关于工具的维护变得越来越聪明

芯片制造商已经开始转向预见性维护过程的工具,但巨额的投资分析和工程的努力意味着它将需要一些时间智能维护成为一个普遍的实践。

半导体制造商需要维护一套不同的设备来处理晶片的流动,死了,包装部分,董事会通过工厂运行。OSAT和工厂工厂设备值范围从~ 150万美元(OSAT - wirebond设施)到150亿美元(300 mm晶圆为5 nm设备)。任何异常工具性能可以降低产品产量和质量,同时也影响了工厂的性能。及时的设备维护在这些指标能起很大的作用。

几十年来,半导体晶圆厂和组装工厂从等到设备分解转向调度维护,在更换或清洗组件基于晶片加工的数量或根据一个固定的时间间隔。预见性维护,一个工程师使用选定的设备数据在模型中模型的输出达到阈值时,该组件所取代。计划的维护。预防性维修)是类似于一个让你的车换油基于时间或驾驶的英里数。

预见性维护正在选定的设备。数据工程团队使用预测模型来安排一个维修活动。但不是所有设备上实现同时由于金融和工程所需的工作量。因此,它被优先用于流程步骤,从工厂和设备生产率将受益最多。

作为一个工程概念,预见性维护已经存在了近一百年。在“创新妄想,”作者李Vinsel和安德鲁·罗素写道,“预见性维护的根源在于t·c·拉斯伯恩的一份1939年的论文“振动宽容,”他断言,机器振实更多条件恶化。如果工程师和经理可以测量振动,他推断,他们更有可能发现问题之前,机器坏了,停止生产。”[1]

预测维护策略,随后的经济影响是巨大的。作为美国能源部中突出显示报告,研究表明,预见性维护可能导致高达30%至40%为企业节约运营成本,实现它。这并不是简单的维护成本,。这种方法对工厂运营、产品产量和质量。事实上,美国能源部研究引用了一个潜在的20%到25%提高生产水平,和10个月的ROI,预见性维护的实现。这反过来有助于降低成本和增加利润。

半导体制造设备提供了一组不同的参数。考虑振动、声音、视觉、压力、电流、电压和功率。没有可用数据短缺工程师可以用于构建维护预测模型。

“林的一个关键组件的策略是把计划外维护计划的维护,“说Wojtek Osowiecki,产品营销工程师林研究腐蚀产品集团。“由于我们的基于传感器的分析解决方案,我们正在改善我们最小化停机时间结合所需的服务的能力,预测零件的性能,甚至在需要时动态调整它。”

不仅仅是最昂贵的高级节点流程从预防性维修中获益。集成电路制造商使用成熟的半导体/组装过程可以受益,。在汽车行业尤其如此,质量目标已经从10 DPPM 10 DPPB。早期发现异常设备性能可以减少过程的可变性和defectivity率,提高产量和质量,同时降低成本。

经济因素
搬到一个更聪明的维护策略需要一个连接在IT基础设施的投资数据分析平台,并维护业务流程自动化。这样的投资需求在经济上是合理的。

连接设备或设备组件的即将失败的成本效益分析需要了解对产品产量和质量的影响,以及对工厂的整体性能指标的影响,工业工程师都知道。这两个因素驱动所有智能制造/工业4.0活动,关注资产利用率。

在他2022年的演讲安靠的副总裁I4.0努力,埃尔顿他客户满意度和业务规划,突出六个关键性能指标(kpi):

1. 质量,以产量和客户反馈;
2. 生产力,以员工的效率;
3. 制造周期时间;
4. 决策的速度和质量,特别是时间保存在工程数据分析和在线决策;
5. 为有效利用资产利用率,
6. 成本,使有竞争力的价格。[3]

这些kpi,及时的设备维修影响质量,周期时间和资产利用率。这是对晶圆厂,组装工厂和测试设施。

如果一个工具需要维修早于预定维修日期,它可能会影响产量和/或发货产品的质量水平。如果一个工具的卫生,这样工厂可以推迟维修,它能提高资产利用率和缩短周期时间。设备维护包括设备组件,而且耗材如海豹,光致抗蚀剂过滤器,探测针,和负载。

工业工程师的数量来衡量一个设备工厂操作的指标。计划外维修事件可能会影响设备的正常运行时间,它是一个系统不是离线;整体设备的可用性,影响时间加工产品;和整体设备效率,影响时间花生产好的产品。

整体设备效率(OEE)措施的时间百分比工具花生产半导体晶片或包装设备。“晶圆工厂OEE通常是基于下面的方程,从~ 65% ~ 77%不等,“说林研究罗素多佛,服务产品营销高级总监。这些范围一般工厂,而不是一个特定的基准与林工具。”

OEE计量工具通常低于OEE过程的工具,因为工厂倾向于限制任何材料队列在计量。一位业内人士估计计量工具的OEE子- 75%范围。在光谱的另一端是一个工厂的约束工具集,OEE的理想> 95%。过程工具可能有oe在75%和90%之间,这取决于操作临界,传入队列时间和工具冗余。

从与业内人士的对话,OSAT oe 60%通常是组装和测试。这部分是由于模具和包装单位的兴衰变量比在工厂。此外,这种变化更频繁的结果转换为工作站设置比在晶圆厂。

工厂将极大地影响了OEE工具,代表瓶颈的吞吐量(晶片,死,单位每小时),正常运行时间和批判性。OEE可以测量在整个工厂,各类设备是否处理步骤或单一的设备。这样的层次结构测量帮助工厂经理确定问题领域,最受益于改进。主动维护是一种改进。

图1:使用大数据分析对OEE和产量。资料来源:公司

公司的他强调,大数据分析可以帮助与理解过程和工具性能使用以下方法:

• SPC, APC, FDC -实时监控,分析和控制选择设备
• 大数据的高级分析OEE——使用Spotfire、SAS、大查询毫升
• 主要瓶颈设备预测性维护功能

因为预测维护所需的投资,一个工厂团队通常集中努力解决瓶颈的工具或系统支持关键制造工艺步骤。工程师可以应用可靠性为中心的维修方法,以帮助确认收益预测或状态维修的设备。

图2:层次结构应用预见性维护。资料来源:美国能源部[2]

生产力损失成本
这意味着在实际美元吗?最近几个数字出版或提出。估计国家计划外停机设备的成本可高达每小时100美元。在半导体西方2022年的主持人爱德华兹真空指出,计划外真空失败将一个中型工厂成本约150美元。[4]在2022年ASMC纸,爱德华兹真空作者列出了为计划外真空服务成本变量。其中包括:

• 修复成本——总是比原计划更多的零件需要更换;
• 晶片成本——5000 +每片高级节点;
• 工具requalification -时间和额外的计量成本,
• 计划外停机——比计划的更长的时间来恢复。

其他福利存在的质量和整体工厂能力,识别的misprocessed产品退化引起的工具。

“预测算法还可以标记潜在misprocessed产品,它提供了一个左移位的机会,消除缺陷产品的容量约束的制造过程,”韦斯·史密斯说银河半导体公司的首席执行官。“也有可能识别不合格产品,否则不可能包含在下游QA流程,导致一个字段返回,这很容易遇到数百万的成本。”

多元的算法
历史上工程师依靠统计过程控制(SPC)图表管理流程和工具性能。在每一个工具,有多个指标监控,如果其中一个似乎失控,原因调查和补救措施。维护过程就是这样的一个补救措施。几十年来,这种方法一直工具的所有者在晶片,组装和测试设施。但SPC图表不再足够足够了。现代分析方法使工程师能够结合不同设备数据源国旗问题。

今天,一个工厂生成tb的数据。数据是由增加的数量工厂规模、数量的面具水平和流程步骤,各种各样的设备类型,从设备和工作站和传感器数据。

图3:数据生成300 mm晶圆厂的一分钟。来源:PDF的解决方案

“今天工厂巨大的人工智能引擎,”格雷格·巴特利特说,技术的高级副总裁,在GlobalFoundries工程和质量。“一个工厂可以有至少100万个传感器。但所有这些传感器,它真的可以归结为分析的效率。你必须使用一个智能引擎找出哪些信号少关注,哪些预测性维护。很多开始前馈和反馈控制在20年前,这是今天的例程。现在,我们来分析解决一些相关的可变性和背景辐射设备行为的变化。我们需要学习这些相关性预测,例如,当一个室组件可能需要替换基于数据分析。”

