半導(dǎo)體制造是最復(fù)雜和技術(shù)最先進(jìn)的制造工藝之一,該過(guò)程通常由數(shù)百個(gè)步驟組成,其典型的制造步驟是用硅材料合成硅片,在新合成的硅片上制造集成電路,將集成電路放入封裝中,以便生產(chǎn)出可用的產(chǎn)品。在半導(dǎo)體生產(chǎn)過(guò)程中有效預(yù)測(cè)和檢測(cè)產(chǎn)品的故障和缺陷是十分必要的,這不僅可以防止突然的設(shè)備損壞,而且有助于提高生產(chǎn)率、降低成本和修理時(shí)間。近幾年來(lái),所有的制造設(shè)備都配備了設(shè)備/生產(chǎn)傳感器。雖然生產(chǎn)實(shí)時(shí)監(jiān)測(cè)是可能的,但產(chǎn)生的數(shù)據(jù)量巨大,難以依靠人工來(lái)實(shí)現(xiàn)實(shí)時(shí)檢測(cè)生產(chǎn)故障。在這種情況下大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)為實(shí)現(xiàn)故障和缺陷的自動(dòng)實(shí)時(shí)智能檢測(cè)提供了可能。機(jī)器學(xué)習(xí)近年來(lái)在生產(chǎn)制造業(yè)中得到了廣泛的應(yīng)用,智能制造已逐漸成為研究熱點(diǎn)。本文介紹了智能制造和半導(dǎo)體生產(chǎn)故障檢測(cè)的背景,介紹了基于人工智能、機(jī)器學(xué)習(xí)、大數(shù)據(jù)技術(shù)的智能算法在智能制造領(lǐng)域應(yīng)用的國(guó)內(nèi)外研究現(xiàn)狀,以及本文的主要工作和論文組織結(jié)構(gòu)。對(duì)可用于半導(dǎo)體生產(chǎn)缺陷檢測(cè)的智能算法的相關(guān)概念和基礎(chǔ)進(jìn)行簡(jiǎn)介和分析。給出了基于貝葉斯網(wǎng)絡(luò)的半導(dǎo)體生產(chǎn)故障檢測(cè)方法。使用貝葉斯網(wǎng)絡(luò)作為故障預(yù)測(cè)模型,將生產(chǎn)過(guò)程中的各參數(shù)和故障預(yù)測(cè)情況作為貝葉斯網(wǎng)的結(jié)點(diǎn),通過(guò)統(tǒng)計(jì)方法和生產(chǎn)過(guò)程中積累的訓(xùn)... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

用于故障檢測(cè)的貝葉斯網(wǎng)模型結(jié)構(gòu)

得出??Ｐ（Ｙ［＋ｌ＼Ｘｘ，．．．，Ｘｎ�。悖悖伲校椋�，）Ｐ｛Ｙｔ＋ｘ?ｍｆｌＰｉＸ，＼ＹＪｒ＋ｌ）?（３Ｊ）??ｒｔ?／＝ｉ??其中公式（７）中的每個(gè)概率項(xiàng)是貝葉斯網(wǎng)絡(luò)中每個(gè)變量的條件概率分布。??此外，我們可以通過(guò)計(jì)算傳感器值與正常平均值的差異來(lái)指定哪個(gè)傳感器導(dǎo)??致了缺陷：??ａｒｇｍａｘ?｜?（３?８）??３．?６多步驟故障預(yù)測(cè)??假定半導(dǎo)體制造工藝包括ｍ個(gè)步驟，我們將每個(gè)步驟對(duì)應(yīng)的貝葉斯網(wǎng)絡(luò)進(jìn)??行組合，并創(chuàng)建一個(gè)相對(duì)較大的貝葉斯網(wǎng)絡(luò)，如圖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，每一列列表示生產(chǎn)過(guò)程中的步驟■＝例如，“步驟１”列中的值??顯示的預(yù)測(cè)精度，是指給定步驟１中的狀態(tài)值，貝葉斯網(wǎng)絡(luò)預(yù)測(cè)的步驟２中發(fā)生??故障的準(zhǔn)確度。每一行表示１０次交叉驗(yàn)證的每個(gè)測(cè)試以及每個(gè)步驟的平均精度。??上述結(jié)果表明了本文模型的有效性。??３．?８進(jìn)一步討論??為進(jìn)一步簡(jiǎn)化模型，提高計(jì)算效率，我們還設(shè)計(jì)了如下模型。??

【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳算法的Bayesian網(wǎng)結(jié)構(gòu)增量學(xué)習(xí)的研究[J]. 王飛,劉大有,王淞昕.  計(jì)算機(jī)研究與發(fā)展. 2005(09)
[2]Bayesian網(wǎng)中概率參數(shù)學(xué)習(xí)方法[J]. 薛萬(wàn)欣,劉大有,張弘.  電子學(xué)報(bào). 2003(11)
[3]基于遺傳算法的Bayesian網(wǎng)結(jié)構(gòu)學(xué)習(xí)研究[J]. 劉大有,王飛,盧奕南,薛萬(wàn)欣,王松昕.  計(jì)算機(jī)研究與發(fā)展. 2001(08)

碩士論文
[1]基于數(shù)字圖像處理的水晶晶片缺陷檢測(cè)[D]. 孫彥春.南京理工大學(xué) 2009



本文編號(hào)：3577239