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

摘要

根据本发明，在本文中最具挑战的问题在于找到系统方法，所述系统方法使维护工程师能够基于真空泵当前的性能评价结果来决定更换真空泵的合适时间。此外，示出当前估计的诊断分析结果与初始(或参考)数据组的比较，以使维护工程师能够根据估计的泵性能指标决定更换考虑的真空泵。该定量诊断分析结果不仅被期望使维护工程师能够基于真空泵的当前性能评价结果来决定更换泵的合适时间，而且被期望提高低真空泵的预知维护的可靠性和可信性。

说明书

                         技术领域

本发明涉及一种用于真空泵的预知维护，特别是用于具有多操作条件的半导体制造工艺的精确诊断方法及实现系统。

                         背景技术

在现代半导体制造工艺中对真空泵的可用性和可靠性的需求持续增长。其原因在于：随着生产晶片(wafer)的尺寸越来越大，失败晶片批量和损失的生产时间造成的成本也越来越高。Bahnen和Kuhn已指出对用于现代半导体工艺的真空泵的技术需求[参考文献1：R.Bahnen and M Kuhn，″Increasedreliability of dry pumps due to process related adaptation and pre-failure warning，″Vacuum，Vol.44，No 5-7，pp.709-712，1993]：没有计划外停机时间的高可靠性、极低的维护费用、高性能的抽吸(pumping)腐蚀及活性气体混合物、高性能的抽吸粒子和可升华气体混合物，以及低振动和噪声级别。为了满足这些需求，用于现代半导体工艺的新的干式泵不仅应该提供各种基于工艺运行条件的适应能力，而且应该提供泵相关操作参数(电功率、冷却水、吹扫气、泵零件轴承的磨损、密封、齿轮箱以及电动机)的监控方案，以避免计划外停机的危险。Bahnen和Kuhn[参考文献1]提出了对于工艺相关和操作相关的参数的基于警告和报警级别的监控方案，以避免不期望的泵故障。但是没有提出选择所有的工艺相关和操作相关的参数的警告和报警级别的逻辑方法。该阈值级别选择在真空泵故障的早期检测中仍然是一个非常有挑战性的问题。此外，提出的监控方案没有提供用于确定发出警告或报警信号的真空泵的合适的更换时间的任何技术方法。这对真空泵维护工程师是另一个挑战性的问题。其原因是：不管是警告还是报警都不是更换泵的直接指标，并且泵维护工程师仅可在检查关于估计真空泵性能和监控运行条件的足够技术信息之后才能确定更换泵。本文不仅提出一种获得已具有发出的警告或报警信号的真空泵的定量的恶化的系统方法，而且使泵维护工程师能够基于性能评价结果确定更换泵。

基于阈值级别的监控已被广泛地认为是用于泵的故障保护的传统技术[参考文献2：R.H.Greene and D.A.Casada，Detection of pump degradation，NUREG/CR-6089/ORNL-6765，Oak Ridge National Laboratory，1995]。然而，Wegerich等人指出了基于传感器输出的反馈的阈值警告和报警方案的缺点[参考文献3：S.W.Wegerich，D.R.Bell and X.Xu，″Adaptive modeling ofchanged states in predictive condition monitoring，″WO 02/057856 A2，2002；参考文献4：S.W.Wegerich，A.Wolosewkz and R.M Pipke，″Diagnostic systems andmethods for predictive condition monitoring，″WO 02/086726 A1，2002]：“传统技术不能提供对在工艺或机器的操作参数中总的改变的响应，通常未能提供适当的警告来避免不期望的停机、设备损坏或灾难性的安全危害。”。为了克服该传统技术的局限，他们提出使用适应新的操作状态的基于神经网络的参数模型[参考文献3]，以及用于预知条件监控的基于模型的诊断系统[参考文献4]。在早先的关于动态系统的识别和控制的研究[参考文献5：Wan-SupCheung，″Identification，stabilization and control of nonlinear systems using theneural network-based parametric nonlinear modelling，″Ph.D.Thesis，Universityof Southampton，1993]中已知的神经网络模型具有这样的有用的能力：插入位于训练的数据组之间的新的状态，并外推训练的组的之外(但是非常接近)的临近状态。Wegerich等人[参考文献3，参考文献4]使用训练的神经网络的插入和外推能力[参考文献5]来估计响应于测量的传感器输出的值的工艺或机器的当前状态。也可将估计的状态值和测量的值之间的残差用于产生残差阈值报警，以执行统计测试来检查对于新的操作条件的工艺或系统的改变，并对改变的操作区域重建新的训练组。提出的包括改变的操作区域的新训练组的结构和它们的模型学习过程的产生报警并适应于改变的操作区域的信号处理方案看起来不仅需要严格的计算工作，而且还伴随有提出的基于模型的诊断系统的内在复杂性。提出的监控系统的这种不切实际的计算负荷和实现复杂性已变为在用于现代半导体制造工艺的泵监控及诊断系统中面临的不可避免的技术问题。此外，提出的基于模型的诊断系统没有提供在变化的操作条件下估计真空泵运行的性能的任何系统方法。因此，这些技术问题已成为本发明的主要动机，本发明不仅开发适合于泵操作条件的简单模型，而且还开发适用于安装泵的现场的真空泵性能指标的新的估计方案。本文提出每当发现警告或报警信号时总能估计泵性能指标的真空泵预知维护方案。这个直接性能估计方案既不需要Wegerich等人提出的训练组，也不需要训练的模型[参考文献3，参考文献4]。

不使用上述适应于随年限变化的真空泵的操作条件的参数模型，Ushiku等人[参考文献6：Y.Ushiku，T.Arikado，S.Samata，T.Nakao，and Y.Mikata，″Apparatus for predicting life of rotary machine，equipment using the same，method for predicting life and determining repair timing of the same，″U.S.PatentApplication Publication，US2003/0009311 A1，2003]、Samata等人[参考文献7：S.Samata，Y.Ushiku，K.Ishii，and T.Nakao，″Method for diagnosing life ofmanufacturing equipment using rotary machine，″U.S.Patent ApplicationPublication，US2003/0154052 A1，2003；参考文献8：S.Samata，Y.Ushiku，T.Huruhata，T.Nakao，and K.Ishii，″Method for predicting life span of rotarymachine used in manufacturing apparatus and life predicting system，″U.S.PatentApplication Publication，US2003/01543997 A1，2003]以及Ishii等人[参考文献9：K.Ishii，T.Nakao，Y.Ushiku，and S.Samata，″Method for avoiding irregularshutoff of production equipment and system for irregular shutoff，″U.S.PatentApplication Publication，US2003/0158705 A1，2003]提出了统计分析方法和基于Mahalanobis距离的分析方法[参考文献10：W.H.Woodall，R.Koudelik，Z.GStoumbos，K.L.Tsui，S.B.Kim，CP.Carvounis，″A review and analysis of theMahalanobis-Taguchi system，″TECHNOMETRICS，Vol.45，No.1，pp.1-14，2003]，以确定当前测量的时间序列数据是否偏离与正常操作条件相应的“参考”时间序列数据组。统计分析方法基于采样信号的二阶统计特性[参考文献11：J.S.Bendat A.G Piersol，Random data：Analysis and measurementprocedures，John Wiley&SonsN.Y.，1985]，诸如：平均值、标准差和相关函数。因为使用统计特性仅是为了固定的工艺，所以它们对需要不同产品的多个依赖于加载的操作条件具有局限性。这意味着需要与每个依赖于加载的操作相应的参考时间序列数据组。这里的关键问题在于如何构造足够的基于加载的参考时间序列的数据组，以覆盖正常操作条件的全部范围。Y.Ushiku等人[Ref6]，Samata等人[Ref 7，Ref 8]以及Ishii等人[Ref 9]还没有提出构造它们的任何有效方法。尽管新的或重新调节的真空泵的正常操作条件的时间序列仅在每个指定的工艺的最开始是可用的，但是在没有时间消耗数据采集和信号处理工作的情况下不能获得具有正常操作条件的全部范围的参考数据。实际上，现代半导体制造单位需要具有不同操作条件(如变化的曲面压力、气体流速以及不同的气体混合物和特性)的多种工艺。半导体制造商的相关工艺特性和操作条件是非常机密的，因此它们通常难被真空泵供应商得到。最应该注意的是，用于现代半导体工艺的真空泵监控及诊断系统应具有自适应于多工艺条件的能力。应该注意的是，因为提出的统计分析方法[参考文献6-参考文献9]没有考虑任何基于估计真空泵性能指标的系统基础，因此它们不能提供使泵维护工程师能够确定更换泵的合适时间的泵恶化的任何定量数据。稍后将示出本发明以提供解决该技术问题的实际解决方案，而不需要使用在早先的文章[参考文献6至参考文献9]中收集具有宽范围的正常操作条件的参考数据。

                         发明内容

                         技术问题

本申请的发明者已开发了低真空泵的精确性能测试和估计方法，并在多个技术论文中公布了其实验结果[参考文献12：J.Y.Lim，S.H.Jung，W.S.Cheung，K.H.Chung，Y.H.Shin，S.S.Hong，and W.G Sim，″Expandedcharacteristics evaluation for low vacuum dry pumps，″AVS 49th InternationalSymposium，x-x，2002；参考文献13：J.Y.Lim，W.S.Cheung，J.H.Joo，Y.O.Kim，W.G Sim，and K.H.Chung，″Characteristics evaluation practice of predictableperformance monitoring for low vacuum dry pumps，″AVS 50th InternationalSymposium，9-10，2003；参考文献14：W.S.Cheung，J.Y.Lim and K.H.Chung，″Experimental study on noise characteristics of dry pumps，″Inter-noise 2002，PortLauddale：USA，2002；参考文献15：W.S.Cheung，J.Y.Lim and K.H.Chung，″Acoustical characteristics of dry pumps designed for semiconductor processes，″Inter-noise 2003，Jeju，Korea，2003]。在低真空泵测试平台(其原理图在图1中示出)上进行了这些实验。

测试平台被用于估计低真空泵的性能因素，例如，抽气速度(pumpingspeed)(容积流速)、最终压力、压缩比、气体加载仿真、最大及最小工作压力、电功率消耗、剩余气体分析以及听觉噪声和机械振动级别等。到目前为止已测试了超过100台提供给半导体制造商的真空泵。其测试结果向发明人提供了关于各种真空泵的关键性能因素和动态特性的系统的理解。

为了获得抽气速度，本文使用了通过量(throughput)方法，该方法是一种最广泛用于真空泵的方法，并且可具有足够精度应用于实际工作压力操作范围和泵容量。

方形标记、星号标记以及圆圈标记表示测试结果中的最大、最小和平均抽气速度，其中，从通过控制图1所示的测试罩(dome)的内部气压而模拟的不同气体加载条件获得所述测试结果。在测试罩的内部压力等于0.01[mbar]和0.02[mbar]时，观测到的由平均值与标准差的比定义的抽气速度的变化系数分别为6.7％和5.0％。在超过0.05[bar]的更高级别时，发现变化系数等于或小于3.5％。这意味着测试的真空泵的抽气速度在较小的变化率内具有相当好的控制质量。知道具有小变化率的抽气速度是判断到目前为止当前真空泵的性能恶化到什么程度的很好的性能指标是重要的。实际上，抽气速度是低真空泵的性能参数中最重要的因素。本文提出使用抽气速度作为新的状态变量。但是，用于监控真空泵的操作条件的早先发明没有考虑将抽气速度作为监控的状态变量。在下面的部分中，本文提出一种即使在安装泵的半导体生产现场也能估计抽气速度指标的系统方法(即，原位(in-situ)估计方法)。示出的该估计的抽气速度指标对于真空泵的精确预知维护具有重要作用，这是因为它能使泵维护工程师能够确定更换泵的合适时间。

图3示出在测试的泵中存在的听觉噪声和机械振动级别的变化的量。尽管在图2示出的抽气速度具有小的变化性，但是对于相同型号的每个泵，听觉噪声和机械振动级别被示出具有很大的不同。通过将从ISO 3744标准推荐的10个选择的位置测量的声压进行平均来估计听觉噪声级别。在测试罩压强为2[mbar]时，观测到听觉噪声级别的最大差为12dBA。在其他气体加载条件下，声压级别(SPL)差接近大约9dBA。这样大的SPL差等于四倍的响度差(两倍响度每5dBA SPL差)。超出0.01[mbar]到10[mbar]的压力范围时，发现声压级别的变化系数为51％到65％。低于1[mbr]时，发现机械振动(加速度)级别的变化参数为19％到23％，当气压达到10[mbr]时，机械振动的变化系数增加到51％。此外，气压低于1[mbar]时，观测到机械加速度级别的最小级别与最大级别的比率为1.4到1.6，但是当气压达到10[mbar]时，所述比率迅速增加到3.3。这样巨大的变化指示每个单独的泵对于听觉噪声和机械振动具有其自己的正常操作条件。在使用用于产生机械操作监控系统的警告或报警信号的基于固定级别的阈值方法时，依赖于逐泵(pump-by-pump)的操作特性已产生很多困难，这是因为即使正常运行机械，它们也常常导致不稳定和不一致的监控结果，即，错误的警告或报警信号。

为了改善基于固定级别的机器状态监控及诊断系统的这样有限的能力，本发明将在其后的部分提出自适应依赖于逐泵的正常操作条件的主动算法。由于在传统的机械健康监控系统中广泛被采用[参考文献2]，所以在本文中也使用机械振动和听觉噪声信号，以实现真空泵的故障检测，例如，诸如滚珠轴承、滑动轴承、齿轮、泵叶片、密封、旋转部件的涂料等机械零件的磨损。通过在先前的文章[参考文献2]中提出的机械振动和听觉噪声信号的频谱分析很好的诊断这些机械故障。当然，这些机械故障也使泵维护工程师能够确定更换泵的合适时间。

应该注意的是：机器操作监控系统的依赖于气体加载的状态变量不限于听觉噪声和机械振动噪声。图4示出从增压泵和干式泵测量的电功率消耗值的统计特性(最大值、最小值和平均值)。当气压低于2[mbar]时，观测到增压泵的最大功率消耗值和最小功率消耗值之间的比率为1.3，当气压达到10[mbar]时，该比率增加到1.6。在气压低于1[mbar]时，发现增压泵的变化系数为9％到11％，但是当气压达到10[mbar]时，该系数迅速增加到57％。与增压泵的电功率消耗的大的变化性不同，在超出测试的气压范围时，观测到干式泵的最大功率消耗值和最小功率消耗值之间的比率为1.1到1.2。在超出测试的气压范围时，还发现变化系数为4％到6％，这些测试结果指示：增压泵和干式泵的总功率消耗是具有大变化性的状态变量，因而总功率消耗值对于状态监控系统是无效的。结果，在本发明中考虑增压泵和干式泵的两个单独的功率消耗值。

了解当气体加载条件变化超出泵操作范围时测量的状态变量增加了多大量是非常重要的。通过仔细观察平均值(由星号标记的实线表示)，图3和图4示出的实验结果帮助找到这个问题的答案。尽管测试罩气压逐渐地增加到某个程度，但是平均值仍然平坦。这是测量的听觉噪声、机械振动以及电功率消耗级别的状态变量不独立于气体加载的区域。本发明也为测量的状态变量使用这种不受气体负荷约束的特性，以诊断真空泵操作状态。在实际工艺条件中经常发现这种独立于气体加载的条件。良好的示例是运行真空泵的“空闲”状态，也就是说，在不将任何外部气体提供给泵进气口的时间间隔。在其后的部分本发明将提出对真空泵监控及诊断系统的状态变量的独立于加载的行为进行建模的系统方法。

此外，随着气压增加超过独立于气体加载的区域，示出的听觉噪声、机械振动以及电功率消耗变量的平均值增加。例如，示出的依赖于气体加载的区域中的最大听觉噪声级别比独立于气体加载的区域中的最大听觉噪声级别高12dBA(四倍)。同样地，示出的依赖于气体加载的区域中的最大机械振动级别比独立于气体加载的区域中的最大机械振动高2.4倍，依赖于气体加载的区域中的增压泵和干式泵的电功率消耗级别分别比独立于气体加载的区域中的电功率消耗级别大2.3倍和1.2倍。这里，形成状态监控及诊断系统面临的另一技术问题是找到描述状态变量的依赖于气体加载行为的合适的模型，这是因为真空泵的实际操作范围总包括依赖于气体加载的条件。在其后的部分中，本文还将提出对依赖于气体加载的区域中的状态变量的动态特性建模的系统方法。当然，示出的数学相等模型可应用于独立于气体加载的条件和依赖于气体加载的条件。结果，一个模型专门用于独立于气体加载的运行区域，另一模型用于依赖于气体加载的运行区域。已发展了两种独立的模型的使用，以尽早改进检测真空泵的可能的非正常运行条件的可靠性和置信度。

显然，在本文中，监控的关于气体加载条件的信息(即，真空泵的入口(inlet)气压信号)应在区分真空泵的非正常运行条件中起重要作用，特别是在判断监控的状态变量的增加是否是由气体加载导致的过程中起主要作用。为了将诊断真空泵的非正常运行条件的能力改善得更加可靠，在先前的发明中没有使用监控的入口气压信息。在本文中，示出监控入口压力以除了改进诊断能力之外能够进行抽气速度的定量分析。这一点具有非常重大的价值，这是因为估计的抽气速度指标导致能够确定被引起注意的泵应被新的泵替换的合适时间。本发明提出估计在半导体制造现场运行的真空泵的抽气速度的逻辑方法。示出的估计的抽气速度指标对真空泵的精确预知维护具有重要作用，这是因为估计的抽气速度指标使泵维护工程师能够确定更换泵的合适时间。

