赛美特-国产半导体CIM领军者，软件成就智造

少漏报、降误报、问题智能归因｜赛美特半导体工艺异常检测技术的智能化演进

26-08-0312:00:00

本期《AI Factory》专栏聚焦算法工坊核心主题，深度拆解半导体工艺异常检测技术的变革进程。

随着先进制程持续演进，传统单参数、规则化的异常检测模式已无法适配高精度、高复杂度的晶圆制造需求。赛美特依托多源数据融合、机器学习建模、智能分析诊断核心能力，推动工艺异常检测从单参数静态监控向多维设备全态智能分析全面升级，有效解决传统检测漏报、误报、排查低效等行业痛点，助力半导体企业提质、增效、稳产。

为什么半导体工艺异常检测需要进一步升级？

半导体异常检测的核心目标，不止是事后报警，更是提前识别潜在风险、快速定位异常根源、辅助工艺优化。然而，在实际的案例应用，我们发现当前的异常检测方式逐渐面临以下核心挑战：

参数靠人工挑选，容易造成故障漏报

当前的检测方式通常由工程师根据经验选择关键参数进行监控。但设备参数众多，人工选参很难做到面面俱到。一旦真正反映故障的参数未被纳入监控范围，系统就可能无法及时发现异常，未知的问题也就因此被埋没。

单参数看起来正常，但组合起来就异常

一些故障没有触发任何单项参数越限，却已经表现为多个参数之间的关系失常，导致异常未被监测。

参数全部设限监控，固定阈值容易误报

设备会经历老化、预防性维护（PM）、腔体状态变化和配方调整，正常运行范围也会随之变化。若监控阈值长期不变，正常波动就可能被频繁判为异常。报警一多，工程师容易产生报警疲劳，最终只能屏蔽报警。

报警只指出越限的参数，不指出背后根因

当前报警只呈现越限参数，无法直接说明哪些变量对异常影响最大，也难以给出可能的故障位置。工程师只能依赖个人经验逐项排查，定位速度和准确性受经验水平影响较大。

因此，半导体工艺异常检测需要从规则判断进一步走向基于数据分析和模型能力的智能化分析。

如何赋能半导体工艺异常检测智能化升级

针对上述挑战，赛美特对半导体工艺异常检测技术进行持续探索，推动异常检测从“逐条查看参数曲线”，向“综合分析设备运行状态”升级。

挑战	目标	技术路径	核心转变
漏报	发现传统规则无法覆盖的隐性异常	多源融合异常检测、半监督机器学习	从"枚举异常" → "刻画正常"
误报	误报从源头减少，而非靠不断“打补丁”	在线学习、质量反馈闭环	从"静态阈值" → "动态基线"
可靠性	让报警不仅"报得准"，更要"说得清"	异常贡献度分析、多维关联关系解析、历史案例智能匹配	从"靠人经验" → "系统给线索"

01全局协同监控：全参数覆盖，减少异常报警遗漏

针对异常检测中参数遗漏与故障遗漏的问题，赛美特建立了全局协同监控模型：

🔹在参数范围上，采用全量参数建模，减少人工选参造成的监控盲区；

🔹在检测逻辑上，不再逐一枚举所有可能发生的异常，而是先学习设备的正常运行模式，将偏离正常模式的状态识别为潜在异常；

🔹在技术实现上，通过多源数据融合与半监督机器学习，分析多变量之间的协同关系，形成对设备整体运行状态的判断能力。

基于协同网络的整体建模，可以将上千个设备参数之间的复杂关系，归纳为少数能够反映整机状态的健康指数。当某些参数之间的协同关系被打破时，即使单个参数均未越限，模型仍可捕捉整体状态的异常变化。这意味着异常检测不再局限于“哪条曲线越过了控制线”，而是进一步判断“设备是否仍在按照正常方式运行”。

图1：逐参数控制图 vs 多变量联合视图对比

02模型自适应：动态更新基线，从源头减少误报

减少漏报之后，异常检测还需要解决误报问题。半导体设备并非始终处于固定状态。随着运行时间增加，设备会发生自然老化；PM保养可能改变腔体状态；Recipe调整也会带来新的正常运行特征。设备在变化，但传统阈值和静态模型不会自动变化，原本有效的判断标准便可能逐渐失效。

针对这一问题，赛美特建立模型自适应机制，使正常状态基线能够随着设备真实状态持续更新：

🔹模型持续学习最新的正常运行数据；

🔹正常基线随设备老化、PM保养和配方调整动态变化；

🔹结合生产质量结果与工艺日志，对模型更新进行验证；

🔹区分需要跟随的正常变化与不应被吸收的异常偏移。

在技术实现上，赛美特通过在线学习（Online Learning）和质量反馈闭环，让模型在长期运行过程中持续迭代。每次更新均结合质量数据进行判断，避免模型将慢性故障或持续偏移误学为新的正常状态。与依赖人工“打补丁”的阈值维护方式相比，动态基线机制从模型层面适应设备变化，有助于减少因基线失效产生的无效报警。

图2：模型自适应在线学习机制

03智能异常归因：让每次报警都提供排查线索

异常检测的最终价值，是服务生产运维、快速解决故障、恢复稳定生产。传统报警通常只能指出某个参数越限，缺乏对异常原因的进一步解释。面对成百上千个相互关联的参数，工程师仍需依靠个人经验逐项分析。

针对这一问题，赛美特构建智能异常归因能力，让系统在发出报警的同时，自动生成可用于排查的解释信息，包括：

🔹对异常影响最大的参数及贡献度排序；

🔹关键参数的偏离方向和变化程度；

🔹参数之间的多维关联关系；

🔹与当前异常相似的历史案例及处理参考。

在技术实现上，系统通过异常贡献度分析，将设备健康指数的异常变化分解到具体参数；通过多维关联关系解析，识别共同影响设备状态的变量组合；再结合历史案例智能匹配，推荐可能的异常位置和排查方向。与“越限即报警”的方式相比，智能异常归因不仅告诉工程师设备出现了问题，还能回答“哪些参数最值得关注”“变化方向是什么”“过去是否发生过类似情况”，极大提升异常定位效率。

图3：智能诊断与模型可解释性示意

构建面向半导体制造的智能异常检测技术体系

全局协同监控解决异常遗漏问题，模型自适应解决误报问题，智能异常归因解决定位效率问题。围绕这三项核心能力，赛美特进一步搭建数据治理、模式建模、智能检测、智能诊断和应用协同五层一体化技术架构，形成从数据输入到业务应用的完整闭环。

图4：智能异常检测技术"五层架构”

数据治理层确保输入数据质量，建模层刻画设备正常运行模式，智能检测层识别状态变化，智能诊断层提供原因分析依据，应用协同层支持制造流程中的进一步应用，例如推送报告以及与FDC、MES系统的联动。同时，通过模型持续优化机制，进行分布漂移监测、增量学习，使检测能力能够随着生产数据积累不断提升。

依托五层技术架构，赛美特智能异常检测方案彻底颠覆传统经验化检测模式，助力半导体工厂实现四大核心价值升级：

1. 全量状态感知，杜绝异常遗漏：摒弃人工选参的局限性，基于全参数建模与多变量协同分析，全面覆盖已知显性异常、未知隐性异常、多参数耦合复杂异常，实现设备运行状态无死角监控。

2.动态迭代优化，适配量产变化：通过自适应在线学习，打破静态阈值固化弊端，精准适配设备老化、维护、工艺迭代等动态工况，持续降低误报率与运维成本。

3. 智能溯源诊断，降低经验依赖：以数据算法为核心，输出标准化、可视化的异常分析依据，替代纯人工经验排查，降低新人上手门槛，大幅提升故障处理效率。

4. 开放协同兼容，快速落地复用：无缝对接工厂现有FDC、MES等工业系统，快速落地智能检测能力，适配各类晶圆制造产线场景。

从单参数监控到多变量协同分析，从异常发现到原因辅助定位，半导体工艺异常检测正在经历从规则驱动向模型驱动的技术演进。

未来，异常检测技术将进一步融合更加丰富的数据维度和分析能力，实现从单设备状态分析向设备群体状态关联分析拓展，更全面地理解复杂制造环境下的设备运行规律；同时，随着模型持续优化和工艺知识不断沉淀，异常分析能力将从“发现异常、解释异常”进一步迈向“预测趋势、主动预防”，帮助工程人员更加主动地识别潜在风险。

赛美特将持续以工业软件为基础，融合AI技术创新，帮助半导体企业提升设备状态管理水平，加速工艺经验沉淀，推动制造过程从经验判断向数据辅助决策演进，为先进智能工厂建设持续创造价值。