CN116611670B - 一种半导体器件制造生产线的故障诊断方法及*** - Google Patents
一种半导体器件制造生产线的故障诊断方法及*** Download PDFInfo
- Publication number
- CN116611670B CN116611670B CN202310869909.XA CN202310869909A CN116611670B CN 116611670 B CN116611670 B CN 116611670B CN 202310869909 A CN202310869909 A CN 202310869909A CN 116611670 B CN116611670 B CN 116611670B
- Authority
- CN
- China
- Prior art keywords
- transition
- fault
- representing
- weight
- semiconductor device
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 141
- 239000004065 semiconductor Substances 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007704 transition Effects 0.000 claims abstract description 177
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 19
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000000137 annealing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000000206 photolithography Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- 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
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种半导体器件制造生产线的故障诊断方法及***,属于半导体器件、数据处理技术领域,方法包括:根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑,构建网络模型;将可能发生故障的变迁设置为故障变迁;构建变迁关系矩阵描述各个所述生产环节之间的流程关系;获取变迁信号序列;通过所述标记函数,将所述变迁信号序列转换为标签序列;判断所述标签序列中的第μ个标签前是否存在使能故障变迁的空标签;根据所述变迁关系矩阵,计算第μ个变迁信号发生后的***到达标识;再次判断第μ个标签前是否存在使能所述故障变迁的空标签;若是,确定半导体器件制造生产线存在故障,输出所述故障变迁对应的故障类型。
Description
技术领域
本发明属于半导体器件、数据处理技术领域,具体涉及一种半导体器件制造生产线的故障诊断方法及***。
背景技术
半导体器件的制造是半导体产业一个关键环节,半导体器件制造过程中工序复杂,不可避免会发生故障,生产过程中一些小故障累积也可能导致机台、乃至整个生产线停顿,甚至引发严重安全事故,尽早从偏差轨迹中发现故障是有价值的。
随着半导体制造技术快速发展,实现有效过程控制的质量检验越来越重要,故障检测在半导体行业中得到了广泛研究。
现有技术中,可以通过获取半导体器件的制造设备的音频数据,通过傅里叶变换提取音频数据中的频谱特征、时域特征、能量特征等,进而根据频谱特征、时域特征、能量特征,通过支持向量机判断制造设备是否发生故障。
然而,在半导体制造过程中,存在一些步骤例如热处理、光刻、退火等步骤是不会发出声音的,无法收集相应的音频数据,进而难以通过音频数据进行故障诊断,因此,通过音频数据进行故障诊断的方法存在检测范围有限,难以对半导体器件的整个制造过程进行故障诊断。并且,通过音频数据进行故障诊断的方法需要大量的训练数据,故障诊断的准确性易受到信号质量和环境影响。
发明内容
为了解决现有技术存在的难以对半导体器件的整个制造过程进行故障诊断,需要大量的训练数据,故障诊断的准确性易受到信号质量和环境影响的技术问题,本发明提供一种半导体器件制造生产线的故障诊断方法及***。
第一方面
本发明提供了一种半导体器件制造生产线的故障诊断方法,包括:
S101:根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑,将所述生产环节中的事件抽象为变迁t,将所述生产环节中的状态抽象为标识m,在各个变迁t之间设置库所p,所述库所p用于存储托肯数,并在各个变迁t与库所p之间添加有向弧,所述有向弧包括从库所到变迁的弧以及从变迁到库所的弧,以构建网络模型,其中,P表示库所集合,T表示变迁集合,Pre表示从库所到变迁的弧的权重,Post表示从变迁到库所的弧的权重,m 0表示初始标识,用于表示初始时刻各个库所中拥有的托肯数,/>表示标签集合,L表示标记函数,通过所述标记函数向任意一个变迁t中贴上所述标签集合/>中的标签或者空标签λ;
S102:将可能发生故障的变迁t设置为故障变迁,其中,k表示故障类型的编号;
S103:构建变迁关系矩阵C描述各个所述生产环节之间的流程关系;
其中,表示输出关联矩阵,/>表示输入关联矩阵,Pre(p i ,t i )表示从库所p i 到变迁t i 的弧的权重,Post(t i ,p i )表示从变迁t i 到库所p i 的弧的权重;
S104:通过所述初始标识m 0对所述网络模型N进行初始化;
S105:获取变迁信号序列,其中,t i 表示第i个变迁,n表示变迁的总个数;
S106:通过所述标记函数,将所述变迁信号序列δ转换为标签序列σ:
其中,L()表示标记函数;
S107:设置μ的初始值,μ表示所述标签序列σ中的标签的索引;
S108:判断所述标签序列σ中的第μ个标签前是否存在使能故障变迁τ(k)的空标签λ,若是,进入S109;
S109:根据所述变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M;
S110:通过所述***到达标识M,再次判断第μ个标签前是否存在使能所述故障变迁τ(k)的空标签λ,若是,进入S111;
S111:确定半导体器件制造生产线存在故障,输出所述故障变迁τ(k)对应的故障类型k;
S112:对μ值进行更新,重新进行S108;
其中,所述S109具体为:
根据所述变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M:
其中,表示当前***标识,C表示变迁关系矩阵,/>表示从第μ个变迁信号开始的变迁信号序列。
第二方面
本发明提供了一种半导体器件制造生产线的故障诊断***,用于执行第一方面中的半导体器件制造生产线的故障诊断方法。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑构建网络模型,进而通过网络模型中故障变迁的使能情况,确定半导体器件制造生产线是否存在故障,可以完成对于半导体器件的整个制造过程的故障诊断,无需大量的训练数据,故障诊断的准确性不会受到信号质量和环境影响,提升了故障诊断的准确性与全面性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种半导体器件制造生产线的故障诊断方法的流程示意图。
图2是本发明提供的一种网络模型的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的半导体器件制造生产线的故障诊断方法的流程示意图。
本发明提供的一种半导体器件制造生产线的故障诊断方法,包括:
S101:根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑,将生产环节中的事件抽象为变迁t,将生产环节中的状态抽象为标识m,在各个变迁t之间设置库所p,并在各个变迁t与库所p之间添加有向弧,以构建网络模型。
其中,P表示库所集合,库所集合P中包括多个库所p,库所p用于存储托肯数。
其中,T表示变迁集合,变迁集合T包括多个变迁t。
具体地,将生产环节中的事件抽象为变迁t意味着将每个生产环节中的关键事件或操作看作一个变迁。变迁可以理解为一个状态转换的触发器,表示从一个状态到另一个状态的转变。例如,在半导体器件制造生产线中的一个生产环节可能是晶圆清洗,那么将该环节抽象为变迁t表示从清洗前的状态到清洗后的状态的转变。
其中,Pre表示从库所到变迁的弧的权重,表示触发从库所到变迁所需的托肯值。
其中,Post表示从变迁到库所的弧的权重,表示触发从变迁到库所所需的托肯值。
其中,m 0表示初始标识,用于表示初始时刻各个库所中拥有的托肯数(token)。
具体地,而将生产环节中的状态抽象为标识m意味着将每个生产环节的状态或条件看作标识。标识是库所中托肯的分布情况,可以用来表示某个生产环节的特定状态或条件是否满足。以晶圆清洗为例,可以定义一个库所p来表示晶圆清洗的状态,标识m表示在该环节中的不同状态下的托肯分布。例如,可以用托肯的数量来表示清洗液的浓度或清洗时间的长短等状态信息。
其中,表示标签集合,L表示标记函数,通过标记函数向任意一个变迁t中贴上标签集合/>中的标签或者空标签λ。
其中,网络模型为Petri网模型。
参考说明书附图2,示出了本发明提供的网络模型的结构示意图。
图2中,库所集合,变迁集合/>,标签集合/>,变迁t 1上设置有标签l 1,t 1与p 2之间设置的有向弧的权重可表示为Post,p 2与t 2之间设置的有向弧的权重可表示为Pre。
其中,半导体器件制造生产线的生产环节包括:晶圆清洗、热处理、沉积、光刻、退火、蚀刻、结合、清洁、探针测试和封装等。
需要说明的是,通过将半导体器件制造生产线中的生产环节抽象为网络模型,可以用变迁和库所描述事件和状态的转换关系,从而建立起一个可用于分析和模拟生产线行为的模型。
S102:将可能发生故障的变迁t设置为故障变迁,其中,k表示故障类型的编号。
其中,故障变迁表示可能发生故障的特定变迁。在故障诊断中,通常会根据具体的生产环境和制造设备的特点,确定可能导致故障的关键变迁。这些变迁可能是在设备故障、异常操作或其他异常情况下会发生状态转换的关键节点。举个例子,假设在半导体制造生产线中有一个变迁t 1表示晶圆清洗完成,如果在实际运行中发现晶圆清洗环节时常发生问题,如清洗液不足、清洗时间过长等故障,那么可以将变迁t 1设置为故障变迁,并分配一个故障类型编号k来表示晶圆清洗环节的故障类型。
