TWI463334B - 標的裝置的基底預測保養方法與其電腦程式產品 - Google Patents
標的裝置的基底預測保養方法與其電腦程式產品 Download PDFInfo
- Publication number
- TWI463334B TWI463334B TW101126242A TW101126242A TWI463334B TW I463334 B TWI463334 B TW I463334B TW 101126242 A TW101126242 A TW 101126242A TW 101126242 A TW101126242 A TW 101126242A TW I463334 B TWI463334 B TW I463334B
- Authority
- TW
- Taiwan
- Prior art keywords
- target device
- mapping
- dhi
- samples
- new workpiece
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Description
本發明是有關於一種預測保養(Predictive Maintenance;PdM)方法與其電腦程式產品,且特別是有關於一種以虛擬量測技術為基礎之標的裝置(Target Device;TD)的基底預測保養(Baseline Predictive Maintenance;BPM)方法與其電腦程式產品。
生產機台是任何製造廠不可缺少的部分。生產機台中之組件、模組或裝置(例如:加熱器、壓力模組和節流閥(Throttle Valve)等)的失效會引起生產異常,導致不良的產品品質和/或降低產能,因而造成重大損失。
一般,解決上述問題最常用的方法是定期的預防保養(Preventive Maintenance;PM)。即,在預設時間間隔下執行保養相關作業。此預設時間間隔基本上是根據標的裝置(TD)的平均故障時間間隔(Mean Time between Failure;MTBF)來決定。因此,如何安排適當的PM計畫通常是工廠的關鍵議題。一個不當的定期PM計畫會增加維修成本或降低產能。
為改善機台保養計畫以增加晶圓廠的績效,國際半導體技術製造協會(International Sematech Manufacturing Initiative;ISMI)提出一種預測性和預防性保養(Predictive and Preventive Maintenance;PPM)的指標。如ISMI所定義,PPM包含預防保養(PM)、基於條件的保養
(Condition-based Maintenance;CbM)、預測保養(Predictive Maintenance;PdM)和故障後維修(Breakdown Maintenance;BDM)。其中,ISMI主張CbM和PdM的技術應被發展,並以單一模組或多個模組的型式被使用,使得終端使用者能有效率地使用這些技術。CbM的定義為:「在指出機台將要失效或機台的性能正在惡化的一或多個指標出現後進行保養」。錯誤偵測及分類(Fault Detection and Classification;FDC)是一種與CbM相關的方法,其定義為:「監控機台與工廠資料以評估機台的健康,並在偵測到錯誤時發出警報和/或關閉機台」。另一方面,PdM是一種應用預測模型的技術,找出設備狀態資訊與保養資訊間之關聯,來預測機台或標的裝置(TD)的剩餘壽命(Remaining Useful Life;RUL),以達到減少非計畫性停機之保養事件的目標。
大部分之習知FDC方法係先尋找需被監控之標的裝置(TDs)及與標的裝置相關的關鍵參數,然後應用統計製程管制(Statistical Process Control;SPC)方法來偵測錯誤。請參照第1圖,其繪示電漿輔助化學氣相沈積(Plasma Enhanced Chemical Vapor Deposition;PECVD)機台之節流閥(Throttle Valve)角度的SPC管制圖,其中所監控之標的裝置(TD)為節流閥的角度。然而,在實際狀況中,異常的來源不單是由標的裝置(即節流閥)本身所引起,其亦可能是受其他與標的裝置(即節流閥)相關製程參數的影響所造成。如第1圖所示,節流閥的角度中心點為27度;如維修工程師所定義,其管制上限(Upper Control Limit;UCL)和
管制下限(Lower Control Limit;LCL)分別為32度和22度;總共有450樣本被監控。此習知SPC方法推斷出:範圍1、2、4中的樣本為離群值(Outlier),而範圍3中的樣本係位於管制界限內。經仔細檢視後,範圍2、4中的樣本的確是異常,且係由節流閥故障所引起的。至於範圍1中的樣本,其異常並不是由節流閥所引起,而是由相關製程參數「氨(Ammonia;NH3
)」所造成的。範圍3中之樣本的偏離係因相關製程參數「壓力」的緣故。因此,習知SPC方法無法偵測和診斷出在範圍1、3中之樣本的錯誤。
因此,需要一種標的裝置的基底預測保養方法與其電腦程式產品,以克服上述習知技術的缺點。
因此,本發明之目的即在提供一種以虛擬量測技術為基礎之標的裝置的基底預測保養方法與其電腦程式產品,藉以推論出標的裝置的健康狀態,並預測標的裝置(TD)的剩餘有用壽命(RUL),而克服習知技術的缺點。
根據本發明之一態樣,提供一種標的裝置的基底預測保養方法。在此標的裝置的基底預測保養方法,首先,收集標的裝置剛進行一維修保養後生產複數個工件時所產生的複數個新鮮樣本。接著,收集標的裝置生產一新工件時所產生的一新工件樣本,其中每一個新鮮樣本和新工件樣本包含由一組TD相關製程參數資料(X)和標的裝置所產生之一實際代表值(yT
)所組成的成對資料,此組TD相關製程參數資料(X)包含複數個參數。接著,使用建模樣本並根據
一推估演算法來建立一TD基底模型,其中此些建模樣本包含複數個新鮮樣本和新工件樣本。然後,由TD基底模型來計算出生產新工件之標的裝置的一健康基底值(),其中健康基底值為標的裝置(TD)處於健康狀態時應有之健康的實際代表值(yT
)的推估值。接者,計算出裝置健康指數(Device Health Index;DHI)、基底誤差指數(Baseline Error Index;BEI)、及基底個體相似度指標(ISIB
)。最後,透過判斷邏輯及yT
與的比較,來達到錯誤偵測及診斷(FDC)和預測保養(PdM)的目標。
在一實施例中,前述之推估演算法為類神經網路(Neural Network;NN)演算法、複迴歸(Multi-Regression;MR)演算法、支持向量機(Support Vector Machines;SVM)演算法或一部份最小平方(Partial Least Squares;PLS)演算法。
在一實施例中,前述之標的裝置的基底預測保養方法更包含:以轉換公式將標的裝置(TD)之實際代表值(yT
)轉換成裝置健康指數(Device Health Index;DHI),轉換公式為:
其中為新鮮樣本之實際代表值(yT
)的平均值,其中為所對應之轉換值。
Max yT
為新鮮樣本之最大實際代表值;Max y T
_mapping
為Max yT
所對應之轉換值。
Min yT
為新鮮樣本之最小實際代表值;Min y T
_mapping
為Min yT
所對應之轉換值。
LSL為規格下限;LCL為管制下限;UCL為管制上限;USL為規格上限;LSL_mappinng
為LSL所對應之轉換值;LCL_mapping
為LCL所對應之轉換值;UCL_mapping
為UCL所對應之轉換值;USL_mapping
為USL所對應之轉換值。
在一實施例中,當>DHI>UCL_mapping
(或>DHI>LCL_mapping
)時,標的裝置(TD)係健康且正常運作;當UCL_mapping
>DHI>USL_mapping
(或LCL_mapping
>DHI>LSL_mapping
)時,標的裝置(TD)已生病,在標的裝置(TD)之剩餘壽命(Remaining Useful Life;RUL)用盡後,標的裝置(TD)將無法運作;當USL_mapping
>DHI>Max y T
_mapping
(或LSL_mapping
>DHI>Min y T
_mapping
)時,TD已死亡,需要立即維修。
在一實施例中,前述之標的裝置的基底預測保養方法更包含:以轉換公式將標的裝置(TD)之實際代表值(yT
)與健康基底值()轉換成基底誤差指數(BEI),轉換公式為:
其中Spec為標的裝置(TD)的規格;HardSpec為TD的嚴格規格;Max yE
為新鮮樣本轉換後之yE
的最大值;Zero _mapping
為yE
為零時所對應之轉換值;Spec_mapping
為Spec所對應之轉換值;(HardSpec-)_mapping
為(HardSpec-)所對應之轉換值;Max yE_mapping
為Max yE
所對應之轉換值。
在一實施例中,當Zero _mapping
>BEI>Spec_mapping
時,標的裝置(TD)係健康且正常運作;當Spec_mapping
>BEI>(HardSpec-)_mapping
時,標的裝置(TD)已生病,在標的裝置(TD)之剩餘壽命(RUL)用盡後,標的裝置(TD)將無法運作;當(HardSpec-)_mapping
