Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
Les 6èmes Journées Francophones sur les Réseaux Bayésiens
11 13 Mai 2012 Îles de Kerkennah Tunisie
Vers des Réseaux Bayésiens pour laVers des Réseaux Bayésiens pour la
11 – 13 Mai 2012, Îles de Kerkennah, Tunisie
Vers des Réseaux Bayésiens pour la Vers des Réseaux Bayésiens pour la
Classification des Causes de DéfaillancesClassification des Causes de Défaillances
PRÉSENTÉ PAR:
MOHAMMED‐FAROUK BOUAZIZMOHAMMED FAROUK BOUAZIZLABORATOIRE G‐SCOP, GRENOBLE‐INP, UMR 5272
Plan
Problématique
Objectifs et définitions
Approche proposée
Application
C l i Conclusion
02/22
Contexte général
Projet EuropéenImplementing Manufacturing science solutions to increase equiPement pROductiVity and fab pErformance
Projet Européen
36 partenaires Industriels et Académiques
Objectif : améliorer les rendements Objectif : améliorer les rendements
Axes de recherche :
Mé l i Vi ll Métrologie Virtuelle
Maintenance Prédictive
Analyse des Risques
Organisation
WP.3: Predictive Equipment BehaviourT.3.4: Equipment Process Health factor
Problématique
Equipements: Produits: Equipements:
Equipements de production
Equipements de Métrologie
Equipements de transport
Produits:
Matière première: wafer
Produit fini : Circuit intégré
Grande variétés produits (prod / proto) Equipements de transport Grande variétés produits (prod / proto)
SCRAP
Probabilité de Rejet
Produit a
transformerProduit final
Opérations (complexité):
Jusqu’à 700 opérations élémentaires
D é d 8 i
Environnement (incertain):
Contamination de wafers
Dérives équipements Durée moyenne de 8 semaines
Différentes technologies
Dérives équipements
Présence des opérateurs humains…
05/22
Objectifs
Constat: Scrap level is important, High unscheduled CMConstat: Scrap level is important, and failures related to equipment drift are estimated to 50% ‐ 70%.
High unscheduled CM, not optimal scheduled PM, high uselessmetrology.
50% à 70%
Incertitudes
Objectif: Comment minimiser les rejets afin de réduire les coûts, les rendements et le temps de cycle?
Idée: Développer des modèles de prédiction de comportement.
Comment: Techniques probabilistes. Connaissance
06/22[Tixier et al. 2002, Bouaziz et al. 2011]
Définitions
1. Réseau Bayésien RBy Représentation graphique, probabiliste, acyclique, et orientée
Permet d’apprendre, de représenter et d’utiliser la connaissance
Variable = { Nœud + Etats } X P(X1)
P(X2)Y P(Y1/X1)
P(Y2/X1)P(Y1/X2)P(Y2/X2)
YX
{ }
Causalité = Arcs
Connaissance = Tables de probabilités (TP, TPC) XP
YPYXPXYP
//
Thomas Bayes
2. Construction d’un RB
y[1702‐1761]
1. Identification des variables
2. Définition de la structure du RB
3. Définition des3. Définition des lois de probabilités
[Pearl 1988, Jensen et al. 2007 Naïm et al. 2007, Darwiche 2010 ] 07/22
Définitions
3. Concept de l’EHF
Prédire les dérivesSavoir détecter un mode
Prédire les dérives d’un équipement : de défaillance et à quel
instant il va se produire
Valeurs: {défaillance observée,
Mode de défaillance :
défaillance non observée, et
défaillance qui va être observée }.
Exemple: {Contamination , Epaisseur}08/22
Approche proposée
I - FM id tifi ti
II -Modelling & III-
Si l tiIV -
I t ti
EHF Integration and Equipment management Optimization in real complex
identification Modelling & Validation Simulation Integration
semiconductor manufacturing facility
Step 01 : Step 02 : Step 03 : Step 04 :FM identification Modelling & Validation Simulation
9. Data generation5. Variables Verification 1. Fab. AEC Context
p
Integration
12. MaintenanceOptimization
10. Simulation tools
11. Study cases7. Learning ModelTest off lin
6. Graphical Model2. Data Acquisition
3. FM Classification
13. Control stepsOptimization
14 D i iy
8. Model Validation
ne
4. Expert Causality
3. FM Classification14. Decision support
Tool
Test & Updating
09/22
STEP 1 : Spécification
I - FM II -Modelling & III- IV -
Equipment Process Health Factor
identification Modelling & Validation Simulation Integration
Equipment Process Health Factor
1 F b AEC C t tActual
failure & Pre-
ProcessingFailure Mode
Priority
Step 01 : Failure Mode Identification AEC Context
Analysis1. Fab. AEC Context
2. Data Acquisition
Functions
FMRC
Potential causalities
Historical Data
Extraction
yCosts/CT/Yield
90%80%
4. Expert Causality
3. FM Classification
1
FunctionsElementsArchitectureData
Knowledge formalization
B A C
4
ExtractionStructuringSynchronisation
2 3
Pareto calculationGraph analysis
20% 100%Failure
•Phase 1 : Description du contexte (cas d’étude)•Phase 2 : Extraction de données (equipment life)
•Phase 3 : Classification des modes de défaillances•Phase 3 : Classification des modes de défaillances
•Phase 4 : Définition des causes de défaillances par l’expert
10/22
STEP 2 : Modélisation
I - FM identification
II -Modelling & Validation
III-Simulation
IV -Integration
Equipment Process Health Factor
Validation g
Step 02 :Model & Validation
5. Variables verificationParametric Structure
BD
Learning data
BD BD BD
Test data
Probabilistic l l i
Verification and
7. Learning model
learning
B
A
C
B
A
C
learned
B
A
C
6. Graphical model
Test
calculation
No
BD
BD
identification protocol
FMRC
5
8. Model Validation
6 7
A
AB
ADiagnosticEHF-CR
PredictionEHF-PR
Test off line
8
2
2
FilteringCorrelationClassification
•Phase 5 : Vérification des causes potentielles de défaillances •Phase 6 : Définition de la structure du modèle graphique EHF
•Phase 7 : Apprentissage paramétrique du modèle EHF
5 6 7 8
•Phase 7 : Apprentissage paramétrique du modèle EHF
•Phase 8 : Calcul probabiliste de l’état de santé d’un équipement
11/22
Structure du modèle EHF graphiqueStructure du modèle EHF graphique
I - FM identification
II -Modelling & Validation
III-Simulation
IV -IntegrationValidation g
Structure learned
B C
learned
From Real to Potential causalities
Fréquence des modes de défaillance
Paramètres
Causes de
Var
6
A
Causes de
défaillance
FM
RC
Modes de
défaillance
Structure du modèle EHF
Occurrence des causes de défaillance potentielles
12/22
Classification des RC ‐ Approche
I - FM identification
II -Modelling & Validation
III-Simulation
IV -Integration
Classification probabiliste des causes de défaillancesMettre à la disposition de l’expert des éléments de choix
Validation g
5. Verification and identification
4. Potential Variables and
Mettre à la disposition de l expert des éléments de choix
BD
FMRC
identification protocol
Variables and causalities
FMRC
BDParamètres Var
Test
No
BD RC
Knowledge formalization
B A C Data
Causes de
défaillance
FM
RC
Modes de
?