可选地,可以用τ(1)表示晶圆清洗环节存在故障,τ(2)表示热处理环节存在故障,τ(3)表示沉积环节存在故障,τ(4)表示光刻环节存在故障,τ(5)表示退火环节存在故障,τ(6)表示蚀刻环节存在故障,τ(7)表示结合环节存在故障,τ(8)表示清洁环节存在故障,τ(9)表示探针测试环节存在故障,τ(10)表示封装环节存在故障。
S103:构建变迁关系矩阵C描述各个生产环节之间的流程关系。
其中,表示输出关联矩阵,/>表示输入关联矩阵,Pre(p i ,t i )表示从库所p i 到变迁t i 的弧的权重,Post(t i ,p i )表示从变迁t i 到库所p i 的弧的权重。
其中,变迁关系矩阵C用于描述各个生产环节之间的流程关系。变迁关系矩阵C中的元素表示从一个变迁到另一个变迁的弧的权重或连接关系。可以描述和分析***中变迁之间的触发关系和状态转换,帮助理解***的行为和特性。
S104:通过初始标识m 0对网络模型N进行初始化。
具体而言,为模型中的各个库所p分配初始的托肯数,以确定***的初始状态。
S105:获取变迁信号序列,其中,t i 表示第i个变迁,n表示变迁的总个数。
其中,变迁信号序列是指***中各个变迁的触发顺序或发生时刻的序列。
具体而言,在实际运行中,可以通过传感器、仪器或设备等实时监测***中各个变迁的状态或事件触发情况,记录下变迁的触发时刻。还可以将***运行时的关键事件或状态变化记录在日志或数据文件中。这可以通过***的日志记录功能、传感器的数据采集功能或特定的记录设备来实现。记录的数据可以包括变迁的触发时刻、触发条件、变迁前后的状态等信息。
S106:通过标记函数,将变迁信号序列δ转换为标签序列σ:
其中,L()表示标记函数。
其中,标签序列σ通过标记函数对变迁信号序列δ进行转换得到的,每个标签代表一个特定的变迁或操作,或者是空标签λ表示没有触发的变迁。标签序列更加具有可读性和解释性,使得对***行为的分析更加直观和便捷。
具体而言,通过标记函数进行转换的过程中,可以根据实际需求和故障诊断的目标,将标签信息添加到变迁信号中。例如,可以为每个变迁设置一个特定的标签,以表示其对应的操作或功能;或者根据变迁的触发条件、状态转换规则等信息,为变迁设置不同的标签。
需要说明的是,转换为标签序列后,可以更容易地识别和理解***中的变迁序列,从而进行故障检测、模式分析、状态判断等操作。标签序列也可以用于构建故障模式、建立故障规则库等进一步的分析和判断。
S107:设置μ的初始值,μ表示标签序列σ中的标签的索引。
其中,可以将μ的初始值设置为1,进而通过采用的方式对μ值进行更新,进行正向推理。也可以将μ的初始值设置为n,n表示表示变迁的总个数,进而通过采用的方式对μ值进行更新,进行反向推理。
进一步地,正向推理适用于从前往后逐步判断故障变迁的使能情况,适合于故障诊断过程中按照变迁信号的产生顺序进行推理。反向推理则适用于从后往前逐步判断故障变迁的使能情况,适合于根据最终触发的变迁信号来推理故障的产生原因。
需要说明的是,由于正向推理和反向推理是基于库所和变迁之间的连接关系以及***到达的状态进行推理的,因此库所到变迁的弧的权重Pre、从变迁到库所的弧的权重Post以及初始标识m 0的大小的不同会直接影响到推理的结果。这些参数的设定需要根据具体的***特点、故障场景和实际需求进行调整和优化,以获得准确和可靠的故障诊断结果。
S108:判断标签序列σ中的第μ个标签前是否存在使能故障变迁τ(k)的空标签λ,若是,进入S109。
需要说明的是,在故障诊断过程中,判断标签序列σ中的第μ个标签前是否存在使能故障变迁τ(k)的空标签λ,是为了确定半导体器件制造生产线是否存在故障,并进一步确定故障的类型。具体来说,如果第μ个标签前存在使能故障变迁的空标签λ,意味着在触发第μ个变迁之前,存在一个空操作或故障变迁未被触发。这可能表明生产线发生了故障,并且该故障是通过使能故障变迁来表示的。通过判断空标签的存在性,可以进一步进行故障诊断的判断和处理。如果存在使能故障变迁的空标签,那么可以推断出半导体器件制造生产线存在故障,并且根据故障变迁的类型进行故障类型的诊断和判定。这有助于及时发现和定位故障,并采取适当的措施进行修复和调整。因此,判断标签序列中使能故障变迁的空标签的存在性对于准确的故障诊断是必要的,它提供了对故障发生的线索和指示,为故障处理和维修提供了有价值的信息。
在一种可能的实施方式中,S108具体包括子步骤S1081和S1082:
S1081:根据激发规则,对所有贴有空标签的第i个故障变迁τ i 的输入库所,依次判断是否满足以下不等式:
其中,表示变迁信号序列δ中第μ个变迁信号发生前库所p i 中拥有的托肯数,/>表示从库所p i 到故障变迁τ i 的弧的权重。
S1082:当满足以上不等式时,标签序列σ中的第μ个标签前存在使能的空标签λ。否则,标签序列σ中的第μ个标签前不存在使能的空标签λ。
需要说明的是,如果存在使能故障变迁的空标签λ,那么必须满足以上不等式中的条件。因为空标签λ表示一个空的或无操作的标签,它不需要任何特定的条件来触发。所以,如果标签序列σ中的第μ个标签前存在使能的空标签λ,就意味着至少存在一个故障变迁τ i ,它的输入库所满足上述不等式。
S109:根据变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M。
其中,***到达标识M表示在一个特定时间点,用于描述***中各个库所中托肯的数量和分布情况的标识。
