KR20140011925A

KR20140011925A - 대상 장치에 대한 베이스라인 예측 유지보수 방법 및 이를 이용한 컴퓨터가 읽을 수 있는 기록 매체

Info

Publication number: KR20140011925A
Application number: KR1020130061112A
Authority: KR
Inventors: 판-티엔 쳉; 야오-쉥 시에; 청-렌 왕; 세인트-치 왕
Original assignee: 내셔날 쳉쿵 유니버시티
Priority date: 2012-07-20
Filing date: 2013-05-29
Publication date: 2014-01-29
Also published as: EP2687935B1; CN103577887B; JP5643387B2; CN103577887A; US10242319B2; EP2687935A2; JP2014022725A; TWI463334B; US20140025315A1; EP2687935A3; TW201405330A; KR101518448B1

Abstract

본 발명은 대상 장치를 위한 베이스라인 예측 유지보수 방법 및 상기 방법을 실행할 수 있는 컴퓨터 프로그램이 기록된 기록매체를 제공한다. 본 발명은 유지보수 이후 바로 대상 장치가 반제품을 생산할 때 생성되는 새로운 샘플을 수집하고, 상기 대상 장치가 새로운 반제품을 생산할 때 생성되는 새로운 반제품 샘플을 수집한다. 복수의 모델링 샘플이 추측 알고리즘과 일치하는 TD 베이스라인 모델을 구축하기 위해 사용되고, 여기서 상기 모델링 샘플은 상기 새로운 반제품 샘플 및 상기 새로운 샘플을 포함한다. 상기 새로운 반제품을 위한 TD 정상 베이스라인 값은 상기 TD 베이스라인 모델에 의해 계산되고, 장치 정산 지표(device health index (DHI)), 베이스라인 오류 지표(baseline error index (BEI)) 및 베이스라인 개별 유사 지표(baseline individual similarity indices (ISI_B))가 계산되고, 이를 통해, 결함 감지 및 분류(fault detection and classification (FDC)) 및 예측 유지보수(predictive maintenance (PdM))의 목적을 달성할 수 있다.

Description

대상 장치에 대한 베이스라인 예측 유지보수 방법 및 이를 이용한 컴퓨터가 읽을 수 있는 기록 매체{BASELINE PREDICTIVE MAINTENANCE METHOD FOR TARGET DEVICE AND COMPUTER PROGRAM PRODUCT THEREOF}

본 출원은 2012년 7월 20일 타이완에서 출원된 출원 번호 제101,126,242호를 기초로 우선권 주장을 수반하고 있으며, 여기에 전체로서 참조 되었다.

본 발명은 예측 유지보수 방법(predictive maintenance (PdM) method) 및 이를 이용한 컴퓨터 프로그램 제품에 관한 것이다. 보다 상세하게는, 본 발명은 가상 계측(virtual metrology(VM))을 기초로 하는 대상 장치(TD)에 대한 베이스라인 예측 유지보수(baseline predictive maintenance (BPM)) 방법 및 이를 이용한 컴퓨터 프로그램 제품에 관한 것이다.

생산 설비는 어느 제조 공장에서나 근본적인 부분이다. 상기 생산 설비에서 부품, 모듈 또는 장치(예를 들어, 히터 압력 모듈, 스로틀 밸브 등등)의 고장은 열등한 상품 품질 및/또는 낮은 생산 능력을 초래하는 생산 비정상(abnormalities)의 원인이 될 수 있고, 과도한 손실의 원인이 될 수 있다.

일반적으로, 앞에서 언급한 문제점을 해결하기 위한 가장 흔히 사용되는 방법은 계획된 예방 유지보수(scheduled preventive maintenance (PM))를 수행하는 것이다. 즉, 미리 정해진 시간 구간에서 유지보수-관련 동작(maintenance-related operation)을 수행하는 것이다. 미리 정해진 시간 구간은 기본적으로 대상 장치(TD)의 고장-사이-평균-시간(mean-time-between-Failure(MTBF)에 따라서 결정된다. 그런 만큼, 적절한 예측 유지보수(PM)를 계획하는 방법은 보통 공장을 운용하기 위한 중요한 이슈이다. 적절하지 않게 계획된 예측 유지보수(PM)는 유지보수 비용을 증가시키거나 생산 능력을 낮출 수 있다.

팹(fab) 성능을 증가시키는 설비 유지보수 프로그램을 개선하기 위해, ISMI(International SEMATECH Manufacturing Initiative)는 최초의 예측 및 예방 유지보수(predictive and preventive maintenance (PPM)) 를 제안하였다. ISMI에 의해 정의된 것처럼, 예측 및 예방 유지보수(PPM)는 예방 유지보수(preventive maintenance (PM)), 조건부 유지보수(condition-based maintenance (CbM)), 예측 유지보수(predictive maintenance (PdM)) 및 고장 유지보수(breakdown maintenance (BDM))를 포함한다. 이들 중에서, ISMI는 CbM 및 PdM의 성능은 최종 사용자가 상기 성능의 하나, 일부 또는 전부를 설치할 수 있게 선택할 수 있도록 개별 모듈 또는 점진적 모듈(incremental module)로써 개발되고 이용할 수 있어야 한다고 주장했다. CbM은 "설비가 고장 나게 되거나 설비의 성능이 더욱 악화 되는 것을 하나 이상의 지표가 나타낸 후에 유지보수가 수행"되는 것으로 정의된다. 결함-감지-및-분류(fault-detection-and-classification (FDC)) 기술은 CbM에 관련된 방법이고, "설비의 헬스(health)를 평가하기 위하여 설비 및 고장 데이터를 모니터링 하는 것, 그리고 고장이 감지되었을 때, 경고 및/또는 도구의 셧다운(shutdown)을 호출" 하는 것으로 정의된다. 다른 한편으로, PdM은 시설-상태(facility-state) 정보를 잔여 수명 시간(remaining useful life (RUL)) 및 계획되지 않은 정지 시간을 감소시킬 유지보수 이벤트의 필요를 예측하기 위한 유지보수 정보에 연관시키는 예측 모델을 적용하는 기술이다.

대부분의 종래의 FDC 접근법은 모니터링이 요구되는 TD 및 모니터링 되어야 할 필요가 있는 TD 관련 주요 파라미터를 찾기 위함이고, 이후, 통계적-프로세스-조정(statistical-process-control) 접근 방법을 적용하여 결함(faults)을 감지하기 위함이다. 도 1을 참조하면, 도 1은 PECVD(plasma-enhanced-chemical-vapor-deposition)툴에서 스로틀-밸브 각의 SPC 제어 차트(SPC control chart)이고, 여기서, 모니터링 할 대상 장치의(TD)의 주요 파라미터는 스로틀의 각(즉, 스로틀 밸브의 각) 이다. 그러나, 실제 상황에서는, 상기 스로틀 밸브 각의 비정상성은 자체 원인으로만 발생하는 것이 아니라 다른 관련 파라미터의 영향 때문일 수도 있다. 도 1에 나타낸 것처럼, 스로틀 밸브의 중앙 각은 27도이다; 상한 제어 한계(upper control limit (UCL)) 및 하한 제어 한계(lower-control limit (LCL))는 유지보수 엔지니어에 의해 정의된 것으로 각각 32도 및 22도이다; 그리고, 450 샘플 모두 모니터링 된다. 종래의 SPC 방법은 원 3안의 샘플은 제어 한계 안에 있는 반면, 원 1, 2 및 4안의 샘플은 제어 한계 밖에 있다고 판단한다. 주의 깊게 관찰한 후에, 원 2 및 원 4안에 있는 샘플은 실제로 비정상이고, 스로틀 밸브의 기능 고장에 의해 발생했다. 원 1안에 샘플에 대해서는, 비정상성은 스로틀 자체에 의한 원인이 아니고, 관련 파라미터 "암모니아(NH₃)의 편차로부터 유래 되었다. 역시, 원 3안에서 보여진 편차는 관련 파라미터 즉, "튜브 압력"의 편차 때문이다. 따라서, 종래의 SPC 방법은 원 1 및 원 3의 샘플의 결함을 감지하거나 진단할 수 없다.

그러므로, 앞에서 언급한 종래 기술의 단점을 극복하기 위해 대상 장치를 위한 베이스라인 예측 유지보수 방법 및 그 컴퓨터 프로그램 제품을 제공할 필요가 있다.

본 발명의 목적은 TD의 헬씨(healthy) 상태를 추론하고 TD의 잔여 수명 시간(forecasting remaining useful life(RUL))을 예상하기 위하여 가상 계측 기반 대상 장치에 대한 베이스라인 예측 방법 및 컴퓨터 프로그램 제품을 제공하는 것으로서, 이를 통해 상술한 종래의 기술의 단점을 극복할 수 있다.

본 발명의 일 측면에 따르면, 본 발명은 베이스라인 예측 유지보수 방법을 제공한다. 베이스라인 예측 유지 보수 방법에 있어서, 대상 장치(target device, TD)가 유지보수 직후 복수의 반제품(workpiece)을 생산할 때 생성되는 복수의 프레쉬 샘플을 수집하는 단계, 상기 대상 장치가 새로운 반제품을 생산할 때 생성되는 새로운 반제품 샘플을 수집하는 단계-여기서, 상기 프레쉬 샘플 및 상기 새로운 반제품 샘플 각각은 상기 대상 장치에 의해 생성되는 TD-관련 프로세스 데이터(X) 및 실질적인 대표 값의 세트로 이루어진 쌍으로 된 데이터의 세트를 포함하고, 상기 TD-관련 프로세스 데이터(X)의 세트는 복수의 파라미터를 포함함- 추측 알고리즘에 따라서 복수의 모델링 샘플을 사용하여 TD 베이스라인 모델을 구축하는 단계-여기서, 상기 모델링 샘플은 상기 새로운 반제품 샘플 및 상기 프레쉬 샘플을 포함함- 및 상기 새로운 반제품이 생산될 때 상기 대상 장치의 헬씨(healthy) 베이스라인 값(

)을 계산하기 위해 상기 TD 베이스라인 모델을 사용하는 단계-여기서, 상기 정상 베이스라인 값(

)은 상기 대상 장치가 헬씨 상태에서 상기 새로운 반제품을 생산할 때 가져야 하는 상기 실질적인 대표 값의 예측 값임-를 포함할 수 있다. 이후, 장치 헬쓰 지표(device health index (DHI)), 베이스라인 오류 지표(baseline error index (BEI)) 및 새로운 반제품 샘플의 베이스라인 개별 유사 지표(baseline individual similarity indexes (ISI_B))가 계산된다. 그 이후, FDC 및 PdM의 목적은 결정 로직(determination logics) 및

/

을 비교하여 실행할 수 있다.

일 실시예 있어서, 앞에서 언급한 추측 알고리즘(conjecturing algorithm)은 신경 망 알고리즘 (neural network (NN) algorithm), 다중-회귀 알고리즘(multi-regression (MR) algorithm), 지지 벡터 머신 알고리즘(support vector machines (VM) algorithm) 또는 부분 최소 제곱 알고리즘(partial least Squares (PLS) algorithm)이 될 수 있다.

일 실시예에 있어서, 본 발명은 새로운 반제품 샘플의 실질적인 대표 값(

)을 아래의 첫 번째 변환식 세트에 따라서 장치 헬스 지표(device health index (DHI))로 변환하는 단계를 더 포함할 수 있다.

여기서,

은 프레쉬 샘플의 실질적인 대표 값의 평균을 나타내고,

은

에 대응하는 변환 값이고;

은 프레쉬 샘플의 최대 실질적인 대표 값의 평균을 나타내고,

은

에 대응하는 변환 값이고;

은 프레쉬 샘플의 최소 실질적인 대표 값의 평균을 나타내고,

은

에 대응하는 변환 값이고;

은 하한 규격 한계(lower specification limit)이고;

은 하한 제어 한계(lower control limit)이고;

은 상한 규격 한계(upper specification limit)이고;

은 하한 제어 한계(upper control limit)이고;

은

에 대응하는 변환 값이고;

은

에 대응하는 변환 값이고;

은

에 대응하는 변환 값이고;

은

에 대응하는 변환 값이다.

일 실시예에 있어서, 본 발명은

일 때, 상기 대상 장치는 헬씨하고 정상적으로 동작하고;

일 때, 상기 대상 장치는 식(sick)하고 잔여 수명 시간(remaining useful life(RUL))이 고갈된 후 작동할 수 없으며;

일 때, 상기 대상 장치는 데드(dead)하고, 유지보수가 즉시 요구될 수 있다.

) 및 새로운 반제품을 생산하는 대상 장치의 헬씨 베이스라인 값(

)을 아래 두 번째 변환식 세트에 따라서 베이스라인 오류 지표(baseline error index (BEI))로 변환하는 단계를 더 포함할 수 있다.

여기서,

은 상기 대상 장치의 규격(specification)을 나타내고,

은 상기 대상 장치의 하드 규격(hard specification)을 나타내고,

은 변환 후 상기 프레쉬 샘플의 최대로 허용되는

를 나타내고,

은

=0일 때에 대응하는 변환 값을 나타내고,

은 Spec에 대응하는 변환 값을 나타내고,

은

에 대응하는 변환 값을 나타내며,

은

에 대응하는 변환 값을 나타낸다.

일 실시예에 있어서,

일 때, 상기 대상 장치는 헬씨하고 정상적으로 동작하고;

일 때, 상기 대상 장치는 식(sick)하고 상기 대상 장치의 잔여 수명 시간(remaining useful life(RUL))이 고갈된 후 작동할 수 없으며;

일 때, 상기 대상 장치가 데드(dead)하고 유지보수가 즉시 요구될 수 있다.

일 실시예에 있어서, 프레쉬 샘플의 TD-관련 프로세스 데이터(X)의 세트에서 파라미터 각각의 평균 및 표준 편차를 계산하는 단계 및 표준화 과정을 수행하는 단계에 의해서 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 파라미터 각각의 베이스라인 개별 유사 지표(baseline individual similarity index (ISI_B))를 획득하는 단계를 더 포함할 수 있다.

일 실시예에 있어서, 만약 DHI ≥ DHI_T 이고, 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 파라미터 각각의 ISI_B 가 ISI_B _{_T} 미만이면, 대상 장치는 헬씨하고 대상 장치에 대응하는 프로세스 파라미터가 정상적으로 동작함을 나타내고, 만약 DHI ≥ DHI_T 이고, 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 파라미터의 베이스라인 개별 유사 지표(ISI_B) 중 적어도 하나가 ISI_B _{_T} 이상이면, 대상 장치는 헬씨하지만 대상 장치에 대응하는 프로세스 파라미터 중 적어도 하나는 비정상이고 확인되어야 함을 나타내고; 만약 DHI ＜ DHI_T 이고 BEI ≥ BEI_T; 또는 DHI ＜ DHI_T이고 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 파라미터의 베이스라인 개별 유사 지표(ISI_B) 중 적어도 하나가 ISI_B _{_T} 이상이면, 대상 장치는 헬씨하지만 확인되어야 하는 대상 장치에 대응하는 프로세스 파라미터 중 적어도 하나의 비정상 때문에 제어할 수 없음(out-of-control (OOC))을 나타내며; 그리고 만약 DHI ＜ DHI_T 이고 BEI ＜ BEI_T 이며 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 파라미터 각각의 ISI_B가 ISI_B _{_T}미만이면, 대상 장치는 비정상이고 자체로서 문제가 되며 유지보수가 즉시 요구됨을 나타낸다; 여기서, DHI_T은 DHI의 임계치고, ISI_B _{_T}은 ISI_B의 임계치를 나타낸다.

일 실시예에 있어서, 본 발명은 모델링 샘플로부터 새로운 반제품 샘플을 삭제하는 단계를 더 포함할 수 있다.

일 실시예에 있어서, 본 발명은 대상 장치가 다음 새로운 반제품을 생산할 때 생성되는 다음 새로운 반제품 샘플을 수집하는 단계, -여기서, 다음 새로운 반제품 샘플은 새로운 반제품 샘플과 동일한 구성을 포함함- 다음 새로운 반제품 샘플을 모델링 샘플에 추가하는 단계 및 이후 상기 추측 알고리즘에 따라서 모델링 샘플을 사용하여 상기 TD 베이스라인 모델을 재구축하는 단계, 다음 새로운 반제품이 생산될 때 대상 장치의 다른 헬씨 베이스라인 값(

)을 계산하기 위해 상기 TD 베이스라인 모델을 사용하는 단계, 다음 새로운 반제품 샘플의

을 계산하는 단계 및 만약 새로운 반제품 샘플의

및 다음 새로운 반제품 샘플의 상기

모두가 임계치를 초과하면, 대상 장치의 잔여 수명 시간(remaining useful life(RUL))을 예상하기 위한 예측 알고리즘을 사용하는 단계를 더 포함할 수 있다. 여기서, 상기 예측 알고리즘은 선형 곡선 일치법(linear curve fitting (LCF) method) 또는 회귀-기반 지수 곡선 일치법(regression-based exponential curve fitting (ECF) method)으로 채택할 수 있고; ARIMA(auto-regressive integrated moving average)방법과 같은 시-계열 예상법(time-series forecasting method)을 채택할 수 있다.

일 실시예에 있어서, 본 발명은 헬씨하고 대상 장치에 의해 생성된 복수의 히스토리컬 샘플을 수집하는 단계 -여기서 히스토리컬 샘플은 대상 장치가 헬씨 상태에 있고 복수의 히스토리컬 반제품을 생산할 때 생성됨- 및 간결하고 헬씨한 히스토리컬 샘플을 모델링 샘플에 추가하는 단계를 더 포함할 수 있다.

일 실시예에 있어서, 본 발명은 다이나믹 무빙 윈도우 방법(dynamic moving window (DMW) method)을 사용하여 히스토리컬 샘플에서 복수의 간결하고 헬씨한 히스토리컬 샘플을 선택하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 측면에 따른 실시예에서, 베이스라인 예측 유지보수 방법을 수행하는 프로그램이 기록된 컴퓨터가 읽을 수 있는 일시적이지 않은 유형의 기록 매체를 제공한다. 이러한 컴퓨터 프로그램이 컴퓨터에 의해 로드(load)되고 실시될 때, 상기 베이스라인 예측 유지보수 방법을 수행할 수 있다.

본 발명의 일 실시예에 따른 대상 장치에 대한 베이스라인 예측 유지보수 방법 및 이를 이용한 그 컴퓨터 프로그램 제품은 효과적으로 TD의 헬씨 상태를 추론할 수 있고, 대상 장치의 잔여 수명 시간(remaining useful life)을 예측할 수 있다.

본 발명의 특징들 및 다른 특징들, 측면 및 장점은 다음의 설명, 첨부된 청구항 및 도면을 통해서 더 명확하게 이해가 될 것이다:
도 1은 PECVD(plasma-enhanced-chemical-vapor-deposition)툴에서 스로틀 밸브의 SPC 제어 차트이다;
도 2는 본 발명의 실시예에 따른 BPM 방법을 수행하기 위해 사용되는 BPM 시스템의 개략적인 구조 다이어그램이다;
도 3a 및 도 3b는 본 발명의 2개의 실시예에 따른 TD 베이스라인 모델을 구축하기 위해 요구되는 모델링 샘플을 수집하는 방법을 나타낸 흐름도이다;
도 4는 중앙에 위치한 베이스라인 값

를 가지는

의 SPC 제어 차트의 구성을 나타낸다;
도 5는 바닥에 위치한 베이스라인 값 0(zero)을 가지는

의 SPC 제어 차트의 구성을 나타낸다;
도 6은 TD 베이스라인 모델(104)을 생성하고, FDC부를 수행하기 위해 요구되는 DHI, BEI, ISIB 및

을 계산하는 흐름도이다;
도 7은 본 발명의 실시예에서 사용되는 TD의 상태 다이어그램이다;
도 8은 본 발명의 실시예에 따른 RUL 예측 모델의 동작을 설명한 개략적인 다이어그램이다;
도 9는 BPM 방법의 FDC부를 작동시킨 결과를 나타낸다;
도 10은 본 발명의 적용 예에 따른 전체 PM 주기에서 모든 BPM 관련 데이터 및 지표를 나타낸다;
도 11은 본 발명의 적용 예에 따른 전체 PM 주기에서 C&H 히스토리컬 샘플을 포함하는 BPM 관련 데이터 및 지표를 나타낸다; 및
도 12는 본 발명의 적용 예에 따른 전체 PM 주기에서 C&H 히스토리컬 샘플을 포함하지 않는 BPM 관련 데이터 및 지표를 나타낸다.

이하, 첨부된 도면에 예시된 예들을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 가능하면, 같은 참조 번호가 도면 및 상세한 설명에서 사용되어 같은 부분 또는 유사한 부분을 참조할 것이다.

본 발명은 가상 계측(virtual metrology(VM)) 기반 베이스라인 예측 유지보수 방법(baseline predictive maintenance (BPM)) 및 그 컴퓨터 프로그램 제품을 제공한다. 상기 BPM 방법은 FDC 및 PdM의 능력을 가진다. 도 2를 참조하면, 도 2는 본 발명의 실시예에 따른 BPM 방법을 수행하기 위해 사용되는 BPM 시스템의 개략적인 구조 다이어그램이고, 여기서 상기 BPM 시스템은 FDC부 및 PdM부를 포함한다. FDC부는 헬씨 베이스라인 모델(healthy baseline model)(100), DHI 방식(DHI scheme)(110), BEI 방식(BEI scheme)(112) 및 FDC 로직(120)을 포함한다. 헬씨 베이스라인 모델(100)은 TD 베이스라인 모델(104) 및 ISI_B 모델(108)을 포함한다. PdM부는 RUL 예상(130)을 포함한다. 이하, 각각의 방식 및 모델을 설명한다.

TD 베이스라인 모델(104)

TD 베이스라인 모델(104)은 대상 장치(TD: 예를 들어 스로틀 밸브)의 헬씨 베이스라인 값(

)을 생성하기 위해 주로 사용된다. 소위 TD 헬씨 베이스라인 값은, 대상 장치가 NH₃, SiH₄, 압력, 및 RF 전력 등과 같은 복수의 파라미터를 포함하는 TD-관련 프로세스 데이터(X)의 세트를 이용하여 새로운 반제품을 생산할 때, 대상 장치가 헬씨 상태에 있다면 가져야 하는 실질적인 대표 값의 예측 값을 나타내는데, 실질적인 대표 값(예를 들어, 스로틀 밸브 각)은

로 나타낸다. 다시 설명하면, 새로운 반제품을 생산할 때 TD의 실질적인 대표 값(

)이

와 많은 편차가 있으면, 이 시점에서 상기 TD는 비정상을 의미하고, 상기 TD 비정상을 일으킨 이유가 발견되어야 한다. 소위 TD-관련 프로세스 데이터는 TD의 실질적인 대표 값 자체가 아니라 TD를 포함하는 원인-효과 관계를 포함하는 프로세스 파라미터를 나타낸다.

도 3a, 도 3b 및 도 6을 참조하면, 도 3a 및 도 3b는 본 발명의 2개의 실시예에 따른 TD 베이스라인 모델(104)을 구축하기 위해 요구되는 모델링 샘플을 수집하기 위한 방법을 보여주는 흐름도이고, 도 6은 TD 베이스라인 모델(104)을 생성하는 과정 및 FDC부를 수행하기 위해 요구되는 DHI, BEI, ISI_B 및

을 계산하는 과정을 나타낸 흐름도이다. 도 3a에서 오프라인 동작(200) 및 온라인 동작(210)이 수행된다. 그러나, 도 3b에서는 단지 온라인 동작(210)이 수행된다. TD 베이스라인 모델(104)를 구축하기 위해 요구되는 모델링 샘플을 획득하기 위한 3가지 소스가 있는데, 즉 (오프라인 동작 200으로부터) 복수의 간결하고 헬씨한(concise and healthy (C&H)) 히스토리컬 샘플, (온라인 동작(210)로부터) 복수의 프레쉬 샘플(fresh sample) 및 (도 6에서 나타낸 단계 302로부터) 새로운 반제품 샘플이 있으며, 여기서, C&H 히스토리컬 샘플은 모델링 샘플로서 선택적으로 추가될 수 있다. C&H 히스토리컬 샘플을 도입하는 목적은 모델링 샘플의 동작 영역을 증가시키고, 모델링 샘플의 소음을 줄이기 위함이며, 이를 통해 예측 정확도를 증가시킨다. 그러나, C&H 히스토리컬 샘플을 획득하는 것은 쉽지 않다. 그러므로 C&H 히스토리컬 샘플이 아직 획득되지 않았을 때, 프레쉬 샘플이 단지 도입될 수 있다. 다시 말하면, 오프라인 동작(200)으로부터 C&H 히스토리컬 샘플을 수집할 수 없다면, 온라인 동작(210)만 수행되어 모델링 샘플을 수집할 수 있다.

도 3a에 나타낸 것처럼, TD 베이스라인 모델을 구축하기 위해 요구되는 모델 샘플을 수집하기 위한 실시예의 단계는 2개의 단계를 포함하는데, 2개의 단계는 오프-라인 동작(200) 및 온-라인 동작(210)이다. 오프-라인 동작(200)은 C&H 히스토리컬 샘플을 선택하기 위해 킵-임포턴트-샘플(keep-important-sample (KIS)) 방법을 수행하고, 온-라인 동작 210은 방금 유지보수된 대상 장치(TD)에 의해 생성되는 프레쉬 샘플을 수집하며, 여기서, 프레쉬 샘플 및 C&H 히스토리컬 샘플 각각은 대상 장치에 의해서 생성되는 TD-관련 프로세스 데이터(X) 및 실질적인 대표 값(

)의 세트로 이루어진 쌍으로 된 데이터의 세트를 포함한다. 단계 202는 수집된 모든 히스토리컬 샘플의 적절성을 보장하기 위해 이용되고, 이것은 TD가 헬씨 상태에 있고 TD의 데이터 품질이 좋을 때, 생성된 샘플을 의미한다. 소위 "헬씨상태(healthy status)"는 정상적으로 동작하는 TD의 거동(behaviors)을 의미하고, 이것은 당해 기술 분야의 사람들에 의해 정의될 수 있다. 소위 "좋은 데이터 품질(good data quality)"은 TD 및 TD와 원인-효과 관계를 갖는 프로세스 파라미터가 정상 동작중일 때, TD의 실행으로부터 수집되는 데이터 품질이 좋다는 것을 의미하며, 즉 데이터는 사람에 의해 발생하는 오류 또는 비정상이 없는 상황에서 수집된다. 온-라인 동작(210)에서, TD가 유지보수된 직후이고 "헬씨 상태"에 있기 때문에 이 시점에서 생성되는 프레쉬 샘플은 헬씨 샘플로 생각될 수 있다.

이후, 모델링을 위해 너무 많은 샘플을 사용하는 것을 피하고 모델의 정확성에 영향을 주는 것을 피하기 위해, 오프-라인 동작(200)은 대표적인 C&H 히스토리컬 샘플을 선택하기 위한 단계 204를 선택적으로 수행할 수 있다. 단계 204는 단계 202에서 수집된 헬씨 히스토리컬 샘플 모두로부터 대표 C&H 샘플을 선별하기 위해 다이나믹-무빙-윈도우(dynamic-moving-window(DMW)) 방식을 사용할 수 있을 뿐만 아니라, 다른 샘플 선택 방법을 사용할 수도 있으며, 본 발명의 실시예에서 선택 방법을 제한하는 것은 아니다. DMW 방식은 미리 정의된 윈도우 크기를 가진 모델에 새로운 샘플을 추가할 수 있으며, 클러스터링 기술을 적용하여 유사 클러스터링(similarity clustering)를 할 수 있다. 다음으로, 각 클러스터 안에 샘플의 숫자가 확인된다. 만약 가장 큰 그룹 안에 샘플 데이터 세트의 수가 미리 정해진 임계치보다 크다면, 가장 큰 그룹 안에서 유사 성질을 가지는 샘플 데이터 세트가 너무 많다는 것을 의미하고, 가장 큰 그룹에서 가장 오래된 샘플 데이터는 삭제될 수 있다. 만약 가장 큰 그룹에서 샘플 데이터 세트의 수가 미리 정해진 임계치보다 작거나 같으면, 가장 큰 그룹에서 샘플 데이터는 예측 모델을 구축하거나 리프레쉬 하기 위해 유지되어야 한다. DMW 방법은, 여기에 일체로서 참조되는 출원인의 논문(W.-M. Wu, F.-T. Cheng and　F.-W. Kong, "A Dynamic-Moving-Window Scheme for Virtual-Metrology Model Refreshing," IEEE Transactions on Semiconductor Manufacturing, vol. 25, pp. 238-246, May 2012)에 설명되어 있다. 더욱이, 모델링 하기 위한 C&H 히스토리컬 샘플 및 프레쉬 샘플은 표준화 모듈(102, 106)에 의해 표준화(Z-score) 되어야 한다.

온-라인 동작은 상기 TD가 유지보수된 후 바로 수행되며, 온-라인 동작은 유지보수 직후 TD에 의해 생성되는 복수의 프레쉬 샘플을 수집하기 위한 단계 212를 수행하는 단계; 프레쉬 샘플의 수가 모델링하기에 충분한지 확인하는 단계 214를 수행하는 단계; 단계 214의 결과가 "예"라면, 수집된 프레쉬 샘플을 모델링 샘플로써 C&H 히스토리컬 샘플에 추가하는 단계 216을 수행하는 단계; 및 단계 214의 결과가 "아니오"라면, 단계 212를 다시 수행하는 단계를 포함한다. 여기까지 모델링 샘플의 일부가 수집된다.

헬씨 베이스라인 모델(100)을 구축하기 위해 요구되는 샘플의 숫자를 결정하기 위한 경험칙은 TD-관련 프로세스 데이터(X) 세트내 파라미터의 수의 약 10배이고, 여기서 C&H 히스토리컬 샘플과 프레쉬 샘플의 양적 비율은 3:1이다. 단계 216에서 생성된 샘플(프레쉬 샘플 및 C&H 히스토리컬 샘플) 전부는 TD 베이스라인 모델(104)을 구성하기 위해서 사용된다. 그러므로, TD의 헬씨 베이스라인이 생성될 수 있도록 TD 베이스라인 모델(104)은 C&H 히스토리컬 샘플을 포함할 뿐만 아니라 유지보수 직후 TD로부터의 프레쉬 샘플의 데이터 정보도 포함한다. 완벽하게 수집된 필수적으로 중요한 샘플에 의해, TD 베이스라인 모델이 구축될 수 있고 적절하게 작용할 수 있다.

위에서 설명한 것처럼, 프레쉬 샘플은 헬씨 샘플로 생각될 수 있다. 그러므로, C&H 히스토리컬 샘플을 획득하기 어려울 때, 본 발명의 다른 실시예는 베이스라인 모델(104)을 구성하기 위한 모델링 샘플로써, 프레쉬 샘플 및 새롭게-들어온(newly-entered) 반제품 샘플을 채택할 수 있다. 도 3b에서 나타낸 것처럼, 단계 214의 결과가 "예"라면, 단계 218은 상기 C&H 히스토리컬 샘플 없이 모델링 샘플로써 수집된 프레쉬 샘플을 사용하기 위해 수행된다.

TD 베이스라인 모델(104)을 구축하고 실행하기 위한 과정은 나중에 설명될 것이다.

ISI _B 모델(108)

개별 프로세스 파라미터의 ISI는 ISI 모델을 튜닝하고 트레이닝하기 위해 사용되는 모든 히스토리컬 세트에서 입력 세트의 개별 프로세스-파라미터의 표준화된 프로세스 데이터 및 동일한 프로세스-파라미터의 표준화된 프로세스 데이터의 유사 정도로 정의될 수 있다. ISI_B 모델(108)은 주로 미국 특허 제7,593,912호에서 개시된 ISI 방식을 사용하여 구축되고, 미국 특허에서 표준화 단계는 프레쉬 샘플의 TD-관련 프로세스 데이터(X)의 각각의 세트를 형성하는 대응 파라미터의 평균 및 표준편차에 관한 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X)의 세트를 형성하는 파라미터에 대해 수행되어, 파라미터의 변화를 이해하기 위하여 파라미터의 복수의 개별 유사 지표(individual similarity indexes (ISIs))를 획득한다. 미국 특허 제7,593,912호는 여기에 일체로서 참조되어 있으며, 본 출원과 동일한 출원인에 의해 출원된 것이다. 특정 유지보수 사이클 안에서 TD의 ISI_B 헬씨 베이스라인이 생성 될 수 있도록, 이 실시예만 ISI_B(108)를 구성하기 위해 유지보수 직후의 TD에 의해 생성된 프레쉬 샘플을 사용한다는 것에 주목할만하다.

DHI 방식(110)

일반적으로 말해서, 온-라인 SPC 방식은 제조 프로세스 동안 질적 상태(quality status)를 모니터하기 위해 사용되고, 만약 프로세스를 통계적으로 제어할 수 없다면, 필요한 조치가 수행된다. DHI 방식 110은 온-라인 SPC의 개념을 적용해서 │

-

│을 DHI로 변환하는데,

은 프레쉬 샘플(단계 212에서 획득한)에서 실질적인 대표 값의 평균을 나타내고,

는 새로운 반제품이 생산될 때 생성되는 새로운 반제품 샘플에서 TD의 실질적인 대표 값을 나타낸다. 특정 유지보수 사이클 안에서 TD의 DHI 헬씨 베이스라인이 생성될 수 있도록, 이 실시예만 DHI 방식(110)을 구성하기 위해 유지보수 직후의 TD에 의해 생성된 프레쉬 샘플을 사용한다는 것에 주목할만하다.

도 4를 참조하면, 도 4는 중앙에 위치한 베이스라인 값

를 가지는

의 SPC 제어 차트의 구성을 나타내며,

에 대응하는 변환 값(

)을 나타내고; 프레쉬 샘플의 최대 실질적인 대표 값(

)에 대응하는 변환 값(

)을 나타내고; 프레쉬 샘플의 최소 실질적인 대표 값(

)에 대응하는 변환 값(

)을 나타내고; 하한 규격 한계(

)에 대응하는 변환 값(

)을 나타내고; 하한 제어 한계(

)에 대응하는 변환 값(

)을 나타내고; 상한 규격 한계(

)에 대응하는 변환 값(

)을 나타내고; 상한 제어 한계(

)에 대응하는 변환 값(

)을 나타내고, 여기서 ,

,

및

은 예를 들어 0, 0.3, 0.7, 1, 0.7, 0.3 및 0이다. 규격

,

및

의 정의는 TD의 물리적 성질에 따라 다양하다. 스로틀 밸브에 대해서,

및

은 공칭 각(nominal angle)에 5도를 더해주는 것이고 공칭 각에 5도를 빼주는 것이고;

은 공칭 각(nominal angle)에 50도를 더해주는 것이고;

은 공칭 각에 20도를 빼주는 것이다. 물리적인 성질을 고려하면, 스로틀 밸브의 열린 각이 50도보다 크거나 20도 보다 작을 때, 스로틀 밸브의 가스-배기 효율은 떨어지고, 스로틀 밸브의 열린 각이 공칭 각에서 5도만큼 더해준 각보다 크거나, 공칭 각에서 5도만큼 빼준 각보다 작은 경우 밸브의 헬씨 상태는 관심을 가져야 한다.

,

및

은 종래의 SPC 에 의해 사용되는 일반적 기술 측정치이고, 그러므로 여기서 더 설명된다. 위의 식 (1)에서

,

및

에 0, 0.3, 0.7, 1, 0.7, 0.3 및 0을 대입하면, 도 4의 상부에서

를 DHI로 변환하는 DHI 식을 아래와 같이 얻을 수 있다.

같은 방식으로, 위에서 식 (2)로부터, 도 4의 하부에서

를 DHI로 변환하는 아래의 식을 얻었다.

이 실시예에서, UCL/LCL 및 USL/LSL은 TD의 프로세스

(process spec)및 하드

(hard spec)에 대응되고, 연관된 DHI값은 각각 0.7 및 0.3이다. 위에 정의에 의해, 아래의 명제가 만들어진다.

(예를 들어, 1) > DHI >

(예들 들어, 0.7)(또는

(예를 들어,1) > DHI >

(예를 들어,0.7))일 때, 대상 장치는 헬씨하고 정상적으로 동작한다;

(예를 들어, 0.7) > DHI >

(예를 들어, 0.3)(또는

(예를 들어, 0.7) > DHI >

(예를 들어, 0.3))일 때, 대상 장치는 식(sick)하고, 대상 장치의 잔여 수명 시간(RUL)은 고갈된 후 작동할 수 없다; 및

(예를 들어, 0.3) > DHI >

(예를 들어, 0)(또는

(예를 들어, 0.3) > DHI >

(예를 들어, 0))일 때, 대상 장치는 데드(dead)하고, 유지보수가 즉시 요구된다.

BEI 방식(112)

BEI 방식(112)의 목적은 새로운 반제품 샘플의 실질적인 대표 값(

) 및 새로운 반제품 샘플의 헬씨 베이스라인 값

사이의 차이, 즉

를 변환하는 것이다. 도 5를 참조하면, 도 5는 바닥에 위치한 베이스라인 값 0(zero)을 가지는

의 SPC 제어 차트의 구성을 묘사하고 있다.

,

및

는

의 제어 차트 위에 나타냈고,

=0에 대응하는 변환 값(

)을 나타내고;

에 대응하는 변환 값(

)을 나타내고;

에 대응하는 변환 값(

); 및

에 대응하는 변환 값(

), 여기서

,

및

은 각각 1, 0.7, 0.3 및 0이다. 스로틀 밸브에 대해서

및

은 TD의 물리적 성질에 따라서 달라지는데, 여기서

는 5이고,

은 50이며, 위의 두 값은 당업자에 의해 정의될 수 있다.

및

은 종래의 SPC에 의해서 사용된 일반적인 기술적 측정치이고, 그러므로 여기서 더 자세하게 설명된다. 위의 식 (3)에서

,

및

에 1, 0.7, 0.3, 및 0을 대입했을 때,

을 BEI로 변환하는 식은 아래에서 획득할 수 있다.

위의 정의를 가지고, 다음의 명제가 만들어진다:

(예를 들어, 1) > BEI >

(예를 들어, 0.7)일 때, 대상 장치는 헬씨하고, 정상으로 동작한다;

(예를 들어, 0.7) > BEI >

(예를 들어, 0.3)일 때, 대상 장치는 식(sick)하고, 대상 장치의 잔여 수명 시간이 고갈된 후 작동할 수 없다; 및

(예를 들어, 0.3) > BEI >

(예를 들어, 0)일 때, 대상 장치는 데드하고, 유지보수가 즉시 요구된다.

FDC 로직(120)

도 2의 오른쪽 부분에 나타낸 것처럼, FDC 로직(120)은 DHI, BEI 및 ISI_B의 값을 TD의 헬씨 상태로 변환하기 위해 사용된다. FDC 로직 120을 적용하기 전에, DHI, BEI 및 ISI_B의 임계치(각각 DHI_T, BEI_T, 및 ISI_BT으로 표현됨)가 설정되어야 한다. 도 4 및 도 5에 나타낸 것처럼, DHI 및 BEI의 헬씨 영역은 0.7 및 1 사이이므로, DHI_T 및 BEI_T의 값은 0.7로 설정하였다. 각 개별 프로세스 파라미터의 표준 편차의 6배를 ISI_B의 임계치로 설정하였으므로 ISI_B _{_T} = 6이다. FDC 로직(120)은 아래에서 자세하게 설명한다.

만약 DHI ≥ DHI_T (단계 122의 결과가 "아니오"인 경우)이고 모든 ISI_B값이 상응하는 ISI_B _{_T} 미만이면(단계 124의 결과가 "예"인 경우), 대상 장치는 헬씨하고 파라미터에 대응하는 부품은 정상적으로 동작한다는 것을 나타낸다.

만약 DHI ≥ DHI_T (단계 122의 결과가 "아니오"인 경우)이고, 적어도 하나의 ISI_B값이 ISI_B _{_T} 이상이면(단계 124의 결과가 "아니오"인 경우), 대상 장치는 헬씨하지만 가장 큰 ISI_B에 대응하는 적어도 하나의 관련된 프로세스 파라미터가 비정상이고 확인되어야 한다는 것을 나타낸다.

만약 DHI ＜ DHI_T (단계 122의 결과가 "예"인 경우) 이고 BEI ≥ BEI_T (단계 126의 결과가 "아니오"인 경우); 또는 DHI ＜ DHI_T(단계 122의 결과가 "예"인 경우)이고 적어도 하나의 ISI_B가 ISI_B _{_T} 이상이면(단계 124의 결과가 "아니오"인 경우), 대상 장치는 헬씨하지만 확인되어야 하는 가장 큰 ISI_B에 대응하는 관련된 프로세스 파라미터의 비정상 때문에 제어할 수 없음(out-of-control (OOC))을 나타낸다.

만약 DHI < DHI_T(단계 122의 결과가 "예"인 경우)이고 BEI ＜ BEI_T 이며 모든 ISI_B값이 ISI_B _{_T}미만이면(단계 126의 결과가 "예"인 경우), 대상 장치가 비정상이고 자체로서 문제가 되며 유지보수가 즉시 요구됨을 나타낸다.

이하, TD 베이스라인 모델(104)을 구축하고 FDC부를 실행하는 과정을 설명한다.

도 2 및 도 6을 다시 참조한다. 오프-라인 동작(200) 및 온-라인 동작(210)(도 3a 및 도 3b)이 완료되고 ISI_B 모델(108)이 구축된 후에, 단계 302는 TD가 새로운 반제품을 생산할 때 생성되는 새로운 반제품 샘플을 수집하기 위해 처음 수행되며, 새로운 반제품 샘플은 TD-관련 데이터(X)의 세트 및 새로운 반제품을 생산하기 위한 대상 장치의 실질적인 대표 값(

)에 대응된다. 이후, 단계 304는 수집이 성공적인지를 보장하기 위해 수행된다. 단계 304의 결과가 "아니오"인 경우 단계 302는 다시 수행된다. 단계 304의 결과가 "예"인 경우 단계 306은 표준화 모듈(102, 106)을 이용하여 새로운 반제품(즉, 새로운 반제품 샘플)의 X 및

를 각각 표준화 하기 위해 수행되고 이후 추측 알고리즘(conjecturing algorithm)에 따라서 TD 베이스라인 모델(104)을 재구축하기 위한 복수의 모델링 샘플에 새로운 반제품의 표준화된 X 및

를 더해주며, 여기서, 추측 알고리즘은 예를 들어, 신경망 알고리즘(neural network (NN) algorithm), 다중-회귀 알고리즘(multi-regression (MR) algorithm), 지지 벡터 머신 알고리즘(support vector machines (VM) algorithm), 부분 최소 제곱 알고리즘(partial least Squares (PLS) algorithm) 또는 예측 가능성이 있는 다른 알고리즘이 될 수 있다. TD 베이스라인 모델(104)을 구성하기 위한 단계 302 및 306은 본 출원과 동일한 출원인에 의해 출원되고, 여기에 일체로서 참조된 미국 특허 제8,095,484호에 개시된 자동 가상 계측(automatic virtual metrology(AVM)) 방법에 주로 기초한다.

더욱이, 단계 304의 결과가 "예"인 경우, 본 실시예는 DHI 방식(110)로부터 새로운 반제품의 DHI를 계산하기 위한 단계 312를 역시 수행한다. 단계 306 이후, 단계 308은 재구축된 TD 베이스라인 모델(104)로부터 새로운 반제품의

계산하기 위해 수행되고; ISI_B 모듈(108)로부터 새로운 반제품의 ISI_B을 계산하기 위해 수행되고; BEI 방식(112)으로부터 새로운 반제품의 BEI를 계산하기 위해 수행된다. 새로운 반제품의 DHI, ISI_B 및 BEI가 획득된 후에 단계 314는 FDC로직(120)을 통해서 TD의 헬씨 상태를 추론하기 위해 수행된다. 단계 314 이후에, 오리지널 모델링 샘플의 새로움(freshness)을 유지하게 위해 단계 310은 모델링 샘플로부터 새로운 반제품 샘플을 삭제하기 위해 수행된다. 다시 말해, TD 베이스라인 모델(104)을 소위 "재구축"하는 것은 TD 베이스라인 모델(104)을 구성하기 위한 모델링 샘플로서 새롭게 들어간 반제품 샘플의 각 시간과 C&H 히스토리컬 샘플의 고정된 양을 사용하기 위함이다.

본 발명은 TD의 헬씨 상태를 추론하는 것뿐만 아니라, TD의 RUL을 예상하기 위함이다. 이하, 도 2에 나타낸 RUL 예상(130)에 대해서 설명한다.

RUL 예상 130

RUL 예상(130)은 감지 방식(132) 및 RUL 예상 모델(134)을 포함한다. 감지 방식은

＞

인지 확인하며, 여기서

이고,

은 TD의 식 상태(sick status)를 감지하기 위한

의 임계치를 나타낸다. 도 7을 참조 하면, 도 7은 본 발명의 실시예에서 사용되는 TD의 상태 다이어그램이고, 5가지 상태: 이니셜(initial), 액티브(active), 인액티브(inactive), 식(sick) 및 데드(dead)를 포함한다. 도 7에서 나타낸 상태 다이어그램은 여기에 일체로 참조된 출원인의 논문(F. -T. Cheng, C.-L. Wang, H.-C. Yang, S.-L. Wu, and C.-Y. Lo, "A Study on Application Cluster Service Scheme and Computer Performance Evaluator," Journal of the Chinese Institute of Engineers, vol. 31, no. 4, pp. 675-690, June 2008)에 설명되어 있다. 보통, 대상 장치(TD)는 액티브 상태에 있다. 그러나,

＞

일 때 대상 장치는 식 상태로 들어간다.

가 다시

보다 작으면, TD는 액티브 상태로 돌아간다. 반대로, TD의 식 증상(sick symptom)이 악화 되어 TD의 이용 가능한 자원이 고갈되면, TD는 데드 상태에 진입, 다시 말하면, TD는 완전히 다운(down) 한다. 상술한 설명은 감지 방식(132)의 주목적이 대상 장치(TD)가 식 상태에 있는지를 감지하는 것임을 예시하고 있다. 잘못된 경고를 피하기 위해, 실시예에서,

＞

의 2개의 연속적인 감지가 TD가 식 상태로 들어가는 것을 확인하기 위해 요구된다. RUL 예측 모델(134)은 만약 TD가 식 상태에 있다면, RUL을 예측하기 위해 활성화될 것이다.

통계학적으로 동일하고 독립된 전자 기기의 많은 수의 고장은 다음의 3가지 상(phase)을 포함하는 일반적인 배쓰텁 곡선(bathtub curve)의 형태를 나타내고, 3가지 상은 (1)초기 고장(early Failure), (2)지속적 고장 비율(constant Failure rate)을 가진 고장, (3)마모 고장(wear-out Failure)이다. 일반적으로, 대상 장치의 식 상태는 마모 상(wear-out phase)에서 발생한다. 마모 상에서의 고장은 노화(aging), 마모 또는 피로도(fatigue) 등으로부터 기인하며, 고장 비율은 시간이 지남에 따라 지수적으로 증가한다. 그러므로, 회귀-기반 지수-곡선-일치법(regression-based exponential-curve-fitting (ECF))이 본 실시예에 적용되어 RUL 예측 모델(134)을 구현한다.

도 8을 참조하면, 도 8은 본 발명의 실시예에 따른 RUL 예측 모델(134)의 동작을 설명한 개략적인 다이어그램이다. 우선,

을 정의하고, 여기서

및

은 TD가 유지보수된 후에 바로 수집된 헬씨 베이스라인 샘플의

의 평균 및 표준 편차를 나타낸다. 또한,

및

은 각각 TD가 식 상태 또는 데드 상태로 들어갈 때

의 값을 나타낸다. 도 5에 나타낸 것처럼

=Spec 및

=HardSpec-

이다.

RUL 예측 모델(134)의 동작 단계를 아래에서 설명한다.

단계 1:

를 계산하고,

에 대응하는 샘플 수

를 찾는다. 그리고 나서

및

을 정의한다.

단계 2:

>

의 2개의 연속 감지 조건이 확인되면, TD는 식 상태로 들어가는 중이고, 동작 단계는 단계 3으로 넘어간다.

단계 3:

및

사이에서 모든 샘플을 수집하고 마모 고장 식(wear-out Failure equation)을 획득하기 위해 ECF 식을 적용한다:

여기서,

는 i^th번째 샘플수,

은

에 대응하는 i^th

의 예측 값;

은

에 대응하는 i^th

의 실질적인 값;

는 i^th

에 대응하는 B^th 샘플 수;

는

에 대응하는 S^th 샘플 수이다.

마모 고장 식

을 획득한 후, 상한 경계 식(upper-bound (UB) equation)

및 하한 경계 식(lower-bound (LB) equation)

역시 유도된다.

단계 4: k _i = k _S ₊₁ 에서 시작되는

의 값이

값 이상이 될 때까지

의 값을 예상하기 위해 마모 고장 식

을 적용한다; 대응하는 샘플 수는

로 나타냈다. 이후, 양측 95% 예측-구간 식(two-side　95% prediction-interval (PI) formula)을 사용하여 아래 식에서 k _i = k _S ₊₁ 에서

까지 모든 95% UB 및 LB 값을 계산한다.

여기서,

은 예측 S+j번째 UB 값;

은 예측 S+j번째 LB 값;

은

에 대응하는 예측 샘플 수;

은 S+j번째 샘플에 대응하는 95% PI 값;

은

=0.05이고, p는 파라미터의 수일 때, k_S _-k_B+1-p의 자유도를 갖는 t-분포이다.

k _i = k _S ₊₁ 에서

까지 모든 95% UB 및 LB 값을 획득한 후에,

UB 식

(14)

및 LB 식

(15)

은 고장 식

을 얻기 위해 적용되었던 동일한 ECF식 및 접근법에 의해 유도될 수 있다.

단계 5: 아래 식에서

에 대응하는

및

을 찾기 위해 고장 식 (4), UB 식 (14) 및 LB 식 (15)를 적용한다.

여기서,

은

에 대응하는 D_RUL번째 샘플 수;

은

에 대응하는 D_UB번째 샘플 수;

은

에 대응하는 D_LB번째 샘플 수이다.

앞에서 언급한 실시예는 컴퓨터가 읽을 수 있는 기록매체로서 제공될 수 있고, 컴퓨터가 읽을 수 있는 기록매체는 본 발명의 실시예를 기반으로 하는 프로세스를 수행하기 위한 컴퓨터(또는 다른 전자 장치)를 프로그래밍하기 위해 저장된 명령어를 포함하는 기계가 읽을 수 있는 매체를 포함한다. 기계가 읽을 수 있는 매체는 예를 들어, 플로피 디스켓, 광디스크, 컴팩트 디스크-리드-온리 메모리(CD-ROM), 자기-광 디스크, ROM(read-only memory), 랜덤 액세스 RAM(random access memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), 자기 또는 광학 카드, 플래시 메모리, 전기적 명령을 저장하기 위해 적당한 미디어/기계가 읽을 수 있는 매체의 다른 형태 등일 수 있지만, 이에 한정되는 것은 아니다. 더욱이, 본 발명의 실시예는 컴퓨터가 읽을 수 있는 기록매체서 다운로드 될 수 있고, (네트워크 연결 등과 같은) 통신망을 이용하여 데이터 신호를 사용하여 원거리 컴퓨터로부터 요청하는 컴퓨터에게 전송할 수도 있다.

이하, 적용예는 본 발명을 설명하기 위한 것이다.

태양-전지 제조를 위한 PECVD 툴의 진공 모듈에서 스로틀 밸브의 3가지 케이스를 적용예로 채택하였다. 따라서, 스로틀 밸브는 본 발명의 TD가 된다. 해당 분양의 전문지식을 기초로 했을 때, TD의 각은 다음의 관련 파라미터: NH₃, SiH₄, 압력 및 RF 전력에 의해서 영향을 받을 수 있다.

도 3 및 도 6에 나타낸 단계는 TD 베이스라인 모델을 생산하기 위해 요구되는 중요한 샘플을 수집하기 위해 사용된다. 이 예에서, TD(스로틀 밸브)의 각은

지정되고, TD 관련 프로세스 데이터(X)는 NH₃, SiH₄, 압력 및 RF 전력을 포함한다. 관련 프로세스 데이터의 수가 4이기 때문에, 약 40개의 샘플이 TD 베이스라인 모델을 구축하기 위해 요구된다. 그런 만큼, DMW 방식은 약 30개의 C&H 히스토리컬 샘플을 선택하기 위해 2602개의 헬씨 히스토리컬 샘플에 대해 오프-라인으로 수행된다. 그리고 나서, 유지보수 직후, 온-라인 동작은 10개의 프레쉬 샘플을 수집하기 위해 활성화된다. 수집된 30개의 C&H 히스토리컬 샘플, 10개의 프레쉬 샘플 및 수집된 새로운 반제품 샘플의 각 시간은 TD 베이스라인 모델을 생산하기 위한 모델링 샘플로서 사용되고, 여기서, 모델링 샘플의 각각은 대응하는

및 X을 포함한다. 10개의 프레쉬 샘플은

뿐만 아니라 ISI_B 모델 및 DHI 방식을 구성하기 위해 채택된다.

이 실시예에서,

를 DHI로 변환하기 위한 이 예의

,

및

은 각각 0, 5, 22, 27, 32, 50 및 90이다. 또한,

을 BEI으로 변환하기 위한

,

및

은 각각 5, 23 및 63이다.

TD 관련 프로세스 데이터(X)에서 각 파라미터의 최대로 허용되는 편차는 각 개별 공칭 값의 10%이다. 그러므로, ISI_B 값의 6에 동일한 각 개별 공칭 값의 10%를 설정하는 것에 의해서, ISI_B _{_T}의 값은 6과 동일하다. 더욱이, DHI_T 및 BEI_T은 TD가 식 상태로 들어가는 임계치가 0.7이 되도록 설정된다.

도 1에 나타낸 예에서 사용된 450개의 테스팅 샘플은 쉽게 비교하기 위해 다시 사용된다. BPM 방법의 FDC부를 구동시킨 결과를 도 9에 나타내었다. 도 9에서,

및

결과 아래에 나타냈다. 도 9의 원 11에서 샘플을 관찰하면, DHI ＜ DHI_T이고 NH₃의 ISI_B(=120)은 대응하는 ISI_B _{_T}(=6)보다 크다; 그러므로 TD 자체는 헬씨한 반면, OOC(out-of-control)에 대한 이유는 글리치(glitch)가 관련 NH₃에서 발생했기 때문이고, 이것은 확인되어야 한다.

원 12 및 원 14 안의 모든 샘플은 샘플들의 ISI_B 값이 대응되는 ISI_B _{_T} 보다 작다는 조건뿐만 아니라, DHI ＜ DHI_T 및 BEI ＜ BEI_T의 조건도 만족하고, 그러므로 TD는 비정상이고, 비정상의 원인은 그 자체이다.

원 13 안의 샘플은 압력의 ISI_B 값(=13.5)이 ISI_B _{_T}보다 크다는 조건뿐만 아니라 DHI > DHI_T의 조건을 만족하고, 그러므로, TD는 정상이지만, 압력은 비정상이고 확인되어야 함을 암시한다.

도 10을 참고하면, 도 10은 본 발명의 적용예에 따른 전체 PM 주기에서 모든 BPM 관련 데이터 및 지표를 나타낸다. 390 샘플을 포함하는 전체 PM 주기가 이 적용예에서 채택되었다. 30개의 C&H 샘플이 수집되고, 모델링 샘플 안에 포함된다. 첫 번째 10개의 프레쉬 샘플은

값뿐만 아니라 ISI_B 모델 및 DHI 방식을 구성하기 위해 사용된다. BPM 관련 데이터 및 지표를 포함하는 다음 380 샘플은 본 발명의 각 모델로부터 계산될 수 있다. 도 10에서 도시된 것처럼, TD의 각(

)은 노화 효과 때문에 점진적으로 증가하는 반면, 베이스라인 값(

)은 관련 프로세스 데이터(NH₃, SiH₄, 압력, 및 RF 전력)가 작은 변동을 가지면서 안정적이라는 사실 때문에 상대적으로 평평(flat)하다. 모든 ISI_B의 값이 대응하는 ISI_B _{_T}의 값보다 작으면서 DHI ＜ DHI_T 및 BEI ＜ BEI_T의 조건은 식 상태로 진입하는 시점에 있는 213 번째 샘플 주변에서 일어난다. 이 이벤트는 RUL 예측 프로세스를 활성화 시킨다. RUL 예측 모델의 앞에서 언급한 동작 단계를 수행한 후에 RUL = 60이고,

=68이며,

=48임을 알게 되었고, 즉 TD의 RUL 은 60개의 샘플 주기이고, 여기서, 이러한 실시예에서 사용되는 각 샘플 주기는 약 1시간이다. 실제로, 데드 상태로 들어가는 TD의 실질적인 샘플 수는 289개이다. 결과적으로, 실질적인 RUL은 289-213=76 샘플 주기이다. 따라서, 본 발명은 어느 정도 정확성을 가지고 TD의 RUL을 예상할 수 있다.

BPM 방식의 동작 공간을 증대하기 위한 TD 베이스라인 모델을 구축하고 모델링 샘플의 노이즈를 줄임으로써 예측 정확도를 증가시키기 위해 C&H 히스토리컬 샘플을 도입하는 필요성을 더욱 상세하게 설명한다. 도 11 및 도 12를 참조하면, 도 11은 본 발명의 적용 예에 따른 전체 PM 주기에서 C&H 히스토리컬 샘플을 포함하는 BPM 관련 데이터 및 지표를 나타내며, 도 12는 본 발명의 적용 예에 따른 전체 PM 주기에서 C&H 히스토리컬 샘플을 포함하지 않는 BPM 관련 데이터 및 지표를 나타낸다. 즉, 도 11에서, TD 유지보수 이후 바로 수집된 30개의 C&H 샘플 및 10개의 프레쉬 샘플은 모델링 샘플로서 적용되지만, 도 12에서, TD 유지보수 이하 바로 수집된 40개의 프레쉬 샘플은 C&H 히스토리컬 샘플 없이 모델링 하기 위해 도입된다. 296번째부터 380번째 샘플까지의 관련 프로세스 데이터(NH₃, SiH₄, 압력, 및 RF 전력)뿐만 아니라 베이스라인 값(

)을 갖는 TD의 각(

)을 나타냈다. 도 11 및 도 12의 시험에서 베이스라인 값(

)을 비교하면, 명백하게, 도 12에서 값들은 상대적으로 고르지 않고, 불명확하다. 그 이유는 도 11의 모델링 샘플은 30개의 C&H 히스토리컬 샘플을 포함하지만 도 12는 그렇지 않다는 사실 때문이다. 도 11 및 도 12의 왼쪽 부분에 나타낸 것처럼, 도 11의 모든 TD 관련 프로세스 데이터의 피크 투 피크 변화(peak-to-peak variations)는 도 12의 경우보다 훨씬 높다. 결과적으로, 도 12의 케이스의 동작 영역의 대표성은 오히려 약하다. 그러므로, 모델링을 위해 C&H 히스토리컬 샘플이 요구된다는 것은 명백하다.

본 발명의 실시예를 적용함으로써, TD의 헬씨 상태는 효과적으로 추론될 수 있으며 TD의 잔여 수명 시간(RUL)은 예상될 수 있음을 위로부터 알 수 있다.

본 발명의 범위 또는 사상에서 벗어나지 않고도 다양한 수정 및 변경이 본 발명의 구조에 대해 이루어질 수 있음은 당업자에게 자명하다. 상기 내용을 참고하면, 수정 및 변경이 첨부된 청구항 및 그 균등물의 범위에 포함한다면 본 발명의 수정 및 변경도 본 발명에 의해 보호되어야 한다.

Claims

대상 장치(target device, TD)가 유지보수 직후 복수의 반제품(workpiece)을 생산할 때 생성되는 복수의 프레쉬 샘플을 수집하는 단계;
상기 대상 장치가 새로운 반제품을 생산할 때 생성되는 새로운 반제품 샘플을 수집하는 단계-여기서, 상기 프레쉬 샘플 및 상기 새로운 반제품 샘플 각각은 상기 대상 장치에 의해 생성되는 TD-관련 프로세스 데이터(X) 및 실질적인 대표 값의 세트로 이루어진 쌍으로 된 데이터의 세트를 포함하고, 상기 TD-관련 프로세스 데이터(X)의 세트는 복수의 파라미터를 포함함-;
추측 알고리즘에 따라서 복수의 모델링 샘플을 사용하여 TD 베이스라인 모델을 구축하는 단계-여기서, 상기 모델링 샘플은 상기 새로운 반제품 샘플 및 상기 프레쉬 샘플을 포함함-; 및
상기 새로운 반제품이 생산될 때 상기 대상 장치의 헬씨(healthy) 베이스라인 값(
)을 계산하기 위해 상기 TD 베이스라인 모델을 사용하는 단계-여기서, 상기 헬씨 베이스라인 값(
)은 상기 대상 장치가 헬씨 상태에서 상기 새로운 반제품을 생산할 때 가져야 하는 상기 실질적인 대표 값의 예측 값임-를 포함하는 베이스라인 예측 유지보수 방법.
제 1항에 있어서,
상기 추측 알고리즘은 신경망 알고리즘, 다중-회귀 알고리즘, 지지 벡터 머신 알고리즘, 또는 부분 최소 제곱 알고리즘인 베이스라인 예측 유지보수 방법.
제 1항에 있어서,
상기 새로운 반제품 샘플의 상기 실질적인 대표 값(
)을 아래의 첫 번째 변환식 세트에 따라서 장치 헬스 지표(device health index (DHI))로 변환하는 단계를 더 포함하는 베이스라인 예측 유지보수 방법.

여기서,
은 상기 프레쉬 샘플의 상기 실질적인 대표 값의 평균을 나타내고,
은
에 대응하는 변환 값이고,

은 상기 프레쉬 샘플의 상기 최대 실질적인 대표 값의 평균을 나타내고,
은
에 대응하는 변환 값이고,

은 상기 프레쉬 샘플의 상기 최소 실질적인 대표 값의 평균을 나타내고,
은
에 대응하는 변환 값이고,

은 하한 규격 한계(lower specification limit)이고;
은 하한 제어 한계(lower control limit)이고;
은 상한 규격 한계(upper specification limit)이고;
은 하한 제어 한계(upper control limit)이고;
은 상기
에 대응하는 변환 값이고;
은 상기
에 대응하는 변환 값이고;
은 상기
에 대응하는 변환 값이고;
은 상기
에 대응하는 변환 값임.
제 3항에 있어서,

일 때, 상기 대상 장치는 헬씨하고 정상적으로 동작하고;

일 때, 상기 대상 장치는 식(sick)하고 잔여 수명 시간(remaining useful life(RUL))이 고갈된 후 작동할 수 없으며;

일 때, 상기 대상 장치는 데드(dead)하고, 유지보수가 즉시 요구되는 베이스라인 예측 유지보수 방법.
제 1항에 있어서,
상기 새로운 반제품 샘플의 상기 실질적인 대표 값(
) 및 상기 새로운 반제품을 생산하는 상기 대상 장치의 상기 헬씨 베이스라인 값(
)을 아래 두 번째 변환식 세트에 따라서 베이스라인 오류 지표(baseline error index (BEI))로 변환하는 단계를 더 포함하는 베이스라인 예측 유지보수 방법.

여기서,
은 상기 대상 장치의 규격(specification)을 나타내고,
은 상기 대상 장치의 하드 규격(hard specification)을 나타내고,
은 변환 후 상기 프레쉬 샘플의 최대로 허용되는
를 나타내고,
은
=0일 때에 대응하는 변환 값을 나타내고,
은
에 대응하는 변환 값을 나타내고,
은
에 대응하는 변환 값을 나타내며,
은
에 대응하는 변환 값을 나타냄.
제 5항에 있어서,

일 때, 상기 대상 장치는 헬씨하고 정상적으로 동작하고;

일 때, 상기 대상 장치는 식(sick)하고 상기 대상 장치의 잔여 수명 시간(remaining useful life(RUL))이 고갈된 후 작동할 수 없으며;

일 때, 상기 대상 장치가 데드(dead)하고 유지보수가 즉시 요구되는 베이스라인 예측 유지보수 방법.
제 3항에 있어서,
상기 프레쉬 샘플의 상기 TD-관련 프로세스 데이터(X)의 세트에서 상기 파라미터 각각의 상기 평균 및 표준 편차를 계산하는 단계 및 표준화 과정을 수행하는 단계에 의해서, 상기 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 상기 파라미터 각각의 베이스라인 개별 유사 지표(baseline individual similarity index (ISI_B))를 획득하는 단계를 더 포함하되,
여기서, 만약 DHI ≥ DHI_T 이고, 상기 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 상기 파라미터 각각의 ISI_B 가 ISI_B _{_T} 미만이면, 상기 대상 장치는 헬씨하고 상기 대상 장치에 대응하는 상기 프로세스 파라미터가 정상적으로 동작함을 나타내고,
만약 DHI ≥ DHI_T 이고, 상기 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 상기 파라미터의 상기 베이스라인 개별 유사 지표(ISI_B) 중 적어도 하나가 ISI_B _{_T} 이상이면, 상기 대상 장치는 헬씨하지만 상기 대상 장치에 대응하는 상기 프로세스 파라미터 중 적어도 하나는 비정상이고 확인되어야 함을 나타내고,
만약 DHI ＜ DHI_T 이고 BEI ≥ BEI_T; 또는 DHI ＜ DHI_T이고 상기 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 상기 파라미터의 상기 베이스라인 개별 유사 지표(ISI_B) 중 적어도 하나가 ISI_B _{_T} 이상이면, 상기 대상 장치는 헬씨하지만 확인되어야 하는 상기 대상 장치에 대응하는 상기 프로세스 파라미터 중 적어도 하나의 비정상 때문에 제어할 수 없음(out-of-control (OOC))을 나타내며,
만약 DHI ＜ DHI_T 이고 BEI ＜ BEI_T 이며 상기 새로운 반제품 샘플의 TD-관련 프로세스 데이터(X) 세트에서 파라미터 각각의 상기 ISI_B가 ISI_B _{_T}미만이면, 상기 대상 장치는 비정상이고 자체로서 문제가 되며 유지보수가 즉시 요구됨을 나타내되, 여기서 DHI_T은 DHI의 임계치고, ISI_B _{_T}은 ISI_B의 임계치인 베이스라인 예측 유지보수 방법.
제 1항에 있어서,
상기 대상 장치가 다음 새로운 반제품을 생산할 때 생성되는 다음 새로운 반제품 샘플을 수집하는 단계-여기서, 상기 다음 새로운 반제품 샘플은 상기 새로운 반제품 샘플과 동일한 구성을 포함함-;
상기 다음 새로운 반제품 샘플을 상기 모델링 샘플에 추가하는 단계 및 이후 상기 추측 알고리즘에 따라서 상기 모델링 샘플을 사용하여 상기 TD 베이스라인 모델을 재구축하는 단계;
상기 다음 새로운 반제품이 생산될 때 상기 대상 장치의 다른 헬씨 베이스라인 값(
)을 계산하기 위해 상기 TD 베이스라인 모델을 사용하는 단계;
상기 다음 새로운 반제품 샘플의
을 계산하는 단계; 및
만약 상기 새로운 반제품 샘플의 상기
및 상기 다음 새로운 반제품 샘플의 상기
모두가 임계치를 초과하면, 상기 대상 장치의 잔여 수명 시간(remaining useful life(RUL))을 예상하기 위한 예측 알고리즘을 사용하는 단계를 더 포함하는 베이스라인 예측 유지보수 방법.
제 8항에 있어서,
상기 예측 알고리즘은 곡선 일치법(curve fitting method) 또는 시계열 예상법(time-series forecasting method)인 베이스라인 예측 유지보수 방법.
제 1항에 있어서,
헬씨하고 상기 대상 장치에 의해 생성된 복수의 히스토리컬 샘플을 수집하는 단계-여기서 상기 히스토리컬 샘플은 대상 장치가 헬씨 상태에 있고 복수의 히스토리컬 반제품을 생산할 때 생성됨-;
다이나믹 무빙 윈도우 방법(dynamic moving window (DMW) method)을 사용하여 상기 히스토리컬 샘플에서 복수의 간결하고 헬씨한 히스토리컬 샘플을 선택하는 단계; 및
상기 간결하고 헬씨한 히스토리컬 샘플을 상기 모델링 샘플에 추가하는 단계를 더 포함하는 베이스라인 예측 유지보수 방법.
일시적이지 않은 유형의 컴퓨터 판독 가능 기록매체에 저장되며, 실행될 때 제1항 내지 제10항 중 어느 한 항의 베이스라인 예측 유지보수 방법을 수행하는 컴퓨터 판독 가능 기록매체.