TWI634447B - 加熱元件的狀態診斷與評估方法及其應用 - Google Patents
加熱元件的狀態診斷與評估方法及其應用 Download PDFInfo
- Publication number
- TWI634447B TWI634447B TW105144213A TW105144213A TWI634447B TW I634447 B TWI634447 B TW I634447B TW 105144213 A TW105144213 A TW 105144213A TW 105144213 A TW105144213 A TW 105144213A TW I634447 B TWI634447 B TW I634447B
- Authority
- TW
- Taiwan
- Prior art keywords
- heating element
- resistance
- under test
- diagnosing
- evaluating
- Prior art date
Links
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B1/00—Details of electric heating devices
- H05B1/02—Automatic switching arrangements specially adapted to apparatus ; Control of heating devices
- H05B1/0227—Applications
- H05B1/023—Industrial applications
- H05B1/0233—Industrial applications for semiconductors manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一種加熱元件的狀態診斷與評估方法,包括下述步驟:首先,收集一受測加熱元件的複數個歷史操作資料。其中,每一筆操作資料都包括一溫度、一操作次序和一電阻值。接著,擷取這些歷史操作資料中對應一段溫度區間的複數個區段歷史操作資料,得出一條電阻-操作次序特徵曲線。然後,根據電阻-操作次序特徵曲線判斷受測加熱元件是否失效、預測受測加熱元件的後續操作是否失效或預測受測加熱元件的剩餘壽命。
Description
本說明書所揭露的是關於一種製程元件的狀態診斷和失效預測方法及其應用。
在半導體及其他電子元件製造業中,製程中加熱機台之加熱元件的溫度配方,一般是按照加熱元件溫度與電流或電壓的線性關係來加以設定。然而,隨著製程配方種類多樣化與複雜化,不易對每道製程進行全面監控,且無法明確知道當前加熱元件的生命狀態是否已達需更換的標準。若在加熱元件尚未達更換標準前即予以提前更換,會產生成本浪費問題,若是已達更換標準卻未進行更換,又可能造成製程失效等問題。
因此,有需要提供一種先進的加熱元件狀態診斷和失效預測方法及其應用,來估測加熱元件的餘壽命與更換時點,解決習知技術所面臨的問題。
本說明書中的一實施例是在提供一種加熱元件的狀態診斷與評估方法,包括下述步驟:首先,收集一受測加熱元件的複數個歷史操作資料。其中,每一筆操作資料都包括一溫度、一操作次序(run)和一電阻值。接著,擷取這些歷史操作資料中對應一段溫度區間的複數個區段歷史操作資料,得出一條電阻-操作次序特徵曲線。然後,根據再對電阻-操作次序特徵曲線判斷受測加熱元件是否失效、預測受測加熱元件的後續操作是否失效或預測受測加熱元件的剩餘壽命(Remaining Useful Life,RUL)。
本說明書中的另一實施例是在提供一種非暫態電腦可儲存媒體。此非暫態電腦可儲存媒體儲存了複數個指令,當這些指令被讀取時,會執行如前所述之加熱元件的狀態診斷和失效預測方法。
S1‧‧‧獲取至少一個受測加熱元件的歷史操作資料
S2‧‧‧擷取歷史操作資料中對應一個溫度區間的複數個區段操作資料
S3‧‧‧以區段操作資料製作電阻-操作次序特徵曲線
S41‧‧‧對受測加熱元件進行狀態診斷
S42‧‧‧對受測加熱元件進行故障預測
S43‧‧‧預測受測加熱元件的剩餘壽命
S5‧‧‧發佈警報通知操作人員,更換受測加熱元件
201‧‧‧單位電流-時間的關係曲線
202‧‧‧時間-溫度關關係曲線
203‧‧‧單位電壓-時間關係曲線
301、302、303‧‧‧單位電流-操作次序關係曲線
311、312、313‧‧‧單位電壓-操作次序關係曲線
321、322、323‧‧‧單位電阻-操作次序關係曲線
331、332、333‧‧‧單位電功率-操作次序關係曲線
341、342、343‧‧‧溫度-操作次序關係曲線
401、704‧‧‧受測加熱元件的單位電阻-操作次序特徵曲線
402‧‧‧警告門檻電阻值
403‧‧‧最後一個操作次序
601‧‧‧正常區域
602‧‧‧警告區域
701、702‧‧‧參考加熱元件的單位電阻-操作次序迴歸曲線
703‧‧‧受測加熱元件的特徵曲線
701a、702a‧‧‧參考加熱元件的單位電阻-操作次序迴歸曲線的曲線段落
為了對本說明書之上述實施例及其他目的、特徵和優點能更明顯易懂,特舉數個較佳實施例,並配合所附圖式,作詳細說明如下:第1圖係根據本說明書的一實施例所繪示的一種加熱元件的狀態診斷與評估方法的流程圖;第2A圖係根據本說明書的一實施例繪示由受測加熱元件一
次操作製程中的一筆歷史操作資料所作成的單位電流/時間和溫度/時間關係曲線圖;第2B圖係根據本說明書的一實施例繪示由受測加熱元件一次操作製程中的一筆歷史操作資料所作成的單位電壓/時間和溫度/時間關係曲線圖;第3A圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條單位電流-操作次序關係曲線;第3B圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條單位電壓-操作次序關係曲線;第3C圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條單位電阻-操作次序關係曲線;第3D圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條單位電功率-操作次序關係曲線;第3E圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條溫度-操作次序關係曲線;第4圖係根據本說明書的一實施例所繪示的一種可用來診斷受測熱元件目前的操作狀態,並預測受測加熱元件的後續操作是否會失效,以及受測加熱元件的剩餘壽命的單位電阻-操作次序特徵曲線;第5圖係根據本說明書的一實施例繪示以加熱元件單位電阻-時間特徵曲線作為健康趨勢曲線進行準確性評估的方法;第6圖係根據本說明書的一實施例繪示以加熱元件單位電阻-
時間特徵曲線來對故障預測進行準確性評估的方法;以及第7A圖至第7C圖係根據本說明書的一實施例所繪示之單位電阻-操作次序訓練特徵曲線和受測加熱元件單位電阻-操作次序特徵曲線的指數函數擬合模型。
本說明書所揭露的實施例是有關於一種加熱元件的狀態診斷和失效預測方法及其應用,可用來估測加熱元件的剩餘壽命與更換時點,解決製程中因提前更換或未即時更換加熱元件所造的成本浪費或製程失效的問題。為讓本發明之上述目的、特徵和優點能更明顯易懂,特舉數個較佳實施例,並配合所附圖式詳細描述如下。
但必須注意的是,這些特定的實施案例與方法,並非用以限定本發明。本發明仍可採用其他特徵、元件、方法及參數來加以實施。較佳實施例的提出,僅係用以例示本發明的技術特徵,並非用以限定本發明的申請專利範圍。該技術領域中具有通常知識者,將可根據以下說明書的描述,在不脫離本發明的精神範圍內,作均等的修飾與變化。在不同實施例與圖式之中,相同的元件,將以相同的元件符號加以表示。
請參照第1圖,第1圖係根據本說明書的一實施例所繪示的一種對加熱元件進行狀態診斷與評估方法的流程圖。加熱元件的狀態診斷與評估的方法包括下述步驟:
首先獲取要進行健康狀態評估診斷與評估之加熱元件(以下簡稱受測加熱元件)的歷史操作資料(如第1圖步驟S1所示)。例如在本說明書的一些實施例中,可以藉由記錄受測加熱元件在相同或不同製程中所產生的製程參數,來獲取這些歷史操作參數。其中,受測加熱元件可以是半導體輻射型加熱器中的電阻式加熱元件,例如線圈加熱元件。
在本實施例之中,可以採用即時監控(real-time monitoring)的方式,偵測受測加熱元件,從開始使用至失效更換期間,每一次加熱製程中所產生的所有操作參數值,例如電流、電壓、電阻、電功率和溫度等。並將這些操作參數值記錄於電腦資料庫系統之中。藉以得到受測加熱元件各項製程參數(電流、電壓、電阻、電功率和感測溫度)對應時間序列(秒)的歷史操作資料。
例如請參照第2A圖和第2B圖,第2A圖係根據本說明書的一實施例繪示由受測加熱元件一次操作製程中的一筆歷史操作資料所作成的單位電流/時間和溫度/時間關係曲線圖。第2B圖係根據本說明書的一實施例繪示由受測加熱元件一次操作製程中的一筆歷史操作資料所作成的單位電壓/時間和溫度/時間關係曲線圖。其中,橫軸為操作時間(秒);縱軸是電流(如第2A圖所繪示)、電壓(如第2B圖所繪示)和感測溫度的參數值。第2A圖中的曲線201代表受測加熱元件在一次加熱製程中的單位電流-時間關係曲線;曲線202代表受測加熱元件在一次加熱製程中的時間-溫度關關係曲線。第2B圖中的曲線203代表受測加熱元件
在一次加熱製程中的單位電壓-時間關係曲線。
累積足夠多筆包含有不同操作參數(電流、電壓、電阻、電功率和感測溫度)的歷史操作資料之後,可以從電腦資料庫系統中擷取歷史操作資料中對應一個溫度區間的複數個區段操作資料(如第1圖步驟S2所示)。例如在本說明書的一些實施例之中,可利用檔案讀取方式,通過資料擷取卡介面存取資料庫系統,以取得受測加熱元件在特定溫度段中包含不同操作參數(電流、電壓、電阻、電功率和感測溫度)和時間的多個歷史資料。例如,在本說明書的一些實施例中,特定溫度段可以是溫差介於1℃至150℃之間的一段升溫溫度區間。在本實施例中,是擷取受測加熱元件在升溫溫度區段,例如1250℃至1300℃之間,包含不同操作參數(電流、電壓、電阻、電功率和感測溫度)和時間的多筆歷史資料。
之後,針對受測加熱元件的不同操作參數分別繪示出一條操作參數-時間歷史關係曲線(未繪示)。再以每一次加熱製程的時間間隔為單位,將橫軸的時間序列區隔成多個操作次序(run)。並將受測加熱元件對應於該溫度區段之同一操作次序中的相同操作參數值(例如電流、電壓、電阻、電功率)加以平均,以得出各種參數(電流、電壓、電阻、電功率和感測溫度)在該溫度區段中分別對應不同操作次序的複數個平均值,進而分別構成一條操作參數-操作次序關係曲線。
例如請參照第3A圖至第3E圖。第3A圖係根據本
說明書的一實施例分別繪示多個相同加熱元件的多條單位電流-操作次序關係曲線301、302和303;第3B圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條單位電壓-操作次序關係曲線311、312和313;第3C圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條單位電阻-操作次序關係曲線321、322和323;第3D圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條電功率-操作次序關係曲線331、332和333;以及第3E圖係根據本說明書的一實施例分別繪示多個相同加熱元件的多條溫度-操作次序關係曲線341、342和343。
觀察第3A圖至第3E圖所繪示的不同操作參數(電流、電壓、電阻、電功率和感測溫度)相對於操作次序的歷史關係曲線可以發現,相同加熱元件之間的單位電阻-操作次序關係曲線321、322和323具有最一致的變化趨勢。因此,當要對受測加熱元件進行健康狀態評估診斷與評估時,可以採用加熱元件的電阻-操作次關係曲線為基準來製作受測加熱元件的特徵曲線(如第1圖步驟S3所示),以診斷受測熱元件目前的操作狀態,並預測受測加熱元件的後續操作是否會失效,以及受測加熱元件的剩餘壽命。
第4圖係根據本說明書的一實施例所繪示的一種可用來診斷受測熱元件目前的操作狀態,並預測受測加熱元件的後續操作是否會失效,以及受測加熱元件的剩餘壽命的單位電阻-操作次序特徵曲線401。在本說明書的一些實施例之中,形成單
位電阻-操作次序特徵曲線401的步驟,包括對受測熱元件的電阻-操作次序關係曲線進行數據平滑化(smoothing)處理。在本實施例中,是採用移動平均(Moving average,MA)法來對受測熱元件的單位電阻-操作次序關係曲線進行數據平滑化處理。
診斷受測加熱元件目前操作狀態(如第1圖步驟S41所示)的方法包括下述步驟:首先,假設加熱元件最後一個操作次序403(即故障更換時點)的電阻值大於某一警告門檻(alarm threshold)電阻值402(以標號1表示);且其他操作次序的電阻值小於警告門檻電阻值402(以標號0表示)為真(如第5圖所繪示)。當受測加熱元件最後一個操作次序的電阻值大於警告門檻電阻值402時,判定為真陽性(True Positive,TP);當受測加熱元件的電阻值不符合上述假設時,則判定為偽陽性(False Positive,FP);並以操作次序的總數為分母,以真陽性和偽陽性的個數為分子計算出符合上述假設的真陽性率(True Positive Rate,TPR)以及偽陽性率(FPR,false positive rate),作為評估受測加熱元件健康狀態的基準。
採用格點搜尋(grid search)對受測加熱元件的特徵曲線401進行最佳化(optimization),以真陽性率(TPR)以及偽陽性率(FPR)作為績效(performance)指標,透過測試所有可能的參數組合,從中找出一組能夠獲得最佳績效(performance)的參數,以決定出此一警告門檻電阻值402。
在本實施例中,具有最好的真陽性率(TPR)以及偽陽
性率(FPR)參數的電阻值為0.192歐姆(Ω)。當受測加熱元件目前所量測到的電阻值高於警告門檻電阻值402時,則可發佈警報通知操作人員,更換受測加熱元件(如第1圖步驟S5所示)。
在本說明書的一些實施例中,分別採用三個不同受測加熱元件(機台1、機台2和機台3)來進行操作狀態的診斷。另外也可根據前述方法,將不同受測加熱元件之歷史資料中的其他參數(例如電壓、電功率、電流和溫度)分別做成,單位電壓-操作次序特徵曲線、單位電功率-操作次序特徵曲線、單位電流-操作次序特徵曲線和溫度-操作次序特徵曲線(未繪示)當作比較例,並且對這些比較例進行受測加熱元件操作狀態的診斷,以評估採用不同參數進行受測加熱元件操作狀態診斷的準確率。評估結果如表一所示:
由表一可以發現,以單位電阻-操作次序特徵曲線401對受測加熱元件之進行操作狀態診斷時,每一個受測加熱元件的真陽性率(TPR)皆為100%,且偽陽性率(FPR)小於3%。對比於表二的其他比較例,機台1、機台2和機台3之間的陽性率(TPR)和偽陽性率(FPR)數值差距相當大。僅有單位電流-操作次序特徵曲線和單位電壓-操作次序特徵曲線的真陽性率高過60%;且所有比較例的偽陽性率皆高於15%以上;單位電流-操作次序特徵曲線、單位電壓-操作次序特徵曲線和溫度-操作次序特徵曲線的偽陽性率甚至高於50%。顯示,採用單位電阻-操作次序特徵曲線401來對受測加熱元件進行操作狀態診斷,具有較高的再現性和準確率。
另外,可以對受測加熱元件進行故障預測(如第1圖步驟S42所示)。在本說明書的一些實施例中,可以採用迴歸(regression)與分類(classification)演算法,例如邏輯迴歸(Logistic Regression,LR)演算法、隨機森林(Random Forest,RF)演算法、支持向量機(Support Vector Machine,SVM)演算法或自我迴歸整
合移動平均(Autoregressive Integrated Moving Average,ARIMA)演算法,來對受測加熱元件進行故障預測。其步驟詳述如下:首先,以受測加熱元件歷史資料中的電阻值和操作次序為基礎建立一個模型,此模型可是迴歸模型或分類模型,逐次地預測受測加熱元件下一次操作次序的預測電阻值,再以預測電阻值是否會超過特徵曲線401的警告門檻電阻值402來,來判斷受測加熱元件在下一個操作次序時是否會發生損壞故障或是仍保持健康。當受測加熱元件的預測電阻值高於警告門檻電阻值402時,即表示受測加熱元件將在下一次操作次序中失效。可發佈警報通知操作人員,更換受測加熱元件(如第1圖步驟S5所示)。
採用迴歸模型或分類模型來進行故障預測的準確度,可採用下述方法進行評估,故障預測準確度的評估方法包括下述步驟:首先,假設受測加熱元件總操作次序(由開始操作至元件失效之間操作次數的總合)的前98%為正常區域601;受測加熱元件的電阻值皆小於特徵曲線401的警告門檻電阻值402(以標號0表示);且受測加熱元件在最後2%個操作次序為警告區域602,受測加熱元件的電阻值皆大於特徵曲線401的警告門檻電阻值402(以標號1表示)為真(如第6圖所繪示)。
然後,將逐次預測所得的預測電阻值代入此一假設之中。當位於警告區域602中的預測電阻值只要有一個以上大於警告門檻電阻值402時,即判定為真陽性(TP);當位於正常區域601中的預測電阻值大於警告門檻電阻值402時,即判定為偽陽
性(FP)。並以預測加熱元件操作次序的總數為分母,以真陽性和偽陽性的個數為分子計算出符合上述假設的真陽性率(TPR)以及偽陽性率(FPR)。作為各種迴歸模型或分類模型故障預測準確度的評估標準。
在本實施例中,分別採用邏輯迴歸演算法、隨機森林演算法、支持向量機演算法和自我迴歸整合移動平均演算法來建立迴歸模型或分類模型,來預測三個受測加熱元件(機台1、機台2和、機台3)下一次操作次序的預測電阻值,並進一步評估採用不同演算法進行故障預測的準確性,故障預測準確性的評估結果如表二所述:
根據表二所述的故障預測結果可知,以採用自我迴歸整合移動平均模式來進行故障預測,具有最佳的準確性。在本說明書的一些實施例之中,更可以一種採用整體學習(Ensemble Learning)概念,透過投票機制來選擇採用不同演算法逐次預測所得的預測結果,將預測結果整合成一個一致的預測結果(Ensemble)。在本實施例之中,是採用多數表決(Plurality Voting)的方式,來選擇每一次預測所得的預測結果。藉由此一整體學習方法,可以讓故障預測的真陽性率(TPR)提高至100%以及將偽陽性率(FPR)降低至小於3%(如表二所述)。
在本說明書的另一些實施例之中,也可以採用分類技術(classification)來對受測加熱元件進行故障預測。首先,根據受測加熱元件過去的歷史資料,以電壓值及操作次序作為資料特徵(Feature),並以受測加熱元件在某一個操作次序是否失效作為預測目標(label),採用二元分類(binary classification)的方式建立一個訓練模型(training model)。接著,再將受測加熱元件在目前操作次序的電阻值以及在前一次操作次序的電阻值代入到這個訓練模型中,即可以預測下一個操作次序是否會損壞故障或是健康。
藉由多個參考加熱元件的歷史操作資料所建構的特徵曲線也可用來預測受測加熱元件的剩餘壽命(如第1圖步驟S42所示)。在本說明書的一些實施例中,受測加熱元件的剩餘壽命預測方法包括下述步驟:首先,獲取多個參考加熱元件過去的歷史資料。並分別針對每一個參考加熱元件歷史資料中的複數個電阻值和與其相對應的操作次序建構一個指數迴歸模型(exponential regression model),得出每個參考加熱元件的單位電阻-操作次序訓練特徵曲線701和702。接著,以同樣的方式,對受測加熱元件到目前為止的歷史資料中複數個電阻值和與其相對應的操作次序來建構出一條受測加熱元件的單位電阻-操作次序的特徵曲線703。
詳言之,首先獲取多個參考加熱元件過去的歷史資料。並分別針對每一個參考加熱元件歷史資料中的複數個電阻值和與其相對應的操作次序建構一個指數迴歸模型(exponential regression model),得出每個參考加熱元件的單位電阻-操作次序迴歸曲線701和702。對受測加熱元件到目前為止的歷史資料中複數個電阻值和與其相對應的操作次序的特徵曲線703,透過相似度比對方法,例如計算歐氏距離(Euclidean distance),從所有參考加熱元件的單位電阻-操作次序迴歸曲線701和702中尋找與受測加熱元件之特徵曲線703最相似的某些曲線段落701a和702a(如第7A圖和第7B圖所繪示)。並由參考加熱元件的單位電阻-操作次序迴歸曲線701和702的曲線段落701a和702a得到相
對應的參考剩餘壽命(如第7C圖所繪示)。後續,再將所有參考剩餘壽命取加權平均,得到最終的剩餘壽命預測值。其中,參考加熱元件的單位電阻-操作次序迴歸曲線701和702的曲線段落701a和702a並不限定為二個。在本說明書的一些實施例中,參考加熱元件的單位電阻-操作次序迴歸曲線701和702的曲線段落701a和702a可有複數個。
在本說明書的一些實施例之中,可以將前述加熱元件的狀態診斷和失效預測方法,內建於非暫態電腦可儲存媒體(non-transitory computer-readable medium),例如硬碟、軟碟、唯讀記憶光碟(Compact Disc Read-Only Memory,CD-ROM)等電腦可讀取記錄媒體,之中。此非暫態電腦可儲存媒體可以儲存複數個指令,當這些指令被讀取時,會執行如前述之加熱元件的狀態診斷和失效預測方法。
根據上述,本說明書的實施例是揭露一種加熱元件的狀態診斷與評估方法及其應用。其係以至少一個參考加熱元件的歷史操作資料為基礎,擷取這些歷史操作資料中對應一段溫度區間的區段電阻值,建構出一條電阻-操作次序特徵曲線,來診斷一個受測加熱元件目前的操作狀態,並預測受測加熱元件的後續操作是否會失效,以及受測加熱元件的剩餘壽命。藉以通知操作人員適時更換受測加熱元件,解決製程中因提前更換或未即時更換加熱元件所造的成本浪費或製程失效的問題。
綜上所述,雖然本說明書已以較佳實施例揭露如
上,然其並非用以限定本發明。本發明所屬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。
Claims (14)
- 一種加熱元件的狀態診斷與評估方法,包括:獲取一受測加熱元件的複數個歷史操作資料,每一該些操作資料包括一溫度、一操作次序和一電阻值,使該些歷史操作資料的該電阻值對應一時間序列;擷取該些歷史操作資料中對應一溫度區間的複數個區段歷史操作資料,得出一電阻-操作次序特徵曲線,包括:以該參考加熱元件的一加熱製程的一時間間隔為單位,將該時間序列區隔成複數個操作次序(run);及將對應於該些操作次序之同一者的複數個電阻值加以平均,使每一該些操作次序具有一平均電阻值;以及根據該電阻-操作次序特徵曲線,判斷該受測加熱元件是否失效,預測該受測加熱元件的一後續操作是否失效或預測該受測加熱元件的一剩餘壽命(Remaining Useful Life,RUL)。
- 如申請專利範圍第1項所述之加熱元件的狀態診斷與評估方法,其中獲取該參考加熱元件的該歷史操作資料使該些歷史操作資料的該電阻值對應一時間序列的步驟,包括:對該參考加熱元件進行一即時監控(real-time monitoring)。
- 如申請專利範圍第2項所述之加熱元件的狀態診斷與評估方法,其中得到該電阻-操作次序特徵曲線的步驟,更包括對每一該些操作次序的該平均電阻值進行一數據平滑化(smoothing)處理。
- 如申請專利範圍第3項所述之加熱元件的狀態診斷與評估方法,其中該數據平滑化處理包括移動平均(Moving Average,MA)法。
- 如申請專利範圍第1項所述之加熱元件的狀態診斷與評估方法,其中該溫度區間係一升溫溫度區間,且該升溫溫度區間具有介於1℃至150℃之間的一溫差。
- 如申請專利範圍第1項所述之加熱元件的狀態診斷與評估方法,更包括:對該電阻-操作次序特徵曲線進行一最佳化(optimization),以決定出一警告門檻(alarm threshold)電阻值;以及根據該警告門檻電阻值決定該受測加熱元件是否失效。
- 如申請專利範圍第6項所述之加熱元件的狀態診斷與評估方法,其中該最佳化包括一格點搜尋(grid search)。
- 如申請專利範圍第6項所述之加熱元件的狀態診斷與評估方法,其中判斷該後續操作是否失效之步驟包括:根據該電阻-操作次序特徵曲線獲得一預測電阻值;以及根據該預測電阻值和該警告門檻電阻值,判斷該後續操作是否失效。
- 如申請專利範圍第8項所述之加熱元件的狀態診斷與評估方法,其中得出該電阻-操作次序特徵曲線的步驟,包括以該些歷史操作資料建立一模型。
- 如申請專利範圍第9項所述之加熱元件的狀態診斷與評估方法,其中該模型係一迴歸(regression)模型或一分類(classification)模型。
- 如申請專利範圍第9項所述之加熱元件的狀態診斷與評估方法,其中該模型係基於一邏輯迴歸(Logistic Regression,LR)演算法、一隨機森林(Random Forest,RF)演算法、一支持向量機(Support Vector Machine,SVM)演算法和一自我迴歸整合移動平均(Autoregressive Integrated Moving Average,ARIMA)演算法的其中至少一項。
- 如申請專利範圍第1項所述之加熱元件的狀態診斷與評估方法,其中得出該電阻-操作次序特徵曲線的步驟,包括採用一二元分類(binary classification)演算法,根據該些歷史操作資料建立一訓練模型(training model)。
- 如申請專利範圍第1項所述之加熱元件的狀態診斷與評估方法,其中預測該受測加熱元件的該剩餘壽命之步驟,包括:以複數個參考加熱元件的複數個歷史操作資料得出複數條電阻-操作次序訓練特徵曲線;以及採用一指數函數擬合(exponential curve fitting)演算法型,選擇該些電阻-操作次序訓練特徵曲線中至少一者與該電阻-操作次序特徵曲線對應。
- 一種非暫態電腦可儲存媒體,儲存複數個指令,當該些指令被讀取時,會執行如申請專利範圍第第1項至第13項之一者所述之加熱元件的狀態診斷與評估方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105144213A TWI634447B (zh) | 2016-12-30 | 2016-12-30 | 加熱元件的狀態診斷與評估方法及其應用 |
CN201710101147.3A CN108268689B (zh) | 2016-12-30 | 2017-02-23 | 加热元件的状态诊断与评估方法及其应用 |
US15/498,315 US10698397B2 (en) | 2016-12-30 | 2017-04-26 | Heater condition monitoring and accessing method and applications thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105144213A TWI634447B (zh) | 2016-12-30 | 2016-12-30 | 加熱元件的狀態診斷與評估方法及其應用 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201824040A TW201824040A (zh) | 2018-07-01 |
TWI634447B true TWI634447B (zh) | 2018-09-01 |
Family
ID=62711606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105144213A TWI634447B (zh) | 2016-12-30 | 2016-12-30 | 加熱元件的狀態診斷與評估方法及其應用 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10698397B2 (zh) |
CN (1) | CN108268689B (zh) |
TW (1) | TWI634447B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI704359B (zh) * | 2018-07-26 | 2020-09-11 | 台達電子工業股份有限公司 | 功率元件失效判斷方法及其電子裝置 |
CN110850258B (zh) | 2018-07-26 | 2022-03-22 | 台达电子工业股份有限公司 | 功率元件失效判断方法及其电子装置 |
CN109711453B (zh) * | 2018-12-21 | 2022-05-13 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
CN110794232A (zh) * | 2019-10-28 | 2020-02-14 | 常州联德电子有限公司 | 陶瓷加热器性能的评估方法 |
CN114819242A (zh) * | 2021-01-28 | 2022-07-29 | 联华电子股份有限公司 | 考虑整体特征与局部特征的半导体工艺预测方法与装置 |
CN113763667B (zh) * | 2021-08-16 | 2023-07-25 | 镇江默勒电器有限公司 | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 |
CN114018612B (zh) * | 2021-09-28 | 2024-02-23 | 彩虹显示器件股份有限公司 | 一种基板玻璃通道辅助加热器寿命预警方法及系统 |
CN114088416B (zh) * | 2021-11-19 | 2023-12-08 | 一汽解放汽车有限公司 | 液力缓速器消音器故障诊断方法、装置及计算机设备 |
CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183404A1 (en) * | 2007-01-13 | 2008-07-31 | Arsalan Alan Emami | Monitoring heater condition to predict or detect failure of a heating element |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5420571A (en) | 1994-01-11 | 1995-05-30 | Honeywell Inc. | Switch with end of life prediction capability |
JP3056661B2 (ja) | 1994-12-27 | 2000-06-26 | シャープ株式会社 | ヒータ制御装置 |
JP3283716B2 (ja) | 1995-04-07 | 2002-05-20 | シャープ株式会社 | ヒータ制御装置 |
US5756568A (en) | 1995-11-30 | 1998-05-26 | Dow Corning Toray Silicone Co., Ltd. | Composite cured silicone powder and method for the preparation thereof |
US5945471A (en) | 1995-11-30 | 1999-08-31 | Dow Corning Toray Silicone Co., Ltd. | Composite cured silicone powder and method for the preparation thereof |
US6336083B1 (en) | 1999-05-21 | 2002-01-01 | Watlow Electric Manufacturing Company | Method and apparatus for predicting heater failure |
US6775624B2 (en) | 2001-10-19 | 2004-08-10 | International Business Machines Corporation | Method and apparatus for estimating remaining life of a product |
US7406644B2 (en) | 2006-03-30 | 2008-07-29 | Tokyo Electron Limited | Monitoring a thermal processing system |
JP4326570B2 (ja) | 2007-04-17 | 2009-09-09 | 東京エレクトロン株式会社 | ヒータ素線の寿命予測方法,熱処理装置,記録媒体,ヒータ素線の寿命予測処理システム |
JP5056549B2 (ja) | 2008-04-04 | 2012-10-24 | 日亜化学工業株式会社 | 光半導体素子の寿命予測方法および光半導体素子の駆動装置 |
US8494807B2 (en) * | 2009-01-23 | 2013-07-23 | Oxfordian Llc | Prognostics and health management implementation for self cognizant electronic products |
EP2544124A1 (en) | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of glucose levels |
US8768668B2 (en) * | 2012-01-09 | 2014-07-01 | Honeywell International Inc. | Diagnostic algorithm parameter optimization |
TWI463334B (zh) * | 2012-07-20 | 2014-12-01 | Univ Nat Cheng Kung | 標的裝置的基底預測保養方法與其電腦程式產品 |
US20140188405A1 (en) | 2012-12-28 | 2014-07-03 | International Business Machines Corporation | Predicting a time of failure of a device |
US20160349293A1 (en) * | 2015-05-28 | 2016-12-01 | Intel Corporation | Apparatus and method for condition monitoring of multiple electrical sub-systems |
