PHM（故障預測與健康管理）工業智能實踐案例分享——半導體

據半導體行業協會統計，今年上半年中國半導體產業銷售額達2201.3億元，同比增長19.1%。然而，目前國內半導體材料絕大部分卻仍依賴進口，本土半導體材料廠商僅能滿足約２０％的需求，且大多為中低端材料。

《國家集成電路產業發展綱要》指出，2020年半導體行業國產化率要提升至20~25%。

在技術方面，晶圓製造環節是半導體產業的核心環節。目前國際最先進技術已進入7nm級別，而我國目前主流仍為28nm工藝，國內廠商在製造方面與國際先進企業存在較大差距。提升國內半導體技術，降低半導體製造商運維風險，加速半導體製造轉型勢在必行。

下面的案例從最大化設備的ROI（投入產出比）出發，反映了PHM在半導體製造業的應用價值，供大家參考。

背景介紹

半導體製造流程是最複雜、最無法容忍缺陷、且革新最迅速的大批量生產，沒有之一[1]。

與任何需求驅動的產業一樣，為了永續盈利與保持競爭優勢，半導體製造商除了果斷地投資下一代生產工藝，還必須在生產過程中嚴格遵守精益生產的原則，不斷識別並消除無價值勞動，以最大化設備的投資回報率（ROI）。在生產現場，我們會發現無價值投入的活動比比皆是，尤其是在設備運維方面[2]。

為了提高設備稼動率與可靠性，現有的設備運維方式通常是靠經常設備校準與預防性維護。然而，在摩爾定律驅動下，生產工藝的快速革新迫使廠商不斷縮短設備更迭周期，這使得現有的高投入維持設備稼動率的方式難以為繼。

其次，半導體生產技術革新促使電子產品提高性能的同時，造成了單品價格下降。來自市場的壓力讓製造商不得不降低對生產設備維護的投入。降低預防性維護的頻率雖然降低了運維成本，但設備發生意外停機的風險卻增加了。

此類運維風險導致製造兩難問題（如圖 2所示）的原因，就在於製造商無法精準量化設備的衰退情況。顯而易見，在競爭激烈的半導體製造業，對關鍵設備的故障預測與健康管理（PHM）已是「剛需」。

目標

PHM的目標是最大化設備的ROI。從生產運維角度，PHM將從以下三個方面為半導體製造商降低運維風險[2]：

• 成本控制。對關鍵設備實施PHM後，製造商將能夠根據所預測的組件剩餘使用壽命，合理分配維護資源，實現對設備的準時維護。同時，組件壽命預測將幫助製造商優化庫存、更有預見性地管理供應商。除此之外，設備的精準壽命管理可以與技術革新與設備更迭更好地匹配，為投資決策提供量化的支持證據。
• 效率提升。對當下健康狀況的估計與達到故障狀態時間的預測將幫助製造商定量優化設備生產排程，提高設備稼動率與整體產線的產出。其次，對設備故障預測與診斷可以縮短平均故障間隔時間（MTBF）、維修時間、平均維護時間（MTTR），並降低非預期故障頻率。
• 質量改善。PHM量化設備衰退對工藝流程造成的影響，對製造過程中產生的差異、性能偏差能夠給予關聯性分析，從而幫助加強先進過程式控制制（APC）與R2R控制系統，提高產品良率。

核心技術

PHM的核心技術是數據與領域知識驅動的預測性建模流程。在為半導體製造業設計PHM系統時，有以下幾個特點需要重點考慮：

• 數據冗餘度。半導體設備中往往裝載了成百上千個感測器來服務於工藝的監測與控制。這些數據對PHM來說是寶貴的資源，但針對某一個故障，大量數據反而是一種冗餘，會為數據分析帶來不必要的噪音與干擾。
• 模型不確定性。即便是同一台設備，其狀態隨著時間推移也會有不同程度的改變，造成基線波動，增加了模型的不確定性。
• 場景複雜性。半導體製造工藝的複雜，來源於步驟的繁多，相似步驟的差異性，以及工藝本身的快速更迭。為了適應這種變化，預測性建模的過程需要結合領域知識，實現自動場景化。

針對半導體製造的特點，美國國家科學基金產學結合智能維護系統中心（IMS中心）在通用的PHM框架下，發展出了如下圖（圖3）所示的建模流程[4]。

首先，要將領域知識與建模過程充分融合，將領域知識提煉為可以量化的指標、模態、規則等，為演算法自動識別工藝、工況提供知識基礎。

其次，通過應用數據的關聯性分析以及特徵選擇演算法，降低數據的冗餘度，提高其與預測目標的關聯度。同時，利用數據清洗與對關鍵模態的識別，提高特徵質量。

最後，在模型開發過程中盡量使用能夠自適應不同工況的演算法，並且在模型上線後引入模型管理機制，及時進行模型更新，保證對新狀況的快速反應。

案例分享

在2009~2010年間，IMS中心與國際半導體製造技術產業聯盟（ISMI）合作實施了兩個試點項目。其中，對蝕刻機靜電吸盤（ESC）剩餘壽命預測的數據提供方是世界頂尖的半導體設備供應商與晶元製造商之一。數據的數量在TB級，包括設備的維護維修記錄與產品特徵尺寸（CD）。

對ESC的剩餘壽命預測流程包括數據前處理、特徵提取、特徵選擇、健康評估、與壽命預測五大步驟，具體流程如圖 4所示。

該模型會根據新的數據實時更新預測結果。通過對現有的數據驗證，該模型能夠穩定地輸出預測結果。並且，在ESC實際被更換的時間點，模型預測其仍有8.2%的剩餘使用壽命。這說明了ESC被過早地更換，若在設備上部署PHM系統，將可以延長其使用壽命，達到最大化設備ROI的目的[4]。

PHM為半導體製造行業所創造的價值是不可忽視的。對於當下已經商品化的PHM產品，預估能夠為用戶創造的價值超過1000萬美元，在一年內的投資回報率可達500%之高[5]，這足以說明PHM在半導體製造業應用的卓越效果，以及其不可估量的潛在價值。

【工業智能實踐】相關閱讀：

PHM（故障預測與健康管理）工業智能實踐案例分享——軌旁設備

PHM（故障預測與健康管理）工業智能實踐案例分享——工業機器人

工業智能實踐案例——零部件級智能維護

參考資料

[1] C. May, Gary and Spanos, Fundamentals of Semiconductor Manufacturing and Process Control.IEEE, 2006.

[2] E. L. Jay Lee,「Prognostics and health management tools for semiconductor manufacturing predictability,」 Nanochip, pp. 10–15, 2011.

[3] 「Semiconductor Fab Wiki - SemiWiki.com.」 [Online]. Available: https://www.semiwiki.com/forum/showwiki.php?title=Semi Wiki:Semiconductor Fab

Wiki. [Accessed: 24-Sep-2017].

[4] J. Lee, D.Siegel, and E. R. Lapira, 「Development of a predictive and preventive

maintenance demonstration system for a semiconductor etching tool,」 ECS Trans., vol. 52, no. 1, pp. 913–927, 2013.

[5] 「TechEdge Prizm Overview,」 Applied Materials.

推薦閱讀：