[發明專利]多故障模式下基于知識蒸餾的晶圓制造過程故障檢測方法有效
| 申請號： | 202110637674.2 | 申請日： | 2021-06-08 |
| 公開（公告）號： | CN113269266B | 公開（公告）日： | 2023-09-19 |
| 發明（設計）人： | 張林鍹;鄭敬浩;劉重黨;蔣正宜;張健翔 | 申請（專利權）人： | 清華大學 |
| 主分類號： | G06F18/2433 | 分類號： | G06F18/2433;G06F18/214;G06N3/042;G06N3/096 |
| 代理公司： | 北京清亦華知識產權代理事務所(普通合伙) 11201 | 代理人： | 王萌 |
| 地址： | 10008*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 故障 模式 基于 知識 蒸餾 制造 過程 檢測 方法 | ||
1.一種多故障模式下基于知識蒸餾的晶圓制造過程故障檢測方法，其特征在于，包括以下步驟：
獲取歷史故障數據，并根據所述歷史故障數據中故障的出現頻次，確定常見故障類型和罕見故障類型；
基于所述常見故障類型的監測數據，使用域自適應神經網絡減小不同機臺間的數據分布差異，構建常見故障檢測模型；
構建罕見故障檢測模型，獲取所述常見故障檢測模型在罕見故障數據訓練集上的輸出軟標簽，使用知識蒸餾方式，借助所述輸出軟標簽和數據真實標簽優化所述罕見故障檢測模型；
在根據所述歷史故障數據中故障的出現頻次，確定常見故障類型和罕見故障類型之后，所述故障檢測方法還包括：
數據預處理：從所述歷史故障數據中分割出正常樣本和異常樣本，其中，設置時間間隔，將設備啟動后的時間間隔范圍內的數據歸為正常數據，將設備失效停止前的時間間隔范圍內的數據歸為異常數據；
時間窗處理：設置時間窗口長度，在時間維度上滑動所述時間窗口，構成帶時間窗的數據樣本和數據標簽；
基于域自適應神經網絡構建常見故障檢測模型T，根據訓練數據xtrain和測試數據xtest訓練所述模型，所述常見故障檢測模型的優化目標為：
LT＝Lc[CT(FT(xtrain)),ytrain]+λLMMD[FT(xtrain),FT(xtest)]
其中，FT為特征提取網絡，CT為分類器網絡，所述特征提取網絡FT用于提取數據樣本在不同工況下的共同特征，所述分類器網絡CT用于判斷故障，Lc表示訓練集輸出CT(FT(xtrain))和真實標簽ytrain的損失函數，λ是權重系數，LMMD表示訓練集提取特征FT(xtrain)和測試集提取特征FT(xtest)的多核最大均值差異，度量特征分布差異大小；
其中所述罕見故障檢測模型的優化目標為：
LS＝Lg+αLkd
其中，Lg表示所述罕見故障檢測模型的輸出ys和真實標簽ytrue的交叉熵損失；Lkd為所述罕見故障檢測模型的輸出ys和模型T的輸出yt的交叉熵損失，α為權重系數；
所述常見故障檢測模型的網絡架構和所述罕見故障檢測模型一致，所述罕見故障檢測模型每層的網絡單元少于所述常見故障檢測模型；
所述Lg、Lkd的計算公式如下：
其中，n為樣本總數，c為類別標簽，表示第i個樣本屬于類別c的真實概率，分別表示所述罕見故障檢測模型、所述常見故障檢測模型輸出的第i個樣本屬于類別c的概率。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于清華大學，未經清華大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110637674.2/1.html，轉載請聲明來源鉆瓜專利網。
