KR101758211B1 - 진공 펌프의 회전자의 회전의 고장을 예측하기 위한 방법, 및 연관된 펌핑 디바이스 - Google Patents

Abstract

본 발명은 진공 펌프의 회전자의 회전의 고장을 예측하기 위한 방법에 관한 것이고, 상기 방법은 진공 펌프 기능 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록되는 단계(101), 적어도 하나의 이벤트 시퀀스와 기록된 이벤트 시퀀스들 내의 진공 펌프 거동 모델의 적어도 하나의 미리 확립된 연관 규칙의 예비 패턴 사이에 매칭이 구해지는 단계(102) - 상기 미리 확립된 연관 규칙의 예비 패턴들은 회전자 회전의 고장을 수반함 - , 및 상기 회전자 회전의 고장이 진공 펌프에서 일어날 시간 예측 윈도우가 추론되는 단계(103)를 포함한다. 본 발명은 또한 펌핑 디바이스에 관한 것이고, 상기 펌핑 디바이스는 적어도 하나의 회전자 및 하나의 펌프 보디를 포함하는 진공 펌프(7) - 상기 회전자는 상기 펌프(7)의 모터에 의해 상기 펌프 보디 내에서 회전적으로 구동될 가능성을 가짐 - , 상기 펌프(7)의 기능 신호 센서(9), 및 상기 진공 펌프(7)에서 상기 회전자 회전의 고장이 일어날 시간 예측 윈도우를 예측하는 수단(10)을 포함하고, 예측을 위한 상기 수단(10)은 상기 기능 신호 센서(9)에 의해 제공되는 측정들에 기초하여 시간 예측 윈도우를 계산한다.

Description

진공 펌프의 회전자의 회전의 고장을 예측하기 위한 방법, 및 연관된 펌핑 디바이스{METHOD FOR PREDICTING A ROTATION FAULT IN THE ROTOR OF A VACUUM PUMP, AND ASSOCIATED PUMPING DEVICE}

본 발명은 프로세스 챔버와 연관되는 진공 펌프의 예측 및 예방 유지보수의 분야에 관한 것이다. 더욱 구체적으로, 본 발명은 진공 펌프로부터 나오는 센서 신호들을 추적하고, 펌프 시징(pump seizing)으로 인한 고장을 예측할 수 있게 하여, 예방 유지보수 동작들을 스케줄링할 수 있게 하는 것에 관한 것이다. 본 발명은 연관된 펌핑 디바이스로 더 확장된다.

진공 펌프들은 일반적으로 동작하는 동안 펌프 보디(고정자) 내부에서 턴(turn)하기 위해 모터에 의해 구동되는 하나 이상의 회전자를 포함한다. 회전 중에, 프로세스 챔버로부터 빨아들이는 가스는 배출구를 향해 방출되도록 하기 위해, 회전자와 고정자 사이의 자유 공간 내에 트랩(trap)된다.

진공 펌프들은 특히 기압보다 낮은 압력을 요구하는, 반도체들, 평면 스크린들, 또는 광발전 기판들(photovoltaic substrates)을 제조하는 방법들에 이용된다. 그러나, 이들 방법들에 이용되는 가스들은 펌프의 이동 및 고정 부분들 위에 층 형태로 퇴적할 수 있는 고체 부산물들(solid byproducts)로 변할 수 있고, 고정자에 대한 회전자의 과도한 마찰 때문에 메커니즘을 정지시킬 수 있는 펌프의 클로깅(clogging) 및 그 다음에 시징을 일으킬 수 있다.

다른 소스들이 진공 펌프의 시징의 원인일 수 있다. 예를 들어, 가열되는 영향으로부터 회전자가 뒤틀리게 된 후에 열 관련 시징이 발생할 수 있다. 마찬가지로, 진공 펌프가 설치 또는 제조되고 있을 때 회전자 균형 또는 배열에서의 고장은 회전자가 진공 펌프의 불균형 및 시징을 일으킬 수 있다. 부가적으로, 진공 펌프가 롤러 베어링들(roller bearings)을 가질 때, 그것들의 저하는 또한 고정자 내의 회전자(들)의 시징의 소스일 수 있다.

펌프의 시징은 진공 펌프뿐만 아니라, 연관된 프로세스 챔버(예를 들어, 반도체 웨이퍼) 내에서 제조가 진행중인 동안 제품에 돌이킬 수 없는 손상을 일으킬 수 있다. 그 다음에 진공 펌프 교체를 진행하기 위해 챔버 내에서 일어나는 프로세싱을 중단시키는 것은 불가피하다. 생산에서 이들 계획에 없던 중단들에 의해 발생되는 비용들은 상당하다.

오늘날, 진공 펌프들의 유지보수는 교정 및 예방 액션들에 둘다 기초하며, 최상의 상황은 진공 펌프가 고장나서 멈추기 전에 예방 유지보수를 예측할 수 있는 것이다.

그렇게 하기 위해서, 예방 유지보수 동작들은 진공 펌프가 이용되고 있는 애플리케이션에 기초하여 정의되는 빈도로 실행된다. 그러나, 빈도는 제품 부하에 기초하여 변할 수 있고 펌프의 마모 또는 클로깅 속도에 직접적으로 영향을 줄 수 있는, 펌프를 이용하는 실제 상태들에 맞춰지지 않고, 불필요하거나 심지어 늦은 유지보수 동작들을 일으킨다.

진공 펌프 고장 예측 방법들은 펌프의 시징을 예측하고 그의 교체를 예상하는 것을 시도하기 위하여 개발되었다.

예를 들어, 건식 진공 펌프(dry vacuum pump)에서 고장이 일어나는 시간을 결정하기 위한 고장 예측 방법이 알려져 있다. 고장 전의 진공 펌프 이용 시간의 추정은 제조 프로세스의 특성(가스 흐름, 압력, 기판의 온도 등)과 결합되는 펌프 사양(전류, 온도, 진동 등)의 통계적 연구를 함으로써 수행된다. 그러나, 이 방법은 자동이 아니다. 그것은 프로세스 동작 상태들을 고려하지 않고 펌프의 수명을 예측할 수 없다. 분석 시스템은 생산 설비에 의해 제공되는 정보에 의존하고, 이것은 설비와 진공 펌프 사이의 통신 라인의 설치를 요구한다. 부가적으로, 프로세스 상태들을 변경하는 것은 그 다음에, 진공 펌프들이 이용되고 있는 동안 쉽게 행해질 수 없는, 분석 시스템 모델을 수정하는 것을 요구한다.

진공 라인 고장을 예측하기 위한 방법이 또한 문헌 EP 1,754,888로부터 알려져 있다. 이 방법에서, 펌프 모터에 관한 제1 기능 파라미터 및 펌프 가스 배기 시스템에 관한 제2 기능 파라미터의 시간에 대한 변경이 둘다 측정된다. 측정되는 기능 파라미터들은 그 다음에 클로깅이 발생하기 전에 진공 펌프의 이용의 시간을 예측하기 위하여 통계적 프로세싱에 의해 상관된다. 이로써 진공 라인은 외부 신호들과의 임의의 상관없이 자가 진단을 수행할 수 있다. 이 방법은 특히 펌프 클로깅을 일으키는 진공 라인 내부의 고체 부산물들에 의한 오염 현상의 진행을 추적하는 것에 아주 적합하다. 그러나, 클로깅을 통한 시징의 이벤트에서 진공 펌프의 비정상적 거동을 예측하는 것은 오직 고장 바로 전에 일어난다. 그 다음에 진공 펌프가 멈추기 전에 액션을 취하는 것이 항상 가능한 것은 아니다. 또한, 이 프로세스는 가열 또는 제조 또는 설치 결함에 의해 야기된 것들과 같은, 펌프의 다른 시징 관련 기능 장애들을 예측하는 것이 가능하지 않다.

따라서 과제는 그것이 이용되고 있는 동안에 펌프가 고장나는 것을 방지할 목적으로 예방 유지보수를 스케줄링하기 위하여 시징 관련 진공 펌프 고장의 발생을 예측하는 것이다.

또한 과제는 프로세스 챔버 내에서 발생하는 처리 프로세스(treatment process)의 임의의 표시 없이 진공 펌프의 비정상적 거동을 식별하는 것이다. 특히 다양한 펌핑되는 가스 흐름들, 펌핑되는 가스들의 성질, 또는 이용의 지속기간과 관련되는, 이용하는 진공 펌프 상태들의 지식에 독립적인, 다시 말해, 진공 펌프로부터 나오는 것들 이외의 특정 상태들 및 파라미터들에 대한 고려 없이, 고장 예측을 실행하는 것이 가능해야 한다.

부가적으로, 예측은 신뢰성이 있어야 한다. 다시 말해, 고장 예측은 80%보다 크지 않은 상황들인 경우, 50%보다 큰 상황들에서 고장들을 예측하기에 충분한 컨피던스 정도(degree of confidence)로 발생할 가능성이 있어야 한다. 부가적으로, 예측은 예방 유지보수의 스케줄링을 가능하게 하기에 충분히 일찍 발생해야 한다.

이를 위해, 본 발명의 목적은 진공 펌프의 회전자의 회전 고장을 예측하기 위한 방법을 제공하는 것이며, 상기 방법은,

진공 펌프 기능 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록되는 단계,

적어도 하나의 이벤트 시퀀스와 기록된 이벤트 시퀀스들 내의 진공 펌프 거동 모델(vacuum pump behavior model)의 미리 확립된 연관 규칙(association rule)의 적어도 하나의 예비 패턴(precursory pattern) 사이에 매칭이 구해지는 단계 - 상기 연관 규칙들은 하나 이상의 추출 파라미터들의 제약으로 지식(knowledge)을 추출하는 것에 의해 확립되고, 상기 미리 확립된 연관 규칙의 예비 패턴들은 회전자 회전의 고장을 수반함 - , 및

상기 회전자 회전의 고장이 진공 펌프에서 발생하는 시간 예측 윈도우(time prediction window)가 추론되는 단계

를 포함한다.

고장 예측 방법에 의해, 기록되는 기능 신호들의 시간에 대한 변경에 기초하여 진공 펌프 시징으로 인한 고장의 발생을 신뢰성 있게 예측하는 것이 가능해진다. 그 다음 그것이 이용되는 동안 실제로 고장나기 전에 펌프의 고장을 예상하는 예방 유지보수를 스케줄링하는 것이 가능하다. 진단이 조기에 되고, 이로써 컴포넌트들의 저하와 관련된 손상을 최소화하고 유지보수 오퍼레이터의 모니터링 작업을 용이하게 하는 것이 가능해져서, 유지보수 비용을 더 감소시킬 수 있다.

예측 방법의 제1 실시예에 따르면, 진공 펌프의 펌프 보디의 진동 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록된다.

예측 방법의 제2 실시예에 따르면, 진공 펌프 모터 전류 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록된다.

기능 신호들은 주파수 스펙트럼으로 변환될 수 있고, 주파수 대역들은 상기 스펙트럼 내에서 진공 펌프 운동학(kinematics)의 특성 주파수 둘레에서 선택될 수 있다.

펌프 보디 진동 신호들 및 진공 펌프 모터 전류 신호들은 미가공(raw) 신호들이고, 예를 들어 펌프 전력에 대한 경우일 수 있는 바와 같이, 그것들은 진공 펌프로부터 직접 도출되고 다른 신호들을 결합하는 것으로부터 생기지 않는다는 것을 의미한다. 이들 신호들은 따라서 더 정확하고 펌프의 상태를 직접 반영한다. 또한, 진동 신호들 또는 전류 신호들의 스펙트럼으로의 변환에 의해, 고정된 속도로 진공 펌프 회전의 동작을 특징화하는 주기적인 현상을 학습(study)하는 것이 가능해진다.

동작이 시작할 때부터 회전자 회전이 고장날 때까지 가동되는 진공 펌프의 수명에 대해 진공 펌프들의 세트로부터 얻어지는, 복수의 이벤트 시퀀스를 포함하는 학습 데이터베이스(learning database)로부터 지식을 추출하는 것에 의해 진공 펌프 거동 모델을 기술하는 연관 규칙들이 확립될 수 있다.

그 다음에 진공 펌프 거동 모델은 프로세스 챔버 내에서 일어나고 있을 수 있는 처리 프로세스의 우발적 상태들(occasional conditions)에 독립적일 수 있게 하는, 몇 일에 걸쳐 기록된 이벤트들의 시퀀스에 기초하여 확립된다. 처리 프로세스에 의해 야기되는 혼란들(disruptions)은 수분만 지속될 수 있기 때문에, 그것들은 모델을 확립하기 위해 투명하게 된다.

따라서 예측 프로세스는, 한편으로, 프로세스 챔버 내에서 일어나는 프로세스의 표시를 갖지 않고, 다른 한편으로, 프로세스에 대한 혼란들 또는 수정들에 의해 영향을 받지 않고, 진공 펌프에서의 비정상적 거동을 식별하는 것을 가능하게 한다. 머신 거동 모델은 처리 프로세스가 어떻게 진행하는지에 기초하여 재조정될 필요가 없다.

단독으로 또는 결합하여, 예측 방법의 하나 이상의 특성에 따르면,

- 상기 연관 규칙들은 서포트(support), 컨피던스(confidence), 및 상기 연관 규칙의 각각의 이벤트 사이의 최대 지속기간(maximum duration) 중에서 선택된 하나 이상의 추출 파라미터들의 제약으로 추출되고,

- 하나 이상의 연관 규칙들은 N개의 진공 펌프로부터 기록되는, 상기 학습 데이터베이스로부터 N-1개의 이벤트 시퀀스로부터 추출되고, 상기 연관 규칙들은 추출을 위해 이용되지 않은 이벤트들의 시퀀스에 대해 검증되고,

- 상기 학습 데이터베이스로부터, 먼저, 기준 레벨 및 상기 기준 레벨의 배수에 대응하는 중간 동작 레벨들의 상기 주파수 대역들 중에서의 선택, 및 진공 펌프 동작의 특성에 의해, 다음으로, 상기 레벨들의 특성 지속기간에 의해 이벤트들의 시퀀스가 결정된다.

본 발명의 다른 목적은 펌핑 디바이스를 제공하는 것이고, 상기 펌핑 디바이스는,

- 적어도 하나의 회전자 및 하나의 펌프 보디를 포함하는 진공 펌프 - 상기 회전자는 상기 펌프의 모터에 의해 상기 펌프 보디 내에서 회전적으로 구동될 가능성을 가짐 - ,

- 상기 펌프의 기능 신호들의 센서, 및

- 상기 진공 펌프에서 상기 회전자의 회전의 고장이 발생할 시간 예측 윈도우를 예측하는 수단 - 예측을 위한 상기 수단은 상기 기능 신호 센서에 의해 제공되는 측정들에 기초하여 시간 예측 윈도우를 계산하기 위하여 앞서 설명된 바와 같은 진공 펌프 회전자의 회전의 고장을 예측하기 위한 방법을 구현하도록 구성됨 -

을 포함한다.

펌핑 디바이스의 제1 실시예에 따르면, 기능 신호 센서는 진동 센서, 예를 들어, 상기 펌프 보디의 베어링(bearing)에 고정되는 것이다.

펌핑 디바이스의 제2 실시예에 따르면, 기능 신호 센서는 진공 펌프 모터 전류를 측정하기 위한 수단이다.

진단을 제공하는 예측을 위한 수단을 포함하는 펌핑 디바이스의 이용에 의해, 진공 펌프가 일부인 설비가 활성 생산 단계에 있을 때, 그것들을 예측함으로써, 주요 고장들을 피하는 것이 가능해진다.

다른 이점들 및 특징들은 첨부된 도면들뿐만 아니라, 한정하는 방식이 아닌, 본 발명의 특정 실시예에 대한 다음의 설명을 읽음으로써 명백할 것이다.
도 1은 펌핑 디바이스에 접속되는 프로세스 챔버를 포함하는 설비의 개략도를 도시한다.
도 2는 고장 예측 방법의 도면을 도시한다.
도 3은 이벤트들의 예시적인 시퀀스에 대한 시간의 함수로서 진동들의 다중 주파수 대역들에 걸친 진동 신호들을 표현하는 그래프를 도시한다.
도 4는 이벤트들의 다른 예시적인 시퀀스를 심볼로 도시한다.
도 5는 최적 윈도우의 사이즈의 함수로서 컨피던스 퍼센티지의 그래프를 도시한다.
도 6은 시간 및 연관된 시간 예측 윈도우의 함수로서 이벤트들의 예시적인 시퀀스의 그래프를 도시한다.
이들 도면들에서, 동일한 요소들은 동일한 참조 번호들을 가진다.
명확함을 위해, 방법의 스테이지들은 100으로부터 번호가 붙여진다.

본 발명은 펌프 보디의 고정자 내에 회전적으로 구동되는 회전자를 포함하는 모든 타입의 진공 펌프에 적용된다. 진공 펌프는 예를 들어, 2 또는 3개의 로브들을 갖는, 루츠 진공 펌프(roots vacuum pump)와 같은, 회전 로브들을 갖는 것일 수 있다. 루츠 진공 펌프들에서, 각각의 펌프 스테이지는, 고정자 내에서 반대 방향으로 회전하는, 동일한 프로파일들을 갖는 2개의 회전자를 포함한다. 그것들이 회전할 때, 빨아들인 가스(sucked-in gas)가 회전자들과 고정자 사이에서 발견되는 개방 공간 내부에 트랩(trap)되고, 그 다음에 배기관을 통해 배출구 또는 다음 스테이지를 향해 방출된다. 회전 로브 진공 펌프는 또한 클로 펌프로도 알려진 2-클로 진공 펌프(two-claw vacuum pump)일 수 있다. 또한, 진공 펌프는 분자, 터보분자(turbomolecular), 또는 하이브리드, 또는 회전식 베인 펌프(rotary vane pump) 또는 스크류 타입 펌프(screw-type pump)일 수도 있다.

도 1에 도시된 설비(1)는 화살표들(6)에 의해 도시된 흐름 방향으로, 챔버(2)로부터 드로되는 가스들을 펌핑하기 위한 펌핑 디바이스(5)의 유입구(4)에 튜브(3)에 의해 접속된 프로세스 챔버(2)를 포함한다. 그것은 임의의 처리 프로세스, 예를 들어, 실리콘 웨이퍼들, 또는 평면 스크린들 또는 광발전 기판(photovoltaic substrate) 상의 마이크로전자 디바이스들의 제조에 이용되는 퇴적, 식각, 이온 주입, 또는 열처리 프로세스들이 실행되는 챔버(2)일 수 있다.

펌핑 디바이스(5)는 회전자가 펌프(7)의 모터(도시되지 않음)에 의해 회전적으로 구동될 수 있는 펌프 보디를 나타내는 진공 펌프(7)를 포함한다. 동작하는 동안, 회전자의 회전 속도는 고정된 값으로 조정된다. 진공 펌프(7)의 배출구는 배기관에 접속된다.

펌핑 디바이스(5)는 펌프 보디의 진동 센서(9), 및 시징으로 인한 고장이 펌프(7)에서 일어날 시간 예측 윈도우의 예측 수단(10)을 더 포함한다. 시징은 펌프 보디 내부의 회전자의 회전 운동의 고장으로서 정의되고, 이것은 회전 메커니즘이 정지하게 할 수 있다.

진동 센서(9)는 예를 들어 유효 진동 속도(m/s)를 제공하는 것을 가능하게 하는 압전 가속도계(piezoelectric accelerometer)일 수 있다. 진동 센서(9)의 출력은 예측 수단(10)에 접속된다.

진동의 분석에 의해, 고정된 속도로 회전하는 진공 펌프의 시징을 예측하는 데 필요한 주기적인 특성 현상을 식별하는 것이 가능해진다. 펌프 보디의 강성 구조를 고려할 때, 단일 진동 센서(9)는 단일 측정 포인트에서 펌프 보디 특성 진동 현상의 전부를 수집하는 데 충분할 수 있다. 진동 센서(9)의 아날로그 출력은 주기적인 현상을 식별하기 위하여, 푸리에 변환(Fourier transform)에 의해 스펙트럼으로 변환된다.

회전자들의 응력이 펌프 보디에 전달될 수 있기 때문에, 진동 센서(9)는 예를 들어 진공 펌프(7)의 2개의 베어링 중 하나에 고정될 수 있다. 더욱 구체적으로, 건식 진공 루츠 펌프의 예에서, 진동 센서는, 대략 2개의 회전자 사이에서, 펌프 보디의 상부 표면에 수직으로 배치되고, 여기서 펌프 보디에 대한 회전자들의 샤프트들에 의해 생기는 압축 응력들이 가장 높다.

예측 수단(10)은 진동 센서(9)에 의해 제공되는 진동 신호들의 시간에 대한 변경의 측정에 기초하여, 시징으로 인한 고장이 진공 펌프(7)에서 일어날 시간 예측 윈도우를 계산한다. 예측 수단(10)은 전용 전문가 센터(expert center) 내에서 원격으로 배치된 또는 진공 펌프(7) 레벨에 배치된 프로세싱 유닛을 포함한다. 프로세싱 유닛은 예를 들어 펌프 모니터링 서버에 예측 정보를 전달할 수 있다. 서버는 그 다음에 차례로 유지보수 오퍼레이터 모니터링 디바이스에 메시지를 전송할 수 있다.

시징으로 인한 고장이 발생할 시간 예측 윈도우를 계산하기 위하여, 예측 수단(10)은 도 2에 도시된 고장 예측 방법(100)을 구현한다.

예측 방법(100)의 제1 단계(101)에서, 펌프 보디의 진동 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 예를 들어 80초마다, 행해진 측정들에 기초하여 기록된다.

학습 데이터베이스의 사이즈를 줄이기 위하여, 진동 주파수 대역들은 진동 펌프 운동학의 특성 주파수들 둘레의 진동 스펙트럼 내에서 선택된다. 도 3은 4개의 진동 주파수 대역들(B1, B2, B3 및 B4)에 대해 진동 신호들(속도)을 도시한다.

예를 들어, 회전자 회전 속도에 대응하는 특성 주파수의 중심에 있는 진동 주파수 대역이 선택된다.

또한 회전하는 기계 부분들(예를 들어, 샤프트들, 로브들, 롤러 베어링들, 및 기어들)의 기하학적 구조에 대응하는 특성 주파수 둘레의 진동 주파수 대역을 선택하는 것이 계획될 수 있다.

또한, 예를 들어, 회전자 샤프트들의 회전자 불균형 또는 오정렬(misalignment)의 특성일 수 있는, 펌프 회전 주파수의 하나 이상의 고조파 둘레에서 진동 주파수 대역이 선택될 수 있다.

이벤트들의 시퀀스들은 먼저 주파수 대역들 중에서 선택된 진동 신호들의 레벨들에 의해 그리고 다음으로 상기 진동 레벨들에서 소비되는 특성 지속기간들(characteristic durations)에 의해 특징화된다.

예를 들어, 이벤트들의 시퀀스들은 4개의 특성 지속기간들인, 2시간, 2일, 1주일, 및 2 주일 이상에 걸쳐서 측정될 수 있다.

예를 들어, 기준 레벨 및 중간 동작 레벨들이 결정된다. 레벨들은 예를 들어, 미리 결정된 지속기간에 걸쳐서 신호들의 엔벨로프(envelope)를 평균화하는 것에 의해 결정된다.

진동 센서로부터 나오는 진동 신호들의 주파수 대역 레벨들의 3가지 예들(S1, S2, S3)이 도 3에서 곡선 B1로 도시된다.

기준 레벨(S1)은 예를 들어 현재 진행중인 처리 프로세스와 관련될 수 있는 우발적 장애를 극복하기 위하여 약 24시간의 특성 지속기간에 걸쳐서 평가된 진동 신호들의 낮은 임계값에 대응한다.

기준 레벨(S1)의 측정은 진동 레벨들이 아직 안정화되지 않은 진공 펌프(7)의 번인 기간(burn-in period)을 극복하기 위하여 새로운 진공 펌프의 시작 후 적어도 24시간 후에 시작한다.

진동 신호들의 상위 임계값에 대응하는 제1 중간 동작 레벨(S3)은, 예를 들어, 기준 레벨(S1)의 대략 4배이다(도 3 참조). 이것은 예를 들어, 대략 2시간의 특성 지속기간에 걸쳐서 측정된다. 이 지속기간은 예를 들어 (대략 수분 지속되는) 현재 진행중인 처리 프로세스와 관련될 수 있는 다른 우발적 장애를 극복하는 것을 가능하게 한다.

제2 중간 동작 레벨(S2)은 기준 레벨(S1)의 3배를 표현하고, 예를 들어 대략 2시간의 특성 지속기간에 걸쳐서 측정된다.

2일 동안 관측된 제2 중간 레벨(S2)에 의해 뒤따르는 1주일 동안 관측된 제1 중간 동작 레벨(S3)은 예를 들어 진공 펌프 시징의 이벤트 F에 대응한다.

예측 방법(100)의 제2 단계(102)에서, 적어도 하나의 이벤트 시퀀스와 기록된 이벤트 시퀀스들 내에서 진공 펌프 거동 모델의 미리 확립된 연관 규칙 예비 패턴의 적어도 하나의 예비 패턴 사이에 매칭이 구해지고, 연관 규칙들은 하나 이상의 추출 파라미터들의 제약으로 지식을 추출함으로써 확립된다.

연관 규칙들은 "예비 패턴이면, 결과이다(if precursory pattern then result)"의 포맷을 갖는다. 그것들은 회전자 회전의 고장을 수반한다. 그것들은 수학식 1에 따라 표시된다.

[수학식 1]

α=>F

여기서,

- "α"는 이벤트들 A, B, C, ...의 시퀀스를 포함하는 예비 패턴이고, 각각의 이벤트는 최대 미리 설정된 지속기간에 의해 시간이 이격되고, 예비 패턴의 마지막 이벤트와 시징 이벤트 사이에 최대 지속기간이 부과된다. 이벤트들 사이의 최대 지속기간은 예를 들어, 10일로 설정된다. 유래하는(originating) 이벤트의 이벤트들의 시퀀스가 수학식 2에 따라 표시된다.

[수학식 2]

A -> B

여기서, A는 제2 이벤트인 B가 뒤따르는 제1 이벤트이고,

- "F"는 회전자 회전의 고장의 결과이고, 그것은 시징 이벤트이며,

- "=>"는 예비 패턴과 결과 사이의 if-then 오퍼레이터이다.

일 실시예에 따르면, 진공 펌프(7)의 거동 모델을 기술하는 연관 규칙들이 학습 데이터베이스로부터 지식을 추출하는 것에 의해 확립된다.

"데이터 마이닝(data mining)"이라고 하는 방법을 포함하는, 데이터베이스(KDD)에서의 데이터 또는 지식 발견으로부터 지식을 추출하는 방법의 목적은, 자동화된 또는 반-자동화된 방법들을 통해, 대량의 데이터로부터 학습 또는 지식을 추출하기 위한 것이다. 이 방법은 하나 이상의 연관 규칙들을 이용함으로써 특성 패턴, 결합들, 및 인식되지 않은 유효(significant) 구조/배열들을 식별하기 위해 데이터베이스들에서 이용가능한 데이터를 이용할 수 있게 한다. 이 방법은 반복적이어서, 추출된 지식의 품질을 최적화하는 것이 가능해진다. 부가적으로, 그리고 다른 방법들과 달리, 데이터 마이닝 방법은 사용자에 의해 해석될 수 있는 연관 규칙들을 얻을 수 있게 한다.

학습 데이터베이스는 진공 펌프가 동작하기 시작할 때로부터 그것이 시징할 때까지 가동되는 수명에 대해 진공 펌프들의 세트로부터 획득되는, 시징을 통한 고장과 관련된 이벤트들의 복수의 관련 시퀀스들을 포함한다. 이벤트들을 신뢰성 있게 관련시키기 위해, 충분히 큰 세트의 진공 펌프들, 예를 들어, 대략 60개의 펌프들을 갖는 것이 고려된다. 진공 펌프의 전체 수명에 걸쳐 예측되도록 구해지는 고장을 관측하기 위하여, 실제 이용 상태들 하에서 동작될 진공 펌프들의 세트가 바람직하게 이용된다.

학습 데이터베이스는 오직 "제1 시징" 전에 얻어지는 이벤트들의 시퀀스를 포함한다. 실제로, 실제 이용 상태들 하에서, 진공 펌프의 시징이 예측될 때마다, 진공 펌프를 새로운 펌프로 교체하는 것을 목적으로 한다. 따라서, 제1 시징 후에 발생하는 임의의 시징으로부터 학습하는 것은 불필요하다. 따라서, 학습 데이터베이스를 확립하기 위해서, 진공 펌프 스타트업 날짜와 펌프의 제1 시징이 관측되는 날짜 사이에 행해진 취득들이 선택된다. 제1 시징은 예를 들어, 특히, 진공 펌프의 출력에서 가스 압력 또는 진공 펌프 모터에 의해 소비되는 전력과 같은, 동작 중에 진공 펌프 내로 통합된 센서들에 의해 전송되고 기록된 신호들에 의존할 수 있는, 전문가에 의해 확인/확립된다. 전문가는 또한 시징의 원인을 분명하게 식별하기 위하여 진공 펌프의 평가에 의존할 수 있다.

도 4는 한줄로 배치된(placed end-to-end) 펌프들의 몇몇 수명들에 걸쳐서 기록된 이벤트들의 예시적인 시퀀스를 도시한다. 수명 d1은 예를 들어, 스타트업과 시징 이벤트 "F" 사이의 이벤트들의 시퀀스를 도시한다.

연관 규칙들은 서포트(support), 컨피던스(confidence), 및 연관 규칙의 각각의 이벤트 사이의 최대 지속기간으로부터 선택된 하나 이상의 추출 파라미터들의 제약으로 추출된다.

서포트는 연관 규칙이 시징 관련 고장을 예측한 횟수에 대응한다. 적어도 1과 같은 서포트가 선택되고, 이것은 연관 규칙이 학습 데이터베이스에서 시징 관련 고장들의 검출 내에 적어도 1의 발생을 가져야 한다는 것을 의미한다. 2와 같은 서포트는 추출된 연관 규칙들이 그리 특정적이지 않도록 선택될 수 있다.

컨피던스는 연관 규칙의 신뢰성 측정이다. 그것은 시징 이벤트 F의 예측 %로서 표현된다. 100%의 컨피던스가 선택된다. 다시 말해, 이 선택이 예측 레이트를 줄이는 경향이 있더라도, 잘못된 예측들을 방지하기 위하여 예비 패턴은 항상 시징 결과가 뒤따라야 한다. 시징 이벤트가 예를 들어 10번 중 9번 획득되는 연관 규칙은 거부될 것이다.

연관 규칙의 각각의 이벤트 사이의 최대 지속기간은 고장 예측과 고장 자체의 발생 사이의 최대 지속기간에 의해 의미하는, 예측 수평선(prediction horizon)에 의해 부과되는 제약이다. 대략 10일의 각각의 이벤트 사이의 최대 지속기간이 결정된다.

학습의 끝에서, 연관 규칙들은 각각의 연관 규칙에 대해, 계산으로부터 도출되는, 최적 윈도우에 의해 특징화된다. 최적 윈도우는 가장 큰 레벨의 컨피던스를 야기하는 규칙의 지속기간이다. 각각의 연관 규칙에 대하여, 서포트가 1과 같고 컨피던스가 100%인 최적 윈도우가 유지될 것이다.

예를 들어, 도 4의 이벤트들의 예시적인 시퀀스에 대해, 지속기간이 시간 u1의 3 유닛들과 같은 최대 윈도우 w1에 대해, 예비 패턴 A->B는 2번 일어난다. 또한, 매번, 이 예비 패턴은 시징 이벤트 F를 수반하였다. 따라서 컨피던스는 100%이다.

지속기간이 시간 u1의 2 유닛들과 같은 최대 윈도우 w2에 대해, 예비 패턴 A->B는 2번 일어난다. 이 예비 패턴은 두번 중 한번 시징 이벤트 F를 수반하였다. 따라서 컨피던스는 50%이다.

지속기간이 시간 u1의 4 유닛들과 같은 최대 윈도우 w3에 대해, 예비 패턴 A->B는 3번 일어난다. 그러나, 이 예비 패턴은 3번 중 2번만 시징 이벤트 F를 수반하였다. 따라서 컨피던스는 66%이다.

도 5의 그래프는 윈도우의 지속기간의 함수로서 컨피던스 퍼센티지를 도시함으로써 이들 3가지 가능성을 요약한다. 더 짧거나 더 긴 지속기간의 윈도우 w2, w3에 대해, 컨피던스가 작을 때, 지속기간이 3 유닛들인 윈도우 w1에 대해, 컨피던스는 최대에 있다. 다시 말해, 컨피던스가 최대인 최적 윈도우 w1이 존재한다.

그 다음에 N개의 진공 펌프들로부터 기록되는 학습 데이터베이스로부터 이벤트들의 N-1 시퀀스들로부터 하나 이상의 연관 규칙들이 추출되고(일반적으로 연관 규칙들의 세트), 연관 규칙들은 추출을 위해 이용되지 않은 이벤트들의 시퀀스에 대해 검증된다.

이러한 접근법은 확립된 연관 규칙들의 강건함(robustness)을 테스트할 수 있게 한다. 유효 연관 규칙은 추출 동안과 동일한 제약들을 충족하는, 연관 규칙을 확립하는 데 이용되지 않은 이벤트들의 남아있는 시퀀스들 전부에 걸쳐서 고장을 예측하거나 예측하지 않는 것을 가능하게 해야 한다. 이 방법은 가장 일반적인 가능한 구성 거동 모델들을 확립하고, (여전히 이용되지 않은) 이벤트들의 독립적 시퀀스에 걸쳐서 방법의 동작을 검증하는 것을 가능하게 한다.

그 다음에 이 방법은 다른 연관 규칙들을 결정하거나, 또는 동일한 연관 규칙들을 찾기 위해 N번 반복되고, 매번 새로운 연관 규칙의 검증을 위해 새로운 이용되지 않은 세트를 남긴다. 그 다음에 각각의 시퀀스는 상기 연관 규칙을 검증하기 위해 연관 규칙을 확립하는 데 이용된 이벤트들의 N-1 시퀀스들로부터 연속적으로 분리된다. 그 다음에 N 추출들 동안 추출된 연관 규칙들의 그룹은 연관 규칙들의 세트를 형성한다.

추출 프로세스(100)의 제3 단계(103) 동안, 진공 펌프(7)에서 회전자 회전의 고장이 일어날 시간 예측 윈도우가 추론된다. 유래하는(originating) 이벤트의 임의의 발생에 대해, 연관 규칙의 제1 이벤트가 나타나는 날짜에 최적 윈도우의 사이즈를 부가함으로써 고장일이 예측된다.

관측 윈도우 d2에 대해, 시간 예측 윈도우 d3는 가장 가까운 고장일 예측과 가장 먼 고장일 예측 사이의 시간 간격과 같다.

관측 윈도우 d2는 가장 큰 수의 이벤트들(k)을 포함하는 규칙에 의해 부과되고, 각각의 이벤트 사이의 최대 지속기간의 (k-1)배와 같다.

학습 데이터베이스로부터 지식을 추출함으로써 확립되는 규칙들은, 예를 들어, (R1), (R2), 및 (R3)이다:

(R1) A->B->C=>F, 제1 최적 윈도우 wa를 가짐

(R2) D->E->G=>F, 제2 최적 윈도우 wc를 가짐

(R3) K->E->L=>F, 제3 최적 윈도우 wb를 가짐.

도 6은 관측 윈도우 d2 동안 시간에 걸쳐서 측정된 이벤트들의 시퀀스를 예시한다.

예비 패턴 A->B->C의 발생은 제1 이벤트 A가 나타나는 날짜에 발생할 시징 F, 플러스 최적 윈도우 wa의 사이즈를 예측할 수 있게 한다. 이 예측 이벤트는 윈도우 d2 동안 2번 나타났고, 그래서 시징의 발생에 대해 2개의 날짜가 예측된다.

예비 패턴 D->E->G의 발생은 제1 이벤트 D가 나타나는 날짜에 발생할 시징 F, 플러스 최적 윈도우 wc의 사이즈를 예측할 수 있게 한다.

예비 패턴 K->E->L의 발생은 제1 이벤트 K가 나타나는 날짜에 발생할 시징 F, 플러스 최적 윈도우 wb의 사이즈를 예측할 수 있게 한다.

시징의 발생을 예측하는 다양한 가정들에 대응하는 포인트들의 클라우드(cloud of points)는 규칙 D->E->G의 최적 윈도우 wc에 따른 추정(projection)과 규칙 A->B->C의 제1 발생의 최적 윈도우 wa에 따른 추정 사이의 시간 예측 윈도우 d3 내에 있다. 그 다음에 진공 펌프에서 회전자 회전의 고장이 일어날 시간 윈도우가 예측될 수 있다.

따라서, 예측 방법은, 한편으로 프로세스 챔버 내에서 일어나는 처리 프로세스의 표시가 없이, 다른 한편으로 프로세스에 대한 혼란들 또는 수정들에 의해 영향을 받지 않고, 진공 펌프에서의 비정상적 거동을 식별할 수 있게 한다. 머신 거동 모델은 처리 프로세스가 어떻게 진행하는지에 기초하여 재조정될 필요가 없다.

또한, 예측은 80%보다 많은 상황들에서 신뢰성이 있다. 그 다음 그것이 이용되고 있는 동안 실제로 고장나기 전에 펌프의 고장을 예상하는 예방 유지보수를 스케줄링하는 것이 가능하다. 진단이 조기에 되고, 이로써 컴포넌트들의 저하와 관련된 손상을 최소화하고 유지보수 오퍼레이터의 모니터링 작업을 용이하게 하는 것이 가능해져서, 유지보수 비용을 더 감소시킬 수 있다.

Claims (10)

1. 진공 펌프의 회전자(rotor)의 회전의 고장을 예측하기 위한 방법으로서,
   진공 펌프 기능 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록되는 단계(101),
   적어도 하나의 이벤트들의 시퀀스와 기록된 이벤트들의 시퀀스들 내의 진공 펌프 거동 모델(vacuum pump behavior model)의 미리 확립된 연관 규칙(association rule)의 적어도 하나의 예비 패턴(precursory pattern) 사이에 매칭이 구해지는 단계(102) - 상기 연관 규칙은 하나 이상의 추출 파라미터들의 제약으로 데이터 마이닝(data mining)에 기초하여 지식(knowledge)을 추출하는 것에 의해 확립되고, 미리 확립된 연관 규칙의 상기 예비 패턴들은 회전자 회전의 고장을 수반함 -,
   시간 예측 윈도우(time prediction window) - 상기 시간 예측 윈도우 동안, 상기 회전자 회전의 고장이 진공 펌프에서 일어남 - 가 추론되는 단계(103), 및
   상기 예측 윈도우에 기초한 시간에 상기 진공 펌프의 유지보수를 수행하는 단계
   를 포함하고,
   상기 기능 신호들은 주파수 스펙트럼으로 변환될 수 있고, 주파수 대역들은 상기 스펙트럼 내에서 진공 펌프 운동학(kinematics)의 특성 주파수들 둘레(around)에서 선택될 수 있고,
   스타트업(startup)으로부터 상기 회전자 회전의 고장까지 가동되는 진공 펌프의 수명에 대해 한 세트의 진공 펌프들로부터 얻어지는, 복수의 이벤트들의 시퀀스들을 포함하는 학습 데이터베이스(learning database)로부터 지식을 추출하는 것에 의해 상기 진공 펌프 거동 모델을 기술하는 연관 규칙들이 확립되고,
   상기 학습 데이터베이스로부터, 한편으로는, 기준 레벨 및 상기 기준 레벨의 배수에 대응하는 중간 동작 레벨들의 상기 주파수 대역들 중에서의 선택, 및 진공 펌프 동작의 특성에 의해, 그리고 다른 한편으로는, 상기 레벨들의 지속기간 특성에 의해 이벤트들의 시퀀스가 결정되는 고장 예측 방법.
2. 제1항에 있어서, 상기 진공 펌프의 펌프 보디에서의 진동 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록되는(101) 고장 예측 방법.
3. 제1항에 있어서, 진공 펌프 모터 전류 신호들의 시간에 대한 변경과 관련된 이벤트들의 시퀀스들이 기록되는(101) 고장 예측 방법.
4. 삭제
5. 삭제
6. 제1항에 있어서, 상기 연관 규칙들은 서포트(support), 컨피던스(confidence), 및 상기 연관 규칙의 각각의 이벤트 사이의 최대 지속기간(maximum duration) 중에서 선택된 하나 이상의 추출 파라미터들의 제약으로 추출되는 고장 예측 방법.
7. 제1항에 있어서, 하나 이상의 연관 규칙들은 N개의 진공 펌프들로부터 기록되는, 상기 학습 데이터베이스로부터의 N-1개의 이벤트들의 시퀀스들로부터 추출되고, 상기 연관 규칙들은 추출을 위해 이용되지 않은 이벤트들의 시퀀스에 대해 검증되는 고장 예측 방법.
8. 삭제
9. 펌핑 디바이스로서,
   적어도 하나의 회전자 및 하나의 펌프 보디를 포함하는 진공 펌프(7) - 상기 회전자는 상기 펌프(7)의 모터에 의해 상기 펌프 보디 내에서 회전(rotationally) 구동될 가능성을 가짐 - ,
   상기 펌프(7)의 기능 신호 센서(9), 및
   시간 예측 윈도우 - 상기 시간 예측 윈도우 동안, 상기 진공 펌프(7)에서 상기 회전자의 회전의 고장이 일어남 - 를 예측하는 수단(10)
   을 포함하고,
   상기 예측 수단(10)은 상기 기능 신호 센서(9)에 의해 제공되는 측정들에 기초하여 상기 시간 예측 윈도우를 계산하기 위하여 제1항 내지 제3항, 제6항 및 제7항 중 어느 한 항에 따른 진공 펌프의 회전자의 회전의 고장을 예측하기 위한 방법을 구현하도록 구성되는 펌핑 디바이스.
10. 제9항에 있어서, 상기 기능 신호 센서(9)는 상기 펌프 보디의 베어링(bearing)에 고정되는 진동 센서인 펌핑 디바이스.

Images