CN112581719A - 基于时序生成对抗网络的半导体封装过程预警方法和装置 - Google Patents

基于时序生成对抗网络的半导体封装过程预警方法和装置 Download PDF

Info

Publication number
CN112581719A
CN112581719A CN202011226178.XA CN202011226178A CN112581719A CN 112581719 A CN112581719 A CN 112581719A CN 202011226178 A CN202011226178 A CN 202011226178A CN 112581719 A CN112581719 A CN 112581719A
Authority
CN
China
Prior art keywords
network
abnormal
data
samples
training
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
CN202011226178.XA
Other languages
English (en)
Other versions
CN112581719B (zh
Inventor
张林宣
唐亮
刘重党
杨洋
郑敬浩
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.)
Beijing Xinxin Intelligent Technology Co ltd
Tsinghua University
Original Assignee
Beijing Xinxin Intelligent Technology Co ltd
Tsinghua University
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 Beijing Xinxin Intelligent Technology Co ltd, Tsinghua University filed Critical Beijing Xinxin Intelligent Technology Co ltd
Priority to CN202011226178.XA priority Critical patent/CN112581719B/zh
Publication of CN112581719A publication Critical patent/CN112581719A/zh
Application granted granted Critical
Publication of CN112581719B publication Critical patent/CN112581719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Factory Administration (AREA)

Abstract

本申请提出一种基于时序生成对抗网络的半导体封装过程预警方法和装置，涉及数据处理技术领域，其中，方法包括：获取监测数据，并对监测数据进行预处理，获取训练数据；从训练数据中获取正常样本集合，计算正常样本集合的密度函数，根据密度函数估计异常阈值；获取已训练的生成器网络，利用已训练好的生成器网络生成预定数量的异常样本；将预定数量的异常样和训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络获取异常预测值，以及根据异常预测值和异常阈值进行预警处理。由此，通过生成异常样本混合到训练数据进行训练，并确定异常阈值实现提前对生产异常进行预警，提高产品良率与生产线效率。

Description

基于时序生成对抗网络的半导体封装过程预警方法和装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于时序生成对抗网络的半导体封装过程预警方法和装置。
背景技术
半导体封装是半导体制造链中十分重要的组成部分，其相关设备繁多，工艺复杂。生产过程中，偶发的生产异常会造成产品质量缺陷，降低产品良率，引发经济损失。可靠的异常预警，即提前预测异常发生，它能够为生产线作业人员提供足够的响应时间，为生产线维护的决策提供有意义的信息，减少生产过程中的损失，提升产品的良品率，具有十分重要的工业应用价值。由于生产工艺步骤繁多，导致异常原理复杂，很难用建立物理模型的方法去解决问题。随着大数据时代的来临，数据驱动的方法在异常检测(预测)的问题中表现出了很好的效果，但半导体封装过程中的数据极度不平衡，异常数据偏少导致异常信息缺乏，给实际的异常预警带来了很多困难。
相关技术中，异常预测方法主要分为三类：基于模型、数据驱动、模型与数据驱动相结合的方法。然而，现有的大部分基于数据驱动的异常预测方法仅限于对设备剩余使用寿命进行预测，缺少半导体制造过程中的异常预警研究，封装过程的研究更少。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于时序生成对抗网络的半导体封装过程预警方法，基于生产过程中多传感器采集的数据，使用生成对抗网络(GenerativeAdversarial Network,GAN)处理不平衡的数据问题，构建异常预测模型，提前对生产异常进行预警，实现生产线在运行过程中的智能维护，提高产品良率与生产线效率。
本申请的第二个目的在于提出一种基于时序生成对抗网络的半导体封装过程预警装置。
本申请的第三个目的在于提出一种计算机设备。
本申请的第四个目的在于提出一种非临时性计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的，本申请第一方面实施例提出了一种基于时序生成对抗网络的半导体封装过程预警方法，包括：
获取监测数据，并对所述监测数据进行预处理，获取训练数据；
从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值；
获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本；
将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络，获取异常预测值，以及根据所述异常预测值和异常阈值进行预警处理。
本申请实施例的基于时序生成对抗网络的半导体封装过程预警方法，通过获取监测数据，并对监测数据进行预处理，获取训练数据；从训练数据中获取正常样本集合，计算正常样本集合的密度函数，根据密度函数估计异常阈值；获取已训练的生成器网络，利用已训练好的生成器网络生成预定数量的异常样本；将预定数量的异常样和训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络获取异常预测值，以及根据异常预测值和异常阈值进行预警处理。由此，通过生成异常样本混合到训练数据进行训练，并确定异常阈值实现提前对生产异常进行预警，实现生产线在运行过程中的智能维护，提高产品良率与生产线效率。
在本申请的一个实施例中，所述对所述监测数据进行预处理，获取训练数据，包括：
通过工艺参数的统计量提取来整合每片晶圆的多维特征数据；
对于每一维原始特征数据提取的统计特征，在时间维度上滑动预设长度时间窗口，构成带时间窗的数据样本与数据标签。
在本申请的一个实施例中，所述从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值，包括：
基于正常样本集中给定的关键特征h(t)，利用窗宽为L的滑动时间窗口，取对应的窗内最大值即H(t)＝max{h(t),h(t+1),…,h(t+L-1)}作为健康因子；
使用高斯核函数估计所述正常样本H(t)的密度函数，其中，所述正常样本的密度函数公式为
Figure BDA0002763734640000021
其中，w为平滑参数，n是样本总数；
根据得到的密度函数f(x)，计算σ分位值Φ，即满足
Figure BDA0002763734640000031
的Φ为所述异常阈值。
在本申请的一个实施例中，所述的方法，还包括：
在生成器网络G与判别器网络D中分别设计一个嵌入层FG、FD，以将连续的健康因子编码为抽象信息，参与网络训练；
所述生成器网络G采用长短期记忆网络LSTM，所述判别器网络D采用时间卷积网络，两者的优化目标分别为：
Figure BDA0002763734640000032
Figure BDA0002763734640000033
其中，z～N(0,I)为采样的噪声信号，x为真实异常样本与对应标签的混合，y为样本标签；
采用WGAN网络中的梯度惩罚策略，对应梯度惩罚损失为：
Figure BDA0002763734640000034
其中，
Figure BDA0002763734640000035
是真实样本与生成样本之间的采样，带有梯度惩罚的判别器网络的优化目标改为：
Figure BDA0002763734640000036
基于优化目标(2)和(5)，采用反向传播算法对所述生成器网络G和所述判别器网络D进行交替优化，最后输出训练好的生成器网络G。
在本申请的一个实施例中，所述获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本，将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，包括；
利用所述已训练好的生成器网络G，生成一定数量的异常样本及对应的健康因子，即
xg＝G(z|FG(y)) (6)；
将该部分异常样本xg与原机台收集的实际样本xr进行混合；
