CN112445775A - 一种光刻机的故障分析方法、装置、设备和存储介质 - Google Patents

一种光刻机的故障分析方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112445775A
CN112445775A CN201910753781.4A CN201910753781A CN112445775A CN 112445775 A CN112445775 A CN 112445775A CN 201910753781 A CN201910753781 A CN 201910753781A CN 112445775 A CN112445775 A CN 112445775A
Authority
CN
China
Prior art keywords
fault
template
log data
new
templates
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
Application number
CN201910753781.4A
Other languages
English (en)
Other versions
CN112445775B (zh
Inventor
王立伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Micro Electronics Equipment Co Ltd
Original Assignee
Shanghai Micro Electronics Equipment Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Micro Electronics Equipment Co Ltd filed Critical Shanghai Micro Electronics Equipment Co Ltd
Priority to CN201910753781.4A priority Critical patent/CN112445775B/zh
Publication of CN112445775A publication Critical patent/CN112445775A/zh
Application granted granted Critical
Publication of CN112445775B publication Critical patent/CN112445775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/1805—Append-only file systems, e.g. using logs or journals to store data
    • G06F16/1815—Journaling file systems
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例公开了一种光刻机的故障分析方法、装置、设备和存储介质，其中，方法包括：将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。本发明实施例通过故障模板匹配可实现对实时获取的故障日志快速分类，并通过更新故障关键词矩阵，以便根据故障关键词矩阵进行故障分析，提升了故障分析效率。

Description

一种光刻机的故障分析方法、装置、设备和存储介质
技术领域
本发明实施例涉及光刻机领域，尤其涉及一种光刻机的故障分析方法、装置、设备和存储介质。
背景技术
随着“云计算”概念的引入，计算机系统变得越来越复杂，运作在其上的软件也越来越丰富，交互更加频繁，耦合性高，使得系统故障的原因与种类也难以进行分析。由于现代社会对于计算机的依赖程度逐渐加深，特别是某些特殊的使用，比如半导体，IC制造业，一旦出现故障，将会给公司带来很大的损失。为了满足光刻机系统的稳定性要求，需要对系统进行实时的监控，通过对日志分析及时发现系统的存在的问题。
目前只能依靠维护人员从大量的复杂的信息中抽取出和故障相关的信息，并基于维护人员的知识和经验进行故障分析。然而由于日志信息众多，仅通过人工进行处理，使得故障分析处理的效率低。
发明内容
本发明实施例提供一种光刻机的故障分析方法、装置、设备和存储介质，以解决现有技术中故障分析处理的效率低的技术问题。
第一方面，本发明实施例提供了一种光刻机的故障分析方法，该方法包括：
将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；
获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；
获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
第二方面，本发明实施例还提供了一种光刻机的故障分析装置，该装置包括：
匹配模块，用于将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；
模板添加模块，获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；
矩阵更新模块，用于获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
第三方面，本发明实施例还提供了一种设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的光刻机的故障分析方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的光刻机的故障分析方法。
本发明实施例通过将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配，可实现对故障日志的快速分类，并根据分类结果可更新知识库的模板，可保证后续分类的准确性，同时根据与故障模板相匹配的故障日志数据更新预先建立的故障关键词矩阵中的数值，后续可直接根据更新后的故障关键词矩阵进行故障分析，提升了故障分析效率。
附图说明
图1为本发明实施例一中的光刻机的故障分析方法的流程图；
图2是本发明实施例二中的光刻机的故障分析方法的流程图；
图3是本发明实施例三中的光刻机的故障分析方法的流程图；
图4是本发明实施例四中的光刻机的故障分析装置的结构示意图；
图5是本发明实施例五中的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的光刻机的故障分析方法的流程图，本实施例可适用于对光刻机故障进行故障学习的情况，该方法可以由光刻机的故障分析装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在光刻机上。
如图1所示，所述光刻机的故障分析方法具体包括：
S101、获取清洗后的历史故障日志数据。
示例性的，对于历史故障日志数据，通过预处理去除其中的多余信息，使得获取到清洗后的历史故障日志数据后，可直接进行模板信息提取，提升获取故障模板的效率。
S102、针对任一历史故障日志数据，提取所述历史故障日志数据中的不变量，作为该历史故障日志数据的故障模板。
其中，不变量是指组成历史故障日志数据的语句中的静态信息。通过所述静态信息可以判断程序员当初写这条日志的目的。例如，一历史故障日志为：Log.info(message,"The current component％s err number％d",componentName,errnumber)；维护人员需要获得的静态信息就是“The current component”。可选的，在提取日志不变量时，可按照如下两个步骤进行：
S1.针对任一历史故障日志数据，去除所述历史故障日志数据中变量。
其中，所述变量是指日志结构中动态变化的单词，主要包括数字、目录、错误代码等易去除的部分。可选的，可通过正则表达式匹配的方式去除日志中的变量。示例性的，参见表1，去除日志中变量前后对比。
表1 去除日志中变量的前后对比表
Figure BDA0002168089010000041
从表1中可知，去除变量后，被删除的元素用“*”号代替，由于在语法上单词存在的前后次序，同时为了区分不同的位置，通过符号替换，更能够反映日志的原始信息，减小提取过程中失真。在此需要说明的是，还可以采用具有不同意义的符号进行替换。
S2.基于词频统计的方式，确定每个单词对所述历史故障日志数据的重要程度；去除所述重要程度小于预设阈值的单词。
示例性的，采用改进的TF-IDF来计算每个单词出现的频率，具体过程如下：词频(TF)指的是某个词语在日志文本中的出现频率。对于某一组件(例如dj)产生的关键字ti，它的重要性可表示为式：
Figure BDA0002168089010000051
其中，ni,j指该关键字在组件dj中出现的次数，分母表示组件dj中所有单词出现次数的和。
逆向文件频率(IDF)是一个关键词重要性的度量。如公式所示：
Figure BDA0002168089010000052
其中，|D|表示该设备产生的日志的总数；|{j:tj∈dj}|表示包含词语ti的日志数目。由此，得到TFIDF的计算公式为：
TFIDFi,j＝TFi,j*IDFi
通过计算TFIDF可以获得每个单词占整体日志的重要性。进而通过预先设定的阈值，去除重要程度小于预设阈值的单词，以达到对模板信息的进一步的提取。
示例性的，提取前的故障日志为：
“11/17/2018 14:23:06+922065lus”,“OK”,“0x0”,“Resume communication withHost SUN”；
通过上述S1-S2两步，得到的故障模板为：“OK”,“Host SUN”。
由此通过上述两步骤，模板信息只留下了有意义的部分，可保证得到的模板足够精简，而且由此可以减小解空间，使得后续构建的故障关键词矩阵更精简。
S103、对所述故障模板进行分类，得到至少一种故障类型的故障模板集合。
对于通过S102获得的多个故障模板，可通过聚类的手段进行分类，把内容和格式相似的故障模板放到一个分类当中。示例性的，可通过DBSCAN算法对日志模板进行自动聚类，该算法优点在于可不用提前设定聚类簇的数量，在进行分类时会根据需要自动的划分簇类。DBSCAN算法通过扫描每一个日志，如果这个日志与已经存在一个聚类足够接近，就会把这个日志归入相应的簇当中并打上标记；如果不是，DBSCAN算法会创建一个新的分类，产生一个新的标号并把该日志加入当中。
而在具体进行分类时，可通过距离函数计算两个故障模板的距离来确定其相似性。考虑到日志文本的特殊性，距离公式不仅需要能够判断两条日志中的单词有多少不同，还必须对文本的结构是敏感的，即单词位置的不同。因为是对日志模板进行归类，单词在模板中的位置比起单词的内容而言更加的重要。因此在计算的时候，对编辑距离公式进行了修改，由于日志的长度差别很大，而且长度不同会对编辑距离的计算造成很大的影响，因此这里在编辑距离中添加了系数，减小长度对距离计算的影响。其中，所述改进的编辑距离公式为：
Figure BDA0002168089010000061
LLD(A,B)表示故障模板A和B的距离，LD(A,B)表示故障模板A和B的原始编辑距离，Length()表示故障模板的长度。
在此基础上，针对任意两个故障模板，根据改进的编辑距离公式，计算两个故障模板的距离；判断所述距离是否小于预设距离阈值，若是，则表明这两个故障模板所属的故障类型相同。其中，根据正太分布，距离阈值示例性的选为0.5。
由此通过计算距离实现了对故障模板的分类，得到至少一种故障类型的故障模板集合。在此需要说明的是，在对故障模板进行自动聚类后，可通过人工手段将系统添加的标记修改为具有实际意义得到标记，然后对每一个分类中的日志模板进行调整，修改自动聚类的结果，保证每一个类型中的模板日志都是与该类型的标签相关的。
由此也即确定了每个故障模板所属的故障类型，进而可将分类后的故障模板放入知识库中，以便后续在实际运行时，还可通过将实时获取的故障日志与各故障模板进行匹配，达到对实时故障日志进行分类的目的。
S104、基于所述至少一种故障类型的故障模板集合，计算所述故障模板中的不同单词在各故障类型中的概率分布，形成故障关键词矩阵。
在此首先定义故障关键词矩阵的表达式，示例性的，故障关键词矩阵A是一个m×n的矩阵，m表示所有出现在故障模板中的不同单词个数，n表示故障类型的数量，ai,j表示第i个单词属于第j种故障类型的概率，而且需要说明的是，矩阵里的概率只是一个相对的概率系数，不是真实的概率。定义故障关键词矩阵的表达式如下：
Figure BDA0002168089010000071
基于定义故障关键词矩阵的表达式，可以通过至少一种故障类型的故障模板集合来构建故障关键词矩阵，也即是对故障关键词矩阵中的数值进行计算。
示例性的，以求解概率ai,w进行说明，要计算ai,w，首先要确定第i个单词在故障类型w中出现的概率P(i,w)，而在具体计算时，可按如下公式计算：
Figure BDA0002168089010000081
其中，Count(i,w)表示第i个单词在故障类型w中的出现次数；
Figure BDA0002168089010000082
表示故障类型w中单词的总个数。
通过上述公式计算P(i,w)时，只考虑了日志模板在同一种类型中不同单词的分布，没有考虑同一个单词在不同故障类型中的分布。比如，第i个单词只在故障类型w中出现，该日志就有很大可能属于类型w，即使第i个单词在故障类型w中的出现次数不多。因此，还需对式计算P(i,w)的公式进行修正，添加一个表示单词在某一故障类型中重要程度的比例系数K(i,w)，其计算公式如下：
Figure BDA0002168089010000083
其中，
Figure BDA0002168089010000084
表示第i各单词在所有故障类型中出现的次数之和，t表示故障类型。
K(i,w)与第i个单词在其他类型中出现的次数成反比，即第i个单词出现在故障类型w中的次数比出现在其他故障类型中次数要多时，那么第i个单词对于判断日志是否属于类型w也更重要。由此，ai,w可按照如下公式计算：
Figure BDA0002168089010000085
进一步的，基于至少一种故障类型的故障模板集合计算故障关键词矩阵时，为了方便对故障关键词矩阵进行修改和更新，在矩阵A中额外的添加一项用来保存T(w)，减少重复计算的次数，其中，
Figure BDA0002168089010000086
对于在某一故障类型中的每一个单词，都会计算各单词在所有故障类型中出现的次数之和，例如，计算故障类型w中第i个单词在所有故障类型中的总数sum(i)，因此为了减少计算次数，也会增加额外的空间用来存储sum(i)。
因此，对故障关键词矩阵进行扩充，增加了一行和一列用来保存统计信息，由此，可通分类后的故障模板计算的最终的故障关键词矩阵A为：
Figure BDA0002168089010000091
而且当计算a(i,w)时，需要计算count(i,w)，由于count(i,w)会随着故障关键词矩阵的更新发生变化，因此在实际存储时，在矩阵A当中保存count(i,w)，其中对故障关键词矩阵的更新是指运行阶段，将与故障模板匹配的日志数据更新到故障关键词矩阵中，具体的可参见如下实施例的详述。由于将用来计算a(i,w)的变量都已经保存在矩阵A中，因此计算过程并不会给系统添加额外的开销。
由此通过最终的故障关键词矩阵，可以清楚的知道模板中的单词在不同故障类型中的分布，故障关键词矩阵可以方便的对学习的结果进行存储。而且，在系统实际运行时，可以将新的故障类型和新的单词加入到故障关键词矩阵，实时动态地修改矩阵中数值，解决了传统的机器学习过程对新加入的样本需要重新修改规则的问题，节省了时间，降低了开销。如果某个日志对于多种不同的类型都具有很高的概率，还可以交由管理员进行人工判断，再对故障关键词矩阵进行修改，提高准确度，解决了其他分类方法结果唯一性的问题。
本发明实施例中，通过聚类的手段对构建的故障模板进行分类，避免人工分类，提生了分类效率，而且聚类时，在编辑距离中添加了系数，减小模板日志长度对距离计算的影响，保证了聚类的精度。而且通过构建故障关键词矩阵后，在后续的运行阶段通过对故障关键词矩阵进行修改和更新，方便进行故障分析。
实施例二
图2为本发明实施例二提供的光刻机的故障分析方法的流程图，本实施例二在实施例一的基础上，对实时故障日志进行分类统计。如图2所示，所述方法包括：
S201、将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配。
本发明实施例中，为了提升匹配的效率，可对实时获取的故障日志数据进行清洗，例如去除故障日志中的无意义的单词。进而将清洗后的故障日志数据与知识库中预先建立的故障模板进行匹配。通过上述实施例可知，知识库中预先建立的故障模板所属的故障类型是已知的，因此，可根据匹配结果对实时获取的故障日志数据进行分类。示例性的，若匹配成功的故障日志，则根据匹配到的故障模板所属的故障类型，确定该故障日志的故障类型。进一步的，根据匹配结果分别执行S202和S203。
S202、获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中。
示例性的，若确定某一故障日志与所有故障模板都不匹配，则需要将该故障日志作为新故障模板，更新到知识库中，以便后续可以识别与该故障日志相同的日志。将该故障日志作为新故障模板的过程，可参见上述实施例中通过提取不变量的方式构建新故障模板。进一步，对于新故障模板，还需判断其是否为已知故障类型，具体的可通过上述实施例中计算编辑距离的方式确定，若判断不属于已知故障类型，可通过人工识别其所属故障类型。
S203、获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
如果某一故障日志与某一故障模板相匹配，则根据该故障模板所属的故障类型确定该故障日志的故障类型，进而根据该故障日志更新预先建立的故障关键词矩阵。示例性的，该故障日志的故障类型为error，该故障日志中的关键词error number，则在预先建立的故障关键词矩阵中找到故障类型error所在的列，并确定故障关键词error number所在的行，例如该位置对应的矩阵位置为a2,3，则将故障关键词矩阵中存储的count(2,3)的值加1，将T(3)的值加1，将sum(2)的值加1，进而根据
Figure BDA0002168089010000111
重新计算a2,3，并替换原来的值。由此达到更新故障关键词矩阵的目的。后续可以根据更新后的故障关键词矩阵进行故障分析，例如分析故障类型种类，每一故障类型出现的次数等。
本发明实施例通过将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配，可实现对故障日志的快速分类，并根据分类结果可更新知识库的模板，可保证后续分类的准确性，同时根据与故障模板相匹配的故障日志数据更新预先建立的故障关键词矩阵中的数值，后续可直接根据修改后的故障关键词矩阵进行故障分析，提升了故障分析效率。
实施例三
图3为本发明实施例三提供的光刻机的故障分析方法的流程图，本实施例在上述实施例的基础上，增加了对故障关键词矩阵进行修改的操作。如图3所示，所述方法包括：
S301、将实时获取的故障日志数据与预先建立的故障模板进行匹配。
S302、根据匹配结果，将与所述故障模板不匹配的故障日志数据作为新故障模板。
S303、基于新故障模板修改故障关键词矩阵。
根据新故障模板修改故障关键词矩阵，可从新故障模板中新单词和其所述类型两个方面进行。
首先确定新故障模板中所包括的新单词，计算新单词在不同故障类型中的概率分布，以修改所述故障关键词矩阵，也即是增加故障关键词矩阵的行数，新增的每一行代表一个新单词在不同故障模型中的概率。
进一步的，判断所述新故障模板是否为新故障类型，否是，则基于新故障类型，计算当前知识库所有故障模板中的单词在新故障类型下的概率分布，以修改所述故障关键词矩阵。也即是当有新故障类型产生时，在预先建立的故障关键词矩阵中新增加一列来表示该类型，同时计算当前知识库所有故障模板中的单词在新故障类型下的概率分布。后续可基于修改后的故障关键词矩阵进行故障分析。
在此需要说明的是，也可以在用户修改故障模板所属类型时，修改故障关键词矩阵。当需要修改知识库中某个模板所属的分类时，通过扫描该模板中的所有单词，并相应的对矩阵进行修改。假设模板中存在单词i，在该模板中出现n次，原来该模板属于故障类型w，现在要改为故障类型u。则需对故障关键词矩阵的修改如下：减故障类型w中单词i的出现次数，具体可通过代码count(i,w)＝count(i,w)-n实现；增加类型u中单词i的出现次数，可通过代码count(i,u)＝count(i,u)+n实现；故障类型w单词总数减少n；可通过代码T(w)＝T(w)-n实现；故障类型u单词总数增加n，可通过代码T(u)＝T(u)+n实现。
本发明实施例中，通过将新故障类型和新单词加入到故障关键词矩阵，解决了传统的机器学习过程对新加入的样本需要重新修改规则的问题，节省了时间，降低了开销。而且通过修改后的故障关键词矩阵进行故障分析，使得分析结果更准确。
实施例四
图4是本发明实施例四中的光刻机的故障分析装置的结构示意图。如图4所示，该装置包括：
匹配模块401，用于将实时获取的故障日志数据与预先建立的故障模板进行匹配；
模板添加模块402，获取与所述故障模板不匹配的故障日志数据作，并将所述故障日志数据作为新故障模板添加到所述知识库中；
矩阵更新模块403，用于获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
在上述实施例的基础上，所述装置还包括模板构建模块，所述模板构建模块包括：
获取单元，用于获取清洗后的历史故障日志数据；
提取单元，用于针对任一历史故障日志数据，提取所述历史故障日志数据中的不变量，作为该历史故障日志数据的故障模板；
其中，所述不变量是指组成历史故障日志数据的语句中的静态信息。
在上述实施例的基础上，所述提取单元具体用于：
针对任一历史故障日志数据，去除所述历史故障日志数据中变量，其中所述变量是指；
基于词频统计的方式，确定每个单词对所述历史故障日志数据的重要程度；
去除所述重要程度小于预设阈值的单词。
在上述实施例的基础上，所述装置还包括故障关键词矩阵构建模块，所述故障关键词矩阵构建模块包括：
分类单元，用于对所述故障模板进行分类，得到至少一种故障类型的故障模板集合；
矩阵构建单元，用于基于所述至少一种故障类型的故障模板集合，计算所述故障模板中的不同单词在各故障类型中的概率分布，形成故障关键词矩阵。
在上述实施例的基础上，所述装置还包括：
第一修改模块，用于确定所述新故障模板中所包括的新单词，计算所述新单词在不同故障类型中的概率分布，以修改所述故障关键词矩阵。
在上述实施例的基础上，所述装置还包括：
第二修改模块，用于判断所述新故障模板是否为新故障类型，否是，则基于所述新故障类型，计算所有故障模板中的单词在新故障类型下的概率分布，以修改所述故障关键词矩阵。
在上述实施例的基础上，所述分类单元具体用于：
针对任意两个故障模板，根据改进的编辑距离公式，计算两个故障模板的距离；
判断所述距离是否小于预设距离阈值，若是，则表明这两个故障模板所属的故障类型相同；
其中，所述改进的编辑距离公式为：
Figure BDA0002168089010000151
LLD(A,B)表示故障模板A和B的距离，LD(A,B)表示故障模板A和B的原始编辑距离，Length()表示故障模板的长度。
本发明实施例所提供的光刻机的故障分析装置可执行本发明任意实施例所提供的光刻机的故障分析方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备12的框图。图5显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的光刻机的故障分析方法，该方法包括：
将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；
获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；
获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的光刻机的故障分析方法，该方法包括：
将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；
获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；
获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，计算机可读存储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系统、装置或者器件使用或者与其结合使用。
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系统、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发明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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (16)

1.一种光刻机的故障分析方法，其特征在于，包括：
将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；
获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；
获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
2.根据权利要求1所述的方法，其特征在于，预先建立故障模板的操作，包括：
获取清洗后的历史故障日志数据；
针对任一历史故障日志数据，提取所述历史故障日志数据中的不变量，作为该历史故障日志数据的故障模板；
其中，所述不变量是指组成历史故障日志数据的语句中的静态信息。
3.根据权利要求2所述的方法，其特征在于，所述提取所述历史故障日志数据中的不变量的操作包括：
针对任一历史故障日志数据，去除所述历史故障日志数据中变量，其中所述变量是指日志结构中动态变化的单词；
基于词频统计的方式，确定每个单词对所述历史故障日志数据的重要程度；
去除所述重要程度小于预设阈值的单词。
4.根据权利要求1所述的方法，其特征在于，预先建立故障关键词矩阵的操作，包括：
对所述故障模板进行分类，得到至少一种故障类型的故障模板集合；
基于所述至少一种故障类型的故障模板集合，计算所述故障模板中的不同单词在各故障类型中的概率分布，形成故障关键词矩阵。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
确定所述新故障模板中所包括的新单词，计算所述新单词在不同故障类型中的概率分布，以修改所述故障关键词矩阵。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
判断所述新故障模板是否为新故障类型，否是，则基于所述新故障类型，计算所有故障模板中的单词在新故障类型下的概率分布，以修改所述故障关键词矩阵。
7.根据权利要求4所述的方法，其特征在于，对所述故障模板进行分类，包括：
针对任意两个故障模板，根据改进的编辑距离公式，计算两个故障模板的距离；
判断所述距离是否小于预设距离阈值，若是，则表明这两个故障模板所属的故障类型相同；
其中，所述改进的编辑距离公式为：
Figure FDA0002168087000000021
LLD(A,B)表示故障模板A和B的距离，LD(A,B)表示故障模板A和B的原始编辑距离，Length()表示故障模板的长度。
8.一种光刻机的故障分析装置，其特征在于，所述装置包括：
匹配模块，用于将实时获取的故障日志数据与知识库中预先建立的故障模板进行匹配；
模板添加模块，获取与所述故障模板不匹配的故障日志数据，并将所述故障日志数据作为新故障模板添加到所述知识库中；
矩阵更新模块，用于获取与所述故障模板相匹配的故障日志数据，并根据所述故障日志数据更新预先建立的故障关键词矩阵中的数值，使得根据所述更新后的故障关键词矩阵进行日志信息统计。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括模板构建模块，所述模板构建模块包括：
获取单元，用于获取清洗后的历史故障日志数据；
提取单元，用于针对任一历史故障日志数据，提取所述历史故障日志数据中的不变量，作为该历史故障日志数据的故障模板；
其中，所述不变量是指组成历史故障日志数据的语句中的静态信息。
10.根据权利要求9所述的装置，其特征在于，所述提取单元具体用于：
针对任一历史故障日志数据，去除所述历史故障日志数据中变量，其中所述变量是指日志结构中动态变化的单词；
基于词频统计的方式，确定每个单词对所述历史故障日志数据的重要程度；
去除所述重要程度小于预设阈值的单词。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括故障关键词矩阵构建模块，所述故障关键词矩阵构建模块包括：
分类单元，用于对所述故障模板进行分类，得到至少一种故障类型的故障模板集合；
矩阵构建单元，用于基于所述至少一种故障类型的故障模板集合，计算所述故障模板中的不同单词在各故障类型中的概率分布，形成故障关键词矩阵。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第一修改模块，用于确定所述新故障模板中所包括的新单词，计算所述新单词在不同故障类型中的概率分布，以修改所述故障关键词矩阵。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第二修改模块，用于判断所述新故障模板是否为新故障类型，否是，则基于所述新故障类型，计算所有故障模板中的单词在新故障类型下的概率分布，以修改所述故障关键词矩阵。
14.根据权利要求11所述的装置，其特征在于，所述分类单元具体用于：
针对任意两个故障模板，根据改进的编辑距离公式，计算两个故障模板的距离；
判断所述距离是否小于预设距离阈值，若是，则表明这两个故障模板所属的故障类型相同；
其中，所述改进的编辑距离公式为：
Figure FDA0002168087000000041
LLD(A,B)表示故障模板A和B的距离，LD(A,B)表示故障模板A和B的原始编辑距离，Length()表示故障模板的长度。
15.一种设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的光刻机的故障分析方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的光刻机的故障分析方法。
CN201910753781.4A 2019-08-15 2019-08-15 一种光刻机的故障分析方法、装置、设备和存储介质 Active CN112445775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910753781.4A CN112445775B (zh) 2019-08-15 2019-08-15 一种光刻机的故障分析方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910753781.4A CN112445775B (zh) 2019-08-15 2019-08-15 一种光刻机的故障分析方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112445775A true CN112445775A (zh) 2021-03-05
CN112445775B CN112445775B (zh) 2024-04-19

Family

ID=74742020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910753781.4A Active CN112445775B (zh) 2019-08-15 2019-08-15 一种光刻机的故障分析方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112445775B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988537A (zh) * 2021-03-11 2021-06-18 山东英信计算机技术有限公司 一种服务器故障诊断方法、装置及相关设备
CN113095395A (zh) * 2021-04-07 2021-07-09 深圳市道通科技股份有限公司 汽车总线故障分析方法、装置、电子设备及存储介质
CN114465875A (zh) * 2022-04-12 2022-05-10 北京宝兰德软件股份有限公司 故障处理方法及装置
CN114742051A (zh) * 2022-04-25 2022-07-12 京东科技信息技术有限公司 日志处理方法、装置、计算机系统及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001195430A (ja) * 1999-11-02 2001-07-19 Atr Media Integration & Communications Res Lab 知識共有促進システム
JP2003316829A (ja) * 2002-04-26 2003-11-07 Hitachi Ltd 設計業務支援装置
CN103761173A (zh) * 2013-12-28 2014-04-30 华中科技大学 一种基于日志的计算机系统故障诊断方法及装置
US20150089309A1 (en) * 2013-09-23 2015-03-26 Emc Corporation Troubleshooting based on log similarity
US20170140048A1 (en) * 2015-11-17 2017-05-18 Xiaomi Inc. Information processing method, apparatus, terminal and server
CN109614469A (zh) * 2018-12-03 2019-04-12 郑州云海信息技术有限公司 一种日志分析方法和装置
CN109885823A (zh) * 2017-12-01 2019-06-14 武汉楚鼎信息技术有限公司 一种金融行业的分布式语义识别方法及系统装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001195430A (ja) * 1999-11-02 2001-07-19 Atr Media Integration & Communications Res Lab 知識共有促進システム
JP2003316829A (ja) * 2002-04-26 2003-11-07 Hitachi Ltd 設計業務支援装置
US20150089309A1 (en) * 2013-09-23 2015-03-26 Emc Corporation Troubleshooting based on log similarity
CN103761173A (zh) * 2013-12-28 2014-04-30 华中科技大学 一种基于日志的计算机系统故障诊断方法及装置
US20170140048A1 (en) * 2015-11-17 2017-05-18 Xiaomi Inc. Information processing method, apparatus, terminal and server
CN109885823A (zh) * 2017-12-01 2019-06-14 武汉楚鼎信息技术有限公司 一种金融行业的分布式语义识别方法及系统装置
CN109614469A (zh) * 2018-12-03 2019-04-12 郑州云海信息技术有限公司 一种日志分析方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988537A (zh) * 2021-03-11 2021-06-18 山东英信计算机技术有限公司 一种服务器故障诊断方法、装置及相关设备
CN113095395A (zh) * 2021-04-07 2021-07-09 深圳市道通科技股份有限公司 汽车总线故障分析方法、装置、电子设备及存储介质
CN114465875A (zh) * 2022-04-12 2022-05-10 北京宝兰德软件股份有限公司 故障处理方法及装置
CN114465875B (zh) * 2022-04-12 2022-07-29 北京宝兰德软件股份有限公司 故障处理方法及装置
CN114742051A (zh) * 2022-04-25 2022-07-12 京东科技信息技术有限公司 日志处理方法、装置、计算机系统及可读存储介质

Also Published As

Publication number Publication date
CN112445775B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN112445775B (zh) 一种光刻机的故障分析方法、装置、设备和存储介质
CN111343161B (zh) 异常信息处理节点分析方法、装置、介质及电子设备
CN111709527A (zh) 运维知识图谱库的建立方法、装置、设备及存储介质
US10585864B2 (en) Computing the need for standardization of a set of values
EP3916584A1 (en) Information processing method and apparatus, electronic device and storage medium
EP4134877A1 (en) Training method and apparatus for fault recognition model, fault recognition method and apparatus, and electronic device
CN113986864A (zh) 日志数据处理方法、装置、电子设备及存储介质
CN110780879A (zh) 一种基于智能编译技术的决策执行方法、装置、设备及介质
CN113360521A (zh) 日志查询方法、装置、设备及存储介质
CN110175128B (zh) 一种相似代码案例获取方法、装置、设备和存储介质
CN111552792A (zh) 一种信息查询方法、装置、电子设备及存储介质
CN112989050B (zh) 一种表格分类方法、装置、设备及存储介质
CN111581057B (zh) 一种通用日志解析方法、终端设备及存储介质
CN113127460B (zh) 数据清洗框架的评估方法及其装置、设备及存储介质
CN113760891A (zh) 一种数据表的生成方法、装置、设备和存储介质
CN112364145A (zh) 一种工单处理方法、装置、电子设备及存储介质
CN111752958A (zh) 智能关联标签方法、装置、计算机设备及存储介质
CN112039975A (zh) 一种报文字段的处理方法、装置、设备及存储介质
CN110807082A (zh) 质量抽检项目确定方法、系统、电子设备及可读存储介质
CN114925757A (zh) 多源威胁情报融合方法、装置、设备和存储介质
CN113553309A (zh) 一种日志模板的确定方法、装置、电子设备及存储介质
CN110083807B (zh) 合同的修改影响自动预测方法、装置、介质及电子设备
CN112381167A (zh) 训练任务分类模型的方法、任务分类方法和装置
CN114254081B (zh) 企业大数据搜索系统、方法及电子设备
US20220327016A1 (en) Method, electronic device and program product for determining the score of log file

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