KR20220027939A - 진단 회로를 구비한 진공 시스템 및 진공 시스템의 건강 상태를 모니터링하는 방법 및 컴퓨터 프로그램 - Google Patents

Abstract

진단 회로를 구비한 진공 시스템, 및 이러한 진공 시스템의 건강 상태를 모니터하는 방법 및 컴퓨터 프로그램으로서, 진공 시스템은, 적어도 하나의 크라이오펌프와, 크라이오펌프와 연관된 센서 - 각각의 센서는 크라이오펌프의 동작 상태를 검지하도록 구성됨 - 와, 센서로부터 샘플링된 신호를 수신하도록 구성된 진단 회로를 포함한다. 진단 회로는 크라이오펌프의 진단 모델을 포함하고, 진단 모델은 복수의 재생 및 정비 기간 동안 동작하는 동일한 타입의 복수의 크라이오펌프의 이력 데이터로부터 유래되고 적어도 일부의 센서로부터의 샘플링된 신호의 값을 사전 결정된 시간 내에 펌프가 고장날 확률과 연관시키도록 구성된다. 진단 회로는 샘플링된 신호를 진단 모델에 적용해서 모델의 출력으로부터 사전 결정된 시간 내에 적어도 하나의 크라이오펌프가 고장날 확률을 결정하도록 구성된다.

Description

진단 회로를 구비한 진공 시스템 및 진공 시스템의 건강 상태를 모니터링하는 방법 및 컴퓨터 프로그램

본 발명의 분야는 크라이오펌프(cryopump) 및 진단 장치를 포함하는 진공 시스템 및 이러한 펌프의 고장 시간을 예측하는 방법에 관한 것이다.

크라이오펌프는, 펌핑될 가스를 응축하거나 가두어두는 원리에 기초해서 작동한다. 이는, 크라이오펌프가 가두어진 가스를 제거하기 위해 주기적으로 재생되어야(regenerate) 한다는 것을 의미한다. 재생은, 펌프를 진공 시스템으로부터 분리하는 것 및 가두어진 가스를 제거(desorb) 혹은 승화시키기 위해서 퍼지 가스를 도입하는 동안 펌프를 웜업하는 것을 포함한다. 이 단계에서는 펌프를 사용하지 못하게 되므로, 최종 사용자는 계획된 주기적인 예방 유지 보수(preventive maintenance; PM) 동안에 재생 단계를 스케쥴링해 두려고 한다.

스케쥴링된 PM 동안에, 재생 그 자체(시작부터 완료까지 최대 4시간이 소요될 수 있음)는, 최종 사용자가 전체 시스템을 준비하면서 고려하는 계획된 이벤트이다. 그러나, 재생 또는 유지 보수가 예기치 않게 수행되어야 해서 스케쥴링된 PM 시간 외에 발생하게 된 경우에는, 진공 시스템의 스케쥴링되지 않은 가동 중지 시간(downtime)을 유발한다. 이는 최종 사용자, 특히 진공 시스템의 용량, 수율 및/또는 생산성에 악영향을 미칠 수 있다.

크라이오펌프가 예상대로 동작하지 않는다는 것을 나타내는 신호(들)에 응답해서 스케쥴링되지 않은 재생이 트리거될 수 있다. 일반적으로 이들 신호는 제 1 스테이지 및 제 2 스테이지 온도(각각 T1 및 T2라고 함)에 기초한다. 최종 사용자는 특히, T2에 대해 제어 한계를 설정하고, 통계적인 처리 제어(또는 이와 동등한 것)를 사용해서 상승 트렌드나 혹은 불안정한 트렌드가 실제하는지 여부를 결정해서, 조치를 취한다(또는 취하지 않는다). 문제는, T1과 T2에만 의존해서 성능이 저하되기 시작하는 펌프를 검출하고, 스케쥴링되지 않은 재생이나 혹은 더 나쁜 상황, 스케쥴링되지 않은 펌프의 완전한 교체, 및 예비 부품으로의 교체와 같은, 조치를 취해야 하기까지 부적절한 리드 타임(lead time)을 남긴다는 것이다.

향후의 펌프 고장을 더 잘 예측할 수 있는 진단 시스템을 제공해서 스케쥴링되지 않은 유지 보수 요구의 발생을 감소시키는 것이 바람직할 것이다.

제 1 측면은 진공 시스템을 제공하며, 이는, 적어도 하나의 크라이오펌프와, 적어도 하나의 크라이오펌프와 관련된 복수의 센서 - 복수의 센서 각각은, 적어도 하나의 크라이오펌프의 동작 상태를 검지하도록 구성됨 - 와, 복수의 센서 중 적어도 일부의 센서로부터 샘플링된 신호를 수신하도록 구성된 진단 회로를 포함하고, 진단 회로는 크라이오펌프의 진단 모델을 포함하고, 진단 모델은 복수의 재생 및 정비 기간 동안 동작하는 동일한 타입의 복수의 크라이오펌프의 이력 데이터로부터 유래되고 적어도 일부의 센서로부터의 샘플링된 신호의 값을 사전 결정된 시간 내에 펌프가 고장날 확률과 연관시키도록 구성되며, 진단 회로는 샘플링된 신호를 진단 모델에 적용해서 모델의 출력으로부터 사전 결정된 시간 내에 적어도 하나의 크라이오펌프가 고장날 확률을 결정한다.

본 발명의 발명자는, 몇 개의 센서를 크라이오펌프와 연관시킴으로써 펌프의 동작을 나타내는 신호가 샘플링될 수 있다는 것을 인식하였다. 이것은 크라이오펌프의 현재 건강 상태(health) 및 이 현재 건강 상태가 어떻게 변화하는지를 자세하게 나타낸다. 실시예는 이 정보를 분석해서, 펌프가 고장날 수 있는 시기를 예측하고 그에 따라 유지 보수 일정을 스케쥴링한다. 펌프로부터 추가 신호를 수집하면 펌프의 현재 건강 상태와 관련된 추가 정보를 제공할 수는 있지만, 신호가 많을수록 정비 엔지니어가 신호를 효과적으로 분석하고 이로부터 관련 정보를 도출하는 것이 더 어렵다는 단점이 있다. 본 발명의 발명자는 많은 검지된 신호가 관련되었을 뿐만 아니라, 동일한 타입의 많은 머신의 데이터가 수집될 것이라는 것을 인식했으며, 따라서 다양한 시점에 샘플링된 다양한 신호의 값을 정확하게 링크시켜서 이것이 시간이 지남에 따라 고장 확률에 따라서 어떻게 바뀌었는지를 나타내는 모델이 만들어질 수 있었다. 이러한 모델은 많은 다양한 신호를 고려하고 고장을 예측하는 효과적인 방법을 제공할 수 있다. 또한, 새로운 데이터가 수집됨에 따라서, 이러한 모델은, 원래의 모델을 개발하는 데 사용된 것과 동일한 머신 학습 기술을 사용해서 시간이 지남에 따라 업데이트될 수 있다.

실제로, 이러한 진단 솔루션은 현재 가능한 것보다 더 향상되고 더 정확한 펌프 성능 저하의 통지를 제공할 수 있으며, 따라서 최종 사용자는, 비용이 많이 드는 스케쥴링되지 않은 가동 중지 시간을 발생시키는 일 없이, 다음 스케쥴링된 PM에 액션을 취하는 기회를 받을 수 있다.

이 솔루션은 현재 사용되는 크라이오펌프 전반에 걸쳐서 일반적으로 유용할 수 있지만, 차세대 크라이오펌프 시스템, 특히 PM 사이의 간격과 같이, 크라이오펌프 수명이 더 짧을 것으로 예측되는 이온 주입 용례에 특히 유용할 수 있다.

