Modélisation du Comportement des Equipements pour le Diagnostic des Pannes et le Pronostic des Détériorations des Machines en Fabrication de Semi-conducteurs

Equipment Behavior Modelling for Fault Diagnosis and Deterioration Prognosis in Semiconductor Manufacturing

• Auteur / Autrice : Hamideh Rostami
• Direction : Galliam Claude Yugma
• Type : Thèse de doctorat
• Discipline(s) : Microélectronique
• Date : Soutenance le 17/12/2018
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : Ed Sis 488
• Partenaire(s) de recherche : établissement opérateur d'inscription : École nationale supérieure des mines (Saint-Etienne ; 1816-....)
• Partenaire(s) de recherche : Laboratoire : Département Sciences de la Fabrication et Logistique / SFL-ENSMSE
• Jury : Président / Présidente : Sophie Lambert-Lacroix
• Jury : Examinateurs / Examinatrices : Galliam Claude Yugma, Sophie Lambert-Lacroix, Philippe Castagliola, Marco Reis, Argon Chen, James Moyne, Jakey Blue
• Jury : Rapporteur / Rapporteuse : Philippe Castagliola, Marco Reis

Mots clés

Mots clés contrôlés

Équipement industriel -- Entretien et réparations

Matériaux -- Détérioration

Pannes

Semiconducteurs

Mots clés libres

Pronostic du comportement des équipements

Détection et classification des fautes

Diagnostic des pannes des équipements

Modélisation et surveillance de la détérioration

Industrie de semi-conducteurs

Equipment behavior prognosis

Equipment failure diagnosis

Deterioration modeling and monitoring

Fault detection and classification

Semiconductor industry

Résumé

Les défauts de production dus aux variations dans le processus de fabrication et aux pannes inattendues des équipements rendent difficile la conservation d'un rendement élevé de production dans l'industrie de fabrication de semi-conducteurs. l'objectif de ce travail de thèse est de proposer un pronostic efficace du comportement des équipements ainsi qu'un diagnostic des pannes dans le processus de fabrication de semi-conducteurs. avec des capteurs plus performants, des proches efficaces basées sur des données sont proposées pour le pronostic et le diagnostic. pour le diagnostic, cette recherche applique d'abord la méthode de machines `a vecteurs de support (support vector machine) pour détecter les anomalies constatées dans les observations. la dynamique du processus normale est ensuite décomposée en différentes groupes par la méthode de partitionnement `a k -moyennes. l'analyse en composantes principales (acp) est utilisée pour modéliser chaque partie de la dynamique du processus. les empreintes de défaut peuvent enfin être extraites en consolidant les scénarios hors contrôle après avoir projeté les anomalies dans les modèles acp. en pronostic, une approche de modélisation et de surveillance de la dégradation des équipements pour le processus de fabrication par lots est développée avec deux objectifs : exploiter les données temporelles de détection et classification des fautes (fdc) pour caractériser le comportement des équipements et modéliser la tendance de détérioration avec les causes potentielles. la transformation en ondelettes discrète (dwt) décompose les données temporelles en composantes d'approximation détaillées afin de détecter deux types de détérioration provoquée par des variations au niveau macro et micro. les résultats montrent que les approches proposées permettent de prédire efficacement le comportement des équipements et de diagnostiquer la défaillance avec les causes premières.

Moving toward advanced technologies requires the modern industries, in particular, the semiconductor, to keep their equipment at a high utilization level and lowenvironmental risk. production deficiencies such as process variations and unexpected equipment breakdowns have made it difficult (if not impossible) to stay at high-grade product yield and significant equipment utilization. in this thesis, the aim is to propose efficient equipment behavior prognosis, and equipment failure diagnosis approaches in batch manufacturing processes that are pervasive modes in today's semiconductor fab. with the advancement of sensor information technology, efficient data-driven approaches are proposed for both prognostic and diagnostic purposes. in the fault diagnosis, this research firstly applies the support vector machine (svm) classifier to detect the abnormal observations. the normal process dynamics are then decomposed into different clusters by k-means clustering. principal component analysis (pca) is used to model each part of the process dynamics. fault fingerprints can be extracted finally by consolidating the out of control scenarios after projecting the abnormal observations into the pca models. in prognostics, an equipment deterioration modeling and monitoring approach for batch processes is developed with two aims: exploiting the temporal fdc (fault detection and classification) data to characterize the equipment behavior and modeling the deterioration trend with the potential causes. by using the discrete wavelet transformation (dwt), the temporal data are decomposed into approximation and detail components to detect two types of deterioration caused by macro- and micro-level variations. several scenarios of case studies are conducted based on the practical dataset provided by a local IC maker. the results show that the proposed approaches can effectively prognose the equipment behavior and diagnose the equipment failure with the correct causes.