[发明专利]一种基于集成学习建模技术的半导体过程监测方法

权利要求书

1.一种基于支持向量数据描述和集成学习建模技术的半导体过程监测方法，其特征在于，包括以下步骤： 

（1）利用集散控制系统收集半导体过程各个正常工况的数据组成建模用的三维训练样本集：X∈R^I×J×K，其中I为总的批次数目，J为变量个数，K为每个批次的采样数据点数。分别将这些数据存入历史数据库。 

（2）将三维过程数据沿着批次方向展开为I×JK二维数据矩阵，对其进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵为 

（3）重新沿着时间点方向对每一个数据矩阵进行排列，得到新的数据矩阵为 

（4）针对新的二维数据矩阵，在样本方向上进行随机采样，获取多个二维独立数据矩阵其中b=1,2,…,B,B为二维独立数据矩阵个数。 

（5）分别针对每一个二维独立数据矩阵，建立支持向量数据描述模型，在高维特征空间中确定超球体的球心位置和半径大小。 

（6）将建模数据和各个模型参数存入历史数据库和实时数据库中备用。 

（7）收集新的过程数据，并对其进行预处理和归一化。 

（8）分别采用不同的支持向量数据描述模型对其进行监测，获得单个模型的监测结果。 

（9）通过贝叶斯推理方法对各个支持向量数据描述模型的结果进行综合，在概率框架下，计算当前数据的故障概率值，构造新的统计量对半导体过程进行监测。 

2.根据权利要求1所述基于支持向量数据描述和集成学习建模技术的半导体过程监测方法，其特征在于，所述步骤（5）具体为：针对每一个二维独立采样数据矩阵建立支持向量数据描述分析模型。首先利用非线性函数将过程数据投影到高维特征空间中，即支持向量数据描述方法通过求解下面的优化命题建立模型： 

s.t.||Φ(x_i)-a||²≤R²+ξ_i,ξ_i≥0i=1,2,…,n 

其中，R和a分别是高维特征空间中超球体的半径和球心，Φ(x)为非线性投影函数，C为单类支持向量机调节参数，通过选取此参数，单类支持向量机会再超球体的体积和样本的错分率之间取得平衡，ξ为每个样本的松弛变量。在实际的求解过程中，通常采用以下的对偶命题来求解支持向量数据描述模型，即 

其中，K(x_i,x_j)=Φ(x_i),Φ(x_j)是核函数，通常选取为高斯核的形式，α为每个样本对应的拉格朗日乘子。单类支持向量机的建模结果是：大部分样本对应的α值为零，只有小部分关键样本对应的α值不为零，这些样本被称为支持向量。在高维空间中，超球体的球心和半径确定为 

。

3.根据权利要求1所述基于支持向量数据描述和集成学习建模技术的半导体过程监测方法，其特征在于，所述步骤（7）和（8）具体为：针对新采集到的过程数据，首先利用每一个支持向量数据描述模型参数对其进行归一化处理，即 

其中，b=1,2,…,B，为建模数据的均值，为建模数据的标准差，通过上式，新的过程数据被归一化为均值为零，方差为1的标准数据。然后，同样利用非线性函数将新的数据投影到高维特征空间中，并计算其与超球体球心之间的距离，定义如下的距离因子作为半导体过程的监测统计量： 

其中，D_lim,b为第b个监测统计量D_b的统计限，和相应的超球体半径相等。 

4.根据权利要求1所述基于支持向量数据描述和集成学习建模技术的半导体过程监测方法，其特征在于，所述步骤（9）具体为：得到各个独立的支持向量数据描述模型监测结果之后，利用贝叶斯推理策略对不同的监测结果进行综合，得到最后的全局监测结构。首先，分别定义正常和故障条件下当前数据的概率分布，即 

先验概率分别选为故障的误分类率和漏报率，即其中ν为故障错分率。基于贝叶斯推理方法，当年样本的故障概率计算如下： 

其中，b=1,2,…,B，‘F’和‘N’分别代表故障和正常工况条件。最后，通过对各个独立的支持向量数据描述模型监测结果取平均值，得到全局监测结果如下 

其中，P_D(F|x_new)即为新的全局监测统计量，其监测统计限为ν。