[發明專利]半導體機臺加工過程中多維度過程數據的異常檢測方法

在審

• 申請號: 201910742972.0
• 申請日: 2019-08-13
• 公開（公告）號: CN110503190A
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 王勇;陳旭;魏崢穎
• 申請（專利權）人: 上海華力集成電路制造有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N5/04
• 代理公司: 31211 上海浦一知識產權代理有限公司
• 代理人: 戴廣志<國際申請>=<國際公布>=<進入

本發明提供一種半導體機臺加工過程中多維度過程數據的異常檢測方法，提供原始過程數據并對其進行重采樣；對重采樣后的數據進行預處理，得到相同長度的數據；通過神經網絡對所述數據進行降維和再升維，得到重建數據；比較所述重建數據與所述原始過程數據的誤差，得到數據中的異常點。本發明采用機器學習方法識別FDC數據，所提出模型不需要人為過多介入模型的訓練過程，且不需要對數據預分類，適用性強，具有良好的應用前景。該方法可有效提高FDC分析的維度，避免了人工設定異常范圍的困難，也提高了對復合特征的識別水平。

技術領域

本發明涉及半導體制造領域，特別是涉及一種半導體機臺加工過程中多維度過程數據的異常檢測方法。

背景技術

目前半導體生產加工過程中異常檢測(Fault Detection and Classification，FDC)的常用方法為對生產過程每個傳感器數據分階段單獨設定預警值(Control Limit)。因此，常規方法對于生產過程的較小的波動檢測困難，且預警值需要人工手段，且人工標準無法適應隨機器服役時間、狀態的變化。同時常規方法僅能對單一維度數據進行分析，無法處理多維度數據的復合異常表現。復雜半導體的加工過程中，通過大量傳感器的獲取的過程數據因為結構復雜，難以通過數據直接判斷其是否為異常數據。

因此，需要提出一種新的適用于半導體機臺加工過程中多維度過程數據的異常檢測方法。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種半導體機臺加工過程中多維度過程數據的異常檢測方法，用于解決現有技術中無法處理多維度數據的復合異常表現，并且難以通過數據直接判斷是否為異常數據的問題。

為實現上述目的及其他相關目的，本發明提供一種半導體機臺加工過程中多維度過程數據的異常檢測方法，該方法至少包括以下步驟：步驟一、提供原始過程數據并對其進行重采樣；步驟二、對重采樣后的數據進行預處理，得到相同長度的數據；步驟三、通過神經網絡對所述數據進行降維和再升維，得到重建數據；步驟四、比較所述重建數據與所述原始過程數據的誤差，得到數據中的異常點。

優選地，步驟一中的所述原始過程數據為半導體機臺加工過程中，從傳感器獲得的多維度過程數據。

優選地，步驟一中還包括對所述原始數據進行插值為相同采樣率。

優選地，步驟一中對所述原始數據進行重采樣的時間為1秒。

優選地，步驟二中對所述數據進行預處理的方法為：去除時間頭、尾的冗余數據；若數據長度不足則以均值補足。

優選地，步驟三中通過所述神經網絡對所述數據進行重建的方式包括：采用卷積神經網絡和自動編碼器神經網絡相結合的方式。

優選地，步驟三中的所述自動編碼器神經網絡采用對稱結構。

優選地，步驟三中對所述數據進行降維的方法為：對所述數據進行1D的卷積層處理，之后使用全連接層逐漸收斂為多個變量的瓶頸。

優選地，步驟三中對所述數據進行再升維的方法為：將得到的瓶頸使用變分重采樣，再使用全連接層及反卷積還原數據的維度。

優選地，步驟四中得到數據中的異常點的方法為：通過變分推理過程，得知數據產生的概率，低概率的為異常數據。

如上所述，本發明的半導體機臺加工過程中多維度過程數據的異常檢測方法，具有以下有益效果：本發明采用機器學習方法識別FDC數據，所提出模型不需要人為過多介入模型的訓練過程，且不需要對數據預分類，適用性強，具有良好的應用前景。該方法可有效提高FDC分析的維度，避免了人工設定異常范圍的困難，也提高了對復合特征的識別水平。

附圖說明

圖1顯示為本發明的自動編碼器的示意圖；

圖2顯示為變分自動編碼器的示意圖；