CN112801497A - 一种异常检测方法及装置 - Google Patents
一种异常检测方法及装置 Download PDFInfo
- Publication number
- CN112801497A CN112801497A CN202110105541.0A CN202110105541A CN112801497A CN 112801497 A CN112801497 A CN 112801497A CN 202110105541 A CN202110105541 A CN 202110105541A CN 112801497 A CN112801497 A CN 112801497A
- Authority
- CN
- China
- Prior art keywords
- products
- data
- wafer
- same batch
- batch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 235000012431 wafers Nutrition 0.000 claims abstract description 108
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000004065 semiconductor Substances 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 239000000047 product Substances 0.000 claims description 145
- 230000005856 abnormality Effects 0.000 claims description 60
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 239000006227 byproduct Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种异常检测方法及装置,该方法包括:获取同一批次产品在半导体机台加工过程中产生的原始数据;对所述原始数据进行预处理,得到对应的处理数据;调用神经网络模型对所述处理数据进行数据重构,得到重构数据;根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。通过实施本申请,能解决现有异常检测方法中存在的无法进行波动较小或多维度的传感器数据的异常检测等问题。
Description
技术领域
本申请涉及半导体技术领域,特别是涉及一种异常检测方法及装置。
背景技术
目前,半导体机台生产加工过程中的异常检测(fault detection andclassification,FDC)的常用方法是对生产过程中的每个传感器数据分阶段设定对应的预警值(control limit)。
然而在实践中发现,这种常规方法对生产过程中异常波动较小的数据检测是很困难的,且预警值是才采用人工手段设置的,人为设置的预警值无法适应机台的服役时间、状态变化等状况。此外,这种常规方法还仅能对单一维度的传感器数据进行分析,无法处理多维度传感器数据的复合异常检测。
在实际应用中,在生产过程中由于机台状态的不断变化,异常检测中设定的预警值通常比较宽泛,以防止设备状况变化后产生大量的报警。而针对生产的单一产品而言,其设定的预警值通常难以进行有效地管控,风险较高。
发明内容
为克服上述现有技术存在的不足,本申请之目的在于提供一种异常检测方法及装置,能解决现有异常检测方法中存在的无法进行波动较小或多维度的传感器数据的异常检测等问题。
为达上述及其它目的,本申请提出一种异常检测方法,包括如下步骤:
获取同一批次产品在半导体机台加工过程中产生的原始数据,所述原始数据为所述半导体机台加工过程中对任一晶圆进行多传感器监测采集的传感器数据;
对所述原始数据进行预处理,得到对应的处理数据;
调用神经网络模型对所述处理数据进行数据重构,得到重构数据,所述原始数据和所述重构数据对应的维度相同,所述神经网络模型为预先使用不同批次产品的历史数据进行训练得到的;
根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。
可选的,所述对所述原始数据进行预处理,得到对应的处理数据包括:
对所述原始数据进行重采样或插值,得到具备相同采样率的传感器数据;
根据数据特征对具备相同采样率的所述传感器数据进行筛选和处理,得到对应的处理数据。
可选的,所述根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点包括:
根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品;
对所述同一批次产品中每个晶圆对应的传感器的所述原始数据进行平均值计算,得到第一均值;
根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点。
可选的,所述根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品包括:
对所述同一批次产品中每个晶圆对应的传感器的所述重构数据进行平均值计算,得到第二均值;
对所述第一均值和所述第二均值进行差值计算,得到所述同一批次产品的整体偏移量;
若所述整体偏移量大于预警值,则确定所述同一批次产品为异常批次产品;否则,确定所述同一批次产品不为异常批次产品。
可选的,所述根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点包括:
将每个所述晶圆对应的传感器的所述原始数据与所述第一均值之间的偏移量,作为每个所述晶圆的离散程度;
若所述晶圆的离散程度大于预设阈值,则确定所述晶圆为所述同一批次产品中出现异常的晶圆,并进一步确定所述晶圆出现异常对应的异常时间点。
为达上述及其它目的,本申请还提出一种异常检测装置,包括获取单元、预处理单元、重构单元和异常检测单元,其中:
所述获取单元,用于获取同一批次产品在半导体机台加工过程中产生的原始数据,所述原始数据为所述半导体机台加工过程中对任一晶圆进行多传感器监测采集的传感器数据;
所述预处理单元,用于对所述原始数据进行预处理,得到对应的处理数据;
所述重构单元,用于调用神经网络模型对所述处理数据进行数据重构,得到重构数据,所述原始数据和所述重构数据对应的维度相同,所述神经网络模型为预先使用不同批次产品的历史数据进行训练得到的;
所述异常检测单元,用于根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。
可选的,所述预处理单元具体用于:
对所述原始数据进行重采样或插值,得到具备相同采样率的传感器数据;
根据数据特征对具备相同采样率的所述传感器数据进行筛选和处理,得到对应的处理数据。
可选的,所述异常检测单元具体用于:
根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品;
对所述同一批次产品中每个晶圆对应的传感器的所述原始数据进行平均值计算,得到第一均值;
根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点。
可选的,所述异常检测单元具体用于:
对所述同一批次产品中每个晶圆对应的传感器的所述重构数据进行平均值计算,得到第二均值;
对所述第一均值和所述第二均值进行差值计算,得到所述同一批次产品的整体偏移量;
若所述整体偏移量大于预警值,则确定所述同一批次产品为异常批次产品;否则,确定所述同一批次产品不为异常批次产品。
可选的,所述异常检测单元具体用于:
将每个所述晶圆对应的传感器的所述原始数据与所述第一均值之间的偏移量,作为每个所述晶圆的离散程度;
若所述晶圆的离散程度大于预设阈值,则确定所述晶圆为所述同一批次产品中出现异常的晶圆,并进一步确定所述晶圆出现异常对应的异常时间点。
由上可见本申请提供了一种异常检测方法及装置,能达到以下有益效果:本申请提出一种基于神经网络模型的异常检测方法用于智能判断多维度的传感器数据是否异常以及其异常点(如出现异常的时间点),此外还可分辨不同批次间的差异和批次内部的差异,有效提高了传感器数据异常检测的维度和准确度(或精准度)。
附图说明
图1是本申请实施例提供的一种异常检测方法的流程示意图。
图2是本申请实施例提供的一种同一传感器数据在不同批次间的变化对比示意图。
图3是本申请实施例提供的一种同一传感器数据在同一批次内部的变化对比示意图。
图4是本申请实施例提供的一种神经网络模型的结构示意图。
图5和图6是本申请实施例提供的两种异常检测的流程示意图。
图7和图8是本申请实施例提供的两种传感器数据异常检测过程中的变化对比示意图。
图9是本申请实施例提供的一种异常检测装置的结构示意图。
具体实施方式
以下通过特定的具体实例并结合附图说明本申请的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本申请的其它优点与功效。本申请亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本申请的精神下进行各种修饰与变更。
请参见图1,是本申请实施例提供的一种异常检测方法的流程示意图。如图1所示的方法包括如下实施步骤:
S101、获取同一批次产品在半导体机台加工过程中产生的原始数据,所述原始数据为所述半导体机台加工过程中对任一晶圆进行多传感器监测采集的传感器数据。
本申请可获取同一批次产品在半导体机台加工过程中产生的原始数据(即传感器数据),具体地在半导体机台加工过程中机台以晶圆(wafer)为单位进行加工处理的,针对任意一个晶圆而言在加工生产过程中会使用多个传感器进行状态监控,本申请可采集多个传感器各自的传感器数据作为该同一批次产品的原始数据。可选的,该多个传感器的传感器数据为多维度传感器,即所述原始数据为多维度传感器数据,为方便描述以下均统一描述为传感器数据。
请参见图2和图3示出半导体机台加工过程中在同一加工条件下,传感器数据在不同批次(lot)产品间和同一批次产品内部的变化对比示意图。如图2和图3可以明显看出,不同批次间的传感器数据差异较大,而同一批次内部的传感器数据的曲线变化差异较小。为解决现有异常检测方法中通过人工设定预警值而存在的一些问题,本申请在设置同一管控参数(即预警值)时需要考虑到不同批次产品加工、同一批次产品内部的差异和机台加工能力的变化等状况,来设置一个稳妥的预警值来保证不会因为不同批次lot间差异较大导致大量误报警的情况发生。
S102、对所述原始数据进行预处理,得到对应的处理数据。
本申请对S101中获取的多个传感器各自的原始数据进行预处理,以获得相应地处理数据。具体地,首先可对多个传感器各自的原始数据进行重采样或插值,从而得到具备相同采样率的传感器数据;例如对原始数据重新采样为1s,必要时还可进行插值,以获得1s采样率的传感器数据。然后再根据数据特征,去除时间头部和尾部的冗余数据,并将所有原始数据处理为具备相同长度的数据,例如有长度不足的原始数据可以用均值补充等。此外,还可剔除高噪音或低信息量传感器的传感器数据,最终获得相应地处理数据。例如,刻蚀Etch机台对50个传感器各自的原始传感器数据经筛选噪音传感器和低信息量数据后,剩余31个传感器的传感器数据等。
S103、调用神经网络模型对所述处理数据进行数据重构,得到重构数据,所述原始数据和所述重构数据对应的维度相同,所述神经网络模型为预先使用不同批次产品的历史数据进行训练得到的。
本申请将调用神经网络模型对多维度的处理数据进行数据重构,得到相应地重构数据。其中,该神经网络模型为预先使用不同批次产品的多个传感器的历史传感器数据进行训练得到的模型。
在实际应用中,该神经网络模型为使用卷积神经网络和自动编码器神经网络结合搭建而成的神经网络模型,它支持对数据降维、升维,训练神经网络,通过监督学习中的梯度下降以减少重构误差及模型的结构误差。请参见图4是本申请示出的一种典型的神经网络的结构示意图。如图4所示的神经网络采用对称结构,自动编码器神经网络的特征在于,对输入的原数据进行降维处理再升维,而网络训练的目的是升维还原的重构数据尽量贴合原数据。因为模型中瓶颈层的限制,原数据中的噪音、非正常数据等无法恢复,及重构形成的重构数据能保留大部分原数据的主要特征,因此传感器数据的重构后会忽略随机扰动带来的噪音等难以分析的因素,形成该同一批次传感器数据的普遍特征。
在神经网络训练过程中,由于训练数据使用前期传感器的历史数据,如果传感器数据重构后的重合度较差,表明该批次传感器数据相对于前期原始数据偏离较大。其中,数据降维和升维的方法具体可使用具有瓶颈层的神经网络,例如自动编码器、变分自动编码器及主成分分析神经网络(principal components analysis-artificial neuralnetworks,PCA)等非神经网络算法。
在具体实施时,本申请搭建如图4所示的神经网络模型,使用该神经网络模型对处理数据进行一维卷积处理(即进行1D的卷积层处理)后,再使用全连接层逐渐将处理数据降维/收敛为少变量数据,例如收敛为10个变量。然后通过瓶颈层使用变分重采样,再逐步使用全连接层及反卷积层将其还原为原数据的维度,即神经网络模型输出的重构数据与输入的处理数据的维度相同。
S104、根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。
作为一种可能的实施方式,本申请可根据同一批次产品中每个晶圆对应的传感器的重构数据和原始数据,确定该同一批次产品是否为异常批次产品。在一具体实施例中,将同一批次产品中每个晶圆对应传感器的重构数据与该同一批次产品中每个晶圆对应传感器的原始数据进行相减,得到该同一批次的整体偏移量,若该整体偏移量较大(例如大于一定的预警值),则确定该同一批次产品有问题,为异常批次产品。进一步可对整批该同一批次产品对应的传感器数据进行异常报警。相应地反之,若整体偏移量较小(例如小于或等于一定的预警值),则可确定该同一批次产品没有问题,不为异常批次产品。
在另一具体实施例中,本申请可对同一批次产品中每个晶圆对应的传感器的原始数据进行平均值计算得到第一均值,再对同一批次产品中每个晶圆对应的传感器的重构数据进行平均值计算得到第二均值。将第一均值与第二均值进行比较得到该同一批次产品的整体偏移量,具体地可对第一均值和第二均值进行差值计算所得。整体偏移量较大的批次lot确定为异常批次,其中涉及偏移量较大的传感器可被确定为异常传感器。
作为另一种可能的实施方式,本身可对同一批次产品中每个晶圆对应的传感器的原始数据进行平均值计算得到第一均值,将该第一均值作为这同一批次产品中该晶圆的总体趋势。然后用该晶圆对应的传感器的原始数据与第一均值进行比较,计算它们之间的偏离量,将其作为该晶圆的离散程度(或偏离程度),用作晶圆级别的异常检测/评测标准。如果该晶圆的离散程度较大(例如大于预设阈值),则确定该晶圆出现异常,为该同一批次产品中出现异常的晶圆,进而确定该晶圆出现异常的异常时间点。可选的,本申请还可针对出现异常的晶圆或其对应的产品进行异常报警。
在实际应用时,请参见图5和图6示出的异常检测流程图。本申请使用神经网络模型对传感器数据(即上文的处理数据)进行重构得到重构数据,若同一批次普遍对特定传感器具有较大的重构误差,则认为该同一批次产品为异常批次产品。而对该同一批次产品内部而言,若特定产品与其他产品的偏离较大,则将作为该同一批次产品内部的异常评估检测。在应用过程中,上述两种异常检测算法同时使用可实现批次级别的异常报警和批次内部单独产品的异常报警。
举例来说,请参见图7和图8示出传感器数据的异常检测的变化示意图。如图7具体示出同一批次产品的整体偏离,图7中曲线1表示原始的传感器数据,曲线2表示神经网络模型输出的重构数据。图8具体示出晶圆在同一批次产品内部的偏离,其中曲线1表示晶圆1的传感器数据,曲线2表示晶圆对应传感器的平均值,曲线3表示晶圆12的传感器数据。如图8可知,晶圆1在190s-320s时间段偏移量较大,出现了异常。
通过实施本申请实施例,采用机器学习方法识别传感器数据,所提出的神经网络模型不需要人为过多介入模型的训练过程,且不需要对数据预分类,适用性强,具有很好的应用前景。本方案通过分辨不同批次间差异以及批次内部的差异,有效提高了传感器数据异常检测的准确性。
请一并参见图9,是本申请实施例提供的一种异常检测装置的结构示意图。如图9所示的异常检测装置中包括获取单元901、预处理单元902、重构单元903和异常检测单元904,其中:
所述获取单元9*01,用于获取同一批次产品在半导体机台加工过程中产生的原始数据,所述原始数据为所述半导体机台加工过程中对任一晶圆进行多传感器监测采集的传感器数据;
所述预处理单元902,用于对所述原始数据进行预处理,得到对应的处理数据;
所述重构单元903,用于调用神经网络模型对所述处理数据进行数据重构,得到重构数据,所述原始数据和所述重构数据对应的维度相同,所述神经网络模型为预先使用不同批次产品的历史数据进行训练得到的;
所述异常检测单元904,用于根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。
可选的,所述预处理单元902具体用于:
对所述原始数据进行重采样或插值,得到具备相同采样率的传感器数据;
根据数据特征对具备相同采样率的所述传感器数据进行筛选和处理,得到对应的处理数据。
可选的,所述异常检测单元904具体用于:
根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品;
对所述同一批次产品中每个晶圆对应的传感器的所述原始数据进行平均值计算,得到第一均值;
根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点。
可选的,所述异常检测单元904具体用于:
对所述同一批次产品中每个晶圆对应的传感器的所述重构数据进行平均值计算,得到第二均值;
对所述第一均值和所述第二均值进行差值计算,得到所述同一批次产品的整体偏移量;
若所述整体偏移量大于预警值,则确定所述同一批次产品为异常批次产品;否则,确定所述同一批次产品不为异常批次产品。
可选的,所述异常检测单元904具体用于:
将每个所述晶圆对应的传感器的所述原始数据与所述第一均值之间的偏移量,作为每个所述晶圆的离散程度;
若所述晶圆的离散程度大于预设阈值,则确定所述晶圆为所述同一批次产品中出现异常的晶圆,并进一步确定所述晶圆出现异常对应的异常时间点。
关于本申请实施例中未示出或未描述的内容可具体参见前述图1所示方法实施例中的相关描述,这里不再赘述。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何本领域技术人员均可在不违背本申请的精神及范畴下,对上述实施例进行修饰与改变。因此,本申请的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
获取同一批次产品在半导体机台加工过程中产生的原始数据,所述原始数据为所述半导体机台加工过程中对任一晶圆进行多传感器监测采集的传感器数据;
对所述原始数据进行预处理,得到对应的处理数据;
调用神经网络模型对所述处理数据进行数据重构,得到重构数据,所述原始数据和所述重构数据对应的维度相同,所述神经网络模型为预先使用不同批次产品的历史数据进行训练得到的;
根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。
2.根据权利要求1所述的异常检测方法,其特征在于,所述对所述原始数据进行预处理,得到对应的处理数据包括:
对所述原始数据进行重采样或插值,得到具备相同采样率的传感器数据;
根据数据特征对具备相同采样率的所述传感器数据进行筛选和处理,得到对应的处理数据。
3.根据权利要求1所述的异常检测方法,其特征在于,所述根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点包括:
根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品;
对所述同一批次产品中每个晶圆对应的传感器的所述原始数据进行平均值计算,得到第一均值;
根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点。
4.根据权利要求3所述的异常检测方法,其特征在于,所述根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品包括:
对所述同一批次产品中每个晶圆对应的传感器的所述重构数据进行平均值计算,得到第二均值;
对所述第一均值和所述第二均值进行差值计算,得到所述同一批次产品的整体偏移量;
若所述整体偏移量大于预警值,则确定所述同一批次产品为异常批次产品;否则,确定所述同一批次产品不为异常批次产品。
5.根据权利要求3所述的异常检测方法,其特征在于,所述根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点包括:
将每个所述晶圆对应的传感器的所述原始数据与所述第一均值之间的偏移量,作为每个所述晶圆的离散程度;
若所述晶圆的离散程度大于预设阈值,则确定所述晶圆为所述同一批次产品中出现异常的晶圆,并进一步确定所述晶圆出现异常对应的异常时间点。
6.一种异常检测装置,其特征在于,包括获取单元、预处理单元、重构单元和异常检测单元,其中:
所述获取单元,用于获取同一批次产品在半导体机台加工过程中产生的原始数据,所述原始数据为所述半导体机台加工过程中对任一晶圆进行多传感器监测采集的传感器数据;
所述预处理单元,用于对所述原始数据进行预处理,得到对应的处理数据;
所述重构单元,用于调用神经网络模型对所述处理数据进行数据重构,得到重构数据,所述原始数据和所述重构数据对应的维度相同,所述神经网络模型为预先使用不同批次产品的历史数据进行训练得到的;
所述异常检测单元,用于根据所述重构数据和所述原始数据,对所述同一批次产品进行异常检测,以确定所述同一批次产品是否为异常批次产品、及所述同一批次产品中出现异常的晶圆和异常时间点。
7.根据权利要求6所述的异常检测装置,其特征在于,所述预处理单元具体用于:
对所述原始数据进行重采样或插值,得到具备相同采样率的传感器数据;
根据数据特征对具备相同采样率的所述传感器数据进行筛选和处理,得到对应的处理数据。
8.根据权利要求6所述的异常检测装置,其特征在于,所述异常检测单元具体用于:
根据所述同一批次产品中每个晶圆对应的传感器的所述重构数据和所述原始数据,确定所述同一批次产品是否为异常批次产品;
对所述同一批次产品中每个晶圆对应的传感器的所述原始数据进行平均值计算,得到第一均值;
根据每个所述晶圆对应的传感器的所述原始数据和所述第一均值,确定所述同一批次产品中出现异常的晶圆及所述晶圆出现异常对应的异常时间点。
9.根据权利要求8所述的异常检测装置,其特征在于,所述异常检测单元具体用于:
对所述同一批次产品中每个晶圆对应的传感器的所述重构数据进行平均值计算,得到第二均值;
对所述第一均值和所述第二均值进行差值计算,得到所述同一批次产品的整体偏移量;
若所述整体偏移量大于预警值,则确定所述同一批次产品为异常批次产品;否则,确定所述同一批次产品不为异常批次产品。
10.根据权利要求8所述的异常检测装置,其特征在于,所述异常检测单元具体用于:
将每个所述晶圆对应的传感器的所述原始数据与所述第一均值之间的偏移量,作为每个所述晶圆的离散程度;
若所述晶圆的离散程度大于预设阈值,则确定所述晶圆为所述同一批次产品中出现异常的晶圆,并进一步确定所述晶圆出现异常对应的异常时间点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105541.0A CN112801497B (zh) | 2021-01-26 | 2021-01-26 | 一种异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105541.0A CN112801497B (zh) | 2021-01-26 | 2021-01-26 | 一种异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801497A true CN112801497A (zh) | 2021-05-14 |
CN112801497B CN112801497B (zh) | 2024-04-30 |
Family
ID=75811891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110105541.0A Active CN112801497B (zh) | 2021-01-26 | 2021-01-26 | 一种异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801497B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417737A (zh) * | 2022-03-28 | 2022-04-29 | 江苏智云天工科技有限公司 | 用于晶圆刻蚀工艺的异常检测方法和装置 |
CN116029356A (zh) * | 2023-03-24 | 2023-04-28 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、***及存储介质 |
CN117726186A (zh) * | 2024-02-18 | 2024-03-19 | 浙江省药品信息宣传和发展服务中心(浙江省药品监督管理局行政受理中心) | 一种医药成品的监管方法和*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1280324A (zh) * | 1999-05-20 | 2001-01-17 | 现代电子产业株式会社 | 自动地控制半导体制造工艺的装置和方法 |
KR20010039341A (ko) * | 1999-10-30 | 2001-05-15 | 박종섭 | 반도체 생산 정보 시스템 |
US20040049898A1 (en) * | 2002-07-15 | 2004-03-18 | Shinichi Imai | System and method for monitoring semiconductor production apparatus |
CN106298582A (zh) * | 2015-05-15 | 2017-01-04 | 中芯国际集成电路制造(上海)有限公司 | 制程异常诊断***及方法 |
CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
CN108510615A (zh) * | 2018-04-02 | 2018-09-07 | 深圳智达机械技术有限公司 | 一种半导体制造设备和工艺的控制*** |
CN110288724A (zh) * | 2019-06-27 | 2019-09-27 | 大连海事大学 | 一种基于小波函数主元分析的批次过程监测方法 |
CN110503190A (zh) * | 2019-08-13 | 2019-11-26 | 上海华力集成电路制造有限公司 | 半导体机台加工过程中多维度过程数据的异常检测方法 |
CN112149757A (zh) * | 2020-10-23 | 2020-12-29 | 新华三大数据技术有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
US20200410363A1 (en) * | 2019-06-28 | 2020-12-31 | Renesas Electronics Corporation | Abnormality detection system and abnormality detection program |
-
2021
- 2021-01-26 CN CN202110105541.0A patent/CN112801497B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1280324A (zh) * | 1999-05-20 | 2001-01-17 | 现代电子产业株式会社 | 自动地控制半导体制造工艺的装置和方法 |
KR20010039341A (ko) * | 1999-10-30 | 2001-05-15 | 박종섭 | 반도체 생산 정보 시스템 |
US20040049898A1 (en) * | 2002-07-15 | 2004-03-18 | Shinichi Imai | System and method for monitoring semiconductor production apparatus |
CN106298582A (zh) * | 2015-05-15 | 2017-01-04 | 中芯国际集成电路制造(上海)有限公司 | 制程异常诊断***及方法 |
CN108287782A (zh) * | 2017-06-05 | 2018-07-17 | 中兴通讯股份有限公司 | 一种多维数据异常检测方法及装置 |
CN108510615A (zh) * | 2018-04-02 | 2018-09-07 | 深圳智达机械技术有限公司 | 一种半导体制造设备和工艺的控制*** |
CN110288724A (zh) * | 2019-06-27 | 2019-09-27 | 大连海事大学 | 一种基于小波函数主元分析的批次过程监测方法 |
US20200410363A1 (en) * | 2019-06-28 | 2020-12-31 | Renesas Electronics Corporation | Abnormality detection system and abnormality detection program |
CN110503190A (zh) * | 2019-08-13 | 2019-11-26 | 上海华力集成电路制造有限公司 | 半导体机台加工过程中多维度过程数据的异常检测方法 |
CN112149757A (zh) * | 2020-10-23 | 2020-12-29 | 新华三大数据技术有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
杨俊刚;张洁;: "基于多示例学习径向基函数神经网络的刻蚀设备异常侦测", 上海交通大学学报, no. 12 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417737A (zh) * | 2022-03-28 | 2022-04-29 | 江苏智云天工科技有限公司 | 用于晶圆刻蚀工艺的异常检测方法和装置 |
CN114417737B (zh) * | 2022-03-28 | 2022-06-28 | 江苏智云天工科技有限公司 | 用于晶圆刻蚀工艺的异常检测方法和装置 |
CN116029356A (zh) * | 2023-03-24 | 2023-04-28 | 杭州景业智能科技股份有限公司 | 刀具监测模型训练方法、刀具状态监测方法及相关装置 |
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、***及存储介质 |
CN117726186A (zh) * | 2024-02-18 | 2024-03-19 | 浙江省药品信息宣传和发展服务中心(浙江省药品监督管理局行政受理中心) | 一种医药成品的监管方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112801497B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801497A (zh) | 一种异常检测方法及装置 | |
US6442445B1 (en) | User configurable multivariate time series reduction tool control method | |
CN110861123A (zh) | 机器人运行状态的可视化监控和评估的方法及装置 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN113671917B (zh) | 针对多模态工业过程异常状态的检测方法、***、设备 | |
CN111461533A (zh) | 一种基于大数据的工业生产流水线的故障监测方法及*** | |
CN110648480B (zh) | 一种基于变化速率的单变量报警***及方法 | |
CN116237817B (zh) | 基于物联网的五轴联动数控机床智能监测*** | |
CN110057406B (zh) | 一种多尺度自适应的机械设备趋势预警方法 | |
CN115829422A (zh) | 基于大数据的工业设备运行异常状态识别方法 | |
CN117708748B (zh) | 一种用于离心风机的运行监测***及方法 | |
CN111170103A (zh) | 设备故障识别方法 | |
CN110807245A (zh) | 一种设备故障预警的自动建模方法和*** | |
CN113609115A (zh) | 一种边坡形变监测数据的数据清洗方法 | |
CN113579851A (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN115687973A (zh) | 一种基于多信号融合的机械设备故障诊断方法 | |
CN118051863B (zh) | 一种基于数字计量技术的健康数据采集***及方法 | |
KR20150017036A (ko) | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 | |
CN112288126B (zh) | 一种采样数据异常变化在线监测与诊断方法 | |
CN115795350A (zh) | 一种血流变测试杯生产过程中异常数据信息处理方法 | |
CN114112390B (zh) | 一种非线性复杂***早期故障诊断方法 | |
CN113052272B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
Yong et al. | Anomaly detection of semiconductor processing data based on DTW-LOF algorithm | |
Yong et al. | Fault detection of sensor data in semiconductor processing using neural network with dynamic time wrapping loss | |
KR20180073273A (ko) | 통계 분석에 기반한 거짓 경보 감소 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |