在制品数量的预测方法及预测系统技术方案

本发明专利技术的在制品数量的预测方法包括：获取半导体工艺路线中的多个在制品数量数据以及对应的多个芯片产量数据；以多个在制品数量数据和多个芯片产量数据为数据集，清洗数据集，使得数据集符合半导体工艺路线的预设要求；获取半导体工艺路线中的多个输入特征组以及相对应的多个输出特征组；以多个输入特征组以及多个输出特征组为样本集，利用第一预设算法提取训练样本集，从而构建预测模型；根据多个输入特征组中的一部分数据的平均值，并基于预测模型计算在制品数量数据。本发明专利技术相较于现有技术，通过清洗数据集可以去除数据集中异常率较高的在制品数量数据以及对应的芯片产量数据，从而提升预测模型的准确性和稳定性。

【技术实现步骤摘要】
在制品数量的预测方法及预测系统
本专利技术涉及半导体
，特别涉及一种在制品数量的预测方法及预测系统。
技术介绍
目前，半导体制造工厂通常是使用基于神经网络技术，依据历史中芯片的产量、机台的可利用时间率、各个工艺站点所需要加工的时间、机台工作数量等生产因素与在WIP(WorkInProcess，芯片的在制品数量)之间的关系，基于神经网络技术构建预测模型。通过将最近一周或一段时间内的平均数据，包括芯片的产量的平均数据、机台的可利用时间率、各个工艺站点所需要加工的时间的平均数据、机台工作数量的平均数据，作为预测值输入构建的预测模型中得到各设备工艺能力在制品数量堆积效益最大值。由于神经网络具有复杂的非线性关系以及数据异常率较高的因素使得构建的预测模型选取各设备工艺能力在制品数量堆积效益最大值的点变得极困难，需要大量的人为干预手段来确保各设备工艺能力在制品数量堆积效益最大值的准确性，不能使预测模型达到自动化的目的；基于神经网络技术构建的预测模型需要基数较大的预测值作为输入量，导致没有进行数据清洗的步骤，预测值中会出现异样数据导致输出的各设备工艺能力在制品数量堆积效益最大值偏差较大。对于一个产品类型单一且产线产能平均的工厂来说，基于神经网络技术构建的预测模型输出得到的各设备工艺能力在制品数量堆积效益最大值的准确率较高，但是比较依赖预测值的准确性，而对于一个产品类型多样且产线不稳定的工厂来而言，基于神经网络技术构建的预测模型显然已经不能适用。
技术实现思路
本专利技术的目的在于提供一种在制品数量的预测方法及预测系统，其目的之一在于解决现有的预测模型对在制品数量的预测准确性较低的问题，其目的之二在于解决现有的预测模型不适用于产品类型多样且产线不稳定的工厂。为解决上述技术问题，基于本专利技术的一个方面，本专利技术提供一种在制品数量的预测方法，应用于半导体工艺路线，其包括：获取半导体工艺路线中的多个在制品数量数据以及与所述在制品数量数据一一对应的多个芯片产量数据；以多个所述在制品数量数据和对应的多个所述芯片产量数据为数据集，清洗所述数据集，使得所述数据集符合半导体工艺路线的预设要求；获取半导体工艺路线中的多个输入特征组以及与所述输入特征组一一对应的多个输出特征组；所述输入特征组包括清洗后的所述数据集的在制品数量数据、机台可利用时间率数据、各工艺站点的加工时间数据和机台可利用数量数据，所述输出特征组包括清洗后的所述数据集的芯片产量数据；以获取的多个所述输入特征组以及对应的多个所述输出特征组为样本集，利用第一预设算法提取训练所述样本集，从而构建预测模型；根据多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，并基于所述预测模型计算在制品数量数据。可选的，以多个所述在制品数量数据和对应的多个所述芯片产量数据为数据集，清洗所述数据集，使得所述数据集符合半导体工艺路线的预设要求的步骤包括：利用第二预设算法提取训练所述数据集的映射关系，于坐标系中拟合得到筛选函数；其中，横轴表示所述在制品数量数据，纵轴表示所述芯片产量数据；分别计算所述数据集于所述坐标系中模拟形成的多个坐标点与所述筛选函数之间的纵轴偏差；若所述纵轴偏差的绝对值大于期望偏差，删除所述坐标点对应的所述在制品数量数据和所述芯片产量数据；若所述纵轴偏差的绝对值小于或等于所述期望偏差，保存所述坐标点对应的所述在制品数量数据和所述芯片产量数据。可选的，所述第二预设算法包括最小二乘法。可选的，于坐标系中拟合得到筛选函数的步骤之后，所述在制品数量的预测方法还包括：比较所述筛选函数的相关系数的绝对值与预设的期望相关系数；若所述筛选函数的相关系数的绝对值大于或等于所述期望相关系数，保留所述筛选函数；若所述筛选函数的相关系数的绝对值小于所述期望相关系数，调整所述数据集并提取训练调整后的所述数据集，直到拟合后的所述筛选函数的相关系数的绝对值大于或等于所述期望相关系数。可选的，所述第一预设算法包括多项式回归；根据多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，并基于所述预测模型计算在制品数量数据的步骤包括：基于多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，将所述预测模型转化为所述输出特征组关于所述在制品数量数据的预测回归函数；求解所述预测回归函数关于所述在制品数量数据的偏导数，并基于所述偏导数的极值计算在制品数量数据。可选的，所述在制品数量的预测方法还包括：调整所述预测模型的所述输入特征组的在制品数量数据的权重因子、机台可利用时间率数据的权重因子、各工艺站点的加工时间数据的权重因子和机台可利用数量数据的权重因子。基于本专利技术的另一个方面，本专利技术还提供一种在制品数量的预测系统，应用于半导体工艺路线，其包括：第一数据获取模块，其用于获取半导体工艺路线中的多个在制品数量数据以及与所述在制品数量数据一一对应的多个芯片产量数据；数据清洗模块，其用于以多个所述在制品数量数据和对应的多个所述芯片产量数据为数据集，清洗所述数据集，使得所述数据集符合半导体工艺路线的预设要求；第二数据获取模块，其用于获取半导体工艺路线中的多个输入特征组以及与所述输入特征组一一对应的多个输出特征组；所述输入特征组包括清洗后的所述数据集的在制品数量数据、机台可利用时间率数据、各工艺站点的加工时间数据和机台可利用数量数据，所述输出特征组包括清洗后的所述数据集的芯片产量数据；模型构建模块，其用于以获取的多个所述输入特征组以及对应的多个所述输出特征组为样本集，利用第一预设算法提取训练所述样本集，从而构建预测模型；数据预测模块，其用于根据多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，并基于所述预测模型计算在制品数量数据。可选的，所述数据清洗模块包括：第一预处理单元，其用于利用第二预设算法提取训练所述数据集的映射关系，于坐标系中拟合得到筛选函数；其中，横轴表示所述在制品数量数据，纵轴表示所述芯片产量数据；第二预处理单元，其用于分别计算所述数据集于所述坐标系中模拟形成的多个坐标点与所述筛选函数之间的纵轴偏差；若所述纵轴偏差的绝对值大于期望偏差，删除所述坐标点对应的所述在制品数量数据和所述芯片产量数据；若所述纵轴偏差的绝对值小于或等于所述期望偏差，保存所述坐标点对应的所述在制品数量数据和所述芯片产量数据。可选的，所述数据清洗模块还包括第三预处理单元，其用于比较所述筛选函数的相关系数的绝对值与预设的期望相关系数；若所述筛选函数的相关系数的绝对值大于或等于所述期望相关系数，所述第三预处理单元用于保留所述筛选函数；若所述筛选函数的相关系数的绝对值小于所述期望相关系数，所述第三预处理单元用于调整所述数据集并提取训练调整后的所述数据本文档来自技高网...

【技术保护点】
1.一种在制品数量的预测方法，应用于半导体工艺路线，其特征在于，包括：/n获取半导体工艺路线中的多个在制品数量数据以及与所述在制品数量数据一一对应的多个芯片产量数据；/n以多个所述在制品数量数据和对应的多个所述芯片产量数据为数据集，清洗所述数据集，使得所述数据集符合半导体工艺路线的预设要求；/n获取半导体工艺路线中的多个输入特征组以及与所述输入特征组一一对应的多个输出特征组；所述输入特征组包括清洗后的所述数据集的在制品数量数据、机台可利用时间率数据、各工艺站点的加工时间数据和机台可利用数量数据，所述输出特征组包括清洗后的所述数据集的芯片产量数据；/n以获取的多个所述输入特征组以及对应的多个所述输出特征组为样本集，利用第一预设算法提取训练所述样本集，从而构建预测模型；/n根据多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，并基于所述预测模型计算在制品数量数据。/n

【技术特征摘要】
1.一种在制品数量的预测方法，应用于半导体工艺路线，其特征在于，包括：
获取半导体工艺路线中的多个在制品数量数据以及与所述在制品数量数据一一对应的多个芯片产量数据；
以多个所述在制品数量数据和对应的多个所述芯片产量数据为数据集，清洗所述数据集，使得所述数据集符合半导体工艺路线的预设要求；
获取半导体工艺路线中的多个输入特征组以及与所述输入特征组一一对应的多个输出特征组；所述输入特征组包括清洗后的所述数据集的在制品数量数据、机台可利用时间率数据、各工艺站点的加工时间数据和机台可利用数量数据，所述输出特征组包括清洗后的所述数据集的芯片产量数据；
以获取的多个所述输入特征组以及对应的多个所述输出特征组为样本集，利用第一预设算法提取训练所述样本集，从而构建预测模型；
根据多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，并基于所述预测模型计算在制品数量数据。


2.根据权利要求1所述的在制品数量的预测方法，其特征在于，以多个所述在制品数量数据和对应的多个所述芯片产量数据为数据集，清洗所述数据集，使得所述数据集符合半导体工艺路线的预设要求的步骤包括：
利用第二预设算法提取训练所述数据集的映射关系，于坐标系中拟合得到筛选函数；其中，横轴表示所述在制品数量数据，纵轴表示所述芯片产量数据；
分别计算所述数据集于所述坐标系中模拟形成的多个坐标点与所述筛选函数之间的纵轴偏差；若所述纵轴偏差的绝对值大于期望偏差，删除所述坐标点对应的所述在制品数量数据和所述芯片产量数据；若所述纵轴偏差的绝对值小于或等于所述期望偏差，保存所述坐标点对应的所述在制品数量数据和所述芯片产量数据。


3.根据权利要求2所述的在制品数量的预测方法，其特征在于，所述第二预设算法包括最小二乘法。


4.根据权利要求2所述的在制品数量的预测方法，其特征在于，于坐标系中拟合得到筛选函数的步骤之后，所述在制品数量的预测方法还包括：比较所述筛选函数的相关系数的绝对值与预设的期望相关系数；若所述筛选函数的相关系数的绝对值大于或等于所述期望相关系数，保留所述筛选函数；若所述筛选函数的相关系数的绝对值小于所述期望相关系数，调整所述数据集并提取训练调整后的所述数据集，直到拟合后的所述筛选函数的相关系数的绝对值大于或等于所述期望相关系数。


5.根据权利要求1所述的在制品数量的预测方法，其特征在于，所述第一预设算法包括多项式回归；根据多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，并基于所述预测模型计算在制品数量数据的步骤包括：
基于多个所述输入特征组中的机台可利用时间率数据的平均值、各工艺站点的加工时间数据的平均值和机台可利用数量数据的平均值，将所述预测模型转化为所述输出特征组关于所述在制品数量数据的预测回归函数；
求解所述预测回归函数关于所述在制品数量数据的偏导数，并基于所述偏导数的极值计算在制品数量数据。


6.根据权利要求5所述的在制品数量的预测方法，其特征在于，所述在制品数量的预测方法还包括：调整所述预测模型的所述输入特征组的在制品数量数据的权重因子、机台可利用时间率数据的权重因子、各工艺...

【专利技术属性】
技术研发人员：李嘉成，贾宇，张晖，
申请(专利权)人：上海华力微电子有限公司，
类型：发明
国别省市：上海;31