本公开涉及半导体技术领域，尤其涉及一种故障检测与分类方法、装置、系统及存储介质。
背景技术：
在芯片的制造过程中，往往需要经过上百道工艺步骤。而在每一道工艺步骤的机台中，会有大量的传感器对机台状况进行监测，以防止由于某种故障机台设备从其可接受的操作窗口漂移出而导致的废料。
一个300mm晶圆厂的机台每天收到的机台传感器数据(rawtrace)就多达上亿条。对所有传感器数据进行监控显然是不现实的，即，需要对于传感器采集到的原始数据进行特征提取。
现有的故障检测与分类方法是首先对传感器采集到的时间序列数据进行切分，然后采用诸如平均值，标准差，最大值，最小值，范围，百分位等比较传统的时域算法进行统计，从而对传感器采集到的原始数据进行降维操作，即特征提取，只对特征数据进行监测，从而进行故障检测与分类，并根据故障检测与分类的结果确定对工艺的控制策略，并根据所述控制策略，对所述工艺进行控制。
现有故障检测与分类方法的特征提取技术由于特征提取算法有限，对传感器原始数据的信息提取不够充分，对数据的差异化探索不充分，存在信息损失问题，导致进行故障检测与分类时会遗漏掉一部分信息，最终导致故障检测与分类发生故障，产生误报和漏报故障的问题。
技术实现要素：
本公开提供一种故障检测与分类方法、装置、系统及存储介质，可以有效解决上述技术问题。
第一方面，本公开实施例提供一种故障检测与分类方法，包括：通过传感器感测工艺参数的原始数据；根据预定时间段切分所述原始数据；应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，得到与产品的至少一个特性具有相关性的特征数据；以及基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
在一种可能的设计中，应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取包括：应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，分析所述特征提取后的数据与所述产品的至少一个特性的相关性。
在一种可能的设计中，所述统计概率分布的算法为在时域上计算偏度、峰度和信息熵中的至少之一。
在一种可能的设计中，所述频域算法为在频域上计算重心频率、均方频率、均方根频率、频率方差、频率平均值和频率标准差中的至少之一。
在一种可能的设计中，在切分所述原始数据之前，所述方法还包括：对于所述原始数据以预定频率进行采样。
在一种可能的设计中，所述预定时间段为工艺子步骤所对应的时间段。
在一种可能的设计中，所述方法还包括：根据所述切分后的数据的分布特征而选择进行特征提取的算法。
在一种可能的设计中，在所述特征提取的步骤中，如果所述切分后的数据具有周期性，则选择所述频域算法和所述统计概率分布的算法进行特征提取。
在一种可能的设计中，在所述特征提取的步骤中，如果所述切分后的数据不具有周期性，则选择所述统计概率分布的算法进行特征提取。
第二方面，本公开实施例提供一种故障检测与分类装置，其特征在于，包括：感测模块，用于通过传感器感测工艺参数的原始数据；切分模块，用于根据预定时间段切分所述原始数据；特征提取模块，用于应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，得到与产品的至少一个特性具有相关性的特征数据；以及故障检测与分类模块，用于基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
第三方面，本公开实施例提供一种故障检测与分类系统，包括：存储器、处理器，存储器中存储有处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行第一方面中任一的故障检测与分类方法。
第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一的故障检测与分类方法。
本公开提供的故障检测与分类方法、装置、系统及计算机可读存储介质，对于传感器原始感测数据的特征提取，提供了更多思路和方向，极大地丰富了用于对传感器原始感测数据进行特征提取的统计算法，可以提取数据关于概率分布和频域上的统计特征，从而保证特征提取的视角更加丰富，并减少原始感测数据的信息损失。
采用频域算法和/或统计概率分布的算法，可以从频域和概率分布的角度去寻找传感器原始感测数据间的差异特征，在实际应用中可以提取到用常规统计算法无法提取到的特征信息，有效提高对传感器感测数据的处理效率，减少误报和漏报故障信息的情况，并降低半导体工艺的在线流程控制成本。
附图说明
图1是示出根据本公开第一实施例的故障检测与分类方法的流程图。
图2a和图2b是根据示例1的特征数据信息熵的散点图。
图2c是根据示例1的特征数据信息熵的箱型图。
图3a至图3c是用于与图2a至图2c对比的特征数据平均值的散点图。
图4a至4c是用于与图2a至图2c对比的特征数据标准差的散点图。
图5是示出根据本公开第二实施例的故障检测与分类方法的流程图。
图6是示出根据本公开第三实施例的故障检测与分类方法的流程图。
图7a和图7b是根据示例3的特征数据频率平均值的散点图。
图7c是根据示例3的特征数据频率平均值的箱型图。
图8a至8c是用于与图7a至图7c对比的特征数据平均值的散点图。
图9a至9c是用于与图7a至图7c对比的特征数据标准差的散点图。
图10a至10c是用于与图7a至图7c对比的特征数据最大值的散点图。
图11a至11c是用于与图7a至图7c对比的特征数据最小值的散点图。
图12为根据本公开的故障检测与分类装置的结构示意图
图13是根据本公开的故障检测系统与分类系统的结构示意图
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于理解技术方案，对本公开中出现的专业术语进行解释。
故障检测及分类(faultdetectionandclassification，fdc)系统被应用于半导体工艺的在线流程控制中，用于检测在线流程中出现的各种类型的故障。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是示出根据本公开第一实施例的故障检测与分类方法的流程图，如图1所示，本实施例中的方法可以包括：
s101，通过传感器感测工艺参数的原始数据；
具体地，加载有fdc系统的处理设备例如计算机，获取监测机台状态的各个传感器感测的工艺参数的原始数据，其中，原始数据包括：微秒级数据，和/或毫秒级数据。
具体地，传感器的种类很多，采集到的数据可能是多种多样的，例如传感器a感测的工艺参数是一种参与制成的反应气体的流量，传感器b感测的工艺参数是制程反应中低频电流值，传感器c感测的工艺参数是制程反应中反应腔中温度值。总之，传感器采集到的原始数据构成时间序列，横坐标是时间，纵坐标是采集到的参数数值。每个传感器可以只感测一个工艺参数，也可以同时感测多个工艺参数。
具体地，可以对于上述时间序列以预定频率进行采样。目前，通过考虑数据存储成本，对fdc原始数据进行1data/s采样，但实际上，在1毫秒内的数据漂移可能影响产品缺陷、产量和质量。因此，可以增加采样频率。
s102，根据预定时间段切分原始数据；
具体地，该预定时间段可以为各个工艺子步骤所对应的时间段，也可以为预先设定的恒定的时间段。
s103，应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，得到与产品的至少一个特性具有相关性的特征数据；
具体地，所述产品的至少一个特性可以为至少一个由检测设备量测的量测数据(例如关键尺寸、ovl、thk、inline、wat(waferacceptancetest，晶圆可接受性测试)、sort等，用于直接反馈晶圆产品的参数)。
具体地，统计概率分布的算法为在时域上计算偏度、峰度和信息熵中的至少之一。
具体地，偏度公式为
其中，x表示切分后的时间序列数据，将其看作随机变量，μ表示该随机变量的期望，σ表示该随机变量的方差，e表示求数学期望。
信息熵公式如下：
具体地，频域算法为在频域上计算重心频率、均方频率、均方根频率、频率方差、频率平均值和频率标准差中的至少之一。
具体地，可以对切分后的数据进行傅里叶变换，得到频谱或功率谱密度，然后计算频域上的重心频率、均方频率、均方根频率、频率方差、频率平均值和频率标准差中的至少之一。
s104，基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
具体地，工程师可以通过自己对工艺的理解和经验，采用例如对特征数据设置上下限的方式进行故障检测与分类，也可以将特征数据推送给fdc系统，在fdc系统里面建立监控计划，由fdc系统进行故障检测与分类。
为进一步说明，参照图2a至2c给出如下的具体示例1。
在栅极层蚀刻工艺(gl-et)中，gas8flow传感器感测气体流量参数，得到一个时间序列，并对其按照工艺子步骤进行切分。对于切分后的工艺子步骤6-7所对应的时间序列，将其看作随机变量，计算信息熵。该信息熵与晶圆的制造工艺中所用的晶体室具有相关性。基于该值对用于该晶圆的工艺进行故障检测与分类，可以检测出晶圆制造工艺中是否存在晶体室不匹配故障。
图2a和图2b是根据示例1的特征数据信息熵的散点图。图2a和图2b中的每个点对应一个晶圆，不同灰度的点表示在不同晶体室制造出的晶圆。每个点的纵坐标表示在该晶圆的gl-et工艺的子步骤6-7时间段内由gas8flow传感器感测的气体流量时间序列的信息熵的值。图2a中的横坐标表示时间，图2b中的横坐标表示各个晶圆按照时间顺序的排序。aoxir01_chb、aoxiq01_chb、aoxiq01_cha分别表示三个不同晶体室的名称。
图2c是根据示例1的特征数据信息熵的箱型图。其中的每个点对应一个晶圆，每个点的纵坐标表示在该晶圆的gl-et工艺的子步骤6-7时间段内由gas8flow传感器感测的气体流量时间序列的信息熵的值。横坐标aoxir01_chb、aoxiq01_chb、aoxiq01_cha分别表示三个不同晶体室的名称。
图3a至图3c是用于与图2a至图2c对比的特征数据平均值的散点图。其除每个点的纵坐标表示在该晶圆的gl-et工艺的子步骤6-7时间段内由gas8flow传感器感测的气体流量时间序列的平均值的值以外，其余均与图2a至图2c相同。图4a至4c是用于与图2a至图2c对比的特征数据标准差的散点图。其除每个点的纵坐标表示在该晶圆的gl-et工艺的子步骤6-7时间段内由gas8flow传感器感测的气体流量时间序列的标准差的值以外，其余均与图2a至图2c相同。
通过图3a至3c、图4a至4c与图2a至图2c的对比，本领域技术人员可以直观感受到特征数据信息熵与晶圆的制造工艺中所用的晶体室具有相关性(与不同晶体室制造晶圆对应的特征数据信息熵存在明显差异)，而特征数据平均值和特征数据标准差与晶圆的制造工艺中所用的晶体室不具有相关性(与不同晶体室制造晶圆对应的特征数据平均值、特征数据标准差不存在明显差异)，即，采用统计概率分布的算法可以从概率分布的角度去寻找传感器原始感测数据间的差异特征，在实际应用中可以提取到用常规统计算法无法提取到的特征信息，有利于提高对传感器感测数据的处理效率、减少误报和漏报故障、并降低半导体工艺的在线流程控制成本。
图5是示出根据本公开第二实施例的故障检测与分类方法的流程图，如图5所示，第二实施例中的方法可以包括：
s501，通过传感器感测工艺参数的原始数据；
s502，根据预定时间段切分所述原始数据；
s503，应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，分析所述特征提取后的数据与所述产品的至少一个特性的相关性，得到与产品的至少一个特性具有相关性的特征数据；以及
s504，基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
第二实施例与第一实施例相比，区别在于，应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取包括：应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，分析所述特征提取后的数据与所述产品的至少一个特性的相关性。
具体地，在每一道工艺步骤的机台中，会有大量的传感器对机台状况进行监测。每个传感器又可以感测一个或多个工艺参数。一个工艺可以有多个子步骤。用于进行特征提取的算法又有多种(信息熵、标准差、范围、平均值、百分位、最大值、最小值等)。因此，特征提取后的数据可以是多个(上亿条)，特征提取后的数据中的每个不一定都与产品的至少一个特性具有相关性，还需要分析所述特征提取后的数据与所述产品的至少一个特性的相关性，从而得到与产品的至少一个特性具有相关性的特征数据(几个或几十条)，并基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
为进一步说明，给出如下的示例2。
在工艺gl-et中，多个传感器感测多个工艺参数(温度、压力、流量等)的多个时间序列，按照工艺子步骤(例如，子步骤1-30)切分多个时间序列得到多个切分后的时间序列，应用多个特征提取算法(信息熵、标准差、范围、平均值、百分位、最大值、最小值等)对该多个切分后的时间序列进行特征提取，得到更多条特征提取后的数据，进行该多个特征提取后的数据与晶圆的制造工艺中所用的晶体室的相关性分析(诸如多元线性回归、决策树回归)，得到一个描述相关性权重的清单。其中，在gl-et工艺的子步骤6-7时间段内由gas8flow传感器感测的气体流量时间序列的特征数据信息熵的相关性最大，基于该值对用于该晶圆的工艺进行故障检测与分类，可以检测出晶圆制造工艺中是否存在晶体室不匹配故障。
图6是示出根据本公开第三实施例的故障检测与分类方法的流程图，如图6所示，第三实施例中的方法可以包括：
s601，通过传感器感测工艺参数的原始数据；
s602，根据预定时间段切分所述原始数据；
s603，根据所述切分后的数据的分布特征而选择进行特征提取的算法；
s604，应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，得到与产品的至少一个特性具有相关性的特征数据；以及
s605，基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
第三实施例与第一实施例相比，区别在于，还包括：根据所述切分后的数据的分布特征而选择进行特征提取的算法。
具体地，如果切片后数据的分布特征具有周期性，则选择频域算法和统计概率分布的算法进行特征提取。也可以是，如果切片后数据大部分分布在一个区间内，只有小部分分布在区间外，则选择最大值和最小值算法进行特征提取。
为进一步说明，给出如下的示例3。
在半导体的沟道蚀刻工艺(channel-et)中，epna064che_03传感器感测前线压力参数，得到一个时间序列，并对其按照工艺子步骤进行切分。由于切分后的数据具有周期性，选择频域算法和统计概率分布的算法进行特征提取。应用统计概率分布的算法进行特征提取请参照示例1与示例2，在此不再赘述。以下描述应用频域算法进行特征提取的步骤。对于切分后的工艺子步骤11-12所对应的时间序列进行傅里叶变换，得到频谱，并计算频率平均值(meanfrequency)。该特征数据与晶圆质检结果的“好坏”具有相关性。可以基于该特征数据对channel-et工艺进行故障检测与分类，从而检测出channel-et工艺中是否存在导致晶圆质检结果为“坏”的故障。其中，晶圆的“好坏”是根据由检测设备量测的量测数据(例如关键尺寸、ovl、thk、inline、wat(waferacceptancetest，晶圆可接受性测试)、sort等，用于直接反馈晶圆产品的参数)，按照预先设定的规则定义的。
图7a和图7b是根据示例3的特征数据频率平均值的散点图。图2a和图2b中的每个点对应一个晶圆，两个不同灰度的点分别表示“好”晶圆和“坏”晶圆。每个点的纵坐标表示在该晶圆的channel-et工艺的子步骤11-12时间段内由epna064che_03传感器感测的前线压力时间序列傅里叶变换后频谱上的频率平均值的值。图7a中的横坐标表示时间，图7b的横坐标表示各个晶圆按照时间顺序的排序。
图7c是根据示例3的特征数据频率平均值的箱型图。其中的每个点对应一个晶圆，每个点的纵坐标表示在该晶圆的channel-et工艺的子步骤11-12时间段内由epna064che_03传感器感测的前线压力时间序列傅里叶变换后频谱上的频率平均值的值。横坐标表示晶圆的质检结果。
图8a至8c是用于与图7a至图7c对比的特征数据平均值的散点图。其除每个点的纵坐标表示在该晶圆的channel-et工艺的子步骤11-12时间段内由epna064che_03传感器感测的前线压力时间序列的平均值的值以外，其余均与图7a至图7c相同。图9a至9c是用于与图7a至图7c对比的特征数据标准差的散点图。其除每个点的纵坐标表示在该晶圆的channel-et工艺的子步骤11-12时间段内由epna064che_03传感器感测的前线压力时间序列的标准差的值以外，其余均与图7a至图7c相同。图10a至10c是用于与图7a至图7c对比的特征数据最大值的散点图。其除每个点的纵坐标表示在该晶圆的channel-et工艺的子步骤11-12时间段内由epna064che_03传感器感测的前线压力时间序列的最大值的值以外，其余均与图7a至图7c相同。图11a至11c是用于与图7a至图7c对比的特征数据最小值的散点图。其除每个点的纵坐标表示在该晶圆的channel-et工艺的子步骤11-12时间段内由epna064che_03传感器感测的前线压力时间序列的最小值的值以外，其余均与图7a至图7c相同。
通过图8a至8c、图9a至9c、图10a至10c、图11a至11c与图7a至图7c的对比，本领域技术人员可以直观感受到特征数据频率平均值与晶圆的质检结果的好坏具有相关性(分别与“好”和“坏”晶圆对应的特征数据频率平均值存在明显差异)，而特征数据平均值、特征数据标准差、特征数据最大值和特征数据最小值与晶圆的质检结果的好坏不具有相关性(分别与“好”和“坏”晶圆对应的特征数据平均值、特征数据标准差、特征数据最大值和特征数据最小值不存在明显差异)，即，频域算法可以从频域的角度去寻找传感器原始感测数据间的差异特征，在实际应用中可以提取到用常规统计算法无法提取到的特征信息，有利于提高对传感器感测数据的处理效率、减少误报和漏报故障、并降低半导体工艺的在线流程控制成本。
图12为根据本公开的故障检测与分类装置的结构示意图，如图12所示，根据本公开的故障检测与分类装置可以包括：
感测模块31，用于通过传感器感测工艺参数的原始数据；
切分模块32，用于根据预定时间段切分所述原始数据；
特征提取模块33，用于应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，得到与产品的至少一个特性具有相关性的特征数据；以及
故障检测与分类模块34，用于基于所述特征数据对用于所述产品的工艺进行故障检测与分类。
在一种可能的设计中，感测模块31，具体用于对于所述原始数据以预定频率进行采样。
在一种可能的设计中，特征提取模块33，具体用于应用频域算法和/或统计概率分布的算法对切分后的数据进行特征提取，分析所述特征提取后的数据与所述产品的至少一个特性的相关性。
在一种可能的设计中，特征提取模块33具体用于根据所述切分后的数据的分布特征而选择进行特征提取的算法。
在一种可能的设计中，特征提取模块33具体用于如果所述切分后的数据具有周期性，则选择所述频域算法和所述统计概率分布的算法进行特征提取。
在一种可能的设计中，特征提取模块33具体用于如果所述切分后的数据具有周期性，则选择所述统计概率分布的算法进行特征提取。
根据本公开的故障检测与分类装置，可以执行方法实施例1至3中的技术方案，其具体实现过程和技术原理参见方法实施例1至3中的相关描述，此处不再赘述。
图13是根据本公开的故障检测系统与分类系统的结构示意图，如图13所示，本实施例的故障检测与分类系统40可以包括：处理器41和存储器42。
存储器42，用于存储程序；存储器42，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-accessmemory，缩写：ram)，如静态随机存取存储器(英文：staticrandom-accessmemory，缩写：sram)，双倍数据率同步动态随机存取存储器(英文：doubledataratesynchronousdynamicrandomaccessmemory，缩写：ddrsdram)等；存储器也可以包括非易失性存储器(英文：non-volatilememory)，例如快闪存储器(英文：flashmemory)。存储器42用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
处理器41，用于执行存储器42存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器41和存储器42可以是独立结构，也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时，存储器42、处理器41可以通过总线43耦合连接。
本实施例的工艺控制系统可以执行具体实施例1-3的技术方案，其具体实现过程和技术原理参见具体实施例1-3中的相关描述，此处不再赘述。
此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。另外，该asic可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
本申请还提供一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