                        技术解决方案

根据本发明，提供一种用于真空泵的故障保护和预知维护的精确诊断方法，包括步骤：1)对于空闲和不同的气体加载条件以预定采样速率收集新安装的真空泵的各种泵操作相关状态变量；2)从在用户选择的周期连续采样的信号的每组确定所述状态变量的时间序列的最大值和最小值，所述周期应比所述空闲和不同的气体加载条件的波动的状态变量信号分量的主周期长；3)使用用于空闲和不同的气体加载条件的基于参数模型的主动诊断算法来估计泵操作特性值；4)使用原位估计方法来估计所述新安装的真空泵的泵性能指标；5)将所述新安装的真空泵的估计的泵操作特性值和估计的泵性能指标存储在真空泵维护数据库中；6)每当监控到所述新安装的真空泵处于非正常操作条件下时，重复步骤1)到5)；以及7)将存储在真空泵维护数据库中的所述新安装的真空泵的估计的泵操作特性值和估计的泵性能指标与非正常操作条件的所述新安装的真空泵的估计的泵操作特性值和估计的泵性能指标进行比较，以确定更换泵。

根据本发明，提供一种用于真空泵的故障保护和预知维护的精确诊断系统，包括：专用的信号调节单元，用于放大入口和排气(exhaust)压力转换器、增压泵和干式泵的供电电流探头、机械振动传感器以及安装在增压泵和干式泵中间的测量麦克风；高速多通道数据采集系统，适合于以高达10到20kHZ的非常高的频率分量收集机械振动和声压信号；以及双处理服务器级别PC系统，具有如下足够的性能：1)没有任何数据传输损失地实时从数据采集系统收集所有测量的状态变量的采样数据；2)估计机械振动和声压信号的均方根值；3)从空闲和不同气体加载条件的每一组连续采样的信号确定所述测量的状态变量的最大值和最小值的时间序列；4)使用基于参数模型的主动诊断算法来估计包括所述测量的状态变量的最佳拟合模型参数和平均值及峰值的泵操作特性值；5)使用原位估计方法来估计所述新安装的真空泵的泵性能指标；将新安装的真空泵的泵操作特性值和泵性能指标存储在真空泵维护数据库中；将存储在真空泵维护数据库中的所述新安装的真空泵的估计的泵操作特性值和估计的泵信息指标与非正常操作条件下的所述新安装的真空泵的估计的泵操作特性值和估计的泵信息指标进行比较，以确定更换泵。

                         有益效果

在本文中最具挑战的问题在于找到系统方法，所述系统方法使维护工程师能够基于真空泵当前的性能评价结果来决定更换真空泵的合适时间。

根据在技术问题部分中的描述，大量低真空泵的性能测试结果已使本发明团队确认在没有解决下面的两个基本问题的情况下，不能解决上述问题。第一，改善主要由不同的逐泵(pump-by-pump)操作特性和多工艺条件造成的测量的状态变量的诊断结果的低水平的可靠性一致性。第二，在安装现场而不是在装备良好的测试实验室中实现低真空泵的现场(或原位)性能测试。

为了解决第一个问题，提出了基于线性参数模型的主动算法。线性参数模型被考虑用来描述嵌入到测量的状态变量的动态(波动幅度)特性的渐进上限和渐进下限。示出提出的主动算法以对不同真空泵操作条件(即，多工艺条件)以及依赖于逐泵的操作特性(即，真空泵操作特性的大的变化性)提出最佳拟合模型参数。详细的数字信号处理方案被证明在从设置在半导体工艺中的六个状态变量的测量信号估计真空泵操作特性值时是非常成功的。

为了解决第二个问题，本文提出被开发用于低真空泵的预知维护所需的精确诊断分析的估计真空泵性能的抽吸测试方法的简化版本。提出的现场性能估计方案(指的是原位性能估计方法)包括对实际工艺的封闭条件下的模拟气体加载现场测试，和每个依赖于气体加载的测试条件的四个泵性能指标的估计。以与估计操作特性值相同的方法估计每个加载的气体和空闲操作条件的泵性能指标。显然，本文采用每个测量的状态变量的估计的操作特性值与泵性能指标的估计结果的组合，来执行真空泵的预知维护的精确诊断分析。在最佳实施例方式部分示出从新安装的真空泵获得的组合的估计结果，所述估计结果在将来被用作用于真空泵的精确诊断分析的测试的所述真空泵的初始(或参考)数据组。

此外，通过将为真空泵的预知维护的精确分析开发的原位真空泵性能评价方案应用到已达到异常操作条件(即，对反应室的期望的真空水平的“慢响应”)的真空泵，来检查的原位真空泵性能估计方案的可行性和效率。在最佳实施方式中详细介绍从异常操作条件估计的操作特性值和泵性能指标。示出了当前估计的诊断分析结果和初始(或参考)数据组的比较以使维护工程师能够根据估计的泵性能指标来决定更换考虑的真空泵。更具体地说，估计的当前真空泵的抽气速度指标被报告减小到31％。该定量诊断分析结果不仅被期望使维护工程师能够基于其当前的性能评价结果决定更换真空泵，而且被期望提高低真空泵的预知维护的可靠性和可信性。

应该注意：在本文中作为参考状态变量的测量的入口压力信号在估计提出的泵性能指标中起重要作用。显示出不仅能够估计抽气速度指标，而且能够定量分析由关于排气压力、对加压泵和干式泵的供电电流的其他三个性能指标定义的依赖于气体加载的操作特性。此外，还采用入口压力信号作为参考状态变量来将当前泵操作条件分为气体加载或空闲运行状态。有两组单独的操作特性值，即，一个是在真空泵的空闲操作条件下估计的操作特性值，另一个是在真空泵气体加载操作条件下估计的操作特性值。其原因在于：在两种操作条件下测量的状态变量的信号具有相当不同的统计特性，并且选择对空闲和气体加载操作条件分别独进行监控和诊断分析，以实现很大地改善真空泵故障的早期检查的性能。本文还提出将从每个测量的状态变量估计的操作特性值的序列构造为适合多变量统计分析、能力分析以及Mahalanobis距离分析的矩阵式数据。将构造数据矩阵的模型参数移植到传统的分析算法(多变量统计分析、工艺性能分析以及Mahalanobis距离分析)的确是本文贡献的一个主要成就。开发主动诊断算法不仅是为了实现用于泵故障保护的恶化的真空泵的早期检测，而且还提供对泵的预知维护。

最后，本文提出用于低真空泵的预知维护的精确诊断分析的实际实现系统。示出的该实现系统包括：六种状态变量测量传感器、其相应的信号调节放大器、16通道高速数据采集系统，以及服务器级别PC系统。如在最佳实施方式部分中所示，开发的实现系统被很好地论证为对于用于低真空泵的预知维护的精确诊断分析是很成功的，并且可应用在实际工艺现场便携及易于移动的所述实现系统的紧凑版本。

                         附图说明

图1是本发明的低真空泵的性能测试平台的原理图；

图2示出低真空泵的抽气速度的统计特性；

图3A和图3B分别示出低真空泵的空间平均听觉噪声级别特性以及低真空泵的机械振动级别特性；

图4A和图4B分别示出增压泵的电功率消耗的特性和干式泵的电功率消耗的特性；

图5A到图5D分别示出增压泵和干式泵的测量的状态变量信号：入口及排气压力和供电电流；

图6A到图6D分别示对增压泵和干式泵的入口及排气压力信号和供电电流信号挑选的最大和最小值(细实线)与拟合的基于模型的估计结果(粗实线)的比较；

图7A到图7D分别示出振动加速度和听觉噪声信号的均方根(rms)值及其渐进上限及下限曲线(粗实线)；

图8A和图8B示出第一气体加载操作区域和第二空闲区域之间存在的第一和第二负向变换区域的入口压力信号(粗实线指示指数衰减函数的拟合模型)；

图9A到图9F示出在异常操作条件下在真空泵运行时测量的状态变量信号；

图10示出图9A所示的气体加载操作区域和空闲区域之间的负向变换区域的入口压力信号；

图11示出用于低真空泵的预知维护的精确诊断分析的实现系统测量的状态变量的示意图；

图12示出用于已在半导体制造现场安装的低真空泵的预知维护的精确诊断分析的实现系统。

                        最佳实施方式

用于低真空泵的预知维护的精确方法

经常从半导体制造车间观测到：每当低真空泵发出警告或报警信号时，大多数维护工程师在判断更换低真空泵的合适时间时有很大的困难。其原因在于：早期检测的警告或报警信号不总是指示更换发出警告或报警信号的泵的到期时间。没有维护工程师可在没有关于发出信号的泵的详细性能评价结果的信息的情况下使用新的泵来替换所述发出信号的泵。但是，早期监控和/或诊断系统不提供任何估计运行在警告或报警水平的条件下的真空泵的性能指标的系统方法。显然，尽管泵性能测试的修正版本不能完全满足在前面的部分示出的低真空泵的性能测试的国际标准的所有要求，但并没有禁止该泵性能测试的修正版本。本文提出“原位”方法以估计安装在半导体制造现场的真空泵的性能指标。

本文把“正常”(或“初始”)操作条件认作是在现场安装之后已完成暖机过程的新的或被重新调节的真空泵的运行状态。在初始条件的估计的性能指标是非常有用是确定的，这是因为性能指标使维护工程师能够例如在监控到警告或报警信号的时刻判断运行条件不同于初始条件的程度。当新的或被重新调节的泵准备好正常操作时，本文提出执行不同气体加载条件(例如，期望的实际工艺的最大反应室压力的级别为：25％、50％、75％以及100％)的泵的性能测试。当根据工艺配方详细的室压水平可用时，也可为依赖于气体加载的性能测试的气体加载条件选择室压水平。对工艺条件的相同气体加载测试被认为是最好的选择，这是因为初始操作条件的状态变量的特性也被用于考虑的泵的趋势监控和诊断分析。代替实际的工艺气体，也推荐氮气，这是因为其被用于名义上的低真空泵的性能测试。应该注意：使用初始的气体加载性能测试不仅为了估计新安装的真空泵的依赖于气体加载的性能，而且也用于获得初始状态变量的动态特性。本文还采用从气体加载操作条件测量的初始状态变量的特性例如在监控到警告或警报信号的时刻来判断运行条件不同于初始条件的程度。为了实现低真空泵的预知维护的精确诊断分析，在本文中考虑状态变量的动态特性和估计的性能指标。

为了精确地描述嵌入测量的状态变量中的动态特性，选择在数字信号处理和控制理论中公知的基于参数模型的主动算法[参考文献16：B.Widrow andS.D.Steams，Adaptive Signal Processing，Prantice-Hall，Englewood Cliffs：NJ，1985；Reference 17：P.A.Nelson and SJ.Elliott，Active Control of Sound，Academic Press，London，England，1992]。主动算法使模型参数的估计能够很好适应动态变化的状态变量。采用估计的模型参数以诊断真空泵运行条件，即定量地判断运行条件不同于初始条件的程度。该理论方法在本发明中称为“主动诊断”算法。主动诊断算法已经是以相同发明者的名义的审理中的国际专利的关键内容，在本文中也采用了所述算法。特别注意的是：主动算法提供被转到不同的泵操作条件(即，多个工艺条件)的模型参数组。当然，即使对不同的泵其仍能够估计模型参数。一组依赖于泵的参数对于检查一组相同型号的真空泵的操作变化性是非常有用的。这是使用用于诊断真空泵的基于参数模型的主动算法的原因。

1.诊断状态变量的参数建模的主动算法

在本发明中的状态变量被定义为一个定量地检查被考虑的真空泵的操作条件而选择的周期性采样的物理特性。存在各种泵操作状态相关变量，例如，入口和排气压力、对加压泵和干式泵的电动机供电电流、机械振动信号、声压信号、吹扫气压力及其流速、主体温度、冷却水温度、润滑油压力、以及干燥泵的级别等。真空泵的预知维护的第一步为收集代表不同气体加载条件的状态变量的动态特性的初始数据组。为了收集它们，选择准备好正常操作的新安装的真空泵。发现需求的用于真空泵的工艺气体加载级别分别相应于10[mbar]和14[mbar]的两个出口压力级别。在本部分示出从两种不同的气体加载条件获得的性能测试结果。

图5(a)和图5(d)分别示出以每秒10个字的速率采样的测量的状态变量信号：入口压力(图5(a))，排气压力(图5(b))、增压泵的供电电流(图5(c))、以及干式泵的供电电流(图5(d))。如图5(a)所示，两个不同的入口压力级别与期望的压力级别很好地匹配。两个高振幅区域相应于抽吸状态。入口的基本压力级别相应于向其从工艺室“最低限度”地外部提供抽吸气体的真空泵的“空闲”操作状态。从图5(b)、图5(c)和图5(d)可明显地看到，排气压力和对增压泵及干式泵的供电电流依赖于入口压力级别，即，气体加载条件。它们是依赖于气体加载状态变量的良好示例。这里的基本问题是如何描述从依赖于气体加载的状态变量观测到的动态特性。在图5中示出动态特性的观测导致在本文中对参数模型的选择。为了描述波动的振幅信号的范围，在本文中考虑上渐近线和下渐近线曲线。如先前的发明[18]中论述的那样，已经证明振幅范围建模方法对于真空泵的趋势监控和诊断分析非常有效。为了阐明本发明的主要内容，在本部分重新描述振幅范围建模方法的实现方案。

令ym表示第m采样的入口压力信号，下标m表示时间索引。在本文中，选择采样速率为10Hz(每秒10个采样)。如图5A到图5D所示，每个测量的状态变量的采样时间序列{ym：m＝1，2，3...}被用于挑选用户选择的周期(即，每20秒)中的最小值和最大值，所述周期可被选择为比波动慢地信号的周期长，即图5D所示的DP(干式泵)供电电流。

如图5D所示，通过使用FFT(快速傅立叶变换)分析发现波动DP供电电流信号的主周期接近20秒。结果，每20秒记录的信号执行每次挑选最小值和最大值。20秒记录的信号的后半段(50％)与下一次挑选重叠，从而每10秒获得每组最大值和最小值。在本文中，另外估计20秒记录的信号的平均值，以检查所述平均值与挑选的最大值和最小值的差距有多大。此外，还搜索在每个空闲或气体加载操作期间的峰值。使用与重复的空闲和气体加载条件相应的峰值来检查在每个空闲或气体加载操作中发生的每个状态变量的不期望的变化量。

图6(a)到图6(d)分别示出入口压力信号(图6(a))、排气压力信号(图6(b))、增压泵供电电流信号(图6(c))、以及干式泵供电电流信号(图6(d))的挑选的最大和最小值(细实线)与拟合的基于模型的估计结果(粗实线)的比较。细实线上的圆圈符号指示空闲和气体加载操作条件的峰值。

在图6(a)到图6(d)中示出挑选的最大值和最小值。令从第一气体加载操作间隔的每组连续采样的信号获得的入口压力信号的最大值和最小值为{yU，n，yL，n：n＝1，2，...}。本文提出用于描述上渐近线和下渐近线曲线的线性模型，如下所示：

等式1

y_k，n＝a_k·n+b_k

在等式1中，下标k表示上渐近线或下渐近线模型，即，对于上渐近线模型k＝U，对于下渐近线模型k＝L。在等式1中，通过使用最小二乘法容易地获得两组模型参数{a_k，b_k：k＝U或L}。令为第一气体加载状态挑选的最大值和最小值的时间序列为{y_k，n：n＝1，2，...，N}。获得最佳拟合模型参数，如下所示：

等式2

$>>>a>k>>=>>>N>·>>\Sigma >>n>=>1>>N>>n>·>>y>>k>,>n>>>->>\Sigma >>n>=>1>>N>>n>·>>\Sigma >>n>=>1>>N>>>y>>k>,>n>>>>>N>·>>\Sigma >>n>=>1>>N>>>n>2>>->>>(>>\Sigma >>n>=>1>>N>>n>)>>2>>>>,>$> $>>>b>k>>=>>>N>·>>\Sigma >>n>=>1>>N>>>n>2>>·>>>\Sigma >>n>=>1>>N>>>y>>k>,>n>>>>->>\Sigma >>n>=>1>>N>>n>·>>\Sigma >>n>=>1>>N>>>y>>k>,>n>>>>>N>·>>\Sigma >>n>=>1>>N>>>n>2>>->>>(>>\Sigma >>n>=>1>>N>>n>)>>2>>>>,>$>

等式2中的第一参数{a_k：k＝U or L}是指示增加率或减小率的入口压力信号的斜率。第二参数{b_k：k＝U或L}指示每个初始的入口压力等级(即，在n＝0时)。图6中的粗实线示出从对于上渐近线和下渐近线曲线的拟合模型估计的值。示出的估计的上渐近线和下渐近线曲线对于测量的振幅信号的上限和下限被很好的拟合。此外，估计的模型参数可被用于检查对于第一气体加载操作条件存在的入口压力的变化量。其指示：可通过估计的模型参数定量化表现入口压力的趋势。这一点具有非常重大的价值，这是因为仅两组拟合的模型参数就能够进行用于检测的入口压力条件的趋势监控和诊断。拟合模型参数的使用提供了为趋势检测及诊断系统节省的很多存储，这是因为提出的方法没有使用整组的采样时间序列。这意味着通过使用拟合的模型参数实现基于紧凑硬件的实现系统。应该注意：通过使用下面的等式来获得每个上渐近线或下渐近线曲线的平均值和标准差。

等式3

$>>>y>>k>,>mean>>>=>>>N>+>1>>2>>·>>a>k>>+>>b>k>>,>$> $>>\sigma k>=>>a>k>>·>>>1>N>>·>>\Sigma >>n>=>1>>N>>>>(>>y>>k>,>n>>>->>a>k>>·>n>->>b>k>>)>>2>\; >a>\ne >0>$>

y_k，mean＝b_k， $>>\sigma k>=>>>1>N>>·>>\Sigma >>n>=>1>>N>>>>(>>y>>k>,>n>>>->>b>k>>)>>2>\; >a>=>0>$>

在斜率为零的情况(在等式3中，a＝0)下，示出的第二参数为平均值。如等式3所示，估计的参数不仅仅能够计算关于估计的模型的统计特性(平均值和标准差值)。这揭示使用对测量的状态变量的统计特性可调整的参数模型的有用性和有效性。如图5(a)所示，入口压力的幅度看起来平坦，但是当平坦振幅级别区域的范围被缩小时，看到存在较小量的波动。如6(a)所示，示出的估计的模型参数是充分的，以检查在气体加载条件下的入口压力维持到何种程度。

给出挑选的对第一空闲状态采样的入口压力信号的最小值和最大值的时间序列，通过使用等式2来获得两组上模型参数和下模型参数。还从等式3获得每个渐近线曲线的平均值和标准差。还示出估计的参数组以提供足够的信息来判断在测试泵的入口的真空等级所保持的程度。类似地，估计其他空闲和气体加载条件的上渐近线和下渐近线曲线模型参数。在空闲和气体加载操作条件下估计的拟合模型参数及其统计特性被用于真空泵的预知维护。空闲和气体加载操作条件的组合参数组不仅对于检查施加于真空泵的气体加载条件的量非常有用，而且对于检查在空闲状态下的真空级别维持的程度也是非常有用的。将被示出的真空泵的气体加载条件的认知在判断在非正常操作条件下更换真空泵的合适时间中起重要作用。本文非常强调用于在半导体制造工艺中特别使用的真空泵的精确诊断的入口压力信号的使用。

到目前为止，已经解决了被选择用于描述从真空泵观测的入口压力信号的动态行为的参数模型的理论背景。该方法同样可应用于其他状态变量，诸如图5(b)、图5(c)和图5(d)所示的排气压力信号和增压泵和干式泵的供电电流信号。通过从数据采集系统提供的每连续的200个采样(等于20秒记录的信号)的块挑选出最大值和最小值，容易地获得每个状态变量的最大值和最小值的时间序列。图6(b)、图6(c)和图6(d)分别示出了排气压力信号和增压泵和干式泵的供电电流信号的挑选的最大和最小值(细实线)以及拟合的基于模型的估计结果(粗实线)的时间序列。给出空闲和气体加载操作条件的每个状态变量的挑选的时间序列，通过使用等式2获得与上限和下限相应的两个参数组。上限和下限的估计的参数组还被用于检查在重复的空闲和气体加载操作条件下保持的每个状态变量的变化量。

根据图5到图6，看到在1000秒期间执行的泵性能测试包括四个操作步骤，即，两个不同的气体加载操作条件和两个空闲操作条件。

表1示出四个状态变量(入口及排气压力信号和增压及干式泵的供电电流信号)的估计的操作特性值。注意：BP和DP指示增压泵和干式泵，a_u和b_u指示渐进上限曲线的斜率和初始值，a_L和b_L指示渐进下限曲线的斜率和初始值。

表1

泵操作条件    步骤1    步骤2    步骤3  步骤4    气体加载    状态1    空闲状态    1    气体加载    状态2  空闲状态  1    0～190    [s]    220～490    [s]    510～680    [s]  710～1000  [s]入口压力[mbar]    平均值    10.1    0.66    14.0  0.70    上限    a_u    -0.001    -0.0002    -0.0049  -0.0005    b_u    10.2    0.69    14.1  0.73    峰值    10.2    0.70    14.2  0.74    下限    a_L    -0.0021    -0.0005    -0.011  0.0005    a_L    10.0    0.64    14.0  0.68排气压力[mbar]    平均值    1004.9    1000.3    1007.4  100.3    上限    a_u    0.0051    0.0071    0.0184  -0.0023    b_u    1008.0    1003.4    1011.4  1004.2  峰值    1008.5    1004.5    1012.6  1004.9    下限    a_L    0.024    0.0215    0.002  0.0002    a_L    1001.8    996.9    1003.4  997.0BP供电电流[A]    平均值    7.11    4.40    8.22  4.34    上限    a_u    -0.0014    -0.0106    -0.0013  -0.0122    b_u    7.17    4.57    8.28  4.55    峰值    7.18    4.65    8.19  4.59    下限    a_L    -0.0001    -0.0092    -0.0006  -0.011    a_L    7.06    4.47    8.17  4.45DP供电电流[A]    平均值    16.0    16.3    15.8  16.2    上限    a_u    -0.002    0.0006    -0.0008  -0.0034    b_u    16.1    16.4    15.9  16.4    峰值    16.2    16.4    15.9  16.4    下限    a_L    0.0003    0.0011    -0.0027  -0.004    a_L    15.9    16.2    15.8  16.2

从表1明显的是，分别通过八个参数描述每个状态变量的特性：两个时间标记(初始时间和最终时间)、上渐近线曲线和下渐近线曲线的四个模型参数(斜率与初始值对)以及平均值和峰值。它们通知什么时候发生空闲或气体加载状态以及空闲或气体加载状态下的入口气压在上限和下限之间变化的程度。平均值被用于检查在固定操作下每个状态变量是否保持在期望的级别。峰值被用于检查每个空闲或气体加载操作的每个状态变量的不期望的变化发生的量。注意：如时间间隔(即，表1的第三行)中所指定的，空闲和气体加载状态之间的瞬变状态不被用于参数估计。为每个空闲或气体加载操作状态(即，表1的步骤1到步骤4)分别估计六个依赖于操作特性的值。它们实际上被用于检查当前状态变量偏离初始操作条件的程度。因为从准备抽吸生产气体的新安装的真空泵获得表1中的性能测试结果，所以它们被认为是被用于真空泵的诊断的“参考”值。作为真空泵的正常性能测试过程，推荐在相同气体加载条件下重复性能测试，这是因为它们能在统计学意义上进行更可靠的测试结果的估计。

在本文中示出：对两个独立的空闲和气体加载操作区域进行操作特性值的估计。如图5到图6所示，四个状态变量(入口及排气压力和增压泵及干式泵的供电电流)的上限级别和下限级别显然依赖于气体加载条件。这些机械和电状态变量通常被认为是一类静态特性。不同于这些静态特性，包括高频分量的机械振动和听觉噪声信号已被用作趋势及诊断分析的状态变量。

图7(a)到图7(d)示出振动加速度和听觉噪声信号的均方根(rms)级别，及其渐进上限和下限曲线(粗实线)，“圆圈”符号表示每个气体加载或空闲操作条件的峰值。

图7(a)到图7(c)示出增压泵上的振动加速度和在增压泵和干式泵之间的中间位置附近测量的听觉噪声的均方根值。分别选择振动加速度的频带宽度为10Hz到10kHz，听觉噪声信号的频带宽度为20Hz到20kHZ。以40.96kHz(即，每秒40960个采样)的速率对两种信号进行数字化采样。每4096个采样(等于100ms的间隔)的块被用于计算图7(a)和图7(c)示出的均方根(rms)值。每200个连续采样的记录(等于20秒记录)被用于挑选图7(b)和图7(d)示出的振动加速度和听觉噪声级别(细实线)的平均值、最大值和最小值。在表2中列出它们的渐进上限和下限曲线以及平均值和峰值的估计的模型参数。根据四个步骤的操作条件(先前在表1中给出的两个气体加载操作条件和两个空闲条件)来估计这些模型参数。不同于在图5到图6中示出的入口及排气压力和增压泵及干式泵的供电电流的显而易见的特性，在图7中示出的振动加速度和听觉噪声级别不展示出显而易见的依赖于气体加载的特性。示出的振动加速度和听觉噪声级别的渐进下限即使在不考虑气体加载条件的情况下也相当平坦，但是示出的它们的渐进上限显示逐渐增加或减小的比率(即，正号和负号斜率)。从图7所示的上限级别观测到高波动的信号分量。选择在图7(b)和图7(d)中由“圆圈”符号标记的四个操作步骤的波动分量的峰值作为另一操作特性值。在表2中给出的它们的级别对于判断在每个操作步骤期间发生的过多的振动和听觉噪声级别的程度是有用的。

表2示出振动加速度和噪声级别的估计的操作特性值。注意：a_u和b_u指示上限曲线的斜率和初始值，a_L和b_L指示下限曲线的斜率和初始值。

表2

    泵操作条件  步骤1  步骤2  步骤3  步骤4  气体加  载状态1  空闲状态  1  气体加载  状态2  空闲状态2  0～200  [s]  200.1～500  [s]  500.1～700  [s]  700.1～1000  [s]    振动级    别    [m/s²]  平均值  10.9  10.8  10.8  10.7  上限    a_u  -0.028  -0.015  -0.026  0.0035    b_u  12.7  12.3  12.6  12.3    峰值  13.5  12.9  13.1  12.9  下限    a_L  0.0097  -0.0035  0.0102  -0.0017    a_L  9.9  10.0  9.4  9.5    DP上的    听觉噪    声级别    [pa]  平均值  0.83  0.85  0.85  0.86  上限    a_u  0.001  0.002  -0.008  -0.0012    b_u  1.07  1.04  1.23  1.12    峰值  1.18  1.21  1.32  1.19  下限    a_L  0.0012  0.0006  0.0002  0.0006    a_L  0.69  0.70  0.70  0.71

在本文中，没有示出关于泵操作相关状态变量的特性分析结果(诸如吹扫气压力及其流速、主体温度、冷却水温度、润滑油压力以及低真空泵的级别)的特性分析结果。它们的在传统趋势监控和诊断分析中公知的操作特性在统计学上如此的固定，因而可使用二阶统计分析(即，平均值和标准差分析)来容易地检测到它们的非正常条件。这是本文不介绍它们的分析结果的原因。此外，没有从多种情况的恶化或故障的真空泵观测到由这些状态变量导致的故障操作条件。本文的意思不是说真空泵的预知维护不需要估计它们的操作特性值。实际上，在表1和表2示出的它们的估计也可被用于在本文提出的精确诊断分析。

需要特别注意的是：每个状态变量的估计的操作特性值可极大地减少用于实现预知维护的精确诊断的日期的大小。电子诊断指南[参考文献18：Harvey Wohlwend，e-Diagnostics Guidebook，International SEMATECH，Version1.5，October，2002]的当前版本推荐将每个状态变量的最小采样速率设置为10Hz(每秒10个采样)或更高。在本文中根据电子诊断指南选择采样速率为10Hz。如先前说明的那样，在本文中选择1000秒的采样信号。发现每个状态变量的总采样数目等于10000。相反，发现每个静态变量的估计的操作特性值及其时间标记仅为32个数据(4组6个特性值，4组初值时间标记和最终时间标记)。该诊断数据的缩小率非常高。这使用于真空泵的预知维护的实现系统性能能够被很大的改进。此外，这使每个实现系统能够覆盖增加更多的数量的真空泵。

2.估计真空泵的性能指标的原位方法

显示出为独立的空闲和加载空气的操作条件估计的操作特性值。在本节介绍分离泵操作条件的逻辑方法。因为在本文中直接测量入口压力，因此自然使用入口压力用于分离。当在反应室中提供调节压力的氮气时，真空泵的入口压力级别保持在期望的级别，如图5(a)所示。该状态称为其入口压力级别取决于半导体制造工艺的在测试下的真空泵的气体加载条件。在希望的时间间隔之后，突然几乎关闭反应室的出口节流阀。由于真空泵的抽吸条件造成入口压力级别减小到基本级别。要求的基本级别也基于制造工艺。该测试过程与估计抽气速度的抽吸测试方法非常相似。如果期望的制造工艺需要多个气体加载压力级别，则将它们相应的气体加载条件模拟为测试下的真空泵。如图5(a)所示，在本文中考虑两种不同的气体加载条件，这是因为它们足以模拟制造工艺所需的实际加载条件。在本节提出的气体加载模拟测试是本文的一个有特色的成就，这是因为它能够进行稍后论述的抽气速度指标的“原位”估计。该尝试没有在以前的文章中发表过[参考文献1-参考文献4，参考文献6-参考文献9]。

从图5(a)观察到两种入口压力变换区域，即，正向和负向。当在新安装的真空泵的性能测试的开始打开反应室的出口阀时，入口压力的正向变换发生，当在气体加载测试阶段结束之后几乎关闭出口阀时，负向变换发生。本文采用与抽吸测试方法相似的在负向变换区域中测量的入口压力信号。

图8(a)和图8(b)示出图5(a)的第一气体加载操作区域和第二空闲区域之间存在的第一负向变换区域(图8(a))和第二负向变换区域(图8(b))的入口压力信号。注意：粗实线指示指数衰减函数的拟合模型。

在本文的开始，显然在图8中示出入口压力信号的指数衰减特性直接与安装的真空泵的抽气速度相关。在本文中采用作为在真空理论[参考文献20：Nigel.S.Hariss，Modem Vacuum Practice，McGraw-Hll Book Company，Lendon：England，1989]中公知的抽气速度与抽吸时间的基本关系。给出的代数等式如下：

等式4

$>>>p>n>>=>>p>0>>·>>e>>->\alpha >·>n>>>,>\alpha >=>2.77>\times >>10>>->4>>>·>>Q>V>>·>\Delta T>$>

在等式4中，符号Q和V表示抽气速度[m³/h]和体积[m³]。符号ΔT表示以秒为单位的采样周期(在本文中ΔT＝100[ms])。等式4中的符号α是其值与抽气速度直接相关的指数衰减常数。

等式4中的公式假设了在初始值P_o和最终值P_n之间的压力范围内的不变的抽气速度。结果，通过在图8所示的半对数图上选择线性区域来确定初始和最终入口压力级别的适当范围。粗实线指示为用于估计在选择的压力区域的指数衰减常数的初始和最终位置选择的区域。选择在第一区域中的初始和最终压力级别为在连续气流停止前观测的入口压力的级别的80％和20％。已通过多个场合的测试证明该选择初始和最终入口压力位置的准则对于估计指数衰减常数非常稳定和有效。每当在制造工艺现场运行的真空泵的预知维护需要性能测试时，采用估计的指数衰减常数来检查抽气速度性能下级的程度。

估计与选择的区域相应的最佳拟合指数衰减常数是相当简便的。令{Pn：n＝1，...，N}为在选择的区域采样的入口压力信号。入口压力信号的对数值可按照如下被获得：

等式5

y_n＝-a·n+β，y_n＝ln(p_o)，β＝ln(p_o)

通过使用在先前部分提出的最小二乘法获得最佳拟合参数a和β的估计，如等式2所示。选择的区域的最佳拟合指示衰减常数被用于估计近似的抽气速度指标，该指标被定义为每单位体积的抽气速度，即：

等式6

$>>>I>p>>=>>Q>V>>=>3.6>\times >>10>4>>·>\alpha >$>

可通过将泵的入口连接到反应室的排气口的管道来排空体积[m³]。这不是一个必须知道的值，因为它必须是常数。这是在本文中使用抽气速度指标的原因。表3示出图5(a)所示的入口压力的三个连续负向区域的估计的指数衰减常数及其相应的估计的抽气速度指标。注意：符号a和I_p分别表示指数衰减常数和抽气速度指标。

表3

    两个拟合的模型区域    第一负向区域    第二负向区域    第一区域    a    0.0619    0.0682    I_p    2.23×10³    2.45×10³

已在本文中提出的通过使用测量的入口压力信号估计抽气速度指标的原位方法是非常重要的，这是因为其为泵维护工程师提供合适的信息以通过到目前为止抽气速度减小的程度决定是否应更换所关心的真空泵。提出的抽气速度指标的原位估计方法是唯一的，即使在最近的泵诊断技术[参考文1-参考文献4，参考文献6-参考文献9]中也还没有发现该方法。

第二性能指标与从气体加载状态和空闲状态测量的平均入口压差和平均排气压差之间的关系相关。图表1所示，看到第一气体加载状态(表1中的步骤1)和第一空闲状态(表1中的步骤2)之间的平均入口压差为9.44[mbar]。看到的第二气体加载状态(表1中的步骤3)和第二空闲状态(表1中的步骤4)之间的另一平均入口压差为13.4[mbar]。类似地，对于两个不同的气体加载操作条件和空闲操作条件获得分别等于4.6[mbar]和7.1[mbar]的两个平均排气压差。发现平均入口压差与平均排气压差的比率为0.49(＝4.6[mbar]/9.44[mbar])和0.53(＝7.1[mbar]/13.4[mbar])。在本文中提出这些估计的比率，以检查在相似的气体加载操作中入口和排气压力之间的关系保持不变到何种程度。当然，减小的比率通常指示泵性能下降。

这里应该注意的是：增压泵的供电电流也与气体加载级别紧密相关。看到第一气体加载状态(表1中的步骤1)和第一空闲状态(表1中的步骤2)之间的平均供电电流差为2.71[A]。观察到第二气体加载状态(表1中的步骤3)和第二空闲状态(表1中的步骤4)之间的另一平均供电电流差为3.88[A]。发现入口压差与供电电流差的比率分别为0.29[A/mbar](＝2.71[A]/9.44[mbar])和0.29[A/mbar](＝3.88[A]/13.4[mbar])。示出的两个比率彼此接近相等。这对于检查与初始操作条件相比到目前为止对增压泵的过多供电电流级别增加到何种程度非常有用。实际上，入口压力差与供电电流差的比率是在本文中提出的第三真空泵性能指标。通过与对增压泵的供电电流的相似的方法，也获得干式泵的平均供电电流的两个差值。看到第一空闲状态(表1中的步骤2)和第一气体加载状态(表1中的步骤1)之间的平均供电电流差为0.3[A]。观察到第二空闲状态(表1中的步骤4)和第二气体加载状态(表1中的步骤3)之间的另一平均供电电流差为0.4[A]。发现入口压差与供电电流差的比率分别为0.032[A/mbar](＝0.3[A]/9.44[mbar])和0.030[A/mbar](＝0.4[A]/13.4[mbar])。示出的两个比率彼此接近相等。干式泵供电电流与入口压力的相关性是在本文中提出的第四真空泵性能指标。特别应注意的是：对增压泵和干式泵的供电电流与对两个电动机的机械载荷直接相关，从而第三和第四性能指标可能够进行施加到增压泵和干式泵的电机上的机械载荷(扭矩)条件的分析。

提出了四种真空泵性能指标，将在本部分详细描述其估计方法。示出实际上被认作是关于新安装的真空泵的参考(或初始)性能数据的估计结果。在下一小节示出这些性能指标被用于检查运行的真空泵的当前性能偏离参考操作数据的程度。

3.用于恶化的真空泵的预知维护的精确诊断过程

在前面的两个小节中，详细描述了为每个测量的状态变量估计操作特性值的主动算法和四个真空泵性能指标的原位估计方法。当应用到新安装的低真空泵的初始性能测试时，示出提出的主动算法和开发的原位方法，以通过估计的特性值和估计的性能指标。在本小节，通过将特性值和性能指标应用于到已经达到异常操作条件(即，对反应室的期望的真空级别的“慢响应”)的真空泵来检查真空泵的预知维护的精确诊断的可行性和有效性。在大量正常操作之后已经遇到意外的真空泵操作状态。维护工程师为考虑的真空泵的预知维护应该做的第一工作是根据预定测试过程执行原位(或现场)性能测试，然后判断当前性能测试结果偏离存储在真空泵维护数据库中的初始(或参考)性能值的程度。但是，即使在领先的半导体制造商或主要真空泵供应商之中也没有很好的建立起真空泵的预知维护的系统方法。

如前面提到的那样，实际上从考虑的真空泵的最开始操作阶段获得在前面部分示出的估计的操作特性值和估计的性能指标。在本文中，这些示出的结果被认为是参考数据。图9示出在异常操作条件下从真空泵运行测量的时间信号。示出六个状态变量：(a)入口压力信号；(b)排气压力信号；(c)对增压泵的供电电流；(d)对干式泵的供电电流；(e)机械振动信号；(f)听觉信号，已经在表1和表2中示出所述六个变量的参考特性值。如图9(a)的入口压力信号所示，检测到简单的两个阶梯(气体加载和空闲)的泵操作。第一阶梯为缓慢增加的气体加载操作条件，第二阶梯为基本入口压力保持不变的空闲状态。290和320秒位置之间的短状态变换区域将所述两个操作条件分开。从图9中示出的状态变量信号不容易区分任何显著的非正常信号分量。它们的与所述六个状态变量相应的初始信号(被认为是参考信号)在图5(a)到图5(d)、图7(a)和图7(c)中被示出，在新安装的真空泵的最开始测量所述初始值。它们的比较导致观测到：当前真空泵的机械振动和听觉噪声级别已经增加到大于初始性能测试条件的机械振动和听觉噪声级别。这些观测到的结果不足以使维护工程师来决定是否更换被引起注意的真空泵。这是一个很多维护工程师已在实际的半导体制造现场遇到的挑战性的问题。

给出在两个依赖于气体加载操作条件下测量的信号，第一诊断步骤为：以在第1节中进行的相同方法估计每个状态变量的操作特性值。表4示出在图9示出的六个测量的状态变量的估计的操作特性值的列表。注意：BP和DP表示增压泵和干式泵，a_u和b_u指示渐进上限曲线的斜率和初始值，a_L和b_L指示渐进下限曲线的斜率和初始值。

表4

泵操作条件  步骤  1  步骤2  泵操作条件步骤1步骤2  气体  加载  状态  1  空闲  状态1气体加载状态1空闲状态1入口压力[mbar]  平均值  20.3  0.75  排气  压力  [mbar]平均值1014.91007.3  上限    a_u  0.084  -0.003上限    a_u-0.0240.009    b_u  19.3  0.77    b_u1018.11009.8    峰值  21.4  1.06    峰值1018.51010.8  下限    a_L  0.086  -0.002下限    a_L-0.0010.021    a_L  19.1  0.73    a_L1012.01003.7BP供电电流[A]  平均值  8.93  3.86  DP供  电电  流[A]平均值15.816.5  上限    a_u  0.015  -0.003上限    a_u-0.0020.002    b_u  8.79  3.98    b_u16.016.6    峰值  9.19  4.10    峰值16.016.7  下限    a_L  0.015  -0.003下限    a_L0.00000.0004    a_L  8.67  3.91    aL15.716.4DP上的振动级别  平均值  13.9  13.8  听觉  噪声  级别  [Pa]平均值1.071.02  上限    a_u  -0.033  0.0056上限    a_u-0.011-0.003    b_u  16.3  15.5    b_u1.991.75    峰值  16.7  16.3    峰值2.292.63[m/s²]下限    a_L  -0.002  12.2下限    a_L-0.0010.0004    a_L  -0.002  12.3    aL0.750.73

如表4所示，气体加载运行条件的平均入口压力级别为20.3[mbar]，平均入口基本压力为0.73[mbar]。该气体加载操作范围相当接近初始的气体加载操作条件的第二状态，即，表1中的第三和第四步骤(步骤3和步骤4)，所述步骤3的气体加载操作条件的平均入口压力级别为14[mbar]，所述步骤4的空闲操作条件的平均入口压力级别为0.7[mbar]。应该注意的是：由于最后的生产相关的工艺条件而不是由于真空泵性能的下降而导致在气体加载的入口压力的小的增加。此外，看到在空闲状态下的平均排气压力级别从初始值1000.3[mbar](即，表1中步骤2和步骤4的排气压力的平均值)增加到当前值1007.3(即，表4中步骤2和步骤4的排气压力的平均值)。这是由于在不同日期周围压力的增加。为了克服该周围压力对于测量的排气压力级别的不期望的影响，如第2节所提到的，本文已经提出使用排气压力级别与空闲状态的平均排气压力级别的相对值。在本文中使用气体加载状态和空闲状态的排气压力级别之间的差值。观测到初始操作(即，表1中的步骤1和步骤2)和当前操作(即，表4中的步骤1和步骤2)两种情况的排气压差分别为7.1[mbar]和7.6[mbar]。显然，平均的气体加载的入口压力级别从14[mbar]到20.3[mbar]的小的改变不会导致排气压力任何显著的增加。这可指示：排气压力信号对真空泵的气体加载级别的改变不敏感。这是本文强烈推荐直接使用入口压力信号用于真空泵的预知维护的状态监控和诊断分析的原因。

在表4中，示出的当前气体加载操作状态的增压泵(简称“BP”)供电电流的平均值为8.93[A]。与初始平均值8.22[A](看表1的步骤3的平均BP供电电流值)相比，这是个稍微增加的值。还观测到当前空闲操作状态的BP供电电流的平均值为3.86[A]，然而与初始平均值4.34[A](看表1的步骤4的平均BP供电电流值)相比，这是个稍微增加的值。与BP供电电流小的改变不同，示出的分别等于15.8[A]和16.5[A]的在气体加载状态和空闲状态测量的干式泵(简称“DP”)供电电流的平均值非常接近初始值的供电电流，即，15.8[A]和16.2[A](看表1的步骤3和步骤4的平均DP电流值)。显然，从考虑的真空泵的当前异常运行条件测量的这些平均供电电流不会显示任何足以证明真空泵的性能下降的显著的改变。

如表4所示，测量的当前干式泵的平均振动级别从初始级别10.8[m/s²，rms](参考表2中的步骤3和步骤4的振动级别)增加到13.4[m/s²，rms]。它们的相应的峰值加速度级别也从初始值12.9[m/s²]增加到当前值16.7[m/s²]。类似地，当前平均噪声级别从初始值0.85[Pa，rms](参照表2中的步骤3和步骤4的听觉噪声级别)增加到1.07[Pa，rms]。它们的相应的峰值听觉噪声级别也从初始值1.32[Pa]增加到当前值2.63[Pa]。这些测量结果指示：真空泵的当前运行条件显示机械振动级别的平均均方根值和峰值的24％和29％增加，听觉噪声级别的平均均方根值和峰值的26％和99％增加。被认为是动态状态变量的机械振动和听觉噪声信号被示出为产生比上面提到的四个静态变量相对地增加更多的真空泵的当前运行条件的估计结果。看到两个动态状态变量与静态状态变量相比，对真空泵运行条件的改变更加敏感。但是，从机械振动和听觉噪声信号观测的这些增加的级别不足以使维护工程师能够决定使用新的真空泵替换考虑的真空泵，这是因为与关于机械振动的诊断指南[参考文献2]相比它们被认为是可以被容忍的。

结果，发现到目前为止讨论的传统诊断方法不能成功诊断考虑的真空泵的异常操作条件的可能原因。这可指示：使用测量的状态变量的级别分析的传统诊断方法提供对低真空泵的性能下降的早期检测的精确诊断的有限能力。传统诊断方法的这个有限能力已经提供了开发在第2节提出的直接真空泵性能指标估计方法的动机。本文中提出第一性能因素是从测量的入口压力信号估计的抽气速度指标。

图10示出从负向变换区域测量的入口压力信号。实线指示从被用于估计抽气速度指标的最佳拟合模型估计的值。在表5中示出估计的抽气速度指标。

表5

估计的性能指标  异常操作条件：平均气体  加载的入口压力  ＝20.3[mbar]初始(参考)操作条件：平均气体加载的入口压力＝14.0[mbar]抽气速度指标：[(m³/h)/m³]  7.58×10²2.45×10³入口压差与排气压差的 比率：无量纲   0.39 0.53入口压差与BP供电电流  0.260.29差的比率：[A/mbar]入口压差与DP供电电流差的比率：[A/mbar]  0.035 0.030

与初始操作条件相比，从异常操作条件估计的当前抽气速度指标被示出为减小到31％。显然地发现抽气速度的69％的减小导致对期望的真空级别的慢响应，即，考虑的真空泵的异常操作条件。提出的抽气速度指标被证明对于真空泵的精确诊断非常有效。这样的抽气速度减小可指示应尽快使用新的泵替换考虑的泵。还应被注意的是：尽管抽气速度减小69％，但是入口压差与排气压差的比率仅减小到26％。这意味着尽管平均排气压力级别对抽气速度的下降不那么敏感，但是仍显示对于关于它下降的有用信息。其原因在于：抽气速度与入口压的减小率是紧密相关的，而不是与入口和排气压力信号的稳定状态基础级别紧密相关。与这两个性能指标不同，不能从表5给出的关于估计的供电电流的性能指标观测到任何显著不同。这可指示：施加到增压泵和干式泵的外部机械载荷(扭矩)不上升。显然，将测量的入口压力用作真空泵的状态变量不仅能够进行低真空泵的精确诊断，而且可导致它们的可靠预知维护。这告知了入口压力信号对于预知维护的精确诊断的重要意义。这是本文的一个主要贡献。

在本小节中，考虑的六个状态变量是：入口压力、排气压力、对增压泵的供电电流、对干式泵的供电电流、机械振动信号以及听觉噪声信号。估计适用于真空泵的操作条件的模型参数的主动算法已被示出来分别提供最佳拟合模型参数{a_u，b_u，a_L，b_L}和对每个空闲状态或气体加载状态的每个气体加载操作条件的平均值和峰值。结果，六个参数是每个(空闲或气体加载)操作条件的代表性数据组。每当需要性能测试时，在二维矩阵对中描述所有考虑的状态变量的六个参数的序列。

等式7

{P_Idle(n，(j-1)×6+k)}和{P_Load(n，(j-1)×6+k)}

n＝1，...；j＝1，...，7；k＝1，...，6

注意：下标(“Idle”和“Load”)表示空闲和气体加载操作条件。行索引n表示性能测试的序列。列索引j和k表示七个状态变量的分类号和每个状态变量的六个参数的次序。尽管第七状态变量没有在本文中示出，但是它相应于在增压泵上测量的机械振动信号。如果需要，则抽气速度指标可被包括在矩阵的最后列中。以任何传统方法进行分类号和参数次序的选择。当执行空闲状态或气体加载操作操作时，获得它的相应的行矢量。当重复空闲和气体加载状态时，获得两个矩阵。

通过使用下面公知的分析方法：单变量或多变量统计分析、Mahalanobis距离分析[参考文献10]以及工艺性能分析[参考文献21：Z.G Stoumbos，″Process capability indices：Review and extensions，″Nonlinear Analysis：RealWorld Applications，Vol.3，pp.191-210，2002]，容易地将在等式7中描述的矩阵数据用于考虑的真空泵的诊断分析。实际上在本小节中，采用以单变量统计分析为基础的构思，以示出估计的特性值用于低真空泵的预知维护的精确诊断分析的程度如何。在前面的小节中示出的内容和逻辑序列与单变量统计分析匹配地很好。但是到目前为止没有还没有考虑包括Mahalanobis距离分析和工艺性能分析的多变量分析，这是因为它们的技术的论述超出了本文的范围。本文倾向于Mahalanobis距离分析而不倾向于多变量分析或工艺性能分析。其原因在于，它总是提供给我们太敏感的对于估计模型参数的小的变化的响应。示出的包括嵌入到测量的状态变量中的动态特性的最佳拟合模型参数和平均峰值的矩阵数据导致对于真空泵的预知维护的精确诊断分析的另一有效方法。将构造的数据矩阵移植到传统分析算法(多变量统计分析、工艺性能分析和Mahalanobis距离分析)的确是本文贡献的一个成果。

实现系统

本节介绍实现用于低真空泵的预知维护的精确诊断分析的实现系统所需的技术细节。

图11示出用于低真空泵的预知维护的精确诊断分析的实现系统测量的状态变量的示意图。如已经在前面的章节介绍的那样，设计实现系统以直接地测量七个状态变量：入口压力信号、排气压力信号、对增压泵的供电电流、对干式泵的供电电流、增压泵上的机械振动信号、干式泵上的机械振动信号以及从增压泵和干式泵之间的间隙测量的听觉噪声信号。

为了测量入口压力，在真空泵的进气口安装对多个气体加载条件具有足够范围的真空计。为了测量排气压力，非常接近干式泵的排气口安装具有两到三倍大气压级别的全刻度范围的压力传感器。为了测量增压泵和干式泵的供电电流，使用可承受峰值电流级别的电流探头。为了测量增压泵和干式泵上的机械振动，在增压泵和干式泵的主体表面上严密地安装能耐高温度范围(即，达到150摄氏度或更高)的两个加速度计。为了测量真空泵产生的听觉噪声，在增压泵与干式泵之间的中间位置附近安装专用于高听觉压力范围(即，大小为1/4”的型号)的测量麦克风。将这些机械和电传感器连接到专用的信号调节单元，所述专用的信号调节单元不仅为每个传感器提供相关电输入电源，而且为外部仪器将每个传感器的输出电压放大到期望的级别。在先前的第1节到第3节示出的本发明推荐使用列出的机械和电传感器，以实现用于现代半导体制造工艺的低真空泵的故障保护和预知维护的精确诊断。任何传统的泵监控系统不全部使用上面列出的七个状态变量。如果上面列出的一个或多个传感器输出可用于外部使用，则也可将它们的输出信号连接到信号调节单元的保留输入通道。

没有直接测量其他的状态变量(例如，吹扫气压力及其流速、主体温度、冷却水温度、润滑油压力以及真空泵的级别)，这是因为它们可从已经安装在低真空泵中的传统泵监控系统被获得。在泵供应商提供的基于PC的数据读取软件的支持下，实际上对这些状态变量进行间接选择。当对于这些间接选择的状态变量的外部连接器可用时，实现系统的多通道数据采集(DAQ)系统被设计为读取它们的信号。

图12示出用于已在半导体制造现场安装的用于低真空泵的预知维护的精确诊断分析的实现系统。它包括三个主要部分：信号调节单元、多通道数据采集(DAQ)系统以及服务器级别的PC系统。上面介绍的专门用于七个传感器的信号调节单元包括它们自己的输入电源和各自的输出电压放大器。高性能DAQ系统包括：同时16通道采样及保持器和具有最大100kHz的采样速率的16通道24位模拟-数字(AD)转换器。特定地选择双处理服务器级别的PC系统，以通过国家仪器公司提供的MXI-II的接口实现DAQ系统的采样的数据的可靠的通过量。在本文中，使用国家仪器公司提供的Lab View开发数据采集程序。该PC系统也实现已在前面的章节提到的数字信号处理方案。在实际工艺现场中便携并易于移动的该实现系统的紧凑版本正在开发中。它的大小可被期望远小于在图12中示出的当前实现系统。

                      产业上的可利用性

根据本发明，在本文中最具挑战的问题在于找到系统方法，所述系统方法使维护工程师能够基于真空泵当前的性能评价结果来决定更换真空泵的合适时间。此外，示出当前估计的诊断分析结果与初始(或参考)数据组的比较，以使维护工程师能够根据估计的泵性能指标决定更换考虑的真空泵。此外，当前真空泵的估计的抽气速度指标被报告显著的减少。该定量诊断分析结果不仅被期望使维护工程师能够基于真空泵的当前性能评价结果来决定更换泵的合适时间，而且被期望提高低真空泵的预知维护的可靠性和可信性。