[go: up one dir, main page]

TWI841756B - 具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式 - Google Patents

具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式 Download PDF

Info

Publication number
TWI841756B
TWI841756B TW109123078A TW109123078A TWI841756B TW I841756 B TWI841756 B TW I841756B TW 109123078 A TW109123078 A TW 109123078A TW 109123078 A TW109123078 A TW 109123078A TW I841756 B TWI841756 B TW I841756B
Authority
TW
Taiwan
Prior art keywords
pump
cryogenic
data
diagnostic
vacuum system
Prior art date
Application number
TW109123078A
Other languages
English (en)
Other versions
TW202111593A (zh
Inventor
戴瑞克 高登
拉耶什 梅爾科特
安卓 朗利
約翰 彼得 諾德奎斯特
Original Assignee
美商艾德華真空有限責任公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 美商艾德華真空有限責任公司 filed Critical 美商艾德華真空有限責任公司
Publication of TW202111593A publication Critical patent/TW202111593A/zh
Application granted granted Critical
Publication of TWI841756B publication Critical patent/TWI841756B/zh

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2836—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means characterised by the parts which are controlled
    • A47L9/2852—Elements for displacement of the vacuum cleaner or the accessories therefor, e.g. wheels, casters or nozzles
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L9/00—Details or accessories of suction cleaners, e.g. mechanical means for controlling the suction or for effecting pulsating action; Storing devices specially adapted to suction cleaners or parts thereof; Carrying-vehicles specially adapted for suction cleaners
    • A47L9/28—Installation of the electric equipment, e.g. adaptation or attachment to the suction cleaner; Controlling suction cleaners by electric means
    • A47L9/2889—Safety or protection devices or systems, e.g. for prevention of motor over-heating or for protection of the user
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B37/00—Pumps having pertinent characteristics not provided for in, or of interest apart from, groups F04B25/00 - F04B35/00
    • F04B37/06—Pumps having pertinent characteristics not provided for in, or of interest apart from, groups F04B25/00 - F04B35/00 for evacuating by thermal means
    • F04B37/08—Pumps having pertinent characteristics not provided for in, or of interest apart from, groups F04B25/00 - F04B35/00 for evacuating by thermal means by condensing or freezing, e.g. cryogenic pumps
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Compressors, Vaccum Pumps And Other Relevant Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Non-Positive Displacement Air Blowers (AREA)
  • Control Of Positive-Displacement Pumps (AREA)

Abstract

本發明揭示一種具有診斷電路之真空系統及一種用於監測此一真空系統之健全之方法及電腦程式，該真空系統包括：至少一個低溫泵；感測器，其等與該低溫泵相關聯，該等感測器之各者經組態以感測該低溫泵之一操作狀況；及診斷電路，其經組態以接收自該等感測器取樣之信號。該診斷電路包括該低溫泵之一診斷模型，該診斷模型係從在複數個再生及維修時段內操作之一相同類型之複數個低溫泵之歷史資料導出，且經組態以使來自該至少一些感測器之該等經取樣信號之值與該泵在一預定時間內故障之一概率相關。該診斷電路經組態以將該等經取樣信號應用於該診斷模型且從該模型之一輸出判定該至少一個低溫泵在一預定時間內故障之該概率。

Description

具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式
本發明之領域係關於含有低溫泵及診斷設備之真空系統及用於預測此等泵之故障時間之方法。
低溫泵之工作原理係冷凝或捕集待泵送之氣體。此意謂低溫泵需要週期性地再生以移除捕集氣體。再生涉及隔離泵與真空系統且使泵升溫，同時引入沖洗氣體以使捕集氣體脫附或昇華。此步驟使泵停止運轉且因此終端使用者試圖在計劃週期性預防維護(PM)期間排程再生步驟。
在一經排程PM期間，再生本身(其從開始至結束可能需要高達4個小時)係終端使用者在整個系統準備中考量之一計劃事件。然而，若必須突然執行一再生或維護且因此發生在經排程PM之外，則此表示真空系統之一未排程停工時間。此可對終端使用者及特定言之對真空系統之容量、良率及/或生產力具有一不利影響。
可回應於指示低溫泵未達到其等預期之(若干)信號而觸發一未排程再生。通常，此等信號係基於第一級及第二級之溫度(分別稱為T1及T2)。終端使用者設定控制限度(尤其對T2)，且使用統計程序控制(或等效物)來判定一上升趨勢或不穩定趨勢是否為真實的且採取動作(或不採取動作)。問題在於，僅依賴於T1及T2來偵測效能開始降級之一泵在必須採取動作(諸如一未排程再生，或更糟地，泵之一未排程完全調換及運用一備件進行替換)之前留下之前置時間不足。
將期望提供一種能夠更好地預測一泵之未來故障且藉此減少未排程維護需求之發生之診斷系統。
一第一態樣提供一種真空系統，其包括：至少一個低溫泵；複數個感測器，其等與該至少一個低溫泵相關聯，該複數個感測器之各者經組態以感測該至少一個低溫泵之一操作狀況；診斷電路，其經組態以接收自至少一些之該複數個感測器取樣之信號，該診斷電路包括該低溫泵之一診斷模型，該診斷模型係從在複數個再生及維修時段內操作之一相同類型之複數個低溫泵之歷史資料導出，且經組態以使來自該至少一些感測器之該等經取樣信號之值與該泵在一預定時間內故障之一概率相關，該診斷電路經組態以將該等經取樣信號應用於該診斷模型且從該模型之一輸出判定該至少一個低溫泵在一預定時間內故障之該概率。
本發明之發明人認知，藉由使數個感測器與一低溫泵相關聯，可對指示該泵之操作之信號進行取樣。此等提供該低溫泵之當前健全狀況及其如何改變之一詳細指示。實施例分析此資訊以預測泵何時可能故障且因此排程維護。儘管自一泵收集額外信號可提供與該泵之當前健全狀況相關之額外資訊，然缺點在於，信號愈多則一維修工程師愈加難以有效地分析信號並由此導出相關資訊。本發明之發明人認知，不僅許多經感測信號相關，而且將收集來自相同類型之許多機器之資料，接著可建立一模型，該模型準確地將在不同時間取樣之不同信號之值及其等之值如何隨時間改變與故障概率連結起來。此一模型可考量許多不同信號且提供預測故障之一有效方式。此外，隨著收集新資料，可使用用於開發原始模型之相同機器學習技術隨時間更新此一模型。
實際上，此一診斷解決方案將能夠提供比如今可能之情況更先進且更準確之泵效能降級之通知，藉此使終端使用者有機會在下一經排程PM時採取動作，而非招致昂貴的未排程停工時間。
雖然此解決方案在當前使用之低溫泵中可能具有一般效用，但其對於下一代低溫泵系統及特定言之其中預測低溫泵壽命將縮短且PM之間之時間間隔亦縮短之離子植入使用案例而言可為尤其有用的。
應注意，一泵之預測故障係評定該泵之效能將下降至低於一給定臨限值或將在未完成某一維護或可能一再生的情況下完全停止操作之時間。這樣，其可被用作一工程師藉由以某種方式調換或維修該泵而進行干預之一估計時間。
與低溫泵相關聯之感測器可經組態以對該低溫泵之若干操作狀況進行取樣，此等操作狀況之各者指示真空泵之一當前健全狀況及其等之值及/或值隨時間之變化，從而提供該泵之潛在故障之一指示。藉由將至少一些此等信號輸入至一診斷模型中，可導出一準確泵故障概率。
在一些實施例中，該真空系統包括複數個低溫泵，該診斷電路經組態以自該複數個低溫泵之各者接收信號且判定該等低溫泵之各者故障之一概率。
儘管該真空系統可含有僅一個低溫泵，然在許多情況中，一真空系統內存在複數個低溫泵，諸如在用於抽空一半導體處理腔室之一系統中，且排程此等低溫泵之替換及維護對於該系統之生產力及良率係重要的。因此，提供其等故障之準確預測使得可在經排程維護期期間完成泵之任何維護及/或替換係有利的。
在一些實施例中，該診斷電路對偵測到該至少一個低溫泵故障之一概率在一設定時間內高於一預定臨限值作出回應而輸出指示應在下一經排程預防維護中替換該泵之一警告。
如先前提及，一泵之故障預測可用於在一經排程維護期期間替換或修理該泵。在實施例中，該系統判定該低溫泵故障之該概率在一設定時間內在何處上升至高於一預定概率臨限值，且將此作為應在下一預防維護期更換該泵之一指示。
就此而言，該診斷模型經設定以判定該低溫泵在一預定時間內故障之該概率，此預定時間被選擇為預防維護事件之間之時段或在一些情況中比此短之一時段。在其被選擇為預防維護之間之時段的情況下，則當已接收一警告信號時，應在下一預防維護期更換該泵，因為否則其很有可能將在下一時期之前故障。然而，若故障預測係在比如30天內之一故障預測，且維護排程係45天(該時段對於例如離子植入案例係典型的)，則若此警告發生在操作期即將結束時(比如，在第40天)，則該泵可持續至下一預防維護排程。
在一些實施例中，該真空泵系統包括用於自一遠端診斷系統接收信號之一輸入及用於將信號輸出至該遠端診斷系統之一輸出。
儘管該真空系統及該診斷電路可被用作一獨立單元，然在一些實施例中，其結合一遠端(在一些情況中，一基於雲端之)診斷系統一起使用且自此系統接收信號並將信號輸出至此系統。
在一些實施例中，該真空系統經組態以週期性地將自至少一些該等感測器收集之資料連同指示對該至少一個低溫泵執行之維護之資料輸出至該基於雲端之診斷系統。
該遠端診斷系統可用於維護該診斷模型以確保其準確度不斷改良且與(若干)泵之操作相關。因此，指示該(若干)泵之操作及其等之故障之資料可上傳至該系統且用於改良該模型。
在一些實施例中，該真空系統包括用於自一維修工程師接收指示在該維護期期間替換之一泵之一狀況之資料之一輸入，該真空系統經組態以輸出指示該經替換泵之該狀況之該資料作為該週期性輸出資料之部分。
為改良該模型，可將來自一維修工程師之進一步額外資料上傳至該基於雲端之診斷系統。就此而言，與一泵故障之預測特別相關之資料不僅為是否回應於指示應替換一泵之一經判定概率而替換該泵，而且為該泵在此時之狀況。在不具有此額外資訊的情況下，一危險係該模型僅在太晚更換一泵時才被視為失效，且因此，該模型將趨於預測比所需更短之一維護期。藉由包含來自一維修工程師之指示該泵在被更換時之狀況之資料，此額外資訊可用於判定此時是否確實需要更換該泵，且例如若判定其可能已持續直至一後續時期，則調整用於產生該診斷模型之資料庫中之維護期。此外，在一些情況中，可將指示該泵故障之一原因(諸如污染)之資料輸出至該診斷模型，且此可用於整體改良該真空系統。
在一些實施例中，該真空系統包括經組態以週期性地接收對該診斷模型之更新之一輸入。
如先前提及，隨著該診斷模型改良，不斷更新該診斷模型可為有利的，且具有用於接收此一模型之一輸入容許此發生。
在一些實施例中，該真空系統包括經組態以週期性地自該基於雲端之診斷系統接收對該診斷模型之該等更新之一輸入。
儘管可藉由一維修工程師手動更新該模型，然在一些情況中，藉由直接自該基於雲端之診斷系統接收一信號而進行更新。以此方式，該基於雲端之診斷系統可在其從經接收資料判定可改良該模型時自動更新該模型。
一第二態樣提供一種監測一真空系統之方法，該真空系統包括至少一個低溫泵，該方法包括：自與該低溫泵相關聯之感測器取樣指示該至少一個低溫泵之操作狀況之複數個信號；將至少一些該等信號輸入至該低溫泵之一診斷模型，該診斷模型係從在複數個時段內操作之一相同類型之複數個低溫泵之歷史資料導出，該複數個時段之至少一些時段包含該泵之再生、維修及故障之至少一者，該診斷模型使信號與該泵故障之一概率相關；從該模型之一輸出判定該至少一個低溫泵故障之一概率。
一第三態樣提供包括機器可讀指令之電腦程式，該等機器可讀指令在藉由一電腦執行時可操作以控制該電腦執行根據本發明之一第二態樣之一方法。
本發明之一第四態樣提供一種產生一類型之低溫泵之一診斷模型之方法，該方法包括：將自來自一資料庫之該類型之複數個低溫泵之感測操作狀況收集之資料輸入至一機器學習演算法中，以產生該等泵在某一時間內故障之複數個概率，該資料庫儲存在複數個時段內取樣之該複數個低溫泵之該等經感測操作狀況，至少一些時段包含再生、維修及故障之至少一者；比較各自泵之該等概率與自該資料庫擷取之該等泵之泵故障時序，且更新該機器學習演算法內之參數以減小該等經判定概率與該等泵故障時序之間的一差異；及重複該等步驟直至該差異達到一最小值或一預定值之一者；及從提供該差異之該演算法及該等參數產生該診斷模型。
可使用機器學習演算法產生用於診斷實施例之真空系統之該診斷模型，該等機器學習演算法可存取含有在一操作時段內連接之複數個泵之經感測操作狀況之一資料庫，該操作時段包含期間該等泵操作、該等泵再生及至少一些該等泵故障之一時段。該機器學習演算法經組態以從該等經感測及經取樣操作狀況產生該等泵之故障之概率，且接著比較此等概率與自該資料庫取得之實際泵故障時序，且接著更新該機器學習演算法直至該等概率及該等實際泵故障時序彼此更緊密地匹配。當已找到一適合匹配時(此可為預測故障在與實際故障相比時被視為具有一特定所要準確度之時或已找到該等值之間之一最小差異之時)，接著從該演算法產生一診斷模型。
在一些實施例中，在將資料輸入至該等機器學習演算法中之前，對該資料進行濾波以移除離群資料。就此而言，經感測信號可具有與其等相關聯之雜訊，使得其等並非準確的且不代表泵之真實操作狀況，及/或一泵可具有一故障以使其在一特別低或高溫度下運行，使得來自該泵之信號不代表其他泵操作。
在一些實施例中，在將該等經接收信號輸入至該機器學習演算法中之前，對該等信號進行濾波以移除在該等低溫泵之一再生之前及之後的一預定時間取樣之信號。
亦可進行該等信號之濾波以移除可能並非離群值但已知不代表該泵之正常操作之信號。例如，在該等低溫泵之一再生之前及之後的一預定時間取樣之信號可不指示正常操作。
一第五態樣提供一種用於更新根據第四態樣產生之該診斷模型之方法，該方法包括：接收指示一相同類型之複數個低溫泵之操作狀況之進一步複數個信號；接收該複數個低溫泵之泵維護及故障時序；將該經接收資料添加至資料庫且執行任何第四態樣之該方法以產生一經更新診斷模型；及輸出該經更新診斷模型。
在已產生一診斷模型的情況下，接著將使用此診斷模型來診斷此類型之低溫泵以預測該低溫泵之故障，使得可準時替換該等低溫泵。此模型之使用涉及對指示該等低溫泵之操作狀況及其等故障之資料之取樣，且因此在一些情況中，此資料被收集及上傳回至中央診斷模型產生構件，且用於週期性地更新該模型。由於該模型係使用一機器學習演算法從經收集資料產生，所以可使用產生該模型之相同方法來簡單藉由將額外資料包含於最初用於產生該模型之該資料庫中而更新該模型。就此而言，該額外資料可被添加至原始資料庫或其可替換該資料庫中之一些較舊資料。
在一些實施例中，該方法進一步包括接收指示在該診斷模型指示一泵將在一預定時間內故障之後替換之該泵之一狀況之資料，在該診斷模型之該更新期間將該資料輸入至該機器學習演算法。
在一維修工程師輸入指示一泵在故障之後之一狀況之資料的情況下，接著此資訊在改良該模型時可為有用的。因此，其可包含於輸入至該機器學習演算法之該資料中。就此而言，該機器學習演算法可經調適以適應此資料，或可在該資料庫中將故障時間從該泵之替換時間修正為其中該泵之狀況預測該泵將在不同之時故障之時間。
一第六態樣提供一種包括機器可讀指令之電腦程式，該等機器可讀指令在藉由一電腦執行時可操作以控制該電腦執行根據一第四或第五態樣之一方法。
一第七態樣提供一種遠端診斷模組，其包括經組態以執行根據一第六態樣之該電腦程式之一電腦。
一第八態樣提供一種系統，其包括根據一第一態樣之一真空系統及根據一第七態樣之該遠端診斷模組，該遠端診斷系統經組態以接收由該真空系統輸出之信號且用該等經接收信號更新低溫泵操作之該資料庫，且藉由將來自該經更新資料庫之資料輸入至機器學習演算法而產生一經更新診斷模組。
在隨附獨立及附屬技術方案中陳述進一步特定及較佳態樣。附屬技術方案之特徵可酌情且以除技術方案中所明確陳述之組合外之組合與獨立技術方案之特徵組合。
在一設備特徵被描述為可操作以提供一功能的情況下，將瞭解，此包含提供該功能或經調適或經組態以提供該功能之一設備特徵。
在更詳細論述實施例之前，首先將提供一概述。
實施例試圖提供一種能夠預測一低溫泵之故障及因此所需維護或再生之系統。此等泵需要週期性再生/維護且通常經排程以每45天至60天換出一真空系統(諸如一處理腔室)。若可準確地且足夠提前地預測維護需求，則可將此等與經排程維護期對準且可減少或甚至消除未排程維護期。
實施例提供一種診斷系統，其自與低溫泵相關聯之感測器接收輸入且將其等鍵入至模型化低溫泵之操作之一模型中，且從經接收信號之值及/或值變化預測未來故障。從自與在一時段內操作之複數個相同類型之低溫泵相關聯之感測器收集之歷史資料之一分析產生該模型，該時段包含至少一些經排程維護期。可使用機器學習技術藉由分析自由該系統診斷之低溫泵新接收之資料而週期性地更新該模型。
以此方式，產生使用從當前操作低溫泵收集之資料之一不斷改良診斷系統。
實施例提供分批及即時資訊之一組合，其提供：一特定工具上或跨多個工具之一泵系統在一即將到來的指定時間間隔(期望大於PM時間間隔)內「故障」之一定量概率。此可為終端使用者或客戶服務工程師(CSE)提供寶貴的指導，其可用於決定何時調換泵且避免未排程再生。
圖1展示根據一實施例之一真空系統。在此真空系統5中，存在由一監督節點20控制之三個低溫泵10。監督節點20含有被示意性地展示為22之診斷電路，該診斷電路含有包括用於預測真空泵之故障之一診斷模型之邏輯。
在操作期間，與真空泵10相關聯之感測器(未展示)感測泵之操作狀況且將指示此等操作狀況之信號發送至監督節點20。監督節點20內之診斷電路22對至少一些信號取樣且將經取樣信號作為輸入資料輸入至診斷模型。此等操作狀況可包含真空泵之第一級之溫度、真空泵之第二級之溫度、達到真空泵級之各者中之一所要溫度所需之時間、真空泵馬達之速度及繪示真空泵10之操作之其他變數。
在一些實施例中，真空泵係二級低溫泵，其具有皆耦合至一冷凍機之第一級之一第一級陣列及一輻射屏蔽層以及耦合至冷凍機之第二級之一第二級陣列。此等低溫泵具有與第一級及第二級陣列相關聯之溫度感測器以監測其等之溫度。在低溫泵之再生期間，加熱低溫泵使得釋放冷凝氣體。存在加熱器，其等可包括用於在此程序期間加熱陣列之電加熱器電路。至診斷系統之輸入可包含與陣列相關聯之溫度感測器之溫度讀數、至加熱器之輸入(諸如供應至加熱器電路之電流)及馬達之速度。
將至少一些此等信號輸入至診斷模型，該診斷模型從此等信號之變動及值預測泵之各者之一故障概率。就此而言，在此實施例中，診斷模型判定其何時預期泵之一者在一預定時段內故障之概率。此預定時段可為例如45天，此可為經排程維護事件之間的時間。替代地，取決於模型，其可為比經排程維護事件之間的時間更短之一時間。在概率上升至高於一特定值(在此實例中，50%)且保持高於該值達一預定時間長度(在此情況中，6天)的情況下，則一般在下一經排程維護時產生指示應替換所關注之泵之一警告信號。應注意，臨限值及設定時間並非預先判定的，而是可基於(若干)泵之使用模式及故障模式而改變及最佳化。
在預測故障之時段係比如30天且維護期比此更長(比如45天)的情況下，則若在操作期即將結束時觸發此信號，則警告信號可指示應替換泵，但直至一後續維護期才能替換。
在一些實施例中，在替換泵之後，一維修工程師將檢查經替換泵之健全且將指示泵之狀況及可能其在實際故障之前之預期壽命之資訊鍵入至監督節點20中。就此而言，泵可能已被過早地更換且此資訊可有助於最佳化模型。亦可輸入關於泵之故障原因之資訊(此可導出此之情況下)。
因此，藉由在監督節點20內使用診斷模型22，可判定泵在未來之某一預定時間故障之一準確預測，且接著可在一經排程維護事件期間調換泵，而非要求關閉整個真空系統使得可緊急更換一泵。
在此實施例中，亦存在至一遠端或基於雲端之系統30之一連接。在遠端系統30中，存在一串流資料管理工具32，串流資料管理工具32將資料發送至資料儲存器34或一診斷模型33，且其包括日誌剖析器33a、資料儲存器33b及一機器學習引擎35。在遠端系統30中，發生若干資料操作且此等包含但不限於：管理及分析串流資料、長期儲存於一結構(諸如一資料湖泊34)中、經由高度專屬機器學習演算法35進行處理以快速輸出系統中之各泵之一故障概率。可將輸出以多種形式及平台(包含行動裝置)發送至主機25 (例如，工具控制系統及/或晶圓廠程序資料管理系統)、一維修工程師或終端使用者。
雖然可在一本地伺服器上執行上文描述之操作，但在許多實施例中，其等可在雲端中執行，雲端在能夠視需要頻繁地更新機器學習模型及/或軟體方面提供明顯優勢，同時提供可在其內運作之一可擴充低成本標準化架構(例如，Amazon網路服務、IBM Watson或等效物)。
遠端或基於雲端之系統經組態以將來自相同類型之許多泵之操作之資料儲存於一資料庫或資料湖泊34中。此資料包含但不限於溫度、馬達速度、加熱器輸入、再生參數、壽命等。遠端或基於雲端之系統30包括用於使用此資料產生及更新一診斷模型之邏輯33。基於雲端之邏輯33在包含再生、維修及替換一相同類型之多個泵之時間之預定時間期間存取含有指示該多個泵之操作狀況之資料之資料湖泊34。
邏輯33可從此資料產生一診斷模型。在進行此時，邏輯33對資料湖泊34取樣且將此輸入至一機器學習演算法35，機器學習演算法35基於所收集之指示多個泵之操作狀況之資料來預測該等泵之故障概率。邏輯33包括用於接收資料之一日誌剖析器33a、資料儲存器33b及機器學習引擎35。比較此預測與泵之經儲存實際故障率，且改變模型之參數直至概率及故障率在一所要程度上匹配。此時，模型被視為足夠準確且其被發送用於在監督節點20中之診斷電路22中使用。
在操作期間，監督節點20可週期性地傳輸自與泵相關聯之偵測泵之操作狀況及其等之再生及故障之感測器收集之資料以及由維修工程師鍵入之關於泵在被調換時之狀況之資訊，且可將此資料添加至資料湖泊34。藉由串流資料管理電路32控制此程序。替代地及/或額外地，可回應於一維修工程師注意到模型之準確性已下降至低於一特定程度而手動地或經由串流管理電路32上傳資料。
遠端邏輯33將根據請求運用額外資料再次運行機器學習演算法35以產生一經更新且經改良之模型，且此可週期性地上傳至監督節點20以替換一先前儲存之模型。以此方式，模型不斷改良且將調整至經更新狀況。
儘管在一些實施例中，僅將新收集之資料添加至資料湖泊34，然在其他實施例中，其可替換一些資料。被替換之資料可選擇為最舊資料及/或其可選擇為被視為該類型之泵之最小特性之資料。
替代地及/或額外地，邏輯33可在將資料鍵入至學習演算法35中之前對資料進行濾波，且在此程序期間，可移除所接收資料中之任何離群值。就此而言，泵之操作狀況可並非其在某些時刻(諸如緊接在再生之前或之後)之通常操作之特性，且因此，可從添加至機器學習演算法35之資料濾除此資料。
圖2示意性地展示如何從自不同泵收集之資料形成診斷或預測模型155。輸入至用於建立模型之機器學習演算法中之資料包含初始泵資料100，其係與特定泵有關之資料且可包含：泵之序號、泵之零件編號、泵之模型、泵是否已被換出/移除、安裝及運行泵之日期/時間、最後泵資料記錄之日期/時間、泵經過之小時數、安裝泵之初始小時數、安裝泵之晶圓廠、泵安裝於其上之工具之名稱、工具之製造商、工具類型及工具站名稱，以及是否將泵標記為經翻新。
另外，將指示泵之操作之一初始泵日誌110輸入至機器學習演算法中，且其可包含：過去10天、30天、60天內之第一級溫度之加權平均值；過去10天、30天、60天內之第二級溫度之加權平均值；過去10天、30天、60天內之RPM之加權平均值；第一級溫度之最大值；第二級溫度之最大值；RPM之最大值。
亦可輸入初始泵製造測試120，且其可包含泵之通過/失敗計數及通過之彙總統計。亦可鍵入再生資料130，且其可包含：泵所處之再生步驟；第一級溫度；第二級溫度；馬達狀態；沖洗閥狀態；粗抽閥狀態；加熱器1狀態；加熱器2狀態；加熱器1開啟百分比；加熱器2開啟百分比；馬達RPM；泵經過之小時數；自上次快速再生以來之小時數；自上次完全再生以來之小時數；即時記錄之日期；再生所需之小時數；再生開始時之泵小時數；再生開始之日期/時間；再生結束之日期/時間；再生結束時之第一級溫度；再生結束時之第二級溫度；再生之基礎壓力設定；再生之上升率限制設定；所執行之上升率循環次數；泵粗抽所需之時間；泵冷卻所需之時間；泵開始再生時與上次完全再生之間的時間；過去10天、30天、60天內之第一級溫度之加權平均值，過去10天、30天、60天內之第二級溫度之加權平均值；過去10天、30天、60天內之RPM之加權平均值；第一級溫度之最大值；第二級溫度之最大值；RPM之最大值。可檢查此再生資料是否丟失資料且在一些情況中將其減小至標準再生值以產生彙總再生資料131。
在用於使用機器學習技術建立原始診斷模型之程序開始時，從數個不同來源收集泵資料(諸如上文多概括之資料)。此資料包含自與泵相關聯之感測器收集之操作泵資料，且包含已運作300小時以上之泵之資料。亦收集指示資料如何隨時間變化之一泵日誌，如來自在製造時對泵進行之測試之資料及在泵之再生期間收集之資料。接著，對此資料進行濾波以移除非所要屬性、離群值及其中資料被視為不相關或不需要或一般被視為並非泵操作之特性之各種狀況，且由此提供彙總泵資料101、彙總泵日誌111、彙總製造測試121及彙總再生資料131。
接著，處理此資料以移除未調換泵在過去兩個月之資料，以及緊接在再生之前(之前2小時)及緊接在再生之後(之後4小時)的資料。
接著，將經收集資料分成在此實例中包括來自300個經調換泵及100個未調換泵之資料的訓練資料140，及包括來自39個經調換泵及9個未調換泵之資料的預測資料150。此資料用於產生一預測模型155。
訓練資料140用於特徵產生；定義機器學習演算法；及使用模型訓練資料。預測資料150用於應用機器學習演算法。
從此等程序，產生一預測模型155。
總而言之，經收集訓練資料140被鍵入至機器學習演算法中且用作訓練資料以產生用於從自感測器收集之資料預測泵之故障之一診斷模型。藉由比較從訓練資料140產生之值與實際資料而建立一模型，且當該兩者被視為對準時，輸出該模型以於一真空系統中使用。
可使用許多不同類型之機器學習演算法。實際上，可將訓練資料140輸入至若干不同模型，且選擇為診斷模型提供最準確預測之模型。就此而言，其係一反覆程序，且可藉由比較預測故障率與資料之實際故障率而判定模型之準確度。如先前提及，一泵之一預測故障係其需要一些維修之故障，且因此，實際「故障」可與其中一泵之操作超出所要求限度之實際情境有關，或其可簡單為調換泵使得可例如維修該泵之一時刻。
圖3展示一個機器學習演算法之一實例，其被發現在結合此資料使用時產生一特別成功的診斷模型。此係隨機森林簡化機器學習演算法，其中在此情況中，使用具有幾百個樹之多個森林，其中各樹進行一預測且各森林算出一概率。接著，判定來自多個森林之最小故障概率且將其用於產生一警告，該警告選擇為在概率達到或超過0.5時被觸發。在此一概率持續出現六天以上的情況下，建議在下一預防維護時刻進行替換。
因此，從例項200開始且使用隨機森林技術，吾人得出樹1 201、樹2 202至樹n 20n。由此導出不同類別205a、205b、205n，且藉由多數表決209，得出一最終類別210。
圖4展示繪示一實施例之用於產生或更新診斷模型之一方法中之步驟之一流程圖。最初在步驟S10：將指示複數個泵之操作狀況之資料輸入至一機器學習演算法。此資料可為來自一資料庫(諸如圖1之資料湖泊34)之資料。在步驟S20，從機器學習演算法導出泵之各者之故障概率且在步驟S30比較此與實際故障，包含此等泵之再生及/或維修資料。就此而言，一泵可能不會因而故障，而是其可經維修或再生以避免其故障，且因此使用此資料。接著，判定預測概率之一準確度。
接著，在步驟S40改變可包含加權因數及/或模型之實際演算法之參數，且在步驟S50判定一經更新故障概率。接著，藉由比較經產生概率與實際故障而判定經更新概率之準確度，且若在D5判定其比先前度量更準確(是)，則在S40再次在相同方向上改變參數且執行一重新計算。當經更新度量較不準確(在D5，否)時，在步驟S70使用先前值產生一診斷模型。此係一複雜程序之一簡單化概括，且如將理解，改變參數之步驟可在數個步驟中進行，各步驟涉及所執行之參數及/或計算之一子集，及/或變動最初可在較大步驟中進行且接著在已從較大步驟找到一最小值時在較小步驟中進行。在任何情況中，方法係反覆的且在不再感覺到改良或達到一所要準確度時，接著可從此等參數產生診斷模型。
圖5展示繪示根據一實施例之預測一泵之故障之一方法之一流程圖。此包含在步驟S100，自與泵相關聯之感測器取樣指示泵之操作狀況之信號之步驟。在步驟S110將信號輸入至一診斷模型，在步驟S120從此模型判定泵故障之概率，且在D15判定此是否高於一預定值且實際上保持高於此值達一預定時間，且若如此(是)，則在步驟S130輸出指示應維修或替換泵之一警告。若概率未上升至高於臨限值，則不輸出警告。
圖6示意性地展示此方法針對一單一泵之實例之值。展示數個監測值之變動，即，泵之第一級之溫度T1、泵之第二級之溫度T2、泵馬達之速度300、T1在一再生循環結束時之值T1end及T2在一再生循環結束時之值T2end、冷卻至所需溫度之時間310，且使用一實施例之診斷模型從此等值偵測故障概率330。可趨勢化及監測此概率，且當其跨越特定臨限值時，可產生調換泵之警告/警報。
在圖6A中，紅色區之開始指示預測一泵可能故障且應被更換之位置，且在此情況中，泵未經調換，且圖6A展示此後值如何改變。圖6B展示其中在預測泵可能故障之時刻調換該泵之一替代實施例。
實施例可結合一習知維修佈建使用，該習知維修佈建隨時間監測泵效能且提供對泵之維修。在一習知維修佈建中，自一泵收集資料。此資料可包含但不限於溫度、馬達速度、加熱器輸入、再生參數、壽命等。藉由一嵌入式系統收集及剖析此資料。藉由電子郵件在每個預定時段封裝、傳輸資料總結且將其等儲存於一單獨伺服器上。資料可以原始形式查看或在視覺上作為一組圖表。維修工程師使用該組圖表來識別關鍵控制參數(諸如T1、T2及泵速度(以rpm為單位))之趨勢。接著，其等組合此情報與其等之先前安裝知識，且使用此來管理終端使用者之泵組以建議泵更換或其他校正動作。換言之，此一系統提供對泵效能之深刻理解但需要可辨識趨勢及模式之一經驗豐富的維修工程師之積極干預。
所提出解決方案建立在相同基礎資料上，但代替性地使用先進之高度專屬機器學習演算法來運算一特定泵在某一固定時間間隔(例如，30天、45天、60天)內故障之可能性。演算法利用一或多個機器學習(ML)方法(包含但不限於：隨機森林、神經網路、主分量分析等)。ML演算法在此資料庫上建立及「訓練」，其中過去之調換事件已被清楚識別且接著在資料庫之另一子集上進行驗證。
此方法之主要優點包含： •  能夠早在正常指示符(諸如T1、T2及泵速度資料)中將反映一泵之效能降級之前預測該效能降級，此係因為其依賴於表示泵操作之許多其他方面之「特徵」或經變換變數。 •  避免或至少減少對T1及T2之嚴格控制限度之(通常錯誤)依賴，此可導致終端使用者提前更換泵 •  建立一平台，該平台上併有可改良模型預測準確度及/或前置時間之額外感測器或診斷資訊 •  概率函數可用於為前瞻地更換泵提供指導，從而容許(原則上)消除或至少減少未排程停工時間(若終端使用者遵循指導)
儘管本文中已參考隨附圖式詳細揭示本發明之闡釋性實施例，然應理解，本發明不限於精確實施例，且在不脫離如由隨附發明申請專利範圍及其等效物定義之本發明之範疇的情況下，可藉由熟習此項技術者在其中實現各種改變及修改。
5:真空系統 10:低溫泵/真空泵 20:監督節點 22:診斷電路/診斷模型 25:主機 30:遠端或基於雲端之系統 32:串流資料管理工具/串流資料管理電路/串流管理電路 33:診斷模型/診斷模型產生邏輯 33a:日誌剖析器 33b:資料儲存器 34:資料儲存器/資料湖泊/資料庫 35:機器學習引擎/機器學習演算法 100:初始泵資料 101:彙總泵資料 110:初始泵日誌 111:彙總泵日誌 120:初始泵製造測試 121:彙總製造測試 130:再生資料 131:彙總再生資料 140:訓練資料 150:預測資料 155:診斷或預測模型 200:例項 201至20n:樹1至樹n 205a:類別 205b:類別 205n:類別 209:多數表決 210:最終類別 300:泵馬達之速度 310:冷卻至所需溫度之時間 330:故障概率 D5:判定經更新概率之準確度 D15:判定泵故障之概率是否高於預定值且實際上保持高於此值達預定時間 S10:步驟 S20:步驟 S30:步驟 S40:步驟 S50:步驟 S70:步驟 S100:步驟 S110:步驟 S120:步驟 S130:步驟 T1:泵之第一級之溫度 T2:泵之第二級之溫度 T1end:T1在再生循環結束時之值 T2end:T2在再生循環結束時之值
現將參考隨附圖式進一步描述本發明之實施例，其中： 圖1示意性地繪示根據一實施例之一真空系統； 圖2示意性地繪示一診斷模型之產生； 圖3示意性地繪示一機器學習演算法； 圖4示意性地繪示繪示根據一實施例之用於產生一診斷模型之一方法中之步驟之一流程圖； 圖5示意性地繪示繪示根據一實施例之用於預測一真空泵之一故障之一方法中之步驟之一流程圖；及 圖6A及圖6B示意性地繪示各種經感測參數在一泵之操作期間如何改變。
5:真空系統
10:低溫泵/真空泵
20:監督節點
22:診斷電路/診斷模型
25:主機
30:遠端或基於雲端之系統
32:串流資料管理工具/串流資料管理電路/串流管理電路
33:診斷模型/診斷模型產生邏輯
33a:日誌剖析器
33b:資料儲存器
34:資料儲存器/資料湖泊/資料庫
35:機器學習引擎/機器學習演算法

Claims (17)

  1. 一種真空系統，其包括：至少一個低溫泵；複數個感測器，其等與該至少一個低溫泵相關聯，該複數個感測器之各者經組態以感測該至少一個低溫泵之一操作狀況；診斷電路，其經組態以接收自至少一些之該複數個感測器取樣之信號，該診斷電路包括該低溫泵之一診斷模型，該診斷模型係從在複數個再生及維修時段內操作之一相同類型之複數個低溫泵之歷史資料導出，且其經組態以使來自該至少一些感測器之該等經取樣信號之值與該低溫泵在一預定時間內故障之一概率相關，該診斷電路經組態以將該等經取樣信號應用於該診斷模型，且從該模型之一輸出判定該至少一個低溫泵在該預定時間內故障之該概率；其中該複數個信號至少包含：該低溫泵之一第一級之一第一溫度、該低溫泵之一第二級之一第二溫度、自上次再生以來之一時間、該低溫泵之一馬達之一速度、至加熱器電路之輸入，及該低溫泵冷卻至該第一溫度所需之一時間。
  2. 如請求項1之真空系統，該真空系統包括複數個低溫泵，該診斷電路經組態以自該複數個低溫泵之各者接收信號，且判定該等低溫泵之各者故障之一概率。
  3. 如請求項1之真空系統，其中該診斷電路對偵測到該至少一個低溫泵 故障之一概率在一設定時間內高於一預定臨限值作出回應而輸出指示應在下一經排程預防維護中替換該低溫泵之一警告。
  4. 如請求項1之真空系統，該真空系統包括用於自一遠端診斷系統接收信號之一輸入及用於將信號輸出至該遠端診斷系統之一輸出。
  5. 如請求項4之真空系統，該真空系統經組態以週期性地將自至少一些之該等感測器收集之資料連同指示對該至少一個低溫泵執行之維護之資料輸出至該遠端診斷系統。
  6. 如請求項5之真空系統，該真空系統包括用於自一維修工程師接收指示在該維護期期間替換之一泵之一狀況之資料的一輸入，該真空系統經組態以輸出指示該經替換泵之該狀況之該資料作為該週期性輸出資料之部分。
  7. 如請求項1之真空系統，該真空系統包括經組態以週期性地接收對該診斷模型之更新之一輸入。
  8. 如請求項7之真空系統，在依賴於請求項4至6中任一項時，該真空系統包括經組態以週期性地自該遠端診斷系統接收對該診斷模型之該等更新之一輸入。
  9. 一種監測一真空系統之方法，該真空系統包括至少一個低溫泵，該 方法包括：自與該低溫泵相關聯之感測器取樣指示該至少一個低溫泵之操作狀況之複數個信號；將至少一些該等信號輸入至該低溫泵之一診斷模型，該診斷模型係從在複數個時段內操作之一相同類型之複數個低溫泵之歷史資料導出，至少一些之該複數個時段包含該低溫泵之再生、維修及故障之至少一者，該診斷模型使信號與該低溫泵故障之一概率相關；從該模型之一輸出判定該至少一個低溫泵故障之一概率；其中該複數個信號至少包含：該低溫泵之一第一級之一第一溫度、該低溫泵之一第二級之一第二溫度、自上次再生以來之一時間、該低溫泵之一馬達之一速度、至加熱器電路之輸入，及該低溫泵冷卻至該第一溫度所需之一時間。
  10. 一種包括機器可讀指令之電腦程式，該等機器可讀指令在藉由一電腦執行時可操作以控制該電腦以執行如請求項9之方法。
  11. 一種產生一類型之低溫泵之一診斷模型之方法，該方法包括：將自來自一資料庫之該類型之複數個低溫泵之感測操作狀況收集之資料輸入至一機器學習演算法中以產生該等低溫泵在一特定時間內故障之複數個概率，該資料庫儲存在複數個時段內取樣之該複數個低溫泵之該等經感測操作狀況，至少一些時段包含再生、維修及故障之至少一者；比較各自低溫泵之該等概率與自該資料庫擷取之該等低溫泵之泵故障時序，且更新該機器學習演算法內之參數以減小該等經判定概率與該等 泵故障時序之間的一差異；及重複該等步驟直至該差異達到一最小值或一預定值之一者；及從提供該差異之該演算法及該等參數產生該診斷模型；其中該複數個信號至少包含：該低溫泵之一第一級之一第一溫度、該低溫泵之一第二級之一第二溫度、自上次再生以來之一時間、該低溫泵之一馬達之一速度、至加熱器電路之輸入，及該低溫泵冷卻至該第一溫度所需之一時間。
  12. 如請求項11之方法，其中在將該資料輸入至該機器學習演算法中之前，對該等信號進行濾波以移除離群資料。
  13. 如請求項11或12之方法，其中在將該等經接收信號輸入至該機器學習演算法中之前，對該等信號進行濾波以移除在該等低溫泵之一再生之前及之後的一預定時間取樣之信號。
  14. 一種更新根據請求項11至13中任一項產生之診斷模型之方法，該方法包括：接收指示一相同類型之複數個低溫泵之操作狀況之複數個信號；接收該複數個低溫泵之泵維護及故障時序；將該經接收資料添加至該資料庫且執行如請求項至13中任一項之方法，以使用來自該經更新資料庫之資料產生一經更新診斷模型；及輸出該經更新診斷模型。
  15. 如請求項14之方法，其進一步包括接收指示在該診斷模型指示該泵將在一預定時間內故障之後替換之一泵之一狀況之資料，在該診斷模型之該更新期間將該資料輸入至該機器學習演算法。
  16. 一種包括機器可讀指令之電腦程式，該等機器可讀指令在藉由一電腦執行時可操作以控制該電腦以執行如請求項11至15中任一項之方法。
  17. 一種遠端診斷模組，其包括經組態以執行如請求項16之電腦程式之一電腦。
TW109123078A 2019-07-08 2020-07-08 具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式 TWI841756B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GBGB1909762.5A GB201909762D0 (en) 2019-07-08 2019-07-08 Vacuum system with diagnostic circuitry and a method and computer program for monitoring the health of such a vacuum system
GB1909762.5 2019-07-08

Publications (2)

Publication Number Publication Date
TW202111593A TW202111593A (zh) 2021-03-16
TWI841756B true TWI841756B (zh) 2024-05-11

Family

ID=67623255

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109123078A TWI841756B (zh) 2019-07-08 2020-07-08 具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式

Country Status (9)

Country Link
US (1) US12282323B2 (zh)
EP (1) EP3997535A1 (zh)
JP (1) JP7689943B2 (zh)
KR (1) KR20220027939A (zh)
CN (1) CN114051600A (zh)
GB (1) GB201909762D0 (zh)
IL (1) IL289605B1 (zh)
TW (1) TWI841756B (zh)
WO (1) WO2021005502A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4071364B1 (de) * 2022-06-30 2026-02-11 Pfeiffer Vacuum Technology AG Kommunikationssystem umfassend ein vakuumgerät und eine auswertungsvorrichtung, sowie verfahren zum betreiben des kommunikationssystems
GB2634187A (en) * 2022-09-28 2025-04-09 Leybold Gmbh Method for a vacuum pump system
CN116066342B (zh) * 2023-01-09 2024-08-23 安徽万瑞冷电科技有限公司 低温泵的控制装置及控制方法
KR102724367B1 (ko) 2023-01-27 2024-11-01 한국에너지기술연구원 내구성이 향상된 코어-쉘 촉매와 그 제조방법
JP7674411B2 (ja) * 2023-04-11 2025-05-09 エドワーズ株式会社 真空ポンプ、及び磁気軸受制御装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008274865A (ja) * 2007-04-27 2008-11-13 Sumitomo Heavy Ind Ltd クライオポンプシステム及びクライオポンプのメンテナンス方法
CN103225594A (zh) * 2012-01-31 2013-07-31 住友重机械工业株式会社 低温泵及低温泵的修理方法
US20130268241A1 (en) * 2012-04-10 2013-10-10 Lockheed Martin Corporation Efficient health management, diagnosis and prognosis of a machine
TWI491802B (zh) * 2011-06-14 2015-07-11 Sumitomo Heavy Industries Low temperature pump control device, cryopump system and cryopump monitoring method
US20160153806A1 (en) * 2014-12-01 2016-06-02 Uptake, LLC Asset Health Score

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6318093B2 (en) 1988-09-13 2001-11-20 Helix Technology Corporation Electronically controlled cryopump
JP3408752B2 (ja) 1998-09-22 2003-05-19 三菱電機株式会社 故障予知整備装置
JP2000249057A (ja) 1999-02-26 2000-09-12 Suzuki Shokan:Kk クライオポンプの評価方法および評価装置
FR2824936B1 (fr) * 2001-05-16 2005-09-02 Schneider Automation Systeme de diagnostic predictif dans un automate programmable
US7016751B2 (en) 2001-07-13 2006-03-21 Helix Technology Corporation Vacuum system central control information server
JP4261252B2 (ja) * 2003-06-17 2009-04-30 株式会社荏原製作所 真空ポンプの故障診断装置及び故障診断方法
CN100555238C (zh) 2004-12-17 2009-10-28 韩国标准科学研究院 用于真空泵的故障保护和预知维护的精确诊断方法及精确诊断系统
JP4686572B2 (ja) 2008-05-14 2011-05-25 住友重機械工業株式会社 クライオポンプ、真空排気システム、及びその診断方法
JP2016153617A (ja) 2015-02-20 2016-08-25 住友重機械工業株式会社 クライオポンプシステム、クライオポンプ制御装置、及びクライオポンプ再生方法
GB2536461A (en) 2015-03-18 2016-09-21 Edwards Ltd Pump monitoring apparatus and method
JP6820799B2 (ja) 2017-05-18 2021-01-27 株式会社荏原製作所 情報処理装置、基準データ決定装置、情報処理方法、基準データ決定方法及びプログラム
US20240265238A1 (en) * 2023-02-07 2024-08-08 Fluid Power Ai, Llc Systems and methods for monitoring equipment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008274865A (ja) * 2007-04-27 2008-11-13 Sumitomo Heavy Ind Ltd クライオポンプシステム及びクライオポンプのメンテナンス方法
TWI491802B (zh) * 2011-06-14 2015-07-11 Sumitomo Heavy Industries Low temperature pump control device, cryopump system and cryopump monitoring method
CN103225594A (zh) * 2012-01-31 2013-07-31 住友重机械工业株式会社 低温泵及低温泵的修理方法
US20130268241A1 (en) * 2012-04-10 2013-10-10 Lockheed Martin Corporation Efficient health management, diagnosis and prognosis of a machine
US20160153806A1 (en) * 2014-12-01 2016-06-02 Uptake, LLC Asset Health Score

Also Published As

Publication number Publication date
EP3997535A1 (en) 2022-05-18
JP2022540407A (ja) 2022-09-15
IL289605B1 (en) 2025-12-01
CN114051600A (zh) 2022-02-15
US20220269257A1 (en) 2022-08-25
WO2021005502A1 (en) 2021-01-14
IL289605A (en) 2022-03-01
US12282323B2 (en) 2025-04-22
GB201909762D0 (en) 2019-08-21
TW202111593A (zh) 2021-03-16
JP7689943B2 (ja) 2025-06-09
KR20220027939A (ko) 2022-03-08

Similar Documents

Publication Publication Date Title
TWI841756B (zh) 具有診斷電路之真空系統及用於監測該真空系統之健全之方法及電腦程式
JP4138267B2 (ja) 半導体製造装置、真空ポンプの寿命予測方法及び真空ポンプの修理タイミング決定方法
KR101018545B1 (ko) 적응형 다변수 결함 검출
KR101518448B1 (ko) 대상 장치에 대한 베이스라인 예측 유지보수 방법 및 이를 이용한 컴퓨터가 읽을 수 있는 기록 매체
US20030208706A1 (en) Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives
TW201901428A (zh) 徵兆偵測系統及徵兆偵測方法
CN117193164B (zh) 一种数控机床的故障监测方法及系统
JP2004150440A (ja) システム上で診断を行うための方法
KR20100017637A (ko) 메트릭 독립적 그리고 레시피 독립적 결함 부류들
JP6482743B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
TW202235895A (zh) 基於包含感測器映射及經觸發之資料登錄的健康狀態而監測、評估及回應的基板處理系統工具
CN112257880B (zh) 一种k/n负载均担系统的维修决策方法及系统
US20240185115A1 (en) Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program
KR20190077137A (ko) 인프라 설비 가동 데이터 자동분석방법 및 시스템
JP2010015205A (ja) 半導体製造装置の異常診断システムおよび方法
JP5824959B2 (ja) 異常診断装置
CN111879522B (zh) 基于时序概率的汽轮机运行监测和故障判别方法及系统
JP6574533B2 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
CN116398414A (zh) 一种空压机系统的监控报警方法和系统
JP2006157029A (ja) 半導体装置の製造システム
CN119577681A (zh) 基于大数据算法的工业设备数据智能管理方法
EP3256922B1 (en) Processing tool monitoring
KR20240006214A (ko) 기계의 상태감시데이터 경향성 진단을 이용한 수명예측방법
JP6482742B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
JP7470766B1 (ja) 異常予兆診断装置およびプログラム