KR101599945B1 - 자동화된 교정 및 예측 유지보수 시스템 - Google Patents

자동화된 교정 및 예측 유지보수 시스템 Download PDF

Info

Publication number
KR101599945B1
KR101599945B1 KR1020127014474A KR20127014474A KR101599945B1 KR 101599945 B1 KR101599945 B1 KR 101599945B1 KR 1020127014474 A KR1020127014474 A KR 1020127014474A KR 20127014474 A KR20127014474 A KR 20127014474A KR 101599945 B1 KR101599945 B1 KR 101599945B1
Authority
KR
South Korea
Prior art keywords
maintenance
tool
date
calibration
events
Prior art date
Application number
KR1020127014474A
Other languages
English (en)
Other versions
KR20120114254A (ko
Inventor
만주나쓰 에스. 예다토레
디팍 바티아
존 프레스코트
Original Assignee
어플라이드 머티어리얼스, 인코포레이티드
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 어플라이드 머티어리얼스, 인코포레이티드 filed Critical 어플라이드 머티어리얼스, 인코포레이티드
Publication of KR20120114254A publication Critical patent/KR20120114254A/ko
Application granted granted Critical
Publication of KR101599945B1 publication Critical patent/KR101599945B1/ko

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0748—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a remote unit communicating with a single-box computer node experiencing an error/fault
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2294—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by remote test
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24019—Computer assisted maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Manipulator (AREA)

Abstract

자동화된 교정 및 예측 유지보수를 위한 방법 및 시스템이 본원에서 설명된다. 일 실시예에서, 툴과 연관된 고장 통지가 수신되며, 고장 통지는 툴에 대한 하나 또는 둘 이상의 고장 이벤트들을 표시한다. 툴과 연관된 유지보수 데이터가 획득되며, 유지보수 데이터는 툴에 대한 하나 또는 둘 이상의 유지보수 이벤트들을 포함한다. 고장 통지와 유지보수 데이터를 병합함으로써 툴에 대해 최적의 스케줄이 생성된다.

Description

자동화된 교정 및 예측 유지보수 시스템{AUTOMATED CORRECTIVE AND PREDICTIVE MAINTENANCE SYSTEM}
본 출원은 2009년 11월 2일자로 출원되고 발명의 명칭이 "Automated Corrective and Predictive Maintenance System" 이며 인용에 의해 본원에 포함된 미국 가특허 출원 제61/257,415호를 우선권으로 주장한다.
본 발명의 실시예들은 유지보수 시스템들에 관한 것이며, 더 구체적으로는, 자동화된 교정 및 예측 유지보수 시스템에 관한 것이다.
고객에 의해 구매된 장비는 장비의 판매자로부터의 지원을 요구할 수 있다. 게다가, 장비는, 정상적으로 기능하지 않거나 또는 더 이상 기능하지 않는 장비의 파트들을 수리 또는 교체하기 위한 서비스들을 요구한다. 장비에 대한 원격 서비스들 및 지원은 3레벨 운영상 에스컬레이션 모델: (1) 로컬(local) 레벨, (2) 지역(regional) 레벨, 및 (3) 글로벌(global) 레벨을 갖는다. 로컬 레벨 엔지니어는 일반적으로, 현장에 있거나(onsite) 또는 장비 사이트(site)에 매우 가까이 있다. 지역 레벨 엔지니어는 전형적으로, 현장에서 떨어져 있고, 장비의 특정한 피스(piece)에 대해 매우 경험이 풍부하다. 글로벌 레벨 엔지니어는 전형적으로, 현장에서 떨어져 있고, 팩토리를 구성하는 모든 장비의 전문가이다.
장비가 고장나거나 또는 임박한 장비 고장 가능성이 존재하는 경우에, 로컬 레벨에서의 엔지니어가 트러블 티켓(trouble ticket; 장애 처리)을 시작(open)한다. 로컬 레벨 엔지니어가 문제를 해결할 수 있는 경우에, 로컬 레벨 엔지니어는 필요한 교정 액션(action)을 수행하고, 트러블 티켓을 종결(close)한다. 특정 양의 시간 내에 로컬 레벨 엔지니어에 의해 문제가 해결되지 않는 경우에, 트러블 티켓은 자동적으로 로컬 레벨로부터 지역 레벨로 에스컬레이트(escalate)된다. 에스컬레이션의 시간에 따라, 트러블 티켓은 주간 근무를 행하고 있는 지역으로 에스컬레이트된다. 지역 레벨 엔지니어가 문제점을 해결할 수 없는 경우에, 문제는 글로벌 레벨로 에스컬레이트된다. 글로벌 레벨 엔지니어는, 문제점을 바로잡기 위한 글로벌 레벨 엔지니어로부터의 명령들에 따라 로컬 레벨 엔지니어가 장비의 사이트로 파견되어야만 한다고 결정할 수 있다.
지역 및 글로벌 레벨들에서의 엔지니어들은 장비의 피스에 의해 생성된 하나 또는 둘 이상의 로그 파일들에 액세스할 수 있다. 엔지니어들은 또한, 장비의 피스에 대해 과거에 발생 및 해결되었을 수 있는 유사한 문제에 대해 탐색하기 위해 서버에 액세스할 수 있다.
지역 및 글로벌 레벨들에서 문제점을 조사하기 위하여, 장비 컴퓨터, 장비 로그 파일들, 장비 센서 데이터 등에 대한 원격 보안 액세스와 같이 트러블슈팅을 수행하기 위해 원격 능력들이 사용되어야만 한다. 그러나, 장비의 커스텀 아키텍쳐(custom architecture)로 인해, 장비의 피스에 의해 제공되는 로그 파일들은 장비의 피스에 따라 다르다. 로그 파일들의 사이즈 뿐만 아니라 로그 파일들에서의 불일치(variance)는 지역 및 글로벌 레벨들에서의 응답을 느리게 할 수 있다. 게다가, 장비의 스케줄링된(scheduled) 유지보수를 위한 다운 타임 및 장비의 비스케줄링된(unscheduled) 고장들을 위한 다운 타임은 짧은 시간의 기간 내에 발생할 수 있으며, 그에 의해 장비의 사용자에게 불편을 야기할 수 있다. 일 예에서, 장비의 피스는, 교정 액션들을 수행하기 위해 냉각하는데 1시간, 교정 액션을 수행하는데 1시간, 그리고 동작들을 수행하기 위해 다시 예열하는데 1시간을 소요한다. 장비의 스케줄링된 유지보수가 첫번째 날에 발생하는 경우에, 장비는 3시간 동안 다운될 것이다. 비스케줄링된 다운 타임이 그 다음 날에 발생하는 경우에, 장비는 부가적인 3시간 동안 다운되어, 이틀에 걸쳐 모두 6시간의 다운 타임 동안 다운될 것이다.
본 발명은 첨부된 도면들의 그림들에서 한정되지 않게 예로써 예시된다.
도1은 본 발명의 실시예들이 구현될 수 있는 예시적인 시스템을 예시한다.
도2는 자동화된 교정 및 예측 유지보수 시스템 및 어드밴스드 플래닝(advanced planning) 시스템의 실시예를 예시한다.
도3a는 본 발명의 실시예들에 따른 자동화된 교정 및 예측 유지보수 시스템에 의해 사용되는 예시적인 유지보수 데이터를 예시한다.
도3b는 본 발명의 실시예들에 따른 자동화된 교정 및 예측 유지보수 시스템에 의해 사용되는 예시적인 통지(notification) 데이터를 예시한다.
도4는 본 발명의 실시예들에 따른 자동화된 교정 및 예측 유지보수 시스템에 의해 제공되는 예시적인 최적의 스케줄을 예시한다.
도5는 본 발명의 실시예들에 따른 자동화된 교정 및 예측 유지보수 방법의 흐름도를 예시한다.
도6은 본 발명의 실시예들에 따른 최적의 스케줄 생성 방법의 흐름도를 예시한다.
도7은 예시적인 컴퓨터 시스템을 예시한다.
도8은 본 발명의 실시예들에 따른 자동화된 교정 및 예측 유지보수 시스템에 의해 제공되는 예시적인 사용자 인터페이스를 예시한다.
본 발명의 실시예들은 자동화된 교정 및 예측 유지보수를 위한 방법 및 시스템에 관한 것이다. 툴(tool)과 연관된 고장 통지가 수신된다. 툴과 연관된 유지보수 데이터가 획득된다. 고장 통지에서 표시된 이벤트(event)들과 유지보수 이벤트들을 병합함으로써 툴에 대해 최적의 스케줄이 생성된다.
툴에 대해 최적의 스케줄을 생성함으로써, 툴의 전체 다운 타임이 감소될 수 있다. 예를 들어, 장비의 피스는, 교정 액션들을 수행하기 위해 냉각하는데 1시간, 교정 액션을 수행하는데 1시간, 그리고 동작들을 수행하기 위해 다시 예열하는데 1시간을 소요한다. 툴이 어느날 스케줄링된 유지보수를 경험하였고 그 다음날 비스케줄링된 고장을 경험한 경우에, 툴에 대한 전체 다운 타임은 6시간이 될 것이다. 그러나, 최적의 스케줄을 사용하여, 사용자는, 임의의 다가오는 툴의 예측된 고장들 뿐만 아니라 수행되어야만 하는 유지보수를 인지할 것이다. 사용자는 그 정보를 사용하여, 예측된 고장에 대한 수리들 및 유지보수를 동시에 수행할 수 있다. 이 정보를 사용하여, 툴에 대한 전체 다운 타임이 4시간(냉각을 위한 1시간, 교정 액션을 위한 1시간, 예측 액션을 위한 1시간, 및 예열하기 위한 1시간)으로 감소될 것이다.
도1은 본 발명의 실시예들이 구현될 수 있는 예시적인 시스템을 예시한다. 시스템(100)은, 하나 또는 둘 이상의 툴들(110), 진단 서버(120), 자동화된 교정 및 예측 유지보수 시스템(130), 보안 서버(140), 네트워크(150), 지원 팀 시스템(160), 벤더(vendor) 시스템(170), 공급자 서버(180), 및 어드밴스드 플래닝 시스템(190)을 포함한다. 일 실시예에서, 툴(110)은 반도체 디바이스들을 생성하는 하나 또는 둘 이상의 프로세스들을 실행하는 제조 툴일 수 있다. 대안적인 실시예에서, 툴(110)은 솔라(solar) 디바이스들을 생성하는 하나 또는 둘 이상의 프로세스들을 실행하는 제조 툴일 수 있다. 진단 서버(120), 자동화된 교정 및 예측 유지보수 시스템(130), 및 보안 서버(140)는 팩토리 관리자에 의해 유지될 수 있다. 진단 서버(120)는 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드(handheld) 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다. 자동화된 교정 및 예측 유지보수 시스템(130)은 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다. 보안 서버(140)는 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다.
지원 팀 시스템(160)은 툴(110), 진단 서버(120), 및 자동화된 교정 및 예측 유지보수 시스템(130)과 동일한 물리적인 위치 또는 상이한 물리적인 위치에 있을 수 있는 지원 팀에 의해 유지될 수 있다. 지원 팀 시스템(160)은 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다. 벤더 시스템(170)은 하나 또는 둘 이상의 툴들 또는 툴들의 파트들의 벤더에 의해 유지될 수 있으며, 툴(110), 진단 서버(120), 및 자동화된 교정 및 예측 유지보수 시스템(130)과 동일한 물리적인 위치 또는 상이한 물리적인 위치에 있을 수 있다. 벤더 시스템(170)은 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다.
공급자 서버(180)는 하나 또는 둘 이상의 툴들 또는 툴들의 파트들의 공급자에 의해 유지될 수 있으며, 툴(110), 진단 서버(120), 및 자동화된 교정 및 예측 유지보수 시스템(130)과 동일한 물리적인 위치 또는 상이한 물리적인 위치에 있을 수 있다. 공급자 서버(180)는 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다. 어드밴스드 플래닝 시스템(190)은 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스에 의해 호스트될 수 있다.
툴(110), 진단 서버(120), 자동화된 교정 및 예측 유지보수 시스템(130), 및 보안 서버(140)는 하드웨어 인터페이스(미도시)를 통해 또는 네트워크(미도시)를 통해 서로 통신할 수 있다. 보안 서버(140)는 네트워크(150)를 통해 지원 팀 시스템(160), 벤더(170), 공급자 서버(180), 및 어드밴스드 플래닝 시스템(190)에 통신할 수 있다. 네트워크(150)는 회사 내의 인트라넷과 같은 로컬 영역 네트워크(LAN), 무선 네트워크, 모바일 통신 네트워크, 인터넷과 같은 광역 네트워크(WAN), 또는 유사한 통신 시스템일 수 있다. 네트워크(150)는 유선 및 무선 디바이스들과 같은 임의의 수의 네트워킹 및 컴퓨팅 디바이스들을 포함할 수 있다.
툴(110)은 툴(110)의 현재의 성능 특성들을 진단 서버(120) 및 보안 서버(140)로 전송할 수 있다. 공급자 서버(180)는 툴(110)의 모델을 보안 서버(140)를 통해 진단 서버(120)로 전송할 수 있다. 모델은 툴(110)의 정상적인(normal) 거동에 대응하는 툴(110)의 성능 특성들을 특정(specify)할 수 있다. 진단 서버(120)는 툴(110)의 모델에 따라, 툴(110)에 대한 통지들을 생성할 수 있다. 일 실시예에서, 툴(110)의 모델들은 필드(field) 엔지니어에 의해 제공될 수 있거나, 또는 필드 엔지니어의 지식에 기초하여 생성될 수 있다. 대안적인 실시예에서, 툴(110)의 모델들은 실험실에서 고장의 시뮬레이션을 수행함으로써 생성될 수 있다. 다른 대안적인 실시예에서, 툴(110)의 모델들은 툴의 공급자에 의해 생성될 수 있고, 공급자 서버(180)에 의해 보안 서버(140)를 통해 진단 서버(120)에 제공될 수 있다. 일 실시예에서, 진단 서버는 툴(110)의 성능을 모니터링하며, 툴(110)의 현재의 성능 특성들을 툴(110)의 모델과 비교한다. 모델(110)로부터의 임의의 성능 특성의 편차(deviation)를 검출할 시에, 진단 서버(120)는 통지를 생성한다. 통지는 툴(110)에 대해 발생할 것으로 예측되는 하나 또는 둘 이상의 고장들을 특정할 수 있으며, 고장이 그때까지 발생할 것으로 예상되는 날짜 또는 일수(a number of days)를 포함할 수 있다. 툴(110)에 대한 통지들이 생성되면, 진단 서버(120)는 통지들을 자동화된 교정 및 예측 유지보수 시스템(130)으로 전달한다.
진단 서버(120)로부터 툴(110)의 고장을 예측하는 통지를 수신할 시에, 자동화된 교정 및 예측 유지보수 시스템(130)은, 자동화된 교정 및 예측 유지보수 시스템(130)에 액세스 가능한 영속적 스토리지(미도시)로부터, 툴(110)에 대한 하나 또는 둘 이상의 유지보수 이벤트들을 포함하는 유지보수 데이터를 획득할 수 있다. 유지보수 데이터는 또한, 유지보수 이벤트들의 각각에 대해, 유지보수가 그때까지 수행되어야만 하는 날짜 또는 일수를 포함할 수 있다. 유지보수 이벤트들은 예를 들어, 툴이 그때까지 세정(clean)되어야만 하는 날짜, 툴 내의 유체 레벨들이 그때까지 가득 채워져야만 하는 날짜, 툴 내의 파트가 그때까지 교체되어야만 하는 날짜, 툴에 대한 펌웨어 또는 소프트웨어가 그때까지 업데이트되어야만 하는 날짜 등을 포함할 수 있다.
자동화된 교정 및 예측 유지보수 시스템(130)은, 툴(110)의 다운 타임을 최소화하도록, 서로로부터 미리 결정된 양의 시간 내에 발생하는, 툴(110)에 대해 알려진 유지보수 이벤트들 및 툴(110)에 대한 고장 이벤트들을 스케줄링하는 옵션들의 최적의 세트를 갖는, 툴에 대한 최적의 스케줄을 생성하기 위해, 통지에서 표시된 고장 이벤트(들)와 유지보수 이벤트들을 병합할 수 있다. 최적의 스케줄은, 툴(110)의 필요로 되는 스케줄링된 및 비스케줄링된 유지보수를 지원 팀 시스템(160)에 통지하기 위해, 자동화된 교정 및 예측 유지보수 시스템(130)에 의해 사용될 수 있다. 최적의 스케줄은, 툴(110) 상에서 유지보수를 수행하도록 요구되는 파트들에 대해 벤더 시스템(170)에 통지하기 위해 예측 유지보수 시스템(130)에 의해 사용될 수 있다. 일 실시예에서, 벤더(170)에 통지하기 전에, 요구되는 파트 정보는 보안 서버(140)에 저장된다.
어드밴스드 플래닝 시스템(190)은, 어드밴스드 플래닝 시스템(190)에 액세스 가능한 모든 툴들에 대한 또는 툴(110)에서의 하나 또는 둘 이상의 파트들에 대한 예상 데이터를 생성하기 위해, 자동화된 교정 및 예측 유지보수 시스템(130)에 의해 생성된 최적의 스케줄 및 공급 체인 시뮬레이션 데이터를 사용할 수 있다. 공급 체인 시뮬레이션 데이터는, 하나 또는 둘 이상의 툴들을 포함하는 공급 체인에 의해 수행되는 상이한 프로세스들을 시뮬레이트함으로써 획득된 데이터일 수 있다. 어드밴스드 플래닝 시스템(190)은, 벤더 시스템(170)에 의해 유지되는 인벤토리(inventory)를 최적화하기 위해, 예상 데이터 및 공급 체인 시뮬레이션 데이터를 사용할 수 있다. 어드밴스드 플래닝 시스템(190)은, 어드밴스드 플래닝 시스템(190)에 액세스 가능한 툴들의 파트들의 공급 체인을 시뮬레이트할 수 있고, 예상 데이터 및 최적화된 인벤토리 데이터를 생성하기 위해 그 시뮬레이션 데이터를 피드백할 수 있다. 예상 데이터는 장래에 필요로 될 툴의 하나 또는 둘 이상의 파트들의 유닛들의 예상되는 수와 관련된 데이터일 수 있다. 최적화된 인벤토리 데이터는 공급자에 의해 유지되는 최적화된 양의 인벤토리(파트들)일 수 있다.
도2는 자동화된 교정 및 예측 유지보수 시스템(200) 및 어드밴스드 플래닝 시스템(190)의 일 실시예를 예시한다. 일 실시예에서, 자동화된 교정 및 예측 유지보수 시스템(200)이 사용되어, 툴에 대한 교정 및 예측 액션들을 스케줄링하는 옵션들의 최적의 세트를 제안하는 최적의 스케줄을 생성하며, 그에 따라 툴에 대한 다운 타임의 양을 최소화한다. 일 실시예에서, 어드밴스드 플래닝 시스템(190)은 자동화된 교정 및 예측 유지보수 시스템(200)으로부터 획득된 데이터를 사용하고, 예상 데이터, 인벤토리 최적화 데이터, 및 공급 체인 시뮬레이션들을 생성한다.
자동화된 교정 및 예측 유지보수 시스템(200)은 진단 서버(120), 영속적 저장 유닛(230), 벤더 시스템(260), 지원 팀 시스템(265), 및 어드밴스드 플래닝 시스템(190)에 커플링될 수 있다. 자동화된 교정 및 예측 유지보수 시스템(200)은, 진단 서버(120), 벤더 시스템(260), 지원 팀 시스템(265), 또는 어드밴스드 플래닝 시스템(190)에 부가적인 또는 이들과 상이한, 툴들, 벤더들, 지원 팀들, 또는 어드밴스드 플래닝 시스템들에 커플링될 수 있다.
자동화된 교정 및 예측 유지보수 시스템(200)은, 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 워크스테이션들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스일 수 있다. 자동화된 교정 및 예측 유지보수 시스템(200)은 네트워크(255)를 통해 벤더 시스템(260) 및 지원 팀 시스템(265)과 통신할 수 있다.
어드밴스드 플래닝 시스템(190)은 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들, 워크스테이션들, 또는 유사한 컴퓨팅 디바이스를 포함하는 임의의 타입의 컴퓨팅 디바이스일 수 있다. 어드밴스드 플래닝 시스템(190)은 네트워크(255)를 통해 벤더 시스템(260)과 통신할 수 있다.
진단 서버(120)는 영속적 저장 유닛(230)에 하나 또는 둘 이상의 통지들(235)을 저장할 수 있다. 통지들(235)은 툴과 연관된 하나 또는 둘 이상의 고장 이벤트들을 포함할 수 있다. 네트워크(255)는 회사 내의 인트라넷과 같은 로컬 영역 네트워크(LAN), 무선 네트워크, 모바일 통신 네트워크, 인터넷과 같은 광역 네트워크(WAN), 또는 유사한 통신 시스템일 수 있다. 네트워크(255)는 유선 및 무선 디바이스들과 같은 임의의 수의 네트워킹 및 컴퓨팅 디바이스들을 포함할 수 있다.
영속적 저장 유닛(230)은 네트워크를 통해 자동화된 교정 및 예측 유지보수 시스템(200)에 커플링된 원격 저장 유닛 또는 로컬 저장 유닛일 수 있다. 영속적 저장 유닛(230)은 자성 저장 유닛, 광학 저장 유닛, 고체 상태 저장 유닛, 또는 유사한 저장 유닛일 수 있다. 영속적 저장 유닛(230)은 모놀리식(monolithic) 디바이스 또는 분배된 디바이스들의 세트일 수 있다. 여기에 사용되는 바와 같이 '세트(set)' 는 하나를 포함하는 임의의 양의 정수개의 아이템들을 지칭한다.
자동화된 교정 및 예측 유지보수 시스템(200)은 통지 수신기(205), 스케줄 생성기(210), 사용자 인터페이스(215), 지원 팀 통지기(220), 및 벤더 통지기(225)를 포함할 수 있다. 기능의 이러한 분할은 명확함을 위해 예로써 제시된다. 당업자는, 설명된 기능이 모놀리식 컴포넌트로 조합될 수 있거나 또는 컴포넌트들의 임의의 조합으로 세분될 수 있다는 것을 이해할 것이다.
통지 수신기(205)는 하나 또는 둘 이상의 통지들(235)을 수신할 수 있다. 통지들(235)은 툴과 연관된 하나 또는 둘 이상의 고장 이벤트들을 포함할 수 있으며, 고장이 발생하리라고 예상된 날짜(또는 일수)를 포함할 수 있다.
스케줄 생성기(215)는 통지들(235) 및 유지보수 데이터(240)에 기초하여, 툴에 대해 스케줄링된 및 비스케줄링된 유지보수를 수행하기 위한 최적의 스케줄을 생성할 수 있다. 유지보수 데이터(240)는, 툴에 대해 수행하기 위한 하나 또는 둘 이상의 스케줄링된 유지보수 이벤트들, 및 이벤트가 그때까지 수행되어야만 하는 날짜(또는 일수)를 포함할 수 있다. 최적의 스케줄은, 미리 결정된 양의 시간 내에 발생하는, 툴에 대해 요구되는 모든 스케줄링된(교정) 유지보수 및 비스케줄링된(예측) 유지보수, 및 유지보수를 그때까지 수행해야 하는 추천된 날짜(또는 일수)를 열거할 수 있다. 따라서, 최적의 스케줄은, 서로로부터 짧은 시간의 기간 내에 발생할 이벤트들을 함께 스케줄링함으로써 툴의 전체 다운 타임을 감소시킬 수 있다. 최적의 스케줄은 최적의 스케줄(245)에 저장될 수 있다. 최적의 스케줄은, 스케줄에 기초하여 요구되는 파트들에 따라 예상 데이터(250)를 업데이트하는데 사용될 수 있다. 예상 데이터(250)는 가까운 장래에 툴에 의해 필요로 될 파트들의 예상을 포함할 수 있다. 예상 데이터(250)는 툴에 대한 예산 분석(budget analysis)을 수행하는 것, 툴의 성능을 결정하는 것 등을 행하기 위해 사용될 수 있다. 아래에서 도3a와 함께 유지보수 데이터(240)의 예가 설명된다. 아래에서 도3b와 함께 통지(235)의 예가 설명된다. 아래에서 도4와 함께 최적의 스케줄(245)의 예가 설명된다. 아래에서 도6과 함께 최적의 스케줄 생성의 일 실시예가 설명된다.
사용자 인터페이스(215)는 스케줄 생성기(210)에 의해 생성된 최적의 스케줄을 제시(present)하기 위해, 사용자에게 그래픽 사용자 인터페이스를 제공할 수 있다. 사용자 인터페이스(215)에 의해 생성된 그래픽 사용자 인터페이스의 예가 아래에서 도8과 함께 설명된다.
지원 팀 통지기(220)는 스케줄 생성기(210)에 의해 제공된 최적의 스케줄에 기초하여, 툴에 대해 유지보수가 요구된다는, 지원 팀 시스템(265)을 위한 지원 팀 통지를 생성할 수 있다. 일 실시예에서, 지원 팀 통지는 스케줄 생성기(210)에 의해 생성된 스케줄을 포함할 수 있다. 대안적인 실시예에서, 지원 팀 통지는, 툴에 대해 수행될 유지보수에 대한 날짜 및 시간을 결정하기 위해 지원 팀 시스템(265)이 툴의 사용자와 교신(contact)할 필요가 있다는 표시를 포함할 수 있다.
벤더 통지기(225)는 스케줄 생성기(210)에 의해 제공된 최적의 스케줄에 기초하여, 툴에 대해 유지보수가 요구된다는, 벤더 시스템(260)을 위한 벤더 통지를 생성할 수 있다. 일 실시예에서, 벤더 통지기(225)는, 교체될 필요가 있는, 벤더 시스템(260)에 의해 공급된 하나 또는 둘 이상의 파트들을 결정하기 위해, 스케줄 생성기(210)에 의해 생성된 최적의 스케줄에서의 데이터를 파싱(parse)할 수 있다. 이 실시예에서, 벤더 통지기(225)는, 교체될 필요가 있는, 벤더 시스템(260)에 의해 공급된 파트들의 리스트를 포함하는, 벤더 시스템(260)을 위한 통지를 생성한다. 대안적인 실시예에서, 벤더 통지기(225)는, 툴에 대해 유지보수가 요구되고, 벤더 시스템(260)에 의해 공급되는 파트들이 그때까지 요구되는 날짜를 결정하기 위해 벤더 시스템(260)이 툴의 사용자와 교신할 필요가 있다는 표시만을 포함하는 통지를 벤더 시스템(260)에 전송한다. 벤더 시스템(260)은 최적의 스케줄에 기초하여 요구되는 하나 또는 둘 이상의 파트들이 벤더 시스템(260)에 의해 유지되는 인벤토리에 있는지를 결정할 수 있다. 최적의 스케줄에 기초하여 요구되는 파트가 벤더 시스템(260)에 의해 유지되는 인벤토리에 없는 경우에, 벤더 시스템(260)은 다른 벤더(미도시)로부터 파트를 주문할 수 있다.
어드밴스드 플래닝 시스템(190)은 예상 엔진(270), 인벤토리 최적화기(optimizer)(275), 및 공급 체인 시뮬레이터(280)를 포함할 수 있다. 기능의 이러한 분할은 명확함을 위해 예로써 제시된다. 당업자는, 설명된 기능이 모놀리식 컴포넌트로 조합될 수 있거나 또는 컴포넌트들의 임의의 조합으로 세분될 수 있다는 것을 이해할 것이다.
예상 엔진(270)은 하나 또는 둘 이상의 파트들에 대한 예상 데이터를 생성한다. 예상 엔진(270)은 파트에 대한 예상들을 결정하기 위하여 다양한 예상 기술들을 사용할 수 있다. 예상은 장래에 툴에서의 특정한 파트에 대해 필요로 될 유닛들의 예상된 수의 추정이다. 예를 들어, 파트(X)의 6개의 유닛들이 필요로 될 것으로 예상될 수 있다. 다양한 예상 기술들은, 이동 평균(moving average), 평활화 계수 탐색을 이용하는 지수 평활법(exponential smoothing with smoothing factor search), 크로스턴 방법(Croston's method), 다중 회귀를 사용하는 설치 베이스 구동 인과 예상(installed base driven causal forecasting using multiple regression), 나이브한 향상된 부트스트랩 방법들(naive and enhanced bootstrapping methods), 조합된 예상들, 및 자동화된 교정 및 예측 유지보수 시스템(200)에서의 스케줄 생성기(210)에 의해 제공되는 최적의 스케줄에 기초한 예상된 요구조건들 등을 포함할 수 있다. 최적의 스케줄 예상 기술에 기초한 예상된 요구조건들은 장래에 필요로 될 파트들의 유닛들의 수를 결정하기 위해 최적의 스케줄에 포함된 파트들을 사용한다. 일 실시예에서, 예상 엔진(270)은, 기술들의 정확성을 결정하고 최상의 수행 기술을 선발함으로써, 다양한 예상 기술들의 성능을 추가로 평가(assess)한다. 이 실시예에서, 예상 엔진(270)은, 예상 에러를 사용하여 빠르게 움직이는 파트들에 대한 더 양호한 예상들을 결정하거나, 또는 총 인벤토리 코스트(total cost of inventory) 및 백오더 코스트(backorder cost)들을 사용하여 느리게 움직이는 파트들에 대한 더 양호한 예상들을 결정함으로써, 어떤 기술이 더 양호한 예상들을 제공하는지를 결정할 수 있다.
일 실시예에서, 예상 엔진(270)은 상이한 기술들을 사용하여, 느리게 움직이는 파트들에 대한 예상들 및 빠르게 움직이는 파트들에 대한 예상들을 생성할 수 있다. 일 실시예에서, 빠르게 움직이는 파트는 빈번하게(예를 들어, 1주에 한번, 1달에 한번 등) 교체되는 파트일 수 있다. 일 실시예에서, 느리게 움직이는 파트는 드물게(예를 들어, 1년에 한번, 18개월에 한번 등) 교체되는 파트일 수 있다. 일 실시예에서, 느리게 움직이는 파트들에 대해 프랙셔널(fractional) 예상들이 생성될 수 있다(예를 들어, 1달에 1.5개의 파트들). 일 실시예에서, 이월 반올림(carry forward rounding)이 빠르게 움직이는 파트들에 대한 예상들을 생성하기 위해 사용될 수 있다(예를 들어, 1달에 1.8개의 파트들은 1달에 2개의 파트들로 반올림된다). 일 실시예에서, 예상 엔진(270)에 의해 생성된 예상들은 예상 데이터(250)를 업데이트하는데 사용될 수 있다.
인벤토리 최적화기(275)는 벤더 시스템(260)과 같은 공급자에 의해 유지되는 인벤토리의 양을 최적화한다. 인벤토리 최적화기(275)는 어떤 파트를 비축할지, 그리고 비축된 파트들을 저장할 위치를 결정할 수 있다. 인벤토리 최적화기(275)는 예상 엔진(270)으로부터 수신된 예상 데이터에 기초하여, 파트의 얼마나 많은 유닛들을 저장할지를 결정할 수 있다. 인벤토리 최적화기(275)는 파트에 대한 최적의 분배 네트워크 전략을 추가로 결정할 수 있다. 파트에 대한 최적의 분배 네트워크 전략은 벤더 시스템(260)과 같은 벤더로부터 파트를 고객에게 직접 운송(shipping)하는 것, 벤더에서의 벤더 관리 인벤토리(vendor managed inventory; VMI), 또는 다른 낮은 코스트 분배 전략들을 포함할 수 있다.
인벤토리 최적화기(275)는 네트워크(255)와 같은 주어진 네트워크에 대한 총 코스트를 추가로 최적화할 수 있다. 일 실시예에서, 인벤토리 최적화기(275)는 서비스 레벨 제약들의 범위에 대해 총 코스트를 결정할 수 있다. 서비스 레벨은 공급 체인의 성능의 척도가 된다. 공급 체인의 성능을 100 퍼센트 또는 100 퍼센트에 가깝게 유지하는 것은 매우 고가이다. 따라서, 인벤토리 최적화기(275)는 (100 퍼센트 미만인) 서비스 레벨의 상이한 레벨들 또는 제약들에 대해, 총 코스트를 결정할 수 있다. 인벤토리 최적화기(275)는 METRIC 및 2 파라미터 근사화(two parameter approximation)들과 같은 기술들을 사용하여 백오더들을 추가로 근사화할 수 있으며, 또한 일괄 주문(batch ordering)을 사용하여 다계약(multi-indenture) 인벤토리 최적화 또는 인벤토리 최적화를 수행할 수 있다. 인벤토리 최적화기(275)에 의해 생성된 최적화된 인벤토리는 주문 조달(order procurement)을 위한 경제적 주문량(Economic Order Quantities: EOQ)을 추천하는데 사용될 수 있다. 인벤토리 최적화기(275)는 해상 대 항공 운송(ocean versus air freight), 우선 취급 우편(priority mail), NFO(next flight out) 등과 같은 다양한 분배 모드 옵션들을 분석할 수 있고, 이 정보에 기초하여 수송 팀들을 최적화할 수 있다.
인벤토리 최적화기(275)는 필레이트(fill-rate), 예상되는 대기 시간, 장비 유용성, 평균 다운 대기 파트 등과 같은 상이한 서비스 목표들을 모델링할 수 있고, 이들 상이한 서비스 목표들에 기초하여, 최적화된 인벤토리를 제공할 수 있다. 인벤토리 최적화기(275)는 다양한 아이템 레벨 예외들 또는 사용자 오버라이드(override)들 예를 들어, 비축하지 않음, 최소 비축, 최대 비축 등에 기초하여 인벤토리를 최적화할 수 있다.
공급 체인 시뮬레이터(280)는 공급 체인에 의해 수행되는 상이한 프로세스들을 시뮬레이트할 수 있다. 예를 들어, 툴에 의해 수행되는 프로세스들은 주기적인 예상 프로세스, 주기적인 인벤토리 플래닝 프로세스, 보충(replenishment) 프로세스, 조달 프로세스 등을 포함할 수 있다. 공급 체인에 의해 사용되는 툴에서의 파트가 구식이 되는 것, 또는 공급 체인에 의해 사용되는 툴에서의 파트의 지연된 보충과 같이, 프로세스들에 대한 변화들의 영향이 공급 체인 시뮬레이터(280)에 의해 시뮬레이트될 수 있다. 시뮬레이션의 결과들은 예상 엔진(270) 및 인벤토리 최적화기(275)로 피드백될 수 있다.
도3a는 자동화된 교정 및 예측 유지보수 시스템에 의해 사용되는 예시적인 유지보수 데이터를 예시한다. 유지보수 데이터(300)는 툴에 대한 유지보수 이벤트들(예를 들어, 305, 310, 315, 및 320), 및 각각의 유지보수 이벤트와 연관된 날짜(예를 들어, 325, 330, 335, 및 340)를 포함한다. 툴의 세정(305)은 날짜("01/01/2010")(325)까지 수행되어야만 한다. 파트 교체(310)는 날짜("12/31/2010")(330)까지 수행되어야만 한다. 소프트웨어 업데이트(315)는 날짜("01/15/2010")(335)까지 수행되어야만 한다. 펌웨어 업데이트(320)는 날짜("01/30/2010")(340)까지 수행되어야만 한다.
도3b는 자동화된 교정 및 예측 유지보수 시스템에 의해 사용되는 예시적인 통지 데이터를 예시한다. 통지 데이터(350)는 툴에 대한 고장의 예측을 표시하는 고장 이벤트들(예를 들어, 355 및 360), 및 각각의 고장 이벤트와 연관된 날짜(예를 들어, 365 및 370)를 포함한다. 챔버(X)의 세정(355)은 날짜("01/01/2010")(365)까지 수행되어야만 한다. 파트(Y)의 고장(360)은 날짜("01/17/2010")(370)까지 발생할 것이며, 따라서 파트(Y)의 고장을 피하기 위해 그 날짜 전에 방지 액션이 취해져야 한다.
도4는 자동화된 교정 및 예측 유지보수 시스템에 의해 생성된 예시적인 최적의 스케줄을 예시한다. 최적의 스케줄(400)은 툴에 대한 다운 타임의 최소의 양을 야기하도록, 유지보수 이벤트들(교정 액션들) 및 고장 이벤트들(예측 액션들)을 스케줄링하는 옵션들의 최적의 세트를 포함한다. 장래의 미리 결정된 양의 시간 내에 속하는, 도3b의 통지 데이터(350)로부터의 고장 이벤트들 및 도3a의 유지보수 데이터(300)로부터의 유지보수 이벤트들이 최적의 스케줄(400)에 포함된다. 이 실시예에서, 미리 결정된 양의 시간은 18일이다. 따라서, 유지보수 데이터(300)와 통지 데이터(350)로부터의 데이터를 병합하는 경우에, 가장 이른 날짜(유지보수 이벤트 날짜 또는 고장 이벤트 날짜)로부터 18일 내에 있는 이벤트들만이 최적의 스케줄(400)에 포함된다. 이 실시예에서, 가장 이른 날짜는 01/01/2010이다. 따라서, 최적의 스케줄(400)은 툴의 세정, 유체 레벨들을 가득 채우는 것, 챔버(X)의 세정, 소프트웨어의 업데이트, 및 파트(Y)의 고장 방지에 대한 이벤트들(410), 그리고 이벤트들(410)의 각각이 수행되어야만 하는 날짜들(420)을 포함한다.
도5는 자동화된 교정 및 예측 유지보수를 위한 방법(500)의 일 실시예를 예시한다. 방법(500)은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능한 로직, 마이크로코드 등), 소프트웨어(예를 들어, 프로세싱 디바이스 상에서 실행하는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(500)은 도2의 자동화된 교정 및 예측 시스템(200)에 의해 수행된다.
블럭(510)에서, 툴과 연관된 고장 통지가 수신된다. 고장 통지는 툴(예를 들어, 고장날 툴의 파트)의 고장에 관한 고장 이벤트들을 포함할 수 있다. 일 실시예에서, 고장 통지는 툴에 대한 고장의 예상되는 날짜를 추가로 포함할 수 있다. 대안적인 실시예에서, 고장 통지는 툴이 그 안에 고장날 것으로 예상되는 일수 또는 시간의 수(예를 들어, 3일, 3시간 등)를 추가로 포함할 수 있다. 예를 들어, 고장 이벤트는, 툴에서의 특정 파트가 고장나려고 함, 툴이 세정될 필요가 있음, 툴에서의 특정 파트가 켈리브레이트(calibrate)될 필요가 있음, 툴에서의 특정 파트가 리셋될 필요가 있음 등을 명시할 수 있다.
블럭(520)에서, 유지보수 데이터를 저장하는 저장 유닛으로부터 툴과 연관된 유지보수 데이터가 획득된다. 이 실시예에서, 고장 통지의 수신은 유지보수 데이터를 획득하는 것을 트리거링할 수 있다. 대안적인 실시예에서, 유지보수 데이터는 저장 유닛으로부터 주기적으로(예를 들어, 미리 결정된 시간 간격들로) 획득된다. 유지보수 데이터는 툴에 대해 스케줄링된 하나 또는 둘 이상의 유지보수 이벤트들을 포함할 수 있다. 일 실시예에서, 유지보수 데이터는, 각각의 유지보수 이벤트가 그때까지 수행되어야만 하는 날짜를 추가로 포함할 수 있다. 대안적인 실시예에서, 유지보수 데이터는, 각각의 유지보수 이벤트가 그때까지 수행되어야만 하는 일수 또는 시간의 수를 추가로 포함할 수 있다. 예를 들어, 유지보수 이벤트는, 툴에서의 특정 파트가 교체될 필요가 있음, 툴이 세정될 필요가 있음, 툴의 특정 파트가 켈리브레이트될 필요가 있음, 툴에서의 특정 파트가 리셋될 필요가 있음 등을 명시할 수 있다.
블럭(530)에서, 고장 통지 및 유지보수 데이터에서의 이벤트들을 병합함으로써 툴에 대해 최적의 스케줄이 생성된다. 스케줄은, 툴에 대한 다운 타임의 양을 감소시키도록, 유지보수 데이터에 포함된 임의의 유지보수 이벤트들과 고장 통지에 포함된 임의의 고장 이벤트들, 및 이벤트들이 그때까지 수행되어야만 하는 날짜들을 스케줄링하는 옵션들의 최적의 세트를 제안한다. 아래에서 도6과 함께 스케줄을 생성하는 것의 일 실시예가 더욱 상세히 설명된다.
일 실시예에서, 최적의 스케줄은, 교체될 필요가 있는, 툴에서의 하나 또는 둘 이상의 파트들을 벤더가 결정할 수 있도록, 네트워크를 통해 벤더에게 자동으로 전송될 수 있다. 이 실시예에서, 벤더는, 사용자에 의해 사용되는 툴들에 관한 정보, 사용자를 위한 운송 정보 등을 획득하기 위해 사용자의 레코드들에 액세스할 수 있으며, 사용자가 파트들을 요청할 필요 없이 사용자에게 파트들을 운송할 수 있다. 일 실시예에서, 스케줄은, 툴에 대한 최적의 스케줄에서의 이벤트들을 수행하기에 편리한 시간을 결정하기 위해 지원 팀이 툴의 사용자와 교신할 수 있도록, 네트워크를 통해 지원 팀에게 자동으로 전송될 수 있다. 일 실시예에서, 스케줄은, 툴에 대한 파트들의 이용에 대한 하나 또는 둘 이상의 예상들을 자동으로 업데이트하는데 사용된다. 일 실시예에서, 예상 데이터는 최적의 스케줄에 의해 필요로 되는 파트들에 기초하여 업데이트된다. 이 실시예에서, 예측 이벤트들은 툴의 특정한 파트에 대해 정기적으로 발생할 수 있으며, 따라서 그 특정한 파트에 대한 예상은 파트의 계속되는 고장에 기초하여 증가될 수 있다.
도6은 최적의 스케줄 생성의 생성을 위한 방법(600)의 일 실시예를 예시한다. 방법(600)은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능한 로직, 마이크로코드 등), 소프트웨어(예를 들어, 프로세싱 디바이스 상에서 실행하는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(600)은 도2의 스케줄 생성기(210)에 의해 수행된다.
블럭(605)에서, 고장 통지 및 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜가 결정된다. 전체적으로 가장 이른 날짜는, 고장 통지에서의 이벤트들로부터 각각의 날짜를 추출하고, 유지보수 데이터에서의 유지보수 이벤트들로부터 각각의 날짜를 추출하며, 그리고 어떤 날짜가 가장 이른지를 결정하기 위해 날짜들을 비교함으로써 결정될 수 있다. 일 실시예에서, 고장 이벤트 또는 유지보수 이벤트와 연관되는 날짜가 없는 경우에, 전체적으로 가장 이른 날짜는 방법(600)을 실행하는 시스템에서의 내부 클럭(clock)에 의해 유지되는 날짜이도록 결정될 수 있다. 대안적인 실시예에서, 고장 이벤트 또는 유지보수 이벤트와 연관되는 날짜가 없는 경우에, 그 이벤트는 고장 통지 및 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜로서 세팅될 수 있다.
블럭(610)에서, 전체적으로 가장 이른 날짜와 연관된 가장 이른 이벤트가 최적의 스케줄에 부가된다. 일 실시예에서, 전체적으로 가장 이른 날짜가 가장 이른 이벤트에 부가하여 최적의 스케줄에 부가된다.
블럭(615)에서, 고장 통지에서 고장 이벤트들이 더 있는지에 대한 결정이 이루어진다. 고장 통지에서 더 이상 이벤트들이 없는 경우에, 방법은 블럭(635)으로 진행된다. 고장 통지에서 고려할 부가적인 고장 이벤트들이 있는 경우에, 방법은 블럭(620)으로 진행된다.
블럭(620)에서, 현재의 고장 이벤트와 연관된 날짜가 결정된다. 일 실시예에서, 날짜는 고장 통지로부터 현재의 고장 이벤트와 연관된 날짜를 추출함으로써 결정될 수 있다. 일 실시예에서, 현재의 고장 이벤트와 연관되는 날짜가 없는 경우에, 날짜는 방법(600)을 실행하는 시스템에서의 내부 클럭에 의해 유지되는 날짜이도록 결정될 수 있다. 대안적인 실시예에서, 현재의 고장 이벤트와 연관되는 날짜가 없는 경우에, 그 이벤트는 (블럭(605)에서 결정되는) 고장 통지 및 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜와 동일한 날짜로 세팅될 수 있다.
블럭(625)에서, 현재의 고장 이벤트의 날짜가 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 있는지에 대한 결정이 이루어진다. 일 실시예에서, 현재의 고장 이벤트의 날짜를 전체적으로 가장 이른 날짜와 비교함으로써 결정이 이루어질 수 있다. 일 실시예에서, 미리 결정된 시간의 기간은 유지보수 데이터 및 고장 통지와 연관된 툴의 사용자에 의해 세팅된다. 대안적인 실시예에서, 미리 결정된 시간의 기간은 툴의 공급자에 의해 미리 결정된다. 예를 들어, 미리 결정된 시간의 기간은 7일, 30일, 1년 등일 수 있다.
현재의 고장 이벤트의 날짜가 미리 결정된 시간의 기간 내에 속하는 경우에, 블럭(630)에서 현재의 고장 이벤트가 최적의 스케줄에 부가된다. 일 실시예에서, 최적의 스케줄에서의 현재의 고장 이벤트에 대해 현재의 고장 이벤트의 날짜가 또한 부가된다. 대안적인 실시예에서, 최적의 스케줄에서의 현재의 고장 이벤트에 대해 전체적으로 가장 이른 날짜가 부가된다. 다른 대안적인 실시예에서, 최적의 스케줄에서의 현재의 고장 이벤트에 대해 날짜가 포함되지 않는다. 예를 들어, 전체적으로 가장 이른 날짜가 01/01/2010 이었고, 고장 이벤트가 01/15/10 이었으며, 미리 결정된 시간의 기간이 30일이었던 경우에, 고장 이벤트의 날짜가 전체적으로 가장 이른 날짜로부터 14일이고 이는 30일의 최대치 미만이기 때문에, 고장 이벤트가 최적의 스케줄에 부가될 것이다. 현재의 고장 이벤트의 날짜가 미리 결정된 시간의 기간 내에 속하지 않는 경우에, 고장 이벤트는 최적의 스케줄에 부가되지 않으며, 방법은 고장 통지에서 고장 이벤트들이 더 존재하는지를 결정하기 위해 다시 블럭(615)으로 진행된다. 예를 들어, 전체적으로 가장 이른 날짜가 01/01/2010 이었고, 고장 이벤트가 01/15/10 이었으며, 미리 결정된 시간의 기간이 7일이었던 경우에, 고장 이벤트의 날짜가 전체적으로 가장 이른 날짜로부터 14일이고 이는 7일의 최대치 보다 더 크기 때문에 고장 이벤트가 최적의 스케줄에 부가되지 않을 것이다.
블럭(635)에서, 유지보수 데이터에서 유지보수 이벤트들이 더 있는지에 대한 결정이 이루어진다. 유지보수 데이터에서 더 이상 이벤트들이 없는 경우에, 방법은 종료되며, 생성된 최적의 스케줄은, 미리 결정된 시간의 기간 내에 속하는, 유지보수 이벤트들 및 고장을 전체적으로 가장 이른 날짜까지 수행하는 것을 제안한다. 유지보수 데이터에서 고려할 부가적인 유지보수 이벤트들이 있는 경우에, 방법은 블럭(640)으로 진행된다.
블럭(640)에서, 현재의 유지보수 이벤트와 연관된 날짜가 결정된다. 일 실시예에서, 유지보수 데이터로부터 현재의 유지보수 이벤트와 연관된 날짜를 추출함으로써 날짜가 결정될 수 있다. 일 실시예에서, 현재의 유지보수 이벤트와 연관되는 날짜가 없는 경우에, 날짜는 방법(600)을 실행하는 시스템에서의 내부 클럭에 의해 유지되는 날짜이도록 결정될 수 있다. 대안적인 실시예에서, 현재의 유지보수 이벤트와 연관되는 날짜가 없는 경우에, 그 이벤트는 (블럭(605)에서 결정된 바와 같은) 고장 통지 및 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜와 동일한 날짜로 세팅될 수 있다.
블럭(645)에서, 현재의 유지보수 이벤트의 날짜가 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 있는지에 대한 결정이 이루어진다. 일 실시예에서, 현재의 유지보수 이벤트의 날짜를 전체적으로 가장 이른 날짜와 비교함으로써 결정이 이루어질 수 있다. 일 실시예에서, 미리 결정된 시간의 기간은 유지보수 데이터 및 고장 통지와 연관된 툴의 사용자에 의해 세팅된다. 대안적인 실시예에서, 미리 결정된 시간의 기간은 툴의 공급자에 의해 미리 결정된다. 예를 들어, 미리 결정된 시간의 기간은 7일, 30일, 1년 등일 수 있다.
현재의 유지보수 이벤트의 날짜가 미리 결정된 시간의 기간 내에 속하는 경우에, 블럭(650)에서 현재의 유지보수 이벤트가 최적의 스케줄에 부가된다. 일 실시예에서, 최적의 스케줄에서의 현재의 유지보수 이벤트에 대해 현재의 유지보수 이벤트의 날짜가 또한 부가된다. 대안적인 실시예에서, 최적의 스케줄에서의 현재의 유지보수 이벤트에 대해 전체적으로 가장 이른 날짜가 부가된다. 다른 대안적인 실시예에서, 최적의 스케줄에서의 현재의 유지보수 이벤트에 대해 날짜가 포함되지 않는다. 예를 들어, 전체적으로 가장 이른 날짜가 01/01/2010 이었고, 유지보수 이벤트가 01/15/10 이었으며, 미리 결정된 시간의 기간이 30일이었던 경우에, 유지보수 이벤트의 날짜가 전체적으로 가장 이른 날짜로부터 14일이고 이는 30일의 최대치 미만이기 때문에, 유지보수 이벤트가 최적의 스케줄에 부가될 것이다. 현재의 유지보수 이벤트의 날짜가 미리 결정된 시간의 기간 내에 속하지 않는 경우에, 고장 이벤트는 최적의 스케줄에 부가되지 않으며, 방법은 유지보수 데이터에서 유지보수 이벤트들이 더 있는지를 결정하기 위해 다시 블럭(635)으로 진행된다. 예를 들어, 전체적으로 가장 이른 날짜가 01/01/2010 이었고, 유지보수 이벤트가 01/15/10 이었으며, 미리 결정된 시간의 기간이 7일이었던 경우에, 유지보수 이벤트의 날짜가 전체적으로 가장 이른 날짜로부터 14일이고 이는 7일의 최대치 보다 더 크기 때문에, 유지보수 이벤트가 최적의 스케줄에 부가되지 않을 것이다.
도7은 컴퓨터 시스템(700)의 예시적인 형태로 머신(machine)의 도식적인 표현을 예시하며, 컴퓨터 시스템 내에서는 머신으로 하여금 여기서 논의된 방법론들 중 임의의 하나 또는 둘 이상을 수행하게 하기 위한 명령들의 세트가 실행될 수 있다. 대안적인 실시예들에서, 머신은 LAN, 인트라넷, 엑스트라넷(extranet), 또는 인터넷으로 다른 머신들에 접속될 수 있다(예를 들어, 네트워킹될 수 있다). 머신은 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 머신의 자격으로, 또는 피어-투-피어(peer-to-peer)(또는 분산된) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신은 퍼스널 컴퓨터(PC), 태블릿 PC, 셋톱 박스(STB), 개인 휴대 정보 단말기(PDA), 셀룰러 전화, 웹(web) 기기, 서버, 네트워크 라우터, 스위치 또는 브릿지, 또는 그 머신에 의해 취해질 액션들을 특정하는 명령들의 세트를 (순차적으로 또는 다른 방법으로) 실행할 수 있는 임의의 머신일 수 있다. 추가로, 단일의 머신만이 예시되었지만, "머신" 이라는 용어는 또한, 여기에서 논의되는 방법들 중 임의의 하나 또는 둘 이상을 수행하기 위해 명령들의 세트(또는 다수의 세트들)를 개별적으로 또는 공동으로 실행하는 머신들의 임의의 컬렉션을 포함하는 것으로 받아들여져야 한다.
예시적인 컴퓨터 시스템(700)은 프로세싱 디바이스(프로세서)(701), 메인 메모리(703)(예를 들어, 판독-전용 메모리(ROM), 플래시 메모리, 동기 DRAM(SDRAM) 또는 램버스 DRAM(RDRAM)과 같은 동적 랜덤 액세스 메모리(DRAM) 등), 정적 메모리(705)(예를 들어, 플래시 메모리, 정적 랜덤 액세스 메모리(SRAM) 등), 및 데이터 저장 디바이스(715)(예를 들어, 드라이브 유닛)를 포함하며, 이들은 버스(707)를 통해 서로 통신한다.
프로세서(701)는 마이크로프로세서, 중앙 프로세싱 유닛 등과 같은 하나 또는 둘 이상의 범용 프로세싱 디바이스들을 나타낸다. 더 구체적으로, 프로세서(701)는 복잡 명령 세트 컴퓨팅(CISC) 마이크로프로세서, 축소 명령 세트 컴퓨팅(RISC) 마이크로프로세서, VLIW(very long instruction word) 마이크로프로세서, 또는 다른 명령 세트들을 구현하는 프로세서 또는 명령 세트들의 조합을 구현하는 프로세서들일 수 있다. 또한, 프로세서(701)는 주문형 집적회로(ASIC), 필드 프로그램가능한 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서 등과 같은 하나 또는 둘 이상의 특수 목적 프로세싱 디바이스들일 수 있다. 프로세서(701)는 여기에서 논의되는 동작들 및 단계들을 수행하기 위한 명령들(725)을 실행하도록 구성된다.
컴퓨터 시스템(700)은 네트워크 인터페이스 디바이스(721)를 더 포함할 수 있다. 또한, 컴퓨터 시스템(700)은 비디오 디스플레이 유닛(709)(예를 들어, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 문자-숫자 입력 디바이스(711)(예를 들어, 키보드), 커서 제어 디바이스(713)(예를 들어, 마우스), 및 신호 생성 디바이스(719)(예를 들어, 스피커)를 포함할 수 있다.
데이터 저장 디바이스(715)는 여기에서 설명되는 방법론들 또는 기능들 중 임의의 하나 또는 둘 이상을 실시하는 명령들(725)의 하나 또는 둘 이상의 세트들(예를 들어, 소프트웨어)이 저장되는 컴퓨터-판독가능한 저장 매체(723)를 포함할 수 있다. 명령들(725)은 또한, 컴퓨터 시스템(700)에 의한 그 실행 동안에 프로세서(701) 내에 그리고/또는 메인 메모리(703) 내에, 완전히 또는 적어도 부분적으로 상주할 수 있으며, 메인 메모리(703) 및 프로세서(701)는 또한 컴퓨터-판독가능한 저장 매체를 구성한다. 명령들(725)은 추가로, 네트워크 인터페이스 디바이스(721)에 의하여 네트워크(717)를 통해 송신 또는 수신될 수 있다.
또한, 컴퓨터-판독가능한 저장 매체(723)는 사용자 프로파일들을 정의하는, 사용자 선호도들 및 사용자 식별 상태들을 정의하는 데이터 구조 세트들을 저장하는데 사용될 수 있다. 또한, 데이터 구조 세트들 및 사용자 프로파일들은 정적 메모리(705)와 같은 컴퓨터 시스템(700)의 다른 섹션들에 저장될 수 있다.
예시적인 실시예에서, 컴퓨터-판독가능한 저장 매체(723)가 단일 매체인 것으로 도시되지만, "컴퓨터-판독가능한 저장 매체" 라는 용어는 명령들의 하나 또는 둘 이상의 세트들을 저장하는 단일 매체 또는 다중 매체(예를 들어, 집중된 또는 분산된 데이터베이스, 및/또는 연관된 캐시(cache)들 및 서버들)를 포함하는 것으로 받아들여져야 한다. 또한, "컴퓨터-판독가능한 저장 매체" 라는 용어는, 머신에 의한 실행을 위한, 그리고 머신으로 하여금 본 발명의 방법론들 중 임의의 하나 또는 둘 이상을 수행하게 하는 명령들의 세트를 저장, 인코딩, 또는 운반할 수 있는 임의의 매체를 포함하는 것으로 받아들여져야 한다. 따라서, "컴퓨터-판독가능한 저장 매체" 라는 용어는 고체 상태 메모리들 및 광학 및 자성 매체를 포함하는 것으로 받아들여져야 하지만, 이에 한정되지는 않아야 한다.
도8은 자동화된 교정 및 예측 유지보수 시스템에 의해 제공되는 예시적인 사용자 인터페이스를 예시한다. 사용자 인터페이스(800)는 최적의 스케줄에서의 이벤트들의 그래픽 표현을 포함한다. 사용자 인터페이스(800)는 이벤트가 발생되었던 일수(820) 및 그날에서의 시간(810)에 걸친 이벤트들의 분배를 포함한다.
위의 상세한 설명의 몇몇 부분들은 컴퓨터 메모리 내의 데이터 비트들에 대한 동작들의 기호 표현들 및 알고리즘들에 관하여 제시된다. 이들 알고리즘의 설명들 및 표현들은 데이터 프로세싱 기술들에서의 당업자에 의해 그들의 작업의 내용을 그 기술에서의 다른 당업자에게 가장 효과적으로 전달하기 위해 사용되는 수단이다. 여기서 그리고 일반적으로, 알고리즘은 결과로 이끄는 단계들의 자기모순이 없는 시퀀스로 인식된다. 단계들은 물리적인 양들의 물리적인 조작들을 요구하는 것들이다. 보통, 필수적이지는 않지만, 이들 양들은, 저장, 전달, 조합, 비교, 및 그렇지 않으면 조작될 수 있는 전기 또는 자기 신호들의 형태를 취한다. 대체로 통상의 이용의 이유로, 이들 신호들을 비트들, 값들, 엘리먼트들, 심볼들, 문자들, 항들, 숫자들 등으로 지칭하는 것이 때때로 편리하다고 증명되었다.
그러나, 이들 및 유사한 용어들 모두는 적절한 물리적인 양들과 연관되어 있으며 단순히 이들 양들에 적용된 편리한 표식들임을 명심해야 한다. 구체적으로 다르게 언급되지 않는 한, 다음의 논의로부터 명백한 바와 같이, 설명의 전반에 걸쳐, "결정하는(determining)", "식별하는(identifying)", "비교하는(comparing)", "전송하는(sending)" 등과 같은 용어들을 이용하는 논의들은, 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적인(예를 들어, 전자) 양들로서 표현된 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장, 송신, 또는 디스플레이 디바이스들 내의 물리적인 양들로서 유사하게 표현된 다른 데이터로 조작 및 변환하는 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스의 액션들 및 프로세스들을 지칭한다는 것이 인식된다.
또한, 본 발명의 실시예들은 여기서의 동작들을 수행하기 위한 장치에 관한 것이다. 이 장치는 요구되는 목적들을 위해 특별히 구축될 수 있거나, 또는 그 장치는 컴퓨터에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화되거나 또는 재구성되는 범용 컴퓨터를 포함할 수 있다. 그러한 컴퓨터 프로그램은 플로피 디스크들, 광학 디스크들, CD-ROM들, 및 자기-광학 디스크들을 포함하는 임의의 타입의 디스크, 판독-전용 메모리들(ROMs), 랜덤 액세스 메모리들(RAMs), EPROM들, EEPROM들, 자기 또는 광학 카드들, 또는 전자 명령들을 저장하기에 적합한 임의의 타입의 매체와 같은(그러나, 이들에 한정되지는 않는) 컴퓨터 판독가능한 저장 매체에 저장될 수 있다.
여기에서 제시된 알고리즘들 및 디스플레이들은 본질적으로 임의의 특정한 컴퓨터 또는 다른 장치에 관련되지 않는다. 여기서의 교시들에 따라 프로그램들과 함께 다양한 범용 시스템들이 사용될 수 있거나, 또는 방법 단계들을 수행하기 위해 더욱 특수화된 장치를 구축하는 것이 편리한 것으로 판명될 수 있다. 다양한 이들 시스템들의 구조가 하기의 설명으로부터 나타날 것이다. 또한, 본 발명의 실시예들은 임의의 특정한 프로그래밍 언어를 참조하여 설명되지 않는다. 여기에서 설명된 바와 같은 본 발명의 교시들을 구현하는데 다양한 프로그래밍 언어들이 사용될 수 있다는 것이 인식될 것이다.
머신-판독가능한 저장 매체는 머신(예를 들어, 컴퓨터)에 의해 판독가능한 형태로 정보를 저장하기 위한 임의의 메카니즘, 즉, 플로피 디스켓들, 광학 디스크들, 컴팩트 디스크, 판독-전용 메모리(CD-ROMs), 자기-광학 디스크들, 판독-전용 메모리(ROMs), 랜덤 액세스 메모리(RAM), 소거가능한 프로그램가능한 판독-전용 메모리(EPROM), 전기적으로 소거가능한 프로그램가능한 판독-전용 메모리(EEPROM), 자기 또는 광학 카드들, 플래시 메모리 등을 포함할 수 있지만, 이들에 한정되지는 않는다.
위의 설명은 예시적이며 제한적이지 않도록 의도된다는 것이 이해되어야 한다. 위의 설명을 읽고 이해할 시에, 당업자에게는 다수의 다른 실시예들이 명백하게 될 것이다.

Claims (21)

  1. 컴퓨터-구현된 방법으로서,
    툴과 연관된 고장 통지를 컴퓨팅 디바이스에 의해 수신하는 단계 ― 상기 고장 통지는 상기 툴에 대해 발생할 것으로 예측되는 하나 또는 그 초과의 고장들에 대한 하나 또는 그 초과의 예측 유지보수 이벤트들을 표시함 ― ;
    상기 툴과 연관된 유지보수 데이터를 상기 컴퓨팅 디바이스에 의해 획득하는 단계 ― 상기 유지보수 데이터는 상기 툴에 대한 하나 또는 그 초과의 교정 유지보수 이벤트들을 포함하며, 상기 하나 또는 그 초과의 교정 유지보수 이벤트들은 상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상이함 ― ; 및
    상기 툴에 대한 적어도 하나의 알려진 교정 유지보수 이벤트와 서로로부터 미리 결정된 시간의 양 내에 발생하는 하나 또는 그 초과의 예측 유지보수 이벤트들에 기초하여 동일한 유지보수 기간 동안 상기 툴에 대한 복수의 교정 및 예측 유지보수 이벤트들이 발생하도록 계획하기 위해 상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합함으로써, 상기 툴에 대한 최적의 스케줄을 상기 컴퓨팅 디바이스에 의해 생성하는 단계를 포함하며,
    상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합하는 것은,
    상기 고장 통지 및 상기 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜를 결정하는 것과,
    상기 전체적으로 가장 이른 날짜와 연관된 가장 이른 이벤트를 상기 최적의 스케줄에 부가하는 것을 포함하는,
    컴퓨터-구현된 방법.
  2. 제1항에 있어서,
    사용자 인터페이스를 사용하여 상기 최적의 스케줄을 사용자에게 제시(present)하는 단계를 더 포함하는,
    컴퓨터-구현된 방법.
  3. 제1항에 있어서,
    상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합시키는 것은,
    상기 고장 통지에 포함된 각각의 예측 유지보수 이벤트에 대하여,
    상기 예측 유지보수 이벤트와 연관된 날짜를 결정하고,
    상기 예측 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는지를 결정하고, 그리고
    상기 예측 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는 경우에, 상기 예측 유지보수 이벤트를 상기 최적의 스케줄에 부가하고; 그리고
    상기 유지보수 데이터에 포함된 각각의 교정 유지보수 이벤트에 대하여,
    상기 교정 유지보수 이벤트와 연관된 날짜를 결정하고,
    상기 교정 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는지를 결정하고, 그리고
    상기 교정 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는 경우에, 상기 교정 유지보수 이벤트를 상기 최적의 스케줄에 부가하는 것을 포함하는,
    컴퓨터-구현된 방법.
  4. 제1항에 있어서,
    상기 최적의 스케줄에 따라, 상기 툴과 연관된 파트의 벤더에게 상기 파트가 교체될 필요가 있다는 것을 자동으로 통지하는 단계를 더 포함하는,
    컴퓨터-구현된 방법.
  5. 제1항에 있어서,
    상기 최적의 스케줄에 따라, 파트와 연관된 예상 데이터를 자동으로 업데이트하는 단계를 더 포함하는,
    컴퓨터-구현된 방법.
  6. 제1항에 있어서,
    상기 최적의 스케줄은 전체적으로 가장 이른 날짜까지 수행될 교정 유지보수 이벤트들의 세트 및 예측 유지보수 이벤트들의 세트를 제공하는,
    컴퓨터-구현된 방법.
  7. 제1항에 있어서,
    상기 최적의 스케줄을 상기 툴의 지원 팀에게 자동으로 통지하는 단계를 더 포함하는,
    컴퓨터-구현된 방법.
  8. 프로세서로 하여금 동작들을 수행하게 하기 위한 실행가능한 명령들을 포함하는 비-일시적인 컴퓨터-판독가능한 저장 매체로서,
    상기 명령들은,
    툴과 연관된 고장 통지를 수신하는 것 ― 상기 고장 통지는 상기 툴에 대해 발생할 것으로 예측되는 하나 또는 그 초과의 고장들에 대한 하나 또는 그 초과의 예측 유지보수 이벤트들을 표시함 ― ;
    상기 툴과 연관된 유지보수 데이터를 획득하는 것 ― 상기 유지보수 데이터는 상기 툴에 대한 하나 또는 그 초과의 교정 유지보수 이벤트들을 포함하며, 상기 하나 또는 그 초과의 교정 유지보수 이벤트들은 상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상이함 ― ; 및
    상기 툴에 대한 적어도 하나의 알려진 교정 유지보수 이벤트와 서로로부터 미리 결정된 시간의 양 내에 발생하는 하나 또는 그 초과의 예측 유지보수 이벤트들에 기초하여 동일한 유지보수 기간 동안 상기 툴에 대해 복수의 교정 및 예측 유지보수 이벤트들이 발생하도록 계획하기 위해 상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합함으로써, 상기 툴에 대한 최적의 스케줄을 생성하는 것을 포함하며,
    상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합하기 위한 명령들은,
    상기 고장 통지 및 상기 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜를 결정하는 것; 및
    상기 전체적으로 가장 이른 날짜와 연관된 가장 이른 이벤트를 상기 최적의 스케줄에 부가하는 것을 포함하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  9. 제8항에 있어서,
    상기 명령들은,
    사용자 인터페이스를 사용하여 사용자에게 상기 최적의 스케줄을 제시하는 것을 더 포함하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  10. 제8항에 있어서,
    상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합하기 위한 명령들은,
    상기 고장 통지에 포함된 각각의 예측 유지보수 이벤트에 대하여,
    상기 예측 유지보수 이벤트와 연관된 날짜를 결정하는 것,
    상기 예측 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는지를 결정하는 것, 및
    상기 예측 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는 경우에, 상기 예측 유지보수 이벤트를 상기 최적의 스케줄에 부가하는 것; 및
    상기 유지보수 데이터에 포함된 각각의 교정 유지보수 이벤트에 대하여,
    상기 교정 유지보수 이벤트와 연관된 날짜를 결정하는 것,
    상기 교정 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는지를 결정하는 것, 및
    상기 교정 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는 경우에, 상기 교정 유지보수 이벤트를 상기 최적의 스케줄에 부가하는 것을 포함하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  11. 제8항에 있어서,
    상기 명령들은,
    상기 최적의 스케줄에 따라, 상기 툴과 연관된 파트의 벤더에게 상기 파트가 교체될 필요가 있다는 것을 자동으로 통지하는 것을 더 포함하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  12. 제8항에 있어서,
    상기 명령들은,
    상기 최적의 스케줄에 따라, 파트와 연관된 예상 데이터를 자동으로 업데이트하는 것을 더 포함하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  13. 제8항에 있어서,
    상기 최적의 스케줄은 전체적으로 가장 이른 날짜까지 수행될 교정 유지보수 이벤트들의 세트 및 예측 유지보수 이벤트들의 세트를 제공하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  14. 제8항에 있어서,
    상기 명령들은,
    상기 툴의 지원 팀에게 상기 최적의 스케줄을 자동으로 통지하는 것을 더 포함하는,
    비-일시적인 컴퓨터-판독가능한 저장 매체.
  15. 컴퓨터 시스템으로서,
    메모리; 및
    프로세서를 포함하며,
    상기 프로세서는 상기 메모리에 저장된 명령들에 의해,
    툴과 연관된 고장 통지를 수신하고 ― 상기 고장 통지는 상기 툴에 대해 발생할 것으로 예측되는 하나 또는 그 초과의 고장들에 대한 하나 또는 그 초과의 예측 유지보수 이벤트들을 표시함 ― ,
    상기 툴과 연관된 유지보수 데이터를 획득하며 ― 상기 유지보수 데이터는 상기 툴에 대한 하나 또는 그 초과의 교정 유지보수 이벤트들을 포함하고, 상기 하나 또는 그 초과의 교정 유지보수 이벤트들은 상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상이함 ― , 그리고
    상기 툴에 대한 적어도 하나의 알려진 교정 유지보수 이벤트와 서로로부터 미리 결정된 시간의 양 내에 발생하는 하나 또는 그 초과의 예측 유지보수 이벤트들에 기초하여 동일한 유지보수 기간 동안 상기 툴에 대해 복수의 교정 및 예측 유지보수 이벤트들이 발생하도록 계획하기 위해 상기 하나 또는 그 초과의 예측 유지보수 이벤트들과 상기 하나 또는 그 초과의 교정 유지보수 이벤트들을 결합함으로써, 상기 툴에 대한 최적의 스케줄을 생성하도록 구성 가능하며,
    상기 프로세서는,
    상기 고장 통지 및 상기 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜를 결정하고 상기 전체적으로 가장 이른 날짜와 연관된 가장 이른 이벤트를 상기 최적의 스케줄에 부가함으로써, 상기 툴에 대한 상기 최적의 스케줄을 생성하는,
    컴퓨터 시스템.
  16. 제15항에 있어서,
    상기 프로세서는 추가로,
    사용자 인터페이스를 사용하여 사용자에게 상기 최적의 스케줄을 제시하는,
    컴퓨터 시스템.
  17. 제15항에 있어서,
    상기 프로세서는,
    상기 고장 통지 및 상기 유지보수 데이터와 연관된 전체적으로 가장 이른 날짜를 결정하고;
    상기 전체적으로 가장 이른 날짜와 연관된 가장 이른 이벤트를 상기 최적의 스케줄에 부가하고;
    상기 고장 통지에 포함된 각각의 예측 유지보수 이벤트에 대하여,
    상기 예측 유지보수 이벤트와 연관된 날짜를 결정하고,
    상기 예측 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는지를 결정하고, 그리고
    상기 예측 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는 경우에, 상기 예측 유지보수 이벤트를 상기 최적의 스케줄에 부가하고; 그리고
    상기 유지보수 데이터에 포함된 각각의 교정 유지보수 이벤트에 대하여,
    상기 교정 유지보수 이벤트와 연관된 날짜를 결정하고,
    상기 교정 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는지를 결정하고, 그리고
    상기 교정 유지보수 이벤트와 연관된 상기 날짜가 상기 전체적으로 가장 이른 날짜의 미리 결정된 시간의 기간 내에 속하는 경우에, 상기 교정 유지보수 이벤트를 상기 최적의 스케줄에 부가함으로써,
    상기 툴에 대한 상기 최적의 스케줄을 생성하는,
    컴퓨터 시스템.
  18. 제15항에 있어서,
    상기 프로세서는 추가로,
    상기 최적의 스케줄에 따라, 상기 툴과 연관된 파트의 벤더에게 상기 파트가 교체될 필요가 있다는 것을 통지하는,
    컴퓨터 시스템.
  19. 제15항에 있어서,
    상기 프로세서는 추가로,
    상기 최적의 스케줄에 따라, 파트와 연관된 예상 데이터를 업데이트하는,
    컴퓨터 시스템.
  20. 제15항에 있어서,
    상기 최적의 스케줄은 전체적으로 가장 이른 날짜까지 수행될 교정 유지보수 이벤트들의 세트 및 예측 유지보수 이벤트들의 세트를 제공하는,
    컴퓨터 시스템.
  21. 제15항에 있어서,
    상기 프로세서는 추가로,
    상기 툴의 지원 팀에게 상기 최적의 스케줄을 통지하는,
    컴퓨터 시스템.
KR1020127014474A 2009-11-02 2010-11-02 자동화된 교정 및 예측 유지보수 시스템 KR101599945B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US25741509P 2009-11-02 2009-11-02
US61/257,415 2009-11-02
US12/917,434 2010-11-01
US12/917,434 US8660875B2 (en) 2009-11-02 2010-11-01 Automated corrective and predictive maintenance system

Publications (2)

Publication Number Publication Date
KR20120114254A KR20120114254A (ko) 2012-10-16
KR101599945B1 true KR101599945B1 (ko) 2016-03-04

Family

ID=43923078

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020127014474A KR101599945B1 (ko) 2009-11-02 2010-11-02 자동화된 교정 및 예측 유지보수 시스템

Country Status (4)

Country Link
US (1) US8660875B2 (ko)
KR (1) KR101599945B1 (ko)
CN (1) CN102597990B (ko)
WO (1) WO2011054005A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102531879B1 (ko) 2022-10-21 2023-05-12 위템 주식회사 인공지능 기반 기업용 전자 장비의 유지 보수를 위한 이벤트 발생 예측 및 모니터링 방법, 장치 및 시스템

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8560106B2 (en) * 2010-11-30 2013-10-15 Applied Materials, Inc. Predictive maintenance for third party support equipment
US8904397B2 (en) 2011-10-31 2014-12-02 International Business Machines Corporation Staggering execution of scheduled tasks based on behavioral information
US9047396B2 (en) * 2011-10-31 2015-06-02 International Business Machines Corporation Method, system and computer product for rescheduling processing of set of work items based on historical trend of execution time
US9355009B2 (en) 2011-10-31 2016-05-31 International Business Machines Corporation Performance of scheduled tasks via behavior analysis and dynamic optimization
JP5652444B2 (ja) * 2012-08-31 2015-01-14 横河電機株式会社 保守支援システム及び方法
US9197511B2 (en) * 2012-10-12 2015-11-24 Adobe Systems Incorporated Anomaly detection in network-site metrics using predictive modeling
CN103810555A (zh) * 2012-11-13 2014-05-21 中国广东核电集团有限公司 一种定期维护项目的排程方法及系统
US9262255B2 (en) 2013-03-14 2016-02-16 International Business Machines Corporation Multi-stage failure analysis and prediction
AT514680A2 (de) * 2013-08-05 2015-02-15 Uptime Engineering Gmbh Prozess zur Optimierung der Wartung technischer Systeme
TWI653585B (zh) * 2013-08-05 2019-03-11 應用材料股份有限公司 用於在預測系統中最佳化獲利的方法及裝置
US10007887B2 (en) * 2014-05-23 2018-06-26 International Business Machines Corporation Failure impact manager
US20160104125A1 (en) * 2014-10-10 2016-04-14 The Boeing Company Computing system and method for providing information relating to maintenance actions
US9826338B2 (en) 2014-11-18 2017-11-21 Prophecy Sensorlytics Llc IoT-enabled process control and predective maintenance using machine wearables
US10613046B2 (en) 2015-02-23 2020-04-07 Machinesense, Llc Method for accurately measuring real-time dew-point value and total moisture content of a material
US10481195B2 (en) 2015-12-02 2019-11-19 Machinesense, Llc Distributed IoT based sensor analytics for power line diagnosis
US20160245686A1 (en) 2015-02-23 2016-08-25 Biplab Pal Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data
US10638295B2 (en) 2015-01-17 2020-04-28 Machinesense, Llc System and method for turbomachinery preventive maintenance and root cause failure determination
US10599982B2 (en) * 2015-02-23 2020-03-24 Machinesense, Llc Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs
US20160313216A1 (en) 2015-04-25 2016-10-27 Prophecy Sensors, Llc Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning
US10648735B2 (en) 2015-08-23 2020-05-12 Machinesense, Llc Machine learning based predictive maintenance of a dryer
US20160245279A1 (en) 2015-02-23 2016-08-25 Biplab Pal Real time machine learning based predictive and preventive maintenance of vacuum pump
US10895396B2 (en) * 2015-01-19 2021-01-19 Lennox Industries Inc. Resilient operation of a heating, ventilation, and air conditioning system
IL237235B (en) * 2015-02-11 2019-08-29 Friedlander Yehudah A system for analyzing power consumption
US20160299786A1 (en) * 2015-04-10 2016-10-13 Microsoft Technology Licensing, Llc Code examination by scheduler timeline manipulation
US9823289B2 (en) 2015-06-01 2017-11-21 Prophecy Sensorlytics Llc Automated digital earth fault system
US10241853B2 (en) * 2015-12-11 2019-03-26 International Business Machines Corporation Associating a sequence of fault events with a maintenance activity based on a reduction in seasonality
CN109074529B (zh) * 2016-04-20 2022-04-29 Asml荷兰有限公司 匹配记录的方法、调度维护的方法和装置
US20200110395A1 (en) * 2017-04-13 2020-04-09 Texas Tech University System System and Method for Automated Prediction and Detection of Component and System Failures
TWI639907B (zh) * 2017-06-06 2018-11-01 國立彰化師範大學 工具機具殘餘使用壽命預測系統及其方法
US10782680B2 (en) * 2017-07-20 2020-09-22 Genral Electric Company Cumulative cost model for predicting asset maintenance cost from distress models
CN107885640B (zh) * 2017-11-21 2020-11-10 北京腾凌科技有限公司 一种硬盘管理方法及装置
US10921792B2 (en) 2017-12-21 2021-02-16 Machinesense Llc Edge cloud-based resin material drying system and method
DE102018105322A1 (de) * 2018-03-08 2019-09-12 Carl Zeiss Smt Gmbh Verfahren zum Betreiben einer industriellen Maschine
EP3557497A1 (de) * 2018-04-19 2019-10-23 Siemens Aktiengesellschaft Integriertes kalibrier-, wartungs- und qualifizierungsmanagementsystem
US10739754B2 (en) * 2018-05-11 2020-08-11 Ford Motor Company Method and system for monitoring machine health to improve machine cycle time impact
JP7202078B2 (ja) * 2018-05-24 2023-01-11 株式会社日立製作所 保全作業支援システム
WO2020031225A1 (ja) * 2018-08-06 2020-02-13 日産自動車株式会社 異常診断装置及び異常診断方法
WO2020146486A1 (en) * 2019-01-09 2020-07-16 Westrock Packaging Systems, Llc Predictive maintenance tool based on digital model
US11095749B2 (en) * 2019-01-29 2021-08-17 Walmart Apollo, Llc Self-service operation for bare-metal servers
US11086749B2 (en) 2019-08-01 2021-08-10 International Business Machines Corporation Dynamically updating device health scores and weighting factors
BR112022004046A2 (pt) 2019-09-06 2022-05-24 Andritz Inc Controle de fábrica com base em vibração
US11238417B2 (en) * 2020-02-28 2022-02-01 The Boeing Company Adjusting maintenance intervals for individual platforms based on observable conditions
JP2021196989A (ja) * 2020-06-17 2021-12-27 三菱重工業株式会社 計画装置、計画方法およびプログラム
US20220317676A1 (en) * 2021-03-31 2022-10-06 Caterpillar Inc. Systems and methods for automatically scheduling maintenance
IT202100010064A1 (it) 2021-04-21 2022-10-21 Carboil S R L Sistema di monitoraggio ambientale per pompe di carburante
CN113741215B (zh) * 2021-09-16 2022-10-25 四川中鼎智能技术有限公司 基于关联特征数据的设备控制方法及装置
DE102022126563A1 (de) 2022-10-12 2024-04-18 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Erzeugen einer Entscheidungshilfe, ob eine außerplanmäßige Wartung an einer Fertigungsstation durchzuführen ist
KR102605549B1 (ko) * 2022-11-17 2023-11-24 동양이엔피 주식회사 무선 충전 안전 관리 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040193467A1 (en) * 2003-03-31 2004-09-30 3M Innovative Properties Company Statistical analysis and control of preventive maintenance procedures

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0411873A3 (en) * 1989-08-02 1993-11-18 Westinghouse Electric Corp Improved plant operating system employing a deterministic, probabilistic and subjective modeling system
GB9222282D0 (en) * 1992-10-22 1992-12-09 Hewlett Packard Co Monitoring network status
US5311562A (en) * 1992-12-01 1994-05-10 Westinghouse Electric Corp. Plant maintenance with predictive diagnostics
US5940290A (en) * 1995-12-06 1999-08-17 Honeywell Inc. Method of predictive maintenance of a process control system having fluid movement
US5754451A (en) * 1996-02-29 1998-05-19 Raytheon Company Preventative maintenance and diagonstic system
US6110214A (en) * 1996-05-03 2000-08-29 Aspen Technology, Inc. Analyzer for modeling and optimizing maintenance operations
US6041263A (en) * 1996-10-01 2000-03-21 Aspen Technology, Inc. Method and apparatus for simulating and optimizing a plant model
US6298454B1 (en) * 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
US6421571B1 (en) * 2000-02-29 2002-07-16 Bently Nevada Corporation Industrial plant asset management system: apparatus and method
AU8146901A (en) * 2000-03-17 2001-09-24 Siemens Aktiengesellschaft Plant maintenance technology architecture
FR2814901B1 (fr) * 2000-10-04 2003-01-31 Jean Patrick Azpitarte Systeme pour la gestion a distance de la maitenance d'un ensemble d 'equipements
US6738748B2 (en) * 2001-04-03 2004-05-18 Accenture Llp Performing predictive maintenance on equipment
US6980959B1 (en) * 2000-10-17 2005-12-27 Accenture Llp Configuring mechanical equipment
US6820038B1 (en) * 2001-09-04 2004-11-16 Accenture Global Services Gmbh Component provisioning or issuance in a maintenance, repair or overhaul environment
CA2327001A1 (en) * 2000-11-27 2002-05-27 Redback Networks Systems Canada Inc. Policy schedule verification method and apparatus
US6795798B2 (en) * 2001-03-01 2004-09-21 Fisher-Rosemount Systems, Inc. Remote analysis of process control plant data
US7292988B2 (en) * 2001-04-02 2007-11-06 Lockheed Martin Corporation Installation support information system collaborative tool
US6999829B2 (en) * 2001-12-26 2006-02-14 Abb Inc. Real time asset optimization
US7133804B2 (en) * 2002-02-22 2006-11-07 First Data Corporatino Maintenance request systems and methods
JP4058289B2 (ja) * 2002-04-09 2008-03-05 株式会社東芝 プラント機器の寿命診断・保守管理方法および装置
US7634384B2 (en) * 2003-03-18 2009-12-15 Fisher-Rosemount Systems, Inc. Asset optimization reporting in a process plant
US7716061B2 (en) * 2003-03-27 2010-05-11 International Business Machines Corporation Method and apparatus for obtaining status information in a grid
US7162312B2 (en) * 2003-09-24 2007-01-09 Siemens Aktiengesellschaft Method, system and device for predictive error recognition in a plant
US20070200683A1 (en) * 2005-05-06 2007-08-30 Colby Steven M System and method for generating orders
US20060273918A1 (en) * 2005-06-07 2006-12-07 Ram Satish N System for providing multiple maintenance profiles using wireless communications
KR100856876B1 (ko) 2006-09-07 2008-09-05 남경수 온라인을 통한 설비 보전 관리 시스템 및 그 방법
US9747571B2 (en) * 2006-10-05 2017-08-29 Trimble Inc. Integrated asset management
US8473078B1 (en) * 2006-10-19 2013-06-25 United Services Automobile Association (Usaa) Systems and methods for target optimization using regression
US10410145B2 (en) * 2007-05-15 2019-09-10 Fisher-Rosemount Systems, Inc. Automatic maintenance estimation in a plant environment
US7444200B1 (en) * 2007-06-01 2008-10-28 Advanced Micro Devices, Inc. Preventative maintenance scheduling incorporating facility and loop optimization
KR100927346B1 (ko) 2007-06-11 2009-11-19 주식회사 엔에이치테크 자동화기기 유지 보수 시스템 및 이를 이용한 자동화기기유지 보수 방법
US20090118842A1 (en) * 2007-11-06 2009-05-07 David Everton Norman Manufacturing prediction server
KR20090068867A (ko) 2007-12-24 2009-06-29 엘지노텔 주식회사 에러의 처리기한을 조정하기 위한 유지관리 시스템 및 그방법
WO2010055170A1 (en) 2008-11-17 2010-05-20 Technische Universität München Pyrimidinium derivatives for use in the treatment or prevention of diabetes

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040193467A1 (en) * 2003-03-31 2004-09-30 3M Innovative Properties Company Statistical analysis and control of preventive maintenance procedures

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102531879B1 (ko) 2022-10-21 2023-05-12 위템 주식회사 인공지능 기반 기업용 전자 장비의 유지 보수를 위한 이벤트 발생 예측 및 모니터링 방법, 장치 및 시스템

Also Published As

Publication number Publication date
KR20120114254A (ko) 2012-10-16
CN102597990B (zh) 2016-03-09
WO2011054005A3 (en) 2011-10-20
WO2011054005A2 (en) 2011-05-05
US20110137697A1 (en) 2011-06-09
CN102597990A (zh) 2012-07-18
US8660875B2 (en) 2014-02-25

Similar Documents

Publication Publication Date Title
KR101599945B1 (ko) 자동화된 교정 및 예측 유지보수 시스템
CA2942541C (en) Integrated monitoring and control of processing environment
AU2012241160B2 (en) Lifecycle obsolescence forecasting tool
US8571904B2 (en) Self sensing component interface system
Öner et al. Optimization of component reliability in the design phase of capital goods
Berthaut et al. Joint modified block replacement and production/inventory control policy for a failure-prone manufacturing cell
US20160217406A1 (en) Self-Learning Supply Chain System
Zied et al. Optimal integrated maintenance/production policy for randomly failing systems with variable failure rate
Ferguson et al. A profit‐maximizing approach to disposition decisions for product returns
US9552567B2 (en) Computer-implemented methods and systems for determining fleet conditions and operational management thereof
Fritzsche et al. Optimal prognostic distance to minimize total maintenance cost: The case of the airline industry
US20190278527A1 (en) System and method for machine learning optimization of human resource scheduling for device repair visits
Pandey et al. A methodology for simultaneous optimisation of design parameters for the preventive maintenance and quality policy incorporating Taguchi loss function
Duarte et al. Maintenance database
Liao Optimal economic production quantity policy for a parallel system with repair, rework, free-repair warranty and maintenance
Zheng et al. Joint condition-based maintenance and spare provisioning policy for a K-out-of-N system with failures during inspection intervals
US10657199B2 (en) Calibration technique for rules used with asset monitoring in industrial process control and automation systems
Asjad et al. A life cycle cost based approach of O&M support for mechanical systems
CN117670018A (zh) 汽车制造中的风险预测以及交互式风险减轻的系统及方法
Smith Reliability growth planning under performance based logistics
CN116050987A (zh) 用于物料补货的预测方法、装置、存储介质及处理器
JP2017173956A (ja) 情報処理装置、情報処理システム、制御方法、及びプログラム
US20160171411A1 (en) Total manufacturing planning management control system
Tsai The preliminary investigation of system reliability and maintainability to develop availability sound designs
Ala-Risku Installed base information management with industrial service operations

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
A201 Request for examination
A302 Request for accelerated examination
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)