CN108829933B - 一种半导体制造设备的预测性维护与健康管理的方法 - Google Patents

Abstract

本发明涉及半导体制造的智能维护领域，公开了一种半导体制造设备的预测性维护与健康管理的方法，包括建模策略模块、模型训练模块和故障预测模块，建模策略模块确定设备的关键组件与建模策略，模型训练模块仅利用健康状态数据训练关键组件的模型，故障预测模块根据实时数据更新模型并实时预测关键故障类型；建模策略模块输出需要进行预测性维护的关键组件，以及应该作为预测性维护目标的关键故障模式，作为模型训练模块的输入，模型训练模块对所选关键性组件的关键故障训练模型，最终由故障预测模块建立模型成长的体系进行故障预测。

Description

一种半导体制造设备的预测性维护与健康管理的方法

技术领域

本发明涉及半导体制造的智能维护领域领域，尤其涉及一种半导体制造设备预测性维护与健康管理的方法。

背景技术

当前，为了保证半导体产品的高良率，半导体制造行业的维护普遍依赖基于时间的预防性维护策略(PM)。成功的预防性维护策略虽然能够有效的保证高水平的设备 稼动率，可是其缺点同样明显，尤其是在半导体产业这样产品设计越来越复杂、设备 越来越昂贵的大背景下。其缺点之一，是预防性维护的成本极高。预防性维护策略为 了保证设备的高可靠性，会将维护时间间隔缩短得显著小于平均故障间隔时间 (MTBF)。频繁的停机维护导致用户失去了原本可以用来的生产的时间，造成了效率 下降；同时，所更换的零件可能仍然处于可用状态，提早更换造成了极大浪费。其缺 点之二，是预防性维护的会让用户失去洞察设备问题的机会。由于零件更换的频率过 高，没有机会让用户观察、收集设备接近失效时的状态、现象，更无法据此分析其成 因。这种对设备理解的粗浅，会导致潜在未知设备问题的出现，造成某种问题的重复 发生，或者非预期的异常现象，甚至是停机事件。

据此，在2010年国际半导体协会(ISMI)发布了《ISMI预测预防性维护实施指 导》，介绍预防与预测性维护(PPM)的概念，并将此作为半导体产品大规模制造场景 中提高设备效率的未来愿景。事实上，在半导体行业的一些一细分领域，一直有利用 设备产生中的数据来做异常检测来支持预测性维护的研究。预测性建模的方法，可以 分为基于机理的模型，基于单变量随机过程的统计分析，以及数据驱动的预测性建模 三类。在半导体设备高度自动化、传感器密集的情况下，半导体制造过程是数据丰富 的大数据环境。同时，设备机理随着工艺的复杂度提高，并且单变量的分析往往滞后 与多变量的协同建模，故数据驱动的方法在半导体设备预测性维护的研究领域正在变 得更加普遍。

综上所述，现有技术存在以下问题：

1)缺乏系统性的方法论，现有的半导体设备预测性维护技术通常是针对某些特定的半导体制造场景，很少有通用的适用于半导体设备预测性维护的数据驱动建模方法 论被提出；

2)对监控层次与算法选择上缺乏衡量原则，通常是依赖经验或大拇指原则来盲目应用机器学习算法；

3)大多数技术解决的是设备异常检测问题，不可执行。由于半导体设备的预防性维护属于过度维护，异常状态数据难得，故异常检测是更加常见的建模目标。然而， 对关键故障类型预测才是真正对用户有用的可执行信息。

因此，本领域的技术人员致力于开发一种半导体设备预测性维护与健康管理的方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是建立系统性的故障预测与健康管理方法论，定义算法选择与监控层次定义的方法，在数据不完整的情况下， 建立成长型的故障预测模型。

为实现上述目的，本发明提供了一种半导体设备预测性维护与健康管理的方法。

在本发明的较佳实施方式中，包括建模策略模块、模型训练模块和故障预测模块，建模策略模块确定设备的关键组件(关键组件指是被确定为预测性维护目标的组件) 与建模策略，模型训练模块仅利用健康状态数据训练关键组件的模型，故障预测模块 根据实时数据更新模型并实时预测关键故障类型；建模策略模块输出需要进行预测性 维护的关键组件，以及应该作为预测性维护目标的关键故障模式，作为模型训练模块 的输入，模型训练模块对所选关键故障训练模型，最终由故障预测模块建立模型成长 的体系进行故障预测。

建模策略模块包括如下步骤：

101、维护维修记录分析，对所监测设备的历史维护维修记录分析，本步骤输入是监测对象的历史维护维修记录。该设备的维护维修记录中应该至少包含下面几类数据： 故障时间、发生故障的组件、维护时间、维护操作、停机时间；针对历史维护维修记 录，采用维护维修记录分析方法，确定适合作为预测性维护对象的关键组件；

102、故障根因分析，分析要监测的关键故障模式，在分析维护维修记录确定了关键组件之后，要对其故障模式进行分析，实现手段可以用经典的可靠性分析方法；

103、确定要采用的信号，根据监测对象的类型确定要采集的数据与采用的建模策略，确定常见的故障类型。

模型训练模块包括以下步骤：

201、建模策略确定，在模型训练中，判断何种方法最适用是建模成功的关键之一；

202、训练异常检测模型，根据设备健康状态的数据训练异常检测模型。

在建立基线特征的模型之后，基线模型在描述特征在基线状态的概率分布。判断当前状态的分布与基线状态相比是否有显著差异，具体的量化指标为两个分布之间的 距离，这种距离被称为健康值。如果存在显著差异的话，即分布之间距离超过某一阈 值，那么说明当前的状态是异于健康状态的，即异常状态。

故障预测模块包括以下步骤：

301、计算健康值，计算已经训练好的模型对新数据的健康值；

302、判断健康值是否异常；

303、对健康值异常的数据做专家判断，加标签，如果健康值异常(在非监督学习情况下，健康值高于预先设定的阈值)，由专家判断目前机器的状态，确定当前机器的 状态是健康状态还是故障状态。所谓非监督学习是机器学习中的一个学习类别，指 的是没有标签的机器学习。标签即预测的目标，比如分类问题中每个数据样本对 应的类别。非监督学习指的是没有这种对应的类别标记，而仍要求模型能够分辨 不同类别的数据；

304、标记确认状态的数据；

305、判断是否健康；

306、如果确认为健康状态，补充健康状态数据，新状态的数据与健康状态数据整合，重新训练健康状态的基线模型；如果确认为某种故障状态，则打好标签的数据被 用来训练一个新的故障基线模型，对于新模型，其基线不再是健康状态，而是某一种 故障模态；

307、专家认为是故障状态后，训练好的识别故障状态的新基线模型被整合到故障模型库中；

308、计算拟合度，将故障模型库中的所有故障基线模型对实时数据做拟合，这种拟合度的指标有别于健康度，通常是一个函数的最大似然估计值，AIC或者BIC值等， AIC即最小信息准则，是量化模型拟合度的标准，其定义为：AIC＝2k-2ln(L)，这里面， k是模型中参数的个数，L是似然函数。AIC值越小，模型的拟合度越好。BIC是贝叶 斯信息准则，同样是量化模型拟合度的一种标准，其定义为：BIC＝kln(n)-2ln(L)，这里 面，k为模型中参数的个数，L是似然函数，n是样本数量。BIC值越小，模型的拟合 度越好。AIC与BIC值的区别在于，BIC对模型复杂度的惩罚项更大，可以更加有效 的避免维度灾难，避免过拟合；

309、选择拟合度最高的模型，选择模型库中的模型对实时数据拟合度最高的模型， 拟合度最高的故障基线模型对应的故障模式即为当前该关键组件对应的故障模式；

310、拟合度最高模型对应的故障状态即为确定的故障状态。

进一步地，步骤101中维护维修记录分析方法采用关键性四象限图的技术，四象限图可帮助根据历史维护维修记录判断对应的最优维护策略，此图的横轴为故障造成 的损失，纵轴是故障频率，第一象限为设计改善，第二象限为准备更多备品备件，第 三象限为传统维护测量，第四象限为预测性维护。预测性维护所关注的对象是设备中 不经常发生故障、但一旦发生故障就会造成极大损失的组件。

进一步地，在关键性四象限图中，适合预测性维护的关键组件存在于第四象限，即“预测性维护”的区域。对于其他象限的组件，预测性维护的投入产出不会是最经 济有效的。确定故障频率与故障造成损失的阈值，需要用户根据其自身的状况来决定。 比如，对故障造成的损失衡量的标准通常与停机时间相关，在准时性生产成熟的汽车 制造业，故障造成损失多还是少的标准，可是是按照分钟来计算的，超过十分钟的停 机时间可能就是极严重的停机事件；而在钢铁制造业，故障造成损失多少的停机标准， 可能就是以天来计算的。不同行业、不同用户对损失的承受力不同，所以这些标准需 要用户指定。

进一步地，步骤102中的可靠性分析方法包括鱼骨图、FMEA分析等，来确定对 该组件进行故障预测的故障类型。成功完成该步骤，需要根据专家经验与现场调研， 将常见的所有故障模式总结全面。

进一步地，步骤103确定方法与第一步判断关键组件的方式类似，采用关键性四象限图的技术，需要针对该关键组件的历史维护维修记录，横轴为“故障模式”造成 的损失，纵轴是“故障模式”发生的频率。依据相同原则，确定预测性维护关注的故 障对象为第四象限(即发生频率不高，但故障一旦发生会造成很大影响的故障模式)。 确定了故障模式之后，确定数据采集方案：考虑采集哪些数据才能反映所要预测的这 些故障类型，确定是从控制器采集数据，还是需要额外加装传感器。

进一步地，步骤201根据训练数据的长度与训练数据完整性来选择不同的建模方法。当数据在时间上的长度较少，且数据包含的各种工况与故障类型(即机器学习的 标签)不够完整时，健康评估/异常检测模型更加合适；当数据量不大，但均有标签且 工况完整，则建立故障诊断的分类模型更加合适；而当数据不仅时间长度包括全生命 周期，且不同的实效模式的生命周期均具备，可以实现剩余使用寿命预测的模型训练。

进一步地，步骤202包括数据的预处理与特征工程和训练预测性模型，数据的预处理与特征工程包括数据清洗、工况分割、特征提取和特征选择，数据清洗即检测数 据中的缺失点、奇异值等问题点，去掉或者用中位数代替这些点，工况分割就是对清 洗后的数据根据工况变化与对应的步骤，将一个制造过程的数据分为不同阶段，特征 选择就是针对工况分割后的数据，计算如均值、方差、最大值、最小值等统计量，结 合机理计算量作为特征，特征选择即对特征矩阵做降维处理，减少特征之间的相关性； 训练预测性模型包括模型训练和异常检测模型，模型训练即将筛选好的特征最为输入， 训练一个对应的基线函数。

进一步地，建模策略模块、模型训练模块和故障预测模块及各模块中的各步骤循环 进行，由此来不断增强整个系统的学习能力与强健性，逐步减少专家的参与，并固化 专家知识，是可传承可迭代的成长型系统。

本发明建立了系统性的故障预测与健康管理方法论，定义了算法选择与监控层次定义的方法，在数据不完整的情况下，建立了成长型的故障预测模型。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的故障预测与健康管理方法的流程图；

图2是本发明的一个较佳实施例的关键性四象限图；

图3是本发明的一个较佳实施例的故障分析鱼骨图；

图4是本发明的一个较佳实施例的判断监控层次与目标的方法图；

图5是本发明的一个较佳实施例的模型训练流程图；

图6是本发明的一个较佳实施例的非监督式健康评估的健康值定义图；

图7是本发明的一个较佳实施例的模型成长与故障预测的流程图；

图8是本发明的一个较佳实施例的基于隐马尔可夫模型(HMM)的健康值计算 示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非 仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有 限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的 厚度。

以半导体蚀刻机预测性维护与健康管理的方法为例，如图1所示，包括包括建模策略模块、模型训练模块和故障预测模块；建模策略模块确定半导体蚀刻机的关键组 件与建模策略，目标是输出需要进行预测性维护的关键组件，以及应该作为预测性维 护目标的关键故障模式；模型训练模块仅利用健康状态数据训练关键组件的模型，对 所选关键性组件的关键故障训练模型；建模策略模块的输出作为模型训练模块的输入， 最终由故障预测模块建立模型成长的体系进行更准确的故障预测。

建模策略模块包括如下步骤：

101、维护维修记录分析，对半导体蚀刻机过去一至两年的历史维护维修记录分析， 该半导体蚀刻机的维护维修记录中应该至少包含下面几类准确的数据：故障时间、发生故障的组件、维护时间、维护操作、停机时间；针对历史维护维修记录，采用关键 性四象限图的技术，如图2所示，横轴为故障造成的损失，纵轴是故障频率，第一象 限为设计改善，第二象限为准备更多备品备件，第三象限为传统维护测量，第四象限 为预测性维护，确定适合作为关键组件为半导体蚀刻机上的泵；

102、分析要监测的关键故障模式，在分析维护维修记录确定了关键组件之后，要对其故障模式进行分析，实现手段可以用经典的可靠性分析方法，如图3所示的故障 根因鱼骨图，分析其故障模式与根因，确定泵的轴承、电机、轴等为可能出现故障的 部分；

103、确定要采用的信号，确定监测对象的类型并确定要采集的数据与采用的建模策略，方法仍采用关键性四象限图的技术，如图2所示，需要针对该关键组件的历史 维护维修记录，横轴为“故障模式”造成的损失，纵轴是“故障模式”发生的频率。 依据相同原则，确定预测性维护关注的故障对象为第四象限(即发生频率不高，但故 障一旦发生会造成很大影响的故障模式)，找出该关键组件最适合预测性维护的故障模 式，确定是轴承的内环与滚珠故障导致泵泄露；根据根因分析，确定要采集的数据， 根因为轴承故障，确定采集泵的转速，温度，与振动信号作为原始数据。

模型训练模块包括以下步骤，如图5所示：

201、确定建模策略，在模型训练中，判断何种方法最适用是建模成功的关键之一，根据数据数量/时间长度，与数据包括的故障模式完整性，确定建模策略，如图4所示， 蚀刻机的泵并不会经常损坏，没有故障数据，只有健康数据，而且工况相对复杂，所 以首先建立泵的异常检测模型；

202、训练异常检测模型，根据设备健康状态的数据训练异常检测模型。这部分分为数据预处理与特征工程，训练预测性模型两部分；异常检测模型训练过程具体如图 5所示，利用该关键组件(即轴承)的健康状态数据，对其进行预处理、特征提取、 特征选择，并训练模型。具体如下：

1)数据预处理与特征工程：

1、数据清洗：用奇异值检验的方法，如Grubb检验，去除训练数据中的奇异值； 去掉有缺失值的样本

2、工况分割：通过对转速信号的控制值，截取转速恒定的部分对应的振动信号值与温度信号值

3、特征提取：对振动信号与温度信号计算均值，标准差，最大值，最小值，峰峰 值，峭度，作为特征

4、特征选择：用降维的方法降低矩阵维度，如用主成分分析的方法。

2)训练预测性模型：将主成分分析的结果作为训练异常检测模型的输入，异常检测模型可以采用能够实现二分类的机器学习模型，如SVM，隐马尔可夫模型(HMM) 等。以HMM为例，主成分分析的降维数据结果作为HMM的输入，训练基线模型。 图6是非监督式健康评估的健康值定义图，异常检测衡量的是模型状态的偏移。

故障预测模块根据实时数据更新模型并实时预测关键故障类型，如图7所示， 包括以下步骤：

1)计算健康值：将实时值输入训练好的健康基线HMM，计算健康值。采用 HMM模型计算这种偏移的方式是衡量模型拟合度变化的速率，如图8所示，用 HMM的最大似然率作为拟合度的衡量指标，HMM的负最大似然率的下降速率作 为健康值。每当有新数据进入HMM时，将新数据点与之前所有的数据对接。如 果是健康状态，负最大似然估计将稳定下降，其下降的速率(斜率)是恒定的。 但如果是异常状态，其下降的速度会突然变快。利用最大似然估计的斜率作为指 标，判断拟合度与异常状态。

2)判断健康值是否异常状态：判断健康值是否高于预设的健康值阈值，如果 健康值超过阈值，则说明出现了异常。

3)专家判断：对健康值异常的数据做专家判断，如果确认泵轴承故障，则对 这部分实时数据添加该故障的标签；如果确认是误报，属于健康状态，则标记为 健康。

4)判断新标记的数据是否健康。

5)补充健康状态数据：如果是正常的，补充健康状态数据，训练新的异常检 测模型：整合当前数据与训练用的健康数据，训练新的HMM模型，用新的模型 计算实时数据的健康值。

6)训练故障基线模型：如果是故障，训练故障基线模型，如果确定是泵的某 种故障，比如轴承滚子磨损，将对应的实时数据打标签，标记为轴承滚子磨损故 障，用新标记的轴承滚子磨损数据，训练故障基线HMM，并将轴承滚子磨损基线 HMM整合到蚀刻机泵故障模型库中。

7)计算模型库中所有模型对实时数据的拟合度：将泵故障模型库中的所有 HMM模型拟合实时数据，计算拟合度，即HMM的最大似然率。

8)选择拟合度最高的模型：比较所有故障基线HMM对实时数据最大似然率， 选择具有最高的最大自然率的HMM。

9)拟合度最高的模型所对应的状态即为当前关键故障状态：确定泵的故障状 态为所选择的故障基线HMM所对应的故障模态，即轴承滚子磨损。

以上过程不断重复，HMM健康模型将变得更加准确，误报率更低，而HMM 故障模型库将可以逐渐自动判断泵的所有关键故障模式。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术 人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得 到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种半导体制造设备的预测性维护与健康管理的方法，其特征在于，包括建模策略模块、模型训练模块和故障预测模块，所述建模策略模块确定所述半导体制造设备的关键组件与建模策略，所述模型训练模块仅利用健康状态数据训练关键组件的模型，所述故障预测模块根据实时数据更新模型并实时预测关键故障类型；所述建模策略模块输出需要进行预测性维护的关键组件，以及应该作为预测性维护目标的关键故障模式，作为所述模型训练模块的输入，所述模型训练模块对所述关键故障训练模型，最终由所述故障预测模块建立模型成长的体系进行故障预测；

所述建模策略模块包括如下步骤：

步骤101、维护维修记录分析，对所述半导体制造设备的历史维护维修记录分析，输入是所述半导体制造设备的历史维护维修记录，所述历史维护维修记录中包含下面几类数据：故障时间、发生故障的组件、维护时间、维护操作、停机时间；针对所述历史维护维修记录，采用维护维修记录分析方法，确定适合作为预测性维护对象的关键组件；

步骤102、故障根因分析，分析所述半导体制造设备的关键故障模式，在分析所述历史维护维修记录确定关键组件之后，对所述关键故障模式进行分析，采用经典可靠性分析方法；

步骤103、确定要采用的信号，根据所述半导体制造设备的类型确定要采集的数据与采用的建模策略，确定常见的故障类型；

所述故障预测模块包括以下步骤：

步骤301、计算健康值，计算已经训练好的模型对新数据的健康值；

步骤302、判断健康值是否异常；

步骤303、对健康值异常的数据做专家判断，加标签，如果健康值异常，由专家判断目前机器的状态，确定当前机器的状态是健康状态还是故障状态；

步骤304、标记确认状态的数据；

步骤305、判断是否健康；

步骤306、如果为健康状态，补充健康状态数据，新状态的数据与健康状态数据整合，重新训练健康状态的基线模型；如果为故障状态，则打好标签的数据被用来训练一个新的故障基线模型，对于新模型，其基线不再是健康状态，而是某一种故障模态；

步骤307、专家认为是故障状态后，训练好的识别故障状态的新基线模型被整合到故障模型库中；

步骤308、计算拟合度，将所述故障模型库中的所有故障基线模型对实时数据做拟合，拟合度的指标是一个函数的最大似然估计值；

步骤309、选择拟合度最高的模型，选择所述故障模型库中的模型对实时数据拟合度最高的模型，拟合度最高的故障基线模型对应的故障模式即为当前该关键组件对应的故障模式；

步骤310、拟合度最高模型对应的故障状态为确定的故障状态。

2.如权利要求1所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述模型训练模块包括以下步骤：

步骤201、建模策略确定；

步骤202、训练异常检测模型，根据所述半导体制造设备健康状态的数据训练异常检测模型。

3.如权利要求1所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述步骤101中所述维护维修记录分析方法采用关键性四象限图。

4.如权利要求1所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述步骤102中的所述可靠性分析方法包括鱼骨图、FMEA分析。

5.如权利要求1所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述步骤103确定要采用的信号的方法采用关键性四象限图，确定预测性维护关注的故障对象为第四象限，即发生频率不高，但故障一旦发生会造成很大影响的故障模式。

6.如权利要求2所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述步骤201根据训练数据的长度与训练数据完整性来选择不同的建模方法，当所述训练数据在时间上的长度较少，且数据包含的各种工况与故障类型不够完整时，建立健康评估/异常检测模型；当所述训练数据量不大，但均有标签且工况完整时，建立故障诊断的分类模型；当所述训练数据不仅时间长度包括全生命周期，且不同的实效模式的生命周期均具备时，可以实现剩余使用寿命预测的模型训练。

7.如权利要求2所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述步骤202包括数据的预处理与特征工程和训练预测性模型，所述数据的预处理与特征工程包括数据清洗、工况分割、特征提取和特征选择，所述训练预测性模型包括模型训练和异常检测模型，模型训练即将筛选好的特征最为输入，训练一个对应的基线函数。

8.如权利要求3所述的半导体制造设备的预测性维护与健康管理的方法，其特征在于，所述步骤308中的所述最大似然估计值为AIC或者BIC值，AIC定义为：AIC＝2k-2ln(L)，AIC值越小，模型的拟合度越好，BIC是贝叶斯信息准则，定义为：BIC＝kln(n)-2ln(L)，BIC值越小，模型的拟合度越好。

Images