CN108268689B - 加热元件的状态诊断与评估方法及其应用 - Google Patents

加热元件的状态诊断与评估方法及其应用 Download PDF

Info

Publication number
CN108268689B
CN108268689B CN201710101147.3A CN201710101147A CN108268689B CN 108268689 B CN108268689 B CN 108268689B CN 201710101147 A CN201710101147 A CN 201710101147A CN 108268689 B CN108268689 B CN 108268689B
Authority
CN
China
Prior art keywords
heating element
resistance
diagnosing
sequence
under test
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.)
Active
Application number
CN201710101147.3A
Other languages
English (en)
Other versions
CN108268689A (zh
Inventor
古宏麒
谢宗融
许耀中
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 CN108268689A publication Critical patent/CN108268689A/zh
Application granted granted Critical
Publication of CN108268689B publication Critical patent/CN108268689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B1/00—Details of electric heating devices
    • H05B1/02—Automatic switching arrangements specially adapted to apparatus ; Control of heating devices
    • H05B1/0227—Applications
    • H05B1/023—Industrial applications
    • H05B1/0233—Industrial applications for semiconductors manufacturing
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

一种加热元件的状态诊断与评估方法，包括下述步骤：首先，收集一受测加热元件的多个历史操作数据。其中，每一笔操作数据都包括一温度、一操作次序和一电阻值。接着，撷取这些历史操作数据中对应一段温度区间的多个区段历史操作数据，得出一条电阻‑操作次序特征曲线。然后，根据电阻‑操作次序特征曲线判断受测加热元件是否失效、预测受测加热元件的后续操作是否失效或预测受测加热元件的剩余寿命。

