基于DBN 的离子注入机故障诊断方法研究

颜秀文，曹丽婷，宋莹洁，高梓文

（湖南大学信息科学与工程学院，湖南 长沙，410082）

引言

半导体生产通常采用流水线作业，任何一台设备发生故障或者工作异常都可能导致整个生产停产并造成巨大损失。[1]半导体制造商的目的是提高工艺产量并减少工艺变化，所以要对关键设备进行监控，避免发生重大异常后果。离子注入机是半导体设备生产流水线中的核心设备之一，主要用于离子注入步骤。[2]离子注入是一种将离子以高能量注入半导体材料的工艺，通过控制注入的离子种类、能量和剂量，可以改变材料的导电性能和电子特性，直接影响着芯片的性能、质量和产能。由于高精度结构和多样化的工艺需求，离子注入机的可靠性、精度和稳定性对半导体工艺的成功实施至关重要，为此需要先进的健康管理技术。

离子注入机的故障通常与离子源输出质量、磁分析器校准和扫描系统稳定性有关；此外，真空环境和温度等也是导致设备异常的重要因素。因此，只有通过获取设备的稳态数据、瞬态数据和运行状态等信息进行综合分析，才能确定故障原因并提出治理措施。故障类型主要有以下几种：（1）离子源故障。离子源是产生离子束的关键组件，其功能故障可能导致离子束的产生和传输出现问题。例如，离子源的电极损坏、注入剂流量不稳定、离子种类选择错误。（2）加速器电源故障。加速器负责将离子束加速到所需能量，其功能故障可能导致加速效果不佳或无法正常加速。例如，加速器中的高压电源故障、放电问题、场强调节失效。（3）真空系统故障。离子注入机需要特定的气体环境和高真空条件才能正常运行，因此，真空系统和相关配件的故障可能会导致设备异常。例如，气体泄漏、真空度下降、阀门失效。（4）控制系统故障。离子注入机的控制系统负责设定和监控各个参数，并进行自动化控制，其功能故障可能导致控制不准确或无法正常操作。例如，控制系统软件故障、传感器失灵、数据采集异常。（5）注入系统故障。注入系统负责将离子束准确注入目标位置，其功能故障可能导致注入效果不佳或无法正常注入。例如，束流对准失效、注入孔阻塞。（6）机械部件故障。涉及离子注入机的运动部件、传动装置和连接结构等机械部件的故障，会影响设备的精度和稳定性，甚至出现异常或停止。例如，运动轴承磨损、传动带断裂、连杆松动。

故障诊断是工业设备健康管理（EHM）的核心技术之一，要解决的基础问题是确定设备故障的原因和位置，以避免长时间停机、延迟生产和增加维修成本等。将故障诊断技术用于高成本工业设备及相关系统，可以识别实时发生的问题，以成本效益高的方式保持系统性能，提高生产效率，降低维修成本，减轻潜在风险，并实现智能化设备管理。然而，在实际系统中出现异常时，该系统需要在很短的时间内检测和定位故障，从而确定维修计划，以获得更高的安全性和可靠性。传统的故障诊断方法通常是由专家基于其丰富的经验和知识进行识别和判断，这种方法在特定领域和特定设备上可能表现出较高的准确性和可靠性。[3]然而，这种方法依赖专家经验，具有主观性和人为误差，对复杂设备的故障诊断效率低下。在此情况下，需要新的方法来应对新的应用。随着现代信息技术的发展，基于机器学习的故障诊断方法能够自动从数据中学习并识别故障模式，具有更好的普适性和扩展性，在大规模系统和复杂设备的故障诊断中表现出更好的效果。[4]

在过去的几十年里，许多人工智能方法已经被集成到健康管理系统中。[5]最初深度学习只用于机械设备健康管理，现今已扩展到电力系统、电力装置和航空航天设备等的故障诊断和预测。[6,7]其中，反向传播神经网络（BPNN）是基于监督学习的代表性分类器。[8]但是在实际应用中它很难从相关的海量数据集中捕获关键信息，所以传统的人工智能方法很难实现对此类复杂数据的精确建模。[9,10]深度学习模型强大的特征提取能力有助于克服这一缺陷。自动编码器、深度置信网络、卷积神经网络等方法的突破进一步启发了智能故障诊断的发展。[11]深度置信网络（deep belief network，简称DBN）是一种由受限玻尔兹曼机（restricted Boltzmann machine,简称RBM）构建的相对成熟的深度学习模型，可以提取训练数据的潜在属性。Jiang 等人堆叠了多个RBM 以构建基于DBN 的诊断模型并融合了深度特征，该模型比传统模型具有更高的诊断精度。[12]Sun等人提出了一种新的基于DBN 的电动机故障诊断模型，名为Tilear。[13]目前，基于DBN方法的故障诊断已成功应用于多个领域。

在工业应用中半导体设备的故障诊断仍是具有挑战性的问题。[14]本研究建立了一个基于DBN 的故障诊断模型，将其应用于离子注入机。该模型可准确识别设备故障，从而有助于工业生产做出合理决策。

一、基于DBN 的故障诊断策略

（一）DBN方法

受限玻尔兹曼机（RBM）是一个具有玻尔兹曼机特殊结构的两层有向无环图，它通常被用作构造深层神经网络的基本单元。RBM 的结构包括可见层和隐藏层，两层的节点之间没有连接。每个节点都有“激活”和“未激活”的两种状态，并且以二进制形式表示，即取值为0 或1。可见层和隐藏层的状态向量分别用v和h表示，可见节点和隐藏节点通过权重矩阵w连接并且具有偏置向量a和b。

对于给定的状态向量v和h，能量函数定义为：

其中vi和hj是可见节点和隐藏节点的二进制状态，ai和bj为它们的偏置，wij是它们之间的权重。可见节点和隐藏节点的联合分布通过能量函数定义为：

其中Z为用来归一化的配分函数，θ为网络参数集合{a,b,w}。RBM 的训练使用对比散度（contrastive divergence）算法，参数w的更新公式为：

其中ε是学习率，*data是由训练数据的概率分布决定的期望，*model是指由重构数据的概率分布决定的期望。参数a和b按照相同的规则进行更新。

深度置信网络（DBN）是一个概率生成模型，由多个RBM 逐层堆叠形成。在DBN 中，每个RBM 的隐藏层作为下一层RBM 的可见层，通过这种方式逐层堆叠，形成多层结构。通过这样一个逐层的学习过程，最终可以获得输入的原始数据的深度表征。在DBN 模型的最后一层，选择了监督学习网络BPNN（back propagation neural network）。故障状态加上正常状态的标签维度是BPNN的输出维度，在本研究中，BPNN输出节点的数量设置为7。图1 展示了具有三层隐藏层的DBN结构。

图1 RBM 及DBN 结构

DBN 模型的训练过程主要分为两个步骤：预训练和微调。预训练是自下而上、独立和无监督地对每一层RBM 进行训练，目的是初始化整个模型，并逐层获取数据的有用表示。在预训练完成后，整个DBN 模型被视为多层BP 神经网络，使用反向传播算法对整个网络进行微调。在真实标签的指导下，通过调整权重和偏置来最小化预测输出与真实目标之间的误差。微调的目的是调整整个DBN 模型的参数，使其更好地适应训练数据。

DBN 模型的微调过程相当于深度BPNN 权值初始化过程，优化了BP 神经网络容易陷入局部最优、训练时间长的缺点。由于RBM可以通过对比散度算法快速训练，因而DBN 模型可以将复杂深度神经网络的训练过程简化为多层RBM训练问题。因此，DBN 方法比其他深度神经网络模型具有更高的训练效率。

DBN方法展现了在故障诊断领域的应用潜力，因此，本文将其应用于离子注入机的故障诊断。

（二）故障诊断性能评价指标

1.神经网络训练损失

损失是训练集上模型性能的指标，其中较低的损失意味着拟合模型更好。计算公式如(4)所示，其中n表示样本数量，y表示实际值，ŷ表示预测值。

2.故障诊断正确率

故障诊断正确率（ correct rate, CR）定义为测试数据中正确分类的样本在总样本中的比例，用于评估故障诊断模型的整体性能。

二、实验

（一）数据采集

离子注入机有很多可以测量的参数，为了降低特征维数和提高分类精度，特征选择对后续分类至关重要。较少的特征可能会导致关键信息的缺乏，而更多的特征可能存在不相关或冗余的信息。在本研究中根据专家知识选择了16 个参数变量作为特征，这16 个参数涵盖了离子注入机的5 个子系统。上述16 个参数和相关子系统如表1所示。

表1 特征参数及相关子系统

最后，由湖南杰楚微半导体科技有限公司共收集了16443 个故障和5533 个正常运行数据样本。使用分层抽样方法将数据分为训练集和测试集，各包含所收集数据的50%。训练集用于训练本研究中提出的DBN 模型，测试集用于评估模型的故障诊断性能。

（二）DBN模型初始化

DBN 模型的每层神经元节点的数量对故障诊断性能有很大影响。通常，输入节点的数量与输入特征变量的数量相同，而输出节点的数量则与输出变量的数量相等。确定合适的隐藏层节点数量是一个具有挑战性的问题，它与输入和输出变量的数量、训练集的大小以及分类模型的学习复杂度有一定的关联。

在大多数神经网络应用中，隐藏层节点的数量是通过使用基于经验的启发法来选择的。本文通过经验公式(5)选择了DBN模型中隐藏层节点的数量，结果为33。

其他模型参数的初始设置如下：DBN 的隐藏层数为3，RBM 迭代次数为10，NN 迭代次数为100，RBM 层的学习率为0.005，NN 层的学习速率为0.1，激活函数为ReLU。

(三）实验结果

为了进行比较，BPNN使用与DBN相同的架构和相同数据进行故障诊断训练。诊断结果如表2 所示。所提出方法的识别正确率达到98.66%，这意味着该方法可以高精度地区分离子注入机的七种运行状况。在所提出的方法中，无监督过程可以从未标记的数据中学习故障特征，而不是依赖于诊断人员。DBN 的输出层可以被视为分类器，故障特征作为DBN 的输出层的输入以实现故障分类。因为DBN 层内的单元间不存在链接，所以它具有较强的灵活性和可扩展性。因此，所提出的方法的性能优于传统的人工智能方法。

表2 DBN 和BPNN 的故障诊断结果

此外，实验中的DBN 和BPNN 的训练损失如图2 所示。所提出的方法训练损失在100 个周期内收敛到几乎为零，因此，本实验设置的迭代次数是可行的。相比之下，使用基于BPNN 的方法时训练损失收敛较慢，导致分类精度不高。这一结果表明，所提出的方法确实能够准确地对复杂半导体设备数据建模，并且比基于BPNN的方法更具鲁棒性。尽管DBN 需要无监督的预训练过程，比传统的人工神经网络方法需要更多的训练时间，但是随着硬件和并行处理技术的发展，DBN的训练速度得以提升。

图2 训练损失曲线

三、总结

本文利用DBN 方法建立了一种新型的离子注入机故障诊断模型，以此识别设备的健康状况，有助于操作人员定位具体故障位置并成功维修。在该方法中，首先以无监督的方式逐层预训练DBN 的隐藏层，然后有监督地使用BP 算法进行微调。与监督神经网络相比，该方法可以从未标记的高阶数据中提取特征，并利用深层架构很好地解决复杂的分类问题。通过湖南杰楚微半导体科技有限公司的生产线获得实验数据，验证了该方法的性能。实验中所提出方法的识别正确率为98.66%，证明该方法在对复杂结构数据建模方面具有优势，可以有效发掘这些数据的相关特征，实现准确的分类。这种基于DBN 的故障诊断方法有望在国产半导体制造工艺中发挥重要作用，提高设备可靠性和生产效率。此外，DBN 模型的参数选择还没有一个具体的标准，通常需要多次调参。在工业生产环境中机器设备的调整会使新获取的数据处于不同工况，使得变化前训练的模型不适用于变化后，影响诊断的准确率。未来的工作可以聚焦于自适应的参数优化算法，快速优化训练模型以应对设备跨工况情况，并将其用于半导体装备验证线的其他设备乃至整个系统。