[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

摘要

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。

主权项

1.一种基于时间序列模型的半导体批次过程故障诊断方法，其特征是，包括以下步骤：步骤一，基于指数加权移动平均控制器，建立半导体批次过程的时间序列模型式(1)、(2)、(3)中，y(t)为半导体批次过程的输出数据，t表示批次序号，t＝1,2,...N，β为批次过程中的增益，b为β的起始估计值，λ为折扣因子，0≤λ≤1，δ是漂移项，ρ是批次过程干扰模型的系数,是ε(t‑1)的估计值,属于白噪声序列，σ_ε是白噪声序列的方差；步骤二，估计所述步骤一中式(3)的白噪声序列(1)获取半导体批次过程的输出数据y(t)，建立如下高阶自回归AR(n)模型y(t)＝φ₁y(t‑1)+φ₂y(t‑2)+...+φ_ny(t‑n)+ε(t)            (4)其中，φ_n是高阶AR(n)模型的系数，n是模型的阶次，n＝10～20；(2)利用递推最小二乘法辨识高阶AR(n)模型的系数θ(t)＝[φ₁(t),φ₂(t),...,φ_n(t)]：其中，h(t‑1)＝[y(t‑1),y(t‑2),...,y(t‑n)]^T，K(t)是增益向量，P(t)是维度为p×p的矩阵，p是系数向量θ(t)中变量的个数，μ是遗忘因子，μ∈[0,1]，I为维度p×p单位矩阵,p＝n,c≥10⁵；(3)计算白噪声的估计值(4)比较估计值和经验阀值υ的大小，当令t＝t+1，重复循环本步骤中的(2)‑(4)直至时结束循环，步骤三，估计时间序列模型中式(1)和式(2)的系数θ₀(t)：根据步骤二估计的白噪声构造：利用递推最小二乘法辨识估计时间序列模型的系数θ₀(t)：其中K₀(t)是增益向量，P₀(t)是维度为p₀×p₀的矩阵，p₀是系数向量θ₀(t)中变量的个数，μ₀是遗忘因子，μ₀∈[0,1]，I₀为维度p₀×p₀单位矩阵，c₀≥10⁵；步骤四，定义标签向量f(t)以使f(t)的值与故障类别唯一对应，所述故障类别在半导体批次过程中表现为不同阶跃故障；在运行状态下采集与所述故障对应的半导体批次过程的故障输出数据y(t)，重复所述步骤二、步骤三以获取与该故障对应的模型系数θ₀(t)的值，构成训练样本X，X包含两个类型的数据：对所述训练样本X进行数据预处理，其中X_i,j是样本第j维数据中的任意值，max_j和min_j是第j维数据的最大值和最小值，[a′,b′]是缩放目标区间，N和m分别是X中样本和变量的个数；基于预处理后的训练样本X数据进行SVM训练，确定下述分类器的参数a₁(t)、b₁、γ的值，并将参数a₁(t)、b₁、γ的值代入分类器以更新分类器，其中a₁(t)与b₁均为常实数且a₁(t)>0，Ψ(*,*)为核函数，γ是核函数的参数，sign是符号函数；在当前运行状态下接收半导体批次过程的输出数据y(t),重复所述步骤二、步骤三对该输出数据y(t)进行处理以获取该输出数据的模型系数θ₀(t)的值，将该模型系数θ₀(t)的值输入到已建好的分类器(15)中，比较预测结果Δ(θ₀(t))和标签向量f(t)的值，当Δ(θ₀(t))与标签向量f(t)中的某一值相同时，则该待测样本为该值对应的故障类别。