專利名稱：：基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于半導(dǎo)體工業(yè)過程控制領(lǐng)域，特別涉及一種基于獨(dú)立成分分析和貝葉斯推理的過程監(jiān)測方法。
背景技術(shù)：
：近年來，半導(dǎo)體工業(yè)生產(chǎn)過程的監(jiān)測問題越來越得到工業(yè)界和學(xué)術(shù)界的廣泛重視。一方面，由于半導(dǎo)體工業(yè)過程本身對產(chǎn)品質(zhì)量的要求極高，如何有效地防止過程產(chǎn)生劣質(zhì)或者不合格的產(chǎn)品是迫切需要解決的問題。另一方面，如果不對過程進(jìn)行很好的監(jiān)測，有可能會發(fā)生操作事故，輕者影響產(chǎn)品的質(zhì)量，重者將會造成生命和財(cái)產(chǎn)的損失。此外，對半導(dǎo)體過程進(jìn)行監(jiān)測獲得的結(jié)果還可以反過來指導(dǎo)生產(chǎn)過程和生產(chǎn)工藝的改進(jìn)。因此，過程監(jiān)測已經(jīng)成為半導(dǎo)體工業(yè)生產(chǎn)過程的研究熱點(diǎn)和迫切需要解決的問題之一。作為一種典型的間歇生產(chǎn)過程，傳統(tǒng)的半導(dǎo)體過程監(jiān)測方法除了基于機(jī)理模型的方法外，大多采用多向形式的多元統(tǒng)計(jì)分析方法，比如多向主元分析方法(MPCA)和多向偏最小二乘方法(MPLS)等。在機(jī)理模型難以獲取的情況下，基于數(shù)據(jù)驅(qū)動的多元統(tǒng)計(jì)分析方法已經(jīng)成為半導(dǎo)體過程監(jiān)測的主流方法。但是，傳統(tǒng)的多元統(tǒng)計(jì)分析方法只能提取過程數(shù)據(jù)的二階統(tǒng)計(jì)量信息，不能有效地處理高階統(tǒng)計(jì)量信息。相比之下，獨(dú)立成分分析方法(ICA)在提取過程數(shù)據(jù)的高階統(tǒng)計(jì)量信息方面有其自身的優(yōu)勢，本發(fā)明采用該方法替代原有的多元統(tǒng)計(jì)分析方法對過程數(shù)據(jù)進(jìn)行信息提取。另外，由于半導(dǎo)體過程產(chǎn)品的多樣化，該過程也將運(yùn)行在不同的操作工況下。傳統(tǒng)的監(jiān)測方法假設(shè)過程運(yùn)行在單一工況下，已經(jīng)無法滿足半導(dǎo)體過程的監(jiān)測要求。即使對過程的不同操作工況分別進(jìn)行建模，也無法達(dá)到滿意的監(jiān)測效果。因?yàn)閷π碌倪^程數(shù)據(jù)進(jìn)行監(jiān)測時，需要結(jié)合過程知識對該數(shù)據(jù)的操作工況進(jìn)行判斷，并選取相應(yīng)的監(jiān)測模型，這就大大增強(qiáng)了監(jiān)測方法對過程知識的依賴性，不利于半導(dǎo)體過程的自動化實(shí)施。
發(fā)明內(nèi)容本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法。本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的—種基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，包括以下步驟(1)利用集散控制系統(tǒng)收集半導(dǎo)體過程各個正常工況的數(shù)據(jù)組成建模用的三維訓(xùn)練樣本集X:[X1;X2;'"，XJ。其中，XceR""",c:1，2，…，C為對應(yīng)于過程工況c的數(shù)據(jù)矩陣，1。為該工況下的批次數(shù)目，J為變量個數(shù)，K為每個批次的采樣數(shù)據(jù)點(diǎn)數(shù)。分別將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫。(2)分別將不同工況下的數(shù)據(jù)沿著各自的批次方向展開為1。XJK二維數(shù)據(jù)矩陣，對其進(jìn)行預(yù)處理和歸一化，即使得各個過程變量的均值為零，方差為l，得到新的數(shù)據(jù)矩陣集為&.ei^"《。(3)重新沿著時間點(diǎn)方向?qū)γ恳粋€數(shù)據(jù)矩陣進(jìn)行排列，得到新的數(shù)據(jù)矩陣集中為艮ei"xj。(4)采用獨(dú)立成分分析方法對每一個新的數(shù)據(jù)矩陣進(jìn)行處理，建立獨(dú)立成分分析模型，得到殘差矩陣艮eiH。"，并構(gòu)造I2統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限。(5)針對殘差矩陣艮，構(gòu)造SPE統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限。(6)將建模數(shù)據(jù)和各個模型參數(shù)存入歷史數(shù)據(jù)庫和實(shí)時數(shù)據(jù)庫中備用。(7)收集新的過程數(shù)據(jù)，并對其進(jìn)行預(yù)處理和歸一化。(8)分別采用不同的工況模型對其進(jìn)行監(jiān)測，即建立統(tǒng)計(jì)量I2和SPE。(9)通過貝葉斯推理方法計(jì)算當(dāng)前監(jiān)測數(shù)據(jù)在各個操作工況下的后驗(yàn)概率值，并計(jì)算數(shù)據(jù)的故障概率值。然后，構(gòu)造新的統(tǒng)計(jì)量FI2和FSPE集成不同工況下的監(jiān)測結(jié)果，并給出相應(yīng)的工況分析和定位結(jié)果。本發(fā)明的有益效果是本發(fā)明通過對每一個工況數(shù)據(jù)分別進(jìn)行獨(dú)立成分分析和建模。然后，引入貝葉斯推理方法對不同工況下的監(jiān)測信息進(jìn)行集成和綜合，獲得最后的監(jiān)測結(jié)果。此外，通過后驗(yàn)概率分析技術(shù)，本發(fā)明還可以獲取當(dāng)前監(jiān)測數(shù)據(jù)的工況信息。相比目前的其它半導(dǎo)體過程監(jiān)測方法，本發(fā)明不僅可以大大提高半導(dǎo)體過程的監(jiān)測效果，而且在很大程度上改善了監(jiān)測方法對過程知識的依賴性，增強(qiáng)了過程操作員對過程的理解能力和操作信心，更加有利于半導(dǎo)體過程的自動化實(shí)施。圖1是半導(dǎo)體過程的數(shù)據(jù)散點(diǎn)圖；圖2是本發(fā)明方法對半導(dǎo)體過程正常批次數(shù)據(jù)的監(jiān)測結(jié)果；圖3是MPCA對半導(dǎo)體過程正常批次數(shù)據(jù)的監(jiān)測結(jié)果；圖4是本發(fā)明方法對半導(dǎo)體過程故障批次數(shù)據(jù)的監(jiān)測結(jié)果；圖5是MPCA方法對半導(dǎo)體過程故障批次數(shù)據(jù)的監(jiān)測結(jié)果；圖6是本發(fā)明方法對半導(dǎo)體過程正常批次工況分析和定位結(jié)果。具體實(shí)施例方式本發(fā)明針對半導(dǎo)體過程的監(jiān)測問題，首先利用集散控制系統(tǒng)收集不同操作工況下的批次數(shù)據(jù)，并對其進(jìn)行工況劃分。然后分別針對不同的操作工況，建立相應(yīng)的獨(dú)立成分分析模型，并建立兩個監(jiān)測統(tǒng)計(jì)量I2和SPE及其對應(yīng)的統(tǒng)計(jì)限Ilim2和SPElim。把所有的過程模型參數(shù)存入數(shù)據(jù)庫中備用。對新的批次數(shù)據(jù)進(jìn)行監(jiān)測的時候，首先利用不同操作工況下的監(jiān)測模型對其進(jìn)行監(jiān)測，獲取相應(yīng)的監(jiān)測結(jié)果。然后通過貝葉斯推理方法得到該數(shù)據(jù)的工況后驗(yàn)概率，結(jié)合其在各個工況下的故障發(fā)生概率，集成為最后的監(jiān)測結(jié)果。另外，通過對當(dāng)前數(shù)據(jù)進(jìn)行工況后驗(yàn)概率分析，本發(fā)明還可以獲取該數(shù)據(jù)的工況信息并對其進(jìn)行相應(yīng)的定位，大大增強(qiáng)了操作工程師對過程的理解，提高了他們的操作信心。本發(fā)明采用的技術(shù)方案的主要步驟分別如下第一步利用集散控制系統(tǒng)收集半導(dǎo)體過程各個正常工況的數(shù)據(jù)組成建模用的三維訓(xùn)練樣本集X:[X1;X2;...，XJ。其中，X^R',m，c=L2，…，c為對應(yīng)于過程工5況c的數(shù)據(jù)矩陣，I。為該工況下的批次數(shù)目，J為變量個數(shù)，K為每個批次的采樣數(shù)據(jù)點(diǎn)數(shù)。分別將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫；第二步分別將不同工況下的數(shù)據(jù)沿著各自的批次方向展開為1。XJK二維數(shù)據(jù)矩陣，對其進(jìn)行預(yù)處理和歸一化，即使得各個過程變量的均值為零，方差為l，得到新的數(shù)據(jù)矩陣集為leW""在歷史數(shù)據(jù)庫中對采集到的過程數(shù)據(jù)進(jìn)行預(yù)處理，剔除野值點(diǎn)和明顯的粗糙誤差數(shù)據(jù)，為了使得過程數(shù)據(jù)的尺度不會影響到監(jiān)測的結(jié)果，對不同變量的數(shù)據(jù)分別進(jìn)行歸一化處理，即各個變量的均值為零，方差為1。這樣，不同過程變量的數(shù)據(jù)就處在相同的尺度之下，既而不會影響到后續(xù)的監(jiān)控效果。第三步重新沿著時間點(diǎn)方向?qū)γ恳粋€數(shù)據(jù)矩陣進(jìn)行排列，得到新的數(shù)據(jù)矩陣集傳統(tǒng)的半導(dǎo)體過程監(jiān)測方法在監(jiān)測新的批次數(shù)據(jù)時，需要對未知值進(jìn)行預(yù)測。為了避免這個問題，我們對數(shù)據(jù)矩陣進(jìn)行了重新排列。這樣，監(jiān)測樣本就由原來的整個批次數(shù)據(jù)變?yōu)閱蝹€采樣數(shù)據(jù)點(diǎn)，較好地避免了對批次未知值的預(yù)測問題。第四步采用獨(dú)立成分分析方法對每一個新的數(shù)據(jù)矩陣進(jìn)行處理，建立獨(dú)立成分分析模型，得到殘差矩陣^ei^"，并構(gòu)造I2統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限；采用獨(dú)立成分分析(ICA)方法對每一個新的數(shù)據(jù)矩陣氣.進(jìn)行處理，提取高階統(tǒng)計(jì)量信息，建立獨(dú)立成分分析模型。通過ICA分析，可以得到該數(shù)據(jù)矩陣的獨(dú)立成分矩陣SeeiT化，混合矩陣A。GRjxr，分離矩陣W。GRAJ以及殘差矩陣艮efw如下^c=AcSc+Ec.Sc=W叉氣-艮一AA.其中，c=1，2，…，C，r為選取的獨(dú)立成分個數(shù)。然后，構(gòu)造I2統(tǒng)計(jì)量并利用核密度估計(jì)方法給出其相應(yīng)的監(jiān)測統(tǒng)計(jì)限1^,。2，即a1化<formula>formulaseeoriginaldocumentpage6</formula>(U6)其中，K()為核函數(shù)，通常選取為高斯核形式，H為核函數(shù)的帶寬參數(shù)矩陣，可以簡單選取為對角的形式，I"i2為工況c下對應(yīng)數(shù)據(jù)的l2統(tǒng)計(jì)量值。這樣，我們就可以獲取I2統(tǒng)計(jì)量的概率密度分布信息，從而可以方便地求取其在一定置信度下統(tǒng)計(jì)限Ilim,。2的值。第五步針對殘差矩陣艮，構(gòu)造SPE統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限；在上一步的基礎(chǔ)上對殘差矩陣艮建立SPE統(tǒng)計(jì)量并計(jì)算其相應(yīng)的監(jiān)測統(tǒng)計(jì)限SPE風(fēng)c，即<formula>formulaseeoriginaldocumentpage6</formula>其中，SPEC,tr,i服從參數(shù)為g禾Ph的x2分布，gh=mean(SPEC,tr)(1.18)2g2h=var(SPEC,tr)因此，SPE統(tǒng)計(jì)量統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限也可以方便的獲取，即SPElimgxh2。第六步將建模數(shù)據(jù)和各個模型參數(shù)存入歷史數(shù)據(jù)庫和實(shí)時數(shù)據(jù)庫中備用；第七步收集新的過程數(shù)據(jù)，并對其進(jìn)行預(yù)處理和歸一化；對于過程中新收集到的數(shù)據(jù)樣本，除了對其進(jìn)行預(yù)處理之外，還有采用建模時的模型參數(shù)對該數(shù)據(jù)點(diǎn)進(jìn)行歸一化，即減去建模均值和除以建模標(biāo)準(zhǔn)差。第八步分別采用不同的工況模型對其進(jìn)行監(jiān)測，即建立統(tǒng)計(jì)量I2和SPE;采用不同工況下的模型對新的數(shù)據(jù)進(jìn)行監(jiān)測，即計(jì)算其對應(yīng)的I2和SPE統(tǒng)計(jì)量的值如下—.A兒(U9)Si^，一f腳,cf二,c(1.20)其中，c=1，2，…，C，s。為相應(yīng)數(shù)據(jù)所提取的獨(dú)立成分向量，l^為殘差向量。第九步通過貝葉斯推理方法計(jì)算當(dāng)前監(jiān)測數(shù)據(jù)在各個操作工況下的后驗(yàn)概率值，并計(jì)算數(shù)據(jù)的故障概率值。然后，構(gòu)造新的統(tǒng)計(jì)量FI2和FSPE集成不同工況下的監(jiān)測結(jié)果，并給出相應(yīng)的工況分析和定位結(jié)果。首先通過貝葉斯推理方法計(jì)算當(dāng)前監(jiān)測數(shù)據(jù)在各個過程操作工況下的后驗(yàn)概率值，即P/2(CIX腳):《我,k)尸(c)加(u/v)]c-1尸孤(c;腳)—尸狐(支瞎k)尸(。其中，尸Alc)為邊緣分布概率，這里定義如下Jc)=exp{-S復(fù)鄉(xiāng),P(c)為先驗(yàn)概率，可簡單計(jì)算為P(c)二《/c然后，計(jì)算當(dāng)前數(shù)據(jù)在各個工況下的故障概率如下尸;乂OPr欣,)《,J其中，l,。為對應(yīng)工況下的建模數(shù)據(jù)，pr{}表示概率值。計(jì)算最后的監(jiān)測結(jié)果，即集成不同操作工況下的監(jiān)測結(jié)果如下7<formula>formulaseeoriginaldocumentpage8</formula>通過分析當(dāng)前監(jiān)測數(shù)據(jù)與各個操作工況的后驗(yàn)概率值，對其進(jìn)行工況分析和定位如下其中，后驗(yàn)概率的值越大，說明當(dāng)前監(jiān)測數(shù)據(jù)與相應(yīng)工況的關(guān)聯(lián)度越大。反之，值越小說明該數(shù)據(jù)處于相應(yīng)工況的可能性就越小。以下結(jié)合一個具體的半導(dǎo)體過程例子來說明本發(fā)明的有效性。該過程的數(shù)據(jù)來自美國德州儀器公司的三組實(shí)驗(yàn)，一共為129批數(shù)據(jù)，其中包括108批正常工況下的數(shù)據(jù)和21批故障數(shù)據(jù)。通過對數(shù)據(jù)的初步分析，發(fā)現(xiàn)有兩批過程的數(shù)據(jù)缺失情況比較嚴(yán)重，去掉這兩批不完整數(shù)據(jù)之后，一共有107批正常數(shù)據(jù)和20批故障數(shù)據(jù)。故障的來源主要是各個功率和壓力的變化引起，為了對該過程進(jìn)行監(jiān)測，一共選取了17個過程變量，如表1所示。另外，每一個批次的采樣時間點(diǎn)為85個。圖l給出了經(jīng)過主元分析之后，所有正常批次的前兩維數(shù)據(jù)特征，可以明顯看出，該過程的數(shù)據(jù)由三個操作工況產(chǎn)生。接下來結(jié)合該具體過程對本發(fā)明的實(shí)施步驟進(jìn)行詳細(xì)地闡述1.采集過程正常工況數(shù)據(jù)，數(shù)據(jù)預(yù)處理，歸一化和重新排列對收集到的127批次有效的過程數(shù)據(jù)樣本進(jìn)行數(shù)據(jù)預(yù)處理，剔除過程的野值點(diǎn)和粗糙誤差點(diǎn)。然后選取其中的96批正常數(shù)據(jù)組成建模數(shù)據(jù)矩陣，將其劃分為三個子數(shù)據(jù)矩陣X。GR32x17x85，c=L2，3。把每一個子數(shù)據(jù)矩陣按照批次方向展開成二維數(shù)據(jù)矩陣并對其進(jìn)行歸一化，得到lGR32X1445，c=1，2，3。然后，重新沿著采樣時刻方向?qū)ΧS數(shù)據(jù)矩陣進(jìn)行排列，得到新的數(shù)據(jù)矩陣為XeeR27^17,(3=1，2，32.針對每一個過程操作工況，分別建立獨(dú)立成分分析模型并確定相應(yīng)統(tǒng)計(jì)量的置信限分別對新的數(shù)據(jù)矩陣^。eR272M7，c=1，2，3進(jìn)行ICA分析和建模，選取3個獨(dú)立成分，得到詳細(xì)的ICA模型參數(shù)信息，即獨(dú)立成分信息S。G『，，混合矩陣A。GW，分離矩陣W。GR3X17以及殘差矩陣^ei27，17。然后構(gòu)造I2統(tǒng)計(jì)量并由核密度估計(jì)方法確定其相應(yīng)的監(jiān)測統(tǒng)計(jì)限。同理，可以確定SPE統(tǒng)計(jì)量的監(jiān)測置信限。這里，我們選取兩個統(tǒng)計(jì)量的置信度均為99%。3.獲取當(dāng)前監(jiān)測數(shù)據(jù)信息，并對其進(jìn)行預(yù)處理和歸一化為了測試新方法的有效性，分別對正常批次和故障批次的數(shù)據(jù)進(jìn)行測試。隨機(jī)選取某一正常批次的數(shù)據(jù)，并利用各個工況下的歸一化參數(shù)對其進(jìn)行處理。選取一種典型故障進(jìn)行測試，同樣對其進(jìn)行歸一化處理。4.在線過程監(jiān)測首先對正常批次的過程數(shù)據(jù)進(jìn)行監(jiān)測，新的方法和MPCA方法得到的監(jiān)測結(jié)果分別如圖2和圖3所示。從圖中可以看出，新的方法和MPCA方法均能對該批次做出較好的監(jiān)測，即沒有誤報(bào)現(xiàn)象發(fā)生，說明新的方法并沒有損失其在正常工況下的監(jiān)測效果。然后，對故障批次進(jìn)行監(jiān)測，新的方法和MPCA方法的監(jiān)測效果如圖4和圖5所示?？梢悦黠@看出，新的方法已經(jīng)成功監(jiān)測到了過程的故障。相比之下，MPCA方法的效果就差很多。5.工況分析和定位對正常批次的數(shù)據(jù)進(jìn)行工況分析和定位，得到的結(jié)果如圖6所示。從圖中可以看出，該批次數(shù)據(jù)來自于第二種操作工況的可能性最大。表1:監(jiān)控變量說明<table>tableseeoriginaldocumentpage9</column></row><table>權(quán)利要求一種基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，其特征在于，包括以下步驟(1)利用集散控制系統(tǒng)收集半導(dǎo)體過程各個正常工況的數(shù)據(jù)組成建模用的三維訓(xùn)練樣本集X＝[X1；X2；…，XC]。其中，c＝1，2，…，C為對應(yīng)于過程工況c的數(shù)據(jù)矩陣，Lc為該工況下的批次數(shù)目，J為變量個數(shù)，K為每個批次的采樣數(shù)據(jù)點(diǎn)數(shù)。分別將這些數(shù)據(jù)存入歷史數(shù)據(jù)庫。(2)分別將不同工況下的數(shù)據(jù)沿著各自的批次方向展開為Ic×JK二維數(shù)據(jù)矩陣，對其進(jìn)行預(yù)處理和歸一化，即使得各個過程變量的均值為零，方差為1，得到新的數(shù)據(jù)矩陣集為(3)重新沿著時間點(diǎn)方向?qū)γ恳粋€數(shù)據(jù)矩陣進(jìn)行排列，得到新的數(shù)據(jù)矩陣集中為(4)采用獨(dú)立成分分析方法對每一個新的數(shù)據(jù)矩陣進(jìn)行處理，建立獨(dú)立成分分析模型，得到殘差矩陣并構(gòu)造I2統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限。(5)針對殘差矩陣構(gòu)造SPE統(tǒng)計(jì)量的監(jiān)測統(tǒng)計(jì)限。(6)將建模數(shù)據(jù)和各個模型參數(shù)存入歷史數(shù)據(jù)庫和實(shí)時數(shù)據(jù)庫中備用。(7)收集新的過程數(shù)據(jù)，并對其進(jìn)行預(yù)處理和歸一化。(8)分別采用不同的工況模型對其進(jìn)行監(jiān)測，即建立統(tǒng)計(jì)量I2和SPE。(9)通過貝葉斯推理方法計(jì)算當(dāng)前監(jiān)測數(shù)據(jù)在各個操作工況下的后驗(yàn)概率值，并計(jì)算數(shù)據(jù)的故障概率值。然后，構(gòu)造新的統(tǒng)計(jì)量FI2和FSPE集成不同工況下的監(jiān)測結(jié)果，并給出相應(yīng)的工況分析和定位結(jié)果。F2009101546318C0000011.tif,F2009101546318C0000012.tif,F2009101546318C0000013.tif,F2009101546318C0000014.tif,F2009101546318C0000015.tif2.根據(jù)權(quán)利要求1所述基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，其特征在于，所述步驟(4)具體為采用獨(dú)立成分分析(ICA)方法對每一個新的數(shù)據(jù)矩陣f。進(jìn)行處理，提取高階統(tǒng)計(jì)量信息，建立獨(dú)立成分分析模型。通過ICA分析，可以得到該數(shù)據(jù)矩陣的獨(dú)立成分矩陣S。eiT仏，混合矩陣AegRjx、分離矩陣WegR"j以及殘差矩陣艮ef'"如下艮.-t一AA其中，c二l，2，…，C，r為選取的獨(dú)立成分個數(shù)。然后，構(gòu)造12統(tǒng)計(jì)量并利用核密度估計(jì)方法給出其相應(yīng)的監(jiān)測統(tǒng)計(jì)限Ilim,c2。3.根據(jù)權(quán)利要求1所述基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，其特征在于，所述步驟(5)具體為在上一步的基礎(chǔ)上對殘差矩陣t。建立SPE統(tǒng)計(jì)量并計(jì)算其相應(yīng)的監(jiān)測統(tǒng)計(jì)限SPElim,。。4.根據(jù)權(quán)利要求1所述基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，其特征在于，所述步驟(8)具體為對于歸一化之后的新數(shù)據(jù)完_，分別采用不同工況下的模型對其進(jìn)行監(jiān)測，即建立相應(yīng)的監(jiān)測統(tǒng)計(jì)量如下<formula>formulaseeoriginaldocumentpage3</formula>其中，c=1，2，…，C，s。為相應(yīng)數(shù)據(jù)所提取的獨(dú)立成分向量，繼續(xù)針對殘差向量f^,Jt立SPE統(tǒng)計(jì)量為<formula>formulaseeoriginaldocumentpage3</formula>5.根據(jù)權(quán)利要求1所述基基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，其特征在于，所述步驟(9)具體為(a)首先通過貝葉斯推理方法計(jì)算當(dāng)前監(jiān)測數(shù)據(jù)在各個過程操作工況下的后驗(yàn)概率值，即<formula>formulaseeoriginaldocumentpage3</formula>其中，；(寶自I。和iW(fwIc)為邊緣分布概率，這里定義如下<formula>formulaseeoriginaldocumentpage3</formula>P(c)為先驗(yàn)概率，可簡單計(jì)算為<formula>formulaseeoriginaldocumentpage3</formula>(b)計(jì)算當(dāng)前數(shù)據(jù)在各個工況下的故障概率如下<formula>formulaseeoriginaldocumentpage3</formula>其中，l,e為對應(yīng)工況下的建模數(shù)據(jù)，PH}表示概率值。(C)計(jì)算最后的監(jiān)測結(jié)果，即集成不同操作工況下的監(jiān)測結(jié)果如下<formula>formulaseeoriginaldocumentpage3</formula>(d)計(jì)算當(dāng)前監(jiān)測數(shù)據(jù)與各個操作工況的后驗(yàn)概率值，對其進(jìn)行工況分析和定位如下其中，后驗(yàn)概率的值越大，說明當(dāng)前監(jiān)測數(shù)據(jù)與相應(yīng)工況的關(guān)聯(lián)度越大。反之，值越小說明該數(shù)據(jù)處于相應(yīng)工況的可能性就越小。全文摘要本發(fā)明公開了一種基于獨(dú)立成分分析和貝葉斯推理的半導(dǎo)體過程監(jiān)測方法，該方法首先根據(jù)對半導(dǎo)體過程的混合數(shù)據(jù)進(jìn)行工況劃分，對每一個工況數(shù)據(jù)分別進(jìn)行獨(dú)立成分分析，建立相應(yīng)的獨(dú)立成分分析模型。然后，通過貝葉斯推理方法對不同工況下的監(jiān)測信息進(jìn)行集成和綜合，獲得最后的監(jiān)測結(jié)果。同時，利用后驗(yàn)概率分析方法，本發(fā)明還可以獲取當(dāng)前監(jiān)測數(shù)據(jù)的工況信息，即可以判斷當(dāng)前數(shù)據(jù)處于何種過程操作工況。相比目前的其它方法，本發(fā)明不僅可以大大提高半導(dǎo)體過程的監(jiān)測效果，而且在很大程度上改善了監(jiān)測方法對過程知識的依賴性，增強(qiáng)了過程操作員對過程的理解能力和操作信心，更加有利于半導(dǎo)體過程的自動化實(shí)施。文檔編號G05B19/418GK101713983SQ20091015463公開日2010年5月26日申請日期2009年11月23日優(yōu)先權(quán)日2009年11月23日發(fā)明者宋執(zhí)環(huán),葛志強(qiáng)申請人:浙江大學(xué)