论文研究-基于SP-LNS-KNN的半导体生产过程故障检测方法研究.pdf

所需积分/C币:46 2019-07-22 23:27:46 1.28MB .PDF
收藏 收藏
举报

半导体生产过程是典型的间歇过程,针对其过程数据的多模态、多阶段、模态结构不同和批次不等长等特点,提出了基于统计模量的局部近邻标准化和K近邻相结合的故障检测方法(SP-LNS-KNN)。首先计算样本的统计模量,其次对样本的统计模量使用其局部K近邻集进行标准化,最后计算样本与其前K近邻距离,得到平均累积距离D作为检测指标,进而对工业过程进行在线故障检测。统计模量保留了数据的主要信息,将二维样本数据简化为一维数据;局部近邻标准化可以有效降低中心漂移、模态结构差异明显的影响。SP-LNS-KNN不仅能够对大故障实现检测,并且能够提高对小模态的微弱故障的检测能力。使用SP-LNS-KNN对一个实际半导体
第11期 冯立信,等:基于 SP-LNS-KNN的半导体生产过程故障检测方法研究 3309 取10,得到的结果如图1(c)所示,此时INS方法能够将两种样本,并根据式(6)计算训练样本集中每个样本的累积距 模态数据聚合为单一模态,且离散程度近似相同,故障点f12离D2; 偏离正常数据集。在使用LNS方法进行样本标准化时近邻参 (d)根据核密度估计方法确定的D的分布及置信度α,确 数k值不宜太大。随着K的增大,处理结果逐渐接近z-ore定检测模型的控制限D。 方法,当k等于样木总量时,两种标准化方法处理效果相同 b)在线检测阶段 a)对新样本x的每个变量使用式(3)计算其统计模量 3K近邻规则的故障检测方法 组成统计模量样本s; K近邻故障检测方法(FD-KNN)的核心是正常样木的特 (b)寻找统计模量样本s在统计模量训练集S屮的局部K 征都是相似的,而故障样本的特征定与正常样本显著不同。近邻集N(s),使用式(5)对s进行近邻标准化处理,得到 FD-KNN使用样本与其训练集中局部近邻样本的累积距离表 c)寻找s在新训练集S中的前k近邻,并根据式(6)计算 征样本特征,累积距离计算如下 新样本的累积距离D (6) d)将D.与控制限D,作比较,若D,>Dn,则样木x判为 故障样本,否则为正常样本。 其中:d,为样夲x与其第讠近邻x,的距离。根据累积距离D 训练样本 新样本 服从的非中心的卡方分有来确定置信度为a的检测控制限 D2,当在线样本的D2大于控制限D时判定为故障样本,否则 为正常样本。FD-KNN具体计算过程如下 在S寻找前k近邻 在S寻找前k近邻 a)离线建模。 部近邻标准化 局部近邻标淮亿 a)在训练样本集X中寻找每个样本x的前k个近邻 在§寻找前k近邻 在S寻找前近邻 样木; (b)使用式(6)计算x:的累积距离D 计算累积距离D (c)确定训练模型的控制限Dn,由累积距离D服从的卡方 控制限D D>D 否 分布求出训练数据集统计量D2的上a分位数作为控制限D2 故障 b)在线检测。 工常 (a)在训练数据集X中寻找新样本x的前k个近邻样本 图2算法流程 (b)使用式(6)计算x的累积距离D,; (c)将D与控制限D比较,若D2>D判为数障,否则为5半导体工业过程故障检测 正常 实验数据来自美国德州仪器公司的半导体牛产过程中铝 当训练样本数据集只是多模态而方差近似相同时,FD)-蚀刻工艺过程1,共有三个实验的129组晶片数据,其中,108 KN方法能够较好地实现故障检测。当两个模态的方差差组正常晶片数据,其中第56组数据部分缺失;21组故障晶片 异明显时, FD-KNN中的统计量D2中距离的计算在不同尺度数据,其中第12组数据部分缺失。数据有19个变量,变量名 上,两个模态样木的统计值D会显著不同,造成检测控制限如表1所示。故障数据说明如表2所示,更多关于故障数据的 D2错误地由方差较大的模态所决定。当较小方差所在模态发说明可以参考文献[6。 生微弱故障时,D会小于D,此时FDKN将无法检测出此 表1变量名 类微弱故障,并且H-KNN方法还会造成对方差较大的模态的 序号 变量名 旦 部分边缘正常样木出现误报。 power C2 flow RF impedance 4基于统计模量的局部近邻标准化和K近邻规则的 3 故障检测方法 RI bottom ref pwi TCP phase enon 针对半导体数据的特征,本文提出基于统计模量的局部近 邻标准化和K近邻规则故障检测方法:a)对每个样本计算其 Chamber pressure TCP reflected power 统计模量,组成统计模量样本集;b)使用局部近邻标准化处理 8 RF tuner TCP load RF load Val valve posilion 统计模量样本集,形成新样本集;c)使用K近邻方法进行故障 0 Phase error 检测。通过计算样本的统计模量,将二维样本数据转换为一维 表2枚廑样本 数据,提取数据的主要特征,克服数据不等长的影响:LNS消除 序号 变量名 序号 变量名 多模态特征,使得各个模态的中心平移到同一点,且使模态分 布密度近似相同,使得KNN能够在同一尺度上度量每个样本 BC 的距离。5PA-LNs-KNN具体计算过程如下,算法流程如图2 RF+10 ffff Pr+2 Pr+3 TCP-20 所示。 TCP+10 TCP-Is a)离线建模阶段。 BC3+5 Cl2-10 a)选取一部分正常样本作为训练样本,对每个样本x的 每个变量使用式(3)计算其统计模量,得到统计模量烊本S:,组 f BC3+10 成统计模量训练集S; He Chuck Pr+1 TCP+30 TCP (b)对统计模量训练集S屮每个样本s;寻找其局部K近 Cl2+5 邻集N(s;),使用式(5)对样本S进行局部近邻标痄化处理,得 图3为108组正常晶片数据的第5个变量 EndPL A的图 到新训练集S 像,从图3中可看出三点:a)正常样本分为三个批次,即三个模 (c)对新训练集S中的每个样本s寻找在S中的前k近邻态;h)此过程为间歇过程,实际数据采集自蚀刻过程的第四 3310 计算机应用研究 第35卷 五步;c)不同批次的变量采样时间层数不相同。 KPCA使用z-seor标准化统计模量,仍按照85%的累积 贡献率取核主元个数为12,使用交义验证取核参数 3000 10000,图4(c)(d)表明kPCA的只检测出了4个故障,SPE 吧 检测出了9个故障,有两个正常样本的误报,仍是数据的多模 态特征造成的 1500 ⅠAF使用κ-ore标准化方法统计模量,离群因子计算中 近邻数k=7,从图4(e)中可以看出有5个故障未检出。 表3故障检测结果 80 00120 寸刻 序号PCAT2 PCA SPE KPCA72 KPCA SPE LOF FD-K、 N SP-LNS-KNN 图3半导体数据 在正常样本中随机选择8个批次作为校验数据,其余为训3 练数据,使用 SP-INS-KNN与 PCA KPCA、IOF、cme-KNN方 法对21个故障数据进行故障检测和对比分析。所有方法的置 X 信度a=97%。实验结果如图4和表3所示。 6 10 10 10204的s1)1201b 406080100120140 ib)PCA SPE 21 FD-KNN使用z- score标准化统计模量,近邻数k=3,从图 4()中可以看出 NN的统计量D2有7个故障未检 出.由于样本的三个模态方差差异明显,所以部分微弱故障未 批次 批次 KPCA 检出 (oKPCA SPE SP-LNS-KNN方法使用LNS标准化统计模量,其中K :1 3 10,KNN中近邻数h=3,从图4(g)可以看出检测出全部12个 故障,且没冇正常样木的误报,LNs将三个模态融合为一个模 杰,实现故障的分离。 6结束语 统计糢量通过提取数据主要特征简化数据结构,克服批次 批次 批次 不等长的困难,为检测提供了良好的数据基础。局部近邻标准 叫B OFD-KNN 化降低中心漂移和模态方差差异明显的影响,使样本集融合为 符合高斯分布的单一模态。SNs-KNN在保持对大故障的 检测性能的基础上,提高了对方差较小模态的微弱故障的检测 能力 参考文献 I I Cherry G A, Qin S J Multiblock principal component analysis based on a combined index for semiconductor fault detection and diagnosis LJ. IEEE (2):159-172 (g)SP-LNS-KNN [2. Ge Zhiqiang, Song Zhihuan Semiconductor manufacturing process mo- 图4半导体生产过程故障监测图 nitoring based on adaptive substatistical PCA J IEEE Trans on 所有方法采用计算变量均值和变量方差的方法进行数据 Semiconductor Manufacturing 2010, 23(1): 99-108 预处理,将每一批次的二维数据转换为出统计模量组成的一维3 Qin SJ. Statistical process monitoring: basics and beyond[J] Journal 样本。 of Chemometrics,2013,17(8-9):480-502 PCA使用κ- score标准化统计模量,按照85%的累积贡献 [4 Ge Zhiqiang, Yang Chunjie, Song Zhihuan. Improved kenel PCA 率取主元个数为12,从图4(a)(b)中可以看出,PCA的P2只 based monitoring approach for nonlinear processes[ I]. Chemical En gineering Science, 2009, 64(9 45-2255 检测岀了4个故障,SPE检测出了19个枚障,有两个正常样本 [5 Lee J M, Yoo C K, Choi S W, et aL. Nonlinear process monitoring 的误报,原因在于多模杰样本不满足PCA方法对数据的多元 ing kernel principal component analysis[ J]. Chemical Engineer- 高斯分布的假设 ng Science,2004,59(1):223-234 (下转第3314页) 3314 计算机应用研究 第35卷 译器开发,用于开发应用程序在SW26010处理器单个核组研究内容,现有的并行识别方法不能很好地适应众核处理器 内运行的并行性,通过在原始程序中自动插入 OpenACC编译构的新特性。本文的研究致力于在有并行识别方法的基础 指示将串行程序转换为并行程序。 上实现面向众核处理器的新的并行识别方法。本文的多维并 测试平台为“神威太湖之光”计算机系统,其计算节点为行识别方法在考虑负载均衡问题时,假定每次迭代的任务量是 sW26010异枃众核处理器,并配备有完整的编译工具链和性相当的。这个假设在科学计算程序中虽然大多数时候是成立 能分析工具。测试程序选择了矩阵乘 Matrix Mul(规模为100×,但仍然存在不适用的情况,以后的研究中需要进一步考虑 1003 PGI OpenACC sDi中的三维空间时域有限差分程序这一间题。而且多维并行对程序的数据局杀性有较大影响,如 FDTD3d以及NPB3.3.1中的LU(A规模)和B(A规模)四何权衡多维并行和数据局部性之间的收益也需要继续进行 个程序。这四个测试程序中存在多维嵌套循环,且外维循环迭研究。 代次数较少,容易导致负载不均衡,因此适于使用本文提出的参考文献 多维并行识别方法来进行优化。测试过程对比了这四个程序「1赵竹青,马丽,纯国产超算“神威·太湖之光”获世界冠军「EB 在使用单维并行以及本文实现的多维并行后程序的加速比。 OL].(2016-06-20)[2016-07-15].htp://scitech.people.com. 表1给出了这四个程序中核心计算部分的嵌套循环信息 cn/GB/nl/2016/0620/cl007-284639ll.Html 以及被识别为多维并行的情况。可以看出,在目前的SW26010[21 Keckler s w, Dally wj, Khailany B,etal. GPUS and the future of 众核处理器上,两维并行的方案就可以解决大多数因第维迭 parallel computing]. IEEE Micro, 2011, 31(5): 7-17 代数较少导致的负载不均衡。性能对比的测试结果如图3所 [3 Sodani A, Graunt R, Corbal J, et al. Knights landing: second-genera 示。可以看出本文实现的多维并行识别方法能够有效解决嵌套 lion intel xeon phi produc I[J. IEEE Micro, 2016, 36(2): 34-46 [4』廖湘科,肖侬.新型高性能计算系统与技术[J].中国科学:信息栏 循坏单维并行时并行层迭代次数较少导致的负载不均衡问题, 学,2016,46(9) 有效提升程序性能,这四个程序加速比平均提升了1.32倍。 [5郑方,许勇,李宏亮,等.一和面向高性能计算的自主众核处理器 表1嵌套循环信息及多维并行识别情况表 结杓[J].中国科学:信息科学,2015,45(4) 程序嵌套循环数最大深 嵌套循环多维并行多维并行 [6 Fu Haohuan, Liao Junfeng, Yang Jinzhe, ct al. The sunway Taihu light 循环数 最大维数 supercomputer: system and applications[ J 1. Sciece China Informa tion sciences,2016,59(7):072001 FDTD3d 2 [7]李雁冰.面向并构多核处理器并行化编译中的数据优化[D].郑 44 8 州:信息工程大学,2014. L8 Chapman B, Jost G, Van der Pas R Using OpenMP: portable shared 〓单蚱并 memory parallel programming scientific and engineering tompula- 多维并行 tion)[J] Journal of Computer Science Technology, 2007, 10 [9 Enterprise C, Cray Inc, NVIDIA, Portland group. The Open ACC appli 4 cation programming interface v2. 0[R. 2013 MatixMul fdtd3u Lu BT 10 Chan S C, Gao G R, Chapman B, et aL. Open64 compiler infrastructure 图3多维并行前后程厅加速比对比 for emerging multicore/ manycore architecture all symposium tutorial [C]//Proc of IEEE International Symposium on Parallel and 6结束语 Distributed Processing. Washington DC: IEEE Computer Society, 2008 L 11 Yuan Wei, Zhang Yunquan, Sun Jiachang, et al. Performance analysis 众核处理器给高性能计算机的发展提供∫新的动力,使得 of nPB benchmark on dorneslie tera-scale cluster syslem=[ J] Journal 高性能计算机的计算速度得以在功耗、散热等物理条件的限制 下继续提高。自动并行化技术是高性能计算领域的一项重要 108, puter Research Development, 2005, 42(G):10 (上接第3310页 [12 Ma Hehe, Hu Yi, Shi Hongbo. A novel local neighborhood standardiza- [6 He Q P, Wang Jin Fault detection using the K-nearest neighbor rule tion strategy and its application in fault detection of multimode proces for semiconductor manufacturing processes[J].IEEE Trans on ses[ J]. Chemometrics Intelligent Laboratory Systems, 2012 Semiconductor Manufacturing, 2007, 20( 4): 345-354 118(7):287-300. [7] Wold S Geladi P, Esbensen K,et al. Multi-way principal components- [13] Ma Hehe, Hu Yi, Shi Hongbo. Fault detection and identification based and PLS-analvsis[ J]. Joumal of Chemometrics, 1987, 1(1):41 on the neighborhood standardized local outlier factor method[ J.In dustrial Engineering Chemistry Research, 2013, 52(6): 2389 [8 Nomikos P, Macgregor J F Monitoring batch processes using multiway 2402 principal component analysis[J]. Aiche Journal, 1994, 40(8) 14 Breunig MM, Kriegel H P, Ng R T, et al. LOF: identifying density based local outliers [J. ACM SIGMOD Record, 2000, 29(2): 93 1361-1375 [9] He Q P, Wang. in. Statistics pattern analysis: a new process montoring 15] Barry M W, \eal B. Stephanie W B, et al. A comparison of principa framework and its application to semiconductor batch processes[J] component analysis, multi cipal comt analysis, trilinea Aiche Journa,2015,57(1):107-121. decomposition and parallel factor analysis for fault detection in a semi [10 Wang Jin, Ile Q P. Multivariate statistical process monitoring based on conductor etch piocessLJ. Journal Chemomotrics, 1999, 13(3) statistics pattern analysis [J]. Industrial Engineering Chemistry Research,2010,49(17):78587869 [IG Qin S J, Cherry G, Good R, el al. Sermieonduclor manufacluring [1l]张成,李元.基于统计模量分析间歇过程故障检测方法研究[J] I monitoring: a fab-wide framework[J]. Journal of 仪器仪表学报,2013,349):2103-2110 Process Control, 2006, 16(3): 179-191

...展开详情
试读 5P 论文研究-基于SP-LNS-KNN的半导体生产过程故障检测方法研究.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
weixin_39840914 如果觉得有用,不妨留言支持一下
2019-07-22
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
最新推荐
论文研究-基于SP-LNS-KNN的半导体生产过程故障检测方法研究.pdf 46积分/C币 立即下载
1/5
论文研究-基于SP-LNS-KNN的半导体生产过程故障检测方法研究.pdf第1页

试读结束, 可继续读1页

46积分/C币 立即下载 >