CN114021448A - 半导体设备的检测方法、处理器与半导体设备 - Google Patents

半导体设备的检测方法、处理器与半导体设备 Download PDF

Info

Publication number
CN114021448A
CN114021448A CN202111277744.4A CN202111277744A CN114021448A CN 114021448 A CN114021448 A CN 114021448A CN 202111277744 A CN202111277744 A CN 202111277744A CN 114021448 A CN114021448 A CN 114021448A
Authority
CN
China
Prior art keywords
data
historical data
equipment
historical
processor
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
Application number
CN202111277744.4A
Other languages
English (en)
Inventor
张聪
陈崟博
杨海峰
潘晓东
法提·奥尔梅兹
王璠
朱道钰
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.)
Yangtze Memory Technologies Co Ltd
Original Assignee
Yangtze Memory Technologies 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 Yangtze Memory Technologies Co Ltd filed Critical Yangtze Memory Technologies Co Ltd
Priority to CN202111277744.4A priority Critical patent/CN114021448A/zh
Publication of CN114021448A publication Critical patent/CN114021448A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本申请提供了一种半导体设备的检测方法、处理器与半导体设备。该方法包括：处理器获取多个历史数据，多个历史数据至少包括历史晶圆的尺寸参数、工艺参数和总加工晶圆数量以及设备的磨损程度数据；处理器根据多个历史数据构建设备磨损程度的模型，并利用设备磨损程度的模型和目标晶圆的尺寸参数和工艺参数，得到制作目标晶圆的设备的损坏程度。该方法中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度。

Description

半导体设备的检测方法、处理器与半导体设备
技术领域
本申请涉及半导体领域，具体而言，涉及一种半导体设备的检测方法、处理器、计算机可读存储介质与半导体设备。
背景技术
在现有的半导体制造系统中，大多数半导体设备的状态检测方法是基于统计过程控制(Statistical Process Control，简称SPC)和监督机器学习(Machine Learning，简称ML)模型。SPC通过对传感器和关键工艺参数设置标准来实现检测半导体设备的状态，ML模型使用神经网络和深度学习技术来识别半导体设备的状态。前一种方法缺乏利用大量数据的能力，得到的半导体设备状态不准确，而后一种方法高度依赖带标签的数据，需要人为设定标签，会将大量有用的数据滤除，不能真实反映半导体设备的情况。因此，现有技术中的状态监测方法不能准确地预测半导体设备的磨损程度。
因此，亟需一种可以准确预测半导体设备磨损程度的方法。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种半导体设备的检测方法、处理器、计算机可读存储介质与半导体设备，以解决现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。
根据本发明实施例的一个方面，提供了一种半导体设备的检测方法，包括：处理器获取多个历史数据，多个所述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，所述第一历史数据包括历史晶圆的尺寸参数和制作所述历史晶圆时的工艺参数，所述第二历史数据包括制作各所述历史晶圆时的总加工晶圆数量，所述第三历史数据为检测到的设备磨损程度数据，所述第三历史数据与所述第一历史数据一一对应；所述处理器根据多个所述历史数据构建设备磨损程度的模型，并利用所述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，所述目标数据包括目标晶圆的尺寸参数和制作所述目标晶圆时的工艺参数。
可选地，所述处理器根据多个所述历史数据构建设备磨损程度的模型，包括：对多个所述第一历史数据进行特征提取，得到特征数据；对所述特征数据和所述第二历史数据至少进行相关性分析，得到训练数据；利用所述训练数据和对应的所述第三历史数据对进行训练初始模型，将所述初始模型中的初始参数更新为目标参数，得到所述设备磨损程度的模型，所述初始模型为Hotelling-T平方值计算式与初始参数的乘积。
可选地，对多个所述第一历史数据进行特征提取，得到特征数据，包括：提取多个所述第一历史数据中同一参量的数据的时域特征数据和频域特征数据；对所述时域特征数据和所述频域特征数据进行归一化，得到所述特征数据。
可选地，对所述特征数据和所述第二历史数据至少进行相关性分析，得到训练数据，包括：对各所述特征数据和对应的所述第二历史数据进行相关性分析，得到多个相关性系数；在所述相关性系数小于0的情况下，计算1和所述相关性系数小于0对应的所述特征数据的差值，得到校正后的相关性系数；滤除所述校正后的相关性系数大于第一阈值的对应的所述特征数据，得到所述训练数据。
可选地，对所述特征数据和所述第二历史数据至少进行相关性分析，得到训练数据，包括：对所述特征数据和所述第二历史数据至少进行相关性分析，滤除相关数据，得到第一训练数据；对所述相关数据进行冗余分析，滤除相关性系数大于第二阈值的对应的所述相关数据，得到第二训练数据，所述第一训练数据和第二训练数据构成所述训练数据。
可选地，所述处理器包括第一子处理器和第二子处理器，所述处理器根据多个所述历史数据构建设备磨损程度的模型，并利用所述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，包括：所述第一子处理器将所述目标参数传输至所述第二子处理器；所述第二子处理器根据所述目标数据、所述目标参数和所述初始模型，确定所述制作目标晶圆的设备的损坏程度。
可选地，所述方法还包括：所述第二子处理器在所述制作目标晶圆的设备的损坏程度大于等于第三阈值的情况下，发出警报。
可选地，所述方法还包括：在所述制作目标晶圆的设备的损坏程度大于等于所述第三阈值的情况下，根据所述制作目标晶圆的设备的损坏程度和所述设备磨损程度的模型，确定对应的所述目标数据；根据对应的所述目标数据，确定对应的故障类型。
根据本发明实施例的另一方面，还提供了一种处理器，包括：获取单元，用于处理器获取多个历史数据，多个所述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，所述第一历史数据包括历史晶圆的尺寸参数、制作所述历史晶圆时的工艺参数，所述第二历史数据包括制作各所述历史晶圆时的总加工晶圆数量，所述第三历史数据为检测到的设备磨损程度数据，所述第三历史数据与所述第一历史数据一一对应；确定单元，用于所述处理器根据多个所述历史数据构建设备磨损程度的模型，并利用所述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，所述目标数据包括目标晶圆的尺寸参数和制作所述目标晶圆时的工艺参数。
根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。
根据本发明实施例的再一方面，还提供了一种半导体设备，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。
在本发明实施例中，处理器首先获取多个历史数据，多个历史数据至少包括历史晶圆的尺寸参数、工艺参数和总加工晶圆数量以及设备的磨损程度数据，处理器然后根据多个历史数据构建设备磨损程度的模型，并利用设备磨损程度的模型和目标晶圆的尺寸参数和工艺参数，得到制作目标晶圆的设备的损坏程度。该方法中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的一种半导体设备的检测方法的流程示意图；
图2示出了根据本申请的实施例的一种处理器的结构示意图；
图3示出了根据本申请的实施例的处理前特征数据的热图；
图4示出了根据本申请的实施例的处理后特征数据的热图；
图5示出了根据本申请的实施例的制作目标晶圆的设备的损坏程度的曲线图；
图6示出了根据本申请的实施例的半导体设备的检测方法的流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所说的，现有技术中缺乏可以准确预测半导体设备磨损程度的方法，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种半导体设备的检测方法、处理器、计算机可读存储介质与半导体设备。
根据本申请的实施例，提供了一种半导体设备的检测方法。
图1是根据本申请实施例的半导体设备的检测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，处理器获取多个历史数据，多个上述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，上述第一历史数据包括历史晶圆的尺寸参数和制作上述历史晶圆时的工艺参数，上述第二历史数据包括制作各上述历史晶圆时的总加工晶圆数量，上述第三历史数据为检测到的设备磨损程度数据，上述第三历史数据与上述第一历史数据一一对应；
步骤S102，上述处理器根据多个上述历史数据构建设备磨损程度的模型，并利用上述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，上述目标数据包括目标晶圆的尺寸参数和制作上述目标晶圆时的工艺参数。
上述的方法中，处理器首先获取多个历史数据，多个历史数据至少包括历史晶圆的尺寸参数、工艺参数和总加工晶圆数量以及设备的磨损程度数据，处理器然后根据多个历史数据构建设备磨损程度的模型，并利用设备磨损程度的模型和目标晶圆的尺寸参数和工艺参数，得到制作目标晶圆的设备的损坏程度。该方法中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
具体地，上述第三历史数据为预防性维护(Preventive Maintenance，简称PM)时检测到的设备磨损程度数据，即工程师定期对半导体设备拆机，然后进行相关检测，得到半导体设备的设备磨损程度数据。上述历史晶圆的尺寸参数为历史晶圆制作过程中的尺寸参数，例如晶圆的厚度，上述制作上述历史晶圆时的工艺参数为制作晶圆时，在每个工艺步骤的阶段，机台传感器采集到的工艺数据，上述第一工艺数据和上述第二工艺数据可以为温度、湿度和/或压强等。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中，上述处理器根据多个上述历史数据构建设备磨损程度的模型，包括：对多个上述第一历史数据进行特征提取，得到特征数据；对上述特征数据和上述第二历史数据至少进行相关性分析，得到训练数据；利用上述训练数据和对应的上述第三历史数据对进行训练初始模型，将上述初始模型中的初始参数更新为目标参数，得到上述设备磨损程度的模型，上述初始模型为Hotelling-T平方值计算式与初始参数的乘积。本实施例中，对多个第一历史数据进行特征提取，例如峰值、均方根、频率等参数，然后对特征数据和制作各历史晶圆时的总加工晶圆数量进行相关性分析，删除重复的数据，得到训练数据，使得训练数据可以更加准确地表征半导体设备当前的状态，然后利用训练数据和对应的第三历史数据对初始模型进行训练，上述初始模型为Hotelling-T平方值计算式与初始参数的乘积，将初始模型中的初始参数更新为目标参数，得到设备磨损程度的模型，因为训练数据可以更加准确地表征半导体设备当前的状态，所以训练得到的设备磨损程度的模型也更加准确，从而进一步提升预测的准确性。
具体地，上述Hotelling-T平方值计算式为
Figure BDA0003330066170000051
其中，设X1，…，XN是独立的Nm(μ,∑)随机向量，
Figure BDA0003330066170000052
S分别为来自Nm(μ,∑)的样本均值与样本协方差阵，m，n为自由度，μ为总体均值。
为了得到更准确的模型，从而提升预测的准确性，本申请的又一种实施例中，对多个上述第一历史数据进行特征提取，得到特征数据，包括：提取多个上述第一历史数据中同一参量的数据的时域特征数据和频域特征数据，例如第一历史数据为制作上述历史晶圆时的一段时间内的多个压强和多个温度，分别对多个压强和多个温度提取时域特征数据和频域特征数据；对上述时域特征数据和上述频域特征数据进行归一化，得到上述特征数据。
本申请的另一种实施例中，对上述特征数据和上述第二历史数据至少进行相关性分析，得到训练数据，包括：对各上述特征数据和对应的上述第二历史数据进行相关性分析，得到多个相关性系数；在上述相关性系数小于0的情况下，计算1和上述相关性系数小于0对应的上述特征数据的差值，得到校正后的相关性系数；滤除上述校正后的相关性系数大于第一阈值的对应的上述特征数据，得到上述训练数据。本实施例中，对特征数据和对应的第二历史数据进行相关性分析，得到多个相关性系数，上述相关性系数与上述特征数据一一对应，通过对特征数据和历史加工晶圆数量进行相关性分析，可以避免对历史数据设置标签，从而使得模型更加准确，上述相关性系数的范围在-1到1之间，为了便于后续处理，对小于0的相关性系数进行校正，计算1和上述相关性系数小于0对应的上述特征数据的差值，得到校正后的相关性系数，相关性系数越大，则特征数据重复的越多，重复的数据越多，模型的准确性变低，所以需要对大于第一阈值的数据进行滤除，删除重复数据，从而进一步提升预测模型的准确性。
本申请的一种具体的实施例中，上述第一阈值的范围为0.5-0.7，这样就可以滤除大部分重复的数据。当然，实际的应用中，上述第一阈值还可以为其他值，本领域技术人员可以根据实际情况进行选择。
本申请的再一种实施例中，对上述特征数据和上述第二历史数据至少进行相关性分析，得到训练数据，包括：对上述特征数据和上述第二历史数据至少进行相关性分析，滤除相关数据，得到第一训练数据；对上述相关数据进行冗余分析，滤除相关性系数大于第二阈值的对应的上述相关数据，得到第二训练数据，上述第一训练数据和第二训练数据构成上述训练数据。本实施例中，对特征数据和第二历史数据进行相关性分析之后，滤除了相关数据，但是相关数据中还有部分有用的数据，所以采用冗余分析对相关数据进行分析，冗余分析可以准确地滤除相关数据中重复的数据，从而进一步提高模型的准确率。图3示出了对特征数据处理前的相关性，颜色越深表示相关性越小，数据重复的越少，颜色越浅表示相关性越大，数据重复的越多，图4示出了对特征数据处理后的相关性，由图可知，图4中的浅色部分明显少于图3中的浅色部分，所以经过处理后的数据，重复的数据较少，所以数据的真实性明显提高，从而提高模型的准确率。
本申请的一种具体的实施例中，上述第二阈值为0.8，这样可以准确滤除重复的数据。同样地，实际的应用中，上述第二阈值还可以为其他数值，本领域技术人员可以根据实际情况来选择。
本申请的另一种具体的实施例中，上述相关数据为上述校正后的相关性系数小于等于第四阈值的对应的上述特征数据，上述第四阈值小于上述第一阈值，其中，上述第四阈值可以为0.4，因为采用冗余分析可以准确地滤除重复数据，把有用的数据留下，所以增大相关数据的范围，从而使得模型的准确性更高。
为了进一步提升预测的准确性，本申请的又一种实施例中，上述处理器包括第一子处理器和第二子处理器，上述处理器根据多个上述历史数据构建设备磨损程度的模型，并利用上述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，包括：上述第一子处理器将上述目标参数传输至上述第二子处理器；上述第二子处理器根据上述目标数据、上述目标参数和上述初始模型，确定上述制作目标晶圆的设备的损坏程度。上述制作目标晶圆的设备的损坏程度在0-1之间。
本申请的另一种实施例中，上述方法还包括：上述第二子处理器在上述制作目标晶圆的设备的损坏程度大于等于第三阈值的情况下，发出警报。本实施例中，当制作目标晶圆的设备的损坏程度大于等于第三阈值，第二子处理器发出警报，表示半导体设备的磨损程度较高，极易发生危险，从而可以及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
本申请的一种具体的实施例中，上述第三阈值为0.7，图5示出了制作目标晶圆的设备的损坏程度的曲线，上述横线为第三阈值，当制作目标晶圆的设备的损坏程度大于等于0.7时，第二子处理器就发出警报，提醒工程师设备需要维修。
本申请的另一种具体的实施例中，每制作一个目标晶圆，就确定制作目标晶圆的设备的损坏程度，当损坏程度小于第三阈值，就制作下一目标晶圆；当损坏程度大于等于第三阈值第二子处理器发出警报，工程师可以根据该警报查看半导体设备是否真的发生故障，如果真的发生故障，则对半导体设备进行维修，如果没有则进行下一目标晶圆的制作。
本申请的再一种实施例中，上述方法还包括：在上述制作目标晶圆的设备的损坏程度大于等于上述第三阈值的情况下，根据上述制作目标晶圆的设备的损坏程度和上述设备磨损程度的模型，确定对应的上述目标数据；根据对应的上述目标数据，确定对应的故障类型。本实施例中，当制作目标晶圆的设备的损坏程度比较高时，可以根据模型找到对应的目标数据，然后对目标数据进行分析，找到设备的故障类型，便于工程师对半导体设备进行维修。
本申请实施例还提供了一种处理器，需要说明的是，本申请实施例的处理器可以用于执行本申请实施例所提供的用于半导体设备的检测方法。以下对本申请实施例提供的处理器进行介绍。
图2是根据本申请实施例的处理器的示意图。如图2所示，该处理器包括：
获取单元10，用于处理器获取多个历史数据，多个上述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，上述第一历史数据包括历史晶圆的尺寸参数、制作上述历史晶圆时的工艺参数，上述第二历史数据包括制作各上述历史晶圆时的总加工晶圆数量，上述第三历史数据为检测到的设备磨损程度数据，上述第三历史数据与上述第一历史数据一一对应；
第一确定单元20，用于上述处理器根据多个上述历史数据构建设备磨损程度的模型，并利用上述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，上述目标数据包括目标晶圆的尺寸参数和制作上述目标晶圆时的工艺参数。
上述的处理器包括获取单元和第一确定单元，其中，获取单元用于处理器获取多个历史数据，多个历史数据至少包括历史晶圆的尺寸参数、工艺参数和总加工晶圆数量以及设备的磨损程度数据，第一确定单元用于处理器根据多个历史数据构建设备磨损程度的模型，并利用设备磨损程度的模型和目标晶圆的尺寸参数和工艺参数，得到制作目标晶圆的设备的损坏程度。该装置中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
具体地，上述第三历史数据为预防性维护(Preventive Maintenance，简称PM)时检测到的设备磨损程度数据，即工程师定期对半导体设备拆机，然后进行相关检测，得到半导体设备的设备磨损程度数据。上述历史晶圆的尺寸参数为历史晶圆制作过程中的尺寸参数，例如晶圆的厚度，上述制作上述历史晶圆时的工艺参数为制作晶圆时，在每个工艺步骤的阶段，机台传感器采集到的工艺数据，上述第一工艺数据和上述第二工艺数据可以为温度、湿度和/或压强等。
本申请的一种实施例中，第一确定单元包括第一得到模块、第二得到模块和第三得到模块，其中，第一得到模块用于对多个上述第一历史数据进行特征提取，得到特征数据；第二得到模块用于对上述特征数据和上述第二历史数据至少进行相关性分析，得到训练数据；第三得到模块用于利用上述训练数据和对应的上述第三历史数据对进行训练初始模型，将上述初始模型中的初始参数更新为目标参数，得到上述设备磨损程度的模型，上述初始模型为Hotelling-T平方值计算式与初始参数的乘积。本实施例中，对多个第一历史数据进行特征提取，例如峰值、均方根、频率等参数，然后对特征数据和制作各历史晶圆时的总加工晶圆数量进行相关性分析，删除重复的数据，得到训练数据，使得训练数据可以更加准确地表征半导体设备当前的状态，然后利用训练数据和对应的第三历史数据对初始模型进行训练，上述初始模型为Hotelling-T平方值计算式与初始参数的乘积，将初始模型中的初始参数更新为目标参数，得到设备磨损程度的模型，因为训练数据可以更加准确地表征半导体设备当前的状态，所以训练得到的设备磨损程度的模型也更加准确，从而进一步提升预测的准确性。
具体地，上述Hotelling-T平方值计算式为
Figure BDA0003330066170000081
其中，设X1，…，XN是独立的Nm(μ,∑)随机向量，
Figure BDA0003330066170000082
S分别为来自Nm(μ,∑)的样本均值与样本协方差阵，m，n为自由度，μ为总体均值。
为了得到更准确的模型，从而提升预测的准确性，本申请的又一种实施例中，第一得到模块包括提取子模块和第一得到子模块，其中，提取子模块用于提取多个上述第一历史数据中同一参量的数据的时域特征数据和频域特征数据，例如第一历史数据为制作上述历史晶圆时的一段时间内的多个压强和多个温度，分别对多个压强和多个温度提取时域特征数据和频域特征数据；第一得到子模块用于对上述时域特征数据和上述频域特征数据进行归一化，得到上述特征数据。
本申请的另一种实施例中，第二得到模块包括第二得到子模块、计算子模块和第一滤除子模块，其中，第二得到子模块用于对各上述特征数据和对应的上述第二历史数据进行相关性分析，得到多个相关性系数；计算子模块用于在上述相关性系数小于0的情况下，计算1和上述相关性系数小于0对应的上述特征数据的差值，得到校正后的相关性系数；第一滤除子模块用于滤除上述校正后的相关性系数大于第一阈值的对应的上述特征数据，得到上述训练数据。本实施例中，对特征数据和对应的第二历史数据进行相关性分析，得到多个相关性系数，上述相关性系数与上述特征数据一一对应，通过对特征数据和历史加工晶圆数量进行相关性分析，可以避免对历史数据设置标签，从而使得模型更加准确，上述相关性系数的范围在-1到1之间，为了便于后续处理，对小于0的相关性系数进行校正，计算1和上述相关性系数小于0对应的上述特征数据的差值，得到校正后的相关性系数，相关性系数越大，则特征数据重复的越多，重复的数据越多，模型的准确性变低，所以需要对大于第一阈值的数据进行滤除，删除重复数据，从而进一步提升预测模型的准确性。
本申请的一种具体的实施例中，上述第一阈值的范围为0.5-0.7，这样就可以滤除大部分重复的数据。当然，实际的应用中，上述第一阈值还可以为其他值，本领域技术人员可以根据实际情况进行选择。
本申请的再一种实施例中，第二得到模块包括第二滤除子模块和第三滤除子模块，其中，第二滤除子模块用于对上述特征数据和上述第二历史数据至少进行相关性分析，滤除相关数据，得到第一训练数据；第三滤除子模块用于对上述相关数据进行冗余分析，滤除相关性系数大于第二阈值的对应的上述相关数据，得到第二训练数据，上述第一训练数据和第二训练数据构成上述训练数据。本实施例中，对特征数据和第二历史数据进行相关性分析之后，滤除了相关数据，但是相关数据中还有部分有用的数据，所以采用冗余分析对相关数据进行分析，冗余分析可以准确地滤除相关数据中重复的数据，从而进一步提高模型的准确率。图3示出了对特征数据处理前的相关性，颜色越深表示相关性越小，数据重复的越少，颜色越浅表示相关性越大，数据重复的越多，图4示出了对特征数据处理后的相关性，由图可知，图4中的浅色部分明显少于图3中的浅色部分，所以经过处理后的数据，重复的数据较少，所以数据的真实性明显提高，从而提高模型的准确率。
本申请的一种具体的实施例中，上述第二阈值为0.8，这样可以准确滤除重复的数据。同样地，实际的应用中，上述第二阈值还可以为其他数值，本领域技术人员可以根据实际情况来选择。
本申请的另一种具体的实施例中，上述相关数据为上述校正后的相关性系数小于等于第四阈值的对应的上述特征数据，上述第四阈值小于上述第一阈值，其中，上述第四阈值可以为0.4，因为采用冗余分析可以准确地滤除重复数据，把有用的数据留下，所以增大相关数据的范围，从而使得模型的准确性更高。
为了进一步提升预测的准确性，本申请的又一种实施例中，上述处理器包括第一子处理器和第二子处理器，上述第一子处理器包括传输单元，上述第二子处理器包括计算单元，其中，传输单元用于上述第一子处理器将上述目标参数传输至上述第二子处理器；计算单元用于上述第二子处理器根据上述目标数据、上述目标参数和上述初始模型，确定上述制作目标晶圆的设备的损坏程度。上述制作目标晶圆的设备的损坏程度在0-1之间。
本申请的另一种实施例中，上述第二子处理器还包括控制单元，其中，控制单元用于上述第二子处理器在上述制作目标晶圆的设备的损坏程度大于等于第三阈值的情况下，发出警报。本实施例中，当制作目标晶圆的设备的损坏程度大于等于第三阈值，第二子处理器发出警报，表示半导体设备的磨损程度较高，极易发生危险，从而可以及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
本申请的一种具体的实施例中，上述第三阈值为0.7，图5示出了制作目标晶圆的设备的损坏程度的曲线，上述横线为第三阈值，当制作目标晶圆的设备的损坏程度大于等于0.7时，第二子处理器就发出警报，提醒工程师设备需要维修。
本申请的另一种具体的实施例中，每制作一个目标晶圆，就确定制作目标晶圆的设备的损坏程度，当损坏程度小于第三阈值，就制作下一目标晶圆；当损坏程度大于等于第三阈值第二子处理器发出警报，工程师可以根据该警报查看半导体设备是否真的发生故障，如果真的发生故障，则对半导体设备进行维修，如果没有则进行下一目标晶圆的制作。
本申请的再一种实施例中，上述处理器还包括第二确定单元和第三确定单元，其中，第二确定单元用于在上述制作目标晶圆的设备的损坏程度大于等于上述第三阈值的情况下，根据上述制作目标晶圆的设备的损坏程度和上述设备磨损程度的模型，可以确定对应的上述目标数据；第三确定单元用于根据对应的上述目标数据，确定对应的故障类型。本实施例中，当制作目标晶圆的设备的损坏程度比较高时，可以根据模型找到对应的目标数据，然后对目标数据进行分析，找到设备的故障类型，便于工程师对半导体设备进行维修。
上述处理器包括处理器和存储器，上述获取单元、第一确定单元、第二确定单元、第三确定单元、传输单元、计算单元和控制单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来准确预测半导体设备磨损程度。
存储器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)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述Z方法。
本发明实施例还提供了一种半导体设备，包括一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的方法。
上述的半导体设备包括一个或多个处理器，存储器以及一个或多个程序，一个或多个程序包括用于执行任意一种上述的方法，该方法中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S101，处理器获取多个历史数据，多个上述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，上述第一历史数据包括历史晶圆的尺寸参数和制作上述历史晶圆时的工艺参数，上述第二历史数据包括制作各上述历史晶圆时的总加工晶圆数量，上述第三历史数据为检测到的设备磨损程度数据，上述第三历史数据与上述第一历史数据一一对应；
步骤S102，上述处理器根据多个上述历史数据构建设备磨损程度的模型，并利用上述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，上述目标数据包括目标晶圆的尺寸参数和制作上述目标晶圆时的工艺参数。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S101，处理器获取多个历史数据，多个上述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，上述第一历史数据包括历史晶圆的尺寸参数和制作上述历史晶圆时的工艺参数，上述第二历史数据包括制作各上述历史晶圆时的总加工晶圆数量，上述第三历史数据为检测到的设备磨损程度数据，上述第三历史数据与上述第一历史数据一一对应；
步骤S102，上述处理器根据多个上述历史数据构建设备磨损程度的模型，并利用上述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，上述目标数据包括目标晶圆的尺寸参数和制作上述目标晶圆时的工艺参数。
为了使得本领域的技术人员更加清楚明确地了解本申请的技术方案，下面将结合具体的实施例进行说明：
实施例
该半导体设备的检测方法流程示意图如图6所示，该方法包括以下步骤：
获取半导体设备进行预防性维护时检测到的设备磨损程度数据，即第三历史数据，第一子处理器根据第一历史数据、第二历史数据和第三历史数据对初始模型进行训练，初始模型为Hotelling-T平方值计算式与初始参数的乘积，将初始参数更新为目标参数，然后将目标参数传输至第二子处理器；
第二子处理器根据制作第一目标晶圆后得到的目标数据、目标参数和初始模型，确定制作第一目标晶圆的设备的损坏程度，如果小于第三阈值，则设备不存在发生故障的风险，然后继续制作第二目标晶圆，然后确定制作第二晶圆的设备的损坏程度，如果小于第三阈值，则设备不存在发生故障的风险，继续制作第三目标晶圆，每制作一次目标晶圆，就确定一次制作目标晶圆的设备的损坏程度，当制作完所有晶圆，也没有设备发生故障的风险，即对设备进行拆机，得到第三历史数据；
如果制作第一目标晶圆的设备的损坏程度大于等于第三阈值，工程师会观察设备是否真的发生故障，如果发生故障，则对设备进行维护，如果没有发生故障，则制作下一目标晶圆。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的半导体设备的检测方法，处理器首先获取多个历史数据，多个历史数据至少包括历史晶圆的尺寸参数、工艺参数和总加工晶圆数量以及设备的磨损程度数据，处理器然后根据多个历史数据构建设备磨损程度的模型，并利用设备磨损程度的模型和目标晶圆的尺寸参数和工艺参数，得到制作目标晶圆的设备的损坏程度。该方法中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
2)、本申请的处理器包括获取单元和确定单元，其中，获取单元用于处理器获取多个历史数据，多个历史数据至少包括历史晶圆的尺寸参数、工艺参数和总加工晶圆数量以及设备的磨损程度数据，确定单元用于处理器根据多个历史数据构建设备磨损程度的模型，并利用设备磨损程度的模型和目标晶圆的尺寸参数和工艺参数，得到制作目标晶圆的设备的损坏程度。该装置中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
3)、本申请的半导体设备包括一个或多个处理器，存储器以及一个或多个程序，一个或多个程序包括用于执行任意一种上述的方法，该方法中，处理器获取历史数据时，不需要人为对历史数据设置标准或标签，因此处理器获取的历史数据可以真实地反映半导体设备的状态，然后处理器根据历史数据构建设备磨损程度的模型，使得构建的该设备磨损程度的模型较为准确，即可以准确地反映半导体设备的磨损程度，最后处理器根据设备磨损程度的模型和目标数据，就可以准确地预测制作目标晶圆的设备的损坏程度，从而解决了现有技术中缺乏可以准确预测半导体设备磨损程度的方法的问题。后续可以根据该检测结果，及时对半导体设备进行维修，避免在后续的半导体制作中造成更大的损失。
以上上述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种半导体设备的检测方法，其特征在于，包括：
处理器获取多个历史数据，多个所述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，所述第一历史数据包括历史晶圆的尺寸参数和制作所述历史晶圆时的工艺参数，所述第二历史数据包括制作各所述历史晶圆时的总加工晶圆数量，所述第三历史数据为检测到的设备磨损程度数据，所述第三历史数据与所述第一历史数据一一对应；
所述处理器根据多个所述历史数据构建设备磨损程度的模型，并利用所述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，所述目标数据包括目标晶圆的尺寸参数和制作所述目标晶圆时的工艺参数。
2.根据权利要求1所述的方法，其特征在于，所述处理器根据多个所述历史数据构建设备磨损程度的模型，包括：
对多个所述第一历史数据进行特征提取，得到特征数据；
对所述特征数据和所述第二历史数据至少进行相关性分析，得到训练数据；
利用所述训练数据和对应的所述第三历史数据对进行训练初始模型，将所述初始模型中的初始参数更新为目标参数，得到所述设备磨损程度的模型，所述初始模型为Hotelling-T平方值计算式与初始参数的乘积。
3.根据权利要求2所述的方法，其特征在于，对多个所述第一历史数据进行特征提取，得到特征数据，包括：
提取多个所述第一历史数据中同一参量的数据的时域特征数据和频域特征数据；
对所述时域特征数据和所述频域特征数据进行归一化，得到所述特征数据。
4.根据权利要求3所述的方法，其特征在于，对所述特征数据和所述第二历史数据至少进行相关性分析，得到训练数据，包括：
对各所述特征数据和对应的所述第二历史数据进行相关性分析，得到多个相关性系数；
在所述相关性系数小于0的情况下，计算1和所述相关性系数小于0对应的所述特征数据的差值，得到校正后的相关性系数；
滤除所述校正后的相关性系数大于第一阈值的对应的所述特征数据，得到所述训练数据。
5.根据权利要求3或4所述的方法，其特征在于，对所述特征数据和所述第二历史数据至少进行相关性分析，得到训练数据，包括：
对所述特征数据和所述第二历史数据至少进行相关性分析，滤除相关数据，得到第一训练数据；
对所述相关数据进行冗余分析，滤除相关性系数大于第二阈值的对应的所述相关数据，得到第二训练数据，所述第一训练数据和第二训练数据构成所述训练数据。
6.根据权利要求2所述的方法，其特征在于，所述处理器包括第一子处理器和第二子处理器，所述处理器根据多个所述历史数据构建设备磨损程度的模型，并利用所述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，包括：
所述第一子处理器将所述目标参数传输至所述第二子处理器；
所述第二子处理器根据所述目标数据、所述目标参数和所述初始模型，确定所述制作目标晶圆的设备的损坏程度。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
所述第二子处理器在所述制作目标晶圆的设备的损坏程度大于等于第三阈值的情况下，发出警报。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
在所述制作目标晶圆的设备的损坏程度大于等于所述第三阈值的情况下，根据所述制作目标晶圆的设备的损坏程度和所述设备磨损程度的模型，确定对应的所述目标数据；
根据对应的所述目标数据，确定对应的故障类型。
9.一种处理器，其特征在于，包括：
获取单元，用于处理器获取多个历史数据，多个所述历史数据至少包括多个第一历史数据、多个第二历史数据和多个第三历史数据，其中，所述第一历史数据包括历史晶圆的尺寸参数、制作所述历史晶圆时的工艺参数，所述第二历史数据包括制作各所述历史晶圆时的总加工晶圆数量，所述第三历史数据为检测到的设备磨损程度数据，所述第三历史数据与所述第一历史数据一一对应；
确定单元，用于所述处理器根据多个所述历史数据构建设备磨损程度的模型，并利用所述设备磨损程度的模型和目标数据，确定制作目标晶圆的设备的损坏程度，所述目标数据包括目标晶圆的尺寸参数和制作所述目标晶圆时的工艺参数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，所述程序执行权利要求1至8中任意一项所述的方法。
11.一种半导体设备，其特征在于，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至8中任意一项所述的方法。
CN202111277744.4A 2021-10-29 2021-10-29 半导体设备的检测方法、处理器与半导体设备 Pending CN114021448A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111277744.4A CN114021448A (zh) 2021-10-29 2021-10-29 半导体设备的检测方法、处理器与半导体设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111277744.4A CN114021448A (zh) 2021-10-29 2021-10-29 半导体设备的检测方法、处理器与半导体设备

Publications (1)

Publication Number Publication Date
CN114021448A true CN114021448A (zh) 2022-02-08

Family

ID=80059159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111277744.4A Pending CN114021448A (zh) 2021-10-29 2021-10-29 半导体设备的检测方法、处理器与半导体设备

Country Status (1)

Country Link
CN (1) CN114021448A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114815917A (zh) * 2022-04-20 2022-07-29 北京烁科精微电子装备有限公司 一种晶圆刷洗压力的控制方法、装置、设备及存储介质
CN114841378A (zh) * 2022-07-04 2022-08-02 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质
CN117410215A (zh) * 2023-12-15 2024-01-16 合肥晶合集成电路股份有限公司 机台参数的确定方法、控制方法、控制系统及其装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114815917A (zh) * 2022-04-20 2022-07-29 北京烁科精微电子装备有限公司 一种晶圆刷洗压力的控制方法、装置、设备及存储介质
CN114841378A (zh) * 2022-07-04 2022-08-02 埃克斯工业(广东)有限公司 晶圆特征参数预测方法、装置、电子设备及可读存储介质
CN117410215A (zh) * 2023-12-15 2024-01-16 合肥晶合集成电路股份有限公司 机台参数的确定方法、控制方法、控制系统及其装置
CN117410215B (zh) * 2023-12-15 2024-04-09 合肥晶合集成电路股份有限公司 机台参数的确定方法、控制方法、控制系统及其装置

Similar Documents

Publication Publication Date Title
CN114021448A (zh) 半导体设备的检测方法、处理器与半导体设备
US7275018B2 (en) Method of condition monitoring
CN111611294B (zh) 星敏感器数据异常检测方法
CN116502925B (zh) 基于大数据的数字工厂设备巡检评估方法、系统和介质
CN110837852A (zh) 一种轧机齿轮箱的故障诊断方法、装置及终端设备
CN109598052B (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
CN114152825A (zh) 变压器的故障诊断方法、装置和变压器的故障诊断系统
CN117150283B (zh) 一种基于大数据分析的突发环境事件安全预警方法
CN110909826A (zh) 一种能源设备的诊断监测方法、装置及电子设备
Yilmaz et al. Per-device adaptive test for analog/RF circuits using entropy-based process monitoring
CN117076258A (zh) 一种基于互联网云端的远程监控方法及系统
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN112884697A (zh) 晶圆图的辨识方法与计算机可读取记录介质
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN116415126A (zh) 用于造纸机的刮刀的异常检测的方法、装置和计算设备
CN112446389A (zh) 一种故障判别方法及装置
Quiñones-Grueiro et al. Decision support system for cyber attack diagnosis in smart water networks
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN117170915A (zh) 数据中心设备故障预测方法、装置和计算机设备
CN115964361B (zh) 一种数据增强方法、系统、设备及计算机可读存储介质
CN114338351B (zh) 网络异常根因确定方法、装置、计算机设备及存储介质
CN116910635A (zh) 基于联邦学习和膨胀卷积的调压器故障诊断方法及装置
CN115147236A (zh) 一种处理方法、处理装置和电子设备
CN114020971A (zh) 一种异常数据检测方法及装置
CN113283157A (zh) 智能冲压压力机部件生命周期预测系统、方法、终端、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