基于半导体扩散炉用氮氧混合设备及其控制方法与流程

1.本技术涉及智能控制领域，且更为具体地，涉及一种基于半导体扩散炉用氮氧混合设备及其控制方法。


背景技术：

2.扩散炉是集成电路生产线前工序的重要工艺设备之一，它的主要用途是对半导体进行掺杂，即在高温条件下将掺杂材料扩散入硅片，从而改变和控制半导体内杂质的类型、浓度和分布，以便建立起不同的电特性区域。掺杂工艺所用的气体掺杂源被称为掺杂气体。通常将掺杂源与运载气体在源柜中混合，混合后气流连续流入扩散炉内环绕晶片四周，在晶片表面沉积上化合物掺杂剂，进而与硅反应生成掺杂金属。这就需要有一种对几种气体流量进行集中控制的管理器。例如，当掺杂气体为氧气和氮气时，需要一种基于半导体扩散炉用氮氧混合设备。
3.我国的半导体设备近些年发展较快，其控制系统也在不断完善，但是总体上说对气体的检测和控制没做独立的开发研制。目前，基于半导体扩散炉用氮氧混合设备主要用工业控制机的模板或可编程控制器的模拟模板等来实现气体混合监控，例如，基于模拟式流量计或数字流量计的气体混合监测方案。这些方案都存在编程复杂，成本高、控制精度较差等缺点。
4.因此，期待一种更为优化的用于半导体扩散炉的氮氧混合设备，其能够更为精准地对气体混合进行监控和控制。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于半导体扩散炉用氮氧混合设备及其控制方法，其通过结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案，提高对气体混合进行监控和控制的精准度。
6.根据本技术的一个方面，提供了一种基于半导体扩散炉用氮氧混合设备，其包括：气体流量数据采集模块，用于获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号；气体模拟信号降噪模块，用于将所述氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号；气体模拟信号特征提取模块，用于将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量；气体数字信号特征提取模块，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量；第一异模态气体特征融合模块，用于使用高斯密度图来融合所述氧气流量模拟特征向
量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图；第一离散化模块，用于对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵；第二异模态气体特征融合模块，用于使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图；第二离散化模块，用于对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵；差分模块，用于计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；以及控制结果生成模块，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。
7.在上述基于半导体扩散炉用氮氧混合设备中，所述气体模拟信号降噪模块，包括：有效信号特征提取单元，用于使用所述降噪器的特征编码器分别从所述氧气流量模拟信号和所述氮气流量模拟信号提取氧气流量模拟特征和氮气流量模拟特征；有效信号特征解码单元，用于使用所述降噪器的特征解码器分别对所述氧气流量模拟特征和所述氮气流量模拟特征进行解码以得到所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
8.在上述基于半导体扩散炉用氮氧混合设备中，所述气体模拟信号特征提取模块，进一步用于：使用所述作为过滤器的卷积神经网络模型的各层分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述氧气流量模拟特征向量和氮气流量模拟特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
9.在上述基于半导体扩散炉用氮氧混合设备中，所述气体数字信号特征提取模块，包括：第一时间尺度特征提取单元，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一时间尺度氧气流量数字特征向量和第一时间尺度氮气流量数字特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二时间尺度特征提取单元，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二时间尺度氧气流量数字特征向量和第二时间尺度氮气流量数字特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一时间尺度氧气流量数字特征向量和第一时间尺度氮气流量数字特征向量与所述第二时间尺度氧气流量数字特征向量和第二时间尺度氮气流量数字特征向量进行级联以得到所述多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量。
10.在上述基于半导体扩散炉用氮氧混合设备中，所述第一异模态气体特征融合模块，进一步用于：使用高斯密度图以如下公式来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到所述氧气融合高斯密度图；其中，所述公式为：其中，表示所述氧气融合高斯密度图的均值向量，表示所述氧气融合高斯密度图的协方差矩阵，表示所述氧气流量模拟特征向量，表示所述多尺
度氧气流量数字特征向量。所述第二异模态气体特征融合模块，进一步用于：使用高斯密度图以如下公式来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到所述氮气融合高斯密度图；其中，所述公式为：其中，表示所述氮气融合高斯密度图的均值向量，表示所述氮气融合高斯密度图的协方差矩阵，表示所述氮气流量模拟特征向量，表示所述多尺度氮气流量数字特征向量。
11.在上述基于半导体扩散炉用氮氧混合设备中，所述差分模块，进一步用于：以如下公式计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；其中，所述公式为：其中，表示所述氧气流量特征矩阵，表示所述氮气流量特征矩阵，表示所述差分特征矩阵，表示按位置差分。
