TWI708197B - 生產機台組件的預測保養方法與其電腦程式產品 - Google Patents

生產機台組件的預測保養方法與其電腦程式產品 Download PDF

Info

Publication number
TWI708197B
TWI708197B TW108114804A TW108114804A TWI708197B TW I708197 B TWI708197 B TW I708197B TW 108114804 A TW108114804 A TW 108114804A TW 108114804 A TW108114804 A TW 108114804A TW I708197 B TWI708197 B TW I708197B
Authority
TW
Taiwan
Prior art keywords
component
value
values
production machine
workpieces
Prior art date
Application number
TW108114804A
Other languages
English (en)
Other versions
TW202040443A (zh
Inventor
林晉逸
謝昱銘
鄭芳田
黃憲成
Original Assignee
國立成功大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 國立成功大學 filed Critical 國立成功大學
Priority to TW108114804A priority Critical patent/TWI708197B/zh
Priority to CN202010313837.7A priority patent/CN111860933B/zh
Priority to US16/857,178 priority patent/US11378946B2/en
Application granted granted Critical
Publication of TWI708197B publication Critical patent/TWI708197B/zh
Publication of TW202040443A publication Critical patent/TW202040443A/zh
Priority to US17/664,874 priority patent/US20220291675A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Factory Administration (AREA)

Abstract

本發明實施例提供一種生產機台組件的預測保養方法與其電腦程式產品，其使用時間序列預測(Time Series Prediction；TSP)演算法，並應用訊息準則演算法來建立的時間序列分析模型，以預測生產機台組件意外停機之複雜的未來趨勢。此外，此方法還提出了預警機制，以便在生產機台組件可能很快死亡時立即進行維護，並提供死亡相關指數(DCI)，以數據化來呈現生產機台組件進入死亡的可能性。

Description

生產機台組件的預測保養方法與其電腦程式產品
本發明是有關於一種生產機台組件的預測保養方法與其電腦程式產品，且特別是有關於一種基於剩餘使用壽命(Remaining useful life；RUL)預測之生產機台組件的預測保養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)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。
預測性維護目的在找出標的設備(即生產機台的組件)何時生病並在標的設備死亡發生之前以進行即時性維護，以避免意外的標的設備停機時間。通過這種方式，不僅提高了生產機台的稼動率和製造品質，而且還可以降低預防性保養中的過度維護的額外成本。
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。
在許多學者提出的預測保養技術中，指數模型通常用於預測標的設備的剩餘使用壽命(RUL)。然而，指數模型的預測不準確。因此，需要一種生產機台組件的預測保養方法，以克服習知技術的缺點。
由於習知演算法的限制，當標的設備即將死亡時，若標的設備的老化特徵突然上升或變得平滑，指數模型可能無法跟上即時預測甚至錯誤地預測標的設備的RUL。
本發明之一目的是在提供一種生產機台組件的預測保養方法與其電腦程式產品，藉以即時並準確地預測生產機台組件的RUL，而可及時地進行生產機台組件的維修。
本發明之另一目的是在提供一種生產機台組件的預測保養方法與其電腦程式產品，藉由提出了預警機制和死亡相關指數(Death Correlation Index；DCI)，以便在生產機台組件可能很快死亡狀態時立即進行維護，並以數據化的方式來呈現生產機台組件進入死亡狀態的可能性。
根據本發明之一態樣，提供一種生產機台組件的預測保養方法。在此生產機台組件的預測保養方法生產機台組件的預測保養方法，首先，獲得生產機台的組件依序處理複數個工件時所使用之複數組製程資料，其中每一個組製程資料包含複數個參數的數值。然後，獲得分別對應至此些 組製程資料的複數個事件指示值，其中此些事件指示值指出當此組件在處理每一個工件時該組件是否發生異常事件。接著，分別使用複數個演算法將每一組製程資料之此些參數的數值轉換成複數個參數指標的數值。然後，對此些組製程資料中的每一個參數指標與此些事件指示值進行一相關性分析，而獲得分別對應至此些參數指標的複數個相關係數。接著，選取對應至此些相關係數中一最大者的參數指標為一老化特徵。接著，進行第一判斷步驟，以根據每一個工件對應之此老化特徵的數值，來判斷此組件在處理此些工件時是否處於一生病狀態，其中一旦此組件在處理該些工件之一者時是處於生病狀態時，則將此工件設定為一樣本選取點(t)。然後，使用此樣本選取點(t)前N個工件所對應之N組製程資料中對應至此老化特徵(yT)的N個數值為一組建模樣本資料，其中N為正整數。接著，進行建模步驟，以使用此組建模樣本資料並根據一時間序列預測演算法來建立一老化特徵預測模型，而獲得依工件生產次序排列之此老化特徵(yT)的複數個預測數值。接著，使用每一個工件之一工件處理時間和此組件無法使用時之此老化特徵(yT)的一死亡規格值，來將此些預測數值轉換成的複數個剩餘使用壽命(Remaining useful life；RUL)預測值(RULt)，其中t代表第t個工件，t為整數。然後，進行第二判斷步驟，以根據此些剩餘使用壽命預測值(RULt)來判斷此組件是否需要更換或維修。
在一些實施例中，在前述之第一判斷步驟中，首先以一組轉換公式分別將每一組製程資料之上述老化特徵(yT)的數值轉換成分別對應至工件之複數個裝置健康指數(Device Health Index；DHI)，此組轉換公式為：
Figure 108114804-A0101-12-0005-1
 其中
Figure 108114804-A0101-12-0005-2
為此些組製程資料之該老化特徵的數值的平均 值，其中
Figure 108114804-A0101-12-0005-3
為
Figure 108114804-A0101-12-0005-4
所對應之轉換值； Max yT為此些組製程資料之該老化特徵的最大數值，Max yT_mapping 為Max yT所對應之轉換值；Min yT為此些組製程資料之此老化特徵的最小數值，Min yT_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 _mapping 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。
然後，依序判斷此些裝置健康指數是否大於或等於一門檻值，並將此些裝置健康指數中最先大於或等於一門檻值之一者所應的工件設定為前述之樣本選取點。
在一些實施例中，在前述之建模步驟中，首先使用一整合移動平均自迴歸(Autoregressive Integrated Moving Average：ARIMA)模型為前述之時間序列預測演算法，來建立前述之老化特徵預測模型，其中此整合移動平均自迴歸模型包含：移動平均(Moving Average；MA)模型和自迴歸模型(Autoregressive；AR)模型。使用自相關函數(autocorrelation function；ACF)選出此移動平均模型的最大落後期數，並以使用偏自相關函數(partial autocorrelation function；PACF)選出此自迴歸模型的最大落後期數。然後，對建模樣本資料中之數值進行一白噪音檢定，其中當此些數值之一者是白噪音時，則加入前述之樣本選取點前第N+1個工件所對應之又一組製程資料中對應至此老化特徵(yT)的數值至建模樣本資料。接著，使用此移動平均模型的最大落後期數和此自迴歸模型的最大落後期數，來建立複數個整合移動平均自迴歸模型組合。然後，使用一訊息準則演算法，來計算出每一個整合移動平均自迴歸模型組合的訊息量。接著，選出此些整合移動平均自迴歸模型組合中具有最大訊息量之一者為一最佳模型。
在一些實施例中，前述之訊息準則演算法為貝氏訊息準則(Bayesian Information Criteria；BIC)或赤池信息量準則(Akaike information criterion；AIC)。
在一些實施例中，前述之建模步驟更包含：判斷建模樣本中之數值的變異數是否會隨著時間而越來越大，其中當此些數值的變異數隨著時間而越來越大時，對建模樣本資料之每一個數值進行對數轉換；對此些數值進行一 單根檢定(unit root test)，以確認依序排列之此些數值是否為穩態狀態，其中當此些數值不是穩態狀態時，對建模樣本資料之每一個數值進行差分轉換。
在一些實施例中，前述之單根檢定為擴充迪基-福勒(Augmented Dickey-Fuller；ADF)檢驗或Kwiatkowski-Phillips-Schmidt-Shin(KPSS)檢定。
在一些實施例中，前述之第二判斷步驟包含：判斷(RUL t -RUL t-1 )/RUL t-1 是否大於或等於一門檻值，而獲得第一結果，其中t-1代表第t-1個工件；判斷RUL t 是否小於一維修緩衝時間，而獲得第二結果，其中前述之組件必須在此維修緩衝時間進行維修；當第一結果和第二結果均為否時，此組件處於生病狀態但未急速惡化，不需進行維修；當第一結果為否而第二結果為是時，此組件未急速惡化但其剩餘使用壽命不足，需進行維修；當第一結果為是而第二結果為否時，此件急速惡化，若處理連續第t+p個工件的每一者的第一結果為是而第二結果為否，則需檢查或維修此組件，其中p為正整數；以及當第一結果和第二結果均為是時，此組件需進行維修。
在一些實施例中，前述之第二判斷步驟包含：以一組轉換公式分別將每一組製程資料之前述老化特徵(yT)的數值轉換成分別對應至工件之前述組件的複數個死亡相關指數(Death Correlation Index；DCI)，此組轉換公式為：
Figure 108114804-A0101-12-0007-5
 其中y death 為此組件在死亡狀態時所對應之此老化特徵的數值，y t-1 為此組件在處理第t-1個工件時所對應之此老化特徵的數值，conv為共變異數計算，Var為變異數計算；當DCIt大於一門檻值時，代表此組件在處理第t個工件時接近死亡狀態，其中此門檻值的計算是根據DCIt的標準差。
在一些實施例中，前述之組件為一加熱器、一壓力模組、一節流閥、一無油襯套或一軸承，該些參數包含：一閥開度、一振動振幅、一驅動電壓、一驅動電流、一溫度和一壓力。
在一些實施例中，前述之參數指標包含：一轉換至頻域後之k倍頻(其中k大於0)、一整體相似度指標(Global Similarity Index；GSI)、一統計資料分佈的峰度(kurtosis)、一統計資料分佈的偏度(skewness)、一標準差、一均方根(root mean square)、一平均值、一最大值和一最小值。
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，應用本發明實施例，可即時並準確地預測生產機台組件的RUL，而可及時地進行生產機台組件的維修；並可在生產機台組件可能很快死亡狀態時立即進行維護，且以數據化的方式來呈現生產機台組件進入死亡狀態的可能性。
110‧‧‧老化特徵的預測值
112‧‧‧RUL的預測值
120‧‧‧老化特徵的實際曲線
122‧‧‧RUL的實際值
130‧‧‧死亡規格值
200‧‧‧製程資料
210‧‧‧資料品質檢查
220‧‧‧轉換成參數指標
230‧‧‧演算法庫
240‧‧‧DHI模組
250‧‧‧第一判斷步驟(DHI<0.7)
260‧‧‧RUL預測建模步驟
270‧‧‧預警模式
280‧‧‧DCI模式
300‧‧‧選取建模樣本資料
302‧‧‧建模樣本中之數值的變異數隨時間而越來越大？
304‧‧‧對建模樣本資料之數值進行對數轉換
306‧‧‧建模樣本資料之數值是否為穩態狀態
308‧‧‧對建模樣本資料之數值進行差分轉換
310‧‧‧選出MA模型的最大落後期數，並選出AR模型的最大落後期數
312‧‧‧對建模樣本資料之數值進行白噪音檢定
314‧‧‧加入又一老化特徵的數值至建模樣本資料
316‧‧‧建立ARIMA模型組合
318‧‧‧計算出ARIMA模型組合的訊息量
320‧‧‧選出最佳ARIMA模型
324‧‧‧去除最佳ARIMA模型中不顯著的預測成分
326‧‧‧對最佳ARIMA模型的殘差進行檢定
328‧‧‧確認最佳ARIMA模型
400‧‧‧RUL t 是否下降大於或等於門檻值
410‧‧‧RUL t 是否小於維修緩衝時間
420‧‧‧RUL t 是否小於維修緩衝時間
510a‧‧‧老化特徵的預測值
510b‧‧‧RUL的預測值
520a‧‧‧老化特徵的實際值
520b‧‧‧RUL的實際值
530‧‧‧死亡規格值
540‧‧‧生病規格值
570‧‧‧DCI門檻值
為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中〔圖1〕為繪示使用典型之指數模型的預測結果；〔圖2A〕為繪示根據本發明一些實施例之用以說明生產機台組件的預測保養方法的方塊示意圖；〔圖2B〕為繪示根據本發明一些實施例之用以說明事件指標值與參數指標(平均閥開度)的關係；〔圖2C〕為繪示根據本發明一些實施例之用以說明事件指標值與參數指標(1/4倍頻)的關係；〔圖3A〕和〔圖3B〕為繪示根據本發明一些實施例之建模步驟的流程示意圖；〔圖4〕為繪示根據本發明一些實施例之用以說明預警模式的方塊示意圖；以及〔圖5A〕和〔圖5B〕為繪示本發明一應用例之的預測結果。
以下仔細討論本發明的實施例。然而，可以理解的是，實施例提供許多可應用的發明概念，其可實施於各式各樣的特定內容中。所討論之特定實施例僅供說明，並非用以限定本發明之範圍。
請參照圖1，圖1為繪示使用典型之指數模型的預測結果，其中生產機台組件為電漿輔助化學氣相沈積 (Plasma Enhanced Chemical Vapor Deposition：PECVD)機台之節流閥；老化特徵(yT)為閥開度；工件號碼為節流閥所處理之工件的順序。曲線110代表老化特徵的預測值；曲線120代表老化特徵的實際值；直線130代表組件無法使用(即處於死亡狀態)時之老化特徵的一死亡規格值；直線140代表組件處於生病狀態時之老化特徵的一生病規格值；曲線112代表組件之RUL的預測值；曲線122代表組件之RUL的實際值。如圖1中工件號碼t1所在之虛線框所示，當老化特徵的預測曲線110太平順時，其對應之RUL的預測曲線112與實際曲線122的誤差愈來愈大。如圖1中工件號碼t2所在之虛線框所示，當老化特徵的實際曲線120突然上升時，老化特徵的預測曲線110無法跟上，因而其對應之RUL的預測曲線112的不準度增加。
為了解決典型之指數模型對RUL預測不準確的問題，本發明實施例提出了時間序列預測(Time Series Prediction；TSP)演算法，並使用應用訊息準則演算法來建立的時間序列分析模型，以預測生產機台組件意外停機之複雜的未來趨勢。此外，本發明實施例還提出了預警機制，以便在生產機台組件可能很快死亡時立即進行維護，並提供死亡相關指數(DCI)，以數據化來呈現生產機台組件進入死亡的可能性。
請參照圖2A，圖2A為繪示根據本發明一些實施例之用以說明生產機台組件的預測保養方法的方塊示意圖。首先，獲得生產機台的組件依序處理複數個工件時所使用之複數組製程資料200，其中每一組製程資料200包含複 數個參數的數值。生產機台為在一生產線上處理工件的機台。生產線可為例如：半導體生產線、TFT-LCD生產線、工具機加工生產線等；工件可為例如：晶圓、玻璃基板、輪框、螺絲等；機台可為例如：薄膜沉積機台、正光阻塗佈機台、曝光機台、顯影機台、蝕刻機台、光阻去除機台、工具機等；組件可為例如：加熱器、壓力模組、節流閥、無油襯套或軸承；參數可為例如：閥開度、振動振幅、驅動電壓、驅動電流、溫度和/或壓力等。以上所述僅係舉例說明，故本發明實施例並不在此限。值得一提的是，每一組製程資料200之每一個參數的數值為一段工件處理時間中的時序資料值，即參數數值對時間的曲線。
接著，對製程資料200進行資料品質檢查(步驟210)，以確認製程資料200的品質是否優良。若製程資料200的品質不佳，則須獲得生產機台的組件依序處理其他工件時所使用之製程資料。步驟210可採用類似於美國專利前案第8095484B2號所使用的製程資料品質評估方法。本發明之實施例引用此美國專利前案第8095484B2號之相關規定(Incorporated by reference)。
然後，分別使用一演算法庫230中之複數個演算法將每一組製程資料之每一個參數的數值轉換成複數個參數指標的數值(步驟220)。此些參數指標包含：轉換至頻域後之k倍頻(其中k大於0)、整體相似度指標(Global Similarity Index；GSI)、統計資料分佈的峰度(kurtosis)、統計資料分佈的偏度(skewness)、標準差(STD)、均方根(root mean square；RMS)、平均值(Average)、最大值(Max)和最小值(Min)， 而此些參數指標的轉換方式可採用一移動視窗視窗法(Moving Window；MW)來決定樣本的數目。
例如：每一組製程資料200具有一組閥開度的時序資料、一組振動振幅的時序資料。演算法庫230中的統計製程控制(Statistical Process Control；SPC)可將此組閥開度的時序資料轉換成一峰度、一偏度和一標準差；演算法庫230中的整體相似度指標(Global Similarity Index；GSI)演算法可將此組閥開度的時序資料轉換成一GSI值；演算法庫230中的時頻轉換演算法可將此組振動振幅的時序資料轉換成一1/4倍頻、一1/2倍頻、一2倍頻、一4倍頻等參數指標的數值。GSI演算法可參照美國專利前案第8095484B2號。以上所述之演算法庫230中的演算法僅係舉例說明，故本發明實施例並不在此限。
另一方面，本方法獲得分別對應至此些組製程資料的複數個事件指示值，其中這些事件指示值指出當生產機台組件在處理每一個工件時生產機台組件是否發生異常事件。請參照圖2B，圖2B為繪示根據本發明一些實施例之用以說明事件指標值與參數指標(平均閥開度)的關係，其中曲線222指出生產機台組件在處理各工件時之平均閥開度：曲線224指出生產機台組件在處理各工件時是否有異常事件發生。如圖2B所示，生產機台組件在處理第289個工件之前，均無異常事件發生，其事件指標值可為例如“0”；生產機台組件在處理第289個工件之後，有異常事件發生，其事件指標值可為例如“1”。請參照圖2C，圖2C為繪示根據 本發明一些實施例之用以說明事件指標值與參數指標(1/4倍頻)的關係，其中曲線226指出生產機台組件在處理各工件時在1/4倍頻的振動幅度值；曲線228指出生產機台組件在處理各工件時是否有異常事件發生。如圖2C所示，生產機台組件在處理第287個工件之前，均無異常事件發生，其事件指標值可為例如“0”；生產機台組件在處理第287個工件之後，有異常事件發生，其事件指標值可為例如“1”。
然後，對此些組製程資料中的每一個參數指標與事件指示值進行一相關性分析，而獲得分別對應至此些參數指標的複數個相關係數，如表一所示。接著，選取對應至此些相關係數中一最大者的參數指標為一老化特徵(yT)，如表一所示之平均閥開度。
Figure 108114804-A0305-02-0015-1
接著，進行第一判斷步驟250，以根據每一個工件對應之此老化特徵的數值，來判斷生產機台組件在處理此些工件時是否處於一生病狀態，其中一旦生產機台組件在處一個工件時是處於生病狀態時，則將此工件設定為一樣本選取點(t)。以下舉例說明第一判斷步驟的一種實施方式，然本發明實施例並不在此限。如圖2A所示，第一判斷步驟中，首先，將此些組製程資料之老化特徵(yT)的數值輸入至裝置健康指數(Device Health Index；DHI)模組240，DHI模組240以一組轉換公式分別將每一組製程資料之此老化特徵(yT)的數值轉換成分別對應至工件之複數個裝置健康指數(DHI)。然後，依序判斷此些裝置健康指數是否大於或等於一門檻值(例如：0.7)，並將此些裝置健康指數中最先大於或等於一門檻值之一者所應的工件設定為樣本選取點。此組轉換公式為：
Figure 108114804-A0101-12-0014-9
 其中
Figure 108114804-A0101-12-0014-10
為此些組製程資料之此老化特徵的數值的平均 值，其中
Figure 108114804-A0101-12-0014-11
為
Figure 108114804-A0101-12-0014-12
所對應之轉換值； Max yT為此些組製程資料之此老化特徵的最大數值，Max yT_mapping 為Max yT所對應之轉換值； Min yT為此些組製程資料之此老化特徵的最小數值，Min yT_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 _mapping 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。DHI演算法參照類似於美國專利前案第10,242,319B2號。本發明之實施例引用此美國專利前案第10,242,319B2號之相關規定(Incorporated by reference)。
接著，使用樣本選取點(t)前N個工件所對應之N組製程資料中對應至此老化特徵(yT)的N個數值為一組建模樣本資料，其中N為正整數。然後，進行一建模步驟260，以使用此組建模樣本資料並根據一時間序列預測演算法來建立一老化特徵預測模型，而獲得依工件生產次序排列之此老化特徵(yT)的複數個預測數值。接著，使用每一個工件之一工件處理時間和生產機台組件無法使用時之此老化特徵(yT)的一死亡規格值，來將此些預測數值轉換成的複數個剩餘使用壽命(Remaining useful life；RUL)預測值(RULt)，其中t代表第t個工件，t為整數。至於時間序列預測演算法和詳細的建模步驟260將於後說明。
然後進行一第二判斷步驟，以根據此些剩餘使用壽命預測值(RULt)來判斷生產機台組件是否需要更換或維修。在一些實施例中，第二判斷步驟包含有預警模式270和DCI模式280。至於預警模式270和DCI模式280將於後說明。
本發明實施例所使用之時間序列預測演算法可為整合移動平均自迴歸(Autoregressive Integrated Moving Average；ARIMA)模型，但本發明實施例並不在此限。ARIMA模型包含：移動平均(Moving Average；MA)模型和自迴歸模型(Autoregressive；AR)模型。雖然時間序列預測演算法能基於歷史資料來預測未來趨勢，但用來建模之MA模型和AR模型的最佳結合仍不清楚。加上，在預測保養中，生產機台組件的老化特徵會逐漸退化不平穩。然而，時間序列分析只能在弱平穩性(Weak Stationarity)的條件下進行。本發明實施例提出建模步驟260，以克服這些困難。
請參照圖3A和圖3B，圖3A和圖3B為繪示根據本發明一些實施例之建模步驟260的流程示意圖。首先，進行步驟300，以選取使用前述之樣本選取點(t)(即DHI>0.7之工件)前N個工件所對應之N組製程資料中對應至此老化特徵(yT)的N個數值(老化特徵實際值)為一組建模樣本資料(Y M )，其中N為正整數，例如30，即DHI>0.7之工件前30個工件，建模樣本資料Y M ={y t-30,y t-29,...,y t-2,y t-1}。
接著，進行步驟302，以判斷此組建模樣本中之數值的變異數是否會隨著時間而越來越大。換言之，若y t =(1+α)×y t-1 ，其中α大於0，代表y t 隨時間增加，Var(y t )隨α成長，則進行步驟304，否則進行步驟306。在步驟304中，對此組建模樣本資料之每一個數值進行對數轉換Y T =log(Y T )，以強迫資料的增加率分布具有某種程度的規則性，然後進行步驟306。
在步驟306中，對此組建模樣本中之數值進行一單根檢定(unit root test)，以確認此組建模樣本中依序排列之數值是否為穩態狀態，其中當此些數值不是穩態狀態時，對此組建模樣本資料之每一個數值進行差分轉換(步驟308)。確認時序是否為穩態狀態的演算法有擴充迪基-福勒檢驗(Augmented Dickey-Fuller test；ADF)檢驗或Kwiatkowski-Phillips-Schmidt-Shin(KPSS)檢定等。ADF檢驗和KPSS檢定的公式與應用方法是習於此技藝之人士所知，故不在此贅述。
當依序排列之數值不為穩態狀態(步驟306的結果為否)時，進行步驟308，以對此組建模樣本資料之每一個數值進行差分轉換，以使在依序排列之數值(時序)達到穩態。差分轉換的公式為：▽ d y t-i =y t-i -y t-i-1。當依序排列之數值為穩態狀態(步驟306的結果為是)時，進行步驟310，以使用一自相關函數(autocorrelation function；ACF)選出移動平均(MA)模型的最大落後期數，並以使用偏自相關函數(partial autocorrelation function；PACF)選出自迴歸(AR)模型的最大落後期數。其公式為： A=arg max(ρ k ) (1)；B=arg max(ρρ k ). (2)；
Figure 108114804-A0101-12-0017-13
 γ k =cov(y t ,y t-k )=E(y t -μ)(y t-k -μ) (4)；其中A為與y t-1 相關之最大ACF的時間(工件號碼)；B為與y t-1 相關之最大PACF的時間(工件號碼)； Var(y t )=Var(y t+k )=E(y t -μ)2=γ 0.；E[．]為期望值函數；μ為y t 的平均值(mean)。
如表二所示，PACF在T-9後相關性開始銳減，ACF則為T-10，故A=10，B=9。
Figure 108114804-A0305-02-0020-2
接著，進行步驟312，以對此組建模樣本資料(Y M )中之各數值進行白噪音檢定，白噪音檢定的演算法有Ljung-Box檢定等。步驟312的主要目的在確認時序是否為白噪音(即狀態與狀態之間彼此不相關)。當此些數值之一者是白噪音時，此組建模樣本資料需要多一點資料，故加入樣本選取點前第N+1個工件所對應之又一組製程資料中對應至老化特徵的數值(老化特徵實際值)至此組建模樣本資料(步驟314)，即y t-(N+1) 或y t-31 。
然後，進行步驟316，以使用移動平均(MA)模型的最大落後期數和自迴歸(AR)模型的最大落後期數，來建立複數個整合移動平均自迴歸模型組合。例如：建立10*9種模型組合：ARIMA(1,d,1),ARIMA(1,d,2),...,ARIMA(9,d,10)。以下說明AR模型、MA模型、ARIMA模型。
AR(p)模型的定義為：
Figure 108114804-A0305-02-0020-3
Figure 108114804-A0305-02-0020-4
 其中y t 為在時間點t(第t個工件)的老化特徵實際值；
Figure 108114804-A0101-12-0019-40
為在時間點t(第t個工件)的老化特徵預測值；φ i 為在時間點(第t個工件)之AR模型的最小平方預估係數，i=1,2,...,p；y t-i 為在時間點t-i(第t-i個工件)的老化特徵實際值；ε t 為在時間點t(第t個工件)的白噪音項。
MR(q)模型的定義為：
Figure 108114804-A0101-12-0019-17
 其中θ j 為在時間點(第t個工件)之MR模型的最小平方預估係數，i=1,2,...,q；ε t-j 為在時間點t-j(第t-j個工件)的白噪音項。
ARMA(p,q)模型係由AR(p)模型和MR(q)模型所組成，ARMA(p,q)模型具有p個自迴歸(AR)運算子，和q個移動平均(MA)運算子。ARIMA(p,d,q)模型只有在對資料進d次差分(difference)直到資料平穩後才執行ARMA(p,q)模型。ARMA(p,q)模型的定義為：
Figure 108114804-A0101-12-0019-18
假設在時間點t要預測時間點t+n的老化特徵，,但只有t-1的老化特徵實際值,則將預測值取代實際值帶入公式(8)進行預測，其公式為：
Figure 108114804-A0101-12-0019-19
然後，進行步驟318，以使用一訊息準則演算法，來計算出每一個整合移動平均自迴歸模型組合的訊息量，其中訊息準則演算法為貝氏訊息準則(Bayesian Information Criteria；BIC)或赤池信息量準則(Akaike information criterion；AIC)。BIC演算法的公式如下：
Figure 108114804-A0101-12-0020-20
Figure 108114804-A0101-12-0020-21
 其中SSE為誤差平方的和；M為建模樣本資料的大小。
表三為以BIC演算法來計算出每一個整合移動平均自迴歸模型組合ARIMA(1,d,1),ARIMA(1,d,2),...,ARIMA(9,d,10)的訊息量的舉例說明。
Figure 108114804-A0101-12-0020-22
接著，進行步驟320，以選出此些整合移動平均自迴歸模型組合ARIMA(1,d,1),ARIMA(1,d,2),...,ARIMA(9,d,10)中具有最大訊息量(即最小BIC)之一者為一最佳模型，例如：ARIMA(2,0,1)。
然後，進行步驟322，以去除最佳模型中不顯著預測子(參數)。當預測子的預估係數大於95%的信心區間時，此預測子不顯著，應予以去除。在正常分佈的假設下， 95%的信心區間等於1.96，最佳模型中不顯著預測子(參數)的判斷公式如下：|φ i |>1.96×s.e.(φ i ) (12)；|θ j |>1.96×s.e.(θ j ) (13)；其中i=1,2,...,p,j=1,2,...,q；s.e.(φ i )為AR係數的標準差；s.e.(θ j )為MA係數的標準差。承上例，如表四所示，MA(1)為不顯著參數，故將其剔除。
Figure 108114804-A0305-02-0023-5
接著，進行步驟324，以在除不顯著預測子(參數)後針對ARIMA模型重行估計權重。承上例，重新估計之模型為ARIMA(2,0,0)，即
Figure 108114804-A0305-02-0023-19
。
然後，進行步驟326，以對重新估計之模型的殘差進行檢定，此檢定的演算法有Ljung-Box檢定等。重新估計之模型的殘差均已被解釋時，確認重新估計之模型為最佳模型(步驟328)，並以此獲得依工件生產次序排列之老化特徵(yT)的複數個預測數值。接著，進行步驟330，以使用生產機台組件處理每一個工件的工件處理時間(dt)和生產機台組件無法使用時之老化特徵(yT)的死亡規格值，來將這些預測數值轉換成的複數個剩餘使用壽命(Remaining useful life；RUL)預測值(RUL t )，其公式為RUL t =k D -k t .， 其中t代表第t個工件；k t 代表第t個工件所對應的時間點(即第t×dt)，t為整數；k D 代表老化特徵(yT)的死亡規格值所對應之這些預測數值之一最先者的時間點。
在獲得RUL預測值(RUL t )後，進行第二判斷步驟，以根據老化特徵(yT)的預測數值或RUL t 來判斷生產機台組件是否需要更換或維修。如圖2A所示，在一些實施例中，第二判斷步驟包含有預警模式270和DCI模式280。
當RUL預測值(RUL t )有大幅度的下降或在靠近死亡狀態震盪時，使用者難以判斷生產機台組件是否需要更換或維修。因此，本發明實施例提出預警模式來解決此問題。請參照圖4，圖4為繪示根據本發明一些實施例之用以說明預警模式的方塊示意圖。首先，在第一階中進行步驟400，以判斷目前的RUL t 相較於前一個RUL t-1 是否下降大於或等於一門檻值(例如30%)，即(RUL t-1-RUL t )/RUL t-1
Figure 108114804-A0305-02-0024-20
0.3是否成立？在獲得步驟400的結果(即第一結果)後，在第一階中進行步驟410或420，以判斷RUL t 是否小於一維修緩衝時間(Buffer Time；BT)，而獲得一第二結果，其中BT係由生產機台組件的原廠提供，當生產機台組件異常時，必須在此維修緩衝時間(BT)對生產機台組件進行維修或更換。當第一結果和第二結果均為否時，生產機台組件處於生病狀態但未急速惡化，不需進行維修，而顯示例如綠燈。當第一結果為否而第二結果為是時，生產機台組件未急速惡化但其剩餘使用壽命不足，需進行維修，而顯示例如藍燈。當第一結果為是而第二結果為否時，生產機台組件急速惡化，而顯示 例如褐燈。若生產機台組件處理連續第t+p個工件之每一者均顯示例如褐燈時，則需檢查或維修生產機台組件，其中p為正整數。當第一結果和第二結果均為是時，生產機台組件需進行維修，而顯示例如紅燈。
以下以PECVD機台之節流閥的平均閥開度(老化特徵)與RUL預測結果來說明本發明實施例。請參照圖5A和圖5B，圖5A為繪示本發明一應用例之的預測結果；圖5B為圖5A中詳細A的放大圖。圖5A的上部分為繪示節流閥的平均閥開度(老化特徵)的預測結果，其中曲線510a為使用本發明實施例所獲得之節流閥的平均閥開度(老化特徵)的預測值；曲線520a(由“*”所組成)為節流閥的平均閥開度(老化特徵)的實際值；直線530為節流閥的平均閥開度(老化特徵)的死亡規格值；直線540為節流閥的平均閥開度(老化特徵)的生病規格值；曲線550a為使用典型之指數模型所獲得之節流閥的平均閥開度(老化特徵)的預測值。圖5B的中間部分為繪示節流閥的RUL的預測結果，其中曲線510b為使用本發明實施例所獲得之節流閥的平均閥開度(老化特徵)的預測值；曲線520b為節流閥的RUL的實際值；曲線550b為使用典型之指數模型所獲得之RUL的預測值。圖5A的下部分為繪示節流閥的DCI的預測結果，其中直線570為DCI門檻值(DCIT)；在節流閥處理完第380個工件之前，其DCI值佳，不需進行維修；在節流閥處理完第380個工件之後，DCI大於DCI門檻值，代表節流閥在處理第380個工件時接近死亡狀態。
如圖5A的中間部分所示，當節流閥在處理第330個工件至第379個工件時，曲線520b(RUL的實際值)相當穩定，曲線550b(指數模型之RUL的預測值)則有上升的趨勢並偏離曲線520b，而曲線510b(本發明應用例的RUL的預測值)則相當靠近曲線520b且無上升的趨勢。因此，本發明實施例可克服指數模型的缺點。
如圖5A的中間部分和圖5B所示，其中“☆”代表預警模式的藍燈，“X”代表預警模式的紅燈。當節流閥處理完第379個工件後，曲線520a(老化特徵的實際值)突然間上升。雖然曲線510b並未立刻跟到曲線520b，但在節流閥處理完第380個工件後，曲線510b跟上曲線520b，顯示紅燈(下降率大於30%且RUL380小於維修緩衝時間(BT))。如曲線520b(RUL的實際值)所示，在節流閥處理完第390個工件後，節流閥死亡，因此，此紅燈的顯示正確。
在節流閥處理完第380個工件之前，預警模式顯示綠燈，代表生產機台組件處於生病狀態但未急速惡化，不需進行維修；在節流閥處理完第380個工件之後，預警模式顯示紅燈，代表生產機台組件需進行維修。
可理解的是，本發明之生產機台組件的預測保養方法為以上所述之實施步驟，本發明之內儲用於量測抽樣之電腦程式產品，係用以完成如上述之量測抽樣的方法。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。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。
亦可注意的是，本發明亦可描述於一製造系統的語境中。雖然本發明可建置在半導體製作中，但本發明並不限於半導體製作，亦可應用至其他製造工業。製造系統係配置以製造工件或產品，工件或產品包含但不受限於微處理器、記憶體裝置、數位訊號處理器、專門應用的電路(ASICs)或其他類似裝置。本發明亦可應用至除半導體裝置外之其他工件或產品，如車輛輪框、螺絲。製造系統包含一或多個處理工具，其可用以形成一或多個產品或產品的一部分，在工件(例如：晶圓、玻璃基板)上或中。發明本領域具有通常技藝者應可知，處理工具可為任何數目和任何型式，包含有微影機台、沉積機台、蝕刻機台、研磨機台、退火機台、工具機和類似工具。在實施例中，製造系統亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。
綜上所述，本發明實施例可即時並準確地預測生產機台組件的RUL，而可及時地進行生產機台組件的維 修；並可在生產機台組件可能很快死亡狀態時立即進行維護，且以數據化的方式來呈現生產機台組件進入死亡狀態的可能性。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，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。
200‧‧‧製程資料
210‧‧‧資料品質檢查
220‧‧‧轉換成參數指標
230‧‧‧演算法庫
240‧‧‧DHI模組
250‧‧‧第一判斷步驟(DHI<0.7)
260‧‧‧RUL預測建模步驟
270‧‧‧預警模式
280‧‧‧DCI模式

Claims (10)

  1. 一種生產機台組件的預測保養方法，包含：獲得一生產機台的一組件依序處理複數個工件時所使用或產生之複數組製程資料，其中每一該些組製程資料包含複數個參數的數值，每一該些組製程資料之每一該些參數的數值為該生產機台的該組件在處理該些工件之一者時之一段處理時間內的一組時序資料值，該些組製程資料係以一對一的方式對應至該些工件；根據該組件在處理每一該些工件時是否發生異常事件，來決定以一對一的方式對應至該些組製程資料的複數個事件指示值；分別使用複數個演算法將每一該些組製程資料之每一該些參數的該組時序資料值轉換成複數個參數指標的數值，其中該些參數指標係以一對一的方式對應至該些演算法；對該些組製程資料中每一該些參數的每一該些參數指標與該些事件指示值進行一相關性分析，而獲得以一對一的方式對應至該些參數指標的複數個相關係數；選取對應至該些相關係數中一最大者的參數指標為一老化特徵(yT)；進行一第一判斷步驟，以依序根據每一該些工件對應之該老化特徵(yT)的數值，來判斷該組件在處理該些工件時是否處於一生病狀態，其中一旦該組件在處理該些工件之一者時是處於該生病狀態時，則將該些工件之該者設定為一樣本選取點； 使用該樣本選取點前N個工件所對應之N組製程資料中對應至該老化特徵(yT)的N個數值為一組建模樣本資料，其中N為正整數；進行一建模步驟，以使用該組建模樣本資料並根據一時間序列預測演算法來建立一老化特徵預測模型，而獲得依工件生產次序排列之該老化特徵(yT)的複數個預測數值；根據該組件分別處理該些工件所使用的複數個工件處理時間來獲得該組件分別處理該些工件的複數個時間點；獲得一死亡規格值，其中該死亡規格值為該組件無法使用時之該老化特徵(yT)的數值；依序判斷該些預測數值是否實質等於該死亡規格值直到發現該些預測數值之一最先者為止，其中該最先者所對應之該些時間點之一者為一死亡時間點，該組件在該死亡時間點時無法使用；以及計算該些工件被處理時之該些時間點與該死亡時間點間的差值，以獲得該組件分別在該些時間點的複數個剩餘使用壽命(Remaining useful life；RUL)預測值(RUL t )，其中t代表第t個工件，t為整數。
  2. 如請求項1所述之生產機台組件的預測保養方法，其中該第一判斷步驟包含：以一組轉換公式分別將每一該些組製程資料之該老化特徵(yT)的數值轉換成分別對應至該些工件之複數個裝置 健康指數(Device Health Index；DHI)，該組轉換公式為： 當
    Figure 108114804-A0305-02-0033-10
    ； 當
    Figure 108114804-A0305-02-0033-11
    ； 當
    Figure 108114804-A0305-02-0033-13
    ； 當
    Figure 108114804-A0305-02-0033-14
    ； 當
    Figure 108114804-A0305-02-0033-15
    ； 當
    Figure 108114804-A0305-02-0033-16
    ； 其中
    Figure 108114804-A0305-02-0033-17
    為該些組製程資料之該老化特徵的數值的平均 值，其中
    Figure 108114804-A0305-02-0033-21
    為
    Figure 108114804-A0305-02-0033-18
    所對應之轉換值； Max yT為該些組製程資料之該老化特徵的最大數值，Max yT_mapping 為Max yT所對應之轉換值；Min yT為該些組製程資料之該老化特徵的最小數值，Min yT_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_mapping 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；以及依序判斷該些裝置健康指數是否大於或等於一門檻值，並將該些裝置健康指數中最先大於或等於該門檻值之一者所應的工件設定為該樣本選取點。
  3. 如請求項1所述之生產機台組件的預測保養方法，其中該建模步驟包含： 使用一整合移動平均自迴歸(Autoregressive Integrated Moving Average；ARIMA)模型為該時間序列預測演算法，來建立該老化特徵預測模型，其中該整合移動平均自迴歸模型包含：一移動平均(Moving Average；MA)模型和一自迴歸模型(Autoregressive；AR)模型；使用一自相關函數(autocorrelation function；ACF)選出該移動平均模型的最大落後期數，並以使用一偏自相關函數(partial autocorrelation function；PACF)選出該自迴歸模型的最大落後期數；對該組建模樣本資料中之該些數值進行一白噪音檢定，其中當該些數值之一者是白噪音時，則加入該樣本選取點前第N+1個工件所對應之又一組製程資料中對應至該老化特徵(yT)的數值至該組建模樣本資料；使用該移動平均模型的最大落後期數和該自迴歸模型的最大落後期數，來建立複數個整合移動平均自迴歸模型組合；使用一訊息準則演算法，來計算出每一該些整合移動平均自迴歸模型組合的訊息量；以及選出該些整合移動平均自迴歸模型組合中具有最大訊息量之一者為一最佳模型。
  4. 如請求項3所述之生產機台組件的預測保養方法，其中該訊息準則演算法為貝氏訊息準則 (Bayesian Information Criteria；BIC)或赤池信息量準則(Akaike information criterion；AIC)。
  5. 如請求項1所述之生產機台組件的預測保養方法，其中該建模步驟更包含：判斷該組建模樣本中之該些數值的變異數是否會隨著時間而越來越大，其中當該些數值的變異數隨著時間而越來越大時，對該組建模樣本資料之每一該些數值進行對數轉換；對該些數值進行一單根檢定(unit root test)，以確認依序排列之該些數值是否為穩態狀態，其中當該些數值不是穩態狀態時，對該組建模樣本資料之每一該些數值進行差分轉換。
  6. 如請求項1所述之生產機台組件的預測保養方法，更包含：進行一第二判斷步驟，以根據該些剩餘使用壽命預測值(RUL t )來判斷該組件是否需要更換或維修，其中該第二判斷步驟包含：判斷(RUL t -RUL t-1 )/RUL t-1 是否大於或等於一門檻值，而獲得一第一結果，其中t-1代表第t-1個工件；判斷RUL t 是否小於一維修緩衝時間，而獲得一第二結果，其中當該組件異常時，該組件必須在該維修緩衝時間進行維修；當該第一結果和該第二結果均為否時，該組件處於生病狀態但未急速惡化，不需進行維修； 當該第一結果為否而該第二結果為是時，該組件未急速惡化但其剩餘使用壽命不足，需進行維修；當該第一結果為是而該第二結果為否時，該組件急速惡化，若處理連續第t+p個工件的每一者的該第一結果為是而該第二結果為否，則需檢查或維修該組件，其中p為正整數；以及當該第一結果和該第二結果均為是時，該組件需進行維修。
  7. 如請求項1所述之生產機台組件的預測保養方法，更包含：進行一第二判斷步驟，以根據該些預測數值來判斷該組件是否需要更換或維修，其中該第二判斷步驟包含：以一組轉換公式分別將該老化特徵(yT)的該些預測數值轉換成分別對應至該些工件之該組件的複數個死亡相關指數(Death Correlation Index；DCI)，該組轉換公式為：
    Figure 108114804-A0305-02-0036-6
     其中y death 為該組件在死亡狀態時所對應之該老化特徵的數值，y t-1 為該組件在處理第t-1個工件時所對應之該老化特徵的數值，conv為共變異數計算，Var為變異數計算；當DCIt大於一門檻值時，代表該組件在處理第t個工件時接近死亡狀態，其中該門檻值的計算是根據DCIt的標準差。
  8. 如請求項1所述之生產機台組件的預測保養方法，其中該組件為一加熱器、一壓力模組、一節流閥、一無油襯套或一軸承，該些參數包含：一閥開度、一振動振幅、一驅動電壓、一驅動電流、一溫度和/或一壓力。
  9. 如請求項1所述之生產機台組件的預測保養方法，其中該些參數指標包含：一轉換至頻域後之k倍頻(其中k大於0)、一整體相似度指標(Global Similarity Index；GSI)、一統計資料分佈的峰度(kurtosis)、一統計資料分佈的偏度(skewness)、一標準差、一均方根(root mean square)、一平均值、一最大值和/或一最小值。
  10. 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9中任一項所述之生產機台組件的預測保養方法。
TW108114804A 2019-04-26 2019-04-26 生產機台組件的預測保養方法與其電腦程式產品 TWI708197B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW108114804A TWI708197B (zh) 2019-04-26 2019-04-26 生產機台組件的預測保養方法與其電腦程式產品
CN202010313837.7A CN111860933B (zh) 2019-04-26 2020-04-20 生产机台组件的预测保养方法
US16/857,178 US11378946B2 (en) 2019-04-26 2020-04-24 Predictive maintenance method for component of production tool and computer program product thererof
US17/664,874 US20220291675A1 (en) 2019-04-26 2022-05-25 Multiple-variable predictive maintenance method for component of production tool and non-transitory tangible computer readable recording medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108114804A TWI708197B (zh) 2019-04-26 2019-04-26 生產機台組件的預測保養方法與其電腦程式產品

Publications (2)

Publication Number Publication Date
TWI708197B true TWI708197B (zh) 2020-10-21
TW202040443A TW202040443A (zh) 2020-11-01

Family

ID=72921669

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108114804A TWI708197B (zh) 2019-04-26 2019-04-26 生產機台組件的預測保養方法與其電腦程式產品

Country Status (3)

Country Link
US (1) US11378946B2 (zh)
CN (1) CN111860933B (zh)
TW (1) TWI708197B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI802334B (zh) * 2022-03-22 2023-05-11 國立成功大學 生產機台組件的多變量預測保養方法與其電腦程式產品
US11960263B2 (en) * 2019-07-10 2024-04-16 Honeywell International Inc. Building automation system monitoring
EP4016222B1 (en) * 2020-12-18 2024-09-04 Honeywell International Inc. Monitoring the remaining useful lifetime of an asset
EP4290322A1 (en) * 2022-06-07 2023-12-13 Dassault Systèmes Inference of emerging problems in product manufacturing

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020013687A1 (en) * 2000-03-27 2002-01-31 Ortoleva Peter J. Methods and systems for simulation-enhanced fracture detections in sedimentary basins
CN1361861A (zh) * 1999-05-21 2002-07-31 布克哈姆技术公共有限公司 与连续重新校准相结合的光谱数据的自适应判读方法和系统
TW200716504A (en) * 2005-10-18 2007-05-01 jin-zhi Ye The orthopaedic implant products with controllable dissolving rate for biomedical use and the manufacturing method thereof
TW201411763A (zh) * 2012-09-04 2014-03-16 Taiwan Semiconductor Mfg 機台狀況定性監測方法及錯誤偵測分類系統

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4658245A (en) * 1983-04-29 1987-04-14 The Warner & Swasey Company Tool condition and failure monitoring apparatus and method
JPH0934863A (ja) * 1995-07-14 1997-02-07 Hitachi Ltd ニューラルネットワークによる情報統合処理方法
US6928398B1 (en) * 2000-11-09 2005-08-09 Spss, Inc. System and method for building a time series model
AU2003296939A1 (en) * 2002-12-10 2004-06-30 Stone Investments, Inc Method and system for analyzing data and creating predictive models
AU2003902883A0 (en) * 2003-06-10 2003-06-26 Cumming, Andrew Conditional rate modelling
US20060129257A1 (en) * 2004-12-13 2006-06-15 Taiwan Semiconductor Manufacturing Co., Ltd. Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework
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
TWI338916B (en) 2007-06-08 2011-03-11 Univ Nat Cheng Kung Dual-phase virtual metrology method
TWI349867B (en) 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
TWI412906B (zh) 2010-04-13 2013-10-21 Univ Nat Cheng Kung 具有虛擬量測功能的製造執行系統與製造系統
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
CN102682344B (zh) * 2012-01-07 2015-11-18 河南科技大学 一种性能数据伴随的产品寿命及其可靠性预测方法
JP6256336B2 (ja) * 2012-07-02 2018-01-10 日本電気株式会社 流量予測装置、流量予測方法及び流量予測プログラム
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
US9508042B2 (en) 2012-11-05 2016-11-29 National Cheng Kung University Method for predicting machining quality of machine tool
CN103675525B (zh) 2013-11-14 2017-01-18 南京航空航天大学 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法
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
TWI539298B (zh) 2015-05-27 2016-06-21 國立成功大學 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
US20170076216A1 (en) * 2015-09-10 2017-03-16 Siemens Aktiengesellschaft Maintenance event planning using adaptive predictive methodologies
US11443015B2 (en) * 2015-10-21 2022-09-13 Adobe Inc. Generating prediction models in accordance with any specific data sets
CN106089753B (zh) 2016-07-01 2018-01-19 太原理工大学 一种离心泵剩余寿命预测方法
US10618137B2 (en) * 2017-03-24 2020-04-14 National Cheng Kung University Automated constructing method of cloud manufacturing service and cloud manufacturing system
CN108629073B (zh) * 2018-03-14 2019-05-03 山东科技大学 一种多模式的退化过程建模及剩余寿命预测方法
CN108535656A (zh) 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN108681277A (zh) 2018-05-10 2018-10-19 中国人民解放军空军工程大学 通用型地面phm装置及其使用方法
CN109165396B (zh) 2018-06-27 2023-09-29 谭晓栋 一种故障演化趋势的设备剩余使用寿命预测方法
CN109145773B (zh) 2018-08-01 2021-10-12 谭晓栋 一种多源趋势信息融合的故障预测方法
CN109063366B (zh) * 2018-08-22 2022-12-23 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
TWI669617B (zh) * 2018-10-12 2019-08-21 財團法人工業技術研究院 設備健康狀態監控方法及其系統
US11347629B2 (en) * 2018-10-31 2022-05-31 Dell Products L.P. Forecasting a quality of a software release using machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1361861A (zh) * 1999-05-21 2002-07-31 布克哈姆技术公共有限公司 与连续重新校准相结合的光谱数据的自适应判读方法和系统
US20020013687A1 (en) * 2000-03-27 2002-01-31 Ortoleva Peter J. Methods and systems for simulation-enhanced fracture detections in sedimentary basins
TW200716504A (en) * 2005-10-18 2007-05-01 jin-zhi Ye The orthopaedic implant products with controllable dissolving rate for biomedical use and the manufacturing method thereof
TW201411763A (zh) * 2012-09-04 2014-03-16 Taiwan Semiconductor Mfg 機台狀況定性監測方法及錯誤偵測分類系統

Also Published As

Publication number Publication date
US20200341459A1 (en) 2020-10-29
US11378946B2 (en) 2022-07-05
CN111860933B (zh) 2023-09-01
CN111860933A (zh) 2020-10-30
TW202040443A (zh) 2020-11-01

Similar Documents

Publication Publication Date Title
TWI708197B (zh) 生產機台組件的預測保養方法與其電腦程式產品
JP4008899B2 (ja) 半導体装置の製造システムおよび半導体装置の製造方法
KR100756728B1 (ko) 반도체 처리 기술
US8185230B2 (en) Method and apparatus for predicting device electrical parameters during fabrication
US10539882B2 (en) Methods and apparatus for obtaining diagnostic information, methods and apparatus for controlling an industrial process
TWI463334B (zh) 標的裝置的基底預測保養方法與其電腦程式產品
US7603328B2 (en) Dual-phase virtual metrology method
JP2008516447A (ja) 利用可能なメトロロジーキャパシティに基づいてメトロロジーサンプリングを動的に調整する方法およびシステム
US20050283498A1 (en) System and method to build, retrieve and track information in a knowledge database for trouble shooting purposes
Chien et al. A novel approach to hedge and compensate the critical dimension variation of the developed-and-etched circuit patterns for yield enhancement in semiconductor manufacturing
JP4568216B2 (ja) 半導体装置の製造システム
US6563300B1 (en) Method and apparatus for fault detection using multiple tool error signals
JP2008523458A (ja) 処理中のメトロロジー作業を動的に制御する方法およびシステム
US20120016643A1 (en) Virtual measuring system and method for predicting the quality of thin film transistor liquid crystal display processes
US7236848B2 (en) Data representation relating to a non-sampled workpiece
Umeda et al. Planned maintenance schedule update method for predictive maintenance of semiconductor plasma etcher
TWI280603B (en) Manufacturing system of semiconductor device and manufacturing method of semiconductor device
US6907369B1 (en) Method and apparatus for modifying design constraints based on observed performance
TWI802334B (zh) 生產機台組件的多變量預測保養方法與其電腦程式產品
US6946303B2 (en) Electronically diagnosing a component in a process line using a substrate signature
US20220291675A1 (en) Multiple-variable predictive maintenance method for component of production tool and non-transitory tangible computer readable recording medium thereof
US7849366B1 (en) Method and apparatus for predicting yield parameters based on fault classification
US7340318B1 (en) Method and apparatus for assessing controller performance
Haskaraman Chamber matching in semiconductor manufacturing using statistical analysis and run-to-run control
US6890774B2 (en) System and method for creating a substrate signature