半导体制造设备ROI高达500%！故障预测与健康管理(PHM)是刚需【工业智能实践 天字0009号】...

据半导体行业协会统计，今年上半年中国半导体产业销售额达2201.3亿元，同比增长19.1%。然而，目前国内半导体材料绝大部分却仍依赖进口，本土半导体材料厂商仅能满足约20％的需求，且大多为中低端材料。《国家集成电路产业发展纲要》指出，2020年半导体行业国产化率要提升至20~25%。

在技术方面，晶元制造环节是半导体产业的核心环节。目前国际最先进技术已进入7nm级别，而我国目前主流仍为28nm工艺，国内厂商在制造方面与国际先进企业存在较大差距。提升国内半导体技术，降低半导体制造商运维风险，加速半导体制造转型势在必行。下面的案例从最大化设备的ROI（投入产出比）出发，反映了PHM在半导体制造业的应用价值，供大家参考。

半导体制造流程是最复杂、最无法容忍缺陷、且革新最迅速的大批量生产，没有之一[1]。与任何需求驱动的产业一样，为了永续盈利与保持竞争优势，半导体制造商除了果断地投资下一代生产工艺，还必须在生产过程中严格遵守精益生产的原则，不断识别并消除无价值劳动，以最大化设备的投资回报率(ROI)。在生产现场，我们会发现无价值投入的活动比比皆是，尤其是在设备运维方面[2]。

图 1. 半导体制造过程复杂且涉及的设备种类繁多[3]

为了提高设备稼动率与可靠性，现有的设备运维方式通常是靠经常设备校准与预防性维护。然而，在摩尔定律驱动下，生产工艺的快速革新迫使厂商不断缩短设备更迭周期，这使得现有的高投入维持设备稼动率的方式难以为继。

图 2. 半导体制造运维中两难问题[2]

其次，半导体生产技术革新促使电子产品提高性能的同时，造成了单品价格下降。来自市场的压力让制造商不得不降低对生产设备维护的投入。降低预防性维护的频率虽然降低了运维成本，但设备发生意外停机的风险却增加了。

此类运维风险导致制造两难问题（如图 2所示）的原因，就在于制造商无法精准量化设备的衰退情况。显而易见，在竞争激烈的半导体制造业，对关键设备的故障预测与健康管理(PHM)已是“刚需”。

PHM的目标是最大化设备的ROI。从生产运维角度，PHM将从以下三个方面为半导体制造商降低运维风险[2]：

• 成本控制。对关键设备实施PHM后，制造商将能够根据所预测的组件剩余使用寿命，合理分配维护资源，实现对设备的准时维护。同时，组件寿命预测将帮助制造商优化库存、更有预见性地管理供应商。除此之外，设备的精准寿命管理可以与技术革新与设备更迭更好地匹配，为投资决策提供量化的支持证据。

• 效率提升。对当下健康状况的估计与达到故障状态时间的预测将帮助制造商定量优化设备生产排程，提高设备稼动率与整体产线的产出。其次，对设备故障预测与诊断可以缩短平均故障间隔时间(MTBF)、维修时间、平均维护时间(MTTR)，并降低非预期故障频率。

• 质量改善。PHM量化设备衰退对工艺流程造成的影响，对制造过程中产生的差异、性能偏差能够给予关联性分析，从而帮助加强先进过程控制(APC)与R2R控制系统，提高产品良率。

PHM的核心技术是数据与领域知识驱动的预测性建模流程。在为半导体制造业设计PHM系统时，有以下几个特点需要重点考虑：

• 数据冗余度。半导体设备中往往装载了成百上千个传感器来服务于工艺的监测与控制。这些数据对PHM来说是宝贵的资源，但针对某一个故障，大量数据反而是一种冗余，会为数据分析带来不必要的噪音与干扰。

• 模型不确定性。即便是同一台设备，其状态随着时间推移也会有不同程度的改变，造成基线波动，增加了模型的不确定性。

• 场景复杂性。半导体制造工艺的复杂，来源于步骤的繁多，相似步骤的差异性，以及工艺本身的快速更迭。为了适应这种变化，预测性建模的过程需要结合领域知识，实现自动场景化。

针对半导体制造的特点，美国国家科学基金产学结合智能维护系统(IMS)中心，在通用的PHM框架下，发展出了如图 3所示的建模流程[4]。首先，要将领域知识与建模过程充分融合，将领域知识提炼为可以量化的指标、模态、规则等，为算法自动识别工艺、工况提供知识基础。其次，通过应用数据的关联性分析以及特征选择算法，降低数据的冗余度，提高其与预测目标的关联度。同时，利用数据清洗与对关键模态的识别，提高特征质量。最后，在模型开发过程中尽量使用能够自适应不同工况的算法，并且在模型上线后引入模型管理机制，及时进行模型更新，保证对新状况的快速反应。

图 3. IMS中心半导体制造预测性建模流程[4]

早在2009~2010年间，IMS中心与国际半导体制造技术产业联盟(ISMI)合作实施了两个试点项目。其中，对蚀刻机静电吸盘(ESC)剩余寿命预测的数据提供方是世界顶尖的半导体设备供应商与晶元制造商之一。数据的数量在TB级，包括设备的维护维修记录与产品特征尺寸(CD)。对ESC的剩余寿命预测流程包括数据前处理、特征提取、特征选择、健康评估、与寿命预测五大步骤。具体流程如图 4所示。该模型会根据新的数据实时更新预测结果。通过对现有的数据验证，该模型能够稳定地输出预测结果。并且，在ESC实际被更换的时间点，模型预测其仍有8.2%的剩余使用寿命。这说明了ESC被过早地更换，若在设备上部署PHM系统，将可以延长其使用寿命，达到最大化设备ROI的目的[4]。

图 4. ESC寿命预测建模流程[4]

PHM为半导体制造行业所创造的价值是不可忽视的。对于当下已经商品化的PHM产品，预估能够为用户创造的价值超过1000万美元，在一年内的投资回报率可达500%之高[5]，这足以说明PHM在半导体制造业应用的卓越效果，以及其不可估量的潜在价值。

参考资料：

[1]      C. May, Garyand Spanos, Fundamentals of Semiconductor Manufacturing and Process Control.IEEE, 2006.

[2]      E. L. Jay Lee,“Prognostics and health management tools for semiconductor manufacturing predictability,” Nanochip, pp. 10–15, 2011.

[3]      “Semiconductor Fab Wiki - SemiWiki.com.” [Online]. Available:https://www./forum/showwiki.php?title=Semi Wiki:Semiconductor FabWiki. [Accessed: 24-Sep-2017].

[4]      J. Lee, D.Siegel, and E. R. Lapira, “Development of a predictive and preventive maintenance demonstration system for a semiconductor etching tool,” ECSTrans., vol. 52, no. 1, pp. 913–927, 2013.

[5]      “TechEdge Prizm Overview,” Applied Materials.