用于预测真空泵的转子旋转时的故障的方法及相关的抽吸 装置 【技术领域】
本发明涉及与处理腔关联的真空泵的预测和预防维护的领域。更具体地说， 涉及 跟踪来自真空泵的传感器信号并且预测源自泵卡咬 (seizing) 的故障， 以便安排预防维护 操作。本发明还涉及相关的抽吸装置。背景技术
真空泵通常包括操作时被马达驱动以便在泵体 ( 定子 ) 中转动的一个或多个转 子。 在旋转期间， 从处理腔吸入的气体被限制在转子和定子之间的自由空间中， 以便向出口 排放。
真空泵具体地用于所需压力低于大气压力的制造半导体、 平面屏幕或光伏衬底等 的方法。然而， 在这些方法中使用的气体可能转化成以薄层形式沉积到泵的移动或固定部 分的固体副产品， 从而导致泵的堵塞和卡咬， 因为转子和定子过度的相对摩擦， 这可能引起 机械装置停止。
其它因素也可能成为真空泵卡咬的原因。例如， 在由于逐渐变热的效应使转子扭 曲之后发生与热相关的卡咬， 真空泵被安装或制造时转子平衡或对准缺陷可能导致转子变 得不平衡和真空泵的卡咬。 另外， 真空泵具有滚动轴承时， 他们的劣化也可能是定子中的转 子卡咬的原因。
当在相关处理腔内进行生产时， 泵的卡咬可能对产品 ( 例如， 半导体晶片 ) 和真空 泵造成不可逆的损坏。这会不可避免地中断腔内进行的工艺以进行真空泵的更换。生产中 的这些计划外中断导致的大的成本。
现在， 真空泵的维护基于纠正和预防性措施， 最好的情况是能够在真空泵故障并 关闭前进行预测式预防维护。
为此， 以基于真空泵用于的应用而限定的频率进行预防维护。 然而， 这个频率不适 合使用真空泵的实际条件， 可能更取决于生产负荷而变化， 并直接影响泵的磨损或阻塞速 度， 引起不必要的或者晚的维护操作。
为了预测泵的卡咬并预料更换， 开发了真空泵故障预测方法。
例如， 一种故障预测方法被公知用于检测干式真空泵中何时将发生故障。通过对 真空泵的规格 ( 电流， 温度， 振动， 等等 ) 进行统计研究并结合制造工艺的特性 ( 流量， 压 力， 衬底温度， 等等 )， 估计故障前真空泵使用时间。但是， 此方法不是自动的。在没有考虑 处理操作条件时， 不能预测真空泵的寿命。分析系统依靠生产装备提供的信息。这要求在 设备和真空泵之间安装通信线路。另外， 改变工艺条件， 则要求修改分析系统模型， 在真空 泵正被使用时这不能被容易地完成。
还可从文件 EP 1,754,888 中了解到一种预测真空线路故障的方法。在此方法中， 测量与泵的马达相关的第一功能参数和与泵排气系统相关的第二功能参数的随时间变化。 然后， 通过统计过程使测量的功能参数相关， 以便预测阻塞发生前的真空泵使用时间。因此， 真空线路能够在没有与任何外部信号的相关性的情况下进行自诊断。此方法特别适合 于跟踪真空线中导致真空泵阻塞的固体产物污染现象的进展。然而， 所预测的在通过阻塞 的卡咬情况下的真空泵的反常行为仅在故障前很短时间内发生， 此方法不能在真空泵停关 闭前采取行动。另外， 此方法不能预测泵的其它与卡咬相关的故障， 例如， 由发热或者制造 或安装缺陷引起的故障。
因此， 问题为预测与卡咬相关的真空泵故障的出现， 以便为防止泵在被使用时出 现故障而安排预防维护。
该问题还为在不存在处理腔中发生的处理工艺的任何指示的情况下确定真空泵 的反常行为。必须能够进行故障预测而不依赖于对真空泵的使用条件 ( 特别是涉及不同的 抽吸流量、 抽吸气体的特性、 使用时长 ) 的了解， 或着， 换言之， 不考虑除来自真空泵的参数 之外的特定条件和参数。
另外， 预测必须可靠。换句话说， 预测的故障必须具有发生的可能性， 故障预测具 有足够的置信度， 如果不能大于 80％则必须大于 50％。另外， 预测必须发生的足够早以便 能够安排预防维护。 发明内容 为此， 本发明的目的是一种用于预测真空泵转子的旋转故障的方法， 该方法包括 如下步骤 ：
记录与所述真空泵函数信号的随时间变化相关的事件序列，
在记录的事件序列内寻找至少一个事件序列与真空泵行为模型的预设关联 规则的至少一个前兆模式之间的匹配， 通过在一个或多个提取参数的限制下提取知识 (knowledge) 来建立所述关联规则， 所述预设关联规则的前兆模式涉及转子旋转故障， 以及
推断时间预测窗口， 在所述时间预测窗口期间， 在所述真空泵中将出现转子旋转故障。 因此， 该故障预测方法可以基于记录的函数信号的随时间改变而可靠地预测由真 空泵卡咬导致的故障的出现。然后， 可以在使用时， 在泵真正发生故障前预测泵的故障， 安 排预防维护。 早期诊断， 可以最小化与部件劣化有关的损坏并有助于维护人员监测作业， 因 此进一步降低了维护成本。
根据预测方法的第一实施例， 其中记录与所述真空泵的所述泵体的振动信号的随 时间变化相关的事件序列。
根据预测方法的第二实施例， 其中记录与所述真空泵马达电流信号的随时间变化 相关的事件序列。
所述函数信号被转换为频谱， 在所述频谱内在所述真空泵运动学 (kinematics) 的频率特征 (frequencies characteristic) 附近选择频带。
泵体振动信号和真空泵马达电流信号是原始信号， 意味着它们是从真空泵直接获 取而没有结合其它信号 ( 可能的情况， 例如泵的功率 )。因此， 这些信号更准确和直接地反 映了泵的状态。另外， 将振动信号或电流信号转换成谱可以研究表征真空泵以固定速率旋 转的操作的周期现象。
从包括多个事件序列的学习型数据库提取知识来建立描述所述真空泵行为模型
的关联规则， 贯穿从操作开始到转子旋转故障为止的真空泵寿命从一组真空泵获得所述事 件序列。
然后基于几天内记录的事件序列建立真空泵行为模型， 这使其能够不受在处理腔 内可能发生的处理工艺的偶然条件影响。当处理工艺引起的中断仅持续几分钟时， 该中断 对建立模型没有影响。
从而， 预测过程可以确定真空泵的反常行为。一方面不需要处理腔中发生的处理 工艺的指示， 另一方面不会受工艺的中断或修改影响。不需要基于处理工艺如何进行而调 整机械行为模型。
根据预测方法的一个或多个特征， 可以单独或组合采用，
在从所述关联规则的支持、 置信度以及每个事件之间的最大时长中选择的一个或 多个提取参数的限制下提取所述关联规则。
从来自从 N 个真空泵记录的学习型数据库的 N-1 个事件序列提取一个或多个关联 规则， 以及未用于提取的所述事件序列被用于验证所述关联规则。
从所述学习型数据库确定事件序列， 首先， 通过从参考级别和对应于所述参考级 别的倍数的中间操作级别以及所述真空泵操作的特征的频带中选择， 其次， 通过所述级别 的时长 (duration) 特征选择。 本发明的另一个目的是一种抽吸装置， 所述装置包括 ：
真空泵， 包括至少一个转子和一个泵体， 所述转子具有在所述泵体中被所述泵的 马达旋转驱动的潜力，
所述泵的函数信号传感器， 以及
用于预测时间预测窗口的装置， 在所述时间预测窗口期间， 在所述真空泵中将发 生转子旋转故障， 所述用于预测的装置被配置为实施上述用于预测真空泵转子的旋转故障 的方法， 以基于所述函数信号传感器提供的测量值计算所述预测时间窗口。
根据抽吸装置的第一实施例， 其中所述函数信号传感器是振动传感器， 例如， 安装 在所述泵体的轴承上的振动传感器。
根据抽吸装置的第二实施例， 其中所述函数信号传感器是测量真空泵马达电流的 装置。
在包括真空泵作为其一部分的设备处于有效生产状态时， 使用含有提供诊断的预 测装置的抽吸装置， 通过预测主要故障， 则可以避免该主要故障。
附图说明 考虑到下面对本发明的具体实施例的描述， 本发明的其它特征和优点将更加显而 易见， 虽然任何一个都是用于说明目的而不是限制。在附图中 ：
图 1 示出了包括与抽吸装置连接的处理腔的设备的示意图 ；
图 2 示出了故障预测方法的图 ；
图 3 示出了这样的图， 对于实例事件序列， 其表示跨振动的多个频带的振动信号 与时间的关系 ；
图 4 象征性地描述了事件序列的另一个实例 ；
图 5 描述了置信度与最佳窗口的尺寸之间的关系 ；
图 6 示出了作为时间的函数的实例事件序列和相关预测时间窗口。 在这些图中， 使用相同的标号标定相同的元件。 为了明晰， 该方法的步骤从 100 开始编号。具体实施方式
本发明可以用于包括在泵体的定子内被旋转驱动的转子的所有类型的真空泵。 例 如， 真空泵可以是具有旋转叶片的泵， 如罗茨 (roots) 泵， 具有两个或三个叶片。在罗茨泵 中， 每个泵级包括具有同样外形的两个叶片， 在定子中以相对的方向旋转。当它们旋转时， 吸入的气体被限制在转子和定子之间的开放空间中， 然后通过排气向外或下一级排放。旋 转叶片真空泵还可以是两爪型真空泵， 也公知为爪式泵。另外， 真空泵还可以是分子泵、 涡 轮泵或混合 (hybrid) 泵、 或者是旋片泵或螺杆泵。
图 1 中示出的设备 1 包括通过管 3 与抽吸装置 5 的入口 4 连接的处理腔 2 以便沿 箭头 6 指示的方向从腔 2 中抽吸。腔 2 中可以进行任意处理工艺， 例如在硅晶片上微电子 器件、 或者平面屏幕或光伏衬底的制造工艺中使用的沉积、 刻蚀、 离子注入或热处理工艺。
抽吸装置 5 包括呈现为泵体的真空泵 7， 其中通过泵 7 的马达 ( 未示出 ) 旋转驱动 转子。操作时， 转子的旋转速度调整为固定值。真空泵 7 的出口与排气管连接。
抽吸装置 5 还包括泵体的振动传感器 9 和预测时间窗口的预测装置 10， 在预测时 间窗口期间泵 7 将发生源于卡咬的故障。卡咬定义为可能引起旋转机械停止的泵体中的转 子的旋转运动故障。
振动传感器 9 可以是例如能够提供有效的振动速度 ( 以 m/s 为单位 ) 的压电加速 表。振动传感器 9 的输出与预测装置 10 连接。
分析该振动， 使得可以识别预测以固定速度旋转的真空泵的卡咬所需的周期特征 现象。给出泵体的刚性结构， 单个振动传感器 9 足以收集在单个测量点处所有的泵体特征 振动现象。振动传感器 9 的模拟输出通过傅里叶变换转换成谱， 以便识别周期现象。
例如， 振动传感器 9 可以固定在真空泵 7 的两个轴承的一个上， 由于在这里转子的 应力被传递到泵体上。 更具体地说， 例如干式真空罗茨泵中， 振动传感器被垂直设置在泵体 的上表面上， 大约在两个转子之间， 这里转子的轴对泵体产生的压应力最高。
预测装置 10 基于振动传感器 9 提供的振动信号随时间变化的测量值计算预测时 间窗口， 在预测时间窗口期间真空泵 7 中将发生源自卡咬的故障。预测装置 10 包括位于真 空泵 7 上或者位于远方专用专家中心 (expert center) 内的处理单元。处理单元可以例如 向泵监视服务器传输预测信息。然后， 服务器依次向维护操作监视装置发送消息。
为了计算其间将发生源自卡咬的故障的预测时间窗口， 预测装置 10 实施故障预 测方法 100， 在图 2 中示出。
在预测方法 100 的第一步骤 101 中， 基于例如每 80 秒得到的测量值记录与泵体的 振动信号的随时间变化相关的事件序列。
为了减小学习型数据库的尺寸， 在振动谱内在真空泵运动学的频率特征附近选择 振动频带。图 3 示出了四个振动频带 B1、 B2、 B3 和 B4 的振动信号 ( 速度 )。
例如， 选择以对应于转子旋转速度的特征频率为中心的振动频带。
还可以选择在对应于旋转机械部分的几何形状的特征频率附近的振动频带。还可以在泵的旋转频率的一个或多个谐波附近选择振动频带， 该一个或多个谐波 例如可以表征转子失衡或者转子轴失准 (misalignment)。
事件序列首先由从频带中选择的振动信号的级别 (level) 表征， 其次由在该振动 级别上花费的特征时长 (duration) 表征。
例如， 事件序列可以四个特征时长来测量 ： 2 小时， 2 天， 1 周和多于一周。
例如， 这样决定参考级别和中间操作级别。 例如， 通过平均化预定时长的信号包络 来确定级别。
图 3 中的曲线 B1 示出了来自振动传感器的振动信号的频带级别的三个实例 S1、 S2、 S3。
参考级别 S1 对应于在约 24 小时的特征时长中评价的振动信号的低阈值， 例如为 了克服与正在进行的处理工艺相关的偶然干扰。
在新真空泵开动后至少 24 小时开始测量参考级别 S1 以克服真空泵 7 的老化周 期， 在老化周期中振动级别不稳定。
对应于振动信号的上阈值的第一中间操作级别 S3 例如约为参考级别 S1( 见图 3) 的 4 倍。例如在约 2 小时的特征时长下测量。此时长可以克服如与当前进行的处理工艺相 关的其它偶然干扰 ( 持续约几分钟 )。 第二中间操作级别 S2 为参考级别 S1 的 3 倍， 例如在约 2 小时的特征时长下测量。
在一周期间内观察的第一中间操作级别 S3， 接着在两天期间内观察的第二中间操 作级别 S2， 对应于例如真空泵卡咬事件 F。
在预测方法 100 的第二步骤 102 中， 在记录的事件序列内寻找至少一个事件序列 与真空泵行为模型的预设关联规则前兆模式 (precursory pattern) 中的至少一个前兆模 式之间的匹配， 关联规则通过在一个或多个提取参数的限制下提取知识而构建。
关联规则具有 “如果前兆模式， 则结果 (if precursory pattern then result)” 的形式。关联规则涉及转子旋转的故障。由公式 (1) 表示 ：
(1) ： α ＝＞ F
其中 ：
“α” 是前兆模式， 其包括事件序列 A、 B、 C...， 每个事件在时间上被最大预设时长 间隔开， 并且强加在前兆模式的最后事件和卡咬事件之间的最大时长。事件之间的最大时 长设定为例如 10 天。发源 (originating) 事件的事件序列表示为公式 (2) ：
(2) ： A- ＞ B，
其中 A 为第一事件， 之后是第二事件 B ；
“F” 是转子旋转故障的结果， 是卡咬事件，
“＝＞” 是在前兆模式和结果之间的如果 - 则 (if-then) 操作。
根据一个实施例， 通过从学习型数据库中提取知识， 建立描述真空泵 7 的行为模 型的关联规则。
包括称为 “数据挖掘” 的方法的从数据获取知识或者在数据库中发现知识 (KDD) 的方法的目的是通过自动或半自动方法从大量数据中获取认识或知识。 此方法使得可以应 用数据库中可得的数据通过一个或多个关联规则识别特征模式、 组合以及未认识到和重要 的结构 / 安排。重复此方法， 可以优化提取知识的品质。另外， 与其它方法相反， 数据挖掘
方法可以获取可能被使用者解释的关联规则。
学习型数据库包括贯穿真空泵从开始运转直到其卡咬为止的运转寿命从一组真 空泵获得的与卡咬故障相关的多个事件序列。考虑足够大的真空泵组， 例如每个有约六十 台泵， 以便使得事件可靠相关。 优选使用在实际使用条件下操作的真空泵组， 以便在真空泵 的整个寿命中寻找要预测的故障。
学习型数据库仅包括在 “第一卡咬” 前获得的事件序列。实际上， 在实际使用条件 下， 无论何时预测到真空泵的卡咬， 目标都是用新泵替换真空泵。因此， 无需从任何在第一 卡咬之后出现的卡咬学习。 因此， 为了建立学习型数据库， 选择从真空泵开始运转日期和观 察到真空泵第一次卡咬的日期之间进行的获取。 例如， 具体地， 由专家依靠由并入真空泵的 传感器发送并在操作期间记录的信号 ( 例如， 真空泵马达消耗的功率或真空泵输出的气体 压力 ) 确定 / 建立第一次卡咬。 专家还可以依靠真空泵的评价以便明确地识别卡咬的原因。
图 4 示出了端到端设置的泵的几个寿命期中记录的事件序列的实例。例如， 寿命 d1 示出了在开始和卡咬事件 “F” 之间的事件序列。
在从关联规则的支持 (support)、 置信度以及每个事件之间的最大时长中选择的 一个或多个提取参数的限制下提取关联规则。 支持对应于关联规则预测卡咬相关故障的次数。选择至少等于 1 的支持， 意味着 关联规则在学习型数据库的卡咬相关故障的检测中至少出现一次。可以选择等于 2 的支持 以便提取的关联规则不会太特定。
置信度是关联规则的可靠性测量。其被表示为卡咬事件 F 的预测％。选择 100％ 的置信度。 换句话说， 前兆模式必须总是被卡咬结果跟随以便防止预测失败， 即使该选择倾 向于减小预测速率。例如， 十有八九获得卡咬事件的关联规则将被剔除。
关联规则的每个事件之间的最大时长是由预测范围 (prediction horizon) 施加 的限制， 该预测范围意义为故障预测和故障自身出现之间的最大时长。确定约 10 天的每个 事件之间的最大时长。
在学习的最后， 对每个关联规则， 通过源于计算的最佳窗口表征关联规则。最佳 窗口是导致置信度的最高级别的时长。对每个关联规则， 将保留支持等于 1 并且置信度是 100％的最佳窗口。
例如， 针对图 4 中示出的事件序列的实例， 对于时长等于 3 个时间单位 u1 的最大 窗口 w1， 前兆模式 A- ＞ B 发生两次。另外， 每次发生时， 此前兆模式均涉及卡咬事件 F， 因 此置信度为 100％。
对于时长等于 2 个时间单位 u1 的最大窗口 w2， 前兆模式 A- ＞ B 发生两次。前兆 模式在两次中的一次中涉及卡咬事件 F， 因此置信度为 50％。
对于时长等于 4 个时间单位 u1 的最大窗口 w3， 前兆模式 A- ＞ B 发生三次。然而， 前兆模式在三次中的两次中涉及卡咬事件 F， 因此置信度为 66％。
图 5 中的曲线通过描述置信度百分比与窗口的时长的关系而概括了这三种可能。 可以看出， 对于时长是 3 个单位的窗口 w1， 置信度处在最大值， 对更短或更长时长的窗口 w2、 w3， 置信度较小。换句话说， 存在置信度最大的最佳窗口 w1。
然后， 从来自从 N 个真空泵记录的学习型数据库的 N-1 个事件序列提取一个或多 个关联规则 ( 通常为一组关联规则 )， 未用于提取的事件序列被用于验证关联规则。
此方法使得检测已建立的关联规则的稳健性 (robustness) 成为可能。有效关联 规则必须能够针对满足与提取期间相同的限制条件的未用于建立关联规则的剩余事件序 列来预测或者不预测故障。 此方法可以建立通用最可能构建行为模式并针对单独的事件序 列 ( 仍然未用的 ) 来验证该方法的操作。
然后， 重复此方法 N 次以确定其他关联规则， 或者寻找相同的关联规则， 每次都留 下一个新的未用组以验证新的关联规则。然后， 从用于建立关联规则的 N-1 个事件序列连 续分离每个序列以验证该关联规则。然后， 在 N 个提取期间提取的关联规则的分组形成关 联规则组。
在提取处理 100 的第三步骤 103 中， 推断出预设时间窗口， 在该时间窗口期间， 真 空泵 7 将发生转子旋转故障。对任意发源事件的出现， 通过向关联规则的第一事件出现的 日期添加最佳时间窗口的尺寸而预测故障的日期。
对于观察窗口 d2， 预测时间窗口 d3 等于最近的故障日期预测和最远故障日期预 测之间的间隔。
向观察窗口 d2 施加包括事件的最大数目 (k) 的规则， 并且观察窗口 d2 等于每个 事件之间的最大时长的 (k-1) 倍。 通过从学习型数据库提取知识而建立规则， 例如 (R1)、 (R2) 和 (R3) ：
(R1)A- ＞ B- ＞ C ＝＞ F， 具有第一最佳窗口 wa
(R2)D- ＞ E- ＞ G ＝＞ F， 具有第二最佳窗口 wc
(R3)K- ＞ E- ＞ L ＝＞ F， 具有第三最佳窗口 wb。
图 6 示出了在观察窗口 d2 期间测量的事件序列。
前兆模式 A- ＞ B- ＞ C 的出现使得可以预测将在第一事件 A 出现时的日期加上最 佳时间窗口 wa 的尺寸而得到的日期出现的卡咬 F。 此前兆事件在窗口 d2 期间出现两次， 因 此为卡咬的出现预测了两个日期。
前兆模式 D- ＞ E- ＞ G 的出现可以预测将在第一事件 D 出现时的日期加上最佳时 间窗口 wc 的尺寸而得到的日期出现的卡咬 F。
前兆模式 K- ＞ E- ＞ L 的出现可以预测将在第一事件 K 出现时的日期加上最佳时 间窗口 Wb 的尺寸而得到的日期出现的卡咬 F。
对应于预测卡咬出现的各种假设的众多点落入预测时间窗口 d3 中， 预测时间窗 口 d3 在根据规则 D- ＞ E- ＞ G 的最佳窗口 wc 的预测和根据规则 A- ＞ B- ＞ C 的第一次出 现的最佳窗口 wa 的预测之间。然后， 预测其间将出现真空泵转子旋转故障的时间窗口。
因此， 该预测方法可以识别真空泵的反常行为， 一方面不需要在处理腔中发生的 处理工艺的指示， 另一方面不会受工艺的中断或修改影响。不需要基于处理工艺如何进行 而调整机械行为模型。
另外， 预测在大于 80％的情况下是可靠的。然后， 可以在使用时， 在泵真正发生故 障前预测泵故障， 由此安排预防维护。 早期诊断， 可以最小化与部件劣化有关的损坏并有助 于维护人员监测作业， 因此进一步降低了维护成本。