200811978 九、發明說明： 【發明所屬之技術領域】 本發明之具體實施例係關於錯誤檢測，尤其 用多種錯誤特徵的錯誤檢測。 【先前技術】 許多企業運用包含多重感測器及控制器的精 備，該等感測裔及控制器在處理期間被仔細地監 產品的品質。一種監控該等多重感測器及控制器 統計處理監控（一種執行在感測器測量及處理控， 理變數）上之統計分析的手段），其致能了自動， 錯誤檢測。一「錯誤（fault )」能夠為製造設備 失調（例如與所欲數值的一機器之操作參數的誤 一預防維持所需的一指示來避免一即將發生之 調。因此，統計處理監控之一目標為在產生上述 偵測及/或檢測錯誤。 在處理監控期間，當最近處理資料之一或多 一統計模型偏離一量，且該量足夠大以造成一模 過一個別信任門檻值時，偵測一錯誤。一模型計 量數，其值表示在實際處理監控期間所收集之處 統計特徵及該模型所預測之統計特徵間的偏離量 計量為消去此偏離之一唯一數學方法。常見之模 含平方預測誤差（Squared Prediction Error，其 為 SPE、Qres、或 Q)，以及 Hotelling’s T2。 係關於使 密製造設 控以確保 的方法為 Ν數值（處 偵測及/或 的故障或 差），或為 故障或失 缺陷之前 個統計自 型計量超 量為一純 理資料的 。各模型 型計量包 一般指稱 5 200811978 各模型計量具有個別信任門檻值，其也指稱為一 限制或控制限制，其中數值表示該模型計量之一可接 上限。如果一模塑計量在處理監控期間超過其個別信 檻值，應可推斷該處理資料已因為一錯誤而偏離門檻, 一旦偵測錯誤，該等錯誤由忽略各處理變數之一 錯誤貢獻而被檢測。某些錯誤因為缺乏具有一單一處 數之明確（例如直接）相關性而難於檢測。具有對多 理變數之複雜及/或間接相關性的錯誤能夠為特別難 測0 常見檢測錯誤之方法一般需要一錯誤被分類前之 誤的多重發生。這將會是分類具有對多重處理變數之 相關性之錯誤的問題。 【發明内容】 本發明之一態樣係關於一種檢測錯誤之方法， 含：偵測一錯誤；判定貢獻至（contributed to )該錯 一或多處理變數；判定該等一或多處理變數之各者的 應貢獻；及判定複數之錯誤特徵中之何者相符於該錯 一錯誤特徵相符該錯誤，其係為如果該等一或多處理 之相應貢獻在所相符錯誤特徵之相應貢獻範圍内，其 等錯誤特徵之各者係相關於至少一錯誤分類。 本發明之另一態樣係關於一種包含資料之機器可 媒體’其當由一機器所存取時，造成該機器執行一方 該方法包含债測一錯誤；判定貢獻至該錯誤的一或多 信任 受的 任門 直。 相對 理變 重處 於檢 該錯 複雜 其包 誤的 一相 誤， 變數 中該 存取 法， 處理 6 200811978 變數；判定該等一或多處理變數之各者的一相應貢獻 判定複數之錯誤特徵中之何者相符於該錯誤，一錯誤 相符該錯誤，其係為如果該等一或多處理變數之相應 係在所相符錯誤特徵之相應貢獻範圍内，其中該等錯 徵之各者係相關於至少一錯誤分類。 本發明之又另一態樣係關於一種統計處理監控系 其包含一錯誤偵測器，其係與至少一製造機器相耦合 以接收來自該至少一製造機器之處理資料，並用以基 處理資料而偵測一錯誤，該處理資料包含複數之處 數；一資料庫，其係用以儲存複數錯誤特徵，該等錯 徵之各者係與至少一錯誤分類相關聯；及一錯誤檢測 其係與該錯誤偵測器以及該資料庫相耦合，藉以判定 至該錯誤之該等複數之處理變數的一或多者、判定該 或多處理變數之各者的一相應貢獻、以及判定複數之 特徵中之何者相符於該錯誤，一錯誤特徵相符該錯誤 係為如果該等一或多處理變數之相應貢獻係在所相符 特徵之相應貢獻範圍内。 【實施方式】 此中描述係為一種用於檢測錯誤之方法及設備。 具體實施例中，識別貢獻至該錯誤之一或多處理變數 果具有在一控制限制外之一經測量數值，一處理變數 獻至該錯誤。判定該等一或多處理變數之各者的一相 ，·及 特徵 貢獻 誤特 統， ，藉 於該 理變 誤特 器， 貢獻 等一 錯誤 ，其 錯誤 在一 〇如 可貢 應貢 7 200811978 獻。該相應貢獻係被標準化且被安排在一經排列清單中， 其中該排列係基於錯誤貢獻之一量。判定符合該經偵測之 錯誤的一錯誤特徵。在一具體實施例中，如果該經識別處 理變數之相應貢獻係在該所相符錯誤特徵之相應貢獻範圍 内，一錯誤特徵符合該經偵測錯誤。該等錯誤特徵之各者 係與識別一特定錯誤起因之至少一錯誤分類相關聯。 在下列的描述中，提出多個細節。然而，熟悉該項技 藝者將可明瞭本發明可在無下列特定細節中而加以實施。 在特定例證中，已知的結構及裝置係按方塊圖形式而顯示 (而非細節），藉以避免模糊本發明。 所述之部份細節描述係以演算法和在一電腦記憶體中 演算資料位元之代表象徵符號來表現。熟悉資料處理技術 之技藝者使用這些演算法的敍述與呈現以最有效率的方式 傳達本質給其他熟知該項之技藝者。演算法，在此處通常 可視為導向一所要結果之自我一致性的步驟或指令的程 序。該等步驟為那些需要對於物理量有物理性操縱者。雖 然並非必然，但是這些量通常採用能夠在一電腦系統中儲 存、傳送、組合、比較及或以其他方式操作之電氣、磁性 信號的形式。已證實將這些信號表示為位元、數值、元件、 符號、字元、術語、數字等等有時候非常方便，主要係基 於通用用法的因素。 然而，應注意的是，這些以及類似的術語皆與適當的 物理數量有關，而且僅僅是套用至這些量的方便標籤。除 非特別說明，否則可在討論中清楚得知，文中利用術語像 8 200811978 是「處理」、「運糞 「 係代表-電腦系統」或類:算」或「Λ定」或「顯示」等等’ 其操縱及轉換在該電义的電子運异裝置之動作及處理， 表示成物理(電子)量 之暫存器及記憶體中的資料來
存器或其它這種資二：為在該電腦系統的記憶體、或暫 本發明也係有關“：：輸或顯示裝置内的物理量。 置可為因應需求而έ且成=文所述運算之-裝置。該裝 程式所選擇性活化❹新^也可為料於該電腦之電腦 :::存於一電腦可讀媒體，例如（但…)，任何種類 匕括軟式磁碟片、光碟、唯讀記憶體（CD-ROMs ) 兹随光碟機、唯讀記憶體（rqMs )、隨機存取記憶體 _ )可’肖除程式化唯讀記憶體（EPROMs )、電子式 可消除程式化唯讀記㈣（EEPR〇Ms)、磁性或光學卡或 任何種類之適用於儲存電子指令的媒體。 : 所述之/貝异法以及模組並不相關於任何特定電腦 〆^他虞置。各式一般用途系統可依據本發明所教示與程 式並行，或者可證實有利於建構更多專門的設備以施行該 舄方法之步驟。這些各式系統所需之架構將於下文詳 'L此外’本發明並非透過任何特定程式語言所描述。應 去各種程式語言可落實本文所述之本發明之揭示。 機器可讀媒體包含在一可由機器所讀取之形式中之 任何用於儲存或傳送資訊的機制。例如，一機器可讀媒體 I含一機器可讀儲存媒體（例如唯讀記憶體（ROM )、隨 機存取記憶體（RAM )、磁碟儲存媒體、光學儲存媒體、 9 200811978 快閃記憶體裝置等等）、機器可讀傳輸媒體（電氣、 音訊或其他形式之可傳播信號（例如載波、紅外線 數位信號等等））等。 該下列描述提供了監控在製造裝置上運作的處 測及/或檢測錯誤（不穩定之製造過程）的一統計處 系統的細節。在一具體實施例中，該統計處理監控 用於電子裝置（例如半導體）之製造。製造這樣的 般需要許多涉及不同類型製造處理的製造步驟。例 刻、濺鍍、化學氣相沉積為三種不同類型之處理， 執行在不同類型之機器上。另者，該統計處理監控 用來監控其他產品之製造（例如汽車）。該其他產品 也需要許多由各式製造機器處理的不同之處理步驟 第1圖描述統計處理監控系統1 00之一具體實 該統計處理監控系統1 00包含一統計處理監控設備 其經由資料通信鏈結1 60與一或多個製造機器1 1 0 或多個處理控制器1 5 0相耦合。該統計處理監控系 可包含在一工廠中（例如一製造工廠）之所有製 11 0。另者，該統計處理監控系統1 0 0可包含工廠中 定的製造機器 1 1 0，例如可在一或多個特定處理上 所有製造機器11 0。 在一具體實施例中，各製造機器11 0為製造電 的機器，例如蝕刻器、化學氣相沉積爐、微影製 (photolithography devices)、佈植機(imp 1 anter ) 另者，該製造機器11 0可為製造其他產品（例如汽 \ 光學、 信號、 理以偵 理監控 糸統係 裝置一 如，14 各者係 系統可 之製造 〇 施例。 105， 以及一 統100 造機器 之僅特 運行之 子裝置 程裝置 等等。 車）之 10 200811978 一類型。在一具體實施例中，該製造機器11 0之各者可為 一單一類型。另者，該製造機器110可包含多種不同類型 之配備，該等配備之各者可執行不同處理。 各製造機器110可包含用於監控在該製造機器110上 運行之多重感測器。包含在該製造機器11 0中之一類型的 感測器可為一溫度感測器。其他感測器之範例包含壓力感 測器、流率感測器、或任何其他監控該製造機器11 0所製 造之一工作部件之物理屬性或一製造處理之物理情況的感 測器。 在一製造機器Π 0上執行的各製造處理係由各種物理 情況及該感測器所偵測之屬性以及各種經收集以關聯作為 處理資料之操作參數而特徵化。各個明確的物理情況或由 該感測器所偵測之屬性，以及各操作參數可為該處理資料 的一具區別性的處理變數。表示偵測器資料之處理變數的 各範例包含處理室壓力、承受器（susceptor )溫度、RF前 向功率、以及RF反射功率。表示操作參數之處理變數的 範例包含（例如化學試劑之）流率設定以及（例如針對一 處理室排氣真空果浦（chamber exhaust vacuum pump)之） 節流闊設定。該感測器、製造機器以及處理控制器可在處 理期間被監控以在連續點上及時收集該處理變數。 在一具體實施例中，各處理變數施加至一特定處理。 另者，一或多個處理變數可施加至一特定處理之僅一部 分。在一具體實施例中，在一處理中之不同步驟的感測器 測量及操作參數表示有區別的處理變數（建模為模空間中 11 200811978 之額外規模）。例如，如果被執行在一機器中之製造處 有含不同操作參數設定之多重步驟，此將為有用。例 在一三步驟製造處理中，在三步驟期間之一承受器溫 被視為三個具區別性的處理變數。將該等處理步驟化 模空間之個別規模是有益的，其係例如當一單一處理 工作部件上沉積多重層時，或當一處理之不同步驟曝 工作部件至不同處理情況時（例如壓力、溫度等等）。 處理控制器1 5 0控制製造機器1 1 0之操作參數。令 處理控制器可控制製造機器11 0之處理室溫度、真 浦、氣體注入系統等等。處理控制器1 50可儲存一或 製程配方170。各配方170定義一處理之各步驟上之 機器11 0的操作參數。在一具體實施例中，配方1 70 由處理控制器150而被載入製造機器110。 資料通信鏈結1 6 0可包含常見的通信鏈結，且其 為無線或有線。資料可按純（raw )或經處理格式在該 機器11 0、該處理控制器1 5 0以及該統計處理監控設備 間作傳遞。在一具體實施例中，可使用一半導體設備 標準（SECS )介面。在其他具體實施例中，可使用一 的通信模型、一高速SECS訊息服務（HSMS )介面等 該統計處理監控設備1 0 5可為一單一伺服器，其 分析自該製造機器11 0、感測器1 5 5以及處理控制器 的進入處理資料。另者，該統計處理監控設備1 0 5可 多重伺服器及/或電腦。在一具體實施例中，該統計處 控設備1 〇 5包含錯誤偵測器1 2 5、錯誤檢測器1 3 0及 理具 如， 度將 分成 在一 露該 |J如， 空泵 多個 製造 可經 也可 製造 105 通信 通稱 等。 用於 150 包含 理監 錯誤 12 200811978 報導器150。該統計處理監控設備1〇5 175。在一具體實施例中，該統計處理監控 在一或多個處理控制器150中。另者，該 備1 0 5也可為一可區分性及/或獨立的設備 該储存裝置1 7 5包含一處理測量資料 個多變量統計模型135、錯誤特徵140及在 一具體實施例中，該儲存裝置1 7 5為該統 105之一電腦或伺服器之一單一儲存裝置 裝置1 75可為外部於該統計處理監控設備 實施例中’該儲存裝置175包含多重儲存 裝置之特定者包含用於備份之資料的冗餘 處理測量資料（處理資料）可被儲存 庫1 20。該經儲存之處理資料可用來顯示 器110之各者及針對在該等製造機器上運 漂移及傾向。在一具體實施例中，該經儲 來產生如下所述之一或多個的多變量統計 經產生，該多變量統計模型丨3 5可被儲存 中。 錯誤檢測器資料庫1 4 〇包含多重伊 徵，其在如下更進一步描述。在一具體實 測器資料庫1 40為一關聯性資料庫。例如 料庫140可包含—錯誤分類表，其可儲存 類，以及包含一相關錯誤特徵，其可儲錯 性0 也包含儲存裝置 設備105被包含 統計處理監控設 〇 庫120、一或多 眘誤分類1 4 5。在 計處理監控設備 。另者，該儲存 105。在一具體 裝置，該等儲存 副本。 在處理測量資料 針對該等製造機 行的處理等等的 存處理資料係用 模型1 3 5。一旦 在儲存裝置175 誤分類及錯誤特 施例中，錯誤檢 ’錯誤檢測器資 —列表之錯誤分 誤特徵之定義特 13 200811978 在一具體實施例中，使用1綠時段來收 多個多變量統計模型的資料。該訓 市產生一或 機器上之已知及/或經控制情況下所完包含一特定製造 理的各處理運行之一收集。在訓練 i 特定製造處 、+又自處理運并把丨 之處理資料可用來產生統計（例如 收集 變數陣列等等）。該等統計可收集性地 瓜⑶1^)、變數、 行在一特定機器上之特定處理的—或、y 奴針對運
135。-初始集之錯誤特徵基於在訓練===計模型 資料也能夠被建立及加入該錯誤檢測器資：1收14集。的處理 誤特徵為表示-（各定錯誤之處理情況的特徵：：： 誤：徵可為包含貢獻至一（各）4寺定錯誤之處理資料：二 清單、表單、或其他資料結構。 〃、 在-具體實施例中，各多變量統計模型施加至僅 -製造機器。丨者，來自一所相符機器類型之兩或以上製 造機器110的處理資料可被聚集以建立可施加運行在嗜兩 或以上之製造機器之一或多處理的一單一錯誤檢測模/型 (多變量統計模型）。此外’針對一第一製造機器所發展之 一錯誤檢測模型可被施加至該相同類型之一第二機器（例 如相同模型）。 各多變篁統什椒型1 3 5包含一或多個模型計量。模型 計量為純量值，其特徵化一組處理資料及一模型之間的偏 移量。在一具體實施例中，該模型計量包含平方預測誤差 (Squared Prediction Error，其一般指稱為 SPE、Qres、或 Q )，以及Hotelling’s T2。模型計量也包含组合測量（例 14 200811978 如組合式多變量索引（CMI ))。該等測量之各者相應於估 計被監控之處理資料具有如已用來建立該模型之训練資料 之相同統計之機率的一不同方法。上述的統計及測量可根 據一般的統計演算法而被計算。 一或多個多變量模型可利用主要部件分析（PCA }來 轉換一 M-維度處理變數空間至彼此互相垂直的主要部件 之一 N-維度空間，其中Μ為處理變數之數，且N較小於 Μ。PCA計算一組Μ特徵向量（M eigenvectors )及μ特 徵數值（eigenvalues )，其中各個別的特徵向量轉換處理變 數資料至該主要部件空間之一個別維度，且各特徵數值係 成常比於一相應特徵數值所表示之變量。為了簡化該主要 部件空間（降低該主要部件空間之維度），相應於該N最 大特徵數值之該N特徵向量被保持在該模型中：該其他特 徵向量被放棄或忽略。保持在該模型中之主要部件的數目 N為使用者所選擇之該模型的一參數。該主要部件（n) 之數目可基於在當使用一較小數值N時解釋較少之資料變 化的一模型及當使用一較大數值N時被超過指定之模型間 的交易而被選擇。 一旦一或多個多變量統計模型已經產生，他們可由錯 誤偵測器125所使用來監控在製造機器11〇上所運行之處 理。錯誤偵測器125經由執行各式統計處理監控方法而分 析處理資料，該等方法之各者係基於至少一變量統計模 型。在一具體實施例中，錯誤偵測器125直接接收來自該 製造機器110、感測器155及/或處理控制器15〇之處理測 15 200811978 量資料（處理資料）。在另一具體實施例中，錯誤偵測器 125可接收來自處理測量資料庫1 20之處理資料。在又另 一具體實施例中，該錯誤偵測器1 2 5接收來自該兩者來源 的處理資料。 為了偵測錯誤，錯誤偵測器1 25計算針對被監控之各 處理的處理資料之各統計，且比較該經計算之統計與適當 多變量統計模型之相應統計。該統計針對一模型計量或針 對多重模型計量（例如 T2、SPE、CMI )而比較。如果一 或多個該模型計量超過一預先定義之門檻值（指稱為一信 任限制或控制限制），可偵測一錯誤。在一具體實施例中， 各模型計量具有為使用者選擇之門檻數值。該選擇的門檻 數值可表示一錯誤警告之風險（如果該門檻值太低）及無 法偵測一錯誤之風險（如果該門檻值太高）間的一折衷。 其中多重計量被計算，如果該計量之任何一者超過門檻數 值，則引起錯誤。另者，僅如果特定計量超過門檻數值或 僅如果多重計量超過門檻數值可指出特定錯誤。 一旦一錯誤已經由該錯誤偵測器1 2 5所識別，由錯誤 檢測器1 3 0分析該錯誤。錯誤檢測器1 3 0比較該錯誤與錯 誤特徵之一收集。各錯誤特徵表示代表一（各）特定錯誤 之處理情況。在一具體實施例中，錯誤特徵1 40為具有對 一（各）特定錯誤之一較大統計貢獻之各處理變數的經排 列列表。該處理變數可按其個別貢獻之相應量的順序而被 排列。另者，該錯誤特徵可為基於至一錯誤之統計貢獻而 排列處理變數的一表單、樹狀或其他資料結構。錯誤檢測 16 200811978 最 徵 符 庫 誤 果 誤 該 例 利 含 )、 在 δ又 理 機 1 3 0可比較各個經儲存錯誤特徵與具有針對目前錯誤之 大貢獻之各處理變數之經排列列表。當存在該等錯誤特 之一者與該目前錯誤間的一高層級相似度時，報導出一 合0 各個錯誤特徵係相關聯於儲存在該錯誤檢測資料 140之一或多個錯誤分類。該錯誤分類可指出產生一錯 之一實際問題或者該目前錯誤之可能的造因。例如，如 該錯誤特徵指出該最大貢獻處理變數為矽烷流率，該錯 分類可指出饋給矽烷進入一處理室的一數值已經失常。 錯誤報導1 65產生指示錯誤類別1 45之何者相應至 目前錯誤的錯誤報導。該錯誤報導可被傳送至被網接至 統計處理監控設備1 0 5之一或多客戶端（未顯示，且可 如本地電腦、遠端電腦、個人數位助理（PDAs )、呼叫器 行動電話等等）。錯誤報導1 65也可使製造機器1 1 0關機 警告一機器、或執行其他適當動作。 第2圖描述產生錯誤分類之方法200的一具體實施 之流程圖。該方法可由處理邏輯執行，該處理邏輯可包 硬體（例如電路、專用邏輯、可程式化邏輯、微碼等等 軟體（例如在處理裝置上運行的指令）、或以上之組合。 一具體實施例中，方法200可由第1圖之統計處理監控 備105來執行。 參照第2圖，方法200開始於獲取指出一錯誤的處 資料（方塊205 )。該處理資料能夠自一或多者之製造 器、感測器、處理控制器、及一處理測量資料庫所獲取 17 200811978 該處理資料包含例如處理室溫度、壓力、氣 例如’如果該溫度太高或太低、該氣體流率 力不同於目前處理所需求等等，該處理資 誤。該處理資料可在一訓練時段期間或經製 處理監控期間被收集。可有意地導致該錯誤 資料’或該錯誤可非有意地產生。在一具體 處理資料在一錯誤被發現已經發生之前可被 該處理資料之分析而觸發一錯誤。 在方塊210中’建立一新的錯誤分類（ 一具體實施例中，該新的錯誤分類經由館存 錯誤檢測資料庫中之該錯誤分類的一或多 立。該一或多個參數可定義具有充分具體性 個可能性錯誤造因的該錯誤分類。該新的錯 特定錯誤之一單一發生之後而被建立。 在方塊215，判定貢獻至該錯誤之處理 獻。貢獻處理變數可按相應於其個別貢獻之 而被排列，之後指稱為錯誤貢獻。該等處理 錯誤貢獻能夠經由任何常見統計方法而判定 錯誤之判定處理變數之相應貢獻的一範例式 J. Chemometrics 200 1，第 15 章第 7 1 5-742 ) Sergio Valle, Michael J· Piovoso 等人之 Multiblock Analysis with Application to Process Monitoring”，其在此併入以作為參 測錯誤之判定處理變數之相應貢獻之另外的 體流率等等。 不穩定、該壓 钭可指出一錯 造產品之實際 來產生該處理 實施例中，該 獲取，且基於 方塊2 0 5 )。在 收集地定義一 ί固參數而被建 來識別一或多 誤分類可在一 變數的相應貢 相關量的順序 變數之個別的 。對一經偵測 方法係揭示於 [，S · Joe Qin， “On Unifying Decentralized 照。對一經偵 範例性方法係 18 200811978 揭示在 J. Chemometrics 2000，第 14 卷，第 725-736 頁， Α·Κ. Conlin，E.B. Martin，A.J. Morris 等人之“ConHdence Limits For Contribution Plots”，其在此併入以作為參照。 對一經偵測錯誤之判定處理變數之相應貢獻之又另外的範 例性方法係揭示在 Chemometrics and Intelligent Laboratory Systems 2000，第 51 卷，第 95-1 1 4 頁，Johan A· Westerhuis，Stephen Ρ· Gurden，Age K. Smilde 等人之 “Generalized Contribution Plots in Multivariate Statistical Process Monitoring” ，其在此併入以作為參 照。判定相應貢獻之其他方法也可被使用。 在一具體實施例中，該錯誤貢獻可獨立於用來決定該 錯誤貢獻之一統計方法。因此，特定於某統計方法（例如 協方差計量、主要部件特徵向量等等）的各參數不會被併 入該錯誤分類及/或與該錯誤分類相關之錯誤特徵。所以， 該錯誤分類可相等應用至適當統計方法（例如具調適模型 之統計方法（例如超時上調適特定參數之模型））。在該使 用一調適模型之一統計方法的案例中，該模型包含主要部 件分析（p c A )，其中調適主要部件之一數目及/或調適自 處理變數空間至主要部件空間的一轉換。 在一具體實施例中，該處理變數之錯誤貢獻可由兩或 以上不同統計方法（例如以一靜力模型及一調適模型）獨 立地判定。因為不同的統計模型而可助益於較精確地判定 各不同錯誤之錯誤貢獻。 在方塊220中，指派貢獻排名至貢獻處理變數，藉以 19 200811978 產生一新的錯誤特徵。在一具體實施例中，選擇該貢獻處 變數之一子集。該子集可包含錯誤貢獻大於一貢獻門檻 值（之後稱為顯者性界限，significanCe limit)之該等處 理變數。該顯著性界限可根據各種方法而計算，該等方法 包合例如如上討論之Qin、c〇nlin、以及Westerhuis等。 連績編號的排名可接著基於其個別貢獻之相關量的順序而 被指派至該子集中之各處理變數。 該經 界限）可 誤特徵被 限。另者 如用來決 生該新的 由排除一 計地微小 之錯誤特 在一 各處理變 各具有符 數字可被 限可被放 在方 差異至少 限。該變
^擇子集外之處理變數（錯誤貢獻少 被指派排名為無或零之一錯誤貢獻或者可自該錯 省略。在一具體實施例中，預先決定該顯著性界 ’該顯著性界限可在使用一或多個統計方法（例 疋各處理變數之個別錯誤貢獻之一統計方法）產 特徵值之時而被決定。一顯著性界限之使用可經 給疋錯誤（對該錯誤之所有處理變數的貢獻係統 )之檢測增進雜訊抗擾性。包含一顯著性界限 徵的範例係在如下表1及表2中描述。 具體實施例中，可在被包含在一新的錯誤特徵之 數之數子上/又有界限。所以，只要該等處理變數 合該顯著性界限之錯誤貢獻，各處理變數之任何 包含在一新的錯誤特徵中。另者，一上及/或下界 置在貢獻各處理變數至一錯誤特徵的數字上。 鬼2 2 5處理邏輯判定該貢獻處理變數是否具有 於一門檻值之個別錯誤貢獻，之後指稱為變化界 化界限可為‘使用者選定或自動地選定。該變化 20 200811978 界限為一固定值，或其可為一相關值（例如基於該等處理 變數之一者之該錯誤貢獻的一比率）。在一具體實施例中， 一統計信任範圍係針對各處理變數之錯誤貢獻而被計算。 該變化界限可基於該等處理變數之經計算的統計信任範 圍。在一具體實施例中，如果該等處理變數具有重疊信任 範圍，該等處理變數差異至小於該變化界限。 如果該等處理變數差異至小於該變化界限（例如具有 重疊信任範圍），該方法前進至方塊23 0。如果該等處理變 數沒差異至小於該變化界限，該方法前進至方塊2 3 5。在 一具體實施例中，該等處理變數是或否差異至該變化界 限，該方法前進至方塊2 3 5。 在方塊23 0，貢獻排名範圍被指派至一或多個貢獻處 理變數。各貢獻排名範圍包含差異至小於該變化界限之各 處理變數的貢獻排名。該等處理變數之各者被指派一包含 處理變數本身貢獻排名及該其他經包含處理變數之貢獻排 名兩者的一排名範圍。在一具體實施例中，該排名範圍為 一連續數化貢獻排名的一範圍。例如，一排名範圍可為 1-2,其包含一第一處理變數之該貢獻排名1及一第二處理 變數之該貢獻排名 2。不同處理變數可具有同一或重疊排 名範圍。