CN105137242B (zh) * | 2015-09-09 | 2018-04-13 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
CN105678295B (zh) | 2016-01-04 | 2019-03-19 | 武汉科技大学 | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 |
CN105759207B (zh) | 2016-05-06 | 2018-10-02 | 上海海事大学 | 一种基于m-ekf算法的海流发电机绝缘系统故障检测方法 |
-
2016
- 2016-12-30 TW TW105144213A patent/TWI634447B/zh active
-
2017
- 2017-02-23 CN CN201710101147.3A patent/CN108268689B/zh active Active
- 2017-04-26 US US15/498,315 patent/US10698397B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183404A1 (en) * | 2007-01-13 | 2008-07-31 | Arsalan Alan Emami | Monitoring heater condition to predict or detect failure of a heating element |
Also Published As
Publication number | Publication date |
---|---|
US10698397B2 (en) | 2020-06-30 |
TW201824040A (zh) | 2018-07-01 |
US20180188719A1 (en) | 2018-07-05 |
CN108268689B (zh) | 2021-11-26 |
CN108268689A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI634447B (zh) | 加熱元件的狀態診斷與評估方法及其應用 | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
TWI510916B (zh) | 儲存裝置壽命監控系統以及其儲存裝置壽命監控方法 | |
US8494807B2 (en) | Prognostics and health management implementation for self cognizant electronic products | |
JP6774636B2 (ja) | 異常分析方法、プログラムおよびシステム | |
US20160217378A1 (en) | Identifying anomalous behavior of a monitored entity | |
JP6877735B2 (ja) | 製造不良原因の探索支援方法及び情報処理装置 | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
JPWO2018146768A1 (ja) | 不良要因推定装置および不良要因推定方法 | |
CN117572159B (zh) | 基于大数据分析的电力故障检测方法及系统 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
JP6135192B2 (ja) | 時系列データの異常監視装置、異常監視方法及びプログラム | |
JP6915693B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP2019113970A (ja) | プロセスの状態診断方法及び状態診断装置 | |
KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
US20220253051A1 (en) | Method and assistance system for detecting an abnormal behaviour of a device | |
JP6213655B2 (ja) | 時系列データの異常監視装置、異常監視方法及びプログラム | |
JP2016218636A (ja) | システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム | |
Hsieh | A micro-view-based data mining approach to diagnose the aging status of heating coils | |
CN117829002B (zh) | 电力线缆的老化诊断监测方法及系统 | |
JP2017204107A (ja) | データ分析方法、及び、そのシステム、装置 |