Les 6èmes Journées Francophones sur les Réseaux Bayésiens

Transcription

1 Les 6èmes Journées Francophones sur les Réseaux Bayésiens Mai 2012, Îles de Kerkennah, Tunisie Vers des Réseaux Bayésiens pour la Classification des Causes de Défaillances PRÉSENTÉ PAR: MOHAMMED FAROUK BOUAZIZ MOHAMMED FAROUK BOUAZIZ LABORATOIRE G SCOP, GRENOBLE INP, UMR 5272

2 Plan Problématique Objectifs et définitions Approche proposée Application Conclusion 02/22

3 Contexte général Projet Européen Implementing Manufacturing science solutions to increase equipement productivity and fab performance 36 partenaires Industriels et Académiques Objectif : améliorer les rendements Axes de recherche : Métrologie Virtuelle Maintenance Prédictive Analyse des Risques

4 Organisation WP.3: Predictive Equipment Behaviour T.3.4: Equipment Process Health factor

5 Problématique Equipements: Equipements de production Equipements de Métrologie Equipements de transport Produits: Matière première: wafer Produit fini : Circuit intégré Grande variétés produits (prod / proto) SCRAP Produit a transformer Produit final Probabilité de Rejet Opérations (complexité): Jusqu à 700 opérations élémentaires Durée moyenne de 8 semaines Différentes technologies Environnement (incertain): Contamination de wafers Dérives équipements Présence des opérateurs humains 05/22

6 Objectifs Constat: Scrap level is important, High unscheduled CM, and failures related to not optimal scheduled equipment drift are PM, high useless estimated to 50% 70%. metrology. 50% à 70% Objectif: Idée: Comment: Comment minimiser les rejets afin de réduire les coûts, les rendements et le temps de cycle? Développer des modèles de prédiction de comportement. Techniques probabilistes. Incertitudes Connaissance [Tixier et al. 2002, Bouaziz et al. 2011] 06/22

7 Définitions 1. Réseau Bayésien RB Représentation graphique, probabiliste, acyclique, et orientée Permet d apprendre, de représenter et d utiliser la connaissance Variable = { Nœud + Etats } Thomas Bayes [ ] Causalité = Arcs X X P(X1) P(X2) Connaissance = Tables de probabilités (TP, TPC) P Y / X P Y Y P(Y1/X1) P(Y1/X2) P(Y2/X1) P(Y2/X2) X / Y P Y P X 2. Construction d un RB 1. Identification des variables 2. Définition de la structure du RB 3. Définition des lois de probabilités [Pearl 1988, Jensen et al Naïm et al. 2007, Darwiche 2010 ] 07/22

8 Définitions 3. Concept de l EHF Prédire les dérives d un équipement : Savoir détecter un mode de défaillance et à quel instant il va se produire Mode de défaillance : Valeurs: {défaillance observée, défaillance non observée, et défaillance qui va être observée }. Exemple: {Contamination, Epaisseur} 08/22

9 Approche proposée I - FM identification II - Modelling & Validation III- Simulation IV - Integration ti EHF Integration and Equipment management Optimization in real complex semiconductor manufacturing facility Step 01 : Step 02 : Step 03 : Step 04 : FM identification Modelling & Validation Simulation Integration 1. Fab. AEC Context 5. Variables Verification 9. Data generation 12. Maintenance Optimization 2. Data Acquisition 3. FM Classification 4. Expert Causality 6. Graphical Model 7. Learning Model 8. Model Validation Test off lin ne 10. Simulation tools 11. Study cases Test & Updating 13. Control steps Optimization 14. Decision i support Tool 09/22

10 STEP 1 : Spécification I - FM identification II - Modelling & Validation III- IV - Simulation Integration Equipment Process HealthFactor Step 01 : Failure Mode Identification 1. Fab. AEC Context t AEC Context Analysis Pre- Processing Failure Mode Priority Costs/CT/Yield Actual failure & Potential causalities 2. Data Acquisition Historical Data 90% 80% FM RC 3. FM Classification 4. Expert Causality Functions Elements Architecture Data Extraction Structuring Synchronisation 20% 100% Failure Pareto calculation Graph analysis Knowledge formalization B A C Phase 1 : Description du contexte (cas d étude) Phase 2 : Extraction de données (equipment life) Phase 3 : Classification des modes de défaillances Phase 4 : Définition des causes de défaillances par l expert 10/22

11 STEP 2 : Modélisation I - FM identification II - Modelling & Validation III- Simulation IV - Integration Equipment Process Health Factor Step 02 : Model & Validation Learning data Test data BD BD BD BD 5. Variables verification 6. Graphical model Verification and identification protocol Structure learned Parametric learning Probabilistic calculation l 7. Learning model 8. Model Validation BD BD 2 Test No FM RC B A C B A C B Diagnostic EHF-CR A C Prediction EHF-PR 2 Test off line Filtering Correlation Classification B A 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 Phase 8 : Calcul probabiliste de l état de santé d un équipement 11/22

12 Structure du modèle EHF graphique I - FM identification II - Modelling & Validation III- Simulation IV - Integration Structure learned Fréquence des modes de défaillance From Real to Potential causalities B C A Paramètres Causes de défaillance Var RC 6 Modes de défaillance FM Structure du modèle EHF Occurrence des causes de défaillance potentielles 12/22

13 Classification des RC Approche I - FM identification II - Modelling & Validation III- Simulation IV - Integration Classification probabiliste des causes de défaillances Mettre à la disposition de lexpert l expert des éléments de choix 4. Potential Variables and causalities 5. Verification and identification protocol Paramètres Causes de défaillance Var RC? FM RC Knowledge formalization BD BD Test FM RC Modes de défaillance FM B A C Data No Expert causality RC classification Structure du modèle EHF par Protocol de vérification et réseau Bayésien «RB» d identification par RB Naïf «VIP» 13/22

14 Classification des RC Données Caractéristiques de la fabrication des circuits it intégrés é CI : Équipements : Bases de données : une forte rentabilité mais sur des courtes durées 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

15 Classifieur VIP Modèle I - FM identification II - Modelling & Validation III- Simulation IV - Integration Classification probabiliste des causes de défaillances Mettre à la disposition de lexpert l expert des éléments de choix 4. Potential Variables and causalities 5. Verification and identification protocol FM RC BD BD FM RC Knowledge formalization B A C Data Test No Expert causality RC classification Protocol de vérification et d identification par RB Naïf «VIP» Equipment Module Date Lot tid Para-01 Para-n Furnace ID Robot 03/29-23:55:02 ID Furnace ID Heater 03/29-23:55:03 ID /22

16 Classifieur VIP Simulation Classifieur VIP : un outil d aide à la prise de décision (RCi retenue ou non) Occurrence 0,7 0,6 0,5 0,4 0,3 0,2 Causes de défaillance RC 1 RC 2 RC k 0,1 0 Recuit PolySI TEOS Oxyde Fonctions Classification des Rci potentielles par fonctionnalité d équipement (Réacteurs) 16/22

17 Classifieur VIP Extensions Réseau Bayésien Naïf Augmenté TANB: 1er Extension Vérifier l hypothèse d indépendance entre les variables mesurées Modèles de Markov cachés HMM: 2eme Extension Pour un suivi plus pertinent et une prisede décision active 17/22

18 Classifieur VIP Extensions 3eme Extension Structure 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

19 Démonstrateur I - FM identification II Modelling & Validation IIISimulation IV Integration g Interface utilisateurs pour la simulation des instances EHF 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

20 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 L apport du modèle par rapport a la «modélisation i» de l expert Facilité d acquisition, de représentation, et d utilisation de la connaissance Outilde simulation (GUI) comme un moyen de prisede décision 20/22

21 Travaux en cours Valider l Valider l outil outil VIP pour la classification des RC sur des données de Fab. 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

22 Perspectives I - FM identification II - Modelling & Validation III- Simulation IV - Integration EHF RB et RdP pour les activités de la PdM 22/22

23 Merci de votre attention