펌프의 예상 고장은, 펌프의 성능이 주어진 임계값 아래로 떨어지거나, 혹은 일부 유지 보수 또는 재생이 수행되지 않으면 완전히 동작을 중지할 것으로 평가되는 시간이라는 점에 주의해야 한다. 이것은, 엔지니어가 펌프를 교체하거나 어떤 식으로든 정비하는 방식으로 개입하는, 예상 시간으로서 사용할 수 있다.

크라이오펌프와 관련된 센서는 크라이오펌프의 여러 동작 상태를 샘플링하도록 구성될 수 있으며, 이러한 동작 상태 각각은 진공 펌프의 현재 건강 상태 및 펌프의 잠재적인 고장의 표시를 제공하는 이들 값 및/또는 시간 경과에 따른 값의 변화를 나타낸다. 이들 신호 중 적어도 일부를 진단 모델에 입력함으로써, 펌프 고장의 정확한 확률이 도출될 수 있다.

일부 실시예에서, 상기 진공 시스템은 복수의 크라이오펌프를 포함하고, 상기 진단 회로는 상기 복수의 크라이오펌프 각각으로부터 신호를 수신하고 각각의 상기 크라이오펌프가 고장날 확률을 결정하도록 구성된다.

진공 시스템이 크라이오펌프를 하나만 포함해도 되지만, 반도체 처리 챔버를 진공화하는 시스템에서와 같이, 진공 시스템 내에 복수의 크라이오펌프가 있는 경우가 많아서, 이들 크라이오펌프의 교체 및 유지 보수를 스케쥴링하는 것은 시스템의 생산성 및 수율에 중요하다. 따라서, 스케쥴링된 유지 보수 기간 동안 펌프의 임의의 유지 보수 및/또는 교체가 수행될 수 있도록, 이들 고장에 대한 정확한 예측을 제공하는 것이 바람직하다.

일부 실시예에서, 상기 진단 회로는, 설정 시간 동안 적어도 하나의 크라이오펌프가 고장날 확률이 사전 결정된 임계값을 초과하는 것을 검출하는 것에 응답해서 상기 펌프가 다음 스케쥴링된 예방 유지 보수에서 교체되어야 한다는 것을 나타내는 경고를 출력한다.

앞서 언급한 바와 같이, 펌프의 고장 예측은 스케쥴링된 유지 보수 기간 동안 펌프를 교체하거나 수리하는 데 사용할 수 있다. 실시예에서, 시스템은 설정 시간 동안 크라이오펌프가 고장날 확률이 사전 결정된 확률 임계값 이상으로 상승하는 것을 결정하고, 이를 다음 예방 유지 보수 기간에 펌프를 교체해야 한다는 표시로서 취한다.

이와 관련해서, 진단 모델은 사전 결정된 시간 내에 크라이오펌프가 고장날 확률을 결정하도록 설정되며, 이 사전 결정된 시간은 예방 유지 보수 이벤트들 사이의 기간 또는 어떤 경우에는 이보다 짧은 기간이 되도록 선택된다. 이것이 예방 유지 보수 사이의 기간으로 선택된 경우에는, 경고 신호가 수신되면 펌프는 다음 예방 유지 보수 기간에 교체되어야 하고, 그렇지 않으면 다음 기간 이전에 고장날 가능성이 높다. 그러나, 고장의 예측이 30일 이내의 고장 예측이고, 유지 보수 스케쥴이 45일 동안인 경우(이는 예를 들어, 이온 주입의 경우에서 일반적인 기간임), 이 경고는 동작 기간이 끝날 무렵에 발생되며, 즉 40일째에는 펌프가 다음 예방 유지 보수 스케쥴까지 지속될 수 있다고 가정한다.

일부 실시예에서, 상기 진공 펌프 시스템은 원격 진단 시스템으로부터 신호를 수신하기 위한 입력 및 상기 원격 진단 시스템에 신호를 출력하기 위한 출력을 포함한다.

진공 시스템 및 진단 회로는 독립형 장치로서 사용될 수 있지만, 일부 실시예에서는, 원격 장치와 함께 일부 경우에 클라우드 기반 진단 시스템과 함께 사용되며 이 시스템으로부터 신호를 수신하고 신호를 출력한다.

일부 실시예에서, 상기 진공 시스템은, 클라우드 기반 진단 시스템에, 센서 중 적어도 일부로부터 수집된 데이터를, 적어도 하나의 크라이오펌프에 대해 수행된 유지 보수를 나타내는 데이터와 함께 주기적으로 출력하도록 구성된다.

원격 진단 시스템은, 진단 모델을 유지 보수하여 정확도가 지속적으로 개선되게 하고 펌프(들) 동작과 지속적으로 관련되게 하는 것을 보장하는데 사용될 수 있다. 따라서, 펌프(들) 동작 및 이들의 고장을 나타내는 데이터가 시스템에 업로드되어서 모델을 개선하는 데 사용될 수 있다.

일부 실시예에서, 상기 진공 시스템은 상기 유지 보수 기간 동안 교체된 펌프의 상태를 나타내는 데이터를 정비 엔지니어로부터 수신하기 위한 입력을 포함하고, 상기 진공 시스템은, 상기 주기적으로 출력되는 데이터의 일부로서 교체된 펌프의 상태를 나타내는 데이터를 출력하도록 구성된다.

모델을 개선하기 위해서, 정비 엔지니어로부터의 추가 데이터가 클라우드 기반 진단 시스템에 업로드될 수 있다. 이와 관련하여, 특히 펌프 고장의 예측과 관련된 데이터는 펌프가 교체되어야 한다는 것을 나타내는 결정된 확률에 응답해서 펌프가 교체되었는지 여부뿐만 아니라, 이 시점의 펌프 상태이다. 이 추가 정보가 없으면, 펌프가 너무 늦게 변경된 경우에만 모델이 고장난 것으로 보여서, 이 모델이 요구되는 것보다 더 짧은 유지 보수 기간을 예측할 경향이 있을 위험이 있다. 펌프의 변경 시 펌프의 상태를 나타내는 정비 엔지니어로부터의 데이터를 포함함으로써, 이 추가 정보는, 현재 펌프가 실제로 교체되어야 하는지 여부를 결정하고, 예를 들어, 진단 모델이 다음 기간까지 지속되었을 수 있다고 판단되는 경우에 진단 모델을 생성하는데 사용되는 데이터베이스의 유지 보수 기간을 조정하는데, 사용될 수 있다. 나아가, 경우에 따라서, 오염과 같은 펌프 고장의 원인을 나타내는 데이터가 진단 모델에 출력될 수 있으며, 이는 진공 시스템 전체를 개선하는 데 사용할 수 있다.

일부 실시예에서, 상기 진공 시스템은 상기 진단 모델에 대한 업데이트를 주기적으로 수신하도록 구성된 입력을 포함한다.

앞서 언급한 바와 같이, 진단 모델을 지속적으로 업데이트하는 것이 바람직할 수 있는데, 이는 진단 모델이 개선되고, 이러한 모델을 수신하기 위한 입력을 구비함으로써 가능하게 된다.

일부 실시예에서, 상기 진공 시스템은 클라우드 기반 원격 진단 시스템으로부터 진단 모델에 대한 업데이트를 주기적으로 수신하도록 구성된 입력을 포함한다.

이 모델은 정비 엔지니어에 의해 수동으로 업데이트될 수 있지만, 일부 경우에, 클라우드 기반 진단 시스템으로부터 직접 신호를 수신함으로써 업데이트된다. 이러한 방식으로, 클라우드 기반 진단 시스템은 수신된 데이터로부터 모델이 개선될 수 있다고 판단하면, 모델을 자동으로 업데이트할 수 있다.

제 2 측면은, 적어도 하나의 크라이오펌프를 포함하는 진공 시스템을 모니터하는 방법을 제공하며, 이 방법은, 크라이오펌프와 관련된 센서로부터 적어도 하나의 크라이오펌프의 동작 상태를 나타내는 복수의 신호를 샘플링하는 단계와, 상기 신호의 적어도 일부를 상기 크라이오펌프의 진단 모델에 입력하는 단계 - 상기 진단 모델은 복수의 기간에 걸쳐서 동작하는 동일한 타입의 복수의 크라이오펌프의 이력 데이터로부터 유래되고, 복수의 기간 중 적어도 일부는 상기 펌프의 재생, 정비 및 고장 중 적어도 하나를 포함하며, 상기 진단 모델은 펌프 고장의 확률과 신호를 연관시킴 - 와, 모델의 출력으로부터 적어도 하나의 크라이오펌프가 고장날 확률을 결정하는 단계를 포함한다.

제 3 측면은, 컴퓨터에 의해 실행될 때 본 발명의 제 2 측면에 따른 방법을 수행하도록 상기 컴퓨터를 제어하도록 동작 가능한 머신 판독가능 명령어를 포함하는 컴퓨터 프로그램을 제공한다.

본 발명의 제 4 측면은, 일정 타입의 크라이오펌프에 대한 진단 모델을 생성하는 방법으로서, 이 방법은, 복수의 기간 동안 샘플링된 복수의 크라이오펌프의 상기 검지된 동작 상태를 저장하는 데이터베이스로부터 상기 타입의 복수의 크라이오펌프의 동작 상태를 검지해서 수집된 데이터를 머신 학습 알고리즘에 입력해서 특정 시간 내에 펌프가 고장날 복수의 확률을 생성하는 단계 - 복수의 기간 중 적어도 일부는 재생, 정비 및 고장 중 적어도 하나를 포함함 - 와, 각각의 펌프에 대한 확률을 데이터베이스로부터 취득된 펌프에 대한 펌프 고장 타이밍과 비교하고, 상기 결정된 확률과 상기 펌프 고장 타이밍 사이의 차이를 줄이도록 머신 학습 알고리즘 내의 파라미터를 업데이트하는 단계와, 상기 차이가 최소값 또는 사전 결정된 값 중 하나에 도달할 때까지 상기 단계들을 반복하는 단계와, 상기 차이를 제공한 파라미터 및 알고리즘으로부터 진단 모델을 생성하는 단계를 포함한다.

실시예의 진공 시스템을 진단하는 데 사용되는 진단 모델은, 동작하는 기간을 포함하는 동작 기간 동안, 접속되어 있는 복수의 펌프의 검지된 동작 상태를 포함하는 데이터베이스에 액세스하는 머신 학습 알고리즘을 사용해서 생성될 수 있으며, 동작 기간 동안 진단 모델은 재생성되고 적어도 일부는 고장난다. 머신 학습 알고리즘은, 검지되고 샘플링된 동작 상태로부터 펌프의 고장 확률을 생성하도록 구성되고, 이들 확률은 데이터베이스로부터 취한 실제 펌프 고장 타이밍과 비교되며, 머신 학습 알고리즘은 확률과 실제 펌프 고장 타이밍이 서로 더 밀접하게 매칭될 때까지 업데이트된다. 예측된 고장이 실제 고장과 비교해서 원하는 특정 정확도를 제공하는 것으로 간주되거나 혹은 값들 사이의 최소 차이가 발견되는 적절한 매칭이 발견되면, 그 알고리즘으로부터 진단 모델이 생성된다.

일부 실시예에서, 데이터를 머신 학습 알고리즘에 입력하기 전에 데이터는 필터링되어서 외부 데이터를 제거한다. 이와 관련해서, 검지된 신호에는 관련된 잡음이 있어서 정확하지 않고 펌프의 실제 동작 상태를 나타내지 않을 수도 있고, 및/또는 펌프에 결함이 있어 특히 낮거나 높은 온도에서 동작할 수 있어서, 해당 펌프로부터의 신호가 다른 펌프 동작을 나타내지 않게 된다.

일부 실시예에서, 수신된 신호를 머신 학습 알고리즘에 입력하기 전에, 이 신호는 크라이오펌프의 재생 전후에 사전 결정된 시간에 샘플링된 신호를 제거하도록 필터링된다.

이상치(outliers)가 아닐 수 있지만 펌프의 정상 동작을 나타내지 않는 것으로 알려진 신호를 제거하기 위해 신호의 필터링이 수행될 수 있다. 예를 들어, 크라이오펌프의 재생 전후에 사전 정해진 시간에 샘플링된 신호는, 정상 동작을 나타내지 않을 수 있다.

제 5 측면은 제 4 측면에 따라 생성된 상기 진단 모델을 업데이트하기 위한 방법을 제공하며, 이 방법은 동일한 타입의 복수의 크라이오펌프의 동작 상태를 나타내는 복수의 신호를 추가로 수신하는 단계와, 복수의 크라이오펌프에 대한 펌프 유지 보수 및 고장 타이밍을 수신하는 단계와, 수신한 데이터를 데이터베이스에 추가하고, 업데이트된 진단 모델을 생성하기 위해 임의의 제 4 측면의 상기 방법을 수행하는 단계와, 업데이트된 진단 모델을 출력하는 단계를 포함한다.

진단 모델을 생성하면, 이 진단 모델은 이러한 타입의 크라이오펌프를 진단해서 크라이오펌프의 고장을 예측해서 적시에 교체될 수 있게 하는데 사용될 것이다. 이러한 모델의 사용에는 크라이오펌프의 동작 상태 및 이들의 고장을 나타내는 데이터 샘플링이 포함되며, 따라서 경우에 따라 이 데이터가 수집되어서, 중앙 진단 모델 생성 수단에 다시 업로드되고, 모델을 주기적으로 업데이트하는 데 사용된다. 수집된 데이터로부터 머신러닝 알고리즘을 이용해서 모델이 생성되므로, 원래 모델을 생성하는데 사용되었던 데이터베이스에 추가 데이터를 포함시키는 것만으로도 모델을 생성하는 것과 동일한 방법으로 모델을 업데이트할 수 있다. 이와 관련해서, 추가 데이터가 원래 데이터베이스에 추가될 수고 있고 혹은 데이터베이스의 이전 데이터 중 일부를 대체할 수도 있다.

일부 실시예에서, 이 방법은 진단 모델이 펌프가 사전 결정된 시간 내에 고장날 것을 나타냄에 따라 교체된 펌프의 상태를 나타내는 데이터를 수신하는 단계를 더 포함하고, 상기 데이터는 상기 진단 모델의 상기 업데이트 동안 상기 머신 학습 알고리즘에 입력된다.

정비 엔지니어가 고장 이후 펌프의 상태를 나타내는 데이터를 입력하는 경우에, 이 정보는 모델을 개선하는 데 유용할 수 있다. 따라서, 이는 머신 학습 알고리즘에 입력되는 데이터에 포함될 수 있다. 이와 관련해서, 머신 학습 알고리즘은 이 데이터를 수용하도록 조정될 수도 있고 혹은 데이터베이스에서 고장 시간이 펌프 교체 시점부터 펌프의 상태가 다른 위치에서 펌프가 고장났을 것을 예측하는 시점으로 수정될 수도 있다.

제 6 측면은, 컴퓨터에 의해 실행될 때, 상기 컴퓨터를 제어해서 제 4 또는 제 5 측면에 따른 방법을 수행하게 하도록 동작 가능한 머신 판독 가능 명령어를 포함하는 컴퓨터 프로그램을 제공한다.

제 7 측면은 제 6 측면에 따른 상기 컴퓨터 프로그램을 실행하도록 구성된 컴퓨터를 포함하는 원격 진단 모듈을 제공한다.

제 8 측면은 제 1 측면에 따른 진공 시스템 및 제 7 측면에 따른 원격 진단 모듈을 포함하는 시스템을 제공하며, 상기 원격 진단 모듈은 상기 진공 시스템에 의해 출력된 신호를 수신하고 상기 수신된 신호를 이용해서 크라이오펌프 동작의 상기 데이터베이스를 업데이트하고, 상기 업데이트된 데이터베이스로부터 상기 머신 학습 알고리즘으로 데이터를 입력함으로써 업데이트된 진단 모델을 생성하도록 구성된다.

추가의 특정한 측면 및 바람직한 측면이 첨부된 독립 청구항 및 종속 청구항에 설명되었다. 종속 청구항의 특징들은 독립항의 특징들과 적절하게 결합될 수 있으며, 청구항에 명시적으로 설명된 것과는 다른 조합으로 결합될 수도 있다.

장치 특징이 기능을 제공하도록 동작가능한 것으로 설명되는 경우, 이것은 그 기능을 제공하거나 그 기능을 제공하도록 맞춰지거나 구성된 장치 특징을 포함한다는 것을 이해할 것이다.

본 발명의 실시예를 첨부 도면을 참조해서 더 설명한다.
도 1은 일 실시예에 따른 진공 시스템을 개략적으로 도시한다.
도 2는 진단 모델의 생성을 개략적으로 도시한다.
도 3은 머신 학습 알고리즘을 개략적으로 도시한다.
도 4는 실시예에 따른, 진단 모델을 생성하는 방법의 단계를 나타내는 흐름도를 개략적으로 도시한다.
도 5는 실시예에 따른, 진공 펌프의 고장을 예측하는 방법의 단계를 나타내는 흐름도를 개략적으로 도시한다.
도 6a 및 6b는 펌프의 동작 동안 검지된 다양한 파라미터가 어떻게 변하는지를 개략적으로 나타낸다.

실시예를 더 상세하게 설명하기 전에 먼저 개요를 제공한다.

실시예는 고장을 예측할 수 있는 시스템을 제공하고 따라서, 크라이오펌프의 필요한 유지 보수 또는 재생을 제공하고자 한다. 이러한 펌프는 주기적인 재생/유지 관리가 필요하며 일반적으로 45~60일마다 처리 챔버와 같은 진공 시스템에서 교체되도록 스케쥴링되어 있다. 유지 보수 요건을 충분히 사전에 정확하게 예측할 수 있다면, 이는 스케쥴링된 유지 보수 기간과 일치될 수 있어서 스케쥴링되지 않은 유지 보수 기간은 감소 혹은 제거될 수 있다.

실시예는, 크라이오펌프와 관련된 센서로부터 입력을 수신하고, 이를 크라이오펌프의 동작을 모델링하고 수신한 신호의 값 및/또는 값의 변경으로부터 미래의 고장을 예측하는 모델에 입력하는 진단 시스템을 제공한다. 이 모델은 적어도 일부 스케쥴링된 유지 보수 기간을 포함하는 기간 동안 동작하는 복수의 동일한 타입의 크라이오펌프와 연관된 센서로부터 수집된 이력 데이터를 분석해서 생성된다. 이 모델은 시스템의 진단을 받는 크라이오펌프로부터 새롭게 수신한 데이터를 분석해서, 머신 학습 기술을 사용해서 주기적으로 업데이트될 수 있다.

이러한 방식으로, 현재 동작 중인 크라이오펌프로부터 수집된 데이터를 사용해서 지속적으로 개선되는 진단 시스템이 생성된다.

실시예는, 특정한 툴에 대한 또는 다수의 도구에 걸친, 펌프 시스템에 대한 이후의 특정한 간격(바람직하게는 PM 간격보다 큰 간견) 내에 "고장"의 정량적 확률을 제공하는, 배치(batch) 정보와 실시간 정보의 조합을 제공한다. 이는 최종 사용자 또는 CSE(customer service engineer)에게 귀중한 가이드를 제공할 수 있으며, 이는 펌프를 교체할 시점을 결정하고 스케쥴링되지 않은 재생을 방지하는 데 사용될 수 있다.

도 1은 일 실시예에 따른 진공 시스템을 도시한다. 이 진공 시스템(5)에서는, 3개의 크라이오펌프(10)가 슈퍼바이저 노드(20)에 의해 제어되고 있다. 슈퍼바이저 노드(20)는 22로 개략적으로 표시된 진단 회로를 포함하고, 이 회로는 진공 펌프의 고장을 예측하기 위한 진단 모델을 포함하는 로직을 포함한다.

동작 중, 진공 펌프(10)와 관련된 센서(도시 생략)는 펌프의 동작 상태를 검지하고, 이러한 동작 상태를 나타내는 신호를 슈퍼바이저 노드(20)에 송신한다. 슈퍼바이저 노드(20) 내의 진단 회로(22)는 신호의 적어도 일부를 샘플링하고, 샘플링된 신호를 진단 모델에 입력 데이터로서 입력한다. 이러한 동작 상태에는 진공 펌프의 제 1 스테이지의 온도, 진공 펌프의 제 2 스테이지의 온도, 진공 펌프 스테이지 각각에서 원하는 온도에 도달하는 데 걸리는 시간, 진공 펌프 모터의 속도 및 진공 펌프(10)의 동작을 나타내는 다른 변수가 포함될 수 있다.

일부 실시예에서, 진공 펌프는 2 스테이지 크라이오펌프로, 여기서 냉장고의 제 1 스테이지에 제 1 스테이지 어레이와 복사 차폐물(radiation shield)가 모두 연결되고, 냉장고의 제 2 스테이지에 제 2 스테이지 어레이가 연결된다. 이러한 크라이오펌프는 온도를 모니터링하기 위해 제 1 스테이지 및 제 2 스테이지 어레이와 관련된 온도 센서를 가지고 있다. 크라이오펌프의 재생 동안에, 크라이오펌프는 가열되어 응축된 가스를 방출한다. 이 과정 동안, 어레이를 가열하기 위한 전기 히터 회로를 포함할 수 있는 히터가 있다. 진단 시스템에 대한 입력은, 어레이와 관련된 온도 센서의 온도 판독값, 히터 회로에 공급되는 전류와 같은 히터에 대한 입력, 및 모터의 속도를 포함할 수 있다.

이들 신호 중 적어도 일부는, 이들 신호의 값 및 변형으로부터 각 펌프의 고장 확률을 예측하는 진단 모델에 입력된다. 이와 관련하여, 이 실시예에서 진단 모델은, 사전 결정된 기간 내에 펌프 중 하나의 고장 확률을 예상할 시점을 결정한다. 이 사전 결정된 시점은 예를 들어, 45일일 수 있으며, 이는 스케쥴링된 유지 보수 이벤트 사이의 시간일 수 있다. 다른 방안으로, 이는 모델에 따라서 스케쥴링된 유지 보수 이벤트들 사이의 시간보다 짧은 시간일 수도 있다. 확률이 특정 값(이 예에서는 50%) 이상으로 상승하고, 사전 결정된 시간(이 경우 6일) 동안 해당 값 이상을 유지하는 경우, 일반적으로 다음에 스케쥴링된 유지 보수에 관련 펌프가 교체되어야 한다는 것을 나타내는 경고 신호가 생성된다. 임계값 및 설정 시간은 사전 설정된 것이 아니라, 펌프(들)의 사용 패턴 및 고장 패턴에 기초해서 변경 및 최적화될 수 있다는 점에 주의해야 한다.

예상된 고장의 기간이 30일이고 유지 보수 기간이 이보다 긴 경우(예를 들어, 45일), 동작 기간이 끝날 무렵에 이 신호가 트리거되면, 경고 신호는 펌프가 교체되어야 하지만 후속 유지 보수 기간까지 교체해서는 안 된다는 것을 나타낼 수 있다.

펌프를 교체한 이후에, 일부 실시예에서, 정비 엔지니어는 교체된 펌프의 건강 상태를 체크하고, 실제 고장 이전에 펌프의 상태 및 예상 수명을 나타내는 정보를 슈퍼바이저 노드(20)에 입력한다. 이와 관련해서, 펌프가 너무 일찍 변경되었을 수 있으며, 이 정보는 모델을 최적화할 때 도움이 될 수 있다. 정보가 도출될 수 있는 펌프의 고장 원인에 관한 정보도 입력될 수 있다.

따라서, 슈퍼바이저 노드(20) 내의 진단 모델(22)을 사용함으로써, 미래의 사전 결정된 시간의 펌프의 고장에 대한 정확한 예측이 결정될 수 있으며, 펌프가 긴급하게 교체될 수 있도록 전체 진공 시스템을 셧다운할 필요없이 스케쥴링된 유지 보수 이벤트 동안에 이 펌프가 교체될 수 있다.

이 실시예에서, 원격 또는 클라우드 기반 시스템(30)에 대한 접속도 존재한다. 원격 시스템(30)에는 스트리밍 데이터 관리 도구(32)가 있으며, 이는 데이터를 데이터 저장소(34)로 또는 진단 모델(33)로 송신하고, 로그 파서(log parser)(33a), 데이터 저장소(33b) 및 머신 학습 엔진(35)를 포함한다. 원격 시스템(30)에서는 많은 데이터 작업이 발생하고, 이는, 스트리밍 데이터의 관리 및 분석, 시스템의 각 펌프의 고장 확률을 신속하게 출력하기 위해 상당히 독점적인 머신 학습 알고리즘(35)을 통해 처리하는 데이터 레이크(data lake)(34)와 같은 구조로 장기 저장하는 것을 포함하지만, 이것으로 한정되는 것은 아니다. 이 출력은, 모바일 장치를 포함한 다양한 형태 및 플랫폼으로, 호스트(25)(예를 들어, 툴 제어 시스템 및/또는 팹 프로세스(fab process) 데이터 관리 시스템)으로, 정비 엔지니어로, 또는 최종 사용자로 송신될 수 있다.

위에 설명된 동작이 클라우드에서 수행되는 많은 실시예에서 위에 설명된 동작이 로컬 서버에서 수행될 수는 있지만, 클라우드에서 수행되는 것이, 확장 가능한, 저비용의, 표준화된 동작 아키텍처(예를 들어, Amazon Web Services, IBM Watson 또는 그 동등물)를 제공하면서, 필요한 만큼 빈번하게 머신 학습 모델 및/또는 소프트웨어를 업데이트할 수 있는 능력의 측면에서 뚜렷한 이점을 제공한다.

원격 또는 클라우드 기반 시스템은 동일한 타입의 많은 펌프의 동작으로부터의 데이터를 데이터베이스 또는 데이터 레이크(34)에 저장하도록 구성된다. 이 데이터는 온도, 모터 속도, 히터 입력, 재생 파라미터, 수명 등을 포함하지만, 이것으로 한정되는 것은 아니다. 원격 또는 클라우드 기반 시스템(30)은 이 데이터를 사용해서 진단 모델을 생성 및 업데이트하는 로직(33)을 포함한다. 클라우드 기반 로직(33)은, 동일한 타입의 다수 펌프가 재생, 정비 및 교체되는 시간을 포함하여 사전 결정된 시간 동안 동일한 타입의 다수 펌프의 동작 상태를 나타내는 데이터를 포함하고 있는 데이터 레이크(34)에 액세스한다.

로직(33)은 이 데이터로부터 진단 모델을 생성할 수 있다. 이를 수행할 때, 로직(33)은 데이터 레이크(34)를 샘플링하고, 이를 수집된 동작 상태를 나타내는 데이터에 기초해서 다수 펌프의 고장 확률을 예측하는 머신 학습 알고리즘(35)에 입력한다. 로직(33)은 데이터를 수신하기 위한 로그 파서(33a), 데이터 저장소(33b) 및 머신 학습 엔진(35)을 포함한다. 이 예측은 저장되어 있는 펌프의 실제 고장률과 비교되고, 모델의 파라미터는 확률과 고장률이 소망의 정도에 매칭될 때까지 변경된다. 이 시점에, 모델은 충분히 정확한 것으로 간주되고, 수퍼바이저 노드(20)의 진단 회로(22)에서 사용하도록 송신된다.

동작 동안에, 수퍼바이저 노드(20)는, 펌프의 동작 상태 및 이들의 재생과 고장을 검출하는 펌프와 연관된 센서로부터 수집된 데이터를, 펌프가 교환될 때 펌프의 상태에 관해서 정비 엔지니어가 입력한 정보와 함께 주기적으로 전송할 수 있으며, 이 데이터는 데이터 레이크(34)에 추가될 수 있다. 이 처리는 스트리밍 데이터 관리 회로(32)에 의해 제어된다. 다른 방안으로 및/또는 이에 더해서, 정비 엔지니어가 모델의 정확도가 일정 수준 이하로 저하되었다는 것을 통지하는 것에 응답해서, 데이터가 수동으로 또는 스트리밍 관리 회로(32)를 통해 업로드될 수 있다.

원격 로직(33)은 요청 시 추가 데이터로 머신 학습 알고리즘(35)을 다시 실행해서 업데이트되고 개선된 모델을 생성하며, 이것은 슈퍼바이저 노드(20)에 주기적으로 업로드되어서 이전에 저장된 모델을 교체할 수 있다. 이러한 방식으로, 모델은 지속적으로 개선되고, 업데이트된 상태에 맞게 조정된다.

일부 실시예에서 새로 수집된 데이터가 단순히 데이터 레이크(34)에 추가되고 있지만, 다른 실시예에서는 데이터의 일부를 대체할 수도 있다. 교체된 데이터는 가장 오래된 데이터로서 선택될 수 있고 및/또는 그 타입의 펌프에서 가장 적게 특성이 고려되는 데이터로서 선택될 수 있다.

다른 방안으로 및/또는 이에 더해서, 로직(33)은 데이터를 학습 알고리즘(35)에 입력하기 전에 데이터를 필터링할 수도 있고, 이 처리 동안 수신된 데이터에서 임의의 이상치를 제거할 수도 있다. 이와 관련해서, 펌프의 동작 상태는 재생 직전 또는 직후와 같은 특정 시점에는 일반적인 동작의 특성이 아닐 수 있으므로, 따라서 이러한 데이터는 머신 학습 알고리즘(35)에 추가되는 데이터로부터 필터링될 수 있다.

도 2는 각각의 펌프에서 수집된 데이터로부터 진단 또는 예측 모델(155)이 형성되는 방법을 개략적으로 도시한다. 모델을 구축하기 위해서 머신 학습 알고리즘에 입력되는 데이터는, 특정한 펌프와 관련된 데이터인 초기 펌프 데이터(100)를 포함하며, 이는; 펌프의 일련 번호, 펌프의 부품 번호, 펌프의 모델, 펌프가 교체/제거되었는지 여부, 펌프가 설치되어 실행된 날짜/시간, 마지막 펌프 데이터 레코드의 날짜/시간, 펌프에 대한 경과 시간, 펌프가 설치된 경우의 초기 시간, 펌프가 설치된 Fab, 펌프가 설치된 툴의 명칭, 툴의 제조업체, 툴의 타입 및 툴 스테이션 명칭, 펌프가 리퍼브된 것으로 표시되었는지 여부를 포함할 수 있다.

나아가, 펌프의 동작을 나타내는 초기 펌프 로그(110)가 머신 학습 알고리즘에 입력되고, 지난 10, 30, 60일 동안의 제 1 스테이지 온도의 가중 평균, 지난 10, 30, 60일 동안의 제 2 스테이지 온도의 가중 평균, 지난 10, 30, 60일 동안의 RPM의 가중 평균, 제 1 스테이지 온도의 최대값, 제 2 스테이지 온도의 최대값, RPM의 최대값을 포함할 수 있다.

초기 펌프의 제조 테스트(120)도 입력될 수 있으며, 카운트된 펌프의 통과/고장, 및 집계된 통과의 통계를 포함할 수 있다. 재생 데이터(130)도 입력될 수 있으며, 이는 펌프의 현재 재생 단계; 제 1 스테이지 온도; 제 2 스테이지 온도; 모터 상태, 퍼지 밸브 상태; 러프 밸브 상태; 히터 1 상태; 히터 2 상태; 히터 1% 켜짐; 히터 2% 켜짐; 모터 RPM; 펌프의 경과 시간; 마지막 빠른 재생성 이후 시간; 마지막 전체 재생 이후 시간; 실시간 기록 날짜; 재생하는 데 걸린 시간(시); 재생이 시작된 펌프 시간; 재생이 시작된 날짜/시간; 재생이 종료된 날짜/시간; 재생 종료 시의 제 1 스테이지 온도; 재생 종료 시의 제 2 스테이지 온도; 재생을 위한 기본 압력 설정; 재생의 상승률 제한 설정; 수행된 상승률 사이클의 수; 펌프가 러프하게 되는 데 걸린 시간; 펌프가 냉각되는 데 걸린 시간; 펌프가 재생을 시작했을 때와 마지막 전체 재생 사이의 시간; 지난 10, 30, 60일 동안의 제 1 스테이지 온도의 가중 평균; 지난 10, 30, 60일 동안의 제 2 스테이지 온도의 가중 평균; 지난 10, 30, 60일 동안의 RPM의 가중 평균; 제 1 스테이지 온도의 최대값; 제 2 스테이지 온도의 최대값; RPM의 최대값을 포함할 수 있다. 이 재생 데이터에 대해서 누락 데이터가 체크될 수 있으며, 일부 경우에는 집계된 재생 데이터(131)를 생성하기 위해 표준 재생 값으로 감소될 수도 있다.

오리지널 진단 모델을 구축하는 처리를 머신 학습 기술을 사용해서 시작할 때, 위에서 설명한 것과 같은 펌프 데이터는 여러 다른 소스로부터 수집된다. 이 데이터는 펌프와 연관된 센서로부터 수집한 동작 펌프 데이터와 300 시간 이상 동작한 펌프에 대한 데이터를 포함한다. 데이터가 시간에 따라 어떻게 변하는지 나타내는 펌프 로그도 수집되며, 제조시에 펌프에 대해 수행된 테스트로부터의 데이터 및 펌프의 재생 중에 수집된 데이터도 수집된다. 이후, 이 데이터는 불필요한 속성, 이상치 및 다양한 상태를 제거하도록 필터링되며, 여기서 데이터는 관련이 없거나 필요하지 않은 것으로 간주되거나 혹은 일반적으로 펌프 동작의 특징이 아닌 것으로 간주되며, 이로부터 집계된 펌프 데이터(101), 집계된 펌프 로그(111), 집계된 제조 테스트(121) 및 집계된 재생 데이터(131)가 제공된다.

이후, 이 데이터를 처리해서 교체되지 않은 펌프에 대한 지난 2개월 데이터와, 재생 직전(2시간 이전) 및 재생 직후(4시간 이후) 데이터를 제거한다.

이후, 수집된 데이터는, 이 예에서 300개의 교체된 펌프 및 100개의 교체되지 않은 펌프의 데이터를 포함하는 트레이닝 데이터(140)와, 39개의 교체된 펌프 및 9개의 교체되지 않은 펌프의 데이터를 포함하는 예측 데이터(150)로 분할된다. 이 데이터는 예측 모델(155)의 생성에 사용된다.

트레이닝 데이터(140)는, 특징을 생성하고; 머신 학습 알고리즘을 정의하며; 모델을 사용해서 데이터를 트레이닝하는 데 사용된다. 예측 데이터(150)는 머신 학습 알고리즘을 적용하는데 사용된다.

이들 처리로부터 예측 모델(155)이 생성된다.

요약하면, 수집된 트레이닝 데이터(140)는 머신 학습 알고리즘에 입력되고, 센서에서 수집된 데이터로부터 펌프의 고장을 예측하는 진단 모델을 생성하기 위한 트레이닝 데이터로서 사용된다. 트레이닝 데이터(140)로부터 생성된 값을 실제 데이터와 비교함으로써, 모델이 구축되고, 이들이 정렬된 것으로 간주되면, 진공 시스템에서 사용하기 위한 모델이 출력된다.

다양한 타입의 머신 학습 알고리즘이 사용될 수 있다. 실제로 트레이닝 데이터(140)는 다수의 상이한 모델에 입력될 수 있고, 진단 모델에 선택된 가장 정확한 예측을 제공하는 모델에 입력될 수 있다. 이와 관련해서, 이는 반복적인 처리로, 예측된 고장률과 데이터의 실제 고장률을 비교해서 모델의 정확도가 결정될 수 있다. 앞서 언급한 바와 같이 펌프의 예측된 고장은 약간의 정비가 필요한 것으로, 따라서 실제 "고장"은 펌프의 동작이 필요한 한계를 벗어나는 실제 상황과 관련될 수 있으며, 이는 단순히 펌프가 예를 들어 정비될 수 있도록 교체되는 시점일 수 있다.

도 3은 이 데이터와 함께 사용할 때 특히 성공적인 진단 모델을 생성하는 것으로 밝혀진 하나의 머신 학습 알고리즘의 예를 나타낸다. 이것은 랜덤 포레스트 머신 학습 알고리즘의 개략도로, 이 경우 수백 개의 트리를 가진 다수의 포리스트가 사용되며, 각각 트리는 예측을 하고 각 포리스트가 확률을 제시한다. 이후, 다수의 포리스트로부터 최소 고장 확률이 결정되고, 이는 확률이 0.5에 도달하거나 혹은 이를 초과하면 트리거되는 것으로 선택된 경고를 생성하는 데 사용된다. 이러한 확률이 연속 6일 이상 지속되는 경우, 다음 예방 유지 보수 지점에서 교체되는 것이 바람직하다.

따라서 인스턴스(200)에서 시작해서 랜덤 포레스트 기술을 사용해서 트리-1(201), 트리-2(202) 내지 트리-n(20n)에 도달한다. 이로부터 각각의 클래스(205a, 205b, 205n)가 도출되고, 다수결(209)에 의해 최종 클래스(210)에 도달한다.

도 4는 실시예의 진단 모델을 생성하거나 업데이트하는 방법의 단계를 나타내는 흐름도를 도시한다. 초기에 단계 S10에서, 복수의 펌프의 동작 상태를 나타내는 데이터가 머신 학습 알고리즘에 입력된다. 이 데이터는 도 1의 데이터 레이크(34)와 같은 데이터베이스로부터의 데이터일 수 있다. 단계 S20에서, 각 펌프의 고장 확률이 머신 학습 알고리즘으로부터 도출되고, 이것은 이들 펌프에 대한 재생 및/또는 정비 데이터를 포함하는, 단계 S30에서의 실제 고장과 비교된다. 이와 관련하여, 펌프는 고장이 나지 않을 수 있지만 고장을 피하기 위해 정비 또는 재생될 수 있으며, 따라서 이 데이터가 사용된다. 이후, 예측 확률의 정확도가 결정된다.

단계 S40에서 모델의 실제 알고리즘 및/또는 가중 인자를 포함할 수 있는 파라미터는 변경되고, 단계 S50에서 업데이트된 고장 확률이 결정된다. 이후 생성된 확률과 실제 고장을 비교해서 업데이트된 확률의 정확도를 결정하고, D5에서 이 정확도가 이전 측정값보다 더 정확하다고 판단되면(예), S40에서 파라미터는 다시 같은 방향으로 변경되고 재계산이 수행된다. 업데이트된 측정의 정확도가 낮다면(D5에서 아니오), 단계 S70에서 진단 모델을 생성하는 데 이전 값이 사용된다. 이것은 복잡한 절차에 대한 간략화된 개요로, 각각이 파라미터의 서브세트 및/또는 계산 수행을 포함하는 파라미터를 변경하는 단계 및/또는 변경은 초기에 더 큰 규모로 수행되고 이후 더 큰 단계로부터 최소값이 발견되면 더 작은 단계에서 단계가 수행될 수도 있다. 어떤 경우든, 이 방법은 반복적인 것으로, 더 이상 개선이 불필요하거나 원하는 정확도에 도달하면, 이들 파라미터로부터 진단 모델이 생성될 수 있다.

도 5는 일 실시예에 따른 펌프의 고장을 예측하는 방법을 나타내는 흐름도를 도시한다. 이것은, 단계 S100에서 펌프와 관련된 센서로부터의 펌프의 동작 상태를 나타내는 신호를 샘플링하는 단계를 포함한다. 단계 S110에서 진단 모델에 신호를 입력하고, 단계 S120에서 이 모델로부터 펌프가 고장날 확률을 결정하며, D15에서 이것이 사전 결정된 값 이상이고 사전 결정된 시간 동안 실제로 이 값 이상을 유지하는지 여부를 결정하고, 그렇다면(예) 단계 S130에서 펌프를 정비하거나 교체해야 한다는 것을 나타내는 경고를 출력한다. 확률이 임계값 이상으로 상승하지 않는다면, 경고는 출력되지 않는다.

도 6은 단일 펌프의 예에 대한, 이러한 방식의 값을 개략적으로 나타낸다. 다수의 모니터링되는 값의 변화가 표시된다. 즉, 펌프의 제 1 스테이지의 온도(T1), 펌프의 제 2 스테이지의 온도(T2), 펌프 모터의 속도(300), 재생 사이클의 종료시의 T1의 값(T1end)과 재생 사이클의 종료시의 T2의 값(T2end), 요구되는 온도까지 냉각되는 시간(310)이 표시되며, 이들 값으로부터 실시예의 진단 모델을 사용해서 고장 확률(330)이 검출된다. 이 확률은 트렌드화되고 모니터될 수 있으며, 이 확률이 특정한 임계값을 초과하면 펌프를 교체하라는 경고/경보가 생성될 수 있다.

도 6a에서, 적색 영역의 시작 부분은 펌프가 고장날 것으로 예상되어서 교체되어야 하는 위치를 나타내며, 이 경우 펌프는 교체되지 않고 도 6a는 그 후 값이 어떻게 변경되는지를 나타낸다. 도 6b는 펌프가 고장날 것으로 예측되는 시점에 교체되는 대안의 실시예를 나타낸다.

실시예는, 시간 경과에 따른 펌프 성능을 모니터해서 펌프에 정비를 제공하는, 기존의 정비 제공과 함께 사용될 수 있다. 기존 서비스 제공에서, 펌프로부터 데이터가 수집된다. 이 데이터는 온도, 모터 속도, 히터 입력, 재생 파라미터, 수명 등을 포함할 수 있지만, 이것으로 한정되는 것은 아니다.

이 데이터는 내장형 시스템에 의해 수집 및 분석된다. 데이터 서머리가 패키징되어서, 사전 결정된 시간마다 이메일에 의해 전송되어 별도의 서버에 저장된다. 데이터는 원시 형태로 볼 수도 있고 시각적으로 그래프 세트로 볼 수도 있다. 정비 엔지니어는 그래프 세트를 사용해서 T1, T2 및 펌프 속도(rpm)와 같은 핵심 제어 파라미터의 트렌드를 나타낸다. 이는 이후에 이러한 지식을 설치에 대한 사전 지식과 결합시키고, 이를 사용해서 펌프 교체나 기타 수정 액션을 권장하는 것과 관련하여 최종 사용자의 펌프 집합을 관리한다. 환언하면, 이러한 시스템은 펌프 성능에 대한 통찰력은 제공하지만, 트렌드 및 패턴을 인식할 수 있는 숙련된 정비 엔지니어의 적극적인 개입이 필요하다.

제안된 솔루션은 동일한 기본 데이터에 기초하지만, 향상된 고도의 독점의 머신 학습 알고리즘을 사용해서 일정 간격(예를 들어, 30, 45, 60일)에 특정 펌프가 고장날 가능성을 계산한다. 알고리즘은 하나 이상의 머신 러닝(ML) 방법(랜덤 포레스트, 신경망, 주성분 분석 등을 포함하지만, 이것으로 한정되는 것은 아님)을 사용한다. ML 알고리즘은, 과거의 교체 이벤트가 명확하게 식별되고, 이후에 데이터베이스의 다른 서브세트에서 검증된, 이 데이터베이스에서 구축되고 "트레이닝"된다.

이 방식의 주요 이점은 다음과 같다.

* 펌프 동작의 수 많은 다른 측면을 나타내는, "기능" 또는 변환된 변수에 의존해서, T1, T2 및 펌프 속도 데이터와 같은 일반적인 지표에 반영되는 시점보다 훨씬 앞서 펌프의 성능 저하를 예측하는 기능.

* T1 및 T2에 대한 엄격한 제어 한계에 대한 (종종 잘못된) 의존을 피하거나 적어도 감소시키며, 이는 최종 사용자가 펌프를 조기에 교체하게 할 수 있다.

* 모델 예측 정확도 및/또는 리드 타임을 향상시킬 수 있는 추가 센서 또는 진단 정보가 통합될 플랫폼을 제작한다.

* 확률 함수를 사용해서 사전에 펌프를 교체하는 방법에 대한 가이드를 제공할 수 있으며, 이로써 최종 사용자가 가이드를 따를 경우 (원칙적으로) 스케쥴링되지 않은 가동 중지를 제거하거나 혹은 최소한 감소시킬 수 있다.

본 발명의 예시적인 실시예가 본 명세서에 상세하게 개시되어 있지만, 첨부된 도면을 참조하면, 본 발명을 정확한 실시예로 한정하는 일 없이 첨부한 청구범위 및 그 균등물에 의해 정의된 본 발명의 범위를 벗어나지 않고 당업자에 의해 다양한 변경 및 수정이 수행될 수 있다는 것을 이해할 것이다.

참조 번호

5 : 진공 시스템

10 : 크라이오펌프

20 : 슈퍼바이저 노드

22 : 진단 회로

25 : 호스트

30 : 원격 또는 클라우드 기반 시스템

32 : 데이터 간소화 관리 회로

33 : 진단 모델 생성 로직

33a : 로그 파서

33b : 데이터 저장부

34 : 데이터 레이크

35 : 머신 학습 알고리즘

Claims (19)

1. 진공 시스템으로서,
   적어도 하나의 크라이오펌프와,
   상기 적어도 하나의 크라이오펌프와 관련된 복수의 센서 - 상기 복수의 센서 각각은, 상기 적어도 하나의 크라이오펌프의 동작 상태를 검지하도록 구성됨 - 와,
   상기 복수의 센서 중 적어도 일부의 센서로부터 샘플링된 신호를 수신하도록 구성된 진단 회로 - 상기 진단 회로는 상기 크라이오펌프의 진단 모델을 포함하고, 상기 진단 모델은 복수의 재생 및 정비 기간 동안 동작하는 동일한 타입의 복수의 크라이오펌프의 이력 데이터로부터 유래되고 상기 적어도 일부의 센서로부터의 상기 샘플링된 신호의 값을 사전 결정된 시간 내에 상기 펌프가 고장날 확률과 연관시키도록 구성되며, 상기 진단 회로는 상기 샘플링된 신호를 상기 진단 모델에 적용해서 상기 모델의 출력으로부터 상기 사전 결정된 시간 내에 상기 적어도 하나의 크라이오펌프가 고장날 확률을 결정함 -
   를 포함하는 진공 시스템.
   
2. 제 1 항에 있어서,
   상기 복수의 신호 중 적어도 일부 신호는, 상기 크라이오펌프의 제 1 스테이지의 제 1 온도, 상기 크라이오펌프의 제 2 스테이지의 제 2 온도, 마지막 재생 이후의 시간, 상기 크라이오펌프의 모터의 속도, 히터 회로에 대한 입력, 및 상기 크라이오펌프가 상기 제 1 온도로 냉각되는 시간 중 적어도 일부를 포함하는,
   진공 시스템.
   
3. 제 1 항 또는 제 2 항에 있어서,
   상기 진공 시스템은 복수의 크라이오펌프를 포함하고, 상기 진단 회로는 상기 복수의 크라이오펌프 각각으로부터 신호를 수신해서 각각의 상기 크라이오펌프가 고장날 확률을 결정하도록 구성되는,
   진공 시스템.
   
4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
   상기 진단 회로는, 설정 시간 동안 상기 적어도 하나의 크라이오펌프가 고장날 확률이 사전 결정된 임계값을 초과하는 것을 검출하는 것에 응답해서 상기 펌프가 다음 스케쥴링된 예방 유지 보수에서 교체되어야 한다는 것을 나타내는 경고를 출력하는,
   진공 시스템.
   
5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
   상기 진공 시스템은 원격 진단 시스템으로부터 신호를 수신하기 위한 입력 및 상기 원격 진단 시스템에 신호를 출력하기 위한 출력을 포함하는,
   진공 시스템.
   
6. 제 5 항에 있어서,
   상기 진공 시스템은, 상기 원격 진단 시스템에, 상기 센서 중 적어도 일부로부터 수집된 데이터를, 상기 적어도 하나의 크라이오펌프에 대해 수행된 유지 보수를 나타내는 데이터와 함께 주기적으로 출력하도록 구성되는,
   진공 시스템.
   
7. 제 6 항에 있어서,
   상기 진공 시스템은, 상기 유지 보수 기간 동안 교체된 펌프의 상태를 나타내는 데이터를 정비 엔지니어로부터 수신하기 위한 입력을 포함하고, 상기 진공 시스템은 상기 주기적으로 출력되는 데이터의 일부로서 상기 교체된 펌프의 상기 상태를 나타내는 데이터를 출력하도록 구성되는,
   진공 시스템.
   
8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
   상기 진공 시스템은 상기 진단 모델에 대한 업데이트를 주기적으로 수신하도록 구성된 입력을 포함하는,
   진공 시스템.
   
9. 제 8 항에 있어서,
   제 5 항 내지 제 7 항 중 어느 한 항에 종속될 때, 상기 진공 시스템은 상기 원격 진단 시스템으로부터 상기 진단 모델에 대한 상기 업데이트를 주기적으로 수신하도록 구성된 입력을 포함하는,
   진공 시스템.
   
10. 적어도 하나의 크라이오펌프를 포함하는 진공 시스템 모니터링 방법으로서,
    상기 크라이오펌프와 연관된 센서로부터 상기 적어도 하나의 크라이오펌프의 동작 상태를 나타내는 복수의 신호를 샘플링하는 단계와,
    상기 신호의 적어도 일부를 상기 크라이오펌프의 진단 모델에 입력하는 단계 - 상기 진단 모델은 복수의 기간에 걸쳐서 동작하는 동일한 타입의 복수의 크라이오펌프의 이력 데이터로부터 유래되고, 상기 복수의 기간 중 적어도 일부는 상기 펌프의 재생, 정비 및 고장 중 적어도 하나를 포함하며, 상기 진단 모델은 상기 펌프 고장의 확률과 신호를 연관시킴 - 와,
    상기 모델의 출력으로부터 상기 적어도 하나의 크라이오펌프가 고장날 확률을 결정하는 단계
    를 포함하는 진공 시스템 모니터링 방법.
    
11. 컴퓨터에 의해 실행될 때 제 10 항에 따른 방법을 수행하도록 상기 컴퓨터를 제어하도록 동작 가능한 머신 판독가능 명령어를 포함하는 컴퓨터 프로그램.
    
12. 일정 타입의 크라이오펌프에 대한 진단 모델을 생성하는 방법으로서,
    복수의 기간 동안 샘플링된 상기 복수의 크라이오펌프의 검지된 동작 상태를 저장하는 데이터베이스로부터 상기 타입의 복수의 크라이오펌프의 동작 상태를 검지해서 수집된 데이터를 머신 학습 알고리즘에 입력해서 특정 시간 내에 상기 펌프가 고장날 복수의 확률을 생성하는 단계 - 상기 복수의 기간 중 적어도 일부는 재생, 정비 및 고장 중 적어도 하나를 포함함 - 와,
    각각의 펌프에 대한 상기 확률을 상기 데이터베이스로부터 취득된 상기 펌프에 대한 펌프 고장 타이밍과 비교하고, 결정된 상기 확률과 상기 펌프 고장 타이밍 사이의 차이를 줄이도록 상기 머신 학습 알고리즘 내의 파라미터를 업데이트하는 단계와,
    상기 차이가 최소값 또는 사전 결정된 값 중 하나에 도달할 때까지 상기 단계들을 반복하는 단계와,
    상기 차이를 제공한 파라미터 및 상기 알고리즘으로부터 상기 진단 모델을 생성하는 단계
    를 포함하는 방법.
    
13. 제 12 항에 있어서,
    상기 데이터를 상기 머신 학습 알고리즘에 입력하기 전에, 상기 신호는 외부 데이터를 제거하도록 필터링되는
    방법.
    
14. 제 12 항 또는 제 13 항에 있어서,
    상기 수신한 신호를 상기 머신 학습 알고리즘에 입력하기 전에, 상기 신호는상기 크라이오펌프를 재생하기 전후의 사전 결정된 시간에 샘플링된 신호를 제거하도록 필터링되는
    방법.
    
15. 제 12 항 내지 제 14 항 중 어느 한 항에 따라 생성된 상기 진단 모델을 업데이트하는 방법으로서,
    동일한 타입의 복수의 크라이오펌프의 동작 상태를 나타내는 복수의 신호를 수신하는 단계와,
    상기 복수의 크라이오펌프에 대한 펌프 유지 보수 및 고장 타이밍을 수신하는 단계와,
    상기 수신한 데이터를 상기 데이터베이스에 추가하고, 업데이트된 상기 데이터베이스로부터의 데이터를 사용해서 업데이트된 진단 모델을 생성하도록 제 12 항 내지 제 14 항 중 어느 한 항의 방법을 수행하는 단계와,
    상기 업데이트된 진단 모델을 출력하는 단계
    를 포함하는 방법.
    
16. 제 15 항에 있어서,
    상기 진단 모델이 상기 펌프가 사전 결정된 시간 내에 고장날 것을 나타냄에 따라 교체된 펌프의 상태를 나타내는 데이터를 수신하는 단계를 더 포함하고,
    상기 데이터는 상기 진단 모델의 상기 업데이트 동안 상기 머신 학습 알고리즘에 입력되는
    방법.
    
17. 컴퓨터에 의해 실행될 때, 상기 컴퓨터를 제어해서 제 12 항 내지 제 16 항 중 어느 한 항에 따른 방법을 수행하게 하도록 동작 가능한 머신 판독 가능 명령어를 포함하는 컴퓨터 프로그램.
    
18. 제 17 항에 따른 컴퓨터 프로그램을 실행하도록 구성된 컴퓨터를 포함하는 원격 진단 모듈.
    
19. 제 5 항 내지 제 7 항 또는 제 9 항 중 어느 한 항에 따른 진공 시스템과 제 18 항에 따른 원격 진단 모듈을 포함하는 시스템으로서,
    상기 원격 진단 모듈은 상기 진공 시스템에 의해 출력된 신호를 수신하고 상기 수신한 신호를 이용해서 크라이오펌프 동작의 상기 데이터베이스를 업데이트하고, 상기 업데이트된 데이터베이스로부터의 데이터를 상기 머신 학습 알고리즘으로 입력함으로써 업데이트된 진단 모델을 생성하도록 구성되는,
    시스템.

Images