基于智能算法的半导体生产缺陷检测方法

发布时间：2022-01-08 20:35

　　半导体制造是最复杂和技术最先进的制造工艺之一,该过程通常由数百个步骤组成,其典型的制造步骤是用硅材料合成硅片,在新合成的硅片上制造集成电路,将集成电路放入封装中,以便生产出可用的产品。在半导体生产过程中有效预测和检测产品的故障和缺陷是十分必要的,这不仅可以防止突然的设备损坏,而且有助于提高生产率、降低成本和修理时间。近几年来,所有的制造设备都配备了设备/生产传感器。虽然生产实时监测是可能的,但产生的数据量巨大,难以依靠人工来实现实时检测生产故障。在这种情况下大数据和机器学习技术为实现故障和缺陷的自动实时智能检测提供了可能。机器学习近年来在生产制造业中得到了广泛的应用,智能制造已逐渐成为研究热点。本文介绍了智能制造和半导体生产故障检测的背景,介绍了基于人工智能、机器学习、大数据技术的智能算法在智能制造领域应用的国内外研究现状,以及本文的主要工作和论文组织结构。对可用于半导体生产缺陷检测的智能算法的相关概念和基础进行简介和分析。给出了基于贝叶斯网络的半导体生产故障检测方法。使用贝叶斯网络作为故障预测模型,将生产过程中的各参数和故障预测情况作为贝叶斯网的结点,通过统计方法和生产过程中积累的训... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

用于故障检测的贝叶斯网模型结构

得出??Ｐ（Ｙ［＋ｌ＼Ｘｘ，．．．，Ｘｎ！）ｃｃＹＰｉＹ，）Ｐ｛Ｙｔ＋ｘ?ｍｆｌＰｉＸ，＼ＹＪｒ＋ｌ）?（３Ｊ）??ｒｔ?／＝ｉ??其中公式（７）中的每个概率项是贝叶斯网络中每个变量的条件概率分布。??此外，我们可以通过计算传感器值与正常平均值的差异来指定哪个传感器导??致了缺陷：??ａｒｇｍａｘ?｜?（３?８）??３．?６多步驟故障预测??假定半导体制造工艺包括ｍ个步骤，我们将每个步骤对应的贝叶斯网络进??行组合，并创建一个相对较大的贝叶斯网络，如图２所示。??

６?１００％?８５％?３６％?６１％?１００％??７?１００％?１００％?９３％?９７％?１００％??８?１００％?９２％?８６％?９７％?１００％??９?１００％?９２％?８６％?１００％?１００％???１０?１００％?９２％?１００％?８２％?７０％??＇?平均精度?９２．９％?９０．８％?８２．１％?９２．６％?９１．９％?一??在表３．２中，每一列列表示生产过程中的步骤■＝例如，“步骤１”列中的值??显示的预测精度，是指给定步骤１中的状态值，贝叶斯网络预测的步骤２中发生??故障的准确度。每一行表示１０次交叉验证的每个测试以及每个步骤的平均精度。??上述结果表明了本文模型的有效性。??３．?８进一步讨论??为进一步简化模型，提高计算效率，我们还设计了如下模型。??

【参考文献】：
期刊论文
[1]基于遗传算法的Bayesian网结构增量学习的研究[J]. 王飞,刘大有,王淞昕.  计算机研究与发展. 2005(09)
[2]Bayesian网中概率参数学习方法[J]. 薛万欣,刘大有,张弘.  电子学报. 2003(11)
[3]基于遗传算法的Bayesian网结构学习研究[J]. 刘大有,王飞,卢奕南,薛万欣,王松昕.  计算机研究与发展. 2001(08)

硕士论文
[1]基于数字图像处理的水晶晶片缺陷检测[D]. 孙彦春.南京理工大学 2009



本文编号：3577239