基于增强后的数据集xaug＝[xr；xg]，训练深度循环网络。
在本申请的一个实施例中，所述基于时序生成对抗网络的半导体封装过程预警方法，所述将所述关键工艺参数输入已训练的深度循环网络，获取异常预测值，包括:
采用双向LSTM网络作为预测器Q，得到健康因子预测值
Figure BDA0002763734640000041
在本申请的一个实施例中，所述的方法，还包括:
采用误报率与漏报率作为度量指标，其表达式分别为：
Figure BDA0002763734640000042
Figure BDA0002763734640000043
其中，Nneg与Npos分别为测试集中正常样本数目与异常样本数目，
Figure BDA0002763734640000044
为健康因子预测值，I(·)表示指示函数。
为达上述目的，本申请第二方面实施例提出了一种基于时序生成对抗网络的半导体封装过程预警装置，包括：
获取模块，用于获取监测数据，并对所述监测数据进行预处理，获取训练数据；
计算模块，用于从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值；
生成模块，用于获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本；
处理模块，用于将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，以使将所述关键工艺参数输入已训练的深度循环网络，获取异常预测值，以及根据所述异常预测值和异常阈值进行预警处理。
本申请实施例的基于时序生成对抗网络的半导体封装过程预警装置，通过获取监测数据，并对监测数据进行预处理，获取训练数据；从训练数据中获取正常样本集合，计算正常样本集合的密度函数，根据密度函数估计异常阈值；获取已训练的生成器网络，利用已训练好的生成器网络生成预定数量的异常样本；将预定数量的异常样和训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络获取异常预测值，以及根据异常预测值和异常阈值进行预警处理。由此，通过生成异常样本混合到训练数据进行训练，并确定异常阈值实现提前对生产异常进行预警，实现生产线在运行过程中的智能维护，提高产品良率与生产线效率。
在本申请的一个实施例中，所述获取模块，具体用于：
通过工艺参数的统计量提取来整合每片晶圆的多维特征数据；
对于每一维原始特征数据提取的统计特征，在时间维度上滑动预设长度时间窗口，构成带时间窗的数据样本与数据标签。
在本申请的一个实施例中，所述计算模块，具体用于：
基于正常样本集中给定的关键特征h(t)，利用窗宽为L的滑动时间窗口，取对应的窗内最大值即H(t)＝max{h(t),h(t+1),…,h(t+L-1)}作为健康因子；
使用高斯核函数估计所述正常样本H(t)的密度函数，其中，所述正常样本的密度函数公式为
Figure BDA0002763734640000051
其中，w为平滑参数，n是样本总数；
根据得到的密度函数f(x)，计算σ分位值Φ，即满足
Figure BDA0002763734640000052
的Φ为所述异常阈值。
在本申请的一个实施例中，生成模块，具体用于：
在生成器网络G与判别器网络D中分别设计一个嵌入层FG、FD，以将连续的健康因子编码为抽象信息，参与网络训练；
所述生成器网络G采用长短期记忆网络LSTM，所述判别器网络D采用时间卷积网络，两者的优化目标分别为：
Figure BDA0002763734640000053
Figure BDA0002763734640000054
其中，z～N(0,I)为采样的噪声信号，x为真实异常样本与对应标签的混合，y为样本标签；
采用WGAN网络中的梯度惩罚策略，对应梯度惩罚损失为：
Figure BDA0002763734640000055
其中，
Figure BDA0002763734640000056
是真实样本与生成样本之间的采样，带有梯度惩罚的判别器网络的优化目标改为：
Figure BDA0002763734640000057
基于优化目标(2)和(5)，采用反向传播算法对所述生成器网络G和所述判别器网络D进行交替优化，最后输出训练好的生成器网络G；
利用所述已训练好的生成器网络G，生成一定数量的异常样本及对应的健康因子，即
xg＝G(z|FG(y)) (6)；
将该部分异常样本xg与原机台收集的实际样本xr进行混合；
基于增强后的数据集xaug＝[xr；xg]，训练深度循环网络。
在本申请的一个实施例中，所述处理模块，具体用于：
采用双向LSTM网络作为预测器Q，得到健康因子预测值
Figure BDA0002763734640000061
在本申请的一个实施例中，还包括:
采用误报率与漏报率作为度量指标，其表达式分别为：
Figure BDA0002763734640000062
Figure BDA0002763734640000063
其中，Nneg与Npos分别为测试集中正常样本数目与异常样本数目，
Figure BDA0002763734640000064
为健康因子预测值，I(·)表示指示函数。
为达上述目的，本申请第三方面实施例提出了一种计算机设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行第一方面实施例所述的基于时序生成对抗网络的半导体封装过程预警方法。
为了实现上述目的，本申请第四方面实施例提出了一种非临时性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本申请第一方面实施例所述的基于时序生成对抗网络的半导体封装过程预警方法。
为了实现上述目的，本申请第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时实现如本申请第一方面实施例所述的基于时序生成对抗网络的半导体封装过程预警方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的一种基于时序生成对抗网络的半导体封装过程预警方法的流程示意图；