需要说明的是,根据变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M,是为了确定在变迁信号发生后,***中各个库所中托肯的分布状态。当一个变迁被触发后,其前置条件中的库所会减少托肯数量,而后置效果中的库所会增加托肯数量。通过迭代计算每个变迁的触发,可以得到***在第μ个变迁信号触发后的库所托肯分布。计算***到达标识M的目的是为了获取***在特定时间点的状态信息。***的状态信息可以包括生产环节的完成情况、资源的分配情况、库所中托肯的数量等。通过计算***到达标识M,可以获取有关***状态的重要信息,用于进一步的故障诊断、状态监测和决策分析。
在一种可能的实施方式中,S109具体为:
根据变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M:
其中,表示当前***标识,C表示变迁关系矩阵,/>表示从第μ个变迁信号开始的变迁信号序列。
S110:通过***到达标识M,再次判断第μ个标签前是否存在使能故障变迁τ(k)的空标签λ,若是,进入S111。
需要说明的是,通过对***到达标识M进行再次判断,确认标签序列σ中的第μ个标签前是否存在使能故障变迁τ(k)的空标签λ。这一判断是为了确保之前的故障诊断结果的准确性。如果第μ个标签前存在使能的空标签λ,并且根据***到达标识M计算确认存在故障变迁τ(k),则可以确定半导体制造生产线存在故障并输出对应的故障类型k。
在本发明中,通过S108、S109和S110的流程,可以进行多次验证和确认,以提高故障诊断的准确性和可靠性。这种反复判断的过程是为了降低误诊断的风险,确保故障诊断结果的正确性,并为后续的处理和决策提供可靠的依据。
S111:确定半导体器件制造生产线存在故障,输出故障变迁τ(k)对应的故障类型k。
S112:对μ值进行更新,重新进行S108。
如上文所言,可以将μ的初始值设置为1,进而通过采用的方式对μ值进行更新,进行正向推理。也可以将μ的初始值设置为n,n表示表示变迁的总个数,进而通过采用的方式对μ值进行更新,进行反向推理。
在一种可能的实施方式中,在S110之后,S112之前,半导体器件制造生产线的故障诊断方法还包括:
S113:若第μ个标签前不存在使能故障变迁τ的空标签λ,则判断标签序列σ中的第μ个标签是否为不确定性标签,若是,进入S114,否则进入S115。
其中,不确定性标签是指在故障诊断过程中无法明确判断是故障变迁还是正常变迁的标签。在***的变迁序列中,可能存在某些变迁无法准确确定其故障状态,即无法确定其是由于故障而触发,还是由于正常操作而触发。
具体而言,判断标签序列σ中的第μ个标签是否为不确定性标签通常需要根据先前建立的规则或者模型进行判断和分析。具体的判断方法可以根据具体的故障诊断***和应用场景来确定。进一步地,可以根据先前的经验和知识,制定一套规则用于判断标签序列中的不确定性标签。这些规则可以基于特定的故障模式、操作逻辑或者触发条件等方面,通过对标签序列的分析和比对来判断是否存在不确定性标签。
S114:根据激发规则,对第j个正常变迁t j 的输入库所,依次判断是否满足以下不等式,若是,进入S115,否则,进入S116,不等式为:
其中,表示变迁信号序列δ中第μ个变迁信号发生前库所p i 中拥有的托肯数,/>表示从库所p i 到正常变迁t j 的弧的权重。
需要说明的是,上述不等式中,一个库所中的托肯数表示了***中的资源或状态,而从库所p i 到正常变迁t j 的弧的权重表示了在库所p i 中的托肯数量对正常变迁t j 的触发起到的作用。如果库所中的托肯数足够多,超过了从该库所到变迁的弧的权重要求,那么可以认为该变迁具备了发生的条件,即半导体器件制造生产线正常运行,没有发生故障。反之,则认为半导体器件制造生产线存在故障。
S115:确定半导体器件制造生产线未发生故障,根据变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M。
具体地,根据变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M:
其中,表示当前***标识,C表示变迁关系矩阵,/>表示从第μ个变迁信号开始的变迁信号序列。
S116:确定半导体器件制造生产线存在故障,输出故障变迁τ(k)对应的故障类型k。
在一种可能的实施方式中,半导体器件制造生产线的故障诊断方法还包括:
S117:设置μ的初始值为1,采用的方式对μ值进行更新,进行S101至S116,得到正向推理结果。
需要说明的是,S117可以实现从第一个变迁开始的正向推理,逐步推断出***中是否存在故障以及故障的类型。
S118:设置μ的初始值为n,采用的方式对μ值进行更新,进行S101至S116,得到反向推理结果。
需要说明的是,S118可以实现从最后一个变迁开始的反向推理,逐步推断出***中是否存在故障以及故障的类型。
S119:对正向推理结果与反向推理结果进行比对,判断正向推理结果与反向推理结果是否一致,若否,调整从库所到变迁的弧的权重Pre、从变迁到库所的弧的权重Post、以及初始标识m 0的大小。
需要说明的是,如果正向推理和反向推理得出的结果不一致,说明存在矛盾或不确定性。为了解决这种矛盾或不确定性,可以考虑调整从库所到变迁的弧的权重Pre、从变迁到库所的弧的权重Post以及初始标识m 0的大小,以更好地适应***的实际情况和故障模式。这是由于正向推理和反向推理是基于库所和变迁之间的连接关系以及***到达的状态进行推理的,因此库所到变迁的弧的权重Pre、从变迁到库所的弧的权重Post以及初始标识m 0的大小的不同会直接影响到推理的结果。这些参数的设定需要根据具体的***特点、故障场景和实际需求进行调整和优化,以获得准确和可靠的故障诊断结果。
在本发明中,通过对正向推理和反向推理结果的比对,可以检测到可能存在的矛盾或不确定性。如果正向推理和反向推理结果不一致,说明***中可能存在问题或推理过程中的错误。通过调整相关参数,可以更好地适应***的实际情况和故障模式,从而提高故障诊断的准确性。另外,进一步地调整从库所到变迁的弧的权重Pre、从变迁到库所的弧的权重Post以及初始标识m 0的大小,可以使故障模型更加符合实际情况。故障模型的参数调整可以根据实际经验和专家知识进行,以更好地描述***中的故障行为。这样可以增强故障模型的可靠性,提高故障诊断的可信度。
在一种可能的实施方式中,通过以下方式确定各个有向弧的权重,其中,有向弧的权重表示触发有向弧所需的托肯值,有向弧包括从库所到变迁的弧的权重Pre以及从变迁到库所的弧的权重Post:
通过专家根据各个库所以及变迁的触发难易程度,对各个有向弧进行两两比较,结合九级标度法,建立判断矩阵A:
其中,a ij 表示第i个有向弧相对于第j个有向弧的触发难易程度对应的分值,a ij 的取值通过九极标度法确定,n表示有向弧的总数量。
其中,九级标度法是指是一种用于评估和比较多个对象或因素之间的相对重要性或优劣程度的方法。它将评估对象或因素分为九个级别,每个级别都有一个预定义的标度值,用于表示相对重要性或优劣程度。
需要说明的是,通过依赖专家知识,专家可以根据对库所和变迁的触发难易程度有深入的理解,评估各个有向弧的触发难易程度。这种专家知识的引入可以提供有关***中各个有向弧的重要信息,使权重的确定更加准确和可靠。
计算判断矩阵A的特征向量和特征值:
其中,λ表示判断矩阵A的特征值,ω表示判断矩阵A的特征向量,取最大的特征值记为λ max,与最大的特征值对应的特征向量记为ω max,。
对最大的特征值对应的特征向量ω max进行归一化处理:
其中,归一化后的向量的各个分量/>分别代表各个有向弧的触发难易程度/>。
根据各个有向弧的触发难易程度s,确定各个有向弧的权重。
需要说明的是,通过以上方法确定有向弧的权重,可以结合专家知识、比较评估和特征值分析,得到相对准确的权重信息。这样做的好处是提供了一种可靠、定量的权重确定方法,为故障诊断提供了更合理和可信的参数设置,从而提高了故障诊断方法的准确性和可靠性。
在一种可能的实施方式中,根据各个有向弧的触发难易程度s,确定各个有向弧的权重,具体包括:
当有向弧的触发难易程度s满足,则确定有向弧的权重为0。
当有向弧的触发难易程度s满足,则确定有向弧的权重为1。
当有向弧的触发难易程度s满足,则确定有向弧的权重为2。
当有向弧的触发难易程度s满足,则确定有向弧的权重为3。
当有向弧的触发难易程度s满足,则确定有向弧的权重为4。
当有向弧的触发难易程度s满足,则确定有向弧的权重为5。
当有向弧的触发难易程度s满足,则确定有向弧的权重为6。
当有向弧的触发难易程度s满足,则确定有向弧的权重为7。
当有向弧的触发难易程度s满足,则确定有向弧的权重为8。
当有向弧的触发难易程度s满足,则确定有向弧的权重为9。
当有向弧的触发难易程度s满足,则确定有向弧的权重为10。
在本发明中,通过九级标度法对有向弧的触发难易程度进行量化,并将其映射到权重值上,实现了对触发难易程度的相对度量。不同的触发难易程度可以通过不同的权重值进行区分,便于进行比较和排序。另外,通过将触发难易程度映射到有向弧的权重上,可以在网络模型中传递更准确的信息。不同的权重值可以反映有向弧触发的难易程度差异,使得模型在传递信息时更加准确和可靠。通过准确刻画有向弧的触发难易程度,可以使模型更加精确地模拟实际***的行为。这有助于提高模型的可信度、稳定性和预测准确性。
在一种可能的实施方式中,通过以下方式确定初始标识m 0的大小:
获取半导体器件制造生产线的历史生产数据。
根据历史生产数据,计算各个生产环节制造单位数量的半导体器件所需的时间。
根据各个生产环节制造单位数量的半导体器件所需的时间,确定各个生产环节的负荷量。
根据各个生产环节的负荷量,设置初始时刻各个库所中拥有的托肯数,即初始标识m 0。
需要说明的是,根据生产环节的负荷量来确定初始标识m 0,可以根据不同的生产情况和需求进行灵活调整。生产环节的负荷量可能受到订单量、设备状态、工艺变化等因素的影响,因此通过动态确定初始标识m 0,可以更好地适应不同的生产情景。通过以上方式确定初始标识m 0的大小能够提高模型的准确性、可靠性和适应性,保证网络模型与实际生产线的一致性,为后续的故障诊断和分析提供可行性和有效性的基础。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑构建网络模型,进而通过网络模型中故障变迁的使能情况,确定半导体器件制造生产线是否存在故障,可以完成对于半导体器件的整个制造过程的故障诊断,无需大量的训练数据,故障诊断的准确性不会受到信号质量和环境影响,提升了故障诊断的准确性与全面性。
实施例2
在一个实施例中,本发明提供的一种半导体器件制造生产线的故障诊断***,用于执行实施例1中的半导体器件制造生产线的故障诊断方法。
