CN117390370A - 基于健康指数的机台预警方法、装置、设备及可读介质 - Google Patents
基于健康指数的机台预警方法、装置、设备及可读介质 Download PDFInfo
- Publication number
- CN117390370A CN117390370A CN202311270173.0A CN202311270173A CN117390370A CN 117390370 A CN117390370 A CN 117390370A CN 202311270173 A CN202311270173 A CN 202311270173A CN 117390370 A CN117390370 A CN 117390370A
- Authority
- CN
- China
- Prior art keywords
- machine
- early warning
- health index
- information
- historical
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000007547 defect Effects 0.000 claims abstract description 109
- 238000004519 manufacturing process Methods 0.000 claims abstract description 87
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 235000012431 wafers Nutrition 0.000 description 79
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 239000004065 semiconductor Substances 0.000 description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 7
- 229910052710 silicon Inorganic materials 0.000 description 7
- 239000010703 silicon Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本申请提供了一种基于健康指数的机台预警方法、装置、设备及可读介质。该方法包括：获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；若所述健康指数低于预警阈值，则发出预警信号。本技术方案，能够综合考虑到机台的因素以及机台所制造的晶圆的因素，并且通过机器学习模型进行健康指数的确定，能够更好的应对各种机台，对于不同类型的机台都能够做出准确的识别，并在健康指数低于预警阈值的的情况下，生成预警信息，告知工作人员，使机台的稳定运行得到保障。
Description
技术领域
本申请涉及半导体制造技术领域，尤其涉及一种基于健康指数的机台预警方法、装置、设备及可读介质。
背景技术
近年来，随着科技水平的迅速发展，半导体制造业也在飞速发展。晶圆作为制作硅半导体芯片的基础材料，其制造技术已经成为制约半导体发展的基础和核心竞争力之一。
在半导体行业中，用于进行晶圆制造的机台的健康指数非常重要，直接影响到晶圆的生产质量。机台健康指数可以反映机台的正常运行程度，机台是否存在潜在问题或故障的可能性。现有技术中，对于机台是否存在潜在故障的识别方式往往是基于机台运行时间、机台保养间隔时间等信息所确定的。其确定方式往往是基于预先设定好的健康指数计算规则进行计算得到的。
然而，发明人发现相关技术中至少存在如下技术问题：
现有技术方案是通过制定健康指数指标来综合分析和计算得出一个综合的机台健康指数，是基于规则的计算。这种计算方式会存在考虑因素不全面，计算方式固化，对于一些特殊场景或者具有不同参数的机台来说，并不能够很好的使用。
发明内容
本申请的一个目的是提供一种基于健康指数的机台预警方法、装置、设备及可读介质，至少用以解决计算规则固化，计算方式单一，考虑因素不全面以及方案覆盖面不足的问题。本申请的目的在于：提供了一种新的基于健康指数的机台预警方法。该方法能够综合考虑到机台的因素以及机台所制造的晶圆的因素，并且通过机器学习模型进行健康指数的确定，能够更好的应对各种机台，对于不同类型的机台都能够做出准确的识别，并在健康指数低于预警阈值的的情况下，生成预警信息，告知工作人员，使机台的稳定运行得到保障。
为实现上述目的，本申请的一些实施例提供了以下几个方面：
第一方面，本申请的一些实施例还提供了一种基于健康指数的机台预警方法，所述方法包括：
获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；
将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；
若所述健康指数低于预警阈值，则发出预警信号。
第二方面，本申请的一些实施例还提供了一种基于健康指数的机台预警装置，所述装置包括：
数据获取模块，用于获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；
健康指数确定模块，用于将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；
预警信号发出模块，用于若所述健康指数低于预警阈值，则发出预警信号。
三方面，本申请的一些实施例还提供了一种计算机设备，所述设备包括：
一个或多个处理器；以及
存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上所述的基于健康指数的机台预警方法。
第四方面，本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如上所述的基于健康指数的机台预警方法。
相较于现有技术，本申请实施例提供的方案中，获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；若所述健康指数低于预警阈值，则发出预警信号。通过综合考虑到机台的因素以及机台所制造的晶圆的因素，并且通过机器学习模型进行健康指数的确定，能够更好的应对各种机台，对于不同类型的机台都能够做出准确的识别，并在健康指数低于预警阈值的的情况下，生成预警信息，告知工作人员，使机台的稳定运行得到保障。
附图说明
图1是本申请实施例一提供的基于健康指数的机台预警方法的流程示意图；
图2是本申请实施例二提供的机器学习模型的训练过程的流程示意图；
图3是本申请实施例三提供的基于机台健康指数预测模型的机台预警方法的流程示意图；
图4是本申请实施例四提供的基于健康指数的机台预警装置的结构示意图；
图5是本申请实施例五提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的技术方案进行详细地说明。
实施例一
图1是本申请实施例一提供的基于健康指数的机台预警方法的流程示意图。如图1所示，具体包括如下步骤：该流程包括：
步骤S101，获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息。
其中，当前制造机台可为晶圆在当前制造流程中所使用到的设备，可以是晶圆制造流程中所涉及到的任一加工或检测设备，如抛光机、光刻机、离子注入机、引线键合机、晶圆划片机等等。
晶圆是指制作硅半导体电路所用的硅晶片，其原始材料是硅。高纯度的多晶硅溶解后掺入硅晶体晶种，然后慢慢拉出，形成圆柱形的单晶硅。硅晶棒在经过研磨，抛光，切片后，形成硅晶圆片，也就是晶圆。目前市面上的晶圆生产线以8英寸和12英寸为主。晶圆的主要加工方式为片加工和批加工，即同时加工一片或多片晶圆。
在晶圆的制造过程中，需要对制造机台的参数信息进行记录，以确保每道制造工序的质量。其中，参数信息可以是当前制造机台的运行时间、保养间隔时间，保养次数、换零部件信息等等。
在本方案中，晶圆缺陷信息可以是基于晶圆的制造结果输出的固定格式的数据。晶圆缺陷信息可以包括缺陷的数量，坐标，分布，密度，形状等信息。晶圆缺陷信息是以芯片为单位的，将测试完成的结果用不同颜色、形状或代码标示在各个芯片的位置上。通过晶圆缺陷信息的空间分布情况，可以确定当前时刻晶圆表面存在的缺陷情况。
晶圆缺陷信息可以从是klarf文件中确定的，即晶圆的表面缺陷信息可以被记录为缺陷信息文件，本方案中，klarf文件可以是用来存取defect(缺陷)信息数据的文档，如xrel，yrel，xindex，yindex坐标位置等信息。
本方案中，可以根据klarf文件确定晶圆的缺陷类型。
其中，制造缺陷可以根据晶圆缺陷的产生模式分为点缺陷、线缺陷以及区域缺陷等。
点缺陷是指晶圆芯片表面存在的局部缺陷点，这些点通常由于原材料污染或制造工艺不当造成。点缺陷通常分为以下几类：
1.洞穴状缺陷：通常是由于气泡或气体残留在晶圆芯片中造成的。
2.泡状缺陷：通常是由于金属材料膨胀不均匀或气体残留在晶圆芯片中造成的。
3.金属颗粒：金属颗粒是由于制造过程中金属材料的溅射或附着所导致的。
线缺陷是指晶圆芯片表面存在的局部缺陷线，这些线通常由于制造工艺或设备故障造成。线缺陷通常分为以下几类：
1.划痕：通常是由于制造过程中设备的磨损或过程中的撞击所造成的。
2.斑纹：通常是由于制造过程中配料不当，或者是晶圆芯片内部材料不均匀而导致的。
3.凸起或凹陷：通常是由于制造过程中设备或工具的损坏而导致的。
区域缺陷是指晶圆芯片上存在的局部区域缺陷，这些区域缺陷通常是由于制造工艺或设备故障造成。区域缺陷通常分为以下几类：
1.晶粒缺陷：如果晶圆芯片上的某个晶粒出现了缺损或缩小，就会造成晶圆芯片的性能降低或者失效。
2.维氏硬度不均匀：通常是由于晶圆芯片制造过程中压力不均匀、材料不均匀或设备故障而导致的。
3.热残留应力：晶圆芯片制造过程中温度变化会导致晶圆芯片产生残留应力，如果这些残留应力太大，会导致晶圆芯片的性能降低或者失效。
以上是晶圆常见的缺陷分类及其相关特征。在制造和测试过程中，需要对这些缺陷进行有效的预测，以确保晶圆的质量和性能。
步骤S102，将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数。
在本方案中，采用预先训练好的机器学习模型对当前制造机台的健康指数分析，以得到当前制造机台在当前时刻的健康指数。
其中，机器学习模型可以是基于历史采集到的当前制造机台的参数信息和晶圆缺陷信息，得到至少一组有关参数信息和晶圆缺陷信息的样本数据，并对各样本数据进行训练得到的模型。该模型可以在输入当前制造机台制造晶圆的晶圆缺陷信息和参数信息后，得到当前制造机台在当前时间的健康指数。
需要说明的是，当前制造机台的健康指数可以是0-1的小数值，也可以是0-100的分数值。
步骤S103，若所述健康指数低于预警阈值，则发出预警信号。
其中，预警阈值可以根据当前制造机台的历史发出预警信号时所处的状态设定的，也可以根据当前制造机台的类型进行设定的，也可以是针对当前制造机台按照历史经验进行设定，本发明实施例对此不作限定。
在本方案中，预警阈值可以是预设健康情况下的最低阈值。如设定预警阈值：预设概率值为0.8，那么当前制造机台的健康指数低于0.8时，生成晶圆制造缺陷的预警信息。
预警信息可以用于提示相关工作人员当前制造机台的健康指数较低，容易出现运行故障的信息，以使相关工作人员及时进行处理。预警信息可以包括当前制造机台的名称、编号、位置、所预测的可能出现运行故障的目标时间等等。预警信息的形式可以是灯光、铃声、语音、视频、弹窗等中的一种或多种。
可以理解的，在本方案中也可设置多个预警阈值以及与多个预警阈值对应的预警级别。例如，可分别设置第一预警阈值：为0.6，以及第二预警阈值：为0.8；当健康指数低于第二预警阈值时，可生成预警信息并使预警黄灯闪烁，以提示相关工作人员可对当前制造机台的参数信息进行调整，避免出现运行故障；当预警阈值小于第一预警阈值时，可生成预警信息并使预警红灯闪烁，以提示相关工作人员立即停止当前制造机台的运行。
本方案这样设置的好处是能够综合考虑到机台的因素以及机台所制造的晶圆的因素，并且通过机器学习模型进行健康指数的确定，能够更好的应对各种机台，对于不同类型的机台都能够做出准确的识别，并在健康指数低于预警阈值的的情况下，生成预警信息，告知工作人员，使机台的稳定运行得到保障。
在一个实施例中，所述机器学习模型包括分类模型，或者包括回归模型。
对于不同的模型类型，可以对数据进行不同的处理。预测建模，预测建模就是使用历史数据建立一个模型，去给没有答案的新数据做预测。
预测建模可以被描述成一个近似求取输入量(x)到输出量(y)的映射函数的数学问题，这被称为函数逼近问题。
建模算法的任务，就是在给定的可用时间和资源的限制下，去寻找最佳映射函数。
一般而言，我们可以将函数逼近任务划分为分类任务和回归任务。
分类预测建模：
分类预测建模是逼近一个从输入变量(x)到离散的输出变量(y)之间的映射函数。
离散的输出变量(y)经常被称作标签或类别。映射函数会对一个给定的观察样本预测一个类别标签。例如，一个文本邮件可以被归为两类：垃圾邮件和非垃圾邮件。
分类模型经常为输入样本预测得到与每一类别对应的像概率一样的连续值。这些概率可以被解释为样本属于每个类别的置信度(似然度)。然后通过分析比较置信度来将其转换成类别标签。
以一个简单的手写数字识别为例：左边画板图片就是输入样本，模型先分别预测该图片为数字0～9类的置信度。由于被预测为1的置信度最大(45.32％)，最终将其归类于数字1，输出结果为1。
分类模型的评估指标包括Accuracy、Precision、Recall、PRC、F-score、ROC和AUC等。
我们以准确率Accuracy(被正确分类的样本占所有样本的比例)为例：如果一个分类模型做了10个预测，其中7个预测正确，3个预测错误。那么该分类预测模型的准确率为70％。
回归预测建模：
回归预测模型是逼近一个从输入变量(x)到连续的输出变量(y)之间的映射函数。
回归的输入变量可以是连续的，也可以是离散的。有多个输入变量通常被称作多变量回归。
连续的输出变量(y)是一个实数，例如一个整数或浮点数。这些变量通常是数量、尺寸大小等。
例如，一座房子可能被预测到以美元出售，可能在100,000～200,000元范围内。
因为回归模型预测的是一个数量，所以回归模型的性能可用预测结果中的错误来评价。
回归模型的评估指标包括MAE(平均绝对误差)、MSE(均方误差)、RMSE(均方根误差)、NRMSE(归一化均方根误差)、决定系数等。
我们以RMSE为例：如果回归模型做出了两个预测结果，一个是1.5，对应的期望结果是1.0；另一个是3.3，对应的期望结果是3.0。
分类模型与回归模型的相同点：
分类算法可能预测到一个连续的值，但这些连续的值对应的是一个类别的概率。
回归算法可以预测离散值(输入)，但是是以整型量的形式来预测离散值的。
有些算法即可用来做分类问题，也可用来做回归问题，例如：决策树。但有些算法具有针对性，例如线性回归算法用来做回归预测建模，而logistics回归算法用来做分类预测建模。
分类模型与回归模型的不同点：
分类是预测一个离散标签的任务；回归是预测一个连续数量的任务。
分类模型和回归模型的评估指标是不一样的：分类模型可以用准确率来评价，而回归问题不能。回归问题可以用均方根误差来评价，而分类问题不能。
本方案通过提供上述两种模型，可以分别基于模型的类型对特征进行构建，以挖掘当前制造机台的健康指数与晶圆缺陷信息和机台的参数信息之间的深层次关联，以得到更加准确的健康指数的评价结果。
实施例二
图2是本申请实施例二提供的机器学习模型的训练过程的流程示意图。如图2所示，具体包括如下步骤：
步骤S201，获取当前制造机台的历史参数信息；以及，获取当前制造机台制造晶圆的历史缺陷信息。
历史参数信息，可以是历史某一个时间采集的到的当前制造机台的相关参数。可以理解的，相关数据的采集时间也是需要保留的，可以基于此将特征组建成连续特征，并且可以与其他信息进行时间维度的匹配。具体的，可以是包括当前制造机台所设定的温度、压力、电流、氧气浓度、制造时长等。
其中，缺陷信息可以包括缺陷的数量、分布密度、形状特征等。在本申请一些实施例中，所述缺陷信息包括所述晶圆缺陷信息的缺陷数量、缺陷形状以及缺陷分布中的至少一种。
其中，缺陷数量可为晶圆缺陷信息中所有缺陷的总数量，也可为指定形状缺陷的数量。缺陷形状可为点缺陷、线缺陷以及区域缺陷等。缺陷分布可为晶圆缺陷信息中缺陷的分布区域，或者各区域中缺陷的分布情况等。
具体的，可将各时间节点以及与各时间节点对应的缺陷信息、历史参数信息分别整合为一条样本数据。
步骤S202，对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征。
可以通过数据预处理用于提高样本数据的质量，使样本数据更适合分析和模型训练。常见的数据预处理方式有数据清洗、数据转换、数据集成、数据规约等等。例如，可以对样本数据中的重复数据、异常数据、缺失数据进行处理，以对样本数据进行数据清洗。
特征工程处理用于通过数据挖掘技术从样本数据中提取特征，常见的特征工程处理方式有标准化处理、区间缩放处理、归一化处理、定量特征二值化处理、定性特征哑编码处理、缺失值处理和数据转化处理等等。
本技术方案这样设置的好处是提高样本数据的规范性，加快模型训练的收敛速度，提高训练效率，使得模型的训练效果更加快速和准确。
步骤S203，将所述模型输入特征输入至初始模型，对所述初始模型进行训练，得到机器学习模型。
其中，训练方式可以采用有监督训练，也可以采用有监督训练和无监督训练混合的方式。
机器学习模型用于根据历史数据对健康指数的预测，已有的历史数据可以表现出数据的发展趋势。本方案中，机器学习模型可以是决策树、GBDT、XGboost、Lightgbm、SVM、DNN模型等。
具体的，可将模型输入特征按照时间节点的顺序进行排列输入至初始模型，对初始模型进行训练，在每次训练回合中对初始模型的参数进行调整，直至训练结束得到机器学习模型。
在训练过程中，训练结束条件可以是机器学习模型的预测精度达到预设阈值，例如，预设阈值为90％。训练结束条件也可以是训练次数达到预设次数。例如，预设次数为20000次。本领域技术人员可根据实际情况设定预设阈值或预设次数，以使机器学习模型在学习到当前制造机台模型输入特征趋势的同时，又不会过拟合。
在本申请一些实施例中，在对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征之前，所述方法还包括：
获取得到各历史数据时所述当前制造机台是否产生预警信号的预警记录；
相应的，对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征，包括：
对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征，并根据所述预警记录，确定各模型输入特征的标记信息。
本方案中，可以对于历史数据采集的过程中，机台的实际健康情况进行获取，例如获取机台在历史数据的采集的过程中是否发出预警信息，以及采集的时间节点与下一次发出预警信息的时间节点之间的时间长度。
本方案中，可以将当前制造机台的预警记录作为样本数据的标签进行标记。将带有标签的样本数据输入至初始模型，以得到更好的模型训练效果。
本方案通过对预警记录的获取，可以为模型训练的样本数据提供精准的体现健康指数的标签，从而可以提高模型训练结果的准确性，以及模型的训练效率。
在一个实施例中，所述历史参数信息包括机台运行时间、保养时间间隔、保养次数以及换零部件信息中的至少一种；
所述历史缺陷信息包括缺陷数量、缺陷坐标、缺陷分布、缺陷密度以及缺陷形状中的至少一种。
可以理解的，本方案不仅对当前制造机台的相关信息进行了获取，作为样本数据，还获取到晶圆制造过程中晶圆所体现出来的缺陷信息。通过对晶圆缺陷信息的获取，可以挖掘晶圆缺陷是否和当前制造机台的健康状况相关，并且挖掘两者之间的内在关联，并基于此来提高机器学习模型识别当前制造机台的健康指数的准确性，和数据采集的维度。
本方案通过这样的设置，可以更加精准的确定当前制造机台的健康指数，并且在确定当前制造机台的健康指数的同时，不仅仅局限于当前制造机台的自身数据，还能够和晶圆制造过程中晶圆的缺陷信息所关联，提供更多的参考因素，得到更加准确的输出结果。
在一个实施例中，在获取当前制造机台的历史参数信息；以及，获取当前制造机台制造晶圆的历史缺陷信息之后，所述方法还包括：
根据所述历史参数信息以及所述历史缺陷信息，确定所述预警阈值。
本方案中，根据历史参数信息以及历史缺陷信息，可以确定对于当前制造机台的预警阈值。由于预警阈值是是否发出预警信息的基础数据，所以对于预警阈值的确定，是至关重要的。
本方案中，可以根据历史参数信息以及历史缺陷信息，可以分别设置不同的权重值，再基于权重值确定预警阈值。
可以理解的，本方案对于预警阈值的确定可以是工程师基于经验来设定的，例如对于分类模型，可以将该预警阈值设置为0.5，则在健康指数超过0.5的情况下，就认为机台正常，如果健康指数低于0.5，就认为机台可能存在健康问题。另外，对于回归模型，可以将该预警阈值设置为50分，则在健康指数超过50分及以上，就认为机台正常，如果健康指数低于50分以下，就认为机台可能存在健康问题。
本方案这样设置的好处是提供一种客观的对于预警阈值的计算方式，能够为模型输出结果后判断是否需要发出预警信息提供准确的判断因素。通过这样的设置，可以降低漏报以及错报的概率。
在上述各实施例的基础上，在若所述健康指数低于预警阈值，则发出预警信号之后，所述方法还包括：
获取预警信号的反馈数据；
根据所述反馈数据对所述机器学习模型进行迭代更新。
本方案中，基于反馈数据，例如是工作人员对于预警信号的反馈，或者是未发出预警信号时，工作人员对当前制造机台的健康状况的反馈，等等，都可以作为机器学习模型迭代更新的数据基础。
本方案通过迭代更新，可以提高机器学习模型输出结果的准确性，提高模型输出的当前制造机台的健康指数的精度。
实施例三
图3是本申请实施例三提供的基于机台健康指数预测模型的机台预警方法的流程示意图，如图3所示：
首先是数据采集：
数据采集包括两个方面，一方面是收集与半导体生产工艺相关的机台数据。包括运行时间、保养间隔时间，保养次数、换零部件信息等；
另一方面是收集相关机台缺陷晶圆的数据信息。包括缺陷的数量，坐标，分布，密度，形状等；
然后，是对于健康指数预警阈值的设定：
根据机台健康的历史数据，确定机台健康指数的预警阈值做为目标列。当指数超过设定的阈值时，触发机台预警。
在获取到相应的特征数据之后，可以进行特征提取和特征工程：
从采集到的数据中提取有用的特征，以描述机台的健康状况。
其中，计算相关机台的的运行时间、保养间隔时间，保养次数、换零部件信息等。提取相关机台对应工艺步骤后晶圆缺陷的数量，分布，密度，大小等。
可以对以上提取到的特征数据进行数值化处理和标准化处理。
之后，是对于健康指数模型的建立：
使用机器学习构建机台健康指数模型。该模型将输入机台的特征数据和晶圆缺陷数据，并输出代表机台健康状态的指数。并使用验证数据集进行模型评估，通过自动调参提升模型的精度。
最后，是将模型应用实时监测和预警：
通过模型应用输出健康指数，并实时与预警阈值比较。一旦机台健康指数超过预警阈值，触发预警信号，并及时通知相关人员。
并且，在投入使用之后，可以长期进行监测与优化：
持续监测机台的健康指数，并根据反馈数据不断优化预警模型。根据实际情况进行调整，提高预警***的准确性和可靠性。
本专利技术方案中，将晶圆缺陷数据信息和机台参数信息纳入到机台健康指数的特征，挖掘出与机台健康指数相关性更高的特征，通过构建模型预测输出健康指数，改进后使模型的预测输出的健康指数准确率更高，同时使产线工程师的对机台的预警处理效率更高。以此，减少机台故障的损失以及晶圆缺陷产生的损失等。
实施例四
图4是本申请实施例四提供的基于健康指数的机台预警装置的结构示意图。如图4所示，具体包括如下：
数据获取模块410，用于获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；
健康指数确定模块420，用于将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；
预警信号发出模块430，用于若所述健康指数低于预警阈值，则发出预警信号。
本申请实施例中的基于健康指数的机台预警装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的基于健康指数的机台预警装置可以为具有操作***的装置。该操作***可以为安卓(Android)操作***，可以为iOS操作***，还可以为其他可能的操作***，本申请实施例不作具体限定。
本申请实施例提供的基于健康指数的机台预警装置能够实现上述方法实施例实现的各个过程，为避免重复，这里不再赘述。
实施例五
此外，本申请实施例还提供了一种计算机设备，图5是本申请实施例五提供的计算机设备的结构示意图。该设备的结构如图5所示，所述设备包括用于存储计算机可读指令的存储器51和用于执行计算机可读指令的处理器52，其中，当该计算机可读指令被该处理器执行时，触发所述处理器执行所述的方法。
本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的针对硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本申请实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机可读指令，所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案的步骤。
在本申请一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类别的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
此外，本申请实施例还提供了一种计算机程序，所述计算机程序存储于计算机设备，使得计算机设备执行所述控制代码执行的方法。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种基于健康指数的机台预警方法，其特征在于，所述方法包括：
获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；
将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；
若所述健康指数低于预警阈值，则发出预警信号。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练过程，包括：
获取当前制造机台的历史参数信息；以及，获取当前制造机台制造晶圆的历史缺陷信息；
对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征；
将所述模型输入特征输入至初始模型，对所述初始模型进行训练，得到机器学习模型。
3.根据权利要求2所述的方法，其特征在于，在对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征之前，所述方法还包括：
获取得到各历史数据时所述当前制造机台是否产生预警信号的预警记录；
相应的，对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征，包括：
对所述历史参数信息和所述历史缺陷信息进行特征工程处理，得到模型输入特征，并根据所述预警记录，确定各模型输入特征的标记信息。
4.根据权利要求2所述的方法，其特征在于，所述历史参数信息包括机台运行时间、保养时间间隔、保养次数以及换零部件信息中的至少一种；
所述历史缺陷信息包括缺陷数量、缺陷坐标、缺陷分布、缺陷密度以及缺陷形状中的至少一种。
5.根据权利要求2所述的方法，其特征在于，在获取当前制造机台的历史参数信息；以及，获取当前制造机台制造晶圆的历史缺陷信息之后，所述方法还包括：
根据所述历史参数信息以及所述历史缺陷信息，确定所述预警阈值。
6.根据权利要求1所述的方法，其特征在于，在若所述健康指数低于预警阈值，则发出预警信号之后，所述方法还包括：
获取预警信号的反馈数据；
根据所述反馈数据对所述机器学习模型进行迭代更新。
7.根据权利要求2-6中任一项所述的方法，其特征在于，所述机器学习模型包括分类模型，或者包括回归模型。
8.一种基于健康指数的机台预警装置，其特征在于，所述装置包括：
数据获取模块，用于获取当前制造机台制造晶圆的晶圆缺陷信息和机台的参数信息；
健康指数确定模块，用于将所述晶圆缺陷信息和所述参数信息输入至预先训练的机器学习模型，得到当前制造机台的健康指数；
预警信号发出模块，用于若所述健康指数低于预警阈值，则发出预警信号。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；以及
存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如权利要求1-7中任意一项所述的基于健康指数的机台预警方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如权利要求1-7中任意一项所述的基于健康指数的机台预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311270173.0A CN117390370A (zh) | 2023-09-27 | 2023-09-27 | 基于健康指数的机台预警方法、装置、设备及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311270173.0A CN117390370A (zh) | 2023-09-27 | 2023-09-27 | 基于健康指数的机台预警方法、装置、设备及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117390370A true CN117390370A (zh) | 2024-01-12 |
Family
ID=89440077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311270173.0A Pending CN117390370A (zh) | 2023-09-27 | 2023-09-27 | 基于健康指数的机台预警方法、装置、设备及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390370A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118013468A (zh) * | 2024-04-03 | 2024-05-10 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