12.在上述基于半导体扩散炉用氮氧混合设备中，所述控制结果生成模块，包括：补偿单元，用于基于所述差分特征矩阵通过所述分类器进行预分类得到的概率值，对所述差分特征矩阵进行特征补偿以得到校正后差分特征矩；分类单元，用于使用所述分类器对所述校正后差分特征矩阵进行处理以得到所述分类结果。
13.在上述基于半导体扩散炉用氮氧混合设备中，所述补偿单元，进一步用于：以如下公式对所述差分特征矩阵进行特征补偿以得到校正后差分特征矩阵；其中，所述公式为： 其中是所述差分特征矩阵通过分类器进行预分类获得的概率值。
14.在上述基于半导体扩散炉用氮氧混合设备中，所述分类单元，进一步用于：使用所述分类器对所述校正后差分特征矩阵进行处理以得到所述分类结果；其中，所述公式为：，其中表示将所述校正后差分特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
15.根据本技术的另一方面，提供了一种基于半导体扩散炉用氮氧混合设备的控制方法，其包括：获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号；将所述氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号；将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量；将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量；使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图；对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵；使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图；对所述氮气融合高斯密度图中各个位置的高斯分布进
行高斯离散化以得到氮气流量特征矩阵；计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；以及将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。
16.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于半导体扩散炉用氮氧混合设备的控制方法。
17.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于半导体扩散炉用氮氧混合设备的控制方法。
18.与现有技术相比，本技术提供的一种基于半导体扩散炉用氮氧混合设备及其控制方法，其通过结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案，提高对气体混合进行监控和控制的精准度。
附图说明
19.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
20.图1为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的应用场景图；图2为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的框图；图3为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的架构示意图；图4为根据本技术实施例的基于半导体扩散炉用氮氧混合设备中卷积神经网络特征提取过程的流程图；图5为根据本技术实施例的基于半导体扩散炉用氮氧混合设备中气体数字信号特征提取模块的框图；图6为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的控制方法的流程图；图7为根据本技术实施例的电子设备的框图。
具体实施方式
21.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
22.场景概述如上所述，目前，基于半导体扩散炉用氮氧混合设备主要用工业控制机的模板或可编程控制器的模拟模板等来实现气体混合监控，例如，基于模拟式流量计或数字流量计的气体混合监测方案。这些方案都存在编程复杂，成本高、控制精度较差等缺点。
23.具体地，在基于气体模拟信号的控制方案中，电气控制柜和气体控制柜有几米远的距离，控制机放在电气控制柜里，质量流量计放在气体控制柜中，这样模拟信号传送要经
过几米的距离，虽然加rc网路能消除一些干扰，但气体信号还是有干扰和衰减的，势必影响采集和控制精度，再者模拟信号输入输出需要配置相应数量的a/d、d/a模块，若路数多，则需要几个模块，且这些模块都是plc或者工业控制机模拟通道模块，硬件成本很高。并且，质量流量计的通讯协议中上传数据是随着信号大小而变化的。
24.而在基于数字式气体流量计的控制方案中，各个气体流量计都带有数字通信功能，而在通信过程中会因数据通信干扰等问题，导致测量数据产生偏差，进而导致气体混合监控的精准度难以保证。
25.相应地，在本技术的技术方案中，本技术人尝试结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案。
26.具体地，首先获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的氧气流量模拟信号和氮气流量模拟信号。这里，考虑到所述氧气流量模拟信号和所述氮气流量模拟信号在传输过程中会发生干扰和衰减。因此，在得到所述氧气流量模拟信号和所述氮气流量模拟信号后，首先通过基于自动编码器的降噪器对所述氧气流量模拟信号和所述氮气流量模拟信号进行降噪处理以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号。这里，所述基于自动编码器的降噪器包括特征编码器和特征解码器，其中，所述特征编码器用于提取所述氧气流量模拟信号和所述氮气流量模拟信号中的有效信号特征，接着以所述特征解码器作为信号生成器对所述有效信号特征进行解码回归以得到所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
27.接着，将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量。也就是，在通过基于所述自动编码器的降噪器在信号源域端对所述氧气流量模拟信号和所述氮气流量模拟信号进行信号优化后，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征过滤器来提取所述降噪后氧气流量模拟信号中所蕴含的氧气流量高维隐含特征和所述降噪后氮气流量模拟信号中所蕴含的氮气流量高维隐含特征。
28.针对所述由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，在本技术的技术方案中，将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量。也就是，首先将多个预定时间点的氧气流量值和多个预定时间点的氮气流量值按照时间维度排列为一维向量，接着，使用具有多个并行的一维卷积层的多尺度邻域特征提取模块对所述一维向量进行基于不同长度的一维卷积核的一维卷积编码以提取不同时间跨度内氧气流量值和氮气流量值的特征分布。也就是，在本技术的技术方案中，利用氧气流量值和氮气流量值在时间维度上的分布特征来消除其在通信过程中所带来的数据传输误差。
29.接着，融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量，以及，融合所述氮气流量模拟特征向量和所述多尺度氮气流量数字特征向量，就可以结合气体模拟式流量计和数字气体流量计的数据采集特性来得到更为精准的气体混合状态监测结果，例如，预定时间段内输入的总氧气流量值和预定时间段内输入的总氮气流量值。
30.但是，考虑到所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征，以及，
所述氮气流量模拟特征向量和所述多尺度氮气流量数字特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将各个特征向量级联来获得融合特征向量，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要进一步地对这些气体流量特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。
31.本技术的申请人考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本技术的技术方案中，使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图，该过程用公式可表示为：也就是，计算所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量的每个位置的特征值间的均值作为高斯分布的均值，以得到氧气融合高斯特征图的均值向量，且计算所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量之间的每个位置的特征值之间的方差，以得到氧气融合高斯特征图的协方差矩阵，这里，高斯分布向量的每个位置对应于一个高斯分布。然后，对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵。
32.同样地，在本技术的技术方案中，使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图，该过程用公式可表示为：也就是，计算所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量的每个位置的特征值间的均值作为高斯分布的均值，以得到氮气融合高斯特征图的均值向量，且计算所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量之间的每个位置的特征值之间的方差，以得到氮气融合高斯特征图的协方差矩阵，这里，高斯分布向量的每个位置对应于一个高斯分布。然后，对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵。
33.接着，计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵以此来表示预定时间段内总氧气输入量和总氮气输入量之间的差异。并将所述差分特征矩阵通过分类器以得到用于表示是否增大氧气流量的分类结果。这样，结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案，以对氮气和氧气的混合进行更为精准地监控。
34.特别地，本技术的申请人考虑到在通过高斯离散化得到氧气流量特征矩阵和氮气流量特征矩阵时，由于高斯离散化的部分随机特性会在所述氧气流量特征矩阵和所述氮气流量特征矩阵的特征分布中引入部分随机分布，而在计算所述氧气流量特征矩阵和所述氮气流量特征矩阵的差分矩阵中，这种部分随机分布不可能在所述氧气流量特征矩阵和所述氮气流量特征矩阵之间对齐，从而加重了作为分类特征的所述差分特征矩阵中的随机分布扰动。
35.由此，在所述差分特征矩阵通过分类器进行分类时，由于所述分类器的权重也需
要与所述差分特征矩阵适配，因此可能发生与所述差分特征矩阵的类相干干涉。
36.因此，对所述差分特征矩阵，例如记为进行基于预分类的类概率相干补偿机制校正，表示为：其中是所述差分特征矩阵通过分类器进行预分类获得的概率值。
37.也就是，由于所述差分特征矩阵存在作为随机分布扰动的局部随机分布，因此在对其进行分类时，分类器本身的权重矩阵也会与所述局部随机分布进行相应的适配，从而对所述差分特征矩阵造成具有一定随机性的类相干干涉。因此，在本技术的技术方案中，通过将通过预分类得到的分类器的类别概率值作为所述差分特征矩阵的分类的乘性干扰噪声项，来对所述差分特征矩阵进行类概率的相干补偿，可以恢复无干扰情况下的所述差分特征矩阵的等效概率强度表征，得到了优化后的所述差分特征矩阵，以提高分类结果的准确性。这样，对氮气和氧气的混合进行更为精准地监控。
38.基于此，本技术提出了一种基于半导体扩散炉用氮氧混合设备，其包括：气体流量数据采集模块，用于获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号；气体模拟信号降噪模块，用于将所述氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号；气体模拟信号特征提取模块，用于将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量；气体数字信号特征提取模块，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量；第一异模态气体特征融合模块，用于使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图；第一离散化模块，用于对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵；第二异模态气体特征融合模块，用于使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图；第二离散化模块，用于对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵；差分模块，用于计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；以及，控制结果生成模块，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。
39.图1为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的应用场景图。如图1所示，在该应用场景中，通过数字气体流量计（例如，如图1中所示意的d）采集的预定时间段内多个预定时间点的氧气流量值（例如，如图1中所示意的o1）和氮气流量值（例如，如图1中所示意的n1），以及，通过模拟式流量计（例如，如图1中所示意的a）采集的所述预定时间段的氧气流量模拟信号（例如，如图1中所示意的o2）和氮气流量模拟信号（例如，如图1中所示意的n2）。然后，将上述信息输入至部署有用于基于半导体扩散炉用氮氧混合算法的服务器（例如，图1中的s）中，其中，所述服务器能够以所述基于半导体扩散炉用氮氧混合算法对上述信息进行处理以生成用于表示是否增大氧气流量的控制结果。
40.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限
制性实施例。
41.示例性系统图2为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的框图。如图2所示，根据本技术实施例的基于半导体扩散炉用氮氧混合设备300，包括：气体流量数据采集模块310；气体模拟信号降噪模块320；气体模拟信号特征提取模块330；气体数字信号特征提取模块340；第一异模态气体特征融合模块350；第一离散化模块360；第二异模态气体特征融合模块370；第二离散化模块380；差分模块390；以及，控制结果生成模块400。
42.其中，所述气体流量数据采集模块310，用于获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号；所述气体模拟信号降噪模块320，用于将所述氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号；所述气体模拟信号特征提取模块330，用于将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量；所述气体数字信号特征提取模块340，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量；所述第一异模态气体特征融合模块350，用于使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图；所述第一离散化模块360，用于对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵；所述第二异模态气体特征融合模块370，用于使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图；所述第二离散化模块380，用于对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵；所述差分模块390，用于计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；以及，所述控制结果生成模块400，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。
43.图3为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的架构示意图。如图3所示，首先通过所述气体流量数据采集模块310获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号；所述气体模拟信号降噪模块320将所述气体流量数据采集模块310获取的氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号；所述气体模拟信号特征提取模块330将所述气体模拟信号降噪模块320得到的降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量；接着，所述气体数字信号特征提取模块340将所述气体流量数据采集模块310获取的预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量；然后，所述第一异模态气体特征融合模块350使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向
量以得到氧气融合高斯密度图；接着，所述第一离散化模块360对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵；同时，所述第二异模态气体特征融合模块370使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图；所述第二离散化模块380对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵；所述差分模块390计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；进而，所述控制结果生成模块400将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。
44.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述气体流量数据采集模块310，用于获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号。在本技术的技术方案中，通过结合气体模拟式流量计和数字气体流量计，避免了基于数字式气体流量计的控制方案中测量数据产生偏差，进而导致气体混合监控的精准度难以保证的问题。
45.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述气体模拟信号降噪模块320，用于将所述氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号。这里，考虑到所述氧气流量模拟信号和所述氮气流量模拟信号在传输过程中会发生干扰和衰减。因此，在得到所述氧气流量模拟信号和所述氮气流量模拟信号后，首先通过基于自动编码器的降噪器对所述氧气流量模拟信号和所述氮气流量模拟信号进行降噪处理以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号。这里，所述基于自动编码器的降噪器包括特征编码器和特征解码器，其中，所述特征编码器用于提取所述氧气流量模拟信号和所述氮气流量模拟信号中的有效信号特征，接着以所述特征解码器作为信号生成器对所述有效信号特征进行解码回归以得到所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。在本技术的一个示例中，所述气体模拟信号降噪模块，包括：有效信号特征提取单元，用于使用所述降噪器的特征编码器分别从所述氧气流量模拟信号和所述氮气流量模拟信号提取氧气流量模拟特征和氮气流量模拟特征；有效信号特征解码单元，用于使用所述降噪器的特征解码器分别对所述氧气流量模拟特征和所述氮气流量模拟特征进行解码以得到所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
46.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述气体模拟信号特征提取模块330，用于将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量。在本技术的技术方案中，将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量。也就是，在通过基于所述自动编码器的降噪器在信号源域端对所述氧气流量模拟信号和所述氮气流量模拟信号进行信号优化后，使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征过滤器来提取所述降噪后氧气流量模拟信号中所蕴含的氧气流量高维隐含特征和所述降噪后氮气流量模拟信号中所蕴含的氮气流量高维隐含特征。
47.图4为根据本技术实施例的基于半导体扩散炉用氮氧混合设备中卷积神经网络特征提取过程的流程图。如图4所示，所述卷积神经网络特征提取过程，包括：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述氧气流量模拟特征向量和氮气流量模拟特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
48.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述气体数字信号特征提取模块340，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量。这里，针对所述由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，在本技术的技术方案中，将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量。也就是，首先将多个预定时间点的氧气流量值和多个预定时间点的氮气流量值按照时间维度排列为一维向量，接着，使用具有多个并行的一维卷积层的多尺度邻域特征提取模块对所述一维向量进行基于不同长度的一维卷积核的一维卷积编码以提取不同时间跨度内氧气流量值和氮气流量值的特征分布。也就是，在本技术的技术方案中，利用氧气流量值和氮气流量值在时间维度上的分布特征来消除其在通信过程中所带来的数据传输误差。
49.图5为根据本技术实施例的基于半导体扩散炉用氮氧混合设备中气体数字信号特征提取模块的框图。如图5所示，在所述气体模拟信号特征提取模块340中，包括：第一时间尺度特征提取单元341，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一时间尺度氧气流量数字特征向量和第一时间尺度氮气流量数字特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二时间尺度特征提取单元342，用于将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二时间尺度氧气流量数字特征向量和第二时间尺度氮气流量数字特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元343，用于将所述第一时间尺度氧气流量数字特征向量和第一时间尺度氮气流量数字特征向量与所述第二时间尺度氧气流量数字特征向量和第二时间尺度氮气流量数字特征向量进行级联以得到所述多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量。
50.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述第一异模态气体特征融合模块350和第一离散化模块360，用于使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图，再对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵。应可以理解，融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量，就可以结合气体模拟式流量计和数字气体流量计的数据采集特性来得到更为精准的气体混合状态监测结果，例如，预定时间段内输入的总氧气流量值。考虑到所述氧气流量模拟特征向
量和所述多尺度氧气流量数字特征向量，在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将各个特征向量级联来获得融合特征向量，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要进一步地对这些气体流量特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛。因此，考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本技术的技术方案中，使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图，该过程用公式可表示为：其中，表示所述氧气融合高斯密度图的均值向量，表示所述氧气融合高斯密度图的协方差矩阵，表示所述氧气流量模拟特征向量，表示所述多尺度氧气流量数字特征向量。
51.也就是，计算所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量的每个位置的特征值间的均值作为高斯分布的均值，以得到氧气融合高斯特征图的均值向量，且计算所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量之间的每个位置的特征值之间的方差，以得到氧气融合高斯特征图的协方差矩阵，这里，高斯分布向量的每个位置对应于一个高斯分布。
52.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述第二异模态气体特征融合模块370和第二离散化模块380，用于使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图，接着，对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵。在本技术的技术方案中，使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图，该过程用公式可表示为：其中，表示所述氮气融合高斯密度图的均值向量，表示所述氮气融合高斯密度图的协方差矩阵，表示所述氮气流量模拟特征向量，表示所述多尺度氮气流量数字特征向量。
53.也就是，计算所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量的每个位置的特征值间的均值作为高斯分布的均值，以得到氮气融合高斯特征图的均值向量，且计算所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量之间的每个位置的特征值之间的方差，以得到氮气融合高斯特征图的协方差矩阵，这里，高斯分布向量的每个位置对应于一个高斯分布。然后，对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵。
54.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述差分模块390，用于计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵。应可以理解，计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵以此来表示预
定时间段内总氧气输入量和总氮气输入量之间的差异。并将所述差分特征矩阵通过分类器以得到用于表示是否增大氧气流量的分类结果。这样，结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案，以对氮气和氧气的混合进行更为精准地监控。在本技术的一个具体示例中，所述差分模块，进一步用于：以如下公式计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；其中，所述公式为：其中，表示所述氧气流量特征矩阵，表示所述氮气流量特征矩阵，表示所述差分特征矩阵，表示按位置差分。
55.具体地，在所述基于半导体扩散炉用氮氧混合设备300的运行过程中，所述控制结果生成模块400，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。在本技术的一个具体示例中，所述控制结果生成模块，包括：补偿单元，用于基于所述差分特征矩阵通过所述分类器进行预分类得到的概率值，对所述差分特征矩阵进行特征补偿以得到校正后差分特征矩阵；分类单元，用于使用所述分类器对所述校正后差分特征矩阵进行处理以得到所述分类结果。
56.特别地，本技术的申请人考虑到在通过高斯离散化得到氧气流量特征矩阵和氮气流量特征矩阵时，由于高斯离散化的部分随机特性会在所述氧气流量特征矩阵和所述氮气流量特征矩阵的特征分布中引入部分随机分布，而在计算所述氧气流量特征矩阵和所述氮气流量特征矩阵的差分矩阵中，这种部分随机分布不可能在所述氧气流量特征矩阵和所述氮气流量特征矩阵之间对齐，从而加重了作为分类特征的所述差分特征矩阵中的随机分布扰动。
57.由此，在所述差分特征矩阵通过分类器进行分类时，由于所述分类器的权重也需要与所述差分特征矩阵适配，因此可能发生与所述差分特征矩阵的类相干干涉。因此，对所述差分特征矩阵，例如记为进行基于预分类的类概率相干补偿机制校正，表示为：其中是所述差分特征矩阵通过分类器进行预分类获得的概率值。
58.也就是，由于所述差分特征矩阵存在作为随机分布扰动的局部随机分布，因此在对其进行分类时，分类器本身的权重矩阵也会与所述局部随机分布进行相应的适配，从而对所述差分特征矩阵造成具有一定随机性的类相干干涉。因此，在本技术的技术方案中，通过将通过预分类得到的分类器的类别概率值作为所述差分特征矩阵的分类的乘性干扰噪声项，来对所述差分特征矩阵进行类概率的相干补偿，可以恢复无干扰情况下的所述差分特征矩阵的等效概率强度表征，得到了优化后的所述差分特征矩阵，以提高分类结果的准确性。这样，对氮气和氧气的混合进行更为精准地监控。
59.更具体地，所述分类单元，进一步用于：使用所述分类器对所述校正后差分特征矩阵进行处理以得到所述分类结果；其中，所述公式为：，其中表示将所述校正后差分特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
60.综上，根据本技术实施例的基于半导体扩散炉用氮氧混合设备300被阐明，其通过
结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案，提高对气体混合进行监控和控制的精准度。
61.示例性方法图6为根据本技术实施例的基于半导体扩散炉用氮氧混合设备的控制方法的流程图。如图6所示，根据本技术实施例的基于半导体扩散炉用氮氧混合设备的控制方法，包括步骤：s110，获取由数字气体流量计采集的预定时间段内多个预定时间点的氧气流量值和氮气流量值，以及，由模拟式流量计采集的所述预定时间段的氧气流量模拟信号和氮气流量模拟信号；s120，将所述氧气流量模拟信号和所述氮气流量模拟信号分别通过基于自动编码器的降噪器以得到降噪后氧气流量模拟信号和降噪后氮气流量模拟信号；s130，将所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号分别通过作为过滤器的卷积神经网络模型以得到氧气流量模拟特征向量和氮气流量模拟特征向量；s140，将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后通过多尺度邻域特征提取模块以得到多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量；s150，使用高斯密度图来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到氧气融合高斯密度图；s160，对所述氧气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氧气流量特征矩阵；s170，使用高斯密度图来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到氮气融合高斯密度图；s180，对所述氮气融合高斯密度图中各个位置的高斯分布进行高斯离散化以得到氮气流量特征矩阵；s190，计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；以及，s200，将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否增大氧气流量。
62.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s120，包括：使用所述降噪器的特征编码器分别从所述氧气流量模拟信号和所述氮气流量模拟信号提取氧气流量模拟特征和氮气流量模拟特征；使用所述降噪器的特征解码器分别对所述氧气流量模拟特征和所述氮气流量模拟特征进行解码以得到所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
63.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s130，包括：使用所述作为过滤器的卷积神经网络模型的各层分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述氧气流量模拟特征向量和氮气流量模拟特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述降噪后氧气流量模拟信号和所述降噪后氮气流量模拟信号。
64.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s140，包括：将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一时间尺度氧气流量数字特征向量和第一时间尺度氮气流量数字特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述预定时间段内多个预定时间点的氧气流量值和氮气流量值排列为输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二时间尺度氧
气流量数字特征向量和第二时间尺度氮气流量数字特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一时间尺度氧气流量数字特征向量和第一时间尺度氮气流量数字特征向量与所述第二时间尺度氧气流量数字特征向量和第二时间尺度氮气流量数字特征向量进行级联以得到所述多尺度氧气流量数字特征向量和多尺度氮气流量数字特征向量。
65.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s150，包括：使用高斯密度图以如下公式来融合所述氧气流量模拟特征向量和所述多尺度氧气流量数字特征向量以得到所述氧气融合高斯密度图；其中，所述公式为：其中，表示所述氧气融合高斯密度图的均值向量，表示所述氧气融合高斯密度图的协方差矩阵，表示所述氧气流量模拟特征向量，表示所述多尺度氧气流量数字特征向量。
66.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s170，包括：使用高斯密度图以如下公式来融合所述多尺度氮气流量数字特征向量和所述氮气流量模拟特征向量以得到所述氮气融合高斯密度图；其中，所述公式为：其中，表示所述氮气融合高斯密度图的均值向量，表示所述氮气融合高斯密度图的协方差矩阵，表示所述氮气流量模拟特征向量，表示所述多尺度氮气流量数字特征向量。
67.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s190，包括：以如下公式计算所述氧气流量特征矩阵与所述氮气流量特征矩阵的差分特征矩阵；其中，所述公式为：其中，表示所述氧气流量特征矩阵，表示所述氮气流量特征矩阵，表示所述差分特征矩阵，表示按位置差分。
68.在一个示例中，在上述基于半导体扩散炉用氮氧混合设备的控制方法中，所述步骤s200，包括：基于所述差分特征矩阵通过所述分类器进行预分类得到的概率值，对所述差分特征矩阵进行特征补偿以得到校正后差分特征矩阵；使用所述分类器对所述校正后差分特征矩阵进行处理以得到所述分类结果。
69.综上，根据本技术实施例的基于半导体扩散炉用氮氧混合设备的控制方法被阐明，其通过结合气体模拟式流量计和数字气体流量计，并利用基于深度学习的人工智能技术来构建氮氧混合控制方案，提高对气体混合进行监控和控制的精准度。
70.示例性电子设备下面，参考图7来描述根据本技术实施例的电子设备。
71.图7为根据本技术实施例的电子设备的框图。
72.如图7所示，电子设备10包括一个或多个处理器11和存储器12。
73.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
74.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各
种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于半导体扩散炉用氮氧混合设备中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如差分特征矩阵等各种内容。
75.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
76.该输入装置13可以包括例如键盘、鼠标等等。
77.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
78.当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
79.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于半导体扩散炉用氮氧混合设备的控制方法中的功能中的步骤。
80.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
81.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的基于半导体扩散炉用氮氧混合设备的控制方法中的功能中的步骤。
82.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
83.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
84.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
85.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
86.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
87.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。