[發明專利]一種基于集成學習建模技術的半導體過程監測方法

無效

• 申請號: 201310299200.7
• 申請日: 2013-07-15
• 公開（公告）號: CN103376795A
• 公開（公告）日: 2013-10-30
• 發明（設計）人: 葛志強;宋執環
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

技術領域

本發明屬于半導體工業過程監測領域，特別涉及一種基于集成學習建模技術和支持向量數據描述的過程監測方法。

背景技術

進入21世紀以來，半導體工業生產過程的監測問題越來越得到工業界和學術界的廣泛重視，這是由于半導體工業過程本身對產品質量的要求極高，如何有效地防止過程產生劣質和不合格的產品是迫切需要解決的問題。另外，對半導體過程進行有效的監測，其獲得的結果還可以反過來指導生產過程和生產工藝的改進。傳統的半導體過程監測方法除了基于機理模型的方法外，大多采用多向形式的多元統計分析方法，比如多向主元分析方法（MPCA）和多向偏最小二乘方法（MPLS）等。在機理模型難以獲取的情況下，基于數據驅動的多元統計分析方法已經成為半導體過程監測的主流方法。但是，傳統的多元統計分析方法往往局限于過程的高斯數據信息，而且要求過程變量服從線性關系，這在實際過程中都很難得到滿足。支持向量數據描述方法是近年來引入到過程監測領域的新方法，它不僅能有效描述數據的非高斯信息，而且能提取過程變量之間的非線性關系。但是，單一的過程監測模型在很多情況下仍然達不到半導體工業的監測要求。隨著集成學習建模技術的不斷發展和成熟，如果能在支持向量數據描述方法的基礎上，建立多個有效的過程監測模型，不僅能提升半導體過程的實時監測效果，而且能大大增強監測模型的魯棒性，非常有利于半導體過程的自動化實施。

發明內容

本發明的目的在于針對目前半導體行業監測技術的不足，提供一種基于集成學習建模技術和支持向量數據描述的過程監測方法。

本發明的目的是通過以下技術方案來實現的：

利用集散控制系統收集半導體過程各個正常工況的數據組成建模用的三維訓練樣本集：X∈R^I×J×K，其中I為總的批次數目，J為變量個數，K為每個批次的采樣數據點數。分別將這些數據存入歷史數據庫。將三維過程數據沿著批次方向展開為I×JK二維數據矩陣，對其進行預處理和歸一化，即使得各個過程變量的均值為零，方差為1，得到新的數據矩陣集為重新沿著時間點方向對每一個數據矩陣進行排列，得到新的數據矩陣為

針對新的二維數據矩陣，在樣本方向上進行隨機采樣，獲取多個二維獨立數據矩陣其中b=1,2,…,B,B為二維獨立數據矩陣個數。分別針對每一個二維獨立數據矩陣，建立支持向量數據描述模型，在高維特征空間中確定超球體的球心位置和半徑大小。將建模數據和各個模型參數存入歷史數據庫和實時數據庫中備用。

收集新的過程數據，并對其進行預處理和歸一化。分別采用不同的支持向量數據描述模型對其進行監測，獲得單個模型的監測結果。通過貝葉斯推理方法對各個支持向量數據描述模型的結果進行綜合，在概率框架下，計算當前數據的故障概率值，構造新的統計量對半導體過程進行監測。

本發明的有益效果是：本發明同時引入支持向量數目描述算法和集成學習建模技術，通過建模多個半導體過程監測數據模型，并利用貝葉斯推理方法對實時數據進行在線信息集成。相比目前的其它半導體過程監測方法，本發明不僅可以有效提升半導體過程的監測效果，而且在很大程度上改善了監測模型的魯棒性。

附圖說明

圖1是傳統的單一支持向量數據描述方法對故障批次的監測結果；

圖2是本發明方法對故障批次的監測結果。

具體實施方式

本發明針對半導體過程的監測問題，首先利用集散控制系統收集該過程的正常歷史數據。然后將三維過程數據沿著批次方向展開為I×JK二維數據矩陣，對其進行預處理和歸一化，重新沿著時間點方向對每一個數據矩陣進行排列，得到新的數據矩陣。針對新的二維數據矩陣，在樣本方向上進行隨機采樣，獲取多個二維獨立數據矩陣，分別針對每一個二維獨立數據矩陣，建立支持向量數據描述模型，在高維特征空間中確定超球體的球心位置和半徑大小。將建模數據和各個模型參數存入歷史數據庫和實時數據庫中備用。對新的批次數據進行監測的時候，分別采用不同的支持向量數據描述模型對其進行監測，獲得單個模型的監測結果。通過貝葉斯推理方法對各個支持向量數據描述模型的結果進行綜合，在概率框架下，計算當前數據的故障概率值，構造新的統計量對半導體過程進行監測。

本發明采用的技術方案的主要步驟分別如下：

第一步：利用集散控制系統收集半導體過程正常工況的數據組成建模用的三維訓練樣本集：X∈R^I×J×K。其中，其中I為總的批次數目，J為變量個數，K為每個批次的采樣數據點數。分別將這些數據存入歷史數據庫；