JP2010039733A - 製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 - Google Patents
製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 Download PDFInfo
- Publication number
- JP2010039733A JP2010039733A JP2008201473A JP2008201473A JP2010039733A JP 2010039733 A JP2010039733 A JP 2010039733A JP 2008201473 A JP2008201473 A JP 2008201473A JP 2008201473 A JP2008201473 A JP 2008201473A JP 2010039733 A JP2010039733 A JP 2010039733A
- Authority
- JP
- Japan
- Prior art keywords
- data
- monitoring
- occurrence
- time
- manufacturing
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】本発明は、異常傾向の発生とその深刻度を知ることができる製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法を提供する。
【解決手段】製造過程における品質特性に関するデータを収集し、前記品質特性に関するデータから検知対象となるデータを抽出し、前記検知対象となるデータに対して周波数分析を行い、前記周波数分析の結果と、予め定められた限界値と、に基づいて異常傾向の発生を監視し、前記異常傾向の発生が検知された場合には、深刻度の判断をし、前記検知がされた時点の前記品質特性に関するデータと前記異常傾向の発生時点の前記品質特性に関するデータとを特定し、前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、を出力すること、を特徴とする製造プロセスの監視方法が提供される。
【選択図】図１
【解決手段】製造過程における品質特性に関するデータを収集し、前記品質特性に関するデータから検知対象となるデータを抽出し、前記検知対象となるデータに対して周波数分析を行い、前記周波数分析の結果と、予め定められた限界値と、に基づいて異常傾向の発生を監視し、前記異常傾向の発生が検知された場合には、深刻度の判断をし、前記検知がされた時点の前記品質特性に関するデータと前記異常傾向の発生時点の前記品質特性に関するデータとを特定し、前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、を出力すること、を特徴とする製造プロセスの監視方法が提供される。
【選択図】図１
Description
本発明は、製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法に関する。
近年、製造ラインにおいては、製造プロセス中で品質特性に関する実測データなどを収集し、これを集中的に管理、利用する品質管理方法が確立されつつある。そのようなものとしては、例えば、品質特性に関する実測データ値が予め設定された管理値を越えないように管理者が目視監視するとともに、管理値を越えた場合には異常発生と判断して、警報を関係部門に出し、異常への対処と原因究明を行うようにするものがある。
しかしながら、管理者の目視監視とすれば、実測データに含まれている様々な時間的または空間的スケールに渡る変化情報を抽出するのが困難である。そのため、見逃しが発生したり判断にバラツキが生じたりするおそれがある。
そのため、操業チャートデータに対してウェーブレット変換を行ってウェーブレット係数を算出し、このウェーブレット係数を用いて回帰モデルを作成し、解析を行う技術が提案されている（特許文献１を参照）。
しかしながら、特許文献１に開示がされた技術では、製品品質の予測（製品の出来映えの予測）はできても、異常傾向の発生やその深刻度を知ることが困難である。そのため、異常に対する対処や原因究明などが遅れたり、対応が不適切になるという問題点がある。
特開２００４−２８８１４４号公報
しかしながら、特許文献１に開示がされた技術では、製品品質の予測（製品の出来映えの予測）はできても、異常傾向の発生やその深刻度を知ることが困難である。そのため、異常に対する対処や原因究明などが遅れたり、対応が不適切になるという問題点がある。
本発明は、異常傾向の発生とその深刻度を知ることができる製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法を提供する。
本発明の一態様によれば、製造過程における品質特性に関するデータを収集し、前記品質特性に関するデータから検知対象となるデータを抽出し、前記検知対象となるデータに対して周波数分析を行い、前記周波数分析の結果と、予め定められた限界値と、に基づいて異常傾向の発生を監視し、前記異常傾向の発生が検知された場合には、深刻度の判断をし、前記検知がされた時点の前記品質特性に関するデータと前記異常傾向の発生時点の前記品質特性に関するデータとを特定し、前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、を出力すること、を特徴とする製造プロセスの監視方法が提供される。
また、本発明の他の一態様によれば、コンピューターに、製造過程における品質特性に関するデータを入力し、前記品質特性に関するデータから検知対象となるデータの抽出を演算させ、前記検知対象となるデータに対して周波数分析を用いた演算をさせ、前記周波数分析の演算結果と、予め定められた限界値と、に基づいて異常傾向の発生の監視を演算させ、前記異常傾向の発生が検知された場合には、深刻度の判断を演算させ、前記検知がされた時点の前記品質特性に関するデータと前記異常傾向の発生時点の前記品質特性に関するデータとの特定を演算させ、前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、の出力を実行させること、を特徴とする製造プロセスの監視プログラムが提供される。
また、本発明の他の一態様によれば、製造装置と、上記の製造プロセスの監視方法を実行可能な監視装置と、を備えることを特徴とする製造プロセスの監視システムが提供される。
また、本発明の他の一態様によれば、製造装置と、上記の製造プロセスの監視プログラムが格納された監視装置と、を備えることを特徴とする製造プロセスの監視システムが提供される。
また、本発明の他の一態様によれば、上記の製造プロセスの監視方法を用いて、製品の製造を行うことを特徴とする製品の製造方法が提供される。
また、本発明の他の一態様によれば、上記の製造プロセスの監視システムを用いて、製品の製造を行うことを特徴とする製品の製造方法が提供される。
本発明によれば、異常傾向の発生とその深刻度を知ることができる製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法が提供される。
以下、図面を参照しつつ、本発明の実施の形態について例示をする。
図１は、本発明の実施の形態に係る製造プロセスの監視システムを例示するためのブロック図である。
図１に示すように、本実施の形態に係る監視システム１には、製品を製造する製造装置２が設けられている。製造装置２は、例えば、半導体製造ラインの一部を構成する装置であり、シリコンウェーハ上に薄膜を形成するプラズマＣＶＤ（Chemical Vapor Deposition：化学気相成長）装置などを例示することができる。
図１は、本発明の実施の形態に係る製造プロセスの監視システムを例示するためのブロック図である。
図１に示すように、本実施の形態に係る監視システム１には、製品を製造する製造装置２が設けられている。製造装置２は、例えば、半導体製造ラインの一部を構成する装置であり、シリコンウェーハ上に薄膜を形成するプラズマＣＶＤ（Chemical Vapor Deposition：化学気相成長）装置などを例示することができる。
尚、本明細書において「製品」というときは、製造装置において所定の処理がなされた後の部材をいい、いわゆる完成品の他に中間製品をも含むものとする。例えば、前述の例でいえば、薄膜が形成されたシリコンウェーハも「製品」に含まれる。
また、監視システム１には、ホストコンピューター３が設けられている。ホストコンピューター３は、製造装置２に製造プロセスを実行させるための命令を出力する。更に、監視システム１には、監視装置４が設けられている。監視装置４は、製造装置２における製造プロセスの過程で収集された品質特性に関するデータに基づいて異常傾向の発生を監視し、深刻度の判断などを行う。尚、異常傾向発生の監視などについては後述する。
また、監視システム１には、端末コンピューター５が設けられている。端末コンピューター５には、監視装置４から出力されたデータが入力される。そして、入力されたデータは端末コンピューター５に設けられた図示しない表示手段に表示される。尚、キーボードなどの図示しない入力手段を設けるようにすることもできる。
また、監視システム１には、ＭＥＳ（Manufacturing Execution System：製造実行システム）系ＬＡＮ（Local Area Network：構内通信網）６及びＦＤ（Fault Detection：欠陥探知）システム系ＬＡＮ７が設けられている。そして、製造装置２、ホストコンピューター３及び監視装置４は、ＭＥＳ系ＬＡＮ６に接続されている。また、監視装置４及び端末コンピューター５は、ＦＤシステム系ＬＡＮ７に接続されている。
次に、監視装置４による異常傾向発生の監視方法、すなわち製造プロセスの監視方法について例示をする。
図２は、異常傾向発生の監視方法を例示するためのフローチャート図である。
図２に示すように、まず、図１に示す監視装置４が製造装置２からＭＥＳ系ＬＡＮ６を介して品質特性に関するデータを収集する（ステップＳ１）。
すなわち、製造プロセス過程における品質特性に関するデータを収集する。
品質特性に関するデータとは、例えば、プラズマＣＶＤ処理におけるパーティクルの数、温度、圧力、電力、処理時間などのように、その変動が製品の品質に影響を及ぼすもののデータをいう。監視装置４は、製造装置２におけるこれらの品質特性に関するデータを、一連のプロセスが開始してから終了するまでの時間範囲、１ロットの作業が開始してから終了するまでの時間範囲、一日の作業が開始してから終了するまでの時間範囲など必要に応じた時間範囲内において、一定の時間毎、例えば１秒毎に読み込む。
このように、品質特性に関するデータは、座標データを有するものとすることができる。
図２は、異常傾向発生の監視方法を例示するためのフローチャート図である。
図２に示すように、まず、図１に示す監視装置４が製造装置２からＭＥＳ系ＬＡＮ６を介して品質特性に関するデータを収集する（ステップＳ１）。
すなわち、製造プロセス過程における品質特性に関するデータを収集する。
品質特性に関するデータとは、例えば、プラズマＣＶＤ処理におけるパーティクルの数、温度、圧力、電力、処理時間などのように、その変動が製品の品質に影響を及ぼすもののデータをいう。監視装置４は、製造装置２におけるこれらの品質特性に関するデータを、一連のプロセスが開始してから終了するまでの時間範囲、１ロットの作業が開始してから終了するまでの時間範囲、一日の作業が開始してから終了するまでの時間範囲など必要に応じた時間範囲内において、一定の時間毎、例えば１秒毎に読み込む。
このように、品質特性に関するデータは、座標データを有するものとすることができる。
また、品質特性に関するデータを読み込む時間間隔を、品質特性の有意の変動周期に対して十分に短く設定すれば、収集されたデータは、時間的に略連続したデータ群を構成することになる。品質特性に関するデータを時間に対してプロットして作成したプロファイルは、一定の形状を形成する。以下、このようなプロファイルの形状を「波形」といい、時間的に略連続した品質特性に関するデータのデータ群を「波形データ」という。これにより、継続的に収集された品質特性に関するデータには、製造装置２の処理チャンスに対応する複数の波形データが含まれる場合もある。
図３は、「波形データ」を例示するための模式グラフ図である。
尚、横軸は時間を表し、縦軸は品質特性に関するデータ値（例えば、パーティクルの数など）を表している。
また、図３には、２台の製造装置における「波形データ」が記載されている。例えば、図中の「Ａ１、Ａ２」を製造装置２の「波形データ」、図中の「Ｂ」をＭＥＳ系ＬＡＮ６に接続された図示しない他の製造装置の「波形データ」とすることができる。
また、図中の「Ａ１」と「Ａ２」は、製造装置２の処理チャンスに対応するものである。すなわち、シリコンウェーハの処理を行い「Ａ１」に示すような品質特性に関するデータが収集され、シリコンウェーハの搬出と次のシリコンウェーハの搬入が行われ、「Ａ２」に示すような品質特性に関するデータが収集されたことを表している。
尚、横軸は時間を表し、縦軸は品質特性に関するデータ値（例えば、パーティクルの数など）を表している。
また、図３には、２台の製造装置における「波形データ」が記載されている。例えば、図中の「Ａ１、Ａ２」を製造装置２の「波形データ」、図中の「Ｂ」をＭＥＳ系ＬＡＮ６に接続された図示しない他の製造装置の「波形データ」とすることができる。
また、図中の「Ａ１」と「Ａ２」は、製造装置２の処理チャンスに対応するものである。すなわち、シリコンウェーハの処理を行い「Ａ１」に示すような品質特性に関するデータが収集され、シリコンウェーハの搬出と次のシリコンウェーハの搬入が行われ、「Ａ２」に示すような品質特性に関するデータが収集されたことを表している。
次に、異常傾向発生の検知対象となるデータを抽出する（ステップＳ２）。
すなわち、品質特性に関するデータから検知対象となるデータを抽出する。
図４は、検知対象となるデータの抽出を例示するための模式グラフ図である。
尚、横軸は時間を表し、縦軸は品質特性に関するデータ値（例えば、パーティクルの数など）を表している。
すなわち、品質特性に関するデータから検知対象となるデータを抽出する。
図４は、検知対象となるデータの抽出を例示するための模式グラフ図である。
尚、横軸は時間を表し、縦軸は品質特性に関するデータ値（例えば、パーティクルの数など）を表している。
ここで、異常傾向発生の検知対象となるデータの数Ｍは、後述する周波数分析（例えば、ウェーブレット変換など）において、監視する最も長い周波数（低い周波数）に応じた数とすることができる。
例えば、ウェーブレット変換をすることで異常傾向発生の検知を行う場合には、データの数ＭをＭ＝２Ｎとすることができる。ここで、Ｎは、レベル（Ｌｅｖｅｌ）数である。 例えば、図４に示すように、レベル２までの周波数を監視する場合は、Ｍ＝２２＝４となり、レベル４までの周波数を監視する場合は、Ｍ＝２４＝１６となる。
例えば、ウェーブレット変換をすることで異常傾向発生の検知を行う場合には、データの数ＭをＭ＝２Ｎとすることができる。ここで、Ｎは、レベル（Ｌｅｖｅｌ）数である。 例えば、図４に示すように、レベル２までの周波数を監視する場合は、Ｍ＝２２＝４となり、レベル４までの周波数を監視する場合は、Ｍ＝２４＝１６となる。
また、新しいデータが収集され、それが付加されるとともに最も古いデータが廃棄されるようになっている。
次に、検知対象となるデータに対して周波数分析を行う（ステップＳ３）。
ここでは、説明の便宜上、ステップＳ２において抽出された各レベルのデータに対してウェーブレット変換を行う場合を説明する。
対象となるデータに対してウェーブレット変換を行う場合、マザーウェーブレットは任意であるが、例えば、Ｈａａｒウェーブレットを使用することができる。
次に、検知対象となるデータに対して周波数分析を行う（ステップＳ３）。
ここでは、説明の便宜上、ステップＳ２において抽出された各レベルのデータに対してウェーブレット変換を行う場合を説明する。
対象となるデータに対してウェーブレット変換を行う場合、マザーウェーブレットは任意であるが、例えば、Ｈａａｒウェーブレットを使用することができる。
図５は、Ｈａａｒウェーブレットを使用して求められた一組のウェーブレット係数を例示するための模式グラフ図である。
図中のレベル１は、周波数が最も高いウェーブレット係数を表している。これらのウェーブレット係数は、ステップＳ２において抽出された隣り合う２つの時点の対象となるデータに基づいて算出されたものである。
また、図中のレベル２は、次に周波数が高いウェーブレット係数を表している。これらのウェーブレット係数は、ステップＳ２において抽出された連続する４つの時点の対象となるデータに基づいて算出されたものである。また、図中のレベル３は、ステップＳ２において抽出された連続する８つの時点の対象となるデータに基づいて算出されたものである。
図中のレベル１は、周波数が最も高いウェーブレット係数を表している。これらのウェーブレット係数は、ステップＳ２において抽出された隣り合う２つの時点の対象となるデータに基づいて算出されたものである。
また、図中のレベル２は、次に周波数が高いウェーブレット係数を表している。これらのウェーブレット係数は、ステップＳ２において抽出された連続する４つの時点の対象となるデータに基づいて算出されたものである。また、図中のレベル３は、ステップＳ２において抽出された連続する８つの時点の対象となるデータに基づいて算出されたものである。
同様にして、図中のレベルＮは、ステップＳ２において抽出された連続する２Ｎの時点の対象となるデータに基づいて算出されたものである。
このように、レベル数が１段上がる毎に、ウェーブレット係数の個数は略半分になる。そして、Ｃは、図４に示す元の「波形データ」から前述のウェーブレット係数に相当する部分を除いた残りの部分を、ウェーブレット係数として表したものである。
尚、このようにして算出されたウェーブレット係数は、図４に示す元の「波形データ」の情報を全て含んでおり、逆ウェーブレット変換を行うことで、元の「波形データ」を完全に復元することが可能である。
そして、新しいデータが収集されると、ステップＳ２において新たに各レベルのデータが抽出されるので、それらに基づいて前述の算出が行われる。すなわち、新しいデータが収集される毎に、逐次、各レベルにおけるウェーブレット係数が算出される。そして、逐次算出されるウェーブレット係数を視認化するためにグラフ図を作成することもできる。
次に、各レベルにおける管理限界値に基づいて異常傾向の発生を監視する（ステップＳ４）。
すなわち、周波数分析の結果と、予め定められた管理限界値と、に基づいて異常傾向の発生を監視する。
図６は、グラフ図化されたウェーブレット係数を例示するための模式図である。
図６に示すように、ウェーブレット係数のグラフ図には各レベル毎に管理限界値（閾値）が設けられている。
管理限界値は、後述する異常傾向の発生を検知するために設けられる。尚、管理限界値を、異常が発生する前に生ずる異常傾向の発生を検知するためのものとし、異常の発生を検知するためのものとは別に設けることもできる。また、両者を同一のものとすることもできる。
このように、レベル数が１段上がる毎に、ウェーブレット係数の個数は略半分になる。そして、Ｃは、図４に示す元の「波形データ」から前述のウェーブレット係数に相当する部分を除いた残りの部分を、ウェーブレット係数として表したものである。
尚、このようにして算出されたウェーブレット係数は、図４に示す元の「波形データ」の情報を全て含んでおり、逆ウェーブレット変換を行うことで、元の「波形データ」を完全に復元することが可能である。
そして、新しいデータが収集されると、ステップＳ２において新たに各レベルのデータが抽出されるので、それらに基づいて前述の算出が行われる。すなわち、新しいデータが収集される毎に、逐次、各レベルにおけるウェーブレット係数が算出される。そして、逐次算出されるウェーブレット係数を視認化するためにグラフ図を作成することもできる。
次に、各レベルにおける管理限界値に基づいて異常傾向の発生を監視する（ステップＳ４）。
すなわち、周波数分析の結果と、予め定められた管理限界値と、に基づいて異常傾向の発生を監視する。
図６は、グラフ図化されたウェーブレット係数を例示するための模式図である。
図６に示すように、ウェーブレット係数のグラフ図には各レベル毎に管理限界値（閾値）が設けられている。
管理限界値は、後述する異常傾向の発生を検知するために設けられる。尚、管理限界値を、異常が発生する前に生ずる異常傾向の発生を検知するためのものとし、異常の発生を検知するためのものとは別に設けることもできる。また、両者を同一のものとすることもできる。
また、管理限界値は、製品の品質規格と検知対象となっている事項（例えば、パーティクルの数など）との関係、製造装置や処理作業の特性などに基づいて、その値を決定することができる。この際、レベル数をも考慮して重み付けなどを行うこともできる。例えば、レベル数が小さい（高周波）ウェーブレット係数に変動が生じた場合には、急激な変動が生じたと判断することができるので、速やかな対応ができるように低めの管理限界値とすることができる。
尚、逐次算出されるウェーブレット係数のグラフ図化は必ずしも必要ではなく、例えば、ウェーブレット係数の算出値が管理限界値を超えたことを検知するのみとすることもできる。ただし、逐次算出されるウェーブレット係数のグラフ図化を行いそれを表示するようにすれば、異常発生の傾向を知ることができるので、製造ラインの管理者などにとって便利である。
次に、各レベルにおける管理限界値に基づいて異常傾向の発生が検知された場合には、異常傾向発生の深刻度を判断し、また、異常傾向の発生が検知された点（後述する矢印の終点）を特定する（ステップＳ５）。
すなわち、異常傾向の発生が検知された場合には、異常傾向発生の深刻度の判断をし、また、検知がされた時点の品質特性に関するデータを特定する。
すなわち、異常傾向の発生が検知された場合には、異常傾向発生の深刻度の判断をし、また、検知がされた時点の品質特性に関するデータを特定する。
例えば、レベル数が小さい（高周波）ウェーブレット係数において異常傾向の発生が検知された場合には、急激な異常が発生したことになるので、その深刻度は高いと判断される。そして、この時点で異常傾向の発生とその深刻度を表示したり、信号やデータとして出力したりすることができるので、関係部門の速やかな対応が可能となる。また、収集されたデータに含まれている変化情報を確実に検知することができるので、管理者などが異常傾向の発生を見逃したり、深刻度の判断を誤ったりすることを抑止することができる。
また、ウェーブレット変換によれば、時系列的な情報をも残したまま周波数分析をすることができるので、管理限界値を超えた時点から容易に異常傾向の発生が検知された点（検知がされた時点の品質特性に関するデータ；後述する矢印の終点）を特定することができる。
尚、異常傾向の発生は、リアルタイム監視を行う場合には、検知した時点で確認することができ、定期監視（例えば、１時間に１回など）を行う場合には、ウェーブレット係数のグラフ図上で管理限界値を超えた時点を確認することになる。
例えば、図６に示す場合には、レベル３においてウェーブレット係数が管理限界値を超えている。この場合、深刻度はそれほど高くないと判断される。また、ウェーブレット係数が管理限界値を超えた時点Ｄから、検知がされた時点の品質特性に関するデータを容易に特定することができる。
次に、異常傾向の発生点（後述する矢印の始点）を特定する（ステップＳ６）。
すなわち、異常傾向の発生時点の品質特性に関するデータを特定する。
異常傾向の発生が検知されたレベル数に基づいて、異常傾向の発生点（異常傾向の発生時点の品質特性に関するデータ；後述する矢印の始点）が特定される。この場合、異常傾向が発生したとされたものの算出前のデータの内、最も古いものが異常傾向の発生点とされる。
すなわち、異常傾向の発生時点の品質特性に関するデータを特定する。
異常傾向の発生が検知されたレベル数に基づいて、異常傾向の発生点（異常傾向の発生時点の品質特性に関するデータ；後述する矢印の始点）が特定される。この場合、異常傾向が発生したとされたものの算出前のデータの内、最も古いものが異常傾向の発生点とされる。
例えば、レベル１で発生したものの場合は、元の「波形データ」において２点前のデータが発生点となる。また、レベル２で発生したものの場合は、元の「波形データ」において４点前のデータが発生点となる。同様にして、レベルＮで発生したものの場合は、元の「波形データ」において２Ｎ点前のデータが発生点となる。
次に、異常傾向の発生点を始点とし、異常傾向の発生が検知された点を終点とする矢印を図３で例示をした「波形データ」のグラフ図上に付加する（ステップＳ７）。
すなわち、検知がされた時点の品質特性に関するデータの座標上の位置を始点とし、異常傾向の発生時点の品質特性に関するデータの座標上の位置を終点とする矢印を「波形データ」のグラフ図上に付加する。
次に、異常傾向の発生点を始点とし、異常傾向の発生が検知された点を終点とする矢印を図３で例示をした「波形データ」のグラフ図上に付加する（ステップＳ７）。
すなわち、検知がされた時点の品質特性に関するデータの座標上の位置を始点とし、異常傾向の発生時点の品質特性に関するデータの座標上の位置を終点とする矢印を「波形データ」のグラフ図上に付加する。
図７は、「波形データ」のグラフ図に付加された矢印を例示するための模式図である。 図７に示すように、異常傾向の発生点を始点とし、異常傾向の発生が検知された点を終点とする矢印Ｅを「波形データ」のグラフ図上に付加する。
また、この際、その異常傾向の深刻度が視認できるようにすれば、製造ラインの管理者などにとって便利であり、また、その後の対処や判断も正確かつ迅速に行うことができる。
また、この際、その異常傾向の深刻度が視認できるようにすれば、製造ラインの管理者などにとって便利であり、また、その後の対処や判断も正確かつ迅速に行うことができる。
図８は、異常傾向の深刻度が視認できる矢印を例示するための模式図である。
前述したように、レベル数が小さい（高周波）ウェーブレット係数において異常傾向の発生が検知された場合には、急激な異常が発生したことになるので、その深刻度は高いことになる。そのため、深刻度の高い（レベル数が小さい）異常傾向の発生を表す矢印ほど視認しやすくすることが好ましい。この場合、例えば、図８に示すように、深刻度の高い（レベル数が小さい）異常傾向の発生を表す矢印ほど太くすることができる。また、深刻度の高い（レベル数が小さい）異常傾向の発生を表す矢印ほど感知しやすい色（例えば、赤などの暖色系の色）としたり、深刻度を表す記号や文字などを付記させるようにすることもできる。
前述したように、レベル数が小さい（高周波）ウェーブレット係数において異常傾向の発生が検知された場合には、急激な異常が発生したことになるので、その深刻度は高いことになる。そのため、深刻度の高い（レベル数が小さい）異常傾向の発生を表す矢印ほど視認しやすくすることが好ましい。この場合、例えば、図８に示すように、深刻度の高い（レベル数が小さい）異常傾向の発生を表す矢印ほど太くすることができる。また、深刻度の高い（レベル数が小さい）異常傾向の発生を表す矢印ほど感知しやすい色（例えば、赤などの暖色系の色）としたり、深刻度を表す記号や文字などを付記させるようにすることもできる。
次に、同時期に複数の異常傾向の発生が検知された場合に付加される矢印について例示をする。
図９は、同時期に複数の異常傾向の発生が検知された場合を例示するための模式グラフ図である。
また、図１０は、同時期に複数の異常傾向の発生が検知された場合に、「波形データ」のグラフ図に付加された矢印を例示するための模式図である。
図９に示すように、レベル２及びレベル４において、同時期に異常傾向の発生が検知された場合、異常傾向の発生が検知された点（矢印の終点）は略同一の位置となる。そして、レベル数に応じて異常傾向の発生点（矢印の始点）が決められる。図９に示す場合には、レベル２において異常傾向の発生が検知された点から４点前のデータの位置が始点とされ、レベル４において異常傾向の発生が検知された点から１６点前のデータの位置が始点とされる。すなわち、レベルＮにおいて異常傾向の発生が検知された点から２Ｎ点前のデータの位置が始点とされる。そして、これをレベル２における矢印Ｆ、レベル４における矢印Ｇ１として「波形データ」のグラフ図に付加すると、図１０に示すものとなる。この場合、矢印の数が多くなるほど煩雑となり、深刻度の視認が困難となる場合がある。
図９は、同時期に複数の異常傾向の発生が検知された場合を例示するための模式グラフ図である。
また、図１０は、同時期に複数の異常傾向の発生が検知された場合に、「波形データ」のグラフ図に付加された矢印を例示するための模式図である。
図９に示すように、レベル２及びレベル４において、同時期に異常傾向の発生が検知された場合、異常傾向の発生が検知された点（矢印の終点）は略同一の位置となる。そして、レベル数に応じて異常傾向の発生点（矢印の始点）が決められる。図９に示す場合には、レベル２において異常傾向の発生が検知された点から４点前のデータの位置が始点とされ、レベル４において異常傾向の発生が検知された点から１６点前のデータの位置が始点とされる。すなわち、レベルＮにおいて異常傾向の発生が検知された点から２Ｎ点前のデータの位置が始点とされる。そして、これをレベル２における矢印Ｆ、レベル４における矢印Ｇ１として「波形データ」のグラフ図に付加すると、図１０に示すものとなる。この場合、矢印の数が多くなるほど煩雑となり、深刻度の視認が困難となる場合がある。
本発明者は検討の結果、深刻度の高い（レベル数が小さい）矢印を優先するようにして順に矢印を付加するようにすれば、煩雑感を解消することができ深刻度の視認を容易にすることができるとの知見を得た。
この場合、複数の矢印の画像データを出力する場合には、深刻度のより高い矢印の始点の位置を、次に深刻度が高い矢印の終点の位置として、連接する矢印の画像データを出力するようにすればよい。
図１１は、深刻度の高い（レベル数が小さい）順に付加された矢印を例示するための模式図である。
まず、最も深刻度の高い（レベル数が小さい）矢印を優先して付加する。
