具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

本发明实施例故障检测终端（又叫终端、设备或者终端设备）可以是PC，也可以是智能手机、平板电脑和便携计算机等具有数据处理和显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及故障检测的计算机程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的故障检测程序，所述故障检测程序被处理器执行时实现下述实施例提供的故障检测方法中的操作。

基于上述设备硬件结构，提出了本发明故障检测方法的各个实施例。

在本发明各个实施例中，用到的关键技术术语包括：

晶圆：指制作半导体电路所用的晶片，晶圆的制造过程一般包括化学气相沉淀和化学机械研磨等。

信号概括：一种特征提取方式，是基于跟踪信号抽象化的方法，通过选取的少量关键点拟合出完整信号的轮廓。

需要说明的是，在半导体制造过程中，用于制造半导体的晶圆可能会存在机械损伤，而机械损伤的原因一般始晶圆表面由于抛光或者切片造成的机械划痕，成弧状或非连续点状分布。这种机械损伤有大有小，通常会影响晶圆电路的连通性，是比较严重的缺陷。但这种由机械操作不当等原因造成的缺陷是可以纠正的，基于此，诞生了先进过程控制理论作为半导体制造的一种缺陷解决方案，其中包括故障检测，用于监控和分析生产设备或生产过程数据的变化，从而检测半导体制造过程中是否存在故障并分析潜在的故障原因。

随着传感技术和IoT（Internet of Things，物联网）技术的发展，半导体制造过程的故障检测技术正在向智能化和数字化方向发展，面对采集的海量数据，特征提取就显得尤为重要。目前，常用的特征提取方式包括：从采集的原始数据中提取统计特征，如均值，标准差，极值等，信息缺失量大，难以保证检测模型鲁棒性；基于机器学习中的降维算法从原始数据中提取特征，例如主成分分析和线性判别分析等，降维方法基于方差最大原则，容易造成信息丢失，同时可能造成模型过拟合，部分算法参数需要人工定义；基于信号模式的信号分段以及特征提取算法复杂度高，需要借助专家知识和手动操作确定段的数量以及相应的信号模式。但上述特征提取方法都不可避免的会造成信息丢失，部分方法还需要一定的人工操作并结合相应的专业知识，不仅影响对故障检测的精度，还影响特征提取的效率。

为解决上述问题，本发明提出了一种用于半导体晶圆制造过程中的故障检测方法，通过对采集的原始数据进行信号概括，能实现对关键特征的自动提取，从而提高特征提取效率，并且能够保证故障检测精度。

具体地，参照图2，图2为本发明故障检测方法第一实施例的流程示意图，在本发明故障检测方法的第一实施例中，所述故障检测方法包括：

步骤S10，获取半导体晶圆制造过程中的监控信号数据；

本发明故障检测方法用于对半导体制造过程进行检测，以确定半导体的制造过程中是否存在故障，可知地，半导体的制造过程一般包括对晶圆进行化学气相沉淀和化学机械研磨，若晶圆的制造过程中存在故障，则制造出的半导体很可能存在机械损伤或其他方面的缺陷，从而生产出不合格品。在本实施例中，利用传感器技术和/或IoT技术，对晶圆制造过程进行监控，采集半导体晶圆制造过程中的监控信号数据，该监控信号数据包括晶圆制造过程中的温度、压力等信息，通过晶圆制造过程中的各种信号的监控数据，确定晶圆制造过程中是否存在故障。而对监控信号数据的获取可以是对晶圆制造过程中的各监控信号的信号值进行跟踪采集，也可以是每隔预设时长采集一次，采集的监控信号数据为时间序列。例如，若一个晶圆的制造过程所需的总时长为100秒左右，则每隔1秒采集一次晶圆制造过程中的各个监控信号的信号值，在晶圆制造完成后，则得到各监控信号对应的序列长度为100的时间序列。

步骤S20，对所述监控信号数据进行特征提取，获得所述半导体晶圆制造过程中的目标概括信号；

在获取半导体晶圆制造过程中的监控信号数据后，对获取的监控信号数据进行特征提取，从而提取监控信号数据的目标概括信号。其中，对监控信号数据进行特征提取，具体可以是指对监控信号数据进行信号概括，以下以信号概括为例进行说明。信号概括具体是通过对监控信号数据进行拟合，得到监控信号数据的拟合曲线，从该曲线上选取一些特征点，利用尽可能少的特征点能概括出完整的监控信号数据的拟合曲线，然后利用一个模型或函数去描述选取的特征点，该模型或函数即为目标概括信号，而选取的特征点即为监控信号数据的关键特征信息。对于半导体晶圆的制造过程而言，采集的数据量是巨大的，若基于采集的数据对半导体晶圆的制造过程中是否存在故障进行检测，需要消耗大量的计算资源，也可能会造成数据拥堵，从而影响故障检测效果和/或检测效率，因此，需要对采集的数据进行信号概括，只对其中具有代表性的数据点进行提取，概括出完整数据的信号，在不影响检测精度的基础上，可以有效减少故障检测时的计算量。

进一步地，步骤S20的细化包括：

步骤S2001，计算所述时间序列中每两个序列值之间的相异性，得到所述时间序列的相异性矩阵；

可知地，获取的监控信号数据是时间序列，计算时间序列中每两个序列值之间的相异性，得到该时间序列的相异性矩阵，假设一个序列长度为m的时间序列，对于其中每两个数据点和，他们之间的的相异性可以表示为。这里的相异性度量可以用p范数距离，以欧氏距离为例，相异性可以表示为（参考下列公式1）：

然后，计算时间序列S中的每两个序列值之间的相异性，并将计算出的相异性用矩阵的形式表示，得到时间序列S的相异性矩阵D如下列公式2所示：

步骤S2002，基于所述相异性矩阵建立所述时间序列的优化矩阵，其中，所述优化矩阵中的元素用于根据所述相异性确定对应的两个序列值之间，一个序列值是否能够代表另一个；

对于矩阵D，其目标是从时间序列S中找出一个小的子集来表示整个时间序列S。因此，基于相异性以及相关联的赋值变量建立一个优化矩阵，该优化矩阵如下列公式3所示：

（3）

其中，用来表示时间序列S中的是否能够代表，如果可以，即等于第一特征值，反之等于第二特征值，为便于计算，这里将第一特征值和第二特征值设置为1和0。

步骤S2003，根据所述优化矩阵计算所述时间序列的代价函数，并利用所述代价函数对所述时间序列进行特征提取，得到所述半导体晶圆制造过程中的目标概括信号。

基于上述公式1-3，用一个子集表示时间序列S中所有序列值的代价函数为（公式4）：

同时，基于公式4，所选特征数据点的数量应该尽可能的少，因此，优化矩阵Z中的非零行数可以进一步表示为（公式5）：

（5）

其中为p范数，I(·)为指示函数，当输入的为正时等于特定的特征值，该特定特征值可以是1。将公式4至5所示的代价函数相结合，得到可以用于信号概括的目标函数（公式6）：

（6）

利用公式6所示的目标函数对时间序列S进行信号概括，即得到半导体晶圆制造过程中的目标概括信号。

更进一步地，步骤S2003的细化，包括：

步骤A1，利用所述代价函数计算用于对所述时间序列进行特征提取的目标函数；

步骤A2，根据所述目标函数的约束条件对所述目标函数进行优化求解，得到所述时间序列的目标特征点，其中，所述目标特征点对应的信号为所述半导体晶圆制造过程中的目标概括信号，所述目标函数的约束条件包括因果约束，所述因果约束为所述时间序列中的第一序列值只能由时间点在前的第二序列值表示。

参照公式6，在得到目标概括信号时，首先是根据代价函数计算可用于对半导体晶圆制造过程中的时间序列数据进行信号概括的目标函数，在利用计算出的目标函数对然后根据该目标函数的约束条件对目标函数进行优化求解，从而得到可以对时间序列进行信号概括的目标特征点。其中，目标函数的约束条件包括因果条件，即在时间序列中，一个序列值只能由时间点在其之前的序列值表示，具体地，可以通过下列公式7表示：

（7）

目标函数的约束条件还可以包括唯一性约束和连续性约束，在选取目标特征点时，唯一性约束表示每个时间点对应的序列值有且只有一个代表，连续性约束表示每个序列值对应的时间点只能代表连续的时间点，唯一性约束和连续性约束可以用下列公式8-9表示：

（8）

（9）

基于上述约束条件，对可用于对时间序列进行信号概括的目标函数进行优化求解，得到各个可以用于概括时间序列的代表点，即目标特征点，该目标特征点所组成的信号即为时间序列对应的目标概括信号。

步骤S30，根据所述目标概括信号检测所述半导体晶圆的制造过程是否存在故障。

进一步的，在得到半导体晶圆制造过程中的监控信号数据的目标概括信号后，根据计算出的目标概括信号检测半导体晶圆的制造过程中是否存在故障。具体地，是对目标概括信号中的数据点进行分析，判断在半导体晶圆的制造过程中是否存在异常数据点，从而检测半导体晶圆的制造过程中是否存在故障。

在本实施例中，通过获取半导体晶圆制造过程中的监控信号数据；对所述监控信号数据进行信号概括，提取所述半导体晶圆制造过程中的目标概括信号；根据所述目标概括信号检测所述半导体晶圆的制造过程是否存在故障。可以实现全自动化的特征提取，减少故障检测中对专家经验的依赖，并且，通过信号概括可以提取半导体制造过程中的监控信号数据的关键特征，避免特征信息的丢失，从而提高对半导体制造过程中的故障检测精度。

进一步地，在本发明上述实施例的基础上，提出了本发明故障检测方法的第二实施例。

本实施例是第一实施例中步骤S20之前的步骤，本实施例与本发明上述实施例的区别在于：

步骤S20之前，还包括：

步骤B1，获取半导体标准晶圆的制造过程中的标准信号数据；

步骤B2，基于所述标准信号数据对所述监控信号数据进行动态时间规整，对齐所述监控信号数据与所述标准信号数据之间的时间步长。

基于上述实施例，在本实施例中，一个晶圆的制造过程往往需要多个传感器对多个信号进行监控，并且每个传感器监控的信号模式均不相同，因此所有的传感器信号均需进行信号概括以计算出用于概括该传感器信号的数据点集合，即目标特征点。

而从标准晶圆制造过程的监控信号数据中所获得的用于信号概括的模板可以直接应用于其他同类晶圆制造过程的监控信号数据的信号概括中。但对于不同的晶圆，制造过程的时长并不一定是完全相同的，因此，不同晶圆的制造过程的监控信号数据虽然可以以标准晶圆制造过程的监控信号数据为参考，但如果采集的监控信号数据的序列长度与标准晶圆的制造过程中的监控信号数据序列长度不一致，需要对采集的监控信号数据进行动态时间规整，用于对齐采集的晶圆制造过程中的监控信号数据与标准晶圆的监控信号数据之间的时间步长。具体地，判断采集的监控信号数据的序列长度与标准晶圆的标准信号数据的序列长度是否一致，若不一致，则首先对采集的监控信号数据进行动态时间规整，然后再进行信号概括，得到目标概括信号。

进一步地，基于动态时间规整后的监控信号数据，当采集的监控信号数据和标准信号数据的时间步长一致时，可以利用标准晶圆的概括信号快速确定采集的监控信号数据中作为代表点的目标特征点，从而对采集的监控信号数据进行快速的特征提取，即在对齐时间步长之后，按照采集的监控信号数据中的数据点与标准信号数据中的数据点之间的对应关系，从采集的监控信号数据中选取与标准概括信号中的数据点对应的数据点作为目标特征点，从而得到目标概括信号。

进一步地，基于上述步骤B1-B2，上述实施例中步骤S30的细化包括：

步骤S3001，获取所述标准晶圆的标准概括信号，其中，所述标准概括信号是对所述标准信号数据进行特征提取得到的；

步骤S3002，将所述目标概括信号与所述标准概括信号进行比较，检测所述半导体晶圆的制造过程是否存在故障。

基于上述标准晶圆的监控信号数据，对标准晶圆的监控信号数据进行信号概括可以得到标准概括信号，基于该标准概括信号可以对采集的监控信号数据快速进行信号概括，得到目标概括信号。同时，基于标准概括信号，将采集的监控信号数据的目标概括信号与该标准概括信号进行比较，从而确定采集的监控信号数据中是否存在异常数据，从而检测出半导体晶圆制造过程中是否存在故障。若目标概括信号中存在与标准概括信号差异较大的数据点，则可以判定为晶圆制造过程中存在故障。在本实施例中，标准晶圆是基于历史制造的晶圆中选取的符合标准的晶圆。

进一步地，步骤S30之后，还包括：

步骤C1，当检测到特征设计指令时，根据所述特征设计指令对所述标准概括信号的特征点进行修改，根据修改后的特征点对所述标准概括信号进行更新，或者生成新版本的标准概括信号。

进一步地，在本实施例中，标准晶圆的标准概括信号并不是固定的，而是可变的，且支持用户自定义设置或选取特征点，对标准晶圆的标准概括信号进行修改，满足用户的个性化晶圆制造需求。具体地，当用户存在个性化的晶圆制造需求时，为了检测定制晶圆的制造过程是否存在故障，可以对标准晶圆的概括信号进行修改，从而明确定定制晶圆制造过程中的各监控信号的信号值，当检测用户的特征设计指令时，根据检测到的特征设计指令对标准晶圆的标准概括信号中的特征点进行修改，并根据修改后的特征点对标准概括信号进行修改，或者，在原有标准概括信号的基础上，生成新版本的标准概括信号。

更进一步地，在本实施例中，本发明故障检测方法的步骤，还包括：

步骤D1，计算所述标准概括信号中各标准特征点的重要性指标；

步骤D2，根据各所述标准特征点的重要性指标对所述标准特征点进行筛选，并基于筛选出的标准特征点对所述标准概括信号进行更新。

除自定义的特征点设计和选取之外，在本实施例中，对标准晶圆的监控信号数据进行信号概括，生成标准概括信号时，还会对计算出的各个标准特征点的重要性指标，并根据计算出的重要性指标对各个标准特征点的重要性进行衡量，根据各标准特征点的重要性进行排序筛选，基于筛选出的标准特征点生成标准概括信号。可以理解的是，在不影响检测精度的基础上，为减少计算量，要尽可能选取尽量少的特征点生成标准概括信号，因此，在生成标准概括信号之后，还可以随时对标准信号中的各个标准特征点的重要性进行衡量，从而对标准概括信号进行更新。

而评估各标准特征点重要性的指标包括皮尔森相关系数、卡方值、互信息和最大信息系数等，以最大信息系数为例，每个标准特征点的最大信息系数的计算方式如下列公式10所示：

其中是索引为i的特征点，y为对应的标签，为对应的联合概率分布，为似然分布，为先验。如果特征与样本标签y之间的关系不密切，的值会比较小，相反，如果两者密切相关，那么值会比较大。在对进行排名后，可以进一步地对计算出的特征点进行筛选，只挑选前k个重要特征点进行检测模型的构建，即生成标准概括信号用于机器学习进而构建故障检测模型。

具体地，利用筛选出的特征点作为标准特征点，构建出一个向量化的矩阵输入，基于该矩阵输入，不同种类的机器学习算法均可用于FD建模，包括主成分分析、支持向量机等，从而构建故障检测模型。

在本实施例中，通过以标准晶圆的标准概括信号为参考依据，与采集的监控信号数据的目标概括信号进行比较，从而检测晶圆制造过程中是否存在故障，可提高对故障的检测精度和检测效率。进一步地，基于标准概括信号，可以对采集的监控信号数据进行动态时间规整和快速信号概括，实现特征设计的全流程自动化，相比传统故障检测模型的半自动或者手动的特征提取和建模过程，效率更高。同时，利用信号抽象化概括的方法，可替代以往的手工信号分段与特征提取，降低了对专家经验的依赖，基于信号抽象化概括的方法，降低了故障检测模型的复杂度，使得模型训练与在线推理变得更加高效。更进一步地，在本实施例中，支持用户对标准概括信号的自定义设置，通过用户对标准概括信号额外的特征设计满足用户的个性化定制需求，提高故障检测模型的适用性和灵活性，同时，在生成标准概括信号时，通过对计算出的特征点进行重要性筛选，基于筛选的标准特征点生成标准概括信号或对已生成的标准概括信号进行更新，可有效提高故障检测模型的检测准确度并减少计算量。

此外，参照图3，本发明实施例还提出一种故障检测装置，所述故障检测装置包括：

数据采集模块10，用于获取半导体晶圆制造过程中的监控信号数据；

信号概括模块20，用于对所述监控信号数据进行特征提取，获得所述半导体晶圆制造过程中的目标概括信号；

故障检测模块30，用于根据所述目标概括信号检测所述半导体晶圆的制造过程是否存在故障。

可选地，所述信号概括模块20，还用于：

计算所述时间序列中每两个序列值之间的相异性，得到所述时间序列的相异性矩阵；

基于所述相异性矩阵建立所述时间序列的优化矩阵，其中，所述优化矩阵中的元素用于根据所述相异性确定对应的两个序列值之间，一个序列值是否能够代表另一个；

根据所述优化矩阵计算所述时间序列的代价函数，并利用所述代价函数对所述时间序列进行特征提取，得到所述半导体晶圆制造过程中的目标概括信号。

可选地，所述信号概括模块20，还用于：

利用所述代价函数计算用于对所述时间序列进行信号概括的目标函数；

根据所述目标函数的约束条件对所述目标函数进行优化求解，得到所述时间序列的目标特征点，其中，所述目标特征点对应的信号为所述半导体晶圆制造过程中的目标概括信号，所述目标函数的约束条件包括因果约束，所述因果约束为所述时间序列中的第一序列值只能由时间点在前的第二序列值表示。

可选地，所述故障检测装置还包括动态时间规整模块，用于：

获取半导体标准晶圆的制造过程中的标准信号数据；

基于所述标准信号数据对所述监控信号数据进行动态时间规整，对齐所述监控信号数据与所述标准信号数据之间的时间步长。

可选地，所述故障检测模块30，还用于：

获取所述标准晶圆的标准概括信号，其中，所述标准概括信号是对所述标准信号数据进行特征提取得到的；

将所述目标概括信号与所述标准概括信号进行比较，检测所述半导体晶圆的制造过程是否存在故障。

可选地，所述故障检测装置还包括自定义特征设计模块，用于：

当检测到特征设计指令时，根据所述特征设计指令对所述标准概括信号的特征点进行修改，根据修改后的特征点对所述标准概括信号进行更新，或者生成新版本的标准概括信号。

可选地，所述故障检测装置还包括特征筛选模块，用于：

计算所述标准概括信号中各标准特征点的重要性指标；

根据各所述标准特征点的重要性指标对所述标准特征点进行筛选，并基于筛选出的标准特征点对所述标准概括信号进行更新。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有故障检测程序，所述故障检测程序被处理器执行时实现上述实施例提供的故障检测方法中的操作。

此外，本发明实施例还提出一种计算机程序产品，包括计算机程序，所述计算机被处理器执行时实现上述实施例提供的故障检测方法中的操作。

本发明设备、计算机程序产品和计算机可读存储介质各实施例，均可参照本发明故障检测方法各个实施例，此处不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序；术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的故障检测方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。