N-BEATS和图神经网络在多变量半导体工艺时间序列中的无监督异常预测

于红博

摘要: 半导体制造是一个极其复杂和精密驱动的过程，其特点是跨越各种工具和工艺步骤收集的数千个相互依存的参数。多变量时间序列分析已经成为在这种环境中进行实时监测和故障检测的关键领域。然而，在半导体制造中的异常预测面临着几个关键挑战，包括传感器数据的高维度和真实故障的罕见性导致的严重类别不平衡。此外，变量之间复杂的相互依赖关系使得异常预测和根本原因分析变得更加复杂。本文提出了两种新方法，将该领域从异常检测推进到异常预测，这是实现实时过程校正和主动故障预防的关键步骤。提出的异常预测框架包含两个主要阶段：(a)在假定不包含异常的数据集上训练预测模型，和(b)对未见时间序列数据进行预测。预测结果与训练信号的预测结果进行比较。超出预定义阈值的偏差被标记为异常。这两种方法在采用的预测模型上有所不同。第一种方法通过利用N-BEATS模型进行单变量时间序列预测，假定变量之间相互独立。第二种方法通过利用图神经网络（GNN）来捕捉变量之间的关系，消除了这种假设。这两个模型都展示了强大的预测性能，可达到20个时间点的水平，并且在50个时间点内保持稳定的异常预测。GNN在保持较少的可训练参数和较低计算成本的同时，始终优于N-BEATS模型。这些结果将GNN定位为在线异常预测的有前途的解决方案，可在制造环境中部署使用。

更新时间: 2025-10-23 16:33:52

领域: cs.LG,cs.AI,I.2.0; J.6

下载: http://arxiv.org/abs/2510.20718v1