CN108334652A - 机台的预诊断方法及预诊断装置 - Google Patents
机台的预诊断方法及预诊断装置 Download PDFInfo
- Publication number
- CN108334652A CN108334652A CN201710140187.9A CN201710140187A CN108334652A CN 108334652 A CN108334652 A CN 108334652A CN 201710140187 A CN201710140187 A CN 201710140187A CN 108334652 A CN108334652 A CN 108334652A
- Authority
- CN
- China
- Prior art keywords
- health indicator
- value
- data
- board
- value function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 title abstract description 6
- 230000036541 health Effects 0.000 claims abstract description 101
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000009472 formulation Methods 0.000 claims description 39
- 239000000203 mixture Substances 0.000 claims description 39
- 238000002405 diagnostic procedure Methods 0.000 claims description 19
- 238000005229 chemical vapour deposition Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 239000002184 metal Substances 0.000 claims description 5
- 238000002488 metal-organic chemical vapour deposition Methods 0.000 claims description 5
- 239000004065 semiconductor Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000001373 regressive effect Effects 0.000 abstract 2
- 239000002245 particle Substances 0.000 description 10
- 230000015556 catabolic process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000011469 building brick Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Chemical Vapour Deposition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种机台的预诊断方法及预诊断装置。预诊断方法包括以下步骤。取得一机台的一零件的多笔感测数据及一异类数据。由多笔感测数据取得此零件的多个健康指标值。依据此些健康指标值及异类数据得到一可回归性特征值函数及一修正值函数。修正值函数与异类数据相关。依据可回归性特征值函数及修正值函数得到一健康指标预测值函数。依据健康指标预测值函数得到一健康指标预测值，以估测零件的使用状态。
Description
技术领域
本发明是有关于一种机台的预诊断方法及预诊断装置。
背景技术
根据研究报告显示，生产制造预估是未来大数据的前五大垂直应用市场，资产设备的故障是影响公司营运风险的关键因素。若能利用数据分析来管理和维护资产设备，则可有效提升公司的营运效率。
关于利用数据分析来管理和维护资产设备，通常借由分析机台中的传感器的数据来监控和评估机台设备或机台零件的健康状态，并根据健康状态来决定进行机台维护或更换机台零件的时机，减少机台的非预期性停止运作与维修频率。
未来的生产趋势将会是产品数量少，但产品的种类多的机台使用方式。而现有的设备预诊断及健康管理技术并不足以因应未来少量多样性的产品生产趋势。因此，需提出一个更能提供准确的预测机台健康变化的方法。
发明内容
本发明有关于一种整合异类数据的机台的预诊断方法及预诊断装置。其因应未来少量多样性的生产趋势，在执行多种配方(recipe)的状态下，考虑各种配方对健康指标值造成的不同影响，将配方信息加入到诊断方法中，利用配方信息改善预测机台零件故障的能力。
根据本发明的第一方面，提出一种机台的预诊断方法。此预诊断方法包括以下步骤。取得一机台的一零件的多笔感测数据及一异类数据。由此些感测数据取得此零件的多个健康指标值。依据此些健康指标值及异类数据得到一可回归性特征值函数及一修正值函数，此修正值函数与异类数据相关。依据可回归性特征值函数及修正值函数得到一健康指标预测值函数。依据健康指标预测值函数得到一健康指标预测值，以估测零件的使用状态。
