一种阀门超高速动作异常判断方法及系统与流程

本技术涉及阀门异常判断，具体涉及一种阀门超高速动作异常判断方法及系统。

背景技术：

1、原子层沉积（atomic layer deposition，ald）技术凭借其亚单层级的薄膜厚度控制精度和优异的保形性，已成为半导体先进制程中不可或缺的核心工艺环节。ald工艺通过交替脉冲向反应腔室内通入前驱体气体，并在每一脉冲周期内依赖气动阀门在毫秒级时间内完成高速开关动作，以实现反应气体的精准时序控制与剂量配给。以典型ald工艺为例，单次阀门全行程动作时间通常要求不超过5ms，任何微小的动作延迟、速度波动或到位偏差均可能导致前驱体注入量偏差、反应窗口偏移，进而诱发薄膜厚度均匀性下降、颗粒污染乃至整批晶圆报废，直接影响产品良率与制程稳定性。

2、目前，针对ald气动阀门动作状态的监测主要依赖两类手段：其一为基于阀位传感器（如接近开关和磁致伸缩位移传感器）的行程到位检测，该类方法仅能判断阀门是否完全开启或关闭，无法捕获阀杆在运动全程中的速度变化、震颤、爬行等动态行为细节，对早期故障征兆缺乏敏感性；其二为定期离线保养时采用的高速摄像或激光测振仪抽检，该方法虽能获取完整的运动曲线，但需停机拆卸设备，无法实现在线实时监测，且检测成本高昂、效率低下，难以满足半导体制造对设备状态实时可知的运维要求。

技术实现思路

1、本技术实施例期望提供一种阀门超高速动作异常判断方法及系统，能够提高阀门超高速动作异常判断的准确性，有效降低故障排查的盲目性，缩短停机时间。

2、本技术的技术方案是这样实现的：

3、第一方面，本技术实施例提供一种阀门超高速动作异常判断方法，方法包括：

4、对气动阀门执行器阀杆的全运动过程进行原始数据采集，得到原始事件序列和触发时刻；

5、基于原始事件序列和触发时刻，进行事件流重构和特征参数提取，得到标准化特征向量；

6、通过预先确定的轻量级全连接神经网络模型，对标准化特征向量进行阀门动作异常检测，得到阀门异常的概率向量；

7、基于阀门异常的概率向量和预设阈值，确定最终诊断结果；

8、其中，基于原始事件序列和触发时刻，进行事件流重构和特征参数提取，得到标准化特征向量，包括：

9、基于原始事件序列，进行事件流时域累积，得到事件计数图像序列；

10、对事件计数图像序列进行阀杆位移时间序列重构，得到阀杆位移时间离散序列；

11、基于阀杆位移时间离散序列和触发时刻，进行动作特征参数提取，得到标准化特征向量。

12、可以理解的是，基于原始事件序列，进行事件流时域累积、阀杆位移时间序列重构和动作特征参数提取，得到标准化特征向量，后续轻量级全连接神经网络模型提供输入数据，进行阀门动作异常检测。

13、上述方案中，基于原始事件序列，进行事件流时域累积，得到事件计数图像序列，包括：

14、通过预先设置的累积时间窗口，对原始事件序列进行时间切片划分，得到多个时间切片；

15、对多个时间切片分别进行事件统计，得到多个时间切片各自的事件子集；

16、基于多个时间切片各自的事件子集，按照预设感兴趣区域生成多个时间切片各自的事件计数图像；

17、基于多个时间切片各自的事件计数图像，生成事件计数图像序列。

18、可以理解的是，通过预先设置的累积时间窗口，对原始事件序列进行时间切片划分、事件统计，生成多个时间切片各自的事件计数图像，以及进一步生成事件计数图像序列，便于后续进行阀杆位移时间序列重构。

19、上述方案中，对事件计数图像序列进行阀杆位移时间序列重构，得到阀杆位移时间离散序列，包括：

20、针对事件计数图像序列中每个时间切片的事件计数图像，进行边缘响应聚合，得到每个时间切片的边缘响应值；

21、基于每个时间切片的边缘响应值，进行边缘位置精准定位，得到每个时间切片的边缘位置；

22、基于每个时间切片的边缘位置，进行位移物理单位转换，得到每个时间切片的位移；

23、基于每个时间切片的位移，以及每个时间切片的起始时刻和结束时间，确定阀杆位移时间离散序列。

24、可以理解的是，通过对事件计数图像序列中每个时间切片的事件计数图像进行边缘响应聚合、边缘位置精准定位和位移物理单位转换，重构出阀杆位移时间序列，实现超高速动作全程的完整捕获与量化表征。

25、上述方案中，基于阀杆位移时间离散序列和触发时刻，进行动作特征参数提取，得到标准化特征向量，包括：

26、确定阀门额定行程目标位移和稳定判定允许误差带；

27、基于阀门额定行程目标位移，从阀杆位移时间离散序列中提取开启延时；

28、从阀杆位移时间离散序列中确定最大位移；并根据最大位移和阀门额定行程目标位移，确定超调量；

29、基于阀门额定行程目标位移和稳定判定允许误差带，从阀杆位移时间离散序列中提取稳定时间；

30、基于阀杆位移时间离散序列，计算相邻时间切片的瞬时速度；并从相邻时间切片的瞬时速度，确定运动速度峰值；

31、基于相邻时间切片的瞬时速度，计算速度变异系数；

32、基于开启延时、超调量、稳定时间、运动速度峰值和速度变异系数，生成标准化特征向量。

33、可以理解的是，从重构的阀杆位移时间序列中提取开启延时、超调量、稳定时间、运动速度峰值和速度变异系数五项关键特征参数，通过开启延时、超调量、稳定时间、运动速度峰值和速度变异系数，生成标准化特征向量，为后续轻量级全连接神经网络模型提供输入数据，进行阀门动作异常检测。

34、上述方案中，通过预先确定的轻量级全连接神经网络模型，对标准化特征向量进行阀门动作异常检测，得到阀门异常的概率向量，包括：

35、通过轻量级全连接神经网络模型的第一全连接层，对标准化特征向量进行映射处理，得到中间特征；

36、通过轻量级全连接神经网络模型的第二全连接层，对中间特征进行抽象压缩，得到深层特征；

37、通过轻量级全连接神经网络模型的输出层，对深层特征进行映射处理，得到阀门异常的概率向量。

38、可以理解的是，通过构建的轻量级全连接神经网络模型，对标准化特征向量进行阀门动作异常检测，得到阀门异常的概率向量，便于后续基于阀门异常的概率向量确定阀门异常类型。

39、上述方案中，预设阈值包括卡涩爬行的阈值、震颤振荡的阈值、超调回弹的阈值和动作超时的阈值；

40、基于阀门异常的概率向量和预设阈值，确定最终诊断结果，包括：

41、将阀门异常的概率向量中的各类异常概率与卡涩爬行的阈值、震颤振荡的阈值、超调回弹的阈值、动作超时的阈值进行对比，确定阀门异常类型；

42、基于阀门异常类型，生成最终诊断结果。

43、可以理解的是，基于轻量级全连接神经网络输出阀门异常的概率向量，结合预设阈值判定输出各类异常的概率与最终诊断结果，解决了现有方法缺乏系统性异常分类判断能力的问题，实现了从阀杆运动信号到四类典型异常（卡涩爬行、震颤振荡、超调回弹和动作超时）的端到端自动分类与识别，有效降低了故障排查的盲目性，缩短停机时间。

44、第二方面，本技术实施例提供一种阀门超高速动作异常判断系统，一种阀门超高速动作异常判断系统包括：获取模块、提取模块、检测模块和确定模块；其中，获取模块，用于对气动阀门执行器阀杆的全运动过程进行原始数据采集，得到原始事件序列和触发时刻；

45、提取模块，用于基于原始事件序列和触发时刻，进行事件流重构和特征参数提取，得到标准化特征向量；

46、检测模块，用于通过预先确定的轻量级全连接神经网络模型，对标准化特征向量进行阀门动作异常检测，得到阀门异常的概率向量；

47、确定模块，用于基于阀门异常的概率向量和预设阈值，确定最终诊断结果；

48、提取模块，还用于基于原始事件序列，进行事件流时域累积，得到事件计数图像序列；对事件计数图像序列进行阀杆位移时间序列重构，得到阀杆位移时间离散序列；基于阀杆位移时间离散序列和触发时刻，进行动作特征参数提取，得到标准化特征向量。

49、第三方面，本技术实施例提供一种阀门超高速动作异常判断设备，包括：处理器和存储器；其中，存储器，用于存储计算机程序；

50、处理器，用于从存储器中调用并运行计算机程序，以执行如第一方面的方法。

51、第四方面，本技术实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行如第一方面的方法。

52、本技术实施例提供了一种阀门超高速动作异常判断方法及系统，该方法包括：对气动阀门执行器阀杆的全运动过程进行原始数据采集，得到原始事件序列和触发时刻；基于原始事件序列和触发时刻，进行事件流重构和特征参数提取，得到标准化特征向量；通过预先确定的轻量级全连接神经网络模型，对标准化特征向量进行阀门动作异常检测，得到阀门异常的概率向量；基于阀门异常的概率向量和预设阈值，确定最终诊断结果；其中，基于原始事件序列和触发时刻，进行事件流重构和特征参数提取，得到标准化特征向量，包括：基于原始事件序列，进行事件流时域累积，得到事件计数图像序列；对事件计数图像序列进行阀杆位移时间序列重构，得到阀杆位移时间离散序列；基于阀杆位移时间离散序列和触发时刻，进行动作特征参数提取，得到标准化特征向量。上述方案中，采集阀杆全运动过程的原始事件序列和触发时刻，基于原始事件序列和触发时刻，进行事件流重构和特征参数提取，得到标准化特征向量，可以解决现有阀位传感器仅能检测开关到位状态、无法捕获超高速运动全程动态细节的问题，为卡涩爬行和震颤振荡等动态异常的早期识别提供完整的数据基础，构建轻量级全连接神经网络模型，结合预设阈值判定输出最终诊断结果，解决了现有方法缺乏系统性异常分类判断能力的问题，从而提高阀门超高速动作异常判断的准确性，有效降低故障排查的盲目性，缩短停机时间。