CN117711992A - 温控异常处理方法、半导体工艺设备及存储介质 - Google Patents
温控异常处理方法、半导体工艺设备及存储介质 Download PDFInfo
- Publication number
- CN117711992A CN117711992A CN202410160666.7A CN202410160666A CN117711992A CN 117711992 A CN117711992 A CN 117711992A CN 202410160666 A CN202410160666 A CN 202410160666A CN 117711992 A CN117711992 A CN 117711992A
- Authority
- CN
- China
- Prior art keywords
- temperature control
- real
- temperature
- time
- data
- 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 76
- 230000005856 abnormality Effects 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 title claims description 18
- 238000003672 processing method Methods 0.000 title description 8
- 238000000034 method Methods 0.000 claims abstract description 214
- 230000008569 process Effects 0.000 claims abstract description 146
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 8
- 230000019771 cognition Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 17
- 238000003062 neural network model Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 229910021419 crystalline silicon Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000031636 Body Temperature Changes Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本申请公开了一种温控异常处理方法、半导体工艺设备及存储介质,属于半导体技术领域。其中,该方法包括:获取半导体工艺设备的实时温控数据;对实时温控数据进行特征提取,得到实时特征数据;将实时特征数据输入至训练后的温度预测模型中,得到实时温度预测值;计算实时温度实际值和实时温度预测值的实时温度残差;根据实时温度残差对半导体工艺设备进行温控异常识别。本申请基于实时温控数据和训练后的温度预测模型即可自动得到作为基准值的实时温度预测值,无需对温控过程内部反应机理有深入认知,降低了对专业经验的依赖,另外,实时温度预测值是根据实时温控数据得到的,可以及时响应不同工艺结果对温控数据的变化,执行不同工艺时可以通用。
Description
技术领域
本申请属于半导体技术领域,尤其涉及一种温控异常处理方法、半导体工艺设备及存储介质。
背景技术
随着光伏行业的快速发展,晶硅太阳能电池组件受到国家和社会越来越多的关注,市场需求与规模与日俱增。因此对相应的半导体工艺设备的生产效率与良品率有了更高的要求。温度控制(简称温控)是影响工艺质量的关键因素之一,温控异常监测是保证炉体温控稳定性的重要手段。
相关技术中,温控异常监测方案如下:根据历史工艺数据得到一条温控参数随工艺步时间变化而变化的基准值曲线,将采集的温控参数实际值与基准值曲线中对应时刻的温控参数基准值进行比较,在工艺步跳转时进行温控异常识别与硬件预警。但上述根据历史工艺数据得到工艺参数基准值曲线的方案,需要对温控过程内部反应机理有深入认知,依赖于专业经验,另外实际应用过程中,温控参数会随着工艺结果的变化而不断调整,而根据历史工艺数据得到的工艺参数基准值曲线无法响应这种变化,导致温控异常识别的精度下降,进而导致温控异常的漏报或者误报,执行不同工艺时无法通用。
发明内容
本申请实施例的目的是提供一种温控异常处理方法、半导体工艺设备及存储介质,以解决相关技术中依赖于专业经验和执行不同工艺时无法通用的问题。
为实现上述目的,本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种温控异常处理方法,包括:获取半导体工艺设备的实时温控数据;对所述实时温控数据进行特征提取,得到实时特征数据;将所述实时特征数据输入至训练后的温度预测模型中,得到所述温度预测模型输出的实时温度预测值;计算实时温度实际值和所述实时温度预测值的实时温度残差;根据所述实时温度残差对所述半导体工艺设备进行温控异常识别。
第二方面,本申请实施例提供一种半导体工艺设备,包括:炉体、设置在所述炉体内部的内偶、设置在所述炉体外部的外偶、温控表和控制器;所述温控表与所述内偶和所述外偶分别连接,用于控制和监测所述内偶和所述外偶的温度;所述控制器与所述温控表通信连接,用于从所述温控表获取所述内偶和所述外偶的温度和温控数据,以用于执行如本申请第一方面实施例所述的温控异常处理方法的步骤。
第三方面,本申请实施例提供一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如本申请第一方面实施例所述的温控异常处理方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请实施例在对半导体工艺设备进行温控异常识别时,首先获取半导体工艺设备的实时温控数据,并对实时温控数据进行特征提取,得到实时特征数据,将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值,根据实时温度实际值和实时温度预测值的实时温度残差,对半导体工艺设备进行温控异常识别。本申请实施例基于实时温控数据和训练后的温度预测模型即可自动得到作为基准值的实时温度预测值,无需对温控过程内部反应机理有深入认知,降低了对专业经验的依赖,另外,作为基准值的实时温度预测值是根据实时温控数据得到的,因此可以及时响应不同工艺结果对温控数据的变化,执行不同工艺时可以通用。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,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为本申请的一个实施例提供的一种温控异常处理方法的流程示意图;
图2为本申请的一个实施例提供的基于温度预测模型进行温控异常识别的原理示意图;
图3为本申请的一个实施例提供的6段温控炉体的内外偶示意图;
图4为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图5为本申请的一个实施例提供的残差分布的示意图;
图6为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图7为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图8为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图9为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图10为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图11为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图;
图12为本申请的一个实施例提供的持续异常数据的示意图;
图13为本申请的另一个实施例提供的持续异常数据的示意图;
图14为BP神经网络模型的结构图;
图15为本申请的另一个实施例提供的一种温控异常处理方法的整体流程框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应理解,这样使用的数据在适当情况下可以互换,以便本申请实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,本申请中的“和/或”表示所连接的对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。需要说明的是,本申请涉及的数据均在获得用户授权的前提下获取。
对半导体设备的温度控制(简称温控)是影响工艺质量的关键因素之一,温控异常监测是保证炉体温控稳定性的重要手段。相关技术中,温控异常监测方案如下:根据历史工艺数据得到一条温控参数随工艺步时间变化而变化的基准值曲线,将采集的温控参数实际值与基准值曲线中对应时刻的温控参数基准值进行比较,在工艺步跳转时进行温控异常识别与硬件预警。但上述根据历史工艺数据得到工艺参数基准值曲线的方案,需要对温控过程内部反应机理有深入认知,依赖于专业经验,另外实际应用过程中,温控参数会随着工艺结果的变化而不断调整,而根据历史工艺数据得到的工艺参数基准值曲线无法响应这种变化,导致温控异常识别的精度下降,进而导致温控异常的漏报或者误报,执行不同工艺时无法通用。为此,本申请提出了一种温控异常处理方法、半导体工艺设备及存储介质。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请的一个实施例提供的一种温控异常处理方法的流程示意图。如图1所示,本申请实施例的温控异常处理方法,具体可包括以下步骤:
S101,获取半导体工艺设备的实时温控数据。
在本申请实施例中,本申请实施例的温控异常处理方法的执行主体为温控异常处理装置,该装置可设置于半导体工艺设备,例如用于生产晶硅太阳能电池组件等半导体器件的卧式炉等中。
在预设的规定时间内,实时获取半导体工艺设备的温控数据,记为实时温控数据。
作为第一种可行的实施方式,可以每隔设定时间获取一次半导体工艺设备的温控数据。
作为第二种可行的实施方式,可以在预设的多个时间点分别获取一次半导体工艺设备的温控数据。
S102,对实时温控数据进行特征提取,得到实时特征数据。
在本申请实施例中,可以利用布尔塔(Boruta)算法等,对实时温控数据进行特征提取,提取出的特征数据记为实时特征数据。
Boruta算法,是一种基于随机森林的特征选择算法。它通过比较原始特征与随机生成的“影子特征”之间的重要性来进行特征筛选,其核心思想是:如果一个特征在统计上显著优于“影子特征”,则认为该特征对于预测任务是重要的。
S103,将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值。
在本申请实施例中,将上一时刻的实时特征数据输入至训练后的温度预测模型中,温度预测模型根据上一时刻的实时特征数据预测出当前时刻的实时温度,记为实时温度预测值。
温度预测模型具体可以包括但不限于BP(Back Propagation)神经网络模型等。BP神经网络模型,是一种按照误差逆向传播算法训练的多层前馈神经网络模型,是应用最广泛的神经网络模型之一。BP神经网络模型的具体结构参见下述实施例中的相关描述,此处不再赘述。
目前,在半导体工艺设备中主要的控温逻辑为:根据工艺中的温度设定值与当前检测的温度实际值的差异进行功率分配,使炉体腔室的温度控制在温度设定值。炉体腔室温度的控制方法通常采用的是比例积分微分(Proportional Integral Derivative,简称PID)控制算法,PID控制算法是经典的工业过程控制方法,其具有高抗干扰性,稳定性强,控制效果好等优点。在PID控制算法的控制下,炉体温度变化过程是一个非线性耦合过程,具有滞后性和非线性。温度预测模型需要对非线性系统有较好的拟合能力,神经网络本质上是一种非线性系统,能够逼近任意复杂的非线性函数,因此选择BP神经网络模型,其拟合结果也可以随着模型的训练而达到更好的精度。
其中,温度预测模型的训练生成过程可参见后续实施例中的相关描述,此处不再赘述。
S104,计算实时温度实际值和实时温度预测值的实时温度残差。
在本申请实施例中,计算当前时刻的实时温度实际值和当前时刻的实时温度预测值之间的残差,记为实时温度残差,即实时温度残差=实时温度实际值-实时温度预测值。预设的规定时间内得到的多个时刻的实时温度残差,构成实时温度残差集合。
S105,根据实时温度残差对半导体工艺设备进行温控异常识别。
在本申请实施例中,根据预设的规定时间内得到的多个实时温度残差,识别半导体工艺设备是否温控异常。
图2为基于温度预测模型对半导体工艺设备进行温控异常识别的原理示意图。如图2所示,将上一时刻的实时特征数据输入至训练好的温度预测模型中,温度预测模型输出当前时刻的实时温度预测值,计算当前时刻的实时温度实际值和当前时刻的实时温度预测值之间的实时温度残差,得到规定时间内多个时刻的实时温度残差构成的实时温度残差集合,根据该实时温度残差集合中的多个实时温度残差对半导体工艺设备进行温控异常识别。
例如,图3为6段温控炉体的内外偶示意图,黑色框线内控温热偶配线电缆为外偶,profile热偶配线电缆为内偶,内偶设置在炉体内部,外偶设置在炉体外部,两条热偶配线电缆均与设置在炉体外部的温控表相连,温控表用于控制和监测内偶和外偶的温度。报警热偶配线电缆则与巡检仪进行连通,巡检仪用于监测报警热偶的温度,当报警热偶的温度超过上限阈值时进行报警。设置在炉体外部的控制器(包括上位机软件和下位机软件)与温控表通信连接,用于从温控表获取内偶和外偶的温度和温控数据,以用于执行本申请实施例的温控异常处理方法,具体的:获取该6段温控炉体的实时温控数据,提取出实时特征数据,输入至训练后的温度预测模型中预测内外偶温度预测值,根据内外偶温度预测值对应的内外偶温度残差,识别该6段温控炉体是否温控异常。若温控系统没有发生异常,温度预测模型可以捕捉到各实时特征数据之间的关系,对内外偶温度进行较优拟合。若温控系统发生异常,则内外偶温度残差会出现偏移,因此可基于内外偶温度残差识别该6段温控炉体是否温控异常。
综上,本申请实施例的温控异常处理方法,在对半导体工艺设备进行温控异常识别时,首先获取半导体工艺设备的实时温控数据,并对实时温控数据进行特征提取,得到实时特征数据,将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值,根据实时温度实际值和实时温度预测值的实时温度残差,对半导体工艺设备进行温控异常识别。本申请实施例基于实时温控数据和训练后的温度预测模型即可自动得到作为基准值的实时温度预测值,无需对温控过程内部反应机理有深入认知,降低了对专业经验的依赖,另外,作为基准值的实时温度预测值是根据实时温控数据得到的,因此可以及时响应不同工艺结果对温控数据的变化,执行不同工艺时可以通用。
图4为本申请的另一个实施例提供的一种温控异常处理方法的流程示意图。如图4所示,在图1所示实施例的基础上,本申请实施例的温控异常处理方法具体可包括以下步骤:
S401,获取半导体工艺设备的实时温控数据。
S402,对实时温控数据进行特征提取,得到实时特征数据。
S403,将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值。
S404,计算实时温度实际值和实时温度预测值的实时温度残差。
在本申请实施例中,步骤S401-S404与上述实施例中的步骤S101- S104相同,此处不再赘述。
上述实施例中的步骤S105“根据实时温度残差对半导体工艺设备进行温控异常识别”,具体可包括以下步骤S405-S406:
S405,获取测试集经训练后的温度预测模型后的测试集残差。
在本申请实施例中,获取预先存储的、离线过程中生成的测试集经训练后的温度预测模型后的测试集残差。测试集,即用于测试训练后的温度预测模型性能的多个历史温控数据的集合。
对测试集中的多个历史温控数据进行特征提取,得到多组历史特征数据,将t时刻的历史特征数据输入至训练后的温度预测模型中,温度预测模型输出t+1时刻的温度预测值,获取t+1时刻的温度实际值,计算测试集中多个时刻的温度实际值和温度预测值的测试集温度残差,得到多个测试集温度残差构成的测试集温度残差集合。
S406,根据实时温度残差和测试集残差,对半导体工艺设备进行温控异常识别。
在本申请实施例中,可以对步骤S404获取到的多个实时温度残差进行统计分析,得到实时温度残差分布,结合S405获取到的测试集残差,识别半导体工艺设备半导体工艺设备是否温控异常。其中,残差分布的类型具体包括但不限于正态分布等,如图5所示为残差分布的示意图,其中3σ表示残差均值正3倍标准差,即残差均值+3σ,-3σ表示残差均值负3倍标准差,即残差均值-3σ,其中σ为多个残差的标准差。
在一些实施例中,如图6所示,上述步骤S406“根据实时温度残差和测试集残差分布,对半导体工艺设备进行温控异常识别”,具体可包括以下步骤:
S601,根据测试集残差构建多个区间。
在本申请实施例中,可以根据测试集残差的均值、标准差等,构建多个区间。
S602,计算多个实时温度残差位于不同区间内的加权比例。
在本申请实施例中,分别统计多个实时温度残差位于每个区间内的加权比例。第i个区间内的加权比例H i通过以下方式计算得到:计算多个实时温度残差位于第i个区间内的累计数量sum i,除以多个实时温度残差的总数量sum,再乘以第i个区间对应的加权值α i,即H i=(sum i/sum)*α i。其中,加权值α i可根据需要进行设置,还可以针对不同的稳定性要求,依据工艺参数进行加权值α i的调整。
S603,根据加权比例对半导体工艺设备进行温控异常识别。
在本申请实施例中,基于步骤S602计算得到的每个区间内的加权比例,识别半导体工艺设备半导体工艺设备是否温控异常。
当根据测试集残差的均值、标准差构建四个区间(第一区间、第二区间、第三区间和第四区间)时,即不同区间包括第一区间、第二区间、第三区间和第四区间。
这四个区间可如下划分:第一区间为残差均值至残差均值正3倍标准差的区间,即图5中第一加权比例H 1对应的0~3σ的区间。第二区间为残差均值负3倍标准差至残差均值的区间,即图5中第二加权比例H 2对应的-3σ~0的区间。第三区间为大于残差均值正3倍标准差的区间,即图5中第三加权比例H 3对应的大于3σ的区间。第四区间为小于残差均值负3倍标准差的区间,即图5中第四加权比例H 4对应的小于-3σ的区间。此处需要说明是,对于临界值0、3σ和-3σ,可以属于两侧的区间中的任意一个。
进一步的,如图7所示,在不同区间包括上述第一区间、第二区间、第三区间和第四区间的情况下,上述步骤S602“根据加权比例对半导体工艺设备进行温控异常识别”具体可包括以下步骤:
S701,计算第三区间对应的第三加权比例和第四区间对应的第四加权比例的和值。
S702,若和值大于预设的第一阈值,则确定对半导体工艺设备的温控异常。
在本申请实施例中,可以预先设置第一阈值P1。若H 3+H 4>P1,则确定半导体工艺设备温控异常。若H 3+H 4≤P1,则确定半导体工艺设备温控正常。其中,针对不同的稳定性要求,可以依据工艺参数进行第一阈值P1的调整。
在确定半导体工艺设备温控正常时,本申请实施例的温控异常处理方法还可以包括以下步骤:计算第三加权比例和第四加权比例的差值;根据差值和预设的第二阈值,输出报警信息。
其中,如图8所示,上述步骤“根据差值和预设的第二阈值,输出报警信息”具体可包括以下步骤:
S801,若差值大于第二阈值,且当前时间段内存在预设的工艺关键步,则输出第一报警信息,第二阈值大于零。
在本申请实施例中,可以预先设置第二阈值P2,P2>0。若差值H 3-H 4>P2,也即若H 3>H 4且|H 3-H 4|>P2,则说明实时温度实际值出现偏大值的情况较多,进一步判断当前时间段(即获取实时温控数据对应的规定时间)内是否存在预设的工艺关键步,若存在工艺关键步,则输出第一报警信息(或者报警项1)。第一报警信息,用于表征实时温度实际值出现偏大值的频率比较高,且当前时间段内存在工艺关键步,可能造成膜厚变厚,直接导致废片。
S802,若差值大于第二阈值,且当前时间段内不存在预设的工艺关键步,则将预警信息的数量加一。
在本申请实施例中,若差值H 3-H 4>P2,也即若H 3>H 4且|H 3-H 4|>P2,则说明实时温度实际值出现偏大值的情况较多,进一步判断当前时间段(即获取实时温控数据对应的规定时间)内是否存在预设的工艺关键步,若不存在工艺关键步,则统计为一个预警信息,即将预警信息的数量Nwarning加一。
S803,若差值小于零,且差值的绝对值大于第二阈值,且当前时间段内存在预设的工艺关键步,则输出第二报警信息。
在本申请实施例中,若差值H 3-H 4<0(即H 3<H 4),且|H 3-H 4|>P2,则说明实时温度实际值出现偏小值的情况较多,进一步判断当前时间段(即获取实时温控数据对应的规定时间)内是否存在预设的工艺关键步,若存在工艺关键步,则输出第二报警信息(或者报警项2)。第二报警信息,用于表征实时温度实际值出现偏小值的频率比较高,且当前时间段内存在工艺关键步,可能造成膜厚偏薄。
S804,若差值小于零,且差值的绝对值大于第二阈值,且当前时间段内不存在预设的工艺关键步,则将预警信息的数量加一。
在本申请实施例中,若差值H 3-H 4<0(即H 3<H 4),且|H 3-H 4|>P2,则说明实时温度实际值出现偏小值的情况较多,进一步判断当前时间段(即获取实时温控数据对应的规定时间)内是否存在预设的工艺关键步,若不存在工艺关键步,则统计为一个预警信息,即将预警信息的数量Nwarning加一。
S805,若差值的绝对值等于或者小于第二阈值,则将预警信息的数量加一。
在本申请实施例中,|H 3-H 4|≤P2,则说明温控可能发生了频繁的上下波动,此时统计为一个预警信息,即将预警信息的数量Nwarning加一。
S806,若预警信息的数量大于预设的第三阈值,则输出第三报警信息。
在本申请实施例中,可以预先设置第三阈值P3。若预警信息的数量Nwarning>P3,则输出第三报警信息(或者报警项3)。预警信息,用于表征实时温度实际值一会异常变大,一会异常变小,但是若没有超过预设时长与数量,此种异常一般不会影响工艺结果,但是预示着半导体工艺设备的温控能力可能出现了问题,需要关注,及时对硬件进行处理维护,可以避免出现影响工艺的异常或者由硬件异常导致的宕机。因此当预警信息的数量累计超过一定次数(第三阈值P3)时,输出第三报警信息。第三报警信息,用于表征预警次数过多,半导体工艺设备的温控能力可能出现了问题。
图9为根据加权比例识别温控异常并输出报警信息的流程示意图,如图9所示,包括以下步骤:
S901,计算各区间的加权比例[H 3,H 4,H 3,H 4]。
S902,确定H 3+H 4>P1,则确定温控异常。执行步骤S903、S908或S911。
S903,确定H 3-H 4>P2。执行步骤S904。
S904,判断是否存在工艺关键步。若是,则执行步骤S905。若否,则执行步骤S906。
S905,输出第一报警信息。执行步骤S912。
S906,预警信息的数量Nwarning+1。
S907,若预警信息的数量Nwarning>P3,则输出第三报警信息。执行步骤S912。
S908,确定H 4-H 3>P2。执行步骤S909。
S909,判断是否存在工艺关键步。若是,则执行步骤S910。若否,则执行步骤S906。
S910,输出第二报警信息。执行步骤S912。
S911,确定|H 3-H 4|≤P2。执行步骤S906。
S912,异常处理。
进一步的,本申请实施例的温控异常处理方法还可以包括以下异常处理的步骤:根据报警信息,输出与报警信息对应的异常处理提示信息。
在本申请实施例中,针对不同的报警信息,输出对应的不同的异常处理提示信息。
具体的,如表1所示,可以根据第一报警信息,输出用于提示用户是否终止工艺的第一异常处理提示信息。根据第二报警信息,输出用于提示用户在跳步前补偿当前工艺步预设时长的第二异常处理提示信息。根据第三报警信息,输出用于提示用户需要进行相应温控硬件的检查或者进行温控算法(例如PID算法)整定的第三异常处理提示信息。
表1 异常处理提示信息
如图10所示,上述实施例中的训练后的温度预测模型可以通过以下步骤训练得到:
S1001,获取半导体工艺设备的历史温控数据。
在本申请实施例中,获取半导体工艺设备较长时间内的历史温控数据,作为训练集。训练集中可以包括获取的多次历史温控数据。
S1002,对历史温控数据中的异常数据进行预处理操作,预处理操作包括剔除操作。
在本申请实施例中,对获取的历史温控数据中的异常数据进行至少包括剔除操作在内的预处理操作,选择是否弃用该次工艺数据或者对该次工艺数据个别数据点进行清洗,得到设备正常温控状态的历史数据,用于模型训练。
温控数据异常主要存在以下两种:突然跳变异常与持续异常。因此,如图11所示,上述S1002“对历史温控数据中的异常数据进行预处理操作”具体可包括以下步骤:
S1101,若当前次历史温控数据中出现突然跳变的异常数据,则对突然跳变的异常数据进行剔除操作,并对当前次历史温控数据进行补齐操作。
在本申请实施例中,由于温控数据在较短的采样时间内,不会发生大的跳变,所以针对某一时刻前后温度存在较大幅度的突跳,且立即恢复到正常范围内的情况,认为是由于采集原因等造成的异常,当前次历史温控数据仍认为是可用的,但是需要进行异常数据剔除。另外,为了保证数据的采样频率一致,需对当前次历史温控数据进行补齐:同一工艺步内的历史温控数据选择均值插值补齐,不同工艺步之间,利用后一时刻的历史温控数据补齐剔除的当前时刻的历史温控数据。
S1102,若当前次历史温控数据中出现持续异常的异常数据,则对当前次历史温控数据进行弃用操作。
在本申请实施例中,持续异常,是指工艺步中温度出现了较长时段的波动异常,长时间与基准温度存在较大范围的偏差或者工艺步内一直未能满足设定温度要求,会造成工艺异常,如图12、图13所示为持续异常数据的示意图。
针对上述持续异常的两种情况,设置两种预处理方式:
第一种,实际生产中需要在具体工艺步完成或者开始前达到该工艺步的设定温度,相同的工艺类型,具体工艺步设定一致。因此,依照该规则进行判别,若具体工艺步完成或者开始前没有达到设定温度,则认为当前次历史温控数据不可用,对当前次历史温控数据进行弃用操作。
第二种,将历史温控数据按照时间精度要求进行划分,得到每一时刻的温度基准值,比较当前时刻温度基准值与实际值,按照累计偏离次数进行统计,在工艺关键步中,若偏离次数超过阈值,即使当次工艺结果没有受到太大影响,但仍有可能是设备温控能力出现了问题,当前次历史温控数据不可用,对当前次历史温控数据进行弃用操作。
S1003,根据预处理操作后的历史温控数据,对待训练的温度预测模型进行训练,得到训练后的温度预测模型。
在本申请实施例中,对预处理操作后的历史温控数据进行特征提取,得到历史特征数据。在温控过程中,影响特征多且比较复杂,由于各个子系统相互影响,因此为了降低模型维度和训练难度,避免过拟合,可以采用Boruta算法进行特征提取。
温度预测模型具体可以包括但不限于BP(Back Propagation)神经网络模型等。BP神经网络模型,是一种按照误差逆向传播算法训练的多层前馈神经网络模型,是应用最广泛的神经网络模型之一。如图14示为BP神经网络模型的结构图,BP神经网络模型包括输入层、隐含层和输出层。
本申请实施例以均方根误差为损失函数来进行温度预测模型的优化迭代,温度预测模型如下:
其中,x为作为训练样本的历史特征数据,i为第i个作为训练样本的历史特征数据,t为第t次迭代,y prodictk(t)为第t次迭代中BP神经网络模型中输出层节点k的实际输出即历史温度预测值,w ij为输入层节点i到隐含层节点j的连接权值,i=1,2,...,n,n为输入层节点的个数,j=1,2,3...,m,m为隐含层节点的个数,v jk为隐含层节点j到输出层节点k的连接权值,k=1,2,3...,p,p为输出层节点的个数,I j(t)为隐含层节点j的输出,θ j为隐含层节点j处的阈值,γ k为输出层节点k处的阈值,f(x)为激励函数,R n×m为n行m列的矩阵,R m×p为m行p列的矩阵,R m为m行1列的矩阵,R p为p行1列的矩阵。
损失函数如下:
其中,loss为损失值,N为作为训练样本的历史特征数据的个数,y truth(i)为BP神经网络模型的期望输出即历史温度实际值,y prodict(i)为BP神经网络模型的实际输出即历史温度预测值。
为清楚说明本申请实施例的温控异常处理方法的整理流程,下面结合图14对申请实施例的温控异常处理方法进行描述。如图15所示,本申请实施例的温控异常处理方法包括离线训练和在线预测两部分。其中,离线训练部分包括:获取半导体工艺设备的历史温控数据,对历史温控数据中的异常数据进行预处理操作,根据预处理操作后的历史温控数据,对待训练的温度预测模型进行模型训练,存储训练后的温度预测模型和测试集残差。在线预测部分包括:获取半导体工艺设备的在线温控数据(对应上述实施例中的实时温控数据),基于在线温控数据和离线存储的训练后的温度预测模型进行模型预测,得到在线温度预测值,计算在线温度实际值和在线温度预测值的在线温度残差,根据实时在线温度残差和离线存储的测试集残差,对半导体工艺设备进行温控异常识别。
综上,本申请实施例的温控异常处理方法,基于实时温控数据和训练后的温度预测模型即可自动得到作为基准值的实时温度预测值,无需对温控过程内部反应机理有深入认知,降低了对专业经验的依赖,另外,作为基准值的实时温度预测值是根据实时温控数据得到的,因此可以及时响应不同工艺结果对温控数据的变化,执行不同工艺时可以通用。根据测试集残差构建多个区间,根据实时温度残差位于不同区间内的加权比例,可以识别实时温度残差的偏移情况,进而实现对温控异常的识别。异常识别和报警信息输出过程采用的各阈值、加权值,均可以根据不同工艺需求进行调整,可以适应不同时长的工艺与不同的灵敏度要求,满足了不同设备型号、厂区配置、工艺配方等对于温控精度不同的需求。通过对第三加权比例和第四加权比例的差值的判断,可以分析温控状态的波动情况,针对波动情况对工艺的影响输出不同的报警信息,根据不同的报警信息输出不同的异常处理提示信息,可实现提示用户是否对异常情况进行处理以及进行何种处理,避免工艺失败或二次返工,提高半导体工艺设备的生产效率和良品率。预警信息的数量大于预设的第三阈值,则输出第三报警信息,并提示用户需要进行相应温控硬件的检查或者进行温控算法整定,该硬件预警功能,能够识别温控组件的异常趋势,在故障发生前进行预警,避免工艺失败或二次返工,提高半导体工艺设备的生产效率和良品率。
本申请实施例还提供一种半导体工艺设备。如图3所示,该半导体工艺设备包括炉体、设置在炉体内部的内偶、设置在炉体外部的外偶、温控表和控制器;温控表与内偶和外偶分别连接,用于控制和监测内偶和外偶的温度;控制器与温控表通信连接,用于从温控表获取内偶和外偶的温度和温控数据,以用于执行上述任一实施例的温控异常处理方法的步骤。
本申请实施例的半导体工艺设备,在对半导体工艺设备进行温控异常识别时,首先获取半导体工艺设备的实时温控数据,并对实时温控数据进行特征提取,得到实时特征数据,将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值,根据实时温度实际值和实时温度预测值的实时温度残差,对半导体工艺设备进行温控异常识别。本申请实施例基于实时温控数据和训练后的温度预测模型即可自动得到作为基准值的实时温度预测值,无需对温控过程内部反应机理有深入认知,降低了对专业经验的依赖,另外,作为基准值的实时温度预测值是根据实时温控数据得到的,因此可以及时响应不同工艺结果对温控数据的变化,执行不同工艺时可以通用。
本申请实施例还提出了一种可读存储介质,该可读存储介质上存储有一个或多个计算机程序,该一个或多个计算机程序包括指令,该程序或指令被包括多个应用程序的半导体工艺设备中的处理器执行时,能够使该半导体工艺设备中的处理器执行上述温控异常处理方法实施例的各个过程,并具体用于执行:
获取半导体工艺设备的实时温控数据;
对实时温控数据进行特征提取,得到实时特征数据;
将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值;
计算实时温度实际值和实时温度预测值的实时温度残差;
根据实时温度残差对半导体工艺设备进行温控异常识别。
本申请实施例的可读存储介质,在对半导体工艺设备进行温控异常识别时,首先获取半导体工艺设备的实时温控数据,并对实时温控数据进行特征提取,得到实时特征数据,将实时特征数据输入至训练后的温度预测模型中,得到温度预测模型输出的实时温度预测值,根据实时温度实际值和实时温度预测值的实时温度残差,对半导体工艺设备进行温控异常识别。本申请实施例基于实时温控数据和训练后的温度预测模型即可自动得到作为基准值的实时温度预测值,无需对温控过程内部反应机理有深入认知,降低了对专业经验的依赖,另外,作为基准值的实时温度预测值是根据实时温控数据得到的,因此可以及时响应不同工艺结果对温控数据的变化,执行不同工艺时可以通用。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存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)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (12)
1.一种温控异常处理方法,其特征在于,包括:
获取半导体工艺设备的实时温控数据;
对所述实时温控数据进行特征提取,得到实时特征数据;
将所述实时特征数据输入至训练后的温度预测模型中,得到所述温度预测模型输出的实时温度预测值;
计算实时温度实际值和所述实时温度预测值的实时温度残差;
根据所述实时温度残差对所述半导体工艺设备进行温控异常识别。
2.根据权利要求1所述的方法,其特征在于,所述根据所述实时温度残差对所述半导体工艺设备进行温控异常识别,包括:
获取测试集经所述训练后的温度预测模型后的测试集残差;
根据所述实时温度残差和所述测试集残差,对所述半导体工艺设备进行温控异常识别。
3.根据权利要求2所述的方法,其特征在于,所述根据所述实时温度残差和所述测试集残差,对所述半导体工艺设备进行温控异常识别,包括:
根据所述测试集残差构建多个区间;
计算多个所述实时温度残差位于不同区间内的加权比例;
根据所述加权比例对所述半导体工艺设备进行温控异常识别。
4.根据权利要求3所述的方法,其特征在于,所述不同区间包括第一区间、第二区间、第三区间和第四区间,所述第一区间为残差均值至残差均值正3倍标准差的区间,所述第二区间为残差均值负3倍标准差至残差均值的区间,所述第三区间为大于残差均值正3倍标准差的区间,所述第四区间为小于残差均值负3倍标准差的区间;
所述根据所述加权比例对所述半导体工艺设备进行温控异常识别,包括:
计算所述第三区间对应的第三加权比例和第四区间对应的第四加权比例的和值;
若所述和值大于预设的第一阈值,则确定对所述半导体工艺设备的温控异常。
5.根据权利要求4所述的方法,其特征在于,还包括:
若确定对所述半导体工艺设备的温控异常,则计算所述第三加权比例和所述第四加权比例的差值;
根据所述差值和预设的第二阈值,输出报警信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述差值和预设的第二阈值,输出报警信息,包括:
若所述差值大于所述第二阈值,且当前时间段内存在预设的工艺关键步,则输出第一报警信息,所述第二阈值大于零;
若所述差值大于所述第二阈值,且当前时间段内不存在预设的工艺关键步,则将预警信息的数量加一;
若所述差值小于零,且所述差值的绝对值大于所述第二阈值,且当前时间段内存在预设的工艺关键步,则输出第二报警信息;
若所述差值小于零,且所述差值的绝对值大于所述第二阈值,且当前时间段内不存在预设的工艺关键步,则将所述预警信息的数量加一;
若所述差值的绝对值等于或者小于所述第二阈值,则将所述预警信息的数量加一;
若所述预警信息的数量大于预设的第三阈值,则输出第三报警信息。
7.根据权利要求6所述的方法,其特征在于,还包括:
根据所述报警信息,输出与所述报警信息对应的异常处理提示信息。
8.根据权利要求7所述的方法,其特征在于,所述根据所述报警信息,输出与所述报警信息对应的异常处理提示信息,包括:
根据所述第一报警信息,输出用于提示用户是否终止工艺的第一异常处理提示信息;
根据所述第二报警信息,输出用于提示用户在跳步前补偿当前工艺步预设时长的第二异常处理提示信息;
根据所述第三报警信息,输出用于提示用户需要进行相应温控硬件的检查或者进行温控算法整定的第三异常处理提示信息。
9.根据权利要求1所述的方法,其特征在于,还包括:
获取所述半导体工艺设备的历史温控数据;
对所述历史温控数据中的异常数据进行预处理操作,所述预处理操作包括剔除操作;
根据所述预处理操作后的历史温控数据,对待训练的温度预测模型进行训练,得到所述训练后的温度预测模型。
10.根据权利要求9所述的方法,其特征在于,所述对所述历史温控数据中的异常数据进行预处理操作,包括:
若当前次所述历史温控数据中出现突然跳变的异常数据,则对所述突然跳变的异常数据进行剔除操作,并对当前次所述历史温控数据进行补齐操作;
若当前次所述历史温控数据中出现持续异常的异常数据,则对当前次所述历史温控数据进行弃用操作。
11.一种半导体工艺设备,其特征在于,包括炉体、设置在所述炉体内部的内偶、设置在所述炉体外部的外偶、温控表和控制器;所述温控表与所述内偶和所述外偶分别连接,用于控制和监测所述内偶和所述外偶的温度;所述控制器与所述温控表通信连接,用于从所述温控表获取所述内偶和所述外偶的温度和温控数据,以用于执行如权利要求1-10任一项所述方法的步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160666.7A CN117711992A (zh) | 2024-02-04 | 2024-02-04 | 温控异常处理方法、半导体工艺设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160666.7A CN117711992A (zh) | 2024-02-04 | 2024-02-04 | 温控异常处理方法、半导体工艺设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117711992A true CN117711992A (zh) | 2024-03-15 |
Family
ID=90162816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160666.7A Pending CN117711992A (zh) | 2024-02-04 | 2024-02-04 | 温控异常处理方法、半导体工艺设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117711992A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070061652A1 (en) * | 2005-09-01 | 2007-03-15 | Tokyo Electron Limited, Tbs Broadcast Center | Built-in self test for a thermal processing system |
US20070195853A1 (en) * | 2003-07-01 | 2007-08-23 | Youngchul Park | Heat treatment apparatus and method of calibrating the apparatus |
CN110030843A (zh) * | 2019-04-12 | 2019-07-19 | 广西大学 | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 |
US20220413452A1 (en) * | 2021-06-28 | 2022-12-29 | Applied Materials, Inc. | Reducing substrate surface scratching using machine learning |
CN116805064A (zh) * | 2022-03-24 | 2023-09-26 | 株式会社斯库林集团 | 异常检测装置 |
-
2024
- 2024-02-04 CN CN202410160666.7A patent/CN117711992A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070195853A1 (en) * | 2003-07-01 | 2007-08-23 | Youngchul Park | Heat treatment apparatus and method of calibrating the apparatus |
US20070061652A1 (en) * | 2005-09-01 | 2007-03-15 | Tokyo Electron Limited, Tbs Broadcast Center | Built-in self test for a thermal processing system |
CN110030843A (zh) * | 2019-04-12 | 2019-07-19 | 广西大学 | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 |
US20220413452A1 (en) * | 2021-06-28 | 2022-12-29 | Applied Materials, Inc. | Reducing substrate surface scratching using machine learning |
CN116805064A (zh) * | 2022-03-24 | 2023-09-26 | 株式会社斯库林集团 | 异常检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
CN107622308B (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN113656938A (zh) | 配电网变压器的监管方法、控制装置、及存储介质 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN113609790B (zh) | 产品虚拟量测方法及系统及装置及介质 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN113705839B (zh) | 一种燃料电池电堆的预测性维护方法以及维护系统 | |
CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN112230146B (zh) | 电池充电剩余时间的预测方法、系统及设备 | |
CN113988325A (zh) | 一种电力系统故障预警方法、装置、终端设备及存储介质 | |
Kim et al. | Inspection schedule for prognostics with uncertainty management | |
CN111832693A (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
CN117711992A (zh) | 温控异常处理方法、半导体工艺设备及存储介质 | |
CN112799382A (zh) | 一种机器人微机电系统故障诊断方法及系统 | |
Zeiser et al. | Requirements towards optimizing analytics in industrial processes | |
RU2703874C1 (ru) | Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов | |
CN114358172A (zh) | 核反应堆故障分类方法、装置、计算机设备以及存储介质 | |
CN114019946B (zh) | 工控终端的监控数据处理方法及装置 | |
CN113052255B (zh) | 一种电抗器智能检测和定位的方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
Maqbool et al. | An efficient fault-prediction mechanism for improving yield in industry 5.0 | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
Marei et al. | CNC Machining Centre Thermal Error Prediction from Temperature Sensors Using Autoencoder-Augmented Long Short Term Memory Networks | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
Mei et al. | A novel fusion prognostic approach for the prediction of the remaining useful life of a lithiumion battery |
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 |