JP2017211713A - 生産システム - Google Patents

Abstract

【課題】生産システムにおいて、通信ネットワークを逼迫させずに異常を検出する。
【解決手段】センサＳＥＮは、所定の製造装置ＭＥの処理の状況を監視し、異常検出デバイスＦＤＤは、センサＳＥＮの監視結果となるセンサ信号の異常を検出する。センサ信号は、アナログ波形を所定のサンプリング周期でサンプリングしたディジタルデータ群ＤＴＧである。管理装置ＣＳは、過去に蓄積された複数のディジタルデータ群ＤＴＧの特徴を人工知能を用いて学習することで学習済みモデルＭＤＬを生成する。異常検出デバイスＦＤＤは、当該学習済みモデルＭＤＬを保持し、それを用いて現在の処理対象となるディジタルデータ群ＤＴＧの異常の有無を判別する。
【選択図】図１

Description

本発明は、生産システムに関し、例えば、生産システム内の各種異常を検出する技術に関する。

例えば、特許文献１には、異常検知サーバを設け、規格外れの不良ウエハをリアルタイムに検出する方法が示される。具体的には、異常検知サーバは、半導体製造装置からの装置ログデータを受信し、その異常有無を、予め保持した異常検知条件設定ファイルに基づき判別する。

国際公開第２００５／０４５９０７号

近年、各種製品を生産する生産システムでは、例えば、生産品質の向上、処理効率や作業効率の向上といった各種生産効率の向上を図るため、ＩｏＴ（Internet of Things）やＭ２Ｍ（Machine to Machine）といった技術が着目されている。このような技術を用いた生産システムでは、例えば、センサに各製造装置の処理の状況をリアルタイムに監視させ、その監視結果に基づいて製品や製造装置における異常または異常の傾向を早期に検出すること等が可能になる。

この異常等の検出に際しては、例えば、特許文献１のように異常検知サーバを用いる方法が考えられる。この場合、異常検知サーバは、センサから順次出力されるデータを通信ネットワークを介して収集し、当該出力データ群の異常有無を、予め保持したファイルに基づき判別する。しかし、このような方法では、通信ネットワークの逼迫や、異常検知サーバの過剰負荷等が生じる恐れがある。すなわち、生産効率の向上を図るためには、アナログによるセンシングを含めて様々な箇所でより細かいセンシングを行うことが有益となるが、その反面、センサから出力されるデータ量は膨大な量になってしまう。

後述する実施の形態は、このようなことを鑑みてなされたものであり、その他の課題と新規な特徴は、本明細書の記述及び添付図面から明らかになるであろう。

一実施の形態による生産システムは、製品を複数の製造工程を用いて製造するシステムであり、複数のエッジデバイス、マスタデバイス、センサ、異常検出デバイスおよび通信ネットワークを有する。複数のエッジデバイスは、複数の製造工程に伴う処理を実行し、マスタデバイスは、生産システム全体を管理する。センサおよび異常検出デバイスは、所定のエッジデバイスに対応して設けられる。センサは、所定のエッジデバイスの処理の状況を監視し、異常検出デバイスは、センサの監視結果となるセンサ信号の異常を検出する。通信ネットワークは、複数のエッジデバイスと、マスタデバイスと、異常検出デバイスとを結合する。ここで、センサ信号は、アナログ波形を所定のサンプリング周期でサンプリングしたディジタルデータ群である。マスタデバイスは、過去に蓄積された複数のディジタルデータ群の特徴を人工知能を用いて学習することで学習済みモデルを生成する。異常検出デバイスは、当該学習済みモデルを保持し、それを用いて現在の処理対象となるディジタルデータ群の異常の有無を判別する。

前記一実施の形態によれば、通信ネットワークを逼迫させずに、生産システムの異常を検出することが可能になる。

本発明の実施の形態１による生産システムの主要部の構成例を示す概略図である。 図１の生産システムにおける異常検出デバイスの構成例を示すブロック図である。 図２の異常検出デバイスにおける異常検出部の主要部の構成例を示す概略図である。 図３の異常検出部の動作例を示す説明図である。 図１の生産システムにおけるデータベース（ビッグデータのＤＢ）の構造例を示す概略図である。 （ａ）および（ｂ）は、図５の補足図である。 図１の生産システムにおいて、管理装置が学習済みモデルを生成する際に使用する設定情報の一例を示す説明図である。 図１の生産システムにおいて、管理装置が学習済みモデルを生成する際の処理内容の一例を示すフロー図である。 図１の生産システムにおけるデータベース（学習済みモデルのＤＢ）の構造例を示す概略図である。 図２の異常検出デバイスにおける異常検出部の設定情報の一例を示す説明図である。 図２の異常検出デバイスにおける異常検出部の処理内容の一例を示すフロー図である。 本発明の実施の形態２による生産システムの主要部の構成例を示す概略図である。 本発明の比較例として検討した生産システムの主要部の構成例を示す概略図である。

以下の実施の形態においては便宜上その必要があるときは、複数のセクションまたは実施の形態に分割して説明するが、特に明示した場合を除き、それらは互いに無関係なものではなく、一方は他方の一部または全部の変形例、詳細、補足説明等の関係にある。また、以下の実施の形態において、要素の数等（個数、数値、量、範囲等を含む）に言及する場合、特に明示した場合および原理的に明らかに特定の数に限定される場合等を除き、その特定の数に限定されるものではなく、特定の数以上でも以下でも良い。

さらに、以下の実施の形態において、その構成要素（要素ステップ等も含む）は、特に明示した場合および原理的に明らかに必須であると考えられる場合等を除き、必ずしも必須のものではないことは言うまでもない。同様に、以下の実施の形態において、構成要素等の形状、位置関係等に言及するときは、特に明示した場合および原理的に明らかにそうでないと考えられる場合等を除き、実質的にその形状等に近似または類似するもの等を含むものとする。このことは、上記数値および範囲についても同様である。

以下、本発明の実施の形態を図面に基づいて詳細に説明する。なお、実施の形態を説明するための全図において、同一の部材には原則として同一の符号を付し、その繰り返しの説明は省略する。

（実施の形態１）
《生産システムの概略構成》
図１は、本発明の実施の形態１による生産システムの主要部の構成例を示す概略図である。ここでは、生産システムの一例として半導体製品の前工程を実行する生産システムを想定する。図１の生産システムは、複数（ここではｎ個）の製造装置（エッジデバイス）ＭＥ１〜ＭＥｎと、管理装置（マスタデバイス）ＣＳと、複数のセンサＳＥＮ１０〜ＳＥＮ１ｍ，…ＳＥＮｎ０〜ＳＥＮｎｍと、複数の異常検出デバイスＦＤＤ１〜ＦＤＤｎと、通信ネットワークＮＷと、製品搬送機構ＣＭとを有する。本明細書では、複数の製造装置ＭＥ１〜ＭＥｎのそれぞれを代表して製造装置ＭＥと称し、複数のセンサＳＥＮ１０〜ＳＥＮ１ｍ，…ＳＥＮｎ０〜ＳＥＮｎｍのそれぞれを代表してセンサＳＥＮと称する。

複数の製造装置（エッジデバイス）ＭＥ１〜ＭＥｎは、複数の製造工程に伴う加工処理を所定のプロセスレシピを用いて実行する。具体的には、製造装置ＭＥ１〜ＭＥｎのそれぞれは、例えば、成膜工程に伴う加工処理を実行するプラズマＣＶＤ（Chemical Vapor Deposition）装置や、パターニング工程に伴う加工処理を実行する露光装置や、エッチング工程に伴う加工処理を実行するプラズマエッチング装置等である。このような製造装置ＭＥは、プロセスレシピとして規定される詳細な加工方法および詳細な加工条件に基づいて、対応する製造工程の加工処理を実行する。

管理装置（マスタデバイス）ＣＳは、例えば、複数のサーバ装置や端末装置や記憶装置等の集合体によって構成され、生産システム全体を管理する。管理装置ＣＳは、ＭＥＳ（Manufacturing Execution System）等も含む。管理装置ＣＳは、ＰＣ（Personal Computer）等の端末装置を介してエンジニアＥＮＧとの間で各種情報のやり取りが可能となっている。また、管理装置ＣＳは、ここでは、ハードディスク等の記憶装置を主として構成されるデータベースＤＢ１，ＤＢ２を備える。

センサＳＥＮ１０〜ＳＥＮ１ｍは、製造装置ＭＥ１に対応して設けられ、製造装置ＭＥ１の加工処理の状況を監視する。センサＳＥＮ１０〜ＳＥＮ１ｍは、代表的には、ガスの流量を監視する流量センサや、チャンバの圧力を監視する圧力センサや、プラズマのＲＦパワーを監視するパワーセンサや、エッチングの進行具合を監視するＥＰＤ（End Point Detector）等であり、これらの他にも様々なものが存在する。なお、センサＳＥＮ１０〜ＳＥＮ１ｍは、製造装置ＭＥ１の内部に設けられてもよい。

センサＳＥＮ１０〜ＳＥＮ１ｍの中の少なくとも一部は、アナログによるセンシングを行う。この例では、センサＳＥＮ１０，ＳＥＮ１ｍは、共にアナログによるセンシングを行うものとする。この場合、センサＳＥＮ１０，ＳＥＮ１ｍは、それぞれ、監視結果となるセンサ信号を、内蔵または外部のアナログディジタル変換器を介して出力する。すなわち、当該アナログディジタル変換器は、センサＳＥＮ１０，ＳＥＮ１ｍからのアナログ波形をそれぞれ所定のサンプリング周期でサンプリングすることでディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍを出力する。本明細書では、ディジタルデータ群とは、所定の監視期間においてサンプリング周期毎に得られるディジタルデータの集合体を意味する。また、本明細書では、ディジタルデータ群（例えばＤＴＧ１０，ＤＴＧ１ｍ）のそれぞれを代表してディジタルデータ群ＤＴＧと称する。

異常検出デバイスＦＤＤ１は、製造装置ＭＥ１に対応して設けられ、センサＳＥＮ１０，ＳＥＮ１ｍの監視結果となる各センサ信号（実際には、ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍ）の異常をそれぞれ検出する。異常検出デバイスＦＤＤ１は、この例では、製造装置ＭＥ１の外部に設けられ、製造装置ＭＥ１との間で制御情報の通信を行う。ただし、異常検出デバイスＦＤＤ１は、場合によっては、製造装置ＭＥ１の内部に設けられてもよい。

センサＳＥＮｎ０〜ＳＥＮｎｍは、製造装置ＭＥｎに対応して設けられ、製造装置ＭＥｎの加工処理の状況を監視する。センサＳＥＮｎ０〜ＳＥＮｎｍの詳細に関しては、センサＳＥＮ１０〜ＳＥＮ１ｍの場合と同様である。異常検出デバイスＦＤＤｎは、製造装置ＭＥｎに対応して設けられる。異常検出デバイスＦＤＤｎの詳細に関しても、異常検出デバイスＦＤＤ１の場合と同様であり、異常検出デバイスＦＤＤｎは、センサＳＥＮｎ０，ＳＥＮｎｍの監視結果となる各センサ信号（実際には、ディジタルデータ群ＤＴＧｎ０，ＤＴＧｎｍ）の異常をそれぞれ検出する。

通信ネットワークＮＷは、複数の製造装置ＭＥ１〜ＭＥｎと、管理装置ＣＳと、異常検出デバイスＦＤＤ１〜ＦＤＤｎとを結合する。通信ネットワークＮＷは、具体的には、例えば、ＣＣ−Ｌｉｎｋ ＩＥ、ＥｔｈｅｒＣＡＴ（登録商標）、ＥｔｈｅｒＮｅｔ／ＩＰ等で知られる産業用イーサネット（イーサネットは登録商標）である。また、通信ネットワークＮＥ上には、各製造装置ＭＥ１〜ＭＥｎのシーケンス等を制御するＰＬＣ（Programmable Logic Controller）等も設けられる。製品搬送機構ＣＭは、製品（ここでは半導体ウエハＷＦ）を複数の製造装置ＭＥ１〜ＭＥｎに順次搬送する。製造装置ＭＥ１〜ＭＥｎは、実際には、製品搬送機構ＣＭの進行方向に対して直列および並列に多数（例えば数百台等）配置される。

《生産システム（比較例）の概略構成および問題点》
図１３は、本発明の比較例として検討した生産システムの主要部の構成例を示す概略図である。図１３に示す生産システムは、図１の構成例と比較して、異常検出デバイスＦＤＤ１が通信用ＬＳＩ（ＣＭＬＳＩ）に置き換わっている点と、管理装置ＣＳ’がデータベースＤＢ２を備えない点とが異なっている。通信用ＬＳＩ（ＣＭＬＳＩ）は、センサＳＥＮ１０，ＳＥＮ１ｍの監視結果となるディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍを受け、それらを所定の通信フォーマットに格納したのち通信ネットワークＮＷを介して管理装置ＣＳ’へ送信する。管理装置ＣＳ’は、当該ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍを受け、それぞれの異常有無を判定し、異常有りの場合には、対象の製造装置ＭＥ１へ異常通知を行う。

このような構成例を用いた場合、主に、次のような問題が生じる恐れがある。一つ目の問題として、ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍのサンプリング周期を短くすることが困難なことが挙げられる。すなわち、センサＳＥＮ１０，ＳＥＮ１ｍからの各センサ信号の異常をより高精度に検出する（言い換えれば、検出漏れを低減する）ためには、サンプリング周期を短縮することが望ましい。しかし、通信用ＬＳＩ（ＣＭＬＳＩ）は、サンプリング周期が短いほど、ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍを構成する各ディジタルデータをより高速に送信する必要がある。その結果、通信ネットワークＮＷの逼迫が生じ得る。さらに、当該ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍの異常有無をリアルタイムに判定する管理装置ＣＳ’の処理負荷も増大する。このような問題は、センサＳＥＮの数が増大するほどより顕著となる。

２つ目の問題として、仮に、サンプリング周期を短縮できたとしても、ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍから、高精度に異常を検出できるとは限らないことが挙げられる。すなわち、異常を検出する方法として、例えば、ディジタルデータ群ＤＴＧ１０，ＤＴＧ１ｍを構成する各ディジタルデータの平均値、最大値、最小値および分散値等の統計値を算出し、それが予め定めた閾値の範囲内か否かを判定する方法が挙げられる。しかし、このような統計的手法では、例えば、本来異常に値しない僅かなノイズ等で異常有りと判定されるような事態（虚報と呼ぶ）が生じ得る。あるいは、実際には異常に値する程度にアナログ波形の形状が異なっているにも関わらず、統計値がたまたま閾値の範囲内に収まることで、異常無しと判定されるような事態（誤報と呼ぶ）が生じ得る。

《異常検出デバイスの詳細》
そこで、図１の生産システムは、異常検出デバイスＦＤＤ１〜ＦＤＤｎを備える。図２は、図１の生産システムにおける異常検出デバイスの構成例を示すブロック図である。図２に示す異常検出デバイスＦＤＤは、例えば、１個の半導体チップで構成される制御用ＬＳＩ（ＣＴＬＳＩ）と、外部メモリ装置ＯＭＥＭとを備える。制御用ＬＳＩ（ＣＴＬＳＩ）は、プロセッサ回路ＣＰＵと、ＲＴＯＳアクセラレータ回路ＲＴＯＳ＿ＡＣＣと、イーサネットアクセラレータ回路ＥＴＨ＿ＡＣＣと、外部メモリ制御回路ＯＭＥＭ＿ＣＴＬと、外部入出力インタフェース回路ＯＩＦと、内部メモリ回路ＩＭＥＭとを備える。これらの各内部回路は、バス等で互いに結合される。

ＲＴＯＳアクセラレータ回路ＲＴＯＳ＿ＡＣＣは、ＲＴＯＳ（Real Time Operating System）の処理の一部をプロセッサ回路ＣＰＵに代わって実行する。イーサネットアクセラレータ回路ＥＴＨ＿ＡＣＣは、産業用イーサネット等に伴う各種通信プロトコル処理を実行する。これによって、制御用ＬＳＩ（ＣＴＬＳＩ）は、図１の通信ネットワークＮＷや、対応する製造装置ＭＥとの間で高速通信を実行することができる。外部メモリ制御回路ＯＭＥＭ＿ＣＴＬは、外部メモリ回路ＯＭＥＭへのアクセスを制御する。外部メモリ回路ＯＭＥＭは、特に限定はされないが、フラッシュメモリ等である。

外部入出力インタフェース回路ＯＩＦは、所定のインタフェース仕様を用いて外部との間でパラレル通信またはシリアル通信を行う。インタフェース仕様として、代表的には、ＣＡＮ（Controller Area Network）、ＵＡＲＴ（Universal Asynchronous Receiver Transmitter）、ＧＰＩＯ（General Purpose Input Output）、Ｉ^２Ｃ（I squared C）等が挙げられる。外部入出力インタフェース回路ＯＩＦは、図１のセンサＳＥＮからのディジタルデータ群ＤＴＧ０〜ＤＴＧｍ（例えば、センサＳＥＮ１０〜ＳＥＮ１ｍからのディジタルデータ群ＤＴＧ１０〜ＤＴＧ１ｍ）を受信する。

内部メモリ回路ＩＭＥＭは、例えば、ＤＲＡＭ（Dynamic RAM）、ＳＲＡＭ（Static RAM）等であり、複数の学習済みモデルＭＤＬ［１］，ＭＤＬ［ｋ］，…と、当該学習済みモデルを用いて異常を検出するための異常検出プログラムＦＰＲＧとを保持する。プロセッサ回路ＣＰＵは、当該異常検出プログラムＦＰＲＧを実行することで構成される異常検出部ＦＤＵを備える。この例では、ＲＴＯＳアクセラレータ回路ＲＴＯＳ＿ＡＣＣ等が設けられるため、プロセッサ回路ＣＰＵは、十分なリソースを確保した状態で異常検出プログラムＦＰＲＧを実行することができる。

ここで、図１のデータベースＤＢ１は、センサＳＥＮ１０〜ＳＥＮ１ｍ，…，ＳＥＮｎ０〜ＳＥＮｎｍの過去の監視結果となる複数のディジタルデータ群ＤＴＧ１０〜ＤＴＧ１ｍ，…，ＤＴＧｎ０〜ＤＴＧｎｍを、ビッグデータＢＤＡＴとして保持している。管理装置ＣＳは、当該過去に蓄積された複数のディジタルデータ群ＤＴＧの特徴を人工知能（ＡＩ：Artificial Intelligence）を用いて学習することで、複数の学習済みモデルＭＤＬ［１］〜ＭＤＬ［ｘ］を生成し、これらをデータベースＤＢ２に登録する。

例えば、学習済みモデルＭＤＬ［１］は、センサＳＥＮ１０からのディジタルデータ群ＤＴＧ１０の異常の有無を判別するためのモデルであり、学習済みモデルＭＤＬ［ｘ］は、センサＳＥＮｎｍからのディジタルデータ群ＤＴＧｎｍの異常の有無を判別するためのモデルである。この場合、例えば、異常検出デバイスＦＤＤ１は、当該データベースＤＢ２に登録されている学習済みモデルＭＤＬ［１］を取得ならびに保持する。異常検出デバイスＦＤＤ１の異常検出部ＦＤＵは、当該保持した学習済みモデルＭＤＬ［１］を用いて、センサＳＥＮ１０から出力され現在の処理対象となるディジタルデータ群ＤＴＧ１０の異常の有無を判別する。

図３は、図２の異常検出デバイスにおける異常検出部の主要部の構成例を示す概略図である。図４は、図３の異常検出部の動作例を示す説明図である。図３の異常検出部ＦＤＵは、前述したように、プロセッサ回路ＣＰＵが異常検出プログラムＦＰＲＧを実行することで等価的に構成される。当該異常検出部ＦＤＵは、スイッチＳＷと、学習済みモデルＭＤＬと、誤差検出器ＥＲＤＥＴと、積分器ＩＴＧと、比較器ＣＭＰと、遅延器ＤＬＹとを備える。

図４には、例えば、図１の製造装置ＭＥ１が酸化膜エッチング装置であり、センサＳＥＮ１０がＥＰＤ（End Point Detector）であるものとして、異常検出デバイスＦＤＤ１の異常検出部ＦＤＵが、当該ＥＰＤからのディジタルデータ群ＤＴＧ１０を対象に異常の有無を判定する際の動作例が示される。ＥＰＤは、エッチングの過程で発生する所定の波長の発光強度を監視し、その発光強度に応じたセンサ信号（電圧信号）を出力する。当該センサ信号によって、時系列なエッチングの進行具合を把握することができる。

当該センサ信号は、図４の入力波形ＩＷに示されるように、複雑な形状を持つアナログ波形となる。異常検出デバイスＦＤＤ１には、当該入力波形ＩＷを所定のサンプリング周期でサンプリングすることで得られるディジタルデータ群ＤＴＧ１０が入力される。図３のスイッチＳＷは、当該入力波形ＩＷが入力されている期間でオンに制御される。図３の学習済みモデルＭＤＬ（例えばＭＤＬ［１］）は、図４の入力波形ＩＷを表すディジタルデータ群ＤＴＧ１０を入力として、学習波形ＥＷを表すディジタルデータ群を出力する。当該学習済みモデルＭＤＬ（ＭＤＬ［１］）は、例えば、ビッグデータＢＤＡＴに含まれ、良品となる製品で取得された多数のディジタルデータ群ＤＴＧを所定のＡＩモデルを用いてパターン学習すること等で生成される。

図３の学習済みモデルＭＤＬは、具体的には、入力波形ＩＷのディジタルデータ群ＤＴＧを構成するディジタルデータＤＴ（ｔ），ＤＴ（ｔ＋１），…が順次入力される毎に、所定の遅延時間を経てディジタルデータを順次出力する。当該順次出力された複数のディジタルデータ（すなわちディジタルデータ群）は、学習波形ＥＷを形成する。学習波形ＥＷは、概略的には、入力波形に対し異常が無い場合の波形形状の特徴を反映させた期待値波形となる。

図３の誤差検出器ＥＲＤＥＴは、学習済みモデルＭＤＬから出力される各ディジタルデータと、遅延器ＤＬＹを介した各ディジタルデータＤＴ（ｔ），ＤＴ（ｔ＋１），…との誤差を順次算出することで、図４に示されるような誤差値ＥＲを出力する。より詳細には、誤差値ＥＲは、単純な差分計算ではなく、波形が安定している領域やバラツキの多い領域といった各領域に応じて適宜重み係数を掛けて算出される。この誤差算出方法により、検知精度の向上や虚報の低減等が図れる。図３の積分回路ＩＴＧは、当該誤差値ＥＲを積分し、比較器ＣＭＰは、当該積分値が予め定めた閾値ＴＨを超えた場合に異常有りと判定する。閾値ＴＨは、学習済みモデルＭＤＬ（例えばＭＤＬ［１］）に対応付ける形で予め定められる。

当該ＥＰＤを代表に、センサＳＥＮからのセンサ信号（アナログ波形）の異常の有無を判定する上で、アナログ波形の形状が重要となる場合がある。このため、サンプリング周期は、例えば、１００ｍｓ以下の値（ここでは５０ｍｓ）等に定められる。この場合、ディジタルデータ群ＤＴＧのデータ量が増大するが、本実施の形態１の方式では、図１３の場合と異なり、管理装置（マスタデバイス）ＣＳではなく、異常検出デバイス（エッジデバイス）ＦＤＤ１〜ＦＤＤｎが異常の有無を判定する。

このため、異常検出デバイスＦＤＤ１〜ＦＤＤｎは、ディジタルデータ群ＤＴＧを通信ネットワークＮＷを介してリアルタイムに管理装置ＣＳへ送信する必要はなく、図１に示すように、例えば異常有りの場合の異常通知ＦＳを管理装置ＣＳへ送信すればよい。また、異常検出デバイスＦＤＤ１〜ＦＤＤｎは、ディジタルデータ群ＤＴＧに関しては、例えば、必要な時に必要な量だけ管理装置ＣＳへ送信すればよい。

これにより、一つ目の主な効果として、通信ネットワークＮＷを逼迫させずに、生産システムの異常を検出することが可能になる。また、管理装置ＣＳのリアルタイム処理に伴う処理負荷の増大を抑制することが可能になる。二つ目の主な効果として、人工知能（ＡＩ）を用いることで、アナログ波形の特徴的な形状に基づき異常の有無を判定することが可能になる。これに伴い、図１３で述べた統計的手法を用いる場合と比較して、虚報や誤報の発生確率を低減することができる。

以上のような効果が得られる結果、生産システムの様々な箇所で、アナログによるセンシングを行いながら異常を高精度に検出することができ、生産品質の向上、処理効率や作業効率の向上といった各種生産効率の向上が図れる。なお、ここでは、半導体製品の生産システムを例に説明を行った。ただし、図１の生産システムは、必ずしもこれに限定されるものではなく、様々な製品の様々な工程を実行する各種生産システムに対して同様に適用することができる。

《管理装置の詳細》
前述したように、管理装置（マスタデバイス）ＣＳは、ビッグデータＢＤＡＴを用いて、人工知能（ＡＩ）に基づき複数の学習済みモデルＭＤＬ［１］〜ＭＤＬ［ｘ］を生成する。以下、この学習済みモデルの生成方法について説明する。

図５は、図１の生産システムにおけるデータベース（ビッグデータのＤＢ）の構造例を示す概略図である。図６（ａ）および図６（ｂ）のそれぞれは、図５の補足図である。図５のデータベースＤＢ１は、各センサＳＥＮ１０〜ＳＥＮ１ｍ，…，ＳＥＮｎ０〜ＳＥＮｎｍからの複数のディジタルデータ群ＤＴＧを蓄積して保持する。その一部として、図５の例では、データベースＤＢ１は、ＥＰＤとなるセンサＳＥＮ１０からの複数のディジタルデータ群ＤＴＧ１０＿１，ＤＴＧ１０＿２，…を保持している。

各ディジタルデータ群ＤＴＧ１０＿１，ＤＴＧ１０＿２，…のそれぞれは、各種識別情報に関連付けて保持される。当該各種識別情報は、例えば、対象のディジタルデータ群ＤＴＧが表す監視パラメータの種別（ここではＥＰＤ）と、当該ディジタルデータ群ＤＴＧの取得条件と、当該ディジタルデータ群ＤＴＧの元となる半導体ウエハＷＦの識別子（ＩＤと略す）ＷＦＩＤと、当該半導体ウエハＷＦの良品／不良品の情報等を含む。良品／不良品の情報は、例えば、その後のウエハ検査、完成品の検査、市場不良等に基づき、事後的に登録される。

取得条件の中には、装置パラメータおよび製品パラメータが含まれる。装置パラメータは、図６（ａ）に示すように、複数（ここでは５個）の階層Ｌ１〜Ｌ５に分類される。階層Ｌ１，Ｌ２，Ｌ３は、それぞれ、機種ＩＤ、号機Ｎｏ、チャンバＮｏであり、製造装置ＭＥの種類を段階的に絞り込む装置識別子となる。例えば、機種ＩＤによって製造装置ＭＥの機種が特定され、この特定された機種となる複数台の製造装置ＭＥの中から号機Ｎｏによって１台が特定され、この特定された１台の製造装置ＭＥが持つ複数のチャンバの中からチャンバＮｏによって１個のチャンバが特定される。

階層Ｌ４は、プロセスレシピを識別するレシピＩＤであり、階層Ｌ５は、ステップを識別するステップＩＤである。レシピＩＤは、一つの製造工程に伴う加工処理の詳細な処理内容および処理条件を表す。具体例として、レシピＩＤは、“ｇ１”ガスを用いて“ｔ１”時間の前処理を行い、“ｇ２”ガスを用いて“ｔ２”時間のメイン処理を行い、“ｇ３”ガスを用いて“ｔ３”時間の後処理を行うといったような情報を表す。ステップＩＤは、この前処理、メイン処理、後処理といった各処理（ステップ）を識別する。

一方、製品パラメータも、図６（ｂ）に示すように、複数（ここでは５個）の階層Ｌ１〜Ｌ５によって分類される。階層Ｌ１，Ｌ２，Ｌ３，Ｌ４は、それぞれ、ファミリＩＤ、プロセスルールＩＤ、品種グループＩＤ、品種ＩＤであり、半導体製品の種類を段階的に絞り込む製品識別子となる。マイコン製品を例とすると、ファミリＩＤは、例えば、基本アーキテクチャの違い等によって分類される“ｍ１”ファミリ、“ｍ２”ファミリといった各ファミリを識別する。

プロセスルールＩＤは、最小線幅等のプロセスルールを表す。品種グループＩＤは、“ｍ１”ファミリの中の“ｍｍ１”グループ、“ｍｍ２”グループといった各グループを識別する。品種グループは、例えば、動作周波数の違いや搭載機能の違い等の大きな仕様の違いで区別される。品種ＩＤは、“ｍｍ１”グループの中の“ｍｍｍ１”品種、“ｍｍｍ２”品種といった各品種を識別する。品種は、例えば、搭載メモリ容量の違いや搭載機能の数の違い等の小さな仕様な違いで区別される。階層Ｌ５は、工程ＩＤであり、例えば、酸化膜エッチング工程、金属膜堆積工程等といった各製造工程を識別する。

図６（ａ）の装置パラメータや図６（ｂ）の製品パラメータのそれぞれは、若干例外もあり得るが、通常、階層が上がる（Ｌ１に近づく）ほど大分類となり、対象範囲が広くなる。図５の例では、このような階層Ｌ１〜Ｌ５を用いてディジタルデータ群ＤＴＧ１０＿１，ＤＴＧ１０＿２，…がそれぞれ区別されている。例えば、ディジタルデータ群ＤＴＧ１０＿１は、ある製造装置（例えばＭＥ１）を用いてある品種（階層Ｌ４）の製品を対象に行った加工処理の状況を、ＥＰＤで監視した結果となる。これと比較して、ディジタルデータ群ＤＴＧ１０＿２は、同一機種かつ号機（階層Ｌ２）が異なる製造装置ＭＥを用いて、品種（階層Ｌ４）が異なる製品を対象に行った加工処理の状況を、ＥＰＤで監視した結果となる。

ここで、人工知能（ＡＩ）を用いてある学習済みモデルＭＤＬを生成する際に、当該学習済みモデルＭＤＬを生成するために使用するディジタルデータ群ＤＴＧをどのように定めるかが重要となる。例えば、ディジタルデータ群ＤＴＧを図６（ａ）および図６（ｂ）の大分類側でカテゴリに分類し、カテゴリ毎に学習済みモデルＭＤＬを生成する場合を想定する。この場合、概念的には、ある監視パラメータの学習済みモデルＭＤＬとして、製品および装置を問わずに１個の学習済みモデルＭＤＬが生成されることになる。このように、学習に使用するディジタルデータ群ＤＴＧの対象範囲が広いと、学習に使用する複数のディジタルデータ群（アナログ波形）の相互のばらつきが過大になり得るため、学習結果として得られる学習済みモデルＭＤＬも、ばらつきを過度に許容するモデルとなる恐れがある。その結果、誤報が増大する可能性が高まる。

反対に、ディジタルデータ群ＤＴＧを図６（ａ）および図６（ｂ）の小分類側でカテゴリに分類し、カテゴリ毎に学習済みモデルＭＤＬを生成する場合を想定する。この場合、概念的には、ある監視パラメータの学習済みモデルＭＤＬとして、製品と装置の組合せが異なる毎に複数の学習済みモデルＭＤＬが生成されることになる。このように、対象範囲が狭いと、学習済みモデルＭＤＬの数が膨大化する恐れや、各学習済みモデルＭＤＬを生成する際に使用するディジタルデータ群の母数が不足する恐れがある。さらに、複数のディジタルデータ群（アナログ波形）の相互のばらつきが過小になり得るため、学習結果として得られる学習済みモデルＭＤＬも、ばらつきを殆ど許容できないようなモデルとなる恐れがある。そうすると、虚報が増大する可能性が高まる。

そこで、監視パラメータの種類毎に、誤報や虚報の低減等を図れる適切な階層を定め、１個の監視パラメータに対応する複数のディジタルデータ群ＤＴＧを当該定めた階層に基づき複数のカテゴリに分類することが有益となる。管理装置ＣＳは、カテゴリ毎に人工知能（ＡＩ）を用いて学習することで、カテゴリ毎に学習済みモデルＭＤＬを生成する。言い換えれば、管理装置ＣＳは、ある監視パラメータの複数のディジタルデータ群ＤＴＧを所定の分類方法（ここでは階層）に基づき複数のカテゴリに分類して学習することで、当該監視パラメータを対象に、複数のカテゴリにそれぞれ対応する複数の学習済みモデルＭＤＬを生成する。

《管理装置の学習済みモデル生成方法》
図７は、図１の生産システムにおいて、管理装置が学習済みモデルを生成する際に使用する設定情報の一例を示す説明図である。図８は、図１の生産システムにおいて、管理装置が学習済みモデルを生成する際の処理内容の一例を示すフロー図である。図８において、管理装置（マスタデバイス）ＣＳは、まず、図７のような設定情報ＭＳＴの登録を受け付ける（ステップＳ１０１）。次いで、管理装置ＣＳは、監視パラメータ毎に、ビッグデータＢＤＡＴ内の複数のディジタルデータ群ＤＴＧを、当該設定情報ＭＳＴで指定される分類方法に基づき複数のカテゴリに分類する（ステップＳ１０２）。

続いて、管理装置ＣＳは、分類された複数のカテゴリ毎に、設定情報ＭＳＴで指定されるＡＩモデルを用いて、対象のカテゴリに分類される複数のディジタルデータ群ＤＴＧの特徴を学習する（ステップＳ１０３）。これにより、管理装置ＣＳは、監視パラメータ毎に、複数のカテゴリにそれぞれ対応する複数の学習済みモデルＭＤＬを生成し、それらをデータベースＤＢ２に登録する（ステップＳ１０４）。以下、図８の詳細について説明する。

図７に示す設定情報ＭＳＴは、例えば、図１のエンジニアＥＮＧによって指示される。一例として図７では、エンジニアＥＮＧは、監視パラメータ“ＲＦパワー”を対象に、サンプリング周期を５０ｍｓに、学習済みモデルの生成に使用するＡＩモデルを人工知能アルゴリズムａに、学習済みモデルの生成に使用するディジタルデータ群の分類方法を工程ＩＤ（図６（ｂ）の階層Ｌ５）にそれぞれ定める（ステップＳ１０１）。

この場合、管理装置ＣＳは、ビッグデータＢＤＡＴの中から、監視パラメータ“ＲＦパワー”のディジタルデータ群を抽出し、当該抽出したディジタルデータ群を、装置パラメータを問わずに製品パラメータの工程ＩＤが異なる毎に複数のカテゴリに分類する（ステップＳ１０２）。そして、管理装置ＣＳは、当該カテゴリ毎に、分類された複数のディジタルデータ群と人工知能アルゴリズムａのＡＩモデルとを用いて当該複数のディジタルデータ群の特徴を学習する（例えばニューラルネットワークの各重み係数等を定める）（ステップＳ１０３）。これにより、管理装置ＣＳは、監視パラメータ“ＲＦパワー”の学習済みモデルＭＤＬとして、工程ＩＤ毎に複数の学習済みモデルを生成する（ステップＳ１０４）。

他の一例として図７では、エンジニアＥＮＧは、監視パラメータ“ＥＰＤ”を対象に、サンプリング周期を５０ｍｓに、ＡＩモデルを人工知能アルゴリズムｂに、ディジタルデータ群の分類方法をレシピＩＤ（図６（ａ）の階層Ｌ４）にそれぞれ定める（ステップＳ１０１）。この場合、管理装置ＣＳは、ビッグデータＢＤＡＴの中から監視パラメータ“ＥＰＤ”のディジタルデータ群を抽出し、それらを、製品パラメータを問わずにレシピＩＤが異なる毎に複数のカテゴリに分類する（ステップＳ１０２）。

そして、管理装置ＣＳは、当該カテゴリ毎に、分類された複数のディジタルデータ群と人工知能アルゴリズムｂのＡＩモデルとを用いて当該複数のディジタルデータ群の特徴を学習する（ステップＳ１０３）。これにより、管理装置ＣＳは、監視パラメータ“ＥＰＤ”の学習済みモデルＭＤＬとして、レシピＩＤ毎に複数の学習済みモデルを生成する（ステップＳ１０４）。図５のデータベースＤＢ１を例とすると、ディジタルデータ群ＤＴＧ１０＿１，ＤＴＧ１０＿２は、共に、レシピＩＤ（装置パラメータの階層Ｌ４）が同じであるため、同一の学習済みモデルＭＤＬを生成するために使用される。一方、ディジタルデータ群ＤＴＧ１０＿１，ＤＴＧ１０＿２は、仮に、レシピＩＤが異なる場合には、異なる学習済みモデルＭＤＬを生成するために使用されることになる。

なお、図７の例では、カテゴリの分類方法として、装置パラメータおよび製品パラメータの一方のパラメータにおける１個の階層を用いたが、装置パラメータの１個の階層と、製品パラメータの１個の階層とを組み合わせて用いることも可能である。例えば、装置パラメータの階層Ｌ４（レシピＩＤ）と製品パラメータの階層Ｌ５（ファミリＩＤ）とを組み合わせた場合、ある２個のディジタルデータ群は、レシピＩＤとファミリＩＤの両方が一致する場合に同一の学習済みモデルを生成するために使用される。一方、当該２個のディジタルデータ群は、レシピＩＤとファミリＩＤのいずれか一方が不一致の場合には、異なる学習済みモデルを生成するために使用される。

また、図７の例では、エンジニアＥＮＧは、監視パラメータによっては、人工知能（ＡＩ）を用いずに、図１３で述べたような統計的手法を用いて異常判定を行わせることも可能となっている。エンジニアＥＮＧは、例えば、監視パラメータ“ポンプ電流”を対象に、サンプリング周期を１００μｓに、サマリ時間を１５ｓに、代表値を最大値にそれぞれ設定する。この場合、管理装置ＣＳは、１００μｓ毎に得られるディジタルデータを１５ｓ蓄積し、当該ディジタルデータの最大値に基づいて異常の有無を判定する。

ここで、エンジニアＥＮＧは、図７における人工知能（ＡＩ）を用いる場合の設定情報ＭＳＴを適切に定めるため、必ずしも限定はされないが、シミュレーション等によって最適な設定情報ＭＳＴを探索し、当該シミュレーション等の中で、学習済みモデルＭＤＬ毎の閾値ＴＨ（図３）も定める。具体的には、エンジニアＥＮＧは、例えば、ＡＩモデルや分類方法（すなわち階層Ｌ１〜Ｌ５）を適宜変えながら管理装置ＣＳに複数の学習済みモデルＭＤＬを生成させる。そして、エンジニアＥＮＧは、図３の異常検出部ＦＤＵをシミュレーション上で構築し、当該異常検出部ＦＤＵの学習済みモデルＭＤＬや閾値ＴＨを適宜変更しながら、予め判明している良品／不良品のディジタル群ＤＴＧを入力した場合の異常判定の精度を検証する。これによって、エンジニアＥＮＧは、異常判定の精度が高くなるＡＩモデル、分類方法および閾値ＴＨの組合せを定める。

図９は、図１の生産システムにおけるデータベース（学習済みモデルのＤＢ）の構造例を示す概略図である。図９に示すデータベースＤＢ２は、複数の学習済みモデルＭＤＬ［１］，ＭＤＬ［２］，…，ＭＤＬ［ｋ］，ＭＤＬ［ｋ＋１］，…を、各種識別情報に関連付けて保持する。各種識別情報は、監視パラメータの種別と、カテゴリ情報と、閾値とを含む。例えば、学習済みモデルＭＤＬ［１］は、監視パラメータ“ＥＰＤ”をレシピＩＤ“Ｂ１”で分類したモデルであり、閾値ＴＨ２ａに対応付けられる。学習済みモデルＭＤＬ［２］は、監視パラメータ“ＥＰＤ”をレシピＩＤ“Ｂ２”で分類したモデルであり、閾値ＴＨ２ｂに対応付けられる。

また、学習済みモデルＭＤＬ［ｋ］は、監視パラメータ“ＲＦパワー”を工程ＩＤ“Ｈ１”で分類したモデルであり、閾値ＴＨ１ａに対応付けられる。学習済みモデルＭＤＬ［ｋ＋１］は、監視パラメータ“ＲＦパワー”を工程ＩＤ“Ｈ２”で分類したモデルであり、閾値ＴＨ１ｂに対応付けられる。当該閾値ＴＨ１ａ，ＴＨ１ｂ，ＴＨ２ａ，ＴＨ２ｂは、前述したシミュレーション等によって定められる。