RC classification
Protocol de vérification et
d’identification par RB Naïf « VIP »
B A C
Expert causality
DataFMdéfaillance
Structure du modèle EHF par
réseau Bayésien « RB » d identification par RB Naïf « VIP » réseau Bayésien « RB »
13/22
Classification des RC ‐ Données
Caractéristiques de la fabrication des i it i té é CI
Équipements :circuits intégrés CI :
Bases de données :
•une forte rentabilité mais sur des courtes durées•une forte valeur ajoutée•une forte valeur ajoutée•un temps de cycle relativement important•un grand nombre d’opérations élémentaires•un parc de 300 équipements•un volume de fabrication de 3500 wafers/semaine •un circuit intégré comporte plusieurs millions de composants
14/22
Classifieur VIP ‐Modèle
I - FM identification
II -Modelling & Validation
III-Simulation
IV -Integration
Classification probabiliste des causes de défaillancesMettre à la disposition de l’expert des éléments de choix
Validation g
5. Verification and identification
protocol
4. Potential Variables and
causalities
Mettre à la disposition de l expert des éléments de choix
BD
FMRC
p
FMRC
BD
Test
No
RC classification
Knowledge formalization
B A C
Expert causality
Data
RC classification
Protocol de vérification et
d’identification par RB Naïf « VIP »
Expert causality
E i t M d l D t L t ID P 01 PEquipment Module Date Lot ID Para-01 … Para-n
Furnace ID Robot 03/29 - 23:55:02 ID-001 20.398 … 532.4
Furnace ID Heater 03/29 - 23:55:03 ID-002 20.501 … 536.9
… … … … … … …15/22
Classifieur VIP ‐ Simulation
l f l ’ à l é ( )Classifieur VIP : un outil d’aide à la prise de décision (RCi retenue ou non)
0,7Occurrence
0,5
0,6
RC 1
Causes de
défaillance
0,3
0,4 RC 2
…
0,1
0,2RC k
Classification des Rci potentielles par
0Recuit PolySI TEOS Oxyde
Fonctions
fonctionnalité d’équipement
(Réacteurs)16/22
Classifieur VIP ‐ Extensions
Réseau Bayésien Naïf Augmenté TANB:
1er
Extension
Vérifier l’hypothèse d’indépendance entre les variables mesurées
2eme
Modèles de Markov cachés HMM:
Extension
Pour un suivi plus pertinent et une prise de décisionprise de décision active
17/22
Classifieur VIP ‐ Extensions
3eme
ExtensionStructure optimale du classifieur VIP:
Nombre important de mesures (capteurs) dans l’équipement de fabrication
Regrouper les variables mesurées selon des critères de performance, pertinence, disponibilité…
18/22
Démonstrateur
I - FM identification
II -Modelling & Validation
III-Simulation
IV -Integration
– Interface utilisateurs pour la simulation des instances EHF
Validation g
Centraliser les différents résultats: CEP, VIP, EHF, CDP, RdP…
Préparer la partie intégration « POC »
Outil de simulation « GUI »
1‐ Data 3‐Model
2‐ Editor 4‐ Results
Modèle de l’EHF par RB
19/22
Conclusion
– Améliorer la disponibilité des équipements ?
– Proposer une Méthodologie prédictive capable d’anticiper les dérives
– Réseaux Bayésiens adaptés à la modélisation de problème de SdF
– Avantages par rapport aux type de données et à la qualité de l’expertise
– Etudes menées chez (Lfoundry et STM) Cas d’études
– Approche proposée permet : diagnostique et prédiction
– Résultats encourageants :
• Les avantages des RB et les besoins industriels
’ d dèl l déli i d l’• L’apport du modèle par rapport a la « modélisation » de l’expert
• Facilité d’acquisition, de représentation, et d’utilisation de la connaissance
– Outil de simulation (GUI) comme un moyen de prise de décisionOutil de simulation (GUI) comme un moyen de prise de décision
20/22
Travaux en cours
– Valider l’outil VIP pour la classification des RC sur des données de Fab.Valider l outil VIP pour la classification des RC sur des données de Fab.
– Tester les instances du modèle EHF sur des données provenant d’autres ateliers
– Etude : Propriétés RB Vs Caractéristiques EHF (mise à jour, EC…)
21/22
Perspectives
I - FM identification
II -Modelling & Validation
III-Simulation
IV -IntegrationValidation g
EHF
RB et RdP pour les activités de la PdM22/22
Merci de votre attentionMerci de votre attention