次に、深刻度が次に高い（レベル数が次に小さい）矢印を付加する。この際、矢印の終点を異常傾向の発生が検知された点とせずに、優先して付加された矢印の始点の位置とする。以後、同様にして深刻度の高い（レベル数が小さい）順に矢印を付加して行く。
図１１に示す場合（図９に示す場合）には、レベル２の矢印Ｆを付加する。すなわち、異常傾向の発生が検知された点を矢印Ｆの終点とし、異常傾向の発生が検知された点から４点前のデータの位置を矢印Ｆの始点として矢印Ｆを付加する。
次に、レベル２の矢印Ｆの始点を矢印Ｇ２の終点とし、異常傾向の発生が検知された点から１６点前のデータの位置を矢印Ｇ２の始点として矢印Ｇ２を付加する。
この場合、複数の矢印の画像データを出力する場合には、深刻度のより高い矢印の始点の位置を、次に深刻度が高い矢印の終点の位置として、連接する矢印の画像データを出力するようにすればよい。
図１１は、深刻度の高い（レベル数が小さい）順に付加された矢印を例示するための模式図である。
まず、最も深刻度の高い（レベル数が小さい）矢印を優先して付加する。
次に、深刻度が次に高い（レベル数が次に小さい）矢印を付加する。この際、矢印の終点を異常傾向の発生が検知された点とせずに、優先して付加された矢印の始点の位置とする。以後、同様にして深刻度の高い（レベル数が小さい）順に矢印を付加して行く。
図１１に示す場合（図９に示す場合）には、レベル２の矢印Ｆを付加する。すなわち、異常傾向の発生が検知された点を矢印Ｆの終点とし、異常傾向の発生が検知された点から４点前のデータの位置を矢印Ｆの始点として矢印Ｆを付加する。
次に、レベル２の矢印Ｆの始点を矢印Ｇ２の終点とし、異常傾向の発生が検知された点から１６点前のデータの位置を矢印Ｇ２の始点として矢印Ｇ２を付加する。
このようにして深刻度の高い（レベル数が小さい）順に矢印を付加するようにすれば、直列に接続された矢印群となるので、煩雑感が抑制され視認が容易となる。また、矢印群の先端側にはより深刻度が高い（レベル数が小さい）矢印が付加されているので、これらを目立たせることができ、確実な視認がなされるように誘導することもできる。
次に、矢印が付加された「波形データ」のグラフ図が、製造ラインの管理者や関係部門などに告知される（ステップＳ８）。
例えば、データの視認を可能とする手段でもある端末コンピューター５に、監視装置４から矢印が付加された「波形データ」の画像データが送られ、端末コンピューター５に設けられた表示手段に表示させることで製造ラインの管理者や関係部門に告知するようにすることができる。
次に、矢印が付加された「波形データ」のグラフ図が、製造ラインの管理者や関係部門などに告知される（ステップＳ８）。
例えば、データの視認を可能とする手段でもある端末コンピューター５に、監視装置４から矢印が付加された「波形データ」の画像データが送られ、端末コンピューター５に設けられた表示手段に表示させることで製造ラインの管理者や関係部門に告知するようにすることができる。
また、図示しないプリンターなどで印刷することもできるし、図示しない回線を介して遠隔地にいる管理者などに電子メールなどで告知することもできる。また、監視装置４に直接表示させるようにすることもできる。
また、監視装置４から「波形データ」、深刻度の判断のデータ、検知がされた時点の品質特性に関するデータ、異常傾向の発生時点の品質特性に関するデータ、などを出力し、受信側でこれらを合成するようにしてもよい。
また、監視装置４から「波形データ」、深刻度の判断のデータ、検知がされた時点の品質特性に関するデータ、異常傾向の発生時点の品質特性に関するデータ、などを出力し、受信側でこれらを合成するようにしてもよい。
また、矢印の形状、先端の形状などは適宜変更することができるし、単なる線分であってもよい。ただし、方向性をも視認できる矢印とすることが好ましい。
本実施の形態によれば、異常が発生する前に生ずる異常傾向の発生を検知することができる。そのため、早期の対応や異常発生を抑止することができる。
また、深刻度を認識することができるので対処方法、優先度などの検討が可能となる。 また、異常傾向の発生、発生の時期を認識し異常の原因を推定または特定することができる。例えば、異常傾向発生の時期やレベル数からその原因を推定または特定することができる。
また、異常傾向の発生とその深刻度の視認が容易かつ確実となるようにされているので、関係部門などの速やかな対応が可能となる。
また、収集されたデータに含まれている変化情報を確実に認識することができるので、管理者などが異常傾向の発生を見逃したり、深刻度の判断を誤ったりすることを抑止することができる。
本実施の形態によれば、異常が発生する前に生ずる異常傾向の発生を検知することができる。そのため、早期の対応や異常発生を抑止することができる。
また、深刻度を認識することができるので対処方法、優先度などの検討が可能となる。 また、異常傾向の発生、発生の時期を認識し異常の原因を推定または特定することができる。例えば、異常傾向発生の時期やレベル数からその原因を推定または特定することができる。
また、異常傾向の発生とその深刻度の視認が容易かつ確実となるようにされているので、関係部門などの速やかな対応が可能となる。
また、収集されたデータに含まれている変化情報を確実に認識することができるので、管理者などが異常傾向の発生を見逃したり、深刻度の判断を誤ったりすることを抑止することができる。
次に、本発明の実施の形態に係る監視プログラムについて例示をする。
本実施の形態に係る監視プログラムは、コンピュータに、前述した異常傾向発生の監視（製造プロセスの監視）を実行させるものである。
一連の異常傾向発生の監視を実行させるために、本実施の形態に係る監視プログラムが、例えば、監視装置４に設けられた図示しない格納手段に格納される。監視プログラムは、例えば、図示しない記録媒体に格納された状態で監視装置４に供給され、読み出されることで監視装置４の図示しない格納手段に格納される。尚、ＭＥＳ系ＬＡＮ６などを介して、監視装置４の図示しない格納手段に格納されるようにすることもできる。
本実施の形態に係る監視プログラムは、コンピュータに、前述した異常傾向発生の監視（製造プロセスの監視）を実行させるものである。
一連の異常傾向発生の監視を実行させるために、本実施の形態に係る監視プログラムが、例えば、監視装置４に設けられた図示しない格納手段に格納される。監視プログラムは、例えば、図示しない記録媒体に格納された状態で監視装置４に供給され、読み出されることで監視装置４の図示しない格納手段に格納される。尚、ＭＥＳ系ＬＡＮ６などを介して、監視装置４の図示しない格納手段に格納されるようにすることもできる。
監視装置４の図示しない格納手段には、以下の手順（１）〜（８）を実行するプログラムが格納されている。
（１）製造装置２から品質特性に関するデータを収集する手順。
（２）収集された品質特性に関するデータ（「波形データ」）から、検知対象となるデータを抽出する手順。
（３）検知対象となるデータに対して周波数分析を行う手順。
（４）異常傾向の発生を監視する手順。
（５）異常傾向発生の深刻度を判断し、検知された点を特定する手順。
（６）異常傾向の発生点を特定する手順。
（７）「波形データ」のデータに「矢印」のデータを付加する手順。
（８）「矢印」が付加された「波形データ」のデータを出力する（管理者などに告知する）手順。
尚、本実施の形態に係るプログラムに基づいて実行される手順は、記載された順序に従って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含む。
（１）製造装置２から品質特性に関するデータを収集する手順。
（２）収集された品質特性に関するデータ（「波形データ」）から、検知対象となるデータを抽出する手順。
（３）検知対象となるデータに対して周波数分析を行う手順。
（４）異常傾向の発生を監視する手順。
（５）異常傾向発生の深刻度を判断し、検知された点を特定する手順。
（６）異常傾向の発生点を特定する手順。
（７）「波形データ」のデータに「矢印」のデータを付加する手順。
（８）「矢印」が付加された「波形データ」のデータを出力する（管理者などに告知する）手順。
尚、本実施の形態に係るプログラムに基づいて実行される手順は、記載された順序に従って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含む。
また、本実施の形態に係るプログラムは、単一の演算手段により処理されるものであってもよいし、複数の演算手段によって分散処理されるものであってもよい。
そして、このプログラムを実行することで、図２において例示をした異常傾向発生の監視などが実行される。
例えば、コンピューターに、製造過程における品質特性に関するデータを入力し、品質特性に関するデータから検知対象となるデータの抽出を演算させ、検知対象となるデータに対して周波数分析を用いた演算をさせ、周波数分析の演算結果と、予め定められた限界値と、に基づいて異常傾向の発生の監視を演算させ、異常傾向の発生が検知された場合には、深刻度の判断を演算させ、検知がされた時点の品質特性に関するデータと異常傾向の発生時点の品質特性に関するデータとの特定を演算させ、深刻度の判断のデータと、検知がされた時点の品質特性に関するデータと、異常傾向の発生時点の品質特性に関するデータと、の出力を実行させる。
次に、図１に示す本実施形態に係る監視システム１の作用について例示をする。
製品を製造する際には、ホストコンピューター３が、ＭＥＳ系ＬＡＮ６を介して、製造装置２に対して製造プロセスを実行するための命令を出力する。これにより、製造装置２が、製造プロセスを実行する。例えば、製造装置２は、プラズマＣＶＤ処理を行うことにより、シリコンウェーハ上に薄膜を形成する。
そして、このプログラムを実行することで、図２において例示をした異常傾向発生の監視などが実行される。
例えば、コンピューターに、製造過程における品質特性に関するデータを入力し、品質特性に関するデータから検知対象となるデータの抽出を演算させ、検知対象となるデータに対して周波数分析を用いた演算をさせ、周波数分析の演算結果と、予め定められた限界値と、に基づいて異常傾向の発生の監視を演算させ、異常傾向の発生が検知された場合には、深刻度の判断を演算させ、検知がされた時点の品質特性に関するデータと異常傾向の発生時点の品質特性に関するデータとの特定を演算させ、深刻度の判断のデータと、検知がされた時点の品質特性に関するデータと、異常傾向の発生時点の品質特性に関するデータと、の出力を実行させる。
次に、図１に示す本実施形態に係る監視システム１の作用について例示をする。
製品を製造する際には、ホストコンピューター３が、ＭＥＳ系ＬＡＮ６を介して、製造装置２に対して製造プロセスを実行するための命令を出力する。これにより、製造装置２が、製造プロセスを実行する。例えば、製造装置２は、プラズマＣＶＤ処理を行うことにより、シリコンウェーハ上に薄膜を形成する。
このとき、監視装置４が製造プロセスの監視を行う。具体的には、図２に例示をした異常傾向発生の検知、深刻度の判断、異常傾向の発生点の特定、製造ラインの管理者や関係部門などへの告知などが行われる。
そして、告知を受けた管理者などは、端末コンピューター５などに表示された矢印が付加された「波形データ」のグラフ図を見て、異常傾向の発生、発生の時期を認識し異常の原因を推定または特定することができる。例えば、異常傾向発生の時期やレベル数からその原因を推定または特定することができる。また、深刻度を認識することで優先度や対処方法などを検討することができる。
その後、監視を継続する場合には、製造プロセスの監視が続行される。製造プロセスの監視は、リアルタイム監視（常時監視）とすることもできるし、定期監視（例えば、１時間に１回など）とすることもできる。また、例えば、製造装置２の種類や処理内容によって異常の発生傾向が予めわかっている場合には、特定のレベル数の監視のみを行うようにすることもできる。
本実施形態によれば、監視装置４はＭＥＳ系ＬＡＮ６に接続されており、ホストコンピューター３と製造装置２との通信に介在することにより、品質特性に関するデータを収集している。これにより、製造装置２に監視装置４と接続するための専用の端子を設ける必要がなく、製造装置２に監視装置４との間で通信を行うための専用のプログラムをインストールする必要がない。この結果、既存のシステムを大きく変更することなく、製造プロセスの監視を行うことができる。
また、監視装置４はＦＤシステム系ＬＡＮ７を介して端末コンピューター５に矢印が付加された「波形データ」などを送信している。これにより、ＭＥＳ系ＬＡＮ６の回線容量を圧迫することがない。
また、監視装置４はＦＤシステム系ＬＡＮ７を介して端末コンピューター５に矢印が付加された「波形データ」などを送信している。これにより、ＭＥＳ系ＬＡＮ６の回線容量を圧迫することがない。
次に、本発明の実施の形態に係る製品の製造方法について例示をする。
前述の実施形態においては、半導体製造ラインの製造プロセスを監視する例を示したが、本発明はこれに限定されず、あらゆる製品の製造プロセスに対して適用することができる。
例えば、食品などの製造プロセスに対して、原料の供給量、温度、濃度、乳酸菌などの数などを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
前述の実施形態においては、半導体製造ラインの製造プロセスを監視する例を示したが、本発明はこれに限定されず、あらゆる製品の製造プロセスに対して適用することができる。
例えば、食品などの製造プロセスに対して、原料の供給量、温度、濃度、乳酸菌などの数などを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
また、有機材料、無機材料、金属材料、化学薬品などの製造プロセスに対して、原料の供給量、温度、濃度、成分比などを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
また、自動車、輸送機器、精密機械、電子部品、電気機械、産業用機械、機械部品、金型などの製造プロセスに対して、故障、破損、傷、不良品などの発生数、電流、電圧、電力、圧力、振動などを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
また、自動車、輸送機器、精密機械、電子部品、電気機械、産業用機械、機械部品、金型などの製造プロセスに対して、故障、破損、傷、不良品などの発生数、電流、電圧、電力、圧力、振動などを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
また、石油や、ガスなどの製造プロセスに対して、温度、圧力、流量、電力、振動、音響、成分比などを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
その他、種々の製品の製造に対して、その製造に特有のプロセスデータや、電力などのような一般的なプロセスデータなどを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
以上、本発明の実施の形態について例示をした。しかし、本発明はこれらの記述に限定されるものではない。
前述の実施の形態においては、周波数分析としてウェーブレット変換を例示したが、これに限定されるわけではない。ウェーブレット変換以外の時間周波数解析を用いることもできる。例えば、短時間フーリエ変換（窓フーリエ変換） 、ウィグナー分布 (Wigner distribution) などを適用することもできる。
ここで、フーリエ変換を用いるものとすれば、時間軸上のデータがすべて周波数成分に変換されてしまうため時系列的、空間的な変化の情報がなくなってしまう。この場合は、特定の点を逆フーリエ変換するなどして時系列的、空間的な情報を復原すればよい。
その他、種々の製品の製造に対して、その製造に特有のプロセスデータや、電力などのような一般的なプロセスデータなどを品質特性に関するデータとして本実施の形態に係る製造プロセスの監視方法、監視プログラム、監視システムを適用することができる。
以上、本発明の実施の形態について例示をした。しかし、本発明はこれらの記述に限定されるものではない。
前述の実施の形態においては、周波数分析としてウェーブレット変換を例示したが、これに限定されるわけではない。ウェーブレット変換以外の時間周波数解析を用いることもできる。例えば、短時間フーリエ変換（窓フーリエ変換） 、ウィグナー分布 (Wigner distribution) などを適用することもできる。
ここで、フーリエ変換を用いるものとすれば、時間軸上のデータがすべて周波数成分に変換されてしまうため時系列的、空間的な変化の情報がなくなってしまう。この場合は、特定の点を逆フーリエ変換するなどして時系列的、空間的な情報を復原すればよい。
ただし、解析精度などを考慮すると時間周波数解析を用いることが好ましく、特に、ウェーブレット変換を用いることが好ましい。
また、前述の実施の形態に関して、当業者が、適宜、構成要素の追加、削除若しくは設計変更、または、工程の追加、削除若しくは条件変更を行ったものも、本発明の特徴を備えている限り、本発明の範囲に包含される。
また、前述の実施の形態に関して、当業者が、適宜、構成要素の追加、削除若しくは設計変更、または、工程の追加、削除若しくは条件変更を行ったものも、本発明の特徴を備えている限り、本発明の範囲に包含される。
例えば、監視装置４はＭＥＳ系ＬＡＮ６を介して製造装置２に接続され、ＦＤシステム系ＬＡＮ７を介して端末コンピューター５に接続されている例を示したが、本発明はこれに限定されず、例えば、監視装置４は、これらの装置に専用回線を通じて接続されていてもよい。
また、監視システム１などが備える各要素の形状、配置、数などは、例示したものに限定されるわけではなく適宜変更することができる。
また、前述の実施の形態においては、監視装置４が一定の時間毎に品質特性に関するデータを収集する例を示したが、品質特性に関するデータを収集するタイミングは必ずしも一定間隔でなくてもよい。
また、監視装置４に 一連の異常傾向発生の監視を実行するためのプログラムが格納されている例を示したが、監視装置４には、異常傾向発生の監視を実施するための専用のハードウェアが設けられていてもよい。
また、監視システム１などが備える各要素の形状、配置、数などは、例示したものに限定されるわけではなく適宜変更することができる。
また、前述の実施の形態においては、監視装置４が一定の時間毎に品質特性に関するデータを収集する例を示したが、品質特性に関するデータを収集するタイミングは必ずしも一定間隔でなくてもよい。
また、監視装置４に 一連の異常傾向発生の監視を実行するためのプログラムが格納されている例を示したが、監視装置４には、異常傾向発生の監視を実施するための専用のハードウェアが設けられていてもよい。
１ 監視システム、２ 製造装置、３ ホストコンピューター、４ 監視装置、５ 端末コンピューター、６ ＭＥＳ系ＬＡＮ、７ ＦＤシステム系ＬＡＮ、Ｅ 矢印、Ｆ 矢印、Ｇ１ 矢印、Ｇ２ 矢印、Ｎ レベル数
Claims (13)
- 製造過程における品質特性に関するデータを収集し、
前記品質特性に関するデータから検知対象となるデータを抽出し、
前記検知対象となるデータに対して周波数分析を行い、
前記周波数分析の結果と、予め定められた限界値と、に基づいて異常傾向の発生を監視し、
前記異常傾向の発生が検知された場合には、深刻度の判断をし、前記検知がされた時点の前記品質特性に関するデータと前記異常傾向の発生時点の前記品質特性に関するデータとを特定し、
前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、を出力すること、を特徴とする製造プロセスの監視方法。 - 前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、は、前記品質特性に関するデータに付加されて出力されること、を特徴とする請求項１記載の製造プロセスの監視方法。
- 前記出力は、データの視認を可能とする手段に対して行われること、を特徴とする請求項１または２に記載の製造プロセスの監視方法。
- 前記品質特性に関するデータは、座標に関する情報を含み、
前記検知がされた時点の前記品質特性に関するデータの座標上の位置を始点とし、前記異常傾向の発生時点の前記品質特性に関するデータの座標上の位置を終点とする矢印の画像データを出力すること、を特徴とする請求項１〜３のいずれか１つに記載の製造プロセスの監視方法。 - 前記矢印の画像は、前記深刻度に応じて可変とされたこと、を特徴とする請求項１〜４のいずれか１つに記載の製造プロセスの監視方法。
- 複数の矢印の画像データを出力する場合には、前記深刻度のより高い矢印の始点の位置を、次に深刻度が高い矢印の終点の位置として、連接する矢印の画像データを出力すること、を特徴とする請求項４または５に記載の製造プロセスの監視方法。
- 前記周波数分析は、時間周波数解析であること、を特徴とする請求項１〜６のいずれか１つに記載の製造プロセスの監視方法。
- コンピューターに、
製造過程における品質特性に関するデータを入力させ、
前記品質特性に関するデータから検知対象となるデータの抽出を演算させ、
前記検知対象となるデータに対して周波数分析を用いた演算をさせ、
前記周波数分析の演算結果と、予め定められた限界値と、に基づいて異常傾向の発生の監視を演算させ、
前記異常傾向の発生が検知された場合には、深刻度の判断を演算させ、前記検知がされた時点の前記品質特性に関するデータと前記異常傾向の発生時点の前記品質特性に関するデータとの特定を演算させ、
前記深刻度の判断のデータと、前記検知がされた時点の前記品質特性に関するデータと、前記異常傾向の発生時点の前記品質特性に関するデータと、の出力を実行させること、を特徴とする製造プロセスの監視プログラム。 - 製造装置と、
請求項１〜７のいずれか１つに記載の製造プロセスの監視方法を実行可能な監視装置と、
を備えたことを特徴とする製造プロセスの監視システム。 - 製造装置と、
請求項８記載の製造プロセスの監視プログラムが格納された監視装置と、
を備えたことを特徴とする製造プロセスの監視システム。 - 前記製造装置に対して命令を出力するホストコンピューターと、
前記製造装置と前記ホストコンピューターとを接続する第１の通信網と、
前記監視装置からの出力を表示する端末コンピューターと、
前記監視装置と前記端末コンピューターとを接続する第２の通信網と、
をさらに備え、
前記監視装置は、前記第１の通信網に介在して前記製造装置から前記品質特性に関するデータを収集し、前記第２の通信網を介して前記端末コンピューターに対して監視結果を出力すること、を特徴とする請求項９または１０に記載の製造プロセスの監視システム。 - 請求項１〜７のいずれか１つに記載の製造プロセスの監視方法を用いて、製品の製造を行うことを特徴とする製品の製造方法。
- 請求項９〜１１のいずれか１つに記載の製造プロセスの監視システムを用いて、製品の製造を行うことを特徴とする製品の製造方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008201473A JP2010039733A (ja) | 2008-08-05 | 2008-08-05 | 製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008201473A JP2010039733A (ja) | 2008-08-05 | 2008-08-05 | 製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2010039733A true JP2010039733A (ja) | 2010-02-18 |
Family
ID=42012222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008201473A Pending JP2010039733A (ja) | 2008-08-05 | 2008-08-05 | 製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2010039733A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101632A (zh) * | 2018-08-15 | 2018-12-28 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
| WO2019049669A1 (ja) * | 2017-09-05 | 2019-03-14 | 株式会社Kmc | 生産監視システム及び生産監視方法 |
| JP2019161173A (ja) * | 2018-03-16 | 2019-09-19 | 株式会社Sumco | ウェーハの熱処理方法およびウェーハの製造方法 |
| JP2020140255A (ja) * | 2019-02-26 | 2020-09-03 | 横河電機株式会社 | 品質安定化システム及び品質安定化方法 |
-
2008
- 2008-08-05 JP JP2008201473A patent/JP2010039733A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019049669A1 (ja) * | 2017-09-05 | 2019-03-14 | 株式会社Kmc | 生産監視システム及び生産監視方法 |
| JP2019046293A (ja) * | 2017-09-05 | 2019-03-22 | 株式会社Kmc | 生産監視システム及び生産監視方法 |
| JP7134453B2 (ja) | 2017-09-05 | 2022-09-12 | 株式会社Kmc | 生産監視システム及び生産監視方法 |
| JP2019161173A (ja) * | 2018-03-16 | 2019-09-19 | 株式会社Sumco | ウェーハの熱処理方法およびウェーハの製造方法 |
| CN109101632A (zh) * | 2018-08-15 | 2018-12-28 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
| CN109101632B (zh) * | 2018-08-15 | 2022-04-22 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
| JP2020140255A (ja) * | 2019-02-26 | 2020-09-03 | 横河電機株式会社 | 品質安定化システム及び品質安定化方法 |
| JP7081532B2 (ja) | 2019-02-26 | 2022-06-07 | 横河電機株式会社 | 品質安定化システム及び品質安定化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6723669B2 (ja) | 異常検知プログラム、異常検知方法および異常検知装置 | |
| JP6777069B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| WO2015118946A1 (ja) | 監視装置及び監視方法 | |
| JP5946572B1 (ja) | 異常予兆診断システム及び異常予兆診断方法 | |
| JP2010250959A (ja) | プラズマ処理装置 | |
| JP2008014679A (ja) | 設備診断方法、設備診断システム及びコンピュータプログラム | |
| WO2021241576A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| JP2007188405A (ja) | 異常検出システムおよび異常検出方法 | |
| US8880442B2 (en) | Method for generating a machine heartbeat | |
| WO2019239542A1 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
| WO2021241580A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| JP2009070052A (ja) | 監視装置及びプログラム | |
| EP3187950B1 (en) | A method for managing alarms in a control system | |
| JP2010039733A (ja) | 製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 | |
| CN109313442B (zh) | 用于事件检测的自动视觉和声学分析 | |
| JP2010218301A (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
| WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
| JP2015185120A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| WO2023127748A1 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
| JP2008033902A (ja) | 警報装置 | |
| JP6459345B2 (ja) | 変動データ管理システム及びその特異性検出方法 | |
| CN111712771A (zh) | 能够执行具有多个机器人的生产***中的问题诊断的数据处理装置以及方法 | |
| CA3114157C (en) | Process management device, process management method, and process management program storage medium | |
| JP7442013B2 (ja) | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム |