CN102566554A - 一种基于单类支持向量机的半导体过程监测方法 - Google Patents
一种基于单类支持向量机的半导体过程监测方法 Download PDFInfo
- Publication number
- CN102566554A CN102566554A CN2012100324891A CN201210032489A CN102566554A CN 102566554 A CN102566554 A CN 102566554A CN 2012100324891 A CN2012100324891 A CN 2012100324891A CN 201210032489 A CN201210032489 A CN 201210032489A CN 102566554 A CN102566554 A CN 102566554A
- Authority
- CN
- China
- Prior art keywords
- data
- vector machine
- support vector
- class support
- semiconductor process
- 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
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 239000004065 semiconductor Substances 0.000 title claims abstract description 51
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012847 principal component analysis method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 229910015844 BCl3 Inorganic materials 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Images
Classifications
-
- 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
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于单类支持向量机的半导体过程监测方法,本发明采用单类支持向量机方法,利用其优越的单类数据分类性能,对半导体过程进行监测。相比目前的其它方法,本发明方法不仅可以大大提高半导体过程的监测效果,而且在很大程度上降低了半导体过程监测的复杂性,更加有利于半导体过程的工业自动化。
Description
技术领域
本发明属于半导体工业过程质量控制领域,特别涉及一种基于单类支持向量机的过程监测方法。
背景技术
随着电子与信息产业的迅速发展,半导体工业也不断地发展壮大,以质量控制为主导的半导体过程监测问题越来越得到工业界和学术界的重视。由于半导体工业过程本身对产品质量的要求极高,如何有效地防止过程产生劣质或者不合格的产品是迫切需要解决的问题。另一方面,对半导体过程进行监测获得的结果还可以反过来指导生产过程和生产工艺的改进。作为一种典型的间歇生产过程,传统的半导体过程监测方法除了基于机理模型的方法外,目前大多采用基于数据的多元统计分析方法,比如多向主元分析方法(MPCA)和多向偏最小二乘方法(MPLS)等。在机理模型难以获取的情况下,基于数据驱动的多元统计分析方法已经成为半导体过程监测的主流方法。但是,传统的多元统计分析方法无法有效地处理半导体过程数据常见的非线性和非高斯特性。另外,由于半导体过程产品的多样化,该过程也通常运行在不同的操作工况下。传统的监测方法假设过程运行在单一工况下,往往无法满足半导体过程的监测要求。因此,我们需要引入新的方法,对传统半导体过程监测系统需要进行改善,否则将不利于半导体过程的自动化实施。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于单类支持向量机的半导体过程监测方法。
本发明的目的是通过以下技术方案来实现的:
一种基于单类支持向量机的半导体过程监测方法,包括以下步骤:
(1)利用集散控制系统收集半导体过程各个正常工况的数据组成建模用的三维训练样本集: 。其中,为对应于过程工况的数据矩阵,为该工况下的批次数目,为变量个数,为每个批次的采样数据点数,为总的样本个数。分别将这些数据存入历史数据库。
(6)将建模数据和各个模型参数存入历史数据库和实时数据库中备用。
(7)收集新的过程数据,并对其进行预处理和归一化。
(8)将新的数据投影到高维空间,计算其与超球体球心之间的距离,并与半径相比较,判断当前过程的运行状态。
本发明的有益效果是:本发明通过引入单类支持向量机,将半导体过程的监测问题当做一个单类数据分类问题来处理。由于单类支持向量机方法本身具有很强的非线性和非高斯数据处理能力,而且在高维特征空间上又具有良好多工况数据的建模性能,非常适合复杂半导体过程的在线监测。相比目前的其它半导体过程监测方法,本发明不仅可以大大提高半导体过程的监测效果,而且在很大程度上降低了半导体过程监测的复杂性,更加有利于半导体过程的工业自动化。
附图说明
图1是本发明方法对对半导体过程数据的高斯性检验结果;
图2是单类支持向量机方法对半导体过程正常批次数据的监测结果;
图3是主元分析方法对半导体过程正常批次数据的监测结果;
图4是单类支持向量机方法对半导体过程故障批次数据的监测结果;
图5是主元分析方法对半导体过程故障批次数据的监测结果。
具体实施方式
