CN111815187A - 一种基于方向加权网络的制造过程风险评价方法 - Google Patents

Abstract

一种基于方向加权网络的制造过程风险评价方法，包括以下步骤：建立多阶段制造过程模型；建立方向加权网络；评估并得到方向加权网络中的节点的重要度；以及获得制造过程风险评价。

Description

一种基于方向加权网络的制造过程风险评价方法

技术领域

本发明涉及制造中的风险评价技术领域，更具体地涉及一种基于方向加权网络的制造过程风险评价方法。

背景技术

在产品制造过程中，由于过程因素的随机波动，会导致质量特性出现偏差，而制造过程固有的随机波动在所有阶段都是很难避免的。因此，制造过程的质量控制一直是一个热点且重要的难题。在制造过程中，质量特性之间存在复杂的耦合关系。通常，一个关键特性的加工误差可能会导致与关键特性耦合的其他质量特性产生偏差。因此，识别关键质量特性对于制造过程中的质量控制尤为重要。此外，孤立地分析质量特性之间的关系可能会导致错误的结果。

因此，为了更精确全面地定量分析产品制造过程的风险，以及确定关键质量特性用于对产品制造过程进行质量改进，本发明的实施方式提供了基于复杂网络理论的质量特性重要度排序和制造过程风险评估方法。

发明内容

质量特性偏差的累积会导致产品缺陷的产生，然后在使用过程中以早期失效的形式暴露出来。而且质量特性之间存在复杂的耦合关系，由于前端加工工序的质量特性偏差的累积会在制造过程中传播，从而影响后端工序的质量特性。因此，质量特性之间的耦合关系更确切地说是因果关系，而质量特性的大小以及质量特性之间的影响状态会随着时间发生复杂的变化，静态地独立地去分析质量特性对制造过程风险的影响是不足的。本发明的实施方式提供的方法利用复杂网络理论全面地分析了制造过程中质量特性之间的影响关系，定量化地确定了质量特性的重要度排序，并且基于质量特性的耦合关系确定了制造过程风险，以期为制造过程风险评估提供决策依据，并为制造过程质量控制和改进提供理论依据。

本发明的实施方式中，根据质量特性之间的因果关系并基于复杂网络理论建立有向加权网络，制造过程中的质量特性被映射为网络的节点。混合嵌入偏条件互信息被用于分析制造过程质量特性之间的因果关系。从而将质量特性之间的因果关系映射为有向边，并将因果影响的大小定义为边的权重。此外，基于信息熵理论来测量节点的中心性，节点的影响分为局部影响和间接影响两个部分，分别是根据节点的一阶邻居网络和二阶邻居网络确定的。而节点的熵值越大，其对应在网络中的影响也越大，对应的重要度也越高。此外，整个有向加权网络的熵值是根据节点熵值的加权平均值确定的，该值被定义为制造过程的风险。

本发明的一个实施方式提供了一种基于方向加权网络的制造过程风险评价方法，其特征在于，该方法包括以下步骤：建立多阶段制造过程模型；建立方向加权网络；评估并获得方向加权网络中的节点的重要度；以及获得制造过程风险评价。

在一个可选的实施方式中，所述建立多阶段制造过程模型的步骤包括：对多阶段制造过程进行建模并从中提取质量特性。

在另一个可选的实施方式中，所述建立方向加权网络的步骤包括：以方向加权网络表示多阶段制造过程；在该方向加权网络中以节点表示单个类别的质量特性；以及利用混合嵌入偏条件互信息来估计所述多阶段制造过程中的所述质量特性的多变量时间序列的直接和方向性耦合关系。

在一个可选的实施方式中，所述评估并获得方向加权网络中的节点的重要度的步骤包括：将所述方向加权网络按照节点类别分为多个子网；评估一个节点在给定子网中对其一阶邻居节点的影响；评估所述一个节点对所述方向加权网络的直接影响；评估所述一个节点对二阶邻居节点的影响；评估所述一个节点对所述方向加权网络的间接影响；以及获得所述一个节点在方向加权网络中的总的影响及重要度。

