JP7175216B2 - 異常検知装置、異常検知システム、異常検知方法 - Google Patents

Description

本発明は、異常検知装置に関し、例えば、検知対象装置から出力された時系列の波形データに含まれる検知対象波形を用いて、検知対象装置が異常であるか否かを判定する異常検知装置に好適に利用できるものである。

工場などの生産現場においては、監視すべき設備にセンサを設置し、センサデータの波形を監視することで、設備の異常（生産プロセスや稼働状態などの異常）を検知することが行われている。

しかし、生産現場においては、監視すべき設備のセンサデータの波形を常に監視し続けるのではなく、監視すべき動作を行っているときのみ、センサデータの波形を監視したいという場合も多い。

そのため、生産現場においては、監視すべき設備のセンサデータの波形のうち監視すべき動作を行っているときの波形のみを検知対象波形として抽出し、抽出した検知対象波形を用いて、設備の異常検知を行うことが、より正確に異常検知を行うために重要となる。

入力波形データから検知対象波形を抽出する関連技術としては、例えば、特許文献１に開示された技術が挙げられる。特許文献１によれば、入力波形データ中にトリガー条件を満たす部分（トリガー点）があるか否かを検出し、トリガー条件を満たす部分があれば、その部分の波形を検知対象波形として抽出する。また、特許文献１によれば、トリガー条件は、例えば、立ち上がり／立ち下がりエッジ、セットアップ／ホールドタイム違反、ラント（Runt）、トランジション（遷移）、パルス幅に応じた条件となる。

特開２０１０－０３８８８４号公報

しかし、特許文献１に開示された技術には、入力波形データ中に、検知対象波形以外にトリガー条件を満たす波形が混在していると、その波形が検知対象波形であると誤判定してしまうことがあるという問題があった。

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。

一実施の形態によれば、異常検知装置は、所定期間の入力時系列データに検知対象とすべきデータが含まれているか判定し、検知対象とすべきデータが含まれていると判定された場合に、入力時系列データから検知対象とすべきデータに対応する時系列データを特定し、特定した時系列データが異常を示すデータであるか否かを判定する。

前記一実施の形態によれば、上述した課題の解決に貢献することができる。

実施の形態１に係る異常検知装置の構成の例を示す図である。 実施の形態１に係る検知対象波形の例を示す図である。 実施の形態１に係る検知対象波形の例を示す図である。 実施の形態１に係る異常検知装置全体で行う異常検知処理のフローの例を示すフロー図である。 実施の形態１に係る検知対象波形検出用アルゴリズムＡＬ［１］用の学習データの生成方法の例を示す図である。 実施の形態１に係る入力バッファ１０２の動作フローの例を示すフロー図である。 実施の形態１に係るＮ１，Ｍ，Ｌの関係性の例を示すイメージ図である。 実施の形態１に係る波形抽出部１０３の動作フローの例を示すフロー図である。 実施の形態１に係る波形抽出部１０３による波形データの間引き処理の例を示すイメージ図である。 実施の形態１に係る波形判定部１０４の動作フローの例を示すフロー図である。 実施の形態１に係る波形抽出部１０５の動作フローの例を示すフロー図である。 実施の形態１に係る波形抽出部１０５による検知対象波形の抽出処理の例を示すイメージ図である。 実施の形態１に係る波形判定部１０６の動作フローの例を示すフロー図である。 実施の形態１に係る波形判定部１０６で用いる自己符号化器の例を示す図である。 実施の形態２に係る波形判定部１０４の動作の例を示す図である。 実施の形態３に係る異常検知装置全体で行う異常検知処理のフローの例を示すフロー図である。 実施の形態４に係る異常検知システムの構成の例を示す図である。 実施の形態５に係る異常検知装置の構成の例を示す図である。 実施の形態５に係る波形抽出部１１３による検知対象波形の抽出処理の例を示すイメージ図である。 実施の形態６に係る異常検知装置の構成の例を示す図である。 実施の形態６に係る波形判定部１０４Ｘ，１０４Ｙによる検知対象波形が含まれるか否かの判定処理の例を示すイメージ図である。 実施の形態１～３，５，６を概念的に示した異常検知装置の構成の例を示す図である。 実施の形態４を概念的に示した異常検知システムの構成の例を示す図である。 実施の形態１～３，５，６を概念的に示した異常検知装置の他の構成の例を示す図である。

以下の記載及び図面は、説明の明確化のため、適宜、省略及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

また、様々な処理を行う機能ブロックとして図面に記載される各要素は、ＣＰＵ（Central Processing Unit）、メモリ、その他の回路等のハードウェアで構成することができ、メモリにロードされたプログラムなどのソフトウェアによって実現される。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組合せによっていろいろな形で実現できることは当業者には理解されるところであり、いずれかに限定されるものではない。なお、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

また、上述のプログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Compact Disc-Read Only Memory）、ＣＤ－Ｒ（CD-Recordable）、ＣＤ－Ｒ／Ｗ（CD-ReWritable）、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体によってコンピュータに供給されても良い。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバなどの有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

＜実施の形態１＞
＜実施の形態１の構成＞
図１は、本実施の形態１に係る異常検知装置の構成の例を示す図である。なお、図１は、異常検知装置を構成する主要部の構成要素のみを示し、他の構成要素は省略している。

また、本実施の形態１に係る異常検知装置は、異常を検知する検知対象装置が、半導体装置を製造する製造システムにおける製造装置であることを想定する。ただし、必ずしもこれには限定されず、各種の生産システムにおける各種の生産装置の異常を検知する装置として、本実施の形態１に係る異常検知装置を適用することが可能である。

また、本実施の形態１に係る異常検知装置は、製造装置から出力された時系列の波形データに含まれる検知対象波形に基づいて、製造装置の異常を検知するものであり、検知対象波形は１つであることを想定する。図２及び図３は、本実施の形態１に係る検知対象波形の例を示す図である。図２は、検知対象外波形及び検知対象波形（正常波形）を含む波形データを示し、図３は、検知対象外波形及び検知対象波形（異常波形）を含む波形データを示している。

図１に示されるように、本実施の形態１に係る異常検知装置は、信号入力部１０１と、入力バッファ１０２と、１段目の波形抽出部１０３、出力選択部１０８、及び波形判定部１０４と、２段目の波形抽出部１０５、出力選択部１０９、及び波形判定部１０６と、制御部１０７と、を備えている。なお、波形抽出部１０３は、第１の波形抽出部の一例であり、波形判定部１０４は、第１の波形判定部の一例であり、波形抽出部１０５は、第２の波形抽出部の一例であり、波形判定部１０６は、第２の波形判定部の一例である。また、以下で説明する図面において、波形抽出部１０３，１０５は、それぞれ波形抽出部＃１，＃２とも表記され、波形判定部１０４，１０６は、それぞれ波形判定部＃１，＃２とも表記され、出力選択部１０８，１０９は、それぞれ出力選択部＃１，＃２とも表記される。

信号入力部１０１は、検知対象装置（本実施の形態１では、半導体装置の製造装置）からモニタ信号を入力し、入力したモニタ信号に対して、各種のフィルタ回路やアナログ・デジタル変換回路などにより所定の信号処理を行って、時系列の波形データを生成し、生成した波形データを入力バッファ１０２に出力する。モニタ信号は、製造装置の処理の状況を表す信号である。モニタ信号は、例えば、製造装置内に設けられるか、又は製造装置に付加される各種のセンサからのセンサ信号である。また、モニタ信号は、アナログ信号でも良いし、各種の通信手段に入力したデジタル信号でも良い。各種のセンサは、例えば、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）などであるが、これら以外のセンサであって良い。また、波形データは、１系統であるものとして説明するが、複数系統であっても良い。

入力バッファ１０２は、リングバッファ（不図示）及び出力部（不図示）を備えており、信号入力部１０１から出力された時系列の波形データを、リングバッファを用いて一定期間保持した後、出力部にコピーする。入力バッファ１０２は、出力部内にポイント数Ｎ１の波形データが溜まると、ポイント数Ｎ１の波形データを波形抽出部１０３，１０５に出力し、出力部内の波形データをポイント数Ｍ分シフトする。以降、入力バッファ１０２は、出力部内にポイント数Ｎ１の波形データが溜まる度に、この動作を繰り返す。ここで、検知対象波形のポイント数をＬとすると、Ｎ１，Ｍ，Ｌは、Ｎ１≧Ｌ＋Ｍの関係とする。例えば、Ｎ１＝２×Ｌ、Ｍ＝Ｌとする。

波形抽出部１０３は、入力バッファ１０２から出力されたポイント数Ｎ１の波形データを入力し、波形判定部１０４がデータ入力待ちになったら、波形データを抽出して出力選択部１０８に出力する。波形抽出部１０３は、検知対象波形及び検知対象外波形の形状によっては、ポイント数Ｎ１の波形データを、例えば、１０ポイント毎の平均値を１つのデータとするなどして、粒度の粗いポイント数Ｎ２の波形データ（Ｎ１＞Ｎ２。例えば、Ｎ２＝Ｎ１÷１０）に間引いても（圧縮しても）良い。これにより、後段の波形判定部１０４の演算量を減らし、計算時間の短縮化を図ることが可能になる。

出力選択部１０８は、波形抽出部１０３から出力された波形データを、波形判定部１０４に出力する。ただし、当該波形データを波形判定部１０４で用いる後述の検知対象波形検出用アルゴリズムＡＬ［１］を生成するために用いる場合は、出力選択部１０８は、波形抽出部１０３から出力された波形データを装置外部に出力する。装置外部では、波形抽出部１０３から出力された波形データのうち検知対象波形（正常波形又は異常波形のどちらでも良い）が含まれている波形データを用いて、後述のように学習データを生成し、生成した学習データを用いて、検知対象波形検出用アルゴリズムＡＬ［１］を生成する。また、出力選択部１０８における出力先の切替は、制御部１０７によって制御される。

波形判定部１０４は、事前に学習した機械学習による検知対象波形検出用アルゴリズムＡＬ［１］を用いて、波形抽出部１０３から出力された波形データに検知対象波形が含まれているか否かを判定する。検知対象波形検出結果は、波形抽出部１０５に出力される。

検知対象波形は、製造装置を管理するエンジニアの知見などにより指定することが多い。しかし、エンジニアが検知対象波形を指定する場合、検知対象波形検出用アルゴリズムＡＬ［１］を生成するための大量の学習データを人手で抽出して収集することは非常に手間と時間がかかる。

そこで、本実施の形態１においては、装置外部では、波形抽出部１０３から出力された波形データから、人手で検知対象波形のみを切り出した少数（最小１組）の波形データを準備する。当該検知対象波形の２倍程度のポイント数の範囲内に、切り出した検知対象波形を時間軸方向にランダムにシフトした波形データを、ＰＣ（Personal Computer）上で実行するプログラムにより自動生成し、それを検知対象波形検出用アルゴリズムＡＬ［１］用の学習データとする。また、検知対象波形の振幅方向、時間軸方向にばらつきがある場合は、想定される正常な範囲で検知対象波形を振幅方向、時間軸方向にそれぞれランダムに伸長、縮小した波形データを生成し、それも検知対象波形検出用アルゴリズムＡＬ［１］用の学習データとする。そして、装置外部では、生成した波形データのセットを学習データとして用いて、検知対象波形検出用アルゴリズムＡＬ［１］を生成する。

検知対象波形検出用アルゴリズムＡＬ［１］は、例えば、ニューラルネットワーク（NN：Neural Network）の手法の一つである自己符号化器（Auto Encoder）を用いたアルゴリズムでも良い。自己符号化器は、入力層と、１層以上の中間層と、入力層と同じノード数の出力層と、で構成され、誤差逆伝播法(Backpropagation)により入力データと出力データが等しくなるように圧縮された特徴点を学習する方法である。そのため、学習データに含まれる波形データが入力層に入力されたときは、出力層には、入力層に入力された波形データに相似した波形データが再現される。逆に、学習データに含まれない成分をもつ波形データが入力層に入力されたときは、入力波形データに相似した波形データを再現できないため、入力と出力とで波形データが異なる。

検知対象波形検出用アルゴリズムＡＬ［１］は、さらに、自己符号化器の入力波形データと出力波形データとの乖離度が所定の第１の乖離度閾値以下であるか否かを判定し、その判定結果に基づいて、その波形データに検知対象波形が含まれているか否かを判定する。ここでは、乖離度が第１の乖離度閾値以下であれば、検知対象波形が含まれていると判定する。ここで、乖離度としては、ユークリッド距離などを用いても良い。自己符号化器の入力波形データｘ（ｉ）と出力波形データｙ（ｉ）のユークリッド距離ｄは、

で求められる。検知対象波形検出用アルゴリズムＡＬ［１］としては、この他に畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）など分類型のニューラルネットワークを用いる方法も考えられる。

検知対象波形検出用アルゴリズムＡＬ［１］は、連続的に判定動作を続ける。そのため、波形判定部１０４への入力ノード数、つまり波形データのポイント数Ｎ２を小さくすることで、検知対象波形検出用アルゴリズムＡＬ［１］が検知対象波形を判定している通常動作時の演算量を抑え、異常検知装置の消費電力を抑えることも可能となる。また、演算時間を短縮することができるため、処理能力の低い演算器でも波形判定部１０４を実現することができる。

波形抽出部１０５は、入力バッファ１０２から出力されたポイント数Ｎ１の波形データを入力する。波形抽出部１０５は、波形判定部１０４により当該入力波形データが検知対象波形を含むと判定された検知対象波形判定結果を受ける場合は、当該入力波形データに対し、さらに、波形データの振幅レベルが所定の信号レベル（トリガーレベル）を超えているなどのトリガー条件を用いて、正確なポイント数で検知対象波形を正確に切り出し、抽出する。波形抽出部１０５は、抽出した検知対象波形の波形データを、出力選択部１０９に出力する。

出力選択部１０９は、波形抽出部１０５から出力された検知対象波形の波形データを、波形判定部１０６に出力する。ただし、当該波形データを波形判定部１０６で用いる後述の異常検知用アルゴリズムＡＬ［２］を生成するために用いる場合は、出力選択部１０９は、波形抽出部１０５から出力された検知対象波形の波形データを装置外部に出力する。装置外部では、波形抽出部１０５から出力された検知対象波形の波形データのうち正常波形となる検知対象波形の波形データを学習データとして用いて、異常検知用アルゴリズムＡＬ［２］を生成する。また、出力選択部１０９における出力先の切替は、制御部１０７によって制御される。

波形判定部１０６は、事前に学習された機械学習による異常検知用アルゴリズムＡＬ［２］を用いて、波形抽出部１０５から出力された検知対象波形が異常波形であるか否かに基づいて、製造装置が異常であるか否かを判定する。ここでは、検知対象波形が異常波形であれば、製造装置が異常であると判定する。製造装置が異常であるか否かを示す異常検知結果は、装置外部に出力される。この異常には、装置で製造する製品や生産プロセス、および装置自体の稼働状態などが含まれる。

異常検知用アルゴリズムＡＬ［２］を生成するための学習データは、上述のように、波形抽出部１０５から出力された波形データから収集するため、効率的に学習データを準備することができる。異常検知用アルゴリズムＡＬ［２］は、例えば、自己符号化器を用いたアルゴリズムでも良い。自己符号化器を用いる場合、異常検知用アルゴリズムＡＬ［２］では、波形抽出部１０５から出力された検知対象波形の波形データを自己符号化器に入力し、入力波形データと出力波形データとの乖離度が所定の第２の乖離度閾値以下であるか否かを判定し、その判定結果に基づいて、その検知対象波形が異常波形であるか否かを判定する。ここでは、乖離度が第２の乖離度閾値以下であれば、検知対象波形が異常波形でなく正常波形であると判定する。

上述のように、波形判定部１０４によって、入力バッファ１０２が切り出した入力波形データに検知対象波形が含まれているか否かを判定し、波形判定部１０６によって、検知対象波形が含まれていると判定された入力波形データに対する異常判定を行う。

＜実施の形態１の動作＞
以下、本実施の形態１に係る異常検知装置の動作について説明する。
＜異常検知処理＞
図４は、本実施の形態１に係る異常検知装置全体で行う異常検知処理のフローの例を示すフロー図である。
図４に示されるように、入力バッファ１０２は、入力バッファ１０２の出力部内にポイント数Ｎ１の波形データが溜まると、ポイント数Ｎ１の波形データを波形抽出部１０３，１０５に出力する。波形抽出部１０３は、入力バッファ１０２から出力されたポイント数Ｎ１の波形データを抽出して、出力選択部１０８を介して、波形判定部１０４に出力する（ステップＳ１１）。このとき、波形抽出部１０３は、ポイント数Ｎ１の波形データを、ポイント数Ｎ２の波形データ（Ｎ１＞Ｎ２）に間引きしても良い。