Description

加热元件的状态诊断与评估方法及其应用
技术领域
本发明涉及于一种工艺元件的状态诊断和失效预测方法及其应用。
背景技术
在半导体及其他电子元件制造业中，工艺中加热机台的加热元件的温度配方，一般是按照加热元件温度与电流或电压的线性关系来加以设定。然而，随着工艺配方种类多样化与复杂化，不易对每道工艺进行全面监控，且无法明确知道当前加热元件的生命状态是否已达需更换的标准。若在加热元件尚未达更换标准前即予以提前更换，会产生成本浪费问题，若是已达更换标准却未进行更换，又可能造成工艺失效等问题。
因此，有需要提供一种先进的加热元件状态诊断和失效预测方法及其应用，来估测加热元件的余寿命与更换时点，解决现有技术所面临的问题。
发明内容
本说明书中的一实施例是提供一种加热元件的状态诊断与评估方法，包括下述步骤：首先，收集一受测加热元件的多个历史操作数据。其中，每一笔操作数据都包括一温度、一操作次序(run)和一电阻值。接着，撷取这些历史操作数据中对应一段温度区间的多个区段历史操作数据，得出一条电阻-操作次序特征曲线。然后，根据再对电阻-操作次序特征曲线判断受测加热元件是否失效、预测受测加热元件的后续操作是否失效或预测受测加热元件的剩余寿命(Remaining Useful Life，RUL)。
本说明书中的另一实施例是在提供一种非暂时性计算机可读介质。此非暂时性计算机可读介质储存了多个指令，当这些指令被读取时，会执行如前所述的加热元件的状态诊断和失效预测方法。
附图说明
为了对本说明书上述实施例及其他目的、特征和优点能更明显易懂，特列举多个较佳实施例，并配合所附附图，作详细说明如下：
图1为根据本说明书的一实施例所绘示的一种加热元件的状态诊断与评估方法的流程图；
图2A为根据本说明书的一实施例绘示由受测加热元件一次操作工艺中的一笔历史操作数据所作成的单位电流/时间和温度/时间关系曲线图；
图2B为根据本说明书的一实施例绘示由受测加热元件一次操作工艺中的一笔历史操作数据所作成的单位电压/时间和温度/时间关系曲线图；
图3A为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电流-操作次序关系曲线；
图3B为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电压-操作次序关系曲线；
图3C为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电阻-操作次序关系曲线；
图3D为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电功率-操作次序关系曲线；
图3E为根据本说明书的一实施例分别绘示多个相同加热元件的多条温度-操作次序关系曲线；
图4为根据本说明书的一实施例所绘示的一种可用来诊断受测热元件目前的操作状态，并预测受测加热元件的后续操作是否会失效，以及受测加热元件的剩余寿命的单位电阻-操作次序特征曲线；
图5为根据本说明书的一实施例绘示以加热元件单位电阻-时间特征曲线作为健康趋势曲线进行准确性评估的方法；
图6为根据本说明书的一实施例绘示以加热元件单位电阻-时间特征曲线来对故障预测进行准确性评估的方法；以及
图7A至图7C为根据本说明书的一实施例所绘示的单位电阻-操作次序训练特征曲线和受测加热元件单位电阻-操作次序特征曲线的指数函数拟合模型。
【附图标记说明】
S1：获取至少一个受测加热元件的历史操作数据
S2：撷取历史操作数据中对应一个温度区间的多个区段操作数据
S3：以区段操作数据制作电阻-操作次序特征曲线
S41：对受测加热元件进行状态诊断
S42：对受测加热元件进行故障预测
S43：预测受测加热元件的剩余寿命
S5：发布警报通知操作人员，更换受测加热元件
201：单位电流-时间的关系曲线
202：时间-温度关关系曲线
203：单位电压-时间关系曲线
301、302、303：单位电流-操作次序关系曲线
311、312、313：单位电压-操作次序关系曲线
321、322、323：单位电阻-操作次序关系曲线
331、332、333：单位电功率-操作次序关系曲线
341、342、343：温度-操作次序关系曲线
401、704：受测加热元件的单位电阻-操作次序特征曲线
402：警告阈值电阻值 403：最后一个操作次序
601：正常区域 602：警告区域
701、702：参考加热元件的单位电阻-操作次序回归曲线
703：受测加热元件的特征曲线
701a、702a：参考加热元件的单位电阻-操作次序回归曲线的曲线段落
具体实施方式
本说明书所公开的实施例是有关于一种加热元件的状态诊断和失效预测方法及其应用，可用来估测加热元件的剩余寿命与更换时点，解决工艺中因提前更换或未实时更换加热元件所造的成本浪费或工艺失效的问题。为让本发明上述目的、特征和优点能更明显易懂，特列举多个较佳实施例，并配合所附附图详细描述如下。
但必须注意的是，这些特定的实施案例与方法，并非用以限定本发明。本发明仍可采用其他特征、元件、方法及参数来加以实施。较佳实施例的提出，仅用以例示本发明的技术特征，并非用以限定本发明的申请专利范围。本领域技术人员将可根据以下说明书的描述，在不脱离本发明的精神范围内，作均等的修饰与变化。在不同实施例与附图之中，相同的元件，将以相同的元件符号加以表示。
请参照图1，图1为根据本说明书的一实施例所绘示的一种对加热元件进行状态诊断与评估方法的流程图。加热元件的状态诊断与评估的方法包括下述步骤：
首先获取要进行健康状态评估诊断与评估的加热元件(以下简称受测加热元件)的历史操作数据(如图1步骤S1所示)。例如在本说明书的一些实施例中，可以通过记录受测加热元件在相同或不同工艺中所产生的工艺参数，来获取这些历史操作参数。其中，受测加热元件可以是半导体辐射型加热器中的电阻式加热元件，例如线圈加热元件。
在本实施例之中，可以采用实时监控(real-time monitoring)的方式，侦测受测加热元件，从开始使用至失效更换期间，每一次加热工艺中所产生的所有操作参数值，例如电流、电压、电阻、电功率和温度等。并将这些操作参数值记录于计算机数据库系统之中。通过得到受测加热元件各项工艺参数(电流、电压、电阻、电功率和感测温度)对应时间序列(秒)的历史操作数据。
例如请参照图2A和图2B，图2A为根据本说明书的一实施例绘示由受测加热元件一次操作工艺中的一笔历史操作数据所作成的单位电流/时间和温度/时间关系曲线图。图2B为根据本说明书的一实施例绘示由受测加热元件一次操作工艺中的一笔历史操作数据所作成的单位电压/时间和温度/时间关系曲线图。其中，横轴为操作时间(秒)；纵轴是电流(如图2A所绘示)、电压(如图2B所绘示)和感测温度的参数值。图2A中的曲线201代表受测加热元件在一次加热工艺中的单位电流-时间关系曲线；曲线202代表受测加热元件在一次加热工艺中的时间-温度关关系曲线。图2B中的曲线203代表受测加热元件在一次加热工艺中的单位电压-时间关系曲线。
累积足够多笔包含有不同操作参数(电流、电压、电阻、电功率和感测温度)的历史操作数据之后，可以从计算机数据库系统中撷取历史操作数据中对应一个温度区间的多个区段操作数据(如图1步骤S2所示)。例如在本说明书的一些实施例之中，可利用档案读取方式，通过数据撷取卡界面存取数据库系统，以取得受测加热元件在特定温度段中包含不同操作参数(电流、电压、电阻、电功率和感测温度)和时间的多个历史数据。例如，在本说明书的一些实施例中，特定温度段可以是温差介于1℃至150℃之间的一段升温温度区间。在本实施例中，是撷取受测加热元件在升温温度区段，例如1250℃至1300℃之间，包含不同操作参数(电流、电压、电阻、电功率和感测温度)和时间的多笔历史数据。
之后，针对受测加热元件的不同操作参数分别绘示出一条操作参数-时间历史关系曲线(未绘示)。再以每一次加热工艺的时间间隔为单位，将横轴的时间序列区隔成多个操作次序(run)。并将受测加热元件对应于该温度区段的同一操作次序中的相同操作参数值(例如电流、电压、电阻、电功率)加以平均，以得出各种参数(电流、电压、电阻、电功率和感测温度)在该温度区段中分别对应不同操作次序的多个平均值，进而分别构成一条操作参数-操作次序关系曲线。
例如请参照图3A至图3E。图3A为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电流-操作次序关系曲线301、302和303；图3B为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电压-操作次序关系曲线311、312和313；图3C为根据本说明书的一实施例分别绘示多个相同加热元件的多条单位电阻-操作次序关系曲线321、322和323；图3D为根据本说明书的一实施例分别绘示多个相同加热元件的多条电功率-操作次序关系曲线331、332和333；以及图3E为根据本说明书的一实施例分别绘示多个相同加热元件的多条温度-操作次序关系曲线341、342和343。
观察图3A至图3E所绘示的不同操作参数(电流、电压、电阻、电功率和感测温度)相对于操作次序的历史关系曲线可以发现，相同加热元件之间的单位电阻-操作次序关系曲线321、322和323具有最一致的变化趋势。因此，当要对受测加热元件进行健康状态评估诊断与评估时，可以采用加热元件的电阻-操作次关系曲线为基准来制作受测加热元件的特征曲线(如图1步骤S3所示)，以诊断受测热元件目前的操作状态，并预测受测加热元件的后续操作是否会失效，以及受测加热元件的剩余寿命。
图4为根据本说明书的一实施例所绘示的一种可用来诊断受测热元件目前的操作状态，并预测受测加热元件的后续操作是否会失效，以及受测加热元件的剩余寿命的单位电阻-操作次序特征曲线401。在本说明书的一些实施例之中，形成单位电阻-操作次序特征曲线401的步骤，包括对受测热元件的电阻-操作次序关系曲线进行数据平滑处理(smoothing)处理。在本实施例中，是采用移动平均(Moving average，MA)法来对受测热元件的单位电阻-操作次序关系曲线进行数据平滑处理。
诊断受测加热元件目前操作状态(如图1步骤S41所示)的方法包括下述步骤：首先，假设加热元件最后一个操作次序403(即故障更换时点)的电阻值大于某一警告阈值(alarm threshold)电阻值402(以标号1表示)；且其他操作次序的电阻值小于警告阈值电阻值402(以标号0表示)为真(如图5所绘示)。当受测加热元件最后一个操作次序的电阻值大于警告阈值电阻值402时，判定为真阳性(True Positive，TP)；当受测加热元件的电阻值不符合上述假设时，则判定为伪阳性(False Positive，FP)；并以操作次序的总数为分母，以真阳性和伪阳性的个数为分子计算出符合上述假设的真阳性率(True Positive Rate，TPR)以及伪阳性率(FPR，false positive rate)，作为评估受测加热元件健康状态的基准。
采用格点搜寻(grid search)对受测加热元件的特征曲线401进行优化(optimization)，以真阳性率(TPR)以及伪阳性率(FPR)作为绩效(performance)指标，通过测试所有可能的参数组合，从中找出一组能够获得最佳绩效(performance)的参数，以决定出此一警告阈值电阻值402。
在本实施例中，具有最好的真阳性率(TPR)以及伪阳性率(FPR)参数的电阻值为0.192奥姆(Ω)。当受测加热元件目前所量测到的电阻值高于警告阈值电阻值402时，则可发布警报通知操作人员，更换受测加热元件(如图1步骤S5所示)。
在本说明书的一些实施例中，分别采用三个不同受测加热元件(机台1、机台2和机台3)来进行操作状态的诊断。另外也可根据前述方法，将不同受测加热元件的历史数据中的其他参数(例如电压、电功率、电流和温度)分别做成，单位电压-操作次序特征曲线、单位电功率-操作次序特征曲线、单位电流-操作次序特征曲线和温度-操作次序特征曲线(未绘示)当作比较例，并且对这些比较例进行受测加热元件操作状态的诊断，以评估采用不同参数进行受测加热元件操作状态诊断的准确率。评估结果如表1所示：
表1
Figure BDA0001231405380000071
由表1可以发现，以单位电阻-操作次序特征曲线401对受测加热元件的进行操作状态诊断时，每一个受测加热元件的真阳性率(TPR)皆为100％，且伪阳性率(FPR)小于3％。对比于表2的其他比较例，机台1、机台2和机台3之间的阳性率(TPR)和伪阳性率(FPR)数值差距相当大。仅有单位电流-操作次序特征曲线和单位电压-操作次序特征曲线的真阳性率高过60％；且所有比较例的伪阳性率皆高于15％以上；单位电流-操作次序特征曲线、单位电压-操作次序特征曲线和温度-操作次序特征曲线的伪阳性率甚至高于50％。显示，采用单位电阻-操作次序特征曲线401来对受测加热元件进行操作状态诊断，具有较高的再现性和准确率。
另外，可以对受测加热元件进行故障预测(如图1步骤S42所示)。在本说明书的一些实施例中，可以采用回归(regression)与分类(classification)算法，例如逻辑回归(Logistic Regression，LR)算法、随机森林(Random Forest，RF)算法、支持向量机(Support Vector Machine，SVM)算法或自回归积分滑动平均(AutoregressiveIntegrated Moving Average，ARIMA)算法，来对受测加热元件进行故障预测。其步骤详述如下：
首先，以受测加热元件历史数据中的电阻值和操作次序为基础建立一个模型，此模型可是回归模型或分类模型，逐次地预测受测加热元件下一次操作次序的预测电阻值，再以预测电阻值是否会超过特征曲线401的警告阈值电阻值402来，来判断受测加热元件在下一个操作次序时是否会发生损坏故障或是仍保持健康。当受测加热元件的预测电阻值高于警告阈值电阻值402时，即表示受测加热元件将在下一次操作次序中失效。可发布警报通知操作人员，更换受测加热元件(如图1步骤S5所示)。
采用回归模型或分类模型来进行故障预测的准确度，可采用下述方法进行评估，故障预测准确度的评估方法包括下述步骤：首先，假设受测加热元件总操作次序(由开始操作至元件失效之间操作次数的总合)的前98％为正常区域601；受测加热元件的电阻值皆小于特征曲线401的警告阈值电阻值402(以标号0表示)；且受测加热元件在最后2％个操作次序为警告区域602，受测加热元件的电阻值皆大于特征曲线401的警告阈值电阻值402(以标号1表示)为真(如图6所绘示)。
然后，将逐次预测所得的预测电阻值代入此一假设之中。当位于警告区域602中的预测电阻值只要有一个以上大于警告阈值电阻值402时，即判定为真阳性(TP)；当位于正常区域601中的预测电阻值大于警告阈值电阻值402时，即判定为伪阳性(FP)。并以预测加热元件操作次序的总数为分母，以真阳性和伪阳性的个数为分子计算出符合上述假设的真阳性率(TPR)以及伪阳性率(FPR)。作为各种回归模型或分类模型故障预测准确度的评估标准。
在本实施例中，分别采用逻辑回归算法、随机森林算法、支持向量机算法和自回归积分滑动平均算法来建立回归模型或分类模型，来预测三个受测加热元件(机台1、机台2和机台3)下一次操作次序的预测电阻值，并进一步评估采用不同算法进行故障预测的准确性，故障预测准确性的评估结果如表2所述：
表2
Figure BDA0001231405380000091
根据表2所述的故障预测结果可知，以采用自回归积分滑动平均模式来进行故障预测，具有最佳的准确性。在本说明书的一些实施例之中，还可以一种采用集成学习(Ensemble Learning)概念，通过投票机制来选择采用不同算法逐次预测所得的预测结果，将预测结果整合成一个集成的预测结果(Ensemble)。在本实施例之中，是采用多数表决(Plurality Voting)的方式，来选择每一次预测所得的预测结果。通过此一集成学习方法，可以让故障预测的真阳性率(TPR)提高至100％以及将伪阳性率(FPR)降低至小于3％(如表2所述)。
在本说明书的另一些实施例之中，也可以采用分类技术(classification)来对受测加热元件进行故障预测。首先，根据受测加热元件过去的历史数据，以电压值及操作次序作为数据特征(Feature)，并以受测加热元件在某一个操作次序是否失效作为预测目标(label)，采用二分类(binary classification)的方式建立一个训练模型(trainingmodel)。接着，再将受测加热元件在目前操作次序的电阻值以及在前一次操作次序的电阻值代入到这个训练模型中，即可以预测下一个操作次序是否会损坏故障或是健康。
通过多个参考加热元件的历史操作数据所建构的特征曲线也可用来预测受测加热元件的剩余寿命(如图1步骤S42所示)。在本说明书的一些实施例中，受测加热元件的剩余寿命预测方法包括下述步骤：首先，获取多个参考加热元件过去的历史数据。并分别针对每一个参考加热元件历史数据中的多个电阻值和与其相对应的操作次序建构一个指数回归模型(exponential regression model)，得出每个参考加热元件的单位电阻-操作次序训练特征曲线701和702。接着，以同样的方式，对受测加热元件到目前为止的历史资料中多个电阻值和与其相对应的操作次序来建构出一条受测加热元件的单位电阻-操作次序的特征曲线703。
详细来说，首先获取多个参考加热元件过去的历史数据。并分别针对每一个参考加热元件历史数据中的多个电阻值和与其相对应的操作次序建构一个指数回归模型(exponential regression model)，得出每个参考加热元件的单位电阻-操作次序回归曲线701和702。对受测加热元件到目前为止的历史资料中多个电阻值和与其相对应的操作次序的特征曲线703，通过相似度比对方法，例如计算欧氏距离(Euclidean distance)，从所有参考加热元件的单位电阻-操作次序回归曲线701和702中寻找与受测加热元件的特征曲线703最相似的某些曲线段落701a和702a(如图7A和图7B所绘示)。并由参考加热元件的单位电阻-操作次序回归曲线701和702的曲线段落701a和702a得到相对应的参考剩余寿命(如图7C所绘示)。后续，再将所有参考剩余寿命取加权平均，得到最终的剩余寿命预测值。其中，参考加热元件的单位电阻-操作次序回归曲线701和702的曲线段落701a和702a并不限定为两个。在本说明书的一些实施例中，参考加热元件的单位电阻-操作次序回归曲线701和702的曲线段落701a和702a可有多个。
在本说明书的一些实施例之中，可以将前述加热元件的状态诊断和失效预测方法，内建于非暂时性计算机可读介质(non-transitory computer-readable medium)，例如硬盘、软盘、只读记忆光盘(Compact Disc Read-Only Memory，CD-ROM)等计算机可读取记录媒体，之中。此非暂时性计算机可读介质可以储存多个指令，当这些指令被读取时，会执行如前述的加热元件的状态诊断和失效预测方法。
根据上述，本说明书的实施例是公开一种加热元件的状态诊断与评估方法及其应用。其以至少一个参考加热元件的历史操作数据为基础，撷取这些历史操作数据中对应一段温度区间的区段电阻值，建构出一条电阻-操作次序特征曲线，来诊断一个受测加热元件目前的操作状态，并预测受测加热元件的后续操作是否会失效，以及受测加热元件的剩余寿命。通过通知操作人员适时更换受测加热元件，解决工艺中因提前更换或未实时更换加热元件所造的成本浪费或工艺失效的问题。
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，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 (13)

1.一种加热元件的状态诊断与评估方法，其特征在于，包括：
获取一受测加热元件的多个历史操作数据，每一所述操作数据包括一温度、一操作次序和一电阻值；
撷取所述历史操作数据中对应一温度区间的多个区段历史操作数据，得出一电阻-操作次序特征曲线，其中包括：
对该受测加热元件进行一实时监控使所述历史操作数据的该电阻值对应一时间序列；
以该受测加热元件的一加热工艺的一时间间隔为单位，将该时间序列区隔成多个操作次序；以及
将对应于所述操作次序的同一者的多个电阻值加以平均，使每一所述操作次序具有一平均电阻值；以及
根据该电阻-操作次序特征曲线，判断该受测加热元件是否失效，预测该受测加热元件的一后续操作是否失效或预测该受测加热元件的一剩余寿命。
2.如权利要求1所述的加热元件的状态诊断与评估方法，其特征在于其中得到该电阻-操作次序特征曲线的步骤，还包括对每一所述操作次序的该平均电阻值进行一数据平滑处理。
3.如权利要求2所述的加热元件的状态诊断与评估方法，其特征在于其中该数据平滑处理包括移动平均法。
4.如权利要求1所述的加热元件的状态诊断与评估方法，其特征在于其中该温度区间为一升温温度区间，且该升温温度区间具有介于1℃至150℃之间的一温差。
5.如权利要求1所述的加热元件的状态诊断与评估方法，其特征在于还包括：
对该电阻-操作次序特征曲线进行一优化，以决定出一警告阈值电阻值；以及
根据该警告阈值电阻值决定该受测加热元件是否失效。
6.如权利要求5所述的加热元件的状态诊断与评估方法，其特征在于其中该优化包括一格点搜寻。
7.如权利要求5所述的加热元件的状态诊断与评估方法，其特征在于其中判断该后续操作是否失效的步骤包括：
根据该电阻-操作次序特征曲线获得一预测电阻值；以及
根据该预测电阻值和该警告阈值电阻值，判断该后续操作是否失效。
8.如权利要求7所述的加热元件的状态诊断与评估方法，其特征在于其中得出该电阻-操作次序特征曲线的步骤，包括以所述历史操作数据建立一模型。
9.如权利要求8所述的加热元件的状态诊断与评估方法，其特征在于其中该模型为一回归模型或一分类模型。
10.如权利要求8所述的加热元件的状态诊断与评估方法，其特征在于其中该模型基于一逻辑回归算法、一随机森林算法、一支持向量机算法和一自回归积分滑动平均算法的其中至少一项。
11.如权利要求1所述的加热元件的状态诊断与评估方法，其特征在于其中得出该电阻-操作次序特征曲线的步骤，包括采用一二分类算法，根据所述历史操作数据建立一训练模型。
12.如权利要求1所述的加热元件的状态诊断与评估方法，其特征在于其中预测该受测加热元件的该剩余寿命的步骤，包括：
以多个参考加热元件的多个历史操作数据得出多条电阻-操作次序训练特征曲线；以及
采用一指数函数拟合算法型，选择所述电阻-操作次序训练特征曲线中至少一者与该电阻-操作次序特征曲线对应。
13.一种非暂时性计算机可读介质，其特征在于储存多个指令，当所述指令被读取时，会执行如权利要求1至12之一所述的加热元件的状态诊断与评估方法。
CN201710101147.3A 2016-12-30 2017-02-23 加热元件的状态诊断与评估方法及其应用 Active CN108268689B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW105144213A TWI634447B (zh) 2016-12-30 2016-12-30 加熱元件的狀態診斷與評估方法及其應用
TW105144213 2016-12-30

Publications (2)

Publication Number Publication Date
CN108268689A CN108268689A (zh) 2018-07-10
CN108268689B true CN108268689B (zh) 2021-11-26

Family

ID=62711606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710101147.3A Active CN108268689B (zh) 2016-12-30 2017-02-23 加热元件的状态诊断与评估方法及其应用

Country Status (3)

Country Link
US (1) US10698397B2 (zh)
CN (1) CN108268689B (zh)
TW (1) TWI634447B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850258B (zh) 2018-07-26 2022-03-22 台达电子工业股份有限公司 功率元件失效判断方法及其电子装置
TWI704359B (zh) * 2018-07-26 2020-09-11 台達電子工業股份有限公司 功率元件失效判斷方法及其電子裝置
CN109711453B (zh) * 2018-12-21 2022-05-13 广东工业大学 一种基于多变量的设备动态健康状态评估方法
CN110794232A (zh) * 2019-10-28 2020-02-14 常州联德电子有限公司 陶瓷加热器性能的评估方法
CN114819242A (zh) * 2021-01-28 2022-07-29 联华电子股份有限公司 考虑整体特征与局部特征的半导体工艺预测方法与装置
CN113763667B (zh) * 2021-08-16 2023-07-25 镇江默勒电器有限公司 一种基于5g边缘计算的火灾预警及状态监测装置及方法
CN114018612B (zh) * 2021-09-28 2024-02-23 彩虹显示器件股份有限公司 一种基板玻璃通道辅助加热器寿命预警方法及系统
CN114088416B (zh) * 2021-11-19 2023-12-08 一汽解放汽车有限公司 液力缓速器消音器故障诊断方法、装置及计算机设备
CN116520817B (zh) * 2023-07-05 2023-08-29 贵州宏信达高新科技有限责任公司 基于高速公路的etc系统运行状态实时监控系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183404A1 (en) * 2007-01-13 2008-07-31 Arsalan Alan Emami Monitoring heater condition to predict or detect failure of a heating element
CN103198207A (zh) * 2012-01-09 2013-07-10 霍尼韦尔国际公司 诊断算法参数优化
CN103577887A (zh) * 2012-07-20 2014-02-12 郑芳田 标的装置的基底预测保养方法
CN105137242A (zh) * 2015-09-09 2015-12-09 南京航空航天大学 单相光伏逆变器在线状态监测与剩余寿命预测方法
US20160349293A1 (en) * 2015-05-28 2016-12-01 Intel Corporation Apparatus and method for condition monitoring of multiple electrical sub-systems

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5420571A (en) 1994-01-11 1995-05-30 Honeywell Inc. Switch with end of life prediction capability
JP3056661B2 (ja) 1994-12-27 2000-06-26 シャープ株式会社 ヒータ制御装置
JP3283716B2 (ja) 1995-04-07 2002-05-20 シャープ株式会社 ヒータ制御装置
US5945471A (en) 1995-11-30 1999-08-31 Dow Corning Toray Silicone Co., Ltd. Composite cured silicone powder and method for the preparation thereof
US5756568A (en) 1995-11-30 1998-05-26 Dow Corning Toray Silicone Co., Ltd. Composite cured silicone powder and method for the preparation thereof
US6336083B1 (en) 1999-05-21 2002-01-01 Watlow Electric Manufacturing Company Method and apparatus for predicting heater failure
US6775624B2 (en) 2001-10-19 2004-08-10 International Business Machines Corporation Method and apparatus for estimating remaining life of a product
US7406644B2 (en) 2006-03-30 2008-07-29 Tokyo Electron Limited Monitoring a thermal processing system
JP4326570B2 (ja) 2007-04-17 2009-09-09 東京エレクトロン株式会社 ヒータ素線の寿命予測方法，熱処理装置，記録媒体，ヒータ素線の寿命予測処理システム
JP5056549B2 (ja) 2008-04-04 2012-10-24 日亜化学工業株式会社 光半導体素子の寿命予測方法および光半導体素子の駆動装置
US8423484B2 (en) * 2009-01-23 2013-04-16 Oxfordian, Llc Prognostics and health management method for aging systems
EP2544124A1 (en) 2011-07-04 2013-01-09 Sabirmedical, S.L. Methods and systems for non-invasive measurement of glucose levels
US20140188405A1 (en) 2012-12-28 2014-07-03 International Business Machines Corporation Predicting a time of failure of a device
CN105678295B (zh) 2016-01-04 2019-03-19 武汉科技大学 基于roi平均图像分析的燃气加热炉火焰实时监测方法
CN105759207B (zh) 2016-05-06 2018-10-02 上海海事大学 一种基于m-ekf算法的海流发电机绝缘系统故障检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183404A1 (en) * 2007-01-13 2008-07-31 Arsalan Alan Emami Monitoring heater condition to predict or detect failure of a heating element
CN103198207A (zh) * 2012-01-09 2013-07-10 霍尼韦尔国际公司 诊断算法参数优化
CN103577887A (zh) * 2012-07-20 2014-02-12 郑芳田 标的装置的基底预测保养方法
US20160349293A1 (en) * 2015-05-28 2016-12-01 Intel Corporation Apparatus and method for condition monitoring of multiple electrical sub-systems
CN105137242A (zh) * 2015-09-09 2015-12-09 南京航空航天大学 单相光伏逆变器在线状态监测与剩余寿命预测方法

Also Published As

Publication number Publication date
CN108268689A (zh) 2018-07-10
TW201824040A (zh) 2018-07-01
US10698397B2 (en) 2020-06-30
US20180188719A1 (en) 2018-07-05
TWI634447B (zh) 2018-09-01

Similar Documents

Publication Publication Date Title
CN108268689B (zh) 加热元件的状态诊断与评估方法及其应用
JP6815480B2 (ja) 時系列内の前兆部分列を発見する方法及びシステム
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
TWI632443B (zh) 異常資料的重要度判定裝置以及異常資料的重要度判定方法
CN110794227B (zh) 故障检测方法、系统、设备及存储介质
JP6774636B2 (ja) 異常分析方法、プログラムおよびシステム
US8494807B2 (en) Prognostics and health management implementation for self cognizant electronic products
TWI646414B (zh) 不良原因推定裝置以及不良原因推定方法
JP2019185422A (ja) 故障予知方法、故障予知装置および故障予知プログラム
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP2015059933A (ja) 二次電池の異常診断装置及び異常診断方法
CN112101666A (zh) 一种故障预测方法、装置、可读存储介质和计算机设备
JP6164311B1 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN114323671A (zh) 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
CN111400850A (zh) 设备故障分析方法、装置、设备和存储介质
JP6135192B2 (ja) 時系列データの異常監視装置、異常監視方法及びプログラム
JP7170564B2 (ja) モータ劣化傾向監視システム
JP2016177676A (ja) 診断装置、診断方法、診断システムおよび診断プログラム
US20150347213A1 (en) Apparatus and method for system monitoring
EP3754446A1 (en) Method and assistance system for detecting an abnormal behaviour of a device
CN117829002B (zh) 电力线缆的老化诊断监测方法及系统
JP6213655B2 (ja) 時系列データの異常監視装置、異常監視方法及びプログラム
KR101581425B1 (ko) 제품 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
CN118521159A (zh) 基于深度学习的用电信息采集终端质量检测方法及系统

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