CN106771697A - 设备的故障评估方法与故障评估装置 - Google Patents
设备的故障评估方法与故障评估装置 Download PDFInfo
- Publication number
- CN106771697A CN106771697A CN201510966602.7A CN201510966602A CN106771697A CN 106771697 A CN106771697 A CN 106771697A CN 201510966602 A CN201510966602 A CN 201510966602A CN 106771697 A CN106771697 A CN 106771697A
- Authority
- CN
- China
- Prior art keywords
- trend
- those
- attribute
- values
- assessment
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 25
- 239000000203 mixture Substances 0.000 claims description 64
- 238000009472 formulation Methods 0.000 claims description 63
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000000630 rising effect Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 26
- 238000011112 process operation Methods 0.000 description 11
- 230000008878 coupling Effects 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 230000032683 aging Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000039 congener Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种故障评估方法与故障评估装置,所述故障评估方法包括下列步骤。撷取多个制程流程,各制程流程包括至少一配方步骤。分析各制程流程所对应的流程属性。撷取至少一配方步骤所对应的感测信息。根据流程属性、至少一配方步骤与感测信息,以产生于时间区段中所对应的局部特征。根据多个制程流程中的多个局部特征建构趋势分布。根据趋势分布来决定是否发出警示信号。
Description
技术领域
本发明关于一种透过局部特征来评估机台的故障状况的故障评估方法与故障评估装置。
背景技术
在传统对半导体机台的故障(或者是老化性故障)的状态的评估方法中,一般是使用电力信号(例如电流、电压)强弱来做为评估的依据,或者是间接地使用与电力信号相关联的参数来做为评估的依据,例如评断其输出光源量的大小。然而,在上述故障状态的评估过程中,往往针对不同种类的产品评估,就需要有特定的评估设定。此外,此方法需要高度依赖相关领域的专家,才得以判读其电力信号相关的特殊数据。
在现有的另一种评估方法中,可预先针对特定的制程的感测结果,订定出一套对应的标准值,藉以做为评估故障的依据。然而,其预先订定的标准值并无法用于对其他制程的故障评估。另外,此方法亦需要高度依赖相关领域的专家,凭借多年下来的经验法则,或者是实验结果的累积,才得以参与执行来判读此特殊数据,从而得知故障程度或老化的程度。
发明内容
本发明针对制程流程的属性,来解读其制程流程中的局部特征,从而判定出故障程度,藉以解决现有的机台故障评估方法中,无法针对不同产品或不同制程,来对应提供通用而友善的判读标准与界面的问题。
本发明提供一种设备的故障评估方法,所述故障评估方法包括下列步骤。撷取多个制程流程,各制程流程包括至少一配方步骤。分析各制程流程所对应的一流程属性。撷取至少一配方步骤所对应的感测信息。根据流程属性、至少一配方步骤与感测信息,以产生于一时间区段中所对应的一局部特征。根据多个制程流程中的多个局部特征建构一趋势分布。根据趋势分布来决定是否发出一警示信号。
在本发明一实施例中,局部特征关联于至少一配方步骤与对应的感测信息之间于上述时间区段中的一偏移程度。
在本发明另一实施例中,配方步骤为一上升型配方步骤、一下降型配方步骤以及一平稳型配方步骤其中之一。
在本发明另一实施例中,判断流程属性为一上升属性、一下降属性、一上升至平稳属性或者是一下降至平稳属性,来计算对应偏移程度的一特征值。
在本发明另一实施例中,当流程属性为上升属性或下降属性时,则计算多个配方值与对应的多个感测值之间的多个差值中的一平均差值,以作为对应偏移程度的特征值。
在本发明另一实施例中,当流程属性为上升至平稳属性或下降至平稳属性时,则计算多个配方值与对应的多个感测值之间的多个差值中的一最大差值,以做为对应偏移程度的特征值。
在本发明另一实施例中,当流程属性为上升至平稳属性或下降至平稳属性时,则计算多个配方值与对应的多个感测值之间的多个差值中,大于一临界值的多个差值所对应的一偏移时间,以做为对应偏移程度的特征值。
在本发明另一实施例中,所撷取出的多个制程流程关联于同一聚类(cluster)。
在本发明另一实施例中,对多个特征值执行一平顺化处理,以取得多个第一趋势值,以及根据多个第一趋势值取得对应的趋势分布与警示门坎值。
在本发明另一实施例中,对多个特征值执行平顺化处理,以取得对应多个形式的多个第一趋势值,对多个形式的多个第一趋势值执行一空间转换处理,以取得多个主成分分别对应的多个第二趋势值,对多个主成分的多个第二趋势值执行一降维度处理,以取得多个第三趋势值,以及根据多个第三趋势值取得对应的趋势分布。
在本发明另一实施例中,根据趋势分布来产生对应的一警示门坎值,以及比对趋势分布与警示门坎值,以决定是否发出警示信号。
在本发明另一实施例中,于一界面中显示关联于群类的一分群图、趋势分布、警示门坎值、多个特征值、多个第一趋势值、多个第二趋势值、多个第三趋势值或警示信号。
本发明提供一种设备的故障评估装置,包括:一制程撷取单元、一属性分析单元、一感测单元、一特征撷取单元、一趋势鉴别单元以及一警示单元。属性分析单元耦接制程撷取单元,特征撷取单元耦接制程撷取单元、属性分析单元与感测单元,趋势鉴别单元耦接特征撷取单元,警示单元耦接趋势鉴别单元。制程撷取单元用以撷取多个制程流程,各制程流程包括至少一配方步骤。属性分析单元用以分析各制程流程所对应的一流程属性。感测单元用以撷取至少一配方步骤所对应的感测信息。特征撷取单元用以根据流程属性、至少一配方步骤与感测信息,以产生于一时间区段中所对应的一局部特征。趋势鉴别单元用以根据多个制程流程中的多个局部特征建构一趋势分布。警示单元用以根据趋势分布来决定是否发出一警示信号。
如上所述,本发明于关联于同一聚类的多个制程流程中,藉由分析各制程流程的流程属性为上升属性、下降属性、上升至平稳属性或者是下降至平稳属性,来对应地计算代表其偏移程度的局部特征的特征值。在一实施例中,可对这些特征值执行平顺化处理,以取得对应多个第一趋势值,来初步产生趋势分布。或在另一实施例中,可经平顺化处理来取得对应多个形式的多个第一趋势值,再经在执行空间转换处理与降维度处理后,可取得最具故障程度代表性的多个第三趋势值,藉以产生对应的趋势分布。此外,亦可根据趋势分布来产生警示门坎值,于比较趋势分布与警示门坎值后,决定是否发出警示信号。在故障状态的评估过程中,由于撷取配方步骤与感测资料后,仅需根据制程流程的属性,来对应判读于特定时点或特定时间间隔中所对应的局部特征,即可自动地进行故障评估,因此可执行于不同种类的产品制程,并且可对照不同参数(温度、压力、流量等)的制程配方来进行而不受限制。如此一来,即可针对不同产品或不同制程,提供通用的判读标准与友善的界面。
以上关于本发明内容及以下关于实施方式的说明用以示范与阐明本发明的精神与原理,并提供对本发明的权利要求更进一步的解释。
附图说明
图1为根据本发明的一实施例的设备的故障评估装置的方块图。
图2为根据本发明的一实施例的制程操作(process run)的示意图。
图3A与3B根据本发明的一实施例的以平稳型配方步骤为依据来对所有制程流程执行k-means算法的结果的示意图。
图4A为根据本发明的一实施例的关联于上升属性的制程流程的局部特征。
图4B为根据本发明的一实施例的关联于下降属性的制程流程的局部特征。
图4C为根据本发明的一实施例的关联于上升至平稳属性的制程流程的两种态样的局部特征。
图4D为根据本发明的一实施例的关联于下降至平稳属性的制程流程的两种态样的局部特征。
图5A为根据本发明的一实施例的关联于群类1的上升至平稳属性的制程流程的特征值与执行窗口滑动法的示意图。
图5B为对应图5A的窗口滑动法而取得第一趋势值的示意图。
图5C为根据图5B的第一趋势值所建构的趋势分布的示意图。
图6A为根据本发明的另一实施例中,由图5A的特征值所产生的多个形式的多个第一趋势值的示意图。
图6B为根据本发明的另一实施例中,由图6A中多个形式的多个第一趋势值,所求得主成分1~7分别对应的多个第二趋势值的示意图。
图6C为根据本发明的另一实施例中,根据不同主成分个数来计算最大值的费雪分值的示意图。
图6D为根据本发明的另一实施例中,根据最大值的费雪分值所求得的马氏距离阵列D的示意图。
图6E为根据本发明的另一实施例中,由所求得的马氏距离阵列D所产生的趋势分布的示意图。
第6F图为根据本发明的另一实施例中,由趋势分布产生警示门坎值的示意图。
图7为根据本发明的一实施例的设备的故障评估方法的流程图。
【符号说明】
100 故障评估装置
110 制程撷取单元
120 属性分析单元
130 感测单元
140 特征撷取单元
150 趋势鉴别单元
160 警示单元
170 界面显示单元
210 上升属性的制程流程
220 下降属性的制程流程
230 上升至平稳属性的制程流程
240 下降至平稳属性的制程流程
410~460 局部特征
0109、0110、0118、0120、0124、0126、0128、0130、0133、0135、0137、0139、0141 关联于群类1的上升至平稳属性的制程流程编号
510、520 滑动窗口的位置
N 滑动窗口的长度
n 滑动窗口的偏移长度
t1、t2 零件更换点
I1、I2 提早警示的区段
S710~S750 故障评估方法的步骤
具体实施方式
以下在实施方式中叙述本发明的详细特征,其内容足以使任何熟习相关技艺者了解本发明的技术内容并据以实施,且依据本说明书所公开的内容、权利要求保护范围及附图,任何熟习相关技艺者可轻易地理解本发明相关的目的及优点。以下实施例进一步说明本发明的诸面向,但非以任何面向限制本发明的范畴。
图1为根据本发明的一实施例的设备的故障评估装置100的方块图。故障评估装置100可用以针对机台的故障状态或者是老化性故障的状态进行评估。如图1所示,故障评估装置100包括制程撷取单元110、属性分析单元120、感测单元130、特征撷取单元140、趋势鉴别单元150、警示单元160以及界面显示单元170。属性分析单元120耦接制程撷取单元110,特征撷取单元140耦接制程撷取单元110、属性分析单元120、感测单元130与趋势鉴别单元150耦接特征撷取单元140,警示单元160耦接趋势鉴别单元150,界面显示单元170耦接趋势鉴别单元150与警示单元160。
制程撷取单元110、属性分析单元120、感测单元130、特征撷取单元140、趋势鉴别单元150、警示单元160可以是各种芯片或者是为微处理器,在此不加以限制。界面显示单元170可以是各种显示器,在此亦不加以限制。
制程撷取单元110用以撷取多个制程流程。举例来说,在半导体制程中,针对某一产品(如LED)可具有2767个制程操作(process run),且这些制程操作可分别包括一或多个制程流程(process flow)。为了进行后续的分析,制程撷取单元110将从这2767个制程操作之中,进一步撷取出性质相近的多个制程流程,以做为后续的分析的用。下列将对此加以详述。
图2为根据本发明的一实施例的编号99的制程操作(process run)的示意图。
在本发明实施例中,各制程流程包括至少一配方步骤。配方步骤依类别可分为上升型配方步骤、下降型配方步骤以及平稳型配方步骤。举例来说,若此配方步骤是针对LED的半导体制程中的加热步骤,则上升型配方步骤即对应升温阶段的配方步骤,下降型配方步骤即对应降温阶段的配方步骤,平稳型配方步骤即对应保温阶段的配方步骤。然而,本发明的配方步骤亦可以是对应压力、流量或者其他参数的制程配方,在此不加以限制。为了便于理解,下列设定配方步骤是LED的半导体制程中的加热步骤来举例说明。
配方步骤中具有多个配方值(setpoint)(例如,特定时点的加热温度)。而对应于配方步骤,感测单元130可用以撷取上述配方步骤所对应的感测信息。感测信息具有多个感测值(例如,特定时点的感测温度)。
对应于配方步骤,制程流程的流程属性亦可分为上升属性、下降属性、上升至平稳属性或者是下降至平稳属性。属性分析单元120则可用以分析各制程流程所对应的流程属性,来辨别各制程流程为上升属性的制程流程、下降属性的制程流程、上升至平稳属性的制程流程或者是下降至平稳属性的制程流程。如图2所示,编号99的制程操作(process run)包括上升属性的制程流程210、下降属性的制程流程220、上升至平稳属性的制程流程230以及下降至平稳属性的制程流程240。
图3A与3B根据本发明的一实施例的以平稳型配方步骤为依据来对所有制程流程执行群聚算法的结果的示意图。
在本发明实施例中,所撷取出的多个制程流程关联于同一聚类(cluster)。举例来说,制程撷取单元110可透过一群聚算法一群聚算法,例如k-means算法,在2767个制程操作所包括所有的制程流程之中,撷取出性质相近的多个制程流程。其中,由于平稳型配方步骤是产品正在制作的阶段(例如LED需加热至1200~1400度来进行磊晶制程),因此制程撷取单元110在所有的制程流程之中,可特别对平稳型配方步骤的数据来进行分类,藉以做为后续故障评估的依据。稍后将对此加以洋述。
举例来说,制程撷取单元110可根据所有平稳型配方步骤所对应的执行温度与运行时间长度,来执行k-means算法。且当设定k值为3时,则可分类出三组性质相近的群类,如图3A与3B所示的群类1、群类2与群类3。在图3A中,标示有1的点即代表群类1的资料,标示有2的点即代表群类2的资料,标示有3的点即代表群类3的资料。所述群聚算法可以是其他的算法,在此不加以限制。为了便于理解,下列所述的多个制程流程,指的是制程撷取单元110所撷取的关联于群类1的多个制程流程,藉以举例说明。
特征撷取单元140用以根据制程流程以及对应的流程属性、至少一配方步骤与感测信息,以产生于一时间区段中所对应的局部特征。此局部特征对应于故障特征。换句话说,此局部特征乃是用以判别故障程度的依据。
在本发明实施例中,局部特征关联于至少一配方步骤与对应的感测信息之间于上述时间区段中的偏移程度。此外,属性分析单元120可更进一步判断流程属性为上升属性、下降属性、上升至平稳属性或者是下降至平稳属性,而特征撷取单元140可对应地根据上述流程属性的判断结果,来计算对应偏移程度的特征值。下列将针对所判别出的流程属性的各情况来说明。
图4A~4D为根据本发明的一实施例的各种局部特征的示意图。其中,图4A为根据本发明的一实施例的关联于上升属性的制程流程的局部特征。图4B为根据本发明的一实施例的关联于下降属性的制程流程的局部特征。图4C为根据本发明的一实施例的关联于上升至平稳属性的制程流程的两种态样的局部特征。图4D为根据本发明的一实施例的关联于下降至平稳属性的制程流程的两种态样的局部特征。在图4A~4D中,标示L1的实线代表配方值,标示L2的虚线代表感测值。
在一情况中,属性分析单元120当判定制程流程对应的流程属性为上升属性或下降属性时,则特征撷取单元140可计算多个配方值与对应的多个感测值之间的多个差值中的一平均差值,以作为对应偏移程度的特征值。
举例来说,如图4A与4B所示,若制程流程对应的流程属性为上升属性(图4A)或下降属性(图4B),则当故障程度越明显时,其配方值与对应感测值之间的多个差值的平均差值则可能越大。换句话说,在加温或降温阶段中,当实际上所测的感测值「追不上」设定中的配方值的程度越严重时,则可能故障的越严重。藉此,图4A与4B所示的平均差值(特征值)可以分别用以做为对应故障的局部特征410与420。
在另一情况中,属性分析单元120当判定制程流程的流程属性为上升至平稳属性或下降至平稳属性时,则特征撷取单元140可计算多个配方值与对应的多个感测值之间的多个差值中的最大差值,以做为对应偏移程度的特征值。
举例来说,如图4C与4D所示,若制程流程对应的流程属性为上升至平稳属性(图4C)或下降至平稳属性(图4D),则当故障程度越明显时,其配方值与对应感测值之间的多个差值中的最大差值则可能越大。换句话说,在加温至保温阶段或降温至保温阶段中,当实际上所测的感测值「停不住」的程度越严重时,则可能故障的越严重。藉此,图4C与4D所示的多个差值中的最大差值(特征值)可以分别用以做为对应故障的局部特征430与440。
在同样的情况中,可以有另一种态样的特征值。属性分析单元120当判定制程流程的流程属性为上升至平稳属性或下降至平稳属性时,则特征撷取单元140亦可计算多个配方值与对应的多个感测值之间的多个差值中,大于一临界值的多个差值所对应的偏移时间,以做为对应偏移程度的特征值。
举例来说,如图4C与4D所示,当故障程度越明显时,其配方值与对应感测值之间的多个差值中,大于临界值的多个差值所对应的偏移时间则可能越大。换句话说,在加温至保温阶段或降温至保温阶段中,当实际上所测的感测值「要追上」配方值所需的时间越长时,则可能故障的越严重。藉此,图4C与4D所示的大于临界值的多个差值所对应的偏移时间(特征值)可以分别用以做为对应故障的局部特征450与460。
值得一提的是,由于关联于群类1的多个制程流程的运行时间长度较短(运行时间位于180~2091秒之间),执行温度也较高(执行温度位于742.3~1613度之间),因此群类1用于对上升至平稳属性的制程流程来计算局部特征会更具代表性。
又如上所述,一般LED需加热至1200~1400度来进行磊晶制程。因此,在一较佳的实施例中,为了进一步提升故障评估的准确度,当设定群类1用于对上升至平稳属性的制程流程来计算局部特征时,可进一步将温度未达1200度的制程流程排除。换句话说,在群类1的温度达1200度以上的上升至平稳属性的制程流程中,由于累积的能量够多,其可更容易地突显故障机台的感测值「停不住」的情况,或者是可更容易地突显故障机台的感测值「要追上」配方值所需的时间更长的情况。
