present invention via an apparatus control computer 200 for controlling a plasma etching apparatus, and to a diagnostic apparatus of the present invention, a communication protocol for a semiconductor manufacturing apparatus (SECS). (Standard) communication.
[0018]
The diagnostic device 300 may directly input analog signal data from a sensor.
Hereinafter, the operation of the diagnostic system of FIG. 2 will be described.
[0019]
When the substrate 150 is placed on the lower electrode 102 in the processing chamber 100 and high-frequency power is applied to the lower electrode 102 to start etching of the substrate 150, the flow controller 113, the voltage measuring unit 120, the pressure gauge 121, and the like. Are measured in real time by the various sensors described above, and the information is notified to the diagnostic apparatus 300 via the apparatus control computer 200.
[0020]
3A and 3B are diagrams showing the time change of the pressure, the voltage and the flow rate in a certain step during the etching. FIG. 3A shows the time change of the pressure, FIG. 3B shows the time change of the voltage, and FIG. The change is shown.
[0021]
Here, data is collected at intervals of about one second. In FIGS. 3A and 3B, a portion surrounded by a dotted line indicates an abnormality.
The diagnostic device 300 collects signal data from a plurality of sensors as shown in FIG. 3 in real time (at intervals of about one second), performs multivariate analysis, and diagnoses the state of the device.
[0022]
Hereinafter, the details of the diagnostic processing in the diagnostic device 300 will be described.
The diagnostic apparatus 300 is a data group (S) acquired under the normal operation state of each sensor.₁₁, S₁₂, S_Thirteen, ..., S_pm) Is remembered. Here, p indicates the number of data, and m indicates the number of sensors (three in the example of FIG. 2).
[0023]
At time t, signal data (X₁, X₂, X₃, ..., X_m) Is collected, the diagnostic apparatus 300 causes the stored data group (S₁₁, S₁₂, S_Thirteen, ..., S_pm) Sample (S_i1, S_i2, S_i3, ..., S_im) And signal data (X₁, X₂, X₃, ..., X_m) (Here, the square of the distance D)_i ²) Is calculated according to the following equation.
[0024]
(Equation 1)

[0025]
Where X_{j (VS)}= K_jX_j/ Σ_j, S_{ij (VS)}= K_jS_ij/ Σ_jIt is.
Where k_jIs the weighting factor of the j-th sensor, σ_jRepresents the standard deviation of the j-th sensor in the data group acquired and stored under the normal operation state.
[0026]
As described above, by calculating the distance by applying a predetermined weighting coefficient to each sensor, the shift due to the signal data from the sensor whose weight is increased is emphasized. As a result, an abnormal value can be detected with high sensitivity for a sensor whose weight is increased. Also, the standard deviation σ_jBy dividing by, the data of the sensor with large dispersion can be eliminated from having a dominant influence on the distance.
[0027]
In the embodiment of the present invention, next, by using the k-nearest neighbor method, all the samples (p) of the data group acquired and stored under the normal state are obtained from the equation (1). The square of the distance D_i ²Is calculated, and k (one or more) samples are selected based on the influence of noise in the order of smaller values (in order of higher similarity).
[0028]
FIG. 4 is a diagram illustrating k samples selected in the order from the smallest distance.
As shown in FIG._{1 '} ²"S" at normal time_1'1, S_1'2, S_1'3, ..., S_1'mFrom "D", the k-th smallest distance_{i '} ²"S" at normal time_i'1, S_i'2, S_i'3, ..., S_i'mSelect up to k samples.
[0029]
Then, using the k normal samples, the candidate P of the predicted value for each sensor when the device is normal_ij(1 ≦ i ≦ k) is calculated by the following equation, for example.
[0030]
(Equation 2)

[0031]
When equation (2) is calculated for all sensors, (P_i1, P_i2, P_i3, ..., P_im) Is obtained.
Furthermore, the signal data (X₁, X₂, X₃, ..., X_m) And a candidate for the predicted value (P_i1, P_i2, P_i3, ..., P_im) Is calculated by the following equation.
[0032]
(Equation 3)

[0033]
In equation (3), X_{j (VS)}= K_jX_j/ Σ_j, P_{ij (VS)}= K_jP_ij/ Σ_jIt is. Note that k_jAnd σ_jIs the above-mentioned weighting coefficient and standard deviation.
