半导体FDC数据分类方法、装置和计算机可读存储介质与流程

计算;推算;计数设备的制造及其应用技术半导体fdc数据分类方法、装置和计算机可读存储介质技术领域1.本技术涉及数据分类领域，具体而言，涉及一种半导体fdc数据分类方法、装置、计算机可读存储介质、处理器和机台制程数据监控设备。背景技术：2.故障检测与分类系统(fault detection classification，简称fdc)，主要收集整合并监控半导体生产相关数据，达到实时的分析，有效的捕捉生产出现的异常，并自动报警。3.一个生产机台有很多个传感器，每个传感器为监控机台参数，同时每个传感器的数据收集精度与采集数据方式各有差异，传感器将获取的生产原始数据上传到工厂数据电脑，然后fdc监控平台获取生产原始数据，工程师将对采样的原始数据进行监控，主要对生产关键的步骤窗口进行卡控，对获取的窗口数据进行处理，得到新的追踪数据，在处理过程中可对获取的窗口数据进行平均值，方差，最大值，最小值等的处理。4.目前工程师只能基于经验认知，根据fdc图像人为判别其数据的类型，然后通过类型对数据进行控制线的监控；因数据量庞大，工程师容易因疲乏导致为人疏失，错误设定控制线。技术实现要素：5.本技术提供一种半导体fdc数据分类方法、装置、计算机可读存储介质、处理器和机台制程数据监控设备。6.本技术的一个方面，提供了一种半导体fdc数据分类方法，包括：获取传感器清单，所述传感器清单中包括多个传感器，各所述传感器用于监控半导体机台参数；遍历所述传感器清单，并获取所述传感器清单中的目标传感器在近期内获取的fdc数据；在所述目标传感器在近期内获取的所述fdc数据的数据量大于阈值的情况下，确定所述fdc数据的分布规律；根据所述分布规律确定所述fdc数据的类型，所述fdc数据的类型是指所述fdc数据在统计学上服从的分布类型。7.进一步地，在所述目标传感器在近期内获取的所述fdc数据的数据量大于阈值的情况下，确定所述fdc数据的分布规律，包括：对所述fdc数据进行过滤处理，得到过滤后的fdc数据；构建过滤后的所述fdc数据的统计直方图；根据所述统计直方图，确定所述fdc数据中不同数值的个数和所述fdc数据的总数据量，所述总数据量表征所述fdc数据的总个数。8.进一步地，根据所述分布规律确定所述fdc数据的类型，包括：根据所述不同数值的个数和所述总数据量，确定所述fdc数据的类型。9.进一步地，根据所述不同数值的个数和所述总数据量，确定所述fdc数据的类型，包括：在所述不同数值的个数为1，且所述总数据量大于或者等于第一数据量的情况下，确定所述fdc数据的类型为单一管道类型；在所述不同数值的个数为1，且所述总数据量小于所述第一数据量的情况下，确定所述fdc数据的类型为所述单一管道类型或者常规分布类型，所述常规分布类型包括正态分布。10.进一步地，根据所述不同数值的个数和所述总数据量，确定所述fdc数据的类型，包括：在所述不同数值的个数小于等于预定值、所述不同数值的个数不为1、所述不同数值的个数小于或者等于所述总数据量的预定百分比以及所述总数据量大于或者等于第二数据量的情况下，确定所述fdc数据的类型为多元管道类型；在所述不同数值的个数小于等于所述预定值、所述不同数值的个数不为1、所述不同数值的个数小于或者等于所述总数据量的预定百分比以及所述总数据量小于所述第二数据量的情况下，最终确定所述fdc数据的类型为多元管道类型或者常规分布类型，所述常规分布类型包括正态分布。11.进一步地，根据所述不同数值的个数和所述总数据量，确定所述fdc数据的类型，包括：在所述不同数值的个数大于预定值、所述不同数值的个数不为1、所述不同数值的个数大于所述总数据量的预定百分比的情况下，确定所述fdc数据的类型为非特定管道类型。12.进一步地，在所述目标传感器在近期内获取的所述fdc数据的数据量大于阈值的情况下，确定所述fdc数据的分布规律，包括：将所述fdc数据按照时间先后顺序进行排序；将排序后的所述fdc数据，划分为多个数据组，每个所述数据组包括的所述fdc数据的数量相同；计算出各所述数据组的所述fdc数据的平均值和标准方差。13.进一步地，根据所述分布规律确定所述fdc数据的类型，包括：满足公式μi＞μi+1＞μi+2，或者μi＜μi+1＜μi+2的情况下，确定所述fdc数据的类型为趋势分布类型，其中，i为大于或者等于1的整数，其中，μi表示第i个数据组的平均值，μi+1表示第i+1个数据组的平均值，μi+2表示第i+2个数据组的平均值；满足公式μi+3σi＜μi+1，或者μi-3σi＞μi+1的情况下，确定所述fdc数据的类型为均值平移分布，其中，σi表示第i个数据组的标准方差。14.进一步地，对所述fdc数据进行过滤处理，得到过滤后的fdc数据，包括：去除所述fdc数据中的偏离值，得到过滤后的所述fdc数据，所述偏离值至少包括所述fdc数据中的最大值和最小值。15.进一步地，确定所述fdc数据的分布规律，包括：采用shapiro-wilk检测算法对所述过滤后的所述fdc数据进行检验，获取所述fdc数据的预定分布规律；根据所述分布规律确定所述fdc数据的类型，包括：根据所述预定分布规律确定所述fdc数据的类型为正态分布类型或者非正态分布类型。16.根据本技术的另一方面，提供了一种半导体fdc数据分类装置，包括：获取单元，用于获取传感器清单，所述传感器清单中包括多个传感器，各所述传感器用于监控半导体机台参数；便利单元，用于遍历所述传感器清单，并获取所述传感器清单中的目标传感器在近期内获取的fdc数据；第一确定单元，用于在所述目标传感器在近期内获取的所述fdc数据的数据量大于阈值的情况下，确定所述fdc数据的分布规律；第二确定单元，用于根据所述分布规律确定所述fdc数据的类型，所述fdc数据的类型是指所述fdc数据在统计学上服从的分布类型。17.根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。18.根据本技术的又一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。19.根据本技术的另一方面，提供了一种机台制程数据监控设备，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。20.应用本技术的技术方案，首先获取传感器清单，传感器清单中包括多个传感器，各传感器用于监控半导体机台参数，之后遍历传感器清单，并获取传感器清单中的目标传感器在近期内获取的fdc数据，之后在目标传感器在近期内获取的fdc数据的数据量大于阈值的情况下，确定fdc数据的分布规律，最后根据分布规律确定fdc数据的类型，fdc数据的类型是指fdc数据在统计学上服从的分布类型。该方案中，获取传感器清单并对传感器清单进行遍历后，可以获取到fdc数据，在获取到fdc数据后，采用自动化的方式判断fcd数据的分布规律以及类型，在一些方案中是采用人为进行判断的，采用人为判断使得判断的效率和准确率较低，本方案中直接是由计算机获取fdc数据后进行自动分析判断的，可以规避人为判断的影响，可以实现自动对fdc数据分类，这样可以保证对fdc数据的类型判断的准确率较高，且该方案的效率也较高，进而解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。附图说明21.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：22.图1示出了根据本技术的实施例的一种半导体fdc数据分类方法的流程示意图；23.图2示出了fdc数据分类系统的应用环境图；24.图3示出了fdc的工作原理的示意图；25.图4示出了根据本技术的fdc数据类型为单一管道类型的统计直方图；26.图5示出了根据本技术的fdc数据类型为多元管道类型的统计直方图；27.图6示出了根据本技术的fdc数据类型为趋势分布类型的统计直方图；28.图7示出了根据本技术的fdc数据类型为均值平移分布的统计直方图；29.图8示出了根据本技术的fdc数据类型为正态分布类型的统计直方图；30.图9示出了根据本技术的fdc数据类型为非正态分布类型的统计直方图；31.图10示出了根据本技术的实施例的一种半导体fdc数据分类装置的结构示意图；32.图11示出了根据本技术的实施例的半导体fdc数据处理主流程图；33.图12示出了根据本技术的实施例的fdc数据类型识别流程图。具体实施方式34.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。35.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。36.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。37.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：38.故障检测与分类系统(fault detection classification，简称fdc):实时收集半导体生产的相关数据，进行异常侦测和监控，被广泛应用到分析制程步骤中各个机台的性能的稳定性中。39.shapiro-wilk检测算法：夏皮罗-威尔克检验法，一种检验数据正态性的方法。40.正如背景技术所介绍的，一些方案中人为对fdc收集到的数据类型进行判断准确率较低，为了解决如上问题，本技术提出了一种半导体fdc数据分类方法、装置、计算机可读存储介质和处理器。41.根据本技术的实施例，提供了一种半导体fdc数据分类方法。42.图1是根据本技术实施例的半导体fdc数据分类方法的流程图。如图1所示，该方法包括以下步骤：43.步骤s101，获取传感器清单，上述传感器清单中包括多个传感器，各上述传感器用于监控半导体机台参数；44.步骤s102，遍历上述传感器清单，并获取上述传感器清单中的目标传感器在近期内获取的fdc数据；45.步骤s103，在上述目标传感器在近期内获取的上述fdc数据的数据量大于阈值的情况下，确定上述fdc数据的分布规律；46.步骤s104，根据上述分布规律确定上述fdc数据的类型，上述fdc数据的类型是指上述fdc数据在统计学上服从的分布类型。47.上述的方法中，首先获取传感器清单，传感器清单中包括多个传感器，各传感器用于监控半导体机台参数，之后遍历传感器清单，并获取传感器清单中的目标传感器在近期内获取的fdc数据，之后在目标传感器在近期内获取的fdc数据的数据量大于阈值的情况下，确定fdc数据的分布规律，最后根据分布规律确定fdc数据的类型，fdc数据的类型是指fdc数据在统计学上服从的分布类型。该方案中，获取传感器清单并对传感器清单进行遍历后，可以获取到fdc数据，在获取到fdc数据后，采用自动化的方式判断fcd数据的分布规律以及类型，在一些方案中是采用人为进行判断的，采用人为判断使得判断的效率和准确率较低，本方案中直接是由计算机获取fdc数据后进行自动分析判断的，可以规避人为判断的影响，可以实现自动对fdc数据分类，这样可以保证对fdc数据的类型判断的准确率较高，且该方案的效率也较高，进而解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。48.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。49.fdc数据分类系统的应用环境图如图2所示，图2中右边的单元类型列表中示出的，buffer chamber为缓冲反应室，degas chambers为除气反应室，cool down为降温芯片，transfer chamber为传递室，生产机台上具有晶圆，晶圆放置在多个反应室中，晶圆用于生产芯片，pre xx chambers、pre yy chambers、pre zz chambers表示不同类型的反应室。50.fdc工作的原理如图3所示，生产机台可以用于生产芯片，生产机台上有多个传感器(例如：机械量传感器、温度传感器、磁力传感器、位姿传感器和气体流量传感器)，传感器可以监控机台参数，传感器将获取的生产原始数据上传到工厂数据电脑，fdc获取生产原始数据，并进行处理，可以得到fdc数据。51.本技术的一种实施例中，在上述目标传感器在近期内获取的上述fdc数据的数据量大于阈值的情况下，确定上述fdc数据的分布规律，包括：对上述fdc数据进行过滤处理，得到过滤后的fdc数据；构建过滤后的上述fdc数据的统计直方图；根据上述统计直方图，确定上述fdc数据中不同数值的个数和上述fdc数据的总数据量，上述总数据量表征上述fdc数据的总个数。该实施例中，通过对fdc数据进行过滤处理，可以保证得到更为准确地fdc数据，保证了数据的有效性较好，根据统计直方图可以更为准确地确定fdc数据的不同数值的个数以及总数据量。52.本技术的又一种实施例中，根据上述分布规律确定上述fdc数据的类型，包括：根据上述不同数值的个数和上述总数据量，确定上述fdc数据的类型。该实施例中，根据准确的fdc数据的不同数值的个数以及总数据量，可以更为准确地确定fdc数据的类型。53.一种具体的实施例中，统计直方图的横轴可以表示fdc数据的大小，统计直方图的纵轴可以表示不同数值所对应的个数，当然并不限于上述的统计直方图，本领域技术人员还可以选择其他任何可行的统计图表。54.本技术的再一种实施例中，根据上述不同数值的个数和上述总数据量，确定上述fdc数据的类型，包括：在上述不同数值的个数为1，且上述总数据量大于或者等于第一数据量的情况下，确定上述fdc数据的类型为单一管道类型；在上述不同数值的个数为1，且上述总数据量小于上述第一数据量的情况下，确定上述fdc数据的类型为上述单一管道类型或者常规分布类型，上述常规分布类型包括正态分布。该实施例中，可以进一步确定fdc数据的类型为单一管道类型或者常规分布类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了现在的一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。55.一种具体的实施例中，如图4所示，图4中上图为fdc数据图，图4中的下图为统计直方图，fdc数据只有一个数值a，此时fdc数据的类型为单一管道类型。56.本技术的另一种实施例中，根据上述不同数值的个数和上述总数据量，确定上述fdc数据的类型，包括：在上述不同数值的个数小于等于预定值、上述不同数值的个数不为1、上述不同数值的个数小于或者等于上述总数据量的预定百分比以及上述总数据量大于或者等于第二数据量的情况下，确定上述fdc数据的类型为多元管道类型；在上述不同数值的个数小于等于上述预定值、上述不同数值的个数不为1、上述不同数值的个数小于或者等于上述总数据量的预定百分比以及上述总数据量小于上述第二数据量的情况下，最终确定上述fdc数据的类型为多元管道类型或者常规分布类型，上述常规分布类型包括正态分布。该实施例中，可以进一步确定fdc数据的类型为多元管道类型或者常规分布类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。57.一种具体的实施例中，统如图5所示，图5中的上图为fdc数据图，图5中的下图为统计直方图，fdc数据有4个数值a1、a2、a3、和a4，此时fdc数据的类型多元管道类型。58.本技术的又一种实施例中，根据上述不同数值的个数和上述总数据量，确定上述fdc数据的类型，包括：在上述不同数值的个数大于预定值、上述不同数值的个数不为1、上述不同数值的个数大于上述总数据量的预定百分比的情况下，确定上述fdc数据的类型为非特定管道类型。该实施例中，可以进一步确定fdc数据的类型为非特定管道类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。59.本技术的一种具体的实施例中，在上述目标传感器在近期内获取的上述fdc数据的数据量大于阈值的情况下，确定上述fdc数据的分布规律，包括：将上述fdc数据按照时间先后顺序进行排序；将排序后的上述fdc数据，划分为多个数据组，每个上述数据组包括的上述fdc数据的数量相同；计算出各上述数据组的上述fdc数据的平均值和标准方差。该实施例中，可以更为准确地确定fdc数据的分布规律，这样后续可以根据fdc数据的分布规律更为准确地确定fdc数据的类型。60.本技术的另一种具体的实施例中，根据上述分布规律确定上述fdc数据的类型，包括：满足公式μi＞μi+1＞μi+2，或者μi＜μi+1＜μi+2的情况下，确定上述fdc数据的类型为趋势分布类型，其中，i为大于或者等于1的整数，其中，μi表示第i个数据组的平均值，μi+1表示第i+1个数据组的平均值，μi+2表示第i+2个数据组的平均值；满足公式μi+3σi＜μi+1，或者μi-3σi＞μi+1的情况下，确定上述fdc数据的类型为均值平移分布，其中，σi表示第i个数据组的标准方差。该实施例中，可以进一步确定fdc数据的类型为趋势分布类型或者均值平移分布，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。61.一种具体的实施例中，如图6所示，图6中的上图为fdc数据图，fdc数据在一个生命周期内呈现下降或上升的情况，图6中的下图为统计直方图，fdc呈现较平缓的多峰分布，此时fdc数据的类型为趋势分布类型；如图7所示，图7中的上图为fdc数据图，图7中的下图为统计直方图，当进行修正或者传感器变更为一个新的器件，导致事件后的数据分布之均值呈现大幅度变更，于fdc数据统计直方图中呈现数据间隔距离较明显的多峰分布，此时fdc数据的类型为均值平移分布。62.一种实施例中，在不满足上述实施例的情况下，还可以确定fdc数据的类型为非多重分布。63.具体的，本技术的再一种实施例中，对上述fdc数据进行过滤处理，得到过滤后的fdc数据，包括：去除上述fdc数据中的偏离值，得到过滤后的上述fdc数据，上述偏离值至少包括上述fdc数据中的最大值和最小值。该实施例中，由于fdc数据中的偏离值对分类过程中存在一定影响，偏离值呈现偏高或者偏低的状态，因此，将偏离值进行去除，可以得到过滤后的fdc数据，这样可以保证fdc数据的有效性较好。64.一种具体的实施例中，可以将fdc数据进行排序，可以去除最高部分的5％的数据，还可以去除最低部分的7％的数据，当然并不限于这两种情况，具体去除的百分比本领域技术人员可以根据实际情况进行选择。65.本技术的又一种实施例中，确定上述fdc数据的分布规律，包括：采用shapiro-wilk检测算法对上述过滤后的上述fdc数据进行检验，获取上述fdc数据的预定分布规律；根据上述分布规律确定上述fdc数据的类型，包括：根据上述预定分布规律确定上述fdc数据的类型为正态分布类型或者非正态分布类型。该实施例中，可以进一步确定fdc数据的类型为正态分布类型或者非正态分布类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。66.一种实施例中，如图8所示，图8中的上图为fdc数据图，图8中下图为统计直方图，fdc数据为常见于自然界中的数据，统计直方图呈现近似钟形的分布形状，此时fdc数据的类型为正态分布类型；如图9所示，图9中上图为fdc数据图，图9中下图为统计直方图，fdc数据为自然界中的数据，因某些已知或未知原因，使其数据分布呈现钟形偏锋与(或)多峰的形状，此时fdc数据的类型为非正态分布类型。67.本技术实施例还提供了一种半导体fdc数据分类装置，需要说明的是，本技术实施例的半导体fdc数据分类装置可以用于执行本技术实施例所提供的用于半导体fdc数据分类方法。以下对本技术实施例提供的半导体fdc数据分类装置进行介绍。68.图10是根据本技术实施例的半导体fdc数据分类装置的示意图。如图10所示，该装置包括：69.获取单元10，用于获取传感器清单，上述传感器清单中包括多个传感器，各上述传感器用于监控半导体机台参数；70.遍历单元20，用于遍历上述传感器清单，并获取上述传感器清单中的目标传感器在近期内获取的fdc数据；71.第一确定单元30，用于在上述目标传感器在近期内获取的上述fdc数据的数据量大于阈值的情况下，确定上述fdc数据的分布规律；72.第二确定单元40，用于根据上述分布规律确定上述fdc数据的类型，上述fdc数据的类型是指上述fdc数据在统计学上服从的分布类型。73.上述的方法中，获取单元获取传感器清单，传感器清单中包括多个传感器，各传感器用于监控半导体机台参数，遍历单元遍历传感器清单，并获取传感器清单中的目标传感器在近期内获取的fdc数据，第一确定单元在目标传感器在近期内获取的fdc数据的数据量大于阈值的情况下，确定fdc数据的分布规律，第二确定单元根据分布规律确定fdc数据的类型，fdc数据的类型是指fdc数据在统计学上服从的分布类型。该方案中，获取传感器清单并对传感器清单进行遍历后，可以获取到fdc数据，在获取到fdc数据后，采用自动化的方式判断fcd数据的分布规律以及类型，在一些方案中是采用人为进行判断的，采用人为判断使得判断的效率和准确率较低，本方案中直接是由计算机获取fdc数据后进行自动分析判断的，可以规避人为判断的影响，可以实现自动对fdc数据分类，这样可以保证对fdc数据的类型判断的准确率较高，且该方案的效率也较高，进而解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。74.本技术的一种实施例中，第一确定单元包括第一处理模块、第二处理模块和第一确定模块，第一处理模块用于对上述fdc数据进行过滤处理，得到过滤后的fdc数据；第二处理模块用于构建过滤后的上述fdc数据的统计直方图；第一确定模块用于根据上述统计直方图，确定上述fdc数据中不同数值的个数和上述fdc数据的总数据量，上述总数据量表征上述fdc数据的总个数。该实施例中，通过对fdc数据进行过滤处理，可以保证得到更为准确地fdc数据，保证了数据的有效性较好，根据统计直方图可以更为准确地确定fdc数据的不同数值的个数以及总数据量。75.本技术的又一种实施例中，第二确定单元包括第二确定模块，第二确定模块用于根据上述不同数值的个数和上述总数据量，确定上述fdc数据的类型。该实施例中，根据准确的fdc数据的不同数值的个数以及总数据量，可以更为准确地确定fdc数据的类型。76.一种具体的实施例中，统计直方图的横轴可以表示fdc数据的大小，统计直方图的纵轴可以表示不同数值所对应的个数，当然并不限于上述的统计直方图，本领域技术人员还可以选择其他任何可行的统计图表。77.本技术的再一种实施例中，第二确定模块包括第一确定子模块和第二确定子模块，第一确定子模块用于在上述不同数值的个数为1，且上述总数据量大于或者等于第一数据量的情况下，确定上述fdc数据的类型为单一管道类型；第二确定子模块用于在上述不同数值的个数为1，且上述总数据量小于上述第一数据量的情况下，确定上述fdc数据的类型为上述单一管道类型或者常规分布类型，上述常规分布类型包括正态分布。该实施例中，可以进一步确定fdc数据的类型为单一管道类型或者常规分布类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了现在的一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。78.本技术的另一种实施例中，第二确定模块包括第三确定子模块和第四确定子模块，第三确定子模块用于在上述不同数值的个数小于等于预定值、上述不同数值的个数不为1、上述不同数值的个数小于或者等于上述总数据量的预定百分比以及上述总数据量大于或者等于第二数据量的情况下，确定上述fdc数据的类型为多元管道类型；第四确定子模块用于在上述不同数值的个数小于等于上述预定值、上述不同数值的个数不为1、上述不同数值的个数小于或者等于上述总数据量的预定百分比以及上述总数据量小于上述第二数据量的情况下，最终确定上述fdc数据的类型为多元管道类型或者常规分布类型，上述常规分布类型包括正态分布。该实施例中，可以进一步确定fdc数据的类型为多元管道类型或者常规分布类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了现在的一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。79.本技术的又一种实施例中，第二确定模块包括第五确定子模块，第五确定子模块用于在上述不同数值的个数大于预定值、上述不同数值的个数不为1、上述不同数值的个数大于上述总数据量的预定百分比的情况下，确定上述fdc数据的类型为非特定管道类型。该实施例中，可以进一步确定fdc数据的类型为非特定管道类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了现在的一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。80.本技术的一种具体的实施例中，第一确定单元包括第三处理模块、第四处理模块和第五处理模块，第三处理模块用于将上述fdc数据按照时间先后顺序进行排序；第四处理模块用于将排序后的上述fdc数据，划分为多个数据组，每个上述数据组包括的上述fdc数据的数量相同；第五处理模块用于计算出各上述数据组的上述fdc数据的平均值和标准方差。该实施例中，可以更为准确地确定fdc数据的分布规律，这样后续可以根据fdc数据的分布规律更为准确地确定fdc数据的类型。81.本技术的另一种具体的实施例中，第二确定单元包括第三确定模块和第四确定模块，第三确定模块用于满足公式μi＞μi+1＞μi+2，或者μi＜μi+1＜μi+2的情况下，确定上述fdc数据的类型为趋势分布类型，其中，i为大于或者等于1的整数，其中，μi表示第i个数据组的平均值，μi+1表示第i+1个数据组的平均值，μi+2表示第i+2个数据组的平均值；第四确定模块用于满足公式μi+3σi＜μi+1，或者μi-3σi＞μi+1的情况下，确定上述fdc数据的类型为均值平移分布，其中，σi表示第i个数据组的标准方差。该实施例中，可以进一步确定fdc数据的类型为趋势分布类型或者均值平移分布，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。82.一种实施例中，在不满足上述实施例的情况下，还可以确定fdc数据的类型为非多重分布。83.具体的，本技术的再一种实施例中，第一处理模块包括处理子模块，处理子模块用于去除上述fdc数据中的偏离值，得到过滤后的上述fdc数据，上述偏离值至少包括上述fdc数据中的最大值和最小值。该实施例中，由于fdc数据中的偏离值对分类过程中存在一定影响，偏离值呈现偏高或者偏低的状态，因此，将偏离值进行去除，可以得到过滤后的fdc数据，这样可以保证fdc数据的有效性较好。84.一种具体的实施例中，可以将fdc数据进行排序，可以去除最高部分的5％的数据，还可以去除最低部分的7％的数据，当然并不限于这两种情况，具体去除的百分比本领域技术人员可以根据实际情况进行选择。85.本技术的又一种实施例中，第二确定单元包括获取模块，获取模块用于采用shapiro-wilk检测算法对上述过滤后的上述fdc数据进行检验，获取上述fdc数据的预定分布规律；第二确定单元包括第五确定模块，第五确定模块用于根据上述预定分布规律确定上述fdc数据的类型为正态分布类型或者非正态分布类型。该实施例中，可以进一步确定fdc数据的类型为正态分布类型或者非正态分布类型，进一步保证对fdc数据的类型判断的效率和准确率较高，进一步解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。86.上述半导体fdc数据分类装置包括处理器和存储器，上述获取单元、遍历单元、第一确定单元和第二确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。87.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来保证对fdc收集到的数据类型进行判断准确率较好。88.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。89.本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述半导体fdc数据分类方法。90.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述半导体fdc数据分类方法。91.本技术还提供了一种机台制程数据监控设备，包括一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的方法。92.上述的设备中，由于包括任意一种上述的方法，该方法中，首先获取传感器清单，传感器清单中包括多个传感器，各传感器用于监控半导体机台参数，之后遍历传感器清单，并获取传感器清单中的目标传感器在近期内获取的fdc数据，之后在目标传感器在近期内获取的fdc数据的数据量大于阈值的情况下，确定fdc数据的分布规律，最后根据分布规律确定fdc数据的类型，fdc数据的类型是指fdc数据在统计学上服从的分布类型。该方案中，获取传感器清单并对传感器清单进行遍历后，可以获取到fdc数据，在获取到fdc数据后，采用自动化的方式判断fcd数据的分布规律以及类型，在一些方案中是采用人为进行判断的，采用人为判断使得判断的效率和准确率较低，本方案中直接是由计算机获取fdc数据后进行自动分析判断的，可以规避人为判断的影响，可以实现自动对fdc数据分类，这样可以保证对fdc数据的类型判断的准确率较高，且该方案的效率也较高，进而解决了一些方案中人为对fdc收集到的数据类型进行判断准确率较低的问题。93.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：94.步骤s101，获取传感器清单，上述传感器清单中包括多个传感器，各上述传感器用于监控半导体机台参数；95.步骤s102，遍历上述传感器清单，并获取上述传感器清单中的目标传感器在近期内获取的fdc数据；96.步骤s103，在上述目标传感器在近期内获取的上述fdc数据的数据量大于阈值的情况下，确定上述fdc数据的分布规律；97.步骤s104，根据上述分布规律确定上述fdc数据的类型，上述fdc数据的类型是指上述fdc数据在统计学上服从的分布类型。98.本文中的设备可以是服务器、pc、pad、手机等。99.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：100.步骤s101，获取传感器清单，上述传感器清单中包括多个传感器，各上述传感器用于监控半导体机台参数；101.步骤s102，遍历上述传感器清单，并获取上述传感器清单中的目标传感器在近期内获取的fdc数据；102.步骤s103，在上述目标传感器在近期内获取的上述fdc数据的数据量大于阈值的情况下，确定上述fdc数据的分布规律；103.步骤s104，根据上述分布规律确定上述fdc数据的类型，上述fdc数据的类型是指上述fdc数据在统计学上服从的分布类型。104.为了本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例来说明本技术的技术方案和技术效果。105.实施例106.如图11所示，确定是否执行fdc数据的类型的流程如下：107.首先，获取传感器清单；108.遍历传感器清单，确定是否存在未指定传感器，在不存在未指定传感器的情况下，流程结束；在存在指定传感器的情况下，依序指定一个未处理过的传感器；109.获取传感器清单中的目标传感器在近期内获取的fdc数据；110.确定fdc数据的数据量是否大于t1，t1为100，当然，并不限于上述的情况，本领域技术人员还可以根据实际情况，选择其他任何可行的数值；111.在fdc数据的数据量大于t1的情况下，执行确定fdc数据的类型流程，在fdc数据的数据量小于或者等于t1的情况下，记录因数据不足，指定传感器无法分类。112.如图12所示，确定fdc数据的类型的流程如下：113.首先，进行数据过滤，将fdc数据排序，去除最高部分与最低部分各3％的数据(由于数据中的异常值对分类过程存在一定的影响，异常值呈现偏高或者偏低的状况，又称偏离值，因此，需要将偏离值去除，保证数据的有效性)，经过过滤后的数据以d表示，|d|为总数据量；114.获取统计直方图参数，获取统计直方图中的不同数值的集合a，|a|为不同数值的个数；115.进行特定管道识别：116.进行预判别，117.其中，r2为5％，t2为7％，当然，并不限于上述的情况，本领域技术人员还可以根据实际情况，选择其他任何可行的数值；[0118][0119]其中，r3为50，r4为200，当然，并不限于上述的情况，本领域技术人员还可以根据实际情况，选择其他任何可行的数值；[0120]对判定结果为非特定管道的进行多重分布识别：[0121]多重分布识别方法的具体处理过程如下：[0122]将过滤后的fdc数据按照时间先后顺序进行排序，将数据切割为20份的数据(d1,d2,...,d20)，计算每一份数据的平均值u＝(u1,u2,...,u20)与标准方差σ＝(σ1,σ2,...,σ20)，[0123][0124]其中，n2为5，当然，并不限于上述的情况，本领域技术人员还可以根据实际情况，选择其他任何可行的数值；[0125]对判定结果为非多重分布的进行常规分布识别：[0126]将过滤后的数据d采用shapiro-wilk检测算法进行检验，获得判别结果为正态分布类型或者非正态分布类型；[0127]记录判别结果，流程结束。[0128]在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0129]在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。[0130]上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。[0131]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0132]上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对一些方案中做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。[0133]从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：[0134]1)、本技术的半导体fdc数据分类方法，首先获取传感器清单，传感器清单中包括多个传感器，各传感器用于监控半导体机台参数，之后遍历传感器清单，并获取传感器清单中的目标传感器在近期内获取的fdc数据，之后在目标传感器在近期内获取的fdc数据的数据量大于阈值的情况下，确定fdc数据的分布规律，最后根据分布规律确定fdc数据的类型，fdc数据的类型是指fdc数据在统计学上服从的分布类型。该方案中，获取传感器清单并对传感器清单进行遍历后，可以获取到fdc数据，在获取到fdc数据后，采用自动化的方式判断fcd数据的分布规律以及类型，在一些方案中是采用人为进行判断的，采用人为判断使得判断的效率和准确率较低，本方案中直接是由计算机获取fdc数据后进行自动分析判断的，可以规避人为判断的影响，可以实现自动对fdc数据分类，这样可以保证对fdc数据的类型判断的准确率较高，且该方案的效率也较高，进而解决了人为对fdc收集到的数据类型进行判断准确率较低的问题。[0135]2)、本技术的半导体fdc数据分类装置，获取单元获取传感器清单，传感器清单中包括多个传感器，各传感器用于监控半导体机台参数，遍历单元遍历传感器清单，并获取传感器清单中的目标传感器在近期内获取的fdc数据，第一确定单元在目标传感器在近期内获取的fdc数据的数据量大于阈值的情况下，确定fdc数据的分布规律，第二确定单元根据分布规律确定fdc数据的类型，fdc数据的类型是指fdc数据在统计学上服从的分布类型。该方案中，获取传感器清单并对传感器清单进行遍历后，可以获取到fdc数据，在获取到fdc数据后，采用自动化的方式判断fcd数据的分布规律以及类型，在一些方案中是采用人为进行判断的，采用人为判断使得判断的效率和准确率较低，本方案中直接是由计算机获取fdc数据后进行自动分析判断的，可以规避人为判断的影响，可以实现自动对fdc数据分类，这样可以保证对fdc数据的类型判断的准确率较高，且该方案的效率也较高，进而解决了人为对fdc收集到的数据类型进行判断准确率较低的问题。[0136]以上上述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!