设备的异常评估方法与异常评估装置与流程

本发明关于一种设备的异常评估方法与异常评估装置。
背景技术：
：在传统对半导体机台的异常(例如故障或者是老化)的状态的评估方法中，往往仅能判断其为健康状态或者是异常状态二者其中之一。然而，此类二分法并无法明确反应半导体机台的实际状态。除此之外，在传统对半导体机台的异常(例如故障或者是老化)的状态的另一评估方法中，往往仅通过单一特征来衡量半导体机台的零件的整个生命周期的老化趋势。然而，实际上随着零件生命状态的改变，反应零件老化的特征会有所不同，因而单一特征也无法精准的反应半导体机台的实际表现。技术实现要素：本发明在于提供一种设备的异常评估方法与异常评估装置，以解决现有方法中无法明确反应出半导体机台的实际状态的问题，以及用以克服现有方法中仅通过单一特征评估因而无法精准地呈现出半导体机台的真实表现的问题。本发明提供一种设备的异常评估方法，包括下列步骤：根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，特征序列包括多个特征子集序列，生命周期关联于多个工艺操作(processrun)。对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。根据每一生命区段所对应的特征子集序列，来建构每一生命区段的一趋势分布。根据多个趋势分布来决定是否发出一警示信息。本发明提供一种设备的异常评估装置，包括一特征提取模块、一生命区段分析模块、一趋势分析模块以及一警示模块。生命区段分析模块耦接特征提取模块。趋势分析模块耦接特征提取模块与生命区段分析模块。警示模块耦接趋势分析模块。特征提取模块用以根据一配方信息与一传感信号，取得对应于一生命周期的一特征序列，特征序列包括多个特征子集序列，生命周期关联于多个工艺操作。生命区段分析模块用以对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。趋势分析模块用以根据每一生命区段所对应的特征子集序列，来建构每一生命区段的一趋势分布。警示模块用以根据多个趋势分布来决定是否发出一警示信息。如上所述，本发明通过对生命周期重复执行生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列，以建构出每一生命区段的趋势分布，来决定是否发出警示信息。如此一来，即可对应半导体工艺的生命周期中的不同时期(例如较早期、中期或者是较晚期)，选取出较恰当的特征值，来建构出更真实的健康模型，以更精准地反应出半导体机台的健康趋势。附图说明图1为根据本发明一实施例的设备的异常评估装置的方块图。图2为根据本发明一实施例的设备的异常评估方法的流程图。图3为根据本发明一实施例的配方信息与传感信号及其局部放大的示意图。图4为根据本发明一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。图5a与图5b为根据本发明一实施例的生命区段分析程序的示意图。图6为根据本发明一实施例的设备的异常评估方法的流程图。图7为根据本发明另一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。附图标记说明100异常评估装置110特征提取模块120生命区段分析模块130趋势分析模块140警示模块f特征序列t1～t4、t1’t5’趋势分布p1～p4、p1’～p5’生命区段run工艺操作编号e1～e4区段转换点s210～s260设备的异常评估方法的步骤a～e设备的异常评估方法的步骤b1～b4、b51、b52、b6设备的异常评估方法的步骤w1第一窗口w2第二窗口th1、th2警示门槛值cp11～cp1k候选转换点cp21～cp2k候选转换点cp1τ、cp2τ具有最高费雪分数的候选转换点z特征子集序列z1τ生命区段p1所对应的特征子集序列z2τ生命区段p2所对应的特征子集序列z3τ生命区段p3所对应的特征子集序列z4τ生命区段p4所对应的特征子集序列z1τ’生命区段p1’所对应的特征子集序列z2τ’生命区段p2’所对应的特征子集序列z3τ’生命区段p3’所对应的特征子集序列z4τ’生命区段p4’所对应的特征子集序列z5τ’生命区段p5’所对应的特征子集序列具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。图1为根据本发明一实施例的设备的异常评估装置100的方块图。如图1所示，异常评估装置100包括特征提取模块110、生命区段分析模块120、趋势分析模块130以及警示模块140。生命区段分析模块120耦接特征提取模块110。趋势分析模块130耦接特征提取模块110与生命区段分析模块120。警示模块140耦接趋势分析模块130。特征提取模块110、生命区段分析模块120、趋势分析模块130以及警示模块140可以是由各种微处理器或者是芯片来实现，在此不加以限制。举例来说，特征提取模块110、生命区段分析模块120、趋势分析模块130以及警示模块140可分别通过一第一处理器、一第二处理器、一第三处理器以及一第四处理器来实现。下列请同时参照图1与图2。图2为根据本发明一实施例的设备的异常评估方法的流程图。如图2所示，设备的异常评估方法的包括步骤s210～s260。在半导体工艺中，针对某一零件甲(即机台零件)，其先后可历经多个工艺操作(processrun)。也就是说，此零件于工艺中的生命周期可涵盖了这些工艺操作。在步骤s210中，针对上述零件甲的半导体工艺，特征提取模块110可用以根据配方信息与传感信号，取得对应于生命周期的特征序列。生命周期可关联于多个工艺操作。在本发明实施例中，其中配方信息包括多个配方值(setpoint)，也就是配方的设定值。传感信号包括多个感测值，每一感测值对应多个配方值其中之一。举例来说，在各工艺操作中，可以有对应此led的配方信息(或配方步骤(recipestep))，其中配方信息可具有多个配方值，例如特定时点的加热温度。此外，可通过相关的传感器来撷取上述配方步骤所对应的传感信号。其中传感信号具有多个感测值，例如特定时点的感测温度。图3为根据本发明一实施例的配方信息与传感信号及其局部放大的示意图。图3中的纵轴代表摄氏温度，横轴代表时间(秒)，其中的实线代表配方信息，虚线代表传感信号。下列请同时参照图1、图2、图3。在本发明实施例中，特征序列关联于配方信息与传感信号之间的偏移程度。在本发明实施例中，特征提取模块110可进一步根据每一配方值与对应的感测值之间的差值，以及对应生命周期的时间顺序，产生特征序列。举例来说，在一情况中，特征提取模块110可计算多个配方值与对应的多个感测值之间的多个差值中的一平均差值，以作为对应偏移程度的特征值。在另一情况中，特征提取模块110可计算多个配方值与对应的多个感测值之间的多个差值中的最大差值，以作为对应偏移程度的特征值。在又另一情况中，特征提取模块110也可计算多个配方值与对应的多个感测值之间的多个差值中，大于一阀值的多个差值所对应的偏移时间，以作为对应偏移程度的特征值。以此，特征提取模块110再根据所求得的多个特征值以及对应生命周期的时间顺序，来产生所述特征序列f。在本发明实施例中，所述特征序列f可以是通过上述各工艺操作的配方值与感测值之间的差值所求得的特征向量所组成的序列。其中特征序列f所属的集合可以是{mean、std、max、min、range、kurtosis、skewness、rms}。其中mean为平均值，std为标准偏差，max为最大值，min为最小值，range为范围，kurtosis为峰度，skewness为偏斜度，rms为均方根。如下列表一与表二所示。表一与表二为根据本发明一实施例的关联于多个工艺操作编号run的特征向量。表一runrangekurtosisskewnessrms3630.082352941-1.2607203-0.32266443620.175526893650.082352941-1.1612369-0.42861459830.196571143670.076470588-1.2752570-0.36293017040.188520593690.094117647-1.2059249-0.38976150160.215183893710.194117647-1.4481707-0.04895794520.19129842表二举例来说，对应工艺操作编号run为363的特征向量即为(0.17341176，0.027167047，0.20588235，0.12352941，0.082352941，-1.2607203，-0.3226644362，0.17552689)。特征序列f即为所有工艺操作的特征向量所组成的序列。为了便于说明，上述表一与表二并未列举所有工艺操作的特征向量。在本发明实施例中，特征序列可包括多个特征子集序列，举例来说，当特征序列f所属的集合为{mean、std、max、min、range、kurtosis、skewness、rms}时，则特征子集序列z所属的集合，则可以是上述特征序列f所属集合的子集合，例如为{mean、max、min}或{mean、max、min、kurtosis、skewness}等等。换句话说，特征子集序列z即为上述子集合的特征子集向量所组成的序列。上述特征值所属的集合仅为便于说明之用，在此不加以限制。图4为根据本发明一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。下列请同时参照图1、图2与图4。在步骤s220中，生命区段分析模块120可用以对生命周期重复执行一生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列。如图4所示，通过重复执行生命区段分析程序，生命区段分析模块120可分别取得对应生命周期中百分比0～36％的区段为生命区段p1，对应生命周期中百分比36～56.5％的区段为生命区段p2，对应生命周期中百分比56.5～87.2％的区段为生命区段p3，对应生命周期中百分比87.2～100％的区段为生命区段p4。其中，生命区段p1所对应的特征子集序列z1τ的特征值所属的集合为{mean，max，min，range，kurtosis，skewness}，生命区段p2所对应的特征子集序列z2τ的特征值所属的集合为{std，max，min，range}，生命区段p3所对应的特征子集序列z3τ的特征值所属的集合为{max，min，range，rms}，生命区段p4所对应的特征子集序列z4τ的特征值所属的集合为{mean，std，max，min，range}。举例来说，如同人类的生命周期可大致上分为四个生命区段，如儿童期、青少年期、中壮年期以及老年期。其中，在人类的各生命区段，用以评估健康的主要特征可能不同。举例来说，在儿童期，评估健康的主要特征可相关于骨骼、肌肉以及呼吸道。在青少年期，评估健康的主要特征可相关于胆固醇以及肝指数。在中壮年期，评估健康的主要特征可相关于血糖、血压、心血管以及肾功能。在老年期，评估健康的主要特征可相关于肠胃道、骨密度以及心脏。半导体工艺也是一样，在评估半导体机台的异常(例如故障或者是老化)的状态时，不同的生命区段可对应不同的特征子集序列，且通过所属的特征子集序列，将能更精准地反应半导体机台的生命区段的发展趋势。在步骤s230中，趋势分析模块130可用以根据每一生命区段所对应的特征子集序列，来建构每一生命区段的趋势分布。如图4所示，趋势分析模块130可分别针对生命区段p1～p4而建构出趋势分布t1～t4。在步骤s240中，警示模块140可用以根据多个趋势分布来决定是否发出一警示信息。如图4所示，已知的零件更换点发生在工艺操作编号run为469的时点，而警示模块140可提早于工艺操作编号run为455的时点发出警示信息(如步骤s250)。若判断为否，则于步骤s260中判定不发出警示信息。下列将进一步详述生命区段分析模块120所执行的生命区段分析程序。图5a与图5b为根据本发明一实施例的生命区段分析程序的示意图。图6为根据本发明一实施例的设备的异常评估方法的流程图。下列请同时参照图1、图4、图5a～5b以及图6。在本发明实施例中，其中生命区段分析模块120于步骤s220中，可进一步根据一分析起始点执行生命区段分析程序，以取得对应多个生命区段其中之一的一区段转换点，以及根据最新所取得的区段转换点来重新设定分析起始点(步骤g)，并重复执行上述步骤，直到无法再取得任何区段转换点为止(步骤h)。其中，最初始的分析起始点根据生命周期的起始点而设定。如图5a所示，于初始时，生命区段分析模块120会将分析起始点设定为生命周期的起始点(即首个工艺操作)，并于执行生命区段分析程序的后，获得对应生命区段p1的区段转换点e1。接着，如图5b所示，生命区段分析模块120可将区段转换点e1设定为下一个分析起始点，并再次执行生命区段分析程序，而获得对应生命区段p2的区段转换点e2(未绘示于图5b中)。上述步骤将不断的重复，直到无法再取得任何区段转换点为止(或者是直到无法再取得后述的任何候选转换点为止)。更详细来说，上述生命区段分析程序可包括下列步骤a～f：在步骤a中，生命区段分析模块120可从多个特征子集序列中，随机选取其中的一特征子集序列。举例来说，如图5a所示，在取得区段转换点e1的过程中，于第1次迭代时，可随机选取出特征子集序列z11＝{mean，std，min}。或者是，如图5b所示，在取得区段转换点e2的过程中，于第1次迭代时，可随机选取出特征子集序列z21＝{std，range，kurtosis}。在步骤b中，生命区段分析模块120可从所设定的分析起始点开始，分析被选取的每一特征子集序列的一分布状态，以取得对应的一候选转换点与候选转换点的一特征判别能力指针。在本发明实施例中，所述的特征判别能力指针为此候选转换点所对应的费雪分数。再更详细来说，上述步骤b可包括下列步骤b1～b6：在步骤b1中，生命区段分析模块120于所选取的特征子集序列中，根据生命周期的起始点，取得一第一窗口w1。在步骤b2中，生命区段分析模块120于所选取的特征子集序列中，根据所设定的分析起始点与一窗口平移量，取得一平移参考点与对应平移参考点的一第二窗口w2。在本发明实施例中，第一窗口w1与第二窗口w2的窗口长度可以是整个生命周期长度的10％，而每次的窗口平移量可以是整个生命周期长度的5％，但本发明并不以此为限。在步骤b3中，生命区段分析模块120比对第一窗口w1与第二窗口w2。在步骤b4中，生命区段分析模块120判断第二窗口w2相对于第一窗口w1的一分布差异是否大于一阀值。在本发明实施例中，生命区段分析模块120可通过算法hotelling’st2来判断第一窗口w1与第二窗口w2之间的分布差异是否大于一阀值。在步骤b51中，当第二窗口w2相对于第一窗口w1的分布差异不大于阀值时，则生命区段分析模块120可增加窗口平移量，也就是滑动第二窗口w2，并可重复上述步骤b1～b4，直到平移参考点到达生命周期的终点为止，如步骤b52。在步骤b6中，当第二窗口w2相对于第一窗口w1的分布差异大于阀值时，则生命区段分析模块120将平移参考点设定为候选转换点，并记录此候选转换点以及此候选转换点所对应的费雪分值，以完成这一次的迭代。如图5a所示，在取得区段转换点e1的过程里，于第一次的迭代中，取得候选转换点cp11。于第k次的迭代中，取得候选转换点cp1k。接着，在步骤c中，生命区段分析模块120判断对应此分析起始点，其迭代所重复的次数是否达到一迭代次数阀值。当迭代所重复的次数未超过迭代次数阀值k时，则生命区段分析模块120可重复上述步骤a与b。举例来说，迭代次数阀值k可以为5000。然而在此不加以限制迭代次数阀值k的大小。在步骤d中，当迭代所重复的次数已超过迭代次数阀值k时，则生命区段分析模块120可根据前述的纪录，来判断对应此分析起始点是否确实存在候选转换点。当不存在候选转换点时，则于步骤h中终止流程。在步骤e中，当存在候选转换点时，则生命区段分析模块120可将其中具有最高的特征判别能力指针的候选转换点，设定为区段转换点，以取得对应的生命区段。举例来说，如图5a所示，生命区段分析模块120可将候选转换点cp11到cp1k之中，其具有最高费雪分数的候选转换点cp1τ，设定为区段转换点e1。相似地，如图5b所示，生命区段分析模块120可将候选转换点cp21到cp2k之中，其具有最高费雪分数的候选转换点cp2τ(未绘示于图中)设定为区段转换点e2(未绘示于图中)。在步骤f中，生命区段分析模块120可将具有最高的特征判别能力指针的候选转换点cp1τ所对应的特征子集序列z1τ，设定为生命区段p1所对应的特征子集序列。接着，在本发明实施例中，趋势分析模块130可进一步根据多个生命区段分别所对应的特征子集序列，训练出每一生命区段所对应的一健康模型，以及根据每一生命区段所对应的每一健康模型，取得每一生命区段对应的趋势分布。在本发明实施例中，其中每一趋势分布关联于对应的特征子集序列于其生命区段中的数据与生命周期的起始点的第一窗口的数据之间的马氏距离。也就是说，所述第一窗口的数据即为健康数据，而各趋势分布是对应的生命区段中的各工艺操作的数据(对应第二窗口)与此健康数据(对应第一窗口)之间进行比对而来。如图4所示的趋势分布t1～t4。在本发明实施例中，警示模块140可进一步根据趋势分布来产生对应的一警示门槛值。如图4所示的警示门槛值th1。此外，警示模块140可进一步比对趋势分布与警示门槛值，以决定是否发出警示信息。如图4所示，已知的零件更换点发生在工艺操作编号run为469的时点，而警示模块140可提早于工艺操作编号run为455的时点，判定趋势分布t4与警示门槛值th1相交，以此发出警示信息。在本发明另一实施例中，在针对上述零件甲的半导体工艺中，生命区段分析模块120分别取得生命区段p1～p4所对应的特征子集序列z1τ～z4τ之后，这些特征子集序列z1τ～z4τ，可用以作为分析另一个零件乙(与零件甲同类型的零件)的生命区段分析的参考。举例来说，当生命区段分析模块120在取得对应零件乙的第一个生命区段p1’的过程中，可以参考零件甲的生命区段p1的特征子集序列z1τ所属的集合{mean，max，min，range，kurtosis，skewness}。在取得对应零件乙的第二个生命区段p2’的过程中，可以参考零件甲的生命区段p2的特征子集序列z2τ所属的集合{std，max，min，range}。在取得对应零件乙的第三个生命区段p3’的过程中，可以参考零件甲的生命区段p3的特征子集序列z3τ所属的集合{max，min，range，rms}。在取得对应零件乙的第四个生命区段p4’的过程中，可以参考零件甲的生命区段p4的特征子集序列z4τ所属的集合{mean，std，max，min，range}。如此一来，将可能加速有关于零件乙的异常(例如故障或老化)趋势的分析速度。图7为根据本发明另一实施例的生命周期、各生命区段与对应的特征子集序列的示意图。下列请同时参照图1与图7。相似地，趋势分析模块130可用以根据每一生命区段所对应的特征子集序列，来建构每一生命区段的趋势分布。如图7所示，趋势分析模块130可分别针对生命区段p1’～p5’而建构出趋势分布t1’～t5’。如图7所示，通过重复执行生命区段分析程序，生命区段分析模块120可分别取得对应生命周期中百分比0～36％的区段为生命区段p1’，对应生命周期中百分比36～56.5％的区段为生命区段p2’，对应生命周期中百分比56.5～87.2％的区段为生命区段p3’，对应生命周期中百分比87.2～94.9％的区段为生命区段p4’，对应生命周期中百分比94.9％～100％的区段为生命区段p5’。其中，生命区段p1’所对应的特征子集序列z1τ’的特征值所属的集合为{mean，max，min，range，kurtosis，skewness}，生命区段p2’所对应的特征子集序列z2τ’的特征值所属的集合为{std，max，min，range}，生命区段p3’所对应的特征子集序列z3τ’的特征值所属的集合为{max，min，range，rms}，生命区段p4’所对应的特征子集序列z3τ’的特征值所属的集合为{mean，std，max，min，range}，生命区段p5’所对应的特征子集序列z5τ’的特征值所属的集合为{mean，std，max，min，range，kurtosis}。然而相异于上述图4的实施例，在本发明实施例中，生命区段分析模块120可根据所设定的分析起始点，来决定第一窗口与第二窗口的一窗口长度。在本发明实施例中，生命区段分析模块120也可根据所设定的分析起始点，来决定窗口平移量。举例来说，如图7所示，在取得前3个区段转换点e1～e3的过程中，第一窗口w1与第二窗口w2的窗口长度可以是整个生命周期长度的10％，而每次的窗口平移量可以是整个生命周期长度的5％。当找到第3个区段转换点e3之后，第一窗口w1与第二窗口w2的窗口长度可以变更为整个生命周期长度的5％，而每次的窗口平移量可以变更为整个生命周期长度的2.5％。如此一来，在半导体机台较接近异常(例如故障或者是老化)的时期，即可更加精准的反应出其发展趋势。如图7所示，警示模块140可于工艺操作编号run为456的时点，判定趋势分布t5’与警示门槛值th2相交，以此发出警示信息。相较于图4，本发明实施例发出警示信息的时点，可更接近实际上机台发生异常(例如故障或者是老化)的时点。综上所述，本发明通过对生命周期重复执行生命区段分析程序，以取得生命周期中的多个生命区段，以及每一生命区段所对应的特征子集序列，以建构出建构每一生命区段的趋势分布，来决定是否发出警示信息。如此一来，即可对应半导体工艺的生命周期中的不同时期(例如初期、早期、中期或者是晚期、末期等)，选取出较恰当的特征值，来建构出更真实的健康模型，以更精准地反应出半导体机台的健康趋势。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12