根据本发明的第二方面，提出一种机台的预诊断装置。此预诊断装置包括一数据撷取模块、一健康指标计算模块、一健康指标修正计算模块以及一故障预测模块。数据撷取模块用以取得一机台的一零件的多笔感测数据及一异类数据。健康指标计算模块用以由此些感测数据取得零件的多个健康指标值。健康指标修正计算模块用以依据此些健康指标值及异类数据得到一可回归性特征值函数及一修正值函数。修正值函数与异类数据相关。健康指标修正计算模块依据可回归性特征值函数及修正值函数得到一健康指标预测值函数。故障预测模块用以依据健康指标预测值函数得到一健康指标预测值，以估测零件的使用状态。
为了对本发明的上述及其他方面有更佳的了解，下文特举优选实施例，并配合所附图式，作详细说明如下。
附图说明
图1绘示绘示金属有机物化学气相沉积(Metal Organic Chemical VaporDeposition,MOCVD)机台的感测曲线图。
图2绘示依据本发明一实施例的机台的预诊断装置的示意图。
图3绘示依照本发明一实施例的机台的预诊断方法的流程图。
【符号说明】
L1、L2、L3：曲线
210：数据撷取模块
220：健康指标计算模块
230：健康指标修正计算模块
240：故障预测模块
S310～S380：流程步骤
具体实施方式
以下提出各种实施例进行详细说明，其通过将异类数据加入到预诊断方法中，利用异类数据提高预测机台零件故障的准确率。然而，实施例仅用以作为范例说明，并不会限缩本发明欲保护的范围。此外，实施例中的图式省略部份组件，以清楚显示本发明的技术特点。
请参照图1，绘示金属有机物化学气相沉积(Metal Organic Chemical VaporDeposition,MOCVD)机台的感测曲线图。以金属有机物化学气相沉积机台为例，曲线L1为粒子过滤器(particle filter)执行完一次运转周期(run)所搜集到的感测数据(sensordata)(标示为感测数据dp_filter)。当此运转周期的感测数据之中的最大值超过一临界值(例如是30)时，即代表粒子过滤器需要被更换。曲线L2为从粒子过滤器被更新之后到故障被更换之间的一个生命周期(life cycle)所搜集到的感测数据，在一个生命周期当中粒子过滤器可具有多个运转周期。曲线L3为每个运转周期中所搜集到的感测数据的最大值(标示为感测数据最大值dp_filter_max)的纪录曲线。例如，可定义每个运转周期中所搜集到的感测数据的最大值为此运转周期的健康指标值。
金属有机物化学气相沉积机台的粒子过滤器的下次运转周期故障预测(next-runfailure prediction)就是预测在未来的某个运转周期中，所预测的粒子过滤器对应的健康指标值是否将超过上述的临界值。若是，则代表粒子过滤器可能会故障而需要更换。或者，可以预测于接下来的哪个运转周期，粒子过滤器对应的健康指标值将超过上述的临界值，而粒子过滤器可能将于该运转周期中故障而需要更换。
请参照图2及图3。图2绘示依据本发明一实施例的机台的预诊断装置的示意图。图3绘示依照本发明一实施例的机台的预诊断方法的流程图。预诊断装置200包括一数据撷取模块210、一健康指标计算模块220、一健康指标修正计算模块230及一故障预测模块240。数据撷取模块210用以撷取各种数据。健康指标计算模块220用以根据数据得到健康指标值。健康指标修正计算模块230用以建立不同配方种类与健康指标修正值的关系。故障预测模块240用以计算健康指标预测值。数据撷取模块210、健康指标计算模块220、健康指标修正计算模块230及故障预测模块240可以例如是借由使用一芯片、芯片内的一电路区块、一韧体电路、含有数个电子组件及导线的电路板或储存多组程序代码的一储存媒体来实现，也可借由计算机***、服务器等电子装置执行对应软件或程序来实现。
首先，在步骤S310中，数据撷取模块210可通过读取文件方式、数据撷取卡接口(未绘示)或通过存取一数据库***(未绘示)，取得一机台的一零件的多笔感测数据及一异类数据。其中，机台可以为一半导体工艺机台，例如为金属有机物化学气相沉积(MetalOrganic Chemical Vapor Deposition,MOCVD)机台。零件可以具有至少一传感器，举例来说，此零件可以为粒子过滤器。上述的多笔感测数据为零件的传感器所感测纪录的数据。
在本发明一实施例中，上述的异类数据包括多个配方类型数据，且此些配方类型数据对应至多个配方类型。不同的配方类型所对应的工艺参数是为不同。不同的配方类型所对应的工艺产品是为不同。举例来说，机台可能用于借由指定不同的配方类型，而分别生产出不同发光颜色的光二极管(Light Emitting Diode,LED)。不同的配方类型所对应的工艺材料或工艺条件等可能不同。由于不同的配方类型对应于不同的工艺，因此，同一零件在不同的配方类型的工艺过程中，会有不同的损耗。也就是说，某些配方类型的工艺可能此零件会有较大的损耗，而其他配方类型的工艺则可能对此零件造成较小的损耗。
进一步说，异类数据除了上述的多个配方类型数据之外，异类数据亦可以指其他足以让感测数据产生变异或对机台造成不同损耗程度的外部因素。举例来说，异类数据包含工艺因素(例如产品类别)、操作因素(例如操作方法、操作步骤、操作人员)、维修或保养因素(例如保养或维修方式)等。也就是说，当不同的运转周期对应至不同的工艺因素、操作因素、或维修或保养因素时，都可能使机台的零件有着不同程度的损耗量。
接着，在步骤S320中，利用健康指标计算模块220由多笔感测数据取得零件的多个健康指标值。此些感测数据为此零件在多个运转周期(runs)过程中的感测数据，且每个运转周期包括多笔感测数据。健康指标值可以是经由公式或模型进行运算后的数值，或是直接撷取感测数据中的某一数值。举例来说，可以撷取零件在每个运转周期中的多笔感测数据中的最大值作为对应于此运转周期的健康指标值，例如是图1的曲线L3所示的每个运转周期中的多笔感测数据中的最大值作为对应于此运转周期的健康指标值。
随后，在步骤S330中，利用健康指标修正计算模块230依据健康指标值及异类数据得到一可回归性特征值函数及一修正值函数。其中，修正值函数与异类数据相关，例如不同的配方类型对应至不同的对应修正值函数。由于不同配方类型的工艺对零件造成不同的损耗，因此，需针对不同的配方调整零件在执行不同配方类型的工艺时的健康指标值，亦即针对不同的配方类型给予不同的健康指标值的修正值。
零件的感测数据中的多个健康指标值分别对应至多个运转周期(runs)，此些运转周期各自对应至一运转周期索引值(index)i，i为正整数。可回归性特征值函数及修正值函数为，针对此些运转周期索引值i，使健康指标预测值函数与此些运转周期索引值i所对应的健康指标值的误差为最小的可回归性特征值函数及修正值函数。上述的可回归性特征值函数可以为一时间序列模型(time series model)或是一曲线拟合模型(curve fittingmodel)。
兹将求得可回归性特征值函数及修正值函数的方式举例说明如下。给定于不同的运转周期N笔训练数据(xi,ri)，i＝1～N(i为上述的运转周期索引值，对应至不同的运转周期)，N为正整数，xi为第i个运转周期经过传感器量测后所得到的第i个健康指标值，ri为第i个运转周期中所使用的配方类型。本例是以异类数据为配方类型数据为例做说明，但本例亦可使用于其他类型的异类数据。
首先，定义健康指标值对应的修正值函数。举例来说，可以定义修正值函数为g(r)，
其中δ(·)为一指标函数(indicator function)，dk为对应不同配方类型的修正值，R为正整数，typek代表不同的配方类型。若是连续型的异类数据，则可定义回归模型来描述异类数据与修正值的关系，例如g(r)＝βr。接着，定义可回归性特征值函数的趋势模型。举例来说，可用一模型参数为θ的回归模型定义可回归性特征值函数为yi＝fθ(i)。随后，根据健康指标、修正值函数及可回归性特征値函数的关系，建立优化目标函数。举例来说，假设健康指标值在扣除修正值后，具有稳定趋势的可回归性特征，也就是说，健康指标值、修正值函数、可回归性特征值函数三者之间具有xi≈g(ri)+fθ(i)的关系。依据上述的关系可建立优化目标函数T为最后，通过最小二乘法对此目标函数T进行最小化求解。
上述的最小化求解过程中，首先，将d1、d2、…、dR初始化，且初始化θ。接着，给定后，利用训练数据{xi-g(ri),i＝1～N}，以回归为基础的均方误差(Mean Squared Error，MSE)优化程序来更新θ，可得到接着，给定利用训练数据{xi-fθ(i),i＝1～N}，以数値运算为基础的优化程序来更新g(ri)，可得到重复上述步骤，以得到修正值函数以及可回归性特征值函数
然后，在步骤S340中，健康指标修正计算模块230依据此可回归性特征值函数及此修正值函数得到一健康指标预测值函数。例如，健康指标预测值函数为可回归性特征值函数和修正值函数的和。
接着，在步骤S350中，利用故障预测模块240用以依据健康指标预测值函数获得一健康指标预测值，以估测该零件的使用状态。详而言之，故障预测模块240可以依据即将执行的配方类型得到对应的修正值函数，并通过健康指标预测值函数计算出健康指标预测值。接着，判断健康指标预测值是否大于一临界健康指标值(步骤S360)。若健康指标预测值大于临界健康指标值(步骤S360的结果为是)，则判断零件需要被更换(步骤S370)。若健康指标预测值小于临界健康指标值(步骤S360的结果为否)，则判断此零件不需要被更换(步骤S380)。或者，亦可借由健康指标预测值函数，计算健康指标预测值大于临界健康指标值的最小运转周期索引值i，以预测零件接下来将可能于哪个运转周期中故障而需要被更换。如此，可以有效地估测零件的状态，并更准确地预测机台的健康变化。
如此，借由找出零件与多种配方类型对应的修正值函数及可回归性特征值函数，进而可以估测出此零件于可能可以使用的寿命长度。将多种配方类型考虑进来所得到的健康指标预测值函数所计算而得的健康指标预测值，可因应未来少量多样性的生产趋势。在执行多种配方类型的状态下，考虑各种配方类型对健康指标值造成的影响，可以有效地改善预测机台零件故障的能力，并提高预测机台零件故障的准确率。而针对其他类型的异类数据，借由找出零件与多种异类数据对应的修正值函数及可回归性特征值函数，亦可推估此零件于可能可以使用的寿命。将多种异类数据考虑进来所得到的健康指标预测值函数所计算而得的健康指标预测值，可以更有效地预测机台零件何时可能故障，而提高预测机台零件故障的准确率。
综上所述，虽然本发明已以优选实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中普通技术人员，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当以权利要求保护范围为准。
Claims (18)
1.一种机台的预诊断方法，其特征在于，该预诊断方法包括：
取得一机台的一零件的多笔感测数据及一异类数据；
由该多笔感测数据取得该零件的多个健康指标值；
依据该些健康指标值及该异类数据得到一可回归性特征值函数及一修正值函数，该修正值函数与该异类数据相关；
依据该可回归性特征值函数及该修正值函数得到一健康指标预测值函数；以及
依据该健康指标预测值函数得到一健康指标预测值，以估测该零件的使用状态。
2.如权利要求1所述的预诊断方法，还包括：
判断该健康指标预测值是否大于一临界健康指标值；以及
若该健康指标预测值大于该临界健康指标值，则判断该零件需要被更换。
3.如权利要求1所述的预诊断方法，其中于得到该可回归性特征值函数及该修正值函数的步骤中，该些健康指标值分别对应至多个运转周期(runs)，该些运转周期各自对应至一运转周期索引值(index)，该可回归性特征值函数及该修正值函数为，针对该些运转周期索引值，使该健康指标预测值函数与该些运转周期索引值所对应的该些健康指标值的误差为最小的该可回归性特征值函数及该修正值函数。
4.如权利要求1所述的预诊断方法，其中该机台为一半导体工艺机台，该异类数据包括多个配方类型数据，该零件具有一传感器，该多笔感测数据为该零件的该传感器所感测而得的感测数据，该些配方类型数据对应至多个配方类型，不同的配方类型所对应的工艺参数是为不同，该修正值函数用以针对不同的配方类型给定不同的修正值。
5.如权利要求4所述的预诊断方法，其中不同的配方类型所对应的工艺产品是为不同。
6.如权利要求1所述的预诊断方法，其中该多笔感测数据为对应至多个运转周期(runs)的感测数据，每个运转周期对应至多笔感测数据，借由每个运转周期的多笔感测数据得到对应于该运转周期的该健康指标值。
7.如权利要求1所述的预诊断方法，其中该可回归性特征值函数为一时间序列模型(time series model)或一曲线拟合模型(curve fitting model)。
8.如权利要求1所述的预诊断方法，其中该机台为金属有机物化学气相沉积(MetalOrganic Chemical Vapor Deposition,MOCVD)机台。
9.如权利要求1所述的预诊断方法，其中该异类数据包括用以指示一产品类别、一保养或维修方式及一操作因素至少之一。
10.一种机台的预诊断装置，其特征在于，该预诊断装置包括：
一数据撷取模块，用以取得一机台的一零件的多笔感测数据及一异类数据；
一健康指标计算模块，用以由该多笔感测数据取得该零件的多个健康指标值；
一健康指标修正计算模块，用以依据该些健康指标值及该异类数据得到一可回归性特征值函数及一修正值函数，该修正值函数与该异类数据相关，以及依据该可回归性特征值函数及该修正值函数得到一健康指标预测值函数；以及
一故障预测模块，用以依据该健康指标预测值函数得到一健康指标预测值，以估测该零件的使用状态。
11.如权利要求10所述的预诊断装置，该故障预测模块还用以判断该健康指标预测值是否大于一临界健康指标值，以及若该健康指标预测值大于该临界健康指标值，则判断该零件需要被更换。
12.如权利要求10所述的预诊断装置，其中该些健康指标值分别对应至多个运转周期(runs)，该些运转周期各自对应至一运转周期索引值(index)，该可回归性特征值函数及该修正值函数为，针对该些运转周期索引值，使该健康指标预测值函数与该些运转周期索引值所对应的该些健康指标值的误差为最小的该可回归性特征值函数及该修正值函数。
13.如权利要求10所述的预诊断装置，其中该机台为一半导体工艺机台，该异类数据包括多个配方类型数据，该零件具有一传感器，该多笔感测数据为该零件的该传感器所感测而得的感测数据，该些配方类型数据对应至多个配方类型，不同的配方类型所对应的工艺参数是为不同，该修正值函数用以针对不同的配方类型给定不同的修正值。
14.如权利要求13所述的预诊断装置，其中不同的配方类型所对应的工艺产品是为不同。
15.如权利要求10所述的预诊断装置，其中该多笔感测数据为对应至多个运转周期(runs)的感测数据，每个运转周期对应至多笔感测数据，借由每个运转周期的多笔感测数据得到对应于该运转周期的该健康指标值。
16.如权利要求10所述的预诊断装置，其中该可回归性特征值函数为一时间序列模型(time series model)或一曲线拟合模型(curve fitting model)。
17.如权利要求10所述的预诊断装置，其中该机台为金属有机物化学气相沉积(MetalOrganic Chemical Vapor Deposition,MOCVD)机台。
18.如权利要求10所述的预诊断装置，其中该异类数据包括用以指示一产品类别、一保养或维修方式及一操作因素至少之一。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106102148 | 2017-01-20 | ||
| TW106102148A TWI632441B (zh) | 2017-01-20 | 2017-01-20 | 機台的預診斷方法及預診斷裝置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108334652A true CN108334652A (zh) | 2018-07-27 |
| CN108334652B CN108334652B (zh) | 2021-12-31 |
Family
ID=62906291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710140187.9A Active CN108334652B (zh) | 2017-01-20 | 2017-03-10 | 机台的预诊断方法及预诊断装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10678232B2 (zh) |
| CN (1) | CN108334652B (zh) |
| TW (1) | TWI632441B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113124414A (zh) * | 2019-12-30 | 2021-07-16 | 财团法人工业技术研究院 | 资料处理***与方法 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11348813B2 (en) | 2019-01-31 | 2022-05-31 | Applied Materials, Inc. | Correcting component failures in ion implant semiconductor manufacturing tool |
| JP7249902B2 (ja) * | 2019-07-17 | 2023-03-31 | 東京エレクトロン株式会社 | 状態管理システム及び状態管理方法 |
| CN110728041B (zh) * | 2019-09-27 | 2022-03-25 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
| US11302545B2 (en) | 2020-03-20 | 2022-04-12 | Nanya Technology Corporation | System and method for controlling semiconductor manufacturing equipment |
| US11675340B2 (en) | 2020-04-08 | 2023-06-13 | Nanya Technology Corporation | System and method for controlling semiconductor manufacturing apparatus |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101413991A (zh) * | 2007-10-15 | 2009-04-22 | 通用电气公司 | 用于远程预测交流电机***剩余寿命的方法和*** |
| US20090240366A1 (en) * | 2008-03-08 | 2009-09-24 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
| CN101753364A (zh) * | 2008-12-11 | 2010-06-23 | 财团法人工业技术研究院 | 设备状态分析预测以及资源分配方法与*** |
| CN102016730A (zh) * | 2008-03-08 | 2011-04-13 | 东京毅力科创株式会社 | 自主自适应半导体制造 |
| CN102148701A (zh) * | 2011-01-14 | 2011-08-10 | 广东商学院 | 用于监控***中监控指标的趋势分析方法及装置 |
| CN102486833A (zh) * | 2010-12-03 | 2012-06-06 | 财团法人工业技术研究院 | 装置的效能预测及故障检测的方法 |
| CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的***和方法 |
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
| US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020046001A1 (en) | 2000-10-16 | 2002-04-18 | Applied Materials, Inc. | Method, computer readable medium and apparatus for accessing a defect knowledge library of a defect source identification system |
| US6594589B1 (en) | 2001-05-23 | 2003-07-15 | Advanced Micro Devices, Inc. | Method and apparatus for monitoring tool health |
| US6616759B2 (en) | 2001-09-06 | 2003-09-09 | Hitachi, Ltd. | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor |
| TWI240881B (en) | 2002-05-09 | 2005-10-01 | Taiwan Semiconductor Mfg | Monitor and diagnostic system and its method for breakdown facilities |
| IE20030437A1 (en) * | 2003-06-11 | 2004-12-15 | Scient Systems Res Ltd | A method for process control of semiconductor manufacturing equipment |
| US7359759B2 (en) * | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
| US7328128B2 (en) * | 2006-02-22 | 2008-02-05 | General Electric Company | Method, system, and computer program product for performing prognosis and asset management services |
| CN100567134C (zh) | 2007-06-14 | 2009-12-09 | 张常年 | 双轨四吊搬运机 |
| US20090282296A1 (en) | 2008-05-08 | 2009-11-12 | Applied Materials, Inc. | Multivariate fault detection improvement for electronic device manufacturing |
| JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
| US9626472B2 (en) | 2014-11-26 | 2017-04-18 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system of forming layout design |
| TWI549075B (zh) | 2014-11-26 | 2016-09-11 | 財團法人工業技術研究院 | 機台維護排程的方法與系統 |
| TWI560658B (en) | 2015-02-09 | 2016-12-01 | Formosa Plastics Corp | An alert method of predicting nonstandard |
| TWI594835B (zh) | 2015-11-06 | 2017-08-11 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
| US10152879B2 (en) | 2015-11-10 | 2018-12-11 | Industrial Technology Research Institute | Method, apparatus, and system for monitoring manufacturing equipment |
| 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 |
| CN105571638A (zh) | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测***及方法 |
| TWI588767B (zh) | 2016-03-23 | 2017-06-21 | 財團法人工業技術研究院 | 設備的異常評估方法與異常評估裝置 |
| US10179308B2 (en) * | 2016-04-13 | 2019-01-15 | Carleton Life Support Systems Inc. | On-board inert gas generating system prognostic health monitoring |
-
2017
- 2017-01-20 TW TW106102148A patent/TWI632441B/zh active
- 2017-03-10 CN CN201710140187.9A patent/CN108334652B/zh active Active
- 2017-06-09 US US15/618,772 patent/US10678232B2/en active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101413991A (zh) * | 2007-10-15 | 2009-04-22 | 通用电气公司 | 用于远程预测交流电机***剩余寿命的方法和*** |
| US20090240366A1 (en) * | 2008-03-08 | 2009-09-24 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
| CN102016730A (zh) * | 2008-03-08 | 2011-04-13 | 东京毅力科创株式会社 | 自主自适应半导体制造 |
| CN101753364A (zh) * | 2008-12-11 | 2010-06-23 | 财团法人工业技术研究院 | 设备状态分析预测以及资源分配方法与*** |
| CN102449623A (zh) * | 2009-03-31 | 2012-05-09 | 东京毅力科创株式会社 | 用于检测工具性能降级和失配的方法和*** |
| CN102486833A (zh) * | 2010-12-03 | 2012-06-06 | 财团法人工业技术研究院 | 装置的效能预测及故障检测的方法 |
| CN102148701A (zh) * | 2011-01-14 | 2011-08-10 | 广东商学院 | 用于监控***中监控指标的趋势分析方法及装置 |
| CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的***和方法 |
| US20160091393A1 (en) * | 2014-09-26 | 2016-03-31 | Palo Alto Research Center Incorporated | Computer-Implemented Method And System For Machine Tool Damage Assessment, Prediction, And Planning In Manufacturing Shop Floor |
| CN105241680A (zh) * | 2015-08-26 | 2016-01-13 | 电子科技大学 | 一种基于概率密度函数的旋转机械健康状态评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| SIEGEL, DAVID, AND JAY LEE: "《"Reconfigurable informatics platform for rapid prognostic design and implementation: tools and case studies》", 《PROCEEDINGS OF THE MACHINERY FAILURE PREVENTION TECHNOLOGY (MFPT) CONFERENCE》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113124414A (zh) * | 2019-12-30 | 2021-07-16 | 财团法人工业技术研究院 | 资料处理***与方法 |
| CN113124414B (zh) * | 2019-12-30 | 2024-07-23 | 财团法人工业技术研究院 | 资料处理***与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108334652B (zh) | 2021-12-31 |
| TW201827962A (zh) | 2018-08-01 |
| US20180210991A1 (en) | 2018-07-26 |
| TWI632441B (zh) | 2018-08-11 |
| US10678232B2 (en) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334652A (zh) | 机台的预诊断方法及预诊断装置 | |
| CN108615088A (zh) | 机台零件剩余寿命的预测***与预测方法 | |
| JP2009054843A (ja) | プロセス異常検出装置および方法並びにプログラム | |
| Li et al. | False discovery rate-adjusted charting schemes for multistage process monitoring and fault identification | |
| JP2007165721A (ja) | プロセス異常分析装置及びプログラム | |
| JP2007219692A (ja) | プロセス異常分析装置およびプロセス異常分析システム並びにプログラム | |
| CN108242266A (zh) | 辅助诊断装置和方法 | |
| EP3053005A1 (en) | Optimizing data center cooling efficiency | |
| JP2012226511A (ja) | 歩留まり予測システムおよび歩留まり予測プログラム | |
| KR20090030252A (ko) | 시간 가중 이동 평균 필터 | |
| CN116822967A (zh) | 一种工程项目造价风险管理方法及管理*** | |
| CN110928265B (zh) | 数据处理方法、装置与***、以及计算器可读取记录介质 | |
| WO2019240019A1 (ja) | 異常解析装置、製造システム、異常解析方法及びプログラム | |
| JP2009020717A (ja) | 状態監視方法及び状態監視装置並びにプログラム | |
| CN109844489A (zh) | 寿命预测装置 | |
| CN109782586B (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
| Fan et al. | Robust multivariate control chart for outlier detection using hierarchical cluster tree in SW2 | |
| CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
| TWI709833B (zh) | 資料處理、資料處理裝置以及電腦可讀取記錄媒體 | |
| CN100476661C (zh) | 区分材料优先次序以清除异常条件的方法及*** | |
| CN117110362A (zh) | 一种基于物联网的管道热损监测方法、装置、设备及介质 | |
| JP2006350883A (ja) | 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体 | |
| CN106814608B (zh) | 基于后验概率分布的预测控制自适应滤波算法 | |
| US20230360887A1 (en) | Maintenance for remote plasma sources | |
| JP7457601B2 (ja) | 要因推定装置、要因推定システムおよびプログラム |
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 |