专利名称：工序和质量关系的模型生成装置及模型生成方法
技术领域：
本发明涉及模型生成装置和模型生成方法，所述模型生成装置取得可对与多个工序步骤组成的工序的状态相关联处理的对象品的质量产生影响的工序状态信息和有关对象品的检查结果信息，生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型。
背景技术：
以半导体为首的各种制品的制造工序必须适当地进行管理，以便提高制品的制造合格率，或维持合格率高的状态。
在专利文献1中，公开了以下内容根据取得数据时刻来形成对应CVD装置的真空度或加热器功率那样的装置状态数据和被制造的半导体器件的合格率或电特性那样的制品数据，从而对相关关系进行解析，并使用该结果来设定装置状态数据的管理基准，同时查明不良原因。
在专利文献2中，公开了以下内容在使用具有同等功能的多个制造装置来批量生产制品时，为了确定在合格率下降上影响大的不良装置，使用用于表示通过哪个装置进行了处理的处理历史数据和表示该处理的圆满完成的圆满完成数据，进行基于数据挖掘(data mining)的解析。
(日本)特开平9-219347号公报[专利文献2](日本)特开2002-323924号公报在专利文献1公开的技术中，对于关注的参数，限于可以知道合适的管理基准，而对于应该关注哪个参数，则取决于人的判断。因此，不能发现未被人关注的参数是否对合格率产生影响。
专利文献2中公开的技术，可以对不良装置进行指定，但除此以外不能进行详细的不良原因分析。
可是，为了更有效地进行制造合格率的提高和维持，不仅需要确定不良装置，而且需要确定有关制品的质量的制造上的信息。但是，与质量有关的信息可被确定的范围，最好是超过了人对与质量的关联进行预测的信息的范围，即还可从人不能预测的范围中进行确定。在上述任何一个文献中公开的技术都不满足这样的要求。
发明内容
本发明的目的在于提供一种装置和方法，根据可与工序的状态相关取得、通过有关与处理的对象品的质量的关联的预测而未被收入的多种信息，能够生成用于预测对象品的质量的模型。关于本发明的其他目的，从以下的说明中会变得清楚。
本发明的模型生成装置，输入在构成工序的各工序步骤执行期间中时序方式取得的、作为与工序状态相关联的信息的工序状态信息和有关该工序中被处理的对象品的检查结果信息，并生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型，该模型生成装置包括第一输入部，输入工序状态信息；第二输入部，输入检查结果信息；特征量提取部件，对每个对象品或对象品组(以下，在本说明书中称为单位对象品)及对每个工序步骤，从工序状态信息中提取工序特征量；以及解析部件，使用因相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息的关系的工序-质量模型。
根据该模型生成装置，根据可与工序的状态相关取得、通过有关与质量的关联的预测而未被收入的多种信息，能够生成用于预测对象品的质量的模型。特别是使用时序方式取得的工序状态信息，所以能够根据大量的信息来生成模型。此外，由于使用对每个工序步骤提取的工序特征量，所以能够生成充分反映了各工序步骤的特征的模型。
这里，在‘工序’中，包含制造工序，但不只是包含制造工序。在通过包含了‘工序’的制造工序制造的对象品中，包含半导体、FPD(平板显示器使用液晶、PDP、EL、FED等的显示器)、药品、化妆品、食品、化学、钢铁、纸浆、注塑成形、树脂。在‘工序’中包含的非制造工序中，包含水处理、垃圾处理、粪便处理、气体供给、发电、空调。
数据挖掘是从大规模的数据库中提取规则和模式的方法，作为其具体的方法，已知被称为决定树分析的方法和被称为回归树分析的方法。
第一输入部和第二输入部为相同的输入部也没有问题。
在该模型生成装置被用于多个种类的工序的情况下，也可以对每个工序种类生成工序-质量模型，与作为对工序种类进行确定的信息的工序确定信息形成对应，保存在模型生成装置或其他装置中。
所述模型生成装置为了对每个对象品提取工序特征量，还包括将确定单位对象品的对象品ID信息与工序特征量可形成对应地输入的第三输入部，第二输入部将检查结果信息与对象品ID信息可形成对应地输入，以便通过因相关单位对象品的通用关系而将工序特征量和检查结果信息可形成对应，模型生成装置还包括将对象品ID信息共用的工序特征量和检查结果信息形成对应的检查结果形成对应部件，解析部件使用通过检查结果信息形成对应部件形成对应的工序特征量和检查结果信息来执行解析。
这里，第三输入部是与第一或第二输入部相同的输入部也没有问题。
就对象品ID信息和工序特征量可形成对应地输入来说，至少包含两种情况。
第一，作为对模型生成装置的输入信息，有提供和单位对象品预先形成对应的工序状态信息的情况。例如，有以下情况工序装置的控制器对处理中的对象品ID信息进行确定，该控制器将工序状态信息和对象品ID信息形成对应，并向模型生成装置输出。在这样的情况下，在模型生成装置中不需要进行用于将单位对象品和工序状态信息形成对应的处理。由于工序特征量从工序状态信息中提取，因而在输入了与单位对象品形成对应的工序状态信息的情况下，在模型生成装置中可以将单位对象品和工序特征量形成对应。
第二，作为对模型生成装置的输入信息，有提供与单位对象品非形成对应的工序状态信息，在模型生成装置中进行用于将单位对象品和工序状态信息形成对应的处理的情况。例如，作为对模型生成装置的输入信息，有工序状态信息与取得它的时刻形成对应并提供，作为对模型生成装置的其他输入信息，对象品ID信息与该单位对象品被处理时刻形成对应并提供的情况。在这样的情况下，在模型生成装置中，通过将这些时刻共用或接近，可以将单位对象品和工序状态信息形成对应。由此，在单位对象品和工序状态信息形成对应的情况下，在模型生成装置中可以将单位对象品和工序特征量形成对应。
为了对每个工序步骤提取工序特征量，所述模型生成装置还包括将工序步骤和工序状态信息形成对应的步骤形成对应部件。
步骤形成对应部件使用特定的工序状态信息变化的定时来生成工序步骤，将生成的工序步骤和工序状态信息形成对应。
使用哪个工序状态信息的哪个变化定时来生成工序步骤，可以根据需要，基于作业者输入到模型生成装置中的指示而确定。或者，也可以将有关如何生成工序步骤的指示预先设定在模型生成装置中。
为了确定一个工序步骤的开始或结束，在工序状态信息内，可以使用一个项目的信息，也可以使用从多个项目内容中逻辑运算所得的结果。作为工序步骤的开始或结束的定时，为了确定相互不同的定时，可使用相互相同的项目信息或逻辑运算，也可以使用相互不同的项目信息或逻辑运算。
除了以上特征以外，步骤形成对应部件使用特定的工序状态信息变化的定时来对期间进行确定，通过将所述期间进一步分割而至少生成一部分工序步骤。
这样的话，即使在工序状态信息没有明显的变化的期间，也将其分割为多个工序步骤，可对通过分割而生成的每个工序步骤使用提取出的特征量，所以即使是分割前的期间产生的工序特征量的短期间的变化，也可以生成充分反映的工序-质量模型。
上述模型生成装置也可以包括其他结构的步骤形成对应部件。
一个其他结构的步骤形成对应部件，作为对模型生成装置的输入信息，将工序状态信息与取得它的时刻形成对应并提供给模型生成装置，作为其他的输入信息，将对工序步骤进行确定的信息与该工序步骤被执行的时刻形成对应并提供给模型生成装置的情况作为前提。该步骤形成对应部件通过这些时刻被共用或接近而将工序步骤和工序状态信息形成对应。
而且，其他结构的步骤形成对应部件，作为对模型生成装置的输入信息，将工序状态信息与取得它的时刻形成对应并提供给模型生成装置，而且以在与工序执行有关的基准时刻中提供同步信号的情况作为前提。该步骤形成对应部件只要通过包含以来自基准时刻的相对时间表示的各工序步骤的开始时间、结束时间、各工序步骤的持续时间等信息而提供基准时刻，就具有可以对各工序步骤的执行时刻进行确定的工序步骤预定信息，而且，使用与步骤状态信息形成对应的时刻信息、以及从工序步骤预定信息及同步信号中求出的各工序步骤应该执行的时刻，将工序步骤和工序状态信息形成对应。
有时在模型生成装置中不需要步骤形成对应部件。作为对模型生成装置的输入信息，有提供与工序步骤预先形成对应的工序状态信息的情况。例如，有在工序装置的控制器中设定了工序步骤的划分方法，该控制器将工序状态信息与工序步骤形成对应，向模型生成装置输出的情况。这样的情况下，在模型生成装置中不需要进行用于将工序步骤和工序状态信息形成对应的处理。
包括步骤形成对应部件的所述模型生成装置还包括在多个工序步骤中，将在比工序步骤的最小期间短的一定周期内连续取得的工序状态信息与取得它的时刻进行可对应地存储的存储部件，步骤形成对应部件从所述存储部件中读取在处理中使用的工序状态信息。
这样的话，由于工序状态信息的取得周期是一定的，所以有关事前的设定作业那样的取得工序状态信息的准备作业变得简单。此外，由于在多个工序步骤中以一定的周期来取得工序状态信息，所以不输入与工序步骤形成对应的工序状态信息，并在模型生成装置内容易基于工序状态信息的变化定时而生成工序步骤。
这里，还可以设存储部件存储在插入几个中断期间的期间中取得的工序状态信息。这种情况下，取得期间可与工序步骤对应，也可以不对应。
对于工序中使用的工序装置的动作，在存在可与特定的单位对象品形成对应的待机期间的情况下，将一定周期中连续取得的工序状态信息与取得它的时刻可对应存储的存储部件，还将待机期间取得的工序信息与取得它的时刻可对应地存储，步骤形成对应部件还从所述存储部件中读取有关在待机期间取得的工序信息，将待机期间作为一个工序步骤进行处理。
这样的话，可以将待机期间中的工序装置的状态反映在工序-质量模型中。
所述的模型生成装置，在第一输入部输入的工序状态信息的至少一部分信息项目在多个工序步骤之间相互共用的情况下，特征量提取部件提取的特征量的项目，在属于该工序步骤组的每个工序步骤中，包含从工序状态信息的共用的信息项目中可提取的共用的特征量项目。
这样的话，容易提高在工序-质量模型的生成中使用的信息的包罗性。
工序步骤的期间和工序状态信息的对应关系最终为上述关系就可以。不需要在输入时判明与哪个步骤对应的工序状态信息。
作为工序状态信息的信息项目为共用的情况的例子，如下那样。
在一个情况中，有使用单一的工序装置来执行多个工序步骤的情况。由于在各工序步骤中使用共用的工序装置，所以可以取得共用的信息项目的工序状态信息。
