Détection Multidimensionnelle au Test Paramétrique avec Recherche Automatique des Causes

Aujourd'hui, le contrôle des procédés de fabrication est une tâche essentielle pour assurer une production de haute qualité. A la fin du processus de fabrication en semi-conducteur, un test électrique, appelé test paramétrique (PT), est effectué. PT vise à détecter les plaques dont le comportement électrique est anormal, en se basant sur un ensemble de paramètres électriques statiques mesurées sur plusieurs sites de chaque plaque. Le but de ce travail est de mettre en place un système de détection en temps réel au niveau de PT, pour détecter les plaques anormales à partir d'un historique récent de mesures électriques. Pour cela, nous développons un modèle de détection dynamique basé sur une technique de réapprentissage optimisée, où le modèle de détection est mis à jour à travers une fenêtre temporelle glissante. Notre modèle de détection est basé sur les machines à vecteurs supports à une classe (1-SVM), une variante de l'algorithme d'apprentissage statistique SVM, introduit dans le cadre des problèmes de classification à une classe pour la détection d'anomalies. Pour améliorer la performance prédictive de l'algorithme de classification 1-SVM, deux méthodes de sélection de variables ont été développées. La première méthode de type filtrage est basée sur un score calculé avec la méthode MAD-e, une approche robuste pour la détection univariée des valeurs aberrantes. La deuxième méthode de type wrapper est une adaptation à l'algorithme 1-SVM de la méthode d'élimination récursive des variables avec SVM (SVM-RFE). Pour les plaques anormales détectées, nous proposons une méthode permettant de déterminer leurs signatures multidimensionnelles afin d'identifier les paramètres électriques responsables de l'anomalie. Finalement, nous évaluons notre système proposé sur des jeux de données réels de STMicroelectronics, et nous le comparons au système de détection basé sur le test de T^2 de Hotelling, un des systèmes de détection les plus connus dans la littérature. Les résultats obtenus montrent que notre système est performant et peut fournir un moyen efficient pour la détection en temps réel.

Mots clés : détection d'anomalies, Machines à Vecteurs Supports, sélection de variables, Test Paramétrique, détection en temps réel, signature multidimensionnelle.