TWI632441B - 機台的預診斷方法及預診斷裝置 - Google Patents

機台的預診斷方法及預診斷裝置 Download PDF

Info

Publication number
TWI632441B
TWI632441B TW106102148A TW106102148A TWI632441B TW I632441 B TWI632441 B TW I632441B TW 106102148 A TW106102148 A TW 106102148A TW 106102148 A TW106102148 A TW 106102148A TW I632441 B TWI632441 B TW I632441B
Authority
TW
Taiwan
Prior art keywords
health index
function
data
value function
item
Prior art date
Application number
TW106102148A
Other languages
English (en)
Other versions
TW201827962A (zh
Inventor
黃博煜
闕壯華
Original Assignee
財團法人工業技術研究院
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 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW106102148A priority Critical patent/TWI632441B/zh
Priority to CN201710140187.9A priority patent/CN108334652B/zh
Priority to US15/618,772 priority patent/US10678232B2/en
Publication of TW201827962A publication Critical patent/TW201827962A/zh
Application granted granted Critical
Publication of TWI632441B publication Critical patent/TWI632441B/zh

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
    • G05B23/0259—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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Chemical Vapour Deposition (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一種機台的預診斷方法及預診斷裝置。預診斷方法包括以下步驟。取得一機台之一零件之複數筆感測資料及一異質資料。由複數筆感測資料取得此零件之複數個健康指標值。依據此些健康指標值及異質資料得到一可迴歸性特徵值函數及一修正值函數。修正值函數與異質資料相關。依據可迴歸性特徵值函數及修正值函數得到一健康指標預測值函數。依據健康指標預測值函數得到一健康指標預測值，以估測零件之使用狀態。

Description

機台的預診斷方法及預診斷裝置
本揭露是有關於一種機台的預診斷方法及預診斷裝置。
根據研究報告顯示，生產製造預估是未來巨量資料的前五大垂直應用市場，資產設備的故障是影響公司營運風險的關鍵因素。若能利用資料分析來管理和維護資產設備，則可有效提升公司的營運效率。
關於利用資料分析來管理和維護資產設備，通常係藉由分析機台中的感測器的資料來監控和評估機台設備或機台零件的健康狀態，並根據健康狀態來決定進行機台維護或更換機台零件的時機，減少機台的非預期性停止運作與維修頻率。
未來的生產趨勢將會是產品數量少，但產品的種類多的機台使用方式。而現有的設備預診斷及健康管理技術並不足以因應未來少量多樣性的產品生產趨勢。因此，需提出一個更能提供準確的預測機台健康變化的方法。
本揭露係有關於一種整合異質資料的機台的預診斷方法及預診斷裝置。其因應未來少量多樣性的生產趨勢，在執行多種配方(recipe)的狀態下，考量各種配方對健康指標值造成的不同影響，將配方資訊加入到診斷方法中，利用配方資訊改善預測機台零件故障的能力。
根據本揭露之第一方面，提出一種機台的預診斷方法。此預診斷方法包括以下步驟。取得一機台之一零件之複數筆感測資料及一異質資料。由此些感測資料取得此零件之複數個健康指標值。依據此些健康指標值及異質資料得到一可迴歸性特徵值函數及一修正值函數，此修正值函數係與異質資料相關。依據可迴歸性特徵值函數及修正值函數得到一健康指標預測值函數。依據健康指標預測值函數得到一健康指標預測值，以估測零件之使用狀態。
根據本揭露之第二方面，提出一種機台的預診斷裝置。此預診斷裝置包括一資料擷取模組、一健康指標計算模組、一健康指標修正計算模組以及一故障預測模組。資料擷取模組用以取得一機台之一零件之複數筆感測資料及一異質資料。健康指標計算模組用以由此些感測資料取得零件之複數個健康指標值。健康指標修正計算模組用以依據此些健康指標值及異質資料得到一可迴歸性特徵值函數及一修正值函數。修正值函數係與異質資料相關。健康指標修正計算模組依據可迴歸性特徵值函數及 修正值函數得到一健康指標預測值函數。故障預測模組用以依據健康指標預測值函數得到一健康指標預測值，以估測零件之使用狀態。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下。
L1、L2、L3‧‧‧曲線
210‧‧‧資料擷取模組
220‧‧‧健康指標計算模組
230‧‧‧健康指標修正計算模組
240‧‧‧故障預測模組
S310~S380‧‧‧流程步驟
第1圖繪示繪示金屬有機物化學氣相沉積(Metal Organic Chemical Vapor Deposition,MOCVD)機台之感測曲線圖。
第2圖繪示依據本揭露一實施例的機台的預診斷裝置的示意圖。
第3圖繪示依照本揭露一實施例的機台的預診斷方法的流程圖。
以下提出各種實施例進行詳細說明，其透過將異質資料加入到預診斷方法中，利用異質資料提高預測機台零件故障的準確率。然而，實施例僅用以作為範例說明，並不會限縮本揭露欲保護之範圍。此外，實施例中的圖式省略部份元件，以清楚顯示本發明的技術特點。
請參照第1圖，繪示金屬有機物化學氣相沉積(Metal Organic Chemical Vapor Deposition,MOCVD)機台之感測曲線圖。以金屬有機物化學氣相沉積機台為例，曲線L1為粒子過濾 器(particle filter)執行完一次運轉週期(run)所蒐集到的感測資料(sensor data)(標示為感測資料dp_filter)。當此運轉週期的感測資料之中的最大值超過一臨界值(例如是30)時，即代表粒子過濾器需要被更換。曲線L2為從粒子過濾器被更新之後到故障被更換之間之一個生命週期(life cycle)所蒐集到的感測資料，在一個生命週期當中粒子過濾器可具有多個運轉週期。曲線L3為每個運轉週期中所蒐集到的感測資料之最大值(標示為感測資料最大值dp_filter_max)的紀錄曲線。例如，可定義每個運轉週期中所蒐集到的感測資料之最大值為此運轉週期的健康指標值。
金屬有機物化學氣相沉積機台之粒子過濾器的下次運轉週期故障預測(next-run failure prediction)就是預測在未來的某個運轉週期中，所預測之粒子過濾器對應的健康指標值是否將超過上述之臨界值。若是，則代表粒子過濾器可能會故障而需要更換。或者，可以預測於接下來的哪個運轉週期，粒子過濾器對應的健康指標值將超過上述之臨界值，而粒子過濾器可能將於該運轉週期中故障而需要更換。
請參照第2圖及第3圖。第2圖繪示依據本揭露一實施例的機台的預診斷裝置的示意圖。第3圖繪示依照本揭露一實施例的機台的預診斷方法的流程圖。預診斷裝置200包括一資料擷取模組210、一健康指標計算模組220、一健康指標修正計算模組230及一故障預測模組240。資料擷取模組210用以擷取各種資料。健康指標計算模組220用以根據資料得到健康指標 值。健康指標修正計算模組230用以建立不同配方種類與健康指標修正值的關係。故障預測模組140用以計算健康指標預測值。資料擷取模組210、健康指標計算模組220、健康指標修正計算模組230及故障預測模組240可以例如是藉由使用一晶片、晶片內的一電路區塊、一韌體電路、含有數個電子元件及導線的電路板或儲存複數組程式碼的一儲存媒體來實現，也可藉由電腦系統、伺服器等電子裝置執行對應軟體或程式來實現。
首先，在步驟S310中，資料擷取模組210可透過讀取檔案方式、資料擷取卡介面(未繪示)或透過存取一資料庫系統(未繪示)，取得一機台之一零件的複數筆感測資料及一異質資料。其中，機台可以係為一半導體製程機台，例如為金屬有機物化學氣相沉積(Metal Organic Chemical Vapor Deposition,MOCVD)機台。零件可以具有至少一感測器，舉例來說，此零件可以為粒子過濾器。上述之複數筆感測資料係為零件之感測器所感測紀錄的資料。
在本揭露一實施例中，上述之異質資料包括複數個配方類型資料，且此些配方類型資料係對應至複數個配方類型。不同的配方類型所對應的製程參數係為不同。不同的配方類型所對應的製程產品係為不同。舉例來說，機台可能用於藉由指定不同的配方類型，而分別生產出不同發光顏色的光二極體(Light Emitting Diode,LED)。不同的配方類型所對應之製程材料或製程條件等係可能不同。由於不同的配方類型對應於不同的製程，因 此，同一零件在不同的配方類型的製程過程中，會有不同的損耗。也就是說，某些配方類型的製程可能此零件會有較大的損耗，而其他配方類型的製程則可能對此零件造成較小的損耗。
進一步說，異質資料除了上述的複數個配方類型資料之外，異質資料亦可以指其他足以讓感測資料產生變異或對機台造成不同損耗程度之外部因素。舉例來說，異質資料包含製程因素(例如產品類別)、操作因素(例如操作方法、操作步驟、操作人員)、維修或保養因素(例如保養或維修方式)等。也就是說，當不同的運轉週期對應至不同的製程因素、操作因素、或維修或保養因素時，都可能使機台的零件有著不同程度的損耗量。
接著，在步驟S320中，利用健康指標計算模組220由複數筆感測資料取得零件之複數個健康指標值。此些感測資料係為此零件在多個運轉週期(runs)過程中的感測資料，且每個運轉週期包括多筆感測資料。健康指標值可以是經由公式或模型進行運算後的數值，或是直接擷取感測資料中的某一數值。舉例來說，可以擷取零件在每個運轉週期中的多筆感測資料中的最大值作為對應於此運轉週期的健康指標值，例如是第1圖之曲線L3所示之每個運轉週期中之多筆感測資料中的最大值作為對應於此運轉週期的健康指標值。
隨後，在步驟S330中，利用健康指標修正計算模組230依據健康指標值及異質資料得到一可迴歸性特徵值函數及一修正值函數。其中，修正值函數係與異質資料相關，例如不同的 配方類型對應至不同的對應修正值函數。由於不同配方類型的製程對零件造成不同的損耗，因此，需針對不同的配方調整零件在執行不同配方類型的製程時的健康指標值，亦即針對不同的配方類型給予不同的健康指標值的修正值。
零件的感測資料中的多個健康指標值係分別對應至多個運轉週期(runs)，此些運轉週期係各自對應至一運轉週期索引值(index)i，i為正整數。可迴歸性特徵值函數及修正值函數係為，針對此些運轉週期索引值i，使健康指標預測值函數與此些運轉週期索引值i所對應之健康指標值的誤差為最小的可迴歸性特徵值函數及修正值函數。上述之可迴歸性特徵值函數可以為一時間序列模型(time series model)或是一曲線擬合模型(curve fitting model)。
茲將求得可迴歸性特徵值函數及修正值函數的方式舉例說明如下。給定於不同的運轉週期N筆訓練資料(xi,ri)，i=1~N(i為上述之運轉週期索引值，對應至不同的運轉週期)，N為正整數，xi為第i個運轉週期經過感測器量測後所得到的第i個健康指標值，ri為第i個運轉週期中所使用的配方類型。本例係以異質資料為配方類型資料為例做說明，但本例亦可使用於其他類型的異質資料。
首先，定義健康指標值對應的修正值函數。舉例來說，可以定義修正值函數為g(r)， ，其中δ(˙)係為一指標函 數(indicator function)，dk為對應不同配方類型的修正值，R為正整數，typek代表不同的配方類型。若是連續型的異質資料，則可定義迴歸模型來描述異質資料與修正值的關係，例如g(r)=βr。接著，定義可迴歸性特徵值函數的趨勢模型。舉例來說，可用一模型參數為θ的迴歸模型定義可迴歸性特徵值函數為yi=f θ (i)。隨後，根據健康指標、修正值函數及可迴歸性特徵值函數的關係，建立最佳化目標式。舉例來說，假設健康指標值在扣除修正值後，具有穩定趨勢的可迴歸性特徵，也就是說，健康指標值、修正值函數、可迴歸性特徵值函數三者之間具有xi g(ri)+f θ (i)之關係。依據上述之關係可建立最佳化目標式T為 。最後，透過最小化平方誤差法對此目標式 T進行最小化求解。
上述之最小化求解過程中，首先，將d1、d2、...、dR初始化，且初始化θ。接著，給定後，利用訓練資料{xi-g(ri),i=1~N}，以迴歸為基礎之平均平方差(Mean Squared Error，MSE) 最佳化程序來更新θ，可得到。接著，給 定，利用訓練資料{xi-f θ (i),i=1~N}，以數值運算為基礎之最佳 化程序來更新g(ri)，可得到。重複上述步 驟，以得到修正值函數以及可迴歸性特徵值函數。
然後，在步驟S340中，健康指標修正計算模組230依據此可迴歸性特徵值函數及此修正值函數得到一健康指標預測值函數。例如，健康指標預測值函數係為可迴歸性特徵值函數和修正值函數的和。
接著，在步驟S350中，利用故障預測模組240用以依據健康指標預測值函數獲得一健康指標預測值，以估測該零件之使用狀態。詳而言之，故障預測模組240可以依據即將執行的配方類型得到對應的修正值函數，並透過健康指標預測值函數計算出健康指標預測值。接著，判斷健康指標預測值是否大於一臨界健康指標值(步驟S360)。若健康指標預測值大於臨界健康指標值(步驟S360的結果為是)，則判斷零件需要被更換(步驟S370)。若健康指標預測值小於臨界健康指標值(步驟S360的結果為否)，則判斷此零件不需要被更換(步驟S380)。或者，亦可藉由健康指標預測值函數，計算健康指標預測值大於臨界健康指標值的最小運轉週期索引值i，以預測零件接下來將可能於哪個運轉週期中故障而需要被更換。如此，可以有效地估測零件之狀態，並更準確地預測機台的健康變化。
如此，藉由找出零件與多種配方類型對應的修正值函數及可迴歸性特徵值函數，進而可以估測出此零件於可能可以使用的壽命長度。將多種配方類型考慮進來所得到的健康指標預測值函數所計算而得的健康指標預測值，可因應未來少量多樣性 的生產趨勢。在執行多種配方類型的狀態下，考量各種配方類型對健康指標值造成的影響，可以有效地改善預測機台零件故障的能力，並提高預測機台零件故障的準確率。而針對其他類型的異質資料，藉由找出零件與多種異質資料對應的修正值函數及可迴歸性特徵值函數，亦可推估此零件於可能可以使用的壽命。將多種異質資料考慮進來所得到的健康指標預測值函數所計算而得的健康指標預測值，可以更有效地預測機台零件何時可能故障，而提高預測機台零件故障的準確率。
綜上所述，雖然本發明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 (20)

  1. 一種機台的預診斷方法，該預診斷方法包括：取得一機台之一零件之複數筆感測資料及一異質資料；其中，該異質資料包括複數個配方類型資料；由該複數筆感測資料取得該零件之複數個健康指標值；其中，該健康指標是經由公式或模型進行運算後的數值，或是直接擷取該些感測資料中的某一數值；依據該些健康指標值及該異質資料得到一可迴歸性特徵值函數及一修正值函數，該修正值函數係與該異質資料相關；依據該可迴歸性特徵值函數及該修正值函數的和得到一健康指標預測值函數；以及依據該健康指標預測值函數得到一健康指標預測值，以估測該零件之使用狀態。
  2. 如申請專利範圍第1項所述之預診斷方法，更包括：判斷該健康指標預測值是否大於一臨界健康指標值；以及若該健康指標預測值大於該臨界健康指標值，則判斷該零件需要被更換。
  3. 如申請專利範圍第1項所述之預診斷方法，其中於得到該可迴歸性特徵值函數及該修正值函數之步驟中，該些健康指標值係分別對應至複數個運轉週期(runs)，該些運轉週期係各自對應至一運轉週期索引值(index)，該可迴歸性特徵值函數及該修正值函數係為，針對該些運轉週期索引值，使該健康指標預測值函數與該些運轉週期索引值所對應之該些健康指標值的誤差為最小的該可迴歸性特徵值函數及該修正值函數。
  4. 如申請專利範圍第1項所述之預診斷方法，其中該機台係為一半導體製程機台，該零件係具有一感測器，該複數筆感測資料係為該零件之該感測器所感測而得的感測資料，該些配方類型資料係對應至複數個配方類型，不同的配方類型所對應的製程參數係為不同，該修正值函數係用以針對不同的配方類型給定不同的修正值。
  5. 如申請專利範圍第4項所述之預診斷方法，其中不同的配方類型所對應的製程產品係為不同。
  6. 如申請專利範圍第4項所述之預診斷方法，其中不同的配方類型所對應的修正值函數係為不同。
  7. 如申請專利範圍第1項所述之預診斷方法，其中該複數筆感測資料係為對應至複數個運轉週期(runs)的感測資料，每個運轉週期係對應至多筆感測資料，藉由每個運轉週期的多筆感測資料得到對應於該運轉週期的該健康指標值。
  8. 如申請專利範圍第1項所述之預診斷方法，其中該可迴歸性特徵值函數為一時間序列模型(time series model)或一曲線擬合模型(curve fitting model)。
  9. 如申請專利範圍第1項所述之預診斷方法，其中該機台係為金屬有機物化學氣相沉積(Metal Organic Chemical Vapor Deposition,MOCVD)機台。
  10. 如申請專利範圍第1項所述之預診斷方法，其中該異質資料包括用以指示一產品類別、一保養或維修方式及一操作因素至少之一。
  11. 一種機台的預診斷裝置，該預診斷裝置包括：一資料擷取模組，用以取得一機台之一零件之複數筆感測資料及一異質資料；其中，該異質資料包括複數個配方類型資料；一健康指標計算模組，用以由該複數筆感測資料取得該零件之複數個健康指標值；其中，該健康指標是經由公式或模型進行運算後的數值，或是直接擷取該些感測資料中的某一數值；一健康指標修正計算模組，用以依據該些健康指標值及該異質資料得到一可迴歸性特徵值函數及一修正值函數，該修正值函數係與該異質資料相關，以及依據該可迴歸性特徵值函數及該修正值函數的和得到一健康指標預測值函數；以及一故障預測模組，用以依據該健康指標預測值函數得到一健康指標預測值，以估測該零件之使用狀態。
  12. 如申請專利範圍第11項所述之預診斷裝置，該故障預測模組更用以判斷該健康指標預測值是否大於一臨界健康指標值，以及若該健康指標預測值大於該臨界健康指標值，則判斷該零件需要被更換。
  13. 如申請專利範圍第11項所述之預診斷裝置，其中該些健康指標值係分別對應至複數個運轉週期(runs)，該些運轉週期係各自對應至一運轉週期索引值(index)，該可迴歸性特徵值函數及該修正值函數係為，針對該些運轉週期索引值，使該健康指標預測值函數與該些運轉週期索引值所對應之該些健康指標值的誤差為最小的該可迴歸性特徵值函數及該修正值函數。
  14. 如申請專利範圍第11項所述之預診斷裝置，其中該機台係為一半導體製程機台，該零件係具有一感測器，該複數筆感測資料係為該零件之該感測器所感測而得的感測資料，該些配方類型資料係對應至複數個配方類型，不同的配方類型所對應的製程參數係為不同，該修正值函數係用以針對不同的配方類型給定不同的修正值。
  15. 如申請專利範圍第14項所述之預診斷裝置，其中不同的配方類型所對應的製程產品係為不同。
  16. 如申請專利範圍第14項所述之預診斷裝置，其中不同的配方類型所對應的修正值函數係為不同。
  17. 如申請專利範圍第11項所述之預診斷裝置，其中該複數筆感測資料係為對應至複數個運轉週期(runs)的感測資料，每個運轉週期係對應至多筆感測資料，藉由每個運轉週期的多筆感測資料得到對應於該運轉週期的該健康指標值。
  18. 如申請專利範圍第11項所述之預診斷裝置，其中該可迴歸性特徵值函數為一時間序列模型(time series model)或一曲線擬合模型(curve fitting model)。
  19. 如申請專利範圍第11項所述之預診斷裝置，其中該機台係為金屬有機物化學氣相沉積(Metal Organic Chemical Vapor Deposition,MOCVD)機台。
  20. 如申請專利範圍第11項所述之預診斷裝置，其中該異質資料包括用以指示一產品類別、一保養或維修方式及一操作因素至少之一。
TW106102148A 2017-01-20 2017-01-20 機台的預診斷方法及預診斷裝置 TWI632441B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW106102148A TWI632441B (zh) 2017-01-20 2017-01-20 機台的預診斷方法及預診斷裝置
CN201710140187.9A CN108334652B (zh) 2017-01-20 2017-03-10 机台的预诊断方法及预诊断装置
US15/618,772 US10678232B2 (en) 2017-01-20 2017-06-09 Prognostic method and apparatus for a processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
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
TW201827962A TW201827962A (zh) 2018-08-01
TWI632441B true TWI632441B (zh) 2018-08-11

Family

ID=62906291

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106102148A TWI632441B (zh) 2017-01-20 2017-01-20 機台的預診斷方法及預診斷裝置

Country Status (3)

Country Link
US (1) US10678232B2 (zh)
CN (1) CN108334652B (zh)
TW (1) TWI632441B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833975B (zh) * 2019-07-17 2024-03-01 日商東京威力科創股份有限公司 狀態管理系統及狀態管理方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
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
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
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
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1791971A (zh) * 2003-06-11 2006-06-21 科学***研究有限公司 制造设备中的差错检测方法
CN101067742A (zh) * 2005-10-31 2007-11-07 台湾积体电路制造股份有限公司 量测方法以及虚拟量测***
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***
CN101025804B (zh) * 2006-02-22 2012-07-04 通用电气公司 用于执行预测和资产管理服务的方法、***和计算机程序产品
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
CN102016730B (zh) * 2008-03-08 2014-06-04 东京毅力科创株式会社 自主自适应半导体制造
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

Family Cites Families (21)

* Cited by examiner, † Cited by third party
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
CN100567134C (zh) 2007-06-14 2009-12-09 张常年 双轨四吊搬运机
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US20090282296A1 (en) 2008-05-08 2009-11-12 Applied Materials, Inc. Multivariate fault detection improvement for electronic device manufacturing
CN101753364B (zh) * 2008-12-11 2012-08-22 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***
TWI417746B (zh) * 2010-12-03 2013-12-01 Ind Tech Res Inst 裝置的效能預測及故障檢測之方法
CN102148701B (zh) * 2011-01-14 2014-04-30 广东商学院 用于监控***中监控指标的趋势分析方法及装置
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
US10139311B2 (en) * 2014-09-26 2018-11-27 Palo Alto Research Center Incorporated Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor
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
US9626472B2 (en) 2014-11-26 2017-04-18 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system of forming layout design
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1791971A (zh) * 2003-06-11 2006-06-21 科学***研究有限公司 制造设备中的差错检测方法
CN101067742A (zh) * 2005-10-31 2007-11-07 台湾积体电路制造股份有限公司 量测方法以及虚拟量测***
CN101025804B (zh) * 2006-02-22 2012-07-04 通用电气公司 用于执行预测和资产管理服务的方法、***和计算机程序产品
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***
CN102016730B (zh) * 2008-03-08 2014-06-04 东京毅力科创株式会社 自主自适应半导体制造
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833975B (zh) * 2019-07-17 2024-03-01 日商東京威力科創股份有限公司 狀態管理系統及狀態管理方法

Also Published As

Publication number Publication date
CN108334652B (zh) 2021-12-31
US20180210991A1 (en) 2018-07-26
CN108334652A (zh) 2018-07-27
TW201827962A (zh) 2018-08-01
US10678232B2 (en) 2020-06-09

Similar Documents

Publication Publication Date Title
TWI632441B (zh) 機台的預診斷方法及預診斷裝置
TWI603210B (zh) 機台零件之剩餘壽命的預測系統與預測方法
JP5020101B2 (ja) ラントゥラン制御器を用いた欠陥検出および分類（ｆｄｃ）
US7221991B2 (en) System and method for monitoring manufacturing apparatuses
KR100956959B1 (ko) 프로세스 도구 데이터 마이닝과 엔드-오브-라인 데이터 마이닝의 상관
JP6811018B2 (ja) 品質評価システム、品質評価方法及びプログラム
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
US9349660B2 (en) Integrated circuit manufacturing tool condition monitoring system and method
JP2007250748A (ja) プロセス異常分析装置および方法並びにプログラム
TWI616961B (zh) 用於自動辨識因隔離程序事件和系統性潮流而產生的粒子污染的方法和裝置
JP2007165721A (ja) プロセス異常分析装置及びプログラム
KR20150084932A (ko) 반도체 제조를 위한 자동 툴 파라미터 영향 식별
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
JP2010087459A (ja) 故障原因特定装置および方法
TWI663569B (zh) 多工作站系統的品質預測方法及其系統
US20220317679A1 (en) Methods and systems for predictive analysis and/or process control
Yu et al. Using EWMA control schemes for monitoring wafer quality in negative binomial process
JP7466197B2 (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
Lee et al. Yield prediction through the event sequence analysis of the die attach process
JP2008177534A (ja) 半導体製造装置の管理方法、および半導体製造装置の管理システム
JP2011054804A (ja) 半導体製造装置の管理方法およびシステム
CN117010549A (zh) 基于大数据管理体系的信息溯源方法及终端
Delgado et al. Benefits of multivariate statistical process control based on principal component analysis in solder paste printing process where 100% automatic inspection is already installed
TW202409757A (zh) 基板處理系統內的保護帶