>BEI>Max yE_mapping
時,標的裝置(TD)已死亡,需要立即維修。
在一實施例中,前述之標的裝置的基底預測保養方法,更包含:針對複數個新鮮樣本之TD相關製程參數資料(X)之每一個參數計算其平均數與標準差並進行標準化的動作,而獲得新工件樣本之TD相關製程參數之每一個參數之一基底個體相似度指標(Baseline Individual Similarity Indexes;ISIB
)。
在一實施例中,若DHI≧DHIT
且標的裝置(TD)相關製程參數中之每一個ISIB
均小於其ISIB_T
,則代表標的裝置(TD)健康且TD相關製程參數所對應到的元件均正常運作;若DHI≧DHIT
且TD相關製程參數之ISIB
其中至少一
者大於或等於其ISIB_T
,則標的裝置(TD)正常,但標的裝置(TD)相關製程參數所對應的元件至少有一者異常,應加以檢查;若DHI<DHIT
且BEI≧BEIT
;或DHI<DHIT
且標的裝置(TD)相關製程參數中之ISIB
其中至少一者大於或等於其ISIB_T
,則代表標的裝置(TD)正常,而其超過管制(Out Of Control;OOC)是因標的裝置(TD)的相關製程參數所對應之值至少有一者異常的緣故,應加以檢查;以及若DHI<DHIT
且BEI<BEIT
且標的裝置(TD)相關製程參數中之ISIB
均小於其ISIB_T
,則代表標的裝置(TD)異常,且是其本身所造成,應立刻進行維修的動作;其中DHIT
為DHI門檻值,BEIT
為BEI門檻值,ISIB_T
為ISIB
門檻值。
在一實施例中,前述之標的裝置的基底預測保養方法更包含:自建模樣本中去刪除前述之新工件樣本。
在一實施例中,前述之標的裝置的基底預測保養方法更包含:收集標的裝置生產一下一新工件時所產生的一下一新工件樣本,其中此下一新工件樣本的組成元素與其上一新工件樣本相同;將下一新工件樣本加入至建模樣本中,再使用建模樣本並根據推估演算法來重新建立TD基底模型;由TD基底模型來計算出生產下一新工件之標的裝置的健康基底值();計算下一新工件樣本的|;若連續兩個新工件樣本(前述之工件樣本和下一工件樣本)的yE
均大於一門檻值時(yE_T
),即以一預測演算法來預測標的裝置之剩餘壽命(RUL),其中此預測演算法可採曲線擬合法例如:線性曲線擬合(Linear Curve Fitting,LCF)法或以迴歸為基礎之指數曲線擬合(Exponential Curve Fitting,
ECF)法;或時間序列預測法例如:自我迴歸整合移動平均法(Auto-Regressive Integrated Moving Average,ARIMA)或其他具剩餘壽命預測能力之演算法。
在一實施例中,前述之標的裝置的基底預測保養方法更包含:收集前述之標的裝置(TD)所產生之健康的複數個歷史樣本,其中此些歷史樣本係在此標的裝置於健康狀態時分別生產複數個歷史工件後所產生的,歷史樣本的組成元素與新鮮樣本相同;以及將歷史樣本加入至建模樣本。
在一實施例中,前述之標的裝置的基底預測保養方法更包含:以例如:動態移動視窗(Dynamic Moving Window;DMW)方法自此些歷史樣本中篩選出複數個精簡且健康的歷史樣本。
根據本發明之又一態樣,提供一種電腦程式產品,當電腦載入此電腦程式產品並執行後,可完成前述之標的裝置的基底預測保養方法。
因此,應用本發明之實施例,可有效地推論出標的裝置(TD)的健康狀態,並預測標的裝置(TD)的剩餘壽命(RUL)。
在此詳細參照本發明之實施例,其例子係與圖式一起說明。儘可能地,圖式中所使用的相同元件符號係指相同或相似組件。
本發明提出一種以虛擬量測技術為基礎之裝置的健康基底預測保養(BPM)方法與其電腦程式產品。此BPM方法
不僅具有FDC的能力,亦具有PdM的能力。請參照第2圖,其繪示實施本發明之BPM方法的BPM系統架構示意圖,其中此BPM系統包含:FDC部分和PdM部分。FDC部分包含:健康基底模型100、裝置健康指數(Device Health Index;DHI)機制110、基底誤差指數(Baseline Error Index;BEI)機制112、FDC邏輯120。健康基底模型100包含:標的裝置(TD)基底模型104、及基底個體相似度指標基底(Baseline Individual Similarity Index;ISIB
)模型108。PdM部分包含有剩餘壽命(RUL)預測130。以下分別說明各模組與模型。
TD基底模型104
TD基底模型104主要是用以產生標的裝置(例如:節流閥)的健康基底值()。所謂標的裝置的「健康基底值」係代表:當使用一組標的裝置(TD)相關製程參數(X;例如:「氨」、「矽甲烷(SiH4
)」、「壓力」、「射頻(RF)功率」等)來生產一新工件(Workpiece)時,如標的裝置(TD)處於健康狀態時應有之實際代表值的預測值;而實際代表值(例如:節流閥的角度)則以yT
表示之。換言之,當標的裝置(TD)生產新工件之實際代表值(yT
)與間偏差過大時,代表此時之標的裝置(TD)異常,需找出造成此異常的原因。所謂「TD相關製程參數」係指與標的裝置(TD)有因果關係的製程參數,但並非標的裝置(TD)本身的實際代表值。
請參照第3A圖、第3B圖和第6圖,3A圖、第3B圖分別為繪示根據本發明之兩實施例收集建立TD基底模型104所需之複數個建模樣本之步驟流程圖,第6圖係繪示
根據本發明之實施例產生TD基底模型104並計算出DHI、BEI、ISIB
及以進行FDC部分所需資訊之流程圖。其中第3A圖則進行離線操作200和線上操作210,而第3B圖只進行線上操作210。本發明建立TD基底模型所需之建模樣本係由三種來源獲得,即複數個精簡且健康的歷史樣本(離線操作200)、複數個新鮮樣本(線上操作210)和新進工件樣本(步驟302),其中複數個精簡且健康的歷史樣本可選擇性地加入為建模樣本。採用複數個精簡且健康歷史樣本之目的為加強建模樣本的運作空間(Operating Space)與降低建模資料的雜訊,以便能提升預測精度。然而,複數個精簡且健康的歷史樣本取得不易,因此,亦可在於尚未有複數個精簡且健康的歷史樣本時,採用複數個新鮮樣本進行。換言之,可選擇性地進行線上操作210,以選擇是否採用歷史樣本為建模樣本。
如第3A圖所示,本實施例之收集建立TD基底模型104所需之複數個建模樣本之步驟包含兩個階段:離線操作200和線上操作210,離線操作200係藉由進行「保留重要樣本(Keep-Important-Sample;KIS)」方法來選取複數個精簡且健康的歷史樣本;線上操作210則收集標的裝置(TD)剛進行完一維修保養後所產生的複數個新鮮樣本,其中每一組精簡且健康的歷史樣本和新鮮樣本均包含有標的裝置(TD)實際代表值(yT
)與和其對應之標的裝置(TD)相關製程參數資料(X)的成對資料。在離線操作200中,KIS方法包含有步驟202和204。步驟202係用以確保每一個歷史樣本的適當性,而蒐集到健康歷史樣本,其中健康歷史樣本係在標的裝置於健康狀態時所產生的,且其資料品質
優良。「健康狀態」係指標的設備於正常運作下所表現出之行為,其可與本領域的專家討論得知。「資料品質優良」係指所收集之標的設備及與其有因果關係之參數於正常運作下所表現的行為資料品質優良,亦即沒有因人為疏失或其他異常狀況下所收集到的資料。值得一提的是,在線上操作210中,由於剛進行完維修保養後之收集標的裝置(TD)係處於「健康狀態」,故其此時所產生的新鮮樣本均可視為是健康的樣本。
然後,離線操作200可選擇性地進行步驟204,以自步驟202所選取之眾多的健康歷史樣本中挑選出具代表性的複數個精簡且健康歷史樣本,以避免使用過多的樣本來建模,而影響模型精度。步驟204可使用動態移動視窗(DMW)方法來進行樣本篩選,但亦可使用其他樣本篩選方法,故本發明實施例並不在此限。在此DMW方法中,當DMW中有加入一筆新樣本資料時,先對視窗內的所有樣本資料進行分群的分析,使得特性相近的樣本資料被歸類於同一群內。然後,檢視各個群集內之樣本資料的數目。若最大群集之樣本資料的數目大於預設門檻,則代表最大群集有過多特性相近樣本資料,故可摒棄此最大群集內之最舊樣本資料。若最大群集之樣本資料的數目小於或等於預設門檻,則代表最大群集中之樣本資料相當獨特,而必須被保留來建立或更新預測模型。此DMW方法係參考發明人之論文(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),此論文在此以引用方式併入本案。此外,欲用以建模的複數個精簡且健康的歷史樣本和複數個新鮮樣本均需經標準化模組102和106將其X與yT
加以標準化。
線上操作210係在標的裝置(TD)剛進行維修保養後進行之,並包含:進行步驟212,以收集標的裝置(TD)剛完成維修保養後所產生的新鮮樣本;進行步驟214,以檢查所收集到之新鮮樣本的數目是否足以建模;當步驟214的結果為「是」時,進行步驟216,以將所收集到複數個新鮮樣本加入複數個精簡且健康歷史樣本作為建模樣本;當步驟214的結果為「否」時,則重複進行步驟212。到此完成部分之建模樣本的收集。
根據經驗法則,建立TD健康基底模型100所需之建模樣本的數量約為TD相關製程參數資料(X)中之參數個數的10倍,其中複數個精簡且健康歷史樣本與複數個新鮮樣本的數量比約為3:1。步驟216中所產生的所有建模樣本(複數個新鮮樣本加複數個精簡且健康的歷史樣本)均被用來建構TD基底模型104。因此,TD基底模型104不僅包含有複數個精簡且健康的歷史樣本資訊,亦包含有標的裝置(TD)剛完成維修保養後所產生的複數個新鮮樣本資訊。
如上所述,複數個新鮮樣本可視為是健康的樣本,故當複數個精簡且健康的歷史樣本取得不易時,本發明之另一實施例僅採用複數個新鮮樣本和新進工件樣本為建立TD基底模型所需之建模樣本。如第3B圖所示,當步驟214的結果為「是」時,進行步驟218,以所收集到複數個新
鮮樣本為建模樣本。
至於TD基底模型104的建立與執行,將於後說明。
ISI
B
模型108
ISIB
模型108主要是參考美國專利前案第7,593,912號所教示之ISI技術來建立,其係將生產一新工件所使用之標的裝置(TD)相關製程參數資料(X)中之每一個參數,針對複數個新鮮樣本之標的裝置(TD)相關製程參數資料(X)中之相對應製程參數的平均數與標準差進行一標準化步驟,而獲得每一個製程參數之個體相似度指標(Individual Similarity Indexes;ISI),以便瞭解製程參數的變異大小。美國專利前案第7,593,912號在此以引用方式併入本案,此美國專利前案具有與本案相同的受讓人。值得一提的是,本實施例僅使用標的裝置(TD)剛完成維修保養後所產生的複數個新鮮樣本資訊來建構ISIB
模型108,故產生特定維修保養週期之ISIB
的健康基底。
DHI機制110
一般而言,線上SPC方法係用以偵測生產期間的產品品質狀態,並在製程超出統計管制時採取必要的行動。DHI機制110係應用線上SPC的概念來轉換|yT
-|至DHI,其中代表所有複數個新鮮樣本(步驟212所得)之yT
的平均值,yT
為標的裝置(TD)生產一新工件時所產生的實際代表值。值得一提的是,本實施例僅使用標的裝置(TD)剛完成維修保養後所處理的複數個新鮮樣本資訊來建構DHI機制
110,以便能產生特定維修保養週期之DHI的健康基底。
請參照第4圖,其繪示以為中間基準值之yT
的SPC管制表的結構,其指出標的裝置(TD)所產生之實際代表值的最小yT
(Min yT
)、規格下限(Lower Spec Limit;LSL)、管制下限(Lower Control Limit;LCL)、、管制上限(Upper Control Limit;UCL)、規格上限(Upper Spec Limit;USL)和標的裝置(TD)所產生之實際代表值的最大yT
(Max yT
),之對應值Min y T
_mapping
、LSL_mapping
、LCL_mapping
、、UCL_mapping
、USL_mapping
、Max y T
_mapping
,其分別為0、0.3、0.7、1、0.7、0.3和0。以上UCL、LCL、USL和LSL等四個規格之定義會因標的裝置(TD)之物理特性而有異。對節流閥而言,UCL及LCL為基準點加減5度;USL為50度;LSL為20度。就物理特性而言:節流閥開度大於50或低於20其抽氣效率就不佳;而當節流閥開度大於基準點加5度或小於基準點減5度就需要注意其健康狀況了。UCL、LCL、USL和LSL係習知SPC常用的技術手段,故不在此贅述。將Min y T
_mapping
、LSL_mapping
、LCL_mapping
、、UCL_mapping
、USL_mapping
、Max y T
_mapping
的數值(分別為0、0.3、0.7、1、0.7、0.3和0)代入前述之公式(1),可獲得第4圖上半部之轉換yT
至DHI的公式如下所示:
藉由同樣的方式由前述之公式(2),可獲得第4圖下半
部之轉換yT
至DHI的公式如下。
BEI機制112
BEI機制112係用以轉換yT
與間之差值至BEI值。請參照第5圖,其繪示以0為底基準值之yE
的
SPC管制表的結構,其指出yE
=0、Spec(規格)、HardSpec(嚴格規格)-、和最大yE
(Max yE
)與所對應之轉換值Zero _mapping
、Spec_mapping
、(HardSpec-)_mapping
、Max yE_mapping
,其分別為1、0.7、0.3、0。Spec和HardSpec會因標的裝置之物理特性而有異。對節流閥而言,Spec為5,HardSpec為50,此兩值可以透過與本領域的專家討論訂定。Spec和HardSpec係習知SPC常用的技術手段,故不在此贅述。將Zero _mapping
、Spec_mapping
、(HardSpec-)_mapping
、Max yE_mapping
,代入前述之公式(3),可獲得轉換yE
至BEI的公式係如下所示:
藉由上述的定義,可獲得以下敘述:當Zero _mapping
(例如:1)>BEI>Spec_mapping
(例如:0.7)時,標的裝置(TD)係健康且正常運作的;當Spec_mapping
(例如:0.7)>BEI>(HardSpec-)_mapping
(例如:0.3)時,標的裝置(TD)已生病,在其剩餘壽命(RUL)用盡後,標的裝置(TD)將無法運作;當(HardSpec-)_mapping
(例如:0.3)>BEI>Max yE_mapping
(例如:0)時,標的裝置(TD)已死亡,需要立即維修。
FDC邏輯120
如第2圖之右半部所示,FDC邏輯120係用以將前述之DHI、BEI和ISIB
轉換成標的裝置(TD)的健康狀態。在應用FDC邏輯120前,應先指定DHI、BEI和ISIB
的門檻值(DHIT
、BEIT
和ISIB_T
)。如第4圖和第5圖所示,DHI和BEI的健康區間係介於0.7和1之間,故指定DHI、BEI的門檻值DHIT
、BEIT
為0.7,即DHIT
、BEIT
係由LCL/UCL及Spec所決定。在本實施例中,指定複數個新鮮樣本之TD相關製程參數資料(X)中之每一個製程參數的6倍標準差為ISIB
的門檻值,即ISIB_T
=6。FDC邏輯120係如下所述:若DHI≧DHIT
(步驟122的結果為「否」)且所有的ISIB
小於其ISIB_T
(步驟124的結果為「是」),則代表標的裝置(TD)健康且其標的裝置(TD)之相關製程參數資料(X)中參數所對應到的元件均正常運作;若DHI≧DHIT
(步驟122的結果為「否」)且至少一個ISIB
大於或等於其ISIB_T
(步驟124的結果為「否」),則代表標的裝置(TD)正常,但其標的裝置(TD)相關製程參數資料(X)中參數所對應到的元件至少一個異常,應加以檢查;若DHI<DHIT
(步驟122的結果為「是」)且BEI≧BEIT
(步驟126的結果為「否」);或DHI<DHIT
(步驟122的結果為「是」)且至少一個ISIB
大於或等於其ISIB_T
(步驟126的結果為「否」),則代表標的裝置(TD)正常,而其超過管制(Out Of Control;OOC)是因其TD相關製程參數資料(X)
中參數所對應到的元件至少一個異常的緣故,應加以檢查;若DHI<DHIT
(步驟122的結果為「是」)且BEI<BEIT
且所有的ISIB
小於其ISIB_T
(步驟126的結果為「是」),則代表標的裝置(TD)異常,且是其本身異常所造成的,應立刻進行維修的動作。
以下說明TD基底模型104的建立流程,及FDC部分的執行流程。
請繼續參照第2圖和第6圖。在完成離線操作200和/或線上操作210(第3A圖或第3B圖)、及ISIB
模型108的建立後,首先進行步驟302,以收集標的裝置生產一新工件時所產生的新工件樣本,即對應至一新工件的TD相關製程參數資料(X),及生產此新工件所產生之標的裝置(TD)的實際代表值(yT
)。接著,進行步驟304,以確認收集是否成功。當步驟304為「否」時,再次進行步驟302。當步驟304為「是」時,則進行步驟306,以由標準化模組102和106分別將新工件的X與yT
標準化後,再加入至複數個建模樣本中,以根據一推估演算法來重新建立TD基底模型104,其中此推估演算法可為例如:類神經網路(Neural Network;NN)演算法、複迴歸(Multi-Regression;MR)演算法、支持向量機(Support Vector Machines;SVM)演算法、一部份最小平方(Partial Least Squares;PLS)演算法或其他具預測能力之演算法。建立TD基底模型104的步驟302至306主要是參考美國專利前案第8,095,484號所教示之全自動化型虛擬量測(Automatic Virtual Metrology;AVM)技術來建立,美國專利前案第8,095,484號在此以引用方式併
入本案。值得一提的是,此美國專利前案具有與本案相同的受讓人。
此外,當步驟304為「是」時本實施例亦進行步驟312,以由DHI機制110來計算出此新工件的DHI值。在完成步驟306後,進行步驟308,以由重新建立後之TD基底模型104來計算出新工件的;由ISIB
模組108來計算出新工件的ISIB
值;由BEI機制112來計算出新工件的BEI值。在獲得工件的、DHI、ISIB
和BEI後,進行步驟314,以由FDC邏輯120來推論出標的裝置(TD)的健康狀態。當完成步驟314後,進行步驟310,以自建模樣本中去除新工件樣本,以保持原有建模樣本的新鮮度。換言之,所謂「重新建立」TD基底模型104是指使用每一次新進的新工件樣本加上固定之複數個精簡且健康的歷史樣本、及複數個新鮮樣本為建模資料,來建立TD基底模型104。
本發明不但可推論出標的裝置(TD)的健康狀態,並可預測標的裝置(TD)的剩餘壽命(RUL)。以下說明如第2圖所示之RUL預測130。
RUL預測130
RUL預測130包含有偵測架構132和RUL預測模型134。偵測架構132係用以檢查yE
是否大於yE_S
,其中yE
=;yE_S
代表yE
的門檻值,用以偵測標的裝置(TD)的生病(Sick)狀態。請參照第7圖,其繪示根據本發明之標的裝置的狀態圖,其包含有5種狀態:「初始」、「運作」、「不運作」、「生病」和「死亡」。通常,標的裝置(TD)係處於「運
作」狀態。然而,當yE
>yE_S
時,標的裝置(TD)進入「生病」狀態。若yE
再次小於yE_S
,標的裝置(TD)則回到「運作」狀態。反之,若標的裝置(TD)的症狀變得更糟,而耗盡標的裝置(TD)可獲得的資源時,標的裝置(TD)進入「死亡」狀態,即標的裝置(TD)已停機。偵測架構132主要是用以偵測標的裝置(TD)是否處於「生病」狀態。為避免假警報,本實施例需要有連續兩次的yE
>yE_S
,即連續兩個工件的yE
均大於yE_S
,才斷定標的裝置(TD)進入「生病」狀態,而必須啟動RUL預測模型134來預測標的裝置(TD)的RUL(剩餘壽命),其中RUL預測模型134係使用一預測演算法,而此預測演算法可採曲線擬合法例如:線性曲線擬合(Linear Curve Fitting,LCF)法或以迴歸為基礎之指數曲線擬合(Exponential Curve Fitting,ECF)法;或時間序列預測法例如:自我迴歸整合移動平均法(Auto-Regressive Integrated Moving Average,ARIMA)或其他具剩餘壽命預測能力之演算法。
據過去的研究,發現大多數電子產品的失效率函數曲線常展示出一種典型浴缸曲線(Bathtub Curve),其有三個階段:(1)早天期失效期;(2)偶發失效期;(3)耗損失效期。通常,標的裝置(TD)的失效發生在耗損失效期階段,其失效速率隨著時間呈指數增加。因此,本實施例採用以迴歸為基礎之指數曲線擬合(Exponential-Curve-Fitting;ECF)法為例來建構RUL預測模型134。
請參照第8圖,其繪示根據本發明實施例之RUL預測模型的運作示意圖。首先定義,其中和代表標的裝置(TD)剛進行一維修保養後所產生之複數個新鮮樣本之yE
的平均值與標準差。又,以yE_S
和yE_D
分別代表當標的裝置(TD)進入「生病」和「死亡」狀態之yE
值。如第5圖所示,yE_S
=Spec;。
以下說明RUL預測模型的運作步驟。
步驟1:計算yE_B
並尋找k B
,其中k B
為對應至yE_B
的樣本號碼;再定義yE_S
和yE_D
。
步驟2:若連續兩工件之yE
均大於yE_S
,則標的裝置(TD)進入「生病」狀態,並進行步驟3。
步驟3:收集yE_B
和yE_S
並應用ECF公式來獲得耗損失效方程式如下:
在獲得耗損失效方程式後,亦可導出上限
(Upper-Bound;UB)方程式和下限(Lower-Bound;LB)方程式如下:
步驟4:應用失效方程式來預測由k i
=k S
+1
開始之值,直到
值,直到值大於或等於yE_D
,其對應之樣本號碼係標示為。然後,使用雙邊95%預測區間(two-side 95% prediction-interval(PI)formula)公式,來以下列方程式計算出由k i
=k S
+1
至之95%上限和下限值。
其中 K
=[k B
,k B
+1
,...,k S
]T
;為預測的第S+jth
個UB值;為預測的第S+jth
個LB值;為對應至yE_D
之預測的樣本號碼;△ S
+j
對應至第S+jth
個樣本的95%PI值;為具有k S
-k B
+1-p自由度的t分佈,其中p為參數個數,α=0.05。
在獲得由k i
=k S
+1
至之所有95%的UB和LB
後,可由與應用至失效方程式相同的ECF公式和方法來獲得UB方程式:和LB方程式:。
步驟5:應用失效、UB和LB方程式(4)、(14)和(15)來求對應至yE_D
的RUL、和,其方程式如下。
其中對應至yE_D
之第D_RULth
個樣本號碼;對應至yE_D
之第D_UBth
個樣本號碼;對應至yE_D
之第D_LBth
個樣本號碼。
上述實施例可利用電腦程式產品來實現,其可包含儲存有多個指令之機器可讀取媒體,這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者,本發明之實施例也可做為電腦程式產品來下載,其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。
以下以一應用例來說明本發明。
本應用例採用太陽能電池製造之PECVD機台之節流閥的三種情況。因此,節流閥為本應用例的標的裝置(TD)。基於相關領域的知識,TD的角度會被以下之相關製程參數所影響:「氨」、「矽甲烷」、「壓力」、「射頻功率」。
進行第3A圖和第6圖所示之步驟來收集建立TD基底模型所需之重要建模樣本。在本應用例中,標示TD的角度為yT
,而與TD相關製程參數資料(X)包含「氨」、「矽甲烷」、「壓力」、「射頻功率」。由於TD相關製程參數資料(X)的參數個數為4個,故需使用40(4×10)個樣本來建立TD基底模型。因此,對2602個健康的歷史樣本進行動態移動視窗(DMW)方法,以選出約30組精簡且健康的歷史樣本。在一維修保養後,啟動線上操作以收集10組新鮮樣本。30組精簡且健康的歷史樣本、10組新鮮樣本、和每次收集到之新工件樣本一起用為建立TD基底模型的建模樣本,其中每一組建模樣本包含有yT
和對應之X。10組新鮮樣本係用以建構ISIB
模型、DHI機制110和yE_B
值。
在本應用例中,用以轉換yT
至DHI的Min yT
、LSL、LCL、、UCL、USL和Max yT
分別為0、5、22、27、32、50和90;用以轉換yE
至BEI的Spec、HardSpec-和Max yE
分別為5、23和63。
TD相關製程參數資料(X)中之每一個參數的最大容許偏離為基準值(Nominal Value)之10%。因此,藉由指定基準值之10%為ISIB
的6倍,ISIB_T
值為6。再者,指定DHIT
與BEIT
為0.7,其為TD進入「生病」狀態的門檻值。
為易於比較起見,本應用例再使用第1圖所示之450
個樣本。請參照第9圖,其繪示根據本發明之一應用例進行FDC部分的結果。在第9圖中,除yT
外,亦顯示TD的健康基底值(),在yT
和的下方,則顯示DHI、BEI和TD相關製程參數資料(X)之所有參數值及其ISIB_T
。觀察第9圖所示之範圍11中的樣本可知,其DHI<DHIT
且製程參數「氨」的ISIB
(=120)大於ISIB_T
(=6),代表TD本身異常且其OOC係因參數「氨」的ISIB
突升之故,因而應檢查製程參數「氨」。
在範圍12和14中的全部樣本均滿足DHI<DHIT
且BEI<BEIT
且所有的ISIB
小於其ISIB_T
的條件,代表TD本身異常且此異常係由TD本身所引起的。
在範圍13中的樣本均符合DHI>DHIT
且製程參數「壓力」的ISIB
大於其ISIB_T
的條件,代表TD正常但製程參數「壓力」異常,因而應檢查製程參數「壓力」。
請參照第10圖,其繪示根據本發明之應用例之整個預防保養(PM)期間的基底預測保養(BPM)相關資料與指標值。本應用例所採用之整個PM期間包含390個樣本,其中前10組新鮮樣本係用以建構ISIB
模型、DHI模型110和yE_B
值,而由本發明之各模型計算出後續之380個樣本的BPM相關資料與指標值。如第10圖所示,由於老化效應的緣故,TD的角度(yT
)逐漸增加,而因為其相關之製程參數資料(「氨」、「矽甲烷」、「壓力」、「射頻功率」)均相當穩定,TD的健康基底值()也相對平坦。在第213個樣本附近發生DHI<DHIT
且BEI<BEIT
且所有的ISIB
小於其ISIB_T
的條件,因此TD在產生第213個樣本時進入「生病」
的狀態,而此事件啟動前述之RUL預測程序。在進行前述RUL預測模型的運作步驟後,可獲得RUL=60;=
68;=48,即TD的預測剩餘壽命(RUL)為60個樣本週期,其中本應用例之每一個樣本週期約為1小時。事實上,TD係產生第289個樣本時進入「死亡」狀態,故TD的實際剩餘壽命(RUL)為76(289-213)個樣本週期。因此,本應用例可相當程度的預測出TD的剩餘壽命(RUL)。
以下說明採用複數個精簡且健康的歷史樣本來建立TD基底模型以便加強建模樣本的運作空間(Operating Space)與降低建模資料的雜訊,以至能提升預測精度的狀況。請參照第11圖和第12圖,第11圖係繪示本發明之應用例採用複數個精簡且健康的歷史樣本時之整個PM期間的BPM相關資料與指標值;第12圖係繪示本發明之應用例不採用複數個精簡且健康的歷史樣本時之整個PM期間的BPM相關資料與指標值。即,第11圖採用30組精簡且健康的歷史樣本和10組剛維修保養後之新鮮樣本,而第11圖採用40組剛維修保養後之新鮮樣本,其皆顯示測試用之第296-380樣本之TD的角度(yT
)、TD的健康基底值()與其相關之製程資料(「氨」、「矽甲烷」、「壓力」、「射頻功率」)。比較第11圖和第12圖之TD的健康基底值()後,第12圖之TD的健康基底值()的曲線比較崎嶇,其是不正確的,此係由於第12圖未採用複數個精簡且健康的歷史樣本來建立TD基底模型而導致其模型的運作空間(Operating Space)不足的緣故。如第11圖和第12圖之左半部所示,第11圖中與TD相關之製程參數資料的峰值變
化較第12圖大,故第12圖之模型的代表性較弱,因此採用複數個精簡且健康的歷史樣本來建立TD基底模型可增加預測的正確性。
由以上說明可知,應用本發明之實施例,可有效地推論出標的裝置的健康狀態,並預測標的裝置(TD)的剩餘壽命(RUL)。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何在此技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
1、2、3、4‧‧‧範圍
11、12、13、14‧‧‧範圍
100‧‧‧健康基底模型
102‧‧‧標準化模組
104‧‧‧TD基底模型
106‧‧‧標準化模組
108‧‧‧ISIB
模型
110‧‧‧DHI機制
112‧‧‧BEI機制
120‧‧‧FDC邏輯
122‧‧‧DHI<DHIT
124‧‧‧所有的ISIB
小於其ISIB_T
126‧‧‧BEI<BEIT
且所有的ISIB
小於其ISIB_T
130‧‧‧RUL預測
132‧‧‧偵測架構
134‧‧‧RUL預測模型
200‧‧‧離線操作
202、204‧‧‧步驟
210‧‧‧線上操作
212、214、216、218‧‧‧步驟
302、304、306、308、310、312、314‧‧‧步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之說明如下:
第1圖係繪示電漿輔助化學氣相沈積(PECVD)機台之節流閥角度的SPC管制圖。
第2圖係繪示實施本發明之BPM方法的BPM系統架構示意圖。
第3A圖係繪示根據本發明之一實施例收集建立TD基底模型所需之樣本步驟的流程圖。
第3B圖係繪示根據本發明之另一實施例收集建立TD基底模型所需之樣本步驟的流程圖。
第4圖係繪示以為中間基準值之yT
的SPC管制表的結構。
第5圖係繪示以0為底基準值之yE
的SPC管制表的結構。
第6圖係繪示根據本發明之實施例產生TD基底模型104並計算出DHI、BEI、ISIB
及以進行FDC部分所需資訊之流程圖。
第7圖係繪示根據本發明之標的裝置的狀態圖。
第8圖係繪示根據本發明實施例之RUL預測模型的運作示意圖。
第9圖係繪示根據本發明之一應用例進行FDC部分的結果。
第10圖係繪示根據本發明之應用例之整個預防保養(PM)期間的基底預測保養(BPM)相關資料與指標值。
第11圖係繪示本發明之應用例採用複數個精簡且健康的歷史樣本時之整個PM期間的BPM相關資料與指標值。
第12圖係繪示本發明之應用例不採用複數個精簡且健康的歷史樣本時之整個PM期間的BPM相關資料與指標值。
100‧‧‧健康基底模型
102‧‧‧標準化模組
104‧‧‧TD基底模型
106‧‧‧標準化模組
108‧‧‧ISIB
模型
110‧‧‧DHI機制
112‧‧‧BEI機制
120‧‧‧FDC邏輯
122‧‧‧DHI<DHIT
124‧‧‧所有的ISIB
小於其ISIB_T
126‧‧‧BEI<BEIT
且所有的ISIB
小於其ISIB_T
130‧‧‧RUL預測
132‧‧‧偵測架構
134‧‧‧RUL預測模型
Claims (16)
- 一種標的裝置的基底預測保養方法,包含:收集一標的裝置(Target Device;TD)剛進行一維修保養後生產複數個工件時所產生之複數個新鮮樣本;收集該標的裝置生產一新工件時所產生的一新工件樣本,其中該些新鮮樣本和該新工件樣本其中每一者包含由一組TD相關製程參數資料(X)和該標的裝置所產生之一實際代表值(yT )所組成的成對資料,該組TD相關製程參數資料(X)包含複數個參數;使用複數個建模樣本並根據一推估演算法來建立一TD基底模型,其中該些建模樣本包含該些新鮮樣本和該新工件樣本;由該TD基底模型來計算出生產該新工件之該標的裝置的一健康基底值(),其中該健康基底值為該標的裝置(TD)處於健康狀態時應有之健康的實際代表值(yT )的推估值。
- 如請求項1所述之標的裝置的基底預測保養方法,其中該推估演算法為一類神經網路(Neural Network;NN)演算法、一複迴歸(Multi-Regression;MR)演算法、一支持向量機(Support Vector Machines;SVM)演算法或一部份最小平方(Partial Least Squares;PLS)演算法。
- 如請求項1所述之標的裝置的基底預測保養方法,更包含: 以一組第一轉換公式將該新工件樣本之實際代表值(yT )轉換成一裝置健康指數(Device Health Index;DHI),該組第一轉換公式為:
- 如請求項3所述之標的裝置的基底預測保養方法,其中當>DHI>UCL_mapping (或>DHI>LCL_mapping )時,該標的裝置(TD)係健康且正常運作; 當UCL_mapping >DHI>USL_mapping (或LCL_mapping >DHI>LSL_mapping )時,該標的裝置(TD)已生病,在該標的裝置(TD)之剩餘壽命(Remaining Useful Life;RUL)用盡後,標的裝置(TD)將無法運作;當USL_mapping >DHI>Max y T _mapping (或LSL_mapping >DHI>Min y T _mapping )時,該標的裝置(TD)已死亡,需要立即維修。
- 如請求項3所述之標的裝置的基底預測保養方法,更包含:以一組第二轉換公式將該新工件樣本之實際代表值(yT )與生產該新工件之該標的裝置的健康基底值()轉換成基底誤差指數(Baseline Error Index;BEI),該組第二轉換公式為:
- 如請求項5所述之標的裝置的基底預測保養方法,其中當Zero _mapping >BEI>Spec_mapping 時,該標的裝置係健康且正常運作的;當Spec_mapping >BEI>(HardSpec-)_mapping 時,該標的裝置已生病,在該標的裝置之剩餘壽命(RUL)用盡後,該標的裝置將無法運作;當(HardSpec-)_mapping >BEI>Max yE_mapping 時,該標的裝置已死亡,需要立即維修。
- 如請求項5所述之標的裝置的基底預測保養方法,更包含:針對該些新鮮樣本之TD相關製程參數資料(X)之每一該些參數計算其平均數與標準差並進行標準化的動作,而獲得該新工件樣本之TD相關製程參數之每一該些參數之一基底個體相似度指標(Baseline Individual Similarity Indexes;ISIB )。
- 如請求項7所述之標的裝置的基底預測保養方法,更包含:若DHI≧DHIT 且該新工件樣本之TD相關製程參數資料(X)中之每一該些參數之該ISIB 均小於其ISIB_T ,則代表該標的裝置係健康且TD相關製程參數所對應到的元件均正常運作;若DHI≧DHIT 且該新工件樣本之TD相關製程參數資 料(X)之該些參數之ISIB 其中至少一者大於或等於其ISIB_T ,則該標的裝置(TD)正常,但標的裝置(TD)相關製程參數所對應的元件至少有一者異常,應加以檢查;若DHI<DHIT 且BEI≧BEIT ;或DHI<DHIT 且該新工件樣本之TD相關製程參數資料(X)之該些參數之ISIB 其中至少一者大於或等於其ISIB_T ,則代表該標的裝置(TD)正常,而其超過管制(Out Of Control;OOC)是因標的裝置(TD)相關製程參數所對應的元件至少有一者異常的緣故,應加以檢查;以及若DHI<DHIT 且BEI<BEIT 且該新工件樣本之TD相關製程參數資料(X)之每一該些參數之該ISIB 均小於其ISIB_T ,則代表該標的裝置(TD)異常,且是其本身所造成,應立刻進行維修的動作;其中DHIT 為DHI門檻值,BEI為DHI門檻值,ISIB_T 為ISIB 門檻值。
- 如請求項1所述之標的裝置的基底預測保養方法,更包含:收集該標的裝置生產一下一新工件時所產生的一下一新工件樣本,其中該下一新工件樣本的組成元素與該新工件樣本相同;將該下一新工件樣本加入至該些建模樣本中,再使用該些建模樣本並根據該推估演算法來重新建立該TD基底模型;由該TD基底模型來計算出生產該下一新工件之該標的裝置(TD)的健康基底值(); 計算該下一新工件樣本的;若該新工件樣本和該下一工件樣本的yE 均大於一門檻值時,即以以一預測演算法來預測該標的裝置之剩餘壽命(RUL)。
- 如請求項9所述之標的裝置的基底預測保養方法,其中該預測演算法為一曲線擬合法或一時間序列預測法。
- 如請求項10所述之標的裝置的基底預測保養方法,其中該曲線擬合法為一線性曲線擬合(Linear Curve Fitting,LCF)法或以迴歸為基礎之一指數曲線擬合(Exponential Curve Fitting,ECF)法,而該時間序列預測法為一自我迴歸整合移動平均法(Auto-Regressive Integrated Moving Average,ARIMA)。
- 如請求項1所述之標的裝置的基底預測保養方法,更包含:收集該標的裝置所產生之健康的複數個歷史樣本,其中該些歷史樣本係在該標的裝置於健康狀態時分別生產複數個歷史工件後所產生的,其中該些歷史樣本的組成元素與該些新鮮樣本相同;以及將該些歷史樣本加入至該些建模樣本。
- 如請求項12所述之標的裝置的基底預測保養方 法,更包含:自該些歷史樣本中篩選出精簡且健康的歷史樣本。
- 如請求項12所述之標的裝置的基底預測保養方法,更包含:使用一動態移動視窗(Dynamic Moving Window;DMW)方法來自該些歷史樣本中篩選出精簡且健康的歷史樣本。
- 如請求項1所述之標的裝置的基底預測保養方法,更包含:自該些建模樣本中去刪除該新工件樣本。
- 一種電腦程式產品,當電腦載入此電腦程式產品並執行後,可完成如請求項1至15中任一項所述之標的裝置的基底預測保養方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101126242A TWI463334B (zh) | 2012-07-20 | 2012-07-20 | 標的裝置的基底預測保養方法與其電腦程式產品 |
US13/845,144 US10242319B2 (en) | 2012-07-20 | 2013-03-18 | Baseline predictive maintenance method for target device and computer program product thereof |
EP13168089.4A EP2687935B1 (en) | 2012-07-20 | 2013-05-16 | Baseline predictive maintenance method for target device and computer program product thereof |
CN201310181746.2A CN103577887B (zh) | 2012-07-20 | 2013-05-16 | 标的装置的基底预测保养方法 |
KR1020130061112A KR101518448B1 (ko) | 2012-07-20 | 2013-05-29 | 대상 장치에 대한 베이스라인 예측 유지보수 방법 및 이를 이용한 컴퓨터가 읽을 수 있는 기록 매체 |
JP2013125444A JP5643387B2 (ja) | 2012-07-20 | 2013-06-14 | 対象装置のベースライン予知保全方法及びそのコンピュータプログラム製品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW101126242A TWI463334B (zh) | 2012-07-20 | 2012-07-20 | 標的裝置的基底預測保養方法與其電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201405330A TW201405330A (zh) | 2014-02-01 |
TWI463334B true TWI463334B (zh) | 2014-12-01 |
Family
ID=48366286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW101126242A TWI463334B (zh) | 2012-07-20 | 2012-07-20 | 標的裝置的基底預測保養方法與其電腦程式產品 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10242319B2 (zh) |
EP (1) | EP2687935B1 (zh) |
JP (1) | JP5643387B2 (zh) |
KR (1) | KR101518448B1 (zh) |
CN (1) | CN103577887B (zh) |
TW (1) | TWI463334B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI580912B (zh) * | 2016-03-21 | 2017-05-01 | China Steel Corp | A Method for Predicting the Maintenance Time of Trolley Air Conditioning |
US10262270B2 (en) | 2015-12-07 | 2019-04-16 | Industrial Technology Research Institute | System and method for predicting remaining useful life of component of equipment |
US10269660B2 (en) | 2015-05-27 | 2019-04-23 | National Cheng Kung University | Metrology sampling method with sampling rate decision scheme and computer program product thereof |
US10515725B2 (en) | 2015-11-06 | 2019-12-24 | Industrial Technology Research Institute | Health assessment method and health assessment device for workpiece processing apparatus |
TWI684107B (zh) * | 2018-12-18 | 2020-02-01 | 國立中山大學 | 資料補值與分類方法以及資料補值與分類系統 |
US11106190B2 (en) | 2016-12-13 | 2021-08-31 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
US11609559B2 (en) | 2019-12-30 | 2023-03-21 | Industrial Technology Research Institute | Data processing system and method |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180046151A1 (en) * | 2015-03-11 | 2018-02-15 | Siemens Indsutry, Inc. | Cascaded identification in building automation |
US20160283885A1 (en) * | 2015-03-26 | 2016-09-29 | Brian David Tramontini | Method for evaluating relative performance for a specific performance indicator at a point in time |
CN107533733B (zh) * | 2015-05-21 | 2018-12-28 | 三菱电机株式会社 | 远程监视装置及方法、远程监视维护系统及记录介质 |
US10371285B2 (en) * | 2015-10-27 | 2019-08-06 | Dresser, Llc | Predicting maintenance requirements for a valve assembly |
US10401423B2 (en) * | 2016-05-03 | 2019-09-03 | Teradyne, Inc. | Thermal control using phase-change material |
US10619760B2 (en) * | 2016-10-24 | 2020-04-14 | Fisher Controls International Llc | Time-series analytics for control valve health assessment |
US10530748B2 (en) | 2016-10-24 | 2020-01-07 | Fisher-Rosemount Systems, Inc. | Publishing data across a data diode for secured process control communications |
TWI634447B (zh) * | 2016-12-30 | 2018-09-01 | 財團法人工業技術研究院 | 加熱元件的狀態診斷與評估方法及其應用 |
WO2019199845A1 (en) | 2018-04-09 | 2019-10-17 | Well Checked Systems International LLC | System and method for machine learning predictive maintenance through auditory detection on natural gas compressors |
CN109253826B (zh) * | 2018-08-01 | 2019-12-24 | 西安交通大学 | 一种基于多退化样本数据融合的热量表剩余寿命预测方法 |
TWI684839B (zh) * | 2018-11-30 | 2020-02-11 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
TWI708197B (zh) * | 2019-04-26 | 2020-10-21 | 國立成功大學 | 生產機台組件的預測保養方法與其電腦程式產品 |
CN111047106B (zh) * | 2019-12-23 | 2023-04-14 | 南智(重庆)能源技术有限公司 | 井口阀门寿命预测方法 |
TWI742709B (zh) | 2020-06-04 | 2021-10-11 | 國立成功大學 | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 |
CN112749453B (zh) * | 2020-12-16 | 2023-10-13 | 安徽三禾一信息科技有限公司 | 基于改进svr的复杂设备剩余使用寿命预测方法 |
WO2022195107A1 (en) * | 2021-03-18 | 2022-09-22 | Craft.Ai | Devices and processes for data sample selection for therapy-directed tasks |
EP4060677A1 (en) * | 2021-03-18 | 2022-09-21 | Craft.Ai | Devices and processes for data sample selection for therapy-directed tasks |
KR20240025865A (ko) * | 2022-08-19 | 2024-02-27 | 한국전력공사 | 설비자산의 상태평가를 위한 지능형 건전성 지수 산출 시스템 및 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060030060A1 (en) * | 1991-04-02 | 2006-02-09 | Minori Noguchi | Apparatus and method for testing defects |
TW200634509A (en) * | 2005-03-24 | 2006-10-01 | Taiwan Semiconductor Mfg | Method for integrally checking chip and package substrate layouts for errors |
TW200705230A (en) * | 2005-04-19 | 2007-02-01 | Nec Electronics Corp | Design method by estimating signal delay time with netlist created in light of terminal line in macro and program for creating the netlist |
US7243327B1 (en) * | 2002-04-05 | 2007-07-10 | Cisco Technology, Inc. | Method for automatically routing connections between top side conductors and bottom side conductors of an integrated circuit package |
TW200821602A (en) * | 2006-08-03 | 2008-05-16 | Lam Res Corp | Automated test and characterization data analysis methods and arrangement |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000259222A (ja) | 1999-03-04 | 2000-09-22 | Hitachi Ltd | 機器監視・予防保全システム |
JP4607618B2 (ja) | 2005-02-15 | 2011-01-05 | 東京エレクトロン株式会社 | 成膜装置、コンピュータプログラム及び記憶媒体 |
TWI315054B (en) | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
CN101547994A (zh) | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特系统股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
US20080120060A1 (en) * | 2006-09-29 | 2008-05-22 | Fisher-Rosemount Systems, Inc. | Detection of catalyst losses in a fluid catalytic cracker for use in abnormal situation prevention |
EP1914638A1 (en) | 2006-10-18 | 2008-04-23 | Bp Oil International Limited | Abnormal event detection using principal component analysis |
US20080183444A1 (en) * | 2007-01-26 | 2008-07-31 | Grichnik Anthony J | Modeling and monitoring method and system |
TWI349867B (en) | 2008-05-20 | 2011-10-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
JP5108116B2 (ja) * | 2009-01-14 | 2012-12-26 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
JP4730451B2 (ja) * | 2009-03-16 | 2011-07-20 | 富士ゼロックス株式会社 | 検出データ処理装置及びプログラム |
JP5728839B2 (ja) | 2010-07-06 | 2015-06-03 | 富士通株式会社 | 故障診断方法、装置及びプログラム |
TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
TWI451336B (zh) * | 2011-12-20 | 2014-09-01 | Univ Nat Cheng Kung | 預測模型之建模樣本的篩選方法及其電腦程式產品 |
TWI521360B (zh) * | 2014-03-26 | 2016-02-11 | 國立成功大學 | 量測抽樣方法與其電腦程式產品 |
-
2012
- 2012-07-20 TW TW101126242A patent/TWI463334B/zh active
-
2013
- 2013-03-18 US US13/845,144 patent/US10242319B2/en active Active
- 2013-05-16 EP EP13168089.4A patent/EP2687935B1/en active Active
- 2013-05-16 CN CN201310181746.2A patent/CN103577887B/zh active Active
- 2013-05-29 KR KR1020130061112A patent/KR101518448B1/ko active IP Right Grant
- 2013-06-14 JP JP2013125444A patent/JP5643387B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060030060A1 (en) * | 1991-04-02 | 2006-02-09 | Minori Noguchi | Apparatus and method for testing defects |
US7243327B1 (en) * | 2002-04-05 | 2007-07-10 | Cisco Technology, Inc. | Method for automatically routing connections between top side conductors and bottom side conductors of an integrated circuit package |
TW200634509A (en) * | 2005-03-24 | 2006-10-01 | Taiwan Semiconductor Mfg | Method for integrally checking chip and package substrate layouts for errors |
TW200705230A (en) * | 2005-04-19 | 2007-02-01 | Nec Electronics Corp | Design method by estimating signal delay time with netlist created in light of terminal line in macro and program for creating the netlist |
TW200821602A (en) * | 2006-08-03 | 2008-05-16 | Lam Res Corp | Automated test and characterization data analysis methods and arrangement |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10269660B2 (en) | 2015-05-27 | 2019-04-23 | National Cheng Kung University | Metrology sampling method with sampling rate decision scheme and computer program product thereof |
US10515725B2 (en) | 2015-11-06 | 2019-12-24 | Industrial Technology Research Institute | Health assessment method and health assessment device for workpiece processing apparatus |
US10262270B2 (en) | 2015-12-07 | 2019-04-16 | Industrial Technology Research Institute | System and method for predicting remaining useful life of component of equipment |
TWI580912B (zh) * | 2016-03-21 | 2017-05-01 | China Steel Corp | A Method for Predicting the Maintenance Time of Trolley Air Conditioning |
US11106190B2 (en) | 2016-12-13 | 2021-08-31 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
TWI684107B (zh) * | 2018-12-18 | 2020-02-01 | 國立中山大學 | 資料補值與分類方法以及資料補值與分類系統 |
US11609559B2 (en) | 2019-12-30 | 2023-03-21 | Industrial Technology Research Institute | Data processing system and method |
Also Published As
Publication number | Publication date |
---|---|
CN103577887B (zh) | 2017-09-15 |
JP2014022725A (ja) | 2014-02-03 |
EP2687935A2 (en) | 2014-01-22 |
KR20140011925A (ko) | 2014-01-29 |
JP5643387B2 (ja) | 2014-12-17 |
TW201405330A (zh) | 2014-02-01 |
EP2687935B1 (en) | 2020-03-25 |
US20140025315A1 (en) | 2014-01-23 |
EP2687935A3 (en) | 2015-10-07 |
KR101518448B1 (ko) | 2015-05-11 |
US10242319B2 (en) | 2019-03-26 |
CN103577887A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI463334B (zh) | 標的裝置的基底預測保養方法與其電腦程式產品 | |
CN108604360B (zh) | 设施异常监测方法及其系统 | |
CN109033499B (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
Susto et al. | A predictive maintenance system for epitaxy processes based on filtering and prediction techniques | |
Kaiser et al. | Predictive maintenance management using sensor-based degradation models | |
KR100885919B1 (ko) | 펌프 폴트 예측 장치 및 펌프 폴트 예측 방법 | |
US7966152B2 (en) | System, method and algorithm for data-driven equipment performance monitoring | |
TWI412906B (zh) | 具有虛擬量測功能的製造執行系統與製造系統 | |
Lin et al. | Time series prediction algorithm for intelligent predictive maintenance | |
CN105225979A (zh) | 一种半导体器件制程预测系统和方法 | |
US20060129257A1 (en) | Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework | |
US11126172B2 (en) | Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time | |
TWI708197B (zh) | 生產機台組件的預測保養方法與其電腦程式產品 | |
Hsieh et al. | VM-based baseline predictive maintenance scheme | |
Susto et al. | A virtual metrology system based on least angle regression and statistical clustering | |
KR101882847B1 (ko) | 발전 설비의 성능 저하 원인 도출 방법 및 장치 | |
US11054815B2 (en) | Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system | |
Ayech et al. | New adaptive moving window PCA for process monitoring | |
Cholette et al. | Condition monitoring and operational decision making in semiconductor manufacturing | |
Karuppusamy | Machine learning approach to predictive maintenance in manufacturing industry-a comparative study | |
Liu | Predictive Modeling for Intelligent Maintenance in Complex Semiconductor Manufacturing Processes. | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
Pampuri et al. | Proportional hazard model with ℓ 1 Penalization applied to Predictive Maintenance in semiconductor manufacturing | |
JP2014026327A (ja) | 実稼働データによる機器の状態診断装置 | |
Liao et al. | Recurrent reinforcement learning for predictive overall equipment effectiveness |