保护点

好的，我们来提炼和撰写本发明的技术关键点与保护点。这部分内容是专利申请的核心，前者用于阐明技术的创新性和先进性，后者则用于界定专利的法律保护范围。

---

本发明的技术关键点 (Technical Key Points)

本发明的技术方案之所以能够实现卓越的故障检测效果，其成功根植于以下三大技术关键点：

1. 基于Transformer自编码器的时序动态模式建模核心：

   • 结构保真性：本发明的核心是采用Transformer作为编码器和解码器，并在整个处理流程中始终将输入数据维持为[窗口长度, 传感器数量]的二维时序结构。这与现有技术中将数据“压平”为一维向量的做法有本质区别，它完整地保留了数据的时序动态性，是能够精确捕捉如参数漂移、振荡、响应延迟等动态故障模式的根本前提。
   • 全局上下文感知：通过多头自注意力机制（Multi-Head Self-Attention），模型能够在一个计算步骤内，并行地计算输入窗口中每一个时间步与所有其他时间步之间的依赖关系权重。这种强大的全局上下文感知能力，使得模型能够学习到跨越较长时间步的长距离因果关联，这是传统RNN（逐步传递信息）和CNN（局部感受野）难以高效实现的。

2. 无监督重构范式与鲁棒的异常判定策略：

   • 单分类学习（One-Class Learning）：本发明仅使用正常工艺数据进行端到端的训练，其目标是最小化重构误差（Reconstruction Error）。这使得模型被训练成一个“正常工艺模式的专家”，它学习到了正常数据在高维空间中的内在流形（manifold）。任何无法被模型精确重构的数据，都将被视为偏离了正常模式，从而被识别为异常。
   • 统计阈值与边缘效应处理：故障判定并非依赖于固定的、经验性的阈值，而是通过对正常样本重构误差分布进行统计分析（如计算第95百分位数）来科学地设定。同时，通过裁剪滑动窗口的边缘效应，排除了数据边界引入的噪声，确保了异常分数的可靠性和检测结果的稳定性。

3. 内生的、数据驱动的故障时域归因机制：

   • 注意力的可解释性：本发明的可解释性并非一个外部附加的模块，而是内生于Transformer架构本身。自注意力权重矩阵天然地量化了模型在进行信息处理时，对输入序列不同部分的“关注”程度。
   • 精准时域定位：当一个窗口被判定为异常时，可以通过提取并分析其注意力权重，计算出每个时间点对最终异常判定的贡献度得分。得分最高的时刻即为故障发生的关键时间点。这为工程师提供了直接、可信的诊断线索，打破了传统深度学习模型的“黑箱”属性，实现了从“故障检测”到“辅助诊断”的跨越。

---

本发明的保护点 (Protection Points)

为全面保护本发明的创新成果，防止他人通过简单修改规避本技术，本发明的核心保护范围应涵盖以下方法和系统：

1. 【核心方法】一种基于Transformer自编码器的半导体设备故障检测方法，其特征在于，包括以下步骤：
   a. 接收代表设备工艺过程的多变量时间序列数据；
   b. 采用Transformer自编码器模型，该模型包含一个Transformer编码器和一个Transformer解码器；
   c. 仅使用正常工况下的时间序列数据对所述模型进行无监督训练，训练目标是最小化模型对输入数据的重构误差；
   d. 对于待检测的时间序列数据，利用训练好的模型计算其重构误差作为异常分数；
   e. 将所述异常分数与预设的统计阈值进行比较，以判定是否存在故障。

2. 【数据处理】 如保护点1所述的方法，其进一步的特征在于：在将时间序列数据输入模型前，采用滑动窗口机制将长的时序数据切分为多个具有固定长度的、有重叠的子序列窗口，每个窗口作为一个独立的模型输入。

3. 【关键机制】 如保护点1或2所述的方法，其进一步的特征在于：所述Transformer编码器利用多头自注意力机制来学习每个子序列窗口内部任意时间步之间的时序依赖关系和上下文关联。

4. 【诊断功能】 如前述任一保护点所述的方法，其进一步的特征在于：当判定存在故障时，该方法还包括提取并分析对应异常窗口在Transformer编码器中的注意力权重矩阵，以确定对异常判定贡献最大的一个或多个关键时间点，从而实现故障的时域定位。

5. 【系统实现】一种半导体设备故障检测系统，其特征在于，该系统被配置为执行如保护点1至4中任一项所述的全部步骤。该系统可包括数据采集接口、存储器和至少一个处理器，处理器被编程以实现所述方法的逻辑。