JP4878085B2

JP4878085B2 - 製造工程のための管理方法

Info

Publication number: JP4878085B2
Application number: JP2001122621A
Authority: JP
Inventors: 俊司林
Original assignee: Lapis Semiconductor Co Ltd
Current assignee: Lapis Semiconductor Co Ltd
Priority date: 2001-04-20
Filing date: 2001-04-20
Publication date: 2012-02-15
Anticipated expiration: 2021-04-20
Also published as: US6862484B2; US7151974B2; JP2002318617A; US20020156549A1; US20050143849A1

Description

【０００１】
【発明の属する技術分野】
本発明は、製造工程のための管理方法に関し、特に、ウエハプロセス（ＷＰ）、テストプロセス（ＴＰ）、組立てプロセス（ＡＰ）を含む半導体製造工程のための管理方法に関するものである。
【０００２】
【従来の技術】
従来、一般的な製造工程では、製造部門の管理者（課長、係長、主任、リーダー等）による様々な管理と状況判断、そして、それらに基づいた指示命令を行うという管理方法が採用されている。また、各管理データに基づいて作成されたグラフや帳票をＬＡＮ（Local Area Network）を経由して自動的に出力するという管理システムが構築されている。具体的な管理項目としては、次に挙げる項目がある。
【０００３】
ａ．複数の区間からなる製造工程の区間別仕掛かり管理
ｂ．各製造工程のエリア別仕掛かり管理
ｃ．区間やエリアのスピード管理
ｄ．各製造工程の処理実績管理
ｅ．各種トラブルやメンテナンスの状況把握。
【０００４】
一方、マクロ的な多次元空間解析（多変量解析）の代表的な１つであるマハラノビス距離を利用し、半導体装置の異常を迅速に検出するための管理方法や管理システムが発明者により提案されている（特開２０００−１１４１３０）。マクロ的な多次元空間解析（多変量解析）には、マハラノビス距離、ｋ近隣法、ベイズの決定境界、判別分析、ウォード法、ユークリッド距離、市街地距離、最遠隣法、最近隣法、重心法、平均法等がある。
【０００５】
【発明が解決しようとする課題】
しかしながら、従来の製造工程における管理方法および管理システムでは、管理しなければならないグラフや帳票が多すぎるため、それらに基づいて生産の判断（搬入や搬出のタイミング、処理量）をすることは非常に困難でるとともに、多大なる工数を必要とする。また、生産の判断は管理者の経験に依存する部分が多くなるため、管理者のスキルレベルによってバラツキが起こってしまう。
【０００６】
さらに、各管理項目（パラメータ）は、互いに深い相関関係を有しているため、コンピュータによる一般的な多変量解析が困難である。
【０００７】
一方、生産性（納期、生産量等）は、製造装置の稼動状況や管理者の判断や指示によって大きく変動する性質があり、かつ、その管理項目の多さと変化の大きさなどを考慮して生産性への影響を論理的に定義するのは非常に困難である。例えば、トラブル等により複数の製造装置が停止した場合、どの装置から対処すべきなのか、緊急度はどの程度なのかという生産性悪化への危険度を正確に見極めることは非常に難しいといえる。
【０００８】
本発明の目的は、製造工程全体の異常度判断、異常管理項目および異常装置の特定、さらに、トラブル時に対処すべき装置の優先度や生産性に影響を及ぼす危険度レベルを正確に判断することができる管理方法および管理システムを提供することにある。
【０００９】
【課題を解決するための手段】
本発明の管理方法は、コンピュータを用いた製造工程のための管理方法であって、前記コンピュータが、複数の工程を含む製造工程の複数の製造管理パラメータの理想データおよび前記理想データの許容範囲を設定するステップと、前記理想データの許容範囲内で乱数を発生するステップと、前記乱数に基づいて前記複数の製造管理パラメータ毎のマハラノビス空間を作成するステップと、前記製造工程の稼動時における前記複数の製造管理パラメータのデータを所定の周期でサンプリングするステップと、サンプリングデータを準備するステップと、前記マハラノビス空間および前記サンプリングデータから第１のマハラノビス距離を算出するステップと、前記複数の製造管理パラメータの中から任意の組合せパラメータデータ群を作成するステップと、前記マハラノビス空間および前記任意の組合せパラメータデータ群から第２のマハラノビス距離を算出するステップと、前記第１のマハラノビス距離に対する前記第２のマハラノビス距離の変位量から、前記製造工程における前記複数の工程それぞれの理想状態に対する影響度を判定するステップと、を実行することを特徴とするものである。
【００１０】
【発明の実施の形態】
第１の実施形態
図１は、本発明の第１の実施形態の管理システムを示す説明図である。本発明の管理システム２０は、ホストコンピュータ１、ＬＡＮ１４、工場用のサーバ４により構成されている。ホストコンピュータ１は、端末２ａ、２ｂから入力される仕掛かり情報や搬送情報、製造装置３ａ、３ｂから入力される装置情報等のデータを蓄えるデータベース（ＤＢ）として機能している。工場用のサーバ４は、演算部９、記憶部１０、比較部１１、入力部１２および出力部１３を備えている。また、管理システム２０は、ＬＡＮ１４を用いたネットワークによりホストコンピュータ１と接続されている。
【００１１】
工場用のサーバ４は、ホストコンピュータ１内のデータベースにアクセスし、エリア別あるいは区間別仕掛り量の推移、工程別累積処理量の推移、エリア別あるいは区間別フロー-ファクター（ＦＦ：Flow-Factor）の推移に関わる帳票８を出力する。帳票８には、仕掛り量、累積処理量およびフローファクターに関するデータが出力されている。図１では、仕掛り量の推移をあらわすグラフ５、累積処理量の推移をあらわすグラフ６およびＦＦの推移をあらわすグラフ７をそれぞれ示している。仕掛り量の推移をあらわすグラフ５は、エリア別あるいは区間別の仕掛りと時間との関係を示している。累積処理量の推移をあらわすグラフ６は、工程別の累積処理量と時間との関係を示している。ＦＦの推移をあらわすグラフ７は、エリア別あるいは区間別のフローファクターと時間との関係を示している。
【００１２】
本発明は、各グラフ５、６、７や帳票８に示された多数の製造管理パラメータデータを用い、予め作成した１つまたは複数のマハラノビス空間（基礎空間）からの距離として表現することにより、生産状態が正常状態であるか否かを判定することを可能とする。
【００１３】
次に、管理方法について説明する。図２は、製造管理パラメータデータ群を示す説明図である。パラメータデータＹ_ｋはＰ個存在し、全ｎ行からなる各行のデータはある時点、すなわち、同じ時刻を示している。パラメータデータＹ_ｋは、一定時間毎に工場用のサーバ４がホストコンピュータ１から収集しており、これらがサンプリングデータとなる。また、総サンプリングデータ数はＰ×ｎ個であり、それぞれのサンプリングデータはｙ’_ｉ・ｊと表記される。
【００１４】
マハラノビス距離を算出する際は、まずマハラノビス空間（基礎空間）Ａを作成しなければならない。本実施形態では、サンプリングデータｙ’_ｉ・ｊはすべて正常なデータであると仮定する。
【００１５】
図３は、サンプリングデータ、パラメータデータの平均値および標準偏差とからなる測定データ群を示す説明図である。図４は、測定データ群を式（１）を用いて基準化した基準化データ群を示す説明図である。パラメータデータＹ_ｋのｎ個の平均値がｍ_ｋ、標準偏差がσ_ｋである。測定したサンプリングデータ（ｙ’_１・１、…、ｙ’_ｋ・ｊ、…、ｙ’_Ｐ・ｎ）は、以下に示す式（１）により基準化されている。
【００１６】
ｙ’_ｋ・ｊ＝（ｙ’_ｋ・ｊ−ｍ_ｋ）／σ_ｋ・・・・・・（１）
図５は、基準化データ群に基づいて求められた相関行列Ｒを示す説明図である。図６は、相関行列Ｒの行列要素ｒ_ｉ・ｊの算出式である。図７は、相関空間Ｒの逆行列Ａを示す説明図である。図８は、マハラノビス距離Ｄ^２を求めるための算出式である。相関行列Ｒの行列要素ｒ_ｉ・ｊおよびｒ_ｊ・ｉ（ｉ、ｊ＝１〜Ｐ）は、図６に示す式（２）により、基準化データ群の各データｙ_ｉ・ｊおよびｙ_ｊ・ｉの関数から求められる。そして、相関行列Ｒから相関行列Ｒの逆行列Ａ、すなわち、マハラノビス空間Ａ（基礎空間Ａ）を求めることができる。マハラノビス空間を求めるための全ての演算処理は、工場用のサーバ４内の演算部９で行われる。マハラノビス空間Ａである逆行列Ａの各行列要素ａ_ｉ・ｊ（ｉ、ｊ＝１〜Ｐ）は、工場用のサーバ４内の記憶部１０に格納される。
【００１７】
マハラノビス空間Ａを得た後、工場用のサーバ４は、ホストコンピュータ１のデータベースから所定の周期でパラメータデータのサンプリングを行う。サンプリングにより得られたサンプリングデータｙ’_１、…、ｙ’_Ｐに対して、式（１）を用いて基準化処理を行い、図示しない基準化データｙ_１、…、ｙ_Ｐを求める。これらのサンプリングデータｙ’_１、…、ｙ’_Ｐおよび基準化データｙ_１、…、ｙ_Ｐは、随時、工場用のサーバ４内の記憶部１０に格納されるとともに、各種グラフ５、６、７や帳票８として出力される。
【００１８】
続いて、演算部９において、図８に示す式（３）によりマハラノビス距離Ｄ^２を求める。マハラノビス距離Ｄ^２は、工場用のサーバ４内の記憶部１０に格納されるとともに、各種グラフ５、６、７や帳票８として出力される。ここで、式（３）におけるｙｉとｙｊは、サンプリングデータｙ’_１、…、ｙ’_Ｐの基準化データｙ_１、…、ｙ_Ｐから求められる。また、ａｉ・ｊは、マハラノビス空間Ａの行列要素である。
【００１９】
マハラノビス距離Ｄ^２は、基準化データｙ_１、…、ｙ_Ｐとマハラノビス空間Ａを求める根拠となった基準データ群ｙ_１・１、…、ｙ_Ｐ・ｎとの類似性が高い程、１に近い値を示す。すなわち、マハラノビス空間Ａが正常な生産状況下でのデータ群に基づいて作成されている限り、マハラノビス距離Ｄ^２が１に近いほど正常な生産状態に近いことを意味する。反対に、マハラノビス距離Ｄ^２が１から離れるほど正常な生産状態から遠ざかることを意味する。
【００２０】
したがって、マハラノビス距離Ｄ^２が予め設定された閾値を超えたか否かを比較部１１で判定することにより、生産状況が正常な状態であるか否かを判定することができる。閾値は、必要な管理の厳密度合いによって適宜変更可能である。
【００２１】
本発明の第１の実施形態によれば、ホストコンピュータ１のデータベースから製造管理パラメータデータを一定周期毎にサンプリングし、サンプリングしたデータを利用して生産状況が正常な状態であるか否かを逐次判定することができる。この結果、製造工場における生産状況を効率良く管理することができる。
【００２２】
第２の実施形態
第１の実施形態では、正常な生産状況に基づいたサンプリングパラメータデータからマハラノビス空間Ａを作成した。それに対して、第２の実施形態の特徴は、理想値に基づいた乱数である製造管理パラメータデータからマハラノビス空間（基礎空間）を作成することにある。そして、生産状態が理想状態に近いか否かを判定することが可能となる。
【００２３】
図９は、予め設定された各製造管理パラメータデータの理想値Ｉ_ｋ、理想値Ｉ_ｋの上限値Ｕ_ｋおよび下限値Ｌ_ｋを示す説明図である。理想値Ｉ_ｋ、理想上限値Ｕ_ｋおよび下限値Ｌ_ｋは任意に設定され、Ｌ_ｋ≦Ｉ_ｋ≦Ｕ_ｋの関係を満たしている。
【００２４】
図１０は、理想値Ｉ_ｋ、理想上限値Ｕ_ｋおよび下限値Ｌ_ｋに基づいて作成された乱数の基礎データ群を示す説明図である。データ形式は、図２と同じ形式を用いている。マハラノビス空間（基礎空間）Ａとして用いられる任意のデータＹ’_ｋ・ｊは、Ｌ_ｋ≦Ｙ’_ｋ・ｊ≦Ｕ_ｋを満たす乱数で設定される。マハラノビス空間（基礎空間）Ａを理想値に基づいた乱数によって作成する以外、システム構成およびそれを用いた管理方法は第１の実施形態と同様である。
【００２５】
図１１は、時間の経過に伴う生産状況の変化をマハラノビス距離の推移で示した説明図である。算出されたマハラノビス距離Ｄ^２と予め設定されたそれぞれの閾値の範囲と照合することにより、現在の生産状況が正常状態、警戒状態あるいは異常状態のいずれの状態であるかを判定することが可能である。
【００２６】
本発明の第２の実施形態によれば、ホストコンピュータ１のデータベースから一定周期毎にサンプリングされる製造管理パラメータデータと理想値の許容範囲内で発生させた乱数に基づいて作成された基礎空間（所謂、理想空間）との乖離度（マハラノビス距離）を利用して生産状況が理想状態に近い状態であるか否かを逐次判定することができる。この結果、製造工場における生産状況を効率良く管理することができる。
【００２７】
第３の実施形態
先に紹介した第１、第２の実施形態は、製造工程全体の生産状況が正常であるか否かを判定するものであった。第３の実施形態では、生産状況が異常と判定された場合、異常な工程や異常な製造装置を特定し抽出することを特徴としている。
【００２８】
図１２は、サンプリングされた製造管理パラメータデータの基準化データの一例、異常なパラメータの抽出例および異常なパラメータのグラフの出力例を示す説明図である。
【００２９】
サンプリングされた生産管理パラメータデータ（ｙ’_１、…、ｙ’_ｋ、…、ｙ’_ｐ）を基準化した基準化データは、管理システム２０の記憶部１０に保存されている。これら基準化データ値Ｂの絶対値｜Ｂ｜がより大きいほど、マハラノビス空間（基礎空間）Ａからの乖離度（マハラノビス距離）が大きいということが判断できる。マハラノビス距離Ｄ^２は、一定周期毎にホストコンピュータ１のデータベースからサンプリングされる製造管理パラメータデータに基づいて随時算出することが可能である。
【００３０】
マハラノビス距離Ｄ^２が予め設定された値と比べて異常と判断された場合、異常パラメータデータ群が抽出される。マハラノビス距離Ｄ^２の算出後、複数の製造管理パラメータ毎にマハラノビス空間（基礎空間）Ａの基準化データの平均値に対する変位量を算出する。これら変位量から、各製造工程の異常状態に対する影響度を判定することができる。異常パラメータデータ群は、異常度が高い順に整列される。図１２にそのサンプルが示されている。
【００３１】
次に、基準化データの異常度の判断基準について説明する。上述した通り、基準化データ値Ｂは測定値から平均値を引いた後、標準偏差σ_ｋで割り算して求めた値である。したがって、基準化データＢの絶対値｜Ｂ｜が「１」であるということは、１シグマ分のバラツキがあるということを意味する。同様に、基準化データＢの絶対値｜Ｂ｜が「２」であるということは、２シグマ分のバラツキがあるということを意味する。基準化データＢの絶対値｜Ｂ｜が「３」であるということは、３シグマ分のバラツキがあるということを意味する。
【００３２】
このとき、基準化データＢの絶対値｜Ｂ｜が「１」以内であれば、生産状況に特に支障を来たさないと判断できる。一方、基準化データＢの絶対値｜Ｂ｜が「２〜３」以上になると、異常度は極めて高いと判断される。ただし、このような定義が成立するのは、マハラノビス空間（基礎空間）Ａを正常な生産状況下におけるデータ群に基づいて作成した場合である。製造管理パラメータデータの理想値に基づいてマハラノビス空間（基礎空間）Ａを作成した場合は、基準化データ値Ｂを相対的に比較し、その大小を判断する必要がある。
【００３３】
さらに、異常なパラメータは、各パラメータのグラフや帳票にリンクさせ出力することが可能である。図１２にそのサンプルが示されている。また、図示しないが、予め関連付けを設定しておいた各種パラメータのグラフや帳票をリンクさせることも可能である。
【００３４】
本発明の第３の実施形態によれば、熟練の管理者でなくても異常な工程や装置を即座に発見し対処することができる。したがって、製造工場における生産状況の悪化を最小限に留めることができる。
【００３５】
第４の実施形態
マハラノビス距離は、個々のパラメータ間の相関関係も考慮したものである。したがって、マハラノビス距離への影響度は、個々のパラメータの乖離度だけでなく、個々のパラメータ間の相関関係の異常度についても考慮することが望ましい。製造工程において異常が発生すると、マハラノビス距離が大きくなる。この異常時のマハラノビス距離ＭＤ_ａｂがどのパラメータの影響により大きくなったかを調べる必要がある。本実施形態では、個々のパラメータのマハラノビス距離への影響度の算出、特に、マハラノビス距離に対する個々のパラメータ間の相関関係の異常度の算出方法について説明する。
【００３６】
製造管理パラメータをｑ個とし、異常時に測定されたサンプリングデータ（ｙ’_１、…、ｙ’_ｋ、…、ｙ’_ｐ）の中から、ｑＣｎ（ｎ＝１、２、…）の組合せでｎ個のパラメータデータＹ_ｋを抽出する。ｎ＝１のときの組合せはＰ通り、一方、ｎ＝２のとき組合せはＰ×（Ｐ−１）／２通り（以下、Ｘ通り）である。
【００３７】
ｎ＝２の場合であれば、Ｘ通り抽出した２個のパラメータデータＹ_ｋ（ｋは、１〜Ｐの任意の２つ）をマハラノビス空間（基礎空間）Ａにおける平均値ｍ_ｋ、あるいは理想値Ｉ_ｋに変換する。ここで、平均値ｍ_ｋおよび理想値Ｉ_ｋは、先に説明したものと同じであるため、その詳細な説明は省略する。そして、Ｘ個のマハラノビス距離ＭＤ_ｊを改めて算出する。
【００３８】
改めて算出された、Ｘ個のマハラノビス距離ＭＤ_ｊと異常時のマハラノビス距離ＭＤ_ａｂとの乖離度が最も大きい組合せが、最もマハラノビス距離を悪化させているパラメータであると判断することができる。すなわち、生産状況を最も悪化させている異常なパラメータを特定し抽出することができる。
【００３９】
図１３は、ｋ＝１の組合せを用いたパラメータのマハラノビス距離への影響度の算出例を示す説明図である。パラメータＹ_１の異常によりマハラノビス距離ＭＤ_１が悪化したと仮定した場合、サンプリングデータｙ_１をマハラノビス空間（基礎空間）Ａの平均値ｍ_１とする。そのとき、改めて算出されたマハラノビス距離ＭＤ_１は極端に小さくなる。このとき、他のパラメータＹ_２〜Ｙ_Ｐは元々正常な状態であるため、改めて算出されたＭＤ_２〜ＭＤ_Ｐはほとんど変化しない。Ｐ通りの組合せのパラメータのマハラノビス距離への影響度は、マハラノビス距離ＭＤ_ｊと異常時のマハラノビス距離ＭＤ_ａｂとの乖離度ＭＤ_ａｂ−ＭＤ_ｊで表すことができる。そして、乖離度ＭＤ_ａｂ−ＭＤ_ｊが大きいパラメータ程、マハラノビス距離への影響度が高いパラメータであるといえる。
【００４０】
図１４は、ｋ＝２の組合せを用いたパラメータのマハラノビス距離への影響度の算出例を示す説明図である。Ｘ通りの組合せのパラメータのマハラノビス距離への影響度が示されている。１つのパラメータだけでなく複数のパラメータの変動を考慮することは、互いに相関関係を持つ複数のパラメータ間の異常に起因したマハラノビス距離の変化を特定し抽出することを可能にする。
【００４１】
図１５は、対処すべき製造工程の優先順位を示した出力例を示す説明図である。それぞれの製造管理パラメータが同等の優先順位を持つ例として、図１３と図１４に基づき作成されている。図示しないが、製造管理パラメータに絶対優先順位を設けることも可能である。
【００４２】
本発明の第４の実施形態によれば、マハラノビス距離の算出に用いた複数のパラメータから、任意の組み合わせによるパラメータ（組合せパラメータ）を抽出し、この組み合わせパラメータを基礎空間における平均値あるいは理想値に変換し、再度、マハラノビス距離を求める。そして、異常時のマハラノビス距離に対する改めて算出されたマハラノビス距離の変位量から複数のパラメータの中で最も悪影響を与えているパラメータを特定し抽出することができる。
【００４３】
第５の実施形態
図１６は、ウエハプロセスの投入（Ｓｔａｒｔ）から出来（Ｅｎｄ）までの全工程フローを分類した区間と各製造装置との関係を示す説明図である。区間の区切りの工程は、工場用のサーバ４の記憶部１０に保存されている。生産ラインでは、多数かつ多種の工程フローが存在するため、全工程フローに共通の工程を可能な限り選択する。共通工程がない場合は、共通工程に近い工程を選択する。次に、生産ラインの各装置がどの区間に属するかを登録する。ホストコンピュータ１のデータベースから装置情報を取得し工場用のサーバ４の記憶部１０に登録する。あるいは、工場用サーバ４の入力部１２から記憶部１０内へ登録することも可能である。
【００４４】
図１７は、生産影響度を考慮した危険度レベルの出力例を示す説明図である。危険度レベルは、６段階に分類されるとともに、仕掛りの下限、仕掛りの目標、区間の重み付けから算出した危険ポイントにより決定される。危険ポイントは、次の式により求められる。
【００４５】
重み×（仕掛り目標−仕掛り実績）／（仕掛り目標−仕掛り下限）・・（４）
図１８は、生産影響度を考慮した危険度レベルの他の出力例を示す説明図である。区間における処理中のウエハロット数（ＩＰＷ：In-Process Wafer）を考慮したものである。ＩＰＷは、製造装置の稼動量を示していると理解することができる。危険度レベルは、６段階に分類されるとともに、ＩＰＷの下限、ＩＰＷの目標、区間の重み付けから算出した危険ポイントにより決定される。危険ポイントの算出は、上述した式（４）を準用する。
【００４６】
図１７および図１８に示した危険度レベルの出力は、個々の製造装置とリンクしている。また、個々の製造装置がどの区間に属しているかをイントラネットを利用してネットワークを構築することが可能である。
【００４７】
生産の各パラメータである、仕掛り量（ＷＩＰ：Work In Progress）、日々の処理量（ＤＧＲ：Dairy Going Rate）、サイクルタイム（ＣＴ：Cycle-Time）、フローファクター（ＦＦ：Flow-Factor）、装置の処理時間（ＲＰＴ：Raw Process Time）は、互いに様々な関係式を保っている。したがって、図１７および図１８に例示したように、各種パラメータ（仕掛り、稼動状況、工程の重み、設備不可のデータ等）を個々に、あるいは組合せて優先順位を決定することができる。
【００４８】
本発明の第５の実施形態によれば、ホストコンピュータのデータベースから一定間隔でサンプリングされる生産データ値と、予め設定された設定値（例えば、下限仕掛り、目標仕掛り、重み）を用いて、それぞれの製造装置がどの程度生産性を悪化させているかを危険度レベルで逐次判定することができる。その結果、複数の製造装置にトラブルが発生した場合であっても、対処の優先度や緊急度の判定、生産の改善状況を判断することが可能となる。
【００４９】
第６の実施形態
図１９は、時刻とフローファクターの関係を示す時計型のＦＦアナライザチャートである。１５分毎にフローファクター（ＦＦ）をモニタリングし、時計型の円形グラフを工場用のサーバ４の出力部１３に出力する。ＦＦは、ホストコンピュータ１のデータベースから短周期にかつ容易に収集可能な仕掛り量（ＷＩＰ）と処理中のウエハロット数（ＩＰＷ）から、ＦＦ＝ＷＩＰ／ＩＰＷで求められる。ＷＩＰとＩＰＷは、次に示す項目（区間、エリア、工程、装置）毎に収集され、それぞれの場合に対してＦＦが算出されている。なお、ＩＰＷは、装置稼動量を示していると理解できる。
【００５０】
ａ．全区間
ｂ．６区間毎（任意で設定可能）
ｃ．エリア毎（エッチング、ホトリソグラフィ、スパッタリング、…）
ｄ．工程毎（アクティブ-エッチング、配線−スパッタリング、…）
ｅ．製造装置群毎（ＡＡＡＡ、ＫＫＫＫ、ＳＳＳＳ、…）
ｆ．製造装置毎（ＡＡＡＡ０１、ＫＫＫＫ０９、ＳＳＳＳ０５、…）
一般的に、ＦＦが小さいほど生産スピードが速い。しかしながら、ＷＩＰとＩＰＷがともに減少した場合、ＦＦは変化しない。すなわち、仕掛り量（ＷＩＰ）と装置稼動量（ＩＰＷ）とが、ともに減少した状況を把握することが難しい。
【００５１】
図２０（ａ）および図２０（ｂ）は、時刻と仕掛り量および装置稼動量を同時認識可能なＷＩＰ−ＩＰＷアナライザチャートである。特に、図２０（ｂ）は、ＦＦ異常時における、ＷＩＰ−ＩＰＷアナライザチャートである。図２０（ａ）や図２０（ｂ）に例示したアナライザチャートを工場用のサーバ４の出力部１３に出力することにより、各製造装置の異常状態（停止状態）を適切に判断することが可能である。
【００５２】
本発明の第６の実施形態によれば、一定の周期毎にサンプリングされるＷＩＰとＩＰＷとからＦＦを算出し、イントラネット（ＷＥＢ）を介してタイムリーに工場用のサーバ４に出力することできるので、製造装置や工程の稼動状況を迅速に判断し、対処することが可能となる。
【００５３】
各実施形態では、半導体製造工程のウエハプロセスに適用した例を説明したが、これに限定されず、各種製造工程にも適用可能であることは言うまでもない。
【００５４】
【発明の効果】
本発明の製造工程のための管理方法によれば、複数のパラメータデータの集合体から導き出される相関行列の逆行列で表現するため、各パラメータデータが単独に取り扱われることはなく、パラメータデータ相互間の相関関係が考慮されるマハラノビス空間に基づいて生産状態が正常であるか否かが判定される。したがって、パラメータデータ相互間の相関関係が考慮されない従来方法では得られない精度の高さで製造工程を管理することができる。
【図面の簡単な説明】
【図１】管理システムを示す説明図である。
【図２】製造管理パラメータデータ群を示す説明図である。
【図３】測定データ群を示す説明図である。
【図４】基準化データ群を示す説明図である。
【図５】基準化データ群に基づいて求められた相関行列Ｒを示す説明図である。
【図６】相関行列Ｒの行列要素ｒ_ｉ・ｊを求めるための算出式である。
【図７】相関空間Ｒの逆行列Ａを示す説明図である。
【図８】マハラノビス距離Ｄ^２を求めるための算出式である。
【図９】予め設定された各製造管理パラメータデータの理想値Ｉ_ｋ、理想値Ｉ_ｋの上限値Ｕ_ｋおよび下限値Ｌ_ｋを示す説明図である。
【図１０】理想値Ｉ_ｋ、理想上限値Ｕ_ｋおよび下限値Ｌ_ｋに基づいて作成された乱数の基礎データ群を示す説明図である。
【図１１】時間の経過に伴う生産状況の変化をマハラノビス距離の推移で示した説明図である。
【図１２】サンプリングされた製造管理パラメータデータの基準化データの一例、異常なパラメータの抽出例および異常なパラメータのグラフの出力例を示す説明図である。
【図１３】ｋ＝１の組合せを用いたパラメータのマハラノビス距離への影響度の算出例を示す説明図である。
【図１４】ｋ＝２の組合せを用いたパラメータのマハラノビス距離への影響度の算出例を示す説明図である。
【図１５】対処すべき製造工程の優先順位を示した出力例を示す説明図である。
【図１６】ウエハプロセスの投入（Ｓｔａｒｔ）から出来（Ｅｎｄ）までの全工程フローを分類した区間と各製造装置との関係を示す説明図である。
【図１７】生産影響度を考慮した危険度レベルの出力例を示す説明図である。
【図１８】生産影響度を考慮した危険度レベルの他の出力例を示す説明図である。
【図１９】時刻とフローファクターの関係を示す時計型のＦＦアナライザチャートである。
【図２０】時刻と仕掛り量および装置稼動量を同時認識可能なＷＩＰ−ＩＰＷアナライザチャートである。
【符号の説明】
１ホストコンピュータ
２ａ、２ｂ端末
３ａ、３ｂ製造装置
４工場用のサーバ
１０記憶部
１１比較部
１２入力部
１３出力部
１４ＬＡＮ（Local Area Network）
２０管理システム

Claims

コンピュータを用いた製造工程のための管理方法であって、
前記コンピュータが、
複数の工程を含む製造工程の複数の製造管理パラメータの理想データおよび前記理想データの許容範囲を設定するステップと、
前記理想データの許容範囲内で乱数を発生するステップと、
前記乱数に基づいて前記複数の製造管理パラメータ毎のマハラノビス空間を作成するステップと、
前記製造工程の稼動時における前記複数の製造管理パラメータのデータを所定の周期でサンプリングするステップと、
サンプリングデータを準備するステップと、
前記マハラノビス空間および前記サンプリングデータから第１のマハラノビス距離を算出するステップと、
前記複数の製造管理パラメータの中から任意の組合せパラメータデータ群を作成するステップと、
前記マハラノビス空間および前記任意の組合せパラメータデータ群から第２のマハラノビス距離を算出するステップと、
前記第１のマハラノビス距離に対する前記第２のマハラノビス距離の変位量から、前記製造工程における前記複数の工程それぞれの理想状態に対する影響度を判定するステップと、
を実行することを特徴とする製造工程のための管理方法。
前記製造工程のための管理方法により管理される情報を、ローカルエリアネットワークを経由してホストコンピュータに保存するとともに、イントラネットを介して複数のサーバからアクセス可能にするステップを前記コンピュータが実行することを特徴とする請求項１記載の製造工程のための管理方法。
コンピュータを用いた製造工程のための管理方法であって、
前記コンピュータが、
複数の工程を含む製造工程の正常状態下における複数の製造管理パラメータのデータをサンプリングするステップと、
第１のサンプリングデータを準備するステップと、
前記第１のサンプリングデータに基づいて前記複数の製造管理パラメータのマハラノビス空間を作成するステップと、
前記製造工程の稼動時における前記複数の製造管理パラメータのデータを所定の周期でサンプリングするステップと、
第２のサンプリングデータを準備するステップと、
前記マハラノビス空間および前記第２のサンプリングデータから第１のマハラノビス距離を算出するステップと、
前記複数の製造管理パラメータの中から任意の組合せパラメータデータ群を作成するステップと、
前記マハラノビス空間および前記任意の組合せパラメータデータ群から第２のマハラノビス距離を算出するステップと、
前記第１のマハラノビス距離に対する前記第２のマハラノビス距離の変位量から、前記製造工程における前記複数の工程それぞれの異常状態に対する影響度を判定するステップと、
を実行することを特徴とする製造工程のための管理方法。
前記製造工程のための管理方法により管理される情報を、ネットワークを経由してホストコンピュータに保存するとともに、イントラネットを介して複数のサーバからアクセス可能にするステップを前記コンピュータが実行することを特徴とする請求項３記載の製造工程のための管理方法。
コンピュータを用いた製造工程のための管理方法であって、
前記コンピュータが、
複数の工程を含む製造工程の複数の製造管理パラメータの理想データおよび前記理想データの許容範囲を設定するステップと、
前記理想データの許容範囲内で乱数を発生するステップと、
前記乱数に基づいて前記複数の製造管理パラメータ毎のマハラノビス空間を作成するステップと、
前記製造工程の稼動時における前記複数の製造管理パラメータのデータを所定の周期でサンプリングするステップと、
サンプリングデータを準備するステップと、
前記マハラノビス空間および前記サンプリングデータからマハラノビス距離を算出するステップと、
前記マハラノビス距離と所定値とを比較することにより、前記製造工程の理想状態との乖離度を判定するステップと、
を実行することを特徴とする製造工程のための管理方法。
前記マハラノビス空間を作成するステップは、前記マハラノビス空間を前記サンプリングデータの相関行列の逆行列により求めることを特徴とする請求項５記載の製造工程のための管理方法。
前記コンピュータが、さらに、前記マハラノビス距離の算出後、前記複数の製造管理パラメータ毎に前記サンプリングデータの平均値に対する変位量を算出するステップと、
前記複数の製造管理パラメータ毎の前記変位量から、前記製造工程における前記複数の工程それぞれの異常状態に対する影響度を判定するステップと、
を実行することを特徴とする請求項５記載の製造工程のための管理方法。
前記製造工程のための管理方法により管理される情報を、ローカルエリアネットワークを経由してホストコンピュータに保存するとともに、イントラネットを介して複数のサーバからアクセス可能にするステップを前記コンピュータが実行することを特徴とする請求項５記載の製造工程のための管理方法。