基于砷烷合成控制系统的故障分析方法及系统技术方案

本申请实施例提供一种基于砷烷合成控制系统的故障分析方法及系统，涉及人工智能技术领域，能够使用训练用异常控制行为数据、与训练用异常控制行为数据对应的故障时域特征数据和故障空域特征数据对故障预测神经网络进行循环网络权重参数更新，从而可以更准确地定位故障特征数据的位置，提高故障预测效果，并且还通过基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据，以及与训练用异常控制行为数据对应的第二故障知识图数据对循环网络权重参数更新后的故障预测神经网络进行扩展网络权重参数更新，以提高故障预测神经网络的性能。障预测神经网络的性能。障预测神经网络的性能。

【技术实现步骤摘要】
基于砷烷合成控制系统的故障分析方法及系统


[0001]本申请实施例涉及人工智能
，具体而言，涉及一种基于砷烷合成控制系统的故障分析方法及系统。

技术介绍

[0002]砷烷用于半导体工业中，如外延硅的N型掺杂、硅中N型扩散、离子注入、生长砷化镓（GaAs）、磷砷化镓（GaAsP）以及与某些元素形成化合物半导体。也用于有机合成、科研或某些特殊实验中。随着智能工业和人工智能技术的发展，通过研发砷烷合成控制系统可以对各个砷烷合成设备进行各个流程的参数控制，砷烷合成控制系统的稳定性也关乎到最终的合成效果，如何对砷烷合成控制系统进行及时的故障排查和预测，是当前亟待解决的技术问题。例如，在相关技术中，通常是结合机器学习进行故障预测神经网络的训练，从而在后续调用故障预测神经网络对当前监控到的异常控制行为数据进行故障分析和预测，然而相关技术中的故障预测神经网络缺乏扩展训练，其性能仍旧有待提高。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于砷烷合成控制系统的故障分析方法及系统。
[0004]基于本申请实施例的一个方面，提供了一种基于砷烷合成控制系统的故障分析方法，包括：获取所述砷烷合成控制系统的目标异常控制行为数据，所述目标异常控制行为数据包括多个异常控制事件；将所述目标异常控制行为数据加载到故障预测神经网络，通过所述故障预测神经网络对各所述异常控制事件进行故障预测，生成故障预测结果；基于所述故障预测结果，对所述砷烷合成控制系统进行故障修复；其中，所述故障预测神经网络是通过对基础故障预测神经网络进行循环网络权重参数更新和扩展网络权重参数更新生成的，其中所述循环网络权重参数更新是基于训练用异常控制行为数据和与所述训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的，生成待定故障预测神经网络，所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据，以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的，生成所述故障预测神经网络，所述目标故障预测结果为所述待定故障预测神经网络对所述训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布；所述第一故障知识图数据为对所述目标故障预测结果进行故障知识图生成的，所述第二故障知识图数据为对所述训练用异常控制行为数据中的异常控制事件进行故障知识图生成的，所述第三故障知识图数据为对所述目标故障预测结果中的异常控制事件进行故障知识图生成的，其中，故障知识图用以表示故障触发时的有向知识图，所述有向知识图由多个异常控制节点和所述多个异常控制节
点之间的节点逻辑关系构成，所述故障时域特征数据用于表示故障在时域变化维度上的特征数据，所述故障空域特征数据用于表示故障在空域变化维度上的特征数据。
[0005]在一种可能的实施方式中，所述对基础故障预测神经网络进行循环网络权重参数更新，包括：获取所述训练用异常控制行为数据，与所述训练用异常控制行为数据对应的初始故障时域特征数据及故障空域特征数据；基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新，生成所述待定故障预测神经网络。
[0006]在一种可能的实施方式中，所述基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新，生成所述待定故障预测神经网络，包括：将所述训练用异常控制行为数据加载到第M个训练节点的基础故障预测神经网络进行故障预测，生成第M个训练节点的故障预测特征数据，其中M为正整数；基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值，并基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值，其中所述第M个训练节点的故障时域特征数据为网络权重参数更新后的第M
‑
1训练节点的基础故障预测神经网络对所述训练用异常控制行为数据进行故障特征分析得到的故障预测特征数据经故障偏离清洗所得到的故障特征数据，当M=1时，第一训练节点的故障时域特征数据为对所述初始故障时域特征数据进行故障偏离清洗所得到的故障特征数据； 基于所述故障时域特征代价值和所述故障空域特征代价值对所述基础故障预测神经网络的网络权重参数进行更新，并将更新后的基础故障预测神经网络作为第M+1训练节点的基础故障预测神经网络；对所述第M个训练节点的故障预测特征数据进行故障偏离清洗，生成第M+1训练节点的故障时域特征数据；基于所述训练用异常控制行为数据、所述故障空域特征数据和所述第M+1训练节点的故障时域特征数据对所述第M+1训练节点的基础故障预测神经网络进行网络权重参数更新，并进行循环迭代，直到网络权重参数更新次数超过设定次数，生成所述待定故障预测神经网络；其中，所述故障偏离清洗是基于目标故障特征点与设定故障特征分簇内不同簇内故障特征点的故障属性偏离值和一确定所述目标故障特征点与各所述簇内故障特征点的相对故障属性偏离值，并将所述相对故障属性偏离值大于0的目标簇内故障特征点作为显著性故障特征点，所述目标故障特征点为所述第M个训练节点的故障预测特征数据中的显著性故障特征点。
[0007]在一种可能的实施方式中，所述基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值，包括：获取所述第M个训练节点的故障预测特征数据和所述第M个训练节点的故障时域特征数据之间的相对熵值；对所述第M个训练节点的故障时域特征数据进行时域衍生，生成时域衍生特征；
基于所述时域衍生特征和所述相对熵值确定所述故障时域特征代价值。
[0008]在一种可能的实施方式中，所述基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值，包括：对所述故障空域特征数据进行空域衍生，生成空域衍生特征；基于所述第M个训练节点的故障预测特征数据和所述空域衍生特征确定所述故障空域特征代价值。
[0009]在一种可能的实施方式中，所述第M个训练节点的故障预测特征数据包括对应所述异常控制事件的显著性故障特征点和簇内故障特征点；所述对所述第M个训练节点的故障预测特征数据进行故障偏离清洗，包括：以所述第M个训练节点的故障预测特征数据中的任意一个显著性故障特征点为目标故障特征点，基于设定优化参数值确定所述目标故障特征点与设定故障特征分簇内各所述簇内故障特征点的故障属性偏离值；与1的相减值，生成各所述簇内故障特征点与所述目标故障特征点的相对故障属性偏离值；将所述相对故障属性偏离值大于0的目标簇内故障特征点划分为显著性故障特征点，并基于所述相对故障属性偏离值对所述目标簇内故障特征点设置低于所述目标故障特征点注意力值的不同注意力值。
[0010]在一种可能的实施方式中，所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据，以及与所述训练用异常控制行为数据对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于砷烷合成控制系统的故障分析方法，其特征在于，通过基于砷烷合成控制系统的故障分析系统实现，所述方法包括：获取所述砷烷合成控制系统的目标异常控制行为数据，所述目标异常控制行为数据包括多个异常控制事件；将所述目标异常控制行为数据加载到故障预测神经网络，通过所述故障预测神经网络对各所述异常控制事件进行故障预测，生成故障预测结果；基于所述故障预测结果，对所述砷烷合成控制系统进行故障修复；其中，所述故障预测神经网络是通过对基础故障预测神经网络进行循环网络权重参数更新和扩展网络权重参数更新生成的，其中所述循环网络权重参数更新是基于训练用异常控制行为数据和与所述训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的，生成待定故障预测神经网络，所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据，以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的，生成所述故障预测神经网络，所述目标故障预测结果为所述待定故障预测神经网络对所述训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布；所述第一故障知识图数据为对所述目标故障预测结果进行故障知识图生成的，所述第二故障知识图数据为对所述训练用异常控制行为数据中的异常控制事件进行故障知识图生成的，所述第三故障知识图数据为对所述目标故障预测结果中的异常控制事件进行故障知识图生成的，其中，故障知识图用以表示故障触发时的有向知识图，所述有向知识图由多个异常控制节点和所述多个异常控制节点之间的节点逻辑关系构成，所述故障时域特征数据用于表示故障在时域变化维度上的特征数据，所述故障空域特征数据用于表示故障在空域变化维度上的特征数据。2.根据权利要求1所述的基于砷烷合成控制系统的故障分析方法，其特征在于，所述对基础故障预测神经网络进行循环网络权重参数更新，包括：获取所述训练用异常控制行为数据，与所述训练用异常控制行为数据对应的初始故障时域特征数据及故障空域特征数据；基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新，生成所述待定故障预测神经网络。3.根据权利要求2所述的基于砷烷合成控制系统的故障分析方法，其特征在于，所述基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新，生成所述待定故障预测神经网络，包括：将所述训练用异常控制行为数据加载到第M个训练节点的基础故障预测神经网络进行故障预测，生成第M个训练节点的故障预测特征数据，其中M为正整数；基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值，并基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值，其中所述第M个训练节点的故障时域特征数据为网络权重参数更新后的第M
‑
1训练节点的基础故障预测神经网络对所述训练用异常控制行为数据进行故障特征分析得到的故障预测特征数据经故障偏离清洗所得到的故障特征数据，
当M=1时，第一训练节点的故障时域特征数据为对所述初始故障时域特征数据进行故障偏离清洗所得到的故障特征数据； 基于所述故障时域特征代价值和所述故障空域特征代价值对所述基础故障预测神经网络的网络权重参数进行更新，并将更新后的基础故障预测神经网络作为第M+1训练节点的基础故障预测神经网络；对所述第M个训练节点的故障预测特征数据进行故障偏离清洗，生成第M+1训练节点的故障时域特征数据；基于所述训练用异常控制行为数据、所述故障空域特征数据和所述第M+1训练节点的故障时域特征数据对所述第M+1训练节点的基础故障预测神经网络进行网络权重参数更新，并进行循环迭代，直到网络权重参数更新次数超过设定次数，生成所述待定故障预测神经网络；其中，所述故障偏离清洗是基于目标故障特征点与设定故障特征分簇内不同簇内故障特征点的故障属性偏离值和一确定所述目标故障特征点与各所述簇内故障特征点的相对故障属性偏离值，并将所述相对故障属性偏离值大于0的目标簇内故障特征点作为显著性故障特征点，所述目标故障特征点为所述第M个训练节点的故障预测特征数据中的显著性故障特征点。4.根据权利要求3所述的基于砷烷合成控制系统的故障分析方法，其特征在于，所述基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值，包括：获取所述第M个训练节点的故障预测特征数据和所述第M个训练节点的故障时域特征数据之间的相对熵...

【专利技术属性】
技术研发人员：龚施健，陈国富，郑经纬，陈金彬，林海宁，吕巧丽，翁新增，
申请(专利权)人：博纯材料股份有限公司，
类型：发明
国别省市：