Ecole Doctorale

Mathématiques et Informatique de Marseille

Spécialité

Automatique

Etablissement

Aix-Marseille Université

Mots Clés

Pronostic de défaillance,Indice de santé,Durée de vie utile restante,Analyse multivariée,Semi-conducteur,

Keywords

Failure prognostic,Health indicator,Remaining useful life,Multivariate analysis,Semiconductor,

Titre de thèse

État de santé et pronostic des équipements d’une chaîne de production : Application aux équipements de fabrication des semi-conducteurs
State of health and prognosis of equipment units in a production line : Application to semiconductor manufacturing equipments

Date

Lundi 10 Juillet 2023 à 10:00

Adresse

LIS UMR 7020 CNRS / AMU / UTLN Aix Marseille Université – Campus de Saint Jérôme – Bat. Polytech 52 Av. Escadrille Normandie Niemen 13397 Marseille Cedex 20 Amphithéâtre Gérard Jaumes

Jury

Directeur de these M. Mustapha OULADSINE Université d’Aix Marseille
Rapporteur M. Didier THEILLIOL Universite de Lorraine
Rapporteur M. Belkacem OULDBOUAMAMA Ecole Polytechnique de Lille
Examinateur M. Abdessamad KOBI POLYTECH Angers
Président Mme Mitra FOULADIRAD Ecole Centrale de Marseille
CoDirecteur de these Mme Bouchra ANANOU Université d’Aix Marseille
Co-encadrant de these M. Guillaume GRATON École Centrale de Marseille
Examinateur M. Jacques PINATON STMicroelectronics

Résumé de la thèse

Ce travail de thèse s’inscrit dans le cadre du projet Européen MADEin4 en partenariat avec STMicroelectronics de Rousset, France. Afin d’optimiser la production, STMicroelectronics commence à adopter, dans leur chaîne de production, les stratégies de maintenance prévisionnelle qui reposent sur le pronostic. Cette thèse s'intéresse ainsi au pronostic de défaillance des équipements de fabrication des semi-conducteurs. Elle traite les deux problématiques suivantes : (1) le suivi de l'état de santé actuel de ces équipements et (2) la prédiction de leur durée de vie utile résiduelle, notée par RUL (Remaining Useful Life). Deux contributions sont proposées dans cette thèse. La première consiste en une approche d’extraction d'un indice illustant l'état de santé de l'équipement à partir des données. Cette approche se base principalement sur le modèle de régression LASSO (Least Absolute Shrinkage and Selection Operator). La deuxième contribution consiste en une approche de prédiction du RUL qui inclut le prétraitement de l’indice de santé extrait et sa modélisation par le processus de Wiener adaptatif en se basant sur un calcul de similarité. Ces approches ont été testées sur des données simulées. De plus, elles sont évaluées sous forme d'un processus dans une configuration hors ligne et en ligne sur des données issues de STMicroelectronics. Les résultats obtenus prouvent l'efficacité des approches proposées. Une comparaison avec d’autres méthodes développées au sein du laboratoire a été effectuée. Les résultats obtenus montrent que les approches proposées améliorent la précision de prédictions.

Thesis resume

This thesis is part of the European project MADEin4 in partnership with STMicroelectronics of Rousset, France. In order to optimize the production, STMicroelectronics starts adopting predictive maintenance strategies that are based on prognostic. In this thesis, we are interested in the failure prognostic of semiconductor manufacturing equipment units. It deals with two issues: (1) monitoring the current state of health of these equimpent units and (2) predicting their Remaining Useful Life (RUL). Two contributions are proposed in this thesis in order to address these problems. The first consists of an approach for extracting an indicator illustrating the state of health of the equipment unit from the data. This approach is mainly based on the Least Absolute Shrinkage and Selection Operator (LASSO) regression model. The second contribution consists of a RUL prediction approach, which includes the preprocessing of the extracted health indicator and its modeling by the adaptive Wiener process based on a similarity calculation. These approaches have been tested on simulated data. In addition, they are evaluated as a process in an offline and online configuration, on a real dataset from STMicroelectronics. The obtained results prove the effectiveness of the proposed approaches. A comparison was also performed against other existing works in the same context within the same laboratory. The results show that the proposed approaches improve the accuracy of RUL predictions compared to these works.