-
2023
- 2023-09-27 CN CN202311270173.0A patent/CN117390370A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118013468A (zh) * | 2024-04-03 | 2024-05-10 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
| CN118013468B (zh) * | 2024-04-03 | 2024-06-11 | 华电电力科学研究院有限公司 | 一种风电机组部件健康度监测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
| WO2021252734A1 (en) | Systems and methods for managing machine learning models | |
| CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
| US11640328B2 (en) | Predicting equipment fail mode from process trace | |
| CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
| US20230376026A1 (en) | Automated real-time detection, prediction and prevention of rare failures in industrial system with unlabeled sensor data | |
| CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及*** | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| US8793106B2 (en) | Continuous prediction of expected chip performance throughout the production lifecycle | |
| CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定***异常检测方法 | |
| KR101910268B1 (ko) | 반도체 gp 예측 방법 및 시스템 | |
| CN112882898B (zh) | 基于大数据日志分析的异常检测方法、***、设备及介质 | |
| CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
| CN117437455A (zh) | 一种晶圆缺陷模式的确定方法、装置、设备及可读介质 | |
| CN115964470B (zh) | 一种摩托车配件的寿命预测方法及*** | |
| CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
| CN116777281A (zh) | 一种基于arima模型的电力设备质量趋势预测方法及装置 | |
| US20220050763A1 (en) | Detecting regime change in time series data to manage a technology platform | |
| CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
| CN113537519A (zh) | 一种识别异常设备的方法和装置 | |
| CN112579429A (zh) | 一种问题定位方法和装置 | |
| Chou et al. | Economic design of variable sampling intervals charts with B&L switching rule | |
| US11954615B2 (en) | Model management for non-stationary systems | |
| CN117932520B (zh) | 基于数据识别的固体生物废物处理设备监测方法 | |
| US20240177286A1 (en) | Modeling for indexing and semiconductor defect image retrieval |
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 |