在另一个可选的实施方式中，所述获得制造过程风险评价的步骤包括：以多阶段制造过程的质量熵表示风险；以方向加权网络表示多阶段制造过程；以及通过获得节点熵中心值的加权平均来评估多阶段制造过程的风险。

本发明的另一个实施方式所提供的一种基于方向加权网络的制造过程风险评价方法，可包括以下步骤。

步骤一:建立多阶段制造过程模型。在多阶段制造过程中，质量特性之间存在复杂的因果关系。此外，由于过程因素的随机波动，每个质量特性在时间序列上都是不确定的。因此，如果要研究质量特性之间的因果关系对制造过程质量的影响，则应首先对多阶段制造过程进行建模并提取相应的质量特性。假设k是加工工序数，则工序集为

S＝{S₁,S₂,…,S_k}，且

ε＝{ε₁,ε₂,…,ε_k}和τ＝{τ₁,τ₂,…,τ_k}被分别定义为单个质量特性在每个工序中被提取的数量和每个加工阶段的时间长度。多阶段制造过程模型如图1所示。

假设多阶段制造过程有n种不同的质量特性，则质量特性的集合为C＝{C₁,C₂,…,C_n}。质量特性从多阶段制造过程提取出来的示意图如图2所示。

步骤二:建立方向加权网络。在该步骤中，利用混合嵌入偏条件互信息来估计质量特性的多变量时间序列的直接和方向性耦合关系。多阶段制造过程n个质量特性的时间序列集合为

如果在变量Z的条件下估计变量X对变量Y的因果影响，则将X视为驱动系统，Y视为响应系统，Z视为其它系统。其中，X，Y和Z都是质量特性时间序列集合。另外，集合

表示为变量X的将来的值，对于变量Y和Z来说也是一样的，即以集合

表示变量Y的将来的值，以集合

y_t+T]表示变量Z的将来的值。另外在每个变量的最大滞后给出的范围内寻找X，Y和Z的滞后向量集合，并分别表示为L_x，L_y和L_z，且L_x＝L_y＝L_z。V_t表示为时间t的所有滞后变量的集合，其中变量X的滞后向量集合为x_t,x_t-1,…,

相应的变量Y和Z的滞后向量集合为y_t,y_t-1,…,

和z_t,z_t-1,…,

可利用一种迭代方法获得混合嵌入向量v_t∈V_t，包括以下步骤：

(i)m＝0，从一个空的嵌入向量

开始；

(ii)第一次迭代m＝1，为了获得在V_t中与

最相关的向量，并将该向量表示为

计算方法如公式(1)所示

其中，

I(.)表示互信息，而且互信息通过k进邻算法估计，并令

同时将

从V_t中移除；

(iii)在第m(m≥2)个嵌入循环中，混合嵌入向量由V_t中的分量

扩充，它表示除了已经包含在

中的信息外，能够给

信息最多的向量，同步骤(ii)一样，

定义如公式(2)所示

而且，终止规则如公式(3)所示

其中，A<1且A的值一般为0.95或0.97，当迭代终止时得到混合嵌入向量

(iv)在变量Z的条件下，计算变量X对变量Y的因果影响，如公式(4)所示

因此，定义方向加权网络的三元组如公司(5)所示

G＝(N,E,W) (5)

其中N＝{N₁,N₂,…,N_n}表示网络的节点集合，每一个节点在网络中表示为单个类别的质量特性，E＝{e₁₁,e₁₂,…,e_ij,…}_n×n(1≤i≤n,1≤j≤n)表示网络有向边的集合，其方向是从节点i到节点j，W＝{w₁₁,w₁₂,…,w_ij,…}_n×n(1≤i≤n,1≤j≤n)表示有向边的权重集合，当w_ij>0时，表示节点i对节点j存在因果影响，当w_ij＝0时，表示节点i对节点j没有因果影响。

步骤三：获得网络节点重要度。

本发明将节点对网络的影响分为两类，分别是直接影响和间接影响，对应于节点对一阶邻居网络的影响和节点对二阶邻居网络的影响。可通过如下步骤获得：

(i)将一个完整的方向加权网络按照节点类别分为n个子网；

(ii)计算结构熵SE，结构熵利用了子网的拓扑性能，可以评估一个节点在给定子网中对其一阶邻居节点的影响，节点i的度被定义为SDC_i，其计算方法如公式(6)所示

其中，

表示节点i的入度，即一阶邻居节点j指向节点i的数量，

表示节点i的出度，即节点i指向一阶邻居节点j的数量，因此，节点i的结构熵计算方法如公式(7)所示

公式(7)中，M表示直接与节点i相连的节点数量；

(iii)计算频率熵FE，频率熵利用的是方向加权网络中的权重，可以反映网络中两个节点信息交互的频率，节点i的频率熵计算如公式(8)所示

公式(8)中，W_ij表示节点i到节点j的权重，H表示节点i指向其他节点的数量；

(iv)联合公式(7)和(8)可得节点i对方向加权网络的直接影响，被定义为LE_i

LE_i＝θ₁SE_i+θ₂FE_i (9)

公式(9)中，θ₁+θ₂＝1，分别表示结构熵和频率熵的权重向量，且它们的值分别是0.4和0.6；

(v)计算节点i对二阶邻居节点k的间接影响，其计算方法如公式(10)所示

其中，N_ik表示节点i与节点k相连的中间节点的数量，LE_s表示节点s的直接影响的大小，且节点s与节点i和k相连接。本发明的实施方式中以一个两路径菱形网络为例解释该算法的计算方式，如图3所示。

如图3所示，节点s对应于节点j和l,则节点i的间接影响计算如公式(11)所示

因此，节点i的总的间接影响被定义为IE_i，计算方法如公式(12)所示

其中，H_i表示节点i的总的二阶邻居节点的数量；

(vi)联合公式(9)和公式(12)，可得节点i的总的影响为：

E_i＝μ₁LE_i+μ₂IE_i (13)

公式(13)中，μ₁和μ₂分别是0.6和0.4，表示节点i的直接影响和间接影响的权重系数。E_i为根据信息熵得到的节点i的熵中心值，它的值越大，代表它在方向加权网络中的影响力越大，重要度越高。

步骤四：得到制造过程风险评价。

信息熵是制造过程中质量特性状态不确定性的量度，即质量损失的量度。因此，风险被定义为多阶段制造过程的质量熵。而多阶段制造过程可以通过方向加权网络来表示，因此将多阶段制造过程的风险定义为节点熵中心值的加权平均。而节点权重计算如公式(14)所示：

其中，SDC_i表示节点i的度，N表示节点的数量，

因此，制造过程风险R为：

本发明的实施方式至少具有以下优点：从时间序列角度考虑质量特性之间的因果关系，并建立了方向加权网络，考虑了多阶段制造过程质量特性随时间变化的特性，可以更好地评估质量特性的重要度；将方向加权网络节点的影响分为直接影响和间接影响，考虑了两阶邻居网络的特性，可以更精确地表征节点的重要度；另外，还将制造过程的风险定义为方向加权网络节点熵中心值的加权平均，可以根据节点和边的状态变化实时评估制造过程风险，为风险控制提供决策依据。

附图说明

结合附图及下面的详细描述，可更容易理解本发明的前述特征，其中：

图1为根据本发明的一个实施方式提供的基于方向加权网络的制造过程风险评价方法中的多阶段制造过程模型示意图；

图2为根据本发明的一个实施方式提供的基于方向加权网络的制造过程风险评价方法中的从多阶段制造过程提取出质量特性示意图；

图3为根据本发明的一个实施方式提供的基于方向加权网络的制造过程风险评价方法中的两路径菱形网络示意图；

图4为应用本发明的一个实施方式所提供的方法的示例性实例中的半导体的制造工艺流程图；

图5为应用本发明的一个实施方式所提供的方法的示例性实例中的方向加权网络示意图；

图6为应用本发明的一个实施方式所提供的方法的示例性实例中的节点的直接影响、非直接影响和总体影响示意图。

图中序号、符号、代号说明如下

S：多阶段制造过程的工序集合

ε：单个质量特性在每个工序提取的数量的集合

τ：单个工序加工时间的集合

C：质量特性的集合

G：有向加权网络的符号表示

N：网络的节点集合，与质量特性集合一一对应

W：网络的权重集合，表示一个节点对另一个节点信息交互的频率

E：网络边的集合，表示一个节点指向另一个节点

X：驱动系统

Y：响应系统

Z：其它系统

变量X的在T时刻的将来值的向量集合

L_x：X的滞后向量

L_y：Y的滞后向量

L_z：Z的滞后向量

V_t：滞后向量的集合

v_t：包含于V_t的滞后向量

I(.)：互信息

m：迭代次数

A：终止迭代指标

R_X→Y|Z：变量X对变量Y的因果影响大小

SE：节点的结构熵

FE：节点的频率熵

LE_i：节点的在网络中的直接影响力大小

θ₁：结构熵的权重

θ₂：频率熵的权重

IE_i：节点的在网络中的间接影响力大小

E_i：节点在网络中总的影响力大小

μ₁：节点直接影响的权重

μ₂：节点间接影响的权重

λ_i：节点在网络中的权重

R：制造过程风险的大小

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本发明使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明的一个实施方式提供了一种基于方向加权网络的制造过程风险评价方法，其特征在于，该方法包括以下步骤：建立多阶段制造过程模型；建立方向加权网络；评估并获得方向加权网络中的节点的重要度；以及获得制造过程风险评价。

在一个可选的实施方式中，所述建立多阶段制造过程模型的步骤包括：对多阶段制造过程进行建模并从中提取质量特性。

在另一个可选的实施方式中，所述建立方向加权网络的步骤包括：以方向加权网络表示多阶段制造过程；在该方向加权网络中以节点表示单个类别的质量特性；以及利用混合嵌入偏条件互信息来估计所述多阶段制造过程中的所述质量特性的多变量时间序列的直接和方向性耦合关系。

在一个可选的实施方式中，所述评估并获得方向加权网络中的节点的重要度的步骤包括：将所述方向加权网络按照节点类别分为多个子网；评估一个节点在给定子网中对其一阶邻居节点的影响；评估所述一个节点对所述方向加权网络的直接影响；评估所述一个节点对二阶邻居节点的影响；评估所述一个节点对所述方向加权网络的间接影响；以及获得所述一个节点在方向加权网络中的总的影响及重要度。

在另一个可选的实施方式中，所述获得制造过程风险评价的步骤包括：以多阶段制造过程的质量熵表示风险；以方向加权网络表示多阶段制造过程；以及通过获得节点熵中心值的加权平均来评估多阶段制造过程的风险。

本发明的另一个实施方式所提供的一种基于方向加权网络的制造过程风险评价方法，可包括以下步骤。

步骤一:建立多阶段制造过程模型。在多阶段制造过程中，质量特性之间存在复杂的因果关系。此外，由于过程因素的随机波动，每个质量特性在时间序列上都是不确定的。因此，如果要研究质量特性之间的因果关系对制造过程质量的影响，则应首先对多阶段制造过程进行建模并提取相应的质量特性。假设k是加工工序数，则工序集为

S＝{S₁,S₂,…,S_k}，且

ε＝{ε₁,ε₂,…,ε_k}和τ＝{τ₁,τ₂,…,τ_k}被分别定义为单个质量特性在每个工序中被提取的数量和每个加工阶段的时间长度。多阶段制造过程模型如图1所示。

假设多阶段制造过程有n种不同的质量特性，则质量特性的集合为C＝{C₁,C₂,…,C_n}。质量特性从多阶段制造过程提取出来的示意图如图2所示。

步骤二:建立方向加权网络。在该步骤中，利用混合嵌入偏条件互信息来估计质量特性的多变量时间序列的直接和方向性耦合关系。多阶段制造过程n个质量特性的时间序列集合为

如果在变量Z的条件下估计变量X对变量Y的因果影响，则将X视为驱动系统，Y视为响应系统，Z视为其它系统。其中，X，Y和Z都是质量特性时间序列集合。另外，集合

表示为变量X的将来的值，对于变量Y和Z来说也是一样的，即以集合

表示变量Y的将来的值，以集合

y_t+T]表示变量Z的将来的值。另外在每个变量的最大滞后给出的范围内寻找X，Y和Z的滞后向量集合，并分别表示为L_x，L_y和L_z，且L_x＝L_y＝L_z。V_t表示为时间t的所有滞后变量的集合，其中变量X的滞后向量集合为x_t,x_t-1,…,

相应的变量Y和Z的滞后向量集合为y_t,y_t-1,…,

和z_t,z_t-1,…,

可利用一种迭代方法获得混合嵌入向量v_t∈V_t，包括以下步骤：

(i)m＝0，从一个空的嵌入向量

开始；

(ii)第一次迭代m＝1，为了获得在V_t中与

最相关的向量，并将该向量表示为

计算方法如公式(1)所示

其中，

I(.)表示互信息，而且互信息通过k进邻算法估计，并令

同时将

从V_t中移除；

(iii)在第m(m≥2)个嵌入循环中，混合嵌入向量由V_t中的分量

扩充，它表示除了已经包含在

中的信息外，能够给

信息最多的向量，同步骤(ii)一样，

定义如公式(2)所示

而且，终止规则如公式(3)所示

其中，A<1且A的值一般为0.95或0.97，当迭代终止时得到混合嵌入向量

(iv)在变量Z的条件下，计算变量X对变量Y的因果影响，如公式(4)所示

因此，定义方向加权网络的三元组如公司(5)所示

G＝(N,E,W) (5)

其中N＝{N₁,N₂,…,N_n}表示网络的节点集合，每一个节点在网络中表示为单个类别的质量特性，E＝{e₁₁,e₁₂,…,e_ij,…}_n×n(1≤i≤n,1≤j≤n)表示网络有向边的集合，其方向是从节点i到节点j，W＝{w₁₁,w₁₂,…,w_ij,…}_n×n(1≤i≤n,1≤j≤n)表示有向边的权重集合，当w_ij>0时，表示节点i对节点j存在因果影响，当w_ij＝0时，表示节点i对节点j没有因果影响。

步骤三：获得网络节点重要度。

本发明将节点对网络的影响分为两类，分别是直接影响和间接影响，对应于节点对一阶邻居网络的影响和节点对二阶邻居网络的影响。可通过如下步骤获得：

(i)将一个完整的方向加权网络按照节点类别分为n个子网；

(ii)计算结构熵SE，结构熵利用了子网的拓扑性能，可以评估一个节点在给定子网中对其一阶邻居节点的影响，节点i的度被定义为SDC_i，其计算方法如公式(6)所示

其中，

表示节点i的入度，即一阶邻居节点j指向节点i的数量，

表示节点i的出度，即节点i指向一阶邻居节点j的数量，因此，节点i的结构熵计算方法如公式(7)所示

公式(7)中，M表示直接与节点i相连的节点数量；

(iii)计算频率熵FE，频率熵利用的是方向加权网络中的权重，可以反映网络中两个节点信息交互的频率，节点i的频率熵计算如公式(8)所示

公式(8)中，W_ij表示节点i到节点j的权重，H表示节点i指向其他节点的数量；

(iv)联合公式(7)和(8)可得节点i对方向加权网络的直接影响，被定义为LE_i

LE_i＝θ₁SE_i+θ₂FE_i (9)

公式(9)中，θ₁+θ₂＝1，分别表示结构熵和频率熵的权重向量，且它们的值分别是0.4和0.6；

(v)计算节点i对二阶邻居节点k的间接影响，其计算方法如公式(10)所示

其中，N_ik表示节点i与节点k相连的中间节点的数量，LE_s表示节点s的直接影响的大小，且节点s与节点i和k相连接。本发明的实施方式中以一个两路径菱形网络为例解释该算法的计算方式，如图3所示。

如图3所示，节点s对应于节点j和l,则节点i的间接影响计算如公式(11)所示

因此，节点i的总的间接影响被定义为IE_i，计算方法如公式(12)所示

其中，H_i表示节点i的总的二阶邻居节点的数量；

(vi)联合公式(9)和公式(12)，可得节点i的总的影响为：

E_i＝μ₁LE_i+μ₂IE_i (13)

公式(13)中，μ₁和μ₂分别是0.6和0.4，表示节点i的直接影响和间接影响的权重系数。E_i为根据信息熵得到的节点i的熵中心值，它的值越大，代表它在方向加权网络中的影响力越大，重要度越高。

步骤四：得到制造过程风险评价。

信息熵是制造过程中质量特性状态不确定性的量度，即质量损失的量度。因此，风险被定义为多阶段制造过程的质量熵。而多阶段制造过程可以通过方向加权网络来表示，因此将多阶段制造过程的风险定义为节点熵中心值的加权平均。而节点权重计算如公式(14)所示：

其中，SDC_i表示节点i的度，N表示节点的数量，

因此，制造过程风险R为：

半导体制造工艺是集成电路实现的手段，也是集成电路设计的基础。伴随着芯片的集成度越来越高、半导体制造的先进程度也逐渐提升。半导体产业包含越来越多的机械、化工、软件、材料等其它领域，是集成了很多子系统的大系统。这些为半导体制造过程质量控制带来了很多的难点，因此需要对半导体制造过程风险进行分析，找出制造过程中的关键质量特性，从而通过控制关键质量特性提升产品质量。参见图4，示出了半导体的制造工艺流程图。

其中，有些工序可能有上百个工步，而且半导体部件的形成机理十分复杂。要想对这么复杂的半导体制造过程进行监控，通常通过监视从传感器或过程测量点收集的信号或变量。但是，并非所有这些信号在特定的监视系统中都具有同等的价值，被测信号是包含有用信息，无关信息以及噪声的组合。通常情况下，有用的信息会埋藏在后两者中。因此往往需要收到比实际所需数量更多的信号。如果将每种类型的信号视为特征，则可以使用特征选择来识别最相关的信号。然后，可以使用这些信号来确定关键因素，这些关键因素会导致下游工序的质量偏差。

SECOM数据集共设有1567个采样点和591个质量特性，本示例性实施方式从591个质量特性中选取前59个质量特性作为说明。因此，

且n＝59。本示例性实施方式中将混合嵌入偏条件互信息算法参数设为A＝0.95,L＝5和T＝3，得到的加权复杂网络如图5所示。

在图5中，灰色实线表示边的权重大于0.5，黑色实线表示边的权重小于或等于0.5，且其中节点18,50和53是单独的，和其它节点不相连。以节点1的子网为例计算其影响力的大小，子网G₁中各节点的度如表1所示。

表1子网G₁各节点的度

基于公式(7)，以10为公式中对数的基底，则节点1的结构熵结果如公式(16)所示。

基于公式(8)，节点1的频率熵如公式(17)所示。

则节点1的直接影响为：

LE₁＝0.4SE₁+0.6FE₁＝0.8174 (18)

根据公式(10)和公式(12)，间接影响的大小为：

因此，节点1在网络中总的影响为：

E₁＝0.6LE₁+0.4IE₁＝0.8601 (20)

按照节点1的计算步骤，其余58个节点的影响力大小也可得到，其所有结果以及排序如表2所示。

表2节点影响力大小及排序

此外，节点的直接影响、非直接影响和总体影响的比较如图5所示。

结合表2和图6，在整个网络中，节点3、4、29、34、41和52显然比其他节点更重要。而且，这6个节点的基于熵的中心值均大于1，而排名第7的节点的总影响为0.8940，与前6个节点的差距较大。因此，将节点3、4、29、34、41和52视为重要节点，因为它们的状态改变对有向加权网络的性质影响更大，并且也影响着更多的节点。此外，共有32个节点的基于熵的中心度的值小于0.5，这占了数据集的一半以上。并且只有9个节点的基于熵的中心值大于0.8，其中包括节点1、3、4、23、29、34、37、41和52。这说明了网络中只有少部分节点是关键重要的，因此，可以通过提高关键节点的输出质量来降低制造过程的风险。此外，制造过程的风险由每个节点基于熵的中心值的加权平均值定义。并且通过节点的度获得每个节点的权重。节点的度越大，权重越大，节点对整个制造过程构成风险的可能性就越大。基于公式(14)，每个节点的度及其权重如表3所示。

表3节点的度及其权重

因此，基于公式(15)，多阶段制造过程的风险是

此外，如表2所示，节点的基于熵的中心值的最大值为1.2108。因此，整个制造过程的风险区间为0到1.2108。假设将此风险区间按从小到大分为三类，分别为[0,0.4036)，[0.4036,0.8072)和[0.8072,1.2108]。并且相应的风险等级为低，中和高，那么该示例性案例中的制造过程的风险等级为中。此外，节点3、4、29、34、41和52占权重集合的25.77％。显然，控制这六个节点对于提高制造过程的质量至关重要。

应理解，根据本发明的实施方式不仅适用于以上说明的示例性案例中半导体制造过程中的风险评价，还可以应用到其它生产制造过程中，为其风险评价提供合理的参考。

需要说明的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、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，所述模块、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，两个连续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动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，前述仅说明了一些实施方式，可进行改变、修改、增加和/或变化而不偏离所公开的实施方式的范围和实质，该实施方式是示意性的而不是限制性的。此外，所说明的实施方式涉及当前考虑为最实用和最优选的实施方式，其应理解为实施方式不应限于所公开的实施方式，相反地，旨在覆盖包括在该实施方式的实质和范围内的不同的修改和等同设置。此外，上述说明的多种实施方式可与其它实施方式共同应用，如，一个实施方式的方面可与另一个实施方式的方面结合而实现再另一个实施方式。另外，任何给定组件的各独立特征或构件可构成另外的实施方式。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (5)

1.一种基于方向加权网络的制造过程风险评价方法，其特征在于，该方法包括以下步骤：

建立多阶段制造过程模型；

建立方向加权网络；

评估并得到方向加权网络中的节点的重要度；以及

获得制造过程风险评价。

2.如权利要求1所述的基于方向加权网络的制造过程风险评价方法，其特征在于，所述建立多阶段制造过程模型的步骤包括：对多阶段制造过程进行建模并从中提取质量特性。

3.如权利要求2所述的基于方向加权网络的制造过程风险评价方法，其特征在于，所述建立方向加权网络的步骤包括：

以方向加权网络表示多阶段制造过程；

在该方向加权网络中以节点表示单个类别的质量特性；以及

利用混合嵌入偏条件互信息来估计所述多阶段制造过程中的所述质量特性的多变量时间序列的直接和方向性耦合关系。

4.如权利要求3所述的基于方向加权网络的制造过程风险评价方法，其特征在于，所述评估并得到方向加权网络中的节点的重要度的步骤包括：

将所述方向加权网络按照节点类别分为多个子网；

评估一个节点在给定子网中对其一阶邻居节点的影响；

评估所述一个节点对所述方向加权网络的直接影响；

评估所述一个节点对二阶邻居节点的影响；

评估所述一个节点对所述方向加权网络的间接影响；以及

获得所述一个节点在方向加权网络中的总的影响及重要度。

5.如权利要求1所述的基于方向加权网络的制造过程风险评价方法，其特征在于，所述获得制造过程风险评价的步骤包括：

以方向加权网络表示多阶段制造过程；

以多阶段制造过程的质量熵表示风险；以及

通过获得节点熵中心值的加权平均来评估多阶段制造过程的风险。

Images