基于DBN 的離子注入機故障診斷方法研究

顏秀文，曹麗婷，宋瑩潔，高梓文

（湖南大學信息科學與工程學院，湖南 長沙，410082）

引言

半導體生產通常采用流水線作業，任何一臺設備發生故障或者工作異常都可能導致整個生產停產并造成巨大損失。[1]半導體制造商的目的是提高工藝產量并減少工藝變化，所以要對關鍵設備進行監控，避免發生重大異常后果。離子注入機是半導體設備生產流水線中的核心設備之一，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，可以改變材料的導電性能和電子特性，直接影響著芯片的性能、質量和產能。由于高精度結構和多樣化的工藝需求，離子注入機的可靠性、精度和穩定性對半導體工藝的成功實施至關重要，為此需要先進的健康管理技術。

離子注入機的故障通常與離子源輸出質量、磁分析器校準和掃描系統穩定性有關；此外，真空環境和溫度等也是導致設備異常的重要因素。因此，只有通過獲取設備的穩態數據、瞬態數據和運行狀態等信息進行綜合分析，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。離子源是產生離子束的關鍵組件，其功能故障可能導致離子束的產生和傳輸出現問題。例如，離子源的電極損壞、注入劑流量不穩定、離子種類選擇錯誤。（2）加速器電源故障。加速器負責將離子束加速到所需能量，其功能故障可能導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、場強調節失效。（3）真空系統故障。離子注入機需要特定的氣體環境和高真空條件才能正常運行，因此，真空系統和相關配件的故障可能會導致設備異常。例如，氣體泄漏、真空度下降、閥門失效。（4）控制系統故障。離子注入機的控制系統負責設定和監控各個參數，并進行自動化控制，其功能故障可能導致控制不準確或無法正常操作。例如，控制系統軟件故障、傳感器失靈、數據采集異常。（5）注入系統故障。注入系統負責將離子束準確注入目標位置，其功能故障可能導致注入效果不佳或無法正常注入。例如，束流對準失效、注入孔阻塞。（6）機械部件故障。涉及離子注入機的運動部件、傳動裝置和連接結構等機械部件的故障，會影響設備的精度和穩定性，甚至出現異?；蛲Ｖ?。例如，運動軸承磨損、傳動帶斷裂、連桿松動。

故障診斷是工業設備健康管理（EHM）的核心技術之一，要解決的基礎問題是確定設備故障的原因和位置，以避免長時間停機、延遲生產和增加維修成本等。將故障診斷技術用于高成本工業設備及相關系統，可以識別實時發生的問題，以成本效益高的方式保持系統性能，提高生產效率，降低維修成本，減輕潛在風險，并實現智能化設備管理。然而，在實際系統中出現異常時，該系統需要在很短的時間內檢測和定位故障，從而確定維修計劃，以獲得更高的安全性和可靠性。傳統的故障診斷方法通常是由專家基于其豐富的經驗和知識進行識別和判斷，這種方法在特定領域和特定設備上可能表現出較高的準確性和可靠性。[3]然而，這種方法依賴專家經驗，具有主觀性和人為誤差，對復雜設備的故障診斷效率低下。在此情況下，需要新的方法來應對新的應用。隨著現代信息技術的發展，基于機器學習的故障診斷方法能夠自動從數據中學習并識別故障模式，具有更好的普適性和擴展性，在大規模系統和復雜設備的故障診斷中表現出更好的效果。[4]

在過去的幾十年里，許多人工智能方法已經被集成到健康管理系統中。[5]最初深度學習只用于機械設備健康管理，現今已擴展到電力系統、電力裝置和航空航天設備等的故障診斷和預測。[6,7]其中，反向傳播神經網絡（BPNN）是基于監督學習的代表性分類器。[8]但是在實際應用中它很難從相關的海量數據集中捕獲關鍵信息，所以傳統的人工智能方法很難實現對此類復雜數據的精確建模。[9,10]深度學習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、深度置信網絡、卷積神經網絡等方法的突破進一步啟發了智能故障診斷的發展。[11]深度置信網絡（deep belief network，簡稱DBN）是一種由受限玻爾茲曼機（restricted Boltzmann machine,簡稱RBM）構建的相對成熟的深度學習模型，可以提取訓練數據的潛在屬性。Jiang 等人堆疊了多個RBM 以構建基于DBN 的診斷模型并融合了深度特征，該模型比傳統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用于多個領域。

在工業應用中半導體設備的故障診斷仍是具有挑戰性的問題。[14]本研究建立了一個基于DBN 的故障診斷模型，將其應用于離子注入機。該模型可準確識別設備故障，從而有助于工業生產做出合理決策。

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構的兩層有向無環圖，它通常被用作構造深層神經網絡的基本單元。RBM 的結構包括可見層和隱藏層，兩層的節點之間沒有連接。每個節點都有“激活”和“未激活”的兩種狀態，并且以二進制形式表示，即取值為0 或1?？梢妼雍碗[藏層的狀態向量分別用v和h表示，可見節點和隱藏節點通過權重矩陣w連接并且具有偏置向量a和b。

對于給定的狀態向量v和h，能量函數定義為：

其中vi和hj是可見節點和隱藏節點的二進制狀態，ai和bj為它們的偏置，wij是它們之間的權重?？梢姽濣c和隱藏節點的聯合分布通過能量函數定義為：

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

其中ε是學習率，*data是由訓練數據的概率分布決定的期望，*model是指由重構數據的概率分布決定的期望。參數a和b按照相同的規則進行更新。

深度置信網絡（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，形成多層結構。通過這樣一個逐層的學習過程，最終可以獲得輸入的原始數據的深度表征。在DBN 模型的最后一層，選擇了監督學習網絡BPNN（back propagation neural network）。故障狀態加上正常狀態的標簽維度是BPNN的輸出維度，在本研究中，BPNN輸出節點的數量設置為7。圖1 展示了具有三層隱藏層的DBN結構。

圖1 RBM 及DBN 結構

DBN 模型的訓練過程主要分為兩個步驟：預訓練和微調。預訓練是自下而上、獨立和無監督地對每一層RBM 進行訓練，目的是初始化整個模型，并逐層獲取數據的有用表示。在預訓練完成后，整個DBN 模型被視為多層BP 神經網絡，使用反向傳播算法對整個網絡進行微調。在真實標簽的指導下，通過調整權重和偏置來最小化預測輸出與真實目標之間的誤差。微調的目的是調整整個DBN 模型的參數，使其更好地適應訓練數據。

DBN 模型的微調過程相當于深度BPNN 權值初始化過程，優化了BP 神經網絡容易陷入局部最優、訓練時間長的缺點。由于RBM可以通過對比散度算法快速訓練，因而DBN 模型可以將復雜深度神經網絡的訓練過程簡化為多層RBM訓練問題。因此，DBN 方法比其他深度神經網絡模型具有更高的訓練效率。

DBN方法展現了在故障診斷領域的應用潛力，因此，本文將其應用于離子注入機的故障診斷。

（二）故障診斷性能評價指標

1.神經網絡訓練損失

損失是訓練集上模型性能的指標，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表示樣本數量，y表示實際值，?表示預測值。

2.故障診斷正確率

故障診斷正確率（ correct rate, CR）定義為測試數據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）數據采集

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

表1 特征參數及相關子系統

最后，由湖南杰楚微半導體科技有限公司共收集了16443 個故障和5533 個正常運行數據樣本。使用分層抽樣方法將數據分為訓練集和測試集，各包含所收集數據的50%。訓練集用于訓練本研究中提出的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 模型的每層神經元節點的數量對故障診斷性能有很大影響。通常，輸入節點的數量與輸入特征變量的數量相同，而輸出節點的數量則與輸出變量的數量相等。確定合適的隱藏層節點數量是一個具有挑戰性的問題，它與輸入和輸出變量的數量、訓練集的大小以及分類模型的學習復雜度有一定的關聯。

在大多數神經網絡應用中，隱藏層節點的數量是通過使用基于經驗的啟發法來選擇的。本文通過經驗公式(5)選擇了DBN模型中隱藏層節點的數量，結果為33。

其他模型參數的初始設置如下：DBN 的隱藏層數為3，RBM 迭代次數為10，NN 迭代次數為100，RBM 層的學習率為0.005，NN 層的學習速率為0.1，激活函數為ReLU。

(三）實驗結果

為了進行比較，BPNN使用與DBN相同的架構和相同數據進行故障診斷訓練。診斷結果如表2 所示。所提出方法的識別正確率達到98.66%，這意味著該方法可以高精度地區分離子注入機的七種運行狀況。在所提出的方法中，無監督過程可以從未標記的數據中學習故障特征，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故障分類。因為DBN 層內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于傳統的人工智能方法。

表2 DBN 和BPNN 的故障診斷結果

此外，實驗中的DBN 和BPNN 的訓練損失如圖2 所示。所提出的方法訓練損失在100 個周期內收斂到幾乎為零，因此，本實驗設置的迭代次數是可行的。相比之下，使用基于BPNN 的方法時訓練損失收斂較慢，導致分類精度不高。這一結果表明，所提出的方法確實能夠準確地對復雜半導體設備數據建模，并且比基于BPNN的方法更具魯棒性。盡管DBN 需要無監督的預訓練過程，比傳統的人工神經網絡方法需要更多的訓練時間，但是隨著硬件和并行處理技術的發展，DBN的訓練速度得以提升。

圖2 訓練損失曲線

三、總結

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，首先以無監督的方式逐層預訓練DBN 的隱藏層，然后有監督地使用BP 算法進行微調。與監督神經網絡相比，該方法可以從未標記的高階數據中提取特征，并利用深層架構很好地解決復雜的分類問題。通過湖南杰楚微半導體科技有限公司的生產線獲得實驗數據，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%，證明該方法在對復雜結構數據建模方面具有優勢，可以有效發掘這些數據的相關特征，實現準確的分類。這種基于DBN 的故障診斷方法有望在國產半導體制造工藝中發揮重要作用，提高設備可靠性和生產效率。此外，DBN 模型的參數選擇還沒有一個具體的標準，通常需要多次調參。在工業生產環境中機器設備的調整會使新獲取的數據處于不同工況，使得變化前訓練的模型不適用于變化后，影響診斷的準確率。未來的工作可以聚焦于自適應的參數優化算法，快速優化訓練模型以應對設備跨工況情況，并將其用于半導體裝備驗證線的其他設備乃至整個系統。