基于故障特征优化的度量网络少样本故障诊断方法

本发明属于半导体金属刻蚀工艺过程与过程超精密控制交叉领域，涉及一种基于故障特征优化的度量网络少样本故障诊断方法。

背景技术：

1、在半导体制造领域，铝堆叠刻蚀工艺是一种关键的制造步骤，广泛应用于创建复杂的电路结构。lam 9600等离子刻蚀工具是行业内广泛使用的高性能设备，专门用于执行这一关键工艺。铝堆叠刻蚀工艺涉及对由钛氮化物(tin)/铝(al-0.5％cu)/钛氮化物(tin)/氧化物层组成的多层结构进行刻蚀，采用感应耦合的氯化硼(bcl3)/氯气(cl2)等离子体作为刻蚀介质，通过精确控制等离子体的参数来实现对不同层的选择性刻蚀。由于刻蚀工艺的复杂性和精度要求，高效的故障检测方法至关重要。

2、在实际场景中，一旦故障发生，半导体金属刻蚀工艺过程可能会在短时间内停机以防止进一步损坏，从而导致故障数据的稀缺，降低诊断模型的性能。同样地，半导体刻蚀工艺中的故障诊断也存在着少样本问题。元学习方法被用于解决少样本学习场景，与传统为特定任务训练的机器学习模型不同，元学习模型旨在理解学习过程本身，使其能够在有限的数据下快速适应新任务。因此，元学习是解决少样本故障诊断问题的常用方法，其中“学习测量”(l2m)是一个重要分支。l2m学习适用于各种诊断任务的故障特征相似度度量，包括匹配网络、原型网络和关系网络等多个里程碑式的元学习方法。匹配网络和原型网络分别采用欧式距离与余弦距离来度量故障特征之间的相似性，而关系网络为了更好地捕捉特征之间的非线性关系，使用了神经网络单元来获取相似度用于故障诊断。然而，基于关系网络的度量方法通常仅依赖全局故障特征，这使得对于故障发生在局部的样本，关系网络难以聚焦于该局部处的故障特征，从而导致对金属刻蚀中故障的诊断精度不佳。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种基于故障特征增强与度量学习关系网络相结合、基于故障特征优化的度量网络(feature optimized relation network,forn)的少样本故障诊断方法。该方法对半导体铝堆叠刻蚀生产工艺过程中可能影响关键参数铝线宽度、晶圆均匀性与氧化层损失的若干种不同故障类型进行少样本故障诊断(fewshot fault diagnosis,fsfd)；本发明从全局宏观角度提取半导体铝堆叠刻蚀工艺过程变量的故障特征信息，同时引入一个局部分支，从局部微观角度提取样本的细颗粒度特征信息。通过构建对比损失函数来约束全局和局部分支预测的一致性，从而获取全面的故障特征信息，提高故障特征的鲁棒性和故障诊断的精度。本发明能够提升在少样本条件下半导体铝堆叠刻蚀过程故障诊断的有效性、鲁棒性和准确性，有助于保障金属刻蚀工艺的稳定运行和延长工艺中器件的使用寿命。

2、本发明的技术方案具体介绍如下。

3、一种基于故障特征优化的度量网络少样本故障诊断方法，其用于半导体铝堆叠刻蚀过程故障诊断；包括以下步骤：

4、1)获取不同故障类型的机器状态传感器数据，将数据集划分为训练集和测试集，并对训练集和测试集样本进行标准化预处理，标准化各个维度变量的尺度；

5、2)构建和训练双分支度量网络；

6、双分支度量网络包括全局分支关系网络和局部分支关系网络；其中：

7、全局分支关系网络包括嵌入模块和关系模块，嵌入模块用于获得故障特征，关系模块用于对故障特征进行分类；网络的训练过程由多个学习任务组成，每个学习任务中包含一组样本集和查询集，其中样本集和查询集故障类别相同，均是从标准化后的训练样本中抽样的一部分数据，利用嵌入模块对样本集和查询集数据进行特征提取，之后拼接送入关系模块得到全局的预测输出；

8、局部分支关系网络具有和全局分支关系网络结构一致和权值共享的嵌入模块和关系模块、以及一个统一模块；在一个训练学习任务中，统一模块将全局分支中的查询集样本在变量维度利用机理知识分解为多个部分，将各个部分送入统一模块使变量维度一致，再以与全局关系网络相同的方式送入嵌入模块和关系模块得到局部的预测输出；

9、训练双分支度量网络时，通过约束全局分支关系网络与局部分支关系网络预测的一致性，使模型从全局和局部两个角度提取出更完备的故障特征；

10、3)将标准化预处理后的测试集，输入到已经训练好的全局分支关系网络，与标签数据对比，输出模型对每类故障的诊断结果。

11、本发明中，步骤1)中，标准化预处理后的各维数据具有均值为0，方差为1的特性，对于一个经过处理后的数据x∈rn×m，其中n为样本数量，m为一个样本中的变量数量，标准化预处理表示为：

12、

13、其中，xi∈rn×1是数据样本x的第i个采样变量，是其均值，是其方差，是标准化后的样本的第i个变量。

14、本发明中，步骤1)中，不同故障类型的机器状态传感器数据包括18个全局变量：bcl3流量、cl2流量、氦气压力、腔室压力、阀门、rf底部功率、rfb反射功率、rf调谐器、rf负载、相位误差、rf功率、rf阻抗、tcp调谐器、tcp相位误差、tcp阻抗、tcp顶部功率、tcp反射功率、tcp负载；故障类型种类为21种。

15、本发明中，步骤2)中，嵌入模块由三层全连接层和两层激活函数relu组成，关系模块由两层全连接层、一层relu激活层与一层sigmoid激活层组成；统一模块由一层全连接层和一层relu激活层组成。

16、本发明中，步骤2)中，统一模块将全局分支中的查询集样本在变量维度以气体流量和压力、射频频率与变压器耦合等离子体三个部分的机理知识划分全局变量为3组局部变量。

17、本发明中，步骤2)中，双分支度量网络采用对比损失函数进行训练，公式如下：

18、

19、其中：自样本关系lself约束相同样本全局与局部预测结果的一致性，交叉样本关系lcross约束相同类别不同样本全局与局部预测结果的一致性，自样本关系lself与交叉样本关系lcross通常采用均方差函数来刻画，均方误差损失lmse约束全局预测与真实标签，q是的查询样本总数，λ1,λ2,λ3表示每个损失函数的权重系数。

20、以上，本发明提供一种对半导体铝堆叠刻蚀生产工艺过程中可能影响关键参数铝线宽度、晶圆均匀性与氧化层损失的不同故障类型的少样本故障诊断方法；和现有技术相比，本发明的有益效果在于：

21、(1)利用基于度量的元学习网络，构建工艺流程的诊断模型，挖掘少样本下数据中的高阶抽象信息特征，克服了传统方法的诸多问题；

22、(2)通过构建全局和局部的双分支模型充分挖掘故障数据中刻画整体流程的全局特征与刻画局部单元的细致局部特征信息；利用全局与局部双分支度量网络，使得嵌入模块能够从宏观和微观两个角度提取故障样本的特征信息，增强故障特征信息的表征能力，减弱因提取的故障特征单一而导致的故障诊断效果不佳的问题。

23、(3)在双分支度量网络中，采用结构一致和权值共享的嵌入模块与关系模块，不仅减少了在故障诊断模型训练过程中需要的参数量，而且使得提取的特征保持较好的一致性，减少诊断网络训练难度。

24、(4)通过对比损失函数来优化双分支结构网络中的嵌入模块与关系模块，来约束双分支预测输出的一致性，确保获取能够表征的故障数据的全面特征，相比传统仅约束全局预测的损失函数，通过自交叉关系提高了故障特征的可区分性和稳定性，充分地利用丰富的特征信息进行故障诊断，提高了少样本故障诊断的准确性。