基于数据挖掘的单晶硅等径生长过程“掉苞”预测方法研究

摘要

直拉法单晶硅生长的工艺过程非、常复杂，在单晶炉上需要安装各种传感器对环境参数进行实时采集和监控，确保各环境参数在单晶硅生长过程中能够稳定。等径生长工艺过程是单晶硅生长过程中最重要、耗时最长的环节，对生产中的环境稳定性要求苛刻。本文针对晶盛TDR115P-ZJS型单晶炉等径生长阶段的“掉苞”现象的诊断与预测方法展开研究，达到降低生产过程能耗、原材料损耗的目的，具有理论意义与工程实际应用价值。 本文在分析国内外相关文献资料的基础上完成了如下工作:基于单晶炉拉晶过程的传感器及相关过程参数，统计了“掉苞”生长记录的等径过程持续时间分布并得到规律，抽取了原始样本点的集合，并做了相应的数据预处理，用以进行等径过程“掉苞”预测模型的训练;分别针对高斯混合模型和逻辑斯蒂回归相结合的异常样本点检测模型以及随机森林的等径过程“掉苞”判别模型，进行了模型训练和参数优化，并用现场测试数据验证了模型的性能;采用优化后的数据模型通过现场数据进行在线模拟测试，对晶体生长记录进行实时预警判别，正确率达到满意的效果。 本文主要内容如下: 第一章介绍了直拉法单晶硅生长工艺和等径过程的“掉苞”问题，以及数据挖掘的概念和基本流程。然后通过分析统计过程质量控制(SPC)方法的局限性，凸显数据挖掘在质量控制与预测的优势，并重点分析了数据挖掘技术在质量控制与预测等领域的研究现状，以及半导体材料相关的质量预测技术的研究现状。 第二章介绍了晶盛TDR115P-ZJS型单晶炉涉及的各个参数。分析了基于高斯混合模型和逻辑斯蒂回归的异常样本点检测模型和基于随机森林的判别模型的特点和功能。最后，介绍了本文涉及的过程数据监控系统，分析了预测模型在实际生产线上应用的整体流程和作用。 第三章通过等径“掉苞”生长记录的等径持续时间的统计分布规律，进行样本点抽取，并对样本点集合进行0-1标准化、互信息系数的特征选择和主成分分析法的特征降维。 第四章首先介绍了将包含主成分的样本点集合进行异常样本点检测模型训练的整体流程。接着对样本点集合进行高斯混合模型训练，主要包括k均值的参数初始化、EM算法的参数迭代和采用贝叶斯信息准则(BIC)系数的混合数选择等步骤。然后，对训练得到的概率向量进行逻辑斯蒂回归的训练，得到样本点“掉苞”的概率。最后，通过分析模型准确率对异常样本点检测模型进行了性能评估。 第五章介绍了基于随机森林的等径“掉苞”判别模型训练的整体流程。首先，对等径“掉苞”的单棵CART决策树模型进行训练与优化，并得到了最佳CART决策树及其树深和叶子结点数，然后将该参数作为随机森林的训练超参数，进行训练与优化，得到优化后的随机森林的等径“掉苞”判别模型。最后，分析模型的准确率、召回率对上述两个数据模型进行性能评估。 第六章首先通过预测模型对测试数据集中的所有晶体生长记录进行等径“掉苞”预测的告警，并与实际结果进行对比。然后，统计分析了测试数据集的等径“掉苞”生长记录的告警提前时间与等径持续时间，验证模型的可行性。 第七章对本文的工作成果进行了总结，并对今后的研究工作进行了展望。

目录

声明

致谢

摘要

图目录

表目录

符号清单

第1章绪论

1．1课题研究背景

1．2单晶硅直拉法生长工艺及生长过程质量问题

1．2．1直拉法单晶硅生长工艺流程

1．2．2单晶硅等径生长过程中的“掉苞”现象及原因分析

1．3数据挖掘技术

1．3．1数据挖掘的概念

1．3．2数据挖掘基本步骤

1．4国内外研究现状

1．4．1产品生产过程的质量诊断与预测的研究现状

1．4．2半导体材料制造过程的质量预测分析的研究现状

1．5本文主要工作与章节安排

第2章基于单晶炉多参数状态监控传感器的等径“掉苞”预测方法研究

2．1引言

2．2单晶硅生长工艺过程的数据监控简述

2．3基于数据挖掘的等径过程“掉苞”预测模型

2．3．1基于高斯混合模型和逻辑斯蒂回归的异常样本点检测

2．3．2基于随机森林的单晶硅等径生长过程“掉苞”判定方法

2．4等径过程“掉苞”预测模型的线上应用方案

2．5本章小结

第3章数据预处理

3．1引言

3．2数据预处理

3．2．1数据来源与数据采集

3．2．2数据标准化

3．3特征选择

3．3．1特征选择的分类和互信息系数

3．3．2等径过程样本集的特征选择

3．4特征降维

3．4．1主成分分析法及其方案流程

3．4．2等径过程样本集的PCA降维

3．5本章小结

第4章基于高斯混合和逻辑回归的等径“掉苞”异常样本点检测模型

4．1引言

4．2异常样本点检测模型训练的流程

4．3单晶硅等径过程的样本点的高斯混合模型训练

4．3．1高斯混合模型的初始化参数估计

4．3．2高斯混合模型的训练流程

4．3．3高斯混合模型的混合数确定

4．3．4最优混合数的高斯混合模型参数

4．4逻辑斯蒂回归

4．4．1逻辑斯蒂回归的概念

4．4．2逻辑斯蒂回归数学表述

4．4．3逻辑回归参数估计

4．5异常样本点检测模型的模型性能评估

4．6本章小结

第5章基于随机森林的单晶硅等径生长过程“掉苞”判定方法研究

5．1引言

5．2基于随机森林的判别模型训练的流程

5．3等径过程样本点的“掉苞”判别决策树模型

5．3．1决策树的训练流程

5．3．2 CART决策树结点的划分选择

5．3．3决策树的剪枝优化

5．4树模型的集成方法

5．4．1随机森林

5．4．2随机森林的判别模型训练流程

5．5 CART决策树和随机森林模型的性能参数

5．5．1 CART决策树的性能参数

5．5．2随机森林的性能参数

5．6本章小结

第6章单晶硅等径生长过程的“掉苞”预测模型的模拟在线测试

6．1引言

6．2等径生长过程的“掉苞”预测的模拟在线测试流程

6．3测试数据集的模拟在线测试

6．4模拟在线测试的测试实例分析

6．5本章小结

第7章总结与展望

7．1工作总结

7．2工作展望

参考文献