Deep Learning Approaches for OEE Forecasting: a Semiconductor Manufacturing Case Study

The diffusion of computing and sensing devices based on semiconductors has made the semiconductor manufacturing industry highly demanding. It has become crucial to optimize the production processes, by identifying the possible production efficiency losses. These can be measured by the mean of the e Overall Equipment Efficiency (OEE) measure. Thus being able to predict the values of the future OEE can enhance the production efficiently. This work analyzes various methods with the aim of forecasting the OEE and the related parameters using their historical values in the context of wafer production. Firstly Statistical approaches have been studied. Then Deep Learning(DL) based models have been developed and compared. Different approaches have been considered in building the DL models. The techniques adopted are the most common ones in the task of forecasting: GRU units have been used, but also TCN have been included in the studies. Furthermore various prediction approaches for the prediction of the OEE have been used. In particular, the work studies the performances of when the OEE is directly predicted by the models or when it is calculated by the means of other models able to predict the parameters on which the OEE is based. The experiments have shown that all the deep learning methods used achieve better performances than the statistical ones. Among the DL methods the best one by far is the CEEMDAN-GRU, which combines the GRU unit with a decomposition of time series technique called CEEMDAN. The experiments also do not allow to identify if forecasting the components of the OEE and then calculate it is better than directly predicting the OEE. Finally a possible application of the prediction models is presented by mean of the creation of a prototype of a Chatbot that can be used as an assistant for the OEE engineers.

La diffusione di dispositivi informatici e di rilevamento basati su semiconduttori ha reso l'industria manifatturiera dei semiconduttori molto esigente. È diventato fondamentale ottimizzare i processi produttivi, individuando le possibili perdite di efficienza produttiva. Questi possono essere misurati mediante la misura dell'efficienza complessiva delle apparecchiature (OEE). Pertanto, essere in grado di prevedere i valori del futuro OEE può migliorare la produzione in modo efficiente. Questo lavoro analizza vari metodi con l'obiettivo di prevedere l'OEE e i relativi parametri utilizzando i loro valori storici nel contesto della produzione di wafer. Innanzitutto sono stati studiati approcci statistici. Successivamente sono stati sviluppati e confrontati modelli basati sul Deep Learning (DL). Sono stati presi in considerazione diversi approcci nella costruzione dei modelli DL. Le tecniche adottate sono quelle più comuni nei compiti di previsione: sono state utilizzate unità GRU, ma sono state incluse negli studi anche unità TCN. Inoltre sono stati utilizzati vari approcci di previsione per la previsione dell'OEE. In particolare, il lavoro studia le prestazioni di quando l'OEE è previsto direttamente dai modelli o quando viene calcolato usando altri modelli in grado di prevedere i parametri su cui si basa l'OEE. Gli esperimenti hanno dimostrato che tutti i metodi di deep learning utilizzati raggiungono prestazioni migliori rispetto a quelli statistici. Tra i metodi di DL il migliore in assoluto è il CEEMDAN-GRU, che combina l'unità GRU con una tecnica di decomposizione di serie temporali chiamata CEEMDAN. Gli esperimenti inoltre non consentono di identificare se prevedere le componenti dell'OEE e quindi calcolarlo sia meglio che prevedere direttamente l'OEE. Infine viene presentata una possibile applicazione dei modelli di previsione attraverso la creazione di un prototipo di un Chatbot che può essere utilizzato come assistente per gli ingegneri di OEE.