基于Transformer和迁移学习的离子磨蚀故障失效预测研究.pdfVIP

摘要

晶圆加工是半导体制造的核心流程之一，离子磨蚀系统能否正确连续运行

是完成晶圆加工的关键。预测和健康管理技术在促进半导体制造的可靠性和效

率方面发挥着越来越重要的作用。采用数据驱动模型对不同场景不同故障模式

下的离子磨蚀系统的剩余使用寿命进行预测有助于防止机器因零件磨损等原因

突发失效，并且能够降低维护成本，保持半导体企业竞争力。

本文在分析离子磨蚀系统剩余使用寿命预测物理模型可行性的基础上，以

解决该过程中剩余使用寿命预测存在的有效信息分布不匀和失效进程阐述不明

的问题为目的，以Transformer网络为基础，结合特征压缩-激发方法，长短期

记忆网络和物理特征提取方法构建了多分支的模型框架并提出了具体离子磨蚀

故障失效剩余使用寿命预测模型，实现了该过程中剩余使用寿命的准确预测并

为工业领域中故障失效剩余使用寿命预测模型的构建提供了新思路。

本文针对离子磨蚀进程中多工况与多故障模式下剩余使用寿命预测模型

迁移学习方法中存在的忽略目标域的域独特信息以及传感器数据局部关键信息

迁移实现程度有限的问题，该方法同时从全局和局部两个层面进行知识迁移并

同时保证目标域的域独特信息，实现了模型的有效迁移并通过实验验证了该方

法的有效性，在与离子磨蚀进程中的其他迁移学习方法相比中表现出优秀的性

能。除此之外，该迁移学习方法将对比学习纳入迁移学习框架中，有效拓展了

对比学习和迁移学习的应用体系。

关键词：离子磨蚀系统；剩余使用寿命；Transformer；迁移学习。

Abstract

Ionmilletchingprocessisoneofthecoreprocessesinsemiconductor

manufacturing,andthecontinuousoperationoftheionmilliscrucialforwafer

etching.Prognosticsandhealthmanagementtechniquesplayanincreasingly

importantroleinimprovingthereliabilityandefficiencyofsemiconductor

manufacturing.Predictingtheremainingusefullifeofionmillsunderdifferent

scenariosandfaultmodesusingdata-drivenapproacheshelpspreventsudden

failurescausedbycomponentwearandreducesmaintenancecosts,thereby

maintainingthecompetitivenessofsemiconductorcompanies.

Basedontheanalysisofthefeasibilityofphysicalmodelsforpredictingthe

remainingusefullifeofionmills,thispaperaimstoaddresstheissuesofuneven

distributionofeffectiveinformationandunclearfailureprocessdescriptioninthe

predictionofremainingusefullifeoftheionmilletchingprocess.Amulti-branch

modelframeworkisconstructedbasedo