In this equation (3), the square of the distance D_i ²Is smallest (P_i1, P_i2, P_i3, ..., P_im) Is the predicted value.
[0034]
Next, the predicted value calculated as described above is applied to a data group of samples acquired and stored under a normal operation state (cross-validation: the i-th sample is set as a measured value and the remaining The prediction value is calculated using p-1 samples as a data group), thereby obtaining p prediction values from i = 1 to p. Further, the residual Δj (difference between the measured value and the predicted value) is calculated for each sensor. Furthermore, the average value Ave of the residual for each sensor_ResjAnd standard deviation σ_ResjAsk for.
[0035]
If an index indicating the total deviation from the state where the device is operating normally is called a performance index PI (performance index), the performance index PI is calculated by the following equation.
[0036]
(Equation 4)

[0037]
Where Δ_jRepresents the difference between the measured value and the predicted value of the signal data acquired at the time t of the j-th sensor. When all the measured values of the plurality of sensors do not deviate from the values in the normal operation state, the figure of merit PI becomes a value close to zero, and as the deviation from the value in the normal state increases, the PI has a large positive value. Become like Therefore, a predetermined threshold value may be set in advance, and if the threshold value is exceeded, it is determined that there is an abnormality, and an alarm may be output.
[0038]
Further, when the weighting coefficients for the sensors are all the same (for example, all k_j= 1), each sensor is weighted by the reciprocal of the standard deviation of each sensor during normal operation as in equations (1) and (3). The sensitivity of PI increases. On the other hand, the weighting coefficient k_jIs set to be large, and the weighting coefficient is set to be small for the sensor whose sensitivity is to be lowered, so that k_jStandard deviation σ according to the magnitude of_Resj, The sensitivity can be adjusted freely.
[0039]
Here, in the diagnostic system for diagnosing the state of the plasma etching apparatus shown in FIG. 2, the above-mentioned equations (1) to (3) are obtained from the time change of the three types of sensor values (pressure, voltage and flow rate) shown in FIG. An example of the performance index PI calculated by (4) is shown.
[0040]
FIG. 5 is a diagram illustrating a temporal change of the performance index PI when the weighting coefficients for the sensors are equalized.
Weighting factor k_jAre equal, for example, all the weighting coefficients for the three types of sensors are k_jIn the case where = 1, as shown in the figure, all the fluctuations of the sensor values shown in FIG. 3 have been received, and it can be seen that the sensitivity to the fluctuation of each sensor is low.
[0041]
FIG. 6 is a diagram illustrating a temporal change of the performance index PI when the weighting coefficient of the pressure and the voltage is increased among the three types of sensor values.
In FIG. 6, the weighting ratio for the sensors is set to pressure 10: voltage 5: flow rate 1. As a result, in the case of a pressure abnormality (E1 in the figure), the performance index PI becomes the largest, and in the case of a voltage abnormality (E2 in the figure), it becomes about half of the figure. It turns out that becomes high.
[0042]
FIG. 7 is a diagram illustrating a temporal change of the performance index PI when the weighting coefficient of only the pressure is increased among the three types of sensor values.
In FIG. 7, the ratio of weighting to the sensor is set to pressure 10: voltage 1: flow rate 1, and only the pressure is increased. In this case, as shown in the figure, it can be understood that only the pressure abnormality (E3 in the figure) can be detected with high sensitivity.
[0043]
Thus, the weighting coefficient k_jIs set to a large value, and a weighting coefficient k_jBy setting to a small value, the detection sensitivity can be freely adjusted. This makes it possible to reliably and accurately detect an abnormality with respect to a plurality of sensors having different importance levels according to the importance levels.
[0044]
In the above, a plasma etching apparatus has been described as an example of a semiconductor manufacturing apparatus, but the present invention is not limited to this. For example, a CMP (Chemical Mechanical Polishing) apparatus, a CVD (Chemical Vapor Deposition) apparatus, or the like may be used.
[0045]
In the above description, the data group (S) acquired and stored under normal operating conditions by the semiconductor manufacturing apparatus₁₁, S₁₂, S_Thirteen, ..., S_pm) Is used, but optimizing the number of samples according to the coordinate space distance between the samples in the data space is good for reducing the data amount and shortening the calculation time.
[0046]
Hereinafter, the process of reducing the number of samples will be described.
The following calculation processing is performed on the p sample sequences.
