本发明涉及集成电路故障监测管理，具体为一种基于人工智能的集成电路故障监测管理系统及方法。
背景技术：
1、人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，人工智能可以在短时间内处理大量的数据和任务，提高效率和生产力，相较于人类，人工智能可以更快速、更准确地执行任务，并且不会受到疲劳、情绪等因素的影响，提高了任务执行的可靠性。
2、集成电路是一种微型电子器件或部件。采用一定的工艺，把一个电路中所需的晶体管、电阻、电容和电感等元件及布线互连一起，集成电路故障监测管理是指针对集成电路中出现故障的情况进行有效管理的流程，在集成电路如此盛行的时代，集成电路故障有可能产生很大的影响。因此急需一种基于人工智能的集成电路故障监测管理系统及方法，准确分析出故障元件，为维修节约时间。
技术实现思路
1、本发明的目的在于提供一种基于人工智能的集成电路故障监测管理系统及方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的集成电路故障监测管理方法，该方法包括以下步骤：
3、步骤s100：在集成电路正常工作时，采集每个元件中各种工艺参数的历史数值，分析得到正常工作时每个元件中各种工艺参数正常阈值范围；
4、步骤s200：在集成电路发生故障时，采集每个元件中各种工艺参数的历史数值，分析得到发生故障时每个元件中各种工艺参数异常阈值范围；
5、步骤s300：通过人工智能算法对每个元件中各种工艺参数正常阈值范围和每个元件中各种工艺参数异常阈值范围进行训练，得到每个元件中各种工艺参数标准阈值范围；
6、步骤s400：通过对每个元件中各种工艺参数的实时数值采集，建立工艺参数实时状态的矩阵，通过分析矩阵数字变化，对集成电路故障进行监测。
7、进一步的，在集成电路正常工作时，采集每个元件中各种工艺参数的历史数值，分析得到正常工作时每个元件中各种工艺参数正常阈值范围，包括以下步骤：
8、步骤s101：在同一型号的集成电路中，所述集成电路中有若干个相同的元件组成，每个元件中含有若干种工艺参数，在集成电路正常工作时，对第i个元件中第j种工艺参数的历史数值进行采集，获得第i个元件中第j种工艺参数的正常数值集合；
9、步骤s102：通过人工智能算法对所述正常数值集合进行遍历，将所述正常数值集合按照从小到大进行排序，把集合最小值当做第i个元件中第j种工艺参数正常阈值的最小值，把集合最大值当做第i个元件中第j种工艺参数正常阈值的最大值，得到第i个元件中第j种工艺参数正常阈值范围为区间[amin，amax],其中amin，amax分别表示为第i个元件中第j种工艺参数正常阈值的最小值和最大值。
10、上述步骤相当于对集成电路进行分析，同一个集成电路中含有的各个元件都是相同的，每个元件中都含有若干种工艺参数，在集成电路正常工作的情况下，对若干种工艺参数的历史数值进行采集，通过算法遍历正常工作时的数值得到从小到大的有序集合，将集合的最大值和最小值进行收集，得到某个元件中某种工艺参数正常阈值范围，为后续分析起到了支持。
11、进一步的，在集成电路发生故障时，采集每个元件中各种工艺参数的历史数值，分析得到发生故障时每个元件中各种工艺参数异常阈值范围，包括以下步骤：
12、步骤s201：在集成电路发生故障时，对第i个元件中第j种工艺参数的历史数值进行采集，当bm>amax时，对bm进行收集建立集合b1，当bm<amin时，对bm进行收集建立集合b2，，其中bm为集成电路发生异常时，第i个元件中第j种工艺参数的第m次采集的历史数值，其中b1、b2分别表示为bm>amax、bm<amin的第i个元件中第j种工艺参数的历史数值的集合；
13、步骤s202：分别将集合b1、b2进行遍历，按照从小到大的顺序进行排列，集合b1的最小值为bmin，b2的最大值为bmax，第i个元件中第j种工艺参数的异常阈值范围为区间[-∞,bmax)∪(bmin+∞]。
14、上述步骤相当于在集成电路发生故障时，对某个元件中某种工艺参数进行采集，得到发生故障时，某个元件中某种工艺参数的历史数值，对所述历史数值进行分析，判断其和正常阈值范围的关系，得到某个元件中某种工艺参数的异常阈值范围，为后续分析起到了支持。
15、进一步的，通过人工智能算法对每个元件中各种工艺参数正常阈值范围和每个元件中各种工艺参数异常阈值范围进行训练，得到每个元件中各种工艺参数标准阈值范围，包括以下步骤：
16、步骤s301：对正常参数阈值范围和异常参数阈值范围进行训练，连续采集第i个元件中第j种工艺参数的数值，其中x为第i个元件中第j种工艺参数的训练数值；
17、步骤s302：当x不在第i个元件中第j种工艺参数正常阈值范围时，若第i个元件发生故障，当x在第i个元件中第j种工艺参数异常阈值范围时，对此数据不记录，当xz不在第i个元件中第j种工艺参数异常阈值范围时，则对满足amax<x<bmin、bmax<x<amin分别将训练数值x记录到第i个元件中第j种工艺参数b1、b2集合内，若第i个元件没有发生故障，则对第i个元件中第j种工艺参数正常阈值范围进行更新，当x>amax时，a’max的值为x，当x<amin时，a’min的值为x，其中a’max、a’min分别表示为训练后得到的第i个元件中第j种工艺参数正常阈值范围的最大值、最小值；
18、步骤s303：对集合b1、b2重新进行遍历，按照从小到大的顺序进行排列，训练后集合b1的最小值为b’min，训练后b2的最大值为b’max，第i个元件中第j种工艺参数的异常阈值范围为区间[-∞,b’max)∪(b’min+∞]；
19、步骤s304：对第i个元件中第j种工艺参数设定一个偏差阈值范围为(0，θ]，d1、d2分别表示为第i个元件中第j种工艺参数最小值、最大值的偏差值，d1＝|a’min-b’max|，d2＝|a’max-b’min|，当d1、d2都在θ时，则第i个元件中第j种工艺参数标准阈值范围为区间[a’min，a’max]，当d1或d2不在θ时，则对第i个元件中第j种工艺参数继续采集，直到满足d1、d2都在θ时停止。
20、上述步骤相当于通过对正常阈值范围和异常阈值范围进行训练，得到某个元件中某种工艺参数的训练数值，通过训练数值与正常阈值范围进行分析，得到训练后的正常阈值范围和异常阈值范围，通过比对正常阈值范围和异常阈值范围的偏差值，得到某个元件中某种工艺参数的标准阈值范围，为后续分析起到了支持。
21、进一步的，通过对每个元件中各种工艺参数的实时数值采集，建立工艺参数实时状态的矩阵，通过分析矩阵数字变化，对集成电路故障进行监测，包括以下步骤：
22、步骤s401：采集第i个元件中第j种工艺参数的实时数值为cij，其中cij为第i个元件中第j种工艺参数的实时数值，当所述实时数值属于第i个元件中第j种工艺参数标准阈值范围，则第i个元件中第j种工艺参数的状态为正常，第i个元件中第j种工艺参数预警阈值范围为[a’min-θ，a’min)∪(a’max，a’max+θ]，当所述实时数值属于第i个元件中第j种工艺参数预警阈值范围，则第i个元件中第j种工艺参数的状态为预警，当所述实时数值不属于第i个元件中第j种工艺参数标准阈值范围且不属于第i个元件中第j种工艺参数预警阈值范围，则第i个元件中第j种工艺参数的状态为异常；
23、步骤s402：建立第i个元件的实时工艺参数矩阵：
24、
25、其中ci1、ci2分别表示为第i个元件中第1、2种工艺参数的实时数值，当第i个元件中第j种工艺参数的状态为正常时，矩阵中cij显示为0，当第i个元件中第j种工艺参数的状态为预警时，矩阵中cij显示为1，当第i个元件中第j种工艺参数的状态为异常时，矩阵中cij显示为2，监测矩阵中数值，当数值都为0时，第i个元件为正常工作，当数值出现1的情况下，第i个元件为预警情况，会发出预警提示，需要对所述元件进行检查，当数值出现2的情况下，第i个元件为故障情况，需要对第i个元件进行维修。
26、上述步骤相当于对某个元件中某种工艺参数进行实时监测，监测得到的数值与标准阈值范围进行分析，建立矩阵显示某个元件中所有工艺参数，通过矩阵数值变化，能够快速得到发生故障的元件，进行维修。
27、为了更好实现上述方法还提出了一种基于人工智能的集成电路故障监测管理系统，该系统包括正常工艺参数模块、故障工艺参数模块、训练模块、实时监测模块。
28、其中，正常工艺参数模块：在集成电路正常工作时，采集每个元件中各种工艺参数的历史数值，分析得到正常工作时每个元件中各种工艺参数正常阈值范围；
29、故障工艺参数模块：在集成电路发生故障时，采集每个元件中各种工艺参数的历史数值，分析得到发生故障时每个元件中各种工艺参数异常阈值范围；
30、训练模块：通过人工智能算法对每个元件中各种工艺参数正常阈值范围和每个元件中各种工艺参数异常阈值范围进行训练，得到每个元件中各种工艺参数标准阈值范围；
31、实时监测模块：通过对每个元件中各种工艺参数的实时数值采集，建立工艺参数实时状态的矩阵，通过分析矩阵数字变化，对集成电路故障进行监测。
32、进一步的，正常工艺参数模块包括采集正常工艺参数单元和分析正常工艺参数单元；
33、采集正常工艺参数单元：对集成电路正常工作的每个元件中各种工艺参数的历史数值进行采集；
34、分析正常工艺参数单元：对采集到的正常工作的每个元件中各种工艺参数的历史数值，进行分析得到每个元件中各种工艺参数的正常阈值范围。
35、进一步的，故障工艺参数模块包括采集故障工艺参数单元和分析故障工艺参数单元；
36、采集故障工艺参数单元：对集成电路发生故障时的每个元件中各种工艺参数的历史数值进行采集；
37、分析故障工艺参数单元：对采集到的发生故障的每个元件中各种工艺参数的历史数值，进行分析得到每个元件中各种工艺参数的异常阈值范围。
38、进一步的，训练模块包括训练结果判断单元和训练分析单元；
39、训练结果判断单元：对结果进行判断，满足条件得到每个元件中各种工艺参数的标准阈值范围，不满足条件继续计算；
40、训练分析单元：采集某段时间内的每个元件中各种工艺参数的正常阈值范围和异常阈值范围，对历史数据进行更新。
41、进一步的，实时监测模块包括采集实时工艺参数单元和监测数据单元；
42、采集实时工艺参数单元：对集成电路的每个元件中各种工艺参数的实时数值进行采集；
43、监测数据单元：通过判断实时数值与标准阈值范围的关系，得到每个元件中各种工艺参数的异常情况，通过矩阵实时监控。
44、与现有技术相比，本发明所达到的有益效果是：本发明通过在集成电路正常工作时，采集每个元件中各种工艺参数的历史数值，分析得到正常工作时每个元件中各种工艺参数正常阈值范围；在集成电路发生故障时，采集每个元件中各种工艺参数的历史数值，分析得到发生故障时每个元件中各种工艺参数异常阈值范围；通过人工智能算法对每个元件中各种工艺参数正常阈值范围和每个元件中各种工艺参数异常阈值范围进行训练，得到每个元件中各种工艺参数标准阈值范围；通过对每个元件中各种工艺参数的实时数值采集，建立工艺参数实时状态的矩阵，通过分析矩阵数字变化，对集成电路故障进行监测。准确分析出故障元件，为维修节约时间。
1.一种基于人工智能的集成电路故障监测管理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人工智能的集成电路故障监测管理方法，其特征在于，所述步骤s100在集成电路正常工作时，采集每个元件中各种工艺参数的历史数值，分析得到正常工作时每个元件中各种工艺参数正常阈值范围，包括以下步骤：
3.根据权利要求1所述的一种基于人工智能的集成电路故障监测管理方法，其特征在于，所述步骤s200在集成电路发生故障时，采集每个元件中各种工艺参数的历史数值，分析得到发生故障时每个元件中各种工艺参数异常阈值范围，包括以下步骤：
4.根据权利要求1所述的一种基于人工智能的集成电路故障监测管理方法，其特征在于，所述步骤s300通过人工智能算法对每个元件中各种工艺参数正常阈值范围和每个元件中各种工艺参数异常阈值范围进行训练，得到每个元件中各种工艺参数标准阈值范围，包括以下步骤：
5.根据权利要求1所述的一种基于人工智能的集成电路故障监测管理方法，其特征在于，所述步骤s400通过对每个元件中各种工艺参数的实时数值采集，建立工艺参数实时状态的矩阵，通过分析矩阵数字变化，对集成电路故障进行监测，包括以下步骤：
6.一种基于人工智能的集成电路故障监测管理系统，用于实现权利要求1-5中任一项的一种基于数据分析的设备装配异常管理方法，其特征在于，管理系统包括正常工艺参数模块、故障工艺参数模块、训练模块、实时监测模块：
7.根据权利要求6的一种基于人工智能的集成电路故障监测管理系统，其特征在于，
8.根据权利要求6的一种基于人工智能的集成电路故障监测管理系统，其特征在于，
9.根据权利要求6的一种基于人工智能的集成电路故障监测管理系统，其特征在于，训练模块包括训练结果判断单元和训练分析单元；
10.根据权利要求6的一种基于人工智能的集成电路故障监测管理系统，其特征在于，实时监测模块包括采集实时工艺参数单元和监测数据单元；
