CN119398764A 基于数据融合的半导体设备故障预测与维护方法及系统 （北京珂阳科技有限公司）

区西环南路26号院30号楼（嘉捷科技基于数据融合的半导体设备故障预测与维本发明提供一种基于数据融合的半导体设决策规则库确定最优维护方案，并进行维护引2采集半导体设备的振动传感器数据、温度传感器数据、压力传感基于所述工艺应力材料多维状态模型计算工艺参数漂移值、应力分布值和材料退化值，在触发故障诊断流程后，根据所述设备状态映射关系根据所述故障诊断结果和所述故障发展趋势构建维护目标函数维状态张量按照时间维度进行均匀采样得到多个时间节点的状态序列；对多个时间节点的状态序列中每个时间节点的三维状态张量进行多层将工艺参数的特征数据矩阵与预设的基准工艺状态进行核函数数的特征数据矩阵相对于基准工艺状态的工将应力分布的特征数据矩阵在时间相邻节点之间建立概率传输映射，将材料特性的特征数据矩阵通过概率密度函数建立状态演化方程基于所述工艺参数漂移值、应力分布分布值和材料特性退化值构建动态概率图模型，所述动态概率图模型包含节点之间的状态转移概率和节点之间根据所述动态概率图模型计算半导体设备在未来时刻的状态概率将半导体设备的工艺参数漂移值、应力分布分布值和材料特性退化值组成状态向量，3构建条件变分后验分布网络，所述条件变分构建包含长短时记忆单元和注意力机制单元的递归神计算所述条件变分后验分布与真实后验分布之间的相对将当前时刻的状态向量输入优化后的递归神经网络，输出表征未来根据所述状态概率分布的统计特征构建多维混合高斯分布，从所述将所述状态样本和对应的重要性权重输入至基于深度神经网络构建的失效概率估计将实际设备的历史运行数据输入物理知识引导网络，所述物理知识将所述综合故障特征输入预训练的数字孪生模型，输出预测特征将所述预测特征与实时故障特征进行自适应融合，通过交叉注构建工况感知模块，将工况信息输入工况编码器得到工况将所述工况适应特征输入多任务学习网络，所述多任务学习网络包括采用贝叶斯神经网络对所述初步诊断结果的不确定性进行建模，通过多4基于故障诊断结果中的故障程度评分和故障发展趋势预测结果获取半导体设备的预防性维护次数值和故障维护次数值，结合预获取半导体设备的平均故障间隔时间值和平均修复时间值，根结合所述设备可靠度目标函数、维护成本目标函根据故障类型编码对所述非支配解集进行解空间分区，基于分构建维护决策规则库，计算所述网格划分解集中根据半导体设备实时监测状态数据计算状态偏差值，基于所述状将维护方案转化为维护操作指令序列，所述维护操作指令序列包含获取维护过程的操作视频流信息，基于人体姿态估计算法从所据中提取知识三元组；通过实体对齐及关系推理将所述知识三元组整合形成维护知识图对所述维护知识图谱中的实体信息和关系信息进行向量化处理得采用强化学习方法对维护决策规则库进行更新，将维护效果信息作为蒙特卡洛树搜索算法在所述维护知识图谱中进行策略搜索，生成更新后的维护决策规则5通过所述优化后的故障预测模型对设备进行故障预测得到预构建维护决策的马尔可夫决策过程模型，将设备状态获取维护前后的设备状态指标信息及维护成本信息，基于行时长信息计算得到延迟奖励值；将所述即时奖励值与延迟奖励值进行组合得到奖励信在维护知识图谱中建立搜索树，将维护状态信息作为树从所述知识图谱中提取历史维护案例信息，建立用于维护操作先验将搜索获得的最优维护策略序列转化为包含触发条采集维护效果数据，根据所述维护效果数据更新规则置信度信8.一种基于数据融合的半导体设备故障预测与维第二单元，用于在触发故障诊断流程后，根据所述设备状第三单元，用于根据所述故障诊断结果和所述故障发展趋势构建维6其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7[0005]本发明实施例提供一种基于数据融合的半导体设备故障述目标监测部位的多维监测数据，对所述多维监测数据进行特征提取得到综合故障特征，8述三维状态张量按照时间维度进行均匀采样得到多个时间节点的状态序列；将当前时刻的状态向量输入优化后的递归神经网络，输出表征未来时刻工艺参9将所述状态样本和对应的重要性权重输入至基于深度神经网络构建的失效概率将所述综合故障特征输入预训练的数字孪生模型进行故障模式识别得到故障诊的深度残差网络对实时监测数据进行特征提取，所述深度残差网络包含多个残差学习单隔时间值与所述平均修复时间值的比值计算得到设备可用度值，构建设备可用度目标函合评价数值最大的非支配解作为最优维护方案。将维护方案转化为维护操作指令序列，所述维护操作指令序列包含操作部位信采用强化学习方法对维护决策规则库进行更新，将维护效果信息作为奖励信号，采用强化学习方法对维护决策规则库进行更新，将维护效果信息作为奖励信号，将搜索获得的最优维护策略序列转化为包含触发条件和维护操作序列的规则形第三单元，用于根据所述故障诊断结果和所述故障发展趋势构建维护目标函数，输入预设的维护决策规则库进行综合评价，选择综合评价得分最高的解作为最优维护方[0017]图1为本发明实施例基于数据融合的半导体设备故障预测与维护方法的流程示意图2为本发明实施例基于数据融合的半导体设备故障预测与维护系统的结构示意[0020]图1为本发明实施例基于数据融合的半导体设备故障预测与维护方法的流程示意征，将所述综合故障特征输入预训练的数字孪生模型进行故障模式识别得到故障诊断结S103.根据所述故障诊断结果和所述故障发展趋势构建维护目标函数，利用自适维护方案转化为操作指令进行维护引导，采集维护过程数据和维护前后的设备状态数据，述三维状态张量按照时间维度进行均匀采样得到多个时间节点的状态序列；的变化值。例如，假设前一个时间节点的机械应力为9MPa，当前时间节点的机械应力为将当前时刻的状态向量输入优化后的递归神经网络，输出表征未来时刻工艺参将所述状态样本和对应的重要性权重输入至基于深度神经网络构建的失效概率[0041]为了估计失效概率，首先根据状态概率分布的统计特征构建多维混合高斯分的深度残差网络对实时监测数据进行特征提取，所述深度残差网络包含多个残差学习单学原理和时序关联特征对模型进行预训练。物理约束层通过设备动力学方程构建损失函约束层和数据驱动层共同作用，将设备的物理属性和数据关联信息整合至数字孪生模型，隔时间值与所述平均修复时间值的比值计算得到设备可用度值，构建设备可用度目标函合评价数值最大的非支配解作为最优维护方案。隔时间除以平均故障间隔时间与平均修复时间之和，即可计算得到设备可用度值：1000/将维护方案转化为维护操作指令序列，所述维护操作指令序列包含操作部位信采用强化学习方法对维护决策规则库进行更新，将维护效果信息作为奖励信号，系这些三元组通过实体对齐和关系推理被整合成一个完整的维护知识图谱。[0067]维护知识图谱的构建之后，系统对其中的实体信息和关护效果信息作为奖励信号，基于蒙特卡洛树搜索算法在所述维护知识图谱中进行策略搜将搜索获得的最优维护策略序列转化为包含触发条件和维护操作序列的规则形