[发明专利]半导体机台加工过程中多维度过程数据的异常检测方法

说明书

本发明提供一种半导体机台加工过程中多维度过程数据的异常检测方法，提供原始过程数据并对其进行重采样；对重采样后的数据进行预处理，得到相同长度的数据；通过神经网络对所述数据进行降维和再升维，得到重建数据；比较所述重建数据与所述原始过程数据的误差，得到数据中的异常点。本发明采用机器学习方法识别FDC数据，所提出模型不需要人为过多介入模型的训练过程，且不需要对数据预分类，适用性强，具有良好的应用前景。该方法可有效提高FDC分析的维度，避免了人工设定异常范围的困难，也提高了对复合特征的识别水平。

技术领域

本发明涉及半导体制造领域，特别是涉及一种半导体机台加工过程中多维度过程数据的异常检测方法。

背景技术

目前半导体生产加工过程中异常检测(Fault Detection and Classification，FDC)的常用方法为对生产过程每个传感器数据分阶段单独设定预警值(Control Limit)。因此，常规方法对于生产过程的较小的波动检测困难，且预警值需要人工手段，且人工标准无法适应随机器服役时间、状态的变化。同时常规方法仅能对单一维度数据进行分析，无法处理多维度数据的复合异常表现。复杂半导体的加工过程中，通过大量传感器的获取的过程数据因为结构复杂，难以通过数据直接判断其是否为异常数据。

因此，需要提出一种新的适用于半导体机台加工过程中多维度过程数据的异常检测方法。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种半导体机台加工过程中多维度过程数据的异常检测方法，用于解决现有技术中无法处理多维度数据的复合异常表现，并且难以通过数据直接判断是否为异常数据的问题。

为实现上述目的及其他相关目的，本发明提供一种半导体机台加工过程中多维度过程数据的异常检测方法，该方法至少包括以下步骤：步骤一、提供原始过程数据并对其进行重采样；步骤二、对重采样后的数据进行预处理，得到相同长度的数据；步骤三、通过神经网络对所述数据进行降维和再升维，得到重建数据；步骤四、比较所述重建数据与所述原始过程数据的误差，得到数据中的异常点。

优选地，步骤一中的所述原始过程数据为半导体机台加工过程中，从传感器获得的多维度过程数据。

优选地，步骤一中还包括对所述原始数据进行插值为相同采样率。

优选地，步骤一中对所述原始数据进行重采样的时间为1秒。

优选地，步骤二中对所述数据进行预处理的方法为：去除时间头、尾的冗余数据；若数据长度不足则以均值补足。

优选地，步骤三中通过所述神经网络对所述数据进行重建的方式包括：采用卷积神经网络和自动编码器神经网络相结合的方式。

优选地，步骤三中的所述自动编码器神经网络采用对称结构。

优选地，步骤三中对所述数据进行降维的方法为：对所述数据进行1D的卷积层处理，之后使用全连接层逐渐收敛为多个变量的瓶颈。

优选地，步骤三中对所述数据进行再升维的方法为：将得到的瓶颈使用变分重采样，再使用全连接层及反卷积还原数据的维度。

优选地，步骤四中得到数据中的异常点的方法为：通过变分推理过程，得知数据产生的概率，低概率的为异常数据。

如上所述，本发明的半导体机台加工过程中多维度过程数据的异常检测方法，具有以下有益效果：本发明采用机器学习方法识别FDC数据，所提出模型不需要人为过多介入模型的训练过程，且不需要对数据预分类，适用性强，具有良好的应用前景。该方法可有效提高FDC分析的维度，避免了人工设定异常范围的困难，也提高了对复合特征的识别水平。

附图说明

图1显示为本发明的自动编码器的示意图；

图2显示为变分自动编码器的示意图；