CN112083705B - 异常检测***、异常检测装置和异常检测方法 - Google Patents
异常检测***、异常检测装置和异常检测方法 Download PDFInfo
- Publication number
- CN112083705B CN112083705B CN202010399409.0A CN202010399409A CN112083705B CN 112083705 B CN112083705 B CN 112083705B CN 202010399409 A CN202010399409 A CN 202010399409A CN 112083705 B CN112083705 B CN 112083705B
- Authority
- CN
- China
- Prior art keywords
- sequence
- sub
- abnormality detection
- subsequence
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 179
- 230000005856 abnormality Effects 0.000 title claims abstract description 139
- 239000002131 composite material Substances 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000000605 extraction Methods 0.000 claims abstract description 82
- 238000010606 normalization Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 239000000284 extract Substances 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims description 56
- 238000005070 sampling Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 27
- 230000007717 exclusion Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims 5
- 239000013589 supplement Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 45
- 238000004519 manufacturing process Methods 0.000 description 31
- 239000004065 semiconductor Substances 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000008186 active pharmaceutical agent Substances 0.000 description 9
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 101100150875 Oryza sativa subsp. japonica SUS1 gene Proteins 0.000 description 4
- 101100478969 Oryza sativa subsp. japonica SUS2 gene Proteins 0.000 description 4
- 101100004663 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) BRR2 gene Proteins 0.000 description 4
- 101100504519 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GLE1 gene Proteins 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002407 reforming Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 description 2
- 101100364280 Oryza sativa subsp. japonica RSS3 gene Proteins 0.000 description 2
- 101100478972 Oryza sativa subsp. japonica SUS3 gene Proteins 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101000788601 Escherichia coli (strain K12) Alpha-ketoglutarate-dependent taurine dioxygenase Proteins 0.000 description 1
- 101000625689 Escherichia coli (strain K12) Taurine-binding periplasmic protein Proteins 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 101710188371 Sulfate-binding protein Proteins 0.000 description 1
- 102100024779 Suppressor of cytokine signaling 1 Human genes 0.000 description 1
- 102100024784 Suppressor of cytokine signaling 2 Human genes 0.000 description 1
- 102100024283 Suppressor of cytokine signaling 3 Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 230000010411 postconditioning Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例涉及异常检测***、异常检测装置和异常检测方法。本发明的目的是提供一种能够容易地提取特定子过程的区间信号的技术。异常检测***包括用于从监测信号中包括的复合序列中的多个子序列中提取特定子序列作为异常检测的对象的提取单元。提取单元通过动态时间归整方法根据复合序列和作为预先获取的复合序列的示例的参考序列来确定最佳归整路径。提取单元基于最佳归整路径以及参考序列的子序列的起点和终点来标识特定子序列的起点和终点。提取单元基于特定子序列的起点和终点来提取特定子序列。
Description
相关申请的交叉引用
于2019年6月14日提交的日本专利申请No.2019-111283的公开内容(包括说明书、附图和摘要)通过引用整体并入本文。
背景技术
本公开涉及一种异常检测***,并且可以应用于例如具有根据指示制造设备的处理状态的信号来检测检测目标信号的功能的异常检测***。
近年来,随着第四次工业革命,在制造***中,为了提高制造效率,诸如AI(人工智能)和IoT(物联网)等技术的利用正在不断发展。例如,利用这样的制造***,可以通过各种传感器实时地监测制造设备的处理状态,并且可以基于监测结果来在早期检测制造设备中的异常。当检测异常时,例如,基于预先登记在存储设备中的检测算法来检测检测目标的异常。
例如,日本未审查专利申请公开第2018-180705号(专利文献1)示出了一种能够减少技术人员等的工作量的异常检测***。在该异常检测***中,目标信号选择单元根据通过信号输入单元接收的监测信号来确定检测目标区间(其是制造设备实际上在其中运行的区间),并且提取该区间的信号作为检测目标信号。在此,监测信号是指示制造设备的处理状态的信号。具体地,例如,当监测信号在空闲区间中变为0V时,目标信号选择单元将检测目标区间确定为监测信号的电压电平为0.1V以上的区间。
发明内容
然而,即使例如制造设备执行由多个子步骤组成的在时间上连续的复合步骤序列,监测信号也是由与多个子步骤相对应的信号组成的复合步骤序列的信号序列。因此,难以设置用于提取特定子过程的信号区间的条件。根据本公开的描述和附图,其他目的和新颖特征将变得很清楚。
