[发明专利]一种多变量工艺过程控制的方法

说明书

本发明提供一种多变量工艺过程控制的方法，包括获取对待监控工艺过程进行监控得到的工艺过程监控数据，将关键变量信息以及工艺过程名称输入至异常判断机器学习模型中进行异常判断，并输出判断结果，若异常判断机器学习模型输出的判断结果为工艺过程正常，则进入下一生产环节对应的工艺过程，若异常判断机器学习模型输出的判断结果为工艺过程异常，则根据工艺异常处理规则进入工艺异常处理流程。本发明的一种多变量工艺过程控制的方法，保证了有效监控工艺过程的质量和稳定性，可以及时发现工艺过程的异常，提高了工艺生产过程的生产效率以及降低了工艺生产过程对应产品的不合格率。

技术领域

本发明涉及多变量工艺流程监控领域，尤其涉及一种多变量工艺过程控制的方法。

背景技术

现代化的工厂中，产品的生产流程涉及到多个工艺过程，每个工艺过程又涉及到多个参数变量。以半导体晶圆加工为例，一个产品的生产流程可能包含光刻、刻蚀、薄膜沉积、化学机械抛光、离子注入、清洗、缺陷检测和分析、光学和电学检测等成百上千道工序，每道工序受到多个参数变量的影响，如工艺参数、设备参数、原材料特性、人员操作、环境因素等。为了保证工艺加工的质量和稳定性，需要对工艺过程中的各种参数变量进行监控，及时发现异常情况，降低产品不合格率，并为工艺改进提供方向。

目前常见的工艺流程的监控方法为统计过程控制(SPC)，统计过程控制是一种常见的工艺过程控制方法，通过统计分析对生产过程中各道工序的关键参数变量进行监控，评估工艺过程的能力，判断变量的波动是否在工艺过程允许的范围之内，从而保障工艺过程的质量和稳定性，避免不合格品继续在产线上流通所带来的资源浪费。统计过程控制(SPC)方法在生产过程中已经得到了广泛的应用，成为提高产品质量，降低成本，改进工艺的一个重要工具。常规的统计过程控制(SPC)方法仅仅适用于工艺过程中的多个参数变量之间相互独立，相互不影响的情况。但是在实际生产过程中，工艺过程中存在多个相互影响的参数变量，因此采用上述的统计过程控制(SPC)并不能精准地判断出参数变量的波动是否在工艺过程允许的范围之内，从而影响工艺过程的质量和稳定性。另外，为了在多个参数变量之间存在相关性的情况下对工艺过程进行有效监控，哈罗德·霍特林提出了T²控制方法，利用各变量的均值及其相互之间的相关性矩阵构造T²变量，通过对T²变量的统计分析来判断工艺过程是否正常，不过，T²控制方法的一个前提假设是各变量的统计规律符合高斯分布，但是，在实际应用中很多变量的统计规律并不遵循高斯分布。综上，现有的对于生产过程中工艺过程是否异常的判断并不精准，会造成误判从而影响整个工艺生产过程的生产效率。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种多变量工艺过程控制的方法，其能解决现有的对于生产过程中工艺过程是否异常的判断并不精准，会造成误判从而影响整个工艺生产过程的生产效率的问题。

本发明的目的采用以下技术方案实现：

一种多变量工艺过程控制的方法，包括以下步骤：

获取工艺过程监控数据，获取对待监控工艺过程进行监控得到的工艺过程监控数据，所述工艺过程监控数据包括多个关键变量信息以及工艺过程名称；

异常判断，将所述关键变量信息以及工艺过程名称输入至异常判断机器学习模型中进行异常判断，并输出判断结果；

异常处理，若异常判断机器学习模型输出的判断结果为工艺过程正常，则进入下一生产环节对应的工艺过程，若异常判断机器学习模型输出的判断结果为工艺过程异常，则根据工艺异常处理规则进入工艺异常处理流程。

进一步地，在所述异常判断之前还包括监控数据预处理，提取出工艺过程监控数据中的关键变量信息以及工艺过程名称。