本发明针对半导体过程的监测问题,首先利用集散控制系统(Distributed Control System, DCS)收集不同操作工况下的正常批次数据,对其进行必要的预处理和归一化,在高维特征空间中建立单类支持向量机数据模型,确定超球体的球心和半径。之后将所有单类支持向量机相关的模型参数都存入历史数据库中备用。对新的批次数据进行监测的时候,首先利用建模数据的均值和标准差对其进行归一化处理,得到标准数据之后,再利用单类支持向量机模型,在高维特征空间中计算新的数据里超球体球心的距离,实现对半导体过程的在线监测,获取相应的监测结果。
本发明采用的技术方案的主要步骤分别如下:
第一步 利用集散控制系统收集半导体过程各个正常工况的数据组成建模用的三维训练样本集:。其中,为对应于过程工况的数据矩阵,为该工况下的批次数目,为变量个数,为每个批次的采样数据点数,为总的样本个数。分别将这些数据存入历史数据库;
在历史数据库中对采集到的过程数据进行预处理,剔除野值点和明显的粗糙误差数据,为了使得过程数据的尺度不会影响到监测的结果,对不同变量的数据分别进行归一化处理,即各个变量的均值为零,方差为1。这样,不同过程变量的数据就处在相同的尺度之下,既而不会影响到后续的监控效果。
传统的半导体过程监测方法在监测新的批次数据时,需要对未知值进行预测。为了避免这个问题,我们对数据矩阵进行了重新排列。这样,监测样本就由原来的整个批次数据变为单个采样数据点,较好地避免了对批次未知值的预测问题。
由于单类支持向量机模型本身具有多工况数据处理能力,特别是经过非线性函数投影之后,在高维特征空间里面,多工况数据将融合得更加紧密,避免了传统方法需要构造多个模型的复杂性。因此,经过数据预处理之后,可以简单地将多个工况的数据融合在一起,后续步骤中只需要建立一个单类支持向量机模型即可。
其中,和分别是高维特征空间中超球体的半径和球心,为非线性投影函数,为单类支持向量机调节参数,通过选取此参数,单类支持向量机会再 超球体的体积和样本的错分率之间取得平衡,为每个样本的松弛变量。在实际的求解过程中,通常采用以下的对偶命题来构造单类支持向量机,即
在高维特征空间中,求取超球体的的球心和半径如下:
;
第六步 将建模数据和各个模型参数存入历史数据库和实时数据库中备用;
第七步 收集新的过程数据,并对其进行预处理和归一化;
对于过程中新收集到的数据样本,除了对其进行预处理之外,还有采用建模时的模型参数对该数据点进行归一化,即减去建模均值和除以建模标准差。
第八步 将新的数据投影到高维空间,计算其与超球体球心之间的距离,并与半径相比较,判断当前过程的运行状态。
针对新采集到的过程数据,首先对其进行必要的归一化处理,即
其中,为建模数据的均值,为建模数据的标准差,通过上式,新的过程数据被归一化为均值为零,方差为1的标准数据,与单类支持向量机的建模数据保持一致。然后,同样利用非线性函数将新的数据投影到高维特征空间中,并计算其与超球体球心之间的距离,定义如下的距离因子作为半导体过程的监测统计量:
其中,为监测统计量的统计限,和超球体的半径相等,即如果,我们就认为半导体过程出现了受到了不正常的扰动,或者出现了某种故障;而当时,由于监测统计量没有超出相应的统计控制限,我们认为半导体过程仍然处于可控的范围内。
下面结合一个具体的半导体过程例子来说明本发明方法的有效性。该过程的数据来自美国德州仪器公司的三组实验,一共为127批数据,其中包括107批正常工况下的数据和20批故障数据。故障的来源主要是各个功率和压力的变化引起,为了对该过程进行监测,一共选取了17个过程变量,如表1所示。另外,每一个批次的采样时间点为85个。如果对数据的正态性程度进行检验,我们可以明显发现该过程的数据具有严重非高斯特性,如图1所示。
接下来结合该具体过程对本发明的实施步骤进行详细地阐述:
1. 采集过程正常工况数据,数据预处理,归一化和重新排列
对收集到的127批次有效的过程数据样本进行数据预处理,剔除过程的野值点和粗糙误差点。然后选取其中的96批正常数据组成建模数据矩阵,将其划分为三个子数据矩阵。把每一个子数据矩阵按照批次方向展开成二维数据矩阵并对其进行归一化,得到。然后,重新沿着采样时刻方向对二维数据矩阵进行排列,得到新的数据矩阵为
2. 将不同操作工况下的数据信息进行融合,组成一个新的混合数据矩阵,针对该混合数据矩阵,建立单类支持向量机模型,在高维空间中确定超球体的球心的位置和半径的大小。选取参数的时候,使得错分率控制在1%左右,这样所得的监测统计量就代表了99%的置信限。
3. 获取当前监测数据信息,并对其进行预处理和归一化
为了测试新方法的有效性,分别对正常批次和故障批次的数据进行测试。随机选取某一正常批次的数据,并利用各个工况下的归一化参数对其进行处理。选取一种典型故障进行测试,同样对其进行归一化处理。
4. 半导体过程在线监测
首先对正常批次的过程数据进行监测,基于单类支持向量机方法和传统的主元分析方法得到的监测结果分别如图2和图3所示。从图中可以看出,单类支持向量机方法和主元分析方法均能对该批次做出较好的监测,但是,基于主元分析方法获得的监测结果有一个明显的误报,这说明单类支持向量机方法并没有损失其在正常工况下的监测效果,而且给出了更加可靠的监测结果。然后,对半导体过程的故障批次进行监测,单类支持向量机方法和主元分析方法的监测效果如图4和图5所示。可以明显看出,单类支持向量机方法已经成功监测到了过程的故障。相比之下,主元分析方法的效果就差很多,无法连续地对过程的故障进行报警。
表1:监控变量说明
序号 | 变量 | 序号 | 变量 |
1 | BCl3 流量 | 10 | RF 功率 |
2 | Cl2流量 | 11 | RF 阻抗 |
3 | RF 底部功率 | 12 | TCP 调谐 |
4 | A检测端点 | 13 | TCP 相位误差 |
5 | 氦压力 | 14 | TCP阻抗 |
6 | 室压 | 15 | TCP 顶部功率 |
7 | RF 调谐 | 16 | TCP 负荷 |
8 | RF 负荷 | 17 | Vat 阀门 |
9 | 相位误差 |
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (3)
1.一种基于单类支持向量机的半导体过程监测方法,其特征在于,包括以下步骤:
(1)利用集散控制系统收集半导体过程各个正常工况的数据组成建模用的三维训练样本集: ;其中,为对应于过程工况的数据矩阵,为该工况下的批次数目,为变量个数,为每个批次的采样数据点数,为总的样本个数;分别将这些数据存入历史数据库;
(6)将建模数据和各个模型参数存入历史数据库和实时数据库中备用;
(7)收集新的过程数据,并对其进行预处理和归一化;
(8)将新的数据投影到高维空间,计算其与超球体球心之间的距离,并与半径相比较,判断当前过程的运行状态。
2.根据权利要求1所述基于单类支持向量机的半导体过程监测方法,其特征在于,所述步骤(5)具体为:针对二维混合数据矩阵,建立单类支持向量机数据分析模型;首先利用非线性函数将过程数据投影到高维特征空间中,即,单类支持向量机通过求解下面的优化命题建立模型:
其中,和分别是高维特征空间中超球体的半径和球心,为非线性投影函数,为单类支持向量机调节参数,通过选取此参数,单类支持向量机会在超球体的体积和样本的错分率之间取得平衡,为每个样本的松弛变量;在实际的求解过程中,通常采用以下的对偶命题来构造单类支持向量机,即
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210032489.1A CN102566554B (zh) | 2012-02-14 | 2012-02-14 | 一种基于单类支持向量机的半导体过程监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210032489.1A CN102566554B (zh) | 2012-02-14 | 2012-02-14 | 一种基于单类支持向量机的半导体过程监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102566554A true CN102566554A (zh) | 2012-07-11 |
CN102566554B CN102566554B (zh) | 2014-02-19 |
Family
ID=46412198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210032489.1A Expired - Fee Related CN102566554B (zh) | 2012-02-14 | 2012-02-14 | 一种基于单类支持向量机的半导体过程监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102566554B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880151A (zh) * | 2012-10-11 | 2013-01-16 | 浙江大学 | 双层数据模型驱动的厂级化工过程监测方法 |
CN103377316A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 基于统计分析和贝叶斯集成的青霉素生产过程监测方法 |
CN103376795A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 一种基于集成学习建模技术的半导体过程监测方法 |
CN103439933A (zh) * | 2013-08-13 | 2013-12-11 | 清华大学 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN110807399A (zh) * | 2019-10-29 | 2020-02-18 | 北京师范大学 | 一种基于单一类别支持向量机的崩滑隐患点检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070122856A1 (en) * | 2005-11-10 | 2007-05-31 | Aurelium Biopharma Inc. | Tissue diagnostics for ovarian cancer |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
US20110026804A1 (en) * | 2009-08-03 | 2011-02-03 | Sina Jahanbin | Detection of Textural Defects Using a One Class Support Vector Machine |
-
2012
- 2012-02-14 CN CN201210032489.1A patent/CN102566554B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070122856A1 (en) * | 2005-11-10 | 2007-05-31 | Aurelium Biopharma Inc. | Tissue diagnostics for ovarian cancer |
CN101458522A (zh) * | 2009-01-08 | 2009-06-17 | 浙江大学 | 基于主元分析和支持向量数据描述的多工况过程监控方法 |
US20110026804A1 (en) * | 2009-08-03 | 2011-02-03 | Sina Jahanbin | Detection of Textural Defects Using a One Class Support Vector Machine |
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
《化工学报》 20090131 张建明,葛志强等 "基于支持向量数据描述的非高斯过程故障重构与诊断" 第60卷, 第1期 * |
张建明,葛志强等: ""基于支持向量数据描述的非高斯过程故障重构与诊断"", 《化工学报》, vol. 60, no. 1, 31 January 2009 (2009-01-31) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880151A (zh) * | 2012-10-11 | 2013-01-16 | 浙江大学 | 双层数据模型驱动的厂级化工过程监测方法 |
CN102880151B (zh) * | 2012-10-11 | 2015-02-11 | 浙江大学 | 双层数据模型驱动的厂级化工过程监测方法 |
CN103377316A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 基于统计分析和贝叶斯集成的青霉素生产过程监测方法 |
CN103376795A (zh) * | 2013-07-15 | 2013-10-30 | 浙江大学 | 一种基于集成学习建模技术的半导体过程监测方法 |
CN103439933A (zh) * | 2013-08-13 | 2013-12-11 | 清华大学 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
CN105425779A (zh) * | 2015-12-24 | 2016-03-23 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN105425779B (zh) * | 2015-12-24 | 2018-12-04 | 江南大学 | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 |
CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN106886213B (zh) * | 2017-03-13 | 2019-10-18 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN110807399A (zh) * | 2019-10-29 | 2020-02-18 | 北京师范大学 | 一种基于单一类别支持向量机的崩滑隐患点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102566554B (zh) | 2014-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102566554A (zh) | 一种基于单类支持向量机的半导体过程监测方法 | |
CN108227653B (zh) | 一种基于随机化核主元分析的大规模非线性过程监控方法 | |
CN101713983B (zh) | 基于独立成分分析和贝叶斯推理的半导体过程监测方法 | |
Kano et al. | Monitoring independent components for fault detection | |
CN107272667B (zh) | 一种基于平行的偏最小二乘法的工业过程故障检测方法 | |
Kong et al. | Extraction of reduced fault subspace based on KDICA and its application in fault diagnosis | |
Zeng et al. | Virtual metrology modeling for plasma etch operations | |
CN101458522A (zh) | 基于主元分析和支持向量数据描述的多工况过程监控方法 | |
WO2012094156A2 (en) | Methods and apparatus for data analysis | |
CN108803465B (zh) | 一种基于闭环数据驱动的分布式即插即用故障监测方法 | |
Fan et al. | AutoEncoder based high-dimensional data fault detection system | |
WO2023273249A1 (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
CN103488561A (zh) | 一种在线升级主样本模型的kNN故障检测方法 | |
CN105700490B (zh) | 一种提高产品良率的方法及系统 | |
CN107578100A (zh) | 一种基于过程参数的结果反馈方法及装置 | |
CN103377316A (zh) | 基于统计分析和贝叶斯集成的青霉素生产过程监测方法 | |
CN104503436B (zh) | 一种基于随机投影和k近邻的快速故障检测方法 | |
CN103309347A (zh) | 一种基于稀疏表示的多工况过程监控方法 | |
CN103376795A (zh) | 一种基于集成学习建模技术的半导体过程监测方法 | |
CN110083797B (zh) | 一种滴灌管生产线异常实时监测方法及系统 | |
CN110910021A (zh) | 一种基于支持向量机监控在线缺陷的方法 | |
CN114912501A (zh) | 半导体加工过程传感器数据异常检测的方法 | |
CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
Yu et al. | Using minimum quantization error chart for the monitoring of process states in multivariate manufacturing processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140219 Termination date: 20190214 |