CN118013328A - 一种内联数据触发失控流程的处理方法、设备及存储介质 - Google Patents
一种内联数据触发失控流程的处理方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118013328A CN118013328A CN202410031115.0A CN202410031115A CN118013328A CN 118013328 A CN118013328 A CN 118013328A CN 202410031115 A CN202410031115 A CN 202410031115A CN 118013328 A CN118013328 A CN 118013328A
- Authority
- CN
- China
- Prior art keywords
- data
- ooc
- triggered
- prediction model
- processing
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- 230000001960 triggered effect Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本申请提供了一种内联数据触发失控流程的处理方法、设备及存储介质,包括如下步骤:将OOC异常进行等级划分并设置对应于不同等级的警报;建立数据采集系统收集与制程相关的数据,并对收集的数据进行预处理,再通过特征提取技术提取数据特征;搭建预测模型,并基于历史数据和标记的OOC事件进行训练;将生产过程中实时采集到的数据输入到训练好的预测模型中,进行实时预测;在检测到OOC时,通过FFS系统进行预警。可以至少用以解决对制程状态的判断错误或不准确等导致OOC的技术问题。
Description
技术领域
本申请涉及半导体技术领域,尤其涉及一种内联数据触发失控流程的处理方法、设备及存储介质。
背景技术
在芯片生产制造过程中,各工艺流程环环相扣,技术复杂,材料、环境、工艺参数等因素的微变常导致芯片产生缺陷,影响产品良率。芯片质量检测作为芯片生产线中的关键环节,可以积极地反馈产品质量信息,以便人们及时掌控各生产环节的健康状况,促使质量检测技术在生产线中的作用越来越凸显。
如今,人工目视检测方法因其存在效率低、精度低、成本高、劳动强度大和标准不统一等缺点,正逐步被自动检测技术所取代。现有技术中,通过对芯片制造的过程进行监管保障芯片制造的稳定性和安全性。
但在芯片制造过程中,由于控制值缺陷或规格缺陷等问题极易导致出现OOC。芯片制造过程中的工艺参数可能发生变化或偏移,例如温度、湿度、化学物质浓度等。这些变化或偏移可能导致制程控制失效,使得芯片的性能和品质无法保证,从而导致OOC。制造过程中使用的设备可能出现故障或不稳定,例如控制系统故障、传感器失效、供电问题等。这些设备故障可能导致数据采集不准确,操作错误或者无法满足制程要求,从而导致OOC。芯片制造过程中使用的原材料可能存在批次差异或变异。原材料的品质、纯度、组成等因素的变化可能会对芯片的性能产生不良影响,导致OOC。操作人员在制造过程中可能出现错误,例如设备配置错误、参数设置错误、操作失误等。这些人为错误可能导致制程失控,使得芯片的性能和品质无法满足要求,出现OOC。制造过程中的外部环境因素,如电力波动、电磁干扰、灰尘、震动等,可能对芯片制造过程产生不利影响,导致制程失控和OOC的发生。芯片设计阶段可能存在设计缺陷或不完善的设计规范。这些设计问题可能导致制造过程中的工艺控制无法满足要求,从而引发OOC。制造过程中采集的数据可能存在采集误差或分析问题,导致对制程状态的判断错误或不准确,进而导致OOC的发生。
故亟需一种自动判别OOC并解决的方法,以解决上述问题。
发明内容
本申请的一个目的是提供一种内联数据触发失控流程的处理方法、设备及存储介质,至少用以解决上述背景技术中的缺陷。
为实现上述目的,本申请的一些实施例提供了以下几个方面:
第一方面,本申请的一些实施例还提供了一种内联数据触发失控流程的处理方法,包括如下步骤:
将OOC异常进行等级划分并设置对应于不同等级的警报;
建立数据采集系统收集与制程相关的数据,并对收集的数据进行预处理,再通过特征提取技术提取数据特征;
搭建预测模型,并基于历史数据和标记的OOC事件进行训练;
将生产过程中实时采集到的数据输入到训练好的预测模型中,进行实时预测;
在检测到OOC时,通过FFS系统进行预警。
优选的,所述OOC警报分为OOC1、OOC2、OOC3三个等级。
优选的,所述数据采集系统实时监控数据的变化。
优选的,所述数据采集系统还将数据存储在提供访问功能的数据库中。
优选的,所述预处理包括数据清洗处理、去除异常值处理和去除噪声处理。
优选的,所述预测模型基于机器学习或统计建模技术搭建。
优选的,所述预测模型预测出当前制程处于OOC状态时,则通过FFS系统触发相应的报警机制。
优选的,所述FFS系统根据预测模型预测的OOC不同等级异常结果发出相应警报,并相应的进行自动控制和调整。
第二方面,本申请的一些实施例还提供了一种计算机设备,所述设备包括:一个或多个处理器;以及存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如上所述的方法。
第三方面,本申请的一些实施例还提供了一种存储介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如上所述的方法。
相较于现有技术,本申请实施例提供的方案中,
本申请利用之前历史生产过程中收集的数据形成一个良品判定模型,并对纠正方案进行设置,当芯片生产过程中出现OOC的时候,根据产生OOC的等级,系统去执行相应的流程,以此保证芯片的良率和提高生产效率,达到稳定生产,降本增效的效果。
附图说明
图1为本申请实施例提供的一种内联数据触发失控流程的处理方法的方法流程图;
图2为本申请实施例提供的一种内联数据触发失控流程的处理方法的OOC响应结构示意图;
图3为本申请实施例提供的一种内联数据触发失控流程的处理方法计算机设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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作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。
在本文中使用以下术语:
FFS:Fab流程系统是一款针对晶圆Fab厂打造的贯穿厂内各个系统,为生产目的提供全方位交互式工作流程的系统。旨在将日常工作、故障排除工作、异常处理转化为相关流程,并通过信息接收,参数规则启动流程,通过流程已配置的人工或系统节点来解决问题和异常情况,提供高效、可靠的服务。
OOC:表示某个事物或情况失去了控制。本专利特指超出控制值的缺陷,超出规格的缺陷,需要进行返工等处理手段。
实施例一
该流程包括:
将OOC异常进行等级划分并设置对应于不同等级的警报;通过将OOC异常进行等级划分,便于后期的异常状态区分。
建立数据采集系统收集与制程相关的数据,并对收集的数据进行预处理,再通过特征提取技术提取数据特征;通过对数据进行预处理和特征提取,能够更为准确、快速的训练预测模型。
搭建预测模型,并基于历史数据和标记的OOC事件进行训练;通过搭建预测模型并进行训练,能够提高对于OOC事件的预测准确性。
将生产过程中实时采集到的数据输入到训练好的预测模型中,进行实时预测;通过实时预测,能够实现对于生产过程的实时监管,保证生产过程的安全运行。
在检测到OOC时,并通过FFS系统进行预警。通过对检测到的OOC进行相应等级的预警,能够对于异常情况进行快速调整,提高生产效率。
在本申请一些实施例中,所述OOC警报分为OOC1、OOC2、OOC3三个等级。通过将OOC警报等级进行划分,能够较为准确的判断当前设备的异常状态,及时采取相应的措施,提高设备运转效率。
在本申请一些实施例中,所述数据采集系统实时监控数据的变化,保证能够实时获取设备的运作情况。通过实时监控数据的变化情况,能够更为准确的预测设备运行状态,
在本申请一些实施例中,所述数据采集系统还将数据存储在提供访问功能的数据库中,便于后期溯源。
在本申请一些实施例中,所述预处理包括数据清洗处理、去除异常值处理和去除噪声处理,能够保证数据的准确性。
在本申请一些实施例中,所述预测模型基于机器学习或统计建模技术搭建。基于机器学习或统计建模技术搭建预测模型具有较强的学习预测能力。
在本申请一些实施例中,所述预测模型预测出当前制程处于OOC状态时,则通过FFS系统触发相应的报警机制,能够根据设备当前状态及时进行调整和通知,保证设备处于正常运转状态。
在本申请一些实施例中,所述FFS系统根据预测模型预测的OOC不同等级异常结果发出相应警报,并相应的进行自动控制和调整。保证设备运作的效率。
实施例二
参照图2,将警报分成3个等级:OOC1,OOC2,OOC3,不同等级FFS会有不同处置,可对于OOC1等级的警报进行数据的重新配置,对于OCC2等级的警报进行设备的重启,对于OOC3等级的警报进行人工处理。
首先建立一个数据采集系统,收集与制程相关的数据,包括传感器数据、工艺参数、设备状态等。实时监控数据的变化,并将其存储在可访问的数据库中。对采集到的数据进行预处理和清洗,去除异常值和噪声等操作,保证获取的制程数据的准确性。然后,通过特征提取技术,从原始数据中提取关键的特征。
基于历史数据和标记的OOC事件,使用机器学习或统计建模技术来训练预测模型。可以使用监督学习算法,如决策树、支持向量机、神经网络等,来构建分类模型,以预测制程状态是否处于OOC。
将生产过程中实时采集到的制程数据输入到训练好的预测模型中,进行实时预测。如果模型预测出制程处于OOC 1状态,则通过FFS触发相应的一级报警机制,自动进行数据的重新配置,如果模型预测出制程处于OOC 2状态,则通过FFS触发相应的二级报警机制,则自动进行设备的重启;模型预测出制程处于OOC 3状态,则通过FFS触发相应的三级报警机制,通知相关人员或系统进行处理。再重新获取三类状态下重新配置、重启或人工处理后的制程数据,若未发生异常则持续进行监测,若发生异常则重复上述步骤。
在检测到OOC时,可以利用FFS控制系统来进行调整和纠正。例如,调整工艺参数、停止或重启设备、发送指令进行自动校准等。通过自动控制和调整,尽可能减少OOC事件的发生和影响。
实施例三
此外,本申请实施例还提供了一种计算机设备,该设备的结构如图3所示,所述设备包括用于存储计算机可读指令的存储器1和用于执行计算机可读指令的处理器2,其中,当该计算机可读指令被该处理器执行时,触发所述处理器执行所述的方法。
实施例四
本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的存储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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,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。
而在本申请中,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存储介质,该存储介质可以发送、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。存储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申请的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)。
附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的针对硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请实施例还提供了一种存储介质,该存储介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述存储介质承载有一个或者多个计算机可读指令,所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案的步骤。
在本申请一个典型的配置中,终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括存储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)。内存是存储介质的示例。
存储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(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。
此外,本申请实施例还提供了一种计算机程序,所述计算机程序存储于计算机设备,使得计算机设备执行所述控制代码执行的方法。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种内联数据触发失控流程的处理方法,其特征在于,包括如下步骤:
将OOC异常进行等级划分并设置对应于不同等级的警报;
建立数据采集系统收集与制程相关的数据,并对收集的数据进行预处理,再通过特征提取技术提取数据特征;
搭建预测模型,并基于历史数据和标记的OOC事件进行训练;
将生产过程中实时采集到的数据输入到训练好的预测模型中,进行实时预测;
在检测到OOC时,通过FFS系统进行预警。
2.根据权利要求1所述的内联数据触发失控流程的处理方法,其特征在于,所述OOC警报分为OOC1、OOC2、OOC3三个等级。
3.根据权利要求1所述的内联数据触发失控流程的处理方法,其特征在于,所述数据采集系统实时监控数据的变化。
4.根据权利要求3所述的内联数据触发失控流程的处理方法,其特征在于,所述数据采集系统还将数据存储在提供访问功能的数据库中。
5.根据权利要求1所述的内联数据触发失控流程的处理方法,其特征在于,所述预处理包括数据清洗处理、去除异常值处理和去除噪声处理。
6.根据权利要求1所述的内联数据触发失控流程的处理方法,其特征在于,所述预测模型基于机器学习或统计建模技术搭建。
7.根据权利要求1所述的内联数据触发失控流程的处理方法,其特征在于,所述预测模型预测出当前制程处于OOC状态时,则通过FFS系统触发相应的报警机制。
8.根据权利要求1所述的内联数据触发失控流程的处理方法,其特征在于,所述FFS系统根据预测模型预测的OOC不同等级异常结果发出相应警报,并相应的进行自动控制和调整。
9.一种计算机设备,其特征在于,所述设备包括:一个或多个处理器;以及存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如权利要求1-8任意一项所述的方法。
10.一种存储介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410031115.0A CN118013328A (zh) | 2024-01-09 | 2024-01-09 | 一种内联数据触发失控流程的处理方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410031115.0A CN118013328A (zh) | 2024-01-09 | 2024-01-09 | 一种内联数据触发失控流程的处理方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118013328A true CN118013328A (zh) | 2024-05-10 |
Family
ID=90951036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410031115.0A Pending CN118013328A (zh) | 2024-01-09 | 2024-01-09 | 一种内联数据触发失控流程的处理方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013328A (zh) |
-
2024
- 2024-01-09 CN CN202410031115.0A patent/CN118013328A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100756728B1 (ko) | 반도체 처리 기술 | |
TWI412906B (zh) | 具有虛擬量測功能的製造執行系統與製造系統 | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
WO2022105318A1 (zh) | 监测机台运行状况的方法及装置、存储介质及电子设备 | |
CN109376877B (zh) | 设备运维预警方法、装置、计算机设备和存储介质 | |
WO2015121176A1 (en) | Method of identifying anomalies | |
KR102464762B1 (ko) | 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법 | |
US20140278234A1 (en) | Method and a system for a statistical equivalence test | |
WO2009025952A2 (en) | A tool to report the status and drill-down of an application in an automated manufacturing environment | |
WO2015021751A1 (zh) | 一种数据驱动的集成电路工艺设备异常预警技术方法 | |
CN114493204A (zh) | 一种基于工业互联网的工业设备监测方法及设备 | |
JP5538955B2 (ja) | 半導体製造における装置異常の予兆検知方法およびシステム | |
WO2019209146A1 (ru) | Способ и система идентификации и прогнозирования развития дефектов объектов | |
US10139788B2 (en) | Remote data analytics to predict system components or device failure | |
CN110687851A (zh) | 一种终端运行监控系统及方法 | |
KR101876629B1 (ko) | 빅데이터 분석 기반 상태 감시 장치 및 방법 | |
CN118013328A (zh) | 一种内联数据触发失控流程的处理方法、设备及存储介质 | |
US20130138239A1 (en) | Semiconductor yield management system | |
CN111813063B (zh) | 一种监控生产设备的方法和装置 | |
US20100010763A1 (en) | Method for detecting variance in semiconductor processes | |
CN117855107B (zh) | 水系统监测处理方法、系统及可读介质 | |
Lee et al. | An agent-based system for abnormal flow detection in semiconductor production line | |
EP3961333A1 (de) | System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger | |
CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
CN117150225B (zh) | 一种基于贝叶斯算法的工业数据的清洗方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |