顏秀文，曹麗婷，宋瑩潔，高梓文

（湖南大學(xué)信息科學(xué)與工程學(xué)院，湖南 長沙，410082）

引言

半導(dǎo)體生產(chǎn)通常采用流水線作業(yè)，任何一臺設(shè)備發(fā)生故障或者工作異常都可能導(dǎo)致整個生產(chǎn)停產(chǎn)并造成巨大損失。[1]半導(dǎo)體制造商的目的是提高工藝產(chǎn)量并減少工藝變化，所以要對關(guān)鍵設(shè)備進(jìn)行監(jiān)控，避免發(fā)生重大異常后果。離子注入機是半導(dǎo)體設(shè)備生產(chǎn)流水線中的核心設(shè)備之一，主要用于離子注入步驟。[2]離子注入是一種將離子以高能量注入半導(dǎo)體材料的工藝，通過控制注入的離子種類、能量和劑量，可以改變材料的導(dǎo)電性能和電子特性，直接影響著芯片的性能、質(zhì)量和產(chǎn)能。由于高精度結(jié)構(gòu)和多樣化的工藝需求，離子注入機的可靠性、精度和穩(wěn)定性對半導(dǎo)體工藝的成功實施至關(guān)重要，為此需要先進(jìn)的健康管理技術(shù)。

離子注入機的故障通常與離子源輸出質(zhì)量、磁分析器校準(zhǔn)和掃描系統(tǒng)穩(wěn)定性有關(guān)；此外，真空環(huán)境和溫度等也是導(dǎo)致設(shè)備異常的重要因素。因此，只有通過獲取設(shè)備的穩(wěn)態(tài)數(shù)據(jù)、瞬態(tài)數(shù)據(jù)和運行狀態(tài)等信息進(jìn)行綜合分析，才能確定故障原因并提出治理措施。故障類型主要有以下幾種：（1）離子源故障。離子源是產(chǎn)生離子束的關(guān)鍵組件，其功能故障可能導(dǎo)致離子束的產(chǎn)生和傳輸出現(xiàn)問題。例如，離子源的電極損壞、注入劑流量不穩(wěn)定、離子種類選擇錯誤。（2）加速器電源故障。加速器負(fù)責(zé)將離子束加速到所需能量，其功能故障可能導(dǎo)致加速效果不佳或無法正常加速。例如，加速器中的高壓電源故障、放電問題、場強調(diào)節(jié)失效。（3）真空系統(tǒng)故障。離子注入機需要特定的氣體環(huán)境和高真空條件才能正常運行，因此，真空系統(tǒng)和相關(guān)配件的故障可能會導(dǎo)致設(shè)備異常。例如，氣體泄漏、真空度下降、閥門失效。（4）控制系統(tǒng)故障。離子注入機的控制系統(tǒng)負(fù)責(zé)設(shè)定和監(jiān)控各個參數(shù)，并進(jìn)行自動化控制，其功能故障可能導(dǎo)致控制不準(zhǔn)確或無法正常操作。例如，控制系統(tǒng)軟件故障、傳感器失靈、數(shù)據(jù)采集異常。（5）注入系統(tǒng)故障。注入系統(tǒng)負(fù)責(zé)將離子束準(zhǔn)確注入目標(biāo)位置，其功能故障可能導(dǎo)致注入效果不佳或無法正常注入。例如，束流對準(zhǔn)失效、注入孔阻塞。（6）機械部件故障。涉及離子注入機的運動部件、傳動裝置和連接結(jié)構(gòu)等機械部件的故障，會影響設(shè)備的精度和穩(wěn)定性，甚至出現(xiàn)異?；蛲Ｖ埂＠?，運動軸承磨損、傳動帶斷裂、連桿松動。

故障診斷是工業(yè)設(shè)備健康管理（EHM）的核心技術(shù)之一，要解決的基礎(chǔ)問題是確定設(shè)備故障的原因和位置，以避免長時間停機、延遲生產(chǎn)和增加維修成本等。將故障診斷技術(shù)用于高成本工業(yè)設(shè)備及相關(guān)系統(tǒng)，可以識別實時發(fā)生的問題，以成本效益高的方式保持系統(tǒng)性能，提高生產(chǎn)效率，降低維修成本，減輕潛在風(fēng)險，并實現(xiàn)智能化設(shè)備管理。然而，在實際系統(tǒng)中出現(xiàn)異常時，該系統(tǒng)需要在很短的時間內(nèi)檢測和定位故障，從而確定維修計劃，以獲得更高的安全性和可靠性。傳統(tǒng)的故障診斷方法通常是由專家基于其豐富的經(jīng)驗和知識進(jìn)行識別和判斷，這種方法在特定領(lǐng)域和特定設(shè)備上可能表現(xiàn)出較高的準(zhǔn)確性和可靠性。[3]然而，這種方法依賴專家經(jīng)驗，具有主觀性和人為誤差，對復(fù)雜設(shè)備的故障診斷效率低下。在此情況下，需要新的方法來應(yīng)對新的應(yīng)用。隨著現(xiàn)代信息技術(shù)的發(fā)展，基于機器學(xué)習(xí)的故障診斷方法能夠自動從數(shù)據(jù)中學(xué)習(xí)并識別故障模式，具有更好的普適性和擴展性，在大規(guī)模系統(tǒng)和復(fù)雜設(shè)備的故障診斷中表現(xiàn)出更好的效果。[4]

在過去的幾十年里，許多人工智能方法已經(jīng)被集成到健康管理系統(tǒng)中。[5]最初深度學(xué)習(xí)只用于機械設(shè)備健康管理，現(xiàn)今已擴展到電力系統(tǒng)、電力裝置和航空航天設(shè)備等的故障診斷和預(yù)測。[6,7]其中，反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）是基于監(jiān)督學(xué)習(xí)的代表性分類器。[8]但是在實際應(yīng)用中它很難從相關(guān)的海量數(shù)據(jù)集中捕獲關(guān)鍵信息，所以傳統(tǒng)的人工智能方法很難實現(xiàn)對此類復(fù)雜數(shù)據(jù)的精確建模。[9,10]深度學(xué)習(xí)模型強大的特征提取能力有助于克服這一缺陷。自動編碼器、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等方法的突破進(jìn)一步啟發(fā)了智能故障診斷的發(fā)展。[11]深度置信網(wǎng)絡(luò)（deep belief network，簡稱DBN）是一種由受限玻爾茲曼機（restricted Boltzmann machine,簡稱RBM）構(gòu)建的相對成熟的深度學(xué)習(xí)模型，可以提取訓(xùn)練數(shù)據(jù)的潛在屬性。Jiang 等人堆疊了多個RBM 以構(gòu)建基于DBN 的診斷模型并融合了深度特征，該模型比傳統(tǒng)模型具有更高的診斷精度。[12]Sun等人提出了一種新的基于DBN 的電動機故障診斷模型，名為Tilear。[13]目前，基于DBN方法的故障診斷已成功應(yīng)用于多個領(lǐng)域。

在工業(yè)應(yīng)用中半導(dǎo)體設(shè)備的故障診斷仍是具有挑戰(zhàn)性的問題。[14]本研究建立了一個基于DBN 的故障診斷模型，將其應(yīng)用于離子注入機。該模型可準(zhǔn)確識別設(shè)備故障，從而有助于工業(yè)生產(chǎn)做出合理決策。

一、基于DBN 的故障診斷策略

（一）DBN方法

受限玻爾茲曼機（RBM）是一個具有玻爾茲曼機特殊結(jié)構(gòu)的兩層有向無環(huán)圖，它通常被用作構(gòu)造深層神經(jīng)網(wǎng)絡(luò)的基本單元。RBM 的結(jié)構(gòu)包括可見層和隱藏層，兩層的節(jié)點之間沒有連接。每個節(jié)點都有“激活”和“未激活”的兩種狀態(tài)，并且以二進(jìn)制形式表示，即取值為0 或1?？梢妼雍碗[藏層的狀態(tài)向量分別用v和h表示，可見節(jié)點和隱藏節(jié)點通過權(quán)重矩陣w連接并且具有偏置向量a和b。

對于給定的狀態(tài)向量v和h，能量函數(shù)定義為：

其中vi和hj是可見節(jié)點和隱藏節(jié)點的二進(jìn)制狀態(tài)，ai和bj為它們的偏置，wij是它們之間的權(quán)重。可見節(jié)點和隱藏節(jié)點的聯(lián)合分布通過能量函數(shù)定義為：

其中Z為用來歸一化的配分函數(shù)，θ為網(wǎng)絡(luò)參數(shù)集合{a,b,w}。RBM 的訓(xùn)練使用對比散度（contrastive divergence）算法，參數(shù)w的更新公式為：

其中ε是學(xué)習(xí)率，*data是由訓(xùn)練數(shù)據(jù)的概率分布決定的期望，*model是指由重構(gòu)數(shù)據(jù)的概率分布決定的期望。參數(shù)a和b按照相同的規(guī)則進(jìn)行更新。

深度置信網(wǎng)絡(luò)（DBN）是一個概率生成模型，由多個RBM 逐層堆疊形成。在DBN 中，每個RBM 的隱藏層作為下一層RBM 的可見層，通過這種方式逐層堆疊，形成多層結(jié)構(gòu)。通過這樣一個逐層的學(xué)習(xí)過程，最終可以獲得輸入的原始數(shù)據(jù)的深度表征。在DBN 模型的最后一層，選擇了監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)BPNN（back propagation neural network）。故障狀態(tài)加上正常狀態(tài)的標(biāo)簽維度是BPNN的輸出維度，在本研究中，BPNN輸出節(jié)點的數(shù)量設(shè)置為7。圖1 展示了具有三層隱藏層的DBN結(jié)構(gòu)。

圖1 RBM 及DBN 結(jié)構(gòu)

DBN 模型的訓(xùn)練過程主要分為兩個步驟：預(yù)訓(xùn)練和微調(diào)。預(yù)訓(xùn)練是自下而上、獨立和無監(jiān)督地對每一層RBM 進(jìn)行訓(xùn)練，目的是初始化整個模型，并逐層獲取數(shù)據(jù)的有用表示。在預(yù)訓(xùn)練完成后，整個DBN 模型被視為多層BP 神經(jīng)網(wǎng)絡(luò)，使用反向傳播算法對整個網(wǎng)絡(luò)進(jìn)行微調(diào)。在真實標(biāo)簽的指導(dǎo)下，通過調(diào)整權(quán)重和偏置來最小化預(yù)測輸出與真實目標(biāo)之間的誤差。微調(diào)的目的是調(diào)整整個DBN 模型的參數(shù)，使其更好地適應(yīng)訓(xùn)練數(shù)據(jù)。

DBN 模型的微調(diào)過程相當(dāng)于深度BPNN 權(quán)值初始化過程，優(yōu)化了BP 神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)、訓(xùn)練時間長的缺點。由于RBM可以通過對比散度算法快速訓(xùn)練，因而DBN 模型可以將復(fù)雜深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程簡化為多層RBM訓(xùn)練問題。因此，DBN 方法比其他深度神經(jīng)網(wǎng)絡(luò)模型具有更高的訓(xùn)練效率。

DBN方法展現(xiàn)了在故障診斷領(lǐng)域的應(yīng)用潛力，因此，本文將其應(yīng)用于離子注入機的故障診斷。

（二）故障診斷性能評價指標(biāo)

1.神經(jīng)網(wǎng)絡(luò)訓(xùn)練損失

損失是訓(xùn)練集上模型性能的指標(biāo)，其中較低的損失意味著擬合模型更好。計算公式如(4)所示，其中n表示樣本數(shù)量，y表示實際值，?表示預(yù)測值。

2.故障診斷正確率

故障診斷正確率（ correct rate, CR）定義為測試數(shù)據(jù)中正確分類的樣本在總樣本中的比例，用于評估故障診斷模型的整體性能。

二、實驗

（一）數(shù)據(jù)采集

離子注入機有很多可以測量的參數(shù)，為了降低特征維數(shù)和提高分類精度，特征選擇對后續(xù)分類至關(guān)重要。較少的特征可能會導(dǎo)致關(guān)鍵信息的缺乏，而更多的特征可能存在不相關(guān)或冗余的信息。在本研究中根據(jù)專家知識選擇了16 個參數(shù)變量作為特征，這16 個參數(shù)涵蓋了離子注入機的5 個子系統(tǒng)。上述16 個參數(shù)和相關(guān)子系統(tǒng)如表1所示。

表1 特征參數(shù)及相關(guān)子系統(tǒng)

最后，由湖南杰楚微半導(dǎo)體科技有限公司共收集了16443 個故障和5533 個正常運行數(shù)據(jù)樣本。使用分層抽樣方法將數(shù)據(jù)分為訓(xùn)練集和測試集，各包含所收集數(shù)據(jù)的50%。訓(xùn)練集用于訓(xùn)練本研究中提出的DBN 模型，測試集用于評估模型的故障診斷性能。

（二）DBN模型初始化

DBN 模型的每層神經(jīng)元節(jié)點的數(shù)量對故障診斷性能有很大影響。通常，輸入節(jié)點的數(shù)量與輸入特征變量的數(shù)量相同，而輸出節(jié)點的數(shù)量則與輸出變量的數(shù)量相等。確定合適的隱藏層節(jié)點數(shù)量是一個具有挑戰(zhàn)性的問題，它與輸入和輸出變量的數(shù)量、訓(xùn)練集的大小以及分類模型的學(xué)習(xí)復(fù)雜度有一定的關(guān)聯(lián)。

在大多數(shù)神經(jīng)網(wǎng)絡(luò)應(yīng)用中，隱藏層節(jié)點的數(shù)量是通過使用基于經(jīng)驗的啟發(fā)法來選擇的。本文通過經(jīng)驗公式(5)選擇了DBN模型中隱藏層節(jié)點的數(shù)量，結(jié)果為33。

其他模型參數(shù)的初始設(shè)置如下：DBN 的隱藏層數(shù)為3，RBM 迭代次數(shù)為10，NN 迭代次數(shù)為100，RBM 層的學(xué)習(xí)率為0.005，NN 層的學(xué)習(xí)速率為0.1，激活函數(shù)為ReLU。

(三）實驗結(jié)果

為了進(jìn)行比較，BPNN使用與DBN相同的架構(gòu)和相同數(shù)據(jù)進(jìn)行故障診斷訓(xùn)練。診斷結(jié)果如表2 所示。所提出方法的識別正確率達(dá)到98.66%，這意味著該方法可以高精度地區(qū)分離子注入機的七種運行狀況。在所提出的方法中，無監(jiān)督過程可以從未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)故障特征，而不是依賴于診斷人員。DBN 的輸出層可以被視為分類器，故障特征作為DBN 的輸出層的輸入以實現(xiàn)故障分類。因為DBN 層內(nèi)的單元間不存在鏈接，所以它具有較強的靈活性和可擴展性。因此，所提出的方法的性能優(yōu)于傳統(tǒng)的人工智能方法。

表2 DBN 和BPNN 的故障診斷結(jié)果

此外，實驗中的DBN 和BPNN 的訓(xùn)練損失如圖2 所示。所提出的方法訓(xùn)練損失在100 個周期內(nèi)收斂到幾乎為零，因此，本實驗設(shè)置的迭代次數(shù)是可行的。相比之下，使用基于BPNN 的方法時訓(xùn)練損失收斂較慢，導(dǎo)致分類精度不高。這一結(jié)果表明，所提出的方法確實能夠準(zhǔn)確地對復(fù)雜半導(dǎo)體設(shè)備數(shù)據(jù)建模，并且比基于BPNN的方法更具魯棒性。盡管DBN 需要無監(jiān)督的預(yù)訓(xùn)練過程，比傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)方法需要更多的訓(xùn)練時間，但是隨著硬件和并行處理技術(shù)的發(fā)展，DBN的訓(xùn)練速度得以提升。

圖2 訓(xùn)練損失曲線

三、總結(jié)

本文利用DBN 方法建立了一種新型的離子注入機故障診斷模型，以此識別設(shè)備的健康狀況，有助于操作人員定位具體故障位置并成功維修。在該方法中，首先以無監(jiān)督的方式逐層預(yù)訓(xùn)練DBN 的隱藏層，然后有監(jiān)督地使用BP 算法進(jìn)行微調(diào)。與監(jiān)督神經(jīng)網(wǎng)絡(luò)相比，該方法可以從未標(biāo)記的高階數(shù)據(jù)中提取特征，并利用深層架構(gòu)很好地解決復(fù)雜的分類問題。通過湖南杰楚微半導(dǎo)體科技有限公司的生產(chǎn)線獲得實驗數(shù)據(jù)，驗證了該方法的性能。實驗中所提出方法的識別正確率為98.66%，證明該方法在對復(fù)雜結(jié)構(gòu)數(shù)據(jù)建模方面具有優(yōu)勢，可以有效發(fā)掘這些數(shù)據(jù)的相關(guān)特征，實現(xiàn)準(zhǔn)確的分類。這種基于DBN 的故障診斷方法有望在國產(chǎn)半導(dǎo)體制造工藝中發(fā)揮重要作用，提高設(shè)備可靠性和生產(chǎn)效率。此外，DBN 模型的參數(shù)選擇還沒有一個具體的標(biāo)準(zhǔn)，通常需要多次調(diào)參。在工業(yè)生產(chǎn)環(huán)境中機器設(shè)備的調(diào)整會使新獲取的數(shù)據(jù)處于不同工況，使得變化前訓(xùn)練的模型不適用于變化后，影響診斷的準(zhǔn)確率。未來的工作可以聚焦于自適應(yīng)的參數(shù)優(yōu)化算法，快速優(yōu)化訓(xùn)練模型以應(yīng)對設(shè)備跨工況情況，并將其用于半導(dǎo)體裝備驗證線的其他設(shè)備乃至整個系統(tǒng)。