本发明提供的一种半导体器件制造生产线的故障诊断***可以实现上述实施例1中的任一项半导体器件制造生产线的故障诊断方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑构建网络模型,进而通过网络模型中故障变迁的使能情况,确定半导体器件制造生产线是否存在故障,可以完成对于半导体器件的整个制造过程的故障诊断,无需大量的训练数据,故障诊断的准确性不会受到信号质量和环境影响,提升了故障诊断的准确性与全面性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种半导体器件制造生产线的故障诊断方法,其特征在于,
S101:根据半导体器件制造生产线中各个生产环节的加工设备、加工流程以及运行逻辑,将所述生产环节中的事件抽象为变迁t,将所述生产环节中的状态抽象为标识m,在各个变迁t之间设置库所p,所述库所p用于存储托肯数,并在各个变迁t与库所p之间添加有向弧,所述有向弧包括从库所到变迁的弧以及从变迁到库所的弧,以构建网络模型,其中,P表示库所集合,T表示变迁集合,Pre表示从库所到变迁的弧的权重,Post表示从变迁到库所的弧的权重,m 0表示初始标识,用于表示初始时刻各个库所中拥有的托肯数,/>表示标签集合,L表示标记函数,通过所述标记函数向任意一个变迁t中贴上所述标签集合/>中的标签或者空标签λ;
S102:将可能发生故障的变迁t设置为故障变迁,其中,k表示故障类型的编号;
S103:构建变迁关系矩阵C描述各个所述生产环节之间的流程关系;
其中,表示输出关联矩阵,/>表示输入关联矩阵,Pre(p i ,t i )表示从库所p i 到变迁t i 的弧的权重,Post(t i ,p i )表示从变迁t i 到库所p i 的弧的权重;
S104:通过所述初始标识m 0对所述网络模型N进行初始化;
S105:获取变迁信号序列,其中,t i 表示第i个变迁,n表示变迁的总个数;
S106:通过所述标记函数,将所述变迁信号序列δ转换为标签序列σ:
其中,L()表示标记函数;
S107:设置μ的初始值,μ表示所述标签序列σ中的标签的索引;
S108:判断所述标签序列σ中的第μ个标签前是否存在使能故障变迁τ(k)的空标签λ,若是,进入S109;
S109:根据所述变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M;
S110:通过所述***到达标识M,再次判断第μ个标签前是否存在使能所述故障变迁τ(k)的空标签λ,若是,进入S111;
S111:确定半导体器件制造生产线存在故障,输出所述故障变迁τ(k)对应的故障类型k;
S112:对μ值进行更新,重新进行S108;
其中,所述S109具体为:
根据所述变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M:
其中,表示当前***标识,C表示变迁关系矩阵,/>表示从第μ个变迁信号开始的变迁信号序列;
其中,通过以下方式确定各个有向弧的权重,其中,所述有向弧的权重表示触发所述有向弧所需的托肯值,所述有向弧包括从库所到变迁的弧的权重Pre以及从变迁到库所的弧的权重Post:
通过专家根据各个库所以及变迁的触发难易程度,对各个有向弧进行两两比较,结合九级标度法,建立判断矩阵A:
其中,a ij 表示第i个有向弧相对于第j个有向弧的触发难易程度对应的分值,a ij 的取值通过九极标度法确定,n表示有向弧的总数量;
计算所述判断矩阵A的特征向量和特征值:
其中,λ表示所述判断矩阵A的特征值,ω表示所述判断矩阵A的特征向量,取最大的特征值记为λ max,与最大的特征值对应的特征向量记为ω max,;
对最大的特征值对应的特征向量ω max进行归一化处理:
其中,归一化后的向量的各个分量/>分别代表各个有向弧的触发难易程度/>;
根据各个有向弧的触发难易程度s,确定各个有向弧的权重;
其中,所述根据各个有向弧的触发难易程度s,确定各个有向弧的权重,具体包括:
当有向弧的触发难易程度s满足,则确定有向弧的权重为0;
当有向弧的触发难易程度s满足,则确定有向弧的权重为1;
当有向弧的触发难易程度s满足,则确定有向弧的权重为2;
当有向弧的触发难易程度s满足,则确定有向弧的权重为3;
当有向弧的触发难易程度s满足,则确定有向弧的权重为4;
当有向弧的触发难易程度s满足,则确定有向弧的权重为5;
当有向弧的触发难易程度s满足,则确定有向弧的权重为6;
当有向弧的触发难易程度s满足,则确定有向弧的权重为7;
当有向弧的触发难易程度s满足,则确定有向弧的权重为8;
当有向弧的触发难易程度s满足,则确定有向弧的权重为9;
当有向弧的触发难易程度s满足,则确定有向弧的权重为10;
其中,通过以下方式确定初始标识m 0的大小:
获取半导体器件制造生产线的历史生产数据;
根据所述历史生产数据,计算各个生产环节制造单位数量的半导体器件所需的时间;
根据各个生产环节制造单位数量的半导体器件所需的时间,确定各个生产环节的负荷量;
根据各个生产环节的负荷量,设置初始时刻各个库所中拥有的托肯数,即初始标识m 0。
2.根据权利要求1所述的半导体器件制造生产线的故障诊断方法,其特征在于,半导体器件制造生产线的生产环节包括:晶圆清洗、热处理、沉积、光刻、退火、蚀刻、结合、清洁、探针测试和封装。
3.根据权利要求1所述的半导体器件制造生产线的故障诊断方法,其特征在于,所述S108具体包括:
S1081:根据激发规则,对所有贴有空标签的第i个故障变迁τ i 的输入库所,依次判断是否满足以下不等式:
其中,表示变迁信号序列δ中第μ个变迁信号发生前库所p i 中拥有的托肯数,表示从库所p i 到故障变迁τ i 的弧的权重;
S1082:当满足以上不等式时,所述标签序列σ中的第μ个标签前存在使能的空标签λ;否则,所述标签序列σ中的第μ个标签前不存在使能的空标签λ。
4.根据权利要求1所述的半导体器件制造生产线的故障诊断方法,其特征在于,在所述S110之后,所述S112之前,还包括:
S113:若第μ个标签前不存在使能故障变迁τ的空标签λ,则判断所述标签序列σ中的第μ个标签是否为不确定性标签,若是,进入S114,否则进入S115;
S114:根据激发规则,对第j个正常变迁t j 的输入库所,依次判断是否满足以下不等式,若是,进入S115,否则,进入S116,不等式为:
其中,表示变迁信号序列δ中第μ个变迁信号发生前库所p i 中拥有的托肯数,表示从库所p i 到正常变迁t j 的弧的权重;
S115:确定半导体器件制造生产线未发生故障,根据所述变迁关系矩阵C,计算第μ个变迁信号发生后的***到达标识M;
S116:确定半导体器件制造生产线存在故障,输出所述故障变迁τ(k)对应的故障类型k。
5.根据权利要求4所述的半导体器件制造生产线的故障诊断方法,其特征在于,还包括:
S117:设置μ的初始值为1,采用的方式对μ值进行更新,进行所述S101至S116,得到正向推理结果;
S118:设置μ的初始值为n,采用的方式对μ值进行更新,进行所述S101至S116,得到反向推理结果;
S119:对所述正向推理结果与所述反向推理结果进行比对,判断所述正向推理结果与所述反向推理结果是否一致,若否,调整从库所到变迁的弧的权重Pre、从变迁到库所的弧的权重Post、以及初始标识m 0的大小。
6.一种半导体器件制造生产线的故障诊断***,其特征在于,用于执行权利要求1至5中任一项所述的半导体器件制造生产线的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869909.XA CN116611670B (zh) | 2023-07-17 | 2023-07-17 | 一种半导体器件制造生产线的故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869909.XA CN116611670B (zh) | 2023-07-17 | 2023-07-17 | 一种半导体器件制造生产线的故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611670A CN116611670A (zh) | 2023-08-18 |
CN116611670B true CN116611670B (zh) | 2023-10-20 |
Family
ID=87685683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310869909.XA Active CN116611670B (zh) | 2023-07-17 | 2023-07-17 | 一种半导体器件制造生产线的故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611670B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116828002A (zh) * | 2023-08-29 | 2023-09-29 | 北京南天智联信息科技股份有限公司 | 一种基于物联网数据中台的数据处理方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309612A (zh) * | 2019-07-08 | 2019-10-08 | 西安交通大学 | 基于模糊故障Petri网的动力***故障处理方法 |
CN113011052A (zh) * | 2021-03-26 | 2021-06-22 | 山东建筑大学 | 基于带抑制弧pres+网的移动通信***仿真方法及*** |
WO2023000624A1 (zh) * | 2021-07-23 | 2023-01-26 | 南京邮电大学 | 长、短及多时间尺度下配电网源网荷储多端协同调压方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006007791A1 (de) * | 2006-02-20 | 2007-08-30 | Siemens Ag | Verfahren zur Prozessoptimierung |
-
2023
- 2023-07-17 CN CN202310869909.XA patent/CN116611670B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309612A (zh) * | 2019-07-08 | 2019-10-08 | 西安交通大学 | 基于模糊故障Petri网的动力***故障处理方法 |
CN113011052A (zh) * | 2021-03-26 | 2021-06-22 | 山东建筑大学 | 基于带抑制弧pres+网的移动通信***仿真方法及*** |
WO2023000624A1 (zh) * | 2021-07-23 | 2023-01-26 | 南京邮电大学 | 长、短及多时间尺度下配电网源网荷储多端协同调压方法 |
Non-Patent Citations (2)
Title |
---|
Zixiang Zhao.Scheduling Optimization for FMS Based on Petri Net Modeling and GA*.Proceeding of the IEEE International Conference on Automation and Logistics Chongqing.2011,正文第422-427页. * |
邢晓辰.基于粗糙概率Petri网的在轨服务目标航天器故障检测.计算机测量与控制.2012,(第04期),正文第48-55页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116611670A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8650137B2 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
CN116611670B (zh) | 一种半导体器件制造生产线的故障诊断方法及*** | |
CN116450399B (zh) | 微服务***故障诊断及根因定位方法 | |
JPH08234832A (ja) | プラント監視診断装置および方法 | |
CN111290900A (zh) | 一种基于微服务日志的软件故障检测方法 | |
Davila-Frias et al. | A deep neural network and Bayesian method based framework for all-terminal network reliability estimation considering degradation | |
US20050144537A1 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
Lugaresi et al. | Online validation of digital twins for manufacturing systems | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
Yuan et al. | A Bayesian approach to degradation-based burn-in optimization for display products exhibiting two-phase degradation patterns | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN109889258B (zh) | 一种光网络故障校验方法和设备 | |
Escobet et al. | Fault diagnosis system based on fuzzy logic: Application to a valve actuator benchmark | |
Abdulshaheed et al. | Mining historical software testing outcomes to predict future results | |
KR20190132223A (ko) | 네트워크 장애 원인 분석 장치 및 방법 | |
Deng et al. | Research on fault diagnosis of flexible material R2R manufacturing system based on quality control chart and SoV | |
Dzakowic et al. | Advanced Techniques for the verification and validation of prognostics & health management capabilities | |
KR20220118621A (ko) | 머신영역에서의 머신러닝 기반 협동로봇 보안 관리 시스템 및 그 방법 | |
WO2021126591A1 (en) | Method for physical system anomaly detection | |
Sabrina et al. | A tripartite graph approach for optimal sensor diagnosis placement | |
Kiermeier et al. | Monitoring Autonomous Agents in Self-Organizing Industrial Systems | |
Goel et al. | Investigating of high and low impact faults in object-oriented projects | |
Hao et al. | Review on Verification and Validation technology in integrated health management system |
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 |