图5A为根据本发明的一实施例的关联于群类1的上升至平稳属性的制程流程的特征值与执行窗口滑动法的示意图。图5B为对应图5A的窗口滑动法而取得第一趋势值的示意图。图5C为根据图5B的第一趋势值所建构的趋势分布的示意图。
趋势鉴别单元150可用以根据多个制程流程中的多个局部特征建构趋势分布,以及对应趋势分布的警示门坎值。更详细来说,在本发明实施例中,趋势鉴别单元150可更进一步对多个特征值执行平顺化处理,以取得对应的多个第一趋势值,以及根据多个第一趋势值取得对应的趋势分布与警示门坎值。
举例来说,如图5A所示,其中编号0109、0110、0118、0120、0124、0126、0128、0130、0133、0135、0137、0139、0141以其他未列举的编号为上述关联于群类1的制程流程编号。所述平顺化处理可以是藉由滑动窗口法来撷取第一趋势值。在图5B中是以对应的平均值来做为第一趋势值。
如图5A所示的滑动窗口法中,趋势鉴别单元150可将窗口长度N设定为10,偏移长度n设定为3,藉以获得如图5B所示的平均值的形式的第一趋势值。其中滑动窗口于位置510所取得的平均值对应制成操作编号0135,根据滑动窗口520所取得的平均值对应制成操作编号0141。此滑动窗口可根据偏移长度来滑动至其他位置,以对应其他制成操作编号如0146、0154、0160...等,于此不再赘述。
接着,趋势鉴别单元150可根据这些第一趋势值描绘出如图5C所示的趋势分布,并透过界面显示单元170显示。警示单元160则用以根据趋势分布以决定是否发出警示信号。界面显示单元170除了显示趋势分布,亦可显示已知的故障零件更换点。
图6A为根据本发明的另一实施例中,由图5A的特征值所产生的多个形式的多个第一趋势值的示意图。图6B为根据本发明的另一实施例中,由图6A中的多个形式的多个第一趋势值,而求得主成分(principal component)1~7分别对应的多个第二趋势值的示意图。图6C为根据本发明的另一实施例中,根据不同主成分个数来计算最大值的费雪分值(Fisher score)的示意图。图6D为根据本发明的另一实施例中,根据最大值的费雪分值(Fisher score)所求得的马氏距离阵列D的示意图。图6E为根据本发明的另一实施例中,由所求得的马氏距离阵列D所产生的趋势分布的示意图。第6F图为根据本发明的另一实施例中,由趋势分布产生警示门坎值的示意图。
在本发明实施例中,趋势鉴别单元150可用以根据多个制程流程中的多个局部特征建构趋势分布,以及对应趋势分布的一警示门坎值。更详细来说,在本发明实施例中,趋势鉴别单元150可更进一步对多个特征值执行平顺化处理,以取得对应多个形式的多个第一趋势值。举例来说,如图6A所示,趋势鉴别单元150根据图5A的特征值来执行滑动窗口法,可求得多个形式,如最小值(Min)、最大值(Max)、平均值(Mean)、偏斜度(Skewness)、峰度(Kurtosis)、标准偏差(std)与平均值数量(NAM)形式,其所分别所对应的多个第一趋势值。
趋势鉴别单元150对多个形式的多个第一趋势值执行空间转换处理,以取得对应多个形式的多个第二趋势值。举例来说,图6A中的多个形式所分别对应的多个第一趋势值,可经由趋势鉴别单元150执行主成分分析(PCA)来映射到主成分空间,藉以取得如图6B所示的主成分1~7分别对应的多个第二趋势值。
趋势鉴别单元150对多个主成分的多个第二趋势值执行降维度处理,以取得多个第三趋势值。举例来说,趋势鉴别单元150可进一步计算各主成分的费雪分值(Fisherscore),并以最大的费雪分值来决定所取用的主成分个数。如图6C所示,在趋势鉴别单元150计算出主成分1~7分别对应的固有值(Eigenvalue)、比例(Proportion)、累积比例(Cumulative Proportion)。其中,比例是对应的固有值/所有固有值的总合,举例来说,主成分1所对应的比例为1.9321/(1.9321+1.1783+1.0652+0.6763+0.4888+0.1655+0.1419)=0.34208。累积比例为由左至右依序对比例的累加。如图6C所示,固有值由左至右越来越小,则可代表其对应的主成分能对原始资料(如图6A中的资料)的变异解释能力越来越小。
接着,趋势鉴别单元150可求得主成分4的费雪分值为最大(顺位(Rank)1)。进一步来说,费雪分值是一种两类样本的分布距离鉴别指标,当费雪分值越大时,则表示当下的两类数据的分布距离差异越大,因此趋势鉴别单元150可利用费雪分值来决定所选用的主成分个数。更详细来说,费雪分值的计算会同时衡量二个类别的组内散布(within-classscatter)以及二个类别的组间散布(between-class scatter)。而最大化的费雪分值,即代表组间散布与整体组内散布之间的比值的最大化。换句话说,当希望组内散布越小(个别群体),且组间散布越大(两组差别性)时,则趋势鉴别单元150可求得可主成分个数为4。
在本发明实施例中,上述二个类别可以分别是零件更换(时间)点之前与之后的所对应的两种不同性质的趋势值。
藉此,趋势鉴别单元150可藉此决定根据前4个主成分来计算对应的马氏距离阵列(Mahalanobis distance matrix)D,因为如此所得的马氏距离阵列D为此这些制程流程中最具代表性的趋势资料。换句话说,当机台故障或者是老化时,则藉由上述前4主成分所产生的趋势数据最能够反映出机台的变化程度。马氏距离阵列D中包括有多个马氏距离d(即第三趋势值)。
更详细来说,趋势鉴别单元150会进一步针对图6B中的投影数据求出数据Y。其中Y为主成分1~7中前N个具有较大变异的主成分所组成的投影数据。趋势鉴别单元150计算Y中每一笔资料y的马氏距离d,其中S为y中所有投影量的共变异数矩阵,为0。最终得出如图6D所示的对应前4个主成分的马氏距离阵列D。马氏距离阵列中的各元素即为第三趋势值。趋势鉴别单元150可根据这些第三趋势值描绘出如图6E所示的趋势分布。
警示单元160可更进一步根据趋势分布来产生对应的警示门坎值,以及比对趋势分布与警示门坎值,以决定是否发出警示信号。举例来说,警示单元160可根据Cantelli不等式来产生对应警示门坎值T,如第6F图所示。其中μD为所有D值的标准偏差,λ可设为0.05,a为可高于μD的容忍值。当警示单元160判定趋势分布中有数据点超出T=μD+a时,则可发出警示信号。警示门坎值T亦可由趋势鉴别单元150来产生,在此不加以限制。
