CN103577887A - 标的装置的基底预测保养方法 - Google Patents
标的装置的基底预测保养方法 Download PDFInfo
- Publication number
- CN103577887A CN103577887A CN201310181746.2A CN201310181746A CN103577887A CN 103577887 A CN103577887 A CN 103577887A CN 201310181746 A CN201310181746 A CN 201310181746A CN 103577887 A CN103577887 A CN 103577887A
- Authority
- CN
- China
- Prior art keywords
- target device
- sample
- mapping
- dhi
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000012423 maintenance Methods 0.000 title claims abstract description 63
- 239000000758 substrate Substances 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims description 98
- 230000008569 process Effects 0.000 claims description 50
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 230000000153 supplemental effect Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000003862 health status Effects 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000000714 time series forecasting Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 136
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 20
- 238000003070 Statistical process control Methods 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 229910021529 ammonia Inorganic materials 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000623 plasma-assisted chemical vapour deposition Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
Description
技术领域
本发明是有关于一种预测保养(Predictive Maintenance;PdM)方法,且特别是有关于一种以虚拟量测技术为基础的标的装置(Target Device;TD)的基底预测保养(Baseline Predictive Maintenance;BPM)方法。
背景技术
生产机台是任何制造厂不可缺少的部分。生产机台中的组件、模块或装置(例如:加热器、压力模块和节流阀(Throttle Valve)等)的失效会引起生产异常,导致不良的产品品质和/或降低产能,因而造成重大损失。
一般,解决上述问题最常用的方法是定期的预防保养(Preventive Maintenance;PM)。即,在预设时间间隔下执行保养相关作业。此预设时间间隔基本上是根据标的装置(TD)的平均故障时间间隔(Mean Time between Failure;MTBF)来决定。因此,如何安排适当的PM计画通常是工厂的关键议题。一个不当的定期PM计画会增加维修成本或降低产能。
为改善机台保养计画以增加晶圆厂的绩效,国际半导体技术制造协会(International Sematech Manufacturing Initiative;ISMI)提出一种预测性和预防性保养(Predictive and Preventive Maintenance;PPM)的指标。如ISMI所定义,PPM包含预防保养(PM)、基于条件的保养(Condition-based Maintenance;CbM)、预测保养(Predictive Maintenance;PdM)和故障后维修(Breakdown Maintenance;BDM)。其中,ISMI主张CbM和PdM的技术应被发展,并以单一模块或多个模块的型式被使用,使得终端使用者能有效率地使用这些技术。CbM的定义为:「在指出机台将要失效或机台的性能正在恶化的一或多个指标出现后进行保养」。错误侦测及分类(Fault Detection and Classification;FDC)是一种与CbM相关的方法,其定义为:「监控机台与工厂数据以评估机台的健康,并在侦测到错误时发出警报和/或关闭 机台」。另一方面,PdM是一种应用预测模型的技术,找出设备状态资讯与保养资讯间的关联,来预测机台或标的装置(TD)的剩余寿命(Remaining Useful Life;RUL),以达到减少非计画性停机的保养事件的目标。
大部分的已知FDC方法先寻找需被监控的标的装置(TDs)及与标的装置相关的关键参数,然后应用统计工艺管制(Statistical Process Control;SPC)方法来侦测错误。请参照图1,其绘示等离子体辅助化学气相沉积(Plasma Enhanced Chemical Vapor Deposition;PECVD)机台的节流阀(Throttle Valve)角度的SPC管制图,其中所监控的标的装置(TD)为节流阀的角度。然而,在实际状况中,异常的来源不单是由标的装置(即节流阀)本身所引起,其亦可能是受其他与标的装置(即节流阀)相关工艺参数的影响所造成。如图1所示,节流阀的角度中心点为27度;如维修工程师所定义,其管制上限(Upper Control Limit;UCL)和管制下限(Lower Control Limit;LCL)分别为32度和22度;总共有450样本被监控。此已知SPC方法推断出:范围1、2、4中的样本为离群值(Outlier),而范围3中的样本位于管制界限内。经仔细检视后,范围2、4中的样本的确是异常,且由节流阀故障所引起的。至于范围1中的样本,其异常并不是由节流阀所引起,而是由相关工艺参数「氨(Ammonia;NH3)」所造成的。范围3中的样本的偏离因相关工艺参数「压力」的缘故。因此,已知SPC方法无法侦测和诊断出在范围1、3中的样本的错误。
因此,需要一种标的装置的基底预测保养方法,以克服上述已知技术的缺点。
发明内容
因此,本发明的目的即在提供一种以虚拟量测技术为基础的标的装置的基底预测保养方法,藉以推论出标的装置的健康状态,并预测标的装置(TD)的剩余有用寿命(RUL),而克服已知技术的缺点。
根据本发明的一方面,提供一种标的装置的基底预测保养方法。在此标的装置的基底预测保养方法,首先,收集标的装置刚进行一维修保养后生产数个工件时所产生的数个新鲜样本。接着,收集标的装置生产一新工件时所产生的一新工件样本,其中每一个新鲜样本和新工件样本包含由一组TD相关工艺参数数据(X)和标的装置所产生的一实际代表值(yT)所组成的成对数据,此组TD相关工艺参数数据 (X)包含数个参数。接着,使用建模样本并根据一推估演算法来建立一TD基底模型,其中此些建模样本包含数个新鲜样本和新工件样本。然后,由TD基底模型来计算出生产新工件的标的装置的一健康基底值其中健康基底值为标的装置(TD)处于健康状态时应有的健康的实际代表值(yT)的推估值。接者,计算出装置健康指数(Device Health Index;DHI)、基底误差指数(Baseline Error Index;BEI)、及基底个体相似度指标(ISIB)。最后,通过判断逻辑及yT与的比较,来达到错误侦测及诊断(FDC)和预测保养(PdM)的目标。
在一实施例中,前述的推估演算法为类神经网络(Neural Network;NN)演算法、复回归(Multi-Regression;MR)演算法、支持向量机(Support Vector Machines;SVM)演算法或一部份最小平方(Partial Least Squares;PLS)演算法。
在一实施例中,前述的标的装置的基底预测保养方法更包含:以转换公式将标的装置(TD)的实际代表值(yT)转换成装置健康指数(Device Health Index;DHI),转换公式为:
当
当UCL<yT<USL,
当USL<yT,
当
当LSL<yT<LCL,
当MinyT<yT<LSL,
MaxyT为新鲜样本的最大实际代表值;MaxyT_mapping为MaxyT所对应的转换值。
MinyT为新鲜样本的最小实际代表值;MinyT_mapping为MinyT所对应的转换值。
LSL为规格下限;LCL为管制下限;UCL为管制上限;USL为规格上限; LSL_mapping为LSL所对应的转换值;LCL_mapping为LCL所对应的转换值;UCL_mapping为UCL所对应的转换值;USL_mapping为USL所对应的转换值。
在一实施例中,当 (或 )时,标的装置(TD)健康且正常运作;当UCL_mapping>DHI>USL_mapping(或LCL_mapping>DHI>LSL_mapping)时,标的装置(TD)已生病,在标的装置(TD)的剩余寿命(Remaining Useful Life;RUL)用尽后,标的装置(TD)将无法运作;当USL_mapping>DHI>MaxyT_mapping(或LSL_mapping>DHI>MinyT_mapping)时,TD已死亡,需要立即维修。
当0<yE≤Spec,
当
当
其中Spec为标的装置(TD)的规格;HardSpec为TD的严格规格;Max yE为新鲜样本转换后的yE的最大值;Zero_mapping为yE为零时所对应的转换值;Spec_mapping为Spec所对应的转换值;为 所对应的转换值;MaxyE_mapping为MaxyE所对应的转换值。
在一实施例中,当Zero_mapping>BEI>Spec_mapping时,标的装置(TD)健康且正常运作;当 时,标的装置(TD)已生病,在标的装置(TD)的剩余寿命(RUL)用尽后,标的装置(TD)将无法运作;当 时,标的装置(TD)已死亡,需要立即维修。
在一实施例中,前述的标的装置的基底预测保养方法,更包含:针对数个新鲜样本的TD相关工艺参数数据(X)的每一个参数计算其平均数与标准差并进行标 准化的动作,而获得新工件样本的TD相关工艺参数的每一个参数的一基底个体相似度指标(Baseline Individual Similarity Indexes;ISIB)。
在一实施例中,若DHI≧DHIT且标的装置(TD)相关工艺参数中的每一个ISIB均小于其ISIB_T,则代表标的装置(TD)健康且TD相关工艺参数所对应到的元件均正常运作;若DHI≧DHIT且TD相关工艺参数的ISIB其中至少一者大于或等于其ISIB_T,则标的装置(TD)正常,但标的装置(TD)相关工艺参数所对应的元件至少有一者异常,应加以检查;若DHI<DHIT且BEI≧BEIT;或DHI<DHIT且标的装置(TD)相关工艺参数中的ISIB其中至少一者大于或等于其ISIB_T,则代表标的装置(TD)正常,而其超过管制(Out Of Control;OOC)是因标的装置(TD)的相关工艺参数所对应的值至少有一者异常的缘故,应加以检查;以及若DHI<DHIT且BEI<BEIT且标的装置(TD)相关工艺参数中的ISIB均小于其ISIB_T,则代表标的装置(TD)异常,且是其本身所造成,应立刻进行维修的动作;其中DHIT为DHI门槛值,BEIT为BEI门槛值,ISIB_T为ISIB门槛值。
在一实施例中,前述的标的装置的基底预测保养方法更包含:自建模样本中去删除前述的新工件样本。
在一实施例中,前述的标的装置的基底预测保养方法更包含:收集标的装置生产一下一新工件时所产生的一下一新工件样本,其中此下一新工件样本的组成元素与其上一新工件样本相同;将下一新工件样本加入至建模样本中,再使用建模样本并根据推估演算法来重新建立TD基底模型;由TD基底模型来计算出生产下一新工件的标的装置的健康基底值计算下一新工件样本的若连续两个新工件样本(前述的工件样本和下一工件样本)的yE均大于一门槛值时(yE_T),即以一预测演算法来预测标的装置的剩余寿命(RUL),其中此预测演算法可采曲线拟合法,例如:线性曲线拟合(Linear Curve Fitting,LCF)法或以回归为基础的指数曲线拟合(Exponential Curve Fitting,ECF)法;或时间序列预测法例如:自我回归整合移动平均法(Auto-Regressive Integrated Moving Average,ARIMA)或其他具剩余寿命预测能力的演算法。
在一实施例中,前述的标的装置的基底预测保养方法更包含:收集前述的标的装置(TD)所产生的健康的数个历史样本,其中此些历史样本在此标的装置于健康 状态时分别生产数个历史工件后所产生的,历史样本的组成元素与新鲜样本相同;以及将历史样本加入至建模样本。
在一实施例中,前述的标的装置的基底预测保养方法更包含:以例如:动态移动视窗(Dynamic Moving Window;DMW)方法自此些历史样本中筛选出数个精简且健康的历史样本。
根据本发明的又一方面,提供一种电脑程序产品,当电脑载入此电脑程序产品并执行后,可完成前述的标的装置的基底预测保养方法。
因此,应用本发明的实施例,可有效地推论出标的装置(TD)的健康状态,并预测标的装置(TD)的剩余寿命(RUL)。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂,附图的说明如下:
图1绘示等离子体辅助化学气相沉积(PECVD)机台的节流阀角度的SPC管制图。
图2绘示实施本发明的BPM方法的BPM系统架构示意图。
图3A绘示根据本发明的一实施例收集建立TD基底模型所需的样本步骤的流程图。
图3B绘示根据本发明的另一实施例收集建立TD基底模型所需的样本步骤的流程图。
图4绘示以为中间基准值的yT的SPC管制表的结构。
图5绘示以0为底基准值的yE的SPC管制表的结构。
图7绘示根据本发明的标的装置的状态图。
图8绘示根据本发明实施例的RUL预测模型的运作示意图。
图9绘示根据本发明的一应用例进行FDC部分的结果。
图10绘示根据本发明的应用例的整个预防保养(PM)期间的基底预测保养 (BPM)相关数据与指标值。
图11绘示本发明的应用例采用数个精简且健康的历史样本时的整个PM期间的BPM相关数据与指标值。
图12绘示本发明的应用例不采用数个精简且健康的历史样本时的整个PM期间的BPM相关数据与指标值。
主要元件符号说明:
1、2、3、4范围 11、12、13、14 范围
100 健康基底模型 102 标准化模块
104 TD基底模型 106 标准化模块
108 ISIB模型 110 DHI机制
112 BEI机制
120 FDC逻辑 122 DHI<DHIT
124 所有的ISIB小于其ISIB_T
126 BEI<BEIT且所有的ISIB小于其ISIB_T
130 RUL预测 132 侦测架构
134 RUL预测模型
200 离线操作 202、204 步骤
210 线上操作
212、214、216、218 步骤
302、304、306、308、310、312、314 步骤
具体实施方式
在此详细参照本发明的实施例,其例子与图式一起说明。尽可能地,图式中所使用的相同元件符号指相同或相似组件。
本发明提出一种以虚拟量测技术为基础的装置的健康基底预测保养(BPM)方法与其电脑程序产品。此BPM方法不仅具有FDC的能力,亦具有PdM的能力。请参照图2,其绘示实施本发明的BPM方法的BPM系统架构示意图,其中此BPM 系统包含:FDC部分和PdM部分。FDC部分包含:健康基底模型100、装置健康指数(Device Health Index;DHI)机制110、基底误差指数(Baseline Error Index;BEI)机制112、FDC逻辑120。健康基底模型100包含:标的装置(TD)基底模型104、及基底个体相似度指标基底(Baseline Individual Similarity Index;ISIB)模型108。PdM部分包含有剩余寿命(RUL)预测130。以下分别说明各模块与模型。
TD基底模型104
TD基底模型104主要是用以产生标的装置(例如:节流阀)的健康基底值所谓标的装置的「健康基底值」代表:当使用一组标的装置(TD)相关工艺参数(X;例如:「氨」、「硅甲烷(SiH4)」、「压力」、「射频(RF)功率」等)来生产一新工件(Workpiece)时,如标的装置(TD)处于健康状态时应有的实际代表值的预测值;而实际代表值(例如:节流阀的角度)则以yT表示之。换言之,当标的装置(TD)生产新工件的实际代表值(yT)与间偏差过大时,代表此时的标的装置(TD)异常,需找出造成此异常的原因。所谓「TD相关工艺参数」指与标的装置(TD)有因果关系的工艺参数,但并非标的装置(TD)本身的实际代表值。
请参照图3A、图3B和图6,3A图、图3B分别为绘示根据本发明的两实施例收集建立TD基底模型104所需的数个建模样本的步骤流程图,图6绘示根据本发明的实施例产生TD基底模型104并计算出DHI、BEI、ISIB及以进行FDC部分所需资讯的流程图。其中图3A则进行离线操作200和线上操作210,而图3B只进行线上操作210。本发明建立TD基底模型所需的建模样本由三种来源获得,即数个精简且健康的历史样本(离线操作200)、数个新鲜样本(线上操作210)和新进工件样本(步骤302),其中数个精简且健康的历史样本可选择性地加入为建模样本。采用数个精简且健康历史样本的目的为加强建模样本的运作空间(Operating Space)与降低建模数据的杂讯,以便能提升预测精度。然而,数个精简且健康的历史样本取得不易,因此,亦可在于尚未有数个精简且健康的历史样本时,采用数个新鲜样本进行。换言之,可选择性地进行线上操作210,以选择是否采用历史样本为建模样本。
如图3A所示,本实施例的收集建立TD基底模型104所需的数个建模样本的步骤包含两个阶段:离线操作200和线上操作210,离线操作200经由进行「保留 重要样本(Keep-Important-Sample;KIS)」方法来选取数个精简且健康的历史样本;线上操作210则收集标的装置(TD)刚进行完一维修保养后所产生的数个新鲜样本,其中每一组精简且健康的历史样本和新鲜样本均包含有标的装置(TD)实际代表值(yT)与和其对应的标的装置(TD)相关工艺参数数据(X)的成对数据。在离线操作200中,KIS方法包含有步骤202和204。步骤202用以确保每一个历史样本的适当性,而搜集到健康历史样本,其中健康历史样本在标的装置于健康状态时所产生的,且其数据品质优良。「健康状态」指标的设备于正常运作下所表现出的行为,其可与本领域的专家讨论得知。「数据品质优良」指所收集的标的设备及与其有因果关系的参数于正常运作下所表现的行为数据品质优良,亦即没有因人为疏失或其他异常状况下所收集到的数据。值得一提的是,在线上操作210中,由于刚进行完维修保养后的收集标的装置(TD)处于「健康状态」,故其此时所产生的新鲜样本均可视为是健康的样本。
然后,离线操作200可选择性地进行步骤204,以自步骤202所选取的众多的健康历史样本中挑选出具代表性的数个精简且健康历史样本,以避免使用过多的样本来建模,而影响模型精度。步骤204可使用动态移动视窗(DMW)方法来进行样本筛选,但亦可使用其他样本筛选方法,故本发明实施例并不在此限。在此DMW方法中,当DMW中有加入一笔新样本数据时,先对视窗内的所有样本数据进行分群的分析,使得特性相近的样本数据被归类于同一群内。然后,检视各个群集内的样本数据的数目。若最大群集的样本数据的数目大于预设门槛,则代表最大群集有过多特性相近样本数据,故可摒弃此最大群集内的最旧样本数据。若最大群集的样本数据的数目小于或等于预设门槛,则代表最大群集中的样本数据相当独特,而必须被保留来建立或更新预测模型。此DMW方法参考发明人的论文(W.-M.Wu,F.-T.Cheng and F.-W.Kong,“A Dynamic-Moving-Window Scheme for Virtual-Metrology Model Refreshing,”IEEE Transactions on Semiconductor Manufacturing,vol.25,pp.238-246,May2012),此论文在此以引用方式并入本案。此外,欲用以建模的数个精简且健康的历史样本和数个新鲜样本均需经标准化模块102和106将其X与yT加以标准化(Z分数)。
线上操作210在标的装置(TD)刚进行维修保养后进行的,并包含:进行步骤 212,以收集标的装置(TD)刚完成维修保养后所产生的新鲜样本;进行步骤214,以检查所收集到的新鲜样本的数目是否足以建模;当步骤214的结果为「是」时,进行步骤216,以将所收集到数个新鲜样本加入数个精简且健康历史样本作为建模样本;当步骤214的结果为「否」时,则重复进行步骤212。到此完成部分的建模样本的收集。
根据经验法则,建立TD健康基底模型100所需的建模样本的数量约为TD相关工艺参数数据(X)中的参数个数的10倍,其中数个精简且健康历史样本与数个新鲜样本的数量比约为3:1。步骤216中所产生的所有建模样本(数个新鲜样本加数个精简且健康的历史样本)均被用来建构TD基底模型104。因此,TD基底模型104不仅包含有数个精简且健康的历史样本资讯,亦包含有标的装置(TD)刚完成维修保养后所产生的数个新鲜样本资讯。
如上所述,数个新鲜样本可视为是健康的样本,故当数个精简且健康的历史样本取得不易时,本发明的另一实施例仅采用数个新鲜样本和新进工件样本为建立TD基底模型所需的建模样本。如图3B所示,当步骤214的结果为「是」时,进行步骤218,以所收集到数个新鲜样本为建模样本。
至于TD基底模型104的建立与执行,将于后说明。
ISIB模型108
ISIB模型108主要是参考美国专利前案第7,593,912号所教示的ISI技术来建立,其将生产一新工件所使用的标的装置(TD)相关工艺参数数据(X)中的每一个参数,针对数个新鲜样本的标的装置(TD)相关工艺参数数据(X)中的相对应工艺参数的平均数与标准差进行一标准化步骤,而获得每一个工艺参数的个体相似度指标(Individual Similarity Indexes;ISI),以便了解工艺参数的变异大小。美国专利前案第7,593,912号在此以引用方式并入本案,此美国专利前案具有与本案相同的受让人。值得一提的是,本实施例仅使用标的装置(TD)刚完成维修保养后所产生的数个新鲜样本资讯来建构ISIB模型108,故产生特定维修保养周期的ISIB的健康基底。
DHI机制110
一般而言,线上SPC方法用以侦测生产期间的产品品质状态,并在工艺超出统计管制时采取必要的行动。DHI机制110应用线上SPC的概念来转换至DHI,其中代表所有数个新鲜样本(步骤212所得)的yT的平均值,yT为标的装置(TD)生产一新工件时所产生的实际代表值。值得一提的是,本实施例仅使用标的装置(TD)刚完成维修保养后所处理的数个新鲜样本资讯来建构DHI机制110,以便能产生特定维修保养周期的DHI的健康基底。
请参照图4,其绘示以为中间基准值的yT的SPC管制表的结构,其指出标的装置(TD)所产生的实际代表值的最小yT(Min yT)、规格下限(Lower Spec Limit;LSL)、管制下限(Lower Control Limit;LCL)、管制上限(Upper Control Limit;UCL)、规格上限(Upper Spec Limit;USL)和标的装置(TD)所产生的实际代表值的最大yT(MaxyT),的对应值MinyT_mapping、LSL_mapping、LCL_mapping、 UCL_mapping、USL_mapping、MaxyT_mapping,其分别为0、0.3、0.7、1、0.7、0.3和0。以上UCL、LCL、USL和LSL等四个规格的定义会因标的装置(TD)的物理特性而有异。对节流阀而言,UCL及LCL为基准点加减5度;USL为50度;LSL为20度。就物理特性而言:节流阀开度大于50或低于20其抽气效率就不佳;而当节流阀开度大于基准点加5度或小于基准点减5度就需要注意其健康状况了。UCL、LCL、USL和LSL已知SPC常用的技术手段,故不在此赘述。将MinyT_mapping、LSL_mapping、LCL_mapping、UCL_mapping、USL_mapping、MaxyT_mapping的数值(分别为0、0.3、0.7、1、0.7、0.3和0)代入前述的公式(1),可获得图4上半部的转换yT至DHI的公式如下所示:
当
经由同样的方式由前述的公式(2),可获得图4下半部的转换yT至DHI的公式如下。
当
在本实施例中,UCL/LCL和USL/LSL对应至标的装置(TD)的工艺规格(Process Spec)和严格规格(Hard Spec),其与DHI相关联的值为0.7和0.3。经由上述的定义,可获得以下叙述:
当UCL_mapping(例如:0.7)>DHI>USL_mapping(例如:0.3)(或LCL_mapping(例如:0.7)>DHI>LSL_mapping(例如:0.3)时,标的装置(TD)已生病,在其剩余寿命(RUL)用尽后,标的装置(TD)将无法运作;
当USL_mapping(例如:0.3)>DHI>MaxyT_mapping(例如:0)(或LSL_mapping(例如:0.3)>DHI>MinyT_mapping(例如:0)时,标的装置(TD)已死亡,需要立即维修。
BEI机制112
BEI机制112用以转换yT与间的差值至BEI值。请参照图5,其绘示以0为底基准值的yE的SPC管制表的结构,其指出yE=0、Spec(规格)、 和最大yE(MaxyE)与所对应的转换值Zero_mapping、Spec_mapping、MaxyE_mapping,其分别为1、0.7、0.3、0。Spec和HardSpec会因标的装置的物理特性而有异。对节流阀而言,Spec为5,HardSpec为50,此两值可以通过与本领域的专家讨论订定。Spec和HardSpec已知SPC常用的技术手段,故不在此赘述。将Zero_mapping、Spec_mapping、 MaxyE_mapping,代入前述的公式(3),可获得转换yE至BEI的公式如下所示:
当0<yE≤Spec,
当
当
经由上述的定义,可获得以下叙述:
当Zero_mapping(例如:1)>BEI>Spec_mapping(例如:0.7)时,标的装置(TD)健康且正常运作的;
FDC逻辑120
如图2的右半部所示,FDC逻辑120用以将前述的DHI、BEI和ISIB转换成标的装置(TD)的健康状态。在应用FDC逻辑120前,应先指定DHI、BEI和ISIB的门槛值(DHIT、BEIT和ISIB_T)。如图4和图5所示,DHI和BEI的健康区间介于0.7和1之间,故指定DHI、BEI的门槛值DHIT、BEIT为0.7,即DHIT、BEIT由LCL/UCL及Spec所决定。在本实施例中,指定数个新鲜样本的TD相关工艺参数数据(X)中的每一个工艺参数的6倍标准差为ISIB的门槛值,即ISIB_T=6。FDC逻辑120如下所述:
若DHI≧DHIT(步骤122的结果为「否」)且所有的ISIB小于其ISIB_T(步骤124的结果为「是」),则代表标的装置(TD)健康且其标的装置(TD)的相关工艺参数数据(X)中参数所对应到的元件均正常运作;
若DHI≧DHIT(步骤122的结果为「否」)且至少一个ISIB大于或等于其ISIB_T(步骤124的结果为「否」),则代表标的装置(TD)正常,但其标的装置(TD)相关工艺参数数据(X)中参数所对应到的元件至少一个异常,应加以检查;
若DHI<DHIT(步骤122的结果为「是」)且BEI≧BEIT(步骤126的结果为「否」);或DHI<DHIT(步骤122的结果为「是」)且至少一个ISIB大于或等于其 ISIB_T(步骤126的结果为「否」),则代表标的装置(TD)正常,而其超过管制(Out Of Control;OOC)是因其TD相关工艺参数数据(X)中参数所对应到的元件至少一个异常的缘故,应加以检查;
若DHI<DHIT(步骤122的结果为「是」)且BEI<BEIT且所有的ISIB小于其ISIB_T(步骤126的结果为「是」),则代表标的装置(TD)异常,且是其本身异常所造成的,应立刻进行维修的动作。
以下说明TD基底模型104的建立流程,及FDC部分的执行流程。
请继续参照图2和图6。在完成离线操作200和/或线上操作210(图3A或图3B)、及ISIB模型108的建立后,首先进行步骤302,以收集标的装置生产一新工件时所产生的新工件样本,即对应至一新工件的TD相关工艺参数数据(X),及生产此新工件所产生的标的装置(TD)的实际代表值(yT)。接着,进行步骤304,以确认收集是否成功。当步骤304为「否」时,再次进行步骤302。当步骤304为「是」时,则进行步骤306,以由标准化模块102和106分别将新工件的X与yT标准化后,再加入至数个建模样本中,以根据一推估演算法来重新建立TD基底模型104,其中此推估演算法可为例如:类神经网络(Neural Network;NN)演算法、复回归(Multi-Regression;MR)演算法、支持向量机(Support Vector Machines;SVM)演算法、一部份最小平方(Partial Least Squares;PLS)演算法或其他具预测能力的演算法。建立TD基底模型104的步骤302至306主要是参考美国专利前案第8,095,484号所教示的全自动化型虚拟量测(Automatic Virtual Metrology;AVM)技术来建立,美国专利前案第8,095,484号在此以引用方式并入本案。值得一提的是,此美国专利前案具有与本案相同的受让人。
此外,当步骤304为「是」时本实施例亦进行步骤312,以由DHI机制110来计算出此新工件的DHI值。在完成步骤306后,进行步骤308,以由重新建立后的TD基底模型104来计算出新工件的由ISIB模块108来计算出新工件的ISIB值;由BEI机制112来计算出新工件的BEI值。在获得新工件的DHI、ISIB和BEI后,进行步骤314,以由FDC逻辑120来推论出标的装置(TD)的健康状态。当完成步骤314后,进行步骤310,以自建模样本中去除新工件样本,以保持原有建模样本的新鲜度。换言之,所谓「重新建立」TD基底模型104是指使用每一次 新进的新工件样本加上固定的数个精简且健康的历史样本、及数个新鲜样本为建模数据,来建立TD基底模型104。
本发明不但可推论出标的装置(TD)的健康状态,并可预测标的装置(TD)的剩余寿命(RUL)。以下说明如图2所示的RUL预测130。
RUL预测130
RUL预测130包含有侦测架构132和RUL预测模型134。侦测架构132用以检查yE是否大于yE_S,其中yE_S代表yE的门槛值,用以侦测标的装置(TD)的生病(Sick)状态。请参照图7,其绘示根据本发明的标的装置的状态图,其包含有5种状态:「初始」、「运作」、「不运作」、「生病」和「死亡」。通常,标的装置(TD)处于「运作」状态。然而,当yE>yE_S时,标的装置(TD)进入「生病」状态。若yE再次小于yE_S,标的装置(TD)则回到「运作」状态。反的,若标的装置(TD)的症状变得更糟,而耗尽标的装置(TD)可获得的资源时,标的装置(TD)进入「死亡」状态,即标的装置(TD)已停机。侦测架构132主要是用以侦测标的装置(TD)是否处于「生病」状态。为避免假警报,本实施例需要有连续两次的yE>yE_S,即连续两个工件的yE均大于yE_S,才断定标的装置(TD)进入「生病」状态,而必须启动RUL预测模型134来预测标的装置(TD)的RUL(剩余寿命),其中RUL预测模型134使用一预测演算法,而此预测演算法可采曲线拟合法例如:线性曲线拟合(Linear Curve Fitting,LCF)法或以回归为基础的指数曲线拟合(Exponential Curve Fitting,ECF)法;或时间序列预测法例如:自我回归整合移动平均法(Auto-Regressive Integrated Moving Average,ARIMA)或其他具剩余寿命预测能力的演算法。
据过去的研究,发现大多数电子产品的失效率函数曲线常展示出一种典型浴缸曲线(Bathtub Curve),其有三个阶段:(1)早夭期失效期;(2)偶发失效期;(3)耗损失效期。通常,标的装置(TD)的失效发生在耗损失效期阶段,其失效速率随着时间呈指数增加。因此,本实施例采用以回归为基础的指数曲线拟合(Exponential-Curve-Fitting;ECF)法为例来建构RUL预测模型134。
请参照图8,其绘示根据本发明实施例的RUL预测模型的运作示意图。首先 定义其中和代表标的装置(TD)刚进行一维修保养后所产生的数个新鲜样本的yE的平均值与标准差。又,以yE_S和yE_D分别代表当标的装置(TD)进入「生病」和「死亡」状态的yE值。如图5所示,yE_S=Spec;
以下说明RUL预测模型的运作步骤。
步骤1:计算yE_B并寻找kB,其中kB为对应至yE_B的样本号码;再定义yE_S和yE_D。
步骤2:若连续两工件的yE均大于yE_S,则标的装置(TD)进入「生病」状态,并进行步骤3。
步骤3:收集yE_B和yE_S并应用ECF公式来获得耗损失效方程式如下:
其中K=[kB,kB+1,…,kS]T;
为预测的第S+jth个UB值;
ΔS+j对应至第S+jth个样本的95%PI值;
和LB方程式:
对应至yE_D的第D_LBth个样本号码。
上述实施例可利用电脑程序产品来实现,其可包含储存有多个指令的机器可读取媒体,这些指令可程序化(programming)电脑来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软盘、光盘、只读光盘、磁光盘、只读存储器、随机存取存储器、可抹除可程序只读存储器(EPROM)、电子可抹除可程序只读存储器(EEPROM)、光卡(optical card)或磁卡、快闪存储器、或任何适于储存电子指令的机器可读取媒体。再者,本发明的实施例也可做为电脑程序产品来下载,其可经由使用通信连接(例如网络连线的类的连接)的数据讯号来从远端电脑转移本发明的电脑程序产品至请求电脑。
以下以一应用例来说明本发明。
本应用例采用太阳能电池制造的PECVD机台的节流阀的三种情况。因此,节流阀为本应用例的标的装置(TD)。基于相关领域的知识,TD的角度会被以下的相关工艺参数所影响:「氨」、「硅甲烷」、「压力」、「射频功率」。
进行图3A和图6所示的步骤来收集建立TD基底模型所需的重要建模样本。在本应用例中,标示TD的角度为yT,而与TD相关工艺参数数据(X)包含「氨」、「硅甲烷」、「压力」、「射频功率」。由于TD相关工艺参数数据(X)的参数个数为4个,故需使用40(4×10)个样本来建立TD基底模型。因此,对2602个健康的历史样本进行动态移动视窗(DMW)方法,以选出约30组精简且健康的历史样本。在一维修保养后,启动线上操作以收集10组新鲜样本。30组精简且健康的历史样本、10组新鲜样本、和每次收集到的新工件样本一起用为建立TD基底模型的建模样本,其中每一组建模样本包含有yT和对应的X。10组新鲜样本用以建构ISIB模型、DHI机制和yE_B值。
在本应用例中,用以转换yT至DHI的MinyT、LSL、LCL、UCL、USL和MaxyT分别为0、5、22、27、32、50和90;用以转换yE至BEI的Spec、 和MaxyE分别为5、23和63。
TD相关工艺参数数据(X)中的每一个参数的最大容许偏离为基准值(Nominal Value)的10%。因此,经由指定基准值的10%为ISIB的6倍,ISIB_T值为6。再者,指定DHIT与BEIT为0.7,其为TD进入「生病」状态的门槛值。
为易于比较起见,本应用例再使用图1所示的450个样本。请参照图9,其绘示根据本发明的一应用例进行FDC部分的结果。在图9中,除yT外,亦显示TD的健康基底值在yT和的下方,则显示DHI、BEI和TD相关工艺参数数据(X)的所有参数值及其ISIB_T。观察图9所示的范围11中的样本可知,其DHI<DHIT且工艺参数「氨」的ISIB(=120)大于ISIB_T(=6),代表TD本身异常且其OOC因参数「氨」的ISIB突升之故,因而应检查工艺参数「氨」。
在范围12和14中的全部样本均满足DHI<DHIT且BEI<BEIT且所有的ISIB小于其ISIB_T的条件,代表TD本身异常且此异常由TD本身所引起的。
在范围13中的样本均符合DHI>DHIT且工艺参数「压力」的ISIB大于其ISIB_T的条件,代表TD正常但工艺参数「压力」异常,因而应检查工艺参数「压力」。
请参照图10,其绘示根据本发明的应用例的整个预防保养(PM)期间的基底预测保养(BPM)相关数据与指标值。本应用例所采用的整个PM期间包含390个样本,其中前10组新鲜样本用以建构ISIB模型、DHI机制和yE_B值,而由本发明的各模型计算出后续的380个样本的BPM相关数据与指标值。如图10所示,由于老化效应的缘故,TD的角度(yT)逐渐增加,而因为其相关的工艺参数数据(「氨」、「硅甲烷」、「压力」、「射频功率」)均相当稳定,TD的健康基底值也相对平坦。在第213个样本附近发生DHI<DHIT且BEI<BEIT且所有的ISIB小于其ISIB_T的条件,因此TD在产生第213个样本时进入「生病」的状态,而此事件启动前述的RUL预测程序。在进行前述RUL预测模型的运作步骤后,可获得RUL=60; 即TD的预测剩余寿命(RUL)为60个样本周期,其中本应用例的每一个样本周期约为1小时。事实上,TD产生第289个样本时进入「死亡」状态,故TD的实际剩余寿命(RUL)为76(289-213)个样本周期。因此,本应用例可相当程度的预测出TD的剩余寿命(RUL)。
以下说明采用数个精简且健康的历史样本来建立TD基底模型以便加强建模样本的运作空间(Operating Space)与降低建模数据的杂讯,以至能提升预测精度的 状况。请参照图11和图12,图11绘示本发明的应用例采用数个精简且健康的历史样本时的整个PM期间的BPM相关数据与指标值;图12绘示本发明的应用例不采用数个精简且健康的历史样本时的整个PM期间的BPM相关数据与指标值。即,图11采用30组精简且健康的历史样本和10组刚维修保养后的新鲜样本,而图11采用40组刚维修保养后的新鲜样本,其皆显示测试用的第296-380样本的TD的角度(yT)、TD的健康基底值与其相关的工艺数据(「氨」、「硅甲烷」、「压力」、「射频功率」)。比较图11和图12的TD的健康基底值后,图12的TD的健康基底值的曲线比较崎岖,其是不正确的,此由于图12未采用数个精简且健康的历史样本来建立TD基底模型而导致其模型的运作空间(Operating Space)不足的缘故。如图11和图12的左半部所示,图11中与TD相关的工艺参数数据的峰值变化较图12大,故图12的模型的代表性较弱,因此采用数个精简且健康的历史样本来建立TD基底模型可增加预测的正确性。
由以上说明可知,应用本发明的实施例,可有效地推论出标的装置的健康状态,并预测标的装置(TD)的剩余寿命(RUL)。
虽然本发明已以实施例揭露如上,然其并非用以限定本发明,任何在此技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰,因此本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
2.如权利要求1所述的标的装置的基底预测保养方法,其中该推估演算法为一类神经网络演算法、一复回归演算法、一支持向量机演算法或一部份最小平方演算法。
3.如权利要求1所述的标的装置的基底预测保养方法,更包含:
以一组第一转换公式将该新工件样本的实际代表值(yT)转换成一装置健康指数(DHI)该组第一转换公式为:
MaxyT为该些新鲜样本的最大实际代表值,MaxyT_mapping为MaxyT所对应的转换值;
MinyT为该些新鲜样本的最小实际代表值,MinyT_mapping为MinyT所对应的转换值;
LSL为规格下限;LCL为管制下限;UCL为管制上限;USL为规格上限;LSL_mapping为LSL所对应的转换值;LCL_mapping为LCL所对应的转换值;UCL_mapping为UCL所对应的转换值;USL_mapping为USL所对应的转换值。
7.如权利要求5所述的标的装置的基底预测保养方法,更包含:
针对该些新鲜样本的TD相关工艺参数数据(X)的每一该些参数计算其平均数与标准差并进行标准化的动作,而获得该新工件样本的TD相关工艺参数的每一该些参数的一基底个体相似度指标(ISIB),其中
若DHI≧DHIT且该新工件样本的TD相关工艺参数数据(X)中的每一该些参数的该ISIB均小于其ISIB_T,则代表该标的装置健康且TD相关工艺参数所对应到的元件均正常运作;
若DHI≧DHIT且该新工件样本的TD相关工艺参数数据(X)的该些参数的ISIB其中至少一者大于或等于其ISIB_T,则该标的装置(TD)正常,但标的装置(TD)相关工艺参数所对应的元件至少有一者异常,应加以检查;
若DHI<DHIT且BEI≧BEIT;或DHI<DHIT且该新工件样本的TD相关工 艺参数数据(X)的该些参数的ISIB其中至少一者大于或等于其ISIB_T,则代表该标的装置(TD)正常,而其超过管制是因标的装置(TD)相关工艺参数所对应的元件至少有一者异常的缘故,应加以检查;
以及若DHI<DHIT且BEI<BEIT且该新工件样本的TD相关工艺参数数据(X)的每一该些参数的该ISIB均小于其ISIB_T,则代表该标的装置(TD)异常,且是其本身所造成,应立刻进行维修的动作;其中DHIT为DHI门槛值,BEI为DHI门槛值,ISIB_T为ISIB门槛值。
9.如权利要求8所述的标的装置的基底预测保养方法,其中该预测演算法为一曲线拟合法或一时间序列预测法。
10.如权利要求1所述的标的装置的基底预测保养方法,更包含:
收集该标的装置所产生的健康的数个历史样本,其中该些历史样本在该标的装置于健康状态时分别生产数个历史工件后所产生的,其中该些历史样本的组成元素与该些新鲜样本相同;
使用一动态移动视窗方法来自该些历史样本中筛选出精简且健康的历史样本;以及
将该些精简且健康的历史样本加入至该些建模样本。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101126242A TWI463334B (zh) | 2012-07-20 | 2012-07-20 | 標的裝置的基底預測保養方法與其電腦程式產品 |
TW101126242 | 2012-07-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103577887A true CN103577887A (zh) | 2014-02-12 |
CN103577887B CN103577887B (zh) | 2017-09-15 |
Family
ID=48366286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310181746.2A Active CN103577887B (zh) | 2012-07-20 | 2013-05-16 | 标的装置的基底预测保养方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10242319B2 (zh) |
EP (1) | EP2687935B1 (zh) |
JP (1) | JP5643387B2 (zh) |
KR (1) | KR101518448B1 (zh) |
CN (1) | CN103577887B (zh) |
TW (1) | TWI463334B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682251A (zh) * | 2015-11-06 | 2017-05-17 | 财团法人工业技术研究院 | 加工设备的健康评估方法与健康评估装置 |
CN108268689A (zh) * | 2016-12-30 | 2018-07-10 | 财团法人工业技术研究院 | 加热元件的状态诊断与评估方法及其应用 |
CN108351641A (zh) * | 2015-10-27 | 2018-07-31 | 德莱赛公司 | 预测阀组件的维修需求 |
CN111860933A (zh) * | 2019-04-26 | 2020-10-30 | 郑芳田 | 生产机台组件的预测保养方法 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408230B (zh) * | 2015-03-11 | 2021-06-01 | 西门子工业公司 | 在建筑物管理系统中进行建筑物自动化诊断的系统和方法 |
US20160283885A1 (en) * | 2015-03-26 | 2016-09-29 | Brian David Tramontini | Method for evaluating relative performance for a specific performance indicator at a point in time |
KR101823849B1 (ko) * | 2015-05-21 | 2018-01-30 | 미쓰비시덴키 가부시키가이샤 | 원격 감시 장치, 원격 감시 보수 시스템, 원격 감시 방법, 및 기록 매체에 저장된 원격 감시 프로그램 |
TWI539298B (zh) | 2015-05-27 | 2016-06-21 | 國立成功大學 | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 |
TWI570587B (zh) | 2015-12-07 | 2017-02-11 | 財團法人工業技術研究院 | 半導體機台零件剩餘壽命預測系統與方法 |
TWI580912B (zh) * | 2016-03-21 | 2017-05-01 | China Steel Corp | A Method for Predicting the Maintenance Time of Trolley Air Conditioning |
US10401423B2 (en) * | 2016-05-03 | 2019-09-03 | Teradyne, Inc. | Thermal control using phase-change material |
US10530748B2 (en) | 2016-10-24 | 2020-01-07 | Fisher-Rosemount Systems, Inc. | Publishing data across a data diode for secured process control communications |
US10619760B2 (en) * | 2016-10-24 | 2020-04-14 | Fisher Controls International Llc | Time-series analytics for control valve health assessment |
TWI603210B (zh) | 2016-12-13 | 2017-10-21 | 財團法人工業技術研究院 | 機台零件之剩餘壽命的預測系統與預測方法 |
EP3775962A4 (en) | 2018-04-09 | 2022-01-05 | Well Checked Systems International LLC | SYSTEM AND METHOD OF PREDICTIVE MAINTENANCE BY AUTOMATIC LEARNING, VIA HEARING SENSING, ON NATURAL GAS COMPRESSORS |
CN109253826B (zh) * | 2018-08-01 | 2019-12-24 | 西安交通大学 | 一种基于多退化样本数据融合的热量表剩余寿命预测方法 |
TWI684839B (zh) * | 2018-11-30 | 2020-02-11 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
TWI684107B (zh) * | 2018-12-18 | 2020-02-01 | 國立中山大學 | 資料補值與分類方法以及資料補值與分類系統 |
CN111047106B (zh) * | 2019-12-23 | 2023-04-14 | 南智(重庆)能源技术有限公司 | 井口阀门寿命预测方法 |
TWI719786B (zh) | 2019-12-30 | 2021-02-21 | 財團法人工業技術研究院 | 資料處理系統與方法 |
TWI742709B (zh) | 2020-06-04 | 2021-10-11 | 國立成功大學 | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 |
CN112749453B (zh) * | 2020-12-16 | 2023-10-13 | 安徽三禾一信息科技有限公司 | 基于改进svr的复杂设备剩余使用寿命预测方法 |
EP4060677A1 (en) * | 2021-03-18 | 2022-09-21 | Craft.Ai | Devices and processes for data sample selection for therapy-directed tasks |
WO2022195107A1 (en) * | 2021-03-18 | 2022-09-22 | Craft.Ai | Devices and processes for data sample selection for therapy-directed tasks |
KR20240025865A (ko) * | 2022-08-19 | 2024-02-27 | 한국전력공사 | 설비자산의 상태평가를 위한 지능형 건전성 지수 산출 시스템 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183444A1 (en) * | 2007-01-26 | 2008-07-31 | Grichnik Anthony J | Modeling and monitoring method and system |
CN101547994A (zh) * | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特系统股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
TW200949596A (en) * | 2008-05-20 | 2009-12-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
US20110276828A1 (en) * | 2009-01-14 | 2011-11-10 | Kenji Tamaki | Apparatus anomaly monitoring method and system |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411377B1 (en) * | 1991-04-02 | 2002-06-25 | Hitachi, Ltd. | Optical apparatus for defect and particle size inspection |
JP2000259222A (ja) | 1999-03-04 | 2000-09-22 | Hitachi Ltd | 機器監視・予防保全システム |
US6976236B1 (en) * | 2002-04-05 | 2005-12-13 | Procket Networks, Inc. | Method for automatically routing connections between top side conductors and bottom side conductors of an integrated circuit package |
JP4607618B2 (ja) | 2005-02-15 | 2011-01-05 | 東京エレクトロン株式会社 | 成膜装置、コンピュータプログラム及び記憶媒体 |
US7257784B2 (en) * | 2005-03-24 | 2007-08-14 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method for integrally checking chip and package substrate layouts for errors |
US7404123B1 (en) * | 2005-03-28 | 2008-07-22 | Lam Research Corporation | Automated test and characterization data analysis methods and arrangement |
JP2006301837A (ja) * | 2005-04-19 | 2006-11-02 | Nec Electronics Corp | マクロ内配線を考慮したネットリストを用いて遅延計算を行う設計方法及びそのネットリストの作成プログラム |
TWI315054B (en) | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
US20080120060A1 (en) * | 2006-09-29 | 2008-05-22 | Fisher-Rosemount Systems, Inc. | Detection of catalyst losses in a fluid catalytic cracker for use in abnormal situation prevention |
EP1914638A1 (en) | 2006-10-18 | 2008-04-23 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
JP4730451B2 (ja) * | 2009-03-16 | 2011-07-20 | 富士ゼロックス株式会社 | 検出データ処理装置及びプログラム |
JP5728839B2 (ja) | 2010-07-06 | 2015-06-03 | 富士通株式会社 | 故障診断方法、装置及びプログラム |
TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
TWI451336B (zh) * | 2011-12-20 | 2014-09-01 | Univ Nat Cheng Kung | 預測模型之建模樣本的篩選方法及其電腦程式產品 |
TWI521360B (zh) * | 2014-03-26 | 2016-02-11 | 國立成功大學 | 量測抽樣方法與其電腦程式產品 |
-
2012
- 2012-07-20 TW TW101126242A patent/TWI463334B/zh active
-
2013
- 2013-03-18 US US13/845,144 patent/US10242319B2/en active Active
- 2013-05-16 EP EP13168089.4A patent/EP2687935B1/en active Active
- 2013-05-16 CN CN201310181746.2A patent/CN103577887B/zh active Active
- 2013-05-29 KR KR1020130061112A patent/KR101518448B1/ko active IP Right Grant
- 2013-06-14 JP JP2013125444A patent/JP5643387B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547994A (zh) * | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特系统股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
US20080183444A1 (en) * | 2007-01-26 | 2008-07-31 | Grichnik Anthony J | Modeling and monitoring method and system |
TW200949596A (en) * | 2008-05-20 | 2009-12-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
US20110276828A1 (en) * | 2009-01-14 | 2011-11-10 | Kenji Tamaki | Apparatus anomaly monitoring method and system |
Non-Patent Citations (1)
Title |
---|
WEI-MING WU ET AL.: "Preliminary Study of a Dynamic-Moving-Window Scheme for Virtual-Metrology Model Refreshing", 《2012 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》, 18 May 2012 (2012-05-18) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108351641A (zh) * | 2015-10-27 | 2018-07-31 | 德莱赛公司 | 预测阀组件的维修需求 |
CN108351641B (zh) * | 2015-10-27 | 2022-01-14 | 德莱赛公司 | 预测阀组件的维修需求 |
CN106682251A (zh) * | 2015-11-06 | 2017-05-17 | 财团法人工业技术研究院 | 加工设备的健康评估方法与健康评估装置 |
CN106682251B (zh) * | 2015-11-06 | 2021-01-01 | 财团法人工业技术研究院 | 加工设备的健康评估方法与健康评估装置 |
CN108268689A (zh) * | 2016-12-30 | 2018-07-10 | 财团法人工业技术研究院 | 加热元件的状态诊断与评估方法及其应用 |
CN108268689B (zh) * | 2016-12-30 | 2021-11-26 | 财团法人工业技术研究院 | 加热元件的状态诊断与评估方法及其应用 |
CN111860933A (zh) * | 2019-04-26 | 2020-10-30 | 郑芳田 | 生产机台组件的预测保养方法 |
CN111860933B (zh) * | 2019-04-26 | 2023-09-01 | 郑芳田 | 生产机台组件的预测保养方法 |
Also Published As
Publication number | Publication date |
---|---|
EP2687935B1 (en) | 2020-03-25 |
CN103577887B (zh) | 2017-09-15 |
JP5643387B2 (ja) | 2014-12-17 |
US10242319B2 (en) | 2019-03-26 |
EP2687935A2 (en) | 2014-01-22 |
JP2014022725A (ja) | 2014-02-03 |
KR20140011925A (ko) | 2014-01-29 |
TWI463334B (zh) | 2014-12-01 |
US20140025315A1 (en) | 2014-01-23 |
EP2687935A3 (en) | 2015-10-07 |
TW201405330A (zh) | 2014-02-01 |
KR101518448B1 (ko) | 2015-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577887A (zh) | 标的装置的基底预测保养方法 | |
CN103777628B (zh) | 用于使加工厂内收集的数据拟合到正弦波的方法 | |
Munirathinam et al. | Big data predictive analtyics for proactive semiconductor equipment maintenance | |
Chien et al. | Data-driven framework for tool health monitoring and maintenance strategy for smart manufacturing | |
US6915173B2 (en) | Advance failure prediction | |
CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
Jalali et al. | Predicting time-to-failure of plasma etching equipment using machine learning | |
Liao et al. | Design of a reconfigurable prognostics platform for machine tools | |
CN110727257A (zh) | 基于k均值聚类算法的设备运行诊断方法和装置 | |
Biebl et al. | A conceptual model to enable prescriptive maintenance for etching equipment in semiconductor manufacturing | |
Kobbacy et al. | New technologies for maintenance | |
Lee et al. | Development of a predictive and preventive maintenance demonstration system for a semiconductor etching tool | |
Cholette et al. | Condition monitoring and operational decision making in semiconductor manufacturing | |
US11775714B2 (en) | Rational decision-making tool for semiconductor processes | |
Liu | Predictive Modeling for Intelligent Maintenance in Complex Semiconductor Manufacturing Processes. | |
Kumar et al. | Decision support system for maximum availability of series-parallel system using particle swarm optimisation | |
Sharanya | A cyber physical system framework for industrial predictive maintenance using machine learning | |
Blue et al. | Efficient FDC based on hierarchical tool condition monitoring scheme | |
Liao | An adaptive modeling for robust prognostics on a reconfigurable platform | |
Aggogeri et al. | Design for Reliability of Robotic Systems Based on the Prognostic Approach | |
Drissi et al. | Coupling Prognostics and Decision Making (P&DM) Processes in PHM: A literature review and proposal of a Residual Performance Lifetime concept | |
Arima | Virtual metrology-based engineering chain management by multi-classification of quality using support vector machine for semiconductor manufacturing | |
Shelly | An Adaptive Recipe Compensation Approach for Enhanced Health Prediction in Semiconductor Manufacturing | |
Schöpka et al. | Practical aspects of virtual metrology and predictive maintenance model development and optimization | |
Blue et al. | FDC R2R variation monitoring for sensor level diagnosis in tool condition hierarchy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |