【技术实现步骤摘要】
本专利技术涉及设备监测领域，尤其涉及一种基于大语言模型的机台监测参数提取方法及装置。
技术介绍
1、在半导体制造过程中，设备的监测和控制是确保产品质量和生产效率的关键。对机台设备的参数监测可应用于故障检测分类、良率预测、工艺优化、设备健康管理、过程控制、环境监测等多个生产环节，其中故障检测分类和良率预测对确保生产过程的稳定性和产品的质量起到至关重要的作用。
2、半导体机台设备的参数个数及类别因设备型号不同而异，复杂的机台设备参数多达上万，在实际生产中因数据存储效率、开发效率的限制，只能从中选择性的收集并监测部分关键参数，这部分关键参数可以为故障检测分类和良率预测提供数据支持，称为监测参数。监测参数中，包括两种主要的数据类型：数据变量（data variable，dv）和状态变量（state variable，sv）。
3、其中，dv是在特定事件发生时收集的数据项。例如，在半导体生产中，当配方更改时，gem接口可能会触发名为ppchanged的事件，并提供与之相关的dv，如“changedrecipe”。这些数据只在特定事件的上下文中有效，超出该上下文后可能会产生无效或不准确的信息。由于dv的上下文依赖性，精确的事件记录和数据收集在故障分析和工艺优化中至关重要。对于实时监控和故障预测而言，如何有效捕捉和利用这些瞬时数据成为一大挑战。
4、sv是包含设备信息的持久数据项，这些数据在任何时刻都保证有效。例如，温度传感器的读数moduletemperature可以通过gem接口请求，它始终反映设备当前
5、在传统的半导体制造过程中，设备监测参数的选取依赖经验丰富的工艺工程师和实施工程师选择。尽管这种方法在短期内能够发挥作用，但在面对以下挑战时显露出明显的局限性：
6、1. 高依赖性和效率低下：工艺工程师和实施工程师在选择监测参数时，通常依赖于个人的经验和直觉。当参数数据量庞大时，这种依赖导致了选择过程的耗时性，严重影响了工作效率。
7、2. 缺乏迁移灵活性：在新设备投入使用时，工程师往往对设备的特性和参数选择缺乏足够的经验。这导致冷启动问题，即在缺乏历史数据和经验支持的情况下，无法迅速做出有效的参数选择。
8、3. 缺乏准确性：目前使用的关键词或指定规则的筛选方法缺乏灵活性，难以适应复杂多变的生产环境。这些方法通常忽视上下文信息，无法充分利用设备事件和参数间的关系，从而导致筛选结果的不准确。
9、4. 信息孤岛与知识转移障碍：经验的传承和知识的转移常常依赖于个别工程师，造成信息孤岛现象，容易导致筛选结果的不准确。这也意味着新进工程师在缺乏指导的情况下难以有效获取必要的知识和经验，进一步加剧了冷启动问题。
10、5. 不适应动态变化的环境：半导体制造过程高度复杂且快速变化，传统的经验驱动和规则基础的筛选方法无法迅速调整以适应新出现的工艺变化和设备特性，从而限制了生产灵活性和适应能力。
11、为解决上述问题，急需一种更加灵活、准确、高效的机台设备监测参数筛选方法，以适应不断涌现出的新工艺和设备。
技术实现思路
1、为解决上述问题，本专利技术提出一种基于大语言模型的机台监测参数提取方法及装置。
2、根据第一方面，本专利技术提供一种基于大语言模型的机台监测参数提取方法，包括以下步骤：
3、对机台设备的技术手册进行文档解析，提取出其中的手册文本、图片及对应的图名。
4、使用llm对提取出的所有图名进行分析，得到描述机台设备整体架构和组件的部分图名。
5、将提取的所有图片中对应所述部分图名的部分图片输入多模态模型，得到机台架构信息和组件组成信息。
6、将所述机台架构信息和组件组成信息与所述手册文本输入llm，得到对应所述部分图片的文字信息的摘要，以及，将所述摘要输入llm得到组件分类信息。
7、将所述摘要、组件分类信息和预先配置的参数与组件的关联信息，以及与所述机台设备的多个参数对应的多条参数信息输入llm，得到其中各个参数的推理信息，所述推理信息包括参数id、参数所属组件和推理依据。
8、将所述各个参数的推理信息，以及描述描述参数重要性判断依据的信息输入llm，得到所述多个参数中的重要参数，作为最终的监测参数。
9、在一些实施例中，所述文档解析具体包括：
10、通过ocr技术，提取所述技术手册中的文字信息和所有图片。
11、根据每张图片附近的文字信息，使用大语言模型确定图片对应的图名。
12、在一些实施例中，所述组件分类信息包括组件类别，所述组件类别包括mainframe、factory interface和load lock a。
13、在一些实施例中，所述参数信息包括数据类型、字段描述和标识符。
14、在一些实施例中，所述机台设备为半导体机台设备。
15、根据第二方面，本专利技术提供一种基于大语言模型的机台监测参数提取装置，包括：
16、文档解析模块，用于对机台设备的技术手册进行文档解析，提取出其中的手册文本、图片及对应的图名。
17、图名筛选模块，用于通过llm对文档解析模块提取出的所有图名进行分析，得到描述机台设备整体架构和组件的部分图名。
18、组件识别模块，用于将文档解析模块提取的所有图片中对应所述部分图名的部分图片输入多模态模型，得到机台架构信息和组件组成信息。
19、组件分类模块，用于将所述机台架构信息和组件组成信息与文档解析模块提取出的手册文本输入llm，得到对应所述部分图片的文字信息的摘要，以及，将所述摘要输入llm得到组件分类信息。
20、初次筛选模块，用于将所述摘要、组件分类信息和预先配置的参数与组件的关联信息，以及与所述机台设备的多个参数对应的多条参数信息输入llm，得到其中各个参数的推理信息，该推理信息包括参数id、参数所属组件和推理依据。
21、二次筛选模块，用于将所述各个参数的推理信息，以及描述参数重要性判断依据的信息输入llm，得到所述多个参数中的重要参数，作为最终的监测参数。
22、在一些实施例中，所述文档解析模块具体配置为：通过ocr技术，提取所述技术手册中的文字信息和所有图片；根据每张图片附近的文字信息，使用大语言模型确定图片对应的图名。
23、在一些实施例中，所述装置应用于半导体机台设备。
24、本专利技术提供的监测参数选取方法通过llm进行文本分析，即使面对庞大参数数据量，llm也可以充分关联利用技术手册中的上下文信息和图片信息，并且结合人工经验高效准确的完成监测参数选取。此外，该方法能够充分适应设备本身的特点，迁移灵活性高。
本文档来自技高网...【技术保护点】
1.一种机台设备监测参数选取方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述文档解析具体包括：
3.如权利要求1所述的方法，其特征在于，所述组件分类信息包括组件描述和组件类别，所述组件类别包括MainFrame、Factory Interface和Load Lock A。
4.如权利要求1所述的方法，其特征在于，所述参数信息包括数据类型、字段描述和标识符。
5.如权利要求1所述的方法，其特征在于，所述机台设备为半导体机台设备。
6.一种机台设备监测参数选取装置，其特征在于，包括：
7.如权利要求6所述的装置，其特征在于，所述文档解析模块具体配置为：
8.如权利要求6所述的装置，其特征在于，所述组件分类信息包括组件类别，所述组件类别包括MainFrame、Factory Interface和Load Lock A。
9.如权利要求6所述的装置，其特征在于，所述参数信息包括数据类型、字段描述和标识符。
10.如权利要求6所述的装置，其特征在于，所述
...【技术特征摘要】
1.一种机台设备监测参数选取方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述文档解析具体包括：
3.如权利要求1所述的方法，其特征在于，所述组件分类信息包括组件描述和组件类别，所述组件类别包括mainframe、factory interface和load lock a。
4.如权利要求1所述的方法，其特征在于，所述参数信息包括数据类型、字段描述和标识符。
5.如权利要求1所述的方法，其特征在于，所述机台设备为半导体机台设备。<...
【专利技术属性】
技术研发人员：石颍乐，夏敏，易丛文，管健，
申请(专利权)人：深圳智现未来工业软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。