TFT-LCD连续关联工序关键质量指标虚拟量测方法及系统

本发明涉及工业过程质量，尤其涉及一种tft-lcd连续关联工序关键质量指标虚拟量测方法及系统。

背景技术：

1、tft-lcd（thin film transistor liquid crystal display，薄膜晶体管液晶显示）制造过程通常由多个连续且相互关联的工序组成，各工序涉及温度、气体流量、液体流量、功率、制程时间等多种工艺变量。不同工序之间具有明显的串联协同关系，前序工序的加工状态和质量状态可能对后续工序乃至最终产品质量产生影响。因此，目标工序的关键质量指标不仅与本工序工艺参数有关，还可能与前序工序的质量输出存在交叉关联。

2、在实际生产过程中，tft-lcd工艺数据具有高维、非线性和时序性等特点。传感器波动、设备磨损和工况漂移等因素还可能导致部分数据出现缺失、异常或噪声。传统物理量测方式通常需要通过实际检测设备或实验手段获得质量结果，难以满足快速质量评估需求。虚拟量测技术通过利用历史生产过程数据建立工艺参数与质量指标之间的映射关系，可利用生产过程数据对关键质量指标进行预测，从而减少对逐样本物理量测的依赖。

3、现有虚拟量测方法常以单一工序的当前工艺参数作为输入，或者仅对多个工序变量进行直接拼接，未充分利用连续工序之间的质量关联关系。对于具有明显时序依赖的制造数据，常规机器学习模型或简单卷积模型对跨时间尺度依赖关系的表征能力有限，单向循环网络也难以充分利用已经形成的时间窗口内前后位置的上下文信息。

4、此外，不同加工工序所采用的生产设备、工艺变量及参数数量往往并不相同，各工序对应的生产数据具有明显的异构性。若采用统一固定的输入特征集合对不同工序进行建模，容易引入与当前工序质量预测关联程度较低的冗余变量，且难以充分体现不同工序自身的关键工艺特征。

5、公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本发明提供了一种tft-lcd连续关联工序关键质量指标虚拟量测方法及系统，从而有效解决背景技术中的问题。

2、为了达到上述目的，本发明所采用的技术方案是：一种tft-lcd连续关联工序关键质量指标虚拟量测方法，包括如下步骤：

3、获取tft-lcd制造过程中至少两个连续关联工序的生产过程数据，所述生产过程数据包括各连续关联工序的工艺参数数据及至少一个前序关联工序的质量指标序列；根据工序标识和/或工具标识对所述生产过程数据进行工序划分和预处理，形成各工序的工艺参数序列；

4、针对待进行关键质量指标虚拟量测的目标关联工序，将所述目标关联工序的工艺参数序列与所述前序关联工序的质量指标序列逐时间节点对齐，并以并列输入通道方式融合为所述目标关联工序的关联工艺输入序列；对所述关联工艺输入序列进行时间窗口划分和规范化处理；

5、对所述关联工艺输入序列，通过至少两个具有不同扩张率的扩张因果卷积层提取多尺度时序特征，并在所述时间窗口内对所述多尺度时序特征进行双向时序建模，获得双向时序特征；从所述双向时序特征中提取跨多个时间节点的时间模式特征，并基于所述时间模式特征进行注意加权，获得加权时序特征；

6、以历史生产过程数据对应的关键质量指标作为监督标签，基于所述加权时序特征训练关键质量指标虚拟量测模型；将待量测tft-lcd生产过程数据按照与训练阶段相一致的数据处理方式处理后，输入训练完成的所述关键质量指标虚拟量测模型，输出所述目标关联工序对应的关键质量指标虚拟量测结果。

7、进一步地，所述前序关联工序为在加工顺序上位于所述目标关联工序之前，且其工艺状态或质量指标与所述目标关联工序的关键质量指标具有数据关联关系的连续关联工序；

8、所述目标关联工序是指当前需要进行关键质量指标虚拟量测的连续关联工序；

9、所述质量指标序列为所述前序关联工序的关键质量指标随生产顺序形成的序列；

10、所述关键质量指标为反映所述目标关联工序的加工质量或最终产品质量、且需通过物理量测获得的连续数值指标。

11、进一步地，所述工艺参数数据包括温度、气体流量、液体流量、功率和制程时间中的一种或多种；

12、所述根据工序标识和/或工具标识对所述生产过程数据进行工序划分，包括：根据所述工具标识确定相应的工序数据组；

13、所述预处理包括：删除所述生产过程数据中的空值列、单一值列和重复列；

14、对于被判定为无效的零值数据和/或缺失值数据，根据相应数据所属工序及工具类别，利用相同工序和相同工具类别下非零有效数据的统计值进行填充。

15、进一步地，所述形成各工序的工艺参数序列包括：

16、针对各工序对应的候选工艺参数分别进行特征重要性评估，并根据各工序各自对应的特征重要性排序结果，从相应工序的候选工艺参数中选取预设数量的关键工艺参数，以构建相应工序的工艺参数序列；

17、其中，不同工序的候选工艺参数的数量和/或参数组成不同，各工序对应的关键工艺参数集合的参数组成随工序不同而不同；所述特征重要性评估采用随机森林算法进行。

18、进一步地，设所述目标关联工序为第i道工序，所述目标关联工序的工艺参数序列为xi，所述前序关联工序的质量指标序列为yi-1，则所述关联工艺输入序列zi满足zi=[xi,yi-1]，所述关联工艺输入序列在时间节点t处的输入向量zi,t=[xi,t, yi-1,t]；

19、所述逐时间节点对齐依据产品标识、批次标识和生产顺序标识中的一种或多种，确定同一产品或对应生产样本之间的对应关系；

20、所述时间窗口划分为按照长度为l的滑动时间窗口进行划分。

21、进一步地，所述通过至少两个具有不同扩张率的扩张因果卷积层提取多尺度时序特征，采用时序卷积网络实现；

22、所述时序卷积网络包括级联的至少两个扩张因果卷积层，各所述扩张因果卷积层分别具有不同的扩张率，不同扩张率对应不同时间尺度的感受野，以分别提取不同时间尺度下的时序依赖特征并形成所述多尺度时序特征；

23、所述时序卷积网络采用因果卷积，每一所述扩张因果卷积层在当前时间节点的输出仅由当前时间节点及位于当前时间节点之前的输入数据确定；

24、所述时序卷积网络还包括残差连接结构，对于任一扩张因果卷积层，将该扩张因果卷积层的输入通过残差支路与该扩张因果卷积层的卷积输出相加，并对相加后的特征进行非线性激活；

25、当所述输入与所述卷积输出的特征维度不一致时，通过卷积映射对所述残差支路中的输入进行特征维度调整后再执行所述相加。

26、进一步地，所述在所述时间窗口内对所述多尺度时序特征进行双向时序建模，采用双向长短期记忆网络实现；

27、所述双向长短期记忆网络包括正向长短期记忆单元和反向长短期记忆单元，将所述多尺度时序特征分别输入所述正向长短期记忆单元和所述反向长短期记忆单元，获得正向隐藏状态序列和反向隐藏状态序列；

28、所述反向长短期记忆单元仅对已形成的时间窗口内已观测的所述多尺度时序特征进行处理，不涉及进行虚拟量测时尚未来产生的生产数据；

29、将同一时间节点处的所述正向隐藏状态和所述反向隐藏状态进行拼接融合，获得该时间节点处的双向隐藏状态，由各时间节点处的双向隐藏状态构成所述双向时序特征。

30、进一步地，所述从所述双向时序特征中提取跨多个时间节点的时间模式特征并基于所述时间模式特征进行注意加权，采用时间模式注意力机制实现；

31、所述采用时间模式注意力机制实现包括：

32、根据所述双向时序特征在多个时间节点处的隐藏状态构建隐藏状态矩阵，并按照状态变量维度将所述隐藏状态矩阵划分为各状态变量分别对应的时间序列；

33、针对各所述状态变量分别对应的时间序列沿时间维度进行一维卷积，获得各所述状态变量分别对应的时间模式特征；

34、分别确定各所述时间模式特征与所述隐藏状态矩阵中当前时间节点处的隐藏状态之间的关联程度，得到各所述时间模式特征对应的注意评分，并对各所述注意评分进行归一化处理，得到各所述时间模式特征对应的注意权重；

35、以所述时间模式特征为单元，根据所述注意权重对各所述时间模式特征进行加权融合，获得加权时间模式特征，并将所述加权时间模式特征与所述双向时序特征融合后的特征作为所述加权时序特征。

36、进一步地，对于多个待进行关键质量指标虚拟量测的目标关联工序，分别获取各所述目标关联工序的工艺参数序列以及与各所述目标关联工序对应的前序关联工序的质量指标序列；

37、针对各所述目标关联工序分别构建对应的关联工艺输入序列，并基于各所述关联工艺输入序列分别获得相应目标关联工序的关键质量指标虚拟量测结果；

38、各所述目标关联工序的工艺参数序列的工艺参数数量互不相同，且各所述目标关联工序之间不构成逐级递推的质量指标传递链。

39、本发明还包括一种tft-lcd连续关联工序关键质量指标虚拟量测系统，所述系统包括：

40、数据获取模块，用于获取tft-lcd制造过程中至少两个连续关联工序的生产过程数据，所述生产过程数据包括各连续关联工序的工艺参数数据及至少一个前序关联工序的质量指标序列；所述数据获取模块还用于根据工序标识和/或工具标识对所述生产过程数据进行工序划分和预处理，形成各工序的工艺参数序列；

41、关联工艺输入构建模块，用于针对待进行关键质量指标虚拟量测的目标关联工序，将所述目标关联工序的工艺参数序列与所述前序关联工序的质量指标序列逐时间节点对齐，并以并列输入通道方式融合为所述目标关联工序的关联工艺输入序列；所述关联工艺输入构建模块还用于对所述关联工艺输入序列进行时间窗口划分和规范化处理；

42、时序特征处理模块，用于对所述关联工艺输入序列，通过至少两个具有不同扩张率的扩张因果卷积层提取多尺度时序特征，并在所述时间窗口内对所述多尺度时序特征进行双向时序建模，获得双向时序特征；从所述双向时序特征中提取跨多个时间节点的时间模式特征，并基于所述时间模式特征进行注意加权，获得加权时序特征；

43、虚拟量测模块，用于以历史生产过程数据对应的关键质量指标作为监督标签，基于所述加权时序特征训练关键质量指标虚拟量测模型；所述虚拟量测模块还用于将待量测tft-lcd生产过程数据按照与训练阶段相一致的数据处理方式处理后，输入训练完成的所述关键质量指标虚拟量测模型，输出所述目标关联工序对应的关键质量指标虚拟量测结果。

44、本发明的有益效果为：通过将前序关联工序质量指标信息与目标关联工序自身的工艺参数信息进行融合，使虚拟量测输入能够同时表征工序内部工艺状态和连续工序之间的质量关联关系。通过多尺度时序特征提取获得不同时间尺度下的局部变化及长时间依赖特征，提高对复杂tft-lcd生产时序数据的表征能力。