[发明专利]基于时间序列模型系数的半导体批次过程故障诊断方法

说明书

本发明公开了一种基于时间序列模型的半导体批次过程故障诊断方法，包括：建立时间序列模型y(t)＝θ₀*h₀(t‑1)，θ₀＝[φ₀,δ,ρ]，获取半导体批次过程的输出数据y(t)，通过高阶自回归模型和经验阀值υ，当获取然后由模型和获取系数θ₀(t)，然后利用支持向量机SVM建立分类器以处理半导体批次过程的输出数据y(t)对应的系数θ₀(t)和故障类别，其中故障类别构建为标签向量f(t)，分类器建立后，此后仅需将当下获取的在线半导体批次过程的输出数据y(t)对应的系数θ₀(t)输入分类器，通过将分类器输出值与标签向量f(t)对比，获得半导体批次过程的故障类别。其用于诊断半导体批次过程故障。

技术领域

本发明属于用于控制系统的故障诊断技术领域，具体涉及一种基于时间序列模型系数的半导体批次过程故障诊断方法，用于提高半导体批次过程故障诊断的准确率。

背景技术

批次控制(Run-to-run control或简记为R2R control)，又称为批对批控制，是反馈控制的一种，与迭代学习控制和重复控制有很多类似之处。它通过对过程的历史批次数据的统计分析来改变下一批次的制程方案(Recip)，解决间歇过程中因缺乏在线测量手段而造成难以进行实时过程控制的问题，从而降低批次产品的质量差异。

公开日为2005年3月9日的中国专利文献CN1592873A公开了一种具有状态和模型参数估计的半导体批次控制系统，其采用模型预测控制(MPC)原理估计R2R控制应用中组合的状态和参数。

MSPC是一种基于数据驱动的故障诊断技术，近几年来已经成功地应用于批次过程的在线监测，尤其是在半导体批次过程。很多文献在使用MSPC进行监测时，都只考虑了系统的输入输出数据。自动过程控制的引入会削弱外部干扰对系统输出的影响，不同的输入可能获得几乎相同的输出，因此闭环系统的输入输出数据提供有关系统动态特性的信息比较少。当故障处于早期阶段或者幅值较小时，一个比较好的反馈控制器总能保证系统的输出与原始的稳定状态保持一致。在这种情况下，传统的SPC只能在有限的窗口内检测出故障，导致了更高的漏报率。

为了解决这一问题，Zheng等人提出了基于时间序列模型系数的故障监测方法(Zheng Y,Wang Y,Wong D.S.H,et al.A time series model coefficients monitoringapproach for controlled processes[J].Chemical Engineering Research andDesign, 2015,1 0 0:228–236.)。时间序列模型的系数是一些过程变量的函数，它们包含着过程变量的信息。当系统遇到外界干扰，过程的输入输出关系发生改变时，时间序列模型的系数也会发生改变。

然而，上述研究的着重点集中在半导体批次过程的故障监测方面，很少考虑半导体批次过程的故障诊断。

支持向量机(SVM)是一种新型的机器学习算法，它基本上不依赖于系统的数学模型，比较适合于具有不确定性和高度非线性的系统，并具有较强的适应和学习能力。

发明内容

为了改进现有的半导体批次故障诊断准确率低的问题，发明人将SVM引入到时间序列模型系数的故障诊断中，提出基于时间序列模型系数的故障诊断模型，并将其应用到半导体批次过程故障诊断中，用以提高半导体批次过程故障诊断中的准确率。

本发明要解决的技术问题是提供一种基于时间序列模型系数的半导体批次过程故障诊断方法，用以提高半导体批次过程故障诊断中的准确率。

为解决上述技术问题，本发明采用如下技术方案：

设计一种基于时间序列模型的半导体批次过程故障诊断方法，包括以下步骤，