使用由 亚马逊云科技 提供支持的 SEEQ 为半导体制造商提供预测性维护

简介

随着5G、物联网 (IoT) 和人工智能 (AI) /机器学习 (ML) 等技术的进步，半导体芯片已成为我们生活中不可或缺的一部分。半导体芯片为各种设备提供动力，包括消费类设备、汽车、智能城市和家居、数据中心等。对半导体需求的增加以及 COVID-19 疫情、包括贸易战在内的地缘政治问题以及产能限制，在整个硅价值链中造成了严重的供应链问题。

为了应对这些挑战并促进创新，美国政府于2022年颁布了《芯片与科学法》，其中包括520亿美元以上的税收优惠，这是一项涵盖人工智能、机器人和量子计算研发的2800亿美元产业政策法案的一部分。预计这项投资将促进创新，为半导体公司创造新的机会。已拨款390亿美元，用于在美国建立新的半导体制造设施（又名 “晶圆厂”）或扩建现有的半导体制造设施。欧盟已提议为类似举措提供430亿欧元。韩国、台湾、中国和印度等国家 已承诺提供数十亿美元 ， 用于半导体技术和制造的研究、开发和现代化。预计这些最先进的新晶圆厂将具有安全性和弹性，以加速技术创新渠道。

但是，建立新的半导体晶圆厂需要尖端的设备、复杂的制造工艺和熟练操作工厂的工人，这使其成为一个复杂而昂贵的过程。一旦投入运营，晶圆厂必须持续运行，最大限度地减少停机时间，以最大限度地提高利润并实现生产目标。减少维护成本和停机时间的一种行之有效的解决方案是预测性维护。

在创建预测性维护模型方面存在挑战，例如孤立的数据、数据处理和分析的离线性质以及拥有构建、实施和扩展模型所需的领域知识。在这篇博客中，我们将探讨如何在亚马逊网络服务上使用 Seeq 软件来帮助克服这些挑战。

安排维护：从预防性维护到预测性维护

在半导体制造中，传统的维护计划方法包括预防性维护 (PM) 和被动维护。主题专家 (SME) 根据历史性能使用预先确定的参数（例如运行时间或晶圆处理量）来设定预防性维护计划。这种方法用于光刻、蚀刻或沉积工具等工具。它可确保生产的产品质量良好，并允许进行有计划的维护，以帮助进行生产计划并最大限度地减少停机时间。缺点是，保守的阈值参数可能会导致可用性降低、平均清洁间隔时间 (MTBC) 增加以及维护成本增加。仅对出现故障、故障或生产有缺陷产品的设备进行被动维护。这种类型的维护通常是在热交换器、冷却器或真空泵等设备上进行的，这要么是因为很少发生故障，要么是因为物联网/传感器数据可用来监控性能。不幸的是，被动维护是不可取的，因为它会造成计划外的停机时间并中断生产。

预测性维护 (PdM) 是传统维护方法的绝佳替代方案。它利用来自物理传感器、过程变量和产品计量数据的物联网/遥测数据来预测何时需要维护。PdM 还提供了在故障事件发生之前采取行动的时间窗口。与按设定周期安排维护的传统方法相比，PDm 的效率更高。 根据德勤分析研究所 的数据 ，预计pDm将节省5-10％的运营成本并降低总体维护成本。

为了立即开发预测性维护模型，流程工程师获取离线数据集并在电子表格中开发回归系数，然后构建宏以帮助检查模型。这是脆弱的、耗时的，只有在抽查时才可行。在某些情况下，像Python这样的编码环境被有限地利用来部署预测性维护模型，但这需要编码能力和/或宝贵的数据科学家时间。由 亚马逊云科技 云提供支持的 Seeq 缓解了这些限制。各行各业的流程工程师已经成功使用Seeq直接开发预测性维护模型，无需编码，也无需数据科学家。这些模型通常是在经过验证处于最佳状态的 “黄金工具” 或设备上开发的，然后只需点击几下即可轻松扩展到所有近乎实时地显示结果的适用资产。

在 亚马逊云科技 上使用 Seeq 进行预测性维护

亚马逊云科技 和 Seeq 的结合将安全的云服务平台与高级分析创新相结合。 Seeq on 亚马逊云科技 可以访问存储在 亚马逊云科技 数据服务中的时间序列和关系数据，包括 亚马逊 Reds hift、Amazon Dynam oDB 、亚马逊 简单存储服务 (S3) 和亚马逊 Athen a。 连接后，工程师和其他技术人员可以在直播环境中直接访问这些数据库中的所有数据，从而无需在需要更多数据时执行提取数据和调整时间戳的步骤即可进行探索和数据分析。因此，可以将监控仪表板和运行报告设置为自动生成，并可在群组或站点之间轻松共享。这可以在不中断计划或影响产量的情况下平衡机器停机时间并提前规划维护。

Figure 1: High level architecture of how Seeq can quickly operationalize and provide insights

使用 Seeq，工程师可以使用易于使用的点击工具在在线环境中访问所需的数据、开发经过整理和情境化的数据集，并构建回归模型以预测设备的维护情况。然后，借助预先配置或即时开发的资产层次结构，这些计算可以快速扩展到所有适用的资产。工程师可以在短短几个小时内开发出设备模型，并将其应用于所有适用资产进行预测性维护，而这通常需要数周到数月才能完成。

可以使用 “日记” 功能在分析的同时直接记录所采取的行动和调查结果。由于 Seeq on 亚马逊云科技 是云托管的，这自然允许在全球的团队和站点之间轻松共享分析，同时通过项目级别的访问权限（即对任何项目设置访问权限的能力，包括在 Seeq 中设置分析、数据库或个人信号）来确保敏感数据受到限制。实际上，这可以在团队和站点之间共享分析，例如流程或工具认证文件或预测性维护模型，从而提高工作场所效率并缩短从安装到认证再到成熟产出的时间。

Figure 2: An overview dashboard showing a predictive maintenance model for one asset, then deployed across a fleet of assets using the Treemap, highlighting at risk equipment in red.

但是，对于那些试图将新晶圆厂上线的人来说，这意味着什么？通过在其他设施的适用或类似机器上训练模型（或者干脆复制其他站点或团队可能创建的分析），可以利用 Seeq 轻松清理数据、构建和验证模型，从而在预测性维护方面处于领先地位，而无需部署编码的自定义解决方案。然后，随着新设施获得数据，模型可以自动进行自我再训练，以继续提高维护精度并更具现场针对性。同样，可以基于黄金工具的数据开发模型，并利用资产层次结构（本质上是一种按资产分组的组织流程数据的方式），在几分钟内将其应用于该类型的所有其他资产。从本质上讲，这使新工厂能够启动一个半成熟的预测性维护计划，随着生产的继续，该计划将自动改进并提高该场地的准确性。

结论

在半导体晶圆厂中实施预测性维护可以帮助减少维护成本和停机时间。由 亚马逊云科技 提供支持的 SEEQ 可以利用数据驱动的、已在其他关键行业得到验证的最先进方法来实现预测性维护。它为克服实施预测性维护模型的挑战提供了解决方案，可以轻松地清理数据、开发模型以及在团队和站点之间共享分析。工程师可以在短短几个小时内开发出设备模型，并将其应用于所有适用资产进行预测性维护，而这通常需要数周到数月才能完成。如果您想改进现有的半导体制造工艺或为新的晶圆厂设置半导体制造工艺，可以考虑在 亚马逊云科技 上使用 Seeq。