Soutenance de thèse de TCHATCHOUA KANGMAFO PHILIP
Titre de thèse
Détection des Défaillances à partir de Séries Temporelles de données issues d'équipements de production de composants électroniques
Fault Detection on Time Series data from electronic component production equipment
Résumé de la thèse
Cette thèse présente le développement d'une méthodologie de détection de défaillances appliquée aux équipements de fabrication des semiconducteurs et utilisable en temps réel. L'approche proposée est basée sur l'utilisation de l'intelligence artificielle pour l'exploitation statistique des données collectées via des capteurs sur les équipements durant les opérations de fabrication des puces électroniques. L'approche repose sur les algorithmes d'apprentissage profond, notamment sur les réseaux de neurones convolutifs (CNN). Cette thèse a été réalisée au sein du Laboratoire d'Informatique et Systèmes (LIS) dans le cadre d'une collaboration CIFRE entre Aix-Marseille Université et l'entreprise STMicroelectronics Rousset.
Dans cette thèse est adressé la problématique du bon choix de méthodes statistiques et d'apprentissage automatisé appliquées à des signaux d'une grande diversité et versatilité. Le contexte d'application industriel ainsi que la complexité des procédés mis en œuvre soulèvent des particularités : le grand volume de données collectées toutes les secondes, l'hétérogénéité des données collectées, la variabilité du nombre d'observations collectées entre des produits de la même recette de fabrication, la variabilité du nombre d'observations collectées entre des recettes de fabrication différentes réalisées sur le même équipement et la rareté des défaillances sur les équipements.
Afin de correctement aborder les difficultés d'utilisation liées aux données, nous modélisons les procédés étudiés à partir d'ensembles de données de référence préalablement étiquetées et de réseaux de neurones résiduels appelés ResNet. Les ResNet sont une amélioration des CNN permettant de construire des algorithmes de classification plus performants. Avec les données étiquetées, les ResNet nous permettent de modéliser les différents procédés de fabrication d'un équipement en prenant en compte la dynamique et les caractéristiques spécifiques du système. La modélisation de la présence de défaillances se fait par apprentissage supervisé par rapport aux données passées des équipements, les modèles sont régulièrement mis à jour pour s'adapter aux changements subits par les équipements surveillés.
La méthodologie de modélisation et de détection de défaillances proposée est illustrée à l'aide de données réelles, avec des défaillances ayant réellement eu lieu dans l'environnement de production. Les données ont été collectées sur un équipement de gravure métal actuellement exploité par STMicroelectronics Rousset.
Thesis resume
This thesis presents the development of a fault detection methodology applied to semiconductor manufacturing equipment and usable in real time. The proposed approach is based on the use of artificial intelligence for the statistical exploitation of data collected via sensors on equipment during electronic chip manufacturing operations. The approach is based on deep learning algorithms, particularly convolutional neural networks (CNN). This thesis was carried out within the Computer Science and Systems Laboratory (LIS) as part of a CIFRE collaboration between Aix-Marseille University and the company STMicroelectronics Rousset.
This thesis addresses the problem of the correct choice of statistical and automated learning methods applied to signals of great diversity and versatility. The industrial application context as well as the complexity of the processes implemented raise particularities: the large volume of data collected every second, the heterogeneity of the data collected, the variability in the number of observations collected between products of the same manufacturing recipe, the variability in the number of observations collected between different manufacturing recipes for the same equipment and the scarcity of equipment faults.
To properly address the difficulties linked to the data, we model the processes studied from sets of previously labelled reference data and residual neural networks called ResNets. ResNets are an improvement of CNN allowing the construction of more efficient classification algorithms. With labelled data, ResNets allow us to model the different manufacturing processes of equipment by considering the dynamics and specific characteristics of the system. Modelling the presence of faults is done by supervised learning based on past equipment data and the models are regularly updated to adapt to changes experienced by the monitored equipment.
The proposed fault modelling and detection methodology is illustrated using real data, with faults that occurred in the production environment. The data was collected on an etch metal tool currently operated by STMicroelectronics Rousset.