CN116383745A - 一种基于图结构学习确定异常的方法 - Google Patents
一种基于图结构学习确定异常的方法 Download PDFInfo
- Publication number
- CN116383745A CN116383745A CN202310321659.6A CN202310321659A CN116383745A CN 116383745 A CN116383745 A CN 116383745A CN 202310321659 A CN202310321659 A CN 202310321659A CN 116383745 A CN116383745 A CN 116383745A
- Authority
- CN
- China
- Prior art keywords
- data
- sensors
- target
- graph
- time sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 86
- 239000004065 semiconductor Substances 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于图结构学习确定异常的方法,包括:获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;根据图结构学习模型获取所述多个传感器对应的最终嵌入向量,所述最终嵌入向量用于表征所述多个传感器之间的关联关系;将所述时序数据中时间排序在前的目标子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的预测数据;根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常。
Description
技术领域
本发明涉及半导体制造领域,尤其涉及一种基于图结构学习确定异常的方法。
背景技术
在半导体制造过程中,同一个机台上一般会有多个传感器同时监控生产状态。同一个机台上的各个传感器之间是存在关联性的,当某种异常情况发生时,某些相互存在关联的传感器可能会同时生成异常数据,进而产生报警。
现有技术将这些传感器数据利用单变量时序预测分别建模,对每个传感器产生的数据单独预测,然后与真实数据进行比较,根据比较的结果判断是否报警。然而,这种方法可能会产生假报警,即在实际并未发生异常的情况下,某个传感器由于自身故障或者环境噪音影响等因素而错误地产生报警信息。这会造成整个监控系统的冗余,增加生产设备的维护成本。
发明内容
本说明书一个或多个实施例描述了一种基于图结构学习确定异常的方法,将多个传感器产生的数据利用多变量时序异常检测模型同时建模,综合所有预测数据与真实数据进行比较,以得到更好地预测结果。
本说明书提供了一种基于图结构学习确定异常的方法,包括:
获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;
根据图结构学习模型获取所述多个传感器对应的最终嵌入向量,所述最终嵌入向量用于表征所述多个传感器之间的关联关系;
将所述时序数据中时间排序在前的目标子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的预测数据;
根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常。
在一种可能的实施方式中,还包括:
当所述目标时间点出现异常时,根据所述预测数据与所述实测数据,确定异常传感器与对应的异常类型。
在一种可能的实施方式中,还包括:
根据所述异常传感器、所述异常类型、所述设备的设备编号和所述设备正在加工的晶圆的编号,确定对应的知识点,所述知识点用于生成或更新半导体领域的知识图谱。
在一种可能的实施方式中,根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常,包括:
根据所述预测数据和所述实测数据确定误差,根据所述误差与预设的第一阈值的比较结果,确定所述实测数据所对应的目标时间点是否出现异常。
在一种可能的实施方式中,根据所述预测数据与所述实测数据,确定异常传感器与对应的异常类型,包括:
根据所述多个传感器中任一目标传感器在所述预测数据和所述实测数据中所对应的数据,确定误差,根据所述误差与所述目标传感器所对应的预设阈值的比较结果,确定所述目标传感器是否出现异常以及对应的异常类型。
在一种可能的实施方式中,所述图结构学习模型包括图嵌入层、图结构学习层和图关系聚合层。
在一种可能的实施方式中,所述图结构学习模型和所述预测模型通过样本时序数据训练得到,所述训练包括:
将所述多个传感器的特征数据输入到所述图嵌入层,得到所述多个传感器对应的多个初始嵌入向量;
将所述多个初始嵌入向量输入到所述图结构学习层,得到所述多个初始嵌入向量之间的关系权重;
将所述多个初始嵌入向量和关系权重输入到所述图关系聚合层,得到所述多个传感器对应的最终嵌入向量;
将所述样本时序数据中时间排序在前的样本子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的样本预测数据;
通过最小化所述样本预测数据与所述样本时序数据中接续所述目标子序列的样本实测数据的误差,调整所述图嵌入层、图结构学习层、图关系聚合层和预测模型中的参数的值。
在一种可能的实施方式中,所述多个初始嵌入向量之间的关系权重通过余弦相似度计算得到。
在一种可能的实施方式中,将所述多个初始嵌入向量和关系权重输入到所述图关系聚合层,得到所述多个传感器对应的最终嵌入向量,包括:
对于所述多个传感器中的任一目标传感器,将其所有邻居传感器对应的嵌入向量与对应的关系权重进行加权求和之后,再与所述目标传感器对应的嵌入向量相加,得到所述目标传感器对应的最终嵌入向量;
其中,所述目标传感器的邻居传感器为,与所述目标传感器所对应的嵌入向量的关系权重排名前K名的嵌入向量所对应的传感器,K为一预设值。
在一种可能的实施方式中,所述误差的类型至少包括:均方根误差RMSE、均方误差MSE和平均绝对误差MAE。
本发明提出的一种基于图结构学习确定异常的方法,将多个传感器产生的数据利用多变量时序异常检测模型同时建模,综合所有预测数据与真实数据进行比较,以得到更好地预测结果,减少假报警的情况。同时,相比于多个单变量模型的形式,使用一个多变量模型建模可以减少维护成本。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书披露的多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例公开的一种基于图结构学习确定异常的方法的框架图;
图2为本发明实施例公开的一种基于图结构学习确定异常的方法的流程图;
图3为本发明实施例公开的训练图结构学习模型和预测模型的方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
根据一个实施例,图1示出基于图结构学习确定异常的方法的框架。如图1所示,所述方法所使用的框架主要包含五个部分,分别为图嵌入层、图结构学习层、图关系聚合层、预测模型和异常评价层。其中,图嵌入层、图结构学习层、图关系聚合层合起来称为图结构学习模型(图中未示出)。
图嵌入层用于为每个传感器学习一个嵌入向量表示,初始时为随机的嵌入向量,随着模型训练,可以得到每个传感器合适的嵌入向量表示,嵌入向量表示的维度可以根据实际需要设定;图结构学习层用于学习传感器之间的关系,并使用一个有向图去表示传感器之间的关系,每个传感器的嵌入向量为图中的节点,传感器之间关系为图中的边,例如,如果认为A传感器对B传感器有作用,那么会有一条从A指向B的边;图关系聚合层根据学习到的图结构和关系,对每个传感器的嵌入向量表示进行基于注意力机制的聚合,得到每个传感器的最终嵌入向量表示;预测模型用于根据图结构学习模型学习到的每个传感器对应的最终嵌入向量,以及传感器检测到的多变量时序数据,对下一个时间点的数据进行预测,得到预测数据;异常评价层根据预测数据以及对应时间点的实际数据,判断该时间点是否出现异常。
以下将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
图2为本发明实施例公开的一种基于图结构学习确定异常的方法的流程图。如图2所示,所述方法至少包括:步骤201,获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;步骤202,根据图结构学习模型获取所述多个传感器对应的最终嵌入向量;步骤203,将所述时序数据中时间排序在前的目标子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的预测数据;步骤204,根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常。
在步骤201,获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据。
时序数据为半导体制造过程中设备的传感器产生的原始数据经由FDC系统处理之后得到的数据。一个半导体生产机台安装有很多个传感器,每个传感器监控机台上的一种参数,如温度、湿度、电压、电流、压强等。传感器在一段时间内输出的任意一种参数的值经由FDC系统处理之后,都会得到一组单变量时序数据。在综合所有传感器的时序数据后,便能得到多变量时序数据。
多变量时序数据可以表示为D={X1,X2,...,Xn},Xi∈Rk表示k个传感器在第i个时间点对应的值,Xi是一个k维向量,其中,k为传感器的数量,i=1,2,...,n。
在步骤202,根据图结构学习模型获取所述多个传感器对应的最终嵌入向量,所述最终嵌入向量用于表征所述多个传感器之间的关联关系。
具体地,图结构学习模型包括图嵌入层、图结构学习层和图关系聚合层。第i个传感器对应的最终嵌入向量可以表示为i=1,2,...,k。嵌入向量的维度可以根据具体情况预先设定,但应理解的是,每个传感器对应的嵌入向量的维度应该相同。
在步骤203,将所述时序数据中时间排序在前的目标子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的预测数据。
具体地,预设一个长度为ω的时间窗口,则,用于预测目标时间点为第t个时间点的目标子序列可以表示为St={Xt-ω,Xt-ω+1,...,Xt-1}。将St与最终嵌入向量至/>进行向量拼接后,输入到预测模型中,得到多个传感器在第t个时间点对应的预测数据应当理解的是,此处的t>ω。
在步骤204,根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常。
在一个实施例中,异常评价层根据所述预测数据和所述实测数据Xt确定误差,根据所述误差与预设的第一阈值的比较结果,确定所述实测数据所对应的目标时间点是否出现异常。例如,当误差大于第一阈值时,判定为第t个时间点出现异常。
对误差的计算可以有多种方法,例如使用均方根误差RMSE、均方误差MSE或平均绝对误差MAE,这里不做限定。
通过步骤201至步骤204,将多个传感器产生的数据利用多变量时序异常检测模型同时建模,综合所有预测数据与真实数据进行比较,以得到更好地预测结果,减少假报警的情况。
在一些可能的实施方式中,所述方法还包括:步骤205,当所述目标时间点出现异常时,根据所述预测数据与所述实测数据,确定异常传感器与对应的异常类型。
在一个实施例中,根据所述多个传感器中任一目标传感器在所述预测数据和所述实测数据Xt中所对应的数据,即/>和Xt在目标传感器对应的维度上的分量,确定误差,根据所述误差与所述目标传感器所对应的预设阈值的比较结果,确定所述目标传感器是否出现异常以及对应的异常类型。例如,当误差大于阈值时,判定为在第t个时间点时目标传感器出现异常,同时,根据所述目标传感器检测的机台参数类型,确定对应的异常类型。
上述目标传感器所对应的预设阈值可以由工程师根据实际情况或者经验进行设定,也可以由一些数据模型根据历史数据计算得出。也可以根据实际情况,对不同的传感器设定不同的阈值。
由于在步骤205中所述的误差为标量之间的误差,在计算误差时,可以直接求二者的差值,或者求差值的绝对值,这里不做限定。
在一些可能的实施方式中,所述方法还包括:步骤206,根据所述异常传感器、所述异常类型、所述设备的设备编号和所述设备正在加工的晶圆的编号,确定对应的知识点,所述知识点用于生成或更新半导体领域的知识图谱。
在一些实施例中,由于在某个时间点上,可能同时存在多个异常类型,对应为多个目标传感器出现异常,此时,所述知识点可以为多元组形式,具体地,多元组的形式为(异常类型1,…异常类型m,设备编号,晶圆编号)。例如,一个具体的知识点可以为(温度过高,压强过高,机台2,wafer3),wafer代表晶圆。
图2所包含的步骤为使用训练好的模型对数据进行预测和异常检测的步骤;训练所述模型的方法步骤如图3所示。
图3为本发明实施例公开的训练图结构学习模型和预测模型的方法的流程图。如图3所示,图结构学习模型和预测模型通过样本时序数据训练得到,所述训练至少包括:步骤301,将所述多个传感器的特征数据输入到所述图嵌入层,得到所述多个传感器对应的多个初始嵌入向量;步骤302,将所述多个初始嵌入向量输入到所述图结构学习层,得到所述多个初始嵌入向量之间的关系权重;步骤303,将所述多个初始嵌入向量和关系权重输入到所述图关系聚合层,得到所述多个传感器对应的最终嵌入向量;步骤304,将所述样本时序数据中时间排序在前的样本子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的样本预测数据;步骤305,通过最小化所述样本预测数据与所述样本时序数据中接续所述目标子序列的样本实测数据的误差,调整所述图嵌入层、图结构学习层、图关系聚合层和预测模型中的参数的值。
在步骤301,将所述多个传感器的特征数据输入到所述图嵌入层,得到所述多个传感器对应的多个初始嵌入向量。
第i个传感器的嵌入向量可以表示为Vi。对Vi的初始化可以有多种方式,在一个实施例中,可以将Vi的所有维度都初始化为0;在另一个实施例中,可以使用随机数对Vi进行初始化;在又一个实施例中,可以根据样本时序数据Dtrain对Vi进行初始化。对Vi进行初始化之后,得到初始嵌入向量。
在步骤302,将所述多个初始嵌入向量输入到所述图结构学习层,得到所述多个初始嵌入向量之间的关系权重。
在一个实施例中,所述多个初始嵌入向量之间的关系权重通过余弦相似度计算得到。
示例性地,嵌入向量Vi和Vj之间的余弦相似度可以根据公式(1)计算:
其中,Vi·Vj表示两个向量的点积,||Vi||表示向量Vi的模长。
在步骤303,将所述多个初始嵌入向量和关系权重输入到所述图关系聚合层,得到所述多个传感器对应的最终嵌入向量。
在一个实施例中,对于所述多个传感器中的任一目标传感器,将其所有邻居传感器对应的嵌入向量与对应的关系权重进行加权求和之后,再与所述目标传感器对应的嵌入向量相加,得到所述目标传感器对应的最终嵌入向量;其中,所述目标传感器的邻居传感器为,与所述目标传感器所对应的嵌入向量的关系权重排名前K名的嵌入向量所对应的传感器,K为一预设值。
在一个例子中,将K的值预设为2。对于第1个传感器,将其与第2至第k个传感器之间的k-1个关系权重进行排序,关系权重排名为前2名所对应的2个传感器即为第1个传感器的邻居传感器,不妨假设为第2和第3个传感器,将这2个关系权重设为α2,α3。则,第1个传感器的最终嵌入向量可以表示为如公式(2)所示:
在步骤304,将所述样本时序数据中时间排序在前的样本子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的样本预测数据。
具体地,与图2所示的方法相似,预设一个长度为ω的时间窗口,则,用于第r个时间点的样本子序列可以表示为将/>与最终嵌入向量V1 final至/>进行向量拼接后,输入到预测模型中,得到多个传感器在第r个时间点对应的样本预测数据/>应当理解的是,此处的r>ω。
对误差的计算可以有多种方法,例如使用均方根误差RMSE、均方误差MSE或平均绝对误差MAE,这里不做限定。
在每一轮的训练过程中,通过滑动上述长度为ω的时间窗口,以使用不同的样本子序列和样本实测数据对模型进行训练。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图结构学习确定异常的方法,包括:
获取多变量时序数据,所述时序数据为半导体制造过程中设备的多个传感器产生的数据;
根据图结构学习模型获取所述多个传感器对应的最终嵌入向量,所述最终嵌入向量用于表征所述多个传感器之间的关联关系;
将所述时序数据中时间排序在前的目标子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的预测数据;
根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常。
2.根据权利要求1所述的方法,其特征在于,还包括:
当所述目标时间点出现异常时,根据所述预测数据与所述实测数据,确定异常传感器与对应的异常类型。
3.根据权利要求2所述的方法,其特征在于,还包括:
根据所述异常传感器、所述异常类型、所述设备的设备编号和所述设备正在加工的晶圆的编号,确定对应的知识点,所述知识点用于生成或更新半导体领域的知识图谱。
4.根据权利要求1所述的方法,其特征在于,根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据,确定所述实测数据所对应的目标时间点是否出现异常,包括:
根据所述预测数据和所述实测数据确定误差,根据所述误差与预设的第一阈值的比较结果,确定所述实测数据所对应的目标时间点是否出现异常。
5.根据权利要求2所述的方法,其特征在于,根据所述预测数据与所述实测数据,确定异常传感器与对应的异常类型,包括:
根据所述多个传感器中任一目标传感器在所述预测数据和所述实测数据中所对应的数据,确定误差,根据所述误差与所述目标传感器所对应的预设阈值的比较结果,确定所述目标传感器是否出现异常以及对应的异常类型。
6.根据权利要求1所述的方法,其特征在于,所述图结构学习模型包括图嵌入层、图结构学习层和图关系聚合层。
7.根据权利要求6所述的方法,其特征在于,所述图结构学习模型和所述预测模型通过样本时序数据训练得到,所述训练包括:
将所述多个传感器的特征数据输入到所述图嵌入层,得到所述多个传感器对应的多个初始嵌入向量;
将所述多个初始嵌入向量输入到所述图结构学习层,得到所述多个初始嵌入向量之间的关系权重;
将所述多个初始嵌入向量和关系权重输入到所述图关系聚合层,得到所述多个传感器对应的最终嵌入向量;
将所述样本时序数据中时间排序在前的样本子序列与所述最终嵌入向量结合,并输入到预测模型中,得到所述多个传感器对应的样本预测数据;
通过最小化所述样本预测数据与所述样本时序数据中接续所述目标子序列的样本实测数据的误差,调整所述图嵌入层、图结构学习层、图关系聚合层和预测模型中的参数的值。
8.根据权利要求7所述的方法,其特征在于,所述多个初始嵌入向量之间的关系权重通过余弦相似度计算得到。
9.根据权利要求7所述的方法,其特征在于,将所述多个初始嵌入向量和关系权重输入到所述图关系聚合层,得到所述多个传感器对应的最终嵌入向量,包括:
对于所述多个传感器中的任一目标传感器,将其所有邻居传感器对应的嵌入向量与对应的关系权重进行加权求和之后,再与所述目标传感器对应的嵌入向量相加,得到所述目标传感器对应的最终嵌入向量;
其中,所述目标传感器的邻居传感器为,与所述目标传感器所对应的嵌入向量的关系权重排名前K名的嵌入向量所对应的传感器,K为一预设值。
10.根据权利要求4或7所述的方法,其特征在于,所述误差的类型至少包括:均方根误差RMSE、均方误差MSE和平均绝对误差MAE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310321659.6A CN116383745A (zh) | 2023-03-29 | 2023-03-29 | 一种基于图结构学习确定异常的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310321659.6A CN116383745A (zh) | 2023-03-29 | 2023-03-29 | 一种基于图结构学习确定异常的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116383745A true CN116383745A (zh) | 2023-07-04 |
Family
ID=86965044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310321659.6A Pending CN116383745A (zh) | 2023-03-29 | 2023-03-29 | 一种基于图结构学习确定异常的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117928543A (zh) * | 2024-01-08 | 2024-04-26 | 其无(武汉)设计有限公司 | 室内空间定位测量系统及其方法 |
-
2023
- 2023-03-29 CN CN202310321659.6A patent/CN116383745A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117928543A (zh) * | 2024-01-08 | 2024-04-26 | 其无(武汉)设计有限公司 | 室内空间定位测量系统及其方法 |
CN117928543B (zh) * | 2024-01-08 | 2024-07-05 | 其无(武汉)设计有限公司 | 室内空间定位测量系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
JP6811276B2 (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
US8700550B1 (en) | Adaptive model training system and method | |
US8712929B1 (en) | Dynamic data filtering system and method | |
KR20210109662A (ko) | 반도체 장비 툴들에서 뉴럴 네트워크들을 이용한 챔버 매칭 | |
WO2020055555A1 (en) | Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN110083593B (zh) | 电站运行参数清洗及修复方法、修复系统 | |
TWI841793B (zh) | 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體 | |
US11487640B2 (en) | Replacing stair-stepped values in time-series sensor signals with inferential values to facilitate prognostic-surveillance operations | |
US12001180B2 (en) | Condition-based method for malfunction prediction | |
US11640328B2 (en) | Predicting equipment fail mode from process trace | |
JP2020536380A (ja) | 異常の検出及び類別 | |
CN116340872A (zh) | 一种基于重构和预测联合确定异常的方法 | |
KR102523458B1 (ko) | 공정 설비의 비정상 동작 감지 방법, 컴퓨팅 장치 및 컴퓨터 프로그램 | |
CN116383745A (zh) | 一种基于图结构学习确定异常的方法 | |
JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
KR20200005206A (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
KR20200010671A (ko) | 기계 학습 기반의 설비 이상 진단 시스템 및 방법 | |
CN117708738A (zh) | 基于多模态变量相关性的传感器时序异常检测方法及系统 | |
Iskandar et al. | Maintenance of virtual metrology models | |
KR102623389B1 (ko) | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 | |
CN116127391A (zh) | 一种基于多变量时序数据重构确定异常的方法 | |
Haldimann et al. | A scalable algorithm for identifying multiple-sensor faults using disentangled RNNs |
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 |