本發(fā)明屬于半導(dǎo)體金屬刻蝕工藝過程與過程超精密控制交叉領(lǐng)域，涉及一種基于故障特征優(yōu)化的度量網(wǎng)絡(luò)少樣本故障診斷方法。

背景技術(shù)：

1、在半導(dǎo)體制造領(lǐng)域，鋁堆疊刻蝕工藝是一種關(guān)鍵的制造步驟，廣泛應(yīng)用于創(chuàng)建復(fù)雜的電路結(jié)構(gòu)。lam?9600等離子刻蝕工具是行業(yè)內(nèi)廣泛使用的高性能設(shè)備，專門用于執(zhí)行這一關(guān)鍵工藝。鋁堆疊刻蝕工藝涉及對(duì)由鈦氮化物(tin)/鋁(al-0.5％cu)/鈦氮化物(tin)/氧化物層組成的多層結(jié)構(gòu)進(jìn)行刻蝕，采用感應(yīng)耦合的氯化硼(bcl3)/氯氣(cl2)等離子體作為刻蝕介質(zhì)，通過精確控制等離子體的參數(shù)來實(shí)現(xiàn)對(duì)不同層的選擇性刻蝕。由于刻蝕工藝的復(fù)雜性和精度要求，高效的故障檢測(cè)方法至關(guān)重要。

2、在實(shí)際場(chǎng)景中，一旦故障發(fā)生，半導(dǎo)體金屬刻蝕工藝過程可能會(huì)在短時(shí)間內(nèi)停機(jī)以防止進(jìn)一步損壞，從而導(dǎo)致故障數(shù)據(jù)的稀缺，降低診斷模型的性能。同樣地，半導(dǎo)體刻蝕工藝中的故障診斷也存在著少樣本問題。元學(xué)習(xí)方法被用于解決少樣本學(xué)習(xí)場(chǎng)景，與傳統(tǒng)為特定任務(wù)訓(xùn)練的機(jī)器學(xué)習(xí)模型不同，元學(xué)習(xí)模型旨在理解學(xué)習(xí)過程本身，使其能夠在有限的數(shù)據(jù)下快速適應(yīng)新任務(wù)。因此，元學(xué)習(xí)是解決少樣本故障診斷問題的常用方法，其中“學(xué)習(xí)測(cè)量”(l2m)是一個(gè)重要分支。l2m學(xué)習(xí)適用于各種診斷任務(wù)的故障特征相似度度量，包括匹配網(wǎng)絡(luò)、原型網(wǎng)絡(luò)和關(guān)系網(wǎng)絡(luò)等多個(gè)里程碑式的元學(xué)習(xí)方法。匹配網(wǎng)絡(luò)和原型網(wǎng)絡(luò)分別采用歐式距離與余弦距離來度量故障特征之間的相似性，而關(guān)系網(wǎng)絡(luò)為了更好地捕捉特征之間的非線性關(guān)系，使用了神經(jīng)網(wǎng)絡(luò)單元來獲取相似度用于故障診斷。然而，基于關(guān)系網(wǎng)絡(luò)的度量方法通常僅依賴全局故障特征，這使得對(duì)于故障發(fā)生在局部的樣本，關(guān)系網(wǎng)絡(luò)難以聚焦于該局部處的故障特征，從而導(dǎo)致對(duì)金屬刻蝕中故障的診斷精度不佳。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于故障特征增強(qiáng)與度量學(xué)習(xí)關(guān)系網(wǎng)絡(luò)相結(jié)合、基于故障特征優(yōu)化的度量網(wǎng)絡(luò)(feature?optimized?relation?network,forn)的少樣本故障診斷方法。該方法對(duì)半導(dǎo)體鋁堆疊刻蝕生產(chǎn)工藝過程中可能影響關(guān)鍵參數(shù)鋁線寬度、晶圓均勻性與氧化層損失的若干種不同故障類型進(jìn)行少樣本故障診斷(fewshot?fault?diagnosis,fsfd)；本發(fā)明從全局宏觀角度提取半導(dǎo)體鋁堆疊刻蝕工藝過程變量的故障特征信息，同時(shí)引入一個(gè)局部分支，從局部微觀角度提取樣本的細(xì)顆粒度特征信息。通過構(gòu)建對(duì)比損失函數(shù)來約束全局和局部分支預(yù)測(cè)的一致性，從而獲取全面的故障特征信息，提高故障特征的魯棒性和故障診斷的精度。本發(fā)明能夠提升在少樣本條件下半導(dǎo)體鋁堆疊刻蝕過程故障診斷的有效性、魯棒性和準(zhǔn)確性，有助于保障金屬刻蝕工藝的穩(wěn)定運(yùn)行和延長(zhǎng)工藝中器件的使用壽命。

2、本發(fā)明的技術(shù)方案具體介紹如下。

3、一種基于故障特征優(yōu)化的度量網(wǎng)絡(luò)少樣本故障診斷方法，其用于半導(dǎo)體鋁堆疊刻蝕過程故障診斷；包括以下步驟：

4、1)獲取不同故障類型的機(jī)器狀態(tài)傳感器數(shù)據(jù)，將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，并對(duì)訓(xùn)練集和測(cè)試集樣本進(jìn)行標(biāo)準(zhǔn)化預(yù)處理，標(biāo)準(zhǔn)化各個(gè)維度變量的尺度；

5、2)構(gòu)建和訓(xùn)練雙分支度量網(wǎng)絡(luò)；

6、雙分支度量網(wǎng)絡(luò)包括全局分支關(guān)系網(wǎng)絡(luò)和局部分支關(guān)系網(wǎng)絡(luò)；其中：

7、全局分支關(guān)系網(wǎng)絡(luò)包括嵌入模塊和關(guān)系模塊，嵌入模塊用于獲得故障特征，關(guān)系模塊用于對(duì)故障特征進(jìn)行分類；網(wǎng)絡(luò)的訓(xùn)練過程由多個(gè)學(xué)習(xí)任務(wù)組成，每個(gè)學(xué)習(xí)任務(wù)中包含一組樣本集和查詢集，其中樣本集和查詢集故障類別相同，均是從標(biāo)準(zhǔn)化后的訓(xùn)練樣本中抽樣的一部分?jǐn)?shù)據(jù)，利用嵌入模塊對(duì)樣本集和查詢集數(shù)據(jù)進(jìn)行特征提取，之后拼接送入關(guān)系模塊得到全局的預(yù)測(cè)輸出；

8、局部分支關(guān)系網(wǎng)絡(luò)具有和全局分支關(guān)系網(wǎng)絡(luò)結(jié)構(gòu)一致和權(quán)值共享的嵌入模塊和關(guān)系模塊、以及一個(gè)統(tǒng)一模塊；在一個(gè)訓(xùn)練學(xué)習(xí)任務(wù)中，統(tǒng)一模塊將全局分支中的查詢集樣本在變量維度利用機(jī)理知識(shí)分解為多個(gè)部分，將各個(gè)部分送入統(tǒng)一模塊使變量維度一致，再以與全局關(guān)系網(wǎng)絡(luò)相同的方式送入嵌入模塊和關(guān)系模塊得到局部的預(yù)測(cè)輸出；

9、訓(xùn)練雙分支度量網(wǎng)絡(luò)時(shí)，通過約束全局分支關(guān)系網(wǎng)絡(luò)與局部分支關(guān)系網(wǎng)絡(luò)預(yù)測(cè)的一致性，使模型從全局和局部?jī)蓚€(gè)角度提取出更完備的故障特征；

10、3)將標(biāo)準(zhǔn)化預(yù)處理后的測(cè)試集，輸入到已經(jīng)訓(xùn)練好的全局分支關(guān)系網(wǎng)絡(luò)，與標(biāo)簽數(shù)據(jù)對(duì)比，輸出模型對(duì)每類故障的診斷結(jié)果。

11、本發(fā)明中，步驟1)中，標(biāo)準(zhǔn)化預(yù)處理后的各維數(shù)據(jù)具有均值為0，方差為1的特性，對(duì)于一個(gè)經(jīng)過處理后的數(shù)據(jù)x∈rn×m，其中n為樣本數(shù)量，m為一個(gè)樣本中的變量數(shù)量，標(biāo)準(zhǔn)化預(yù)處理表示為：

12、

13、其中，xi∈rn×1是數(shù)據(jù)樣本x的第i個(gè)采樣變量，是其均值，是其方差，是標(biāo)準(zhǔn)化后的樣本的第i個(gè)變量。

14、本發(fā)明中，步驟1)中，不同故障類型的機(jī)器狀態(tài)傳感器數(shù)據(jù)包括18個(gè)全局變量：bcl3流量、cl2流量、氦氣壓力、腔室壓力、閥門、rf底部功率、rfb反射功率、rf調(diào)諧器、rf負(fù)載、相位誤差、rf功率、rf阻抗、tcp調(diào)諧器、tcp相位誤差、tcp阻抗、tcp頂部功率、tcp反射功率、tcp負(fù)載；故障類型種類為21種。

15、本發(fā)明中，步驟2)中，嵌入模塊由三層全連接層和兩層激活函數(shù)relu組成，關(guān)系模塊由兩層全連接層、一層relu激活層與一層sigmoid激活層組成；統(tǒng)一模塊由一層全連接層和一層relu激活層組成。

16、本發(fā)明中，步驟2)中，統(tǒng)一模塊將全局分支中的查詢集樣本在變量維度以氣體流量和壓力、射頻頻率與變壓器耦合等離子體三個(gè)部分的機(jī)理知識(shí)劃分全局變量為3組局部變量。

17、本發(fā)明中，步驟2)中，雙分支度量網(wǎng)絡(luò)采用對(duì)比損失函數(shù)進(jìn)行訓(xùn)練，公式如下：

18、

19、其中：自樣本關(guān)系lself約束相同樣本全局與局部預(yù)測(cè)結(jié)果的一致性，交叉樣本關(guān)系lcross約束相同類別不同樣本全局與局部預(yù)測(cè)結(jié)果的一致性，自樣本關(guān)系lself與交叉樣本關(guān)系lcross通常采用均方差函數(shù)來刻畫，均方誤差損失lmse約束全局預(yù)測(cè)與真實(shí)標(biāo)簽，q是的查詢樣本總數(shù)，λ1,λ2,λ3表示每個(gè)損失函數(shù)的權(quán)重系數(shù)。

20、以上，本發(fā)明提供一種對(duì)半導(dǎo)體鋁堆疊刻蝕生產(chǎn)工藝過程中可能影響關(guān)鍵參數(shù)鋁線寬度、晶圓均勻性與氧化層損失的不同故障類型的少樣本故障診斷方法；和現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

21、(1)利用基于度量的元學(xué)習(xí)網(wǎng)絡(luò)，構(gòu)建工藝流程的診斷模型，挖掘少樣本下數(shù)據(jù)中的高階抽象信息特征，克服了傳統(tǒng)方法的諸多問題；

22、(2)通過構(gòu)建全局和局部的雙分支模型充分挖掘故障數(shù)據(jù)中刻畫整體流程的全局特征與刻畫局部單元的細(xì)致局部特征信息；利用全局與局部雙分支度量網(wǎng)絡(luò)，使得嵌入模塊能夠從宏觀和微觀兩個(gè)角度提取故障樣本的特征信息，增強(qiáng)故障特征信息的表征能力，減弱因提取的故障特征單一而導(dǎo)致的故障診斷效果不佳的問題。

23、(3)在雙分支度量網(wǎng)絡(luò)中，采用結(jié)構(gòu)一致和權(quán)值共享的嵌入模塊與關(guān)系模塊，不僅減少了在故障診斷模型訓(xùn)練過程中需要的參數(shù)量，而且使得提取的特征保持較好的一致性，減少診斷網(wǎng)絡(luò)訓(xùn)練難度。

24、(4)通過對(duì)比損失函數(shù)來優(yōu)化雙分支結(jié)構(gòu)網(wǎng)絡(luò)中的嵌入模塊與關(guān)系模塊，來約束雙分支預(yù)測(cè)輸出的一致性，確保獲取能夠表征的故障數(shù)據(jù)的全面特征，相比傳統(tǒng)僅約束全局預(yù)測(cè)的損失函數(shù)，通過自交叉關(guān)系提高了故障特征的可區(qū)分性和穩(wěn)定性，充分地利用豐富的特征信息進(jìn)行故障診斷，提高了少樣本故障診斷的準(zhǔn)確性。