TWI475159B - 預測真空泵之轉子於旋轉時故障的方法及相關的泵抽裝置 - Google Patents

Description

預測真空泵之轉子於旋轉時故障的方法及相關的泵抽裝置

本發明係有關於與處理腔室有關之真空泵的預測性及預防性維修作業的領域。特別是有關於追蹤來自真空泵之感測器信號，並使其可以預測因泵卡住(pump seizing)而致之故障，以便其能夠安排預防性維修作業時程。本發明進一步包含相關的泵抽裝置。

真空泵通常包含一個或多個轉子，其等在運轉時是由一馬達加以驅動，以供轉動泵本體(定子)。在旋轉時，吸入至處理腔室內的氣體會陷留於轉子與定子之間的自由空間內，以供朝向出口排放出去。

真空泵是特別應用於需要低於大氣壓力之氣壓的半導體、平面螢幕、或光伏打基體(photovoltaic substrate)的製造方法中。但是，這些方法中所用的氣體會轉變成固態的副產物，會以層狀的形式沉積於泵的活動及固定零組件上，使得泵堵塞並卡住，這會使得該機構因轉子對於定子的過度摩擦作用而停止運轉。

亦有其他的來源會構成真空泵卡住的原因。例如說，在轉子因為加熱作用而翹曲後，會產生因熱而致的卡住現象。同樣的，安裝或製造真空泵時的轉子平衡或對齊上的瑕疵會造成轉子不平衡而致真空泵卡住。另外，在真空泵具有滾珠軸承時，軸承的劣化也會是轉子卡在定子內的一 項來源。

在製程是在相關的處理腔室(例如說半導體晶圓)及真空泵內進行時，泵的卡住可能會對產品造成不可逆的損害。如此則無可避免地必須中斷在該腔室內進行的處理程序，以供更換該真空泵。這些在製造上的非預定之中斷情形所衍生的成本是相當可觀的。

今日真空泵之維修是植基於修正性及預防性作業，而最佳的情形則是能夠在真空泵故障而關閉前，預測出預防性維修動作。

為達成此，必須要依據配合所用之真空泵的使用情形排定的時程表進行預防性維修作業。但是，其頻率並未依據泵使用的實際情形加以修正，此等實際使用情形是會隨著生產負載而變的，且許多實際使用情形是會影響到泵磨損或堵塞的速度，因之而會導致不必要或者是過遲的維修作業。

真空泵故障預測方法是已經被開發出來，意圖來預測泵的卡住情形及預估其更換作業。

例如說，有一種故障預測方法己知可用來推定乾式真空泵會發生故障的時間。對於真空泵發生故障之前所能使用之時間的估算是藉由泵之規格(電流、溫度、振動等等)做統計上的應用，並配合生產製程的特性(氣體流量、壓力、基體溫度等等)來進行的。但是，此方法並無法獨立使用。其無法在不考量製程之作業條件的情形下預測泵的使用壽命。此種系統必須依賴由製造設備所提供的資訊 ，而這就必須裝設該設備與泵之間的通訊線路。另外，改變製程條件時也必須要修改該分析系統的模式，但這無法在真空泵正在使用之時，簡易地施行之。

歐洲專利文獻EP 1,754,888也是已知的，其中揭露一種用來預測真空線路故障的方法。在此方法中要測量與泵之馬達有關的第一功能參數及與泵之氣體排放系統有關的第二功能參數二者的轉變時間。測量得的該等功能參數接著即利用統計處理方式加以結合起來，以供預測真空泵在發生堵塞情形前能使用的時段。因此該真空線路可以進行自我診察而無需與外界信號有任何關聯。此方法特別適合用於追蹤真空線路內會造成泵堵塞住之固態產物所致之污染現象的進展。但是，預測真空泵在堵塞所造成之卡住事件中的不正常行為即僅能於故障快發生之前為之。因此通常是無法在關閉真空泵之前採取任何的行動。再者，此方法並無法預測其他與卡住有關的泵失能情形，例如因為受熱或製造或安裝失誤所致者。

