CN115803858A - 半导体制造设备的预测性维护 - Google Patents

Abstract

本文中的各种实施方式涉及用于半导体制造设备的预测性维护系统和方法。在一些实施方式中，预测性维护系统包括处理器，该处理器被配置成：接收指示对应于进行制造工艺的制造设备的历史操作条件和历史制造信息的离线数据；通过使用将离线数据作为输入的训练模型来计算预测设备健康状态信息；接收指示制造设备的当前操作条件的实时数据；通过使用将实时数据作为输入的训练模型来计算估计设备健康状态信息；通过结合预测设备健康状态信息和估计设备健康状态信息来计算调整设备健康状态信息；以及呈现包括制造设备的至少一个部件的预期剩余使用寿命(RUL)的调整设备健康状态信息。

Description

半导体制造设备的预测性维护

优先权主张

PCT申请表作为本申请的一部分与本说明书同时提交。如在同时提交的PCT申请表中所标识的本申请要求享有其权益或优先权的每个申请均通过引用全文并入本文且用于所有目的。

背景技术

因为半导体设备可包括数百部件而每个部件具有许多不同的故障点，并且因为系统和部件的设定点可能由于设备的运行而随时间漂移，因此用于制造半导体设备的半导体设备可能难以维护。维护工作常常是手动识别的或仅使用有限的信息。在一些情况下，因为当前的维护识别技术可能造成设备问题识别得太晚，而导致设备停机时间相当长及维修工作成本高昂的结果。

这里提供的背景描述是为了总体呈现本公开的背景的目的。当前指定的发明人的工作在其在此背景技术部分以及在提交申请时不能确定为现有技术的说明书的各方面中描述的范围内既不明确也不暗示地承认是针对本公开的现有技术。。

发明内容

本文公开了用于半导体制造设备的预测性维护的方法和系统。

根据所公开主题的一些实施方式，提供预测性维护系统，该系统包含：存储器；以及处理器，当执行储存在存储器中的计算机可执行指令时，该处理器被配置成：接收离线数据，该离线数据指示与进行制造工艺的制造设备对应的历史操作条件和历史制造信息；通过使用将该离线数据作为输入的训练模型来计算与制造设备关联的预测设备健康状态信息；接收指示与制造设备对应的当前操作条件和当前制造信息的实时数据；通过使用将该实时数据作为输入的训练模型来计算与制造设备关联的估计设备健康状态信息；通过结合基于离线数据计算的该预测设备健康状态信息以及基于实时数据计算的该估计设备健康状态信息来计算与制造设备相关联的调整设备健康状态信息；以及呈现该调整设备健康状态信息，其中该调整设备健康状态信息包括制造设备的至少一个部件的预期剩余使用寿命(RUL)。

在一些实施方式中，指示历史操作条件的离线数据和指示当前操作条件的实时数据包含从制造设备的一个或多个传感器接收的数据。

在一些实施方式中，使用基于物理学的模拟数据来训练该模型。

在一些实施方式中，模拟数据包括在制造设备的第一空间位置的估计数据，该估计数据基于在制造设备的物理传感器所处的一个或多个其他空间位置所测量的传感器数据而被估计。

在一些实施方式中，该估计数据是所测量的传感器数据的插值。

在一些实施方式中，使用与包含使用该制造工艺制造的电子设备的衬底相关联的计量数据来训练该模型。

在一些实施方式中，处理器进一步被配置成提取指示历史操作条件的离线数据和指示当前操作条件的实时数据的特征，并且其中该训练模型将所提取的特征作为输入。

在一些实施方式中，处理器进一步被配置成：根据指示当前操作条件的实时数据来检测制造设备的异常条件；以及响应检测制造设备的异常条件，识别与制造设备关联的故障的类型。

在一些实施方式中，检测制造设备的异常条件基于指示当前操作条件的实时数据和指示历史操作条件的离线数据的比较。

在一些实施方式中，识别与制造设备关联的故障的类型包含使用历史故障数据库对指示当前操作条件的实时数据进行分类。

在一些实施方式中，识别与制造设备关联的故障的类型包含使用基于物理学的模拟数据对指示当前操作条件的实时数据进行分类。

在一些实施方式中，处理器进一步被配置成：识别制造设备的当前操作条件的修改以及当前操作条件中的该修改将改变制造设备的至少一个部件的预期剩余使用寿命的可能性；以及提出当前操作条件的被识别的修改。

在一些实施方式中，基于该基于物理学的模拟数据来识别制造设备的当前操作条件的修改。

在一些实施方式中，处理器进一步被配置成：计算与进行该制造工艺的第二制造设备相关联的第二调整设备健康状态信息，其中第二调整设备健康状态信息基于具有该制造设备的该至少一个部件的第二制造设备；以及基于第二调整设备健康状态信息，提出从该制造设备移除该至少一个部件以在第二制造设备中使用的建议。

在一些实施方式中，响应判定该至少一个部件的RUL低于预定阈值而计算第二调整设备健康状态信息。以下将参考相关附图更详细地描述所公开内容的这些和其他特征。

在一些实施方式中，响应判定对应于该至少一个部件在用于第二制造设备时的第二RUL超过该至少一个部件在用于该制造设备时的RUL而提出该建议。

根据一些实施方式，提供预测性维护系统，该系统包含：存储器；以及硬件处理器，当执行储存在存储器中的计算机可执行指令时，该硬件处理器被配置成：接收离线数据，所述离线数据指示与进行制造工艺的制造设备对应的历史操作条件和历史制造信息，其中该离线数据包括来自与该制造设备相关联的多个传感器的离线传感器数据；使用一个或多个基于物理学的模拟模型来产生多个基于物理学的模拟值，而每个基于物理学的模拟模型建模该制造设备的部件；使用该离线数据和该多个基于物理学的模拟值来训练产生预测设备健康状态分数的神经网络。

在一些实施方式中，用于训练神经网络的每个训练样本包含作为输入值的该离线数据和该多个基于物理学的模拟值以及作为目标输出的计量数据。

在一些实施方式中，该多个基于物理学的模拟值中的基于物理学的模拟值对应于该多个传感器中的传感器的测量的估计。

在一些实施方式中，该多个传感器中的该传感器位于该制造设备的第一位置，并且其中该测量的估计在该制造设备的第二位置。

在一些实施方式中，历史制造信息包含与该制造设备对应的故障模式和影响分析(FMEA)信息。

在一些实施方式中，历史制造信息包含与该制造设备相关的设计信息。

在一些实施方式中，历史制造信息包含从质量数据库中检索的质量信息。

附图说明

图1A示出了根据所公开主题的一些实施方式的预测性维护系统的框图。

图1B示出了根据所公开主题的一些实施方式的预测性维护系统中所使用的软件模块的框图。

图2A、2B、2C和2D示出了根据所公开主题的一些实施方式以产生设备健康状态信息的技术的一般示例。

图3A和3B示出了根据所公开主题的一些实施方式的处理器的操作的流程图。

图4A、4B、4C和4D示出了根据所公开主题的一些实施方式而与用于静电卡盘子系统的设备健康状态信息相关的技术的示例。

图5示出了可用于实现本文所述特定实施方式的示例性计算机系统。

具体实施方式

术语

在本说明书全文中使用以下术语：

术语“半导体晶片”、“晶片”、“衬底”、“晶片衬底”和“部分制造的集成电路”可互换使用。本领域技术人员应理解，术语“部分制造的集成电路”可以指在硅晶片上的集成电路制造的许多阶段中的任一阶段期间的硅晶片。半导体设备行业中使用的晶片或衬底通常具有200mm、300mm或450mm的直径。除了半导体晶片之外，可利用所公开实施方式的其他工件包括各种对象，例如印刷电路板、磁性纪录介质、磁性纪录传感器、反射镜、光学部件、微机械装置等等。工件可以是各种形状、尺寸和材料。

本文所用的“半导体设备制造操作”是在半导体设备的制造期间所执行的操作。通常，整个制造处理包括多个半导体设备制造操作，每个操作在其自身的半导体制造工具中执行，半导体制造工具例如等离子体反应器、电镀槽、化学机械平坦化工具、湿式蚀刻工具等等。半导体设备制造操作的类别包括例如蚀刻处理及平坦化处理的削减式处理以及例如沉积处理(例如，物理气相沉积、化学气相沉积、原子层沉积、电化学沉积、无电沉积)的材料添加处理。在蚀刻处理的背景下，衬底蚀刻处理包括蚀刻掩模层处理，或者更一般地，包括蚀刻预先沉积在衬底表面上和/或存在于衬底表面上的任何材料层的处理。这种蚀刻处理可蚀刻衬底中的叠层。

“制造设备”指在其中进行制造处理的设备。制造设备通常具有处理室，在处理期间工件位于处理室中。通常，当使用时，制造设备执行一个或多个半导体设备制造操作。用于半导体设备制造的制造设备的示例包括例如电镀槽、物理气相沉积反应器、化学气相沉积反应器和原子层沉积反应器的沉积反应器，以及例如干式蚀刻反应器(例如，化学和/或物理蚀刻反应器)、湿式蚀刻反应器和灰化器的削减式处理反应器。

本文所使用的“异常”与工艺、层、或产品的正常运行的偏离。例如，异常可包括不合适的设定点或操作条件，例如不合适的温度、不合适的压力、不合适的气流速率等等。

在一些实施方式中，异常可能导致或造成例如处理室的制造设备系统或子系统的部件的故障。例如，异常可能导致静电卡盘(ESC)的部件的故障。作为更具体的示例，与ESC相关联的故障可能包括ESC的部件中例如阀、基座、边缘环等的故障。作为特定示例，故障可能包括基座的断裂。作为另一具体示例，故障可能包括边缘环的撕裂或断裂。可以检测异常的处理室的其他系统或子系统可以包括喷头、RF产生器、等离子体源等。异常可能为随机的或系统性的。

本文所使用的“计量数据(Metrology data)”指至少部分通过对经处理的衬底或衬底在其中被处理的反应室的特征进行测量而产生的数据。可在反应室中执行半导体设备制造操作的同时或之后进行测量。在一些实施方式中，计量数据通过在经蚀刻衬底上执行显微术(例如，扫描式电子显微术(SEM)、透射电子显微术(TEM)、扫描透射电子显微术(STEM)、反射式电子显微术(REM)、原子力显微术(AFM))或光学计量的计量系统而产生。当使用光学计量时，计量系统可通过从所测量的光学计量信号而计算缺陷位置、形状和/或尺寸，以获得关于它们的信息。在一些实施方式中，通过在受处理的衬底上进行反射测量、圆顶散射测量、角分辨散射测量、小角度X射线散射测量和/或椭圆偏振术，以产生计量数据。在一些实施方式中，计量数据包括来自例如能量色散X射线光谱术(EDX)的光谱数据。计量数据的其他示例包括传感器数据，例如温度、室内的环境条件、衬底或反应器部件的质量变化、机械力等等。在一些实施方式中，可基于传感器日志而产生虚拟计量数据。

在一些实施方式中，计量数据包括与用于获取计量数据的计量系统或条件有关的“元数据(metadata)”。元数据可视为对数据进行描述和/或表征的成组的标签。元数据属性的非排他性列表包括：

处理工具设计及操作信息，例如平台信息、机械臂设计、工具材料细节、部件信息、工艺配方信息等。

图像捕获细节，例如对比度、放大率、模糊、噪声、亮度等。

光谱生成细节，例如x射线着陆能量、波长、曝光/采样时间、化学光谱、检测器类型等。

计量工具细节，例如缺陷尺寸、位置、类别识别、采集时间、旋转速度、激光波长、边缘排除、明场、暗场、倾斜、正入射、配方信息等。

来自制造处理的传感器数据(其可以是原位或异位的)：所捕获的数据的光谱范围、能量、功率、处理终点细节、检测频率、温度、其他环境条件等。

本文所使用的“机器学习模型”是经训练的计算算法，其已被训练以建立数据点之间的关系的数学模型。经训练的机器学习模型可根据所学习的关系产生输出而无需被明确地编程以使用明确定义的关系来产生该输出。

本文描述的技术可将机器学习模型用于许多不同的目的。例如，经训练的机器学习模型可以是将信号(例如，传感器数据、光谱数据、光发射数据等的时间序列信号、)作为输出，并产生一个或多个特征作为输出的特征提取模型，该一个或多个特征通过识别输入信号的关键特征或维度来减少输入信号。作为更具体的示例，可将特征提取模型用于通过识别不太可能是噪声的时间序列信号的关键特征而将该时间序列信号去噪。

作为另一示例，经训练的机器学习模型可以是将指示制造设备或制造设备的部件的操作条件的数据作为输入、并产生当制造设备在异常条件下操作的分类作为输出的分类器。在一些实施方式中，异常条件可包括为达期望的操作条件(例如，期望的温度、期望的压力、期望的气体流速、期望的功率等)而在系统或子系统的特定部件中的故障和/或系统或子系统的故障。

作为又一示例，经训练的机器学习模型可以是将指示制造设备或制造设备的部件的操作条件的数据作为输入、并产生与制造设备相关联的预测设备健康状态信息作为输出的神经网络。请注意以下将更详细描述设备健康状态信息。

机器学习模型的示例包括自动编码器网络(例如，长短期记忆(LSTM)自动编码器、卷积自动编码器、深度自动编码器和/或任何其他合适类型的自动编码器网络)、神经网络(例如，卷积神经网络、深度卷积网络、递归神经网络和/或任何其他合适类型的神经网络)、聚类算法(例如，最近邻、K-均值聚类和/或任何其他合适类型的聚类算法)、随机森林模型，随机森林模型包括深度随机森林、受限玻尔兹曼机、深度信念网络(DBN)、递归张量网络和梯度提升树。

请注意，一些机器学习模型被表征为“深度学习”模型。除非另外说明，否则本文中对“机器学习”的任何引用包括深度学习的实施方式。可以各种形式实施深度学习模型，例如通过神经网络(例如，卷积神经网络)。通常，但不一定，其包括多个层。每个这样的层包括多个处理节点，并且该些层按顺序进行处理，其中靠近模型输入的层的节点在靠近模型输出的层的节点之前进行处理。在各种实施方式中，一层馈送到下一层，以此类推。

在各种实施方式中，深度学习模型可具有显着的深度。在一些实施方式中，该模型具有多于两(或多于三或多于四或多于五)层的处理节点，处理节点从前面的层接收值(或作为直接输入)并将值输出至后续层(或最终输出)。内部节点通常在某种意义上是“隐藏的”，因为内部节点的输入和输出值在模型外部不可见。在各种实施方式中，隐藏节点的操作在操作期间没有被监视或纪录。

可以训练和再训练深度学习模型的节点和连接，而无需重新设计它们的数量、排列等。

如所指出的，在各种实施方式中，节点层可共同形成神经网络，但许多深度学习模型具有其他结构和格式。在一些实施方式中，深度学习模型不具有分层结构，在这种情况下，与将“深度”表征为具有许多层的上述内容并不相关。

“贝叶斯分析(Bayesian analysis)”指利用可用证据来评估先验概率以确定后验概率的统计范式。先验概率是反映关于待检测的一个或多个参数的当前知识或主观选择的概率分布。先验概率也可包括所储存的测量的方差系数或报告限制。证据可以是经收集或采样的新数据，其影响先验概率的概率分布。利用贝叶斯理论或其变体，将先验概率与证据结合以产生更新后的概率分布，其称为后验概率。在一些实施方式中，可以使用该后验概率作为新的先验概率并结合新的证据以重复多次的贝叶斯分析。

术语“制造信息”指关于制造设备的类型的信息，例如处理室的类型。在一些实施方式中，制造信息可包括关于制造设备的使用的信息，例如指示可以在制造设备上实施的特定配方的信息。在一些实施方式中，制造信息可包括手动生成的或专家生成的故障信息，例如故障模式和影响分析(FMEA)信息。在一些实施方式中，可整合任何其他的设计信息，例如来自质量数据库的信息等。

在一些实施方式中，“制造信息”可包括特定于制造设备的特定实例的信息，例如特定的处理室。例如，制造信息可包括特定处理室的历史维护信息，例如先前更换或维修部件的特定日期、先前发生故障的特定日期和/或任何其他合适的历史维护信息。作为另一示例，制造信息可包括即将到来的维护信息，例如制造设备的实例的特定系统或子系统的预定维护的日期。

“数据驱动信号”指使用与制造设备的系统或子系统相关联的任何合适的传感器或仪器来测量或收集的数据。例如，数据驱动信号可包括温度测量、压力测量、光谱测量、光发射测量、气流测量和/或任何其他合适的测量。作为更具体的示例，在一些实施方式中，数据驱动信号可包括从一个或多个传感器收集的连续追踪数据(CTD)。请注意，数据驱动信号可以是离线(例如，在相对于制造设备正在运行的当前时间的先前时间点预先收集的)或实时(例如，在制造设备的运行期间收集的)。

“基于物理学的模拟值”指使用模拟产生的值，该模拟在本文中通常称为“基于物理学的算法”。例如，在一些实施方式中，基于物理学的模拟值可以是参数(例如，温度、压力和/或任何其他合适的参数)的估计值，该估计值基于特定环境中的参数的模型来计算。作为更具体的示例，基于物理学的模拟值可以是ESC的特定空间位置处的温度估计，其基于该ESC的温度梯度的模型来计算。

基于物理学的算法可以使用任何合适的技术以使用明确定义的物理定律或方程式来模拟特定部件或物理现象(例如，包括特定材料的环境中的温度梯度、具有特定尺寸的室内的气流和/或任何其他合适的物理现象)。例如，在一些实施方式中，基于物理学的算法可以使用任何合适的数值建模技术而产生在一列时间步长或空间步长上的物理现象的模拟。

“预测性维护”指基于制造设备的特征和/或基于制造设备的部件而监视和预测制造设备或制造设备的部件的健康状态。在一些实施方式中，制造设备可包括室的系统或子系统，例如ESC、喷头、等离子体源、射频(RF)产生器和/或任何其他合适类型的制造系统或子系统。在一些实施方式中，制造设备的部件可包括系统和/或子系统的单独部件，例如基座、ESC的边缘环、特定阀(例如，供应气体至喷头的气箱的阀)和/或任何其他合适的部件。

本文所述的预测性维护系统可执行任何合适的分析而产生“设备健康状态信息”。本文所使用的“设备健康状态信息”是对制造设备的操作条件的分析。在一些实施方式中，设备健康状态信息可包括对于制造设备的整体系统或子系统(例如，喷头、ESC、等离子体源、RF产生器和/或任何其他合适系统和/或子系统)的评分或度量。额外地或可替代地，在一些实施方式中，设备健康状态信息可包括对于系统或子系统的单独部件的评分或度量，该单独部件例如为ESC的基座、ESC的边缘环、特定阀(例如，供应气体至喷头的气箱的阀)和/或任何其他合适的部件。

在一些实施方式中，与制造设备系统或子系统相关的设备健康状态评分或度量的示例可包括平均故障时间(MTTF)、平均维护时间(MTTM)、平均故障间隔时间(MTBF)和/或任何其他合适的设备健康状态信息。

在一些实施方式中，对于系统或子系统的部件的设备健康状态评分或度量的示例可包括该部件的剩余使用寿命(RUL)。例如，在一些实施方式中，预测性维护系统可确定该部件将需要在未来的特定时间(例如，十天内、二十天内等)更换。

在一些实施方式中，设备健康状态信息可包括由预测性维护系统所识别的规范性维护建议。例如，在一些实施方式中，响应于识别部件的特定RUL少于预定阈值时间(例如，少于十天、少于二十天等)，预测性维护系统可识别可被实行以增加该部件的RUL的一个或多个动作。作为更具体的示例，在一些实施方式中，预测性维护系统可识别出很可能延长该部件的RUL的制造设备所使用的配方的改变(例如，温度的改变、压力的改变和/或任何其他合适的配方改变)。作为另一更具体的示例，在一些实施方式中，预测性维护系统可识别出不同部件的替换很可能延长该部件的RUL。作为一特定示例，预测性维护系统可建议替换ESC的阀以延长该ESC的边缘环的RUL。

在一些实施方式中，预测性维护系统可识别即将发生的故障。例如，在一些实施方式中，预测性维护系统可检测制造设备系统或子系统的部件中的异常。在一些实施方式中，响应于检测异常，预测性维护系统可执行任何合适的根本原因分析或其他故障分析以识别异常的原因。例如，在一些实施方式中，预测性维护系统可执行故障分析(例如，鱼骨图分析、五个为什么分析、故障树分析等等)以识别异常的可能原因。

请注意，在一些实施方式中，本文所述的预测性维护系统可以使用任何合适的技术来预测设备的健康状态。例如，在一些实施方式中，预测性维护系统可以使用机器学习模型(例如经训练的神经网络)来产生设备健康状态信息。

作为更具体的示例，在一些实施方式中，预测性维护系统可基于设备的先前测量的特征(在本文中称为离线数据)并假定设备的通常的劣化率(例如，由于磨损)而产生指示设备的健康状态的预测设备健康状态信息。进一步继续该特定示例，在一些实施方式中，预测性维护系统可基于实时数据(例如，从与设备相关联的传感器收集的实时数据、实时光谱信息、设备的实时制造条件和/或任何其他合适的实时数据)而产生指示设备的当前健康状态的估计的估计设备健康状态信息。仍进一步继续该特定示例，在一些实施方式中，预测性维护系统可产生调整设备健康状态信息，调整设备健康状态信息结合基于离线数据的预测健康状态信息和基于实时数据的估计健康状态信息。在一些实施方式中，接着可将调整健康状态信息馈送回去以作为可被预测性维护系统用于后续设备健康状态信息计算的当前健康状态信息。

在一些实施方式中，规范性维护包括故障分析以确定是什么条件或设计特征导致部件发生故障或降级。此类方面的预防性维护可涉及事后分析以识别部件故障或退化的根本原因。预防性维护可用于协助重新设计部件。

请注意，在一些实施方式中，产生设备健康状态信息的机器学习模型可以使用任何合适的输入。例如，该些输入可包括数据驱动信号(例如，来自与制造设备关联的一个或多个传感器的数据)、配方信息、历史故障信息(例如，FMEA信息、指示对制造设备的先前维护操作的维护日志等)、计量数据、基于物理学的信号(例如，使用对特定系统或子系统进行建模的基于物理学的算法所产生的模拟值)和/或任何其他合适的输入。

概述

本文所述的预测性维护系统可用于半导体制造设备的预测性维护，例如用于晶片支架(例如，ESC)、RF产生器、等离子体源、喷头等。例如，在一些实施方式中，本文所述的预测性维护系统可评估系统或子系统的当前设备健康状态，以指示临至故障的可能时间或临至系统或子系统需要维护的可能时间。作为另一示例，在一些实施方式中，本文所述的预测性维护系统可评估单独的部件(例如，单独的边缘环、单独的阀等)并评估该些单独部件的可能RUL。在一些实施方式中，通过预测临至故障的时间或临至将需要维修的时间，本文所述的预测性维护系统可显著减少由于不可预见的故障而导致的制造设备停机时间。此外，本文所述的预测性维护系统可允许及时的部件订购，从而允许在故障之前更换被识别为可能很快发生故障的部件。

除了产生预测性维护度量之外，在一些实施方式中，本文所述的预测性维护系统可产生规范性维护建议。例如，预测性维护系统可识别特定部件可能在预定的时间段内(例如，在接下来的十天内)发生故障，并可额外地识别可能延长该部件的寿命的建议(例如，不同部件的替换、制造设备所实施的配方的改变等)。通过主动地产生规范性维护建议，本文所述的预测性维护可允许制造设备在预定的维护约期之间使用更长的时间段，从而提高设备的效率。

在一些实施方式中，本文所述的预测性维护系统可识别设备的异常、或即将发生的故障。例如，可在当前制造工艺期间检测例如ESC的基座平台破裂、RF产生器的过大功率、喷头的未调平等等的异常。在一些实施方式中，本文所述的预测性维护系统可识别可能的故障，以及该故障的可能原因。在一些实施方式中，通过自动化故障分析，本文所述的预测性维护系统可减少分析故障所需的人工时间，从而提高效率。

在一些实施方式中，可以使用机器学习模型来产生预测性维护度量、规范性维护建议和故障分析。可以使用离线信息以及实时信息两者来训练机器学习模型，离线信息包括来自制造设备的对象的先前使用的历史信息，实时信息包括在制造设备的该对象的当前使用期间的当前数据。通过结合离线和实时信息，可基于当前的、实时的信息来调整基于已知设备老化的预测设备健康状态，以产生更准确的制造设备的实时状态。

在一些实施方式中，机器学习模型可包括基于物理学的模拟值和/或数据驱动信号。在一些实施方式中，基于物理学的模拟值可以是各种物理现象的基于物理学的模拟的结果。在一些实施方式中，可以使用基于物理学的模拟值来训练模型而产生设备健康状态信息、识别异常或故障的根本原因、识别可改变的参数以延长特定部件的RUL和/或用于任何其他合适的目的。在一些实施方式中，数据驱动信号可以是被测量的数据(例如，传感器数据、光谱数据、光发射数据等)，机器学习模型可以使用这些数据来指示处理室的测量特性。

预测性维护系统

图1A显示根据所公开主题的一些实施方式的预测性维护系统的示意图。在一些实施方式中，预测性维护系统可以关于制造设备系统或子系统而进行操作，制造设备系统或子系统例如为ESC、喷头、RF产生器、等离子体源和/或任何其他合适系统或子系统。请注意，在一些实施方式中，可以使用可执行任何合适功能(例如，执行任何合适的算法、从任何合适的源接收数据、产生任何合适的输出等等)的计算系统来实施预测性维护系统。在一些实施方式中，计算系统可包括任何合适的装置(例如，服务器、桌面计算机、笔记本电脑等)，这些装置的每个可包括任何合适的硬件，如以下在图5中更详细地示出和描述。

请注意，以下结合图1B更详细地描述与图1A所显示的框相关联的更详细技术。

可以接收离线数据信号102。在一些实施方式中，离线数据信号102可包括在制造设备的先前操作期间收集的任何合适数据。如上所述，离线数据信号102可包括从与制造设备关联的任何合适的传感器(例如，温度传感器、位置传感器、压力传感器、力传感器、气流传感器和/或任何其他合适类型的传感器)收集的数据、光谱数据、光发射数据和/或在制造设备的先前操作期间收集的任何其他合适的测量值。在一些实施方式中，离线数据信号102可以是成组的时间序列数据序列，例如温度数据时间序列、压力数据时间序列等。注意可能已在任何合适的时间段中收集离线数据信号102，例如在过去一个月内、过去两个月内等。

可以使用离线数据信号102来产生导出的离线数据104。在一些实施方式中，导出的离线数据104可对应于表现离线数据信号102的特征。在一些实施方式中，例如在图1B中所示并且以下结合图1B所描述的，可以使用特征提取模型来产生导出的离线数据104。在一些情况下，在没有特征提取或其他导出过程的情况下使用离线数据信号102。在这种情况中，导出的离线数据104是离线数据信号102。

可接收离线制造信息106。

在一些实施方式中，离线制造信息106可包括配方信息。例如，在一些实施方式中，配方信息可指示通常在制造设备上实施的一个或多个配方，其中每个配方可指示工艺的步骤、在工艺中使用的设定点和/或工艺中使用的材料。

在一些实施方式中，离线制造信息可包括故障模式信息。例如，在一些实施方式中，故障模式信息可包括FMEA信息，FMEA信息指示与制造设备关联的潜在故障以及该些潜在故障的每个者的可能原因。作为另一示例，在一些实施方式中，故障模式信息可包括与制造设备关联的特定对象的历史故障而针对该历史故障对机器学习模型进行训练。作为更具体的示例，历史故障信息可指示先前已故障的特定部件，以及各部件故障的日期和/或发生故障的原因。作为另一更具体的示例，在一些实施方式中，历史故障信息可包括特定部件先前被替换的日期。在一些实施方式中，故障模式信息可包括指示不同部件的故障频率、针对特定部件的典型维护预定的质量信息，和/或任何其他合适质量信息。

在一些实施方式中，离线制造信息可包括关于制造设备的类型的设计信息。在一些实施方式中，设计信息可包括制造设备的特定部件的规格。

在一些实施方式中，离线制造信息可包括针对制造设备的特定对象的维护日志信息而针对该维护日志信息对机器学习模型进行训练。例如，维护日志可指示制造设备的特定部件被替换的日期。作为另一示例，维护日志可指示特定部件的预期寿命。作为又一示例，维护日志可指示特定系统或子系统先前被维修的日期。作为再另一示例，维护日志可指示用于特定系统或子系统的下次未来维修日期。

可接收或计算最近设备健康状态信息108。在一些实施方式中，最近设备健康状态信息108可包括任何合适的度量，合适的度量包括最近被计算的设备健康状态信息，例如来自预测性维护系统的先前推论。如上所述，最近设备健康状态信息108可包括指示整体系统或子系统的健康状态的分数或度量，例如MTTF、MTTM、MTBF和/或任何其他合适系统或子系统的一个或多个度量。此外，在一些实施方式中，最近设备健康状态信息108可包括指示系统或子系统的任何合适单独部件的健康状态的信息，例如单独部件的RUL。

在一些实施方式中，可以使用可靠度信息110来计算最近设备健康状态信息108。在一些实施方式中，可靠度信息110可包括性能信息，例如指示制造设备的最近性能的计量数据。在一些实施方式中，计量数据可包括所制造晶片中缺陷的指示和/或任何其他合适的性能问题的指示。在一些实施方式中，可从可靠度信息110中使用任何合适的经训练的机器学习模型来计算最近设备健康状态信息108，经训练的机器学习模型例如为神经网络(例如，卷积神经网络、深度卷积神经网络、循环神经网络和/或任何其他合适类型的神经网络)。在一些实施方式中，可以使用包括计量数据作为输入的训练样本以及手动批注的性能指标(例如，其指示故障或异常是否与计量数据相关联)来训练机器学习模型。

可产生基于物理学的模拟值112。在一些实施方式中，基于物理学的模拟值112可以是使用基于物理学的算法产生的任何合适的值。例如，基于物理学的模拟值112可包括模拟温度值、模拟压力值、模拟力值、模拟光谱值和/或任何其他合适的模拟值。

在一些实施方式中，基于物理学的值可以是对应测量参数的模拟值。例如，在其中热电偶测量于特定位置的温度的情况下，基于物理学的算法可产生估计距热电偶某距离(例如，5cm、10cm等)的位置处的温度的基于物理学的模拟值。作为另一示例，在其中压力传感器测量于特定位置的压力的情况下，基于物理学的算法可产生估计距压力传感器某距离(例如，5cm、10cm等)的位置处的压力的基于物理学的模拟值。请注意，在一些实施方式中，基于物理学的算法可产生代表来自虚拟传感器的数据的模拟值。在一些实施方式中，基于物理学的模拟值可以是自物理测量插值的值，例如跨网格的物理测量。额外地或可替代地，在一些实施方式中，基于物理学的模拟值可以是使用自物理测量的回归来计算的值。

可以使用导出的离线数据104、离线制造信息106、最近设备健康状态信息108和基于物理学的模拟值112来训练设备健康状态机器学习模型114。

请注意，一旦经过训练之后，如以下更详细描述的，可将设备健康状态机器学习模型114用于产生估计设备健康状态信息和/或预测设备健康状态信息。

可接收实时数据信号116。在一些实施方式中，实时数据信号116可包括从与制造设备关联的任何合适的传感器(例如，温度传感器、位置传感器、压力传感器、力传感器、气流传感器和/或任何其他合适类型的传感器)收集的数据、光谱数据、光发射数据和/或在制造设备的当前操作期间收集的任何其他合适的测量。在一些实施方式中，实时数据信号116可以是成组的时间序列数据序列，例如温度数据时间序列、压力数据时间序列等。

可以使用实时数据信号116来产生导出的实时数据118。例如，在一些实施方式中，例如在图2A中所示并且以下结合图2A所描述的，可以使用施加至实时数据信号116的特征提取模型来产生导出的实时数据118。在一些情况下，无需特征提取或其他导出程序而使用实时数据信号116。在这种情况中，导出的实时数据118是实时数据信号116。

异常检测模型120可通过检测制造设备的当前状态中的异常条件而检测制造设备即将发生的故障。在一些实施方式中，如在图1A中所示并且以下结合图2B所更加详细描述的，异常检测模型120可采用基于物理学的模拟值112、导出的离线数据104和导出的实时数据118作为输入。

在一些实施方式中，如果通过异常检测模型120检测到异常，则故障隔离和分析模型122可对所检测的异常进行分析。在一些实施方式中，故障隔离和分析模型122可识别系统或子系统中的特定故障，例如ESC的基座中的碎裂或开裂、与喷头相关的剥落、与RF产生器相关的过大功率或无功率等等。此外，在一些实施方式中，故障隔离和分析模型122可识别所识别的故障的根本原因。在一些实施方式中，如在图1A中所示并且如以下结合图2C所更加详细描述的，故障隔离和分析模型122可采用导出的实时数据118和基于物理学的模拟值112作为输入。

可以接收实时制造信息124。在一些实施方式中，实时制造信息124可指示当前工艺信息，例如当前正由制造设备实施的配方。

可以使用导出的实时数据118和实时制造信息124作为训练设备健康状态机器学习模型114的输入，来产生估计设备健康状态信息126。在一些实施方式中，估计设备健康状态信息126可根据所实施的当前工艺和该工艺的执行期间所收集的实时数据来指示制造设备的估计当前健康状态。

可以使用导出的离线数据104、离线制造信息106、最近设备健康状态信息108和/或基于物理学的模拟值112作为训练设备健康状态机器学习模型114的输入，来产生预测设备健康状态信息128。在一些实施方式中，预测设备健康状态信息128可指示制造设备在当前时间以制造设备和/或制造设备的部件的典型劣化而导致的预测健康状态。

可以通过组合估计设备健康状态信息126(例如，基于实时数据的设备健康状态信息)和预测设备健康状态信息128(例如，基于离线数据的设备健康状态信息)来产生调整设备健康状态信息130。例如，在一些实施方式中，可以使用任何合适的技术来产生调整设备健康状态信息130，例如使用贝叶斯推论来组合估计设备健康状态信息126和预测设备健康状态信息128。作为更具体的示例，可通过使用贝叶斯推论将与估计设备健康状态信息126相关联的一个或多个设备健康状态分数或度量与关联于预测设备健康状态信息128的相应的分数或度量相结合，以计算调整设备健康状态分数或度量。

注意，关于以上所述的估计设备健康状态信息、预测设备健康状态信息和调整设备健康状态信息，设备健康状态信息可包括任何合适的信息或度量。例如，设备健康状态信息可包括与系统或子系统相关的分数或度量，例如与ESC、等离子体源、喷头、RF产生器和/或任何其他合适的系统或子系统相关。系统或子系统分数或度量可包括MTTF、MTTM、MTBF和/或任何其他合适的度量。

作为另一示例，在一些实施方式中，设备健康状态信息可以包括与系统或子系统的单独部件相关的分数或度量，例如与ESC的边缘环、特定阀(例如，供应气体至喷头的气箱)和/或任何其他合适的一个或多个部件相关。部件分数或度量可包括部件的RUL，其指示在部件故障之前预测的部件的可能剩余的使用时间。

作为又一示例，在一些实施方式中，设备健康状态信息可包括规范性维护建议。作为更具体的示例，在其中特定部件的RUL少于预定阈值(例如，少于十天、少于二十天等)和/或其中RUL在部件的预定更换之前结束的情况下，可产生规范性维护建议。继续该特定示例，在一些实施方式中，规范性维护建议可包括更换不同部件的建议，其中不同部件的更换有可能延长被识别为可能发生故障的部件的RUL。

在一些实施方式中，规范性维护建议可额外地或替代性地包括改变配方参数的建议。例如，在一些实施方式中，可识别对气流速率、温度变化时间窗和/或任何其他合适配方参数的改变，使得配方参数中的改变有可能延长被识别为可能发生故障的部件的RUL。在一些实施方式中，规范性维护建议可包括制造设备特定配方的停止使用的建议，直到被识别为可能发生故障的部件已被更换。

注意，在识别规范性维护建议的情况下，在一些实施方式中，可自动实施一个或多个建议。例如，在其中识别配方参数的改变(例如，将使用不同的气流速率、将使用不同的温度设定等)的情况下，可在没有使用者输入的情况下自动地实施改变。可替代地，在一些实施方式中，可呈现指示规范性维护建议的任何合适的警报或通知(例如，对负责设备维护的使用者)。

转向图1B，根据所公开主题的一些实施方式，示出了显示本文所述的预测性维护系统中所使用的不同模型的输入和输出的框图的示例。

注意，在一些实施方式中，特征提取模型150、异常检测分类器152、故障隔离和分析模型156、经训练设备健康状态信息神经网络160和/或贝叶斯模型162可各自是使用任何合适的训练组合训练的机器学习模型。每个机器学习模型可以是任何合适的类型并可具有任何合适的架构。

可以使用特征提取模型150来提取数据信号的特征。在一些实施方式中，数据信号可包括任何合适类型的测量数据，例如传感器数据(例如，温度数据、压力数据、力数据、位置数据和/或任何其他合适的传感器数据)、光谱数据、光发射数据和/或任何其他合适的数据。然后特征提取模型150可提取数据信号的特征以产生导出的数据信号。例如，特征提取模型150一旦被训练后，可采用离线数据信号作为输入并可产生导出的离线数据信号作为输出。作为另一示例，特征提取模型150一旦被训练后，可采用实时数据信号作为输入并可产生导出的实时数据信号作为输出。

在一些实施方式中，特征提取模型150可以是任何合适类型的机器学习模型，例如LSTM自动编码器、深度卷积神经网络、回归模型等。在一些实施方式中，特征提取模型150可以使用主分量分析(PCA)、最小均方差(MMSE)滤波和/或任何其他合适的技术以在特征提取之前用于维度缩减。

注意，在一些实施方式中，例如在数据信号被其他模型使用之前没有被去噪声的情况中，可省略特征提取模型150。当可用的处理能力能轻易地容纳相对简易或稀疏的输入数据时，这可能是合适的。

转向图2A，根据所公开主题的一些实施方式显示用以从离线数据信号产生导出的离线数据的示例性示意图。如图2A所示，可将成组的离线数据信号202转换为成组的离线导出的数据204，其中导出的数据204包括N特征，每个特征具有表示在不同时间点的特征的大小的值。例如，成组的数据驱动信号202可转换为成组的N特征，具有{X 11,X 12,…X 1T；X21,X 22,…X 2T；X N1,X N2,…X NT}的值，其中X ij为在时间j的第i th特征的值。注意，在一些实施方式中，通过识别不太可能为噪声的数据驱动信号202的显著特征，导出的离线数据204可有效地表示已移除任何噪声的离线数据信号202。

注意，尽管以上结合离线数据信号描述了图2A，但上述技术也可应用于实时数据信号的特征提取。

返回参考图1B，异常检测分类器152可导出的离线数据信号、导出的实时信号和基于物理学的模拟值作为输入，并可判定导出的实时信号是否表示异常条件。在一些实施方式中，异常检测分类器152可产生检测的异常分类154，其对应于导出的实时数据信号表示异常的可能性。

在一些实施方式中，异常检测模型152可以是将导出的数据分为异常或非异常的任何合适类型的模型。例如，在一些实施方式中，异常检测模型152可以是聚类算法(例如，最近邻算法、K-均值算法和/或任何其他合适的聚类算法)、LSTM自动编码器、深度卷积神经网络、RBM、DBN和/或任何其他合适类型的模型。

转向图2B，根据所公开主题的一些实施方式显示用于检测异常的示例性示意图。如图所示，可以使用例如以上结合图2A所述的技术来将实时数据信号212转换为导出的实时数据214。

在一些实施方式中，可以使用导出的离线数据204(例如，图2A中所示的和以上结合图2A所描述的)和导出的实时数据214作为异常检测模型152的输入来产生将导出的实时数据214分为异常或非异常的输出。

在一些实施方式中，异常检测模型152可通过将导出的实时数据214对比导出的离线数据204而有效地判定导出的实时数据214是否表示异常条件。例如，可将一些导出的离线数据204视为“黄金值(golden values)”，而将导出的实时数据214与“黄金值”比较以检测导出的实时数据214中的异常。

返回参考图1B，如果检测异常分类154指示导出的实时数据信号中的异常，则故障隔离和分析模型156可产生故障分析158。在一些实施方式中，故障隔离和分析模型156可指示与所检测异常相关联的可能故障。此外，在一些实施方式中，故障隔离和分析模型156可指示针对一个或多个所识别故障的可能原因。

故障隔离和分析模型156可以是任何合适类型的机器学习模型，例如深度卷积神经网络、聚类算法(例如，最近相邻者算法、K-均值算法和/或任何其他合适类型的聚类算法)和/或任何其他合适类型的机器学习模型。

转向图2C，根据所公开主题的一些实施方式显示针对所检测异常条件的故障分析的示意图。

如图所示，故障隔离和分析模型156可将导出的实时数据214、来自历史故障观察数据库250的信息和基于物理学的模拟值112作为输入，并可产生下列作为输出：(1)不同故障的可能性分布254；及(2)故障原因的可能性256。

在一些实施方式中，故障隔离和分析模型156可以任何合适的方式使用基于物理学的模拟值112。例如，基于物理学的模拟值可用于识别或定义针对特定系统或子系统的故障模式。作为更具体的示例，基于物理学的模拟值可识别特定部件(例如，ESC的基座、ESC的边缘环等)可能在特定物理条件例如高温梯度、高气流速率、高压等下破裂或断裂。作为特定示例，在一些实施方式中，可通过模拟可能导致故障的过高参数值来运行基于物理学的模拟以加速故障。继续该特定示例，可以相对于正常操作温度而升高的温度来运行基于物理学的模拟，从而允许可能发生故障的特定部件(例如，基座可能破裂或碎裂、阀可能发生故障等)的识别。仍进一步继续该特定示例，在一些实施方式中，然后可以使用基于物理学的模拟来识别可改变所识别部件的故障时间的参数(例如，升温速率、加热器比率等)。

在一些实施方式中，历史故障观察数据库250可包括任何合适的信息。例如，在一些实施方式中，历史故障观察数据库250可包括在接近制造设备的先前故障的时间点所收集的测量值(例如，温度数据、压力数据、光谱数据、光发射数据、气流数据和/或任何其他合适类型的测量)。作为另一示例，在一些实施方式中，历史故障观察数据库250可包括指示特定部件的故障原因的信息。作为更具体的示例，在一些实施方式中，历史故障观察数据库250可指示特定部件中的破裂由特定温度条件(例如，温度的大幅改变等)特定次数或特定百分比的次数所造成的。请注意，在一些实施方式中，指示特定部件的故障原因的信息可以是专家消息来源。

在一些实施方式中，不同故障的可能性分布254可包括与导出的实时数据214相关联的任何合适数量的潜在故障。如图2C中所示，每个潜在故障可与由故障隔离和分析模型156指定的可能性相关联，使潜在故障可适用于导出的实时数据214。

在一些实施方式中，故障原因的可能性256可包括与每个原因的可能性相关的任何合适数量的故障原因，每个原因由故障隔离和分析模型156识别和分配。请注意，在一些实施方式中，可针对已识别的潜在故障的子集识别故障原因。例如，可针对前N个最可能的潜在故障识别故障原因。作为更具体的示例，在其中与实时导出的数据214相关联的最可能故障为边缘环中的破裂的情况下，故障原因的可能性256可针对边缘环中的破裂识别成组的可能原因，例如与由制造设备所实施的工艺或配方相关的原因、与边缘环的维护和/或修理相关的原因和/或与边缘环的设计相关的原因。

返回参考图1B，经训练的设备健康状态信息模型160可产生设备健康状态信息。例如，经训练的设备健康状态信息模型160可基于离线数据(例如，离线预测设备健康状态分数或度量，例如针对特定系统或子系统的MTTF、MTBF和/或MTTM，特定部件的RUL等)并使用导出的离线数据信号、离线制造信息、当前设备健康状态信息和基于物理学的模拟值作为输入来产生离线预测设备健康状态信息。

在一些实施方式中，设备健康状态信息模型160可以是任何合适类型的机器学习模型，例如深度卷积网络、支持向量机(SVM)、随机森林、决策树、深度LSTM、卷积LSTM和/或任何其他合适类型的机器学习模型。

在一些实施方式中，可以任何合适的方式训练设备健康状态模型160。例如，在一些实施方式中，可建立训练样本，使得输入对应于导出的离线数据、离线制造信息和/或基于物理学的模拟值，并且每个训练样本的目标输出是最近设备健康状态信息的对应值，而最近设备健康状态信息可基于计量数据。注意，在一些实施方式中，基于物理学的模拟值可额外地被包括在训练样本的目标输出中。

经训练的设备健康状态信息模型160可以使用导出的实时数据信号和实时制造信息作为输入来额外地产生基于实时数据的实时估计设备健康状态信息。

注意，在一些实施方式中，经训练的设备健康状态信息模型160可额外地使用基于物理学的模拟数据作为输入。例如，在其中可实时运行基于物理学的模拟的情况下，可产生基于物理学的模拟值以计算实时估计设备健康状态信息。可替代地，在一些实施方式中，可训练机器学习模型以预测基于物理学的模拟值。在一些这样的实施方式中，经训练的机器学习模型可用于近似基于物理学的模拟值，然后其可用于产生实时估计设备健康状态信息。

贝叶斯模型162可通过结合离线预测设备健康状态信息和实时估计设备健康状态信息来产生调整设备健康状态信息164。例如，在一些实施方式中，贝叶斯模型162可计算离线预测设备健康状态分数或度量以及相对应实时估计设备健康状态分数或度量的加权平均，设备健康状态分数或度量例如为特定系统或子系统的MTTF、MTBF和/或MTTM，特定部件的RUL等。作为更具体的示例，离线预测设备健康状态分数或度量和实时估计设备健康状态分数或度量的每个可与加权平均中使用的权重相关联，其中可以使用贝叶斯推论来更新该权重。作为另一示例，在一些实施方式中，贝叶斯模型162可以使用整体学习法，例如堆叠法、推升法和/或自助重抽总合法(bagging)。作为又一示例，在一些实施方式中，贝叶斯模型162可混合离线预测设备健康状态信息和实时估计设备健康状态信息并且之后可基于混合结果而重新训练。

转向图2D，根据所公开主题的一些实施方式显示用于计算调整设备健康状态信息的示意图。

在一些实施方式中，可靠度信息110(例如，计量数据、粒子数据和/或任何其他合适的数据)可与来自先前知识数据库272的先前知识相结合。例如，在一些实施方式中，可经由贝叶斯推论整合先前知识274。在一些实施方式中，接着可将经整合的先前知识与可靠度信息结合以产生性能指标270。在一些实施方式中，性能指标270可封装任何合适的性能信息，例如统、子系统和/或制造设备的单独部件基于最近可靠度信息的预测当前可靠度。

如上所述，在一些实施方式中，设备健康状态模型160可产生基于导出的离线数据204的预测设备健康状态信息和基于导出的实时数据214的估计设备健康状态信息。在一些实施方式中，设备健康状态模型可以使用性能指标270以产生预测设备健康状态信息和/或估计设备健康状态信息。

此外，在一些实施方式中，设备健康状态模型160可以任何合适的方式使用基于物理学的模拟值112。例如，在一些实施方式中，设备健康状态模型160可以使用基于物理学的模拟值112来模拟与不同物理参数相关联的值，例如在特定位置的模拟温度值、在特定位置的模拟压力值等。

在一些实施方式中，贝叶斯模型162可通过使用贝叶斯推论而结合预测设备健康状态信息和估计设备健康状态信息来产生调整设备健康状态信息164。

如以上针对图1A所描述的，调整设备健康状态信息164可包括任何合适的分数或度量，例如预测单独部件(例如，基座、边缘环、阀等)的预期RUL的RUL预测276。此外，如以上针对图1A所描述的，调整设备健康状态信息164可包括针对系统或子系统的MTTF、MTBF和/或MTTM度量。在一些实施方式中，单独部件的RUL预测以及系统或子系统水平度量可以是经训练的设备健康状态信息模型160的输出。例如，经训练设备健康状态模型160可产生系统或子系统水平度量以及部件列表和各部件的经计算的预期RUL作为输出。

在一些实施方式中，可以使用基于物理学的模拟值产生RUL。例如，在一些实施方式中，基于物理学的模拟值可用于预测特定部件在特定物理条件下随着时间的状态。作为更具体的示例，可基于在特定物理条件下的至少部分参数的模拟值来预测特定部件(例如，ESC的基座、ESC的边缘环等)的RUL，该些参数例如为温度、力、压力等。特定示例可包括室的特定位置处的温度、室的特定位置处的气体浓度、室的特定位置处的压力等。

此外，如以上针对图1A所描述的，经训练的设备健康状态信息模型160可产生一个或多个规范性维护建议。例如，响应于识别特定部件具有少于预定阈值(例如，少于十天、少于二十天等)的RUL和/或该RUL在下次预定维护日期之前结束，经训练的设备健康状态信息模型160可以使用知识数据库272以识别一个或多个规范性维护建议。

例如，在其中部件A的RUL小于预定阈值的情况下，经训练的设备健康状态信息模型160可以使用知识数据库272来识别可能延长部件A的RUL的一个或多个配方参数改变。注意，在一些实施方式中，知识数据库272中的信息可以是专家消息来源，并可基于部件来键入。例如，知识数据库272可基于专家消息来源知识指示可通过改变特定配方参数来延长部件A的RUL，配方参数例如为气流速率、温度梯度和/或任何其他合适的配方参数。

作为另一示例，经训练的设备健康状态信息模型160可以使用知识数据库272来识别对部件A有影响而可被替换以延长部件A的RUL的一个或多个部件。例如，可查询知识数据库272以识别已被识别(例如，专家消息来源和/或以任何其他合适方式识别的)为影响部件A的成组部件。

作为又一示例，经训练的设备健康状态信息模型160可以使用知识数据库272来识别直到部件A完成替换之前不应在制造设备上实施的特定配方，但可在制造设备上实施其他配方。例如，知识数据库272可包括部件A对于在制造设备上实施的不同配方的重要性的指示，并可将重度依赖部件A的配方识别为直到部件A的替换之前不应被实施的配方。

在一些实施方式中，基于物理学的模拟值可用于识别规范性维护建议。例如，在一些实施方式中，基于物理学的模拟值可用于识别可能对被识别为可能发生故障的部件有影响的参数。作为更具体的示例，在一些实施方式中，基于物理学的模拟值可用于判定是否改变可能对所识别的一个或多个部件有影响的特定参数(例如，温度、气流速率等)。在一些实施方式中，可以使用知识数据库272中所包括的专家消息来源信息来验证使用基于物理学的模拟值识别的参数。此外，在一些实施方式中，可以使用从基于物理学的模拟输出的模拟值填充知识数据库272。

注意，在一些实施方式中，可将规范性维护建议馈送回经训练设备健康状态模型160中，以在给定当前实时数据的情况下判断所识别的建议将延长特定部件的RUL的可能性。也就是说，在一些实施方式中，经训练设备健康状态模型160可用于在提供或实施建议之前验证所识别的规范性维护建议(例如，已使用知识数据库272识别的规范性维护建议)。

转向图3A，根据所公开主题的一些实施方式示出用于训练机器学习模型以产生制造设备的设备健康状态信息的程序的示例。注意，在一些实施方式中，可在任何合适的装置上执行图3A中所示的过程，例如从传感器、数据库等接收或提取数据的装置(例如，服务器、桌面计算机、笔记本电脑和/或任何其他合适的装置)。

在302，可接收离线数据信号。如以上针对图1A所描述的，离线时间序列数据可以是来自与系统或子系统(例如，来自ESC、来自喷头、来自等离子体源、来自RF产生器和/或来自任何其他合适系统或子系统)相关联的传感器的数据、光谱数据、光发射数据和/或在制造设备的先前操作期间测量的任何其他合适的数据。

在304，可基于离线时间序列数据而产生导出的离线数据。如以上针对图1A和2A所描述的，导出的离线数据可包括离线数据信号的显著特征的表现。在一些实施方式中，导出的数据可以是离线数据讯号的去噪版本。

在306，可接收离线制造信息。在一些实施方式中，离线制造信息可包括配方信息、故障模式信息和/或与制造信息相关联的维护日志信息。请注意，在一些实施方式中，故障模式信息可以是制造设备的一般信息和/或特定于制造设备的特定对象而正针对该特定对象训练机器学习模型。

在308，可接收离线可靠度信息。如以上针对图1A所描述的，离线可靠度信息可包括从制造设备的先前使用收集的计量数据。作为更具体的示例，在一些实施方式中，计量数据可包括捕捉先前制造的晶片的晶片图像数据。在一些实施方式中，离线可靠度信息可指示先前制造的晶片中缺陷的存在。

在310，可基于离线可靠度信息而产生设备健康状态信息。在一些实施方式中，设备健康状态信息可包括任何合适的分数或度量，例如指示系统或子系统的健康状态的度量。例如，设备健康状态信息可包括MTTF、MTBF、MTTM和/或任何其他合适的度量。在一些实施方式中，设备健康状态信息可包括与单独部件相关联的任何合适的分数或度量。例如，设备健康状态信息可包括单独部件的RUL。

在312，可产生基于物理学的模拟值。如以上针对图1A所描述的，基于物理学的模拟值可以是任何合适物理参数(例如，温度、力、位置、压力、光谱值和/或任何其他合适的物理参数)的模拟值。在一些实施方式中，可以使用任何合适的基于物理学的算法来产生基于物理学的模拟值。在一些实施方式中，例如可以使用采用任何离线数据值作为输入值的算法来产生基于物理学的模拟值，以产生在和所测量的离线数据值不同时间或不同空间位置处所模拟的相对应模拟值。

在314，可以使用导出的离线数据、离线制造信息、所产生的设备健康状态信息和/或基于物理学的模拟值来训练用以预测设备健康状态信息的机器学习模型。在一些实施方式中，可以使用任何合适的训练组合来训练机器学习模型。例如，在一些实施方式中，训练组合可包括示例性输入，示例性输入包括导出的离线数据、离线制造信息和/或基于物理学的模拟值。继续此示例，在一些实施方式中，在训练组合中的每个训练样本可包括包含在310产生的相应设备健康状态信息的目标输出。在一些实施方式中，目标输出可基于基于物理学的模拟值。

转向图3B，根据所公开主题的一些实施方式显示用于使用经训练的机器学习模型(例如，来自图3A)来识别和分析制造设备的即将发生故障和/或以产生当前设备健康状态信息的过程的示例。

在316，可接收实时时间数据信号。在一些实施方式中，如以上针对图1A所描述的，实时数据信号可以是在制造设备的当前操作期间测量的数据。实时数据信号可包括任何合适的计量数据，例如传感器数据(例如，温度、压力、力、位置和/或任何其他合适的传感器测量)、光谱、光发射和/或任何其他合适的实时数据。

在318，可基于实时数据信号产生导出的实时数据。与和以上针对图1A的框304中所述的导出的离线数据相关的上述内容相似，导出的实时数据可指示实时数据信号的显著特征。在一些实施方式中，导出的实时数据可表示实时数据信号的去噪版本。

在320，可进行是否检测到异常的判定。在一些实施方式中，所检测异常可指示制造设备的基于导出的实时数据而被识别的即将发生故障。在一些实施方式中，可以使用异常检测分类器检测异常，如在图1B中所示及以上针对图1B所描述的，异常检测分类器采用导出的实时数据和导出的离线数据作为输入。

假如在320检测到异常(在320为“是”)，可在322执行故障分析。在一些实施方式中，如在图1B中所示及以上针对图1B所描述的，可以使用故障隔离和分析模型执行故障分析。

在一些实施方式中，故障分析可指示与所检测异常相关联的可能故障。例如，故障分析可指示特定部件可能已经故障，从而造成所检测异常。此外，在一些实施方式中，故障分析可判定所识别故障的可能原因。例如，在其中故障分析识别特定部件为已经故障的情况下，故障分析可额外地指示该特定部件的故障的可能原因。

在一些实施方式中，如以上针对图2C所描述的，可基于导出的实时数据、基于物理学的模拟值、从故障数据库提取的信息和/或任何其他合适的信息而进行故障分析。

在执行故障分析之后，过程可在332结束。

相反地，如果在320没有检测到异常(在320为“否”)，则在324可以使用离线数据作为训练机器学习模型的输入来计算预测设备健康状态信息。特别是在一些实施方式中，这些输入可包括导出的离线数据、离线制造信息和/或基于物理学的模拟值。请注意，在一些实施方式中，在假定设备的典型劣化的情况下，使用离线数据计算的预测设备健康状态信息可代表基于先前计量数据在当前时间的预测设备健康状态信息。

在326，可以使用实时数据作为训练机器学习模型的输入来计算估计设备健康状态信息。特别是在一些实施方式中，该些输入可包括导出的实时数据。此外，在一些实施方式中，该些输入可包括任何合适的实时制造信息，例如正在制造设备上实施的当前配方。

在328，可通过结合基于离线信息的预测设备健康状态信息以及基于实时信息的估计设备健康状态信息来计算调整设备健康状态信息。在一些实施方式中，如在图1B中所示及以上针对图1B所描述的，可以使用任何合适的一个或多个技术来结合预测设备健康状态信息和估计设备健康状态信息，例如使用贝叶斯推论。例如，在一些实施方式中，可以使用贝叶斯推论将预测设备健康状态分数或度量(例如，MTTF、MTBF、MTTM、单独部件的RUL等)与相对应的估计设备健康状态分数或度量相结合，以产生调整设备健康状态分数或度量。

注意，在一些实施方式中，调整设备健康状态信息可代表制造设备的健康状态的当前评估，其考虑了设备随时间的正常劣化(例如，基于离线信息)以及设备的当前状态(例如，基于实时信息)两者。

如以上针对图1A和1B所描述的，调整设备健康状态信息可包括任何合适的度量。例如，与系统或子系统相关联的度量可包括MTTF、MTTM、MTBF和/或任何其他合适的度量。作为另一示例，与特定部件相关联的度量可包括该部件的RUL。

此外，如以上针对图1A和1B所讨论的，调整设备健康状态信息可包括任何合适的规范性维护建议。例如，规范性维护建议可指示对于特定部件的维护应比当前所预定的更早发生。作为另一示例，规范性维护建议可指示特定部件应尽快地被替换。作为又一示例，规范性维护建议可指示特定部件可能快要故障，而不同部件的更换可能会延长被识别为可能快要故障的部件的寿命。作为再另一示例，规范性维护建议可指示由制造设备所实施的配方的改变以延长特定部件的寿命。

如以上针对图2D所描述的，在一些实施方式中，例如可部分地基于基于物理学的模拟值来判定规范性维护建议，以识别可被修改以延长特定部件的RUL的参数。

在330，可更新经训练的模型以结合调整设备健康状态信息。也就是说，可更新经训练的模型而使得调整设备健康状态信息在经训练的模型的后续使用中被经训练的模型利用以结合与制造设备相关联的最新近收集数据。

在332，过程可以结束。

现在下文针对图4A、4B、4C和4D描述应用至ESC的特定示例的上述技术的示例。

图4A显示根据所公开主题的一些实施方式的与ESC相关联的示例性实时数据400。如图所示，实时数据可包括电压测量、阻抗测量、功率测量、气流测量、温度测量、基座位置测量和/或任何其他合适的测量。

转向图4B，根据所公开主题的一些实施方式显示示例性的可能故障的分布420。在一些实施方式中，可通过故障隔离和分析模型(例如，在图1B中所示及以上针对图1B所描述的)响应基于实时数据400的提取特征判定已检测到异常而产生可能故障的分布420。

如图所示，可能故障的分布420可包括成组的潜在故障，每个潜在故障具有由实时数据400表示的故障的相应可能性。例如，如图4B所示，基座的碎裂的潜在故障422已被指定97％的可能性，表明在实时数据400中检测到的异常有97％的可能性表示基座中的碎裂。

转向图4C，根据所公开主题的一些实施方式显示示例性的故障原因的分布430。继续图4B中所示及以上针对图4B所描述的示例，在其中最可能的故障为基座碎裂的情况下，故障原因的分布430可指示该碎裂的可能原因。例如，如图4C所示，故障原因的分布430可包括化学侵袭的可能原因432，其已被指定99％的可能性为碎裂的原因。

在一些实施方式中，可以使用在图1B中所示及以上针对图1B所描述的故障隔离和分析模型来产生故障原因的分布430。例如，在一些实施方式中，故障隔离和分析模型可以使用指示不同故障的潜在原因的任何合适的知识数据库，并且该知识数据库允许故障隔离和分析模型进行五个为什么分析以识别故障原因。注意，在一些实施方式中，可针对五个为什么分析使用基于物理学的模拟值以识别故障原因。

在图4D中根据所公开主题的一些实施方式显示针对ESC的基座平台破裂的五个为什么分析440的示例。如图所示，五个为什么分析可包括可指示基座平台破裂的不同原因和子原因的树，而该树的每个层级解决了不同的“为什么”。例如，五个为什么分析的第一层可判定该基座平台破裂是否由于快速断裂。基于第一层的分析，五个为什么分析的第二层可判定该原因是由于远场应力、空间应力或时间应力。可针对任何合适数量的层级进一步继续五个为什么分析以识别导致基座平台破裂的特定配方参数或部件故障。注意，尽管图4D中的五个为什么分析显示在指示基座平台破裂的根本原因的第五层中只有一个项目，但在一些实施方式中，第五层可包括对应于任何合适数量(例如，五、十、十五、二十等)的故障根本原因的任何合适数量的项目。

在一些实施方式中，可针对任何其他合适的工艺室系统或子系统使用预测性维护系统。

例如，在一些实施方式中，可针对喷头使用预测性维护系统。关于喷头，预测性维护系统可接收来自传感器的数据(例如，实时数据信号和/或离线数据信号)，该传感器指示关于基座和喷头间的间隙、喷头的冷却控制、冷却剂阀位置、加热器功率状态、冷却超温开关、喷头温度、输出百分比和/或任何其他合适的传感器数据的信息。

在一些实施方式中，预测性维护系统可识别与喷头相关联的任何合适的异常或故障，例如剥落、剥离、粒子的异常水平、不平整和/或任何其他合适的异常或故障。在一些这样的实施方式中，预测性维护系统可检测即将发生的故障(例如，使用上述的异常检测模型)和/或潜在的未来故障(例如，通过计算与喷头相关联的不同部件的RUL)。

在一些实施方式中，预测性维护系统可响应检测异常或故障而识别该异常或故障的任何合适的根本原因。例如，所识别的根本原因可以是温度控制故障、堵塞的孔洞，喷头和基座间的间隙的设定错误和/或任何其他合适的根本原因。在一些实施方式中，如上所述，可以使用预测性维护系统的故障隔离和分析模型来识别根本原因。更特定地，可类似于以上针对图4D所述的内容而使用五个为什么分析来识别根本原因。

作为另一示例，在一些实施方式中，可针对RF产生器使用预测性维护系统。预测性维护系统可接收来自传感器的数据(例如，实时数据信号和/或离线数据信号)，该传感器指示RF匹配负载位置、RF产生器补偿RF功率、RF电流、RF匹配峰对峰值、RF匹配调谐位置、风扇状态和/或任何其他合适的传感器数据。

在一些实施方式中，预测性维护系统可识别与RF产生器相关联的任何合适的异常或故障，例如功率过大、无功率、RF噪声和/或任何其他合适的异常或故障。在一些这样的实施方式中，预测性维护系统可检测即将发生的故障(例如，使用上述的异常检测模型)和/或潜在的未来故障(例如，通过计算与RF产生器相关联的不同部件的RUL)。

在一些实施方式中，预测性维护系统可响应检测异常或故障而识别该异常或故障的任何合适的根本原因。例如，所识别的根本原因可以是晶体管故障、印刷电路板组装(PCBA)故障、架桥现象和/或任何其他合适的根本原因。在一些实施方式中，如上所述的，可以使用预测性维护系统的故障隔离和分析模型来识别根本原因。更特定地，可类似于以上针对图4D所述的内容而使用五个为什么分析来识别根本原因。

在一些实施方式中，预测性维护系统可用于识别重复使用特定部件的方式。例如，在其中特定部件被识别为当其被用于制造设备的特定工件中时具有低于预定阈值(例如，少于十天、少于二十天等)的特定RUL的情况下，预测性维护系统可判定是否可在制造设备的不同工件中使用该部件。作为更具体的示例，在其中处理室的基座被识别为具有低于预定阈值的RUL的情况下，预测性维护系统可判定是否可在不同的处理室中使用该基座，不同的处理室例如为旧型号、运行不同配方的型号等。可被重复使用的部件的其他示例可包括加热部件、机器人电机、电子板、计算机、压力调节器、气体管线、与惰性气体(氩、氦等)和/或无毒气体(例如，H2等)相关联的阀和/或质量流量控制器(MFC)和/或任何其他合适的部件。

在一些实施方式中，通过使用预测性维护系统评估制造设备的第二项在使用部件时的设备健康状态，预测性维护系统可判定是否可通过在制造设备的不同的、第二项中使用该部件而重新利用特定部件。例如，较新型号的处理室可在较高温度下操作，从而导致一个或多个故障模式的加速，然而较旧型号的处理室可在较低温度下操作，从而延长特定部件的寿命。作为更具体的示例，基座在较新型号的处理室中被使用时已被识别为可能发生故障，预测性维护系统可评估较旧型号的处理室在使用该基座时的设备健康状态。

作为一特定示例，预测性维护系统可产生针对较旧型号的处理室的不同部件的RUL、针对较旧型号的处理室的系统的MTTF或MTTM度量等。在一些实施方式中，响应于计算当在制造设备的不同对象中使用一部件时的改良设备健康状态度量，预测性维护系统可识别在其他地方可重复使用该部件以延长该部件的生命周期。例如，在一些实施方式中，响应于判定当部件在较旧型号的处理室中使用时相对于在当前设备中使用时将增加该部件的RUL，预测性维护系统可产生并呈现该部件应从当前设备移除并用于较旧型号的处理室中的建议。

在一些实施方式中，通过识别重复使用部件的方式，部件可被重复使用和/或回收，从而延长部件的生命周期。

应用

本文所述的预测性维护系统可通过减少由于设备中不可预见的异常(例如，损坏的部件)导致的设备停机时间以及通过减少手动检查和故障排除的需求而改良半导体制造设备的效率。

例如，通过计算直到特定统或部件需要维护的时间，预测性维护系统可提供系统的状态的持续更新而可允许及时订购更换部件和/或在设备出现问题之前预定进行维护。

作为另一示例，通过产生规范性维护建议，预测性维护系统可针对已识别的即将出现的部件可能故障识别临时解决方案，而可允许制造设备继续使用直到可执行维护，从而减少制造设备的停机时间。

作为又一示例，通过在即将发生的故障期间识别与所检测异常相关联的可能故障，并通过识别故障的可能原因，预测性维护系统可减少识别故障的根本原因所需的手动故障排除时数。

所公开的计算实施方式的上下文

本文所公开的一些实施方式涉及用于产生和/或使用预测性维护系统的机器学习模型的计算系统。本文所公开的一些实施方式涉及用于产生和/或使用在这些计算系统上实施的机器学习模型。用于产生机器学习模型的计算系统也可被配置成接收例如程序代码的数据和指令，该程序代码表示在半导体设备制造操作期间发生的物理工艺。以这种方式，在这样的系统上产生或编程机器学习模型。

具有任何的各种计算机架构的计算系统的许多类型可实现为所公开用于实施机器学习模型和用于产生和/或优化这样的模型的算法的系统。例如，该些系统可包括在一个或多个通用处理器或例如特殊应用集成电路(ASIC)或可编程逻辑设备(例如，现场可程序门阵列(FPGA))的特殊设计处理器上执行的软件部件。此外，系统可在单个装置上实施或分布在多个装置上。计算元件的功能可相互合并或进一步分成多个子模块。

在一些实施方式中，在适当地编程的系统上的机器学习模型的产生或执行期间执行的代码可以软件元件的形式实现，可将该软件部件储存在非易失性存储介质(诸如光盘、闪设备、移动硬盘等)，包括用于制造计算机装置(例如个人计算机、服务器、网络设备等)的一些指令。

在一个层级上，软件元件实现为由程序设计员/开发员准备的成组的指令。然而，可由计算机硬件执行的模块软件是使用“机器代码”提交到存储器中的可执行代码，该“机器代码”选自设计在硬件处理器中的特定机器语言指令集或“本机指令(nativeinstruction)”。该机器语言指令集、或本机指令集对一个或多个硬件处理器而言已知的且基本上内置于硬件处理器中。这是系统和应用软件与硬件处理器通信的“语言”。每个本机指令都是离散代码，该离散代码可由处理体系识别，并且该离散代码可以是算数、寻址、或控制功能；特定存储器位置或偏置；以及用于解释操作数的特定寻址模式而指定特定缓存器。通过组合这些简单本机指令来构建更复杂的操作，该些本机指令按顺序执行、或者以其他方式通过控制流指令指示。

可执行的软件指令与硬件处理器之间的相互关系是结构性的。换句话说，指令本身是一系列符号或数值。它们本质上不传达任何信息。它被设计为预先被配置成解释符号/数值的处理器而给赋予指令意义。

本文所使用的模型可被配置成在单个位置的单个机器上、在单个位置的多个机器上、或是在多个位置的多个机器上执行。当使用多个机器时，可针对它们的特定任务定制单独的机器。例如，需要大块代码和/或大量处理能力的操作可在大型和/或固定机器上实施。

此外，一些实施方式涉及有形的和/或非暂时性计算机可读介质或计算机程序产品，包括用于执行各种计算机实施操作的程序指令和/或数据(包括数据结构)。计算机可读介质的示例包括但不限于：半导体存储器装置、相变装置、磁介质(例如硬盘、磁带)、光学介质(例如CD、磁光介质)和特别被配置成储存和执行程序指令的硬件装置，例如只读存储器装置(ROM)和随机存取存储器(RAM)。计算机可读介质可由最终用户直接控制，或者该介质可由最终用户间接控制。直接控制介质的示例包括位于用户设施的介质和/或不与其他实体共享的介质。间接控制介质的示例包括用户经由外部网络和/或经由提供例如“云端”的共享资源的服务可间接访问的介质。程序指令的示例包括机器代码和含更高级程序代码的文件两者，机器代码例如由编译程序产生，含更高级程序代码的文件可由使用解释器的计算机来执行。

在各种实施方式中，在所公开的方法和装置中使用的数据或信息以电子格式提供。这样的数据或信息可包括设计布局、固定参数值、浮动参数值、特征部轮廓、计量结果等等。如本文所使用的，以电子格式提供的数据或其他信息可储存在机器上以及在机器之间传输。通常，电子格式的数据以数字方式提供，并且作为位和/或字节被储存在各种数据结构、列表、数据库等中。数据可以电子方式、光学方式等方式实现。

在一些实施方式中，机器学习模型可各自被视为与用户及和系统软件交互的应用软件形式。系统软件通常与计算机硬件以及相关联的存储器交互。在一些实施方式中，系统软件包括操作系统软件和/或固件、以及安装在系统中的任何中间件和驱动程序。系统软件提供计算机的基本非特定任务功能。相反地，模块和其他应用软件用于完成特定任务。用于模块的每个本机指令储存在存储器装置中并且使用数值表示。

图5中描绘示例性计算机系统500。如图所示，计算机系统500包括输入/输出子系统502，其可以根据应用实现用于与人类用户和/或其他计算机系统交互的界面。本公开的实施方式可在系统500上的程序代码中实现，系统500具有用于从人类用户(例如，经由GUI或键盘)接收输入程序语句和/或数据以及将它们显示回给该用户的I/O子系统502。I/O子系统502可包括例如键盘、鼠标、图形用户接口、触控屏幕、或其他输入接口，以及例如LED或其他平面屏幕显示器、或其他输出接口。

通信接口507可包括用于使用任何合适的通信网络(例如，因特网、内部网络、广域网(WAN)、局域网络(LAN)、无线网络、虚拟专用网络(VPN)和/或其他任何合适类型的通信网络)进行通信的任何合适部件或电路。例如，通信接口507可包括网络适配器电路、无线通信电路等。

程序代码可储存在例如辅助存储器510或存储器508或两者的非暂时性介质中。在一些实施方式中，辅助存储器510可以是持久储存器。一个或多个处理器504从一个或多个非暂时性介质读取程序代码并执行该代码以使计算机系统能够完成由本文实施方式所执行的方法，例如如本文所描述的涉及产生或使用工艺模拟模型的那些方法。本领域技术人员将理解，处理器可接受例如用于执行训练和/或模型化操作的语句的源代码，以及将该源代码解译或编译成在处理器的硬件门层级可理解的机器码。总线505将I/O子系统502、处理器504、外围设备506、通信接口507、存储器508、以及辅助存储器510耦合。

结论

在以上描述内容中，阐述了许多具体细节以提供对所呈现的实施方式的透彻理解。可以在没有这些具体细节中的一些或全部的情况下实践所公开的实施例。在其他情况下，没有详细描述众所周知的工艺操作以避免不必要地模糊所公开的实施方式尽管结合具体实施方式描述了所公开的实施方式，但是应当理解，具体实施方式不旨在限制所公开的实施方式。

除非另外说明，本文所述的方法操作及装置特征涉及在计量、半导体设备制造技术、软件设计和编程以及统计学中常用的技术和设备，其在本领域的技术范围内。

除非在本文中另外定义，否则本文所使用的所有技术和科学术语具有与本领域普通技术人员普遍理解地相同的含义。包括本文中所含术语的各种科学词典是本领域技术人员所熟知和可用的。尽管与本文所描述的那些相似或等同的任何方法和材料可用于本文所公开实施方式的实践或测试中，但仅描述了一些方法和材料。

数值范围包含定义范围的数字。本说明书中各处所提供的每个最大数值限制旨在包括每个较低数值限制，如同已在本文中明确地写出此类较低数值限制一样。本说明书各处所提供的每个最小数值限制将包括每个较高数值限制，如同已在本文中明确地写出此类较高数值限制一样。本案说明书各处所提供的每个数值范围将包括落如此类较宽数值范围内的每个较窄数值范围，如同已在本文中明确地写出所有此类较窄数值范围一样。

本文所提供的标题并非意图限制本公开。

如本文所使用的，除非上下文另外明确说明，否则单数用语“一(a)”、“一(an)”和“该(the)”包含复数指代。除非另外说明，否则本文所使用的用语“或(or)”是指非排他性的“或”。

Claims (23)

1.一种预测性维护系统，包含：

存储器；以及

处理器，当执行储存在所述存储器中的计算机可执行指令时，所述处理器被配置成：

接收离线数据，所述离线数据指示与进行制造工艺的制造设备对应的历史操作条件和历史制造信息；

通过使用将所述离线数据作为输入的训练模型来计算与所述制造设备关联的预测设备健康状态信息；

接收实时数据，所述实时数据指示与所述制造设备对应的当前操作条件和当前制造信息；

通过使用将所述实时数据作为输入的所述训练模型来计算与所述制造设备关联的估计设备健康状态信息；

通过结合基于所述离线数据计算的所述预测设备健康状态信息以及基于所述实时数据计算的所述估计设备健康状态信息来计算与所述制造设备相关联的调整设备健康状态信息；以及

呈现所述调整设备健康状态信息，其中所述调整设备健康状态信息包括所述制造设备的至少一个部件的预期剩余使用寿命(RUL)。

2.根据权利要求1所述的预测性维护系统，其中指示历史操作条件的所述离线数据和指示当前操作条件的所述实时数据包含从所述制造设备的一个或多个传感器接收的数据。

3.根据权利要求1或2中任一项所述的预测性维护系统，其中使用基于物理学的模拟数据来训练所述模型。

4.根据权利要求3所述的预测性维护系统，其中所述基于物理学的模拟数据包括在所述制造设备的第一空间位置的估计数据，所述估计数据基于在所述制造设备的物理传感器所处的一个或多个其他空间位置所测量的传感器数据而被估计。

5.根据权利要求1或2中任一项所述的预测性维护系统，其中所述估计数据是所测量的所述传感器数据的插值。

6.根据权利要求1或2中任一项所述的预测性维护系统，其中使用与包含使用所述制造工艺制造的电子设备的衬底相关联的计量数据来训练所述模型。

7.根据权利要求1或2中任一项所述的预测性维护系统，其中所述处理器进一步配置为提取指示历史操作条件的所述离线数据和指示当前操作条件的所述实时数据的特征，并且其中所述训练模型将所提取的所述特征作为输入。

8.根据权利要求1或2中任一项所述的预测性维护系统，其中所述处理器进一步被配置成：

根据指示当前操作条件的所述实时数据来检测所述制造设备的异常条件；以及

响应检测所述制造设备的所述异常条件，识别与所述制造设备相关联的故障类型。

9.根据权利要求8所述的预测性维护系统，其中检测所述制造设备的所述异常条件是基于指示当前操作条件的所述实时数据和指示历史操作条件的所述离线数据的比较。

10.根据权利要求8所述的预测性维护系统，其中识别与所述制造设备相关联的所述故障类型包含使用历史故障数据库对指示当前操作条件的所述实时数据进行分类。

11.根据权利要求8所述的预测性维护系统，其中识别与所述制造设备相关联的所述故障类型包含使用基于物理学的模拟数据对指示当前操作条件的所述实时数据进行分类。

12.根据权利要求1或2中任一项所述的预测性维护系统，其中所述处理器进一步被配置成：

识别所述制造设备的所述当前操作条件的修改以及所述当前操作条件中的所述修改将改变所述制造设备的所述至少一个部件的所述预期剩余使用寿命的可能性；以及

提出所述当前操作条件的所述被识别的修改。

13.根据权利要求12所述的预测性维护系统，其中基于所述基于物理学的模拟数据来识别所述制造设备的所述当前操作条件的所述修改。

14.根据权利要求1或2中任一项所述的预测性维护系统，其中所述处理器进一步被配置成：

计算与进行所述制造工艺的第二制造设备相关联的第二调整设备健康状态信息，其中所述第二调整设备健康状态信息基于具有所述制造设备的所述至少一个部件的所述第二制造设备；以及

基于所述第二调整设备健康状态信息，提出从所述制造设备移除所述至少一个部件以在所述第二制造设备中使用的建议。

15.根据权利要求14所述的预测性维护系统，其中响应于判定所述至少一个部件的所述RUL低于预定阈值而计算所述第二调整设备健康状态信息。

16.根据权利要求15所述的预测性维护系统，其中响应判定对应于所述至少一个部件在用于所述第二制造设备时的第二RUL超过所述至少一个部件在用于所述制造设备时的所述RUL而提出所述建议。

17.一种预测性维护系统，包含：

存储器；以及

处理器，当执行储存在所述存储器中的计算机可执行指令时，所述处理器被配置成：

接收离线数据，所述离线数据指示与进行制造工艺的制造设备对应的历史操作条件和历史制造信息，其中所述离线数据包括来自与所述制造设备相关联的多个传感器的离线传感器数据；

使用一个或多个基于物理学的模拟模型来产生多个基于物理学的模拟值，而每个基于物理学的模拟模型建模所述制造设备的部件；

使用所述离线数据和所述多个基于物理学的模拟值来训练产生预测设备健康状态分数的神经网络。

18.根据权利要求17所述的预测性维护系统，其中用于训练所述神经网络的每个训练样本包含作为输入值的所述离线数据和所述多个基于物理学的模拟值以及作为目标输出的计量数据。

19.根据权利要求17或18中任一项所述的预测性维护系统，其中所述多个基于物理学的模拟值中的基于物理学的模拟值对应于所述多个传感器中的传感器的测量的估计。

20.根据权利要求19所述的预测性维护系统，其中所述多个传感器中的所述传感器位于所述制造设备的第一位置，并且其中所述测量的所述估计在所述制造设备的第二位置。

21.根据权利要求17或18中任一项所述的预测性维护系统，其中所述历史制造信息包含与所述制造设备对应的故障模式和影响分析(FMEA)信息。

22.根据权利要求17或18中任一项所述的预测性维护系统，其中所述历史制造信息包含与所述制造设备相关的设计信息。

23.根据权利要求17或18中任一项所述的预测性维护系统，其中所述历史制造信息包含从质量数据库中检索的质量信息。

Images