半导体设备的监测方法及设备维保管理系统与流程

1.本公开涉及半导体技术领域，尤其涉及一种半导体设备的监测方法及设备维保管理系统。


背景技术：

2.在半导体芯片的生产过程中，多个制程工序构成生产流水线，生产原料需要经过生产流水线上的每一制程工序进行加工以得到最终的产品，每一制程工序可以设置多台半导体设备。为了同时确保产品良率和生产进程，需要对每台半导体设备的使用情况进行监测，以确定每台半导体设备进行保养和维护的时间点。目前，在确定半导体设备的维保时间时，通常采用半导体设备的建议使用周期和已工作时长做差，将得到的差值与设备生产制品的平均消耗速度相除，以得到半导体设备的剩余使用寿命，从而确定维保时间。
3.然而，上述方法确定的维保时间为一个确切的时间点，而在实际生产过程中，半导体设备的生产产能排期存在波动，即设备生产制品的消耗速度存在波动，导致计算得到的维保时间可靠性较差，容易存在维保不及时对产品良率产生影响，或维保频繁导致的资源浪费。此外，上述方法仅可以对单个半导体设备的维保情况进行监测，无法进行多个半导体设备的维保资源进行灵活调度。


技术实现要素：

4.以下是对本公开详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本公开提供了一种半导体设备的监测方法及设备维保管理系统。
6.本公开的第一方面，提供了一种半导体设备的监测方法，应用于设备维保管理系统，所述半导体设备的监测方法包括：
7.获取目标设备的多个历史在制品信息，所述历史在制品信息包括所述目标设备在历史时刻对应的待加工在制品的数量；
8.获取记录每个所述历史在制品信息的所述历史时刻对应的历史设备性能信息，以及与所述历史时刻对应的历史维保信息，所述历史维保信息包括所述目标设备与所述历史时刻对应所在的历史维保周期的结束时刻，以及所述结束时刻与所述历史时刻之间的间隔时长；
9.基于多个所述历史在制品信息、多个所述历史设备性能信息和多个所述历史维保信息，获得预测模型；
10.获取所述目标设备的当前在制品信息以及当前设备性能信息，所述当前在制品信息包括所述目标设备在当前时刻的待加工在制品的数量；
11.将所述当前在制品信息和所述当前设备性能信息输入所述预测模型，得到所述目标设备的预测维保信息，所述预测维保信息包括所述目标设备的当前维保周期的结束时间点的时间区间。
12.根据本公开的一些实施例，基于多个所述历史在制品信息、多个所述历史设备性能信息和多个所述历史维保信息，获得预测模型，包括：
13.基于每个所述历史在制品信息，获取所述目标设备加工单位数量的所述待加工在制品所需的单位时长；
14.对每个所述历史在制品信息以及与其对应的所述历史设备性能信息、所述单位时长和所述历史维保信息进行标注处理，获得所述目标设备的训练样本集；
15.采用所述训练样本集对神经网络进行训练，获得所述预测模型。
16.根据本公开的一些实施例，所述历史在制品信息还包括所述历史时刻的所述待加工在制品在生产流水线中所处的制程工序，所述当前在制品信息还包括所述当前时刻的所述待加工在制品在所述生产流水线中所处的制程工序；
17.将所述当前在制品信息和所述当前设备性能信息输入所述预测模型，得到所述目标设备的预测维保信息，包括：
18.将所述当前在制品信息和所述当前设备性能信息输入所述预测模型；
19.所述预测模型构建与所述当前在制品信息对应的单位时长，以及所述待加工在制品在相邻工序设备之间的转运时长，并输出所述目标设备的多个预测维护时间点，作为初始预测维护时间区间；
20.其中，所述初始预测维护时间区间中，多个所述预测维护时间点对应的维护概率中，至少一个所述维护概率与其它所述维护概率不同，且所有所述维护概率的总和为百分之百。
21.根据本公开的一些实施例，在获得所述初始预测维护时间区间之后，所述得到所述目标设备的预测维保信息，还包括：
22.获取所述目标设备中零部件的预设寿命，以及所述目标设备的已工作时长，计算所述目标设备的参考维保时间区间；
23.将所述参考维保时间区间与所述初始预测维护时间区间合并，将得到的预测维护时间区间作为所述预测维保信息。
24.根据本公开的一些实施例，所述半导体设备的监测方法还包括：
25.根据所述预测维护时间区间中每个所述预测维护时间点对应的维护概率，建立正态分布曲线，所述正态分布曲线包括位于两端的第一概率区间以及位于所述第一概率区间之间的第二概率区间；
26.去除所述第一概率区间对应的所述预测维护时间点，将所述第二概率区间对应的多个所述预测维护时间点，作为目标维护时间区间。
27.根据本公开的一些实施例，所述第二概率区间为[5％，95％]。
[0028]
根据本公开的一些实施例，所述半导体设备的监测方法还包括：
[0029]
基于多个所述目标设备的所述当前在制品信息以及所述目标维护时间区间，确定每个所述目标设备的目标维护时间点。
[0030]
根据本公开的一些实施例，当多个所述目标设备被配置为处理相同制程工序时，各所述目标设备的所述目标维护时间点错开设置。
[0031]
根据本公开的一些实施例，在所述获取所述目标设备的当前在制品信息以及当前设备性能信息之前，所述半导体设备的监测方法还包括：
[0032]
获取所述目标设备在所述当前时刻之前的预设时段内的参考在制品信息以及参考设备性能信息，所述参考在制品信息和所述参考设备性能信息用于对所述预测模型进行修正；
[0033]
将所述参考在制品信息和所述参考设备性能信息输入所述预测模型，对所述预测模型进行修正。
[0034]
根据本公开的一些实施例，在获得预测模型之后，所述半导体设备的监测方法还包括：
[0035]
获取所述目标设备的平均故障间隔时长，根据所述平均故障间隔时长对所述预测模型进行校准。
[0036]
本公开的第二方面，提供了一种设备维保管理系统，所述设备维保管理系统包括：
[0037]
处理器；
[0038]
用于存储处理器可执行指令的存储器；
[0039]
其中，所述处理器被配置为执行本公开第一方面提供的半导体设备的监测方法。
[0040]
本公开提供的半导体设备的监测方法及设备维保管理系统中，基于目标设备在每个历史时刻对应的待加工在制品的数量、历史设备性能信息以及该历史时刻所在的历史维保周期建立预测模型。将目标设备的当前在制品信息以及当前设备性能信息输入预测模型，预测模型可以基于当前时刻的待加工在制品的数量确定当前时刻的设备消耗速度，以确定合适的当前维保周期的结束时间点的时间区间，即预测维保信息。预测维保信息可以匹配目标设备的待加工在制品的数量，从而提升目标设备的制程稳定性和设备维保管理系统的可靠性，并便于设备维保管理系统可以基于多个目标设备的预测维保信息进行资源调度，有利于提高半导体设备的有效利用率。
[0041]
在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
[0042]
并入到说明书中并且构成说明书的一部分的附图示出了本公开的实施例，并且与描述一起用于解释本公开实施例的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本公开的一些实施例，而不是全部实施例。对于本领域技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
[0043]
图1是根据一示例性实施例示出的半导体设备的监测方法的流程图。
[0044]
图2是根据一示例性实施例示出的生产流水线中的半导体设备群的示意图。
[0045]
图3是根据一示例性实施例示出的历史维保周期和当前时刻的示意图。
[0046]
图4是根据一示例性实施例示出的基于多个预测维护时间点构建的正态分布曲线的示意图。
[0047]
图5是根据一示例性实施例示出的确定多个目标设备的目标维护时间点的示意图。
[0048]
图6是根据一示例性实施例示出的半导体设备的监测装置的结构框图。
[0049]
图7是根据一示例性实施例示出的设备维保管理系统的框图。
具体实施方式
[0050]
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
[0051]
在半导体芯片的生产过程中，多个制程工序构成生产流水线，生产原料需要经过生产流水线上的每一制程工序进行加工以得到最终的产品，每一制程工序可以设置多台半导体设备。为了同时确保产品良率和生产进程，需要对每台半导体设备的使用情况进行监测，以确定每台半导体设备进行保养和维护的时间点。目前，在确定半导体设备的维保时间时，通常采用半导体设备的建议使用周期和已工作时长做差，将得到的差值与设备生产制品的平均消耗速度相除，以得到半导体设备的剩余使用寿命，从而确定维保时间。
[0052]
然而，上述方法确定的维保时间为一个确切的时间点，而在实际生产过程中，半导体设备的生产产能排期存在波动，即设备生产制品的消耗速度存在波动。例如生产产能排期紧凑时，设备可以2分钟加工一个在制品，生产产能排期稀疏时，设备可以10分钟加工一个在制品，即设备生产制品的消耗速度不同，设备的损耗程度也不同。采用现有技术中的方法对半导体设备的剩余使用寿命进行计算，当生产排期紧凑时，容易存在维保不及时导致对产品良率产生影响，而生产排期稀疏时，容易存在维保频繁导致的资源浪费。此外，上述方法仅可以对单个半导体设备的维保情况进行监测，无法进行多个半导体设备的维保资源进行灵活调度。
[0053]
有鉴于此，本公开提供了一种半导体设备的监测方法，应用于设备维保管理系统，方法包括：获取目标设备的多个历史在制品信息，以及记录每个历史在制品信息的历史时刻对应的历史设备性能信息和历史维保信息。基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型。将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息。通过本公开提供的监测方法对半导体设备的维保时间进行监测，得到的预测维保信息可以匹配目标设备在当前时刻的待加工在制品的数量，从而降低维保不及时或者维保频繁的发生概率，在预测维保信息内，可以灵活确定当前维保周期的结束时间点，有利于提高目标设备的有效利用率。
[0054]
下面结合附图及具体实施例对本公开进行说明。本公开示例性的实施例提供了一种半导体设备的监测方法，如图1所示，图1是根据一示例性实施例示出的半导体设备的监测方法的流程图，该方法包括如下步骤：
[0055]
步骤s100、获取目标设备的多个历史在制品信息，历史在制品信息包括目标设备在历史时刻对应的待加工在制品的数量；
[0056]
步骤s200、获取记录每个历史在制品信息的历史时刻对应的历史设备性能信息，以及与历史在制品信息对应的历史维保信息，历史维保信息包括目标设备与历史时刻对应所在的历史维保周期的结束时刻，以及结束时刻与历史时刻之间的间隔时长；
[0057]
步骤s300、基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型；
[0058]
步骤s400、获取目标设备的当前在制品信息以及当前设备性能信息，当前在制品
信息包括目标设备在当前时刻的待加工在制品的数量；
[0059]
步骤s500、将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息，预测维保信息包括目标设备的当前维保周期的结束时间点的时间区间。
[0060]
为便于理解，首先对半导体设备的监测方法的应用场景以及涉及的设备维保管理系统进行说明。半导体制造工厂中的生产流水线包括多个制程工序，参考图2所示，图2是半导体制造生产流水线上的半导体设备群示意图，每个制程工序可以包括数台半导体设备，生产原料在生产流水线中进行转运，经过每个制程工序对应的半导体设备进行加工，以得到最终的半导体单元。在半导体制造工厂中，半导体制造生产流水线上的每个半导体设备均可与eap(equipment automation process，机台自动化控制程序)通讯连接，eap通过secs/gem(semiconductor equipment communication standard/generic equipment model，semi连接性标准e30)与半导体设备进行数据传输。eap可以控制每个半导体设备，并收集流水线生产状态、材料状态、半导体设备状态、产品参数、品质参数等信息，并传输至mes(manufacturing execution system，制作执行系统)进行记录和保存。也就是说，eap是mes收集实时数据的来源，eap在控制机台生产过程中实时地将半导体设备的状态数据、产品参数等报告给mes，使得每个半导体设备、生产机台、量测机台，甚至每一片正在加工或等待加工的晶圆，都以id的形式记录在mes的实时数据库中。每一种信息的状态发生变化时，eap均会将信息传输至mes以便及时更新数据库，使得mes能够实时地监控整个流水线的生产状况。
[0061]
设备维保管理系统可以是装配有pms(preventive maintenance system，预防性维护管理系统)的终端设备或者终端设备群，在实施本公开提供的半导体设备的监测方法时，设备维保管理系统作为监测方法的执行主体。设备维保管理系统可以根据需求对mes的数据库中的各种数据信息进行提取、整合和分析，从而对同时对整个流水线上的多个半导体设备的维保状况进行监测，例如制定半导体设备群的维保计划，以在确保流水线的正常生产进程的同时，确定每台半导体设备在合适的时间进行维护保养，从而确保产品良率。
[0062]
可以理解的是，在执行本公开提供的监测方法时，设备维保管理系统可以仅对一台半导体设备的维保状态进行监测，也可以同时对多台半导体设备的维保状态进行监测，也可以对生产流水线中的全部半导体设备的维保状态进行监测。为了便于技术方案的说明和理解，本公开的所有实施例均以生产流水线中的任意制程工序中的其中一台半导体设备(即目标设备)为例，对本公开提供的技术方案进行说明。
[0063]
在步骤s100中，结合图2和图3所示，目标设备可以是生产流水线中的任意制程工序中的其中一台半导体设备，目标设备例如可以是制程工序a中的半导体设备a1，也可以是制程工序b中的半导体设备b2。获取目标设备的多个历史在制品信息时，由于mes数据库中记录有目标设备的所有历史维保周期中的任意时刻对应的在制品信息，设备维保管理系统可以由mes数据库中调取目标设备在历史时刻的待加工在制品的数量。目标设备的两次维保操作之间的间隔时长构成一个历史维保周期，历史时刻可以是在当前维保周期之前的多个历史维保周期中的任意时刻。多个历史在制品信息中，每个历史在制品信息中均包括目标设备在历史时刻对应的待加工在制品数量，不同的历史在制品信息的历史时刻不同。例如，参考图3，在当前维保周期之前，历史时刻可以是历史维保周期ⅰ和历史维保周期ⅱ中的任意时刻，目标设备的每个历史时刻对应的待加工在制品数量构成一个历史在制品信息。
[0064]
待加工在制品可以包括已经进入目标设备所在工序、处于等待状态的在制品，也可以包括未进入目标设备所在工序的、处于前序制程工艺在制品。当在制品为晶圆时，在制品的数量可以以片计，也可以以包括一定片数的批次进行计数。在一些示例中，结合图2和图3，当制程工序a为生产流水线中的第一道制程，且目标设备为制程工序a中的半导体设备a1时，目标设备在历史时刻a对应的历史在制品信息，即为历史时刻a时等待进入制程工序a中的半导体设备a1的待加工晶圆的数量。
[0065]
在另一些示例中，当目标设备为制程工序b中的半导体设备b1时，若目标设备用于加工制程工序a中的半导体设备a1中已加工完成的半成品，目标设备在历史时刻b对应的历史在制品信息，可以包括历史时刻b时等待进入半导体设备b1的待加工晶圆的数量，即半导体设备a1中已加工完成的半成品数量，还可以包括历史时刻b时半导体设备a1正在加工的晶圆的数量，还可以包括等待进入半导体设备a1的待加工晶圆的数量。
[0066]
在步骤s200中，设备维保管理系统可以在获取目标设备的多个历史在制品信息的同时，在mes数据库中选择目标设备在记录每个历史在制品信息的历史时刻，以调取每个历史时刻对应的历史设备性能信息。由于目标设备在对晶圆进行加工时，目标设备中的一些零部件的性能会随着加工时间的累积而发生损耗，为了维持目标设备的正常加工状态的加工良率，这些零部件的性能需要维持在一定的范围。历史设备性能信息可以是在历史时刻时，目标设备中的零部件的性能参数的剩余值，例如，全新零部件的性能参数为100，确定其性能参数低于30时无法进行正常生产，结合图3，当在历史时刻b记录目标设备的历史在制品信息的同时，记录目标设备的零部件的性能参数为70，即可确定目标设备在历史时刻b时的零部件的性能参数的剩余值为70-30＝40，即为目标设备在历史时刻b时的历史设备性能信息。可以理解的是，同一历史时刻对应的历史设备性能信息和历史在制品信息，是目标设备在该历史时刻对应的不同的参数。对于不同制程工序中的半导体设备，或者同一制程工序内的实现不同功能的半导体设备，其中的零部件不尽相同。
[0067]
当目标设备进行维护和保养前后，目标设备的状态数据、关键设备的性能参数等均会发生改变，eap可以监测半导体设备的性能变化并传输至mes，mes可以记录目标设备进行维保的时间，并将进行维保的时间传输至设备维保管理系统，设备维保管理系统可以将两次维保操作之间的时间间隔定义为一个历史维保周期。在获取目标设备的与每个历史时刻对应的历史维保信息时，可以确定每个历史时刻对应所在的历史维保周期，将该历史维保周期的结束时刻以及历史时刻与结束时刻之间的间隔时长，作为与该历史时刻对应的历史维保信息。历史时刻对应的历史维保信息，可以将目标设备在该历史时刻时的历史设备性能信息以及待加工制品的数量联系起来，用于反馈目标设备在历史时刻的零部件的性能剩余值，在历史时刻的待加工在制品的数量对应的生产产能排期的情况下，目标设备可以加工的待加工在制品的数量，从而确定目标设备还可以进行正常工作的时长。
[0068]
参见图3所示，历史时刻a、历史时刻b和历史时刻c位于同一历史维保周期，即历史维保周期ⅰ，历史时刻a对应的历史维保信息，可以包括历史维保周期ⅰ的结束时间即2023年3月9日，以及历史时刻a与结束时刻之间的间隔时长为55天。历史时刻b对应的历史维保信息，可以包括历史维保周期ⅰ的结束时间即2023年3月9日，以及历史时刻b与结束时刻之间的间隔时长为26天。历史时刻c对应的历史维保信息，可以包括历史维保周期ⅰ的结束时间即2023年3月9日，以及历史时刻c与结束时刻之间的间隔时长为6天。可以理解的是，多个历
史时刻可以位于同一个历史维保周期中，同一个历史维保周期中，每个历史时刻对应的历史设备性能信息和历史在制品信息不尽相同。
[0069]
在步骤s300中，可以将目标设备的多个历史在制品信息、多个历史设备性能信息和多个历史维保信息输入至神经网络中，其中，每个具有相同的历史时刻的历史在制品信息、历史设备性能信息和历史维保信息一一对应，作为该历史时刻对应的训练样本。每个训练样本中，将目标设备在历史时刻对应的历史在制品信息和历史设备性能信息作为输入参数，将与该历史时刻对应的历史维保信息作为输出参数。神经网络可以是rnn循环神经网络，也可以是以rnn神经网络为基础的改进型lstm网络，神经网络可以对多个训练样本进行深度学习并不断进行调整，以得到预测模型。使得得到的预测模型可以基于输入的参数，对目标设备的当前维保周期的结束时间点进行预测，即可以预测目标设备需要进行维保操作的时间点。
[0070]
可以理解的是，对于结构相同且功能相同的多台半导体设备，由于多台半导体设备的加工方式相同，多台半导体设备对应的多个历史在制品信息、历史设备性能信息和历史维保信息可以输入至同一个神经网络中，增加神经网络的学习数据的数量。同时，由此得到的预测模型可以对功能相同的多台半导体设备需要进行维保操作的时间点进行预测，也就是说，结构相同且功能相同的多台半导体设备可以共用一个预测模型，无需对每台半导体设备均对应设置一个预测模型，节约运行成本。
[0071]
在步骤s400中，需要对目标设备进行维保操作的时间点进行预测的时刻作为当前时刻，在获取目标设备的当前在制品信息以及当前设备性能信息时，可以从mes数据库调取目标设备在当前时刻的待加工在制品数量，以及目标设备在当前时刻的零部件的性能参数的剩余值。目标设备的当前时刻的待加工在制品的数量，可以包括已经进入目标设备所在工序、处于等待状态的在制品的数量，还可以包括未进入目标设备所在工序的、处于前序制程工艺的在制品的数量。
[0072]
在步骤s500中，将目标设备在当前时刻的当前在制品信息和当前设备性能信息输入预测模型，预测模型基于输入的当前在制品信息和当前设备性能信息进行卷积计算，例如可以基于目标设备在当前时刻的零部件的性能剩余值，结合目标设备在当前时刻的待加工在制品的数量对应的生产产能排期的情况下，计算目标设备可以加工的待加工在制品的数量，从而预测目标设备还可以进行正常工作的时长。由于预测模型是通过经验数据进行学习以实现预测功能，其输出的结果并不是一个确切的时间点，而是基于各经验数据得到的多个时间点形成的时间范围。经过上述计算，预测模型可以输出目标设备需要进行维保操作的时间区间，也即目标设备的当前维保周期的多个结束时间点构成的时间区间，以作为目标设备的预测维保信息。每个结束时间点可以是某一天，也可以是某一天的上午、下午等时间点，多个结束时间点构成一个时间区间，以作为目标设备的预测维保信息。在当前维保周期的多个结束时间点构成的时间区间中，每个结束时间点可以对应一个概率值，概率值可以由预测模型经计算得到。
[0073]
由于预测维保信息是通过当前时刻的待加工在制品的数量(即当前在制品信息)经过预测模型进行计算得到，预测维保信息可以与当前时刻的待加工在制品的数量对应的生产产能排期进行匹配，可以降低由于生产产能排期紧凑、设备损耗大，导致的维保不及时事件的发生概率，也可以降低由于生产产能排期稀疏、设备损耗小，导致的发生提前维保、
浪费维保资源和设备利用率的概率。此外，在确定目标设备的最终维护时间点进行确定时，可以基于同一制程工序中的多台半导体设备的预测维保信息，以及每台半导体设备的待加工在制品的数量，灵活选择每台半导体设备的最终维护时间点，有利于提高目标设备的有效利用率。
[0074]
在一个示例性实施例中，在上述实施例的步骤s300中，基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型，包括：
[0075]
步骤s310、基于每个历史在制品信息，获取目标设备加工单位数量的待加工在制品所需的单位时长；
[0076]
步骤s320、对每个历史在制品信息以及与其对应的历史设备性能信息、单位时长和历史维保信息进行标注处理，获得目标设备的训练样本集；
[0077]
步骤s330、采用训练样本集对神经网络进行训练，获得预测模型。
[0078]
在步骤s310中，由于每个历史在制品信息均包括目标设备在某个历史时刻对应的待加工在制品，即历史在制品信息可以反馈目标设备在某个历史时刻时的生产产能排期的紧凑或者稀疏情况。在不同的生产产能排期的情况下，目标设备加工单位数量的待加工制品所需的单位时长不同，当在制品为晶圆时，单位数量可以是一片晶圆，也可以是包括多片晶圆的一批次晶圆。例如，当某个历史在制品信息反馈的生产产能排期紧凑时，目标设备可以2分钟加工完成单位数量的在制品，2分钟即为该历史在制品信息对应的单位时长。当某个历史在制品信息反馈的生产产能排期稀疏时，目标设备可以10分钟加工完成单位数量的在制品，10分钟即为该历史在制品信息对应的单位时长。目标设备加工单位数量的待加工在制品的单位时长不同，如此，在相同的时间段内，目标设备可加工的晶圆的数量不同，目标设备中的零部件的性能损耗不同，从而对目标设备可以加工的待加工在制品的数量产生影响，即对目标设备还可以进行正常工作的时长产生影响，即对预测维保信息产生影响。
[0079]
在步骤s320中，对于每个历史在制品信息，形成历史在制品信息、历史设备性能信息、单位时长和历史维保信息的对应关系，以使得在对该历史在制品信息以及与其对应的历史设备性能信息、单位时长和历史维保信息进行标注处理时，对历史在制品信息和历史设备性能信息设置输入参数标记，对历史在制品信息和单位时长之间设置对应关系标记，对历史维保信息设置输出参数标记，以使得一个历史在制品信息历史设备性能信息、单位时长和历史维保信息形成一个训练样本。对每个历史在制品信息以及与其对应的历史设备性能信息、单位时长和历史维保信息进行相同的标注处理，以获得目标设备的训练样本集。
[0080]
在步骤s330中，将训练样本集输入至神经网络，神经网络对训练样本集中大量“标注有结果”的数据进行深度学习并不断进行调整，使得输出结果不断接近设置有输出参数标记的正确值。由于目标设备在不同的历史时刻的待加工在制品的数量对应的生产产能排期的情况下，其生产时长不同，同时不同的历史时刻的零部件的性能剩余值也不同，在不同的生产时长反馈的零部件的性能损耗不同的情况下，目标设备可以加工的待加工在制品的数量不同，因此目标设备还可以进行正常工作的时长也不同。因此，在神经网络进行训练的过程中，神经网络可以分析处理训练样本集中每个训练样本之间的关系，并记忆训练样本集中的每个训练样本的历史组合形式，以使得训练得到的预测模型可以基于输入的参数，预测目标设备需要进行维保操作的时间点，即预测目标设备的当前维保周期的结束时间点，以得到目标设备的预测维保信息。示例性地，神经网络可以包括依次连接的输入层、
lstm网络和全连接网络(fc)。
[0081]
在一个示例性实施例中，由于待加工在制品的数量，可以包括已经进入目标设备所在工序、处于等待状态的在制品的数量，还可以包括未进入目标设备所在工序的、处于前序制程工艺的在制品的数量，参考图2所示，在制造工厂中，处于不同制程工序的半导体设备之间存在一定的距离，在相邻制程工序之间，前序工艺的半导体设备加工完成的半成品需要采用机械输送装置转运至后一工序中的半导体设备中进行加工，半成品在制程工序的半导体设备之间的转运需要一定的时长。待加工在制品在制程工序的半导体设备之间的转运时长会对目标设备还可以进行正常工作的时长产生影响，例如，当目标设备为半导体设备b1时，已处于制程工序b的待加工在制品的数量较少，半导体设备b1可以放缓加工待加工在制品的速度，等待制程工序a中加工完成的半成品转运至半导体设备b1，如此，在相同的时间段内半导体设备b1的损耗程度不同，目标设备可以加工的待加工在制品的数量不同，从而对目标设备还可以进行正常工作的时长产生影响。因此，历史在制品信息除了包括目标设备在历史时刻的待加工在制品的数量之外，还包括历史时刻的待加工在制品在生产流水线中所处的制程工序。将多个历史在制品信息输入至神经网络进行训练时，神经网络可以学习和记忆多个历史时刻对应的待加工在制品的数量、待加工在制品在生产流水线中所处的制程工序与其对应的历史设备性能信息和历史维保信息之间的关系，使得得到的预测模型在后续预测得到目标设备的预测维保信息的可靠性和准确性更高。
[0082]
可以理解的，当前在制品信息除了包括目标设备在当前时刻的待加工在制品的数量之外，还包括当前时刻的待加工在制品在生产流水线中所处的制程工序，以使得将当前在制品信息输入预测模型之后，得到的目标设备的预测维保信息的可靠性和准确性更高。
[0083]
在上述实施例的步骤s500中，将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息，包括：
[0084]
步骤s510、将当前在制品信息和当前设备性能信息输入预测模型；
[0085]
步骤s520、预测模型构建与当前在制品信息对应的单位时长，以及待加工在制品在相邻工序设备之间的转运时长，并输出目标设备的多个预测维护时间点，作为初始预测维护时间区间；其中，初始预测维护时间区间中，多个预测维护时间点对应的维护概率中，至少一个维护概率与其它维护概率不同，且所有维护概率的总和为百分之百。
[0086]
本实施例中，将当前在制品信息和当前设备性能信息输入预测模型之后，预测模型基于训练过程中深度学习和记忆的多个历史在制品信息对应的目标设备加工单位数量的待加工在制品所需的单位时长、相邻制程工序设备之间的转运时长与每个历史在制品信息对应的历史设备性能信息和历史维保信息之间的关系，将当前在制品信息中的待加工在制品的数量以及当前设备性能信息作为输入参数，构建与当前在制品信息对应的单位时长和待加工在制品在相邻工序设备之间的转运时长，基于当前在制品信息对应的单位时长和转运时长，计算目标设备在当前设备性能信息对应的关键配件的性能剩余值的情况下，目标设备可以加工的待加工在制品的数量，进而预测目标设备还可以进行正常工作的时长。预测模型将计算得到的目标设备剩余时长以及当前时刻进行加和，即可确定一个预测维护时间点。由于预测模型是通过经验数据进行学习以实现预测功能，其最终输出的结果的并不是一个确切的预测维护时间点，而是基于各历史经验数据得到的多个预测维护时间点，多个预测维护时间点构成初始预测维护时间区间。可以理解的是，预测维护时间点可以是
某一天，也可以是某一天的上午，也可以是某一天的下午。
[0087]
在初始预测维护时间区间中，每个预测维护时间点具有其对应的维护概率，维护概率由预测模型计算得到。所有预测维护时间点的维护概率的总和为100％，且初始预测维护时间区间中，至少一个预测维护时间点的维护概率与其它预测维护时间点的维护概率不同，也就是说，多个维护概率中，有些维护概率的数值可能相同，但并不是所有维护概率的数值均相同。当然，可以理解的是，多个维护概率可以彼此不同。参考图4所示，8月3日对应的预测维护时间点至8月14日对应的预测维护时间点的多个预测维护时间点构成一个初始预测维护时间区间，即8月3日至8月14日，且每个预测维护时间点均对应有一个维护概率，8月3日至8月14日对应的多个维护概率的总和为100％。
[0088]
在一个示例性实施例中，在上述实施例的步骤s500中，在获得初始预测维护时间区间之后，即在步骤s520之后，得到目标设备的预测维保信息，还包括：
[0089]
步骤s530、获取目标设备中零部件的预设寿命，以及目标设备的已工作时长，计算目标设备的参考维保时间区间；
[0090]
步骤s540、将参考维保时间区间与初始预测维护时间区间合并，将得到的预测维护时间区间作为预测维保信息。
[0091]
在步骤s530中，目标设备中零部件的预设寿命可以是目标设备中的一个或几个关键配件的厂商建议的使用寿命，也可以是技术人员根据以往的维保数据确定的目标设备中的关键配件的使用寿命。目标设备中零部件的预设寿命可以是一个时间区间，例如可以表示为n
±
n天，n、n均为自然数。目标设备的已工作时长为目标设备上一次进行维保操作的时间点与当前时刻之间的间隔时长，将目标设备中零部件的预设寿命与已工作时长做差，可以计算得到目标设备的可剩余工作时长，从而确定目标设备的参考维保时间区间。也就是说，参考维保时间区间并不对目标设备需要加工的在制品的数量进行考量，而是以时间为依据，按照规定的时间间隔确定得到的维保时间区间。
[0092]
在步骤s540中，将基于时间(time based)计算得到的参考维保时间区间，与预测模型基于当前在制品信息，即当前时刻的待加工在制品的数量(count based)预测计算得到的初始预测维护时间区间进行合并，例如可以将参考维保时间区间与初始预测维护时间区间形成一个并集，以得到的预测维护时间区间，以作为预测维保信息。预测维护时间区间中，既包括参考维保时间区间中对应的时间点，也包括初始预测维护时间区间中的多个预测维护时间点。
[0093]
在一个示例性实施例中，在得到目标设备的预测维保信息之后，即在步骤s500之后，半导体设备的监测方法还包括：
[0094]
步骤s600、根据预测维护时间区间中每个预测维护时间点对应的维护概率，建立正态分布曲线，正态分布曲线包括位于两端的第一概率区间以及位于第一概率区间之间的第二概率区间；
[0095]
步骤s700、去除第一概率区间对应的预测维护时间点，将第二概率区间对应的多个预测维护时间点，作为目标维护时间区间。
[0096]
在步骤s600中，由于预测维护时间区间中，既包括参考维保时间区间中的时间点，也包括初始预测维护时间区间中的多个预测维护时间点，参考图4所示，将预测维护时间区间中的每个预测维护时间点设置于坐标系中的横轴，并将预测维护时间区间中的每个预测
维护时间点对应的维护概率作为纵轴，建立正态分布曲线。由于多个预测维护时间点对应的维护概率并不一定按照时间顺序形成标准的正态分布，因此采用拟合方式建立正态分布曲线，确保正态分布曲线覆盖预测维护时间区间中的每个预测维护时间点。
[0097]
在正态分布曲线中，正态分布曲线与横轴之间的面积总和为1，每个预测维护时间点对应的横轴位置与正态分布曲线之间具有一定的面积，该面积与正态分布曲线和横轴之间总面积之比，即为正态分布曲线定义的预测维护时间点对应的概率值。由于正态分布曲线以曲线的高峰为中心左右对称，且位于正态分布曲线的两端的曲线无限与横轴靠近，位于正态分布曲线的两端的概率值无限减小，趋近于0。
[0098]
将正态分布曲线区分为包括位于正态分布曲线两端的第一概率区间以及位于两个第一概率区间之间的第二概率区间，对于正态分布曲线某一端的第一概率区间，可以是位于正态分布曲线某一端的多个预测维护时间点对应的横轴位置与正态分布曲线之间的面积和，与正态分布曲线和横轴之间总面积之比小于一定数值的区间，例如可以是3％、8％、10％等数值。两个第一概率区间之间的第二概率区间位于正态分布曲线的中间区域，两个第一概率区间与第二概率区间之和为1。示例性地，当第一概率区间为3％时，第二概率区间为[3％，97％]；当第一概率区间为5％时，第二概率区间为[5％，95％]；当第一概率区间为10％时，第二概率区间为[10％，90％]。
[0099]
在步骤s700中，由于位于正态分布曲线两端的第一概率区间对应的概率值较小，为避免极端值进行影响和干扰，将正态分布曲线两端的第一概率区间内的预测维护时间点去除，使得剩余的第二概率区间内的多个预测维护时间点作为目标维护时间区间，提升目标维护时间区间的可靠性和准确度。
[0100]
示例性地，在避免极端值干扰的前提下，保留较多的多个预测维护时间点以供灵活调度和选择，第二概率区间可以为[5％，95％]，也就是说，第一概率区间为5％，使得位于正态分布曲线中间部分的概率总和为90％对应的多个预测维护时间点，构成目标维护时间区间。参考图4所示，在正态分布曲线中，当正态分布曲线一端的8月3日和8月4日与正态分布曲线之间的面积和与正态分布曲线与横轴的总面积之比为5％，且正态分布曲线另一端的8月13日和8月14日与正态分布曲线之间的面积和与正态分布曲线与横轴的总面积之比为5％时，去除8月3日和8月4日对应的预测维护时间点构成的第一概率区间，并去除8月13日和8月14日对应的预测维护时间点构成的第一概率区间。将第二概率区间，即保留下来的8月5日至8月12日对应的多个预测维护时间点，作为目标维护时间区间。
[0101]
在一个示例性实施例中，在得到目标维护时间区间之后，即在步骤s700之后，半导体设备的监测方法还包括：
[0102]
步骤s800、基于多个目标设备的当前在制品信息以及目标维护时间区间，确定每个目标设备的目标维护时间点。
[0103]
由于目标设备的当前在制品信息可以反馈生产流水线的生产产能排期，多个目标设备的当前在制品信息可以反馈整个制造工厂的生产流水线的生产产能排期的紧凑或者稀疏情况。基于多个目标设备的当前在制品信息以及目标维护时间区间，可以根据产能需求对每个目标设备的可加工时间进行调整，从而确定每个目标设备进行维保操作的目标维护时间点，使得每个目标设备的目标维护时间点与产能需求进行匹配，提高设备的有效利用率。示例性地，可以将多个目标设备的当前在制品信息和目标维护时间区间作为参数，采
用遗传算法对参数进行迭代计算，以在不影响产能排期的情况下，确定每个目标设备的最佳目标维护时间点。
[0104]
在一些可能的实施方式中，当多个目标设备被配置为处理相同制程工序时，各目标设备的目标维护时间点错开设置。在半导体结构的生产加工过程中，同一台半导体设备可以对不同制程工序的半导体结构进行加工，例如化学气相沉积设备可以在前段工序用于形成栅氧化层，也可以在后段工序用于形成金属间介质层，因此，同一台目标设备可以处于不同的制程工序。当多台目标设备被配置为处理相同制程工序时，也就是说，当某制程工序设置有多台目标设备对半导体设备进行加工时，各目标设备的目标维护时间点错开设置，以避免影响该制程工序的正常加工。参考图5所示，当被配置为处理相同制程工序的多个目标设备的目标维护时间区间重合时，为了不影响产能排期，确保在制品的正常加工，将每个目标设备的目标维护时间点错开设置，提高半导体设备的有效利用率。图5中，浅灰色区域表示每个目标设备的目标维护时间区间，深灰色表示每个目标设备最终确定的目标维护时间点。
[0105]
在一个示例性实施例中，半导体设备的监测方法包括如下步骤：
[0106]
步骤s101、获取目标设备的多个历史在制品信息，历史在制品信息包括目标设备在历史时刻对应的待加工在制品的数量；
[0107]
步骤s102、获取记录每个历史在制品信息的历史时刻对应的历史设备性能信息，以及与历史在制品信息对应的历史维保信息，历史维保信息包括目标设备与历史时刻对应所在的历史维保周期的结束时刻，以及结束时刻与历史时刻之间的间隔时长；
[0108]
步骤s103、基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型；
[0109]
步骤s104、获取目标设备在当前时刻之前的预设时段内的参考在制品信息以及参考设备性能信息，参考在制品信息和参考设备性能信息用于对预测模型进行修正；
[0110]
步骤s105、将参考在制品信息和参考设备性能信息输入预测模型，对预测模型进行修正；
[0111]
步骤s106、获取目标设备的当前在制品信息以及当前设备性能信息，当前在制品信息包括目标设备在当前时刻的待加工在制品的数量；
[0112]
步骤s107、将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息，预测维保信息包括目标设备的当前维保周期的结束时间点的时间区间；
[0113]
步骤s108、根据预测维护时间区间中每个预测维护时间点对应的维护概率，建立正态分布曲线，正态分布曲线包括位于两端的第一概率区间以及位于第一概率区间之间的第二概率区间；
[0114]
步骤s109、去除第一概率区间对应的预测维护时间点，将第二概率区间对应的多个预测维护时间点，作为目标维护时间区间；
[0115]
步骤s1010、基于多个目标设备的当前在制品信息以及目标维护时间区间，确定每个目标设备的目标维护时间点。
[0116]
本实施例中，步骤s101至步骤s103与上述实施例中的步骤s100至步骤s300的实施方式相同或类似，步骤s106步骤s1010与上述实施例中的步骤s400至步骤s800的实施方式相同或类似，在此不作赘述。
[0117]
由于预测模型均采用历史维保周期中的历史时刻对应的数据进行训练，而制造工厂是24小时持续运转，通常会基于班次对生产流水线中的待生产制品进行一次调整或者核对。因此，本实施例中，在采用当前时刻的当前在制品信息以及当前设备性能信息输入至预测模型之前，获取目标设备在当前时刻之前的预设时段内的参考在制品信息和参考设备性能信息对预测模型进行修正，以提升后续通过预测模型得到的预测维保信息的可靠性和准确性。预设时段可以基于制造工厂的班次排布确定，当每天的排班为日夜班时，预设时段可以是12小时，当每天的排班为三个班次时，预设时段可以是8小时。
[0118]
例如，当预设时段为12小时时，在mes数据库中调取目标设备在当前时刻之前的12小时内待加工在制品在生产流水线中的制程工序待加工在制品的数量变化，以作为参考在制品信息，并调取目标设备在当前时刻之前的12小时内的性能参数剩余值的变化作为参考设备性能信息。参考在制品信息和参考设备性能信息可以反馈近期产能排期情况，将参考在制品信息和参考设备性能信息输入至预测模型，以使得预测模型可以基于参考在制品信息和参考设备性能信息对目标设备加工单位数量的待加工在制品的单位时长进行计算和记忆，并对待加工在制品在相邻工序设备之间的转运时长进行计算和记忆，对预测模型起到修正效果。在对预测模型进行修正之后，采用修正后的预测模型进行计算的过程中，预测模型构建的单位时长和转运时长可以更加接近真实状况，从而提高预测模型得到的预测维保信息的可靠性和准确性。
[0119]
在一个示例性实施例中，半导体设备的监测方法包括如下步骤：
[0120]
步骤s201、获取目标设备的多个历史在制品信息，历史在制品信息包括目标设备在历史时刻对应的待加工在制品的数量；
[0121]
步骤s202、获取记录每个历史在制品信息的历史时刻对应的历史设备性能信息，以及与历史在制品信息对应的历史维保信息，历史维保信息包括目标设备与历史时刻对应所在的历史维保周期的结束时刻，以及结束时刻与历史时刻之间的间隔时长；
[0122]
步骤s203、基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型；
[0123]
步骤s204、获取目标设备的平均故障间隔时长，根据平均故障间隔时间对预测模型进行校准；
[0124]
步骤s205、获取目标设备的当前在制品信息以及当前设备性能信息，当前在制品信息包括目标设备在当前时刻的待加工在制品的数量；
[0125]
步骤s206、将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息，预测维保信息包括目标设备的当前维保周期的结束时间点的时间区间；
[0126]
步骤s207、根据预测维护时间区间中每个预测维护时间点对应的维护概率，建立正态分布曲线，正态分布曲线包括位于两端的第一概率区间以及位于第一概率区间之间的第二概率区间；
[0127]
步骤s208、去除第一概率区间对应的预测维护时间点，将第二概率区间对应的多个预测维护时间点，作为目标维护时间区间；
[0128]
步骤s209、基于多个目标设备的当前在制品信息以及目标维护时间区间，确定每个目标设备的目标维护时间点。
[0129]
本实施例中，步骤s201至步骤s203与上述实施例中的步骤s100至步骤s300的实施
方式相同或类似，步骤s205步骤s209与上述实施例中的步骤s400至步骤s800的实施方式相同或类似，在此不作赘述。
[0130]
在对半导体设备的维护管理过程中，除了对设备进行预防损坏或者预防关键配件失效的维护保养之外，半导体设备在工作过程中还会出现突发故障。本实施例中，将目标设备的平均故障间隔时长(mean time between failure，mtbf)引入至预测模型中，以对预测模型进行校准。mtbf是指目标设备相邻两次故障之间的平均工作时长，即目标设备在总的使用阶段累计工作时间与故障次数的比值。目标设备的mtbf可以记录在mes数据库中，也可以记录在设备维保管理系统中，以便进行调取或者获取。当预测模型中引入mtbf，使得预测模型可以学习并分析目标设备大约在多久的时间间隔会发生故障，使得预测模型在计算得到预测维保信息的过程中，可以计算目标设备在某个时间点发生故障的概率，从而对预测维保信息中的当前维保周期的结束时间点的时间区间进行校准和修正，使得尽可能在目标设备发生故障之前就对其进行预防性维护保养，提升目标设备的可靠性。
[0131]
本公开示例性地提供了一种半导体设备的监测装置，参阅图6所示，图6是根据一示例性实施例示出的半导体设备的监测装置的结构框图，该装置被配置为能够执行本公开上述实施例中的半导体设备的监测方法，该装置包括：
[0132]
第一获取模块100，被配置为获取目标设备的多个历史在制品信息，历史在制品信息包括目标设备在历史时刻对应的待加工在制品的数量；
[0133]
第二获取模块200，被配置为获取记录每个历史在制品信息的历史时刻对应的历史设备性能信息，以及与历史在制品信息对应的历史维保信息，历史维保信息包括目标设备与历史时刻对应所在的历史维保周期的结束时刻，以及结束时刻与历史时刻之间的间隔时长；
[0134]
训练模块300，被配置为基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型；
[0135]
第三获取模块400，被配置为获取目标设备的当前在制品信息以及当前设备性能信息，当前在制品信息包括目标设备在当前时刻的待加工在制品的数量；
[0136]
预测模块500，被配置为将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息，预测维保信息包括目标设备的当前维保周期的结束时间点的时间区间。
[0137]
关于上述实施例中的半导体设备的监测装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0138]
图7是根据一示例性实施例示出的一种设备维保管理系统，即设备维保管理系统700的框图。例如，设备维保管理系统700可以被提供为上述实施例示出的装配有pms(preventive maintenance system，预防性维护管理系统)的终端设备或者终端设备群。参阅图7，设备维保管理系统700包括处理器701，处理器的个数可以根据需要设置为一个或者多个。设备维保管理系统700还包括存储器702，用于存储可由处理器701的执行的指令，例如应用程序。存储器的个数可以根据需要设置一个或者多个。其存储的应用程序可以为一个或者多个。处理器701被配置为执行指令，以执行上述的半导体设备的监测方法。
[0139]
本领域技术人员应明白，本公开的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的
实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0140]
在一个示例性实施例中，提供了一种包括指令的非临时性计算机可读存储介质，该非临时性计算机可读存储介质可以设置于半导体设备，使得半导体设备能够执行本公开示例性的实施例所提供半导体设备的监测方法。参阅图7，该非临时性计算机可读存储介质例如包括指令的存储器702，上述指令可由设备维保管理系统700的处理器701执行以完成上述半导体设备的监测方法。例如，该非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0141]
本公开是参照根据本公开实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0142]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0143]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0144]
在本公开中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
[0145]
尽管已描述了本公开的优选实施例，但本领域技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
[0146]
显然，本领域技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开的意图也包含这些改动和变型在内。

技术特征：
1.一种半导体设备的监测方法，其特征在于，应用于设备维保管理系统，所述半导体设备的监测方法包括：获取目标设备的多个历史在制品信息，所述历史在制品信息包括所述目标设备在历史时刻对应的待加工在制品的数量；获取记录每个所述历史在制品信息的所述历史时刻对应的历史设备性能信息，以及与所述历史时刻对应的历史维保信息，所述历史维保信息包括所述目标设备与所述历史时刻对应所在的历史维保周期的结束时刻，以及所述结束时刻与所述历史时刻之间的间隔时长；基于多个所述历史在制品信息、多个所述历史设备性能信息和多个所述历史维保信息，获得预测模型；获取所述目标设备的当前在制品信息以及当前设备性能信息，所述当前在制品信息包括所述目标设备在当前时刻的待加工在制品的数量；将所述当前在制品信息和所述当前设备性能信息输入所述预测模型，得到所述目标设备的预测维保信息，所述预测维保信息包括所述目标设备的当前维保周期的结束时间点的时间区间。2.根据权利要求1所述的半导体设备的监测方法，其特征在于，基于多个所述历史在制品信息、多个所述历史设备性能信息和多个所述历史维保信息，获得预测模型，包括：基于每个所述历史在制品信息，获取所述目标设备加工单位数量的所述待加工在制品所需的单位时长；对每个所述历史在制品信息以及与其对应的所述历史设备性能信息、所述单位时长和所述历史维保信息进行标注处理，获得所述目标设备的训练样本集；采用所述训练样本集对神经网络进行训练，获得所述预测模型。3.根据权利要求1所述的半导体设备的监测方法，其特征在于，所述历史在制品信息还包括所述历史时刻的所述待加工在制品在生产流水线中所处的制程工序，所述当前在制品信息还包括所述当前时刻的所述待加工在制品在所述生产流水线中所处的制程工序；将所述当前在制品信息和所述当前设备性能信息输入所述预测模型，得到所述目标设备的预测维保信息，包括：将所述当前在制品信息和所述当前设备性能信息输入所述预测模型；所述预测模型构建与所述当前在制品信息对应的单位时长，以及所述待加工在制品在相邻工序设备之间的转运时长，并输出所述目标设备的多个预测维护时间点，作为初始预测维护时间区间；其中，所述初始预测维护时间区间中，多个所述预测维护时间点对应的维护概率中，至少一个所述维护概率与其它所述维护概率不同，且所有所述维护概率的总和为百分之百。4.根据权利要求3所述的半导体设备的监测方法，其特征在于，在获得所述初始预测维护时间区间之后，所述得到所述目标设备的预测维保信息，还包括：获取所述目标设备中零部件的预设寿命，以及所述目标设备的已工作时长，计算所述目标设备的参考维保时间区间；将所述参考维保时间区间与所述初始预测维护时间区间合并，将得到的预测维护时间区间作为所述预测维保信息。
5.根据权利要求4所述的半导体设备的监测方法，其特征在于，所述半导体设备的监测方法还包括：根据所述预测维护时间区间中每个所述预测维护时间点对应的维护概率，建立正态分布曲线，所述正态分布曲线包括位于两端的第一概率区间以及位于所述第一概率区间之间的第二概率区间；去除所述第一概率区间对应的所述预测维护时间点，将所述第二概率区间对应的多个所述预测维护时间点，作为目标维护时间区间。6.根据权利要求5所述的半导体设备的监测方法，其特征在于，所述第二概率区间为[5％，95％]。7.根据权利要求5所述的半导体设备的监测方法，其特征在于，所述半导体设备的监测方法还包括：基于多个所述目标设备的所述当前在制品信息以及所述目标维护时间区间，确定每个所述目标设备的目标维护时间点。8.根据权利要求7所述的半导体设备的监测方法，其特征在于，当多个所述目标设备被配置为处理相同制程工序时，各所述目标设备的所述目标维护时间点错开设置。9.根据权利要求1至8任一项所述的半导体设备的监测方法，其特征在于，在所述获取所述目标设备的当前在制品信息以及当前设备性能信息之前，所述半导体设备的监测方法还包括：获取所述目标设备在所述当前时刻之前的预设时段内的参考在制品信息以及参考设备性能信息，所述参考在制品信息和所述参考设备性能信息用于对所述预测模型进行修正；将所述参考在制品信息和所述参考设备性能信息输入所述预测模型，对所述预测模型进行修正。10.根据权利要求1至8任一项所述的半导体设备的监测方法，其特征在于，在获得预测模型之后，所述半导体设备的监测方法还包括：获取所述目标设备的平均故障间隔时长，根据所述平均故障间隔时长对所述预测模型进行校准。11.一种设备维保管理系统，其特征在于，所述设备维保管理系统包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行权利要求1至10任一项所述的半导体设备的监测方法。

技术总结
本公开提供了一种半导体设备的监测方法及设备维保管理系统，监测方法包括：获取目标设备的多个历史在制品信息，以及记录每个历史在制品信息的历史时刻对应的历史设备性能信息和历史维保信息。基于多个历史在制品信息、多个历史设备性能信息和多个历史维保信息，获得预测模型。将当前在制品信息和当前设备性能信息输入预测模型，得到目标设备的预测维保信息。通过本公开提供的监测方法对半导体设备的维保时间进行监测，预测维保信息可以匹配目标设备的待加工在制品的数量，从而提升目标设备的制程稳定性和设备维保管理系统的可靠性，并便于设备维保管理系统可以基于多个目标设备的预测维保信息进行资源调度，有利于提高半导体设备的有效利用率。体设备的有效利用率。体设备的有效利用率。


技术研发人员：王晓 刘凌海 杜晓征
受保护的技术使用者：长鑫存储技术有限公司
技术研发日：2023.07.11
技术公布日：2023/10/6