一种半导体生产异常数据实时监测方法与流程

本技术涉及半导体数据优化处理，具体涉及一种半导体生产异常数据实时监测方法。

背景技术：

1、目前，半导体被广泛应用在诸如计算机硬件、移动通信设备、数据中心服务器、汽车电子系统、航空航天控制系统、物联网终端、医疗器械以及国防安全等诸多高技术领域。因此，半导体生产工艺的精细化程度越来越高，从设计到制造再到测试的全链条中，任何细微的偏差或错误都可能导致最终产品的性能下降或者失效，进而影响到整个系统的稳定性和可靠性。因此，在半导体生产过程中，对生产环境、设备参数、物料纯度、工艺步骤执行的精准控制成为必然要求。实时监测半导体生产中的各项参数，如温度、压力、气体流量、掺杂浓度、薄膜厚度、光刻精度等，以确保生产过程符合严格的公差范围，防止潜在的异常情况发生，就显得极为重要。

2、但由于半导体的生产环境要求高，因此，细微的环境变化也会对实时生产数据的准确度造成影响。传统的对于半导体的对实时生产数据的处理方法，忽略了环境变化对数据稳定性的影响，无法适应对于半导体的生产数据的去噪，使得半导体的生产数据的精度较低。

技术实现思路

1、为了解决上述技术问题，本发明提供一种半导体生产异常数据实时监测方法，以解决现有的问题。

2、本发明的一种半导体生产异常数据实时监测方法采用如下技术方案：

3、本发明一个实施例提供了一种半导体生产异常数据实时监测方法，该方法包括以下步骤：

4、采集半导体在生产过程中各时刻的温度、压力、气流量；将所有时刻的温度组成的序列记为温度监测数据序列；

5、根据温度监测数据序列中的所有元素获得半导体温度状态矩阵；根据半导体温度状态矩阵的各行向量，获得半导体温度状态矩阵的生产标尺稳定向量；根据半导体温度状态矩阵的列向量与生产标尺稳定向量之间的差异获得列向量的相对波动异常得分；根据相对波动异常得分获得极大波动向量和极小波动向量；根据极大波动向量和极小波动向量获得半导体温度状态矩阵的状态不稳定系数；根据半导体温度状态矩阵和生产标尺稳定向量获得半导体温度状态矩阵的状态波动值；根据温度监测数据序列和半导体温度状态矩阵的状态波动值获得动态优化步长因子；

6、根据动态优化步长因子对温度监测数据序列进行去噪，对去噪后的温度监测数据序列进行预测，获得下一时刻的温度预测值；分别对所有时刻的压力、气流量，采用与温度预测值相同的获取方式，获得下一时刻的压力预测值、气流量预测值；根据当前时刻的温度、压力、气流量以及下一时刻的温度预测值、压力预测值、气流量预测值，对半导体生产数据进行实时监测。

7、进一步，所述根据温度监测数据序列中的所有元素获得半导体温度状态矩阵，包括：

8、将温度监测数据序列中的任一元素记为待分析元素，获取以待分析元素为起点的预设数量个元素所组成的向量，记为待分析元素对应的温度状态向量；

9、将所有元素对应的温度状态向量，按照获取的先后顺序排列获得半导体温度状态矩阵。

10、进一步，所述根据半导体温度状态矩阵的各行向量，获得半导体温度状态矩阵的生产标尺稳定向量，包括：

11、计算半导体温度状态矩阵的各行向量的所有元素的均值，将半导体温度状态矩阵的所有行向量的所述均值组成的向量，作为半导体温度状态矩阵的生产标尺稳定向量。

12、进一步，所述根据半导体温度状态矩阵的列向量与生产标尺稳定向量之间的差异获得列向量的相对波动异常得分，包括：

13、对于半导体温度状态矩阵的第i个列向量，计算列向量的各元素与生产标尺稳定向量的对应元素的差值绝对值；获取列向量中所有元素的标准差，记为第一标准差；获取生产标尺稳定向量中所有元素的标准差，记为第二标准差；获取第一标准差、第二标准差与预设调参因子的和值；获取所述差值绝对值与所述和值的比值；获取列向量中所有元素的所述比值的均值；

14、计算列向量与生产标尺稳定向量的皮尔逊相关系数；获取1与所述皮尔逊相关系数的差值；将所述差值与所述均值的乘积作为半导体温度状态矩阵的第i个列向量的相对波动异常得分。

15、进一步，所述根据相对波动异常得分获得极大波动向量和极小波动向量，包括：

16、分别将半导体温度状态矩阵中相对波动异常得分的最大值和最小值对应的列向量标记为极大波动向量和极小波动向量。

17、进一步，所述根据极大波动向量和极小波动向量获得半导体温度状态矩阵的状态不稳定系数，包括：

18、将极大波动向量与极小波动向量的对应元素的差值绝对值所组成的向量，记为状态波动向量；计算状态波动向量的信息熵；计算极大波动向量的各元素与极小波动向量的对应元素的差值；获取极大波动向量的所有元素的所述差值的和值，记为第一和值；计算极大波动向量与极小波动向量之间的余弦相似度；获取所述余弦相似度与1的和值，记为第二和值；获取第一和值与第二和值的比值；将所述比值与所述信息熵的乘积作为半导体温度状态矩阵的状态不稳定系数。

19、进一步，所述根据半导体温度状态矩阵和生产标尺稳定向量获得半导体温度状态矩阵的状态波动值，包括：

20、获取半导体温度状态矩阵的各列向量与生产标尺稳定向量的对应元素的差值绝对值所组成的向量；将所述向量作为半导体温度状态矩阵的波动标尺矩阵中的各列向量；

21、将波动标尺矩阵中数值相同的元素作为同一种类，将各种类中包含的元素数量作为各种类的频次；获取波动标尺矩阵的所有种类的频次的最小值；计算各种类的频次与所述最小值的差值；获取所有种类的所述差值的和值；计算所述和值与所述最小值的乘积；统计波动标尺矩阵中元素的数量，记为元素总数；统计波动标尺矩阵的种类个数，计算波动标尺矩阵的种类个数与元素总数的比值；将半导体温度状态矩阵的状态不稳定系数、所述比值和所述乘积的乘积作为半导体温度状态矩阵的状态波动值。

22、进一步，所述根据温度监测数据序列和半导体温度状态矩阵的状态波动值获得动态优化步长因子，包括：

23、获取温度监测数据序列的极差，计算所述极差与半导体温度状态矩阵的状态波动值的乘积；获取以自然常数为底数，以所述乘积的相反数为指数的指数函数；获取所述指数函数的计算结果与预设步长因子的乘积作为动态优化步长因子。

24、进一步，所述根据动态优化步长因子对温度监测数据序列进行去噪，对去噪后的温度监测数据序列进行预测，获得下一时刻的温度预测值，包括：

25、将动态优化步长因子作为lms算法的步长因子，对温度监测数据序列使用lms算法进行去噪，获得去噪后的温度监测数据序列；对去噪后的温度监测数据序列采用指数移动平均算法获得下一时刻的温度预测值。

26、进一步，所述根据当前时刻的温度、压力、气流量以及下一时刻的温度预测值、压力预测值、气流量预测值，对半导体生产数据进行实时监测，包括：

27、将当前时刻的温度、压力、气流量组成的序列，记为实时序列；将下一时刻的温度预测值、压力预测值、气流量预测值组成的序列，记为预测序列；计算预测序列与实时序列之间的余弦相似度；

28、若余弦相似度大于预设异常阈值，则半导体生产数据未发生异常，反之，则半导体生产数据发生异常。

29、本发明至少具有如下有益效果：

30、本发明通过分析环境变化对各项半导体生产数据的异常检测结果的影响，首先，根据温度监测数据序列构建半导体的半导体温度状态矩阵，获取生产标尺稳定向量，生产标尺稳定向量代表了整体半导体状态的基准；利用生产标尺稳定向量计算半导体温度状态矩阵各列的相对波动异常得分，相对波动异常得分能够量化半导体在特定时间段内的温度波动情况；利用相对波动异常得分计算半导体温度状态矩阵的状态不稳定系数，定量评估了半导体在整个监测周期内的整体状态稳定性；考虑了半导体温度数据的整体波动状态的频次分布，通过半导体温度状态矩阵的数据分布以及状态不稳定系数计算状态波动值，涵盖了整个波动范围内的信息，更加全面地评估半导体状态的稳定性；通过状态波动值计算动态优化步长因子对lms算法进行改进，提高了对半导体的生产数据的精度，使得半导体生产数据的异常监测更加准确。