¿Cómo se puede mejorar el mantenimiento predictivo?

El mantenimiento es una actividad crítica entre bastidores que mantiene las instalaciones de fabricación funcionando y los centros de datos tarareando. Pero cuando no se realiza de manera oportuna, puede resultar en productos o equipos dañados, o un tiempo de inactividad significativo del sistema/equipo.

Al pasar del mantenimiento programado al mantenimiento predictivo, las fábricas y los propietarios de sistemas electrónicos pueden obtener beneficios sustanciales, como la reducción del costo total de propiedad, la mejora del rendimiento de las fábricas y el aumento del rendimiento y la calidad.

Hoy en día, los sensores de equipo y los monitores IC, conocidos también como circuitos de telemetría, producen una gran cantidad de datos valiosos que los ingenieros están aprovechando para realizar proactivamente el mantenimiento del equipo/sistema, y para señalar fallos inminentes de componentes. En comparación con hace 10 años, se genera al menos un orden de magnitud más datos. El reto es añadir los recursos de ingeniería necesarios para el análisis de datos y nuevos procedimientos de mantenimiento, y para justificar este costo de implementación.

El mantenimiento programado se realiza normalmente en función del uso, que puede medirse por el número de obleas procesadas o por el número de meses que se utilizó el equipo. Puede implicar todo, desde reemplazar un componente, hasta cambiar un fluido, o un equipo de limpieza o un componente en la herramienta o sistema. Esto se basa en el supuesto de que todos los componentes tienen perfiles de fiabilidad idénticos y experimentan un uso equivalente, también conocido como perfil de la misión.

Pero la fiabilidad de los componentes varía, al igual que las condiciones de uso de la herramienta. Esto ha estimulado el interés en el mantenimiento justo a tiempo, que puede proporcionar beneficios fundamentales como la detección temprana de fallos, el aumento de la vida útil de los componentes y un mejor control operativo.

Como demuestran las recientes presentaciones de conferencias en múltiples conferencias de la industria, los fabricantes de semiconductores siguen aplicando calendarios de mantenimiento justo a tiempo. La tendencia es trasladar el mantenimiento predictivo a las operaciones de sub-fab y prueba, y adoptar algoritmos de aprendizaje automático (ML) para gestionar escenarios complejos de equipos o procesos.

“La mayoría de las fábricas de semiconductores de fabricación más modernas compran equipos OEM con sensores incorporados diseñados para monitorear el proceso de fabricación para garantizar piezas libres de defectos y asegurar la certificación y el cumplimiento de las normas ISO (ISO-9001, ISO-9002, y estándares TS relacionados), garantizando la calidad y fiabilidad en la fabricación de dispositivos”, dijo Jon Holt, gerente de soluciones de fabricación de volumen en todo el mundo de aplicaciones fab en Soluciones PDF . “Con la recopilación de datos, el análisis y la aplicación de la vigilancia y el control adecuados, esta información puede utilizarse para identificar el desgaste temprano de los componentes y detectar y predecir cuándo se debe realizar el mantenimiento en el equipo.”

Este tipo de mantenimiento no ha sido la práctica para los semiconductores y la electrónica. Pero se puede hacer un caso para los SoC complejos, especialmente para los que se encuentran en centros de datos y automóviles. Con el uso ahora prevalente de circuitos para mediciones de telemetría interna, muchos ingenieros prevén el uso de estas mediciones internas para el mantenimiento predictivo.

“Hoy, recopilamos datos paramétricos del CI. Al medir los parámetros físicos y utilizar el conocimiento de cómo los cambios en esos parámetros afectan a la fiabilidad, los proveedores de CI pueden establecer límites operativos normales”, dijo Richard Oxland, gerente de productos para Tessent Siemens EDA . “Y los chips que se encuentran operando fuera de esos límites pueden auto-reportarse como no funcionales o requerir reparación.”

Prestaciones de mantenimiento predictivo La industria 4.0 y las directrices de fabricación inteligente promueven los datos de uso generados durante la fabricación para mejorar el rendimiento de la fábrica, aumentar la agilidad de la producción y reducir los costos. El mantenimiento predictivo en una instalación de semiconductores (fabricación, montaje o ensayo) contribuye a las tres áreas. Los expertos de la industria citaron los siguientes beneficios específicos:

Aumento de la eficiencia general del equipo (EEO);
Mejora del rendimiento y la calidad;
Reducción de los costes de funcionamiento, y
Mayor rendimiento de la inversión de capital.

“El objetivo del mantenimiento predictivo es predecir eventos y minimizar su impacto negativo en el rendimiento y disponibilidad del equipo objetivo en una etapa temprana, permitiendo que se tomen medidas correctivas antes de que ocurra un evento”, dijo Don Ong, jefe de innovación de Advantest . “Por lo tanto, se dirige a la OEE (efectividad global del equipo). Esto se traduce en devoluciones tangibles para el cliente.”

También representa un cambio significativo. “Históricamente, la supervisión y el control del proceso y el equipo han sido responsabilidad de los ingenieros de procesos o equipos”, señaló Holt. “Sin embargo, con la Industria 4.0 y la capacidad de aplicar modelos avanzados como IA/ML a través del piso de fábrica, muchas empresas han formado ‘nuevos’ equipos de automatización de fábricas para implementar soluciones que conectan datos a través de la fábrica y la cadena de suministro”.

Para la gestión del ciclo de vida del CI, los ingenieros están en la fase exploratoria de la aplicación de datos para casos de uso de mantenimiento predictivo. Por diferentes razones, los propietarios de centros de datos y fabricantes de automóviles son los más ansiosos por cambiar de mantenimiento programado a predictivo.

“Destacaría dos sectores de la industria. El primero es la computación a hiperescala de alto rendimiento”, dijo Siemens’ Oxland. “Están muy interesados debido a los ahorros potenciales que pueden realizar tanto en capital como en gastos de funcionamiento. Incluso un porcentaje muy pequeño de mejoras produce resultados sustanciales. Y aquí, no estoy hablando sólo en términos del costo de mantenimiento en sí. El mantenimiento predictivo también facilita el ‘tamaño correcto’ tanto del sistema como del diseño del chip en sí, e identifica situaciones en las que el sistema se vuelve menos eficaz, con un impacto en parámetros operativos clave como el consumo de energía. La segunda, como se podría esperar, es la industria automotriz. Se enfrentan a una tormenta perfecta de presión financiera, cambios en la tecnología, cambios en los modelos de negocio y cambios en los requisitos legales y reglamentarios. Obviamente, el costo en dólares de una retirada de vehículo es astronómico. Pero también lo es el costo potencial de la reputación. El mantenimiento preventivo puede ayudar con ambos problemas”.

“A menudo se hace la pregunta ‘¿con qué frecuencia debo limpiar?’ La mejor respuesta es limpiar sólo cuando sea necesario para mantener la fiabilidad del contacto y el alto rendimiento”, dijo Jerry Broz, presidente y director de tecnología de Advanced Probing Systems. “El mecanismo primario de desgaste de las agujas de la sonda de la oblea es atribuible al proceso de limpieza, que puede dar lugar a hasta un ~95% de la vida útil de la sonda. En la mayoría de los casos, la limpieza es simplemente de procedimiento, utilizando una receta fija y no optimizada dinámicamente. Se aplicará una receta de limpieza basada en experiencias pasadas, o se implementará para responder a los requisitos de un dispositivo con la mayor sensibilidad al contacto. Demasiada poca limpieza resulta en rendimientos reducidos y aumenta la inestabilidad del proceso de prueba de obleas que requiere una intervención frecuente del operador. Demasiada limpieza reduce el rendimiento y aumenta los costos de producción sin proporcionar beneficios adicionales de rendimiento. Idealmente, la ejecución de limpieza debe ser activada en base a alguna métrica, tales como aperturas repetidas, fallas bin-out, caída de rendimiento, etc.”

Mantenimiento predictivo en acción Los proveedores de equipos basan el mantenimiento programado ya sea en el número de horas de operación, o métricas de frecuencia como el número de barcos de obleas, obleas para fab, o el número de lotes/unidades para el montaje o el número de touchdowns para tarjetas de sonda de obleas e inserciones para tomas de placa de carga. Cambiar a una estrategia de mantenimiento adaptativo requiere determinar qué datos serían un buen predictor. A partir de ahí, los ingenieros necesitan seleccionar el tipo de algoritmo en el que basar la predicción, pilotar la predicción y modificarla según sea necesario, implementarla en el entorno de producción y sostener el indicador predictivo en caso de que cambie.

Los datos de los sensores dentro del equipo y del CI, los sensores fuera del equipo/sistema y los datos de prueba del producto pueden proporcionar entradas a este flujo de desarrollo.

“Proporcionamos sensores que ayudan con el mantenimiento mediante el uso de datos para anticipar la necesidad de reemplazar componentes en herramientas semiconductoras. Por ejemplo, esperamos una cierta vibración a medida que el brazo robot se mueve a través de la herramienta, y basamos esta vibración como un estándar con nuestros sensores AVLS3 o AMS”, dijo Vidya Vijay, gerente senior del programa en CyberOptics . “Los ingenieros de procesos utilizan el análisis de tendencias disponible mientras estudian la vibración durante un período de tiempo, lo que ayuda en el mantenimiento adecuado de las herramientas. Esto permite a los clientes decidir inteligentemente cuánta vida queda en ese componente específico”.

Las soluciones de gestión del ciclo de vida del CI que utilizan monitores de circuito para el mantenimiento se encuentran todavía en la fase inicial. Tanto la variedad de mediciones internas como el aumento de la densidad espacial prometen un rico conjunto de datos que incluye:

“Algunos de los casos de uso están alrededor de mantenimiento predictivo”, dijo Randy Fish, director de gestión del ciclo de vida del silicio en Sinopsis . “Estamos proporcionando monitores ambientales —proceso, voltaje, temperatura (PVT)— y ahora monitores estructurales, como monitores de margen de trayectoria, que miden el margen de tiempo de configuración en rutas funcionales. Vemos que uno de los casos de uso de los datos de margen de trayectoria, en el contexto de los datos térmicos y de tensión, está en torno al mantenimiento predictivo. Tenemos clientes que están desarrollando soluciones alrededor de ese caso de uso”.

Para una variedad de herramientas en las instalaciones de fabricación, el mantenimiento programado ya ha pasado al mantenimiento predictivo. La tendencia es mover más equipo, al tiempo que se investigan algoritmos más complicados. Hoy en día, la mayoría de los ingenieros usan reglas simples basadas en uno o dos parámetros.

“Los datos se analizan comparativamente a un promedio y a un valor esperado. También se analiza en comparación con los límites establecidos y dinámicos”, dijo Mike McIntyre, director de gestión de productos de software en Innovación . “Las actividades pueden ser altamente automatizadas una vez caracterizadas. El desafío aquí es pasar el tiempo necesario para caracterizar las señales no sea que reaccionéis sin un conocimiento completo.”

Los algoritmos simples funcionan la mayor parte del tiempo, pero en algunas situaciones los algoritmos avanzados funcionan mejor.

“Ha sido mi experiencia que el simple mantenimiento predictivo basado en reglas ha sido adoptado por la mayoría de las fabs de 300 mm (80% a 90%),” señaló Holt. “Sin embargo, las prácticas avanzadas de mantenimiento predictivo que utilizan modelos y algoritmos multivariados avanzados sólo se han aplicado en un número limitado de herramientas, y luego sólo en fundiciones de vanguardia y IDMs.”

Una vez que un parámetro cruza un límite, se envía la señal para una actividad de mantenimiento.

“El mantenimiento predictivo se puede vincular a MES sistemas, y es entonces muy automatizado. El equipo puede ser derribado automáticamente”, dijo Holt. “El desempeño real de la actividad de mantenimiento en algunos casos es totalmente automatizado (como la limpieza de plasma de cámara), pero más a menudo depende de los técnicos del equipo para realizar el mantenimiento (otra fuente de variabilidad).”

El cambio de mantenimiento programado a mantenimiento predictivo en las instalaciones de ensayo se encuentra en las primeras etapas. ATE, los sondadores de obleas y los manipuladores de unidades tienen un tiempo medio largo entre fallas. Así que el foco ha estado en las garantías de prueba específicas del producto — tarjetas de sonda y tableros de carga.

“En el mundo real, veo varios escenarios que se beneficiarían, por ejemplo, conectores, placas de interfaz de dispositivo, agujas de sonda o tarjetas de sonda. Hoy en día, hay soluciones para el mantenimiento preventivo donde monitoreamos los resultados paramétricos eléctricos de las lecturas de pruebas. Podemos utilizar estos datos a un costo mínimo”, señaló Daniel Mu, gerente de soluciones de valor añadido en Teradyne . “No necesitamos cálculos complejos para estimar el envejecimiento. Podemos buscar cambios de tendencia que generen alarmas, e incluso realizar acciones correctivas, como limpieza”.

Superación de la renuencia a aplicar Como con cualquier cambio en un proceso, la energía de activación es necesaria para superar una renuencia a hacer algo nuevo. Para los ingenieros fab de obleas, esto significa usar algoritmos más complicados. Para las instalaciones de prueba, se trata de probarlo. Para los propietarios de sistemas con complejos SoCs, está en la placa de posibilidades.

Los obstáculos comunes a la adopción de un enfoque de mantenimiento justo a tiempo incluyen la falta de normas, el personal de gestión convincente de la necesidad de cambiar, y los silos de datos siempre prevalentes entre las funciones de ingeniería.

Entonces, ¿qué se necesita para obtener más para ir a las aplicaciones principales predictivas? La economía realmente impulsa la toma de decisiones.

“Los fabs más avanzados han expresado interés en el mantenimiento predictivo”, dijo Anjaneya Thakar, directora de marketing de productos de Synopsys. “Aunque la adopción actual es baja debido a la falta de soluciones convincentes, va en aumento. Con la disponibilidad de nueva tecnología en análisis (ML, rendimiento de cálculo), las soluciones de mantenimiento predictivo mejorarán —más rápido, más preciso— y esto impulsará una adopción más amplia”.

“En realidad, hay muy pocas actividades en el área de mantenimiento predictivo ahora mismo, pero hay mucha gente hablando de ello. En la fábrica, vemos que o bien no es una alta prioridad, o sigue siendo visto como un experimento científico”, dijo Teradyne’s Mu. “Necesitamos mostrar un beneficio real sobre el mantenimiento programado.”

Advantest’s Ong está de acuerdo. “En mi opinión, el mayor obstáculo para adoptar el mantenimiento predictivo es si el ROI es lo suficientemente significativo como para hacer tal cambio”.

Una segunda barrera implica el acceso a los datos. “En el mundo actual de la Industria 4.0, no todos los fabs son realmente inteligentes en términos de mantenimiento. A veces, hay miedo en el uso de sensores de terceros en las herramientas OEM, y el proceso de aprobación puede ser muy largo”, dijo CyberOptics’ Vijay. “Lo hacemos fácil para los fabs al proporcionar soluciones autónomas con nuestros sensores WaferSense inalámbricos”.

Para la telemetría IC, la tecnología es toda nueva y las aplicaciones emergentes de la ordenación sostenible de las tierras todavía están en desarrollo.

“Todavía hay un montón de aprendizaje por hacer. En general, los proveedores de semiconductores o las empresas EDA no han tenido acceso a todos estos datos. Y de repente, ahora tenemos las IPs del monitor, el software para insertar estos monitores, y los mecanismos para recoger los datos del campo”, señala Fish. “Así que hay una inmensa cantidad de aprendizaje que podemos hacer ahora. Algo de esto es realmente básico. Por ejemplo, vemos el perfil de la misión como un fruto de bajo peso”.

Conclusión A lo largo de toda la cadena de suministro de semiconductores, desde fab hasta field, los equipos de ingeniería están avanzando hacia una estrategia de mantenimiento justo a tiempo. Wafer fabs lidera el camino y continuará buscando algoritmos más sofisticados según sea necesario. Con márgenes de beneficio más bajos, las fábricas de pruebas y ensamblaje recurren a estos métodos predictivos de mantenimiento para reducir los costos al tiempo que mejoran el rendimiento y la calidad. Para los propietarios de sistemas grandes y complejos con múltiples SoCs, la posibilidad de mantenimiento predictivo está a su alcance debido al uso extensivo de circuitos de telemetría IC.

Sin embargo, el cambio de un mantenimiento programado a dinámico a un mantenimiento predictivo requiere una ganancia demostrable para apoyar el esfuerzo de ingeniería requerido. Con la continua presión de costos, rendimiento y calidad, uno puede esperar ver a más empresas moviéndose a tiempo.

Anne Meixner

Información general sobre la privacidad

Al continuar utilizando nuestro sitio web, usted consiente nuestra Política de Privacidad. Si accede a otros sitios web utilizando los enlaces proporcionados, por favor tenga en cuenta que pueden tener sus propias políticas de privacidad, y no aceptamos ninguna responsabilidad o responsabilidad por estas políticas o por cualquier dato personal que pueda ser recopilado a través de estos sitios. Por favor, revise estas políticas antes de enviar cualquier información personal a estos sitios.