基于 N-BEATS 和图神经网络的多变量半导体过程时间序列无监督异常预测
机器学习
2025-10-24 v1 人工智能
摘要
半导体制造是一个极其复杂且精度驱动的过程，其特点是在不同的工具和工艺步骤中收集了数千个相互依赖的参数。多变量时间序列分析已成为此类环境中实时监控和故障检测的关键领域。然而，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性以及由于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性使异常预测和根因分析变得复杂。本文提出了两种新颖的方法，将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一步。所提出的异常预测框架包含两个主要阶段：(a) 在假设不包含异常的数据集上训练预测模型，以及 (b) 对未见过的时序数据执行预测。将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。这两种方法在所使用的预测模型上有所不同。第一种方法利用 N-BEATS 模型进行单变量时间序列预测，假设变量之间相互独立。第二种方法通过使用图神经网络 (GNN) 捕获变量间关系，放宽了这一假设。两个模型在长达 20 个时间点的预测范围内都表现出强大的预测性能，并在长达 50 个时间点内保持稳定的异常预测。GNN 始终优于 N-BEATS 模型，同时需要的可训练参数和计算成本显著更少。这些结果使 GNN 成为部署在制造环境中的在线异常预测的有前景的解决方案。
引用
@article{arxiv.2510.20718,
title = {Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series},
author = {Daniel Sorensen and Bappaditya Dey and Minjin Hwang and Sandip Halder},
journal= {arXiv preprint arXiv:2510.20718},
year = {2025}
}
备注
17 pages, 27 figures