First, sorting is performed on the signal data of the first sensor among the m sensors.
[0047]
Next, the square D of the distance between the a-th sample and the b-th (= a + 1) -th sample is given by_ab ²Are calculated in order from a = 1 and b = 2, and a predetermined threshold D set in advance is calculated._th ²Compare with
[0048]
(Equation 5)

[0049]
Where X_{ij (VS)}= X_ij/ Σ_jIt is.
Where D₁₂ ²≧ D_th ²Then, if a = a + 1 and b = b + 1, equation (5) is calculated again.₁₂ ²<D_th ²Then, the second sample is deleted, and b = b + 1, and D_ThirteenIs calculated.
[0050]
This process is repeated until b becomes the sample of the last row.
The above processing is performed on the signal data of all m-th sensors.
Thus, the threshold D_th ²Is set to a predetermined value, the number of samples of the stored data group can be automatically and optimally reduced.
[0051]
The diagnostic device 300 described above is, for example, a computer, and can be realized by the following hardware configuration.
FIG. 8 is an example of a hardware configuration of the diagnostic device.
[0052]
The diagnostic apparatus 300 includes a CPU (Central Processing Unit) 301, a ROM (Read Only Memory) 302, a RAM (Random Access Memory) 303, a hard disk 304, a graphic processing unit 305, an input I / F (Interface) 306, and a communication I / F 307. These are connected to each other via a bus 308.
[0053]
Here, the CPU 301 controls each unit according to a program stored in the hard disk 304. Further, various calculations described above are performed.
The ROM 302 stores basic programs and data executed by the CPU 301.
[0054]
The RAM 303 temporarily stores programs being executed by the CPU 301 and data being operated on.
The hard disk 304 stores an OS executed by the CPU 301, an application program for diagnosing an apparatus state, and the like. Further, as described above, a data group of each sensor acquired under a normal operation state of the semiconductor manufacturing apparatus (such as the plasma etching apparatus shown in FIG. 2) is stored as a sample.
[0055]
The graphic processing unit 305 is connected to a display device 305a such as a display, and displays an image on the screen of the display device 305a in accordance with a drawing command from the CPU 301.
[0056]
A mouse 306a and a keyboard 306b are connected to the input I / F 306. For example, the input I / F 306 receives information input by an administrator of the diagnostic device 300 and transmits the information to the CPU 301 via the bus 308.
[0057]
Various sensor information is input to the communication I / F 307 in real time via the device control computer 200 by SECS communication.
The processing of the embodiment of the present invention is realized by the hardware configuration as described above.
[0058]
Hereinafter, the diagnostic processing in the diagnostic device 300 will be summarized using a flowchart, and a diagnostic method according to an embodiment of the present invention will be described.
FIG. 9 is a flowchart illustrating a flow of processing of the diagnostic method according to the embodiment of the present invention.
[0059]
When real-time signal data from a sensor is input via the communication I / F 307 (step S1), weighting is set for each sensor under the control of the CPU 301 (step S2). The weighting may be set by, for example, increasing the weighting coefficient of a sensor for which the detection sensitivity with high importance is to be increased by an input from the mouse 306a or the keyboard 306b by the administrator. Alternatively, a weighting coefficient of each sensor according to the process may be stored in a database (the hard disk 304 or the like) in advance, taken out under the control of the CPU 301, and set automatically.
[0060]
When the weight is set, the CPU 301 obtains the signal data according to the equation (1) using the weighted sensor signal data and, for example, under the normal operation state of the semiconductor manufacturing apparatus stored in the hard disk 304. The distance from the data group is calculated (step S3).
[0061]
Next, the CPU 301 selects, from all the samples in the data group, k samples in which the distance calculated in the process of step S3 becomes smaller in ascending order (step S4). Thereafter, the CPU 301 calculates Expressions (2) and (3) using the selected k normal samples, and calculates a predicted value (Step S5). When the predicted value is calculated, this predicted value is applied as a measured value, and the data group of the remaining samples is calculated to obtain a predicted value, and a residual from the measured value is obtained for each sensor (step S6). . Further, the standard deviation and the average value of the residual are calculated (step S7).
[0062]
Next, using the residual calculated in the processing of steps S6 and S7, the standard deviation of the residual, and the average value, the performance representing the total deviation from the state where the device is operating normally by equation (4). An index PI is calculated (step S8).
[0063]
The CPU 301 determines whether or not the calculated performance index PI has exceeded a predetermined threshold value set in advance (step S9), and if so, outputs an alarm to, for example, the display device 305a and outputs the alarm to the administrator. Is notified that the semiconductor manufacturing apparatus (the plasma etching apparatus in the case of FIG. 2) is abnormal (step S10).
[0064]
Thus, the weighting coefficient k_jIs set to be large, and the weighting coefficient is set to be small for a sensor whose sensitivity is to be lowered, so that the detection sensitivity can be freely adjusted. This makes it possible to reliably and accurately detect an abnormality with respect to a plurality of sensors having different importance levels according to the importance levels.
[0065]
Next, an example in which the diagnostic apparatus according to the embodiment of the present invention is applied to a manufacturing system including a plurality of computers, such as a semiconductor device manufacturing factory, will be briefly described.
FIG. 10 is a system configuration diagram of the manufacturing system.
[0066]
As shown in the figure, the manufacturing system includes a MES (Manufacturing Execution System) 400, a C / C (Cell Controller) 410, an APC (Advanced Process Control) 420, and a YMS (Yield Management System including a plurality of Yield Management Systems 30). Diagnostic system 440 is also connected to these systems via a LAN (Local Area Network).
[0067]
Here, the MES 400 is a manufacturing management system, which manages and analyzes all processes, equipment, conditions, and work data of each product flowing on the production line with a computer, and improves quality, yield, and work errors. It is a system that supports more efficient production.
[0068]
The C / C 410 is a device online automation system, and the APC 420 is a system that performs advanced process control proposed in the SEMATECH guidelines.
[0069]
YMS430 is a yield management system.
Here, each system is composed of a plurality of computers having a hardware configuration as shown in FIG. 9 that function as servers, database servers, and the like.
[0070]
The diagnosis system 440 includes a plurality of computers including a data collection unit 441, an analysis unit 442, and a database 443.
The diagnostic system 440 shown here corresponds to the diagnostic device 10 of FIG. 1 and the diagnostic device 300 of FIG. 2. In particular, the sensor information acquisition unit 11 of the diagnostic device 10 of FIG. The unit 13 corresponds to the analysis unit 442, and the storage unit 12 corresponds to the database 443.
[0071]
The data collection unit 441 acquires sensor data contained in the semiconductor manufacturing apparatus 500 in real time by SECS communication or HSMS (High-speed SECS Message Services) communication. At the same time, sensor data of the external sensor 450 is also acquired in real time. The analysis unit 442 obtains the performance index PI by the multivariate analysis as described above, and monitors the state of the apparatus. The database 443 stores, as a sample, a data group of sensor data of each sensor of the semiconductor manufacturing apparatus 500 acquired under a normal operation state.
[0072]
In such a manufacturing system, by sharing information on the device state of the semiconductor manufacturing device 500 diagnosed according to the present invention, it is possible to respond promptly when an abnormality is detected, and to improve the manufacturing of the semiconductor device. It can be performed efficiently.
[0073]
(Supplementary Note 1) In a diagnostic device for diagnosing a device state of a semiconductor manufacturing device,
A sensor information acquisition unit that acquires signal data from a plurality of sensors representing an operation state of the semiconductor manufacturing apparatus at predetermined time intervals,
A storage unit that stores a data group including normal signal data obtained by the sensor under a normal operation state of the semiconductor manufacturing apparatus,
An arithmetic processing unit that weights the signal data for each sensor and calculates a Euclidean distance with the normal signal data.
A diagnostic device comprising:
[0074]
(Supplementary note 2) The diagnostic apparatus according to supplementary note 1, wherein the arithmetic processing unit calculates a standard deviation for each of the sensors with respect to the data group, and weights the signal data by a reciprocal of the standard deviation.
[0075]
(Supplementary note 3) The supplementary note 2, wherein the arithmetic processing unit changes the weighting for each sensor by further applying a weighting coefficient for each sensor to the weighting with the reciprocal of the standard deviation. Diagnostic device.
[0076]
(Supplementary Note 4) The arithmetic processing unit selects at least one or more of the normal signal data in which the Euclidean distance from the signal data is small from the data group, and calculates a predicted value using the selected normal signal data. 2. The diagnostic device according to claim 1, wherein:
[0077]
(Supplementary Note 5) The arithmetic processing unit calculates a residual for each of the sensors using the signal data and the predicted value, calculates an average value and a standard deviation of the residuals, and calculates The diagnostic apparatus according to claim 4, wherein a performance index indicating the apparatus state is calculated using the residual, the average value, and the standard deviation.
[0078]
(Supplementary Note 6) The supplementary note 1, wherein the arithmetic processing unit calculates a coordinate space distance between the data in the data group in the data group, and reduces the number of data according to the distance. Diagnostic device.
[0079]
(Supplementary Note 7) In a diagnostic method for diagnosing a device state of a semiconductor manufacturing apparatus for manufacturing a semiconductor device,
Obtain signal data from a plurality of sensors representing the operation state of the semiconductor manufacturing apparatus at predetermined time intervals,
The semiconductor manufacturing apparatus stores a data group including normal signal data acquired by the sensor under a normal operation state,
Weighting the signal data for each sensor,
Calculating the Euclidean distance between the weighted signal data and the normal signal data,
A diagnostic method characterized in that:
[0080]
【The invention's effect】
As described above, in the present invention, signal data from a plurality of sensors is weighted for each sensor, and a distance indicating a deviation from normal signal data is calculated. Be emphasized. This makes it possible to freely adjust the detection sensitivity for a plurality of sensors having different degrees of importance, and it is possible to reliably and accurately detect an abnormality according to the degree of importance.
[Brief description of the drawings]
FIG. 1 is a principle configuration diagram of a diagnostic device according to an embodiment of the present invention.
FIG. 2 is a configuration diagram of a diagnostic system for diagnosing the state of the plasma etching apparatus.
FIGS. 3A and 3B are diagrams showing temporal changes in pressure, voltage, and flow rate in a certain step during etching, where FIG. 3A is a temporal change in pressure, FIG. 3B is a temporal change in voltage, and FIG. The change is shown.
FIG. 4 is a diagram showing k samples selected in ascending order of distance.
FIG. 5 is a diagram showing a temporal change of a performance index PI when weighting coefficients for sensors are equalized.
FIG. 6 is a diagram illustrating a temporal change of a performance index PI when weighting coefficients of pressure and voltage are increased among three types of sensor values.
FIG. 7 is a diagram illustrating a temporal change of a performance index PI when a weighting coefficient of only pressure is increased among three types of sensor values.
FIG. 8 is a hardware configuration example of a diagnostic device.
FIG. 9 is a flowchart illustrating a processing flow of a diagnostic method according to the embodiment of the present invention.
FIG. 10 is a system configuration diagram of a manufacturing system.
[Explanation of symbols]
10 Diagnostic device
11 Sensor information acquisition unit
12 Storage unit
13 arithmetic processing unit
20 Semiconductor manufacturing equipment
30-1, 30-2, ..., 30-m sensor

Claims (5)

In a diagnostic device for diagnosing a device state of a semiconductor manufacturing device,
A sensor information acquisition unit that acquires signal data from a plurality of sensors representing an operation state of the semiconductor manufacturing apparatus at predetermined time intervals,
A storage unit that stores a data group including normal signal data obtained by the sensor under a normal operation state of the semiconductor manufacturing apparatus,
An arithmetic processing unit that weights the signal data for each sensor and calculates a Euclidean distance with the normal signal data.
A diagnostic device comprising: The diagnostic apparatus according to claim 1, wherein the arithmetic processing unit calculates a standard deviation of the data group for each of the sensors, and weights the signal data by a reciprocal of the standard deviation. The diagnostic device according to claim 2, wherein the arithmetic processing unit changes the weight for each sensor by further applying a weighting coefficient to each sensor with respect to the weight of the reciprocal of the standard deviation. . The diagnostic apparatus according to claim 1, wherein the arithmetic processing unit calculates a coordinate space distance between data in the data group in the data group, and reduces the number of data according to the distance. In a diagnostic method for diagnosing an apparatus state of a semiconductor manufacturing apparatus for manufacturing a semiconductor device,
Obtain signal data from a plurality of sensors representing the operation state of the semiconductor manufacturing apparatus at predetermined time intervals,
The semiconductor manufacturing apparatus stores a data group including normal signal data acquired by the sensor under a normal operation state,
Weighting the signal data for each sensor,
Calculating the Euclidean distance between the weighted signal data and the normal signal data,
A diagnostic method characterized in that:

Images