[发明专利]基于重采样的集成特征选择算法的生产线故障判断方法

说明书

本发明涉及一种基于重采样的集成特征选择算法的生产线故障判断方法，包括以下步骤：步骤1：基于重采样方法将不均衡数据集IDS构建新的样本子空间；步骤2：使用随机森林算法对各样本子空间进行特征选择，获取各子空间的特征子集；步骤3：将各子空间的特征子集合并成新的特征空间合集；步骤4：使用降噪自编码器对新的特征空间合集进行降维，得到预测模型的输入；步骤5：根据预测模型的输入采用随机森林算法建立故障预测模型并利用该故障预测模型对生产线进行实时故障监控判断。与现有技术相比，本发明具有准确度高，鲁棒性好等优点。

技术领域

本发明涉及半导体制造企业芯片制造过程故障判断技术领域，尤其是涉及一种基于重采样的集成特征选择算法的生产线故障判断方法。

背景技术

随着智能电子设备在人们生活中的广泛应用，全球半导体市场在近几年得到高速发展。然而与集成电路设计业在产业结构中所占比例大幅提升的形势不同，晶圆制造业所占比重并没有太多变化，晶圆制造商们仍面临着严峻的市场挑战。

半导体生产线制造过程中可能会遭遇一些不按既定调度计划安排的事件，如生产线故障、紧急订单等。其中故障按照其发生的速度可分为突发性故障和渐发性故障，突发性故障的代表事件为设备宕机，渐发性故障的代表时间则是设备老化。反应到生产调度模型中，用以描述这类事件发生的参数就是非正常状态参数，包括故障是否发生参数、设备维护计划参数、设备修复时间参数等。对于半导体制造企业来说，只有对CPS信息模型中的非正常状态参数有着精准的监控与预测技术，才可以掌控物理生产线的制造状态，防患于未然，或出现问题及时发现，才能保持生产线健康运行，在市场上保持竞争力。

通过对现有技术的检索发现，针对故障预测已有不少专家学者提出方法并申请专利，但其研究对象大多为设备级的单一对象，鲜有涉及到大规模制造系统复杂加工环境的故障分析方法。中国专利“一种基于机器学习的故障预测方法”(授权号：CN108304941A)中，乔立中等人提出一种基于机器学习的故障预测方法。该方法通过采集待预测对象的设定运行指标数据,得到每一设定运行指标的时间序列数据；并进行特征提取,将提取的特征输入到机器学习系统中进行训练,得到基础故障预测模型。其方法具有通用性但未明确其验证对象及效果。中国专利“一种基于深度学习的工业设备故障预测方法”(授权号：CN107238507A)中，黄坤山等人通过传感器采集工业设备传感数据，然后根据传感数据固定时间内的时序波获取频谱图,最后采用基于卷积神经网络框架的深度学习算法根据频谱图对工业设备进行故障预测,准确地预测工业设备故障与否。中国专利“一种基于多维时间序列的电气设备故障预测方法”(授权号：CN103996077A)中，姚浩等人针对电气设备的故障提出了一种基于多为时间序列的预测方法。该方法通过高密集采样的在线运行电气测量数据，分析有关联关系的其他设备的变化特征，即将故障的“前兆事件”挖掘出来，形成设备故障预测模型，结合在线监测数据，为复杂非线性电气设备的故障预测与判断提供有力支撑。中国专利“一种基于电力大数据可视化神经网络数据挖掘技术的电力故障预测方法”(授权号：CN107992959A)中，洪建光等人提出一种基于电力大数据可视化神经网络数据挖掘技术的电力故障预测方法，该方法包括一电力大数据库、一数据挖掘预处理及可视化处理模块、一可视化BP神经网络数据挖掘模块、一结果输出模块组成,这种以图形化神经网络数据挖掘技术实现故障预测,降低电力大数据使用难度,提高使用效率。中国专利“基于物联网与机器学习的冲床组故障预测方法及其系统”(授权号：CN108334033A)中，赵迎等人通过实时采集冲床组的运行状态参数,并发送至物联网云端，然后根据预先构建的基于随机森林的机床故障预测模型对实时采集的数据进行预测，得到预测结果。以上发明成果大多只涉及设备层的故障预测，并且少有对于复杂制造环境下高维工业大数据特性的研究，不适用于以半导体制造系统为代表的制造环境。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种以实际半导体制造系统的传感器监控数据为基础，以生产线故障发生参数作为调度模型非正常状态参数的代表的基于重采样的集成特征选择算法的生产线故障判断方法。

本发明的目的可以通过以下技术方案来实现：