Machine learning methods for analysis and prognosis of outages in reactive ion etching processes in the semiconductor industry

Abstract

Instandhaltungsarbeiten sind ein wesentlicher Kostenfaktor in der Halbleiterproduktion. Insbesondere Plasmaätzgeräte erfordern aufgrund des reaktiven Prozesses und den hohen Anforderungen an die Prozessstabilität regelmäßige Wartungsarbeiten. Daten-getriebene Prognosemodell können helfen die Wartungskosten zu senken, indem der aktuelle Anlagenzustand und daraus der optimale Zeitpunkt für Reparaturen bestimmt wird. Daher wurde eine Pipeline für maschinelles Lernen zur Vorhersage von Ausfällen in Plasmaätzgeräten implementiert. Die verwendeten Daten stammen aus einer realen Produktionsumgebung und wurden über einen Zeitraum von 6 Monaten aufgezeichnet und enthalten Sensordaten wie Temperatur und Druck, Prozessdaten wie das verwendete Rezept sowie Wartungsdaten. Zunächst wurde eine umfassende explorative Datenanalyse durchgeführt, um informative Kennzahlen zu bestimmen. Zusammen mit Domain-Experten wurden die aggregierten Daten geclustert, visualisiert und interpretiert und Schlüsselmetriken definiert, die das historische Verhalten der Maschinen darstellen. Außerdem wurden mehrere TTF-Varianten (Time-to-Failure) eingeführt, die wir in den Experimenten verwenden. Wir vergleichen unsere Ergebnisse mit drei Benchmarks, die verschiedenen Wissensstufen entsprechen. Der realistische Benchmark ähnelt dem menschlichen Urteilsvermögen, der idealistische Benchmark erfordert Informationen über zukünftige Ausfälle und der naive Benchmark wird ohne Annahmen erstellt. Unsere Ergebnisse zeigen, dass datengesteuerte Modelle einen naiven und realistischen Benchmark übertreffen. Prozessdaten, die speziell von Domain-Experten überwacht werden, und die Kombinationen der verwendeten Rezepte sind die effektivsten Features. Die besten Gesamtergebnisse wurden mit einer Support Vector Machine erreicht. Unsere Experimente sind der erste Schritt zu einer umfassenden Strategie für die vorausschauende Wartung der Halbleiterindustrie. Sie bilden die Grundlage für ein Entscheidungsunterstützungssystem, das Ausfallvorhersagen mit der Verfügbarkeit von Wartungspersonal und Ersatzteilen, aktuellen Produktionszielen und den damit verbundenen Kosten kombiniert, um eine kosteneffiziente Handlungsempfehung zu treffen.

Maintenance is a significant cost factor in semiconductor production. Especially plasma etching equipment requires regular maintenance due to the reactive process and high demand for process stability. Additionally, it is a bottleneck in semiconductors production and treated with special care. Data-driven predictive maintenance models could reduce costs as repairs are performed when indicated by the machine's data instead of a scheduled approach.We implemented a machine learning pipeline to predict outages in plasma etching equipment. We used data obtained in a real-world production environment for a period of 6-months. During this period, sensor data such as temperature and pressure, process data such as the used recipe, and maintenance data were recorded. First, we performed an extensive exploratory data analysis to create informative features. Together with domain experts, we clustered, visualized, and interpreted the aggregated data and defined key metrics representing the machines' historical behavior. Further, we introduced multiple TTF (Time-to-Failure) variants, which we use in the experiments. We compare our results to three benchmarks that represent three levels of knowledge. The realistic benchmark resembles human judgment, the idealistic benchmark requires information on future breakdowns, and the naive benchmark is created without any assumptions. Our results show that data-driven models outperform a naive and a realistic benchmark, which was derived to resemble human judgment. Process data that are specially monitored by domain experts and the combinations of used recipes are the most effective features, and a Support Vector Machine showed the best overall results. Our experiments are the first step towards a comprehensive predictive maintenance strategy for the semiconductor industry. They show the potential of predictive maintenance for plasma etching equipment and also outline data requirements for predictive maintenance to process engineers, maintenance personal, and persons who are responsible for implementing a long-term data science strategy. Our results provide a basis for a decision support system that combines predictions of failures with the availability of maintenance personnel and spare parts, current production goals, and the related costs to provide a cost-efficient recommendation.