SmartFDC™：使用机器学习进行异常检测
 |
背景
为了正确配置 FDC 系统，需要对过程、设备、故障模式有深入的了解，并需要齐心协力建立和维护系统。即使已经完全建立，系统也只是符合设想中的故障条件。虽然深思熟虑的工程方法总是有其价值，但是机器学习算法 (人工智能的一个子集) 却可以为新创建的和已确立的 FDC 程序带来显著优势。
利用这些先进算法的强大功能，INFICON 智能制造系统团队设计了一种新产品，用于自动检测时间序列机台数据中的异常。这个附加包被称为 SmartFDC，将帮助您的 FDC 团队快速识别可能导致收益损失的问题。
Smart FDC 是标准 FDC 的补充
通过这个系统，从每个采集室收集的数据被用来自动训练算法 (无监督学习) 以及报告任何检测到的异常 (图1)。
图 1：新的 SmartFDC 包是 FDC 标准工程方法的补充。
分析结果显示在基于网页的直观用户界面上 (图 2)。您可以在此进行如下操作：
- 查看当前和过去的异常情况，包括过程数据趋势图
- 标识异常情况用于追踪
- 与算法交互
- 过滤与您的工作职能相关的结果
图 2：SmartFDC 仪表盘显示异常计数、相对严重程度以及是否标记该机台供工程师追踪。
轻松改进 SmartFDC，提高精度
为了进一步提高结果的准确性，用户将能够基于系统的工程知识"示教"算法 (监督学习)。例如，已知的修整违规、噪音问题或测试晶圆运行可能导致假异常，可以训练系统在今后的运行中忽略这些异常，从而改进今后的异常检测结果 (图 3)。
图 3：示教 SmartFDC 系统忽略某些类型的信号，并对其影响进行分类，以改进异常检测。
与 INFICON 软件产品相集成
系统发货时带有与其他 INFICON 产品相集成的内置功能。例如，我们的 Metrology Sampling Optimizer 将允许您配置一个规则，在 SmartFDC 中检测到异常时，将自动在量测时进行材料采样 (图 4)。
图 4：当检测到异常时，SmartFDC 会提醒 Metrology Sampling Optimizer 标记额外的测量批次。
总结
您可以使用 SmartFDC 进行如下操作：
- 为新安装的机台或传感器硬件快速建立基线检测系统
- 由于维护系统所需资源减少，从而降低 FDC 的总拥有成本
- 快速适应过程/技术的变化，而不需要花大力气去添加/验证分析
- 检测工程师可能没有想到的问题
- 通过监视意外情况来减少产品偏移风险
SmartFDC 是我们产品的发展方向，将为您的工厂带来先进的功能。
INFICON 目前正与几个客户合作在生产环境中试点产品，计划在 2021 年第一季度上市销售。