《異常検出部の詳細》
図１０は、図２の異常検出デバイスにおける異常検出部の設定情報の一例を示す説明図である。異常検出部ＦＤＵは、予め、図１０に示されるような設定情報ＦＳＴを保持する。設定情報ＦＳＴは、監視対象となる装置パラメータおよび監視パラメータと、監視パラメータ毎の分類方法およびサンプリング周期とを含む。装置パラメータは、図６（ａ）に示した階層Ｌ１〜Ｌ３の情報を含み、固定情報となる。例えば、図１において、異常検出デバイスＦＤＤ１の異常検出部ＦＤＵが保持する装置パラメータは、製造装置ＭＥ１を特定する装置パラメータであり、予め固定的に定められる。

また、監視パラメータも、センサＳＥＮの種類に応じて予め固定的に定められる。例えば、図１において、異常検出デバイスＦＤＤ１の異常検出部ＦＤＵが保持する監視パラメータは、センサＳＥＮ１０〜ＳＥＮ１ｍで監視されるパラメータとなる。異常検出部ＦＤＵは、図示は省略されるが、各監視パラメータと、センサＳＥＮ１０〜ＳＥＮ１ｍとの対応関係も保持している。例えば、図１のエンジニアＥＮＧは、当該装置パラメータおよび監視パラメータを、管理装置ＣＳを介して異常検出デバイスＦＤＤ１〜ＦＤＤｎに予め登録する。

図１０における分類方法およびサンプリング周期は、図７の設定情報ＭＳＴを反映して定められる。すなわち、図１の管理装置ＣＳは、図７に示したようなエンジニアＥＮＧの指示に基づき、監視パラメータ毎のサンプリング周期および分類方法（ここでは階層）を定め、当該定めたサンプリング周期および分類方法を異常検出デバイスＦＤＤ１〜ＦＤＤｎに登録する。サンプリング周期は、例えば、図２の制御ＬＳＩ（ＣＴＣＬＩ）が自身の処理速度（例えば、ディジタルデータ群ＤＴＧ０〜ＤＴＧｍの受信レート）を定めるために使用される。

図１１は、図２の異常検出デバイスにおける異常検出部の処理内容の一例を示すフロー図である。図１１において、異常検出部ＦＤＵは、まず、図１の製品搬送機構ＣＭを介して監視対象の製造装置ＭＥに製品が投入されたか否かを判定する（ステップＳ２０１）。製品が投入された場合、異常検出部ＦＤＵは、装置パラメータおよび製品パラメータと、監視パラメータ毎の分類方法とを認識する（ステップＳ２０２）。

ステップＳ２０２に際し、装置パラメータに含まれる機種ＩＤ、号機Ｎｏ、チャンバＮｏは、監視対象の製造装置ＭＥに応じて定まる固定情報である。一方、装置パラメータに含まれるレシピＩＤおよびステップＩＤと、製品パラメータに含まれる各ＩＤは、可変情報である。当該可変情報は、様々な方法で取得することができる。例えば、通信ネットワークＮＷを介して管理装置ＣＳから取得する方法や、監視対象の製造装置ＭＥから取得する方法等が挙げられる。

前者の方法として、例えば、管理装置ＣＳから製造装置ＭＥに向けて発行される製品の投入・着工命令（前述した可変情報を含む）をスヌーピングする方法や、適宜、管理装置ＣＳに問い合わせする方法等が挙げられる。後者の方法として、例えば、製造装置ＭＥが前述した可変情報を管理装置ＣＳから取得する、またはバーコードやＩＣタグ等を介して製品から取得するものとして、当該製造装置ＭＥに問い合わせする方法等が挙げられる。

異常検出部ＦＤＵは、このようにして認識した装置パラメータおよび製品パラメータと、図１０の設定情報ＦＳＴに登録される監視パラメータ毎の分類方法とに基づき、現在の処理対象となるディジタルデータ群ＤＴＧのカテゴリを認識する。そして、異常検出部ＦＤＵは、この認識結果に基づき、カテゴリ変更を要する監視パラメータが有るか否かを判別する（ステップＳ２０３）。

例えば、監視パラメータがＥＰＤの場合、分類方法はレシピＩＤとなる。図１のセンサＳＥＮ１０がＥＰＤであるものとして、異常検出デバイスＦＤＤ１の異常検出部ＦＤＵは、前回の着工と今回の着工とで処理対象となるディジタルデータ群ＤＴＧ１０に関連するレシピＩＤが同じ場合には、当該ＥＰＤのカテゴリ変更を不要と判別する。一方、異常検出部ＦＤＵは、前回の着工と今回の着工とで処理対象となるディジタルデータ群ＤＴＧ１０に関連するレシピＩＤが異なる場合には、当該ＥＰＤのカテゴリ変更を要と判別する。

カテゴリ変更を要する監視パラメータが有る場合、異常検出部ＦＤＵは、当該監視パラメータの学習済みモデルＭＤＬ（閾値含む）を変更する（ステップＳ２０４）。一方、カテゴリ変更を要する監視パラメータが無い場合、異常検出部ＦＤＵは、ステップＳ２０５の処理へ移行する。

例えば、監視パラメータがＥＰＤである場合でレシピＩＤが“Ｂ２”から“Ｂ１”に変更された場合を想定する。この場合、異常検出部ＦＤＵは、例えば、監視パラメータの種別“ＥＰＤ”と変更後のレシピＩＤ“Ｂ１”とを検索キーとして、通信ネットワークＮＷを介して管理装置ＣＳのデータベースＤＢ２（図９）を検索し、検索結果となる学習済みモデルＭＤＬ［１］および閾値ＴＨ２ａを図２の内部メモリ回路ＩＭＥＭにロードする。

また、監視パラメータがＲＦパワーである場合で工程ＩＤが“Ｈ２”から“Ｈ１”に変更された場合を想定する。この場合、異常検出部ＦＤＵは、例えば、監視パラメータの種別“ＲＦパワー”と変更後のレシピＩＤ“Ｈ１”とを検索キーとして、通信ネットワークＮＷを介してデータベースＤＢ２（図９）を検索し、検索結果となる学習済みモデルＭＤＬ［ｋ］および閾値ＴＨ１ａを図２の内部メモリ回路ＩＭＥＭにロードする。

なお、図２の異常検出デバイスＦＤＤは、例えば、自デバイスで使用する可能性が有る学習済みモデルＭＤＬを予めデータベースＤＢ２から外部メモリ装置ＯＭＥＭにコピーしておいてもよい。あるいは、図２の異常検出デバイスＦＤＤは、外部メモリ装置ＯＭＥＭを、内部メモリ回路ＩＭＥＭの仮想メモリとして使用し、当該外部メモリ装置ＯＭＥＭに格納する学習済みモデルＭＤＬをＬＲＵ（Least Recently Used）法等で管理してもよい。

このような方式を用いる場合、異常検出部ＦＤＵは、外部メモリ装置ＯＭＥＭを検索し、検索結果となる学習済みモデルＭＤＬおよび閾値ＴＨを内部メモリ回路ＩＭＥＭにロードすればよい。これにより、特に、製品が少量多品種の場合（すなわち、学習済みモデルの変更が頻繁に生じる可能性が高い場合）には、学習済みモデルＭＤＬの取得に伴う通信ネットワークＮＷの逼迫を抑制することが可能になる。

続いて、ステップＳ２０５において、異常検出部ＦＤＵは、監視対象の製造装置ＭＥによる処理の開始を検出する。具体的には、図３および図４を例として、異常検出部ＦＤＵは、入力波形ＩＷの立ち上がりを検出したり、または、製造装置ＭＥからのトリガ信号を受信すること等で処理の開始を検出し、スイッチＳＷをオンに制御する。次いで、異常検出部ＦＤＵは、監視パラメータ毎に、対応する学習済みモデルＭＤＬを用いて、例えば、図３および図４で述べたような方法を用いてセンサ信号の異常の有無を判定する（ステップＳ２０６，Ｓ２０７）。

センサ信号に異常が有る場合、異常検出部ＦＤＵは、図３のスイッチＳＷをオフに制御し、通信ネットワークＮＷを介して管理装置ＣＳへ異常通知ＦＳを送信する（ステップＳ２０８）。また、この際に、異常検出部ＦＤＵは、併せて、異常有りのディジタルデータ群ＤＴＧを管理装置ＣＳへ送信してもよい。管理装置ＣＳは、当該異常通知ＦＳを受けて、対応する製造装置ＭＥの着工を一時停止する等のエラー処理を行う。

一方、センサ信号に異常が無い場合、異常検出部ＦＤＵは、図３のスイッチＳＷをオフに制御し、所定のデータ処理を行う（ステップＳ２０９）。ここで、異常検出部ＦＤＵは、例えば、異常無しのディジタルデータ群ＤＴＧを全て管理装置ＣＳへ送信すると、通常ネットワークＮＷの逼迫を引き起こす恐れがある。そこで、異常検出部ＦＤＵは、異常無しのディジタルデータ群の一部（例えば、１０個中の１個等）を管理装置ＣＳへ送信すると共に、当該１０個の統計値等を算出して、それを管理装置ＣＳへ送信してもよい。管理装置ＣＳは、例えば、当該一部のディジタルデータ群ＤＴＧを用いて学習済みモデルＭＤＬの更新等を行うことができ、また、当該統計値によって、当該一部のディジタルデータ群ＤＴＧを包括的に管理することができる。

一方で、波形に代表されるデータは、生データそのものが必要不可欠となる場合がある。そこで、異常検出部ＦＤＵは、生データを一時的にメモリ（例えば外部メモリ装置ＯＭＥＭ）に格納し、異常無しを検出している場合には、当該メモリ上の生データを一定周期でバッチ処理によって管理装置ＣＳへ転送してもよい。また、異常検出部ＦＤＵは、異常有りを検出した場合は、このデータパスを使って直ちに生データを転送することも可能である。

《本実施の形態１の代表的な効果》
以上、本実施の形態１の生産システムを用いることで、代表的には、通信ネットワークＮＷを逼迫させずに、生産システムの異常を検出することが可能になる。この際には、特に、人工知能（ＡＩ）による学習済みモデルＭＤＬを用いることで、アナログ波形の特徴的な形状に基づいて異常を検出することができる。また、当該生産システムは、監視パラメータ毎に、属するデータを好適な分類方法で分類した上で学習することで複数の学習済みモデルＭＤＬを生成し、当該分類方法に基づき複数の学習済みモデルのいずれかを適宜選択しながら監視パラメータの異常検出を行う。これにより、学習済みモデルＭＤＬの質が向上し、誤報や虚報を低減することができ、異常を高精度に検出すること等が可能になる。これらの結果、生産効率の向上が図れる。

なお、学習済みモデルを用いた異常の判定方式は、特に、図３および図４に示されるような方式に限定されるものではなく、様々な方式を用いることが可能である。例えば、良品のディジタルデータ群と不良品のディジタルデータ群を多く学習することで、異常の有無を直接区別することが可能な学習済みモデルを生成し、これを用いて異常の有無を判定してもよい。当該学習済みモデルは、ディジタルデータ群を入力として、異常の有無を出力とする。

（実施の形態２）
《生産システムの概略構成（変形例）》
図１２は、本発明の実施の形態２による生産システムの主要部の構成例を示す概略図である。図１２に示す生産システムは、図１の構成例と比較して、製造装置ＭＥ１〜ＭＥｎがそれぞれ検査装置（エッジデバイス）ＩＥ１〜ＩＥｎに置き換わっている点が異なっている。当該生産システムは、製品を複数の検査工程を用いて検査する。検査装置ＩＥ１〜ＩＥｎは、複数の検査工程に伴う測定を実行し、測定データを生成する。すなわち、図１では、製造装置ＭＥからセンサＳＥＮを介して測定データが得られる構成となっていたが、図１２では、検査装置自体がセンサに相当し、測定データが検査装置から直接得られる構成となっている。

検査装置ＩＥ１〜ＩＥｎとして、特に限定はされないが、測定対象となる製品（ここでは半導体ウエハＷＦ）に電子ビームやレーザ等を照射することで表面状態を観測する装置等が挙げられる。このような装置では、測定データとして、例えば、表面の凹凸等を反映したアナログ波形が得られる場合がある。そこで、図１２の例では、検査装置ＩＥ１〜ＩＥｎは、それぞれ、測定データとして、前述したようなアナログ波形を形成するディジタルデータ群ＤＴＧ１〜ＤＴＧｎを出力する。異常検出デバイスＦＤＤ１〜ＦＤＤｎのそれぞれは、実施の形態１の場合と同様に、学習済みモデルＭＤＬを用いて、対応する検査装置からの測定データの異常を検出する。

以上、本実施の形態２の生産システムを用いることでも、実施の形態１の場合と同様の効果が得られる。なお、異常検出デバイスＦＤＤ１〜ＦＤＤｎは、実施の形態１の場合と同様に、それぞれ、対応する検査装置ＩＥ１〜ＩＥｎ内に搭載することも可能である。また、検査装置ＩＥ１〜ＩＥｎは、図１における各製造装置ＭＥ１〜ＭＥｎの合間に適宜配置することも可能である。すなわち、製造装置と検査装置を適宜組み合わせた形の生産システムを構築することも可能である。

以上、本発明者によってなされた発明を実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。例えば、前述した実施の形態は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施の形態の構成の一部を他の実施の形態の構成に置き換えることが可能であり、また、ある実施の形態の構成に他の実施の形態の構成を加えることも可能である。また、各実施の形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

例えば、ここでは、半導体製品の生産システムを例とし、図６（ａ）および図６（ｂ）に示したような階層を定めて分類を行ったが、他の製品の生産システムに適用する場合も同様にして分類を行うことが有益な場合がある。具体的には、同一の装置で複数の製品や複数の工程を実行するような生産システムにおいて有益となる。その中でも特に、半導体製品の生産システムは、少量多品種の半導体製品を取り扱う場合があるため、分類を行うことがより有益となる。

ＢＤＡＴ ビックデータ
ＣＭ 製品搬送機構
ＣＭＬＳＩ 通信用ＬＳＩ
ＣＭＰ 比較器
ＣＰＵ プロセッサ回路
ＣＳ，ＣＳ’ 管理装置
ＣＴＬＳＩ 制御用ＬＳＩ
ＤＢ データベース
ＤＬＹ 遅延器
ＤＴ ディジタルデータ
ＤＴＧ ディジタルデータ群
ＥＮＧ エンジニア
ＥＲ 誤差値
ＥＲＤＥＴ 誤差検出器
ＥＴＨ＿ＡＣＣ イーサネットアクセラレータ回路
ＥＷ 学習波形
ＦＤＤ 異常検出デバイス
ＦＤＵ 異常検出部
ＦＰＲＧ 異常検出プログラム
ＦＳ 異常通知
ＦＳＴ，ＭＳＴ 設定情報
ＩＥ 検査装置
ＩＭＥＭ 内部メモリ回路
ＩＴＧ 積分器
ＩＷ 入力波形
ＭＤＬ 学習済みモデル
ＭＥ 製造装置
ＮＷ 通信ネットワーク
ＯＩＦ 外部入出力インタフェース回路
ＯＭＥＭ 外部メモリ装置
ＯＭＥＭ＿ＣＴＬ 外部メモリ制御回路
ＲＴＯＳ＿ＡＣＣ ＲＴＯＳアクセラレータ回路
ＳＥＮ センサ
ＳＷ スイッチ
ＴＨ 閾値
ＷＦ 半導体ウエハ

Claims (16)

1. 製品を複数の製造工程を用いて製造する生産システムであって、
   前記複数の製造工程に伴う処理を実行する複数のエッジデバイスと、
   前記生産システム全体を管理するマスタデバイスと、
   前記複数のエッジデバイスの中の所定のエッジデバイスに対応して設けられ、前記所定のエッジデバイスの処理の状況を監視するセンサと、
   前記所定のエッジデバイスに対応して設けられ、前記センサの監視結果となるセンサ信号の異常を検出する異常検出デバイスと、
   前記複数のエッジデバイスと、前記マスタデバイスと、前記異常検出デバイスとを結合する通信ネットワークと、
   を有し、
   前記センサ信号は、アナログ波形を所定のサンプリング周期でサンプリングしたディジタルデータ群であり、
   前記マスタデバイスは、過去に蓄積された複数の前記ディジタルデータ群の特徴を人工知能を用いて学習することで前記ディジタルデータ群の異常の有無を判別するための学習済みモデルを生成し、
   前記異常検出デバイスは、前記生成された前記学習済みモデルを保持し、前記保持した学習済みモデルを用いて現在の処理対象となる前記ディジタルデータ群の異常の有無を判別する、
   生産システム。
2. 請求項１記載の生産システムにおいて、
   前記マスタデバイスは、前記複数のディジタルデータ群を複数のカテゴリに分類して学習することで、前記複数のカテゴリにそれぞれ対応する複数の前記学習済みモデルを生成し、
   前記異常検出デバイスは、前記現在の処理対象となるディジタルデータ群のカテゴリを認識し、前記認識したカテゴリに対応する前記学習済みモデルを用いて異常の有無を判別する、
   生産システム。
3. 請求項２記載の生産システムにおいて、
   前記マスタデバイスは、エンジニアの指示に基づき前記複数のカテゴリの分類方法を定め、前記定めた分類方法を前記異常検出デバイスに登録し、
   前記異常検出デバイスは、前記登録された分類方法に基づき、前記現在の処理対象となるディジタルデータ群のカテゴリを認識する、
   生産システム。
4. 請求項１記載の生産システムにおいて、
   前記異常検出デバイスは、
   前記学習済みモデルを保持するメモリ回路と、
   前記保持した学習済みモデルを用いて異常の有無を判別するプロセッサ回路と、
   を有する、
   生産システム。
5. 請求項１〜４のいずれか１項に記載の生産システムにおいて、
   前記複数の製造工程は、半導体製品の前工程である、
   生産システム。
6. 複数種類の半導体製品を複数の製造工程を用いて製造する生産システムであって、
   前記半導体製品の種類に応じて、前記複数の製造工程に伴う加工処理を所定のプロセスレシピを用いて実行する複数の製造装置と、
   前記生産システム全体を管理する管理装置と、
   前記複数の製造装置の中の所定の製造装置に対応して設けられ、前記所定の製造装置の加工処理の状況を監視する第１のセンサおよび第２のセンサと、
   前記所定の製造装置に対応して設けられ、前記第１のセンサの監視結果となる第１のセンサ信号の異常と、前記第２のセンサの監視結果となる第２のセンサ信号の異常とを検出する異常検出デバイスと、
   前記複数の製造装置と、前記管理装置と、前記異常検出デバイスとを結合する通信ネットワークと、
   を有し、
   前記第１のセンサ信号は、アナログ波形を第１のサンプリング周期でサンプリングした第１のディジタルデータ群であり、
   前記第２のセンサ信号は、アナログ波形を第２のサンプリング周期でサンプリングした第２のディジタルデータ群であり、
   前記管理装置は、過去に蓄積された複数の前記第１のディジタルデータ群の特徴を人工知能を用いて学習することで前記第１のディジタルデータ群の異常の有無を判別するための第１の学習済みモデルを生成し、過去に蓄積された複数の前記第２のディジタルデータ群の特徴を人工知能を用いて学習することで前記第２のディジタルデータ群の異常の有無を判別するための第２の学習済みモデルを生成し、
   前記異常検出デバイスは、前記生成された前記第１の学習済みモデルおよび前記第２の学習済みモデルを保持し、前記保持した第１の学習済みモデルを用いて現在の処理対象となる前記第１のディジタルデータ群の異常の有無を判別し、前記保持した第２の学習済みモデルを用いて現在の処理対象となる前記第２のディジタルデータ群の異常の有無を判別する、
   生産システム。
7. 請求項６記載の生産システムにおいて、
   前記管理装置は、前記複数の第１のディジタルデータ群を第１の分類方法に基づき複数のカテゴリに分類して学習することで、前記複数のカテゴリにそれぞれ対応する複数の前記第１の学習済みモデルを生成し、前記複数の第２のディジタルデータ群を第２の分類方法に基づき複数のカテゴリに分類して学習することで、前記複数のカテゴリにそれぞれ対応する複数の前記第２の学習済みモデルを生成し、
   前記異常検出デバイスは、前記現在の処理対象となる第１のディジタルデータ群のカテゴリを認識し、前記認識したカテゴリに対応する前記第１の学習済みモデルを用いて異常の有無を判別し、前記現在の処理対象となる第２のディジタルデータ群のカテゴリを認識し、前記認識したカテゴリに対応する前記第２の学習済みモデルを用いて異常の有無を判別する、
   生産システム。
8. 請求項７記載の生産システムにおいて、
   前記管理装置は、エンジニアの指示に基づき前記第１の分類方法および前記第２の分類方法を定め、前記定めた第１の分類方法および第２の分類方法を前記異常検出デバイスに登録し、
   前記異常検出デバイスは、前記登録された第１の分類方法に基づき前記現在の処理対象となる第１のディジタルデータ群のカテゴリを認識し、前記登録された第２の分類方法に基づき、前記現在の処理対象となる第２のディジタルデータ群のカテゴリを認識する、
   生産システム。
9. 請求項７記載の生産システムにおいて、
   前記第１の分類方法および前記第２の分類方法のそれぞれは、前記半導体製品の種類を段階的に絞り込む複数の製品識別子、前記複数の製造工程を識別する工程識別子、前記複数の製造装置の種類を段階的に絞り込む複数の装置識別子、前記所定のプロセスレシピを識別するレシピ識別子の中の単数または複数の識別子を用いて定められる、
   生産システム。
10. 請求項９記載の生産システムにおいて、
    前記第１の分類方法で用いる前記単数または複数の識別子は、前記第２の分類方法で用いる前記単数または複数の識別子と異なる、
    生産システム。
11. 請求項６記載の生産システムにおいて、
    前記異常検出デバイスは、
    前記第１の学習済みモデルおよび前記第２の学習済みモデルを保持するメモリ回路と、
    前記保持した第１の学習済みモデルおよび第２の学習済みモデルを用いて異常の有無を判別するプロセッサ回路と、
    を有する、
    生産システム。
12. 請求項６記載の生産システムにおいて、
    前記第１のサンプリング周期および前記第２のサンプリング周期の少なくとも一方は、１００ｍｓ以下である、
    生産システム。
13. 製品を複数の検査工程を用いて検査する生産システムであって、
    前記複数の検査工程に伴う測定を実行し、測定データを生成する複数のエッジデバイスと、
    前記生産システム全体を管理するマスタデバイスと、
    前記複数のエッジデバイスの中の所定のエッジデバイスに対応して設けられ、前記所定のエッジデバイスからの前記測定データの異常を検出する異常検出デバイスと、
    前記複数のエッジデバイスと、前記マスタデバイスと、前記異常検出デバイスとを結合する通信ネットワークと、
    を有し、
    前記測定データは、アナログ波形を形成するディジタルデータ群であり、
    前記マスタデバイスは、過去に蓄積された複数の前記ディジタルデータ群の特徴を人工知能を用いて学習することで前記ディジタルデータ群の異常の有無を判別するための学習済みモデルを生成し、
    前記異常検出デバイスは、前記生成された前記学習済みモデルを保持し、前記保持した学習済みモデルを用いて現在の処理対象となる前記ディジタルデータ群の異常の有無を判別する、
    生産システム。
14. 請求項１３記載の生産システムにおいて、
    前記マスタデバイスは、前記複数のディジタルデータ群を複数のカテゴリに分類して学習することで、前記複数のカテゴリにそれぞれ対応する複数の前記学習済みモデルを生成し、
    前記異常検出デバイスは、前記現在の処理対象となるディジタルデータ群のカテゴリを認識し、前記認識したカテゴリに対応する前記学習済みモデルを用いて異常の有無を判別する、
    生産システム。
15. 請求項１４記載の生産システムにおいて、
    前記マスタデバイスは、エンジニアの指示に基づき前記複数のカテゴリの分類方法を定め、前記定めた分類方法を前記異常検出デバイスに登録し、
    前記異常検出デバイスは、前記登録された分類方法に基づき、前記現在の処理対象となるディジタルデータ群のカテゴリを認識する、
    生産システム。
16. 請求項１３記載の生産システムにおいて、
    前記異常検出デバイスは、
    前記学習済みモデルを保持するメモリ回路と、
    前記保持した学習済みモデルを用いて異常の有無を判別するプロセッサ回路と、
    を有する、
    生産システム。