CN106681183A - 监测制造装置的方法、装置、系统与计算机可读储存媒介 - Google Patents

监测制造装置的方法、装置、系统与计算机可读储存媒介 Download PDF

Info

Publication number
CN106681183A
CN106681183A CN201511005801.8A CN201511005801A CN106681183A CN 106681183 A CN106681183 A CN 106681183A CN 201511005801 A CN201511005801 A CN 201511005801A CN 106681183 A CN106681183 A CN 106681183A
Authority
CN
China
Prior art keywords
controller
time
health
feature
control signal
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
Application number
CN201511005801.8A
Other languages
English (en)
Other versions
CN106681183B (zh
Inventor
陈德铭
张森嘉
赖建良
戴齐廷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN106681183A publication Critical patent/CN106681183A/zh
Application granted granted Critical
Publication of CN106681183B publication Critical patent/CN106681183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • 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
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user

Abstract

本发明提供了监测一制造装置的方法，包括：于预定时段内收集控制器的控制信号与该制造装置相对应的感测信号。将控制信号与相对应的感测信号作分割，得到至少一控制步骤。根据控制信号、感测信号、至少一控制步骤或用户手册所得的信息，的其中至少一项，计算该控制器的一特征。根据该特征产生该控制器一健康指标。在该健康指标超过一预定门槛值时，产生一警告信号。

Description

监测制造装置的方法、装置、系统与计算机可读储存媒介
技术领域
本发明是有关于一种监测制造装置的方法、装置、系统与与非暂存计算机可读储存媒介。
背景技术
设备故障在制造业中会引起严重的问题，在光电及半导体产业中。考虑到市场价值与全球竞争，公司都希望能避免因设备故障所造成的生产落后。
成功的公司通常通过积极的对设备维护与管理作投资，以缓和设备故障的风险，以确保高水平的生产力。这涉及监测设备与状态评估至元件层次。基于此监测与评估的结果，公司可实时作维护机台的决策，避免生产中设备故障。
在光电及半导体产业中，制造装置包括，例如：化学气相沉积机台(Chemical Vapor Deposition，CVD)与金属有机物化学气相沉积(MetalOrganic Chemical Vapor Deposition，MOCVD)机台，这些机台都包括控制器，这些控制器可控制对象的移动，比如像是反应物、前驱物(precursor)或是产品于管路网络中的移动。如果没有造成产品全部浪费，控制器的错误动作(malfunction)会引发低产能。
现有的维护实务，无法满足精确的控制器监测，例如，一些控制器监测方式可能传送假警报或是无法成功地检测出问题。
发明内容
在一实施范例中，本发明提供一种监测制造装置的方法。此方法于预定时段内收集控制器的控制信号与制造装置相对应的感测信号；将控制信号与相对应的感测信号作分割，得到至少一控制步骤；根据该控制信号、感测信号、至少一控制步骤、或用户手册所得的信息，的其中至少一项，计算控制器的特征；根据特征产生控制器健康指标；在健康指标超过预定门槛值时，产生警告信号。
在另一实施范例中，本发明提出一种制造系统，此系统包括一制造装置和一监测装置。制造装置含控制器；监测装置含处理器与存储器，存储器储存多个指令，由处理器执行多个指令时，使处理器于预定时段内收集控制器的控制信号与制造装置相对应的感测信号；将控制信号与相对应的感测信号作分割，得到至少一控制步骤；根据该控制信号、感测信号、至少一控制步骤或用户手册所得的信息，的其中至少一项，计算该制器的一特征；根据特征产生控制器健康指标；在健康指标超过预定门槛值时，产生警告信号。
再另一实施范例中，本发明提出一种装置用以监测一制造装置，包含：处理器及存储器，存储器储存多个指令，由处理器执行多个指令时，使处理器于预定时段内收集控制器的控制信号与制造装置相对应的感测信号；将控制信号与相对应的感测信号作分割，得到至少控制步骤；根据控制信号、感测信号、至少一控制步骤、或用户手册所得的信息，的其中至少一项，计算控制器的特征；根据特征产生控制器健康指标；在健康指标超过预定门槛值时，产生警告信号。
又再另一实施范例中，本发明提出一种非暂存计算机可读储存媒介嵌于计算机程序产品中，计算机程序产品包括多个指令被配制于计算设备中并执行方法，包含：于预定时段内收集控制器的控制信号与制造装置相对应的感测信号；将控制信号与相对应的感测信号作分割，得到至少一控制步骤；根据控制信号、感测信号、至少控制步骤、或用户手册所得的信息，的其中至少一项，计算控制器的特征；根据特征产生控制器健康指标；在健康指标超过预定门槛值时，产生警告信号。
附图说明
图1是依据本发明的一实施例所示的制造装置100的方块图。
图2为依据本发明的一实施例所示的制造系统200的方块图。
图3A是依据本发明的一实施例所示的监测制造装置方法300的流程图。
图3B是依据本发明的另一实施例所示的监测制造装置方法310的流程图。
图4A是依据本发明的一实施例所示的分割与分类控制信号方法400的示意图。
图4B是依据本发明的一实施例的控制步骤类别的示意图。
图5A是依据本发明的一实施例计算特征方法500的流程图。
图5B是依据本发明的另一实施例计算特征方法510的流程图。
图6是依据本发明的一实施例显示容忍值600的方块图。
图7是依据本发明的另一实施例计算特征方法700的流程图。
图8是依据本发明的另一实施例计算特征方法800的流程图。
图9A是依据本发明的再一实施例计算特征方法900的流程图。图9B-9F是图形表示。
图10A是依据本发明的一实施例健康指标的曲线图1000的示意图。
图10B-10E是依据本发明的一实施例决定健康指标方法的图形表示的示意图。
图11A-11C是依据本发明的一实施例辨认主因控制器的方法的示意图。
图12是依据本发明的一实施例显示警告信息的接口的示意图。
附图标记说明
100 制造装置
110 元件群组
120 处理器
130 存储器
140 用户接口
111 控制器A
112 控制器B
113 阀X
114 阀Y
115 显示接口
200 制造系统
201 制造装置
202 监测装置
220 处理器
230 存储器
240 用户接口
300 监测制造装置的方法
301 收集控制信号与其相对应的感测信号
302 分割控制信号与相对应的感测信号以取得至少一控制步骤
303 计算特征，此特征可能包括特征向量
304 产生至少一健康指标
305 根据控制器正常状态下的特征产生控制器的健康模型
306 基于该健康模型决定预定门槛值
307 判断健康指标是否大于预定门槛值
308 产生警告信号
310 监测制造装置方法
311 收集多个控制信号与其相对应的多个感测信号
312 分割多个控制信号与相对应多个感测信号以得到两个或多个控制步骤
313 计算多个特征，此特征可能包括多个特征向量
314 产生多个健康指标
315 根据控制器正常状态下的多个特征产生多个控制器健康模型
316 基于多个健康模型决定多个预定门槛值
317 至少一健康指标超过相对应的预定门槛值
318 是否两个或多个健康指标超过该预定门槛值
319 基于多个控制器与至少一阀的空间/时间关系辨认出主因控制器
320 产生警告信号
400 分割与控制步骤类别的图型表示
500 计算特征方法
501 计算控制信号与相对应感测信号间的差以取得一偏移值
502 根据一容忍值调整偏移值
503 基于该偏移值计算特征
510 计算特征方法
511 在两个或多个个控制步骤中，对每一个控制步骤计算控制信号和其对应的感测信号的差以取得该步骤对应的偏移值
512 根据多个容忍值调整多个偏移值
513 基于多个偏移值计算多个特征
600 容忍值
601 控制器反应时间引起的错误
602 控制器不精确度引起的错误
603 至少一阀开/关时间引起的错误
700 计算特征方法
701 计算偏移植的直方图
702 根据直方图计算特征
800 计算特征方法
801 对两个或多个控制步骤的每一个控制步骤和其相对应的偏移值作分类，每一个类别至少有一偏移值
802 对每一个类别，计算至少一偏移值的直方图
803 对每一个类别根据直方图计算出该分类特征向量，以取得多个分类特征向量
804 基于多个分类特征向量计算出一特征向量
900 计算特征方法
901 收集控制信号与相对应的感测信号
902 计算其偏移值
903 基于容忍值调整该偏移值
904 产生直方图
905 计算特征
1000 健康指标曲线
1100 管线网络
1121 区域
1122 区域
1131 区域
1200 显示警告信息的接口
1201-4 接口的显示方块
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
本发明提供一监测一制造装置的方法、装置、系统与非暂存计算机可读储存媒介。根据感测信号与控制信号间所得的特征，取得控制器的健康指标，其中结合管线的空间与时间关系，可厘清控制器相互的影响，早期检测出真正的异常，提早更换异常控制器以避免影响产品的生产质量。
图1是依据本发明的一实施例所示的制造装置100的方块图。制造装置100包括多个元件，有些元件是可有可无的，此制造装置可被设定监测自己本身。
在一实施例中，制造装置100包括元件群组110、处理器120、存储器130(例如：非暂存计算机可读储存媒介储存计算机程序)与用户接口140。元件群组110包括控制器A 111、控制器B 112、阀X 113与阀Y 114，元件群组110可含括较多或较少的控制器与阀。每一控制器，例如：可以是液体流量控制器、气体流量控制器、温度控制器、压力控制器或是组合控制器可控制温度与压力。
在一些实施例中，控制器A 111、控制器B 112、阀X 113与阀Y 114是相互独立的。
在一些实施例中，控制器A 111、控制器B 112、阀X 113与阀Y 114是相连于一网络中的。控制器与阀的相连，例如是以管路(pipe)相连，此管路中有气体或液体的相变物质(phase material)流动。这相连可有许多不同的设定，例如：阀可以是单相开关，只允许或阻隔物质流经此阀；又例如：此阀可以是多个开关，只选择一管路物质可通过。若阀与控制器透过管路相连，阀即与控制器相关联。
在一些实施例中，处理器120与元件群组110、存储器130与用户接口140相互通讯，储存于存储器130中的指令为处理器120所执行时，处理器120将完成一方法，此方法将描述于图3。用户接口140可显示警告信号息，范例将描述于图12。
图2为依据本发明的一实施例所示制造系统200的方块图。制造系统200包括制造装置201与监测装置202制造装置201与监测装置202皆包含数个元件，有些元件是可有可无的，监测装置202被配置以监测制造装置201。
在一实施例中，制造装置201包括控制器A 111、控制器B 112、阀X113、阀Y 114与显示接口115，相对于前面所叙述的，制造装置201可含括较多或较少的控制器与阀。
在一些实施例中，控制器A 111、控制器B 112、阀X 113与阀Y 114是相互独立的。
于制造装置201中，控制器A 111、控制器B 112、阀X 113与阀Y 114是相连于一网络中的。控制器与阀的相连，例如是以管路，此管路中有气体或液体的相变物质流动。这连皆可有许多不同的设定，例如：阀可以是单相开关，只允许或阻隔物质流经此阀；又例如：此阀可以是多个开关，只选择一管路物质可通过。若阀与控制器透过管路相连，阀即与控制器相关联。
在一些实施例中，监测装置202包括处理器220、存储器230(例如：非暂存计算机可读储存媒介储存计算机程序)与用户接口240。监测装置202与制造装置201相互通讯。储存于存储器230中的指令为处理器220所执行时，处理器220将进行一方法中的步骤，此方法细节将描述于图3。用户接口240与显示接口115皆可显示警告信号息，范例将描述于图12。
图3A为依据本发明的一实施例所示监测制造装置的方法300的流程图。此方法300包括数个步骤，有些步骤可省略。有些步骤，如：步骤301可持续被执行。有些步骤可同步被执行，例如：步骤301可与其他任何步骤同时被执行。这些步骤可以是制造装置100的处理器120或是监测装置202的处理器所执行。
在一些实施例中，非暂存计算机可读储存媒介可储存于储存计算机程序产品中，计算机程序产品可包括指令被配置去使计算设备执行方法300中的步骤。
在步骤301中，处理器120或处理器220收集控制器的控制信号，与其相对应的制造装置的感测信号于一预定时段内，此制造装置可以是制造装置100或是制造装置201。控制信号，例如：根据被输入制造装置中之配方，可由制造装置所产生，并为控制器所接收的信号。此处配方是指一组指令输入制造装置，来规范产生工艺而产出产品。此配方可能是由用户提供给制造装置并包括制造步骤。感测信号由传感器相关联于控制器所产生，并反应实时量测(real-time measurement)。控制信号与感测信号可有相对应的关系。控制信号与相对应的感测信号可表示实际物质的量(physicalquantity)，也可能与时间相关(time-dependent)。在一实施例中，根据配方输入，产生控制信号控制质量流量控制器(mass flow controller)，使得质量流量维持10秒有每秒1升的流量。亦即，维持质量流量控制器被设定维持物质流量于在10秒中具有每秒1升的流量的理论值(theoretical rate)。然而，根据实测在控制器的质量流量传感器(mass flower sensor)所得数值，感测信号显示实际物质流量为在10秒中具有每秒0.95升的流量。故在此情况下，控制信号与感测信号，各表示过程参数(process parameter)，并且彼此间有一相对应的关系。
在步骤302中，处理器分割控制信号与相对应的感测信号以取得至少一控制步骤。此分割描述于图4。在一些实施例中，此分割是基于分割时间区段以取得至少一控制步骤，每个控制步骤相对于分割的控制信号与分割的感测信号。
在步骤303中，处理器计算控制器特征根据至少一控制信号、感测信号、至少一控制步骤或来自用户手册所得之信息，计算范例将描述于图9A-9F。此特征是一个参数，用来量化指示控制器的状态。在一实施例中，此特征包括特征向量，此特征向量是一向量，用来量化指示控制器的状态。用户手册可以是制造装置的用户手册，包含控制器信息。举例来说，由使用者手册中得到的控制器信息，可能包括此控制器的上升时间、下降时间、过冲值(overshoot)与下冲值(undershoot)、或控制器操作规格。由用户手册中所得到的信息，亦可是由专家或是制造装置生产者作的实际量测(physical measurement)。步骤303的运作范例可参考图5A。
在步骤304中，处理器根据特征产生控制器健康指标。在一实施例中，健康指标系数值。在一实施例中，处理器转换特征为健康指标，用以表示控制器的健康状态。在一实施例中，处理器使用记分函数(scoring function)或转换将特征向量为数值(numerical value)或不连续值(例如：1、2或3)，此表示类别状态，如：健康、衰退或损坏。步骤304的运作范例可参考图10A-10E。
在步骤305中，处理器根据控制器正常状态下的特征产生控制器的健康模型。健康模型例如是数学模型，用以表示制造装置的状态。在一些实施例中，健康模型的产生基于自组织结构模型(self-organizing map,SOM)、限制波兹曼机模型(restricted Boltzmann machine,RBM)、深层类神经网络模型(deep neural network,DNN)、自编码器模型(autoencoder)、旋积式限制波兹曼机模型(convolutional RBM,or convolutional DNN)、旋积式深层类神经网络模型(convolutional DNN)、霍特林T方和Q检定(T-squared and Qstatistics)、单类别分类器(one-class classifier)、支持向量机(class supportvector machine)、支持向量数据描述方法(support vector data description,SVDD)、模糊C-means分群法(fuzzy c-means)、高斯混合模型(Gaussianmixture model,GMM)、k最近邻居法(kNN)或滑动窗口错误率(slidingwindow error rate)。正常状态包括制造装置正常工作的状态。
在步骤306中，处理器基于健康模型决定预定门槛值(predefinedthreshold)。在此实施例中，预定门槛值为一数值(numerical value)。
在步骤307中，处理器比较健康指标与于步骤306中取得的预定门槛值；或是比较目前特征和健康状态下特征预定门槛值的差异与预订门槛值。此差异可包括马氏距离(Mahalanobis distance)或是欧氏距离(Euclideandistance)。在一些实施例中，若健康指标超过预定门槛值，此方法就走到步骤308。若健康指标没有超过预定门槛值，处理器继续收集控制信号与相对应的感测信号(即步骤301)。
在步骤308中，处理器产生警告信号。在一些实施例中，该警告信号包括至少一第一健康指标表示控制器于一过去时间的健康、第二健康指标表示该控制器于一目前时间的健康、控制信号与控制器的感测信号，或是偏移值(offset value)描述于图5A。
在一些实施例中，处理器根据警告信号产生警告信息。在图1的一实施例中，处理器120显示警告信息于用户接口140。在图2的另一实施例中，制造装置201显示警告信息于显示接口115。在图2的再一实施例中，制造装置201传送警告信号给监测装置202，处理器220显示警告信息于用户接口240。
图3B是依据本发明的一实施例所示的监测制造装置方法310的流程示意图。方法310包括数个步骤，有些步骤是可有可无的。有些步骤，如：步骤301可持续被执行。有些步骤可同步被执行，例如：步骤311可与其他任何步骤同时被执行。方法310的这些步骤可以是被制造装置100的处理器120或是监测装置202的处理器所执行。
在一些实施例中，非暂存计算机可读储存媒介可储存于储存计算机程序产品中，此计算机程序产品可包括指令被配置去使计算设备执行方法310。
在步骤311中，处理器，即处理器120或处理器220，于预定时间范围间收集多个控制信号与其相对应的多个感测信号基于多个制造装置(制造装置100或是制造装置201)的多个控制器。在一些实施例中，至少有一阀，即阀X 113或阀Y 114相连接于多个控制器。
在步骤312中，处理器分割多个控制信号与相对应多个感测信号以得到两个或多个控制步骤。在一些实施例中，此分割是基于分割时间以取得两个或多个控制步骤，每个控制步骤相对于分割的控制信号与分割的感测信号。
在步骤313中，处理器计算控制器特征根据至少一控制信号、感测信号、两个或多个控制步骤或来自用户手册所得的信息，计算范例将描述于图9A-9F。用户手册可是制造装置的用户手册包含控制器与阀的信息。此特征包括特征向量。步骤313的运作范例可参考图5B。
在步骤314中，处理器根据该些特征产生控制器多个健康指标。在一实施例中，健康指标是数值。步骤314的运作范例可参考图10A-10E。
在步骤315中，处理器根据控制器正常状态下的多个特征产生对应于多个控制器的健康模型。多个健康模型可以是，例如：多个数学模型用以表示制造于预定时间范围间的状态。
在步骤316中，处理器基于多个健康模型决定多个预定门槛值。在此实施例中，多个预定门槛值具有多个数值。
在步骤317中，处理器比较多个健康指标与于步骤316中取得的多个预定门槛值；或是比较目前特征和在健康状态下的特征的差异与预定门槛值。此差异可包括马氏距离(MahalanobisDistance)或是欧氏距离(Euclideandistance)。在一些实施例中，若至少一健康指标超过相对应的预定门槛值，此方法就走到步骤318。若健康指标没有超过预定门槛值，处理器继续收集控制信号与相对应的感测信号(即步骤311)。
在步骤318中，处理器决定是否两个或多个健康指标超过多个预定门槛值。若两个或多个健康指标超过预定门槛值。此方法执行步骤319。若两个或多个健康指标没有超过预定门槛值。此方法执行步骤320。
在步骤319中，处理器基于空间时间关系于多个控制器与至少一阀辨认出主因控制器。步骤319的运作范例可参考图11A-11C。
在一些实施例中，空间时间关系基于多个控制器与至少一阀间的相对位置于相连多个管路的网络中，与相对于在该多个管路中物质流动方向，还有该至少一阀开/关的时间。
在一些实施例中，辨认出主因控制器(responsible controller)包括辨认该多个控制器其中之一引起至少另一控制器拥有至少一健康指标超过相对应的一预定门槛值。
在一些实施例中，辨认该主因控制器基于多变量分析(multivariableanalysis)。此多变量分析包括分析足以改变结果的多个变量。此多变量分析更进一步包括只改变一变量，而保持其他变量不变，而后确认一变量可引起结果较多的改变。
在步骤320中，处理器产生警告信号。在一些实施例中，警告信号包括至少一第一健康指标表示控制器于一过去时间的健康、第二健康指标表示该控制器于一目前时间的健康、控制信号与控制器的感测信号，或是偏移值描述于图5B。或是空间时间关系分析结果于多个控制器(包括主因控制器)与至少一阀。以上可参考图11A-11C与相对应内文。
在一些实施例中，处理器根据警告信号产生警告信息。在图1的一实施例中，处理器120显示警告信息于用户接口140。在图2的另一实施例中，制造装置201显示警告信息于显示接口115。在图2的再一实施例中，制造装置201传送警告信号给监测装置202，处理器220显示警告信息于用户接口240。
图4A是依据本发明的一实施例所示的方法400分割与分类控制信号的图型表示的示意图。
图4A中，感测信号的大小(可以是任意单位)由Y轴表示，X轴为时间轴。在此实施例中，感测信号是实际量的测量。随时间而改变的感测信号的变化率被记录与分类。感测信号不同变化率为垂直的虚线以时间作区隔，而相对应的类别标示在图形的顶端。
图4B是依据本发明的多种实施例的控制信号的类别改变的示意图。在一实施例中，此类别包括稳态(steady，无改变)、震荡(oscillation)、缓上升(slow rise)、缓下降(slow drop)、急上升(sharp rise)与急下降(sharp drop)。任意门槛值的改变率可用以区隔缓与急间的差异。
在一实施例中，X轴可基于多个类别作分割，以取得多个控制步骤。控制步骤包括时间分割区段。每个类别可包括一个或多个控制步骤。例如：图4A中感测信号的第一个分割区段，开始于50于0秒时，并维持50直到1850秒，此区段相对类别1(稳态)于图4B中。第二个分割区段，开始于1850秒，感测信号由50直到约210，此区段相对类别2(急上升)于图4B中。第三个分割区段，开始于1850秒直到4600秒，感测信号维持210，此区段相对类别1(稳态)于图4B中。
图5A是依据本发明的一实施例计算特征方法500的流程图的示意图。此方法500包括数个步骤，有些步骤可省略。这些步骤可以是制造装置100的处理器120或是监测装置202的处理器所执行。
在步骤501中，处理器计算控制信号与相对应感测信号间的差以取得偏移值。此偏移值可以是绝对差值(absolute difference)或是百分比的差(percentage difference)。在一实施例中，此偏移值(offset value)可由下列公式计算而得：
在步骤502中，处理器根据容忍值(tolerance valu3)调整偏移值，容忍值的计算描述于图6。
在步骤503中，处理器基于得到的偏移值计算特征。此特征包括特征向量。计算该特征向量基于该至少一直方图(histogram)、一均值(mean)、一标准偏差(standard deviation)、一最大值(maximum value)、一最小值(minimum value)、一范围(range)、一四分位距(interquartile range,IQR)、一偏度(skewness)、一峰度(kurtosis)、一上升时间(rise time)、一下降时间(falltime)、一趋稳时间(settling time)、一过冲(overshoot)、一下冲(undershoot)或到该偏移值的峰值的一时间。图7描述步骤503的运作。
图5B是依据本发明的一实施例计算特征方法510的流程图的示意图。此方法510包括数个步骤。这些步骤可以是制造装置100的处理器120或是监测装置202的处理器所执行。
在步骤511中，处理器计算控制信号与相对应感测信号于每两个或多个控制步骤间的差以取得多个偏移值。此偏移值可以是绝对差值或是百分比的差。在一实施例中，每一偏移值可由下列公式计算而得：
在步骤512中，处理器根据多个容忍值调整多个偏移值，多个容忍值的计算描述于图6。
在步骤513中，处理器基于多个偏移值计算多个特征。此多个特征包括多个特征向量。图8描述步骤513的运作。
图6是依据本发明的一实施例显示容忍值600的方块图的示意图。容忍值600可是事先由使用者设定并通过用户接口140或用户接口240输入。此容忍值可以是包括由该控制器601至少一反应时间所得、该控制器602的不精确度或至少一该阀603的开/关时间所引起的错误。在一实施例中，此至少一阀603参考图3的步骤319的该至少一阀。
在一实施例中，使用者可知特别的控制器的反应时间为0.5秒，并输入此当成是容忍值。在图5A中的步骤502或是图5B中的步骤512，将包括在此0.5秒调整偏移值。
图7是依据本发明的另一实施例计算特征方法700的流程图的示意图。此方法700包括数个步骤。这些步骤可以是制造装置100的处理器120或是监测装置202的处理器所执行。
在步骤701中，处理器计算偏移值的直方图(histogram)。此直方图可基于预先设定的组距(bin)个数、预先设定的最大值与预先设定的最小值而产生。此直方图描述于图9A-9F。
在步骤702中，处理器根据直方图计算特征。在一实施例中，直方图转换为特征向量，并以每一向量参数由组距值所表示。
图8是依据本发明的另一实施例计算特征方法800的流程图的示意图。此方法800包括数个步骤。这些步骤可以是制造装置100的处理器120或是监测装置202的处理器所执行。
在步骤801中，处理器对每两个或多个控制步骤与其相对应的多个偏移值作分类。多个类别的每个类别有至少一偏移值。在一实施例中，分类基于被监测的实际量的改变率而定。图4B显示此类别分类。
在步骤802中，处理器计算每一类别根据至少一偏移值的直方图。此直方图可基于预先设定的组距个数、预先设定的最大值与预先设定的最小值而产生。此直方图描述于图9A-9F。
在步骤803中，处理器计算每一类别的类别特征向量，基于直方图取得多个类别特征向量(categorized-character vector)。在一实施例中，直方图转为特征向量，以组距数值决定每个向量参数。
在步骤804中，处理器计算特征向量基于多个类别特征向量，此计算可能基于一串接(concatenation)或是一加权平均(weighted average)。
图9A是依据本发明的再一实施例计算特征方法900的流程图的示意图。图9B-9F是图形表示，亦即，以图形表示特征的计算。方法900的步骤901，相对于图9B。方法900的步骤902，相对于图9C。方法900的步骤903，相对于图9D。方法900的步骤904，相对于图9E与图9F。
在步骤901中，控制器的控信号与相对应的感测信号被收集。图9B中，以图形显示于步骤901中的控制信号与感测信号(可以是任意单位)。信号显示于Y轴，处理时间显示于X轴。图9B中，控制信号与感测信号重叠，只有在911处，感测信号不同于控制信号并显示出相对的波动(fluctuation)。信号取样率(sampling rate)为每秒1点，所以，例如：6000秒的处理时间，相当于6000个取样点。
在步骤902中，偏移值被计算，使用前面所描述的公式并基于控制信号与感测信号被标准化(normalized)。
图9C显示于步骤902中被计算的偏移值，基于公式之处理时间在未经标准化之前。此偏移值显示于Y轴，处理时间显示于X轴。
在步骤903中，偏移值基于容忍值被调整。在此实施例中，此容忍值包括交换延迟(switch delay)。交换延迟可以是元件接收指令与执行指令间之时间迟滞(time lag)，此可造成控制信号与感测信号的偏差(deviation)。
图9D显示于步骤903中被调整的偏移值，基于交换延迟调整。此调整偏移值显示于Y轴，处理时间显示于X轴。
在步骤904中，基于已调整的偏移值，多个直方图被产生。在一实施例中，于图9E中的第一直方图，是产生于第二次生产所得到的偏移值。一次生产程序(run)代表插入晶圆到取出晶圆的处理程序。组距值/数量(binvalue/number)显示于Y轴，组距号码(number of bins)显示于X轴。第一直方图可基于预先设定的组距个数、预先设定的最大值与预先设定的最小值而产生。在一实施例中，在被确认为正常或健康的N次生产所得到的多个调整偏移值，可被当成是训练组合。计算被调整的偏移值的平均或标准偏差(standard deviation)，并用以定义直方图的组距。例如：组距1可以是包括偏移值均值正负的一标准偏差中的点数，组距2可以包括偏移值介于均值一个及两个标准偏差间的点数。在图9E中，14310代表在第二次生产程序(run)中，调整偏移值落于组距1中的点数。513代表在第二次生产程序(run)中，调整偏移值落于组距2中的点数。相似地，个别的直方图可于其他生产程序中被产生。
显示于图9F的第二个直方图(2D直方图，或称为热图)，是组合个别直方图所产生。图9F显示50个生产程序的直方图。Y轴显示组距的数目，X轴显示生产程序的数目。组距的值与数目是使用明暗的方块。方块的颜色的明暗度显示范围由104到100。
在步骤905中，特征值被计算。在一些实施例中，此特征值的计算基于至少一直方图、统计分析或由用户手册(如上所述)所得的信息。
在一实施例中，特征向量是基于直方图于每一生产程序中被计算。特征向量的参数可被表示为组距的值或数量。特征向量角度的自由度可是直方图中的组距个数。在一实施例中，第i生产程序的直方图值，对应到每一个组距，可被表示为一向量。直方图i＝[14310,513,205,196,104,60,38,…,0,0,0]。使用非线性对数转换，第i生产程序的特征可被计算为特征i＝[4.16,2.71,2.32,2.29,2.02,1.79,1.59,…,0,0,0]。
图10A是依据本发明的一实施例，一条健康指标曲线图1000的示意图。在一实施例中，健康指标为数值。
在此表示中，Y轴表示标准化(normalized)健康指标，X轴表示生产程序的数目。健康指标被以自组织结构(SOM)模型的直方图或特征(如前所述)计算，表达信号的波动于包络线(envelope)1001中。健康指标曲线1002可以配适(fitted)于健康指标数据(health index data)，例如：平均相近的生产程序的健康指标。在此情况下，预定门槛值被设为0.4，相对于配适的健康指标的生产程序只要高于0.4，即会产生警告信号。
在一些实施例中，建康指标建立于比较目前特征(向量)与在健康状态下的特征(向量)的差值。此差值可包括马氏距离(Mahalanobis distance)或是欧氏距离(Euclidean distance)。
图10B-10E是依据本发明之一实施例决定健康指标方法的图形表示的示意图。图10B-10E中，X轴皆代表时间(单位：秒)，在此范例中，总长代表1生产程序(run)的总时间。
图10B显示每秒的控制信号于Y轴上，图10C显示每秒的感测信号于Y轴上，图10D显示每秒被计算的偏移值于Y轴上，如前所述此偏移值取自控制信号与感测信号。
图10D是一预定长度的扫描窗口，在此范例中，N＝30点，代表30秒。是扫描X轴，并在此窗口中计算偏移值超过预定偏移值门坎的点数。
在图10E中，滑动窗口错误率(sliding window error rate)是在此长度为N的窗口中超过预定偏移值门坎的点数。在一实施例中，若有15个偏移值于窗口中超过预定偏移值门坎0.01时，且N＝30，则窗口错误率为15/30＝0.5。偏移值错误率示于X轴，并代表多个健康指标。图10E中多个健康指标被与预定的健康指标的预定门槛值作比较。健康指标大于预定的健康指标的预定门槛值，即产生警告信号。
图11A-11C是依据本发明的一实施例辨认主因控制器的方法的示意图。
图11A是管线网络1100含多个控制器与多个阀的架构图。管线可以是其所携带的物质作标示，如：N2气体或H2气体。或是以其反应的功能作标示，如：流入管线(run line)或排放管线(vent line)。点代表两条或多条管线连结处(connection point)。此网络包括控制器C1,C2,C3与C4，及阀H1与H2。
在一实施例中，于控制器C1/C2与阀H2间空间关系与事件的分析可包括：在图11A中，阀H2切换到流入管线时，控制器C1/C2与控制器C3相连并相互影响。当阀H2切换到排放管线时，控制器C1/C2与控制器C4相连并相互影响。时间事件(temporal event)的分析包括观察于此些控制器间，第一次不正常情况的发生。
图11B与图11C是图形显示被收集的信号，在阀H2切换到流入管线，并同时观察控制器C1-C4。X轴表示时间以秒计算，Y轴显示感测与控制信号读值(readings)，或是滑动窗口错误率，并以任意单位表示。任何以上表示的分析，协助厘清任何主因控制器(包含自己本身)(或至少一其他控制器)引起至少一健康指标超过预定的健康指标的预定门槛值。
在图11B与11C中的实施例中，控制器C1(区域1121)显示第一次不正常情况，先于控制器C2(区域1122)与C3(区域1131)。基于此空间或时间的事件分析，处理器辨认控制器C1为主因控制器。
图12是依据本发明的一实施例接口显示警告信息的图形的示意图。此接口可是用户接口140或240，或是显示接口115，亦可是显示屏幕或是触控屏幕。控制器C1-C4的健康指标相对于显示在接口的显示方块(display block)1201-1204中。在一些实施例中，四个控制器的健康指标系以数值表示。在一实施例中，产生警告信号时，显示方块1201与1203系以阴影表示，意即显示的健康指标大于预定的健康指标的预定门槛值。显示方块1201框(frame)被强化(highlight)，用以表示主因控制器。其他特色化的方法，比如给予颜色或加粗，可被用以强调警告信息。显示方块1202与1204没有作任何阴影或框的改变，是表示此二控制器处于正常状态。观察此接口的用户，可根据相对于显示方块1201的控制器作检查是否出了问题，并依此采取措施。
一个或多个计算机可读储存装置媒介可被运用于本发明中。计算机可读储存装置媒介可是任意形式的物理内存，其上所储存的信息或数据可以是处理器所读取。亦即，计算机可读储存装置媒介可储存多个指令供一个或多个处理器执行。计算机可读储存装置媒介可包括有形的东西并执行载波与暂时的信号，例如：非暂存性。范例可包括：随机存取存储器(Random-access memory,RAM)、只读存储器(Read-Only Memory,ROM)、挥发性存储器、非挥发性存储器、硬盘、只读记忆光盘(Compact DiscRead-Only Memory,CD ROMS)、数字多功能激光视盘(Digital Versatile Disc,DVD)、闪存、磁盘与任何其他已知的实体储存媒介。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (25)

1.一种监测一制造装置的方法，其特征在于，包括：
于一预定时段内收集一控制器的一控制信号与该制造装置一相对应的感测信号；
将该控制信号与相对应的该感测信号作分割，得到至少一控制步骤；
根据该控制信号、该感测信号、至少一控制步骤或一用户手册所得的信息，的其中至少一项，计算该控制器的一特征；
根据该特征产生该控制器一健康指标；以及
在该健康指标超过一预定门槛值时，产生一警告信号。
2.如权利要求1所述的监测制造装置的方法，其特征在于，该特征包括一特征向量，计算该特征还包括：
计算该控制信号与相对应的感测信号间的差取得一偏移值；及
基于取得的该偏移值计算该特征向量。
3.如权利要求1所述的监测制造装置的方法，其特征在于，该制造装置包括至少一阀与该控制器相连接，基于取得的该偏移值计算该特征向量，包括基于一容忍值调整该偏移值，该容忍值是于事先定义，包含由至少一该控制器的反应时间、该控制器的一不精确度或至少一该阀的一开/关时间，的其中至少一项所导致的误差。
4.如权利要求2所述的制造装置的方法，其特征在于，计算该特征还包括：
计算至少一直方图、一均值、一标准偏差、一最大值、一最小值、一范围、一四分位距、一偏度、一峰度、一上升时间、一下降时间、一趋稳时间、一过冲、一下冲或到该偏移值的峰值的一时间，的其中至少一项；以及
计算该特征向量基于该直方图、该均值、该标准偏差、该最大值、该最小值、该范围、该四分位距、该偏度、该峰度、该上升时间、该下降时间、该趋稳时间、该过冲、该下冲或到该偏移值的峰值的一时间，的前述项目的该至少一项。
5.如权利要求1所述的监测制造装置的方法，其特征在于，该特征包括一特征向量，该至少一控制步骤包括两个或多个控制步骤，计算该特征包括：
在该两个或多个控制步骤中，对每一个控制步骤计算该控制信号与相对应的该感测信号间的差异，取得相对应多个偏移值；以及
基于取得之该多个偏移值计算该特征向量。
6.如权利要求5所述的监测制造装置的方法，其特征在于，该制造装置包括至少一阀与该控制器相连接，
基于一容忍值、该控制信号、和该感测信号计算一偏移值，
该容忍值是于事先定义，包含由该控制器的一反应时间、该控制器的一不精确度或至少一该阀的一开/关时间，的其中至少一项所导致的误差。
7.如权利要求5所述的制造装置的方法，其特征在于，计算该特征还包括：
计算一直方图、一均值、一标准偏差、一最大值、一最小值、一范围、一四分位距、一偏度、一峰度、一上升时间、一下降时间、一趋稳时间、一过冲、一下冲或到该偏移值的峰值的一时间；以及
计算该特征向量基于该直方图、该均值、该标准偏差、该最大值、该最小值、该范围、该四分位距、该偏度、该峰度、该上升时间、该下降时间、该趋稳时间、该过冲、该下冲或到该偏移值的峰值的一时间，的其中该至少一项。
8.如权利要求5所述的制造装置的方法，其特征在于，计算该特征向量还包括：
将每一该两个或多个控制步骤中与其相对应的该多个偏移值作分类，每一分类具有至少一偏移值；
对该每一分类作计算，取得该至少一偏移值的一直方图；
对该每一分类作计算一分类特征向量，基于该直方图取得多个分类特征向量；以及
计算该特征向量基于该多个分类特征向量。
9.如权利要求1所述的监测制造装置的方法，其特征在于，还包括：
根据该控制器于一正常状态下的特征产生该控制器的一健康模型；及
基于该健康模型决定该预定门槛值。
10.如权利要求1所述的监测制造装置的方法，其特征在于，产生该控制器的该健康模型是基于一自组织结构模型(self-organizing map,SOM)、一限制波兹曼机模型(restricted Boltzmann machine,RBM)、一深层类神经网络模型(deep neural network,DNN)、一自编码器模型(autoencoder)、一旋积式限制波兹曼机模型(convolutional RBM,or convolutional DNN)、一旋积式深层类神经网络模型(convolutional DNN)、一霍特林T方与Q检定(T-squared and Q statistics)、一单类别分类器(one-class classifier)、一支持向量机(class support vector machine)、一支持向量数据描述方法(support vectordata description,SVDD)、一模糊C-means分群法(fuzzy c-means)、一高斯混合模型(Gaussian mixture model,GMM)、一k最近邻居法(kNN)或一滑动窗口错误率(sliding window error rate。
11.如权利要求1所述的监测制造装置的方法，其特征在于，该制造装置包括多个控制器与至少一阀与该些控制器相连接，该方法还包括：
产生多个健康指标，该多个控制器具有对应的该健康指标；以及
在两个或多个该健康指标超过相对应的多个预定门槛值时，基于空间/时间关是于该多个控制器与该至少一阀，辨认出一主因控制器。
12.如权利要求11所述的监测制造装置的方法，其特征在于，辨认出该主因控制器基于空间时间关系包括：
基于该多个控制器与该至少一阀间的相对位置于相连多个管路的网络中，与相对于在该多个管路中物质流动方向，还有该至少一阀开/关的时间，辨认该主因控制器。
13.如权利要求1所述的监测制造装置的方法，其特征在于，辨认出该主因控制器基于空间时间关系包括：
辨认该多个控制器的其中之一引起至少另一控制器拥有至少一健康指标超过相对应的一预定门槛值。
14.如权利要求1所述的监测制造装置的方法，其特征在于，辨认出该主因控制器基于空间时间关系包括：
更进一步基于一多变量分析辨认该主因控制器。
15.如权利要求2所述的监测制造装置的方法，其特征在于，产生该警告信号，该警告信号包括：
一第一健康指标，指出该控制器于一过去时间的健康；
一第二健康指标，指出该控制器于一目前时间的健康；以
该控制器的控制信号与该感测信号；以及
该偏移值。
16.如权利要求5所述的监测制造装置的方法，其特征在于，产生该警告信号，该警告信号包括：
一第一健康指标表示该控制器于一过去时间的健康；
一第二健康指标表示该控制器于一目前时间的健康；
该控制器的控制信号与该感测信号；以及
该多个偏移值。
17.如权利要求11所述的监测制造装置的方法，其特征在于，产生该警告信号，该警告信号包括：
一第一健康指标，指出该主因控制器于一过去时间的健康；
一第二健康指标，指出该主因控制器于一目前时间的健康；
该控制信号与该主因控制器的该感测信号；以及
一时间/空间事件分析结果于该多个控制器间，该多个控制器包括该主因控制器与该至少一阀。
18.如权利要求1所述的监测制造装置的方法，其特征在于，还包括：
基于该警告信号显示一警告信息于该制造装置的一显示接口。
19.如权利要求1所述的制造装置的方法，其特征在于，还包括：
传送该警告信号至一监测装置；及
基于该警告信号显示一警告信息于该监测装置的一用户接口。
20.一种制造系统，其特征在于，包括：
一制造装置包括一控制器；以及
一监测装置，包括：
一处理器；以及
一存储器，该存储器储存多个指令，多个指令由该处理器执行时，使该处理器：
于一预定时段内收集该控制器的一控制信号与该制造装置相对应的一感测信号；
将该控制信号与相对应的该感测信号作分割，得到至少一控制步骤；
根据该控制信号、该感测信号、至少一控制步骤或一用户手册所得的信息，的其中至少一项，计算该控制器的一特征；
根据该特征产生该控制器一健康指标；以及
在该健康指标超过一预定门槛值时，产生一警告信号。
21.如权利要求20所述的系统，其特征在于：
该制造装置包括多个控制器与至少一阀与该些控制器相连接；及
该多个指令使该处理器：
产生多个健康指标，该多个控制器具有对应的该健康指标；及
在两个或该多个健康指标超过相对应的多个预定门槛值时，基于空间/时间关系于该多个控制器与该至少一阀，辨认出一主因控制器。
22.一种设备用以监测一制造装置，其特征在于，包括：
一处理器；及
一存储器，该存储器储存多个指令，多个指令由该处理器执行时，使该处理器：
于一预定时段内收集一控制器的一控制信号与该制造装置相对应的一感测信号；
将该控制信号与相对应的该感测信号作分割，得到至少一控制步骤；
根据该控制信号、该感测信号、至少一控制步骤或一用户手册所得的信息，的其中至少一项，计算该控制器的一特征；
根据该特征产生该控制器一健康指标；及
在该健康指标超过一预定值时，产生一警告信号。
23.如权利要求22所述的装置，其特征在于：
该制造装置包括多个控制器与至少一阀与该些控制器相连接；及
该多个指令使该处理器：
产生多个健康指标，该多个控制器具有对应的该健康指标；及
在两个或该多个健康指标超过相对应的多个预定门槛值时，基于空间/时间关系于该多个控制器与该至少一阀，辨认出一主因控制器。
24.一种非暂存计算机可读储存媒介，使用于一计算机程序产品中，该计算机程序产品包括多个指令被配置使一计算设备执行一方法，其特征在于，包含：
于一预定时段内收集一控制器的一控制信号与该制造装置相对应的一感测信号；
将该控制信号与相对应的该感测信号作分割，得到至少一控制步骤；
根据至少一该控制信号、该感测信号、至少一控制步骤或一用户手册所得的信息，的其中至少一项，计算该控制器的一特征；
根据该特征产生该控制器一健康指标；以及
在该健康指标超过一预定门槛值时，产生一警告信号。
25.如权利要求24所述的非暂存计算机可读储存媒介，其特征在于：
该制造装置包括多个控制器与至少一阀与该多个控制器相关联；及
该多个指令被设定使该计算装置执行一方法，更进一步包括：
产生多个健康指标，该多个控制器具有对应的该健康指标；以及
在两个或该多个健康指标超过相对应的多个预定门槛值时，基于空间/时间关是于该多个控制器与该至少一阀辨认出一主因控制器。
CN201511005801.8A 2015-11-10 2015-12-29 监测制造装置的方法、装置、系统与计算机可读储存媒介 Active CN106681183B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/936,787 2015-11-10
US14/936,787 US10152879B2 (en) 2015-11-10 2015-11-10 Method, apparatus, and system for monitoring manufacturing equipment

Publications (2)

Publication Number Publication Date
CN106681183A true CN106681183A (zh) 2017-05-17
CN106681183B CN106681183B (zh) 2019-04-26

Family

ID=58663681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511005801.8A Active CN106681183B (zh) 2015-11-10 2015-12-29 监测制造装置的方法、装置、系统与计算机可读储存媒介

Country Status (3)

Country Link
US (1) US10152879B2 (zh)
CN (1) CN106681183B (zh)
TW (1) TWI578257B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021074800A1 (en) * 2019-10-16 2021-04-22 International Business Machines Corporation Model management for non-stationary systems

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10983507B2 (en) 2016-05-09 2021-04-20 Strong Force Iot Portfolio 2016, Llc Method for data collection and frequency analysis with self-organization functionality
US10866584B2 (en) 2016-05-09 2020-12-15 Strong Force Iot Portfolio 2016, Llc Methods and systems for data processing in an industrial internet of things data collection environment with large data sets
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US11237546B2 (en) 2016-06-15 2022-02-01 Strong Force loT Portfolio 2016, LLC Method and system of modifying a data collection trajectory for vehicles
TWI632441B (zh) 2017-01-20 2018-08-11 財團法人工業技術研究院 機台的預診斷方法及預診斷裝置
CA3072045A1 (en) 2017-08-02 2019-02-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment with large data sets
US10678233B2 (en) 2017-08-02 2020-06-09 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection and data sharing in an industrial environment
US10699040B2 (en) * 2017-08-07 2020-06-30 The Boeing Company System and method for remaining useful life determination
CN109521725A (zh) 2017-09-20 2019-03-26 西门子公司 检测异常数据的方法、装置和设备以及机器可读介质
CA3082398A1 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
TWI640933B (zh) * 2017-12-26 2018-11-11 中華電信股份有限公司 基於類神經網路之兩段式特徵抽取系統及其方法
CN111861050B (zh) * 2019-04-25 2024-02-20 富联精密电子(天津)有限公司 生产制程管控装置、方法及计算机可读存储介质
TWI761975B (zh) * 2020-09-29 2022-04-21 新加坡商鴻運科股份有限公司 機台製程參數的異常監測裝置、方法及可讀存儲介質

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3576485A (en) * 1969-05-05 1971-04-27 Gen Electric Fault detection circuit for the feedback of a control system
CN100468262C (zh) * 2003-11-19 2009-03-11 霍尼韦尔国际公司 利用小波分解对用于阀的可能故障指标进行识别的装置和方法
CN101943911A (zh) * 2008-12-23 2011-01-12 巴西航空有限公司 用于机电系统和组件的健康监控和预测
CN101960402A (zh) * 2008-02-29 2011-01-26 费希尔控制国际公司 过程控制参数在预定义的行程段上的估计
US20150220847A1 (en) * 2014-02-05 2015-08-06 Hitachi Power Solutions Co., Ltd. Information Processing Apparatus, Diagnosis Method, and Program

Family Cites Families (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3605909A (en) * 1963-01-11 1971-09-20 Jerome H Lemelson Tooling machine having surface sensing program starting
JPS6423341U (zh) * 1987-08-04 1989-02-07
US6272401B1 (en) * 1997-07-23 2001-08-07 Dresser Industries, Inc. Valve positioner system
US6466893B1 (en) * 1997-09-29 2002-10-15 Fisher Controls International, Inc. Statistical determination of estimates of process control loop parameters
JPH11294520A (ja) * 1998-04-08 1999-10-29 Canon Inc 除振装置、これを用いた露光装置およびデバイス製造方法、ならびに除振方法
US6205409B1 (en) 1998-06-26 2001-03-20 Advanced Micro Devices, Inc. Predictive failure monitoring system for a mass flow controller
US6326758B1 (en) * 1999-12-15 2001-12-04 Reliance Electric Technologies, Llc Integrated diagnostics and control systems
JP2000269108A (ja) * 1999-03-15 2000-09-29 Sharp Corp 半導体製造装置の管理システム
TWI247228B (en) 2000-10-17 2006-01-11 Brooks Automation Inc System and method for automated monitoring and assessment of fabrication facility
US6655408B2 (en) 2001-06-13 2003-12-02 Applied Materials, Inc. Tunable ramp rate circuit for a mass flow controller
US8799113B2 (en) 2001-12-28 2014-08-05 Binforma Group Limited Liability Company Quality management by validating a bill of materials in event-based product manufacturing
US6725167B2 (en) 2002-01-16 2004-04-20 Fisher Controls International Llc Flow measurement module and method
US7809473B2 (en) 2002-06-24 2010-10-05 Mks Instruments, Inc. Apparatus and method for pressure fluctuation insensitive mass flow control
US7010376B2 (en) * 2002-10-25 2006-03-07 Pulp And Paper Research Institute Of Canada Diagnostic for poorly tuned control loops
CA2512643A1 (en) * 2003-01-07 2004-07-29 Hach Company Classification of deviations in a process
WO2004094990A2 (en) 2003-04-22 2004-11-04 University Of South Florida Volumetric control apparatus for fluid dispensing
US7062411B2 (en) 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
DE10361636B4 (de) * 2003-12-30 2009-12-10 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zum Steuern des chemisch-mechanischen Polierens mittels eines seismischen Signals eines seismischen Sensors
JP4250552B2 (ja) * 2004-03-03 2009-04-08 株式会社東芝 製造装置管理システム、製造装置管理方法及びプログラム
US7184515B2 (en) * 2004-09-24 2007-02-27 Battelle Memorial Institute Component specific machine wear determination with x-ray fluorescence spectrometry
US7365611B2 (en) * 2005-06-01 2008-04-29 Semiconductor Energy Laboratory Co., Ltd. Element substrate, test method for element substrate, and manufacturing method for semiconductor device
EP1913506A4 (en) 2005-07-11 2008-08-13 Brooks Automation Inc INTELLIGENT STATUS MONITORING AND TROUBLESHOOTING SYSTEM FOR PREDICTIVE MAINTENANCE
US20070038889A1 (en) * 2005-08-11 2007-02-15 Wiggins Robert D Methods and systems to access process control log information associated with process control systems
US7272531B2 (en) * 2005-09-20 2007-09-18 Fisher-Rosemount Systems, Inc. Aggregation of asset use indices within a process plant
JP4091952B2 (ja) * 2005-09-27 2008-05-28 株式会社明電舎 信号の波形分析方法とそのプログラム及び信号の波形分析方法を使用した車両運転特性の解析方法とそのプログラム
WO2008007699A1 (en) * 2006-07-12 2008-01-17 Panasonic Corporation Audio decoding device and audio encoding device
US7536276B2 (en) 2006-07-27 2009-05-19 Siemens Buildings Technologies, Inc. Method and apparatus for equipment health monitoring
WO2008053839A1 (fr) 2006-11-02 2008-05-08 Horiba Stec, Co., Ltd. Mécanisme de diagnostic dans un régulateur de débit massique à pression différentielle
CN102354204B (zh) * 2007-03-22 2016-06-29 日本电气株式会社 诊断装置
JP5101581B2 (ja) 2009-08-25 2012-12-19 株式会社堀場エステック 流量制御装置
US8560106B2 (en) 2010-11-30 2013-10-15 Applied Materials, Inc. Predictive maintenance for third party support equipment
DE112012000548T5 (de) * 2011-01-24 2013-11-21 Abb Inc. Verfahren zum Analysieren und Diagnostizieren von Grossprozessautomatisierungs-Regelsystemen
TWI435233B (zh) 2011-03-14 2014-04-21 Powertech Technology Inc 半導體製程設備之異常預知管控裝置與方法
JP5573743B2 (ja) * 2011-03-22 2014-08-20 トヨタ自動車株式会社 車両データ解析装置、車両データ解析方法、及び故障診断装置
US20130080372A1 (en) 2011-07-27 2013-03-28 Tom Thuy Ho Architecture and methods for tool health prediction
JP5648157B2 (ja) * 2011-12-28 2015-01-07 株式会社日立ハイテクノロジーズ 半導体製造装置
KR101809923B1 (ko) * 2012-01-17 2017-12-20 엘지전자 주식회사 가전기기, 가전기기 진단장치 및 그 방법
JP5887188B2 (ja) 2012-04-12 2016-03-16 株式会社堀場エステック 流体制御用機器
JP5868796B2 (ja) 2012-07-03 2016-02-24 株式会社堀場エステック 圧力制御装置、流量制御装置、及び、圧力制御装置用プログラム、流量制御装置用プログラム
US8988238B2 (en) * 2012-08-21 2015-03-24 General Electric Company Change detection system using frequency analysis and method
CN102828980B (zh) * 2012-09-11 2015-04-29 中兴通讯股份有限公司 一种散热风扇控制装置及电子设备
GB201218209D0 (en) * 2012-10-10 2012-11-21 Univ Lancaster System state classifier
US10042357B2 (en) 2012-10-23 2018-08-07 Applied Materials, Inc. Portable, adaptable equipment health user interface
US9276622B2 (en) * 2013-03-14 2016-03-01 Qualcomm Incorporated Local oscillator (LO) generator with multi-phase divider and phase locked loop
US9007208B2 (en) 2013-06-12 2015-04-14 Sap Se Self-configuring system for real-time health monitoring of manufacturing equipment
WO2015111515A1 (ja) * 2014-01-21 2015-07-30 住友重機械工業株式会社 ショベルの管理装置、及び支援装置
CN103995229B (zh) 2014-05-21 2016-06-22 浙江工业大学 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法
FR3023628A1 (fr) * 2014-07-10 2016-01-15 Airbus Helicopters Procede et systeme de fusion d'indicateurs de surveillance d'un dispositif
US9977422B2 (en) * 2014-07-28 2018-05-22 Computational Systems, Inc. Intelligent configuration of a user interface of a machinery health monitoring system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3576485A (en) * 1969-05-05 1971-04-27 Gen Electric Fault detection circuit for the feedback of a control system
CN100468262C (zh) * 2003-11-19 2009-03-11 霍尼韦尔国际公司 利用小波分解对用于阀的可能故障指标进行识别的装置和方法
CN101960402A (zh) * 2008-02-29 2011-01-26 费希尔控制国际公司 过程控制参数在预定义的行程段上的估计
CN101943911A (zh) * 2008-12-23 2011-01-12 巴西航空有限公司 用于机电系统和组件的健康监控和预测
US20150220847A1 (en) * 2014-02-05 2015-08-06 Hitachi Power Solutions Co., Ltd. Information Processing Apparatus, Diagnosis Method, and Program

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021074800A1 (en) * 2019-10-16 2021-04-22 International Business Machines Corporation Model management for non-stationary systems
GB2603682A (en) * 2019-10-16 2022-08-10 Ibm Model management for non-stationary systems
GB2603682B (en) * 2019-10-16 2023-10-04 Ibm Model management for non-stationary systems
US11954615B2 (en) 2019-10-16 2024-04-09 International Business Machines Corporation Model management for non-stationary systems

Also Published As

Publication number Publication date
US10152879B2 (en) 2018-12-11
US20170132910A1 (en) 2017-05-11
CN106681183B (zh) 2019-04-26
TWI578257B (zh) 2017-04-11
TW201717144A (zh) 2017-05-16

Similar Documents

Publication Publication Date Title
CN106681183A (zh) 监测制造装置的方法、装置、系统与计算机可读储存媒介
CN103019094B (zh) 使用多阶段数据分离的推理过程建模、质量预测及故障检测
TWI543102B (zh) 異因分析與校正方法與系統
US9804588B2 (en) Determining associations and alignments of process elements and measurements in a process
CN106296435B (zh) 一种矿井瓦斯监测异常数据识别方法
CN106845526B (zh) 一种基于大数据融合聚类分析的关联参数故障分类方法
Jiang et al. Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring
CN106796419A (zh) 用于过程控制系统分析的数据管道
CN106796157A (zh) 检测配送网络、特别是饮用水配送网络中的异常的方法
JP2007249997A (ja) 工業プロセスの監視方法及び監視システム
CN103901880A (zh) 基于多分类器和d-s证据融合的工业过程故障检测方法
CN107153409A (zh) 一种基于缺失变量建模思路的非高斯过程监测方法
CN109155018A (zh) 用于kpi性能分析的具有无约束因变量的mpc
JP2015011027A (ja) 時系列データにおける異常を検出する方法
CN115630839A (zh) 一种基于数据挖掘的生产智能反馈调控系统
CN110503133A (zh) 一种基于深度学习的离心式压缩机故障预测方法
CN106354125A (zh) 一种利用分块pca检测化工过程故障的方法
CN107346122A (zh) 改进模糊支持向量机的制造过程多元质量诊断分类器
CN100461043C (zh) 工业聚丙烯生产熔融指数检测故障诊断系统及方法
EP3252557B1 (en) Method for detection of diagnosing control valve stiction
Stief et al. Process and alarm data integration under a two-stage Bayesian framework for fault diagnostics
CN104133437B (zh) 连续型化工装置及其绩效指标实时评价方法和装置
CN108052087A (zh) 基于信息熵的制造过程多元质量诊断分类器
WO2017046906A1 (ja) データ分析装置および分析方法
CN107203198A (zh) 改进的制造过程多元质量诊断分类器

Legal Events

Date Code Title Description
PB01 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