Diagnostic des équipements de production de semi-conducteurs par analyse statistique

par Julien Marino

Thèse de doctorat en Mathématiques et informatique. Automatique

Le président du jury était Belkacem Ould Bouamama.

Le jury était composé de Mitra Fouladirad.

Les rapporteurs étaient Zineb Simeu-Abazi, Didier Theilliol.


  • Résumé

    Cette thèse présente la construction d'un algorithme de détection de fautes utilisable en temps réel dans l'industrie du semi-conducteur. La méthodologie proposée est basée sur l'exploitation statistique des données récoltées sur les équipements. La présence de fautes est évaluée de façon à la fois supervisée, par rapport au passé des équipements, et non-supervisée, par rapport aux données du présent de l'ensemble des équipements d'un même atelier de production. L'approche proposée est testée sur des équipements de STMicroelectronics, à partir de fautes ayant réellement eu lieu dans l'environnement de production. Nous modélisons chaque équipement de façon individuelle, à partir de données de référence. Nous effectuons un test statistique, basé sur ce modèle, à chaque fois qu'un procédé est exécuté. Ce test est nommé Gaussian Time Error et permet de se prononcer sur la qualité de l'équipement par l'identification de différences relativement au modèle.Une particularité de l'industrie du semi-conducteur est la maintenance régulière des équipements, qui apporte des variations par rapport à la modélisation initiale. Nous introduisons donc un test spécifique sur ces maintenances, pour vérifier que l'intervention humaine n'ait pas introduit d'erreur. Une adaptation de certains paramètres du Gaussian Time Error a lieu lorsqu'aucune faute n'est détectée. Cette procédure s'effectue sur une quantité faible de données, permettant une reprise rapide de la surveillance des équipements.En parallèle de la surveillance individualisée de chaque équipement, nous proposons une étude commune, non-supervisée, de tous les appareils réalisant les mêmes procédés.

    mots clés mots clés

  • .
  • Titre traduit

    Diagnosis of semiconductor equipment using statistical analysis


  • Résumé

    This thesis presents the construction of a fault detection algorithm, which can be used in real-time for semiconductor processes. The methodology is based on the statistical analysis of the data collected on the equipments. Faults are detected both with supervised learning, relatively to past data of a given equipment, and with unsupervised learning, relatively to the present data of groups of equipments. The proposed approach is tested on real equipments from STMicroelectronics, using faults which effectively occurred in the industrial environment.Each equipment and each of its operating modes is individually modeled, using reference data. A statistical test, based on such model, is performed every time a process is realized. This test is named Gaussian Time Error, because it is based on Gaussian models computed at each measurement time. By identifying differences in the new data relatively to the model, it allows to detect faults on the equipments.In the semiconductor industry, equipements are frequently maintained, which modifies the observed data. As a result, we introduce a specific test for the maintenances, to verify that no human error was made during the intervention. When no fault is seen, several parameters of the Gaussian Time Error are updated. This procedure is performed on a small quantity of data, thus allowing the equipment to be monitored quickly after maintenance.On top of the individual monitoring of equipments, we propose to gather the data of all equipments performing identical processes, in order to provide an unsupervised fault detection method.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université d'Aix-Marseille. Service commun de la documentation. Bibliothèque électronique.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.