Zeitschrift für Computertechnik und Informationstechnologie

Prädiktive Wartung für vibrationsbedingte Ausfälle in der Halbleiterindustrie

Kevin Curran und Robert King

Die vorausschauende Wartung hat sich in vielen Branchen als kostengünstige Methode zur Instandhaltung kritischer Geräte erwiesen. Auch die Halbleiterindustrie könnte davon profitieren. Die meisten Halbleiterfabriken sind mit umfangreichen Diagnose- und Qualitätskontrollsensoren ausgestattet, die zur Überwachung des Zustands der Anlagen und letztlich zur Reduzierung ungeplanter Ausfallzeiten eingesetzt werden könnten, indem die Grundursachen mechanischer Probleme frühzeitig erkannt werden, bevor sie sich zu mechanischen Ausfällen entwickeln können. Maschinelles Lernen ist der Prozess des Aufbaus eines wissenschaftlichen Modells, nachdem Wissen aus einem Datensatz gewonnen wurde. Es ist der komplexe Rechenprozess der automatischen Mustererkennung und intelligenten Entscheidungsfindung auf der Grundlage von Trainingsbeispieldaten. Algorithmen des maschinellen Lernens können durch Sensoren oder menschliche Eingaben Fakten über eine Situation sammeln, diese Informationen mit gespeicherten Daten vergleichen und entscheiden, was die Informationen bedeuten. Wir präsentieren hier die Ergebnisse der Anwendung von maschinellem Lernen auf einen Datensatz zur vorausschauenden Wartung, um zukünftige vibrationsbedingte Ausfälle zu identifizieren. Die Ergebnisse der vorhergesagten zukünftigen Ausfälle dienen Ingenieuren als Hilfe bei ihrem Entscheidungsprozess bezüglich der Anlagenwartung.