因此，此問題即成為預測與卡住有關之真空泵故障的發生，以便能安排預防性維修作業，以供防止泵在使用時發生故障情形。

此問題亦是要在沒有得到處理腔室內進行之製程的提示下，辨識出真空泵的不正常行為。其必須要能在不依賴真空泵使用條件之知識的情形下，特別是與各種被泵抽之氣體流量、被泵抽氣體特性、使用時間長度有關之知識，獨立進行故障的預測，或者換言之是在不考量來自真空泵 以外之特定條件及參數的情形下進行預測作業。

另外，預測作業必須要可靠。換言之，如果未能在超過80%的情形中，至少要在超過50%的情形中，故障生成的發生可能性必須要有足夠的信任度，以供預測故障。另外，預測必須要在夠早之前發生，以便能安排預防性維修作業的時程。

就此而言，本發明的目的是提出一種預測真空泵之轉子在旋轉時障的方法，包含下列步驟：- 紀錄下與真空泵之功能性信號隨著時間的轉變有關的多個序列的事件，- 找尋至少一個序列之事件與在該等記錄之序列事件內的真空泵行為模式的至少一個預先建立之相關規則的起源原因之間的互相配對，該等相關規則係在一個或多個擷取參數的限制下，藉由擷取知識而建立的，且該預先建立之相關規則的起源原因是與轉子旋轉時之故障有關，以及- 推論出真空泵於轉子旋轉時會於其間發生故障的一時間預測窗口。

因此，此故障預測方法能夠基於所記錄的功能性信號而可靠地預測因真空泵卡住而致之故障的發生。如此即可在泵實際上使用時發生故障之前，預期泵的故障而規劃預防性維修作業。診察可以早期為之，使其能夠將與零組件劣化有關的損害減至最小，並有助於維修人員的監控作業 ，因之而可進一步減低維修成本。

根據該預測方法之第一實施例，係記錄下與真空泵之泵本體的振動信號隨著時間的轉變有關的多個序列的事件。

根據該預測方法之第二實施例，係記錄下與真空泵之馬達的電流信號隨著時間的轉變有關的多個序列的事件。

該等功能性信號可轉換成一頻率值譜，且頻帶可選擇為該值譜內真空泵運動之頻率特性附近者。

該泵本體的振動信號及該真空泵馬達的電流信號是原始信號(raw signal)，意即他們是直接自真空泵上取得而不是來自於其他信號的組合，例如說，如同就泵之功率而言的情形。因此這些信號是更精確，可直接反應出泵的狀態。另外，振動信號或電流信號之轉換成值譜可使其能夠研究週期性的現象，其可界定出以固定速度旋轉之真空泵的運轉情形。

相關規則是藉由自一學習資料庫中擷取知識加以建立用來描述真空泵之行為模式，該學習資料庫包含有多個序列的事件，係在一個群組之真空泵的自運轉開始至轉子旋轉故障之壽命內自該等真空泵上取得者。

如此可根據在數天之內記錄下來之多個序列的事件來建立真空泵的行為模式，這使其得以與處理腔室內進行之製程的週期性條件獨立無關。由於該製程所造成的破壞只會延續數分鐘，因此他們對於該模式的建立是透明性的。

因此，此預測方法可以辨識出真空泵的不正常行為， 無需對於在處理腔室內進行的製程加以提示，且不會因製程的破壞或修改而受到影響。機器的行為模式並不需要根據製程如何進行而重新調整。

根據該預測方法的一項或多項特性，單獨或合併考量，- 該等相關規則係在一個或多個選自：支持、信心、以及該相關規則之每一事件之間的最大時段長度等擷取參數的限制下，加以擷取的，- 自記錄著N個真空泵的學習資料庫內的N-1個序列的事件中擷取一個或多個相關規則，且將該等相關規則針對未用來進行擷取的序列事件加以驗證，- 藉由先自該等頻帶選取一參考位準及相等參考位準倍數的中間運轉位準，以及該真空泵運轉之特性，其次透過該等位準之時段特性，而自學習資料庫中決定一序列的事件。

本發明的另一目的是提出一種泵抽裝置，包含：- 一真空泵，包含至少一轉子及一泵本體，該轉子具有能在該泵本體內受到該泵之一馬達旋轉驅動的能力，- 該泵的功能性信號的一感測器，以及- 一裝置，用以預測一時間預測窗口，在該時間預測窗口內真空泵內會發生轉子旋轉時故障，該預測裝置係設置成能執行一種前面所述之預測真空泵之轉子於旋轉時故障的方法，以供根據該功能性信號感測器所提供之測量結果計算出該預估時間窗口。

根據該泵抽裝置的第一實施例，該功能性信號感測器是一振動感測器，例如說固定於該泵本體之一軸承上者。

根據該泵抽裝置的第二實施例，該功能性信號感測器是一種用以測量真空泵馬達之電流的裝置。

一泵抽裝置的使用包含一預測裝置，其可提供診察結果，以使其可以讓由該真空泵構成其一部份之設施於生產進行階段中，透過預測重大故障，而能避免該等重大故障。

其他的好處及特性可自閱讀下面本發明特定實施例的非限制性說明，以及所附圖式，而得知。

在圖式中，相同的元件是被賦予相同的參考編號。

為清楚起見，本方法的各個階段是由100開始加以編號。

本發明可應用於任何型式包含可於泵本體之定子內進行旋轉驅動之轉子的真空泵。此真空泵可以是，例如說，具有旋轉之葉片者，如具有二或三葉片的魯氏真空泵(roots vacuum pump)。在魯氏真空泵中，每一泵級均包含有二具有相同形狀的轉子，沿著相反方向在定子內轉動。當他們轉動時，吸入的氣體會陷留於轉子與定子之間的開放空間內，而後經由排氣裝置朝向出口或下一級逸出。旋轉葉片式的真空泵也可以是一種二舌部式真空泵，亦稱為爪式泵。另外，真空泵也可以是分子泵、渦輪分子泵、或 混合式，或者是葉輪泵或螺旋式泵。

第1圖中所顯示之設施1包含有一處理腔室2由一管3連接至一泵抽裝置5的進氣口4，以供沿著箭號6所示之方向泵抽由腔室2所吸取的氣體。其可以是一種能進行任何製程的腔室2，例如說應用在矽晶圓上之微電子裝置的製造、或平面螢幕或光伏打基體之製程上的沉積、蝕刻、離子植入、或熱處理程序。

泵抽裝置5包含有一真空泵7，具有一泵本體，其內有一轉子可由該泵7之馬達(未顯示)加以旋轉驅動。在運轉時，該轉子是設定為一固定值。該真空泵7的出口是與一排氣管相接。

泵抽裝置5進一步包含有泵本體的振動感測器9及泵7會在其間因卡住而發生故障之預估時間窗口的預測裝置10。卡住是定義為轉子在泵本體進行旋轉運動時的故障，其造成該旋轉機構停止作動。

振動感測器9可以是，例如說，壓電式加速度計，其可以提供有效的振動速度(單位為m/s(公尺/秒))。振動感測器9的輸出是連接至該預測裝置10。

分析該等振動可以辨識出用來預測以固定速度轉動之真空泵發生卡住所必須要有的週期性特性現象。在泵本體具有堅固之結構的情形下，單一振動感測器9即足以在單一測量點處連接泵本體的所有特性振動現象。振動感測器9的類比輸出信號會經由傅立葉轉換加以轉換成一值譜，以供辨識出週期性現象。

振動感測器9可以是，例如說，固定在真空泵7的二個軸承上，因為轉子的力量是在該處傳遞至泵本體。更具體地說，在乾式魯氏真空泵的例子中，振動感測器是垂直設置於泵本體的上方表面上，大約在二轉子之間，該處是轉子之軸在泵本體所造成之壓縮力量最大處。

預測裝置10會根據振動感測器9所提供之振動信號隨著時間的轉變的測量結果，計算出真空泵7會在其間因卡住而發生故障的預估時間窗口。預測裝置10包含有一處理單元，位在真空泵7內或位在遠端專門的專家中心內。該處理單元可以，例如說，傳送該預測資訊至一泵監控伺服器。該伺服器接著可以傳送一信息至維修作業人員的監控裝置上。

在計算其間會因卡住而發生故障的預估時間窗口上，預測裝置10要執行第2圖中所示的故障預測方法100。

在該預測方法100的第一步驟101中，與泵本體振動信號隨著時間之轉變有關的多個序列的事件，會依測量的擷取而加以記錄下來，例如說，每隔80秒。

為減小學習資料庫的大小，可以在振動值譜內選取真空泵運動之頻率特性附近的振動頻帶。第3圖顯示出振動信號(速度)的四種振動頻帶B1、B2、B3、以及B4。

例如說，可以將振動頻帶選擇成使其中心位於對應轉子轉速的特性頻率上。

也可以計劃將振動頻帶選擇成位於與旋轉之機械零件(例如軸、葉片、滾柱軸承、及齒輪)之幾何特性相對應 的特性頻率附件。

振動頻帶也可以選擇成位在泵之旋轉頻率的一個或多個諧波的附近，其可以是例如說轉子不平衡或轉子軸不對齊時的一項特性。

該等序列之事件首先是以自該等頻帶中所選出之振動信號的位準，其次是該等振動信號的過去特性時段來加以界定的。

例如說，可以在四個特性時段：2小時、2日、1週、以及超過1週內進行多個序列事件的測量。

例如說，可以決定一參考位準及中間運轉位準。該等位準可以是，例如說，藉由將一預定時段內的信號的範圍加以平均而得。

第3圖的曲線B1中顯示出由振動感測器所取得的振動信號的三個頻帶位準的例子S1、S2、S3。

參考位準S1對應於該等振動信號在一段約24小時之特性時段內所評估的下臨限值，以供例如說克服與目前進行之製程有關的偶發性擾動。

參考位準S1的測量是開始於一個新的真空泵啟動後的至少24小時後，以供克服真空泵7的燒機(burn-in)時間，其間振動仍尚未穩定下來。

第一中間運轉位準S3是對應於該等振動信號的上臨限值，是為，例如說，約參考位準S1的四倍(參見第3圖)。其係在一段，例如說，約2小時之特性時段內測量的。此一時段使其可以克服其他的偶發性擾動，其可是例如說 ，與目前進行之製程有關者(延續約數分鐘)。

第二中間運轉位準S2是參考位準S1的三倍，是於，例如說，一段約2小時之特性時段內測量所得。

第一中間運轉位準S3是二天內觀察所得之第二中間位準S2之後在一週內觀察所得，是對應於例如說真空泵卡住事件F。

在此預測方法100的第二步驟102中，要找尋至少一個序列事件與在該等記錄下來之序列事件內的真空泵行為模式的至少一預先建立之相關規則的起源原因之間互相的配對，該等相關規則是在一個或多個擷取參數的限制下，藉由擷取知識而建立的。

該等相關規則具有以下的格式：“如果起源原因，則結果”。他們包含轉子旋轉中的故障。他們是以方程式(1)加以表示：(1)：α=>F其中：“α”是包含有一個序列之事件A、B、C、...的起源原因，每一事件在時間上均是以一最大的預設時段加以分隔開，並具有起源原因之最後事件與卡住事件之間的最大時段。該等事件之間的最大時段是設定為，例如說，10天。該起源事件的該序列之事件是以方程式(2)來加以表示， (2)：A->B，其中A是第一個事件，其後為B，是第二個事件；“F”是為轉子旋轉中之故障的結果，即卡住事件“F”，而“=>”是起源原因與結果則的若-則(if-then)運算。

根據一實施例，相關規則是藉由自一學習資料庫中擷取知識加以建立用來描述真空泵7之行為模式。

該自資料(KDD)中擷取知識的方法，包括所謂之資料探勘”方法，的目的是要透過自動或半自動的方法，擷取知識或自大量的資料中學習。此方法可以使用能自資料庫取得的資料，以透過應用一條或多條相關規則來辨識特性原因、組合、以及被誤解及重大結構/配置。此方法是迭代式的，可以將擷取之知識的質加以最佳化。另外，不同於其他的方法，資料探勘方法使其可以得到可供使用者加以解釋的相關規則。

學習資料庫包含多個與卡住所致之故障有關的相關序列的事件，係透過一組的真空泵在一段真空泵開始運轉至其卡住的運轉壽命中取得的。必須要考量足夠大之真空泵群組，例如說約六十個泵中的一個，才能讓事件們之間具有可靠的關聯性。最好是將一群組的真空泵應用於實際使用狀態下的運轉，以便能觀察到要在真空泵之完整壽命中 加以預測的故障情形。

學習資料庫中僅包含有“第一次卡住”之前得到的多個序列的事件。事實上，在實際的使用狀態下，只要可以預測真空泵的卡住，其目的即在於以新的泵來更換該真空泵。因此無需自第一次卡住之後的任何卡住中進行學習。因此之故，在建立學習資料庫上，要選擇真空泵開始更新與該泵第一次觀察到卡住的日期之間所取得的資料。該第一次卡住是，例如說，由一專家依賴結合於真空泵上之感測器所傳送出來的信號在運轉期間所觀察到，並記錄下來者，例如真空泵之馬達消耗的功率或是真空泵出口的氣體壓力。該專家也可以依賴對於真空泵的檢視來清楚地辨識出卡住的原因。

第4圖顯示出在多個首尾相連之泵壽命期間內所記錄下來的一個範例性的事件序列。壽命期間d1顯示出，例如說，在啟動與卡住事件“F”之間的一個序列的事件。

該等相關規則是在一個或多個選自：支持、信心、以及該相關規則之每一事件之間的最大時段長度等擷取參數的限制下加以擷取的。

支持係對應於該相關規則預測與卡住有關之故障的次數。當選取的支持至少等於1，表示說某一相關規則在學習資料庫內的卡住有關之故障的偵測中至少發生過1次。當選取的支持等於2，則擷取的相關規並非是特定的。

信心是相關規則的可靠度測量基準。其係以卡住事件F之預測值%來加以表示。要選取100%的信心。換言之， 起源原因一定要伴隨著卡住結果，以防止不實預測，即便這樣的選取會造成預測率降低。例如說，在十次中僅能得到九次之卡住事件的相關規則要加以淘汰掉。

相關規則的每一次事件之間的最大時段是由預測視界(prediction horizon)所加附的限制，意即是故障預測與該故障本身發生之間的最大時段。每一事件之間的最大時段是設定為大約10天。

在學習結束時，相關規則即可由每一相關規則透過計算而得的最佳窗口加以界定。該最佳窗口是用來得到最大信心位準的規則的時段。對於每一相關規則，其將採用支持等於1而信心為100%的最佳窗口。

例如說，就第4圖中的範例性事件序列而言，對時段等於3單元時間u1的最大窗口w1，起源原因A->B會發生二次。再者，每次這個起源原因均與卡住事件F有關。因此信心是100%。

對於時段等於二單元時間u1的最大窗口w2而言，起源原因A->B發生二次。此起源原因在二次中僅一次與卡住事件F有關。因此信心是50%。

對於時段等於四個單位時間u1的最大窗口w3而言，起源原因A->B發生三次。但是，此起源原因在三次中僅二次與卡住事件F有關。因此信心是66%。

第5圖中的圖形係藉由顯示出窗口時段的信心百分比來總結這三種可能性。可以看到，對於時段是3單元的窗口w1而言，其信心是最大值，因為較短及較長時段之窗 口w2、w3的信心均較小。換言之，會有一個信心是最大的最佳窗口w1。

接著即可自記錄著N個真空泵的學習資料庫內的N-1個序列的事件中擷取一個或多個相關規則(通常是一組的相關規則)，而該等相關規則則可針對未用來進行擷取的事件序列加以驗證。

此方法其可以讓其能測試所建立之相關規則的強度。一條有效的相關規則必須要能夠在滿足於與擷取之過程中相同的限制下，針對所有未用來建立該相關規則的剩餘事件序列中預測出或不預測出故障。此方法使其能夠建立可能可以建構的最通用的行為模式，並驗證該方法於一獨立序列的事件(尚未被使用者)中的運作結果。

此方法接著即可重覆N次，以決定出其他的相關規則，或者是找尋出相同的相關規則，每次均要留下沒有用過的新的一組，以供驗證該等新的相關規則。每一序列接著連續自用來建立一相關規則的N-1個事件序列中隔離開，以供驗證該相關規則。該等N擷取中所擷取出的該群組的相關規則即可構成一組的相關規則。

在擷取程序100的第三步驟103中，推論出真空泵7在轉子旋轉時會發生故障的預估時間窗口。對於任何起源事件的發生，在最佳窗口之大小結束於該相關規則的第一事件出現之時間時，即可預測出該故障的日期。

對於一觀察窗口d2而言，預估時間窗口d3是等於最接近之故障日期預測與最遙遠之故障日期預測之間的時間間 隔。

該觀察窗口d2是由包含有最大數量事件(k)之規則所設定，是等於每一次事件之間最大時段的(k-1)倍。

藉由自學習資料庫中擷取知識而建立的規則可以是，例如說(R1)、(R2)、以及(R3)：(R1)A->B->C=>F，具有第一最佳窗口wa(R2)D->E->G=>F，具有第二最佳窗口wc(R3)K->E->L=>F，具有第三最佳窗口wb。

第6圖顯示出觀察窗口d2沿著時間所測量的一序列事件。

起源原因A->B->C的發生其可以預測將在第一事件A出現之日期發生的卡住F事件，再加上最佳窗口wa的大小。此起源事件在窗口d2內出現二次，因此會預測出二個卡住會發生的日期。

起源原因D->E->G的發生其可以預測將在第一事件D出現之日期發生的卡住F事件，再加上最佳窗口wc的大小。

起源原因K->E->L的發生其可以預測將在第一事件K出現之日期發生的卡住F事件，再加上最佳窗口wb的大小。

與各種預測卡住發生之假設相對應之點的群組會落在預估時間窗口d3內，而位在依據規則D->E->G之最佳窗口wc的預估與依據規則A->B->C第一次發生之最佳窗口wa的預估之間。如此即可預測，真空泵內所會發生轉子在旋轉 時故障的時間窗口。

因此，此預測方法可以辨識出真空泵的不正常行為，無需對於在處理腔室內進行的製程加以提示，且不會因製程的破壞或修改而受到影響。機器的行為模式並不需要根據製程如何進行而重新調整。

再者，預測在超過80%的情形下是可靠的。因此可以規劃泵實際上使用時發生故障之前，預期泵的故障而進行預防性維修作業。診察可以早期為之，使其能夠將與零組件劣化有關的損害減至最小，並有助於維修人員的監控作業，因之而可進一步減低維修成本。

1‧‧‧設施

2‧‧‧處理腔室

3‧‧‧管

4‧‧‧進氣口

5‧‧‧泵抽裝置

6‧‧‧箭號

7‧‧‧真空泵

9‧‧‧振動感測器

10‧‧‧預測裝置

100‧‧‧預測方法

101‧‧‧第一步驟

102‧‧‧第二步驟

103‧‧‧第三步驟

w1‧‧‧最大窗口

w2‧‧‧最大窗口

w3‧‧‧最大窗口

wa‧‧‧第一最佳窗口

wb‧‧‧第三最佳窗口

wc‧‧‧第二最佳窗口

第1圖顯示一包含連接至泵抽裝置之處理腔室的設備的示意圖。

第2圖顯示故障預測方法的圖形。

第3圖顯示一圖表，代表多個根據一範例性序列之事件的時間之振動頻帶的振動信號。

第4圖係以符號顯示出另一個範例性序列的事件。

第5圖顯示根據最佳窗口大小的信心百分比的圖表。

第6圖顯示出根據時間及相關預估時間窗口的一範例性序列之事件的圖表。

wa‧‧‧第一最佳窗口

wb‧‧‧第三最佳窗口

wc‧‧‧第二最佳窗口

Claims (7)

1. 一種預測真空泵之轉子於旋轉時故障的方法，包含下列步驟：記錄下與真空泵之功能性信號隨著時間的轉變有關的多個序列的事件(101)，找尋至少一個序列之事件與在該等記錄之序列事件內的真空泵行為模式的至少一個預先建立之相關規則的起源原因之間的互相配對，該等相關規則係在一個或多個擷取參數的限制下，藉由擷取知識而建立的，且該預先建立之相關規則的起源原因是與轉子旋轉時之故障有關(102)，以及推論出真空泵於轉子旋轉時會於其間發生故障的時間預測窗口(103)；其中該等功能性信號可轉換成頻率值譜，且頻帶可選擇為該值譜內真空泵運動之頻率特性附近者；其中相關規則是藉由自學習資料庫中擷取知識加以建立而用來描述真空泵之行為模式，該學習資料庫包含有多個序列的事件，係在一個群組之真空泵的自運轉開始至轉子旋轉故障之壽命內自該等真空泵上取得者；且其中該等功能性信號可轉換成頻率值譜，且頻帶可選擇為該值譜內真空泵運動之頻率特性附近者；且其中可藉由先自該等頻帶選取參考位準及相等於參考位準倍數的中間運轉位準，以及該真空泵運轉之特性，其次透過該等位準之時段特性，而自學習資料庫中決定一序列的事件。
2. 如申請專利範圍第1項所述之預測真空泵之轉子於旋轉時故障的方法，其中係記錄下與真空泵之泵本體的振動信號隨著時間的轉變有關的多個序列的事件(101)。
3. 如申請專利範圍第1項所述之預測真空泵之轉子於旋轉時故障的方法，其中係記錄下與真空泵之馬達的電流信號隨著時間的轉變有關的多個序列的事件(101)。
4. 如申請專利範圍第1項所述之預測真空泵之轉子於旋轉時故障的方法，其中該等相關規則是在一個或多個選自：支持、信心、以及該相關規則之每一事件之間的最大時段長度等擷取參數的限制下，加以擷取的。
5. 如申請專利範圍第1項或第4項所述之預測真空泵之轉子於旋轉時故障的方法，其中係自記錄著N個真空泵的學習資料庫內的N-1個序列的事件中擷取一個或多個相關規則，而該等相關規則可針對未用來進行擷取的序列事件加以驗證。
6. 一種泵抽裝置，包含：真空泵(7)，包含至少一轉子及泵本體，該轉子具有能在該泵本體內由該泵(7)之馬達加以旋轉驅動的能力該泵(7)的功能性信號感測器(9)，以及預測裝置(10)，用以預測時間預測窗口，在該時間預測窗口內真空泵(7)內會發生轉子旋轉時故障，該預測裝置(10)係設置成能執行如申請專利範圍第1項至第5項中之任一項所述之預測真空泵之轉子於旋轉時故障的 方法，以供根據該功能性信號感測器(9)所提供之測量結果計算出該預估時間窗口。
7. 如申請專利範圍第6項所述之泵抽裝置，其中該功能性信號感測器(9)是固定在該泵本體之軸承上的振動感測器。