在另一个情况中，有执行一个或多个工序步骤的同种工序装置被使用多个的情况。对于由各自的工序装置执行的工序步骤间，工序装置的种类相同，所以可以取得共用的信息项目的工序状态信息。
无论哪种情况，最好是取得的工序状态信息的项目和提取的工序特征量的项目，在各工序步骤之间尽量共用。特别是只要可能，对于各工序步骤，最好是完全共用取得的工序状态信息的项目和提取的工序特征量的项目。这样的话，可以提高在工序-质量模型的生成中使用的信息的包罗性。
在工序中使用多个工序装置的情况下，所述模型生成装置还包括将处理中的对象品被一个工序装置处理后直至被其他工序装置进行处理的滞留时间信息与确定单位对象品的对象品ID信息可形成对应地输入的第4输入部，解析部件将与单位对象品形成对应的滞留时间信息作为一个工序特征量项目来执行所述解析。
这里，第四输入部是与第一至第三输入部的任何一个相同的输入部也没有问题。
第四输入部输入与对象品ID信息形成对应的滞留时间信息就可以。或者，滞留时间信息和对象品ID信息具有时刻信息那样的共用的附加信息，以这样的附加信息作为密钥，模型生成装置也可以将滞留时间信息与单位对象品形成对应。
包括了将对象品ID信息共用的工序特征量和检查结果信息形成对应的检查结果形成对应部件的所述模型生成装置，还包括将有关工序中使用的工序装置的故障信息与对象品ID信息可形成对应地输入的第五输入部，检查结果信息形成对应部将对象品ID信息共用的工序特征量和检查结果信息及故障信息形成对应，解析部件使用检查结果形成对应部件形成对应的工序特征量和检查结果信息及故障信息来执行解析，从而生成包含了工序特征量和故障信息的关系的工序-质量模型。
这里，第五输入部是与第一至第四输入部的任何一个相同的输入部也没有问题。
包括了将对象品ID信息共用的工序特征量和检查结果信息形成对应的检查结果形成对应部件的所述模型生成装置，还包括将对一个或多个工序步骤一并提供的工序补充信息与对象品ID信息可形成对应地输入的第6输入部，检查结果形成对应部件将对象品ID信息共用的工序特征量和检查结果信息及工序补充信息形成对应，解析部件使用由检查结果形成对应部件形成对应的工序特征量和检查结果信息及工序补充信息来执行解析，从而生成工序-质量模型。
这样的话，例如，可以将有关作业者、维修、环境等的工序补充信息反映在工序-质量模型中。
这里，第六输入部是与第一至第五输入部的任何一个相同的输入部也没有问题。
所述模型生成装置还可以包括生成时序预测模型的时序解析部件，所述时序预测模型表示有关工序特征量变化的预测。
时序解析部件可以生成与工序-质量模型中项目存在的工序特征量相关联的时序预测模型。
这样的话，可以对于与质量关联大的工序特征量的项目进行时序预测，所以能够高效率地获得有用的时序预测。
所述模型生成装置还包括工序-质量模型提供部件，积蓄并提供预先生成的工序-质量模型；以及判定部件，在工序-质量模型中采用工序特征量而进行异常的检测和异常种类的确定。
这样的话，在进行检查之前，或者不进行检查，就可以进行有关对象品的预测的异常检测及异常种类的指定。
包括工序-质量模型提供部件和判定部件的所述模型生成装置，还包括生成时序预测模型的时序解析部件，所述时序预测模型表示有关工序特征量变化的预测，判定部件在工序-质量模型中采用由时序解析部件预测的工序特征量，进行预测将来发生的异常的检测及异常种类的指定。
这里，进行预测的异常的检测，可以包括确定被预测的异常发生的时期。
在工序-质量模型以规则式的形式来表现的情况下，也可以对工序-质量模型的规则式中项目存在的工序特征量，生成时序预测模型。这种情况下，以在包含了该工序特征量的规则式中所示的数值作为阈值，将其与该工序特征量进行比较，从而进行异常检测就可以。这样进行异常检测，是将该工序特征量应用于工序-质量模型的一种方式。
包括了输入故障信息的第五输入部的所述模型生成装置还可以包括时序解析部件，生成时序预测模型，所述时序预测模型表示有关工序特征量变化的预测；工序-质量模型提供部件，积蓄并提供预先生成的工序-质量模型；以及故障判定部件，在工序-质量模型中采用由时序解析部件预测的工序特征量，进行预测将来发生的工序装置的故障检测及故障种类的确定。
这里，进行被预测的工序装置的故障的检测，可以包括指定被预测的异常发生的时期。
所述的模型生成装置，解析部件从使用与一组工序步骤对应的工序特征量而生成的工序-质量模型中，仅根据与该组的工序步骤内的一部分工序步骤对应的工序特征量来提取用于决定模型的结论的局部模型。
这样的话，在取得了与提取的局部模型相关联的来自一部分工序步骤的工序状态信息的阶段进行异常的检测和异常种类的确定，所以可以使用该局部模型。
这里，与局部模型相关联的一部分工序步骤，可以与一部分工序装置相对应。例如，该一部分工序步骤可以与一个工序装置进行的工序步骤相对应。此外，该一部分工序步骤也可以与多个工序装置进行的工序步骤相对应。特别是在对于对象品进行了一个工序装置的处理、或在多个工序装置中最后的工序中使用的工序装置的处理后，经过其他工序装置的处理后进行对象品的检查的情况下，在进行有关其他工序装置的处理之前，最好是进行有关检查结果发生可能性的异常的检测和异常种类的确定。为了进行这样的异常的检测和异常种类的确定，可以使用该局部模型。
以上说明的模型生成装置的各结构部件，只要技术上可能，就可以任意地组合。
本发明的处理系统包括工序装置，用于工序；工序信息采集装置，从工序装置中采集在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息；检查装置，进行有关执行了工序的对象品的检查；以及模型生成装置，从工序信息采集装置输入工序状态信息，并且输入检查结果信息，生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型。
该处理系统中包括的模型生成装置包括第一输入部，输入工序状态信息；第二输入部，输入检查结果信息；特征量提取部件，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量；以及解析部件，使用因相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息的关系的工序-质量模型。
这里，工序信息采集装置也可以内置在工序装置中。也可以将一个工序信息采集装置相对于多个工序装置共用来设置。处理系统还包括从检查装置采集检查结果信息的检查信息采集装置，模型生成装置也可以从检查结果信息采集装置输入检查结果信息。
本发明的等离子体工序系统包括工序装置，包括用于等离子体工序的等离子体室；工序信息采集装置，从工序装置中采集在产生等离子体前的前处理步骤、产生等离子体期间的基础处理步骤及停止等离子体产生后的后处理步骤的各工序步骤被执行期间中时序方式取得的、作为与等离子体工序的状态相关联的信息的工序状态信息；检查装置，进行有关执行了等离子体工序的对象品的检查；以及模型生成装置，从工序信息采集装置输入工序状态信息，并且输入检查结果信息，生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型。
该等离子体工序系统模型生成装置包括第一输入部，输入工序状态信息；第二输入部，输入检查结果信息；特征量提取部件，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量；以及解析部件，使用因相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息的关系的工序-质量模型。
本发明的模型生成方法包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息和有关在该工序中被处理的对象品的检查结果信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息形成对应，通过使用被形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果的关系的工序-质量模型。
本发明的异常检测分类方法包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息和有关在该工序中被处理的对象品的检查结果信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息形成对应，通过使用被形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果的关系的工序-质量模型，在相同的工序中，对于与在工序-质量模型的生成中使用的单位对象品不同的单位对象品，取得工序状态信息和检查结果信息，对每个这样的单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，在工序-质量模型中，采用这样的工序特征量，进行异常的检测和异常种类的确定。
本发明的另一异常检测分类方法包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息和有关在该工序中被处理的对象品的检查结果信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息形成对应，通过使用被形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果的关系的工序-质量模型，在相同的工序中，对于与在工序-质量模型的生成中使用的单位对象品不同的单位对象品，取得工序状态信息和检查结果信息，对每个这样的单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，生成用于表示有关这样的工序特征量变化的预测的时序预测模型，在工序-质量模型中，采用这样的预测工序特征量，进行被预测将来发生的异常的检测和异常种类的确定。这里，进行被预测的工序装置的故障的检测，可以包括确定被预测的异常发生的时期。
本发明的另一异常检测分类方法包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息，与工序特征量可形成对应地取得用于指定单位对象品的对象品ID信息，与对象品ID信息可形成对应地取得有关在该工序中被处理的对象品的检查结果信息，与对象品ID信息可形成对应地取得有关在工序中使用的工序装置的故障信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息及故障信息形成对应，通过使用被形成对应的工序特征量和检查结果信息及故障信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息及故障信息的关系的工序-质量模型，在相同的工序中，对于与在工序-质量模型的生成中使用的单位对象品不同的单位对象品，取得工序状态信息和检查结果信息及故障信息，对每个这样的单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，生成用于表示有关这样的工序特征量变化的预测的时序预测模型，在工序-质量模型中，采用这样预测的工序特征量，进行被预测将来发生的异常的检测和异常种类的确定。这里，进行被预测的工序装置的故障的检测，可以包括确定被预测的异常发生的时期。
根据本发明的模型生成装置，根据可与工序的状态相关取得、通过有关与质量的关联的预测而未被收入的多种信息，能够生成用于预测对象品的质量的模型。特别是使用时序方式取得的工序状态信息，所以可以根据大量的信息来生成模型。此外，可以使用对每个工序步骤提取的工序特征量，所以可以生成充分反映了各工序步骤的特征的模型。
图1是表示本发明第1实施方式的包含了模型生成装置的半导体制造系统的图。
图2是表示工序装置的内部结构的示例图。
图3是表示等离子体室的内部结构和与其连接的设备的示例图。
图4是着眼于数据的发送接收来表示构成图1所示的系统的各装置间的连接状态的图。
图5是表示模型生成装置的内部结构的示例图。
图6是说明被输入到模型生成装置的数据的示例图。
图7是表示在显示装置上显示的气象/地震信息的输入画面的示例图。
图8是说明检查数据采集装置中的数据采集和对一次数据存储部的数据记入处理的流程图。
图9是表示一次数据存储部的内部数据结构的示例图。
图10是表示一次数据存储部的内部数据结构的示例图。
图11是表示一次数据存储部的内部数据结构的示例图。
图12是作为检查方法的示例来说明膜厚数据的检查方法的图。
图13是表示检查数据存储部中存储的数据结构的示例图。
图14是表示显示装置上显示的故障信息输入画面的示例图。
图15是表示故障数据存储部中存储的数据的数据结构的示例图。
图16是表示有关成膜工序的步骤形成对应的示例图。
图17是表示在决定步骤的开始和结束的定时中使用的数据的变化的图。
图18是表示工序步骤的开始和结束的具体例的图。
图19是将工序步骤进一步分割情况下的说明图。
图20是表示在附带步骤信息数据存储部中存储的数据结构的示例图。
图21是表示在附带步骤信息数据存储部中存储的数据结构的示例图。
图22是表示编辑检查数据存储部10n的内部数据的意义的图。
图23是表示在编辑检查数据存储部中存储的编辑检查数据的数据结构的示例图。
图24是表示故障数据编辑部具有的、表示有关故障的输入内容和故障代码的对应的表的示例图。
图25是表示编辑故障数据存储部的内部数据结构的示例图。
图26是说明数据结合部的功能的图。
图27是表示工序-质量模型的示例图。
图28是表示时序预测模型的应用例的图。
图29是表示本发明第2实施方式的图。
图30是表示将本发明应用于在液晶的制造工序中使用的取向膜涂敷装置的情况的图。
图31是表示本发明第3实施方式的图。
图32是表示第3实施方式的结合数据存储部的数据结构的示例图。
图33是表示第3实施方式的模型生成的示例图。
图34是表示第3实施方式的模型生成的示例图。
图35是表示使用多个工序装置的情况下的异常检测分类功能的图。
具体实施例方式
图1是表示包括本发明第1实施方式的模型生成装置的半导体制造系统。该系统包括工序装置2、检查装置3及模型生成装置10。这些装置通过用于高速交换比生产管理信息更详细的工序关联信息的装置网络——EES(Equipment Engineering System)网络7而相互连接。尽管省略了图示，但在EES网络7中，还连接与制造工序相比处于前序阶段及后序阶段使用的其他工序装置及检查装置。而且，该系统包括包含了MES(ManufacturingExecution System)生产管理系统9和与其连接的传输生产管理信息的MES系网络8。EES网络7和MES系网络8经由路由器12而连接。经由路由器12，还可以从MES系网络8上存在的生产管理系统9中访问EES网络7上的各装置。
在该半导体制造系统中，处理对象的晶片(例如硅晶片)在晶片盒1内被设置规定片数，以晶片盒为单位使其在工序装置2及检查装置3之间、以及在比这些装置前的工序中使用的装置和在其后的工序中使用的装置之间进行移动，同时在各装置中进行规定的处理。被安装在该晶片盒1中的规定片数的晶片为同一批。在晶片盒1中，安装了RF-ID(radio frequencyidentification)标记1a。标记1a与RF-ID读写头6之间产生电磁耦合，以非接触方式读写任意的数据，也被称为数据载体。在标记1a中，存储批ID(对象品ID信息)、前级装置的出库时间等的信息。
工序装置2是对晶片执行规定的工序的装置。在工序装置2中内置工序数据采集装置(工序信息采集装置)4。工序数据采集装置4在工序装置2中执行各工序步骤期间，以时序方式采集作为与制造工序的状态相关联的信息的工序状态数据(工序状态信息)。工序装置2在没有执行对晶片的处理的待机中也以时序方式采集工序状态数据。
工序步骤是将工序的整体分割为多个步骤时的一个步骤。一般地，如果在工序的性质产生变化时划分为工序步骤，则容易获得有效的分析结果(工序-质量模型等)。在相同性质的工序长时间进行的情况下，也可以将进一步分割该期间所得的期间作为工序步骤。有适合将一个装置进行的工序划分为多个工序步骤的情况，也有将一个装置进行的工序作为一个工序步骤的情况。
在工序装置2上，连接RF-ID读写头6。该读写头6对于收纳了被放置在工序装置2内的晶片的晶片盒1的标记1a，进行数据的读写。作为读写的数据，例如是批ID、以及晶片从前级的工序装置送出时的时间。工序数据采集装置4对从标记1a中读取的前装置出库时间和对当前放置了晶片的工序装置2的投入时间进行采集。通过获得这些时间的差，可以计算从前级起的滞留时间。此外，读写头6根据需要在从工序装置2出库晶片时将出库时间写入标记1a。
工序数据采集装置4具备通信功能，将采集的工序状态数据及滞留时间数据(滞留时间信息)与批ID形成对应并输出到EES网络7。滞留时间数据是前装置出库时间及投入时间的数据，或是它们的差的滞留时间的数据。
检查装置3检查由工序装置2(例如溅射装置)处理后的晶片，将检查结果数据(检查结果信息)输出到EES网络7。这里的检查结果数据例如是有关晶片上形成的膜厚和膜质量的检查结果的数据。在检查装置3上也连接RF-ID读写头6。该读写头6对于收纳了被放置在检查装置3内的晶片的晶片盒1的标记1a，进行数据的读写。在读取的数据中，包含批ID。内置于检查装置3中的检查数据采集装置5具备通信功能，对检查结果数据和批ID进行采集，将检查结果数据与批ID形成对应并输出到EES网络7。
在本实施方式中，对于一个工序装置2准备一个检查装置3，由对应的检查装置3进行对工序装置2处理后的晶片的检查，但在半导体制造工序中，还有用多个工序装置2依次进行规定的工序，然后用一个检查装置3进行检查的情况。再有，有关相对于这样的多个工序装置设置了一个检查装置的系统结构，将在第3实施方式中进行说明。
生产管理系统9将指定工序种类的信息的制法号(工序指定信息)传送到工序装置2。工序装置2执行与该制法号对应的规定的工序。
在本实施方式的系统中，由于以批(对象品组)为单位进行生产管理，所以使用批ID，但在每个晶片(对象品在本实施方式的情况下为制品)上附加ID来取代批ID的情况下，将每个制品的ID和各数据相关联存储。在这种情况下，在以下的处理中也使用制品ID取代批ID。
模型生成装置10取得从两个数据采集装置4、5输出的工序状态数据及滞留时间数据、以及检查结果数据，以批ID为密钥将各数据相关联并存储在数据库11中。
模型生成装置10从硬件的观点来说是普通的个人计算机，通过在Windows(注册商标)等的操作系统上运行的应用程序，来实现该装置的各功能。此外，模型生成装置利用数据库11。数据库11可以在构成模型生成装置10的计算机中设置内置或外部安装的硬盘等的存储装置，也可以设置在与模型生成装置10进行通信的其他计算机中。
模型生成装置10包括键盘等的输入装置13和显示器等的输出装置14，通过对输入装置13进行操作，操作者(作业者)可以用人工方式输入运行数据、维修数据、故障数据等。这样的人工产生的输入信息也被记入在数据库11中。而且，模型生成装置10具有根据以批ID为密钥结合的工序状态数据及检查结果数据而生成工序-质量模型的功能。除此以外，模型生成装置10还具有发现各种数据的监视功能，根据完成的工序-质量模型来进行有关异常和故障的检测、分类及预测的功能。有关各功能的具体的结构，后面论述。
图2表示工序装置2的内部结构。该工序装置2是对晶片进行规定材料的成膜的溅射装置，包括等离子体室20。经由MES系网络8从生产管理系统9送来的制法号被提供给装置控制器15。装置控制器15具有制法号和实际执行的工序的对应表等，根据取得的制法号，对工序装置2的动作进行控制。
图3放大表示图2所示的等离子体室20的内部结构和其上连接的设备。在等离子体室20的内部上方位置设置用于安装晶片21的圆板状的安装板22，在该安装板22的下面可放置规定片数(在本实施方式中为8片)的晶片21。在该安装板22中，内置加热器23，安装有热电偶24。热电偶24的输出由变换器25变换为温度数据并传送到装置控制器15，根据该温度数据使加热器23的接通/关断、或加热器温度受控制，对安装板22的温度进行管理，以达到要求的温度。而且，在安装板22上连接直流电源50的阳极，使晶片21成为阳极。此外，RF(Radio Frequency)电源51的输出经由用于阻抗匹配的RF匹配盒52提供给安装板22。
在等离子体室20的内部下方，设置靶26。虽然省略了图示，但靶侧连接了直流电源50的阴极。在本实施方式中，可设置4个靶26，在一连串的处理中可以连续地成膜多个层。在各靶26的上方，可开闭地设置闸门27。该闸门27通过闸门开闭机构28进行开闭动作。靶26的材料在闸门27关闭并且覆盖靶26的上方的状态下不附着在晶片21上，仅在闸门27打开时附着在晶片21上而将晶片21的表面进行成膜。而且，该闸门开闭机构28的动作，根据来自装置控制器15的控制命令来控制。靶26的温度由热电偶29检测，该温度数据通过变换器30被传送到装置控制器15。
等离子体室20的内部经由主阀31连接到真空泵32。在使真空泵32动作的状态下，通过调整主阀31的开闭或开度，可以使等离子体室20内部达到要求的真空度，或达到一定的压力。根据由压力计33检测的室压力，通过来自装置控制器15的命令来进行这样的控制。除了装置控制器15以外，也可以设置根据装置控制器15的命令来进行自动压力控制(APCAuto PressureControl)的控制器。用于产生溅射现象的氩气的导入，经由氩气供给阀55和MFC(质量流控制器)35来进行。装置控制器15进行氩气供给阀55的开闭控制及对MFC35的设定值的指定。在进行成膜工序时，首先打开氩气供给阀55，向等离子体室20内部供给氩气。此时，通过MFC35的作用，将氩气按照设定值控制在规定流量，等离子体室20内部的压力由主阀31控制，被控制在一定的值。在该状态下，打开闸门27，使靶26的材料附着在晶片21上而进行成膜，然后关闭闸门27，随后通过关闭氩气供给阀55而结束用于形成一个膜的工序。
等离子体室20的侧壁上设置的观察孔20a(窗孔)中，安装了等离子体监视器37，可检测在内部发生的等离子体的状态。
设置于等离子体室20中的各设备的动作，根据来自装置控制器15的控制命令来进行。有关表示该控制命令的数据或信号(设定值、动作的通/断等)及动作状态的测量数据(温度、压力值、电压值、电流值等)通过模拟输入接口38或数字输入接口39而经由传感器总线40被传送，由工序数据采集装置4取得。此外，等离子体监视器37的检测输出经由以太网(注册商标)41被传送，由工序数据采集装置4取得。而且，根据RF-ID读写头6读取的数据，由ID控制器42指定批ID和前级装置出库时间及投入时间，它们经由串行接口43被传送到传感器总线40，由工序数据采集装置4取得。
而且，工序装置2包括用于对环境温度及环境湿度进行测量的温度传感器45、湿度传感器46，各传感器45、46检测出的数据也由工序数据采集装置4取得。
工序装置2包括将其运转状况(运转中、停止中、有无异常等)通知周围的作业者的信号塔(信号灯)47。该信号塔47的点亮控制也通过来自装置控制器15的控制命令来进行。对信号塔47的控制命令还传送到工序数据采集装置4。装置控制器15在工序结束时从扬声器48发出钟声。这样的‘工序结束’的通知信号也被传送到工序数据采集装置4。
这样，工序数据采集装置4采集在工序装置2产生并获得的所谓数据(信息)，并输出到EES系网络7。采集的数据的种类不限于上述种类，取得更多的信息也没有问题。
在本实施方式中，采用可安装多个靶的等离子体室20，但也可以设置单一的靶(形成一层的膜)。而且，作为工序装置2，不限于溅射装置，也可以是刻蚀装置、CVD装置等其他各种装置。
图4是着眼于数据的发送接收来表示构成图1所示的系统的各装置间的连接状态的图。即，由工序装置2取得的工序状态数据、批ID、滞留时间数据经由工序数据采集装置4向模型生成装置10发送。同样地，检查装置3获得的检查结果数据经由检查数据采集装置5向模型生成装置10发送。模型生成装置10包括用于连接到EES网络7的网络接口10w，经由网络接口10w(输入了工序状态信息的第1输入部、输入了检查结果信息的第2输入部、输入了对单位对象品进行指定的对象品ID信息的第3输入部、输入了滞留时间的信息的第4输入部)而输入这些数据。而且，模型生成装置还经由网络接口10w而输入从生产管理系统9发送的数据(制法号等)。此外，还从人机接口(HMI连接到模型生成装置10的键盘等)的输入装置13(输入了故障信息的第5输入部、输入了工序补充信息的第6输入部)将各种数据提供给模型生成装置10。各数据的对模型生成装置10的输入方法不限于此，也可以采用基于无线通信的输入、经由存储介质的输入等。
图5表示模型生成装置10的内部结构。在模型生成装置10中，通过在其操作系统上运行的应用程序，来实现以下各处理功能部。即，模型生成装置10的处理功能部包括步骤形成对应部(步骤形成对应部件)10a、特征量提取部(特征量提取部件)10b、数据结合部(检查结果形成对应部件)10c、数据过滤部10d、解析部(解析部件)10e、检查数据编辑部10r、时序解析部(时序解析部件)10f及故障数据编辑部10s。这些各部也可通过专用的硬件(电路)来实现。
而且，作为存储了用于各处理功能部进行访问的数据的存储部，包括一次数据存储部(存储工序状态信息的存储部件)10g、附带步骤信息数据存储部10h、工序特征量存储部10i、结合数据存储部10j、解析用数据存储部10k、检查数据存储部10m、编辑检查数据存储部10n、故障数据存储部10p及编辑故障数据存储部10q。这些各存储部被设置在数据库11中。当然，将各存储部设置在数据库11以外的模型生成装置10的存储器、硬盘等记录装置中、与模型生成装置进行通信的其他计算机的存储装置中也没有问题。
模型生成装置10也可如下构成。即，连接到EES网络7的计算机成为担当与工序装置2及检查装置3的通信、以及人机接口的处理的客户计算机，并设置与该客户计算机进行通信的服务器计算机，在服务器计算机中实现上述各处理功能部。此外，也可以使模型生成装置10位于远处，可经由网络等的通信线路而与生产现场的工序装置等进行通信。另外，就实现模型生成装置10的计算机的结构和数据的转移方式来说，当然有各种变形。
图6表示输入到模型生成装置10的数据。在一次数据存储部10g中，存储由工序数据采集装置4从工序装置2采集的数据、以及操作者通过输入装置13输入的数据。在从工序数据采集装置4传送的数据中，工序状态数据和滞留时间数据(表示从前装置出库至投入时刻的时间的数据)分别与批ID关联产生并存储在一次数据存储部10g中。
这里，工序状态数据由工序控制数据和工序检测数据构成。工序控制数据是工序装置2的装置控制器15输出的各种控制数据及装置控制器15输出的各种控制信号的状态。在这些控制数据或控制信号中，有气体流量设定值、DC电源50的DC功率设定值、主阀31的通/断、工序结束钟声、闸门27开、氩气供给阀55开、信号塔47点亮等。
工序检测数据是由工序装置2的各种检测器取得的数据，包含RF电源51的行波功率RF Pf、RF电源51的反射波功率RF Pr、RF电源51的偏置电压-Vdc、等离子体室20的室内压力、气体流量、晶片温度、等离子体光量(Ar、O2等)、DC电源50的DC功率(或电压、电流)、温度传感器45检测出的环境温度、湿度传感器46检测出的环境湿度等。
在本实施方式中，装置控制器15输出的控制信号也被数据化并通过网络通信被传送到模型生成装置10，但也可以将该控制信号的输出线进行分支而使控制信号原封不动地直接传送到模型生成装置10。这种情况下，在模型生成装置10中，控制信号的状态与时刻对应进行数据化，并被存储在一次数据存储部10g中。
从输入装置13输入运行数据、维修数据及环境数据。这些数据还被存储在一次数据存储部10g中。这里，运行数据有操作者ID、装置ID、开始/结束类别等，作业者在作业开始及结束时从输入装置输入这些数据。
维修数据有泵再生信息和靶材料交换信息等。在进行了各作业时，其作业者进行记入。即，作业者在对装置内的泵以点检、清扫方式进行再生时，从输入装置13输入其作业内容，并在交换了靶材料时，将交换的材料名称与材料的批号、交换日期时间信息等一起从输入装置13输入。
环境数据有成为对制品的质量产生影响的主要因素之一的作业时的特殊的气象信息(暴风雨、打雷等)、地震发生时的震级信息，在存在该信息的情况下，作业者将其与日期时间信息、装置ID等一起记入。
图7是显示装置14上显示的气象/地震信息的输入画面的例子。作业者使用这样的输入画面，对键盘或指向器件等的输入装置13进行操作而输入必要的信息。
而且，输入的数据不限于上述数据，作为任意信息，也可以输入其他数据。即，如上述各数据那样，在输入数据的选择支预先确定的情况下，例如在图7中例示的那样，可以按对显示装置14的显示画面上的特定区域进行指定等的简便方式来输入，而在要输入没有预先确定选择支的数据的情况下，可使用键盘等的输入装置13来输入任意的文本数据等。然后，这样的任意输入的信息可作为新的选择支来记入，从下次输入起可作为选择支之一进行提示。这样，还输入任意信息的原因是，特别是在半导体制造工序的情况下，对制造的制品的质量产生的原因遍及多支时，考虑到有时因没有预见的因素而产生不合格品，有时发生没有预见的装置的故障，从而也可将这样的事件用于工序-质量模型的生成等的解析。
图8是说明工序数据采集装置4中的数据采集及对一次数据存储部10g的数据记入处理的流程图。在本实施例中，准备了仅对一个或多个规定的工序步骤被执行期间中的数据进行采集的每次采集模式、以及对特定的制品(晶片)通过工序装置2进行的所有工序步骤(工序步骤执行之间有待机期间的情况下也包含待机期间)而进行数据采集的始终采集模式。无论在哪个模式中，数据采集期间中都按一定周期(例如100msec)进行数据的采样。作业者在开始进行工序前，选择按哪个模式进行运转。该选择例如使用输入装置13进行设定，或可以使用在工序数据采集装置4中设置的选择开关进行选择。设置始终采集模式原因是，无论是工序步骤，还是待机中的状态，都有可能对制品的质量产生影响，所以对有可能产生这样影响的某些数据进行无遗漏采集。
工序数据采集装置4在工序装置2开始对某一制品的工序时，首先判断当前的采集模式是始终采集模式还是每次采集模式(ST1)。然后，在每次采集模式的情况下，待机直至到可判断为工序开始并应该开始采集(ST2)。该采集开始的判断例如可以将对主阀的控制命令从关断变为接通作为条件。当然，将其他条件作为开始条件也没有问题。
然后，在以每次采集模式开始采集的情况、以及始终采集模式的情况下，工序数据采集装置4首先取得从生产管理系统9输出的基础处理中的制法号(ST3)，等待采集定时到来(ST4)，取得一组工序状态数据(ST5)。
接着，工序数据采集装置4对取得的数据附加批ID和日期时间信息，并将取得的数据传送到模型生成装置10，模型生成装置10将传送的数据保存在一次数据存储部10g中(ST6)。数据中附加的日期时间信息，在取得数据时，根据工序数据采集装置4具有的内部时钟自动地作为时戳来附加，但也可以在模型生成装置10一侧附加日期时间信息。
然后，如果工序步骤继续进行，则返回到ST3，如果一个工序步骤结束，则进至所有工序步骤是否结束的判断(ST7)。如果所有工序步骤结束，则结束数据采集，并在其他工序步骤继续进行的情况下进至采集模式的判断(ST8)。在每次采集模式的情况下返回到ST2，待机直至到开始下次采集，而在始终采集模式的情况下返回到ST3，继续进行采集(ST9)。这样，可时序地采集多个种类的工序状态数据。
工序数据采集装置4还将从前级工序装置起的有关滞留时间的滞留时间数据与批ID形成对应，在该批ID的制品被处理期间至少将其发送到模型生成装置10一次，模型生成装置10将发送的滞留时间数据存储在一次数据存储部10g中。
关于经由输入装置13输入的数据，也如图7中例示的那样，可以输入由作业者指定的任意的日期时间。这样，通过容许作业者的指定，例如日报那样，可以将进行了各种作业的情况与其日期时间一起记入，可以验证这样的作业对制品的质量是否产生影响。
从图9至图11表示在一次数据存储部10g中存储的数据结构的一例。图9、图10为了便于图示分割为两片来记载，但实际上，是以批号(与批ID等价)、采集日期、采集时间为密钥的一串数据。
在图5的检查数据存储部10m中，存储了由检查数据采集装置5从检查装置3采集的检查结果数据。这里，检查结果数据包括对检查日期时间、装置ID、批ID、晶片ID等的对象进行确定的信息，以及膜厚数据、膜质量数据等的检查结果信息。
图12是用于说明作为检查方法一例的膜厚数据的检查方法的图。在本实施方式中，工序装置2可以安装多种类的靶26，所以通过对晶片W的一连串的工序执行，如图12(a)所示，可以在衬底上成膜多层。靶数和成膜的层数不一定一致。在本实施方式的检查装置3中，对各层进行膜厚测量，可测量最多至4层的膜。而且，各层中的膜厚的测量，分别在多个点进行。在图12(b)所示的例子中，对于晶片W的中心位置及周围4点的合计5个点P进行测量。
图13表示在检查数据存储部10m中存储的数据结构的一例。在该例中，在衬底上对两种材料进行成膜，所以仅在膜厚1和膜厚2中存储了数据，在膜厚3、4中为空栏。
在图5的故障数据存储部10p中，对输入装置13进行操作，从而存储了作业者输入的故障数据。这里，作为故障数据，有故障时刻、装置ID、故障内容、批ID、任意输入信息等。
图14是显示装置14上显示的故障信息输入画面的例子。这样的信息对键盘或指向器件等的输入装置13进行操作而被输入。日期时间信息可以择一地选择基于装置内部时钟的输入时的日期时间(当前时刻)、以及输入者任意指定的日期时间(记入时刻)。图15表示在故障数据存储部10p中存储的数据的数据结构的一例。
如以上那样，各种大量的数据从各装置输入到模型生成装置10，被分别存储在适当的存储部中。然后，模型生成装置10根据取得的各数据，生成用于进行规定的处理的工序-质量模型。具体地说，如以下那样。
首先，一次数据存储部10g中存储的各种数据(工序状态数据、滞留时间数据、运行数据、维修数据、环境数据)被调用到步骤形成对应部10a，进行与工序步骤的形成对应。其中，由工序数据采集装置4和模型生成装置10的各装置识别的工序步骤的划分方法相同的情况下，在由工序数据采集装置4进行数据采集时，还可以预先将工序状态数据及滞留时间数据和工序步骤形成对应，这种情况下，步骤形成对应部10a中的处理仅对其他数据进行。而作为模型生成装置10中的工序步骤划分方法，也可以采用与工序数据采集装置4中的工序步骤划分方法不同的划分方法。
在一次数据存储部10g中存储的信息与工序步骤形成对应时，其结果被存储在附带步骤信息数据存储部10h中。
从工序开始起进行计时，从而在各工序步骤开始的时间确定的情况下，在步骤形成对应部10a中可根据时刻数据而形成对应步骤。
以下，说明根据工序状态数据的内容的时序变化而形成对应步骤的方法。工序步骤例如可设定为前处理、基础处理、后处理。在适合将基础处理再分割为多个步骤的情况下，分割为更细的步骤。
图16表示有关成膜工序的形成对应步骤的一例。在对晶片21进行一层的成膜时，首先作为前处理，打开氩气供给阀55，使等离子体室20内部形成规定的氩环境。接着，作为基础处理，在氩环境的状态下打开闸门27，使靶26的材料飞散而对晶片21进行期望的成膜，并关闭闸门27。然后，作为后处理，在关闭闸门27后经过规定期间后，进行关闭氩气供给阀55的处理。这样，通过将使用的靶26进行切换，同时重复进行包括前处理、基础处理、后处理的工序，从而成膜多层。图16中，例如‘S4-1’意味着使用了第4号靶的第一次成膜。
图17表示在步骤形成对应部10a中，用于确定步骤的开始和结束的定时的数据的变化。步骤的开始和结束的定时，在数字信号(二值数据)的上升沿及下降沿(图17(a))、模拟信号(数值信号)的上升沿和下降沿(图17(b))、数字信号(二值数据)中的规定电平的期间(图17(c))及模拟信号(数值数据)中的规定电平的期间(图17(d))内，使用合适的信号来指定。这里，对于模拟信号，通过适当定义的阈值而求出切换定时。
而且，图17(a)、图17(b)所示的各信号的上升沿和下降沿，可以是以同一信号的上升沿和下降沿的成对方式来规定一个步骤的开始和结束的情况、以及以不同信号的上升沿和下降沿的成对方式来规定一个步骤的开始和结束情况的其中之一。而图17(c)、图17(d)所示的根据各信号的电平来规定步骤的开始和结束的情况下，各信号处于规定电平的期间就为步骤期间。工序步骤的开始和结束的条件，还可作为多种数据状态的逻辑运算的结果来提供。
图18表示工序步骤的开始和结束的具体例子。这里，表示使用了其中一个靶的一层的成膜工序。前处理的工序步骤是从二值变化的工序控制数据的氩气供给阀55的控制数据的上升沿起(打开阀的指示)，至二值变化的工序控制数据的闸门27的控制数据的上升沿(打开闸门的指示)的期间。此外，基础处理的工序步骤是闸门27的控制数据变为高电平的期间。而后处理的工序步骤是从闸门27的控制数据的下降沿起(关闭闸门的指示)，至氩气供给阀55的控制数据的上升沿(后处理中阀关闭一次后，作为下一层成膜的前处理开始的打开阀的指示)的期间。各工序步骤的开始及结束的条件，作业者使用输入装置13输入到模型生成装置10，并存储在步骤形成对应部10a。
这里，为了规定前处理步骤的结束，可以取代闸门27的控制数据的上升沿(打开闸门的指示)，使用超过了规定的阈值的作为数值数据(模拟数据)的工序检测数据的DC功率控制数据(对安装板22开始DC电源50的功率供给)。此外，基础处理步骤的期间，可以取代闸门27的控制数据变为高电平的期间，使用DC功率的控制数据达到大于或等于规定的阈值电平的期间。而为了规定后处理步骤的开始，可以取代闸门27的控制数据的下降沿(关闭闸门的指示)，使用低于规定的阈值的DC功率的控制数据(结束DC功率供给)。
闸门27的打开和开始DC功率供给几乎是同时的，闸门27的关闭和结束DC功率供给几乎是同时的。闸门27打开，并且供给DC功率的期间，相当于产生有助于膜形成的等离子体的期间。
即，实质上，前处理步骤是产生等离子体前的工序步骤，基础处理步骤是产生等离子体期间的工序步骤，后处理步骤是停止等离子体产生后的工序步骤。
工序步骤通常根据工序的内容和性质的变化来设定，但在基础处理等的特定的工序步骤长时间持续的情况下，可根据预先设定的条件，不使用工序状态数据的变化而对工序步骤进一步细分。
图19表示将工序步骤进一步分割的例子。在图19(a)中，根据工序状态数据的变化而将工序步骤进一步等分割。在图19(b)中，将工序步骤按均等时间进行分割。这种情况下，一般来说细分后的最后的期间有与其他期间不同的长度。在图19(c)中，将工序步骤进一步分割为单独的任意时间。
图20、图21中表示附带步骤信息数据存储部10h中存储的数据结构的一例。‘S4-1前处理’、S4-1基础处理’等项目的列是步骤信息。为了便于图示，省略记载了一部分工序状态数据，但实际的数据为在图9、图10所示的数据结构中还附加了步骤信息的状态。然后，步骤信息的各项目中存储的数据为‘1’或‘0’，‘1’意味着属于该步骤。因此，例如批号012013、采集日期‘2002/11/12’、采集时间‘21:47:04:702’的数据串，由于‘S1-2后处理’为‘1’，所以该时刻采集的工序条件数据属于‘S1-2后处理’的步骤。
此外，虽然省略了图示，但图11所示的运行数据、维修数据、环境数据、滞留时间数据等也被存储在附带步骤信息数据存储部10h中。
接着，在这样的附带步骤信息数据存储部10h中存储的各种数据内的数值数据被特征量提取部10b调用，在那里对每个步骤提取特征量，提取出的工序特征量数据被存储在工序特征量存储部10i中。但是，对于滞留时间数据，由于数值数据不是时序信息而是特定的工序装置中的处理中一并赋予的信息，所以照样作为特征量被存储在工序特征量存储部10i中。
作为要提取的特征量的侯选，有平均值、最大值、最小值、标准偏差、累积值、区域值(最大值-最小值)、相乘平均、调和平均、中央值、四分之一位置、四分之三位置、畸变度、中间项平均、加速度、尖度、步骤时间。当然，寻求除此以外的特征量也没有问题。相反地，也可以从上述例示列举的侯选中进行选择而提取特征量。
特征量提取部10b对取得的附带步骤信息的数据中的步骤信息栏进行检索，对每个步骤提取各步骤信息为‘1’的数据串，并对于同一步骤信息为‘1’的数值数据求应该提取的所有特征量。
例如提取图16中的属于‘S4-1的前处理’步骤的‘气体流量’的平均值、最大值、最小值、标准偏差、累计值、区域值(最大值-最小值)...，属于‘S4-1的前处理’步骤的‘DC功率’的平均值、最大值、最小值、标准偏差、累计值、区域值(最大值-最小值)...，以下同样地提取对于属于‘S4-1的前处理’步骤的‘处理室内压力’、‘晶片温度’、‘等离子体(Ar)光量’的其他工序特征量。
同样地，对于‘S4-1的基础处理’步骤及‘S4-1的后处理’步骤，对与‘S4-1的前处理’步骤相同的数据项目，也提取相同种类的工序特征量。而且，对于S1-1、S2-1、S1-2的各前处理步骤、基础处理步骤、后处理步骤，对于相同的数据项目也提取相同种类的工序特征量。
由此，对每个步骤中工序状态数据的各项目(其内为数值数据的项目)，包罗性地提取共用种类的特征量。然后，生成将该提取出的所有特征量与每个批ID相关联的表结构的工序特征量数据，并存储在工序特征量存储部10i中。
而且，为了提高工序-质量模型的精度，如前面说明的那样，容许输入来自输入装置13的选择支的选择信息和自由记述信息，以便能够不制约地输入与制品的质量相关的因子。由此，工序技术者和装置的操作者可在操作者注意的时刻输入被认为有可能对制品的完成产生影响的信息、突发性产生的故障信息等各种事件的信息，这些信息还包含解析用数据并可以进行解析。
此外，半导体制造工序经由数百种类的工序来生产制品。这种情况下，在晶片由某一装置进行处理并直至投入到下一装置的期间，由于晶片处于空气中，所以表面产生氧化，同时附着微粒。因此，该滞留时间因对制品的完成产生影响而包含在解析对象数据中。
另一方面，图5的检查数据存储部10m中存储的各种数据被检查数据编辑部10r调用，在那里编辑获得的编辑检查数据被存储在编辑检查数据存储部10n中。
图22表示编辑检查数据存储部10n的内部数据的意义。如图22(a)所示，在对于某一检查对象存在相同项目的多个检查结果数据的情况下，根据平均值或其他方法，生成批单位或晶片单位的检查结果数据。而且，在本实施方式中，从生成的检查结果数据中，根据图22(b)所示的质量判定基准，进行质量的等级划分。等级根据膜厚在正常范围(合格品)中分为A、B、C，并在不合格品中划分判定为接近合格品的膜厚轻缺陷(厚/薄)、脱离合格品的膜厚重缺陷(厚/薄)。
图23表示由检查数据编辑部10r寻求出、在编辑检查数据存储部10n中存储的编辑检查数据的数据结构的一例。以批ID为单位，对各膜(层)存储平均膜厚和膜等级(质量)。
另一方面，图5的故障数据存储部10p中存储的各种数据被故障数据编辑部10s调用，在那里编辑获得的编辑故障数据被存储在编辑故障数据存储部10q中。
图24是故障数据编辑部10s具有的表示有关故障的输入内容和故障代码的对应表的一例。故障数据编辑部10s根据该表，对由输入装置13根据选择支的选择或自由记述输入的故障数据进行编码。但是，如果故障数据已经是编码过的数据，则原封不动。对于新编码的故障内容，将新代码记入该表中，在再次发生相同的故障时，使用该代码。
图25表示编辑故障数据存储部10q的内部数据结构的一例。这里，以批ID为单位而形成对应，编码后的各种数据(故障发生日期、故障发生时间、批ID、装置ID、操作者ID、故障代码)被一起相关联存储。
图26表示图5的数据结合部10c的功能。数据结合部10c取得在附带步骤信息数据存储部10h、工序特征量存储部10i、编辑检查数据存储部10n、编辑故障数据存储部10q中存储的各数据，以及从生产管理系统9中取得的制法号，将取得的各数据在每个工序步骤中以制法号及批ID作为密钥进行结合。然后，将结合的数据存储在结合数据存储部10j。图26中有工序补充数据的原因在于，对一个或多个工序步骤一并提供，是未用于工序特征量的计算的数据。图11所示的运行数据、维修数据及环境数据、或将这些内容进行了编码的数据是工序补充数据。运行数据、维修数据及环境数据，根据形成对应这些数据的日期时间信息、装置ID信息等，在数据结合部10c使用之前，进行与关联的批ID形成对应的处理。
图5的数据过滤部10d读取被存储在结合数据存储部10j中的结合数据，并将工序特征量的异常数据排除。然后，将剩余的数据作为解析用数据存储在解析用数据存储部10k中。异常数据例如实际上意味着包含了不可能有的数值的数据。消除这样的数据，可通过一般进行的解析用数据的前处理方法来实现。
解析部10e读取被存储在解析用数据存储部10k中的解析用数据，根据数据挖掘的一般分析方法的判定树方法进行解析，生成作为用于生成合格品或不合格品的工序状态规则集合的工序-质量模型。
图27表示工序-质量模型的例子。在该例子中，如果哪个步骤中的哪个工序特征量在什么样的数值范围内，则将检查结果怎样变化的关系用IF(“如果”)、Then(“那么”)的规则式来表现。在图27中表示了三个规则式，但实际上生成多个规则式。在规则式的IF部分中，表示某一工序步骤中的工序特征量的数值范围，Then部分写入与制品的检查结果数据或故障数据有关的信息。在IF部分，还表示有无某一工序补充数据。根据图的最上方的规则式来具体地说明时，IF部分的第1行，表示工序S2-1内的基础处理期间的气体流量的SUM(累计值)大于2000升并小于2140升的一个条件(数值的单位省略表示)。在该规则式中IF条件有三个(省略其余两个的详细说明，再有[RANGE]指区域值(最大值-最小值))，在各个条件以‘和’的关系成立时，该IF条件作为整体成立。另一方面，Then部分表示制品质量为A级(合格品)，即该规则式意味着如果满足了IF条件的三个逻辑积，则具有成为合格品的倾向。
从图27所示的规则式可知，对于某一制品的检查结果，特定的工序步骤内的工序特征量和数值范围的关系(或该关系的组合)产生影响。这样，从构成工序-质量模型的规则式，可知工序状态和制品的检查结果的关系或趋势。如图27最下方的规则式所示，还可以寻求用于表示工序状态和工序装置的故障或异常的关系的规则式。此外，规则式的IF条件不仅与工序特征量有关，而且还可生成图26的工序补充数据。这种情况下的IF条件，例如意味着‘如果存在表示气象信息的‘雷鸣(近)’代码’的内容。
可是，大多数半导体制造装置具有向重复进行工序的方向变化的倾向。因此，在本实施方式中，采用由时序解析部10f进行时序预测(趋势预测)模型来检测这样的变化方向，并在制品异常前产生报警，同时可以预测异常产生的日期时间。
作为时序预测模型，例如可以使用指数平滑模型或自回归整体移动平均(ARIMA)模型。通过使用对要使用的具体模型合适的解析工具，根据需要而设定参数，从而生成时序预测模型。指数平滑模型适合于预测短期的趋势。因此，它被用于突发性产生的故障的预测等。另一方面，ARIMA模型预测长期性的趋势，被用于预测时间性变化的故障和更换等的时期。
时序预测与工序-质量模型的规则式中项目存在的工序特征量相关进行，同时将规则式中所示的数值作为阈值来进行异常的预测判定。
作为进行时序预测时使用的判定数据(工序特征量)，从存储于工序特征量存储部10i的工序特征量中，使用经由数据过滤部10d进行了排除非法数据(异常数据)的过滤后的数据。
图28表示时序预测模型的应用例。这里，监视作为判定数据选择的、S2-1基础处理步骤的DC功率的累计值、以及S1-1后处理步骤的气体流量的累计值，预测这些数据的将来值。其结果，可预知预测值超过阈值而成为异常的时间。这里，阈值是图27所示的规则式中的22000及1600。在本例中，预测在2002年12月4日的14:23产生异常。这样，在根据时序预测模型预测了异常的情况下，通过显示在显示装置14上，可以通知操作者或维修担当者。为了生成这样的时序预测模型，可从工序特征量中任意地选择这种观测对象。
在本实施方式中，在模型生成装置10中设有基于解析部10e的工序-质量模型生成功能、以及基于时序解析部10f的时序预测模型生成功能，但不一定需要具备两个功能，也可以采用不设置时序解析部10f的结构。
在半导体制造工序中产品种类多，这些产品在每个产品种类中具有制法，对制法进行切换来生产。因此，对每个制法生成工序-质量模型。
图29表示本发明的第2实施方式。本实施方式采用上述第1实施方式的模型生成装置生成的工序-质量模型，对于工序执行中的制品，具有进行质量的预测和异常原因识别的异常检测分类功能。异常检测分类功能一般包含被称为FDC(Fault Detection and Classification)的功能，在图5的模型生成装置10中附加几个部件来实现。图29表示异常检测分类功能所需的、与图5的模型生成装置10相同的部件及在图5的模型生成装置10中追加的部件。如果仅需要异常检测分类功能，则也可以不包括图5所示的图29中没有示出的部件。
包括异常检测分类功能的模型生成装置10与第1实施方式同样，经由网络从生产管理系统9、工序数据采集装置4及输入装置13取得各种信息。从各装置取得的信息基本上与第1实施方式相同。即，从生产管理系统9取得制法号，从工序数据采集装置4取得工序状态数据、批ID及滞留时间数据，而从输入装置13取得运行数据、维修数据及环境数据。然后，这些各种数据与第1实施方式同样，被存储在一次数据存储部10g中。
然后，步骤形成对应部10a读取被存储在一次数据存储部10g中的各种数据，从而工序状态数据的变化等中确定各步骤的期间，生成将各种数据与工序步骤形成对应的附带步骤信息的数据后，将其存储在附带步骤信息数据存储部10h中。特征量提取部10b读取被存储在附带步骤信息数据存储部10h中的各种数据，并对每个步骤提取预先确定的项目的特征量，并存储在工序特征量存储部10i中。进而由数据过滤部10d调用被存储在工序特征量存储部10i中的特征量，进行消除异常数据等的过滤处理后，存储在判定用数据存储部10t。该判定用数据存储部10t中存储的判定用数据的数据结构，变成从第1实施方式的解析用数据存储部10k中存储的解析用数据中，与除去了故障数据和检查结果数据相同的结构。
而且，与本实施方式的异常检测分类功能相关的模型生成装置10包括多个对每个制法号生成的工序-质量模型，模型选择部(工序-质量模型提供部件)10u根据制法号选择期望的模型，并提供给判定部(判定部件)10v。
判定部10v对判定用数据存储部10t进行读取，与选择出的工序-质量模型的规则进行比较，从各规则所对应的判定用数据的值中，实际上可以不用检查装置进行检查，而判定被制造的制品的质量。由于工序状态数据被时刻输入，所以即使在工序装置2中的处理中途，也可以进行异常判定。因此，通过将工序装置2中的处理中止，或将使用其他装置的向下工序的送出中止，可以节省工序材料和时间的浪费。而且，还可以预测装置自身故障以外的异常。
判定结果可以通过显示在显示装置14上来进行通知。作为通知显示的一例，有‘膜质量轻缺陷可能出现。请注意检查。’、‘膜质量重缺陷可能出现。请将装置停止。’、‘泵A可能发生故障。请进行点检！’、‘泵A不久将发生故障。请强制停止！’等。
这样，在检查装置进行检查前，进行好坏判定，同时可以进行装置的故障预测，所以能够有效地抑制产生作为废弃处理的不合格品，可以削减制品的废弃成本和工序材料的损失。在半导体制造业者中，这样的废弃造成的损失一般数额大，即使是工序异常的检测准确度不能实现100％，导入效果也很明显。即，即使是50％的检测准确度，也可以削减与准确度对应的损失，而且，通过导入后的工序-质量模型的改善，还可以将剩余的50％的改善作为目标。
而且，如果还导入时序预测模型，则还可以用判定部10v进行以时序预测为对象的判定。作为这种情况下的通知的一例，有‘从2002年12月4日14时23分起可能制造膜厚重缺陷制品。请注意。’等。
在上述各实施方式中，都示出了将本发明应用于半导体制造工序的例子，但本发明的应用对象不限于此，可以应用于各种制造工序、非制造工序。
图30表示将本发明应用于液晶的制造工序中使用的取向膜涂敷装置的情况。取向膜涂敷装置包括在玻璃基板59的表面上印刷PI(聚酰亚胺)薄膜的印刷装置60；对印刷后的玻璃基板59进行预烘干的预烘干炉70；以及将印刷后的玻璃基板59运送到预烘干炉70中的运送机器人80。印刷装置60包括在三维方向上移动的台61，在该台61上配置玻璃基板59。在台61的上方配置圆筒状的版体62，在版体62的斜上方，配置PI溶液分配器63、校正滚轮64及金属墨辊65。从PI溶液分配器63滴下的PI通过校正滚轮64、金属墨辊65之间而被均匀地延展，从而形成薄膜，该形成的薄膜被复制在版体62上。然后，台61与版体62的旋转同步移动。由此，台61上的基板59一边接触版体62一边移动，复制在版体62上的PI薄膜进而被印刷在玻璃基板59的上面。
预烘干炉70包括热板71，通过运送机器人80，由热板71对配置在热板71上的印刷后的玻璃基板59进行预烘干。
这样的装置中的工序可以分为以下6个步骤。
1.将玻璃基板运入印刷装置60。
2.在旋转的校正滚轮64、金属墨辊65上滴下PI溶液，使其通过两滚轮64、65间而将PI溶液均匀延展，形成PI溶液的薄膜。
3.版体62接触金属墨辊65而旋转，并将金属墨辊65的PI薄膜复制在版体62上。与此同时台61进行移动，将复制到版体62上的PI薄膜印刷在玻璃基板59上。
4.运送机器人80向预烘干炉70运送玻璃基板59。
5.将玻璃基板59在热板81上进行预烘干。
6.将玻璃基板59运送到下工序。
这样，根据工序的内容，上述前处理、基础处理、后处理可以分为不同的步骤。此外，如果改变想法，则可以说(1.)的运入处理成为前处理，(6.)的运送处理成为后处理，(2.)至(5.)的各处理对应于基础处理。而且，在形成对应步骤中，可以利用对各装置的动作进行控制的控制信号和装置具有的有关检测器的检测信号等的状态的数据(工序状态信息)。
而且，作为可以进行采集而用于解析的工序状态信息，例如，在印刷装置60侧包括从PI溶液分配器63滴下的PI溶液滴下量；版体62、校正滚轮64及金属墨辊65的各旋转速度；台61的移动方向、距离及移动速度；印刷时从版体62施加在玻璃基板59上的压力等。而在预烘干炉70侧包括加热温度和时间等。无论哪个装置，都可采集周围的温度和湿度等。还可取得制法号、工作ID等。
然后，通过将上述各数据供给上述各实施方式中所示的装置，利用定时信号等的变化使各工序状态数据与工序步骤形成对应，对每个工序步骤提取工序特征量，并进行规定的处理，从而可以进行有无异常判定和预测故障发生。
图31表示本发明的第3实施方式。本实施方式是通过多个工序装置2a至2c依次执行工序(一组工序步骤)后，用检查装置3进行检查的系统。
可是，在对数据进行决定树分析的情况下，以检查结果数据和故障数据作为目标变量，以各种工序特征量及根据需要的工序补充数据作为说明变量。为了制作良好的工序-质量模型，可收罗与目标变量相关联的说明变量十分重要。因此，在将晶体管的直流电流放大率hfe那样的、在一连串工序的最后进行的制品特性的检查结果作为目标变量的情况下，需要将从成膜装置、离子注入机、退火装置等多个装置中获得的工序状态数据作为说明变量进行分析。第3实施方式是这种情况下的本发明的应用例。
在这样的情况下，使用从各工序装置获得的数据和作为最终检查结果的hfe，根据与上述各实施方式同样的方法来形成工序-质量模型。即，以批ID作为密钥，将每工序步骤中各装置获得的工序状态数据以外的信息关联产生并结合，提取工序特征量，在过滤后可以生成模型。
在本实施方式中，除了这样的功能以外，还提供用于生成在一连串的工序中途对完成后的制品的质量进行预测的模型的功能。即，为了可以在开头的第1工序装置2a中的处理阶段进行异常检测，从工序-质量模型的整体中生成用于提取与第1工序装置2a有关系的规则的提取模型(局部模型)A。此外，为了可以在第2工序装置2b中的处理阶段进行异常检测，生成仅提取与第1工序装置2a和第2工序装置2b有关系的规则的提取模型B。由此，可在第2工序装置2b或第3工序装置3b进行处理前除去不合格品。这样，在本实施方式中，由于可在工序的早期对不良发生进行预测，所以与使用全工序的工序状态数据来进行异常检测分类的情况相比，可以削减废弃成本。
下面详细地说明本实施方式的模型生成功能。在第1工序装置2a至第3工序装置2c中，虽然省略了图示，但分别装入数据采集装置，经由网络7将依次采集的各种数据传送到模型生成装置10。此外，在第3工序装置2c的后级中，虽然省略了图示，但配置了内置检查数据采集装置的检查装置，检查结果数据经由网络7而传送到模型生成装置10。模型生成装置10还从图外的生产管理系统中取得制法号。模型生成装置10的内部结构基本上与图5所示的结构相同，根据需要，还从输入装置13输入故障数据等。
从各工序装置送来的工序状态数据与批ID(批号)一起被存储在一次数据存储部10g中，接着由步骤形成对应部10a进行步骤形成对应，并被存储在附带步骤信息数据存储部10h中。从附带步骤信息数据存储部10h中读取的数据，由特征量提取部10b对每个步骤提取特征量，将其存储在工序特征量存储部10i中。而最终检查结果被存储在检查数据存储部10m中，由检查数据编辑部10r生成编辑检查数据，并被存储在编辑检查数据存储部10n中。
再有，在本实施方式和上述各实施方式中，在所有的检查结果数据作为代码信息被输入的情况下，不一定需要检查数据编辑部10r和检查数据存储部10m，也可以将检查结果数据直接存储在编辑检查数据存储部10n中。
然后，由数据结合部10c将每个工序装置及每个工序步骤的工序特征量、以及所有的检查结果数据以制法号及批号作为密钥而进行结合，并存储在结合数据存储部10j中。
图32表示结合数据存储部10j的数据结构的一例。这里，制法号被省略。在图32中，将三个工序装置表示为装置A、装置B、装置C。出现的A1、A2、B1等是工序特征量的项目。在装置的种类有所不同的情况下，一般来说在装置间特征量项目不能相同。但是，这种情况下，最好是还根据各装置的种类，尽量包罗性地取得工序状态数据，尽量包罗性地寻求工序特征量。
存储在结合数据存储部10j中的结合数据，由数据过滤部10d消除异常的数据后生成解析用数据，根据该解析用数据，解析部10e生成工序-质量模型。
图33及图34表示本实施方式的模型生成的一例。首先，生成整体模型。在该模型生成中，根据所有的工序装置的数据，通过数据挖掘方法，由以批号作为密钥一系列结合的解析用数据来生成多个规则。
接着，解析部10e从该整体模型中提取出提取模型A和提取模型B。有关提取哪个模型(对应于哪个工序步骤的模型)的指示，使用输入装置13来输入。或者，也可以预先在解析部10e中设定要提取哪个模型。
提取模型A如下生成从整体模型的规则式(使用对应于一组工序步骤的工序特征量生成的工序-质量模型)中，通过提取仅根据装置A的工序特征量(对应于一组工序步骤内的一部分工序步骤的工序特征量)而决定了模型的结论(Then部分)的规则式(局部模型)。即，提取模型A通过提取仅由装置A的工序特征量构成的规则式而生成。不提取仅由装置A的工序特征量构成的式子包含其他装置的工序特征量和按“和(and)”方式结合的规则式。
提取模型B如下生成从整体模型的规则式中，通过提取仅根据装置A和/或装置B的工序特征量而决定了模型的结论(Then部分)的规则式。即，提取模型B通过提取仅由装置A和/或装置B的工序特征量构成的规则式而生成。
本实施方式的其他结构及作用效果与上述各实施方式相同，所以省略其详细的说明。
图35表示使用多个工序装置的情况下的异常检测分类功能。实现异常检测分类功能的模型生成装置10的内部结构与第2实施方式同样，形成没有存储了检查结果数据和故障数据等的存储部和对它们进行处理的功能部的结构。在该异常检测分类功能中，使用提取模型A及提取模型B。即，在进行有关装置A的工序的异常检测分类的情况下，使用提取模型A，在进行有关直至装置B的工序的异常检测分类的情况下，使用提取模型B。在该系统中，除了在使用的工序特征量上具有限制以外，实际的判定处理与第2实施方式同样地进行，所以省略其详细的说明。
根据该异常检测分类功能，对于直至各工序装置的工序，与从工序-质量模型的整体模型中提取出的提取模型相比，可以在初期进行异常检测，如果进行这样的异常检测，则不进行以后的处理即可，所以与在一连串的工序的最终阶段进行异常检测相比，可以削减因产生不合格品而造成的损失。
权利要求
1.一种模型生成装置，输入在构成工序的各工序步骤执行期间中时序方式取得的、作为与工序状态相关联的信息的工序状态信息和有关该工序中被处理的对象品的检查结果信息，并生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型，所述模型生成装置包括第一输入部，输入工序状态信息；第二输入部，输入检查结果信息；特征量提取部件，对每个对象品或对象品组(以下，称为单位对象品)及对每个工序步骤，从工序状态信息中提取工序特征量；以及解析部件，使用因相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息的关系的工序-质量模型。
2.如权利要求1所述的模型生成装置，其中，所述模型生成装置还包括将确定单位对象品的对象品ID信息与工序特征量可形成对应地输入的第三输入部，第二输入部将检查结果信息与对象品ID信息可形成对应地输入，所述模型生成装置还包括将对象品ID信息共用的工序特征量和检查结果信息形成对应的检查结果形成对应部件，解析部件使用通过检查结果信息形成对应部件形成对应的工序特征量和检查结果信息来执行解析。
3.如权利要求1所述的模型生成装置，其中，所述模型生成装置还包括将工序步骤和工序状态信息形成对应的步骤形成对应部件。
4.如权利要求3所述的模型生成装置，其中，步骤形成对应部件使用特定的工序状态信息变化的定时来生成工序步骤，将生成的工序步骤和工序状态信息形成对应。
5.如权利要求4所述的模型生成装置，其中，步骤形成对应部件使用特定的工序状态信息变化的定时来对期间进行确定，通过将所述期间进一步分割而至少生成一部分工序步骤。
6.如权利要求3所述的模型生成装置，其中，所述模型生成装置还包括在多个工序步骤中，将在比工序步骤的最小期间短的一定周期内连续取得的工序状态信息与取得它的时刻进行可对应地存储的存储部件，步骤形成对应部件从所述存储部件中读取在处理中使用的工序状态信息。
7.如权利要求6所述的模型生成装置，其中，对于工序中使用的工序装置的动作，在存在可与特定的单位对象品形成对应的待机期间的情况下，所述存储部件还将待机期间取得的工序信息与取得它的时刻可对应地存储，步骤形成对应部件还从所述存储部件中读取有关在待机期间取得的工序信息，将待机期间作为一个工序步骤进行处理。
8.如权利要求1所述的模型生成装置，其中，在第一输入部输入的工序状态信息的至少一部分信息项目在多个工序步骤之间相互共用的情况下，特征量提取部件提取的特征量的项目，在属于该工序步骤组的每个工序步骤中，包含从工序状态信息的共用的信息项目中可提取的共用的特征量项目。
9.如权利要求1所述的模型生成装置，其中，在工序中使用多个工序装置的情况下，所述模型生成装置还包括将处理中的对象品被一个工序装置处理后直至被其他工序装置进行处理的滞留时间信息与确定单位对象品的对象品ID信息可形成对应地输入的第4输入部，解析部件将与单位对象品形成对应的滞留时间信息作为一个工序特征量项目来执行所述解析。
10.如权利要求2所述的模型生成装置，其中，所述模型生成装置还包括将有关工序中使用的工序装置的故障信息与对象品ID信息可形成对应地输入的第五输入部，检查结果形成对应部将对象品ID信息共用的工序特征量和检查结果信息及故障信息形成对应，解析部件使用检查结果形成对应部件形成对应的工序特征量和检查结果信息及故障信息来执行解析，从而生成包含了工序特征量和故障信息的关系的工序-质量模型。
11.如权利要求2所述的模型生成装置，其中，所述模型生成装置还包括将对一个或多个工序步骤一并提供的工序补充信息与对象品ID信息可形成对应地输入的第6输入部，检查结果形成对应部件将对象品ID信息共用的工序特征量和检查结果信息及工序补充信息形成对应，解析部件使用由检查结果形成对应部件形成对应的工序特征量和检查结果信息及工序补充信息来执行解析，从而生成工序-质量模型。
12.如权利要求1所述的模型生成装置，其中，所述模型生成装置还包括生成时序预测模型的时序解析部件，所述时序预测模型表示有关工序特征量变化的预测。
13.如权利要求12所述的模型生成装置，其中，时序解析部件生成与工序-质量模型中项目存在的工序特征量相关联的时序预测模型。
14.如权利要求1所述的模型生成装置，其中，所述模型生成装置还包括工序-质量模型提供部件，积蓄并提供预先生成的工序-质量模型；以及判定部件，在工序-质量模型中采用工序特征量来进行异常的检测和异常种类的确定。
15.如权利要求14所述的模型生成装置，其中，所述模型生成装置还包括生成时序预测模型的时序解析部件，所述时序预测模型表示有关工序特征量变化的预测，判定部件在工序-质量模型中采用由时序解析部件预测的工序特征量，进行预测将来发生的异常的检测及异常种类的指定。
16.如权利要求10所述的模型生成装置，其中，所述模型生成装置还包括时序解析部件，生成时序预测模型，所述时序预测模型表示有关工序特征量变化的预测；工序-质量模型提供部件，积蓄并提供预先生成的工序-质量模型；以及故障判定部件，在工序-质量模型中采用由时序解析部件预测的工序特征量，进行预测将来发生的工序装置的故障检测及故障种类的确定。
17.如权利要求1所述的模型生成装置，其中，解析部件从使用与一组工序步骤对应的工序特征量而生成的工序-质量模型中，仅根据与该组的工序步骤内的一部分工序步骤对应的工序特征量来提取用于决定模型的结论的局部模型。
18.一种处理系统，包括工序装置，用于工序；工序信息采集装置，从工序装置中采集在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息；检查装置，进行有关执行了工序的对象品的检查；以及模型生成装置，从工序信息采集装置输入工序状态信息，并且输入检查结果信息，生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型，其中，模型生成装置包括第一输入部，输入工序状态信息；第二输入部，输入检查结果信息；特征量提取部件，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量；以及解析部件，使用因相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息的关系的工序-质量模型。
19.一种等离子体处理系统，包括工序装置，包括用于等离子体工序的等离子体室；工序信息采集装置，从工序装置中采集在产生等离子体前的前处理步骤、产生等离子体期间的基础处理步骤及停止等离子体产生后的后处理步骤的各工序步骤被执行期间中时序方式取得的、作为与等离子体工序的状态相关联的信息的工序状态信息；检查装置，进行有关执行了等离子体工序的对象品的检查；以及模型生成装置，从工序信息采集装置输入工序状态信息，并且输入检查结果信息，生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序-质量模型，其中，模型生成装置包括第一输入部，输入工序状态信息；第二输入部，输入检查结果信息；特征量提取部件，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量；以及解析部件，使用因相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息的关系的工序-质量模型。
20.一种模型生成方法，包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息和有关在该工序中被处理的对象品的检查结果信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息形成对应，通过使用被形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果的关系的工序-质量模型。
21.一种异常检测分类方法，包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息和有关在该工序中被处理的对象品的检查结果信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息形成对应，通过使用被形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果的关系的工序-质量模型，在相同的工序中，对于与在工序-质量模型的生成中使用的单位对象品不同的单位对象品，取得工序状态信息和检查结果信息，对每个这样的单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，在工序-质量模型中，采用这样的工序特征量，进行异常的检测和异常种类的确定。
22.一种异常检测分类方法，包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息和有关在该工序中被处理的对象品的检查结果信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息形成对应，通过使用被形成对应的工序特征量和检查结果信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果的关系的工序-质量模型，在相同的工序中，对于与在工序-质量模型的生成中使用的单位对象品不同的单位对象品，取得工序状态信息和检查结果信息，对每个这样的单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，生成用于表示有关这样的工序特征量变化的预测的时序预测模型，在工序-质量模型中，采用这样预测的工序特征量，确定被预测会在将来发生的异常的检测和异常的种类。
23.一种异常检测分类方法，包括取得在构成工序的各工序步骤被执行期间中时序方式取得的、作为与工序的状态相关联的信息的工序状态信息，与工序特征量可形成对应地取得用于确定单位对象品的对象品ID信息，与对象品ID信息可形成对应地取得有关在该工序中被处理的对象品的检查结果信息，与对象品ID信息可形成对应地取得有关在工序中使用的工序装置的故障信息，对每个单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，通过因相关单位对象品的通用关系而将工序特征量和检查结果信息和故障信息形成对应，通过使用被形成对应的工序特征量和检查结果信息及故障信息，执行基于数据挖掘的解析，从而生成用于表示工序特征量和检查结果信息及故障信息的关系的工序-质量模型，在相同的工序中，对于与在工序-质量模型的生成中使用的单位对象品不同的单位对象品，取得工序状态信息和检查结果信息及故障信息，对每个这样的单位对象品及每个工序步骤，从工序状态信息中提取工序特征量，生成用于表示有关这样的工序特征量变化的预测的时序预测模型，在工序-质量模型中，采用这样预测的工序特征量，确定被预测会在将来发生的工序装置的故障检测和故障种类。
全文摘要
提供一种装置和方法，根据可与工序的状态相关取得、通过有关与质量的关联的预测而未被收入的多种信息，能够生成用于预测对象品的质量的模型。模型生成装置(10)输入在构成工序的各工序步骤执行期间中时序方式取得的、作为与工序状态相关联信息的工序状态信息和有关该工序中被处理的对象品的检查结果信息，生成用于表示从工序状态信息中提取的工序特征量和检查结果信息的关系的工序－质量模型。特征量提取部(10b)对每个对象品和每个工序步骤提取特征量。解析部(10e)使用根据相关单位对象品的通用关系而形成对应的工序特征量和检查结果信息，通过执行基于数据挖掘的解析，从而生成工序－质量模型。
文档编号G06Q50/04GK1655325SQ20041010463
公开日2005年8月17日 申请日期2004年12月27日 优先权日2003年12月26日
发明者山田贤太郎, 青山行宏, 小川实, 中村寿一, 合川祯一 申请人:佳能系统集成有限公司, 欧姆龙株式会社