一种基于图注意力机制确定异常的方法技术

本发明专利技术涉及一种基于图注意力机制确定异常的方法，包括：获取多变量时序数据，所述时序数据为半导体制造过程中设备的多个传感器产生的数据；根据图结构学习模型获取所述多个传感器对应的最终嵌入向量，所述最终嵌入向量用于表征所述多个传感器之间的关联关系；将所述时序数据中时间排序在前的目标子序列输入到时序特征提取模型中，得到时序特征向量；将所述时序特征向量与所述最终嵌入向量拼接并输入到预测模型中，得到所述多个传感器对应的预测数据；根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据，确定所述实测数据所对应的目标时间点是否出现异常。据所对应的目标时间点是否出现异常。据所对应的目标时间点是否出现异常。

【技术实现步骤摘要】
一种基于图注意力机制确定异常的方法


[0001]本专利技术涉及半导体制造领域，尤其涉及一种基于图注意力机制确定异常的方法。

技术介绍

[0002]在半导体制造过程中，同一个机台上一般会有多个传感器同时监控生产状态。同一个机台上的各个传感器之间是存在关联性的，当某种异常情况发生时，某些相互存在关联的传感器可能会同时生成异常数据，进而产生报警。
[0003]现有技术将这些传感器数据利用单变量时序预测分别建模，对每个传感器产生的数据单独预测，然后与真实数据进行比较，根据比较的结果判断是否报警。然而，这种方法可能会产生假报警，即在实际并未发生异常的情况下，某个传感器由于自身故障或者环境噪音影响等因素而错误地产生报警信息。这会造成整个监控系统的冗余，增加生产设备的维护成本。

技术实现思路

[0004]本说明书一个或多个实施例描述了一种基于图注意力机制确定异常的方法，将多个传感器产生的数据利用多变量时序异常检测模型同时建模，综合所有预测数据与真实数据进行比较，以得到更好地预测结果。同时，使用时序特征提取模型显式地提取多变量时序数据中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力机制确定异常的方法，包括：获取多变量时序数据，所述时序数据为半导体制造过程中设备的多个传感器产生的数据；根据图结构学习模型获取所述多个传感器对应的最终嵌入向量，所述最终嵌入向量用于表征所述多个传感器之间的关联关系；将所述时序数据中时间排序在前的目标子序列输入到时序特征提取模型中，得到时序特征向量；将所述时序特征向量与所述最终嵌入向量拼接并输入到预测模型中，得到所述多个传感器对应的预测数据；根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据，确定所述实测数据所对应的目标时间点是否出现异常。2.根据权利要求1所述的方法，其特征在于，还包括：当所述目标时间点出现异常时，根据所述预测数据与所述实测数据，确定异常传感器与对应的异常类型。3.根据权利要求1所述的方法，其特征在于，根据所述预测数据与所述时序数据中接续所述目标子序列的实测数据，确定所述实测数据所对应的目标时间点是否出现异常，包括：根据所述预测数据和所述实测数据确定误差，根据所述误差与预设的第一阈值的比较结果，确定所述实测数据所对应的目标时间点是否出现异常。4.根据权利要求2所述的方法，其特征在于，根据所述预测数据与所述实测数据，确定异常传感器与对应的异常类型，包括：根据所述多个传感器中任一目标传感器在所述预测数据和所述实测数据中所对应的数据，确定误差，根据所述误差与所述目标传感器所对应的预设阈值的比较结果，确定所述目标传感器是否出现异常以及对应的异常类型。5.根据权利要求1所述的方法，其特征在于，所述图结构学习模型包括图嵌入层、图结构学习层和图关系聚合层。6.根据权利要求5所述的方法，其特征在于，所述图结构学习模型、所述时序特征提取模型和所述预测模型通过样本时序数据训练...

【专利技术属性】
技术研发人员：文成武，夏敏，易丛文，
申请(专利权)人：深圳智现未来工业软件有限公司，
类型：发明
国别省市：