本發明涉及半導體制造設備，具體地說，涉及一種基于時序圖神經網絡的半導體設備故障預測方法、系統、設備及介質。
背景技術：
1、半導體制造設備是芯片生產的核心載體，其結構極為復雜，通常由數千個精密組件構成，各組件間存在緊密的物理耦合（如真空系統與反應腔的壓力聯動、射頻電源與匹配器的功率協同）和數據依賴（如溫度參數與工藝功率的動態關聯），設備運行狀態的穩定性直接決定芯片制造的良率、效率及生產成本。故障預測作為半導體設備預防性維護的核心技術，其性能直接影響工業生產的連續性——半導體制造領域單次設備停機損失可達數十萬元，因此行業對故障預測的核心需求集中在“高準確率”（≥95%）和“足夠提前量”（10—30分鐘），以實現故障前兆的早期識別與及時干預。
2、現有故障預測方法主要分為三類，均存在難以突破的技術局限，無法滿足行業高端需求：第一類是基于規則或專家經驗的方法，依賴人工總結故障特征閾值，如“真空壓力>10pa持續5s判定為泄漏”，其本質是對單一故障場景的靜態匹配，無法覆蓋組件間關聯引發的鏈式故障，如射頻功率波動→反應腔溫度異常→晶圓缺陷，適應性差、泛化能力弱，且難以應對設備運行過程中的復雜工況變化；第二類是基于單一時序模型（lstm、arima等）的方法，僅針對單個組件的時序數據進行建模，完全忽略了組件間的空間關聯關系，導致對關聯故障的漏報率高、單一組件正常波動的誤報率高，無法捕捉故障發生前組件間關聯關系的漸變過程；第三類是基于靜態圖神經網絡（如gcn）的方法，雖能捕捉組件間的空間關聯，但僅能對單一時間節點的靜態圖進行特征提取，無法處理設備運行過程中時序動態變化的特征（如故障前兆階段組件關聯強度的逐步異常），導致故障提前預測能力不足，難以滿足行業對故障提前量的需求。
3、時序圖神經網絡（temporal?graph?neural?network,?tgnn）作為人工智能領域的新興算法，具備同時建模“空間關聯”與“時序動態”的核心優勢，為解決上述技術痛點提供了新的技術路徑。但現有時序圖神經網絡算法多應用于交通流預測、社交網絡分析等領域，未針對半導體設備的運行特性（高維、強耦合、時序連續性、故障前兆隱蔽性）進行定制化設計，無法直接適配半導體設備的故障預測場景——例如，現有算法的圖結構構建未結合半導體設備的物理連接特性，時序特征提取未考慮設備故障前兆的緩慢漸變特性，模型參數未針對半導體設備數據的分布特點進行優化，因此無法直接遷移應用于半導體設備故障預測任務。
技術實現思路
1、本發明針對現有預測方法忽略組件空間關聯、時序動態捕捉不足導致的故障預測準確率低、提前量不足的問題，提出一種基于時序圖神經網絡的半導體設備故障預測方法、系統、設備及介質；該方法首先采集設備各組件的時序運行數據，形成數據矩陣；并對數據矩陣進行預處理及時序分段，得到標準化片段；其次對每個片段構建時序圖：以組件為節點，基于物理連接和pearson系數確定邊權重，形成時序圖序列；然后將時序圖序列劃分為訓練集和測試集，輸入時序圖神經網絡模型訓練，通過交叉熵損失函數優化；最后實時數據經上述步驟處理后輸入訓練好的模型，輸出故障類型及概率并展示并推送結果；通過構建時序圖數據結構，設計專用時序圖神經網絡模型，實現了故障的精準提前預測。
2、本發明具體實現內容如下：
3、一種基于時序圖神經網絡的半導體設備故障預測方法，具體包括以下步驟：
4、步驟s1：采集半導體設備組件的時序運行數據，生成數據矩陣；
5、步驟s2：預處理數據矩陣，并進行時序分段，得到標準化半導體組件時序片段；
6、步驟s3：以半導體組件為節點，根據設定的pearson系數確定邊權重，構建時序圖序列；
7、步驟s4：將時序圖序列劃分為訓練集和測試集，輸入至構建的時序圖神經網絡模型訓練，并通過交叉熵損失函數優化，得到訓練后的時序圖神經網絡模型；
8、步驟s5：將獲取的實時數據輸入至訓練后的時序圖神經網絡模型，得到故障類型、故障概率；
9、步驟s6：根據故障概率判斷半導體設備是否存在故障，生成半導體設備故障預測結果。
10、為了更好地實現本發明，進一步地，所述步驟s1具體包括以下步驟：
11、步驟s11：根據半導體設備的組件分布特點，在設備關鍵組件部署對應類型的傳感器，并通過設備控制系統接口采集工藝參數數據，得到多源時序數據；
12、步驟s12：根據組件的特征維度、設備關鍵組件數量、設定的總時間步長，將多源時序數據整合為三維數據矩陣。
13、為了更好地實現本發明，進一步地，所述步驟s2具體包括以下步驟：
14、步驟s21：調用3σ準則進行識別三維數據矩陣的異常值，并進行異常值清洗；
15、步驟s22：將清洗后的三維數據矩陣進行缺失值填補，得到填補后的三維數據矩陣；
16、步驟s23：將填補后的三維數據矩陣進行標準化處理，得到標準化后的三維數據矩陣；
17、步驟s24：根據設定的時間窗口劃分標準化后的三維數據矩陣，得到標準化半導體組件時序片段。
18、為了更好地實現本發明，進一步地，所述步驟s3具體包括以下步驟：
19、步驟s31：根據標準化半導體組件時序片段，判斷半導體組件間是否存在物理連接邊，若存在則判定半導體組件間存在固有關聯，將邊權重設定為1；若不存在物理連接邊，則調用pearson系數計算半導體組件時序數據的相關性；
20、步驟s32：根據pearson系數判斷半導體組件間是否存在動態關聯，若存在動態關聯則將邊權重設定為pearson系數的絕對值，若不存在動態關聯，則將邊權重設定為0；
21、步驟s33：將半導體設備的關鍵組件作為節點，根據設定的邊權重，構建時序圖，得到時序圖序列。
22、為了更好地實現本發明，進一步地，所述步驟s4具體包括以下步驟：
23、步驟s41：構建時序圖神經網絡；所述時序圖神經網絡包括圖卷積層、時序特征提取層、分類層；
24、步驟s42：將時序圖序列輸入至圖卷積層，提取得到高階空間特征；
25、步驟s43：將高階空間特征輸入至時序特征提取層，得到融合特征；
26、步驟s44：將融合特征輸入至分類層，得到故障類別的概率分布。
27、為了更好地實現本發明，進一步地，所述步驟s42具體包括以下步驟：
28、步驟s421：將時序圖序列輸入至第一卷積層；所述卷積層包括第一卷積層、第二卷積層；
29、步驟s422：根據時序圖的邊權重矩陣，得到鄰接矩陣；
30、步驟s423：根據歸一化后的鄰接矩陣、鄰接矩陣的度矩陣、設定的第一權重矩陣、設定的第一偏置、設定的單位矩陣，調用激活函數得到初級空間特征；
31、步驟s424：將初級空間特征輸入至第二卷積層，根據設定的第二權重矩陣、第二偏置，得到高階空間特征。
32、為了更好地實現本發明，進一步地，所述步驟s6具體包括以下步驟：
33、步驟s61：預處理獲取的半導體設備實時運行數據，構建實時時序圖序列；
34、步驟s62：根據設定的窗口，將實時時序圖序列輸入至訓練好的時序圖神經網絡模型，得到預測的狀態類別和對應類別的概率；
35、步驟s63：若對應類別的概率大于等于設定的預警閾值，且狀態類別為故障類型時，判定為故障預警并輸出故障預測結果；若對應類別的概率小于設定的預警閾值或狀態類別為正常狀態時，判定為設備正常運行并輸出預測結果。
36、基于上述提出的基于時序圖神經網絡的半導體設備故障預測方法，為了更好地實現本發明，進一步地，提出一種基于時序圖神經網絡的半導體設備故障預測系統，用于執行上述的一種基于時序圖神經網絡的半導體設備故障預測方法；包括數據采集模塊、數據預處理模塊、圖結構構建模塊、故障特征提取與預測模塊、模型訓練模塊、結果輸出模塊；
37、所述數據采集模塊，用于采集半導體設備組件的時序運行數據，生成數據矩陣；
38、所述數據預處理模塊，用于預處理數據矩陣，并進行時序分段，得到標準化半導體組件時序片段；
39、所述圖結構構建模塊，用于以半導體組件為節點，根據設定的pearson系數確定邊權重，構建時序圖序列；
40、所述故障特征提取與預測模塊，用于將時序圖序列劃分為訓練集和測試集，輸入至構建的時序圖神經網絡模型訓練，并通過交叉熵損失函數優化，得到訓練后的時序圖神經網絡模型；
41、所述模型訓練模塊，用于將獲取的實時數據輸入至訓練后的時序圖神經網絡模型，得到故障類型、故障概率；
42、所述結果輸出模塊，用于根據故障概率判斷半導體設備是否存在故障，生成半導體設備故障預測結果。
43、基于上述提出的基于時序圖神經網絡的半導體設備故障預測方法，為了更好地實現本發明，進一步地，一種電子設備，包括存儲器和處理器；所述存儲器上存儲有計算機程序；當所述計算機程序在所述處理器上執行時，實現上述的基于時序圖神經網絡的半導體設備故障預測方法。
44、基于上述提出的基于時序圖神經網絡的半導體設備故障預測方法，為了更好地實現本發明，進一步地，一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機指令；當所述計算機指令在上述的電子設備上執行時，實現上述的基于時序圖神經網絡的半導體設備故障預測方法。
45、本發明具有以下有益效果：
46、（1）?本發明通過融合物理關聯與數據關聯的時序圖構建方法，以及gcn-lstm混合架構對空間與時序特征的深度融合，模型能夠充分捕捉故障前兆的復雜特征，較傳統lstm模型（忽略空間關聯）準確率提升12%—18%，較靜態gcn模型（忽略時序動態）準確率提升8%—15%，測試集準確率可穩定達到95%以上，各類故障類型的f1分數均≥0.94，有效降低漏報率和誤報率，滿足半導體制造領域的高準確率需求。
47、（2）?本發明通過lstm層對時序動態特征的精準捕捉，以及時序圖序列對組件關聯演變的動態刻畫，模型能夠識別故障發生前10—30分鐘的隱蔽性前兆特征，較傳統規則式方法提前量提升5—10分鐘，平均提前預測時間可達22分鐘，為工程師提供充足的維護時間，有效避免設備停機，降低生產成本。
48、（3）?本發明無需人工定義故障規則，通過數據驅動的方式自動學習設備運行特征和故障模式，同時圖結構構建和模型參數均針對半導體設備的特性進行定制化優化，可適配光刻機、刻蝕機等各類復雜半導體設備，無需針對不同設備進行大規模模型重構，降低應用成本。
49、（4）?本發明算法流程簡潔、參數設置合理，數據采集采用常規工業傳感器和設備接口，預處理和模型訓練可在常規工業服務器上實現，無需復雜的硬件升級，便于在半導體制造車間大規模推廣應用，具備極高的工程實用價值。