CN111860933A - 生产机台组件的预测保养方法 - Google Patents

生产机台组件的预测保养方法 Download PDF

Info

Publication number
CN111860933A
CN111860933A CN202010313837.7A CN202010313837A CN111860933A CN 111860933 A CN111860933 A CN 111860933A CN 202010313837 A CN202010313837 A CN 202010313837A CN 111860933 A CN111860933 A CN 111860933A
Authority
CN
China
Prior art keywords
value
component
values
workpieces
workpiece
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
CN202010313837.7A
Other languages
English (en)
Other versions
CN111860933B (zh
Inventor
林晋逸
谢昱铭
郑芳田
黄宪成
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Publication of CN111860933A publication Critical patent/CN111860933A/zh
Application granted granted Critical
Publication of CN111860933B publication Critical patent/CN111860933B/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
    • G05B23/0259—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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Factory Administration (AREA)

Abstract

本发明实施例提供一种生产机台组件的预测保养方法，其使用时间序列预测(Time Series Prediction；TSP)演算法，并应用信息准则演算法来建立的时间序列分析模型，以预测生产机台组件意外停机的复杂的未来趋势。此外，此方法还提出了预警机制，以便在生产机台组件可能很快死亡时立即进行维护，并提供死亡相关指数(DCI)，以数据化来呈现生产机台组件进入死亡的可能性。

Description

生产机台组件的预测保养方法
技术领域
本发明是有关于一种生产机台组件的预测保养方法，且特别是有关于一种基于剩余使用寿命(Remaining useful life；RUL)预测的生产机台组件的预测保养方法。
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、模组或装置(例如：加热器、压力模组和节流阀(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)来决定。因此，如何安排适当的PM计划通常是工厂的关键议题。一个不当的定期PM计划会增加维修成本或降低产能。
预测性维护目的在找出标的设备(即生产机台的组件)何时生病并在标的设备死亡发生之前以进行即时性维护，以避免意外的标的设备停机时间。通过这种方式，不仅提高了生产机台的稼动率和制造品质，而且还可以降低预防性保养中的过度维护的额外成本。
为改善机台保养计划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，并以单一模组或多个模组的型式被使用，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 andClassification；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，找出设备状态信息与保养信息间的关联，来预测机台或标的装置(TD)的剩余寿命(Remaining Useful Life；RUL)，以达到减少非计划性停机的保养事件的目标。
在许多学者提出的预测保养技术中，指数模型通常用于预测标的设备的剩余使用寿命(RUL)。然而，指数模型的预测不准确。因此，需要一种生产机台组件的预测保养方法，以克服习知技术的缺点。
发明内容
由于习知演算法的限制，当标的设备即将死亡时，若标的设备的老化特征突然上升或变得平滑，指数模型可能无法跟上即时预测甚至错误地预测标的设备的RUL。
本发明的一目的是在提供一种生产机台组件的预测保养方法，藉以即时并准确地预测生产机台组件的RUL，而可及时地进行生产机台组件的维修。
本发明的另一目的是在提供一种生产机台组件的预测保养方法，通过提出了预警机制和死亡相关指数(Death Correlation Index；DCI)，以便在生产机台组件可能很快死亡状态时立即进行维护，并以数据化的方式来呈现生产机台组件进入死亡状态的可能性。
根据本发明的一态样，提供一种生产机台组件的预测保养方法。在此生产机台组件的预测保养方法生产机台组件的预测保养方法，首先，获得生产机台的组件依序处理多个工件时所使用或产生的多组制程数据，其中每一个组制程数据包含多个参数的数值，每一组制程数据的每一个参数的数值为此生产机台的此组件在处理这些工件的一者时的一段处理时间内的一组时序数据值，此些组制程数据是以一对一的方式对应至此些工件。然后，根据此组件在处理每一个工件时是否发生异常事件，来决定以一对一的方式对应至此些组制程数据的多个事件指示值。接着，分别使用多个演算法将每一组制程数据的每一个参数的数值转换成多个参数指标的数值，其中此些参数指标是以一对一的方式对应至此些演算法。然后，对此些组制程数据中的每一个参数的每一个参数指标与此些事件指示值进行一相关性分析，而获得分别对应至此些参数指标的多个相关系数。接着，选取对应至此些相关系数中一最大者的参数指标为一老化特征。接着，进行第一判断步骤，以根据每一个工件对应的此老化特征的数值，来判断此组件在处理此些工件时是否处于一生病状态，其中一旦此组件在处理该些工件的一者时是处于生病状态时，则将此工件设定为一样本选取点。然后，使用此样本选取点前N个工件所对应的N组制程数据中对应至此老化特征(yT)的N个数值为一组建模样本数据，其中N为正整数。接着，进行建模步骤，以使用此组建模样本数据并根据一时间序列预测演算法来建立一老化特征预测模型，而获得依工件生产次序排列的此老化特征(yT)的多个预测数值。接着，根据此组件分别处理此些工件所使用的多个工件处理时间来获得此组件分别处理此些工件的多个时间点。然后，获得一死亡规格值，其中此死亡规格值为此组件无法使用时的此老化特征(yT)的数值。依序判断此些该些预测数值是否实质等于死亡规格值直到发现此些预测数值的一最先者为止，其中此最先者所对应的该些时间点的一者为一死亡时间点，此组件在此死亡时间点时无法使用。接着，计算此些工件被处理时的这些时间点与此死亡时间点间的插值，以获得此组件分别在这些时间点的多个剩余使用寿命(Remaining useful life；RUL)预测值(RULt)，其中t代表第t个工件，t为整数。
在一些实施例中，在前述的第一判断步骤中，首先以一组转换公式分别将每一组制程数据的上述老化特征(yT)的数值转换成分别对应至工件的多个装置健康指数(DeviceHealth Index；DHI)，此组转换公式为：
当
Figure BDA0002458817470000031
当
Figure BDA0002458817470000032
当USL＜yT,
Figure BDA0002458817470000033
当
Figure BDA0002458817470000034
当LSL＜yT＜LCL,
Figure BDA0002458817470000035
当Min yT＜yT＜LSL,
Figure BDA0002458817470000036
其中
Figure BDA0002458817470000037
为此些组制程数据的该老化特征的数值的平均值，其中
Figure BDA0002458817470000038
为
Figure BDA0002458817470000041
所对应的转换值；
Max yT为此些组制程数据的该老化特征的最大数值，Max yT_mapping为MaxyT所对应的转换值；
Min yT为此些组制程数据的此老化特征的最小数值，Min yT_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。
然后，依序判断此些装置健康指数是否大于或等于一门槛值，并将此些装置健康指数中最先大于或等于一门槛值的一者所应的工件设定为前述的样本选取点。
在一些实施例中，在前述的建模步骤中，首先使用一整合移动平均自回归(Autoregressive Integrated Moving Average；ARIMA)模型为前述的时间序列预测演算法，来建立前述的老化特征预测模型，其中此整合移动平均自回归模型包含：移动平均(Moving Average；MA)模型和自回归模型(Autoregressive；AR)模型。使用自相关函数(autocorrelation function；ACF)选出此移动平均模型的最大落后期数，并以使用偏自相关函数(partial autocorrelation function；PACF)选出此自回归模型的最大落后期数。然后，对建模样本数据中的数值进行一白噪音检定，其中当此些数值的一者是白噪音时，则加入前述的样本选取点前N+1个工件所对应的又一组制程数据中对应至此老化特征(yT)的数值至建模样本数据。接着，使用此移动平均模型的最大落后期数和此自回归模型的最大落后期数，来建立多个整合移动平均自回归模型组合。然后，使用一信息准则演算法，来计算出每一个整合移动平均自回归模型组合的信息量。接着，选出此些整合移动平均自回归模型组合中具有最大信息量的一者为一最佳模型。
在一些实施例中，前述的信息准则演算法为贝氏信息准则(BayesianInformation Criteria；BIC)或赤池信息量准则(Akaike information criterion；AIC)。
在一些实施例中，前述的建模步骤还包含：判断建模样本中的数值的变异数是否会随着时间而越来越大，其中当此些数值的变异数随着时间而越来越大时，对建模样本数据的每一个数值进行对数转换；对此些数值进行一单根检定(unit root test)，以确认依序排列的此些数值是否为稳态状态，其中当此些数值不是稳态状态时，对建模样本数据的每一个数值进行差分转换。
在一些实施例中，前述的单根检定为扩充迪基-福勒(Augmented Dickey-Fuller；ADF)检验或Kwiatkowski-Phillips-Schmidt-Shin(KPSS)检定。
在一些实施例中，前述的生产机台组件的预测保养方法还包含：进行第二判断步骤，以根据此些剩余使用寿命预测值(RULt)来判断此组件是否需要维修。
此第二判断步骤包含：
判断(RULt－RULt-1)/RULt-1是否大于或等于一门槛值，而获得第一结果，其中t-1代表第t-1个工件；判断RULt是否小于一维修缓冲时间，而获得第二结果，其中当述的组件异常时，此组件必须在此维修缓冲时间进行维修；当第一结果和第二结果均为否时，此组件处于生病状态但未急速恶化，不需进行维修；当第一结果为否而第二结果为是时，此组件未急速恶化但其剩余使用寿命不足，需进行维修；当第一结果为是而第二结果为否时，此件急速恶化，若处理连续第t+p个工件的每一者的第一结果为是而第二结果为否，则需检查或维修此组件，其中p为正整数；以及当第一结果和第二结果均为是时，此组件需进行维修。
在一些实施例中，前述的生产机台组件的预测保养方法还包含：进行第二判断步骤，以根据此些老化特征的预测值来判断此组件是否需要更换。前述的第二判断步骤包含：
以一组转换公式分别将前述老化特征(yT)的预测值转换成分别对应至工件的前述组件的多个死亡相关指数(Death Correlation Index；DCI)，此组转换公式为：
Figure BDA0002458817470000051
其中ydeath为此组件在死亡状态时所对应的此老化特征的预测数值，yt-1为此组件在处理第t-1个工件时所对应的此老化特征的预测数值，conv为共变异数计算，Var为变异数计算；
当DCIt大于一门槛值时，代表此组件在处理第t个工件时接近死亡状态而需要更换或维修，其中此门槛值的计算是根据DCIt的标准误差。
在一些实施例中，前述的组件为一加热器、一压力模组、一节流阀、一无油衬套或一轴承，该些参数包含：一阀开度、一振动振幅、一驱动电压、一驱动电流、一温度和/或一压力。
在一些实施例中，前述的参数指标包含：一转换至频域后的k倍频特征(其中k大于0)、一整体相似度指标(Global Similarity Index；GSI)、一统计数据分布的峰度(kurtosis)、一统计数据分布的偏度(skewness)、一标准差、一均方根(root meansquare)、一平均值、一最大值和/或一最小值。
因此，应用本发明实施例，可即时并准确地预测生产机台组件的RUL，而可及时地进行生产机台组件的维修；并可在生产机台组件可能很快死亡状态时立即进行维护，且以数据化的方式来呈现生产机台组件进入死亡状态的可能性。
附图说明
为了更完整了解实施例及其优点，现参照结合所附附图所做的下列描述，其中
图1为绘示使用典型的指数模型的预测结果；
图2A为绘示根据本发明一些实施例的用以说明生产机台组件的预测保养方法的方块示意图；
图2B为绘示根据本发明一些实施例的事件指标值与参数指标(平均阀开度)的关系；
图2C为绘示根据本发明一些实施例的事件指标值与参数指标(1/4倍频)的关系；
图2D为绘示根据本发明的一些实施例的对应至时域、频域和时频域的例示的老化特征；
图2E是绘示以
Figure BDA0002458817470000061
为中间基准值的yT的SPC管制表的结构；
图3A和图3B为绘示根据本发明一些实施例的建模步骤的流程示意图；
图4为绘示根据本发明一些实施例的用以说明预警模式的方块示意图；以及
图5A和图5B为绘示本发明一应用例的的预测结果。
【符号说明】
110 老化特征的预测值
112 RUL的预测值
120 老化特征的实际曲线
122 RUL的实际值
130 死亡规格值
200 制程数据
210 数据品质检查
220 转换成参数指标
230 演算法库
240 DHI模组
250 第一判断步骤(DHI<0.7)
260 RUL预测建模步骤
270 预警模式
280 DCI模式
300 选取建模样本数据
302 建模样本中的数值的变异数随时间而越来越大？
304 对建模样本数据的数值进行对数转换
306 建模样本数据的数值是否为稳态状态
308 对建模样本数据的数值进行差分转换
310 选出MA模型的最大落后期数，并选出AR模型的最大落后期数
312 对建模样本数据的数值进行白噪音检定
314 加入又一老化特征的数值至建模样本数据
316 建立ARIMA模型组合
318 计算出ARIMA模型组合的信息量
320 选出最佳ARIMA模型
324 去除最佳ARIMA模型中不显著的预测成分
326 对最佳ARIMA模型的残差进行检定
328 确认最佳ARIMA模型
400 RULt是否下降大于或等于门槛值
410 RULt是否小于维修缓冲时间
420 RULt是否小于维修缓冲时间
510a 老化特征的预测值
510b RUL的预测值
520a 老化特征的实际值
520b RUL的实际值
530 死亡规格值
540 生病规格值
570 DCI门槛值
具体实施方式
以下仔细讨论本发明的实施例。然而，可以理解的是，实施例提供许多可应用的发明概念，其可实施于各式各样的特定内容中。所讨论的特定实施例仅供说明，并非用以限定本发明的范围。
请参照图1，图1为绘示使用典型的指数模型的预测结果，其中生产机台组件为电浆辅助化学气相沉积(Plasma Enhanced Chemical Vapor Deposition；PECVD)机台的节流阀；老化特征(yT)为阀开度；工件号码为节流阀所处理的工件的顺序。曲线110代表老化特征的预测值；曲线120代表老化特征的实际值；直线130代表组件无法使用(即处于死亡状态)时的老化特征的一死亡规格值；直线140代表组件处于生病状态时的老化特征的一生病规格值；曲线112代表组件的RUL的预测值；曲线122代表组件的RUL的实际值。如图1中工件号码t1所在的虚线框所示，当老化特征的预测曲线110太平顺时，其对应的RUL的预测曲线112与实际曲线122的误差愈来愈大。如图1中工件号码t2所在的虚线框所示，当老化特征的实际曲线120突然上升时，老化特征的预测曲线110无法跟上，因而其对应的RUL的预测曲线112的不准度增加。
为了解决典型的指数模型对RUL预测不准确的问题，本发明实施例提出了时间序列预测(Time Series Prediction；TSP)演算法，并使用应用信息准则演算法来建立时间序列分析模型，以预测生产机台组件意外停机的复杂的未来趋势。此外，本发明实施例还提出了预警机制，以便在生产机台组件可能很快死亡时立即进行维护，并提供死亡相关指数(DCI)，以数据化来呈现生产机台组件进入死亡的可能性。
请参照图2A，图2A为绘示根据本发明一些实施例的用以说明生产机台组件的预测保养方法的方块示意图。首先，获得生产机台的组件依序处理多个工件时所使用或产生的多组制程数据200，其中每一组制程数据200包含多个参数的数值。生产机台为在一生产线上处理工件的机台。生产线可为例如：半导体生产线、TFT-LCD生产线、工具机加工生产线等；工件可为例如：晶圆、玻璃基板、轮框、螺丝等；机台可为例如：薄膜沉积机台、正光阻涂布机台、曝光机台、显影机台、蚀刻机台、光阻去除机台、工具机等；组件可为例如：加热器、压力模组、节流阀、无油衬套或轴承；参数可为例如：阀开度、振动振幅、驱动电压、驱动电流、温度和/或压力等。以上所述仅是举例说明，故本发明实施例并不在此限。值得一提的是，每一组制程数据200的每一个参数的数值为一段工件处理时间中的时序数据值，即参数数值对时间的曲线。
接着，对制程数据200进行数据品质检查(步骤210)，以确认制程数据200的品质是否优良。若制程数据200的品质不佳，则须获得生产机台的组件依序处理其他工件时所使用的制程数据。步骤210可采用类似于美国专利前案第8095484B2号所使用的制程数据品质评估方法。本发明的实施例引用此美国专利前案第8095484B2号的相关规定(Incorporatedby reference)。
然后，分别使用一演算法库230中的多个演算法将每一组制程数据的每一个参数的数值转换成多个参数指标的数值(步骤220)。此些参数指标包含：转换至频域后的k倍频特征(其中k大于0)、整体相似度指标(Global Similarity Index；GSI)、统计数据分布的峰度(kurtosis)、统计数据分布的偏度(skewness)、标准差(STD)、均方根(root meansquare；RMS)、平均值(Average)、最大值(Max)和最小值(Min)，而此些参数指标的转换方式可采用一移动视窗视窗法(Moving Window；MW)来决定样本的数目。
例如：每一组制程数据200包含一组阀开度的时序数据、和/或一组振动振幅的时序数据。演算法库230中的统计制程控制(Statistical Process Control；SPC)可将此组阀开度的时序数据转换成一峰度、一偏度和/或一标准差；演算法库230中的整体相似度指标(Global Similarity Index；GSI)演算法可将此组阀开度的时序数据转换成一GSI值；演算法库230中的时频转换演算法可将此组振动振幅的时序数据转换成一k倍频特征(如一1/4倍频特征、一1/2倍频特征、一2倍频特征、和/或一4倍频特征)等参数指标的数值。GSI演算法可参照美国专利前案第8095484B2号。以上所述的演算法库230中的演算法仅是举例说明，故本发明实施例并不在此限。在一些实施例中，前述的时频转换演算法可为快速傅利叶转换(FFT)或离散小波转换(DWT)等，其可用以将时域数据转换成频域数据而导出不同功频率带宽的功率频谱密度(Power Spectral Density)特征。例如：在频域的(样本)特征数据的类别为[功率频谱密度1(频率×1/4)、[功率频谱密度2(频率×1/2)、[功率频谱密度3(频率×1)、[功率频谱密度4(频率×2)、[功率频谱密度5(频率×3)，如图2D所示。
另一方面，本方法获得分别对应至此些组制程数据的多个事件指示值，其中这些事件指示值指出当生产机台组件在处理每一个工件时生产机台组件是否发生异常事件。请参照图2B，图2B为绘示根据本发明一些实施例的用以说明事件指标值与参数指标(平均阀开度)的关系，其中曲线222指出生产机台组件在处理各工件时的平均阀开度；曲线224指出生产机台组件在处理各工件时是否有异常事件发生。如图2B所示，生产机台组件在处理第289个工件之前，均无异常事件发生，第289个工件前的工件的事件指标值可为例如“0”；生产机台组件在处理第289个工件之后，有异常事件发生，其事件指标值可为例如“1”。请参照图2C，图2C为绘示根据本发明一些实施例的用以说明事件指标值与参数指标(1/4倍频)的关系，其中曲线226指出生产机台组件在处理各工件时在1/4倍频的振动幅度值；曲线228指出生产机台组件在处理各工件时是否有异常事件发生。如图2C所示，生产机台组件在处理第287个工件之前，均无异常事件发生，其事件指标值可为例如“0”；生产机台组件在处理第287个工件之后，有异常事件发生，其事件指标值可为例如“1”。
然后，对此些组制程数据中的每一个参数的每一个参数指标与事件指示值进行一相关性分析，而获得分别对应至此些参数指标的多个相关系数，如表一所示。接着，选取对应至此些相关系数中一最大者的参数指标为一老化特征(yT)，如表一所示的平均阀开度。
Figure BDA0002458817470000101
Figure BDA0002458817470000111
表一
接着，进行第一判断步骤250，以根据每一个工件对应的此老化特征的数值，来判断生产机台组件在处理此些工件时是否处于一生病状态，其中一旦生产机台组件在处一个工件时是处于生病状态时，则将此工件设定为一样本选取点(t)。以下举例说明第一判断步骤的一种实施方式，然本发明实施例并不在此限。如图2A所示，在第一判断步骤250中，首先，将此些组制程数据的老化特征(yT)的数值输入至装置健康指数(Device HealthIndex；DHI)模组240，DHI模组240以一组转换公式分别将每一组制程数据的此老化特征(yT)的数值转换成分别对应至工件的多个装置健康指数(DHI)。然后，依序判断此些装置健康指数是否大于或等于一门槛值(例如：0.7)，并将此些装置健康指数中最先大于或等于一门槛值的一者所应的工件设定为样本选取点，其中在样本选取点的前的组件是健康且正常运作，而在样本选取点之后的组件是处于生病状态，在其剩余寿命(RUL)用尽后，组件将无法运作。此组转换公式为：
Figure BDA0002458817470000112
Figure BDA0002458817470000121
其中
Figure BDA0002458817470000122
为此些组制程数据的此老化特征的数值的平均值，其中
Figure BDA0002458817470000123
为
Figure BDA0002458817470000124
所对应的转换值；
Max yT为此些组制程数据的此老化特征的最大数值，Max yT_mapping为Max yT所对应的转换值；
Min yT为此些组制程数据的此老化特征的最小数值，Min yT_mapping为Min yT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。DHI演算法参照类似于美国专利前案第10,242,319B2号。本发明的实施例引用此美国专利前案第10,242,319B2号的相关规定(Incorporated byreference)。
一般而言，线上SPC方法是用以侦测生产期间的产品品质状态，并在制程超出统计管制时采取必要的行动。DHI机制是应用线上SPC的概念来转换
Figure BDA0002458817470000125
至DHI。请参照图2E，其绘示以
Figure BDA0002458817470000126
为中间基准值的yT的SPC管制表的结构，其指出生产机台的组件所产生或使用的老化特征的最小值(Min yT)、规格下限(Lower Spec Limit；LSL)、管制下限(LowerControl Limit；LCL)、
Figure BDA0002458817470000127
管制上限(Upper Control Limit；UCL)、规格上限(Upper SpecLimit；USL)和标的装置(TD)或使用的老化特征的最大值(Max yT)所对应的Min yT_mapping、LSL_mapping、LCL_mapping、
Figure BDA0002458817470000128
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组件的物理特性而有异。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是习知SPC常用的技术手段，故不在此赘述。将MinyT_mapping、LSL_mapping、LCL_mapping、
Figure BDA00024588174700001310
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2E上半部的转换yT至DHI的公式如下所示：
Figure BDA0002458817470000131
通过同样的方式由前述的公式(2)，可获得图2E下半部的转换yT至DHI的公式如下：
Figure BDA0002458817470000132
其中
Figure BDA0002458817470000133
为此些组制程数据的此老化特征的数值的平均。
在本实施例中，UCL/LCL和USL/LSL是对应至组件的制程规格(Process Spec)和严格规格(Hard Spec)，其与DHI相关联的值为0.7和0.3。通过上述的定义，可获得以下叙述：当
Figure BDA0002458817470000134
(例如：1)>DHI>UCL_mapping(例如：0.7)(或
Figure BDA0002458817470000135
(例如：1)>DHI>LCL_mapping(例如：0.7)时，组件是健康且正常运作；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，组件已生病，在其剩余寿命(RUL)用尽后，组件将无法运作；当USL_mapping(例如：
Figure BDA0002458817470000136
Figure BDA0002458817470000137
(例如：0)(或LSL_mapping(例如：
Figure BDA0002458817470000138
Figure BDA0002458817470000139
(例如：0)时，组件已死亡，需要立即维修。
接着，使用样本选取点(t)前N个工件所对应的N组制程数据中对应至此老化特征(yT)的N个数值为一组建模样本数据，其中N为正整数。然后，进行一建模步骤260，以使用此组建模样本数据并根据一时间序列预测演算法来建立一老化特征预测模型，而获得依工件生产次序排列的此老化特征(yT)的多个预测数值。接着，使用每一个工件的一工件处理时间和生产机台组件无法使用时的此老化特征(yT)的一死亡规格值，来进行一转换步骤，以将此些预测数值转换成的多个剩余使用寿命(Remaining useful life；RUL)预测值(RULt)，其中t代表第t个工件，t为整数。死亡规格值为该组件无法使用时的该老化特征(yT)的数值。至于时间序列预测演算法和详细的建模步骤260将于后说明。在此转换步骤中，首先根据生产机台组件分别处理工件所使用的工件处理时间来获得生产机台组件分别处理工件的多个时间点。然后，依序判断预测数值是否实质等于死亡规格值直到发现预测数值的一最先者为止，其中此最先者所对应的该些时间点的一者为一死亡时间点，生产机台组件在此死亡时间点时无法使用。接着，计算工件被处理时的时间点与死亡时间点间的差值，以获得生产机台组件分别在此些时间点的多个剩余使用寿命预测值(RULt)。
然后，进行一第二判断步骤，以根据此些剩余使用寿命预测值(RULt)来判断生产机台组件是否需要更换或维修。在一些实施例中，第二判断步骤包含有预警模式270和DCI模式280。至于预警模式270和DCI模式280将于后说明。
本发明实施例所使用的时间序列预测演算法可为整合移动平均自回归(Autoregressive Integrated Moving Average；ARIMA)模型，但本发明实施例并不在此限。ARIMA模型包含：移动平均(Moving Average；MA)模型和自回归模型(Autoregressive；AR)模型。虽然时间序列预测演算法能基于历史数据来预测未来趋势，但用来建模的MA模型和AR模型的最佳结合仍不清楚。加上，在预测保养中，生产机台组件的老化特征会逐渐退化不平稳。然而，时间序列分析只能在弱平稳性(Weak Stationarity)的条件下进行。本发明实施例提出建模步骤260，以克服这些困难。
请参照图3A和图3B，图3A和图3B为绘示根据本发明一些实施例的建模步骤260的流程示意图。首先，进行步骤300，以选取使用前述的样本选取点(t)(即DHI>0.7的工件)前N个工件所对应的N组制程数据中对应至此老化特征(yT)的N个数值(老化特征实际值)为一组建模样本数据(YM)，其中N为正整数，例如30，即DHI>0.7的工件前30个工件，建模样本数据YM＝{yt-30,yt-29,...,yt-2,yt-1}。
接着，进行步骤302，以判断此组建模样本中的数值的变异数是否会随着时间而越来越大。换言之，若yt＝(1+α)×yt-1，其中α大于0，代表yt随时间增加，Var(yt)随α成长，则进行步骤304，否则进行步骤306。在步骤304中，对此组建模样本数据的每一个数值进行对数转换YT＝log(YT)，以强迫数据的增加率分布具有某种程度的规则性，然后进行步骤306。
在步骤306中，对此组建模样本中的数值进行一单根检定(unit root test)，以确认此组建模样本中依序排列的数值是否为稳态状态，其中当此些数值不是稳态状态时，对此组建模样本数据的每一个数值进行差分转换(步骤308)。确认时序是否为稳态状态的演算法有扩充迪基-福勒检验(Augmented Dickey-Fuller test；ADF)检验或Kwiatkowski-Phillips-Schmidt-Shin(KPSS)检定等。ADF检验和KPSS检定的公式与应用方法是习于此技艺的人士所知，故不在此赘述。
当依序排列的数值不为稳态状态(步骤306的结果为否)时，进行步骤308，以对此组建模样本数据的每一个数值进行差分转换，以使在依序排列的数值(时序)达到稳态。差分转换的公式为：
Figure BDA0002458817470000151
当依序排列的数值为稳态状态(步骤306的结果为是)时，进行步骤310，以使用一自相关函数(autocorrelation function；ACF)(ρk)选出移动平均(MA)模型的最大落后期数，并以使用偏自相关函数(partial autocorrelationfunction；PACF()选出自回归(AR)模型的最大落后期数。其公式为：
A＝arg max(ρk) (1)
B＝arg max(ρρk). (2)
Figure BDA0002458817470000161
ρρk＝Corr(yt,yt-k|yt-1,y-2t,…,yt-k+1) (3’)
γk＝cov(yt,yt-k)＝E(yt-μ)(yt-k-μ) (4)
其中A为与yt-1相关的最大ACF(ρk)的时间点(工件号码)；B为与yt-1相关的最大PACF(ρρk)的时间点(工件号码)；Var(yt)＝Var(yt+k)＝E(yt-μ)2＝γ0.；E[·]为期望值函数；μ为yt的平均值(mean)。
如表二所示，PACF在yT-9后相关性开始锐减，ACF则在相关性开始锐减yT-10，故A＝10，B＝9。
Figure BDA0002458817470000162
表二
接着，进行步骤312，以对此组建模样本数据(YM)中的各数值进行白噪音检定，白噪音检定的演算法有Ljung-Box检定等。步骤312的主要目的在确认时序数据是否为白噪音(即状态与状态之间彼此不相关)。当此些数值的一者是白噪音时，此组建模样本数据需要多一点数据，故加入样本选取点前第N+1个工件所对应的又一组制程数据中对应至老化特征的数值(老化特征实际值)至此组建模样本数据(步骤314)，即yt-(N+1)或yt-31。
然后，进行步骤316，以使用移动平均(MA)模型的最大落后期数和自回归(AR)模型的最大落后期数，来建立多个整合移动平均自回归模型组合。例如：建立10*9种模型组合：ARIMA(1,d,1),ARIMA(1,d,2),…,ARIMA(9,d,10)。以下说明AR模型、MA模型、ARIMA模型。
AR(p)模型的定义为：
Figure BDA0002458817470000163
Figure BDA0002458817470000171
其中yt为在时间点t(第t个工件)的老化特征实际值；
Figure BDA0002458817470000172
为在时间点t(第t个工件)的老化特征预测值；
Figure BDA0002458817470000173
为在时间点(第t个工件)的AR模型的最小平方预估系数，i＝1,2,…,p；yt-i为在时间点t-i(第t-i个工件)的老化特征实际值；εt为在时间点t(第t个工件)的白噪音项。
MR(q)模型的定义为：
Figure BDA0002458817470000174
其中θj为在时间点(第t个工件)的MR模型的最小平方预估系数，i＝1,2,…,q；εt-j为在时间点t-j(第t-j个工件)的白噪音项。
ARMA(p,q)模型是由AR(p)模型和MR(q)模型所组成，ARMA(p,q)模型具有p个自回归(AR)运算子，和q个移动平均(MA)运算子，而加强型的ARMA(p,q)模型变成ARIMA(p,d,q)模型。ARIMA(p,d,q)模型只有在对数据进d次差分(difference)直到数据平稳后才执行ARMA(p,q)模型。ARMA(p,q)模型的定义为：
Figure BDA0002458817470000175
假设在时间点t要预测时间点t+n的老化特征，,但只有t-1的老化特征实际值,则将预测值取代实际值带入公式(8)进行预测，其公式为:
Figure BDA0002458817470000176
然后，进行步骤318，以使用一信息准则演算法，来计算出每一个整合移动平均自回归模型组合的信息量，其中信息准则演算法为贝氏信息准则(Bayesian InformationCriteria；BIC)或赤池信息量准则(Akaike information criterion；AIC)。BIC演算法的公式如下:
Figure BDA0002458817470000181
Figure BDA0002458817470000182
其中SSE为误差平方的和；M为建模样本数据的大小。
表三为以BIC演算法来计算出每一个整合移动平均自回归模型组合ARIMA(1,d,1),ARIMA(1,d,2),…,ARIMA(9,d,10)的信息量的举例说明。
Figure BDA0002458817470000183
表三
接着，进行步骤320，以选出此些整合移动平均自回归模型组合ARIMA(1,d,1),ARIMA(1,d,2),…,ARIMA(9,d,10)中具有最大信息量(即最小BIC)的一者为一最佳模型，例如：ARIMA(2,0,1)。
然后，进行步骤322，以去除最佳模型中不显著预测子(参数)。当预测子的预估系数大于95％的信心区间时，此预测子不显著，应予以去除。在正常分布的假设下，95％的信心区间等于1.96，最佳模型中不显著预测子(参数)的判断公式如下:
Figure BDA0002458817470000184
|θj|＞1.96×s.e.(θj) (13)；
其中i＝1,2,...,p,j＝1,2,...,q；
Figure BDA0002458817470000191
为AR系数的标准误差；s.e.(θj)为MA系数的标准误差。承上例，如表四所示，MA(1)为不显著参数，故将其剔除。
Figure BDA0002458817470000192
表四
接着，进行步骤324，以在除不显著预测子(参数)后针对ARIMA模型重行估计其预测成分的权重。承上例，重新估计的模型为ARIMA(2,0,0)，即
Figure BDA0002458817470000193
然后，进行步骤326，以对重新估计的模型的残差进行检定，此检定的演算法有Ljung-Box检定等。重新估计的模型的残差均已被解释时，确认重新估计的模型为最佳模型(步骤328)，并以此模型获得依工件生产次序排列的老化特征(yT)的多个预测数值。接着，进行步骤330，以使用生产机台组件处理每一个工件的工件处理时间(dt)和生产机台组件无法使用时的老化特征(yT)的死亡规格值，来将这些预测数值转换成的多个剩余使用寿命(Remaining useful life；RUL)预测值(RULt)，其公式为RULt＝kD-kt.，其中t代表第t个工件；kt代表第t个工件所对应的时间点(即第t×dt)，t为整数；kD代表老化特征(yT)的死亡规格值所对应的这些预测数值的一最先者的时间点。
在获得RUL预测值(RULt)后，进行第二判断步骤，以根据老化特征(yT)的预测数值或RULt来判断生产机台组件是否需要更换或维修。如图2A所示，在一些实施例中，第二判断步骤包含有预警模式270和DCI模式280。
以下说明预警模式270。当RUL预测值(RULt)有大幅度的下降或在靠近死亡状态震荡时，使用者难以判断生产机台组件是否需要更换或维修。因此，本发明实施例提出预警模式270来解决此问题。请参照图4，图4为绘示根据本发明一些实施例的用以说明预警模式的方块示意图。首先，在第一阶中进行步骤400，以判断目前的RULt相较于前一个RULt-1是否下降大于或等于一门槛值(例如30％)，即(RULt-1-RULt)/RULt-1≥0.3是否成立？在获得步骤400的结果(即第一结果)后，在第二阶中进行步骤410或420，以判断RULt是否小于一维修缓冲时间(Buffer Time；BT)，而获得一第二结果，其中BT是由生产机台组件的原厂提供，当生产机台组件异常时，必须在此维修缓冲时间(BT)对生产机台组件进行维修或更换。当第一结果和第二结果均为否时，生产机台组件处于生病状态但未急速恶化，不需进行维修，而显示例如绿灯。当第一结果为否而第二结果为是时，生产机台组件未急速恶化但其剩余使用寿命不足，需进行维修，而显示例如蓝灯。当第一结果为是而第二结果为否时，生产机台组件急速恶化，而显示例如褐灯。若生产机台组件处理连续第t+p个工件的每一者均显示例如褐灯时，则需检查或维修生产机台组件，其中p为正整数。当第一结果和第二结果均为是时，生产机台组件需进行维修，而显示例如红灯。
以下说明DCI模式280。为处理预警模式270目前显示蓝灯，但组件却在处理下一个工件的时间点突然死亡的情况，本发明提供一种DCI模式280。DCI是用以估算ydeath与yt-1间的关联性，其中ydeath为组件在死亡状态时所对应的此老化特征的预测数值，yt-1为此组件在处理第t-1个工件时所对应的此老化特征的预测数值。DCI是定义在0至1，DCI愈高代表组件生病愈严重。当DCI高于其门槛值(DCIT)时，在95％的信心程度下，组件目前的状态与其RUL预测值有正关联性，意指组件相当接近生病状态而需要立即维修。反之，当DCI接近0时，组件目前的状态与其RUL预测值无关联。换言之，即使组件处于生病状态，也没有进入死亡状态的危险。根据公式(3)所示的ACF，yt-1至DCIt的转换公式为：
Figure BDA0002458817470000201
门槛值(DCIT)定义为：DCIT＝1.96×s.e.(DCI) (15)
其中s.e.(DCI)为DCI的标准差。
以下以PECVD机台的节流阀的平均阀开度(老化特征)与RUL预测结果来说明本发明实施例。请参照图5A和图5B，图5A为绘示本发明一应用例的的预测结果；图5B为图5A中详细A的放大图。图5A的上部分为绘示节流阀的平均阀开度(老化特征)的预测结果，其中曲线510a为使用本发明应用例所获得的节流阀的平均阀开度(老化特征)的预测值；曲线520a(由“*”所组成)为节流阀的平均阀开度(老化特征)的实际值；直线530为节流阀的平均阀开度(老化特征)的死亡规格值；直线540为节流阀的平均阀开度(老化特征)的生病规格值；曲线550a为使用典型的指数模型所获得的节流阀的平均阀开度(老化特征)的预测值。图5B的中间部分为绘示节流阀的RUL的预测结果，其中曲线510b为使用本发明应用例所获得的节流阀的平均阀开度(老化特征)的预测值；曲线520b为节流阀的RUL的实际值；曲线550b为使用典型的指数模型所获得的RUL的预测值。图5A的下部分为绘示节流阀的DCI的预测结果，其中直线570为DCI门槛值(DCIT)；在节流阀处理完第380个工件之前，其DCI值佳，不需进行维修；在节流阀处理完第380个工件之后，DCI大于DCI门槛值，代表节流阀在处理第380个工件时接近死亡状态。
如图5A的中间部分所示，当节流阀在处理第330个工件至第379个工件时，曲线520b(RUL的实际值)相当稳定，曲线550b(指数模型的RUL的预测值)则有上升的趋势并偏离曲线520b(RUL的实际值)，而曲线510b(本发明应用例的RUL的预测值)则相当靠近曲线520b(RUL的实际值)且无上升的趋势。因此，本发明实施例可克服指数模型的缺点。
如图5A的中间部分和图5B所示，其中“☆”代表预警模式的蓝灯，“X”代表预警模式的红灯。当节流阀处理完第379个工件后，曲线520a(老化特征的实际值)突然间上升。虽然曲线510b并未立刻跟到曲线520b，但在节流阀处理完第380个工件后，曲线510b跟上曲线520b，显示红灯(下降率大于30％且RUL380小于维修缓冲时间(BT))。如曲线520b(RUL的实际值)所示，在节流阀处理完第390个工件后，节流阀死亡，因此，此红灯的显示正确。
在节流阀处理完第380个工件之前，预警模式显示绿灯，代表生产机台组件处于生病状态但未急速恶化，不需进行维修；在节流阀处理完第380个工件之后，预警模式显示红灯，代表生产机台组件需进行维修。
可理解的是，本发明的生产机台组件的预测保养方法为以上所述的实施步骤，本发明的内储用于量测抽样的计算机程序产品，是用以完成如上述的量测抽样的方法。上述实施例所说明的各实施步骤的次序可依实际需要而调动、结合或省略。上述实施例可利用计算机程序产品来实现，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)计算机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、只读记忆体、随机存取记忆体、可抹除可程序只读记忆体(EPROM)、电子可抹除可程序只读记忆体(EEPROM)、光卡(optical card)或磁卡、快闪记忆体、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计算机程序产品来下载，其可通过使用通讯连接(例如网络连线的类的连接)的数据信号来从远程计算机转移本发明的计算机程序产品至请求计算机。
亦可注意的是，本发明亦可描述于一制造系统的语境中。虽然本发明可建置在半导体制作中，但本发明并不限于半导体制作，亦可应用至其他制造工业。制造系统是配置以制造工件或产品，工件或产品包含但不受限于微处理器、记忆体装置、数字信号处理器、专门应用的电路(ASICs)或其他类似装置。本发明亦可应用至除半导体装置外的其他工件或产品，如车辆轮框、螺丝。制造系统包含一或多个处理工具，其可用以形成一或多个产品或产品的一部分，在工件(例如：晶圆、玻璃基板)上或中。发明本领域具有通常技艺者应可知，处理工具可为任何数目和任何型式，包含有微影机台、沉积机台、蚀刻机台、研磨机台、退火机台、工具机和类似工具。在实施例中，制造系统亦包含散射仪、椭圆偏光仪、扫描式电子显微镜和类似仪器。
综上所述，本发明实施例可即时并准确地预测生产机台组件的RUL，而可及时地进行生产机台组件的维修；并可在生产机台组件可能很快死亡状态时立即进行维护，且以数据化的方式来呈现生产机台组件进入死亡状态的可能性。
虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟习此技艺者，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所附的权利要求书所界定的范围为准。

Claims (10)

1.一种生产机台组件的预测保养方法，其特征在于，该生产机台组件的预测保养方法包含：
获得一生产机台的一组件依序处理多个工件时所使用或产生的多组制程数据，其中每一该些组制程数据包含多个参数的数值，每一该些组制程数据的每一该些参数的数值为该生产机台的该组件在处理该些工件之一时的一段处理时间内的一组时序数据值，该些组制程数据是以一对一的方式对应至该些工件；
根据该组件在处理每一该些工件时是否发生异常事件，来决定以一对一的方式对应至该些组制程数据的多个事件指示值；
分别使用多个演算法将每一该些组制程数据的每一该些参数的该组时序数据值转换成多个参数指标的数值，其中该些参数指标是以一对一的方式对应至该些演算法；
对该些组制程数据中的每一该些参数的每一该些参数指标与该些事件指示值进行一相关性分析，而获得以一对一的方式对应至该些参数指标的多个相关系数；
选取对应至该些相关系数中一最大者的参数指标为一老化特征(yT)；
进行一第一判断步骤，以根据每一该些工件对应的该老化特征(yT)的数值，来判断该组件在处理该些工件时是否处于一生病状态，其中一旦该组件在处理该些工件的一者时是处于该生病状态时，则将该些工件的该者设定为一样本选取点；
使用该样本选取点前N个工件所对应的N组制程数据中对应至该老化特征(yT)的N个数值为一组建模样本数据，其中N为正整数；
进行一建模步骤，以使用该组建模样本数据并根据一时间序列预测演算法来建立一老化特征预测模型，而获得依工件生产次序排列的该老化特征(yT)的多个预测数值；
根据该组件分别处理该些工件所使用的多个工件处理时间来获得该组件分别处理该些工件的多个时间点；
获得一死亡规格值，其中该死亡规格值为该组件无法使用时的该老化特征(yT)的数值；
依序判断该些预测数值是否实质等于该死亡规格值直到发现该些预测数值的一最先者为止，其中该最先者所对应的该些时间点的一者为一死亡时间点，该组件在该死亡时间点时无法使用；以及
计算该些工件被处理时的该些时间点与该死亡时间点间的差值，以获得该组件分别在该些时间点的多个剩余使用寿命预测值(RULt)，其中t代表第t个工件，t为整数。
2.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该第一判断步骤包含：
以一组转换公式分别将每一该些组制程数据的该老化特征(yT)的数值转换成分别对应至该些工件的多个装置健康指数(DHI)，该组转换公式为：
当
Figure FDA0002458817460000021
当
Figure FDA0002458817460000022
当
Figure FDA0002458817460000023
当
Figure FDA0002458817460000024
当
Figure FDA0002458817460000025
当
Figure FDA0002458817460000026
其中
Figure FDA0002458817460000027
为该些组制程数据的该老化特征的数值的平均值，其中
Figure FDA0002458817460000028
为
Figure FDA0002458817460000029
所对应的转换值；
Max yT为该些组制程数据的该老化特征的最大数值，Max yT_mapping为Max yT所对应的转换值；
Min yT为该些组制程数据的该老化特征的最小数值，Min yT_mapping为Min yT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；以及
依序判断该些装置健康指数是否大于或等于一门槛值，并将该些装置健康指数中最先大于或等于该门槛值的一者所应的工件设定为该样本选取点。
3.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该建模步骤包含：
使用一整合移动平均自回归模型为该时间序列预测演算法，来建立该老化特征预测模型，其中该整合移动平均自回归模型包含：一移动平均模型和一自回归模型模型；
使用一自相关函数选出该移动平均模型的最大落后期数，并以使用一偏自相关函数选出该自回归模型的最大落后期数；
对该组建模样本数据中的该些数值进行一白噪音检定，其中当该些数值的一者是白噪音时，则加入该样本选取点前第N+1个工件所对应的又一组制程数据中对应至该老化特征(yT)的数值至该组建模样本数据；
使用该移动平均模型的最大落后期数和该自回归模型的最大落后期数，来建立多个整合移动平均自回归模型组合；
使用一信息准则演算法，来计算出每一该些整合移动平均自回归模型组合的信息量；以及
选出该些整合移动平均自回归模型组合中具有最大信息量的一者为一最佳模型。
4.根据权利要求3所述的生产机台组件的预测保养方法，其特征在于，该信息准则演算法为贝氏信息准则或赤池信息量准则。
5.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该建模步骤还包含：
判断该组建模样本中的该些数值的变异数是否会随着时间而越来越大，其中当该些数值的变异数随着时间而越来越大时，对该组建模样本数据的每一该些数值进行对数转换；
对该些数值进行一单根检定，以确认依序排列的该些数值是否为稳态状态，其中当该些数值不是稳态状态时，对该组建模样本数据的每一该些数值进行差分转换。
6.根据权利要求5所述的生产机台组件的预测保养方法，其特征在于，该单根检定为扩充迪基-福勒检验或KPSS检定。
7.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该生产机台组件的预测保养方法还包含：进行一第二判断步骤，以根据该些剩余使用寿命预测值(RULt)来判断该组件是否需要更换或维修，其中该第二判断步骤包含：
判断(RULt－RULt-1)/RULt-1是否大于或等于一门槛值，而获得一第一结果，其中t-1代表第t-1个工件；
判断RULt是否小于一维修缓冲时间，而获得一第二结果，其中当该组件异常时，该组件必须在该维修缓冲时间进行维修；
当该第一结果和该第二结果均为否时，该组件处于生病状态但未急速恶化，不需进行维修；
当该第一结果为否而该第二结果为是时，该组件未急速恶化但其剩余使用寿命不足，需进行维修；
当该第一结果为是而该第二结果为否时，该组件急速恶化，若处理连续第t+p个工件的每一者的该第一结果为是而该第二结果为否，则需检查或维修该组件，其中p为正整数；以及
当该第一结果和该第二结果均为是时，该组件需进行维修。
8.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该生产机台组件的预测保养方法还包含：进行一第二判断步骤，以根据该些预测数值来判断该组件是否需要更换或维修，其中该第二判断步骤包含：
以一组转换公式分别将该老化特征(yT)的该些预测数值转换成分别对应至该些工件的该组件的多个死亡相关指数(DCIt)，该组转换公式为：
Figure FDA0002458817460000041
其中ydeath为该组件在死亡状态时所对应的该老化特征的预测数值，yt-1为该组件在处理第t-1个工件时所对应的该老化特征的预测数值，conv为共变异数计算，Var为变异数计算；
当DCIt大于一门槛值时，代表该组件在处理第t个工件时接近死亡状态而需要更换或维修，其中该门槛值的计算是根据DCIt的标准误差。
9.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该组件为一加热器、一压力模组、一节流阀、一无油衬套或一轴承，该些参数包含：一阀开度、一振动振幅、一驱动电压、一驱动电流、一温度和/或一压力。
10.根据权利要求1所述的生产机台组件的预测保养方法，其特征在于，该些参数指标包含：一转换至频域后的k倍频特征(其中k大于0)、一整体相似度指标、一统计数据分布的峰度、一统计数据分布的偏度、一标准差、一均方根、一平均值、一最大值和/或一最小值。
CN202010313837.7A 2019-04-26 2020-04-20 生产机台组件的预测保养方法 Active CN111860933B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108114804A TWI708197B (zh) 2019-04-26 2019-04-26 生產機台組件的預測保養方法與其電腦程式產品
TW108114804 2019-04-26

Publications (2)

Publication Number Publication Date
CN111860933A true CN111860933A (zh) 2020-10-30
CN111860933B CN111860933B (zh) 2023-09-01

Family

ID=72921669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010313837.7A Active CN111860933B (zh) 2019-04-26 2020-04-20 生产机台组件的预测保养方法

Country Status (3)

Country Link
US (1) US11378946B2 (zh)
CN (1) CN111860933B (zh)
TW (1) TWI708197B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI802334B (zh) * 2022-03-22 2023-05-11 國立成功大學 生產機台組件的多變量預測保養方法與其電腦程式產品
US11960263B2 (en) * 2019-07-10 2024-04-16 Honeywell International Inc. Building automation system monitoring
EP4016222A1 (en) * 2020-12-18 2022-06-22 Honeywell International Inc. Monitoring the remaining useful lifetime of an asset
EP4290322A1 (en) * 2022-06-07 2023-12-13 Dassault Systèmes Inference of emerging problems in product manufacturing

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0934863A (ja) * 1995-07-14 1997-02-07 Hitachi Ltd ニューラルネットワークによる情報統合処理方法
CN102682344A (zh) * 2012-01-07 2012-09-19 河南科技大学 一种性能数据伴随的产品寿命及其可靠性预测方法
CN103577887A (zh) * 2012-07-20 2014-02-12 郑芳田 标的装置的基底预测保养方法
US20170116530A1 (en) * 2015-10-21 2017-04-27 Adobe Systems Incorporated Generating prediction models in accordance with any specific data sets

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4658245A (en) * 1983-04-29 1987-04-14 The Warner & Swasey Company Tool condition and failure monitoring apparatus and method
CN1361861A (zh) * 1999-05-21 2002-07-31 布克哈姆技术公共有限公司 与连续重新校准相结合的光谱数据的自适应判读方法和系统
US20020013687A1 (en) * 2000-03-27 2002-01-31 Ortoleva Peter J. Methods and systems for simulation-enhanced fracture detections in sedimentary basins
US6928398B1 (en) * 2000-11-09 2005-08-09 Spss, Inc. System and method for building a time series model
AU2003296939A1 (en) * 2002-12-10 2004-06-30 Stone Investments, Inc Method and system for analyzing data and creating predictive models
AU2003902883A0 (en) * 2003-06-10 2003-06-26 Cumming, Andrew Conditional rate modelling
US20060129257A1 (en) * 2004-12-13 2006-06-15 Taiwan Semiconductor Manufacturing Co., Ltd. Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework
TW200716504A (en) * 2005-10-18 2007-05-01 jin-zhi Ye The orthopaedic implant products with controllable dissolving rate for biomedical use and the manufacturing method thereof
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
TWI338916B (en) 2007-06-08 2011-03-11 Univ Nat Cheng Kung Dual-phase virtual metrology method
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
TWI412906B (zh) 2010-04-13 2013-10-21 Univ Nat Cheng Kung 具有虛擬量測功能的製造執行系統與製造系統
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
US9722892B2 (en) * 2012-07-02 2017-08-01 Nec Corporation Flow rate prediction device, flow rate prediction method, and flow rate prediction program
US9727049B2 (en) * 2012-09-04 2017-08-08 Taiwan Semiconductor Manufacturing Company, Ltd. Qualitative fault detection and classification system for tool condition monitoring and associated methods
TWI481978B (zh) 2012-11-05 2015-04-21 Univ Nat Cheng Kung 工具機之加工品質的預測方法
CN103675525B (zh) 2013-11-14 2017-01-18 南京航空航天大学 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法
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
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
US20170076216A1 (en) * 2015-09-10 2017-03-16 Siemens Aktiengesellschaft Maintenance event planning using adaptive predictive methodologies
CN106089753B (zh) 2016-07-01 2018-01-19 太原理工大学 一种离心泵剩余寿命预测方法
CN108628661B (zh) * 2017-03-24 2021-11-26 郑芳田 云制造服务的自动建置方法、云制造系统
CN108629073B (zh) * 2018-03-14 2019-05-03 山东科技大学 一种多模式的退化过程建模及剩余寿命预测方法
CN108535656A (zh) 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN108681277A (zh) 2018-05-10 2018-10-19 中国人民解放军空军工程大学 通用型地面phm装置及其使用方法
CN109165396B (zh) 2018-06-27 2023-09-29 谭晓栋 一种故障演化趋势的设备剩余使用寿命预测方法
CN109145773B (zh) 2018-08-01 2021-10-12 谭晓栋 一种多源趋势信息融合的故障预测方法
CN109063366B (zh) * 2018-08-22 2022-12-23 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
TWI669617B (zh) * 2018-10-12 2019-08-21 財團法人工業技術研究院 設備健康狀態監控方法及其系統
US11347629B2 (en) * 2018-10-31 2022-05-31 Dell Products L.P. Forecasting a quality of a software release using machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0934863A (ja) * 1995-07-14 1997-02-07 Hitachi Ltd ニューラルネットワークによる情報統合処理方法
CN102682344A (zh) * 2012-01-07 2012-09-19 河南科技大学 一种性能数据伴随的产品寿命及其可靠性预测方法
CN103577887A (zh) * 2012-07-20 2014-02-12 郑芳田 标的装置的基底预测保养方法
US20170116530A1 (en) * 2015-10-21 2017-04-27 Adobe Systems Incorporated Generating prediction models in accordance with any specific data sets

Also Published As

Publication number Publication date
US20200341459A1 (en) 2020-10-29
US11378946B2 (en) 2022-07-05
TW202040443A (zh) 2020-11-01
TWI708197B (zh) 2020-10-21
CN111860933B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN111860933A (zh) 生产机台组件的预测保养方法
JP7348440B2 (ja) 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
JP7402399B2 (ja) 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
KR100756728B1 (ko) 반도체 처리 기술
US11410891B2 (en) Anomaly detection and remedial recommendation
US9240360B2 (en) Run-to-run control utilizing virtual metrology in semiconductor manufacturing
JP4008899B2 (ja) 半導体装置の製造システムおよび半導体装置の製造方法
US6678570B1 (en) Method and apparatus for determining output characteristics using tool state data
US7603328B2 (en) Dual-phase virtual metrology method
CN113330463A (zh) 在半导体设备工具中利用神经网络进行腔室匹配
Cheng et al. Tutorial on applying the VM technology for TFT-LCD manufacturing
JP2008516447A (ja) 利用可能なメトロロジーキャパシティに基づいてメトロロジーサンプリングを動的に調整する方法およびシステム
Chien et al. A novel approach to hedge and compensate the critical dimension variation of the developed-and-etched circuit patterns for yield enhancement in semiconductor manufacturing
JP4568216B2 (ja) 半導体装置の製造システム
JP2023549331A (ja) 半導体製造装置のための予知保全
Tin et al. A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective
CN116472463A (zh) 基于包含传感器映射及经触发的数据输入的健康而监测、评估及响应的衬底处理系统工具
TWI802334B (zh) 生產機台組件的多變量預測保養方法與其電腦程式產品
Rostami et al. Equipment deterioration modeling and cause diagnosis in semiconductor manufacturing
US20220291675A1 (en) Multiple-variable predictive maintenance method for component of production tool and non-transitory tangible computer readable recording medium thereof
US7801636B2 (en) Method and system for managing wafer processing
JP2012015410A (ja) 不良解析方法、不良解析装置
US11954615B2 (en) Model management for non-stationary systems
TWI838361B (zh) 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法
Shelly An Adaptive Recipe Compensation Approach for Enhanced Health Prediction in Semiconductor Manufacturing

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