下面将简要描述本公开的典型方面。也就是说,异常检测***包括从监测信号中包括的复合序列中的多个子序列中提取特定子序列作为异常检测的对象的提取单元。提取单元通过动态时间归整方法根据复合序列和作为预先获取的复合序列的示例的参考序列来确定最佳归整路径。提取单元基于最佳归整路径以及预先获取的参考序列的子序列的起点和终点来标识特定子序列的起点和终点。提取单元基于特定子序列的起点和终点来提取特定子序列。
根据异常检测***,可以容易地提取特定子过程的区间信号。
附图说明
图1是示出监测信号的示例的图;
图2是示出根据一个实施例的异常检测***的主要部分的配置的框图;
图3是示出两个序列之间的时间差的图;
图4是示出在图3中描述的两个序列中基于DTW的最佳归整路径的概念的图;
图5是示出由图2的异常检测***处理的参考序列与复合序列之间的关系的图;
图6是示出其中图2的标识单元使用参考序列从复合序列中提取子序列的概念的图;
图7是示出第一实施例中的异常检测***的配置的框图;
图8是示出图7的提取单元30和存储单元31的配置的框图;
图9是示出图8的调节单元中的复合序列的采样调节处理的概要的图;
图10是示出在图8的第一标识单元中使用下采样的复合序列来标识子序列的起始区域和终止区域的方法的图;
图11是用于说明在图8的第二标识单元中根据子序列的起始区域和终止区域来计算参考子序列的起始区域和终止区域的方法的图;
图12是用于说明在图8的第二标识单元中根据参考子序列的起点区域和终止区域来计算子序列的起点和终点的方法的图;
图13A是示出朴素DTW的步骤条件的图;
图13B是示出步长的条件的修改示例的图;
图14是用于说明其中步长条件被修改的DTW的综合成本矩阵(D)和最佳归整路径(P)的图;
图15是示出复合序列的采样调节处理的概要的图;
图16是用于说明通过采样调节来缓和时间归整步长pl的选择限制的图;
图17是示出第二实施例的异常检测***的配置的框图;
图18是示出图17的提取单元60和存储单元61的配置的框图;
图19是示出由图17的异常检测***处理的参考序列与复合序列之间的关系的图;
图20是示出其中图17的提取单元60从参考序列中提取复合序列的子序列的概念的图;
图21是示出第三实施例中的异常检测***的配置的框图;以及
图22是示出第四实施例中的异常检测装置的配置的框图。
具体实施方式
下面将参考附图描述实施方式、实施例和修改示例。然而,在以下描述中,相同的组件由相同的附图标记表示,并且可以省略其重复描述。
首先,将概述异常检测***的异常检测。上述检测算法的示例包括基于AI的算法和基于统计技术的算法。在基于AI的算法中,例如,使用其中已经学习了检测目标信号的特征的神经网络的模型。该模型接收例如检测目标信号,并且将学习到的特征反映在检测目标信号上以生成期望值信号(换言之,理想检测目标信号)。异常检测***的异常检测单元根据检测目标信号与期望值信号之间的误差是否在可接受范围内来确定检测目标信号是否存在异常。另一方面,在基于统计方法的算法中,使用反映检测目标信号的各种统计值的正态分布模型或多元分析模型。使用这些模型,异常检测单元根据检测目标信号的变化等是否在可以被确定为在统计上(理论上)正常的范围内来确定检测目标信号是否存在异常。
接下来,将参考图1描述提取特定子过程的信号区间的必要性。图1是示出监测信号的示例的图。
如上所述,监测信号(MNT)包括一系列时间序列信号(为方便起见,在下文中称为复合序列(CS)),包括与多个子过程相对应的时间序列信号(在下文中称为子序列(SS))。例如,如图1所示,复合序列(CS)包括第一子步骤的子序列(SS1)、第二子步骤的子序列(SS2)和第三子步骤的子序列(SS3)。
在复合序列(CS)中,其他子过程的信号间隔可以随时间改变,或者监测信号(MNT)的电压电平可以改变。因此,例如,另一子步骤(第二子步骤)的子序列(SS2)可能需要被表征为高于特定子步骤(第三子步骤)的子序列(SS3)。在这种情况下,子序列(SS2)中的异常检测中的稳定误差值变高,并且不能检测到特定子过程的子序列(SS3)中的微小误差。因此,通过仅提取特定子过程的信号区间并且检测异常,可以检测特定子过程的微小误差。
当包括不必要区间的信号时,也会发生以下问题。(1)监测信号(即,要进行检测处理的信号)的数据点增加。替代地,学习到的特征被增加以生成期望值信号。这增加了异常检测算法的模型的大小,进而增加了计算时间。这削弱了异常检测的实时性。(2)由于在信号的不必要区间中的期望值信号的误差,发生异常错误检测。
因此,为了高速且高精度地执行异常检测,异常检测***需要从监测信号MNT中适当地去除不必要区间。
另一方面,在专利文献1中,如上所述,当监测信号在空闲区间中变为0V时,目标信号选择单元将检测目标区间确定为监测信号的电压电平为0.1V以上的区间。这仅在可以通过电压电平来清楚地区分作为不必要区间的“空闲区间”和适合于检测目标信号的“检测目标区间”时才有可能。因此,不必要区间不能适当地从监测信号MNT中被去除。
接下来,将对在本公开之前的本公开人已经讨论的技术进行描述。在标识检测目标区间时检查了以下功能。(1)为检测对象部分的起始条件和终止条件设置不同的电压电平条件的功能。(2)进一步将满足电压电平的条件的时间长度设置为条件的功能。(3)为被提取作为检测对象信号的信号序列设置平均值或最大值或最小值的条件并且中止向异常检测单元的传送的功能。(4)通过将条件设置为单独指示检测目标区间的“触发信号”来绝对指定检测目标区间的功能。
但是,即使具有上述功能(1)至(4),某些监测信号(MNT)也无法定义检测目标区间。成为问题的监测信号MNT是包括与上述多个子过程相对应的信号的一系列过程的信号序列,并且难以设置用于提取特定子过程的信号区间的条件。
另外,尽管半导体制造设备可以输出指示一系列过程的信号间隔的触发信号,但是在某些情况下,半导体制造设备可以不输出指示特定子过程的信号间隔的触发信号。用于定义检测目标区间的条件设置要求技术人员作为用户密切地观察监测信号MNT,并且在某些情况下,然后定义多个条件。这取决于技术人员的技能,并且可能成为操作异常检测***的工作量。
因此,实施例使用动态时间归整方法(在下文中称为DTW)从复合序列(CS)中提取特定子序列(SS)。在下文中,将参考图2更具体地描述根据实施例的特定子序列SS的提取。图2是示出根据本实施例的提取单元的配置的框图。
如图2所示,本实施例的提取单元300包括用于标识子序列的起点和终点的标识单元340和用于提取子序列区间的SS提取单元350。
标识单元340根据复合序列(CS)的起点(SPRSS)和终点(EPRSS)以及参考子序列(RSS)来标识复合序列(CS)的子序列的起点(SPSS)和终点(EPSS)。在此,参考子序列(RSS)是参考序列(RS)的子序列。参考序列RS是预先获取的复合序列的示例,并且可以是例如上述理想检测目标信号。标识单元340将最佳归整路径(P)称为表示复合序列(CS)与参考序列(RS)之间的时间对应关系的第一最佳归整路径。
SS提取单元350从输入复合序列(CS)中提取输入子序列的起点(SPSS)到终点(EPSS)的区间的序列,并且输出所提取的序列作为子序列(SS)。
接下来,将描述DTW。DTW是一种用于测量不同时间序列数据的相似度的方法。DTW是一种计算方法,其中通过“循环”对两个时间序列的相应时间点的值的距离进行比较,并且找到其中时间序列之间的“距离”的值变为最小的关系。时间序列之间的“距离”被称为DTW距离,并且其中DTW距离最小的关系被称为最佳归整路径。即使时间序列的数据长度不一致,相位偏移并且频率不同,DTW仍然可以测量相似度。而且,这是一种人类判断出在直观上相似的时间序列的形状具有DTW距离的很小的值的算法。
将参考图3和4描述基于DTW的两个序列的最佳归整路径。图3示出了两个序列之间的时间差。图4示出了基于DTW的在图3中描述的两个序列中的最佳归整路径的概念图。在图3和4中,序列x由SQNx表示,序列y由SQNy表示,时间缩短由TSHO表示,时移由TSHI表示,时间延长由TEXT表示,最佳归整路径由P表示。在图4中,横轴表示序列y的时间(t),纵轴表示序列x的时间(t)。
如上所述,DTW是用于确定两个序列之间的距离度量的技术。如图3所示,时间TSHO、TEXT或TSHI出现在两个序列x和y之间。同样,DTW定义可以被评估为其中两个序列x和y相似的序列的距离度量(DTW距离)。另外,根据在获取DTW距离时计算的综合成本矩阵,可以获取如图4的黑色矩形区域所示被称为最佳归整路径(P)的两个序列x与序列y之间的时间对应关系。在下文中,将描述用于确定DTW距离和最佳归整路径(P)的基本计算方法。
首先,下面定义分别具有序列长度N和M的两个序列x和y。
x=(x1,x2,···,xn,···,xN)
y=(y1,y2,···,ym,···,yM)
其中索引的n和m是关于序列x和y的离散时间,xn、ym分别是离散时间处的标量值。
然后,使用常规距离度量(诸如用于DTW距离的欧几里得距离)来计算成本矩阵“N×M”,下文中也被称为“C”,它是两个序列之间的所有组合的距离。
C=cn,m=|xn-ym|2,然后,基于动态编程方法来确定综合成本矩阵(下文中也称为“D”)。在朴素的DTW中,综合成本矩阵(D)的元素dn,m通过以下等式来计算:
(等式1)
其中n∈[1:N]并且m∈[1:M]
在此,作为初始条件,首先计算以下因素:
d0,0=0
dn,0=∞,其中n∈[1:N]
d0,m=∞,其中m∈[1:M]
d1,1=c1,1
在此,综合成本矩阵是(N+1)×(M+1)矩阵,元素dn,0、d0,m被添加到该矩阵。然后,将最后计算的dN,M定义为DTW距离。此外,可以根据在DTW距离的计算过程中计算的综合成本矩阵(D)来计算最佳归整路径(P)。最佳归整路径(P)定义为以下等式的序列:
P=(p1,p2,···,pl,···,pL)T
其中pl是第1时间归整步骤,pl=(nl,ml),由两个序列x和y的索引n和m的组合定义。当使用朴素的DTW方法计算综合成本矩阵(D)时,第(l-1)时间归整步骤至第1时间归整步骤pl的pl-1如下确定。
(等式2)
在此,以pL=(N,M)作为初始条件,以p1=(1,1)作为边界条件,并且通过从pL开始以相反顺序获取pl来确定最佳归整路径(P)。
接下来,将参考图5和6来描述根据参考序列(RS)的子序列区间的起点和终点来标识复合序列(CS)的子序列区间的起点和终点的方法。图5是示出参考序列与复合序列之间的关系的图。图6是示出从参考序列中提取复合序列的子序列的概念的图。在此,在图5中,复合序列(CS)也被表示为SQNx,参考序列(RS)也被表示为SQNy。在图6中,横轴表示参考序列(RS)的时间(t),纵轴表示复合序列(CS)的时间(t)。
如图6所示,标识单元340通过DTW来计算参考序列(RS)和复合序列(CS)的最佳归整路径。在此,如图5所示,参考序列(RS)上的子序列间隔被称为参考子序列间隔(RSSI),而复合序列(CS)上的子序列间隔被称为子序列间隔(SSI)。如图6所示,标识单元340使用参考子序列间隔(RSSI)的起点(SPRSS)作为关键字从最佳归整路径搜索子序列间隔(SSI)的起点(SPSS)。标识单元340使用参考子序列间隔(RSSI)的终点(EPRSS)作为关键字从最佳归整路径(P)搜索子序列间隔(SSI)的终点(EPSS)。在此,参考子序列区间(RSSI)的起点(SPRSS)和终点(EPRSS)被预先存储在存储单元中。
SS提取单元350通过子序列间隔(SSI)的起点(SPSS)和终点(EPSS)来标识复合序列上的子序列间隔(SSI),并且提取子序列(SS)。
根据一个实施例,可以通过确定参考序列(RS)以及参考子序列间隔(RSSI)的起点(SPRSS)和终点(EPRSS)来指定要被提取的子序列(SS)。
由于可以提取特定子序列(SS),因此可以使用针对特定子序列(SS)的异常检测的参考参数,并且可以提高异常检测的准确性。另外,由于可以减少异常检测处理所需要的异常检测的参考参数的量,因此可以减少存储器资源和计算量。
通过准备参考序列(RS)并且确定参考子序列间隔(RSSI)的起点(SPRSS)和终点(EPRSS),可以直观地指定要被提取的子序列(SS)。结果,由于工作量是恒定的,而与作为用户的技术人员的技能无关,因此可以容易地将其合并为生产线的操作之一。
首先,将参考图7对第一实施例中的异常检测***进行描述。图7是示出第一实施例中的异常检测***的配置的框图。
如图7所示,异常检测***1包括信号输入单元10、CS提取单元20、提取单元30和异常检测单元40。在此,CS提取单元20提取复合序列CS。提取单元30提取子序列SS。异常检测单元40检测子序列SS的异常。信号输入单元10、复合序列提取单元20、子序列提取单元30和子序列异常检测单元40表示软件中的处理单元。
CS提取单元20包括存储复合序列CS的提取条件的存储单元21。提取单元30包括用于存储子序列SS的提取条件的存储单元31。异常检测单元40包括用于存储子序列SS的异常检测条件的存储单元41。提取单元30对应于实施例的提取单元300。
信号输入单元10向CS提取单元20输出监测信号(MNT)作为时间序列数字信号,该监测信号(MNT)包括检测目标(诸如要被输入的传感器数据)和指示特定时间间隔的触发信号(TRG)(诸如使能信号)。当输入的监测信号(MNT)和触发信号(TRG)是模拟信号时,信号输入单元10使用模数转换电路(ADC)将它们转换为数字信号。这使得能够获取可以通过软件来处理的离散时间序列数字信号。
输入监测信号(MNT)和触发信号(TRG)可以是数字信号。例如,当基于诸如TCP/IP等通信协议使用诸如LAN(局域网)等物理接口执行输入时,信号输入单元10包括基于通信协议的信号接收单元。例如,在半导体制造工厂中,可以使用被称为SECS(半设备通信标准)的通信协议来输入半导体制造设备的传感器信号。RS232C和LAN用作SECS的物理接口。
CS提取单元20向提取单元30输出包括在由触发信号(TRG)指示的时间间隔内从监测信号(MNT)中提取的有限宽度的信号作为复合序列(CS)。复合序列(CS)是时间间隔的信号,在该时间间隔期间,待检测的制造设备处理包括一系列子过程的复合过程。复合过程是依次处理诸如第一子过程、第二子过程和第三子过程等多个过程的过程。复合步骤可以是依次处理用于校准制造设备的测试步骤和其中制造设备实质上出于其原始目的而操作的主步骤的步骤。但是,假定组成子步骤的顺序不变。
触发信号(TRG)是指示目标时间间隔的信号,并且其示例包括其中目标时间间隔的值为“1”并且其他时间间隔为“0”的信号。CS存储单元21存储用于根据触发信号TRG来确定目标时间间隔的条件。例如,CS提取单元20将触发信号(TRG)等于或大于阈值(例如,0.5)的时间间隔确定为目标时间间隔。在这种情况下,作为阈值的“0.5”作为复合序列(CS)的提取条件而被存储在存储单元21中。CS提取单元20基于存储在存储单元21中的条件来确定要从触发信号TRG中提取的时间间隔。结果,可以从监测信号MNT中去除不必要区间。CS提取单元20提取目标时间间隔的监测信号(MNT)作为复合序列(CS),并且向提取单元30输出复合序列(CS)。
提取单元30从输入的复合序列(CS)中提取与由制造设备处理的特定子步骤相对应的有限区间的信号,并且向异常检测单元40输出所提取的信号作为子序列(SS)以作为异常检测的目标。通过应用DTW基于存储在存储单元31中的条件来指定用作子序列SS的信号的时间间隔。提取单元30的详细处理将在后面描述。
异常检测单元40基于存储在存储单元41中的子序列(SS)的异常检测条件来对输入的子序列(SS)执行异常检测处理,并且输出诸如异常检测结果之类的输出信号(OUT)。对于异常检测处理,例如,使用使用神经网络算法的方法。在这种情况下,存储单元41存储表示神经网络的结构的网络层的结构、以及由每层保持的权重参数、偏差参数等。
输出信号OUT作为模拟信号或数字信号而被输出。例如,输出信号OUT作为电压信号被输出,该电压信号使LED发光以向用户指示异常检测的结果。输出信号OUT可以是基于诸如TCP/IP之类的通信协议使用诸如LAN之类的物理接口向另一***通知异常检测处理的结果或异常检测处理的过程的计算结果的信号。
接下来,将参考图8详细描述提取单元30。图8是示出提取单元30和存储单元31的配置的框图。
提取单元30包括调节单元32、第一标识单元33、第二标识单元34和SS提取单元35。调节单元32调节复合序列CS的采样间隔。第一标识单元33指定复合序列(CS)的子序列区间(SSI)的起始区域和终止区域。第二标识单元34指定复合序列(CS)的子序列区间(SSI)的起点和终点。与实施例的SS提取单元350相似,SS提取单元35指定复合序列(CS)的子序列区间(SSI)并且提取子序列(SS)。
存储单元31包括第一存储单元31a、第二存储单元31b、第三存储单元31c和第四存储单元31d。第一存储单元31a存储采样间隔的调节条件。第二存储单元31b存储预先获取的参考序列RS。第三存储单元31c存储参考序列(RS′),在该参考序列(RS′)中,根据预先获取的参考序列(RS)来调节采样间隔。在下文中,在其中调节采样间隔的参考序列被称为DS参考序列RS′。第四存储单元31d存储参考序列(RS)上的子序列区间(RSSI)的起点(SPRSS)和终点(EPRSS)。
调节单元32接收复合序列(CS)作为输入,通过求平均或补码处理来调节复合序列(CS)的采样间隔,并且输出在其中采样间隔被调节的复合序列(CS′)。在下文中,在其中调节采样间隔的复合序列被称为DS复合序列CS′。采样间隔的调节主要是下采样处理,并且是用于提取由下采样系数(下文中被称为“K”)指定的数目的相邻数据点的诸如最大值、平均值、最小值和中值之类的任何数据的处理。第一存储单元31a存储下采样系数(K)。
接下来,将参考图9来描述采样调节处理。图9是示出复合序列的采样调节处理的概要的图。
如图9所示,例如,输入复合序列(CS)是在采样调节处理之前的序列(下文中被称为预调节序列),其由以下等式表示。
x=(x1,x2,···,xN)
其中N是预调节序列的序列长度,例如N=32,并且K=5被设置为采样调节条件。然后,每五个数据点对第一至第三十数据点执行下采样处理。例如,对数据点的数目比K少2的第31至第32数据点进行与对5个数据点的下采样处理相同的处理。
在采样调节处理之后的序列(下文中被称为已调节序列)由以下等式表示。
x’=(x’1,x’2,···,x’N’)
其中N′是已调节序列的序列长度,如图9所示,N′=7。注意,“ceil”是用于舍入小数点的函数。
将参考图10来描述第一标识单元33。图10是示出使用下采样的复合序列来标识子序列的起始区域和终止区域的方法的图。
类似于图4,第一标识单元33参考最佳归整路径以根据DS复合序列(CS')和DS参考序列(RS')来确定子序列区间(SSI)的起始区域(SASS)和终止区域(EASS)。在此,子序列间隔(SSI)是复合序列(CS)上的子序列间隔。DS参考序列RS'被预先存储在第三存储单元31c中。
首先,第一标识单元33在DS复合序列(CS')与DS参考序列(RS')之间通过DTW获取下采样空间中的最佳归整路径(PDSS)作为第二最佳归整路径。在此,下采样空间是下采样的采样空间。在图10中,最佳PDSS是四个黑色矩形区域。与用于原始采样空间的两个序列的最佳归整路径(P)的计算复杂度相比,用于确定下采样空间中的最佳归整路径(PDSS)的计算将计算复杂度降低了K2倍。在此,K是上述下采样因子。
接下来,第一标识单元33基于最佳归整路径(PDSS)来获取与参考子序列区间(RSSI)的起点(SPRSS)相对应的原始采样空间的子序列区间(SSI)的起点(SASS)。在此,参考子序列间隔(RSSI)是参考序列(RS)上的子序列间隔。第一标识单元33基于第二最佳归整路径(PDSS)来获取与子序列区间(RSSI)的终点(EPRSS)相对应的原始采样空间的子序列区间(SSI)的终止区域(EASS)。在此,参考子序列区间(RSSI)的起点(SPRSS)和终点(EPRSS)被预先存储在第四存储单元31d中。
如图10所示,下采样的复合序列(CS)上的多个点可以对应于参考子序列间隔(RSSI)的起点(SPRSS)和终点(EPRSS)。在这种情况下,将与原始采样空间中的复合序列(CS)的所有点相对应的每个区域定义为子序列的起始区域和终止区域。
将参考图11和12描述第二标识单元34。图11是用于说明根据子序列的起始区域和终止区域来计算参考子序列的起始区域和终止区域的方法的图。图12是用于说明根据参考子序列的起始区域和终止区域来计算子序列的起点和终点的方法的图。在图11和12中,横轴表示参考序列(RS)的时间(t),纵轴表示复合序列(CS)的时间(t)。
第二标识单元34接收由第一标识单元33获取的子序列区间(SSI)的起始区域(SASS)和终止区域(EASS),并且标识子序列区间(SSI)的起点(SPSS)和终点(EPSS)。
首先,如图11所示,第二标识单元34参考最佳归整路径(PDSS),并且根据输入的子序列间隔(SSI)的起始区域(SASS)向后计算参考子序列间隔(RSSI)的起始区域(SARSS)。第二标识单元34参考最佳归整路径(PDSS),并且根据输入的子序列间隔(SSI)的终止区域(EASS)向后计算参考子序列间隔(RSSI)的终止区域(EARSS)。
DS参考序列(RS')上的多个点可以对应于子序列间隔(SSI)的起始区域(SASS)和终止区域(EASS)。在此,将与所有点相对应的原始采样空间的参考序列(RS)上的区域定义为参考子序列间隔(RSSI)的起始区域(SARSS)和终止区域(EARSS)。
接下来,如图12所示,第二标识单元34针对子序列区间(SSI)的起始区域(SASS)和参考子序列区间(RSSI)的起始区域(SARSS)的两个短序列通过DTW来计算最佳归整路径(P)作为第三最佳归整路径,类似于图6。第二标识单元34参考最佳归整路径(P),并且获取与参考子序列间隔(RSSI)的起点(SPRSS)相对应的子序列间隔(SSI)的起点(SPSS)。
类似地,第二标识单元34针对子序列区间(SSI)的终止区域(EASS)和参考子序列区间(RSSI)的终止区域(EARSS)的两个短序列计算最佳归整路径(P)作为第三最佳归整路径。第二标识单元34参考最佳归整路径(P),并且获取与参考子序列区间(RSSI)的终点(EPRSS)相对应的子序列区间(SSI)的终点(EPSS)。
第二标识单元34向SS提取单元35输出所计算的子序列区间(SSI)的起点(SPSS)和终点(EPSS)。
SS提取单元35从输入的复合序列(CS)中提取从输入的子序列区间(SSI)的起点(SPSS)开始的终点(EPSS)的区间的序列,并且输出所提取的序列作为子序列(SS)。
(修改示例)第一标识部33不仅可以采用通过朴素的DTW进行的最佳归整路径的计算方法,还可以采用通过其中步长条件(连续性条件、斜率约束条件)被修改的DTW进行的最佳归整路径的计算方法。
如果与参考序列(RS)相比,复合序列(CS)中出现异常幅度变化,则朴素的DTW可以获取具有极端时间归整的最佳归整路径。因此,难以根据复合序列(CS)来获取适当的子序列间隔(SSI)的起始区域(SASS)和终止区域(EASS)以及起点(SPSS)和终点(EPSS)。这使得难以检测子序列SS中的异常。
例如,在复合序列(CS)中,当异常检测对象设备不空闲时,复合序列(CS)的电压为0V值,并且子过程操作具有正电压的时间变化,并且在子过程完成之后,非空闲电压转变为0V。假定子过程区间被提取作为子序列SS。如果在子过程期间发生幅度异常使得由于短路而导致电压在一定时间内为0V,则在子过程完成之后,异常幅度与时间上分离的参考序列RS上的非空闲电压相匹配。因此,确定复合序列CS的子过程已经完成,并且仅提取直到发生幅度异常的子过程的时间间隔。
另一方面,在其中修改了步长条件的DTW中,由于可以控制最佳归整路径中的归整时间,因此可以获取对于异常幅度变化具有鲁棒性的最佳归整路径。
朴素的DTW在最佳归整路径(P)中满足以下条件。
pl+1-pl∈{(1,1),(0,1),(1,0)}for l∈[1:L-1],其中l∈[1:L-1]。
这称为步长条件,
令l为路径索引,l递增1,并且序列x或序列y或两者的时间步骤递增一个步骤,即不允许路径暂时停滞或倒退的条件。
另一方面,它允许连续序列x或序列y在时间步骤上进行,例如,可以将序列y的多个离散时间分配给序列x的一个离散时间。但是,一个序列的连续时间步骤的进行会阻止为应用推导适当的最佳归整路径。
作为解决该问题的一种方法,有一种修改上述步长约束的方法。将参考图13A、13B来描述修改步长约束的方法。图13A是示出朴素的DTW的步长条件的图。图13B是示出步长条件的修改示例的图。
例如,步长约束被修改如下:
pl+1-pl∈{(1,1),(0,1),(1,0)},其中l∈[1:L-1]
p1+2-pl∈{(2,2),(1,2),(2,1)},其中l∈[1:L-2]
对于两步的时间归整路径的进行,步长约束被定义为对于两个序列至少进行一步的时间。
例如,作为用于确定满足上述步长约束的最佳归整路径的计算方法的示例,通过以下等式获取综合成本矩阵(D)。
(等式3)
其中n∈[l:N]并且m∈[l:M]
在此,以下元素被赋予初始值:
d-1,-1=∞
dn,-1=∞,其中n∈[0:N]
d-1,m=∞,其中m∈[0:M]
d0,0=0
dn,0=∞,其中n∈[1:N]
d0,m=∞,其中m∈[1:M]
d1,1=c1,1
综合成本矩阵被扩展为(N+2)×(M+2)矩阵。此时,修改了根据综合成本矩阵(D)来确定最佳归整路径(P)的方法,并且通过以下等式确定p1的p(l-1)。
(等式4)
另外,根据要满足的条件,在确定pl-1的同时,通过以下等式确定pl的pl-2。
(等式5)
在此,将p1=(1,1)作为初始条件,将pL=(N,M)作为边界条件。通过从pL开始以相反顺序获取pl,可以确定最佳归整路径(P)。
图14是用于说明其中步长条件被修改的DTW的综合成本矩阵(D)和最佳归整路径(P)的图。在图14中,横轴表示序列y的离散时间(m),纵轴表示序列x的离散时间(n)。
如图14所示,在其中步长约束已经被修改的DTW中,相对于朴素的DTW扩展了综合成本矩阵(D)。也就是说,添加了虚拟离散时间步骤的n=-1、0并且m=-1、0的扩展元素的d0,m、d-1,m、dn,0、dn,-1。如上所述,作为初始条件,d0,0为0,其他扩展元素的dn,m为∞。
此时,基于动态规划方法计算综合成本矩阵(D),但是传播了综合成本∞。基本上没有选择具有综合成本为∞的路径作为最佳归整路径(P)的时间步骤pl。该路径称为“dn,m=∞”区间(DIA)。同样,在确定最佳归整路径(P)时,存在这样的区域,其中通过以初始条件固定计算的起点来限制时间归整步长(pl)的选择。该区域被称为pl未选择区域。因此,pl受到DIA和POA的两个选择限制。同样,对于离散时间步骤的n和m,极限范围也不均匀。
特别地,序列x的起点(x1)和序列y的起点(y1)的离散时间步骤受到关于pl附近的时间归整步骤的最佳归整路径(P)的起始归整步骤(pl)的边界条件的强烈限制。类似地,序列x的终点(xN)和序列y的终点(yM)的离散时间步骤受到关于pL附近的时间归整步骤的最佳归整路径(P)的终止归整步长(pL)的边界条件的强烈限制。图14中的深灰色区域是POA,浅灰色区域是DIA,白色区域是时间归整步骤pl不受限制的区域。
调节单元32还可以设置下采样排除长度(在下文中也被称为Ls、Le),作为减轻时间归整步骤(pl)的选择限制的方式。也就是说,调节单元32具有以下功能:相对于由下采样排除长度(Ls,Le)指定的Ls数据点的数目和Le数据点的数目,从复合序列(CS)的起点和终点中排除下采样。第一存储单元31a存储下采样因子(K)和下采样排除长度(Ls,Le)。
接下来,将参考图15来描述在提供了上述的排除下采样的功能的情况下的采样调节处理。图15是示出复合序列的采样调节处理的概要的图。
如图15所示,例如,预调节序列由以下等式表示。
(等式6)
在此,N是预调节序列的序列长度,并且当N=32时,Ls=5,Le=5和K=5被设置为采样调节条件。然后,下采样不应用于预调节序列的前五个和后五个数据点,而是被存储作为后调节序列的前五个和后五个数据点。另一方面,对于第6至第25数据点,每五个数据点执行一次下采样处理。例如,对第26至第27数据点(其数据点的数目为2,小于K)进行与针对5个数据点的下采样处理相同的处理。
已调节序列由以下等式表示:
(等式7)
在此,N′是已调节序列的序列长度,如图15所示,即N′=15,xn是所存储的数据点,x′n表示在下采样处理之后计算出的新数据点。
图16是用于说明通过采样调节来缓和pl的选择限制的图。在图16中,横轴表示序列y的离散时间(m),纵轴表示序列x的离散时间(n)。
在两个序列x和y中,通过在具有不同采样时间的数据点之间执行匹配,可以确定最佳归整路径,其中一个序列的离散时间被加速。设置下采样因子(K),并且设置下采样排除长度(Ls,Le)。如果任一序列的时间步骤是真实采样,而另一序列的时间步骤是下采样,则对于真实采样的离散时间(n,m),可以获取不对称的时间归整步骤(pl)。这可以增加其中两个序列都被下采样的离散时间步骤(n,m)中的时间归整步骤(pl)的选择灵活性。图16中的深灰色区域是POA,浅灰色区域是DIA,白色区域是时间归整步骤pl不受限制的区域。与图14相比,图16示出了较宽的(pl)区域,该区域是时间归整步骤不受限制的白色区域。
第一实施例或修改示例具有以下效果中的至少一个。(1)通过应用作为两个序列的匹配方法的DTW,可以从包括多个子序列的复合序列中提取特定子序列。(2)由于可以执行针对特定子序列的异常检测,因此可以提高异常检测精度,并且可以减少异常检测处理所需要的异常检测参考参数的数目。这使得可以减少存储资源和计算复杂度。(3)通过准备参考序列并且仅确定参考子序列的起点和终点,可以直观地指定要被提取的子序列。这使得可以容易地将其合并为生产线的操作之一,因为它不依赖于作为用户的技术人员的技能,并且工作量是恒定的。(4)下采样方法的使用减少了所需要的计算成本,并且允许在嵌入式***中实现。(5)通过将应用了DTW的下采样与在原始采样中的DTW相结合,可以提取高精度的子序列间隔。(6)通过修改DTW的步长条件,即使当子序列间隔中的幅度变化出现异常时,也可以适当地确定子序列的提取间隔。(7)通过调节施加间隔的下采样,可以通过修改DTW的步长条件来减轻子序列间隔提取的精度降低的因子。
将参考图17来描述异常检测***的第二实施例。图17是示出第二实施例的异常检测***的配置的框图。
在第二实施例的异常检测***2中,第一实施例中的提取单元30和异常检测单元40分别被替换为提取单元60和异常检测单元80。异常检测***2的其余配置与异常检测***1的相同。提取单元60和异常检测单元80分别包括存储单元61和存储单元62。
提取单元60基于每个提取条件从从CS提取单元20输入的复合序列(CS)中提取多个子序列(SS),并且将子序列(SS)传输给异常检测单元80。存储单元61存储多个提取条件。
异常检测单元80基于针对多个输入子序列(SS1,SS2,...,SSj)中的每个子序列(SS)的多个异常检测条件来对每个子序列(SS)执行异常检测。异常检测单元80输出诸如多个异常检测结果之类的输出信号(OUT1,OUT2,...,OUTj)。存储单元81存储多个异常检测条件。
接下来,将参考图18来描述提取单元60。图18是示出图17的提取单元60和存储单元61的配置的框图。
如图18所示,通过将第一实施例中的存储单元31的第四存储单元31d替换为存储单元61的第五存储单元61d来配置提取单元60。通过将第一实施例中的第一标识单元33、第二标识单元34和SS提取单元35分别替换为第三标识单元63、第四标识单元64和SS提取单元65来配置提取单元60。提取单元60的其他配置与提取单元30的相同,并且存储单元61的其他配置与存储单元31的相同。
第五存储单元61d存储要在参考序列上提取的多个子序列区间的一组起点(SPRSS1,SPRSS2,...,SPRSSj)和一组终点(EPRSS1,EPRSS2,...,EPRSSj)。
第三标识单元63和第四标识单元64通过与第一实施例的第一标识单元33和第二标识单元34相同的处理来标识多个子序列区间SSI中的每个的起点和终点。通过参考多个参考子序列区间RSSI中的每个的起点和终点,可以并行地标识多个子序列中的每个的起点和终点。
SS提取单元65基于由第四标识单元64获取的多个参考子序列区间中的每个的起点和终点来从复合序列中提取多个子序列,并且向异常检测单元80输出所提取的子序列。
将参考图19和20来描述多个子序列区间的起点和终点的具体示例。图19是示出参考序列与复合序列之间的关系的图。图20是示出从参考序列中提取复合序列的子序列的概念的图。
首先,如图19所示,所参考的每个子序列区间被定义为RSSI1、RSSI2、RSSI3。指定每个参考的子序列间隔的起点(SPRSS1、SPRSS2、SPRSS3)和终点(EPRSS1、EPRSS2、EPRSS3)。
接下来,如图20所示,提取单元60对参考序列和复合序列的两个序列执行基于DTW的处理,并且将最佳归整路径(P)确定为第一最佳归整路径。
最后,提取单元60参考所确定的最佳归整路径(P),并且获取与参考子序列区间(RSSI1)的起点(SPSS1)和终点(EPSS1)相对应的复合序列上的数据点。另外,提取单元60参考所确定的最佳归整路径(P),并且获取与参考子序列区间(RSSI2)的起点(SPSS2)和终点(EPSS2)相对应的复合序列上的数据点。此外,提取单元60参考所确定的最佳归整路径(P),并且获取与参考子序列区间(RSSI3)的起点(SPSS3)和终点(EPSS3)相对应的复合序列上的数据点。这使得可以标识要在复合序列上提取的多个子序列的SSI1、SSI2、SSI3。
第二实施例具有以下效果中的至少一个。(1)可以对复合序列上的多个子序列执行异常检测。(2)第三标识单元63被配置为使得DTW的最佳归整路径计算的计算成本(尤其占用计算量)与要被提取的子序列的数目无关,并且可以抑制由于要被提取的子序列的增加而导致的计算成本增加。
将参考图21来描述异常检测***的第三实施例。图21是示出第三实施例中的异常检测***的配置的框图。
第三实施例的异常检测***3设置并且生成分别存储在第一实施例的存储单元31和存储单元41中的提取条件和异常检测条件。异常检测***3还包括针对异常检测***1的存储单元51、显示单元52、设置单元53、存储单元54和生成单元55。
存储单元51存储由CS提取单元20提取的多个复合序列。显示单元52通过时间序列波形显示软件在显示器(未示出)上显示存储在存储单元51中的多个复合序列。设置单元53设置要由用户通过诸如GUI(未示出)之类的输入接口输入到存储单元31的子序列提取条件。
在确认显示在显示单元52上的多个复合序列之后,用户选择一个复合序列以用作参考序列,并且指定参考子序列的起点和终点。作为采样调节条件,指定下采样因子(K)和下采样排除长度(Ls,Le)。
设置单元53在存储单元31中存储由用户选择的参考序列的起点和终点、参考子序列的起点和终点、以及采样调节条件。此外,设置单元53执行由用户在参考序列上指定的下采样调节条件所设置的下采样,并且将下采样的参考序列作为DS参考序列RS'存储在存储单元31中。
存储单元54收集并且存储根据所设置的子序列提取条件而提取的子序列。生成单元55使用存储在存储单元54中的多个子序列来生成异常检测条件,并且将该条件存储在存储单元41中。在生成单元55中生成异常检测条件的方法根据异常检测单元40中采用的算法而不同。例如,在通过神经网络进行异常检测的情况下,将构成神经网络的权重参数设置为异常检测条件。结果,可以通过误差反向传播方法来生成异常检测条件,该方法是神经网络的加权参数更新方法。
第三实施例具有以下效果。通过直接使用第一实施例的异常检测***1的配置,可以逐步设置异常检测***中的各种条件。
接下来,将参考图22来描述使用半导体器件(即,异常检测装置)来构造第一实施例、第二实施例和第三实施例的异常检测***的示例。图22是示出异常检测装置的配置的框图。
异常检测装置100的第四实施例包括微型计算机,该微型计算机包括半导体器件101和半导体存储装置110。半导体器件101包括中央处理单元(CPU)102、静态随机存取存储器(SRAM)103和模数转换电路(ADC)104。半导体器件101还包括串行数据接口(SI/F)105、网络接口(NI/F)106和并行数据接口(PI/F)107。半导体器件101还包括数模转换器(DAC)108和存储器接口(MI/F)109。半导体器件101例如形成在一个半导体芯片中,但是可以形成在多个半导体芯片中。装置110包括同步动态随机存取存储器(SDRAM)111和闪存(FLASH)112。
图7、17和21的信号输入单元10可以通过使用专用电路或CPU 102或其组合进行编程来实现。专用电路为ADC 104或SI/F 105或NI/F 106。SI/F 105例如是RS232C接口。NI/F106例如是局域网的接口。CS提取单元20、提取单元30和60、显示单元52、设置单元53、生成单元55以及异常检测单元40和80主要通过使用CPU 102的编程处理来实现。程序存储在FLASH 112等中。
存储单元21、31、41、51、54、61和81由存储设备构成。该存储设备包括SRAM 103、SDRAM 111或FLASH 112或其组合。代替闪存112,可以使用另一非易失性存储器或硬盘驱动器,即HDD。
从异常检测单元40和80输出的输出信号(例如,OUT,OUT1,...,OUTj)通过DAC 108来接通LED。或者,输出信号(例如,OUT,OUT1,...,OUTj)通过NI/F 106向其他***通知异常检测处理的结果或处理过程的计算结果。
然而,每个部分的实现模式不必限于此,并且可以是硬件、软件或硬件和软件的组合。
在异常检测装置100的第四实施例中,图7、17和21所示的异常检测***1、2和3被安装在一个微型计算机上。然而,在异常检测***1、2和3中,可以分离异常检测单元40或异常检测单元80,并且将其安装在不同于微计算机的组件上,诸如包括另一CPU的另一微计算机。信号输入单元10、CS提取单元20和提取单元30(或提取单元60)可以设置在作为检测目标设备的半导体制造设备中。
异常检测***1、2和3可以例如与半导体制造设备以一对一的关系或者与多个半导体制造设备以一对多的关系来提供。当与半导体制造设备以一对一的关系来提供时,异常检测***1、2、3可以例如安装在半导体制造设备中或作为半导体制造设备的外部组件来安装。半导体制造设备例如是诸如CVD装置之类的薄膜形成装置、诸如反应离子蚀刻等干蚀刻装置等。
如上所述,监测信号MNT例如是指示半导体制造设备的处理状态的信号,并且是来自设置在半导体制造设备中或被添加到半导体制造设备的各种传感器的传感器信号。各种传感器例如是用于监测气体的流量的流量传感器和用于监测腔室的压力的压力传感器。各种传感器可以包括用于监测等离子体的RF功率的功率传感器、用于监测等离子体蚀刻的进度的EPD(终点检测器)等。
在本公开中,作为异常检测***的示例,描述了半导体制造设备的异常检测***。然而,本发明不必限于此,并且本公开的异常检测***可以应用于用于检测生产产品的装置或机器(例如,化学装置、机器工具、食物机器等)的异常的***。
本公开的异常检测***从时间序列电信号中检测制造设备的制造过程中的异常,但是原始信号的性质不受限制,只要可以将异常转换为传感器发出的时间序列电信号。可以使用光、电磁波、热、加速度、振动、声音等、以及电流和电压。
尽管已经基于实施方式、实施例和修改示例具体地描述了本公开,但是本公开不限于上述实施方式、实施例和修改示例,并且不用说,可以进行各种修改。
Claims (17)
1.一种异常检测***,用于从监测信号中检测检测目标的异常,所述监测信号包括复合序列,所述复合序列是一系列序列并且包括多个子序列,并且所述监测信号指示所述检测目标的状态,所述异常检测***包括:
提取单元,被配置为从所述监测信号中包括的所述复合序列的所述多个子序列中提取所述检测目标的特定子序列,
其中所述提取单元包括:
标识单元,被配置为根据所述复合序列和作为预先获取的复合序列的示例的参考序列,通过动态时间归整方法来确定第一最佳归整路径,并且被配置为基于所述第一最佳归整路径以及预先获取的所述参考序列的子序列的起点和终点,来标识所述特定子序列的起点和终点;以及
SS提取单元,被配置为基于所述特定子序列的起点和终点来提取所述特定子序列,
其中所述提取单元还包括调节单元,所述调节单元被配置为通过提取或补充相邻数据点的平均值、最大值、最小值或中值的过程来调节所述复合序列的采样间隔,所述数据点的数目由下采样因子指定,其中所述标识单元包括:
第一标识单元,被配置为根据所调节的采样间隔的所述复合序列和预先获取并且通过提取或补充相邻数据点的平均值、最大值、最小值或中值的过程来调节采样间隔的参考序列,通过动态时间归整方法来确定第二最佳归整路径,所述数据点的数目由下采样因子指定;并且被配置为基于所述第二最佳归整路径以及预先获取的所述参考序列的子序列的起点和终点来标识所述特定子序列的起始区域和终止区域;以及
第二标识单元,被配置为基于所述第二最佳归整路径以及所述复合序列的所述子序列的起始区域和终止区域来标识所述特定子序列的起点和终点。
2.根据权利要求1所述的异常检测***,其中所述第二标识单元被配置为:
基于所述第二最佳归整路径以及所述复合序列的所述子序列的起始区域和终止区域来标识所述参考序列的所述子序列的所述起始区域和终止区域;
基于针对所述参考序列的所述子序列的所述起始区域的两个短序列和所述复合序列的第三最佳归整路径、以及所述参考序列的所述子序列的所述起点来标识所述特定子序列的所述起点;以及
基于针对所述参考序列的所述子序列的所述终止区域的两个短序列和所述复合序列的所述第三最佳归整路径、以及所述参考序列的所述子序列的所述终点来标识所述特定子序列的所述终点。
3.根据权利要求2所述的异常检测***,其中确定所述第一最佳归整路径至所述第三最佳归整路径中的任何一个或组合的所述动态时间归整方法修改步长约束。
4.根据权利要求3所述的异常检测***,其中所述调节单元被配置为排除从所述复合序列的所述起点和所述终点开始的多个数据点的下采样,所述数据点的数目由所述下采样排除长度指定。
5.根据权利要求1所述的异常检测***,其中所述提取单元被配置为基于所述第一最佳归整路径、以及与预先获取的所述参考序列的所述子序列不同的子序列的起点和终点,来从所述多个子序列中提取与所述特定子序列不同的子序列。
6.根据权利要求1所述的异常检测***,还包括:CS提取单元,被配置为提取包括由触发信号指示的时间间隔的所述监测信号作为有限宽度的所述复合序列。
7.根据权利要求6所述的异常检测***,还包括:信号输入单元,被配置为向所述CS提取单元输出所述监测信号和所述触发信号作为时间序列数字信号。
8.根据权利要求1所述的异常检测***,还包括:异常检测单元,基于异常检测条件来对所提取的特定子序列执行异常检测处理。
9.根据权利要求6所述的异常检测***,还包括:
存储单元,被配置为存储由所述CS提取单元提取的所述复合序列;
显示单元,被配置为显示存储在所述存储单元中的所述复合序列;
设置单元,被配置为设置子序列提取条件;
存储单元,被配置为存储通过所设置的子序列提取条件而提取的多个子序列;以及
生成单元,被配置为基于所提取的多个子序列来生成异常检测条件。
10.一种异常检测装置,用于从监测信号中检测检测目标的异常,所述监测信号包括复合序列,所述复合序列是一系列序列并且包括多个子序列,并且所述监测信号指示所述检测目标的状态,所述异常检测装置包括:
中央处理单元;以及
存储单元,
其中所述中央处理单元被配置为:
根据所述复合序列和作为预先获取的复合序列的示例的参考序列,通过动态时间归整方法来确定第一最佳归整路径;
基于所述第一最佳归整路径以及存储在所述存储单元中的所述参考序列的子序列的起点和终点,来在所述多个子序列中标识进行异常检测的特定子序列的起点和终点;
基于所述特定子序列的所述起点和终点来提取所述特定子序列;
基于异常检测条件来对所提取的特定子序列执行异常检测处理,
通过提取或补充相邻数据点的平均值、最大值、最小值或中值的过程来调节所述复合序列的采样间隔,所述数据点的数目由下采样因子指定;
根据所调节的采样间隔的所述复合序列和预先存储在所述存储单元中并且通过提取或补充相邻数据点的平均值、最大值、最小值或中值的过程来调节采样间隔的参考序列,通过动态时间归整方法来确定第二最佳归整路径,所述数据点的数目由下采样因子指定;
基于所述第二最佳归整路径以及存储在所述存储单元中的所述参考序列的子序列的起点和终点,来标识所述特定子序列的起始区域和终止区域;以及
基于所述第二最佳归整路径以及所述复合序列的所述子序列的所述起始区域和终止区域,来标识所述特定子序列的起点和终点。
11.根据权利要求10所述的异常检测装置,其中所述中央处理单元被配置为:
基于所述第二最佳归整路径以及所述复合序列的所述子序列的所述起始区域和终止区域,来标识所述参考序列的所述子序列的起始区域和终止区域;
基于针对所述参考序列的所述子序列的所述起始区域的两个短序列和所述复合序列的第三最佳归整路径、以及所述参考序列的所述子序列的所述起点,来标识所述特定子序列的所述起点;以及
基于针对所述参考序列的所述子序列的所述终止区域的两个短序列和所述复合序列的所述第三最佳归整路径、以及所述参考序列的所述子序列的所述终点,来标识所述特定子序列的所述终点。
12.根据权利要求11所述的异常检测装置,其中确定所述第一最佳归整路径至所述第三最佳归整路径中的任何一个或组合的所述动态时间归整方法修改步长约束。
13.根据权利要求12所述的异常检测装置,其中所述中央处理单元被配置为排除从所述复合序列的所述起点和所述终点开始的多个数据点的下采样,所述数据点的数目由所述下采样排除长度指定。
14.一种异常检测方法,用于从监测信号中检测检测目标的异常,所述监测信号包括复合序列,所述复合序列是一系列序列并且包括多个子序列,并且所述监测信号指示所述检测目标的状态,所述异常检测方法包括:
根据所述复合序列和作为预先获取的复合序列的示例的参考序列,通过动态时间归整方法来确定第一最佳归整路径;
基于所述第一最佳归整路径以及预先获取的所述参考序列的子序列的起点和终点,来标识特定子序列的起点和终点;
基于所述特定子序列的所述起点和终点来提取所述特定子序列;
基于异常检测条件来对所提取的所述特定子序列执行异常检测处理,以及
通过提取或补充相邻数据点的平均值、最大值、最小值或中值的过程来调节所述复合序列的采样间隔,所述数据点的数目由下采样因子指定,
其中所述确定包括:根据所调节的采样间隔的所述复合序列和预先获取并且通过提取或补充相邻数据点的平均值、最大值、最小值或中值的过程来调节采样间隔的参考序列,通过动态时间归整方法来确定第二最佳归整路径,所述数据点的数目由下采样因子指定,以及
其中所述标识包括:
基于所述第二最佳归整路径以及预先获取的所述参考序列的子序列的起点和终点,来标识所述特定子序列的起始区域和终止区域;以及
基于所述第二最佳归整路径以及所述复合序列的所述子序列的所述起始区域和终止区域,来标识所述特定子序列的起点和终点。
15.根据权利要求14所述的异常检测方法,
其中基于所述第二最佳归整路径以及所述复合序列的所述子序列的所述起始区域和终止区域,来标识所述特定子序列的起点和终点包括:
基于所述第二最佳归整路径以及所述复合序列的所述子序列的所述起始区域和终止区域,来标识所述参考序列的所述子序列的起始区域和终止区域;
基于针对所述参考序列的所述子序列的所述起始区域的两个短序列和所述复合序列的第三最佳归整路径、以及所述参考序列的所述子序列的所述起点,来标识所述特定子序列的起点;以及
基于针对所述参考序列的所述子序列的所述终止区域的两个短序列和所述复合序列的所述第三最佳归整路径、以及所述参考序列的所述子序列的所述终点,来标识所述特定子序列的所述终点。
16.根据权利要求15所述的异常检测方法,其中确定所述第一最佳归整路径至所述第三最佳归整路径中的任何一个或组合的所述动态时间归整方法修改步长约束。
17.根据权利要求16所述的异常检测方法,其中所述调节包括排除从所述复合序列的所述起点和终点开始的多个数据点的下采样,所述数据点的数目由所述下采样排除长度指定。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-111283 | 2019-06-14 | ||
JP2019111283A JP7204584B2 (ja) | 2019-06-14 | 2019-06-14 | 異常検知システム、異常検知装置および異常検知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112083705A CN112083705A (zh) | 2020-12-15 |
CN112083705B true CN112083705B (zh) | 2023-12-22 |
Family
ID=73735877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010399409.0A Active CN112083705B (zh) | 2019-06-14 | 2020-05-12 | 异常检测***、异常检测装置和异常检测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12013679B2 (zh) |
JP (1) | JP7204584B2 (zh) |
CN (1) | CN112083705B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529678B (zh) * | 2020-12-23 | 2023-06-23 | 华南理工大学 | 一种基于自监督判别式网络的金融指数时序异常检测方法 |
CN112597539A (zh) * | 2020-12-28 | 2021-04-02 | 上海观安信息技术股份有限公司 | 一种基于无监督学习的时间序列异常检测方法及*** |
CN113239956B (zh) * | 2021-04-08 | 2024-01-19 | 深圳市银宝山新科技股份有限公司 | 注塑模具状态诊断方法、装置、计算机设备及存储介质 |
WO2023162077A1 (ja) * | 2022-02-24 | 2023-08-31 | 株式会社日立ハイテク | 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム |
CN114881160B (zh) * | 2022-05-18 | 2024-03-22 | 中国西安卫星测控中心 | 基于改进dtw距离的航天器异常子模式检测方法及装置 |
CN116049755A (zh) * | 2023-03-15 | 2023-05-02 | 阿里巴巴(中国)有限公司 | 时间序列的检测方法、电子设备及存储介质 |
CN116826977B (zh) * | 2023-08-28 | 2023-11-21 | 青岛恒源高新电气有限公司 | 一种光储直柔微电网智能管理*** |
CN117124857B (zh) * | 2023-10-27 | 2024-04-05 | 宁德时代新能源科技股份有限公司 | 一种绝缘异常识别方法、装置、可读存储介质及电动汽车 |
CN117173425B (zh) * | 2023-11-02 | 2024-01-30 | 东华理工大学南昌校区 | 一种岩石结构面粗糙度智能提取方法及*** |
CN117473345B (zh) * | 2023-12-27 | 2024-03-22 | 山东顺发重工有限公司 | 基于数据分析的法兰锻造缺陷检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009157787A (ja) * | 2007-12-27 | 2009-07-16 | Yamatake Corp | 標準時系列データ算出方法、異常検出方法、標準時系列データ算出装置、および異常検出装置 |
CN101794151A (zh) * | 2009-12-11 | 2010-08-04 | 安徽鑫龙电器股份有限公司 | 一种具有usb接口的信号源及其控制方法 |
JP2010198227A (ja) * | 2009-02-24 | 2010-09-09 | Nippon Telegr & Teleph Corp <Ntt> | 類似部分シーケンス検出装置、類似部分シーケンス検出方法、および、類似部分シーケンス検出プログラム |
CN104809134A (zh) * | 2014-01-27 | 2015-07-29 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
CN108983744A (zh) * | 2017-06-05 | 2018-12-11 | 丰田自动车株式会社 | 异常诊断设备和异常诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4801566B2 (ja) | 2006-11-27 | 2011-10-26 | 日本電信電話株式会社 | データストリーム監視装置、データストリーム監視方法、そのプログラムおよび記録媒体 |
EP2887236A1 (en) | 2013-12-23 | 2015-06-24 | D square N.V. | System and method for similarity search in process data |
JP6795444B2 (ja) | 2017-04-06 | 2020-12-02 | ルネサスエレクトロニクス株式会社 | 異常検知システム、半導体装置の製造システムおよび製造方法 |
US20190198405A1 (en) * | 2017-12-22 | 2019-06-27 | International Business Machines Corporation | Statistical framework for tool chamber matching in semiconductor manufacturing processes |
US20200034733A1 (en) * | 2018-07-27 | 2020-01-30 | Vmware, Inc. | Anomaly detection on time series data |
-
2019
- 2019-06-14 JP JP2019111283A patent/JP7204584B2/ja active Active
-
2020
- 2020-04-16 US US16/850,806 patent/US12013679B2/en active Active
- 2020-05-12 CN CN202010399409.0A patent/CN112083705B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009157787A (ja) * | 2007-12-27 | 2009-07-16 | Yamatake Corp | 標準時系列データ算出方法、異常検出方法、標準時系列データ算出装置、および異常検出装置 |
JP2010198227A (ja) * | 2009-02-24 | 2010-09-09 | Nippon Telegr & Teleph Corp <Ntt> | 類似部分シーケンス検出装置、類似部分シーケンス検出方法、および、類似部分シーケンス検出プログラム |
CN101794151A (zh) * | 2009-12-11 | 2010-08-04 | 安徽鑫龙电器股份有限公司 | 一种具有usb接口的信号源及其控制方法 |
CN104809134A (zh) * | 2014-01-27 | 2015-07-29 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
CN108983744A (zh) * | 2017-06-05 | 2018-12-11 | 丰田自动车株式会社 | 异常诊断设备和异常诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112083705A (zh) | 2020-12-15 |
US20200393812A1 (en) | 2020-12-17 |
JP2020204832A (ja) | 2020-12-24 |
US12013679B2 (en) | 2024-06-18 |
JP7204584B2 (ja) | 2023-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112083705B (zh) | 异常检测***、异常检测装置和异常检测方法 | |
US10627788B2 (en) | Retrieval apparatus and retrieval method for semiconductor device processing | |
US6616759B2 (en) | Method of monitoring and/or controlling a semiconductor manufacturing apparatus and a system therefor | |
US10262840B2 (en) | Plasma processing apparatus | |
US5864773A (en) | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment | |
KR100768017B1 (ko) | 툴 고장 모니터링을 위한 고장검출 및 가상 센서 방법 | |
US20240096713A1 (en) | Machine-learning in multi-step semiconductor fabrication processes | |
US20090282296A1 (en) | Multivariate fault detection improvement for electronic device manufacturing | |
JP2004355330A (ja) | 診断装置及び診断方法 | |
JP2009295700A (ja) | プロセス制御装置及びプロセス制御方法 | |
JP4836994B2 (ja) | 半導体処理装置 | |
JP2005051269A (ja) | 半導体処理装置 | |
JP6754878B2 (ja) | 探索装置および探索方法 | |
CN111936873B (zh) | 脉冲***验证 | |
KR100446926B1 (ko) | 반도체제조장치의 감시 및 제어방법과 그 실시장치 | |
JP5596832B2 (ja) | プラズマ処理方法のRun−to−Run制御方法 | |
KR20110091111A (ko) | 반도체 장치의 고장 진단시스템 및 방법 | |
US20230178346A1 (en) | Scanning radical sensor usable for model training | |
US11585764B1 (en) | Multi-level RF pulse monitoring and RF pulsing parameter optimization at a manufacturing system | |
CN117494046A (zh) | 一种自适应电力通信网数据融合方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |