System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及半导体,尤其涉及一种基于流程挖掘的问题机台预测方法、设备及计算机可读介质。
技术介绍
1、晶圆制造厂fab内负责将硅片转化为成品芯片,一颗芯片需要经过薄膜沉积、光刻胶涂敷、光刻显影、刻蚀、量测、清洗、离子注入等多个环节和工序,在12英寸产线中工序甚至可以达到上千步,期间产生大量的生产数据,涉及各种相关系统,如制造执行系统(mes)、统计过程控制系统(spc)、设备自动化方案(eap)、配方管理系统(rms)、良率管理系统(yms)、缺陷管理系统(dms)、缺陷自动分类(adc)、pms(保养管理系统)等等。由于问题机台会对晶圆的良率产生很大影响,如问题机台的数量多,将导致整体生产效率下降,产量减少等。会导致问题机台可能生产出质量不达标或者性能不符合要求的半导体产品,从而影响产品的良品率和性能稳定性。
2、现有技术中通过对问题机台进行预测以提升工作效率和降低企业生产成本。然而,现有技术中至少还存在如下技术问题:
3、1.现有技术方案只使用了机台信息或参数信息进行建模预测;
4、2.现有技术方案只是单一模型的预测;
5、3.基于ffs系统数据,使用流程挖掘方式对数据进行挖掘构造,流程的节点信息数据会相互影响。
技术实现思路
1、本申请的一个目的是提供一种基于流程挖掘的问题机台预测方法,至少用以解决建模数据单一、预测模型单一、节点信息数据相互影响的技术问题。
2、为实现上述目的,本申请的一些实施例提供了以下几个方面:<
...【技术保护点】
1.一种基于流程挖掘的问题机台预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于流程挖掘的问题机台预测方法,其特征在于,所述采集动态数据中,所述流程挖掘方法从FFS系统数据中提取出半导体芯片制造过程的流程数据。
3.根据权利要求2所述的基于流程挖掘的问题机台预测方法,其特征在于,所述机台预测模型A和所述机台预测模型B基于大数据统计分析和机器学习的方法搭建预测模型。
4.根据权利要求3所述的基于流程挖掘的问题机台预测方法,其特征在于,所述机台预测模型A和所述机台预测模型B还采集问题机台的样本数据进行模型训练。
5.根据权利要求2所述的基于流程挖掘的问题机台预测方法,其特征在于,所述加权融合具体如下:
6.根据权利要求5所述的基于流程挖掘的问题机台预测方法,其特征在于,
7.根据权利要求6所述的基于流程挖掘的问题机台预测方法,其特征在于,所述对融合后的模型进行实际应用并进行实时监测和预警中,如果P≥0.5,则判断当前机台属于问题机台,触发预警信号进行通知;如果P<0.5,则判断当前机台不属于问题机
8.根据权利要求1所述的基于流程挖掘的问题机台预测方法,其特征在于,所述对融合后的模型进行验证,根据评估结果,对模型进行调优中,定期对模型进行迭代和优化,不断提升模型的效果。
9.一种计算机设备,其特征在于,所述设备包括:一个或多个处理器;以及存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如权利要求1-8所述的方法。
10.一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如权利要求1-8所述的方法。
...【技术特征摘要】
1.一种基于流程挖掘的问题机台预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于流程挖掘的问题机台预测方法,其特征在于,所述采集动态数据中,所述流程挖掘方法从ffs系统数据中提取出半导体芯片制造过程的流程数据。
3.根据权利要求2所述的基于流程挖掘的问题机台预测方法,其特征在于,所述机台预测模型a和所述机台预测模型b基于大数据统计分析和机器学习的方法搭建预测模型。
4.根据权利要求3所述的基于流程挖掘的问题机台预测方法,其特征在于,所述机台预测模型a和所述机台预测模型b还采集问题机台的样本数据进行模型训练。
5.根据权利要求2所述的基于流程挖掘的问题机台预测方法,其特征在于,所述加权融合具体如下:
6.根据权利要求5所述的基于流程挖掘的问题机台预测方法,其特征在于,<...
【专利技术属性】
技术研发人员:张强,赵京雷,
申请(专利权)人:上海朋熙半导体有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。