混合型故障检测方法及装置制造方法及图纸

本发明专利技术公开一种混合型故障检测方法及装置，所述方法包括：获取数据，对所述数据进行预处理，获得数据集；利用时间序列分割算法对所述数据集进行信号模式提取，得到模式集合；设计所述模式集合的特征，对所述模式集合进行计算，得到统计量特征，提取所述设计特征和所述统计量特征，得到统计特征集合；基于PCA主成分分析法，在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合；将所述重要特征集合用于支持向量机训练样本，以获取用于故障识别的多变量分析模型；利用所述多变量分析模型生成阈值，将所述阈值及所述数据集通过线性投影降维到二维图，将所述二维图通过散点图表示。该方法显著提升模型开发效率。该方法显著提升模型开发效率。该方法显著提升模型开发效率。

【技术实现步骤摘要】
混合型故障检测方法及装置


[0001]本专利技术涉及计算机
，尤其涉及一种混合型故障检测方法及装置。

技术介绍

[0002]随着芯片需求的日益增加，当前的半导体制造商需要具备非常强的生产力，从而才能在竞争日益激烈的全球环境中保持盈利。关键是如何提高产能。为了满足这个需求，先进过程控制（APC）被提出作为用于优化生产过程，提高生产效率的解决方案集合，具体包括：故障检测（FD）与分类（FDC），R2R控制，以及预测性维护（PdM）等。同时，受益于传感技术以及信息技术的发展，这些解决方案可在可配置的控制工作流程中提供一定的灵活性以及可重构性。从而监控处理过程以及产品中的异常。在这些解决方案中，故障检测技术现在几乎已经用于每一个前端流程。在大数据的基础上，机器学习算法以及数据挖掘被广泛应用于数据驱动的故障检测建模。实现了最大限度地减少废料，提高产品质量，检测设备退化，并确定何时需要关闭设备进行维护。
[0003]当前随着传感技术以及信息技术的发展，数据驱动的FDC方法是当前的主流。数据驱动的故障检测系统也在现实生产中被证明了其有效性。然而，在模型开发中，个别步骤需要人工的干预与操作，如特征设计以及提取，阈值更新。当数据量特别巨大时，时间以及资源成本会极高。从而严重影响了模型开发的效率。

技术实现思路

[0004]鉴于以上技术问题，本专利技术提供了一种混合型故障检测方法及装置，显著提升模型开发效率。
[0005]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0006]根据本专利技术的一方面，公开一种混合型故障检测方法，所述方法包括：获取数据，所述数据源于一个或多个传感器；对所述数据进行预处理，获得数据集；利用时间序列分割算法对所述数据集进行信号模式提取，得到模式集合；设计所述模式集合的特征，得到设计特征，对所述模式集合进行计算，得到统计量特征；提取所述设计特征和所述统计量特征，得到统计特征集合；基于PCA主成分分析法，在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合；将所述重要特征集合用于支持向量机训练样本，以获取用于故障识别的多变量分析模型；利用所述多变量分析模型生成阈值，将所述阈值及所述数据集通过线性投影降维到二维图，将所述二维图通过散点图表示。
[0007]进一步的，所述对所述数据进行预处理，包括：基于Ruby test和统计分析，检测所述数据中的异常样本；移除所述数据中的所述异常样本；对移除所述异常样本后的所述数据进行时间步对齐。
[0008]进一步的，所述对所述数据进行时间步对齐，包括：将传感器的时钟晶振频率设置一致；校对传感器的初始时刻一致；以相同的脉冲触发传感器。
[0009]进一步的，所述对所述数据进行时间步对齐，包括：选定核心传感器；对所述核心传感器进行插值；选取每个所述数据的采集时刻作为时间点；取前后相邻时间的两个所述数据的时间范围作为其他非核心传感器的采集时刻并取数插入相应值，以使得所述数据的时间步对齐。
[0010]进一步的，所述信号模式为所述数据在时间序列中的不同形态，所述形态包括斜坡段、稳定段、震荡段和超调，所述时间序列分割算法用于对所述数据在时间序列中的不同形态进行识别和分割，生成用于时间序列分段的模板，基于所述用于时间序列分段的模板，得到所述模式集合。
[0011]进一步的，所述设计特征包括斜率、长度、宽度和高度中的一种或多种。
[0012]进一步的，所述对所述模式集合进行计算，包括：计算所述模式集合的特征的均值、标准差和级值。
[0013]进一步的，所述基于PCA主成分分析法，在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合，包括：计算所述统计特征集合的累计方差的特征曲线，基于所述特征曲线，判断相应的特征的重要性。
[0014]根据本公开的第二方面，提供一种混合型故障检测装置，包括：获取模块，获取数据，所述数据源于一个或多个传感器；预处理模块，对所述数据进行预处理，获得数据集；信号模式提取模块，利用时间序列分割算法对所述数据集进行信号模式提取，得到模式集合；特征设计模块，设计所述模式集合的特征，得到设计特征，对所述模式集合进行计算，得到统计量特征；特征提取模块，提取所述设计特征和所述统计量特征，得到统计特征集合；特征选择模块，基于PCA主成分分析法，在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合；模型建立模块，将所述重要特征集合用于支持向量机训练样本，以获取用于故障识别的多变量分析模型；可视化模块，利用所述多变量分析模型生成阈值，将所述阈值及所述数据集通过线性投影降维到二维图，将所述二维图通过散点图表示。
[0015]本公开的技术方案具有以下有益效果：能够预测半导体在生产过程中可能出现的故障，由此能够确保系统的稳定运行生产的稳定性；对采集自传感器的数据进行预处理，减少数据干扰，提高数据的准确率，保证系统的稳定；将数据集进行信号模式分割，便于进行特征提取，提高了系统开发效率；解决当前的应用于故障检测的多变量分析只能考虑在对数据进行了投影降维之后的阈值设定问题，本公开可以直接基于原始数据进行阈值设定，以及进行在线的阈值更新。
附图说明
[0016]图1为本说明书实施例中的混合型故障检测方法的流程图；图2为本说明书实施例中的混合型故障检测装置的结构框图。
具体实施方式
[0017]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
[0018]此外，附图仅为本公开的示意性图解。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0019]如图1所示，本说明书实施例提供一种混合型故障检测方法，该方法的执行主体可以为服务端、个人计算机等。该方法具体可以包括以下步骤S101~S108：在步骤S101中，获取数据，所述数据源于一个或多个传感器。
[0020]其中，通过传感器，采集工业设备中若干种数据类型信号。
[0021]在步骤S102中，对所述数据进行预处理，获得数据集。
[0022]其中，预处理具体指的是，移除本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合型故障检测方法，其特征在于，所述方法包括：获取数据，所述数据源于一个或多个传感器；对所述数据进行预处理，获得数据集；利用时间序列分割算法对所述数据集进行信号模式提取，得到模式集合；设计所述模式集合的特征，得到设计特征，对所述模式集合进行计算，得到统计量特征；提取所述设计特征和所述统计量特征，得到统计特征集合；基于PCA主成分分析法，在所述统计特征集合中选择代表所述模式集合的主成分组成重要特征集合；将所述重要特征集合用于支持向量机训练样本，以获取用于故障识别的多变量分析模型；利用所述多变量分析模型生成阈值，将所述阈值及所述数据集通过线性投影降维到二维图，将所述二维图通过散点图表示。2.根据权利要求1所述的混合型故障检测方法，其特征在于，所述对所述数据进行预处理，包括：基于Ruby test和统计分析，检测所述数据中的异常样本；移除所述数据中的所述异常样本；对移除所述异常样本后的所述数据进行时间步对齐。3.根据权利要求2所述的混合型故障检测方法，其特征在于，所述对所述数据进行时间步对齐，包括：将传感器的时钟晶振频率设置一致；校对传感器的初始时刻一致；以相同的脉冲触发传感器，以使得源自传感器的所述数据的时间步对齐。4.根据权利要求2所述的混合型故障检测方法，其特征在于，所述对所述数据进行时间步对齐，包括：选定核心传感器；对所述核心传感器进行插值；选取每个所述数据的采集时刻作为时间点；取前后相邻时间的两个所述数据的时间范围作为其他非核心传感器的采集时刻并取数插入相应值，以使得所述数据的时间步对齐。5.根据权利要求1所述的混合型故障检测方法，其特征在于，所述信号模式为所述数据在时间序列中的不同...

【专利技术属性】
技术研发人员：花霖，冯建设，张建宇，陈军，杨欢，姚琪，陈品宏，刘桂芬，王春洲，朱瑜鑫，张挺军，
申请(专利权)人：深圳市信润富联数字科技有限公司，
类型：发明
国别省市：