經由替代絕對貢獻排名或除絕對貢獻排名外而排 名各範圍來定義錯誤特徵可增進雜訊抗擾性（例如其中各 處理變數之間之一相關排名可能由預期的統計變動而被交 換）。具有排名範圍之錯誤特徵的範例在如下表 3及表4 中而被描述。 21 200811978 在方塊2 3 5，該新的錯誤特徵被儲存在該錯誤 料庫中。該經儲存的錯誤特徵係關聯於該新的錯誤 在一具體實施例中，對該錯誤特徵之各處理變數之 貢獻值（例如〇 · 9、0.5等等）沒被儲存，且替代地 貢獻排名（例如1、2、3等等）。另者，該實際貢獻 儲存，或該貢獻值及該貢獻排名可被儲存。 處理變數 對錯誤之貢獻 貧獻排名 A 0.9 1 B 0.8 2 C 0.4 3 D 0.2 none E 0.07 none F < 0.02 none G < 0.02 none Η < 0.02 none 表1 :第一錯誤特徵 表1描述根據第2圖之方法200所產生之一第一 特徵。根據一第一統紀錄析方法，該等處理變數A、E D及E之統計貢獻個別被決定為0 · 9 ' 0 · 8、0 · 4、0.2及 該等剩餘處理變數 F、G、Η之統計貢獻被決定為 0.02。該等處理變數按其貢獻至一錯誤之量的順序 名。該第一錯誤特徵具有一 〇 · 3之顯著性界限，因此 變數A、B、C被考慮以貢獻至該錯誤且為該第一錯領 之部分。處理變數D至Η因為他們的錯誤貢獻小於該 性界限而被排除於該第一錯誤特徵。 測資 類。 實際 存該 可被 錯誤 卜C、 0.07° 小於 來排 ，處理 t特徵 :顯著 22 200811978 處理變數 對錯誤之貢獻 貢獻排名 A 0.9 1 B 0.8 2 C 0.4 -3 D 0.2 none E 0.07 none F < 0.02 none G < 0.02 none Η < 0.02 none 表2 :第二錯誤特徵 表2描述根據第2圖之方法200所產生之一第二錯誤 特徵。用於產生該表1之第一錯誤特徵的相同處理資料被 用來產生該第二錯誤特徵。該等處理變數按其貢獻至一錯 誤之量的順序來排名。該第二錯誤特徵具有一 〇 · 1之顯著 性界限，因此處理變數A、B、C、D被考慮以貢獻至該錯 誤。 處理 對錯誤 信任 貢獻 排名 變數 之貢獻 範圍 排名 範圍 A 0.9 0.82-0.98 1 1-2 B 0.8 0.73-0.87 2 1-2 C 0.4 0.45-0.55 3 3 D 0.2 0.15-0.25 4 4 E 0.07 0.06-0.11 none none F < 0.02 N/A none none G < 0.02 N/A none none 23 200811978 Η < 0.02 Ν/Α none none 表3 :具排名範圍之第三錯誤特徵 表3描述根據第2圖之方法200所產生之一第三錯誤 特徵。該第三錯誤特徵包含由該等處理變數之個別信任範 圍所判定之一排名範圍。名為「信任範圍」之行顯示各處 理變數之該錯誤貢獻的該信任範圍之上及下界限。因為該 變數A之信任範圍的下界限（0.8 2 )係低於變數B之信任 範圍的上界限（0 · 8 7 )，處理變數A及B之信任範圍重疊。 因此，處理變數A及B，其根據經計算之錯誤貢獻具有1 及2之個別貢獻排名，並且被指派一包含各其他者之貢獻 排名的一排名範圍（各者被指派一 1 -2的排名範圍）。 該第三錯誤特徵具有一 0 · 1之顯著性界限，且因此處 理變數A、B、C及D被考慮以貢獻至該錯誤且為該第一 錯誤特徵之部分。處理變數E至Η因為他們的錯誤貢獻小 於該顯著性界限而被排除於該第一錯誤特徵。在一具體實 施例中，處理變數Ε因為其信任範圍之上界線大於該0.1 之顯著性界限而被包含在該錯誤特徵中。 在一具體實施例中，貢獻處理變數之至少一列表（由 名稱或其他指示器識別的）及各貢獻處理變數之一排名範 圍被包含在該錯誤特徵。可選擇地，一或多個經計算之錯 誤貢獻、信任範圍及貢獻排名也被包含做為該錯誤特徵之 部分。 24 200811978 處理 對錯誤 信任 貢獻 排名 變數 之貢獻 範圍 排名 範圍 A 0.9 0.82-0.98 1 1-2 B 0.8 0.73-0.87 2 1-3 C 0.7 0.65-0.75 3 2-3 D 0.2 0.15-0.25 4 4 E 0.07 0.06-0.11 none none F < 0.02 Ν/Α none none G < 0.02 Ν/Α none none Η < 0.02 Ν/Α . none none 表4 ··具排名範圍之第四錯誤特徵 表4描述根據第2圖之方法2 00所產生之一第四錯誤 特徵。該第四錯誤特徵係同一於表三之該錯誤特徵，其中 除了處理變數C之經計算錯誤貢獻及排名範圍外。在一具 體實施例中，該處理變數B之錯誤貢獻的信任範圍重疊變 數A之信任範圍及變數C之信任範圍兩者。因此，變數B 之排名範圍包含變數A之貢獻排名（1)及變數C之貢獻 排名（.3 )以及其本身之貢獻排名（2 )。所以，處理變數B 之排名範圍為1-3。因為處理變數A具有重疊處理變數B 之信任範圍的一信任範圍，理變數A具有一 1 -2之排名範 圍。相同地，因為處理變數C之信任範圍重疊處理變數B 之信任範圍，因此處理變數C具有一 2-3之排名範圍。 第3圖描述經由使用錯誤特徵之檢測錯誤之方法3 00 的一具體實施利之流程圖。該方法可由處理邏輯執行，該 處理邏輯可包含硬體（例如電路、專用邏輯、可程式化邏 輯、微碼等等）、軟體（例如在處理裝置上運行的指令）、 25 200811978 或以上之組合。在一具體實施例中，方法300可由第1圖 之統計處理監控設備1 05來執行。 現參照第3圖，方法3 0 0開始於處理邏輯偵測一錯誤 (方塊3 0 5 )。在一具體實施例中，該錯誤係基於自一或多 個製造機器、感測器、處理控制器、以及一處理測量資料 庫所接收的處理資料而被偵測。在方塊3 1 0中，判定貢獻 至該錯誤之處理變數。如果超過一控制界限，一處理變數 可貢獻至一錯誤，否則其貢獻至一未預料及/或未期望的結 果。 在方塊 3 1 5，處理邏輯判定該貢獻處理變數之相關貢 獻。在一具體實施例中，處理邏輯按對該偵測之錯誤的其 個別貢獻的相關量之順序排名該處理變數。該偵測之錯誤 排名可或不包含該處理變數之該錯誤貢獻的數值。在一具 體實施例中，該經偵測的錯誤排名僅為該等處理變數之一 順序列表。例如，如果對處理變數A、B、C、D及E之 bEO之能之無獻該 ο 、 獻獻限 一 貢 且 AD 貢貢界派誤 ， 4 , 誤誤性指錯除 0.C錯錯著或果排 5'A'該何顯除如被 0.、 對任該排，將 9'B 定之於名中 E ο 表判下小排例數 卜列也限有誤範變 。 0.序輯界具錯的^ D 為順邏性)°測段&、 別該理著略偵前該 C 分為處顯忽經在D A 獻將，該及該。接、 貢 名中在 C 自名 ， B 關排例使性可排.2為 相誤施致小數誤 G 應 該錯實以微變錯為名 之的體限其理測限排 誤測具界到處偵界誤 錯偵一性量各經性錯 的經在著考的的著測 測該 顯被值零顯偵 偵然 一夠一 或之經 26 200811978
在方塊3 2 0，處理邏輯判定 4貞測錯誤。其將猎由比較該經债 徵來達成。在一具體實施例中， 全符合該等錯誤特徵之一者，接 為關於該錯誤特徵之一錯誤分類 名與一具有排名範圍之一錯誤特 中之各處理變數的排名落入該錯 之排名範圍内，一確切符合發生 經偵測錯誤可符合多重錯誤特徵 等錯誤特徵之各者被報導。 該錯誤特 測排名與 如果該經 著該經偵 。當比較 徵時，如 誤特徵中 徵何者符 各經建立 偵测錯誤 合該經 錯誤特 排名完 被檢測 經偵測錯誤排 測錯誤 測之錯誤 果該經偵 之相同處理變數 在一具體實施例中，一 在這樣的一發生中，該 如果在該目前錯誤之一錯誤排名及一現存錯誤特徵之 間偵測一符合，該方法前進至方㉟325。如果以一現存錯 誤特徵無偵測到一符合，該方法前進至方塊34〇。 二在一具體實施例中，至少一符合錯誤特徵為一混合錯 誤特徵。一混合錯誤特徵為一包含被針對不同統計模型而
獨立计算之各獨立的貢獻排名及/或排名範圍。例如，一混 σ錯誤特徵之一第一處理變數或具有由一第一統計模型 "周適模型）而計异之為1的一貢獻排名以及具有 2 一第二統計模型（例如一靜力模型）而計算之為2的一 貝獻排名。π ^ . 所以，在處理監控期間，一經偵測之錯誤貢獻 將包含 ’卞斜各處理變數之該等適當統計模型之各者所決定 之一獨： 的排名。這將因為不同的統計模型可較精確決定 回應於；^相 、 +頰型錯誤之該等處理變數的錯誤貢獻而有所助 益。 27 200811978 處理變 數 第一模型 排名範圍 第二模型 排名範圍 A 1-2 3-4 B 1-2 3-4 C 3 1 D none 2 E none none F none none 表5 :混合式錯誤特徵 處理變 第一模型 第二模型 數 排名範圍 排名範圍 A 2 3 B 1 4 C 3 1 D 4 2 E none none F none none
錯誤 之具 偵測 理資 之錯 為各 表6:使用第一及第二統計模型之經偵測錯誤 表5描述根據本發明之一具體實施例之一混合式 特徵的一範例。表6描述一根據本發明另具體實施例 有同步使用兩模型所產生之一混合式錯誤排名的一經 錯誤。如所示，使用兩不同模型而獨立決定該相同處 料之排名範圍及/或貢獻排名可產生不同結果。該表5 誤特徵顯示表6之該經偵測錯誤之一切確符合，其因 28 200811978 模型之各處理變數之表6中的該錯誤貢獻排名係在表5之 該混合式錯誤特徵之模型及該相應處理變數之排名範圍 内。 在特定例證中，可由一第一模型偵測，但不由一第二 模型。因此，該第二模型之該處理變數之錯誤貢獻可能為 微小（例如低於該顯著性界限），從而不有用於分類。在該 案例中，處理邏輯可建立一混合式錯誤特徵，其中該第二 模型之每個處理變數具有一無（none)的排名範圍及/或貢 獻排名。 參照第3圖，在方塊3 2 5中，處理邏輯識別與該符合 錯誤特徵相關的錯誤分類。在一具體實施例中，各錯誤特 徵係關聯於一單一錯誤分類。另者，多重錯誤分類可關聯 於一錯誤特徵。例這將發生於如兩錯誤分類具有相同錯誤 特徵之處。 在方塊 3 3 0，處理邏輯判定該符合錯誤特徵之任者是 否相關聯於多重錯誤分類。如果一錯誤特徵相關聯於多重 錯誤分類，該方法前進至方塊3 3 5。如果無錯誤特徵相關 聯於多重錯誤分類，該方法結束。另者，該方法可因任何 錯誤特徵是否相關聯於多重錯誤分類而結束。 在方塊3 3 5，報導一紀錄（tally )，該包含與該符合錯 誤特徵相關之該等錯誤分類之各者之數次的紀錄為一錯誤 之實際起因。此將有用於協助一使用者識別一目前錯誤之 實際起因。該紀錄可被儲存在該錯誤檢測資料庫中。在一 具體實施例中，在識別該目前錯誤之一實際起因後，該實 29 200811978 際起因被輸入該錯誤檢測資料庫中之紀錄。 在方塊340，建立一新的錯誤分類。在方塊345，產生 一新的錯誤特徵，其可關聯於該新的錯誤分類。該新的錯 誤分類及該新的錯誤特徵可根據第2圖之方法200而被產 生。另者，產生該新的錯誤分類及新的錯誤特徵之其他方 法也可使用。因此，當新的錯誤在實際處理產品期間遭遇 時，可將新的錯誤分類及新的錯誤特徵加入（例如至一多 變量統計模型）。在一具體實施例中，僅一錯誤之一單一範 例被需要來加入一新的錯誤分類及一相關新的錯誤特徵。 第4圖描述經由使用錯誤特徵之檢測錯誤之方法400 的一具體實施利之流程圖。該方法可由處理邏輯執行，該 處理邏輯可包含硬體（例如電路、專用邏輯、可程式化邏 輯、微碼等等）、軟體（例如在處理裝置上運行的指令）、 或以上之組合。在一具體實施例中，方法400可由第1圖 之統計處理監控設備1 0 5來執行。 參照第4圖，方法400開始於處理邏輯偵測一錯誤（方 塊4 0 5 )。在方塊4 1 0，判定貢獻至該錯誤之處理變數。在 方塊4 1 5，判定該貢獻處理變數之相關貢獻。 在方塊 420，判定符合該錯誤之錯誤特徵。在一具體 實施例中，考慮完全符合該錯誤之錯誤特徵。另者，考慮 部分符合一經偵測錯誤的錯誤特徵。例如，當同時發生多 重錯誤時，這將為有用。在這樣的一案例中，雖然一或多 個錯誤特徵可關聯於表示該經偵測錯誤之實際起因之錯誤 分類，無錯誤特徵將完全符合該經偵測之錯誤。在一具體 30 200811978 實施例中，如果無森^ 日―人々产人 “、、發現元全付合，僅考慮到部份符合一經 偵測錯誤的錯誤特冑。另者，是否發現一完全符合，考慮 4刀符合知將有益於例如確保一使用者提防與具有部分 符合之錯誤特徵相關+ Svfeit 4 3之嚴重的錯誤（例如造成嚴重良率損 失之錯誤）。 在方塊425，針對該完全及/或部分符合錯誤特徵判定 相付接近知刀（match cl〇seness s⑶π )。一相符接近得 刀表示 特徵及一經偵測錯誤間的一相似度。相符接近 得分可以各種方式而被計算。在一具體實施射，一相符 接近得分經由針對各處理變數指派一 2之值而判定，其中 該等處理變數的經偵測錯誤排名係在一給定錯誤特徵之一 適當排名範圍Μ，以及經由針對每個其他在該目前經偵測 錯誤之實際排名及該給定錯誤特徵兩者中具有一顯著性錯 誤貢獻U列如在該顯著性界限之上的一錯誤貢獻）之處^ 變數指派-1之值而判定。在其他具體實施例中，該先前 值2及i被乘以一權重因子，該權重因子係針對各處理變 數之排名為較局者而為較高。 在方塊4 3 0，捨棄具最低相符接近得分的錯誤特徵。 在-具體實施例中，除了具有該最高相符接近得分的X錯 誤特徵外’捨棄所有錯誤特徵。在其他具體實施例巾，捨 棄具有低於一門檻值之一錯誤貢獻之所有錯誤特徵。在另 一具體實施例中，沒有符合錯誤特徵被捨棄。 在方塊43 5，識別相關於該符合錯誤特徵之錯誤八 類。在方塊440，該經識別之錯誤特徵連帶 =、刀 工7合錯誤分 31 200811978 類之錯誤嚴重值（fauU severity values )及符合得分而被 報導。在一具體實施例中，各錯誤分類包含一錯誤嚴重值。 具有一低錯誤嚴重值之錯誤分類可造成對一經製造產品之 小至沒有的損害，同時具有高嚴重值之錯誤分類或顯著地 減低產品良率。因此，錯誤嚴重值能夠提示一使用者一錯 誤的重要性為如何。例如，關於具有一高相符接近得分但 一低錯誤嚴重值之一錯誤特徵的一錯誤分類或不被關注。 然而，關於具有一低相符接近得分但一高錯誤嚴重值之一 錯誤特徵的一錯誤分類將造成關注。 机何做 < 合錯誤的新 例證，其期望來劃分該錯誤特徵而成多重錯誤特徵。例如， 如果與該錯誤特徵相關之錯誤分類能夠被化分成較 誤分類’或如果發現到該原始錯誤特徵產生能：錯 該錯誤特徵而被校正的-不正確之錯誤檢測，#ij分= 特徵或可被期望。針對割分一 錯誤 乃主τ奵妇刀錯祆特徵及/或錯誤分翻 方法的一具體實施例於下第5圖中經解釋。 、一 第5圖描述經由使用錯寧特徵之檢測錯誤之方 實施利之流程圖。胃方法可由處理邏輯執行，： 處理邏輯可包含㈣（例如電路、專用邏輯、 》亥 輯、微碼等等）、軟體（例如在處理裝置邏 或以上之組合。在-具體實施例中，方法5。。可由第V、 之統計處理監控設備i 05來執行。 圖 參照第5圖，方法500開始於處理邏輯偵測_ 塊5〇5)。在方塊510，判定貢獻至該錯誤之處理變數、。在 32 200811978 方塊5 1 5，判定該貢獻處理變數之相關貢獻。 仕万塊5 2 0， 判定符合該錯誤之錯誤特徵。 在方塊525，處理邏輯判定該錯誤特徵是否包人 關貢獻範圍。如果該等錯誤特徵之一者確白八， 相 崎巴含一相關貢獻 範圍，該方法前進至方塊535。如果無錯誤牲供—人 饮付傲包含一相 關貢獻範圍，該方法前進至方塊530。 在方塊5 3 0，識別關於該符合錯誤特徵# 蹄秩分類， 該方法接著結束。 在方法5 3 5 ’該經判定之錯誤特徵被化分成多重錯誤 特徵。例如，在一具體實施例中，該經判定之供 吨妖将徵被 劃分成兩具區別性的錯誤特徵。該兩具區別性的錯誤特徵 經由具有至少一處理變數而為不同，其中該至φ 一 乂 處理變 數之在該兩新的錯誤特徵中之個別排名範圍馬在該原始錯 誤特徵中之該變數之排名範圍的不同子集，例如如表7、 8、9中之範例所示。 在方塊540，針對一或多個多重錯誤特徵加入一新的 錯誤分類。該新的錯誤分類可為與被劃分之該原始錯誤特 徵相關之一錯誤分類的子集。例如，如果該原始錯誤分類 為「缺陷靜電座（defective electrostatic chuck)」，該新的 錯誤分類將為「因為晶圓背端上之灰塵的缺陷靜電座 (defective electrostatic chuck because of particles on wafer backside)」。 在方塊5 4 5，該原始錯誤特徵及其相關錯誤分類之至 少一者經更新。更新過程包含窄化一錯誤特徵之一或多處 33 200811978 理變數的排名範圍，以及窄化一錯誤分類描述。例如， 果該原始錯誤分類原始為缺陷靜電座，該原始錯誤分類 被窄化至因為殘餘累積（residue accumulation)的缺陷 電座。 其有用於劃分一錯誤成與最公通影響兩處理變數之 基本錯誤的一錯誤特徵，其中一輕微不同基本起因影響 等兩處理變數之一者。一範例為共通用於保持在一半導 製程室内一陰極上之一半導體工作件之一靜電座的不同 誤模式。較佳被監控以檢測一靜電座中之各錯誤的兩處 變數為注入一工作件及一座間之一穴的氦流率，以及為 示在該陰極及一 RF電源供應器間所連接之一阻抗符合 路中一可調節調諧電容器之一電容的一處理控制參數值 由在該座上之過度殘餘累積所造成之一錯誤一般將被關 於該等處理變數兩者。然而，由該工作件之下面端上之 粒所造成之一錯誤一般僅相關聯於該氦流率。所以，與 義為一缺陷靜電座之一第一錯誤分類相關之一第一錯誤 徵將被化分成與定義為由該工作件之下端上之微粒所造 之一缺陷靜電座之一第二錯誤分類相關之一第二錯誤 徵。該第一錯誤分類將接著重新定義為由該座上之殘餘 積所造成之一缺陷靜電座。 如 或 靜 該 體 錯 理 表 網 〇 聯 微 定 特 成 特 累 處理變數 排名範圍 A 1-2 B 1-2 C 3 34 200811978 D 4 表7:具排名範圍之原始錯誤特徵 處理變數 排名範圍 A 1 B 2 C 3 D 4 表8 .·基於錯誤特徵劃分之新的錯誤特徵 處理變數 排名範圍 A 2 B 1 C 3 D 4 表9 :基於錯誤特徵劃分之經更新的錯誤特徵 表7描述具有一排名範圍之一錯誤特徵。表8及表 描述根據第5圖之方法5 0 0之經由劃分表7之錯誤特徵 產生之兩新的錯誤特徵。在表7之原始錯誤特徵中，處 變數A及B係被指派一 1 -2的排名範圍，且該原始錯誤 徵係關聯於識別為X的一錯誤分類。表8之該新的錯誤 徵係關聯於一新的錯誤分類Y，且分別具有針對處理變 A及B之一貢獻排名1及2。表9之經更新錯誤特徵係 聯於一經更新錯誤分類X且分別具有針對處理變數A及 之一貢獻排名2及1。 第6圖描述一範例性形式之計算系統6 0 0中之一機 9 而 理 特 特 數 關 B 器 35 200811978 之圖式表示，其中具有一組指令可執行且用以造成該機器 執行此中所討論之任何一或多種方法。在各替代式具體實 施例中，可連接（例如網路連接）該機器至一區域網路、 企業網路、或網際網路中之其他機器。該機器可操作在一 客戶-伺服端網路環境中之一伺服器或一客戶端的能力，或 操作為一點對點（或分散式）網路環境中之一點（peer ) 機器。該機器可為一個人電腦、桌上型電腦、一機上盒 (set-top box，STB)、個人數位助理PDA、行動電話、網 路應用器、伺服器、網路路由器、切換器或橋接器、或任 何能夠執行指定由機器所採取之動作的一組指令（序列或 非序列）的機器。再者，當僅描述一單一機器時，該項目 “機器”應也可被採用以包含個別地或連接地執行一組 (多組）指令來執行任合如此中所述之一或多方法的任何 機器集合。 該範例式電腦系統600包含一處理裝置（處理器） 602、主要記憶體604 (例如唯讀記憶體、快閃記憶體、動 態隨機存取記憶體（例如同步動態隨機存取記憶體、或 Rambus動態隨機存取記憶體）等等）、靜態記憶體606 (例 如快閃記憶體、靜態隨機存取記憶體等等）、以及資料儲存 裝置6 1 8，其係透過匯流排63 0與其他者進行通信。 處理器602表示一或多個一般意圖之處理裝置（例如 微處理器、中央處理單元等等）。特別來說，該處理器602 可為一複雜指令集計算（CISC )微處理器、精簡指令集計 算（RISC )微處理器、或超長指令字組（VLIW )微處理 36 200811978 器、或可實作其他指令集之處理器或可實作一組 集之處理器。該處理器602也可為一或多特定意 裝置（例如一應用特定積體電路（appHcati〇n integrated circuit (ASIC))、一現場可程序化邏輯 一數位信號處理器、網路處理器、或以上類似者〕 器602係經組態以執行處理邏輯626以供執行此 操作及步驟。 該電腦糸統6 0 〇更包含一網路介面裝置6 〇 8 系統600也包含一視訊顯示單元61 0 (例如一 (LCD)或陰極射線管（CRT))、字母與數字的 6 1 2 (例如鍵盤）、指標控制裝置（例如滑鼠）、以 產生裝置6 1 6 (例如揚聲器）。 該身料儲存裝置618可包含機器可存取{ 63 1 ’其上可儲存一或多組可運用此中所述之任何 方法或功能的指令。該軟體622也可在經由該電腦 執行期間’被完全或至少部分地駐存在該主要記 及/或處理器602内，該主要記憶體604及該處理 可構成機器可存取儲存媒體。該軟體622更可透 介面裝I d 2 而在一網路620上被傳輸及接收。 ^機器可存取媒體631也可用於儲存定義使 a的負料結構集以及定義使用者目錄的使用 資料結構焦芬冰 再果及使用者喜好也可被儲存在電腦系統 他區2，例如靜態記憶體006。 田η亥機器可存取儲存媒體$ 3丨在一範例性具 合式指令 圖之處理 specific 閘陣列、 I。該處理 中所述之 。該電腦 液晶顯不 輸入裝置 及一信號 諸存媒體 一或多種 i系統600 憶體604 器602也 過該網路 用者使用 者喜好。 600之其 體實施例 37 200811978 中被顯示為一單一媒體，該項目“機器可存取儲存媒 應可被採用以包含可儲存一或多組指令的一單一媒體 重媒體（例如一中央化或分散式資料庫、以及/或相關 及伺服器）。該項目“機器可存取儲存媒體”應也可被 以包含能夠儲存、編碼或承載一組指令的人和媒體， 執行本發明之一或多方法。該項目“機器可存取儲 體”應因此被採用以包含（但不限於）固態記憶體、 及磁性媒體、及載波信號。 應可暸解到以上之描述僅為說明意圖並不引以而 限制。許多其他的具體實施例皆可在熟悉該項技藝者 及暸解上述描述後而加以實作。因此，本發明之範疇 參照如下隨附之申請專利範圍而被決定，並且本發明 含如該等申請專利範圍之各均等物的所有範疇。’ 【圖式簡單說明】 第1圖係描述統計處理監控系統之具體實施例； 第2圖係描述一種產生錯誤分類之方法的一具體 例之流程圖； 第3圖描述一種經由使用錯誤特徵檢測錯誤之方 一具體實施例之流程圖； 第4圖描述一種經由使用錯誤特徵檢測錯誤之方 另一具體實施例之流程圖； 第5圖描述一種經由使用錯誤特徵檢測錯誤之方 又另一具體實施例之流程圖； 體” 或多 快取 採用 用以 存媒 光學 作為 閱讀 應該 亦包 實施 法的 法的 法的 38 200811978 第6圖描述一範例性形式之計算系統中之一機器之圖 式表示，其中具有一組指令可執行且用以造成該機器執行 此中所討論之任何一或多種方法。 【主要元件符號說明】 11 0製造機器 1 5 5感測器 1 7 0配方 1 5 0處理控制器 1 6 0資料通信鏈結 1 2 5錯誤偵測器 1 3 0錯誤檢測器 165錯誤報導器 120處理測量資料庫 1 3 5多變量統計模型 140錯誤檢測資料庫 175儲存裝置 1 0 5統計處理監控設備 205接收指出錯誤之處理資料 2 1 0建立新的錯誤分類 2 1 5判定貢獻處理變數之相應貢獻 220指派貢獻排名至貢獻處理變數以產生新的錯誤特徵 225重疊信任範圍？ 39 200811978 23 0指派貢獻排名範圍至貢獻處理變數 235儲存新的錯誤特徵 305偵測錯誤 3 1 0判定貢獻處理變數 3 1 5判定貢獻處理變數之相應貢獻 320符合錯誤特徵？ 3 2 5識別關於符合錯誤特徵之錯誤分類 3 3 0關於多重錯誤分類之錯誤特徵？ 33 5指示錯誤紀錄（Tally) 3 40加入新的錯誤分類 345加入新的錯誤特徵 405偵測錯誤 4 1 0判定貢獻處理變數 4 1 5判定貢獻處理變數之相應貢獻 420判定何者錯誤特徵符合錯誤 425判定符合錯誤特徵之相符得分 43 0捨棄具最低相符得分之錯誤特徵 43 5識別關於相符錯誤特徵之錯誤分類 440報導錯誤分類、相符得分及嚴重值 5 0 5偵測錯誤 5 1 0判定貢獻處理變數 5 1 5判定貢獻處理變數之相應貢獻 5 20判定相符錯誤特徵 5 2 5錯誤特徵包含相應貢獻範圍？ 40 200811978 5 3 0識別關於相符錯誤特徵之錯誤分類 53 5劃分相符錯誤特徵成多重錯誤特徵 5 40針對一或多重錯誤特徵加入新的錯誤分類 545更新經劃分之錯誤特徵及相關錯誤分類 602處理器 626處理邏輯 6 04主記憶體 622軟體 6 06靜態記憶體 608網路介面裝置 620網路 6 1 0視訊顯示 612字母與數字的輸入裝置 6 1 4指標控制裝置 6 1 6信號產生裝置 6 1 8輔助記憶體 631機器可存取儲存媒體 622軟體 41