图2时序生成对抗网络框架图；
图3基于时序生成对抗网络的异常预警流程图；
图4基于带时间窗的核密度估计方法的异常阈值估计结果；
图5利用本发明方法在半导体封装中溅射工步的异常预警结果；
图6为本申请实施例所提供的一种基于时序生成对抗网络的半导体封装过程预警装置的结构示意图；以及
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的组件或具有相同或类似功能的组件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于时序生成对抗网络的半导体封装过程预警方法、装置、电子设备和存储介质。
图1为本申请实施例一所提供的一种基于时序生成对抗网络的半导体封装过程预警方法的流程示意图。
本申请基于时序生成对抗网络的半导体封装过程预警方法，通过提前预测机台的健康状态对生产过程中发生的异常实现高效预警，从而提高产品良率与产线效率。主体技术方案概括为：1)获取关键工艺参数作为健康因子(Health Index，HI)，利用带时间窗的核密度估计(Kernel density estimation,KDE)方法对该参数的概率分布进行估计，通过半监督学习输出判断异常发生的参数阈值；2)设计一种新的时序对抗生成网络模型，利用该模型生成一定量的时序故障样本以平衡正常样本；3)基于平衡后的数据样本，训练深度循环神经网络对前述的关键工艺参数进行提前预测，结合确定的参数阈值判断是否异常，实现预警功能。
如图1所示，该基于时序生成对抗网络的半导体封装过程预警方法包括以下步骤：
步骤101，获取监测数据，并对监测数据进行预处理，获取训练数据。
步骤102，从训练数据中获取正常样本集合，计算正常样本集合的密度函数，根据密度函数估计异常阈值。
步骤103，获取已训练的生成器网络，利用已训练好的生成器网络生成预定数量的异常样本。
在本申请实施例中，基于半导体封装过程中的多维传感数据，获取关键工艺参数即健康因子。
在本申请实施例中，通过工艺参数的统计量提取来整合每片晶圆的多维特征数据；对于每一维原始特征数据提取的统计特征，在时间维度上滑动预设长度时间窗口，构成带时间窗的数据样本与数据标签。
具体地，进行数据预处理，首先数据对齐：以晶圆为单位，通过工艺参数的统计量提取来整合每片晶圆的多维特征数据，精简数据的同时实现不同加工时长晶圆数据的对齐，接着特征时间窗处理：对于每一维原始特征提取的统计特征，设置时间窗口长度为L，在时间维度上滑动该时间窗口，构成带时间窗的数据样本与数据标签。
在本申请实施例中，基于正常样本集中给定的关键特征h(t)，利用窗宽为L的滑动时间窗口，取对应的窗内最大值即H(t)＝max{h(t),h(t+1),…,h(t+L-1)}作为健康因子；
使用高斯核函数估计所述正常样本H(t)的密度函数，其中，所述正常样本的密度函数公式为
Figure BDA0002763734640000081
其中，w为平滑参数，n是样本总数；
根据得到的密度函数f(x)，计算σ分位值Φ，即满足
Figure BDA0002763734640000082
的Φ为所述异常阈值。
在本申请实施例中，认为H(t)<Φ(本案例中σ＝0.001)为小概率事件，将对应的晶圆判断为异常。
在本申请实施例中，还可以在含有正常样本和异常样本的测试集中进行测试，检查Φ的有效性。
在本申请实施例中，为解决后续预测模型中异常样本缺乏的问题，设计一种新的时序生成对抗网络结构以有效生成时序异常样本，促进训练数据平衡从而改善预测模型的精度。主体网络结构基于条件WGAN网络，具体网络结构如图2所示，图2中(FC层表示全连接网络层)。已有的条件WGAN网络主要基于离散的类别信息为条件进行训练与生成，而本发明中的方法主要针对回归问题，样本标签是连续值，不适合使用one-hot编码。
在本申请实施例中，在生成器网络G与判别器网络D中分别设计一个嵌入层FG、FD，以将连续的健康因子编码为抽象信息，参与网络训练；
生成器网络G采用长短期记忆网络LSTM，所述判别器网络D采用时间卷积网络，两者的优化目标分别为：
Figure BDA0002763734640000091
Figure BDA0002763734640000092
其中，z～N(0,I)为采样的噪声信号，x为真实异常样本与对应标签的混合，y为样本标签(即健康因子)；
为缓解经典GAN网络训练过程中因真假数据分布差异大导致的梯度消失问题，采用WGAN网络中的梯度惩罚策略，对应梯度惩罚损失为：
Figure BDA0002763734640000093
其中，
Figure BDA0002763734640000094
是真实样本与生成样本之间的采样，带有梯度惩罚的判别器网络的优化目标改为：
Figure BDA0002763734640000095
基于优化目标(2)和(5)，采用反向传播算法对所述生成器网络G和所述判别器网络D进行交替优化，最后输出训练好的生成器网络G。
在本申请实施例中，已有基于生成对抗网络的技术大多生成图片，在晶圆缺陷检测问题中也是如此。本方法针对多维传感器数据，在生成异常数据的过程中采用循环神经网络，考虑信号时序关联，有利于生成更高质量的时序传感数据。
在本申请实施例中，利用已训练好的生成器网络G，生成一定数量的异常样本及对应的健康因子，即
xg＝G(z|FG(y)) (6)；
将该部分异常样本xg与原机台收集的实际样本xr进行混合；
基于增强后的数据集xaug＝[xr；xg]，训练深度循环网络。
训练深度循环网络对产品健康因子进行提前预测，在本申请实施例中，采用双向LSTM网络作为预测器Q，得到健康因子预测值
Figure BDA0002763734640000096
步骤104，将预定数量的异常样和训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络获取异常预测值，以及根据异常预测值和异常阈值进行预警处理。
最后，将预测值与前面环节所估计的异常阈值进行比较来输出异常预警信息，为决策者提供准确信息。为量化该方法的预警效果，还包括:
采用误报率与漏报率作为度量指标，其表达式分别为：
Figure BDA0002763734640000101
Figure BDA0002763734640000102
其中，Nneg与Npos分别为测试集中正常样本数目与异常样本数目，
Figure BDA0002763734640000103
为健康因子预测值，I(·)表示指示函数。
在半导体封装流程中，漏报会引发产品质量问题，相比误报会带来更严重的负面影响，因此均衡下得到更低的漏报率是更为重要。
举例而言，本申请的基于时序生成对抗网络的异常预警流程如图3所示，以及基于带时间窗的核密度估计方法的异常阈值估计结果，如图4所示，最后图5是利用本申请方法在半导体封装中溅射工步的异常预警结果；从图5中可观察出，该方法对健康因子的预测值基本能较好跟踪真实值，且预测的误报率与漏报率分别为FAR＝4.06％,MR＝0.24％.其中较低的漏报率说明该方法对于异常产品能够准确定位，具有良好的实用性。
因此，基于半导体封装过程中的多维传感数据，构造健康因子，判断健康状况；然后采用条件WGAN的方法处理数据不平衡问题，使用深度神经网络对健康因子进行预测，实现对半导体封装生产线的异常预警。该发明能为半导体封装生产线预测性维护提供有价值的信息，减少维护成本，降低经济损失，提高产品良率与生产线效率，具有工业应用价值。
本发明与其他处理不平衡数据的方法相比，使用时序生成对抗网络，学习异常数据中隐藏的时序信息，能够更准确地生成异常数据。本发明与其他异常预测的方法相比，把连续的剩余使用寿命变为离散的加工周期，更符合半导体封装生产线实际。此外，本发明使用核密度估计方法确定异常阈值，是一种半监督学习方法，可尽量少使用异常数据标签，与有监督方法相比降低了异常数据的获取成本，因此更适用于实际生产场景。
为了实现上述实施例，本申请还提出一种基于时序生成对抗网络的半导体封装过程预警装置。
图6为本申请实施例提供的一种基于时序生成对抗网络的半导体封装过程预警装置的结构示意图。
如图6所示，该基于时序生成对抗网络的半导体封装过程预警装置包括：获取模块210、计算模块220、生成模块230和处理模块240。
获取模块210，用于获取监测数据，并对所述监测数据进行预处理，获取训练数据。
计算模块220，用于从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值。
生成模块230，用于获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本。
处理模块240，用于将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，以使将所述关键工艺参数输入已训练的深度循环网络，获取异常预测值，以及根据所述异常预测值和异常阈值进行预警处理。
在本申请的一个实施例中，获取模块210，具体用于通过工艺参数的统计量提取来整合每片晶圆的多维特征数据；
对于每一维原始特征数据提取的统计特征，在时间维度上滑动预设长度时间窗口，构成带时间窗的数据样本与数据标签。
在本申请的一个实施例中，计算模块220，具体用于
基于正常样本集中给定的关键特征h(t)，利用窗宽为L的滑动时间窗口，取对应的窗内最大值即H(t)＝max{h(t),h(t+1),…,h(t+L-1)}作为健康因子；
使用高斯核函数估计所述正常样本H(t)的密度函数，其中，所述正常样本的密度函数公式为
Figure BDA0002763734640000111
其中，w为平滑参数，n是样本总数；
根据得到的密度函数f(x)，计算σ分位值Φ，即满足
Figure BDA0002763734640000112
的Φ为所述异常阈值。
在本申请的一个实施例中，生成模块230，具体用于：
在生成器网络G与判别器网络D中分别设计一个嵌入层FG、FD，以将连续的健康因子编码为抽象信息，参与网络训练；
所述生成器网络G采用长短期记忆网络LSTM，所述判别器网络D采用时间卷积网络，两者的优化目标分别为：
Figure BDA0002763734640000121
Figure BDA0002763734640000122
其中，z～N(0,I)为采样的噪声信号，x为真实异常样本与对应标签的混合，y为样本标签；
采用WGAN网络中的梯度惩罚策略，对应梯度惩罚损失为：
Figure BDA0002763734640000123
其中，
Figure BDA0002763734640000124
是真实样本与生成样本之间的采样，带有梯度惩罚的判别器网络的优化目标改为：
Figure BDA0002763734640000125
基于优化目标(2)和(5)，采用反向传播算法对所述生成器网络G和所述判别器网络D进行交替优化，最后输出训练好的生成器网络G；
利用所述已训练好的生成器网络G，生成一定数量的异常样本及对应的健康因子，即
xg＝G(z|FG(y)) (6)；
将该部分异常样本xg与原机台收集的实际样本xr进行混合；
基于增强后的数据集xaug＝[xr；xg]，训练深度循环网络。
在本申请的一个实施例中，处理模块240，具体用于：
采用双向LSTM网络作为预测器Q，得到健康因子预测值
Figure BDA0002763734640000126
在本申请的一个实施例中，采用误报率与漏报率作为度量指标，其表达式分别为：
Figure BDA0002763734640000127
Figure BDA0002763734640000128
其中，Nneg与Npos分别为测试集中正常样本数目与异常样本数目，
Figure BDA0002763734640000129
为健康因子预测值，I(·)表示指示函数。
本申请实施例的基于时序生成对抗网络的半导体封装过程预警装置，通过获取监测数据，并对监测数据进行预处理，获取训练数据；从训练数据中获取正常样本集合，计算正常样本集合的密度函数，根据密度函数估计异常阈值；获取已训练的生成器网络，利用已训练好的生成器网络生成预定数量的异常样本；将预定数量的异常样和训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络获取异常预测值，以及根据异常预测值和异常阈值进行预警处理。由此，通过生成异常样本混合到训练数据进行训练，并确定异常阈值实现提前对生产异常进行预警，提高产品良率与生产线效率。
需要说明的是，前述对基于时序生成对抗网络的半导体封装过程预警方法实施例的解释说明也适用于该实施例的基于时序生成对抗网络的半导体封装过程预警装置，此处不再赘述。
为了实现上述实施例，本申请还提出一种计算机设备，包括：处理器，以及用于存储所述处理器可执行指令的存储器。
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如本申请前述实施例提出的基于时序生成对抗网络的半导体封装过程预警方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，使得处理器能够执行本申请前述实施例提出的基于时序生成对抗网络的半导体封装过程预警方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行实现本申请前述实施例提出的基于时序生成对抗网络的半导体封装过程预警方法。
图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备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(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备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计算机设备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。
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(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备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7未显示，通常称为“硬盘驱动器”)。尽管图7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：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：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申请各实施例的功能。
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通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备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计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器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，计算机设备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(Local AreaNetwork；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备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，例如实现前述实施例中提及的基于时序生成对抗网络的半导体封装过程预警方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于时序生成对抗网络的半导体封装过程预警方法，其特征在于，包括以下步骤：
获取监测数据，并对所述监测数据进行预处理，获取训练数据；
从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值；
获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本；
将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，以使在半导体封装过程中，将关键工艺参数输入已训练的神经网络，获取异常预测值，以及根据所述异常预测值和异常阈值进行预警处理。
2.如权利要求1所述的方法，其特征在于，所述对所述监测数据进行预处理，获取训练数据，包括：
通过工艺参数的统计量提取来整合每片晶圆的多维特征数据；
对于每一维原始特征数据提取的统计特征，在时间维度上滑动预设长度时间窗口，构成带时间窗的数据样本与数据标签。
3.如权利要求1所述的方法，其特征在于，所述从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值，包括：
基于正常样本集中给定的关键特征h(t)，利用窗宽为L的滑动时间窗口，取对应的窗内最大值即H(t)＝max{h(t),h(t+1),…,h(t+L-1)}作为健康因子；
使用高斯核函数估计所述正常样本H(t)的密度函数，其中，所述正常样本的密度函数公式为
Figure FDA0002763734630000011
其中，w为平滑参数，n是样本总数；
根据得到的密度函数f(x)，计算σ分位值Φ，即满足
Figure FDA0002763734630000012
的Φ为所述异常阈值。
4.如权利要求3所述的方法，其特征在于，还包括：
在生成器网络G与判别器网络D中分别设计一个嵌入层FG、FD，以将连续的健康因子编码为抽象信息，参与网络训练；
所述生成器网络G采用长短期记忆网络LSTM，所述判别器网络D采用时间卷积网络，两者的优化目标分别为：
Figure FDA0002763734630000021
Figure FDA0002763734630000022
其中，z～N(0,I)为采样的噪声信号，x为真实异常样本与对应标签的混合，y为样本标签；
采用WGAN网络中的梯度惩罚策略，对应梯度惩罚损失为：
Figure FDA0002763734630000023
其中，
Figure FDA0002763734630000024
是真实样本与生成样本之间的采样，带有梯度惩罚的判别器网络的优化目标改为：
Figure FDA0002763734630000025
基于优化目标(2)和(5)，采用反向传播算法对所述生成器网络G和所述判别器网络D进行交替优化，最后输出训练好的生成器网络G。
5.如权利要求4所述的方法，其特征在于，所述获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本，将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，包括：
利用所述已训练好的生成器网络G，生成一定数量的异常样本及对应的健康因子，即
xg＝G(z|FG(y)) (6)；
将该部分异常样本xg与原机台收集的实际样本xr进行混合；
基于增强后的数据集xaug＝[xr；xg]，训练深度循环网络。
6.如权利要求5所述的方法，其特征在于，所述将所述关键工艺参数输入已训练的深度循环网络，获取异常预测值，包括:
采用双向LSTM网络作为预测器Q，得到健康因子预测值
Figure FDA0002763734630000031
7.如权利要求1-6任一项所述的方法，其特征在于，还包括:
采用误报率与漏报率作为度量指标，其表达式分别为：
Figure FDA0002763734630000032
Figure FDA0002763734630000033
其中，Nneg与Npos分别为测试集中正常样本数目与异常样本数目，
Figure FDA0002763734630000034
为健康因子预测值，I(·)表示指示函数。
8.一种基于时序生成对抗网络的半导体封装过程预警装置，其特征在于，所述装置包括：
获取模块，用于获取监测数据，并对所述监测数据进行预处理，获取训练数据；
计算模块，用于从所述训练数据中获取正常样本集合，并计算所述正常样本集合的密度函数，根据所述密度函数估计异常阈值；
生成模块，用于获取已训练的生成器网络，利用所述已训练好的生成器网络生成预定数量的异常样本；
处理模块，用于将所述预定数量的异常样和所述训练数据混合后输入神经网络训练，以使将所述关键工艺参数输入已训练的深度循环网络，获取异常预测值，以及根据所述异常预测值和异常阈值进行预警处理。
9.如权利要求8所述的装置，其特征在于，所述生成模块，具体用于：
在生成器网络G与判别器网络D中分别设计一个嵌入层FG、FD，以将连续的健康因子编码为抽象信息，参与网络训练；
所述生成器网络G采用长短期记忆网络LSTM，所述判别器网络D采用时间卷积网络，两者的优化目标分别为：
Figure FDA0002763734630000035
Figure FDA0002763734630000041
其中，z～N(0,I)为采样的噪声信号，x为真实异常样本与对应标签的混合，y为样本标签；
采用WGAN网络中的梯度惩罚策略，对应梯度惩罚损失为：
Figure FDA0002763734630000042
其中，
Figure FDA0002763734630000043
是真实样本与生成样本之间的采样，带有梯度惩罚的判别器网络的优化目标改为：
Figure FDA0002763734630000044
基于优化目标(2)和(5)，采用反向传播算法对所述生成器网络G和所述判别器网络D进行交替优化，最后输出训练好的生成器网络G；
利用所述已训练好的生成器网络G，生成一定数量的异常样本及对应的健康因子，即
xg＝G(z|FG(y)) (6)；
将该部分异常样本xg与原机台收集的实际样本xr进行混合；
基于增强后的数据集xaug＝[xr；xg]，训练深度循环网络。
10.如权利要求9所述的装置，其特征在于，所述计算模块，具体用于：
基于正常样本集中给定的关键特征h(t)，利用窗宽为L的滑动时间窗口，取对应的窗内最大值即H(t)＝max{h(t),h(t+1),…,h(t+L-1)}作为健康因子；
使用高斯核函数估计所述正常样本H(t)的密度函数，其中，所述正常样本的密度函数公式为
Figure FDA0002763734630000045
其中，w为平滑参数，n是样本总数；
根据得到的密度函数f(x)，计算σ分位值Φ，即满足
Figure FDA0002763734630000046
的Φ为所述异常阈值。
CN202011226178.XA 2020-11-05 2020-11-05 基于时序生成对抗网络的半导体封装过程预警方法和装置 Active CN112581719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011226178.XA CN112581719B (zh) 2020-11-05 2020-11-05 基于时序生成对抗网络的半导体封装过程预警方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011226178.XA CN112581719B (zh) 2020-11-05 2020-11-05 基于时序生成对抗网络的半导体封装过程预警方法和装置

Publications (2)

Publication Number Publication Date
CN112581719A true CN112581719A (zh) 2021-03-30
CN112581719B CN112581719B (zh) 2021-09-03

Family

ID=75120342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011226178.XA Active CN112581719B (zh) 2020-11-05 2020-11-05 基于时序生成对抗网络的半导体封装过程预警方法和装置

Country Status (1)

Country Link
CN (1) CN112581719B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325824A (zh) * 2021-06-02 2021-08-31 三门核电有限公司 一种基于阈值监测的调节阀异常识别方法及系统
CN113537289A (zh) * 2021-06-16 2021-10-22 华北电力大学 通过样本掺杂来训练目标设备的设备模型的方法及系统
CN113657623A (zh) * 2021-07-13 2021-11-16 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN115442271A (zh) * 2022-08-29 2022-12-06 云南电网有限责任公司迪庆供电局 一种网络性能指标时序数据异常检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991876A (zh) * 2017-12-14 2018-05-04 南京航空航天大学 基于生成式对抗网络的航空发动机状态监测数据生成方法
CN109359815A (zh) * 2018-09-10 2019-02-19 华北电力大学 基于生成对抗网络的智能电网深度学习训练样本生成方法
CN110147323A (zh) * 2019-04-24 2019-08-20 北京百度网讯科技有限公司 一种基于生成对抗网络的变更智能检查方法及装置
CN111340196A (zh) * 2020-03-10 2020-06-26 清华大学 对抗网络数据生成方法以及异常事件检测方法
US20200250304A1 (en) * 2019-02-01 2020-08-06 Nec Laboratories America, Inc. Detecting adversarial examples

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107991876A (zh) * 2017-12-14 2018-05-04 南京航空航天大学 基于生成式对抗网络的航空发动机状态监测数据生成方法
CN109359815A (zh) * 2018-09-10 2019-02-19 华北电力大学 基于生成对抗网络的智能电网深度学习训练样本生成方法
US20200250304A1 (en) * 2019-02-01 2020-08-06 Nec Laboratories America, Inc. Detecting adversarial examples
CN110147323A (zh) * 2019-04-24 2019-08-20 北京百度网讯科技有限公司 一种基于生成对抗网络的变更智能检查方法及装置
CN111340196A (zh) * 2020-03-10 2020-06-26 清华大学 对抗网络数据生成方法以及异常事件检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325824A (zh) * 2021-06-02 2021-08-31 三门核电有限公司 一种基于阈值监测的调节阀异常识别方法及系统
CN113537289A (zh) * 2021-06-16 2021-10-22 华北电力大学 通过样本掺杂来训练目标设备的设备模型的方法及系统
WO2022262073A1 (zh) * 2021-06-16 2022-12-22 华北电力大学 通过样本掺杂来训练目标设备的设备模型的方法及系统
CN113537289B (zh) * 2021-06-16 2024-05-28 华北电力大学 通过样本掺杂来训练目标设备的设备模型的方法及系统
CN113657623A (zh) * 2021-07-13 2021-11-16 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN113657623B (zh) * 2021-07-13 2023-09-29 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN115442271A (zh) * 2022-08-29 2022-12-06 云南电网有限责任公司迪庆供电局 一种网络性能指标时序数据异常检测方法
CN115442271B (zh) * 2022-08-29 2023-09-26 云南电网有限责任公司迪庆供电局 一种网络性能指标时序数据异常检测方法

Also Published As

Publication number Publication date
CN112581719B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
CN109978379B (zh) 时序数据异常检测方法、装置、计算机设备和存储介质
US10373065B2 (en) Generating database cluster health alerts using machine learning
CN111767930A (zh) 物联网时序数据异常检测方法及其相关设备
CN109186813A (zh) 一种温度传感器自检装置及方法
Li et al. A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
JP2004531815A (ja) 予測的状態監視のための診断システムおよび方法
Yu et al. A new deep model based on the stacked autoencoder with intensified iterative learning style for industrial fault detection
CN108363952A (zh) 诊断装置
CN111611294B (zh) 星敏感器数据异常检测方法
CN102257448B (zh) 使用切换模型对信号进行滤波的方法和设备
CN113010389A (zh) 一种训练方法、故障预测方法、相关装置及设备
EP3591604A1 (en) Defect rate analytics to reduce defectiveness in manufacturing
Ding et al. Rolling bearing remaining useful life prediction based on dilated causal convolutional DenseNet and an exponential model
CN112083244A (zh) 综合化航空电子设备故障智能诊断系统
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN113671917A (zh) 针对多模态工业过程异常状态的检测方法、系统、设备
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN112685910A (zh) 一种基于混合预测模型的复杂装备电源组故障预测方法
CN111079348B (zh) 一种缓变信号检测方法和装置
JP2003044123A (ja) プラント診断装置
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
CN113962253B (zh) 基于深度小波极限学习机的轴承剩余寿命预测方法及系统
CN117194163A (zh) 一种计算机设备、故障检测系统、方法及可读存储介质

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