各种各样的传感器数据可以用来检测波动——任何从更高的电流消耗汽车音频噪音和振动水平和粒子测量。

“寻找粒子在钱伯斯和loadlocks,是非常重要的在寻找失败的部分或实时肮脏的房间,”维迪雅Vijay说,高级项目经理CyberOptics司诺信测试和检查。“我们的自动实时粒子传感器使粒子测量。和它有助于发现粒子泵,排放过程中,脏loadlocks,后检查管状态和之前预防性维护清洁。这个传感器也比较粒子在大气压力和较低的压力下,它可以帮助缝阀优化,优化闸阀通过研究粒子,并检查载体的清洁磁带或FOUP。实时学习粒子来自哪里使过程工程师调整或干净的一个特定区域,而不是破坏真空或支出在故障排除失败的原因。”

与组装和工厂的每一项进步过程涉及更复杂的设备及其相关的传感器。有机会使用多个数据源模型来观察设备异常,表明需要维护。

“林系统通常有2000多个传感器跟踪无线电频率,电压,电流,功率,气体流量,压力,温度,等等,”多佛说。“数据收集计划(DCP)后由客户定义基于经验或林最著名的方法。DCP定义了什么是记录在日志的工具或广播到客户的统计过程控制、故障检测和分类(FDC)系统。FDC作为一种简单的预测维护的工具将安排预防性维护基于一个已知的故障类型。然而,FDC是基于单变量基于规则的模型,和许多客户有大量投资于多元毫升,FDC之外,使更复杂的预测模型。林研究合作伙伴与客户提供多元预测模型和协助客户开发自己的预测模型。”

别人同意此举对多变量模型预测维护。

“更复杂的模型可以描述电影的累积室墙上基于等离子气体组分,真空水平,等离子体,和射频传感器可以预测电影分层的可能性会导致粒子脱落和推荐室清洁或更换,”乔恩·霍尔特说,体积制造解决方案全球工厂应用程序解决方案经理PDF的解决方案。“这些都是典型的多变量模型,使用人工智能算法(s)下午训练(监督)的生命周期。基本上,它是一个比较模型基于一个期望值。”

预测模型可以提前预见失败的工具或组件周实际失败。

“我们有一个案例研究演示多元监测许多工具的参数给出了一个早期预警工具组件的失败,“Dieter Rathei说,收益率博士的首席执行官。“虽然所有单个参数仍在各自的控制范围内,多元信号之前几周的组件失败。这使得呼吁使用创新,计算密集型数据算法从已经存在的数据了解。”

结论
转向智能设备维护方案,工厂和设备的所有者可以获得收益的关键性能指标的质量、产量、周期时间和设备利用率。在工厂,增加数据及其使用多元模型使这种转变能够预测工具维护。随着越来越多的成功故事分享,这个行业可以采用增加工厂经理对工厂运营变化保持谨慎。

“有两个关键的挑战使更多的预见性维护方法。首先是投资增加使多元分析基于完整数据日志的工具,”林说的多佛。”第二个是风险增加公差允许这样的模型,就其本质而言是不完美的,用于控制的工具。我们行业的前沿,但是我们非常谨慎的采用新技术时,即使在数学和统计是坚实的。”

引用

1. l . Vinsel A.L.罗素,“创新的错觉:我们的新事物的痴迷已经扰乱了最重要的工作,9月8日,2020年,货币,企鹅书屋的一个部门,https://www.penguinrandomhouse.com/books/576816/the-innovation-delusion-by-lee-vinsel-and-andrew-l-russell/
2. 操作和维护的最佳实践指南,第五章,美国能源部,2010年,https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf
3. e .他公司I4.0智能制造项目,中国半导体,11月1日,2022年。
4. e . Collart a .称重传感器d·戈登,j . Nordquist p·马修斯,”预见性维护实践低温泵在半导体制造业,”2022年第33半先进半导体制造年会(ASMC)

有关的故事

让更多人对预测性维护
为工厂和ICs使用数据进行及时维护。

采用预测维护工厂的工具
预见性维护减少设备停机时间而提高工厂的效率

使用工厂传感器来减少汽车的缺陷
工厂传感技术加上改善汽车的可靠性分析提供了一个路径。