更聪明地维护工具

芯片制造商已经开始转向工艺工具的预测性维护，但在分析和工程方面的巨额投资意味着智能维护要成为一种广泛的实践还需要一段时间。

半导体制造商需要维持一套多样化的设备，以处理在工厂中运行的晶圆、模具、封装部件和电路板的流程。OSAT和fab工厂设备的价值范围从150万美元(OSAT-线键合设备)到150亿美元(5nm器件的300毫米晶圆)。刀具性能的任何异常都会降低产品的成品率和质量，同时也会影响工厂的性能。及时的设备维护可以使这些指标发生实质性的变化。

在过去的几十年里，半导体晶圆厂和组装工厂已经从等待设备故障转变为计划维护，根据加工的晶圆数量或固定的时间间隔更换或清洗组件。在预测性维护中，工程师在模型中使用选定的设备数据，当模型的输出阈值达到时，部件将被替换。定期保养(又名预防性保养)类似于根据时间或行驶里程来给你的车换油。

对选定设备进行预测性维护。数据工程团队使用预测模型来安排维护活动。但由于需要资金和工程方面的努力，它并没有同时在所有设备上实现。因此，它被优先考虑将从工厂和设备生产力中受益最多的工艺步骤。

作为一个工程概念，预测性维护已经存在了近一百年。在《创新妄想》一书中，作者李·文塞尔和安德鲁·拉塞尔写道，“预测性维护的根源在于t·c·拉斯伯恩1939年的论文《振动容忍》，他在论文中断言，机器的振动随着环境的恶化而加剧。他认为，如果工程师和管理人员能够测量振动，他们就更有可能在机器坏掉并停止生产之前发现问题

使用预测性维护策略，后续的经济影响可能是显著的。正如美国能源部强调的那样报告美国的研究表明，实施预测性维护的企业可以节省30%至40%的运营成本。不过，这不仅仅是维护成本的问题。这种方法有利于工厂运营、产品产量和质量。事实上，美国能源部的研究表明，实施预测性维护可使生产水平提高20%至25%，投资回报率为10个月。这反过来又有助于降低成本，提高利润率。

半导体制造设备具有不同的参数集。考虑振动、声音、视觉、压力以及电流、电压和功率。工程师们并不缺乏可用的数据来构建维护预测模型。

Lam Research蚀刻产品组的产品营销工程师Wojtek Osowiecki表示:“Lam战略的一个关键组成部分是将不定期维护转变为定期维护。”多亏了我们的传感器驱动分析解决方案，我们通过结合所需的服务，预测部件性能，甚至在需要时进行实时调整，从而提高了最大限度地减少停机时间的能力。”

并不是只有最昂贵的高级节点进程才受益于预防性维护。采用成熟半导体/组装工艺的IC制造商也可以从中受益。在汽车行业尤其如此，该行业的质量目标已从10 DPPM提高到10 DPPB。早期检测异常设备性能可以减少工艺变异性和缺陷率，提高产量和质量，同时降低成本。

经济因素
转向更智能的维护策略需要在IT基础设施上进行投资，以将数据连接到分析平台，并使维护业务流程自动化。这种投资需要在财务上得到证明。

将设备或设备组件即将发生的故障与成本效益分析联系起来，需要理解对产品产量和质量的影响，以及对整个工厂性能指标的影响，工业工程师都知道这一点。这两个因素推动了所有智能制造/工业4.0活动，重点是资产利用率。

在他2022年的演讲中安靠的I4.0的努力，客户满意度和运营规划副总裁Elton He强调了六个关键绩效指标(kpi):

1. 质量，以产量和客户反馈衡量;
2. 生产力，以员工效率衡量;
3. 制造周期时间;
4. 决策的速度和质量，特别是节省了工程数据分析和在线决策的时间;
5. 用于生产的资产利用，以及
6. 成本，这使得有竞争力的定价。[3]

在这些kpi中，及时的设备维护影响质量、周期时间和资产利用率。对于晶圆厂、组装厂和测试设施来说都是如此。

如果一个工具需要在其预定的维护日期之前进行维护，它可能会对已发货产品的产量和/或质量水平产生不利影响。如果工具的健康状况使工厂可以推迟维护，则可以提高资产利用率并缩短周期时间。设备维护包括设备部件，也包括消耗品，如密封件、光刻胶滤光片、探针针和负载板。

工业工程师为工厂运营衡量一系列基于设备的指标。计划外的维护事件会对设备正常运行时间产生不利影响，正常运行时间是指系统未离线的时间;整体设备的可用性，影响产品的加工时间;以及整体设备的效率，这会影响生产好产品的时间。

整体设备效能(OEE)测量工具生产半导体晶圆或封装器件所花费的时间百分比。Lam Research的服务产品营销高级总监Russell Dover表示:“晶圆厂的OEE通常基于以下公式，范围在~65%到~77%之间。”这些范围是一般的晶圆厂，而不是Lam工具相关的特定基准。”

计量工具的OEE通常低于加工工具的OEE，因为工厂倾向于限制在计量站的任何材料队列。一位业内人士估计，计量工具的OEE在75%以下。在频谱的另一端是工厂的约束工具集，其中OEE理想情况下为>95%。流程工具的oee可能在75%到90%之间，这取决于操作关键度、输入队列时间和工具冗余。

根据与业内人士的对话，OSAT oee的60%通常用于组装和测试。这部分是由于模具和封装单元的潮起潮落比在晶圆厂更多变。此外，这种可变性是由于工作站设置的转换比晶圆厂中更频繁。

工厂的OEE将受到工具的极大影响，这代表了吞吐量(晶圆数量、模具、每小时单位)、正常运行时间等方面的瓶颈。OEE可以在整个工厂进行测量，无论是特定于某个加工步骤的设备还是单个设备。这样的测量层次有助于工厂经理识别出最能从改进中获益的问题领域。主动维护就是其中一项改进。

图1:使用大数据分析OEE和产量。资料来源:公司

Amkor的He强调，大数据分析可以通过以下方法帮助理解流程和工具性能:

• SPC, APC, FDC -实时监控，分析和控制选择的设备
• 大数据与先进的分析OEE -使用Spotfire, SAS，大查询ML
• 主要瓶颈设备的预测维修能力

由于预测维护所需的投资，工厂团队通常集中精力解决支持关键制造工艺步骤的瓶颈工具或系统。工程师可以应用以可靠性为中心的维护方法来帮助确定从预测性或基于状态的维护中受益的设备。

图2:应用预测性维护的层次结构。资料来源:美国能源部[2]

生产力损失的代价
那么，这一切在实际美元中意味着什么呢?一些数字最近已经出版或发表。据估计，计划外设备停机的成本可能高达每小时10万美元。在Semicon West 2022年，爱德华兹真空公司的一位演讲者指出，计划外的真空故障将使一家中型晶圆厂损失约15万美元在他们2022年的ASMC论文，爱德华兹真空公司的作者列出了非计划真空服务的成本变量。其中包括:

• 维修成本——需要更换的部件总是比计划的多;
• 晶圆成本-在高级节点每片晶圆5000美元以上;
• 工具再确认-时间和额外的计量费用
• 计划外停机时间-比计划的恢复时间更长。

其他好处存在于质量和整体晶圆厂产能方面，识别因工具退化而导致的误加工产品。

“预测算法还可以标记出潜在的错误加工产品，这为向左转移提供了机会，从产能受限的制造过程中去除缺陷产品，”银河半导体公司首席执行官韦斯·史密斯说。“也有可能在下游QA过程中识别出可能无法控制的缺陷产品，导致现场退货，其成本很容易达到数百万美元。”

多元的算法
历史上，工程师依靠统计过程控制(SPC)图表来管理过程和工具性能。在每个工具上，都有多个指标要监视，如果其中任何一个指标出现失控，就会调查原因并应用补救措施。维护程序就是这样一种补救措施。几十年来，这种方法一直为晶圆、组装和测试设施的工具所有者提供服务。但是SPC图表已经不够了。现代分析方法使工程师能够结合不同的设备数据源，以更早地标记问题。

今天，一个工厂可以产生tb级的数据。数据量由工厂规模、掩模级别和工艺步骤数量、各种设备类型以及来自设备和工作站的传感器数据的增加所驱动。

图3:在300mm晶圆厂中，一分钟内生成的数据。来源:PDF解决方案

GlobalFoundries技术、工程和质量高级副总裁格雷格·巴特利特说:“今天的工厂是巨大的人工智能引擎。“一家工厂可以拥有至少100万个传感器。但有了这些传感器，分析的效率就降低了。你必须使用智能引擎来找出哪些信号需要注意，哪些信号对维护的预测性较差。很多都是从20年前的前馈和反馈控制开始的，这在今天是常规的。现在，我们希望通过分析来解决与设备行为变化相关的一些可变性和不均匀性。我们需要从这些相关性中学习，例如，根据数据分析，何时需要更换腔室组件。”

各种各样的传感器数据可以用来检测波动——从电机和振动水平的高电流到音频噪声和粒子测量。

该公司高级项目经理Vidya Vijay表示:“在燃烧室和装载锁中发现颗粒，对于实时发现故障部件或肮脏的燃烧室非常重要。CyberOptics诺森测试检验部。“我们的自动粒子传感器可以实时测量粒子。它有助于在泵下和排气过程中发现颗粒，脏负荷锁，并在预防性维护清洁之前和之后检查管道状态。该传感器还可以比较常压和低压下的颗粒，这有助于狭缝阀的优化，通过研究颗粒优化闸阀，并检查载体盒或FOUP的清洁度。实时了解颗粒的来源使工艺工程师能够调整或清洁特定区域，而不是打破真空或花费数天时间排除故障原因。”

随着组装和制造工艺的每一次进步，设备及其相关传感器都变得更加复杂。有机会为模型使用多个数据源，以监视表明需要维护的设备异常。

多佛说:“Lam的系统通常有2000多个传感器，用于跟踪无线电频率、电压、电流、功率、气体流量、压力、温度等。”“数据收集计划(DCP)是由客户根据经验或遵循Lam最著名的方法定义的。DCP定义了工具日志中记录的内容或广播到客户的统计过程控制或故障检测和分类(FDC)系统的内容。FDC被用作一种简单的预测性维护形式，其中工具将根据已知的故障类型安排预防性维护。然而，FDC基于单变量基于规则的模型，许多客户在FDC之外的多元ML上投入了大量资金，以实现更复杂的预测模型。Lam Research与客户合作，提供多元预测模型，并协助客户开发自己的预测模型。”

其他人也同意采用多元模型进行预测性维护。

量产解决方案全球fab应用解决方案经理Jon Holt表示:“更复杂的模型可以根据等离子体气体成分、真空水平、等离子体和RF传感器来描述腔室壁上的薄膜积聚情况，这些传感器可以预测薄膜分层导致颗粒脱落的可能性，并建议清洗或更换腔室。PDF的解决方案．“这些典型的多变量模型使用在PM生命周期中训练(监督)的AI算法。所以基本上，这是一个基于期望值的比较模型。”

预测模型可以在实际故障发生前几周预测故障的工具或组件。

DR YIELD首席执行官Dieter Rathei表示:“我们有一个案例研究，展示了如何对数十个工具参数进行多元监测，从而对工具组件的故障发出早期警告。“虽然所有单独的参数都保持在各自的控制范围内，但多变量信号比部件故障早了几周。这为使用创新的、计算密集型的数据算法从现有数据中获得洞察力提供了强有力的理由。”

结论
通过转向更智能的设备维护方案，工厂和设备所有者可以在质量、产量、周期时间和设备利用率等所有关键性能指标上获益。在工厂中，数据的增加及其在多元模型中的使用使这种转变成为预测性工具维护。随着越来越多的成功故事被分享，即使工厂经理对工厂运营的变化保持谨慎，该行业也可以期待更多的采用。

“实现更具预测性的维护方法有两个关键挑战。首先是在基于完整工具数据日志的多元分析方面增加投资，”Lam的Dover说。“其次是增加风险承受能力，允许这些模型用于工具控制，而这些模型本质上是不完美的。我们的行业处于前沿，但我们在采用新技术时非常谨慎，即使数学和统计数据是可靠的。”

参考文献

1. L. Vinsel和A.L. Russell，《创新妄想:我们对新事物的痴迷如何破坏了最重要的工作》，2020年9月8日，货币，企鹅兰登书屋的一个部门，https://www.penguinrandomhouse.com/books/576816/the-innovation-delusion-by-lee-vinsel-and-andrew-l-russell/
2. 操作和维护最佳实践指南，第5章，美国能源部，2010https://www1.eere.energy.gov/femp/pdfs/OM_5.pdf
3. 何e .，安可I4.0智能制造计划，赛康中国，2022年11月1日。
4. E. Collart, A. Longley, D. Gordon, J. Nordquist和P. Matthews，“半导体制造中低温泵的预测性维护实践”，2022年第33届SEMI先进半导体制造会议(ASMC)

有关的故事

追求预测性维护的动力
利用数据对工厂和集成电路进行实时维护。

对Fab工具采用预测性维护
预测性维护减少了设备停机时间，同时提高了晶圆厂效率

使用Fab传感器减少汽车缺陷
Fab传感技术与分析技术相结合，为提高汽车的可靠性提供了一条途径。