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