本發(fā)明涉及化學(xué)機(jī)械拋光領(lǐng)域，尤其涉及一種建立平均材料去除速率預(yù)測模型的方法及預(yù)測速率的方法。

背景技術(shù)：

在材料拋光加工生產(chǎn)過程中，采用化學(xué)機(jī)械拋光機(jī)對其拋光是重要的加工階段之一。例如，在硅片拋光的過程中，其材料去除速率受到眾多因素影響，如拋光墊的特性與狀態(tài)、拋光墊修整器的特性與狀態(tài)、拋光墊與硅片工件的轉(zhuǎn)速、硅片工件與拋光墊之間的壓力、拋光液的性質(zhì)與流動速率等。對于同一批硅片，且其研磨精度要求比較高時，不同的拋光速率所需的拋光時間就不相同，盤片研磨的厚度的不一致性會導(dǎo)致半導(dǎo)體器件的特性不均勻。在一些加工場景中，需要對多個批次、同種產(chǎn)品、同種材料的硅片進(jìn)行拋光厚度要求相同的拋光處理，如果拋光厚度存在誤差，就不能滿足所需產(chǎn)品的質(zhì)量要求。因此材料平均去除速率對加工時間有著直接的影響，如果能夠精確估計材料平均去除速率，就能夠精確的估計拋光時間，從而有利于拋光的工藝質(zhì)量優(yōu)化，減少次品率。因此需要對材料拋光過程進(jìn)行監(jiān)控，建立多因子模型來進(jìn)行平均材料去除速率的準(zhǔn)確預(yù)測。

專利號cn20091019754.1，用于動態(tài)調(diào)整化學(xué)機(jī)械拋光速率的方法，該專利通過收集特定歷史時間段內(nèi)的拋光數(shù)據(jù)，包括多次測量的線下拋光速率，以及開始時的拋光速率、結(jié)束時的拋光速率，并根據(jù)這些歷史數(shù)據(jù)計算每次拋光的拋光厚度調(diào)整量，從而評估損耗部件的損耗情況并及時反饋，可以及時調(diào)整化學(xué)機(jī)械拋光的拋光速率并使其以恒定速度工作。該方法通過伺服控制的方式進(jìn)行了拋光速率的恒定速度跟蹤，但是其并未能夠?qū)伖馑俾蔬M(jìn)行精確預(yù)測。對于文章《半導(dǎo)體硅片化學(xué)機(jī)械拋光電化學(xué)與拋光速率研究》(作者：楊海平)中研究了硅片在納米二氧化硅漿料中化學(xué)機(jī)械拋光過程的拋光速率及其影響因素，探索了拋光壓力、拋光轉(zhuǎn)速、二氧化硅含量、漿料ph值、雙氧水濃度以及拋光時間等因素與拋光速率之間的關(guān)系。在該研究中，作者詳細(xì)分析了各個因素對拋光速率的機(jī)理并給出了各個因素與拋光速率的數(shù)學(xué)關(guān)系表達(dá)式，但是在多種因素的綜合作用下，無法精確計算拋光速率值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)中的無法實(shí)現(xiàn)化學(xué)機(jī)械拋光精確預(yù)測的缺陷，目的在于提供一種的化學(xué)機(jī)械拋光機(jī)的材料去除速率的精準(zhǔn)預(yù)測方法，避免物理模型的計算復(fù)雜性，提高模型的精度，實(shí)現(xiàn)高精度預(yù)測化學(xué)機(jī)械拋光機(jī)的平均材料去除速率。

實(shí)現(xiàn)上述目的的技術(shù)方案是：

本發(fā)明化學(xué)機(jī)械拋光機(jī)的材料去除速率預(yù)測方法，該方法包括：

數(shù)據(jù)采集步驟a，由傳感器采集被加工材料工件樣本在不同拋光加工工況下的信號數(shù)據(jù)；

數(shù)據(jù)預(yù)處理步驟b，去除采集的傳感器信號數(shù)據(jù)中的噪聲和異常值；

特征提取步驟c，提取預(yù)處理后傳感器信號數(shù)據(jù)的特征，將提取出的特征進(jìn)行組合或變換生成模型參數(shù)訓(xùn)練數(shù)據(jù)集合；

特征選取步驟d，從模型參數(shù)訓(xùn)練數(shù)據(jù)集合中選取出優(yōu)化特征；

模型建立步驟e，對選取的優(yōu)化特征采用多種模型進(jìn)行回歸處理，得到每種模型對應(yīng)的回歸模型函數(shù)；將多個回歸模型函數(shù)進(jìn)行加權(quán)處理得到平均材料去除速率預(yù)測模型函數(shù)，經(jīng)由平均材料去除速率預(yù)測模型函數(shù)得到的輸出目標(biāo)值即為平均材料去除速率預(yù)測值。

本發(fā)明的一優(yōu)選實(shí)施例中，數(shù)據(jù)采集步驟a包括：

傳感器采集被加工材料工件樣本在拋光加工工況下的信號數(shù)據(jù)；被加工材料工件樣本的傳感器信號數(shù)據(jù)包括當(dāng)?shù)幌抻冢簰伖鈾C(jī)的腔室位置、拋光墊的用量、修整器的用量、拋光墊背襯膜用量、薄膜用量、拋光臺轉(zhuǎn)速、被加工材料工件的轉(zhuǎn)速、被加工材料工件與拋光墊之間的壓力、腔室壓力、拋光液的流動速率及修整液的開關(guān)狀態(tài)。

本發(fā)明的一優(yōu)選實(shí)施例中，數(shù)據(jù)預(yù)處理步驟b包括：

采用拉依達(dá)準(zhǔn)則去除采集的被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中的噪聲和異常，，即先經(jīng)由被加工材料工件樣本的所有傳感器信號數(shù)據(jù)計算出其對應(yīng)的平均值和標(biāo)準(zhǔn)誤差值；對于被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中的任一傳感器信號數(shù)據(jù)，如若該傳感器信號數(shù)據(jù)與平均值之差的絕對值滿足大于標(biāo)準(zhǔn)誤差值的3倍，則將該傳感器信號數(shù)據(jù)作為噪聲或異常值從被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中予以去除；

對于采集的被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中的缺失值，先經(jīng)由被加工材料工件樣本的所有傳感器信號數(shù)據(jù)計算出其對應(yīng)的中值，利用該中值來補(bǔ)全缺失值；

通過人工測量得到平均材料去除速率，即由單位時間內(nèi)拋光加工過程中減少的材料厚度得到平均材料去除速率，并將人工測量得到的平均材料去除速率放進(jìn)模型參數(shù)訓(xùn)練數(shù)據(jù)集合中。該平均材料去除速率用于初期檢測回歸模型的精確度，并確定回歸模型的系數(shù)。

本發(fā)明的一優(yōu)選實(shí)施例中，特征提取步驟c包括：

對預(yù)處理后的連續(xù)的傳感器信號數(shù)據(jù)提取與材料去除速率、拋光墊狀態(tài)和修整器狀態(tài)均敏感的特征，該特征包括但不限于：拋光墊的用量、修整器的用量、拋光墊背襯膜用量、薄膜用量、拋光臺轉(zhuǎn)速、被加工材料工件的轉(zhuǎn)速、被加工材料工件與拋光墊之間的壓力、腔室壓力、拋光液的流動速率對應(yīng)的均值特征、方差特征、求和特征和峭度特征；

對預(yù)處理后的可枚舉的離散傳感器信號數(shù)據(jù)，采用特征離散化編碼，得到相應(yīng)的離散化編碼特征，其中，離散傳感器信號數(shù)據(jù)包括：工件在拋光機(jī)中的位置數(shù)據(jù)和切削液狀態(tài)數(shù)據(jù)等；

將提取的預(yù)處理后的連續(xù)傳感器信號數(shù)據(jù)和離散傳感器信號數(shù)據(jù)的特征組合或變換生成對應(yīng)的模型參數(shù)訓(xùn)練數(shù)據(jù)集合。

從模型參數(shù)訓(xùn)練數(shù)據(jù)集合中選取出的優(yōu)化特征包括：數(shù)據(jù)采集時的時間戳(時間戳為計算機(jī)專業(yè)術(shù)語，定義為從格林威治時間1970年01月01日00時00分00秒起至現(xiàn)在的總秒數(shù))的均值特征、被加工材料工件與拋光墊之間的壓力的均值特征、修整器用量的均值特征、修整器用量總量的均值特征、拋光液的均值特征、拋光墊用量的均值特征、被加工材料工件轉(zhuǎn)速的均值特征、拋光頭轉(zhuǎn)速的均值特征、腔室壓力的均值特征、腔室位置的均值特征、修整液開關(guān)狀態(tài)的均值特征、拋光墊背襯膜用量的均值特征、薄膜用量的均值特征等。

對優(yōu)化特征采用多種模型，包括：梯度提升樹gbdt、極限樹extratree算法和xgboost模型，進(jìn)行非線性映射回歸處理，得到每種模型對應(yīng)的回歸模型函數(shù)y0,y1,…,yn；將多個回歸模型函數(shù)進(jìn)行加權(quán)處理得到平均材料去除速率預(yù)測模型函數(shù)：

其中，y為平均材料去除速率預(yù)測函數(shù)；下標(biāo)0,1，…，n分別為模型編號。

w0,w1,…,wn分別為回歸模型函數(shù)y0,y1,…,yn對應(yīng)的權(quán)值；誤差大的回歸模型函數(shù)，對應(yīng)的權(quán)值選取得較小；誤差小的回歸模型函數(shù)，對應(yīng)的權(quán)值選取得較大。

本發(fā)明的化學(xué)機(jī)械拋光機(jī)的材料去除速率預(yù)測方法，具體包括：

數(shù)據(jù)采集步驟a'，由傳感器采集被加工材料工件樣本在不同拋光加工工況下的信號數(shù)據(jù)；

數(shù)據(jù)預(yù)處理步驟b'，去除采集的傳感器信號數(shù)據(jù)中的噪聲和異常值；

特征提取步驟c'，提取預(yù)處理后傳感器信號數(shù)據(jù)的特征，將提取出的特征進(jìn)行組合或變換生成模型參數(shù)訓(xùn)練數(shù)據(jù)集合；

特征選取步驟d'，從模型參數(shù)訓(xùn)練數(shù)據(jù)集合中選取出優(yōu)化特征；

平均速率預(yù)測步驟e',將選取出的優(yōu)化特征代入每種模型對應(yīng)的回歸模型函數(shù)中得到每種模型對應(yīng)的速率預(yù)測值y0',y1',…,yn'，再將速率預(yù)測值y0',y1',…,yn'代入權(quán)利要求6所述的方法得到的平均材料去除速率預(yù)測模型函數(shù)中，即：

其中，y’平均材料去除速率預(yù)測值。

本發(fā)明的積極進(jìn)步效果在于：

1)該化學(xué)機(jī)械拋光機(jī)的平均材料去除速率預(yù)測方法采用化學(xué)機(jī)械拋光機(jī)內(nèi)置的傳感器采集每個被加工材料工件樣本的傳感器信號數(shù)據(jù)，保證傳感器信號數(shù)據(jù)具有易采集、不影響拋光的動態(tài)加工性能、在線實(shí)時性高等特點(diǎn)；

2)采用拉依達(dá)準(zhǔn)則去除每個被加工材料工件樣本的傳感器信號數(shù)據(jù)中的噪聲和異常值等，提取預(yù)處理后傳感器信號數(shù)據(jù)的特征，得到優(yōu)化特征；

3)采用多模型加權(quán)方法對每個被加工材料工件樣本的平均材料去除速率的優(yōu)化特征進(jìn)行建立平均材料去除速率預(yù)測模型函數(shù)，實(shí)現(xiàn)比單一模型進(jìn)行特征處理的更精確的預(yù)測結(jié)果；

將此預(yù)測方法用于拋光的生產(chǎn)過程中，實(shí)現(xiàn)平均材料去除速率的智能預(yù)測，可進(jìn)行拋光加工時間的精確估計，從而減少拋光加工過程中存在的欠拋光和過拋光現(xiàn)象，提升拋光質(zhì)量與加工良品率，從而提高經(jīng)濟(jì)效益。

以下將結(jié)合附圖對本發(fā)明的構(gòu)思、具體結(jié)構(gòu)及產(chǎn)生的技術(shù)效果作進(jìn)一步說明，以充分地了解本發(fā)明的目的、特征和效果。

附圖說明

圖1為本發(fā)明建立化學(xué)機(jī)械拋光機(jī)的平均材料去除速率預(yù)測模型的方法的流程圖；

圖2為本發(fā)明化學(xué)機(jī)械拋光機(jī)的平均材料去除速率預(yù)測的流程圖。

具體實(shí)施方式

下面結(jié)合圖1和圖2，對本發(fā)明的建立平均材料去除速率預(yù)測模型的方法及預(yù)測速率的方法分別進(jìn)行詳細(xì)的說明。

如圖1所示，本發(fā)明的建立化學(xué)機(jī)械拋光機(jī)的平均材料去除速率預(yù)測模型的方法，具體步驟包括如下：

步驟a，數(shù)據(jù)采集

將被加工材料工件樣本按順序進(jìn)行編號。采用拋光機(jī)內(nèi)置的傳感器采集每個被加工材料工件樣本在不同拋光加工工況下的信號數(shù)據(jù)，并經(jīng)由化學(xué)機(jī)械拋光機(jī)的監(jiān)控軟件對采集的傳感器信號數(shù)據(jù)進(jìn)行實(shí)時監(jiān)測與控制?？朔F(xiàn)有拋光機(jī)需另外安裝傳感器進(jìn)行傳感器信號數(shù)據(jù)采集的缺陷，從而不影響被加工材料工件樣本的拋光動態(tài)加工過程，滿足實(shí)際信號數(shù)據(jù)在線監(jiān)測要求。

每個被加工材料工件樣本的傳感器信號數(shù)據(jù)包括但不限于：拋光機(jī)的腔室位置、拋光墊的用量、修整器的用量、拋光墊背襯膜用量、薄膜用量、拋光臺轉(zhuǎn)速、被加工材料工件的轉(zhuǎn)速、被加工材料工件與拋光墊之間的壓力、腔室壓力、拋光液的流動速率及修整液的開關(guān)狀態(tài)等。

步驟b，數(shù)據(jù)預(yù)處理

采集的每個被加工材料工件樣本的傳感器信號數(shù)據(jù)均為連續(xù)拋光加工的信號數(shù)據(jù)，由于在拋光加工過程中易出現(xiàn)數(shù)據(jù)缺失、數(shù)據(jù)錯誤等問題，從而直接影響到信號數(shù)據(jù)分析的結(jié)果，因此需要對采集的傳感器信號數(shù)據(jù)進(jìn)行預(yù)處理。

采用拉依達(dá)準(zhǔn)則去除采集的被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中的噪聲和異常值，即先經(jīng)由被加工材料工件樣本的所有傳感器信號數(shù)據(jù)計算出其對應(yīng)的平均值和標(biāo)準(zhǔn)誤差值；對于被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中的任一傳感器信號數(shù)據(jù)，如若該傳感器信號數(shù)據(jù)與平均值之差的絕對值滿足大于標(biāo)準(zhǔn)誤差值的3倍，則將該傳感器信號數(shù)據(jù)作為噪聲或異常值從被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中予以去除；

對于采集的被加工材料工件樣本的所有傳感器信號數(shù)據(jù)中的缺失值，先經(jīng)由被加工材料工件樣本的所有傳感器信號數(shù)據(jù)計算出其對應(yīng)的中值，利用該中值來補(bǔ)全缺失值；

通過人工測量得到平均材料去除速率，即由單位時間內(nèi)拋光加工過程中減少的材料厚度得到平均材料去除速率，并將人工測量得到的平均材料去除速率放進(jìn)模型參數(shù)訓(xùn)練數(shù)據(jù)集合。該平均材料去除速率用于初期檢測回歸模型的精確度，并確定回歸模型的系數(shù)?；貧w模型的系數(shù)由專家給出，用于檢驗(yàn)?zāi)Ｐ偷木_度。如若模型不準(zhǔn)確。達(dá)不到需要的精度時，即由專家調(diào)整模型的系數(shù)，直至達(dá)到所需精度為止。

步驟c，特征提取

當(dāng)傳感器信號數(shù)據(jù)為時間序列信號數(shù)據(jù)時，信號數(shù)據(jù)量較大，分析過程比較復(fù)雜，需要對按樣本編號對預(yù)處理后的信號數(shù)據(jù)進(jìn)行特征提取，再進(jìn)行進(jìn)一步分析處理。

由不同的拋光加工工況下，特征的敏感度存在差異。對預(yù)處理后的連續(xù)的傳感器信號數(shù)據(jù)提取與材料去除速率、拋光墊狀態(tài)和修整器狀態(tài)均敏感的特征，該特征包括但不限于：拋光墊的用量、修整器的用量、拋光墊背襯膜用量、薄膜用量、拋光臺轉(zhuǎn)速、被加工材料工件的轉(zhuǎn)速、被加工材料工件與拋光墊之間的壓力、腔室壓力、拋光液的流動速率對應(yīng)的均值特征、方差特征、求和特征和峭度特征等；

對預(yù)處理后的可枚舉的離散傳感器信號數(shù)據(jù)，采用特征離散化編碼，得到相應(yīng)的離散化編碼特征，其中，離散傳感器信號數(shù)據(jù)包括：工件在拋光機(jī)中的位置數(shù)據(jù)和切削液狀態(tài)數(shù)據(jù)等。一實(shí)施例中，被加工材料工件在拋光機(jī)的腔室位置值區(qū)間在[1，3]時設(shè)為0，值區(qū)間在[4，5]時設(shè)為1。

將提取的預(yù)處理后的連續(xù)傳感器信號數(shù)據(jù)和離散傳感器信號數(shù)據(jù)的特征組合或變換生成對應(yīng)的模型參數(shù)訓(xùn)練數(shù)據(jù)集合。

步驟d，特征選擇

從模型參數(shù)訓(xùn)練數(shù)據(jù)集合中選取出的優(yōu)化特征包括：數(shù)據(jù)采集時的時間戳的均值特征、被加工材料工件與拋光墊之間的壓力的均值特征、修整器用量的均值特征、修整器用量總量的均值特征、拋光液的均值特征、拋光墊用量的均值特征、被加工材料工件轉(zhuǎn)速的均值特征、拋光頭轉(zhuǎn)速的均值特征、腔室壓力的均值特征、腔室位置的均值特征、修整液開關(guān)狀態(tài)的均值特征、拋光墊背襯膜用量的均值特征、薄膜用量的均值特征等。

步驟e，模型建立

對選取的優(yōu)化特征采用多種模型，包括：梯度提升樹gbdt(可參考friedman,j.h.(2001).greedyfunctionapproximation:agradientboostingmachine.annalsofstatistics,29(5),1189-1232)、極限樹extratree算法(可參考maier,o.,wilms,m.,vondergablentz,j.,u.m.,münte,t.f.,&handels,h.(2015).extratreeforestsforsub-acuteischemicstrokelesionsegmentationinmrsequences.journalofneurosciencemethods,240,89-100)和xgboost模型(可參考chen,t.,&guestrin,c.(2016).xgboost:ascalabletreeboostingsystem.acmsigkddinternationalconferenceonknowledgediscoveryanddatamining.acm)，進(jìn)行非線性映射回歸處理，得到每種模型對應(yīng)的回歸模型函數(shù)y0,y1,…,yn。對優(yōu)化特征分別采用多種模型進(jìn)行非線性映射回歸處理，對應(yīng)2個梯度提升樹gbdt的回歸結(jié)果，對應(yīng)極1個限樹算法extratree的回歸結(jié)果，對應(yīng)2個梯度提升樹gbdt的回歸結(jié)果，對應(yīng)1個xgboost的回歸結(jié)果。其中，4個梯度提升樹gbdt互不相同，各自模型的參數(shù)設(shè)置不同，具體為：y0：樹的深度為8，樣本子集比例為0.8；y1：樹的深度為8，樣本子集比例為0.5；y0：樹的深度為9，樣本子集比例為0.8；y1：樹的深度為8，樣本子集比例為0.5。學(xué)習(xí)得到回歸模型函數(shù)y0,y1,…,yn的回歸參數(shù)(其中，學(xué)習(xí)得到回歸參數(shù)的過程可以參考：friedman,j.h.(2001).greedyfunctionapproximation:agradientboostingmachine.annalsofstatistics,29(5),1189-1232)。將多個回歸模型函數(shù)進(jìn)行加權(quán)處理得到平均材料去除速率預(yù)測模型函數(shù)：

其中，y為平均材料去除速率預(yù)測模型函數(shù)；下標(biāo)0,1，…，n分別為模型編號。

w0,w1,…,wn分別為回歸模型函數(shù)y0,y1,…,yn對應(yīng)的權(quán)值；誤差大的回歸模型函數(shù)，對應(yīng)的權(quán)值選取得較??；誤差小的回歸模型函數(shù)，對應(yīng)的權(quán)值選取得較大。

在得到的6個回歸模型中，分別計算單回歸模型的回歸誤差，誤差絕對值大小位于前3位的回歸模型函數(shù)，對應(yīng)的權(quán)值選取得較小，誤差絕對值大小位于前3位的回歸模型函數(shù)的回歸模型函數(shù)，對應(yīng)的權(quán)值選取得較大。

一優(yōu)選實(shí)施例中，采用2～10個回歸模型分別對每個被加工材料工件樣本的傳感器信號數(shù)據(jù)對應(yīng)的優(yōu)化特征進(jìn)行非線性映射回歸處理。另一優(yōu)選實(shí)施例中，采用6個回歸模型分別對每個被加工材料工件樣本的傳感器信號數(shù)據(jù)對應(yīng)的優(yōu)化特征進(jìn)行非線性映射回歸處理。

如圖2所示，本發(fā)明的化學(xué)機(jī)械拋光機(jī)的材料去除速率預(yù)測方法具體包括如下步驟：

將新的被加工材料工件樣本進(jìn)行步驟a至步驟e處理，將選取出的優(yōu)化特征代入每種模型對應(yīng)的回歸模型函數(shù)中得到每種模型對應(yīng)的速率預(yù)測值y0',y1',…,yn'，再將速率預(yù)測值y0',y1',…,yn'代入步驟e所得的平均材料去除速率預(yù)測模型函數(shù)中，即：

其中，y’平均材料去除速率預(yù)測值。

以上詳細(xì)描述了本發(fā)明的各較佳具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無需創(chuàng)造性勞動就可以根據(jù)本發(fā)明的構(gòu)思作出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書所確定的保護(hù)范圍內(nèi)。