智能制造的大數(shù)據(jù)分析

智能制造的大數(shù)據(jù)分析JamesMoyne，Jimmylskandar技術(shù)先進工工控制lAPC：-府用性起施畸器『,或果用W析和葉律機厘以.厚葬隹化的機器沒置式及將溯般序并聃定具原因的I『I可擊學科一APC幕的技術(shù)報茸檢照｛FD1通過品利利弁擔枳甘平，成工藝飲據(jù)的殳化來杓期才芾情況的技術(shù)。FCI包網(wǎng)單變，笛曲］印多登■'；MVA|院甘分析拄木.故降為■吳(FC)松溯至1歆住后硼定散障啟國的達未「故障段用與藥療卡國受故障起賽任口1與報障四史1FCJ的紡舍.榭冷皿洞［FP!或誨晰誦以監(jiān)測和分析_1_王致裾的生牝*.地曲界定情況的技術(shù).世閩(R2Ri粒艱社工行at攻之同健題配方參益玄適把捽包朝松以舊島工N+t能的近術(shù)一■HL"可以月巾長.也可設(shè)￡西片品第.見計式_L藝性制(SPC)接用兼計方法分析工藝城產(chǎn)品指標.以粘1適當?shù)膲蚣Z來家現(xiàn)和維用狡；度制狀態(tài)并不斷發(fā)晶工豈曜力的技術(shù).■P的浜技東設(shè)為健康狀況位篇IEHM］蓋洲機臺參就以期氫與正常行為的播雙度注評拈機臺胃點壇用的拄米.EHM本的_1_不定具電預(yù)潺性.但近靠昆顆測取統(tǒng)的卻成鄒分.相涌式步始(POM)利用工藝和設(shè)福狀冬信息來俄測機含電機法的料定九件何IM可燧需要堆井培后利曲課前測宅息段走維護過式的技術(shù).ii總昧書可辭焉洌J1避免計劃外的停機JM貨用通潮結(jié)址替代計劃外停機時間表未弭整計劃部件機安排.本文歷定義的PdM解決方案外瀏乩瓶海維護需求一到從堆碟小件中帙復(fù).再打慘復(fù)生產(chǎn)的卷今堆護周期.短測式狙撞利用關(guān)于利白粕_LJ狀態(tài)一郎用.在河售.述度一前法利口斗侑當前，；皂和保京獨計信息京秋斕并國城等成t機臺.機班品制「學*謂度的技長.虛總量削(VM)強測和上后，激變?【可理■的或不呼流■的I的核術(shù)，證用_L2和品比狀態(tài)信息t可色指_L源?溯利或傳照濟數(shù)據(jù)).由H也用-虛擬性氣’相-特盛厘窿臺一若水詰累表示誼即能力.應(yīng)車胰闋正柱置個砧IHlr信息【例如機白和■冽信忌I以臉源工藝或生產(chǎn)我最菖R率的技術(shù);圖1apc和ape擴展能力的定義

圖2.分析能力維度.將半導(dǎo)體制苣業(yè)慣常采用的APC解決方案與這些維度相對應(yīng)（現(xiàn)象模型是體現(xiàn)工藝知識的實體模型形式？利用統(tǒng)計數(shù)據(jù)來調(diào)整或修改）圖3m利用MVA預(yù)測器及其元件的PdM方法，包括故瞳時間趨均和以置信度或區(qū)間表示的預(yù)測結(jié)果圖3m利用MVA預(yù)測器及其元件的PdM方法，包括故瞳時間趨均和以置信度或區(qū)間表示的預(yù)測結(jié)果—一故薄浮蠲——下洋竹制上附周*1外就用q軾片口irr100* ? ft單牙事均H咫蒯1邦，唾主芾予，足設(shè)備和工藝方面的專業(yè)知識是半導(dǎo)體制造分析解決方案的關(guān)鍵組成部分。過去幾年，應(yīng)用材料公司在探索半導(dǎo)體制造業(yè)的大數(shù)據(jù)分析方法上一直走在業(yè)界前列。公司在瑞士曼迪匹艾（MDPI）的開放期刊Processes上發(fā)表的一篇文章，獲得了2016年和2017年度“最佳論文獎”。該文探討了半導(dǎo)體制造業(yè)大數(shù)據(jù)分析的發(fā)展趨勢和機遇，并提供了相應(yīng)的路線圖，闡述了如何采用分析技術(shù)為缺陷檢測到預(yù)防式維護等一系列應(yīng)用提供支持。本文對這篇論文的要點予以介紹。塑造智能制造分析技術(shù)的前景智能制造（SM）一詞通常用于描述制造業(yè)這樣一種發(fā)展方向：供應(yīng)鏈上下游整合，實體功能與線上功能整合，運用先進信息提高靈活性和適應(yīng)能力。智能制造充分利用數(shù)據(jù)在數(shù)量、速度、多樣性、真實性（即數(shù)據(jù)質(zhì)量分析技術(shù)）方面的巨大優(yōu)勢，即利用通常所謂的“大數(shù)據(jù)”技術(shù)，通過大數(shù)據(jù)分析來改進現(xiàn)有分析功能并提供預(yù)測式分析等新功能。圖1總結(jié)的這些改進功能和新功能屬于“先進工藝控制”（APC）擴展技術(shù)的一部分。半導(dǎo)體制造中設(shè)備和工藝分析技術(shù)的出現(xiàn)和發(fā)展，一定程度上是行業(yè)三大挑戰(zhàn)促成的結(jié)果。這些挑戰(zhàn)數(shù)十年來一直存在，并非是特定于智能制造或大數(shù)據(jù)革命時代才出現(xiàn)，但可以說是半導(dǎo)體制造業(yè)所獨有。半導(dǎo)體制造業(yè)面對的這三大挑戰(zhàn)是：（1）設(shè)備和工藝的復(fù)雜性;（2）工藝的動態(tài)性和背景豐富性;（3）在準確性和可用性方面表現(xiàn)不良的數(shù)據(jù)質(zhì)量。這些挑戰(zhàn)使人們意識到半導(dǎo)體行業(yè)的分析解決方案不能完全由數(shù)據(jù)驅(qū)動。機臺、工藝和分析領(lǐng)域的專門知識或?qū)W科專業(yè)知識（SME）也是大多數(shù)晶圓廠分析解決方案的關(guān)鍵組成部分。因此，在設(shè)計和運用半導(dǎo)體制造業(yè)工藝分析技術(shù)時要始終謹記這一點。實際上，SME的運用機制通常按照數(shù)據(jù)收集、數(shù)據(jù)處理、參數(shù)選擇、模型構(gòu)建、模型和臨界值優(yōu)化以及解決方案部署和維護等方面來正式界定。了解半導(dǎo)體制造分析技術(shù)的組成過去十年中，分析方法呈爆炸式增長，許多利用大數(shù)據(jù)的分析方法已經(jīng)形成。這些分析方法需要加以辨別和分類，其中一種方法就是對分析技術(shù)的能力維度進行界定，然后詳述或繪制出與這些維度相關(guān)的分析能力。圖2對與半導(dǎo)體制造業(yè)中的分析技術(shù)相關(guān)的維度進行了細分。有了這些維度，對于一項分析應(yīng)用或分析技術(shù)，就可以根據(jù)其能力在每個維度中的價值對其進行界定。例如，在多變量分析（MVA）、故障檢測（FD）和設(shè)備健康狀況監(jiān)測（EHM）中經(jīng)常使用的主成分分析（PCA）屬于無監(jiān)督、應(yīng)答式分析。多變量分析通常是靜態(tài)的、無狀態(tài)的，并不正式納入5兇￡。在分析應(yīng)用方面，當今晶圓廠的故障檢測很大程度上是無監(jiān)督、應(yīng)答式、單變量、無狀態(tài)和以統(tǒng)計為基礎(chǔ)的，在故障檢測模型的開發(fā)階段會納入5兇￡。使用這些和其他維度來界定分析技術(shù)和分析應(yīng)用，提供了一個可以明確能力差距、前進機會以及長期改進路線圖的框架。半導(dǎo)體制造業(yè)APC應(yīng)用的最新發(fā)展，體現(xiàn)了從應(yīng)答式到預(yù)測式、甚至到主動式工廠控制的轉(zhuǎn)變。這在很大程度上依賴于大數(shù)據(jù)爆炸，后者為更大容量和更長期的數(shù)據(jù)存檔提供支持，在一定程度上使預(yù)測式解決方案能夠破譯參數(shù)的多變量交互的復(fù)雜性，刻畫系統(tǒng)的動態(tài)性，抑制干擾并濾除數(shù)據(jù)質(zhì)量問題。在許多情況下，必須重寫這些解決方案中的算法，才能充分利用大數(shù)據(jù)解決方案賦予的并行計算能力來及時處理數(shù)據(jù)。此外還可以開發(fā)更適應(yīng)大數(shù)據(jù)的新算法。例如，早期的預(yù)測式解決方案依賴于單核CPU和串行處理，但是隨著大數(shù)據(jù)時代的到來，偏最小二乘（PLS）和支持向量機（SVM）之類的算法就可用于服務(wù)器場的并行計算。同樣，自組織映射（SOM）和生成式拓撲映射（GTM）等無監(jiān)督的數(shù)據(jù)探索技術(shù)也要經(jīng)過重寫，以便處理大量數(shù)據(jù)，使用戶能夠快速獲得有用的分析結(jié)果。類似地，可以將諸如隱馬爾可夫模型⑷兇兇）和粒子群優(yōu)化之類耗時的統(tǒng)計技術(shù)重寫，以求大幅提高計算效率。但是，擁有眾多技術(shù)和大量數(shù)據(jù)并不一定會帶來更多有用的分析結(jié)果和更強的預(yù)測能力。筆者認為，沒有一種方法或方法組合是放之四海而皆準的。具體采用的方法需要根據(jù)手頭的數(shù)據(jù)，針對具體的應(yīng)用進行定制。不論怎樣，我們相信SME將在解決方案的開發(fā)和維護中繼續(xù)發(fā)揮引導(dǎo)作用。人工智能的崛起和新的大數(shù)據(jù)親和分析技術(shù)人工智能（AI）-詞可用于描述能感知其環(huán)境并采取相應(yīng)行動以實現(xiàn)目標的任何裝置或分析技術(shù)?，F(xiàn)今，這一術(shù)語通常指模仿人腦功能的裝置或分析技術(shù)概念，例如自動駕駛汽車應(yīng)用中采用的裝置或技術(shù)［7］。人工神經(jīng)網(wǎng)絡(luò)（ANN）就是這種分析技術(shù)的一個例子，這種AI分析技術(shù)數(shù)十年前就已出現(xiàn)，如今隨著大數(shù)據(jù)的發(fā)展演變而再度興起。例如，深度學習是一種非常類似于結(jié)構(gòu)化ANN的技術(shù)，它利用分層抽象方法來提高大批量數(shù)據(jù)分析的質(zhì)量和速度。深度學習可用于解決大數(shù)據(jù)分析中的一些高維問題，包括從二維圖像（例如晶圓圖）中提取復(fù)雜模式。深度學習技術(shù)受益于數(shù)據(jù)量的增加，并使用數(shù)據(jù)驅(qū)動的監(jiān)督學習技術(shù)來發(fā)現(xiàn)數(shù)據(jù)中的關(guān)系。這種技術(shù)的主要缺陷是相對來說在模型的開發(fā)和維護階段無法納入5兇￡?，F(xiàn)有開發(fā)好的模型通常無法直接使用，因此很難評估，而半導(dǎo)體制造分析中涉及的背景豐富性和動態(tài)性使得深度學習技術(shù)無法利用大量的一致性數(shù)據(jù)。最近的研究工作集中在將SME與AI技術(shù)相結(jié)合，這種方法有望未來應(yīng)用于生產(chǎn)車間。另一項受到重視的大數(shù)據(jù)分析能力是利用通常稱為“爬蟲”的解決方案來進行背景分析。這類“爬蟲”應(yīng)用程序在后臺挖掘數(shù)據(jù)，尋找相關(guān)的模式或分析結(jié)果，例如接近故障狀態(tài)的部件。然后，它們通過異步方式通知工廠控制系統(tǒng)等應(yīng)用程序，以便采取適當?shù)拇胧?。該方法還能提高診斷和預(yù)測的重新配置能力。展望未來：分析技術(shù)發(fā)展路線圖隨著我們邁向智能制造，分析技術(shù)顯然將繼續(xù)發(fā)揮更大的作用以最大程度提高吞吐量并降低成本，同時實現(xiàn)高良率。大數(shù)據(jù)領(lǐng)域的進步，將推動這些分析技術(shù)快速發(fā)展，筆者相信目前取得的進展已經(jīng)帶來了一些重要的研究發(fā)現(xiàn)，并且有助于最大限度地發(fā)揮這些分析技術(shù)的作用。第一項重要發(fā)現(xiàn)是，業(yè)界正在尋求開發(fā)或增強的許多分析解決方案可以利用相同的模型開發(fā)（“靜態(tài)數(shù)據(jù)”）和模型執(zhí)行/維護（“動態(tài)數(shù)據(jù)”）結(jié)構(gòu)。例如，PdM的六步模型^發(fā)過程（圖3a和36作了總結(jié)）可用于虛擬量測甚至是良率預(yù)測。利用通用方法不僅可以節(jié)省提升這些技術(shù)所耗費的時間和精力，還使得制造商能交叉利用分析方法上不斷取得的進步成果