Anwendung und Bewertung von Bayes’schen Netzwerken zur Prognose von ungeplanten Stillständen im Bereich der Halbleiterfertigung

Abstract

Das Ziel dieser Arbeit besteht darin, ein Modell zu entwickeln, welches zur Prognose von ungeplanten Stillständen in der Halbleiterfertigung verwendet werden kann. Das Prognosemodell soll dabei mittels der Methodik der „Bayes’schen Netzwerke“(BN) umgesetzt werden, um die Möglichkeit der Realisierung zu examinieren. Darüber hinaus sollen im Anschluss Aussagen bezüglich der Effizienz der Methode, beziehungsweise bezüglich der Eignung/Nicht-Eignung für den präsentierten Use-Case getroffen werden. Zunächst wird sich der theoretische Teil dieser Arbeit mit Grundbegriffen der Instandhaltung und dem derzeitigen State-of-the-Art befassen. Dabei wird besonderer Fokus auf das Forschungsgebiet der wissensbasierten Instandhaltung und die Bereiche der prädiktiven und präskriptiven Instandhaltung gelegt. Anschließend widmet sich das Kapitel Generierung und Aufbereitung von Daten dem Thema der Wissenserschließung und Entscheidungsfindung und der Thematik der Daten und Informationsqualität. Darauffolgend wird der CRISP-DM Zyklus als standardisierte Methode des Data-Mining präsentiert. Zuletzt beschäftigt sich der theoretische Teil dieser Arbeit mit Bayes’schen Netzen. Hierfür werden zunächst die mathematischen Grundlagen und Zusammenhänge erläutert. Darauf aufbauend wird die Erweiterung zu dynamischen Bayes’schen Netzen (DBN) erklärt und zu guter Letzt Beispiele präsentiert, in denen die Methodik, im Bereich der Instandhaltung bereits angewendet wurde. Für die Erstellung des BN zur Ausfallsprognose werden die Unternehmensdaten eines österreichischen Herstellers für Halbleitererzeugnisse herangezogen. Nach durchgeführter Sichtung und Analyse der Daten wird ein erstes BN erstellt, welches mittels komponentenspezifischer Einflüsse auf das Ausfallverhalten, Prognosen erstellen soll. Da dieser Ansatz aufgrund unzureichender Datenqualität nicht weiterverfolgt werden konnte, wird ein zweites Netz entworfen, welches die Prognose aufgrund von Zusammenhängen zwischen auftretenden Maschinenalarmen und der Time to Failure (TTF) erstellt. Dieses wurde nach erfolgreicher Umsetzung zu einem dynamischen Bayes’schen Netz erweitert, um sich ändernden Umgebungseinflüssen anpassen zu können. Bei der Durchführung der Arbeit wurde die Möglichkeit, Bayes’sche Netze für den Bereich der prädiktiven Instandhaltung zu erstellen und anzuwenden, nachgewiesen. Dabei zeigt sich, dass die Erstellung und Erprobung äußerst viel Zeit in Anspruch nimmt und die Effizienz bezüglich Input und Output folglich, im Vergleich zu anderen Methoden, gering erscheint. Jedoch zeigt sich, dass der Ansatz der Bayes’schen Netze im Bereich der präskriptiven Instandhaltung zur Fehlerdiagnose und Ableitung geeigneter Instandhaltungsmaßnamen einen bedeutenden Mehrwert liefern kann.

The primary objective of this thesis aims on developing a model, which is capable to predict unplaned downtimes in semi-conductor manufacturing. The creation of the forecasting model should therefore be conducted via „Bayesian Networks“ to examine the possibilty of creating a prediction model by means of this methodology. Furthermore, statements should be made regarding the efficiency, respectively the applicability/non-applicability, of the used apporach for the presented use-case. First of all, the theoretical part of this thesis will describe the fundamentals and the state-of-the-art of maintenance in production systems. Particular emphasis is thereby placed on the research area of knowledge-based maintenance and the areas of predictive and prescriptive maintenance. Subsequently the chapter generating and preparation of data is dedicated to the topic of knowledge development and decision-making and the topic of data and information quality. After that, the CRISP-DM cycle is presented as a standardized method of data mining. Finally the theoretical part of this thesis will deal with the topic of bayesian networks. Therefor the mathematical foundations and relationships are explained and the enhancement to dynamic bayesian networks is illustrated. Last but not least, examples are presented in which the methodology has already been applied in the field of maintenance. To develop the BN, with the purpose of predicting unscheduled downtimes, company data of an Austrian manufaturer for semi-conductor produtcs is used. After the process of data cleaning, a first BN is created, which should be able to conduct forecasts via component-specific influences on the failure behaviour. Unfortunately this approach could not be pursued due to insufficient data quality. Hence, a second network was created which should operate on the basis of coherencies between machine alarms and the time to failure. After the successful creation of the model, the network is enhanced to a dynamic bayesian network to be capable to adapt to changing environmental influences. During the conduction of this thesis, the possibility to create and apply bayesian networks in the field of predictive maintenance, was demonstrated. In the process one can determine, that the developing and testing requires a lot of effort. Therefore the efficiency in terms of input and output, compared to other methods, seems small. However, the approach bayesian networks can provide a significant added value in the field of prescriptive maintenance through fault diagnosis and the derivation of appropriate maintenance measures.