《用多变量模型控制制造工艺的制作方法》由会员分享，可在线阅读，更多相关《用多变量模型控制制造工艺的制作方法（6页珍藏版）》请在金锄头文库上搜索。
1、用多变量模型控制制造工艺的制作方法专利名称：用多变量模型控制制造工艺的制作方法技术领域：本发明通常涉及制造工艺的数据分析和控制，尤其涉及用多变量模型控制制造工艺。背景技术：在许多行业中，在制造和研发二者中收集到很大的数据集合。制造工艺有时被归类为“批量”制造工艺或“连续”制造工艺。在批量制造工艺中，在原材料和/或经处理材料集合上执行具有起始步骤和终止步骤的一系列步骤来产生输出。在一些批量制造工艺中， 处理在包含一个或多个处理工具(例如，腔体或容器内的处理工具)的单一的工作站(例如，腔体或容器)进行。批量制造工艺的示例包括半导体晶片处理(例如，处理单一的晶片得到芯片集合)，制药处理(例如，该工艺
2、得到化学制品或药品的中间或最终输出集合)， 或生物技术处理(例如，该工艺得到特定生物发酵或细胞培养工艺)。在连续制造工艺中， 基本上不间断地制造、处理或生产材料。采用连续制造工艺的行业示例是，例如，石化行业 (例如，石油和天然气)或浮法玻璃行业。批量生产和连续生产之间的一个差别在于对于连续制造工艺，输入材料的化学变化在发生于材料流动流中的基本上连续的反应中进行；而在批量处理中，化学变化例如在容器或腔体中被分散地执行。在半导体设备制造行业中，设备制造商已学会通过依赖于处理工具制造商来转换到公差更接近的工艺和材料规范从而设计出更好和/或更快的工艺和硬件配置。然而，由于设备的几何形状缩小到纳米级，因
3、此增加了制造工艺的复杂性，并且更难以满足工艺和材料规范。当前半导体制造中所使用的一种典型处理工具可通过数千个工艺变量集合来进行描述。变量通常涉及制造工艺的物理参数和/或制造工艺中所使用的工具。在一些情况下，在这数千个变量中，数百个变量将是动态的(例如，在制造工艺期间或在制造工艺之间及时地改变)。基于例如具体处理制法(recipe)、处理步骤的整个序列中的特定步骤或一系列步骤、在制造工艺期间发生的错误和故障、或者基于使用特定工具或腔体的参数值的改变(例如，被称为“漂移”)来改变动态变量(例如，气流、气压、所传送的功率、电流、电压和温度)。类似地，在制药和生物技术生产中，诸如美国食品和药物管理局(
4、U. S. Food and Drug Administration)之类的管理机构要求遵守制造工艺的严格规范以保持在指定质量分布(profile)周围有很小变化的高质量产品。这些规范需要工艺变量的在线测量和附加的多维传感器技术，诸如例如，工艺气相色谱法、近红外光谱法、质谱法。理想地，在制造工艺期间所测量的数据可用于实时分析和/或校正，以提供有关工艺条件与工艺规范多近的指示和信息并且校正与规范的偏差。管理机构通常需要制造商证明工艺被保持在某个“知识空间”内，其中该知识空间包括已通过实验和/或机械知识探索的操作区域。例如，在制药和生物技术行业中，这个概念被称为“质量源于设计(Quality by
5、 Desing) ”或“QbD”。知识空间还可被称为“设计空间”，并且通常包括已生产出已被验证满足指定质量标准的产品的操作区域。工艺变量频繁地涉及产量变量或响应变量。基于变量之间的潜在关系，工艺变量可被认为是产量变量或响应变量的预测符或指示符。在制造工艺期间测量和存储指示工艺变量和产量变量的数据，以供实时或稍后分析。通常，两种类别的数据与制造工艺相关联。一种类型的数据，通常表示为X型数据 (例如，X数据、X变量、X组、或观测级数据)，表示因子、预测符、或指示符。X型数据用于对例如制造工艺或制造工艺的结果进行推测(projection)或预测。另一种类型的数据，通常表示为Y型数据(例如，Y数据、
6、Y变量、Y集合)，表示制造工艺的产量或响应。X型数据和Y型数据通常相关。通常X型数据和Y型数据之间的准确关系是不确定的，或者难以或不可能确定。在一些实例中，该关系可通过各种技术(例如，线性逼近、二次逼近、多项式拟合方法、指数或幂级数关系、多变量技术(诸如，主成分分析或偏最小二乘分析)等)进行逼近或建模。在这些情况下，可基于观测两种类型的数据的变化并且观测这些变化引起的对其他数据集合的响应来推断X型数据和Y型数据之间的关系。分析和控制制造工艺的一种方式被称为“统计数据过程控制”(“SPC”)或“多变量统计数据过程控制”(“MSPC”)。通常，统计数据过程控制方法是开环工艺，其中系统提供对制造工艺
7、的基于多变量的监控以确定工艺是否正常地操作。系统监控制造工艺以确定输出产品是否满足标准、过程是否与过去期望的操作相一致地操作、或其他监控标准。当统计数据工艺控制系统检测到与正常操作的偏差时，触发警报以将偏差发信号给操作人员或工艺工程师。操作人员或工艺工程师中断警报并且确定偏差的潜在原因。操作人员或工艺工程师随后手动地采取校正动作以将制造工艺返回到正常操作条件。SPC或MSPC工艺的一个缺点在于需要工艺工程师或操作人员诊断问题并且手动地实现校正步骤。而且，现有的统计数据工艺控制方法更难以应用于批量工艺。对批量制造工艺的控制包含沿着对应于批量工艺的期望结果的轨迹监控工艺并且保持工艺(例如，通过调整
8、工艺参数)。将多变量控制策略应用于批量工艺的这种方法试图优化批量级分数空间，并且随后确定得到优化的分数空间的工艺轨迹。发明内容先前方法的缺点包括与工艺工程师接收和中断警报并且随后决定和实现校正动作相关联的停工时间。在此描述的概念包含一种基于模型(例如，预测模型)、用于控制制造工艺的闭环工艺。预测模型被合并到系统或方法中，从而检测和标识制造工艺过程中的故障并且自动地操纵或控制制造工艺以保持期望的操作参数。使用在此描述的模型-预测概念允许对批量工艺的自动控制，例如，通过在处理期间调整批量轨迹来控制或优化批量工艺的结果。概念上，在此描述的方法在工艺监控之上和之外添加了一层多变量控制(例如，自动控制)
9、。由此，除了检测和诊断工艺中的潜在问题以外，在此描述的方法、系统、以及控制器可经由闭环工艺基本上实时地实现校正动作(例如，通过修改工艺的操作参数)，从而得到更高和更一致的质量、剔除或刮擦更少的材料或最终产品、更短的停机时间、以及更少的人为错误的机会。“质量源于设计”的概念促进了控制方法的使用，该控制方法调整工艺条件以确保6期望的和一致的质量。传统的基于模型的控制方法不适用于批量制造工艺并且未被设计成在设计空间内约束批量工艺，因此这些控制方法操纵制造工艺进入设计或知识空间外面的新的未探索的操作区域。在此描述的概念通过监控闭环系统的性能并且提供控制动作作为响应来克服这个障碍，这些控制动作激励或促使
10、制造工艺朝向可接受设计或知识空间，例如，通过准确分析地和加权地约束制造工艺朝向(例如，通过DModX测量的)可接受模型空间。使用在此描述的模型-预测概念允许对批量工艺的自动控制，例如，通过在处理期间调整批量轨迹以控制或优化批量工艺的结果。所实现的一个优点在于，避免了优化批量级分数空间并且随后输入轨迹以产生优化结果。相反，在此描述的系统和方法确定在批量处理完成时得到优化结果的一组操纵变量值。为了实现更严格的控制，操纵变量和操纵变量数据与因变量和因变量数据区分开。 变量类型之间的区别有助于对因变量轨迹以及多变量(例如，DModX)统计数据进行分析和确定。在这些配置中，可基本上实时地拒绝多变量(例如
11、，霍特林T2)和/或剩余(例如， DModX)空间中的干扰。拒绝变量变化的能力是在分析只与分数空间相关联的数据的系统中不存在的特征，这些变量变化可导致与多变量空间正交的干扰。在此描述的若干特征提供了对本领域技术人员将是显而易见的其他优点。例如， 多变量统计数据被嵌在基于模型的预测控制结构中。对于批量或连续制造工艺，预测控制结构可提供与制造工艺和制造工艺的控制相关联的某些类型的数据和统计数据的预期值。 而且，提供了连续和批量工艺的观测级控制，并且提供了批量工艺的批量级控制(例如，通过针对特定类型的制造工艺适应或配置多变量模型)。对于观测级控制(例如，对于连续或批量处理)和批量级控制(例如，对于批
12、量处理)，用于估算因变量(和/或操纵变量) 的未来值的多变量方法可用于计算那些变量的过去、当前和/或未来值并且基于预测的未来变化的结果适应或调整制造工艺。提供和/或预测多变量(例如，霍特林的T2或DModX) 统计数据或值(例如，分数或t分数)。而且，还描述了用于估算因变值的未来值的多变量方法。一个附加优点源于将X型变量分割或划分成子集合或子类型。X型数据的一个子集合被标识为操纵变量(或操纵变量值)并且表示为x v。X型数据的另一个子集合被标识为因变量并且表示为。操纵变量通常是可被直接控制的变量或操作参数，诸如例如，所供给的温度、化学浓度、PH、气压、所供给的功率、电流、电压、或处理时间。一般
13、而言，制造商通常因监控和分析系统中的处理器和存储器的限制而计算或监控约20个以下操作参数。包含20个以上操纵变量的工艺可变得在计算上难于处理的。因变量通常是由传感器测量但不能直接控制的变量。因变量的示例是，例如，腔体温度、气压、温度或压力梯度、杂质能级、 光谱和/或色谱分布等。另外，因变量可表示减小的数据集合(例如，从诸如温差、温度梯度等原始数据衍生的变量)。通常，在制造工艺期间不能直接调整因变量。因变量可例如经由已知关系或未知关系相关于、关联于、或者取决于操纵变量的值，这些关系可以或不可以根据经验来确定和/或建模。一方面，本发明涉及一种用于控制制造工艺的计算机实现的方法。该方法包含接收在制造
14、工艺期间所测量的因变量数据。因变量数据表示由一个或多个传感器观测的第一工艺参数集合的值。该方法包含从多个处理工具接收在制造工艺期间所测量的操纵变量数据以及接收预测操纵变量数据。操纵变量数据表示第二工艺参数集合(例如，可控或受控工艺参数)。该方法包含至少基于所接收的数据来确定预测分数值、多变量统计数据中的至少一个、或二者。该方法还包含至少基于预测分数值、多变量统计数据、或二者来确定制造工艺的操作参数。在一些实施例中，在操作工艺期间控制第二工艺参数集合(例如，其由操纵变量数据表示)。在操作工艺期间不直接控制第一工艺参数集合(例如，其由因变量数据表示)。 当操作参数包括操纵变量的值时，该方法包含将操
15、纵变量值提供给多个处理工具。该方法还包含基于操纵变量和因变量的过去或当前值来修改操纵变量的当前或未来值。该方法的一些实施例的特征在于，接收因变量数据的预测值。该方法还包含，在一些实现中，预测因变量数据的值。确定操作参数可包含满足控制器目标。满足控制器目标的示例包括优化操作目标函数，该操作目标函数关联制造工艺的工艺数据、产量数据、结果数据的值，或这些值的任意组合。目标函数可包括对因变量数据、操纵变量数据、预测分数值、多变量统计数据、或其任意组合的一个或多个约束。在一些实施例中，一个或多个约束是用户指定的。约束可与偏离多变量模型的惩罚相关联。合适的控制器目标包括二次型函数等。在这些实施例中，满足控
16、制器目标包括最小化目标函数的参数。一些实现包含确定分数或多变量统计数据(或统计数据)的期望值。 在一些实施例中，该方法包含使用因变量模型，该因变量模型基于操纵变量数据的确定值、 因变量数据的过去或当前值、或其组合来预测所预测因变量数据的值。在一些实施例中，该方法包含使用分数模型，该分数模型预测第一工艺参数集合 (例如，其由因变量数据表示)和第二工艺参数集合(例如，其由操纵变量数据表示)的未来值。该方法包含用多变量模型来确定分数、一个或多个多变量统计数据、或者二者的预测值。一些实现的特征在于，多变量模型接收所测量的操纵变量数据和因变量数据以及预测操纵变量数据和因变量数据。用于该方法的合适的多变量统计数据的示例包括如下的一个或多个分数、霍特林的T2值、DModX值、剩余标准偏差值、或其组合。多变量统计数据还可包括主组分 (principal component)分析t分数或偏最小二乘t分数、或二者。制造工艺可以是连续型或批量型制造工艺。另一方面，本发明涉及一种用于连续或批量型制造工艺的多变量控制器。该控制器包括控制模块，该控制模块与多个处理工具和多个传感器
