面向OEM真空泵系统的AI驱动预测性维护。

05/09/2023 中午 06:08 点

结语

半导体制造厂因计划外停机而面临巨大的损失，每小时损失通常超过 25,000 美元。
真空泵的预测性维护利用人工智能在故障发生之前检测故障，超越了被动式和计划式维护模式。
关键技术包括振动分析、热监测以及机器学习维护算法，例如随机森林和 LSTM。
成功实施需要高保真数据采集，并通过 SECS/GEM 或 OPC-UA 协议与现有制造执行系统 (MES) 无缝集成。
向人工智能预测性维护的过渡显著提高了整体设备效率 (OEE)，并延长了昂贵的子工厂资产的使用寿命。

介绍

据 Statista (2024) 的数据显示，全球半导体市场规模已突破 600 亿美元，但该行业仍然受到一个经典的制造瓶颈——设备可靠性——的困扰。在 300 毫米晶圆厂这种严苛且高风险的环境中，任何一台设备的故障都会波及整条生产线，造成毁灭性的经济损失。麦肯锡公司 (2023) 的研究表明，计划外停机可能导致半导体制造商每小时损失高达 25,000 美元，具体金额取决于工艺节点和晶圆价值。

在这些关键工艺流程的核心是真空系统，这个默默无闻的英雄维持着蚀刻和沉积所需的纯净低压环境。过去，这些系统的维护要么按固定计划进行，要么在出现故障后才进行维修。然而，真空泵预测性维护的引入彻底改变了可靠性工程师的工作方式。通过分析实时数据，工厂现在可以在系统完全停机前数周，识别出故障轴承或堵塞前管路的细微“预警信号”。

对于具有前瞻性思维的晶圆厂而言，这种向设备健康监测的转变不再是锦上添花，而是保持竞争力的基本要求。随着晶圆变得越来越复杂，公差越来越小，真空稳定性方面的误差容限几乎消失殆尽。了解人工智能如何与这些机械主力设备集成，是打造更具韧性的子晶圆厂的第一步。

子工厂的脆弱生态系统

子晶圆厂内，各种泵、冷却器和气体洗涤器如同混乱的芭蕾舞者般运转。其中，真空泵或许是最容易磨损的设备，因为它们需要处理腐蚀性工艺气体和颗粒物。一旦在关键的化学气相沉积 (CVD) 循环中发生泵故障，整批晶圆往往就报废了。

传统维护方式为何失效

传统的维护方式分为两种：被动维护和预防性维护。被动维护是一种“运行到故障”的策略，本质上是在拿数百万美元的生产计划玩俄罗斯轮盘赌。预防性维护虽然更安全，但需要根据计划更换部件。这往往会导致“过度维护”，即丢弃功能完好的部件；或者导致“维护不足”，即由于无法预见的工艺异常，泵提前失效。

设备健康监测的必要性

现代半导体设备维护需要更精细化的方法。工程师们通过关注泵的实际状态而非其使用年限，可以优化维护周期。这种以数据为中心的视角，无需实际拆解即可清晰了解泵的内部机械结构。

真空泵预测性维护的机制

构建一个强大的预测系统需要的不仅仅是几个传感器和一个仪表盘。它涉及一个复杂的流程，可以将原始物理信号转化为可执行的智能信息。这个过程依赖于高频数据和专门的算法。

关键传感器输入

为了构建一个精确的模型，系统必须接收反映泵内部状态的各种数据点。

振动分析： 利用压电加速度计检测谐波频率的变化，从而判断轴承磨损或转子不平衡。
声发射： 高频声音传感器可以在人类听到之前很久就捕捉到空化或摩擦的发生。
热监测： 热电偶跟踪电机和泵壳的温度，因为过热是机械阻力的主要指标。
电机电流和扭矩： 功率消耗波动通常表明水泵正在加紧工作以克服内部积垢或摩擦。

机器学习维护的作用

数据收集完成后，会通过机器学习维护模型进行处理。这些算法基于历史故障数据进行训练，以识别故障模式。例如，随机森林算法可能会判定，电机电流增加 5% 并伴随特定的振动频率峰值，与未来 72 小时内密封件失效的相关性高达 80%。

在晶圆厂实施人工智能预测性维护

从试点项目过渡到全面部署涉及大量的集成工作。工厂自动化架构师必须确保新的人工智能工具能够与现有基础设施良好兼容。

连接性和协议

半导体设备使用特定的语言进行通信。大多数人工智能驱动的系统必须使用 SECS/GEM（SEMI 设备通信标准/通用设备模型）与设备主机或 MES 系统进行交互。这使得预测系统能够将泵的性能与特定的工艺步骤关联起来。如果泵在高压蚀刻步骤中出现应力迹象，人工智能可以将工艺配方本身标记为潜在问题所在。

边缘计算与云计算

数据应该在泵端（边缘）处理，还是发送到中央服务器（云端）？在高产量晶圆厂中，海量的振动数据可能会使网络不堪重负。许多现代解决方案采用“边缘人工智能”来过滤噪声，仅将相关的异常数据发送到云端进行更深入的分析。这可以降低延迟，并确保在即将发生灾难性故障时，能够在几毫秒内向设备发出“停止”命令。

经济效益和投资回报率

投资人工智能预测性维护是否值得投入高昂的传感器和软件前期成本？答案取决于收益和正常运行时间的计算结果。

缩短平均修复时间 (MTTR)

当泵发生意外故障时，技术人员首先需要诊断问题，这可能需要数小时。而有了预测系统，技术人员到达现场时就能准确地知道是哪个部件出了故障以及需要哪些工具。根据 Gartner 2022 年的一份报告，预测分析可以将维护成本降低高达 20%，同时将设备正常运行时间提高 15%。

延长资产生命周期

真空泵价格昂贵。经常让真空泵运转至故障状态会导致电机和泵壳的二次损坏。通过及早干预，维护团队可以进行小规模翻新，而不是彻底更换，从而将一台价值 50,000 万美元的真空泵的使用寿命延长数年。

克服实施挑战

尽管实现完全自主的子晶圆厂优势显著，但这条道路并非一帆风顺。数据孤岛仍然是最大的障碍。通常情况下，负责泵设备的设施团队和负责工艺数据的生产团队之间无法有效地共享信息。

成功的半导体设备维护需要一种向透明化转变的文化。此外，某些人工智能模型的“黑箱”特性可能会成为阻碍。工程师们自然会对一个没有明确解释就指示他们关闭生产工具的软件程序持怀疑态度。正因如此，“可解释人工智能”才显得至关重要，它能提供合理的解释——例如“2kHz频段振动增强表明轴承处于二级磨损阶段”——而不是简单的“故障”指示灯。

每台泵都需要专门的AI模型吗？不一定。将类似的泵分组为“泵群”，可以让AI从数百台机器的集体经验中学习，从而加快机器学习模型的训练过程。