界面显示单元170耦接趋势鉴别单元150与警示单元160,用以显示上述的群类、趋势分布、警示门坎值、多个特征值、多个第一趋势值、多个第二趋势值、多个第三趋势值或者是警示信号的相关信息。
举例来说,界面显示单元170可将上述实施例中所提及的各类数据呈现于一界面中,以供用户检视。例如各配方步骤与对应参数(温度、压力、流量或者其他参数)、各制程流程及其流程属性、各群类的分群图、费雪分值、主成分、趋势图、警示门坎值、发出警示信号的时点等,亦或者是其他相关的信息,例如已知的故障零件更换点等等,在此不加以赘述。
除此之外,用户亦可透过此界面来了解一共有多少种可能的趋势分布可供参考与评估故障。举例来说,假设目前只使用1个配方步骤参数(如温度),假设目前使用群聚算法分了3个群类(如第3A~3B图所示)、6种局部特征的特征值(如第4A~4D图所示)、7种形式的第一趋势值(最小值、最大值、平均值、偏斜度、峰度、标准偏差与平均值数量),因此共有1*3*6*7=126种可能的趋势分布来表示机台的故障情况。
根据本发明实施例的实验结果,如第6F图所示,藉助故障评估装置100所执行的故障评估与警示,再对照已知零件更换点t1(制程操作编号1628)来看,于故障评估结果中,可以提早36个制程操作就发出警示信号。或者对照已知零件更换点t2(制程操作编号2734)来看,于故障评估结果中,可以提早44个制程操作(如第6F图所示的区段12)就发出警示信号。藉此,本发明所提出的故障评估装置100确实可有效避免故障零件坏了才更换,造成实际上成本的损失。
图7为根据本发明的一实施例的设备的故障评估方法的流程图。如图7所示,在本发明实施例中,故障评估方法可包括步骤S710~S750。
在步骤S710中,制程撷取单元110撷取多个制程流程,各制程流程包括至少一配方步骤。
在步骤S720中,属性分析单元120分析各制程流程所对应的流程属性。
在步骤S730中,感测单元130撷取至少一配方步骤所对应的感测信息。
在步骤S740中,特征撷取单元140根据流程属性、至少一配方步骤与感测信息,以产生于一时间区段中所对应的局部特征。
在步骤S750中,趋势鉴别单元150根据多个制程流程中的多个局部特征建构趋势分布。
在步骤S760中,警示单元160根据趋势分布来决定是否发出一警示信号。上述步骤的细节皆已详述于上,于此不再赘述。
综上所述,本发明于关联于同一聚类的多个制程流程中,藉由分析各制程流程的流程属性为上升属性、下降属性、上升至平稳属性或者是下降至平稳属性,来对应地计算代表其偏移程度的局部特征的特征值。在一实施例中,可对这些特征值执行平顺化处理,以取得对应多个第一趋势值,来初步产生趋势分布。或在另一实施例中,可经平顺化处理来取得对应多个形式的多个第一趋势值,再经在执行空间转换处理与降维度处理后,可取得最具故障程度代表性的多个第三趋势值,藉以产生对应的趋势分布。此外,亦可根据趋势分布来产生警示门坎值,于比较趋势分布与警示门坎值后,决定是否发出警示信号。在故障状态的评估过程中,由于撷取配方步骤与感测资料后,仅需根据制程流程的属性,来对应判读于特定时点或特定时间间隔中所对应的局部特征,即可自动地进行故障评估,因此可执行于不同种类的产品制程,并且可对照不同参数(温度、压力、流量等)的制程配方来进行而不受限制。如此一来,即可针对不同产品或不同制程,提供通用的判读标准与友善的界面。
Claims (24)
1.一种设备的故障评估方法,包括:
撷取多个制程流程,各该制程流程包括至少一配方步骤;
分析各该制程流程所对应的一流程属性;
撷取该至少一配方步骤所对应的感测信息;
根据该流程属性、该至少一配方步骤与该感测信息,以产生于一时间区段中所对应的一局部特征;
根据该些制程流程中的该些局部特征建构一趋势分布;以及
根据该趋势分布来决定是否发出一警示信号。
2.如权利要求1所述的故障评估方法,其中该局部特征关联于该至少一配方步骤与对应的该感测信息之间于该时间区段中的一偏移程度。
3.如权利要求2所述的故障评估方法,其中该配方步骤为一上升型配方步骤、一下降型配方步骤以及一平稳型配方步骤其中之一。
4.如权利要求3所述的故障评估方法,其中于根据该流程属性、该至少一配方步骤与该感测信息,以产生于该时间区段中所对应的该局部特征的步骤中,更包括:
判断该流程属性为一上升属性、一下降属性、一上升至平稳属性或者是一下降至平稳属性,来计算对应该偏移程度的一特征值。
5.如权利要求4所述的故障评估方法,其中该至少一配方步骤中具有多个配方值,该感测信息具有多个感测值,而于根据该流程属性、该至少一配方步骤与该感测信息,以产生于该时间区段中所对应的该局部特征的步骤中,更包括:
当该流程属性为该上升属性或该下降属性时,则计算该些配方值与对应的该些感测值之间,于该时间区段中的多个差值中的一平均差值,以作为对应该偏移程度的该特征值。
6.如权利要求5所述的故障评估方法,其中于根据该流程属性、该至少一配方步骤与该感测信息,以产生于该时间区段中所对应的该局部特征的步骤中,更包括:
当该流程属性为该上升至平稳属性或该下降至平稳属性时,则计算该些配方值与对应的该些感测值之间,于该时间区段中的该些差值中的一最大差值,以做为对应该偏移程度的该特征值。
7.如权利要求5所述的故障评估方法,其中于根据该流程属性、该至少一配方步骤与该感测信息,以产生于该时间区段中所对应的该局部特征的步骤中,更包括:
当该流程属性为该上升至平稳属性或该下降至平稳属性时,则计算该些配方值与对应的该些感测值之间,于该时间区段中的该些差值中,大于一临界值的多个差值所对应的一偏移时间,以做为对应该偏移程度的该特征值。
8.如权利要求4所述的故障评估方法,其中所撷取出的该些制程流程关联于对多个制程操作中的多个制程流程执行一群聚算法所得的同一聚类。
9.如权利要求8所述的故障评估方法,其中于根据该趋势分布来决定是否发出该警示信号的步骤中,更包括:
根据该趋势分布来产生对应的一警示门坎值;以及
比对该趋势分布与该警示门坎值,以决定是否发出该警示信号。
10.如权利要求9所述的故障评估方法,其中于根据该些制程流程中的该些局部特征建构该趋势分布的步骤中,更包括:
对该些特征值执行一平顺化处理,以取得多个第一趋势值;
而于根据该趋势分布来决定是否发出该警示信号的步骤中,更包括:
根据该些第一趋势值取得对应的该趋势分布与该警示门坎值。
11.如权利要求10所述的故障评估方法,其中于根据该些制程流程中的该些局部特征建构该趋势分布,以及对应该趋势分布的该警示门坎值的步骤中,更包括:
对该些特征值执行该平顺化处理,以取得对应多个形式的该些第一趋势值;
对该些形式的该些第一趋势值执行一空间转换处理,以取得多个主成分分别对应的多个第二趋势值;
对该些主成分的该些第二趋势值执行一降维度处理,以取得多个第三趋势值;以及
根据该些第三趋势值取得对应的该趋势分布。
12.如权利要求11所述的故障评估方法,更包括:
于一界面中显示关联于该聚类的一分群图、该趋势分布、该警示门坎值、该些特征值、该些第一趋势值、该些第二趋势值、该些第三趋势值或该警示信号。
13.一种设备的故障评估装置,包括:
一制程撷取单元,用以撷取多个制程流程,各该制程流程包括至少一配方步骤;
一属性分析单元,耦接该制程撷取单元,用以分析各该制程流程所对应的一流程属性;
一感测单元,用以撷取该至少一配方步骤所对应的感测信息;
一特征撷取单元,耦接该制程撷取单元、该属性分析单元与该感测单元,用以根据该流程属性、该至少一配方步骤与该感测信息,以产生于一时间区段中所对应的一局部特征;
一趋势鉴别单元,耦接该特征撷取单元,用以根据该些制程流程中的该些局部特征建构一趋势分布;以及
一警示单元,耦接该趋势鉴别单元,用以根据该趋势分布来决定是否发出一警示信号。
14.如权利要求13所述的故障评估装置,其中该局部特征关联于该至少一配方步骤与对应的该感测信息之间于该时间区段中的一偏移程度。
15.如权利要求14所述的故障评估装置,其中该配方步骤为一上升型配方步骤、一下降型配方步骤以及一平稳型配方步骤其中之一。
16.如权利要求15所述的故障评估装置,其中该属性分析单元更进一步判断该流程属性为一上升属性、一下降属性、一上升至平稳属性或者是一下降至平稳属性,而该特征撷取单元藉以对应地来计算对应该偏移程度的一特征值。
17.如权利要求16所述的故障评估装置,其中该至少一配方步骤中具有多个配方值,该感测信息具有多个感测值,而该属性分析单元更进一步当判定该流程属性为该上升属性或该下降属性时,则该特征撷取单元计算该些配方值与对应的该些感测值之间,于该时间区段中的多个差值中的一平均差值,以作为对应该偏移程度的该特征值。
18.如权利要求17所述的故障评估装置,其中该属性分析单元更进一步当判定该流程属性为该上升至平稳属性或该下降至平稳属性时,则该特征撷取单元计算该些配方值与对应的该些感测值之间,于该时间区段中的该些差值中的一最大差值,以做为对应该偏移程度的该特征值。
19.如权利要求16所述的故障评估装置,其中该属性分析单元更进一步当判定该流程属性为该上升至平稳属性或该下降至平稳属性时,则该特征撷取单元计算该些配方值与对应的该些感测值之间,于该时间区段中的该些差值中,大于一临界值的多个差值所对应的一偏移时间,以做为对应该偏移程度的该特征值。
20.如权利要求16所述的故障评估装置,其中所撷取出的该些制程流程关联对多个制程操作(process run)中的多个制程流程执行一群聚算法所得的同一聚类(cluster)。
21.如权利要求20所述的故障评估装置,其中该趋势鉴别单元更进一步对该些特征值执行一平顺化处理,以取得多个第一趋势值,以及根据该些第一趋势值取得对应的该趋势分布与该警示门坎值。
22.如权利要求21所述的故障评估装置,其中该趋势鉴别单元更进一步对该些特征值执行该平顺化处理,以取得对应多个形式的该些第一趋势值,对该些形式的该些第一趋势值执行一空间转换处理,以取得多个主成分分别对应的多个第二趋势值,对该些主成分的该些第二趋势值执行一降维度处理,以取得多个第三趋势值,以及根据该些第三趋势值取得对应的该趋势分布。
23.如权利要求22所述的故障评估装置,其中该警示单元更进一步根据该趋势分布来产生对应的一警示门坎值,以及比对该趋势分布与该警示门坎值,以决定是否发出该警示信号。
24.如权利要求23所述的故障评估装置,更包括一界面显示单元,耦接该趋势鉴别单元与该警示单元,用以于一界面中显示关联于该聚类的一分群图、该趋势分布、该警示门坎值、该些特征值、该些第一趋势值、该些第二趋势值、该些第三趋势值或该警示信号。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW104138459A TWI690009B (zh) | 2015-11-20 | 2015-11-20 | 設備的故障評估方法與故障評估裝置 |
TW104138459 | 2015-11-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106771697A true CN106771697A (zh) | 2017-05-31 |
CN106771697B CN106771697B (zh) | 2020-12-15 |
Family
ID=58719577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510966602.7A Active CN106771697B (zh) | 2015-11-20 | 2015-12-21 | 设备的故障评估方法与故障评估装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10281362B2 (zh) |
CN (1) | CN106771697B (zh) |
TW (1) | TWI690009B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114634391A (zh) * | 2022-03-21 | 2022-06-17 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及*** |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI570587B (zh) * | 2015-12-07 | 2017-02-11 | 財團法人工業技術研究院 | 半導體機台零件剩餘壽命預測系統與方法 |
JP7517810B2 (ja) * | 2019-11-19 | 2024-07-17 | 旭化成株式会社 | 診断装置、診断方法及び診断プログラム |
TWI719786B (zh) | 2019-12-30 | 2021-02-21 | 財團法人工業技術研究院 | 資料處理系統與方法 |
JP6973544B2 (ja) * | 2020-03-31 | 2021-12-01 | 株式会社Sumco | 状態判定装置、状態判定方法、及び状態判定プログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1849599A (zh) * | 2003-09-12 | 2006-10-18 | 东京毅力科创株式会社 | 使用适应性多元分析诊断处理***的方法和*** |
CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测*** |
CN103364669A (zh) * | 2013-07-31 | 2013-10-23 | 广州供电局有限公司 | Gis设备运行状态在线检测方法与*** |
CN103400308A (zh) * | 2013-07-31 | 2013-11-20 | 广州华工科技开发有限公司 | Gis设备运行状态在线检测方法与*** |
CN103681395A (zh) * | 2012-09-04 | 2014-03-26 | 台湾积体电路制造股份有限公司 | 用于工具状态监控的定性故障检测和分类***及相关方法 |
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US20020156542A1 (en) | 2001-02-23 | 2002-10-24 | Nandi Hill K. | Methods, devices and systems for monitoring, controlling and optimizing processes |
US6775624B2 (en) | 2001-10-19 | 2004-08-10 | International Business Machines Corporation | Method and apparatus for estimating remaining life of a product |
US8050900B2 (en) | 2003-09-30 | 2011-11-01 | Tokyo Electron Limited | System and method for using first-principles simulation to provide virtual sensors that facilitate a semiconductor manufacturing process |
US7406644B2 (en) | 2006-03-30 | 2008-07-29 | Tokyo Electron Limited | Monitoring a thermal processing system |
US8055370B1 (en) | 2006-06-23 | 2011-11-08 | Novellus Systems, Inc. | Apparatus and methods for monitoring health of semiconductor process systems |
CN101581930B (zh) | 2008-02-05 | 2012-07-18 | 台湾积体电路制造股份有限公司 | 实现自动虚拟量测的创新方法 |
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 |
TW201017447A (en) * | 2008-10-31 | 2010-05-01 | Tong Dean Tech Co Ltd | An early stage abnormality prediction device for fabrication process and its prediction method |
US8606387B2 (en) | 2010-11-18 | 2013-12-10 | Taiwan Semiconductor Manufacturing Company, Ltd. | Adaptive and automatic determination of system parameters |
JP5414703B2 (ja) * | 2011-01-20 | 2014-02-12 | 東京エレクトロン株式会社 | 処理装置の異常診断方法及びその異常診断システム |
US9429939B2 (en) * | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
TWI580771B (zh) * | 2012-07-25 | 2017-05-01 | 奈寇公司 | 以控制系統及演算法爲基礎之分析器之設計開發與實施 |
US20140188405A1 (en) | 2012-12-28 | 2014-07-03 | International Business Machines Corporation | Predicting a time of failure of a device |
US10480071B2 (en) * | 2013-07-26 | 2019-11-19 | Techno Boundary Co. | Continuous distillation trichlorosilane vaporization supply apparatus |
-
2015
- 2015-11-20 TW TW104138459A patent/TWI690009B/zh active
- 2015-12-21 CN CN201510966602.7A patent/CN106771697B/zh active Active
- 2015-12-29 US US14/983,033 patent/US10281362B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1849599A (zh) * | 2003-09-12 | 2006-10-18 | 东京毅力科创株式会社 | 使用适应性多元分析诊断处理***的方法和*** |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测*** |
CN101899563A (zh) * | 2009-06-01 | 2010-12-01 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN103681395A (zh) * | 2012-09-04 | 2014-03-26 | 台湾积体电路制造股份有限公司 | 用于工具状态监控的定性故障检测和分类***及相关方法 |
CN103364669A (zh) * | 2013-07-31 | 2013-10-23 | 广州供电局有限公司 | Gis设备运行状态在线检测方法与*** |
CN103400308A (zh) * | 2013-07-31 | 2013-11-20 | 广州华工科技开发有限公司 | Gis设备运行状态在线检测方法与*** |
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114634391A (zh) * | 2022-03-21 | 2022-06-17 | 广东宏大韶化民爆有限公司 | 一种膨化结晶机的运行状态实时评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US20170146432A1 (en) | 2017-05-25 |
US10281362B2 (en) | 2019-05-07 |
TW201719788A (zh) | 2017-06-01 |
TWI690009B (zh) | 2020-04-01 |
CN106771697B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106771697A (zh) | 设备的故障评估方法与故障评估装置 | |
US8682824B2 (en) | Method and device for monitoring the state of a facility | |
US20140149325A1 (en) | System monitor and method of system monitoring | |
US10546735B2 (en) | Method for identifying microorganisms via mass spectrometry and score normalization | |
Clifton et al. | A large-scale clinical validation of an integrated monitoring system in the emergency department | |
CN102727223A (zh) | 基于多生理参数pca融合的脑力负荷测量方法 | |
US9607211B2 (en) | Face recognition apparatus, system and method for managing users based on user grouping | |
CN104809255A (zh) | 一种负荷形态获取方法和*** | |
WO2017101529A1 (zh) | 心电导联智能选择方法和*** | |
EP2893408A1 (en) | System monitoring | |
CN108572880B (zh) | 设备机器的异常诊断*** | |
CN113361944B (zh) | 基于物联网和人工智能的安全生产指标异常快速感知方法 | |
KR101307515B1 (ko) | 생체 신호 인식 장치 및 그 방법 | |
KR20190000195A (ko) | 신경계 질환 관리를 위한 시스템 및 방법 | |
CN110680282A (zh) | 一种大脑暂时性异常态的检测方法、装置和*** | |
Yazdani et al. | Fisher linear discriminant based person identification using visual evoked potentials | |
Losardo et al. | Exploiting AAL environment for behavioral analysis | |
CN108876030A (zh) | 一种基于Fisher判别模型的突水水源预测方法 | |
Vijayakumar et al. | Geometric morphometry analysis of three species of stingless bees in India | |
JP7112080B2 (ja) | 重心動揺解析装置及び方法 | |
Labarre et al. | Measure of the regularity of events in stochastic point processes, application to neuron activity analysis | |
Mao et al. | Accelerometer-based gait recognition using PCA & LDA algorithms | |
Karimi et al. | Face recognition: A sparse representation-based classification using independent component analysis | |
CN103955640B (zh) | 一种基于模糊控制理论的身份识别*** | |
Luca et al. | Anomaly detection using the Poisson process limit for extremes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |