用于处理室的预测性预防性维护的方法和装置的制作方法

专利名称：用于处理室的预测性预防性维护的方法和装置的制作方法
用于处理室的预测性预防性维护的方法和装置
背景技术：
等离子体处理技术的进步已引起半导体工业的巨大进步。等离子体处理系统可由许多部件组成。为便于讨论，术语“部件(component)”会被用于指代等离子体处理系统中的原子组件(atomic assembly)或多部件组件(multi-part assembly)。因此,部件可以简单如边缘环，或者可以复杂如整个工艺模块。多部件部件(比如工艺模块)可以形成自其他多部件部件(比如真空系统、气体系统、供电系统，等等)，所述其他多部件部件转而又可形成自其他多部件部件或原子部件。随着时间的推移，一或多个部件会磨损。本领域技术人员知道如果不对磨损的部件进行修复/替换，则磨损的部件会对室和/或衬底造成损坏。识别哪个部件需要被替换 的方法可包括使用固定的部件替换时间表。换句话说，每个部件的使用寿命期间会被先验地确定。每个部件的使用会被跟踪，并且当所述部件达到其使用寿命的尽头时(如通过固定的使用寿命时间表所预定的)，所述部件会被替换。可惜的是，出于替换/修理目的而预定部件使用寿命的方法有其局限性。首先，部件的使用寿命会根据所述部件周围的环境而变。在实施例中，部件I可被用在处理室中，部件I可经历与部件2不同的工艺配方(recipe)或工艺配方的混合物。从而，部件I可先于部件2磨损，即使两个部件具有相同的品牌和型号(make and model)。因此，利用预定使用寿命的方法，会招致与将处理室脱机并替换部件相关的不必要的成本，即使所述部件的使用寿命实际上可能还未结束。此外，预定使用寿命的方法难以查明部件在其预定的理论上的使用寿命届满之前过早磨损的可能性。在很多例子中，部件的损耗状况可导致损坏的衬底和/或甚至对室以及该处理室内的其他部件造成损坏。一种用于确定部件磨损的方法可涉及跟踪单个参数的演变，即所谓单一变量模式。在实施例中，部件的健康状况可通过由一些传感器跟踪可测量的单个参数来进行监控。例如，可以跟踪RF偏压。如果RF偏压高于预定阈值，则例如所述边缘环就可被视为已经达到其使用寿命的终点。问题在于，所述单一变量方法也有其局限性。如前所述，通过跟踪单个参数来监控给定部件。但是，所述参数可被给定部件状况之外的其他因素影响。在实施例中，为了监控边缘环的状况，RF偏压可被监控。但是，RF偏压的值可被所述边缘环状况之外的其他因素影响。例如，RF偏压也可能受室壁的沉积状况的影响。从而，当高RF偏压被识别时，所述高RF偏压值可以不一定是表示所述边缘环可能存在问题的标记。相反地，问题可能存在，但可能需要进一步的分析才能确定所述问题的原因。单一变量方法的另一个问题是该单一变量方法会是一种“通/止”(go/no-go)法。换句话说，单一变量方法一般被用于识别故障状况何时会存在从而能将部件替换。但是，单一变量方法不能帮助预测部件何时(而不是是否)会需要被替换。换句话说，在这样的情况下，单一变量方法最多可被用于识别问题而不能预测问题(例如使用寿命的尽头)何时会发生。所以，当部件(比如边缘环)实际上磨损时，替换部件不会立即可用。因此，处理室不得不继续脱机直至能够替换上比如新的边缘环。当然，制造企业可以选择一直备有现成可用的替换部件(比如边缘环)。这种一直携带备用部件的方法会变得昂贵，因为制造企业必须为拥有现成可用部件而分配资源(资金和储存空间)，即使当前部件仍处于正常工作状态。另一种用于识别部件磨损的方法可包括使用监测补丁(monitoring patch)。监测补丁是可以设置于部件上的子部件(item)。监测补丁可被设置于靠近部件的表面或可被嵌入到部件当中。例如，如果监测补丁磨损，则部件可被视为到了其使用寿命的尽头。又如，如果监测补丁是嵌入式的，则当所述监测补丁可见时，所述部件可被视为到了其使用寿命的尽头。监测补丁方法有几个局限。首先，每个要被监控的部件都需要监测补丁。因此，如果有100个部件需要被监控，则必须在每个部件上设置监测补丁。监测补丁方法会变得非常昂贵，实施起来耗费时间，而且监测取决于可被监控的部件的数量。 此外，监测补丁的使用会增加污染的风险。监测补丁是需要置于处理室内的外来物件。如上所述，为了防止对室和/或衬底的损坏，处理室的状况需要被严格控制。通过将一或多个监测补丁引入处理室，处理环境会被改变。而且，由于处理室内监测补丁的存在而弓I起的处理环境的改变的度会是不可知的或很难测量。监测补丁方法的另一局限是在部件上设置监测补丁会危害所述部件的机械功能。换句话说，边缘环的机械性能会因环中嵌入的监测补丁而有所改变。不幸地，因为每个部件和/或每个补丁会是唯一的，所以所述补丁可改变部件功能的程度会变。因此,需要用于预测部件磨损的无创性(non-invasive)方法。


在附图中通过实施例的方式而非通过限定的方式来说明本发明，在这些附图中，类似的参考数字符号指代类似的元件，其中图I示出了在本发明的实施方式中，使用单种多变量预测模型以使部件合格(qualify a component)的简单流程图。图2示出了在实施方式中，图解用于在确定部件健康状况的过程中使用多种预测模型的方法的简单流程图。图3示出了在本发明的实施方式中，图解使用具有非等离子体测试(NPT，non-plasma test)的多变量预测模型的方法的简单流程图。图4示出了在本发明的实施方式中，图解使用多变量预测模型和来自非等离子体测试的数据以使部件合格的方法的简单流程图。图5示出了在本发明的实施方式中，图解为使部件合格而构建多变量预测模型的方法的简单流程图。
具体实施例方式在此将根据附图中所示的本发明的一些实施方式对本发明进行详细描述。在下面的描述中，陈述了大量具体细节以提供对本发明的透彻理解。然而，对本领域技术人员而言，显而易见的是本发明可以在没有一些或全部所述具体细节的情况下被实行。另一方面，为了不令本发明产生不必要的含糊，公知的工艺步骤和/或结构不会被详细描述。下文将描述各种实施方式，包括方法和技术。应当记住的是本发明也可涵盖包含有计算机可读介质的产品，在所述计算机可读介质上存储了用于实现本发明实施方式的计算机可读指令。所述计算机可读介质可包括用于存储计算机可读代码的诸如半导体、磁性的、光磁的、光学的或其他形式的计算机可读介质。此外，本发明还可涵盖用于实行本发明实施方式的装置。这样的装置可包括执行与本发明实施方式有关的任务的专用和/或可编程电路。所述装置的实施例包括被适当编程的通用计算机和/或专用计算设备，且可包括适用于与本发明的实施例相关的各种任务的计算机/计算装置和专用/可编程电路的组
八
口 o
虽然会在一定程度上详细讨论统计模型以帮助对总体技术的理解，但本发明涉及部件磨损的预测以及这样的预测如何被应用在预防性维护中。在执行所述预测时可使用的特定模型可以取决于涉及的室或部件。然而，能够理解的是可以使用任何模型(例如，统计模型、电学模型、等离子体模型、混合模型、这些模型的组合，等等)，且针对特定室、特定部件和/或特定配方(recipe)的特定模型的使用是在本领域普通技术人员的认知范围内。在本发明的实施方式中，提供了用于评估室健康状况的方法。本发明的实施方式包括执行室健康指标测试。此处所讨论的室健康指标测试是指可以确定和/或预测处理室内的成组的部件(例如成组的易耗部件)的健康的测试。换句话说，室健康指标测试可被用于确定和/或预测部件何时会达到其使用寿命的尽头。在本发明的实施方式中，提供了用于评估室健康状况的方法。在实施例中，可以构建一或多种多变量预测模型以在处理室内执行室健康指标测试。与现有技术不同，所述预测模型可基于多个参数而非单个参数。所以，所述室健康指标测试可被执行不仅仅用来确定部件何时磨损，还可用来产生关于部件的剩余使用寿命的预测。在实施方式中，成组的鲁棒(robust)预测模型(例如多变量预测模型组)的构建可基于在预防性维护周期(此处也称为湿法清洁周期)期间在各个点收集的数据。为了消除数据集中的与所述室的状况有关而非与实际部件本身有关的噪声，可至少在湿法清洁周期的起始和结束处收集所述数据。在本发明的实施方式中，成组的鲁棒预测模型的构建还可基于跨越多个室收集的数据。数据被跨室收集也是为了消除可能与室状况相关而非与部件的状况相关的噪声，所述室状况对于具体的室是唯一的。一旦多变量预测模型组被构建成，可以将所述多变量预测模型组应用在使所述室及其部件的状况合格的生产环境中。本发明的实施方式提供了使用单种多变量预测模型来使部件合格的方法。换句话说，单种多变量预测模型可被用于使单个部件合格。在本发明的实施方式中，提供了在确定室健康指标时使用多于一种的多变量预测模型来预测多个部件的磨损的方法。在实施方式中，可以结合室健康指标测试使用非等离子体测试(NPT)。在一实施方式中，所述NPT可被用来测量何时需要执行室健康指标测试。此处所讨论的非等离子体测试是指通过将一或多个预定义频率的低功率应用到处理室却不点燃等离子体而可被执行的测试。虽然在测试过程中不形成等离子体，但是提供了足够的数据来估计处理室的状况。由于NPT是一种进行起来相当快并且廉价的测试，所以NPT可被用作室健康指标测试的前导。在本发明的一实施方式中，NPT还可被用来验证(validate)室健康指标测试。在实施方式中，出于验证目的，从NPT得出的数据可以与室健康指标测试过程中收集的数据互相关联。通过附图及接下来的讨论可以更好地理解本发明的特征和优势。如前所述，室健康状况可被用于确定何时需要维护。为了评估室(尤其是易耗部件)健康状况，可执行室健康指标测试。所述室健康指标测试可在基于模型的方法的基础上执行。图I到图4示出了在本发明的实施方式中，使用一或多种多变量预测模型以使成组的部件合格的不同方法。图I示出了在本发明的实施方式中，使用单种多变量预测模型以使成组的部件合格的简单流程图。
在第一步骤102，在处理室中执行配方。所述配方可以是客户定制配方、WAC配方或非客户定制配方。此处所讨论的客户定制配方是可为特定制造企业特别定做的配方。在实施例中，客户定制配方可以是实际的生产就绪工艺配方，该配方对于特定制造企业是唯一的。在一实施方式中，使用客户定制配方的能力使得用户(例如工艺工程师)能够构建具体针对客户需要的多变量模型。此处所讨论的非客户定制配方是指可被设计来最大化对具体易耗部件磨损的敏感度的配方。在实施例中，非客户定制配方可以是可被配置来分析等离子体处理系统的具体情况的配方。非客户定制配方可被拥有处理室的任何制造企业使用，所述处理室具有由所述非客户定制配方指定的类似的室配置。可用的另一配方是无晶片自动清洁(WAC,waferless autoclean)配方。WAC配方可在生产运行后被运行。WAC配方通常不针对特定的室。可以执行的配方的类型可取决于多变量预测模型。在实施例中，如果使用客户定制配方构建多变量预测模型，那么可被用来使用所述多变量模型的配方也可以是客户定制配方。在下一步骤104，通过成组的传感器(例如，压力传感器、温度传感器、VI探针、0ES、朗缪尔探针，等等)来收集处理数据。在下一步骤106，将模型应用于所述处理数据。换句话说，该系统可以将处理数据和多变量预测模型相比较。在一实施方式中，预测模型是统计模型。在另一实施方式中，预测模型是电学模型。在又一实施方式中，预测模型是等离子体模型。此外，步骤106不限于分析一个部件。相反地，可以将不同的多变量预测模型应用于相同的数据集以分析不同部件的健康状况。在实施方式中，多变量预测模型可从库(108)中提取数据。所述库可以包括可被用于支持所述模型的数据(例如常量)。在进行分析之后，在下一步骤110，预测模型可输出当前被分析的各个部件的部件磨损数据。换句话说，可产生详述当前被分析的各个部件的健康状况的数据报告。在下一步骤112，该系统可将所输出的数据和使用寿命阈值范围相比较。每个部件的使用寿命阈值可基于诸如专业知识。在实施方式中，使用寿命阈值可由用户配置。从而，用户可修改使用寿命阈值以对工具组态(configuration)、配方组态等进行调整。
如果所输出的数据超过了使用寿命阈值，则会在下一步骤114发出警告/错误消息。所述警告/错误消息可确定引起使用寿命阈值被突破的参数。利用输出报告中的数据，用户(例如工艺工程师)可以继而有把握地确定修复所述问题所需的行动方针。举例来说，在实施例中，所述部件可能必须被修复和/或替换。如果所输出的数据在使用寿命阈值之内，那么当前被分析的各个部件被认为处于良好的工作状态。在下一步骤116，该系统在再次实施图I中所描述的方法之前会等待经过下一测量间隔(measurement interval)。从图I可知，通过使用该多变量模型，用户能够确定一或多个部件的健康状况。从而，该预测模型不仅可以识别部件何时损坏，还可以预测所述部件何时会达到不被接受的磨损点。在实施例中，因为边缘环仍可在正常工作，所以输出报告并未显示所述边缘环已用坏。但是，所述输出报告会显示边缘环使用寿命的75%已被消耗且不久之后便需要替换所述边缘环。基于此项认知，制造企业可以对即将到来的维修进行计划。
图2示出了在实施方式中，图解用于在确定部件健康状况的过程中使用多种预测模型的方法的简单流程图。在第一步骤202，在处理室中执行配方。与图I类似，所述配方可以是客户定制配方、WAC配方或非客户定制配方。在下一步骤204，通过成组的传感器(例如，压力传感器、温度传感器、VI探针、0ES、朗缪尔探针，等等)来收集处理数据。在下一步骤206，将成组的模型应用于所述处理数据。换句话说，两或更多种模型(208、210和212)可被用于分析所述处理数据。在实施例中，可使用两种模型来使部件合格。例如，模型208可以是多变量统计模型而模型210可以是电学模型。类似于图I，步骤206让不同的预测模型应用于相同的数据集以分析不同部件的健康状况。在实施方式中，成组的模型可从库(214)中提取数据。所述库可以包括可被用于支持所述模型的数据(例如常量)。在进行分析之后，在下一步骤216，该系统可进行检查以确定来自所述模型的输出是否匹配。在实施例中，如果来自多变量模型208的输出显示部件上的磨损为90%而来自多变量模型210的输出显示相同部件上的磨损为75%，那么，来自所述模型的输出数据不匹配。如果来自所述模型的输出数据不匹配，则在下一步骤218，将具有较少噪声的模型应用于来自较鲁棒模型的数据。在实施例中，模型208可以是电学模型且可以是较鲁棒模型但可以具有非常高的噪声水平。然而，模型210可以是统计模型且可以是较不鲁棒的但可以具有较低的噪声水平。此处所讨论的鲁棒模型是指具有较少异常情况(统计异常)的模型。在实施方式中，可将较不鲁棒但噪声较低的模型(模型210)应用于来自较鲁棒模型(在此实施例中为模型208)的数据以使部件合格。此方法在提高精确度的同时让噪声减少。此外，由于模型的输出不匹配，该系统也会报告该差异并标记所述模型以便更新(步骤220)。换句话说，可聚集额外的数据以重建一或多种模型。在实施例中，可以实施如图5中所描述的方法(将在下文中进行讨论)来重建(利用不同的/额外的数据或不同的建模方法)所述电学模型(208)和所述统计模型(210)，以便调整噪声水平从而使所述模型更好地相互关联。然而，如果自所述模型输出的数据匹配，那么在下一步骤222，所述预测模型可输出当前被分析部件的部件磨损数据。在下一步骤224，该系统可将所输出的数据和使用寿命阈值范围相比较。如果超过了所述使用寿命阈值，则会在下一步骤226发出警告/错误消息。如果所输出的数据超过了使用寿命阈值，则在下一步骤228，该系统会等待经过下
一测量间隔。从图2可知，图2中所描述的方法在某种程度上与图I中所描述的方法类似，除了 图2中所描述的方法利用多种预测模型而非单种多变量预测模型。通过使用多于一种的预测模型可以提供验证。而且，如果所述模型的其中一种是较不鲁棒的，还可以使用附加的模型来填补该较不鲁棒模型。图3示出了在本发明的实施方式中，图解使用具有非等离子体测试(NPT)的多变量预测模型的方法的简单流程图。在第一步骤302运行非等离子体测试。此处所讨论的非等离子体测试是指通过将预定义频率的低功率发送到处理室中而可被执行的快速测试。所述功率可以不足够强到点燃等离子体但是足以提供关于所述室的电学数据(例如，阻抗、电容，等等)。在实施方式中，非等离子体测试可以是室健康指标测试的前导。换句话说，如果NPT显示潜在问题可存在于所述部件的一个部件中，则可以执行室健康指标测试。因为相较于室健康指标测试，NPT是一种快速且相当廉价的测试，所以使用NPT作为前导可以帮助降低拥有成本(ownership cost)。如果NPT表明潜在问题可存在，则在下一步骤304可以执行室健康指标测试。为了初始化所述室健康指标测试，可以首先执行配方。在下一步骤306获取数据用于分析。在下一步骤308，可以将一或多种模型应用于所述数据以进行分析(参见对图I和2的讨论)。此外，为了进行所述分析，可从库310中提取数据。所述库可以包括可被用于支持所述模型的数据(例如常量)。一旦数据分析完成，会提供关于当前被分析部件中的每一个的健康状况的输出报
生口 o在下一步骤314，该系统可将所输出的数据和使用寿命阈值范围相比较。每个部件的使用寿命阈值可基于诸如专业知识。在实施方式中，使用寿命阈值可由用户配置。从而，用户可修改使用寿命阈值以对工具组态、配方组态等进行调整。如果所输出的数据超出了使用寿命阈值范围，则在下一步骤316会发出警告/错误消息。所述警告/错误消息可确定引起使用寿命阈值被突破的参数。利用输出报告中的数据，用户(例如工艺工程师)可以继而有把握地确定修复所述问题所需的行动方针。在实施例中，例如所述部件会必须被修复和/或替换。如果所输出的数据在使用寿命阈值范围之内，那么在下一步骤318，该系统会等待经过下一测量间隔。
从图3可知，这些用于使部件合格的步骤在某种程度上与图I和/或图2中所描述的步骤类似。与图I和/或图2不同的是，图3中所描述的方法属于用来确定下一测量间隔的定量方法。换句话说，NPT被用作为何时会需要执行下次室健康指标测试的指示符。由前述内容可知，如果在分析数据时使用多于一种的多变量预测模型，那么图3中所描述的步骤可以被调整。图4示出了在本发明的实施方式中，图解使用多变量预测模型和来自非等离子体测试的数据以使部件合格的方法的简单流程图。虽然图3和图4都使用了非等离子体测试，但是图4中所描述的方法不同于图3中所描述的方法，所述不同在于NPT被用于验证而非作为室健康指标测试的如导。在第一步骤402执行配方。在下一步骤404，在处理过程中获取处理数据。在下一步骤406，可以将一或多种模型应用于所述数据以进行分析。在实施方式 中，还可以从库408中提取数据。分析的结果作为输出报告来提供(步骤410)。在下一步骤412，该系统可以分析所述结果以确定需要额外验证。当步骤410的所述结果是不可靠的(uncertain)或具有太多噪声时,会需要额外验证。在实施方式中，可以将所述结果与预定义的噪声水平阈值范围相比较。如果所述结果超出了所述预定义的噪声水平阈值范围，则会需要验证。如果需要额外验证，则在下一步骤414可以执行NPT。在NPT期间收集数据(步骤416)。来自NPT以及模型分析的数据与用于验证在所述模型的分析过程中所收集的数据的NPT数据是互相关联的(步骤418)。合并后的数据作为详述当前被分析部件的健康状况的单个报告输出(步骤420)。当然，如果不需要额外验证(在步骤412)，则可将部件磨损信息(来自步骤410)作为单个报告输出(步骤420)。在下一步骤422，该系统可将所输出的数据和使用寿命阈值范围相比较。每个部件的使用寿命阈值可基于专业知识。在实施方式中，使用寿命阈值可由用户配置。从而，用户可修改使用寿命阈值以对工具组态、配方组态等进行调整。如果所输出的数据超出了使用寿命阈值范围，则在下一步骤424会发出警告/错误消息。所述警告/错误消息可确定引起使用寿命阈值被突破的参数。利用输出报告中的数据，用户(例如工艺工程师)可以继而有把握地确定修复所述问题所需的行动方针。在实施例中，例如所述部件可能必须被修复和/或替换。如果所输出的数据在使用寿命阈值范围之内，那么在下一步骤426，该系统会等待经过下一测量间隔。从图4可知，提供了一种用于使部件合格的鲁棒方法。这种鲁棒方法不仅提供多于一种的多变量模型来执行部件分析，而且包括NPT以验证多变量预测模型的结果。由上述内容可知，用于评估室健康状况的方法可以是基于模型的方法。在实施方式中，基于模型的方法可以基于电学模型、等离子体模型、统计模型或混合模型。为了图示模型如何被构建，图5示出了在本发明的实施方式中，图解为使部件合格而构建多变量预测模型的方法的简单流程图。在第一步骤502提供部件寿命数据。所述部件寿命数据可包括对部件的功能测量数据和/或物理测量数据。在实施例中，如果部件是全新的，则所述物理测量数据通常由制造商提供。但是，如果部件不是新的，那么部件寿命可通过对部件进行实际测量而确定。在下一步骤504执行配方。所述配方可以是诸如客户定制配方、非客户定制配方、WAC(无晶片自动清洁)配方。根据用户(例如工艺工程师)所设定的要求，一或多种前述配方类型可被执行以获取创建用来使处理室的部件合格的模型所必需的数据。在下一步骤506，在处理过程中收集处理数据。所述处理数据可由成组的传感器来获取。从前述可知，可用传感器的数量、可用传感器的类型以及传感器的规格会影响收集到的数据的数量和粒度。举例来说，处理室内可以使用的传感器包括但不限于例如压力传感器、温度传感器、电压-电流探针(VIP)、光发射光谱仪(OES)，等等。明确地说，从VIP和 OES得来的数据可涉及将具体频率或谐频的宽频输出离散化。替代地，比较来自这些传感器的全宽频谱可以是分析的基础。在实施例中，为了查明在湿法清洁周期期间发生的潜在漂移，步骤504和506可在湿法清洁周期期间在不同时间间隔被执行。例如，所述步骤可在部件(比如边缘环)刚被安装好的时候被执行。所述步骤还可在接近湿法清洁周期的中间和终点时被重复。可用于构建多变量模型的数据量取决于步骤504和506被执行的次数。由前述可知，步骤504和506会被执行的次数可取决于用户可从创建模型过程中的额外数据取得的益处。由于在执行维修事件(例如湿法清洁)后参数会改变，所以在构建多变量模型之前会需要识别并且排除或调整被湿法清洁所影响的参数。在实施例中，在处理室的透冒(transparent window)被清洁后,在某些波长被测定的强度(被0ES)会变。在实施方式中，为了排除可被湿法清洁影响的参数，贯穿湿法清洁周期(508)，可能不得不多次执行步骤 504 和 506。附加地或者替代地，步骤502-506还可跨处理室被执行(510)。为了创建可以跨处理室(给定相同/类似的室状况)使用的多变量模型，可能不得不识别并且排除或调整可被室相关状况影响的参数。例如，在不同处理室上运行的标准的使配方合格(qualifyingrecipe)的执行过程中所收集的数据可被用于制订将传感器输出从一个室转到另一个室的规则，从而匹配两个室的输出。在本发明的实施方式中，如果传感器是匹配的，则步骤502-506可以不必为了排除与部件磨损无关的参数的改变而贯穿湿法清洁周期和/或跨处理室被重复。对于某个已定义的室状况，已匹配的传感器应该返回(return)相同的绝对值。如果使用两个匹配了的传感器，则用于两个相同的室的测定的室阻抗会是相同的。一旦收集到足够的数据，便可在下一步骤512为部件创建多变量模型。与现有技术不同的是，该多变量模型是基于多个参数而非单个参数。在实施方式中，由于通过传感器可收集高容量的数据和/或高粒度的数据，所以可以使用快速处理计算模块来处理所述数据处理和分析。为了增加处理次数，所述数据可以从传感器被直接发送至所述快速处理计算模块，而无需首先通过制造设备主机控制器甚或处理模块控制器。由Huang等人在2009年9月8日提交的申请号为12/555，674的美国专利申请描述了适于处理数据的快速处理计算模块的实施例。然而，并不是所有所收集的数据都会与使部件合格的工艺相关。为了只识别会与部件磨损有关的参数，可以使用过滤标准。在实施方式中，所述过滤标准可包括与湿法清洁周期无关的参数。在另一实施方式中，过滤标准还可包括排除依赖于室的数据。例如，当使用VI探针贯穿湿法清洁监控具体为27MHz的等离子体时，大于IOOMHz的一些谐频含量经常会在内部转变为湿法清洁，甚至是在密切跟踪部件磨损之后。一旦涉及部件磨损的相关参数被识别出来，就可以构建一或多种模型。在实施方式中，所述处理数据可被用于创建统计模型、电学模型和/或等离子体模型。例如，相同的数据可被用于为多个室部件构建磨损信息模型。线性去耦部件磨损可通过替换部件或通过使用复合多步骤等离子体工艺来实现使得只有特定部件被每一等离子体监控。在各个模型均被创建之后，该系统可检查以确定模型内的噪声水平是否是可接受的(步骤514)。所述噪声举例来说可来自物理测量和/或传感器内的固有噪声。 在实施例中，噪声可因部件至部件的变化而存在。换句话说，部件特征可因部件的尺寸、部件的材料组成、部件的组态等而变化。在实施例中，处理室A和处理室B内的边缘环可以看似相同的。但是，处理室A中的边缘环的尺寸可以稍大于处理室B中的边缘环。由于部件至部件的变化可被识别，所以在模型中，部件至部件的变化是可以查明的。在实施方式中，可接受的阈值范围被限定。如果部件至部件的变化超出所述阈值范围，那么为了构建模型，该系统会不得不获取额外的数据。噪声的另一个源会是因部件的安装。在实施例中，边缘环的设置可以引起模型内的噪声。例如，所述边缘环和静电夹头之间会存在间隙。但是，如果该间隙在处理室之间有所变化，那么处理室的电学特征也会变化。为此，可以设立阈值范围。如果差异超出阈值范围，则可以获取额外的数据以构建模型。在下一步骤516，多变量模型的构建完成。步骤502-516可被执行以为单个部件创建一或多种多变量预测模型。当然，同样的数据文件可被用来为其他部件创建多变量预测模型。由图5可知，所描述的方法提供了多变量预测模型的创建，所述多变量预测模型考虑到了跨不同环境条件的部件的状况，所述不同环境条件比如在湿法清洁周期内、贯穿湿法清洁周期以及在不同处理室内。通过在不同状况中收集数据，可以排除与部件磨损无关的数据。因此，利用预测模型，用户能够优化部件使用、减少晶片废料、预测即将到来的替换事件并为即将到来的维修进行计划，从而减少拥有(ownership)的成本。由前述可知，提供了用于在处理室内对部件进行健康检查的方法。通过使用一或多种多变量预测模型，提供了对部件的更精确的分析。换句话说，通过使用来自多个传感器的数据，室健康指标测试可以无需外部计量测量而被用于估计和/或预测部件的剩余使用寿命。利用更细粒度和更少侵入的室健康指标测试提供了用于识别部件的状况的性价比更好的方法。这样，因为更少的资源和/或部件被浪费和/或损坏，所以拥有(ownership)的成本会减少。虽然本发明以若干优选实施方式的形式进行描述，但是变化方式、置换方式和等同方式也在本发明的范围之内。虽然此处提供了变化例，但是这旨在说明这些实施例而非限定本发明。
此外，为方便起见，在此提供了标题和概要，所述标题和概要不应当被用来解释文中权利要求书的保护范围。而且，摘要是以高度浓缩的形式写就，在此提供摘要是为了方便起见，因此摘要不应当被用来解释或限定整体发明，整体发明在权利要求书中进行陈述。如 果在此使用了术语“成组的(set) ”，该术语意指其被公知的数学上的意义，包括零个构件、一个构件或者多于一个的构件。还应当注意实施本发明的方法和装置有许多替代方式。所以，意思是下面所附的权利要求书可被理解为包括落在本发明的真实精神和范围之内的所有这样的变化方式、置换方式和等同方式。
权利要求
1.一种用于评估处理室的健康状况的方法，包括 执行配方； 在所述配方的执行过程中接收来自成组的传感器的处理数据； 利用成组的多变量预测模型分析所述处理数据； 产生成组的部件磨损数据值； 将所述成组的部件磨损数据值与成组的使用寿命阈值范围相比较；以及 如果所述成组的部件磨损数据值超出所述成组的使用寿命阈值范围，则产生警告。
2.如权利要求I所述的方法，其进ー步包括从库中提取数据以支持所述成组的多变量预测模型。
3.如权利要求2所述的方法，其中所述配方包括客户定制配方、非客户定制配方和无晶片自动清洁配方中的ー种。
4.如权利要求2所述的方法，其中所述处理数据通过使用所述成组的多变量预测模型中的第一多变量预测模型来进行分析。
5.如权利要求2所述的方法，其中所述处理数据通过使用所述成组的多变量预测模型中的至少两种多变量预测模型来进行分析。
6.如权利要求5所述的方法，其中处理数据通过使用第一多变量预测模型产生第一成组的部件磨损数据值并使用第二多变量预测模型产生第二成组的部件磨损数据值来进行分析，如果所述第一成组的部件磨损数据值和所述第二成组的部件磨损数据值之间存在差异，则将所述第二多变量预测模型应用于所述第一成组的部件磨损数据值，其中所述第一成组的部件磨损数据值与所述第二成组的部件磨损数据值相比具有更少的噪声。
7.如权利要求2所述的方法，其中所述成组的多变量预测模型包括电学模型、统计模型和等离子体模型中的至少ー种。
8.如权利要求2所述的方法，其中所述成组的多变量预测模型被配置来分析不只ー个易耗部件，其中每个易耗部件与所述成组的使用寿命阈值范围中的ー个使用寿命阈值范围相关联。
9.如权利要求2所述的方法，其中所述成组的使用寿命阈值范围是用户可配置的。
10.如权利要求2所述的方法，其进ー步包括在測量间隔之后执行所述处理室的所述健康状况的所述评估，其中所述测量间隔通过预定义的时间段之一和通过执行非等离子体测试来确定。
11.如权利要求2所述的方法，其进ー步包括 分析所述成组的部件磨损数据值以确定是否需要验证，其中所述验证在所述成组的部件磨损数据值超出噪声水平阈值范围时发生； 执行非等离子测试以验证所述成组的部件磨损数据值；以及 将所述成组的部件磨损数据值与成组的非等离子体测试数据值互相关联以产生合并的成组的部件磨损数据值，其中所述合并的成组的部件磨损数据值与所述成组的使用寿命阈值范围相比较，且如果所述合并的成组的部件磨损数据值超出所述成组的使用寿命阈值范围，则产生所述警告。
12.ー种包括其中集成有计算机可读代码的程序存储介质的产品，所述计算机可读代码被配置用于评估处理室的健康状况，包括用于执行配方的代码； 用于在所述配方的执行过程中接收来自成组的传感器的处理数据的代码； 用于利用成组的多变量预测模型分析所述处理数据的代码； 用于产生成组的部件磨损数据值的代码； 用于将所述成组的部件磨损数据值与成组的使用寿命阈值范围相比较的代码；以及 如果所述成组的部件磨损数据值超出所述成组的使用寿命阈值范围，用于产生警告的代码。
13.如权利要求12所述的产品，其进ー步包括用于从库中提取数据以支持所述成组的多变量预测模型的代码。
14.如权利要求13所述的产品，其进ー步包括用于在测量间隔之后执行所述处理室的所述健康状况的所述评估的代码，其中所述测量间隔通过预定义的时间段之一和通过执行非等离子体测试来确定。
15.如权利要求13所述的产品，其进ー步包括 用于分析所述成组的部件磨损数据值以确定是否需要验证的代码，其中验证在所述成组的部件磨损数据值超出噪声水平阈值范围时发生； 用于执行非等离子测试以验证所述成组的部件磨损数据值的代码；以及 用于将所述成组的部件磨损数据值与成组的非等离子体测试数据值互相关联以产生合并的成组的部件磨损数据值的代码，其中所述合并的成组的部件磨损数据值与所述成组的使用寿命阈值范围相比较，且如果所述合并的成组的部件磨损数据值超出所述成组的使用寿命阈值范围，则产生所述警告。
16.如权利要求13所述的产品，其中所述配方包括客户定制配方、非客户定制配方和无晶片自动清洁配方中的ー种。
17.如权利要求13所述的产品，其中用于分析所述处理数据的所述代码包括用于利用所述成组的多变量预测模型中的第一多变量预测模型的代码。
18.如权利要求13所述的产品，其中用于分析所述处理数据的所述代码包括用于利用所述成组的多变量预测模型中的至少两种多变量预测模型的代码。
19.如权利要求18所述的产品，其中用于分析所述处理数据的代码包括用于利用第一多变量预测模型产生第一成组的部件磨损数据值的代码和用于利用第二多变量预测模型产生第二成组的部件磨损数据值的代码，如果所述第一成组的部件磨损数据值和所述第二成组的部件磨损数据值之间存在差异，则包括用于将所述第二多变量预测模型应用于所述第一成组的部件磨损数据值的代码，其中所述第二多变量预测模型与所述第一多变量预测模型相比具有更少的噪声。
20.如权利要求13所述的产品，其中所述成组的多变量预测模型包括电学模型、统计模型和等离子体模型中的至少ー种。
全文摘要
本发明提供了一种用于评估处理室的健康状况的方法。该方法包括执行配方。该方法还包括在配方的执行过程中接收来自成组的传感器的处理数据。该方法进一步包括利用成组的多变量预测模型分析所述处理数据。该方法还包括产生成组的部件磨损数据值。该方法还进一步包括将所述成组的部件磨损数据值与成组的使用寿命阈值范围相比较。此外，该方法包括如果所述成组的部件磨损数据值超出所述成组的使用寿命阈值范围，则产生警告。
文档编号G06F17/40GK102804929SQ201080028990
公开日2012年11月28日 申请日期2010年6月29日 优先权日2009年6月30日
发明者吕克·阿尔巴雷德, 埃里克·佩普, 维甲压库马尔·C·凡尼高泊, 布莱恩·D·崔 申请人:朗姆研究公司