一种面向半导体工艺设备的故障诊断方法技术

本发明专利技术公开了一种面向半导体工艺设备的故障诊断方法，首先建立包括模糊规则库、推理机的专家系统；进一步的，针对半导体工艺设备实时监测参数进行模糊化处理，生成模糊事实；推理机基于模糊事实，通过与模糊规则库的交互来进行模糊推理，生成故障诊断结果；基于故障诊断结果的实际应用情况，进行面向模糊规则库的规则强度自学习修正。本发明专利技术基于rete算法进行模糊推理进而得出故障诊断结果，并充分结合实际故障诊断应用情况来进行模糊规则库的规则强度自学习修正，提高了半导体工艺设备故障诊断的精准水平和自动化水平，保障了半导体工艺的高效稳定运行。

A fault diagnosis method for semiconductor process equipment

The invention discloses a fault diagnosis method for semiconductor processing equipment, first, including the establishment of expert system of fuzzy rule base, the inference engine; further, according to the real-time monitoring parameters of semiconductor processing equipment with fuzzy processing, generating fuzzy reasoning based on Fuzzy facts; in fact, through interaction with the fuzzy rule base for fuzzy reasoning, generating the fault diagnosis results; practical application of fault diagnosis based on the results, for the strength of rules of fuzzy rule base self-learning correction. The method is based on the Rete algorithm of fuzzy reasoning and then draw the results of fault diagnosis, and combine to rule strength fuzzy rule base self-learning correction application of practical fault diagnosis, improve the semiconductor process equipment fault diagnosis accuracy level and the level of automation, guarantee the efficient and stable operation of semiconductor process.

