【技术实现步骤摘要】
本专利技术涉及半导体制造，具体涉及一种基于边界校准的半导体加工无监督异常检测方法及设备。
技术介绍
1、近几十年来，随着信息化的迅猛发展，传感器时序数据爆发式增长，基于大数据和工业互联网的工艺管控方法成为半导体智能制造的一种模式。异常检测是其中一个重要领域，分布式fdc系统通过时序数据识别晶圆加工的异常状态来进行过程监控和报警。由于异常样本获取代价高昂，希望建立单分类的无监督异常检测模型，高效的检测方法有助于降低生产成本和提升产品良率。在半导体加工领域，无监督异常检测实际应用主要面临以下挑战：一是训练集中的正样本存在污染，影响建模效果；二是依赖于数据的正态性，缺乏对已知异常模式的学习，导致超球边界模糊。
2、传统的无监督异常检测方法分为统计学方法和机器学习方法，二者主要区别是特征提取的方式不同。统计学方法通常提取统计特征，后续通过极限测试，划定特征阈值进行工艺管控。这种方法虽然简单有效，但需要人工参与和工程经验，并且不具有普适性。基于机器学习的无监督异常检测主要有近邻规则 (knn)、单类支持向量机(one class svm)、隔离森林(isolation forest)和局部异常因子(local outlier factor)等。其相较于统计学方法更加高效，普适性更强，人工参与少，现已广泛应用于各行各业的流水线生产中。
3、最近几年，由于神经网络优秀的特征提取能力，基于深度学习的无监督异常检测迅速成为技术主流。常用的网络框架是利用编解码器的生成模型恢复输入数据，在训练过程中，样本的正态性特征隐含在重构
4、半导体工业制造场景中，晶圆加工过程复杂，涉及多种物理化学反应，需要多种传感器联合监控。这意味着获得的时间序列数据跨度长，特征维度高，并且许多时间维度、传感器维度的特征与故障无关，大部分数据样本高度相似，导致无监督建模困难。传统的无监督机器学习方法正是由于难以提取有效的正样本特征而导致单分类模型的判别性能较差。因此异常检测模型是否高效很大程度上依赖于特征提取器性能的好坏。
5、神经网络是一种较强的特征提取技术，特别是编码器解码器的结构受到众多工程师的青睐。但是常规的基于深度学习的无监督建模方法需要考虑解决以下两个问题：一是模型依赖于数据的纯净性。然而这是不可能的，由于环境噪声、采集错误、人为影响等因素，工业数据总是不纯净的，正样本中必然有许多污染样本。这些污染样本会极大的干扰建模过程，训练过拟合会导致发现不准确的特征超球边界，在这种情况下区分正常行为与异常行为的能力会受限，学习到的分类器是次优模型。二是模型没有学习异常知识。无监督异常检测技术的目的就是在没有监督信号引导的情况下进行异常检测而无需关心故障的类别。然而在真实运用中，常常希望模型能够学习已知的工程经验，或者说无监督异常检测模型缺乏已知故障的知识。将异常数据的知识加入到建模过程，能够建立更加有效的边界，提升模型性能。
6、深度学习是目前表现最好的特征提取技术，但在无监督异常检测实际应用中缺乏对样本污染问题和异常知识缺失问题的考虑导致边界模糊。因此行业需要有效的无监督异常检测边界校准技术。本专利技术提出的目的意在解决这类问题。
技术实现思路
1、本专利技术提出的一种基于边界校准的半导体加工无监督异常检测方法及设备，可至少解决
技术介绍
中的技术问题之一。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、一种基于边界校准的半导体加工无监督异常检测方法，包括以下步骤，
4、从工厂收集正常加工的原始数据进行预处理，利用训练好的检测模型进行半导体加工无监督异常检测；
5、其中，检测模型训练步骤如下，
6、获取原始数据并进行预处理后作为噪声样本，采用时空卷积网络提取多维序列的时间依赖特性，通过编解码器结构建立重构过程，进一步提取低维特征；采用循环训练策略，利用噪声样本在训练初期损失不敏感的特性,循环重现欠拟合到过拟合的训练过程，筛选出损失均值较小的样本作为纯净样本；同时依据工程经验，进行异常样本的数据增强，采用度量学习的方法，使得超球边界自适应调整即将模型参数重新初始化进行重训练，最终构建高效的无监督单分类异常检测模型。
7、又一方面，本专利技术还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
8、再一方面，本专利技术还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
9、由上述技术方案可知，本专利技术的一种半导体制造中边界校准优化的无监督异常检测方法，该方法采用时空卷积网络(temporal convolutional network,tcn)提取多维序列的时间依赖特性，通过编解码器结构建立重构过程，进一步提取低维特征。为了解决正样本污染的问题，采用循环训练策略，利用噪声样本在训练初期损失不敏感的特性,循环重现欠拟合到过拟合的训练过程，筛选出损失均值较小的样本作为纯净样本。同时为了增加超球边界的缺陷知识，依据工程经验，进行异常样本的数据增强，采用度量学习的方法，使得超球边界自适应调整，实现高效的无监督单分类异常检测。
10、总得来说，本专利技术实施例提出了一种半导体中边界校准优化的单分类异常检测系统，利用tcn-ae深度提取序列特征，采用循环训练策略筛选污染样本，通过生成虚拟异常样本，为单分类模型加入原生异常知识，实现了对单分类检测模型的边界调优，提高了整体的异常检测精度。
本文档来自技高网...【技术保护点】
1.一种基于边界校准的半导体加工无监督异常检测方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：获取原始数据并进行预处理，包括以下步骤，
3.根据权利要求2所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：采用时空卷积网络提取多维序列的时间依赖特性包括利用TCN-AE网络提取样本时间依赖特征，如下：
4.根据权利要求3所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：通过编解码器结构建立重构过程，进一步提取低维特征，包括构造Encoder-Decoder的重构网络框架，如下，
5.根据权利要求1所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：采用循环训练策略，利用噪声样本在训练初期损失不敏感的特性，循环重现欠拟合到过拟合的训练过程，筛选出损失均值较小的样本作为纯净样本；包括，
6.根据权利要求5所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：依据工程经验，进行异常样本的数据增强，采用度量学习的方法，使得超球
7.根据权利要求1所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：还包括校准优化的单分类模型训练，
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于边界校准的半导体加工无监督异常检测方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：获取原始数据并进行预处理，包括以下步骤，
3.根据权利要求2所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：采用时空卷积网络提取多维序列的时间依赖特性包括利用tcn-ae网络提取样本时间依赖特征，如下：
4.根据权利要求3所述的基于边界校准的半导体加工无监督异常检测方法，其特征在于：通过编解码器结构建立重构过程，进一步提取低维特征，包括构造encoder-decoder的重构网络框架，如下，
5.根据权利要求1所述的基于边界校准的半...
【专利技术属性】
技术研发人员：谢箭，郑捷，陈祥一，白琦瑞，
申请(专利权)人：合肥喆塔科技有限公司，
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。