État de santé et pronostic des équipements d’une chaîne de production : application aux équipements de fabrication des semi-conducteurs

State of health and prognosis of equipment units in a production line : application to semiconductor manufacturing equipments

• Auteur / Autrice : Dima El Jamal
• Direction : Mustapha Ouladsine, Bouchra Ananou, Guillaume Graton
• Type : Thèse de doctorat
• Discipline(s) : Automatique
• Date : Soutenance le 10/07/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Mathématiques et Informatique de Marseille (Marseille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique et Systèmes (Marseille ; La Garde, Var ; 2018-….)
• Jury : Président / Présidente : Mitra Fouladirad
• Jury : Examinateurs / Examinatrices : Mustapha Ouladsine, Didier Theilliol, Belkacem Ould Bouamama, Abdessamad Kobi, Jacques Pinaton
• Jury : Rapporteurs / Rapporteuses : Didier Theilliol, Belkacem Ould Bouamama

Mots clés

Mots clés contrôlés

Semiconducteurs

Processus de mouvement brownien

Analyse multivariée

Programmation (informatique)

Mots clés libres

Pronostic de défaillance

Indice de santé

Durée de vie utile restante

Analyse multivariée

Semi-conducteur

Failure prognostic

Health indicator

Remaining useful life

Multivariate analysis

Semiconductor

Résumé

Ce travail de thèse s’inscrit dans le cadre du projet Européen MADEin4 en partenariat avec STMicroelectronics de Rousset, France. Afin d’optimiser la production, STMicroelectronics commence à adopter, dans leur chaîne de production, les stratégies de maintenance prévisionnelle qui reposent sur le pronostic. Cette thèse s'intéresse ainsi au pronostic de défaillance des équipements de fabrication des semi-conducteurs. Elle traite les deux problématiques suivantes : (1) le suivi de l'état de santé actuel de ces équipements et (2) la prédiction de leur durée de vie utile résiduelle, notée par RUL (Remaining Useful Life). Deux contributions sont proposées dans cette thèse. La première consiste en une approche d’extraction d'un indice illustant l'état de santé de l'équipement à partir des données. Cette approche se base principalement sur le modèle de régression LASSO (Least Absolute Shrinkage and Selection Operator). La deuxième contribution consiste en une approche de prédiction du RUL qui inclut le prétraitement de l’indice de santé extrait et sa modélisation par le processus de Wiener adaptatif en se basant sur un calcul de similarité. Ces approches ont été testées sur des données simulées. De plus, elles sont évaluées sous forme d'un processus dans une configuration hors ligne et en ligne sur des données issues de STMicroelectronics. Les résultats obtenus prouvent l'efficacité des approches proposées. Une comparaison avec d’autres méthodes développées au sein du laboratoire a été effectuée. Les résultats obtenus montrent que les approches proposées améliorent la précision de prédictions

This thesis is part of the European project MADEin4 in partnership with STMicroelectronics of Rousset, France. In order to optimize the production, STMicroelectronics starts adopting predictive maintenance strategies that are based on prognostic. In this thesis, we are interested in the failure prognostic of semiconductor manufacturing equipment units. It deals with two issues: (1) monitoring the current state of health of these equimpent units and (2) predicting their Remaining Useful Life (RUL). Two contributions are proposed in this thesis in order to address these problems. The first consists of an approach for extracting an indicator illustrating the state of health of the equipment unit from the data. This approach is mainly based on the Least Absolute Shrinkage and Selection Operator (LASSO) regression model. The second contribution consists of a RUL prediction approach, which includes the preprocessing of the extracted health indicator and its modeling by the adaptive Wiener process based on a similarity calculation. These approaches have been tested on simulated data. In addition, they are evaluated as a process in an offline and online configuration, on a real dataset from STMicroelectronics. The obtained results prove the effectiveness of the proposed approaches. A comparison was also performed against other existing works in the same context within the same laboratory. The results show that the proposed approaches improve the accuracy of RUL predictions compared to these works