一种半导体制造设备和工艺的智能控制系统及方法技术方案

本发明专利技术提供一种半导体制造设备和工艺的智能控制系统及方法，其中智能控制系统包括数据聚类处理单元、数据分类处理单元、数据标注单元、支持向量机训练及测试验证单元、智能监控单元、持续学习单元；数据聚类处理单元通过K‑均值聚类算法对数据进行预处理,并执行离群判断算法得到离群点候选集；数据分类处理单元通过局部离群因子法对所述离群点候选集进行数据分类处理得到样本数据集；支持向量机训练及测试验证单元用于将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果，本发明专利技术通过基于支持向量机的机器学习建立半导体设备和工艺的智能控制系统，实现对半导体设备和工艺的智能控制。

【技术实现步骤摘要】

本专利技术涉及半导体制造设备和工艺的控制
，尤其涉及一种半导体制造设备和工艺的智能控制系统及方法。
技术介绍
半导体材料和器件制造过程涉及从宏观到微观到原子级别和电子级别的不同尺寸的各种物理和化学过程，半导体材料的性能是基于原子行为的表征，半导体器件的性能是基于电子行为的表征，现有的半导体制造设备能检测和控制半导体材料和器件制造过程中宏观的温度、压力、流量、化学成分和微观的物理与化学过程；随着自动化技术、传感技术和各种信息化技术的广泛应用，半导体制造设备和工艺检测数据的采集越来越详细，这些数据为监测工艺运转情况、诊断异常事件提供了宝贵的资源，然而，这庞大的数据资源绝大多数都没有被有效的利用；如何利用可检测和控制的温度、压力、流量、化学成分等宏观参数和微观的物理与化学过程对半导体制造设备和工艺进行有效的控制是一个充满挑战的领域，也是半导体制造行业的核心竞争力之一。因此，在半导体制造和生产过程中，半导体器件的质量异常问题很难与半导体制造设备和工艺的行为直接建立联系，现有技术中，通常只能在半导体器件的质量出现异常后由技术人员检查与判断后制定下一步的处理措施，每一次检查与判断半导体器件的异常都是一个推测、验证的迭代过程，并且技术人员仅仅在半导体器件的质量发生异常时才查阅有关的半导体制造设备和工艺测量数据，找出问题原因，这种模式造成以下问题：a、人为因素影响大：在上述模式下，导体制造设备和工艺的检测数据的使用方法和效果由技术人员本身熟知的经验及判断而决定的，因此造成异常事件发生后的工艺结果差异非常大，且不同的工程师彼此亦存在不同的差异，特别是经验较浅与经验较深的工程师之间的工艺结果差异非常大；b、缺乏连贯学习机制：每一次异常事件的处理也是一个学习机会，可以为未来处理相关事件提供帮助，但是由于缺乏系统支持，每一次异常事件处理的历史数据，包括异常事件现象分析、处理意见和执行效果分散在不同的空间，不能形成持续学习的机制；c、手动处理数据耗费时间长：技术人员在一适当控制参数的决定上可能要花费数小时的时间，严重降低产能；d、没有异常行为预测功能：只有当半导体材料和器件出现问题和偏离时才启动问题检测模式，不能在问题出现的初期，采取预防，从而避免产品质量问题。因此，需专利技术一种半导体制造设备和工艺的智能控制系统及方法来解决上述问题。
技术实现思路
本专利技术提供一种半导体制造设备和工艺的智能控制系统及方法，通过对半导体制造设备和工艺采集的海量数据利用K-均值聚类算法进行预处理，并执行离群判断算法得到离群点候选集，再采用局部离群因子法进行正常和异常数据的分类处理，然后基于支持向量机的机器学习建立半导体设备和工艺的智能控制系统，实现对半导体设备和工艺的智能控制。为了解决上述技术问题，本专利技术所采取的技术方案为：本专利技术一方面提供一种半导体制造设备和工艺的智能控制系统，包括数据聚类处理单元、数据分类处理单元、数据标注单元、支持向量机训练及测试验证单元、智能监控单元、持续学习单元；所述数据聚类处理单元通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集；所述数据分类处理单元通过局部离群因子法对所述离群点候选集进行正常数据和异常数据的分类处理得到样本数据集；所述数据标注单元用于对样本数据集进行标注；所述支持向量机训练及测试验证单元用于将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果；再利用测试样本集对支持向量机进行验证，得到验证结果，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；所述智能监控单元用于利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。进一步地，所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。又进一步地，所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。更进一步地，所述数据分类处理单元引入松弛参数，调整样本数据集中正常数据和异常数据数目的相对大小。还更进一步地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。本专利技术另一方面提供一种半导体制造设备和工艺的智能控制方法，包括数据聚类处理步骤、数据分类处理步骤、数据标注步骤、支持向量机训练及测试验证步骤、智能监控步骤、持续学习步骤；所述数据聚类处理步骤包括：通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集；所述数据分类处理步骤包括：通过局部离群因子法对所述离群点候选集进行正常数据和异常数据的分类处理得到样本数据集；所述数据标注步骤包括：对样本数据集进行标注；所述支持向量机训练及测试验证步骤包括：将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果；再利用测试样本集对支持向量机进行验证，得到验证结果，查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；所述智能监控步骤包括：利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；所述持续学习步骤包括：当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。进一步地，所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。又进一步地，所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。更进一步地，所述数据分类处理步骤引入松弛参数，调整样本数据集中正常数据和异常数据数目的相对大小。又更进一步地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。本专利技术提供的一种半导体制造设备和工艺的智能控制系统及方法，通过对半导体制造设备和工艺采集的海量数据利用K-均值聚类算法进行预处理并执行离群判断算法得到离群点候选集，再采用局部离群因子法进行正常和异常数据的分类处理，得到样本数据集，然后基于支持向量机本文档来自技高网...

【技术保护点】
一种半导体制造设备和工艺的智能控制系统，其特征在于：包括数据聚类处理单元、数据分类处理单元、数据标注单元、支持向量机训练及测试验证单元、智能监控单元、持续学习单元；所述数据聚类处理单元通过K‑均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集；所述数据分类处理单元通过局部离群因子法对所述离群点候选集进行正常数据和异常数据的分类处理得到样本数据集；所述数据标注单元用于对样本数据集进行标注；所述支持向量机训练及测试验证单元用于将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果；再利用测试样本集对支持向量机进行验证，得到验证结果，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；所述智能监控单元用于利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。...

【技术特征摘要】
1.一种半导体制造设备和工艺的智能控制系统，其特征在于：包括数据聚类处理单元、数据分类处理单元、数据标注单元、支持向量机训练及测试验证单元、智能监控单元、持续学习单元；所述数据聚类处理单元通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集；所述数据分类处理单元通过局部离群因子法对所述离群点候选集进行正常数据和异常数据的分类处理得到样本数据集；所述数据标注单元用于对样本数据集进行标注；所述支持向量机训练及测试验证单元用于将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果；再利用测试样本集对支持向量机进行验证，得到验证结果，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；所述智能监控单元用于利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。2.如权利要求1所述的一种半导体制造设备和工艺的智能控制系统，其特征在于：所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。3.如权利要求1所述的一种半导体制造设备和工艺的智能控制系统，其特征在于：所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。4.如权利要求1所述的一种半导体制造设备和工艺的智能控制系统，其特征在于：所述数据分类处理单元引入松弛参数，调整样本数据集中正常数据和异常数据数目的相对大小。5.如权利要求1所述的一种半导体制造设备和工艺的智能控制系统，其特征在于：所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过...

【专利技术属性】
技术研发人员：孙敬玺，
申请(专利权)人：广东家易科技有限公司，
类型：发明
国别省市：广东;44