【技术实现步骤摘要】
一种面向半导体工艺设备的故障诊断方法
本专利技术属于半导体制造领域，具体涉及一种面向半导体工艺设备的故障诊断方法。
技术介绍
半导体企业中工艺设备的运行状态对企业的生产能力影响重大，而半导体工艺设备造价极其昂贵，提高设备维修效率、降低设备故障停机时间是提高企业生产能力、控制生产成本的一种重要途径。因此，为半导体工艺设备提供方便实用、性能可靠的故障诊断已经成为半导体企业的迫切需要，而设备的结构越来越复杂也给故障诊断带来了极大的挑战。智能故障诊断技术为这种要求开辟了新途径，将智能故障诊断技术应用于半导体工艺设备领域具有很高的价值。随着人工智能技术的不断发展，智能故障诊断技术已经进入了一个新的阶段，而专家系统技术作为人工智能领域很活跃的一个分支，取得了广泛的应用。这种方法不依赖于系统的数学模型，它根据领域专家总结的经验知识，进行推理和判断，模拟人类专家的决策过程，来解决那些需要人类专家处理的复杂问题。由此可见，专家系统技术建立并维护知识库，模拟人类的思维方式进行智能决策，不仅能大大提高故障诊断的准确性和可靠性，而且减少了对人类专家经验的依赖，提高了故障诊断的自动化程度。目前的专家系统大多采用的是正向推理方式，在知识规则数目较多时，很容易发生知识的爆炸性组合而导致模式匹配效率偏低；另一方面，专家系统中模糊知识库的构建主要依赖于专家经验，在模糊推理系统的使用过程中，也是主要依靠专家来进行知识库的维护，缺乏基于推理结果样本的自学习修正机制。
技术实现思路
针对上述技术不足，本专利技术提出一种面向半导体工艺设备的故障诊断方法，其目的是：将rete算法的时间冗余性和结构相似性思想融入到模糊推理中，用以克服在模糊推理时因知识的爆炸性组合而导致的匹配效率偏低问题，进而提高模糊推理效率；构建模糊知识库的自学习修正机制，利用系统日常运行中积累的故障诊断样本，进行规则强度的自学习修正，修正完善整个模糊规则库，使模糊推理更加具有工程实用性。本专利技术的技术方案为：一种面向半导体工艺设备的故障诊断方法，包括以下步骤：1)针对半导体设备实时监测参数进行模糊化处理，生成模糊事实；2)建立模糊规则库；3)采用rete算法将模糊事实与模糊规则库中的规则进行匹配，得到模糊推理结果；4)将模糊推理结果进行去模糊化得出故障诊断结果；5)根据故障诊断结果和实际反馈结果构建样本集，基于样本集进行规则强度自学习修正。所述的针对半导体工艺设备实时监测参数进行模糊化处理，是采用采用高斯隶属度函数法，通过以下公式实现：上式为自变量x对于半导体工艺设备的监测参数模糊集A的高斯隶属度函数，μ为设备监测参数的均值参数，σ为设备监测参数的方差参数。所述的采用rete算法将模糊事实与模糊规则库中的规则进行匹配包括以下步骤：(1)构建rete模糊模式：[PF]表示模糊规则前件元素，P为参数名称，F为模糊量词，则P和F均为测试域，将P和F相互连接，便构成了rete模糊模式；(2)构建rete连接网络：连接网将模糊规则中具有“and”关系的rete模糊模式作为一个集合，实现对模糊规则前件的构建，每个连接网设置一个reteflag标识来记录该连接网是否匹配成功，如果匹配成功，则reteflag为true；反之，则为false；(3)rete网络匹配：将模糊事实与rete模糊模式的测试域进行匹配，并将匹配成功的模糊事实存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新，将reteflag为true的模糊规则的结论作为模糊推理结果。所述的将模糊事实与rete模糊模式的测试域进行匹配，并将匹配成功的模糊事实存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新包括以下步骤：以参数名称测试域为rete模糊模式网络的入口节点，开始进行rete模糊模式网络匹配：如果参数名称测试域匹配成功，则顺着匹配链寻找下面的模糊量词测试域节点，继续进行匹配；如果全部匹配成功，将对应模糊事实存储到α寄存器中；当rete模糊模式网络匹配过程完成后，便开始连接网络匹配：当某个模糊模式的α寄存器被更新后，遍历对应连接网络的所有模式的α寄存器，并判断所有模式是否匹配成功；如果该连接网络对应的所有模式全部匹配成功，则将reteflag更新为true，将对应模糊规则的结论作为模糊推理结果；如果该连接网络对应的所有模式未全部匹配成功，则将reteflag更新为false。所述基于样本集进行规则强度自学习修正包括以下步骤：A.计算样本集中的实际反馈结果与结果的误差值；B判断误差值是否超出上限；如果未超出上限，则修正结束；否则继续判断是否超出最大迭代次数，如果超出，则修正结束；如果未超出，则进行反向误差传播，修正模糊规则的规则强度，然后重新计算样本集的误差值；C.返回步骤B，直到样本集的误差值减小到上限值或到达最大迭代次数为止。所述误差值通过以下公式得到：上式中，E为误差值，y理论为故障诊断结果；y实际为实际反馈结果。所述进行反向误差传播，修正模糊规则的规则强度通过下式实现：对于模糊推理结果的结论yj，该结论对应的某规则i的规则强度wij调节公式如下：wij(n+1)＝wij(n)+ηΔwiji＝1,2,...,M(3)其中，Δwij为每次规则强度修正的变化量，η为学习步长，n为当前迭代次数，i为规则序号，M为结论yj对应的规则数目。所述每次规则强度修正的变化量Δwij通过以下公式得到：其中，E为误差值，y理论为故障诊断结果；y实际为实际反馈值，f(yj)为结论yj对应的模糊集中心值，yj为结论对应的结论可信度，aij为结论yj对应的规则i的前件可信度，wij为结论yj对应的规则i的规则强度。本专利技术具有以下有益效果及优点：1.本专利技术在构建参数模糊化信息时，利用高斯隶属度函数法来对参数进行模糊化，具有良好的抗干扰能力，而且模糊化结果更接近于人类的认知特点。2.本专利技术基于rete算法的模糊推理充分地利用了时间冗余性和结构相似性，节约了模糊规则库的存储空间，并且提高了推理效率，使得模糊推理方法能适用于对实时性要求较高的工程领域。3.本专利技术采用BP算法来修正模糊规则的规则强度，可以充分基于日常故障诊断样本，利用反向误差梯度传播来实现对规则强度的修正，进而使模糊规则库更加符合日常运行情况，提高了专家系统的工程实用性。附图说明图1是本专利技术的专家系统的结构框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术涉及一种面向半导体工艺设备的故障诊断方法，其工作步骤如下：步骤一、参数模糊化信息的构建；步骤二、模糊规则库的建立；步骤三、基于rete算法的模糊推理；步骤四、去模糊化并得出故障诊断结果；步骤五、规则强度自学习修正。与现有的模糊推理方法相比，本专利技术通过应用规则强度自学习修正算法使专家系统具有了初步的自学习能力，通过采用rete算法提高了专家系统的推理效率。按照本专利技术设计的专家系统不仅效率高、准确性高，而且可以基于日常使用情况来修正完善模糊规则库，为工程应用提供了一种更加实用和可靠的故障诊断方法。本专利技术可应用于半导体制造领域，对本专利技术提出的面向半导体本文档来自技高网...

【技术保护点】
一种面向半导体工艺设备的故障诊断方法，其特征在于，包括模糊规则库和推理机，工作流程如下：1)针对半导体工艺设备实时监测参数进行模糊化处理，生成模糊事实；2)建立模糊规则库；3)采用rete算法将模糊事实与模糊规则库中的规则进行匹配，得到模糊推理结果；4)将模糊推理结果进行去模糊化得出故障诊断结果；5)根据故障诊断结果和实际反馈结果构建样本集，基于样本集进行规则强度自学习修正。

【技术特征摘要】
1.一种面向半导体工艺设备的故障诊断方法，其特征在于，包括模糊规则库和推理机，工作流程如下：1)针对半导体工艺设备实时监测参数进行模糊化处理，生成模糊事实；2)建立模糊规则库；3)采用rete算法将模糊事实与模糊规则库中的规则进行匹配，得到模糊推理结果；4)将模糊推理结果进行去模糊化得出故障诊断结果；5)根据故障诊断结果和实际反馈结果构建样本集，基于样本集进行规则强度自学习修正。2.根据权利要求1所述的面向半导体工艺设备的故障诊断方法，其特征在于，所述针对半导体工艺设备实时监测参数进行模糊化处理，是采用采用高斯隶属度函数法，通过以下公式实现：上式为自变量x对于半导体工艺设备监测参数模糊集A的高斯隶属度函数，μ为设备监测参数的均值参数，σ为设备监测参数的方差参数。3.根据权利要求1所述的面向半导体工艺设备的故障诊断方法，其特征在于，所述采用rete算法将模糊事实与模糊规则库中的规则进行匹配包括以下步骤：步骤1：构建rete模糊模式：[PF]表示模糊规则前件元素，P为参数名称，F为模糊量词，则P和F均为测试域，将P和F相互连接，便构成了rete模糊模式；步骤2：构建rete连接网络：连接网将模糊规则中具有“and”关系的rete模糊模式作为一个集合，实现对模糊规则前件的构建，每个连接网设置一个reteflag标识来记录该连接网是否匹配成功，如果匹配成功，则reteflag为true；反之，则为false；步骤3：rete网络匹配：将模糊事实与rete模糊模式的测试域进行匹配，并将匹配成功的模糊事实存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新，将reteflag为true的模糊规则的结论作为模糊推理结果。4.根据权利要求3所述的面向半导体工艺设备的故障诊断方法，其特征在于，所述将模糊事实与rete模糊模式的测试域进行匹配，并将匹配成功的模糊事实存储到对应的α寄存器中，然后再根据α寄存器的更新情况进行reteflag的更新包括以下步骤：以参数名称测试域为rete模糊模式网络的入口节点，开始进行rete模糊模式网络匹配：如果参数名称测试域匹配成功，则顺着匹配链寻找下面的模糊量词测试域节点，继续...

【专利技术属性】
技术研发人员：于淼，廖柯，段彬，里鹏，胡国良，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁,21