[發明專利]一種基于ICA?KNN的間歇過程故障檢測方法

有效

• 申請號: 201610313490.X
• 申請日: 2016-05-12
• 公開（公告）號: CN105739489B
• 公開（公告）日: 2018-04-13
• 發明（設計）人: 何建;章文;鄒見效;凡時財;張剛
• 申請（專利權）人: 電子科技大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 成都行之專利代理事務所(普通合伙)51220
• 代理人: 溫利平

技術領域

本發明屬于間歇過程技術領域，更為具體地講，涉及一種基于ICA-KNN的間歇過程故障檢測方法。

背景技術

間歇過程，又被稱為批處理過程。由于其操作靈活而被廣泛應用與小批量、高附加值產品的生產中。如今間歇過程已經成為精細化工、生物制藥以及農產品深加工等行業的主要生產方式。半導體批次生產過程存在批次不等長、進程中心漂移、變量非線性和多工況等特點，為減少半導體晶片生成過程中的報廢率，故障檢測方法已經成為一個重點課題。

多元統計分析，如主元分析(PCA)和偏最小二乘(PLS)以及獨立主元分析(ICA)等在化工產業中有著廣泛的應用。PCA是多元統計過程監測的重要工具，同時也是數據壓縮和信息提取的有效工具。由于PCA算法假定過程是線性的，對于具有強非線性的生產過程，在線監測的結果十分不可靠，存在誤報率過高的現象。特別是PCA進行故障檢測時使用的統計量T²和SPE確定控制限時需要進行多元高斯分布的假設，這種假設要求訓練集中的變量符合多元高斯分布，對于多數半導體批次過程這種假設是不成立的。與主元分析(PCA)方法不同，獨立成分分析(ICA)并不要求觀測變量數據服從高斯分布，同時基于高階統計信息分離或估計出統計獨立的源信號，其統計意義更強，而且這些隱含的信號通常具有實際物理意義，或者是所研究對象的本質特征反映，因此ICA在分析非高斯分布過程數據方面具有更好的特征提取能力。然而ICA方法本身也是一種線性方法，因此對于間歇過程中存在的非線性數據監測效果也不盡人意?；诖?，有學者提出了基于核函數方法的核獨立成分分析(KICA)方法用于間歇過程故障檢測，并取得較好的效果。其基本思想是首先將輸入數據通過一個非線性映射投影到高維特征空間，然后再在高維特征空間應用線性ICA處理。但KICA方法需要計算核矩陣，核矩陣的維數是樣本數的平方，當樣本數很大時，會增加計算的復雜性。Q.P.He和J.Wang提出一種基于K近鄰規則的故障檢測方法(FD-KNN)，這種方法并不在乎所處理的數據線性與否，在故障檢測過程中能克服半導體數據非線性和多工況特點，實際應用中取得較好的效果。然而，FD-KNN方法存在相應的缺陷，例如當批次進程數據展開后變量規模會迅速增長，致使FD-KNN消耗大量時間用于數據信息的計算，同時占用大量的存儲空間記錄數據，龐大的數據規模使應用FD-KNN變得困難。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于ICA-KNN的間歇過程故障檢測方法，針對具有非線性和多工況等特點的半導體生產過程中，在減少計算復雜度的基礎上，有效提高故障檢測的準確性。

為實現上述發明目的，本發明一種基于ICA-KNN的間歇過程故障檢測方法，其特征在于，包含以下步驟：

(1)、數據預處理

將間歇過程采集的三維樣本矩陣X(I×J×K)先進行基于批次個數展開，得到二維矩陣X(I×KJ)，再對二維矩陣X(I×KJ)在批次方向上做標準化處理，使該二維矩陣X(I×KJ)的每列的均值為0、方差為1，最后將標準化處理后的二維矩陣X(I×KJ)縱向重新排列成矩陣X(KI×J)；其中，I表示批次個數，J表示觀測變量個數，K表示采樣次數；

(2)、對矩陣X(KI×J)進行ICA降維處理，得到反映間歇過程信息的d個獨立成分S_d和主部分離矩陣W_d

(2.1)、先對矩陣X(KI×J)進行白化處理，得到白化向量Z；

Z＝QX

其中，Q為白化矩陣，Q＝Λ^-1/2U^T，Λ＝diag(λ₁,…,λ_n)，λ_i(i＝1,…,n)為協方差矩陣E{XX^T}的前n個特征值，U為n個特征值對應的特征向量組成的矩陣；

(2.2)、對白化向量Z進行分解，得到反映間歇過程信息的d個獨立成分S_d和主部分離矩陣W_d；

(2.2.1)、構建初始隨機矢量值b_k，并令k＝1，k∈[1,n]；

b_k＝E{Zg(b_k^TZ)}-E{g'(b_k^TZ)}b_k

其中，函數g()為已選定的非二次函數G的一階導數，g'()表示函數g()的導數，E{}表示求期望；