続いて、波形判定部１０４は、検知対象波形検出用アルゴリズムＡＬ［１］を用いて、波形抽出部１０３から出力された波形データを自己符号化器に入力し、自己符号化器の入出力の波形データの乖離度を計算し、計算した乖離度に基づいて、波形データに検知対象波形が含まれているか否かを判定する（ステップＳ１２，Ｓ１３）。このとき、波形判定部１０４は、乖離度が第１の乖離度閾値以下である場合は、検知対象波形が含まれていると判定する。

波形判定部１０４により検知対象波形が含まれていないと判定された場合（ステップＳ１３のＮｏ）、入力バッファ１０２は、入力バッファ１０２の出力部内の波形データをポイント数Ｍ分シフトし（ステップＳ１４）、ステップＳ１１の処理に戻る。

一方、波形判定部１０４により検知対象波形が含まれていると判定された場合（ステップＳ１３のＹｅｓ）、波形抽出部１０５は、入力バッファ１０２から出力されたポイント数Ｎ１の波形データから、トリガー条件などを用いて、検知対象波形を正確に抽出して、出力選択部１０９を介して、波形判定部１０６に出力する（ステップＳ１５）。

続いて、波形判定部１０６は、異常検知用アルゴリズムＡＬ［２］を用いて、波形抽出部１０５から出力された検知対象波形の波形データを自己符号化器に入力し、自己符号化器の入出力の波形データの乖離度を計算する（ステップＳ１６）。
続いて、波形判定部１０６は、異常検知用アルゴリズムＡＬ［２］を用いて、乖離度が第２の乖離度閾値以下であるか否かを判定し（ステップＳ１７）、乖離度が第２の乖離度閾値以下である場合は（ステップＳ１７のＹｅｓ）、製造装置は正常であると判定し（ステップＳ１８）、乖離度が第２の乖離度閾値を超えている場合は（ステップＳ１７のＮｏ）、製造装置は異常であると判定する（ステップＳ１９）。
その後、ステップＳ１４を介して、ステップＳ１１の処理に戻る。

＜検知対象波形検出用アルゴリズムＡＬ［１］用の学習データの生成方法＞
図５は、本実施の形態１に係る検知対象波形検出用アルゴリズムＡＬ［１］用の学習データの生成方法の例を示す図である。なお、ここでは、学習データの生成は、エンジニアが装置外部のＰＣ上で行うことを想定するが、これには限定されず、装置外部に設けたアルゴリズム生成部が学習データを生成しても良い。

図５に示されるように、まず、波形抽出部１０３から出力された波形データのうち検知対象波形を含む波形データから、検知対象波形の波形部分を切り出す。ここでは、検知対象波形は、正常波形となっているが、異常波形であっても良い。
続いて、検知対象波形の２倍程度のポイント数の範囲内に、切り出した検知対象波形を時間軸方向にランダムにシフトした波形データを、ＰＣ上で実行するプログラムにより自動生成する。

ここで、波形抽出部１０３は、上述のように、検知対象波形及び検知対象外波形の形状によっては、入力バッファ１０２から入力したポイント数Ｎ１の波形データを、粒度の粗いポイント数Ｎ２の波形データ（Ｎ１＞Ｎ２）に間引いてもよい。この場合、波形抽出部１０３によって間引かれた波形データに基づいて上記時間軸方向にランダムにシフトした波形データが生成される。すなわち、自動生成された波形データは、波形抽出部１０３から出力される波形データと同じ粒度となる。

続いて、検知対象波形の振幅方向、時間軸方向にばらつきがある場合は、想定される正常な範囲で検知対象波形を振幅方向、時間軸方向にそれぞれランダムに伸長、縮小した波形データも生成する。
上記で生成した波形データのセットが、検知対象波形検出用アルゴリズムＡＬ［１］用の学習データとなる。

＜入力バッファ１０２の動作＞
図６は、本実施の形態１に係る入力バッファ１０２の動作フローの例を示すフロー図である。
図６に示されるように、入力バッファ１０２は、信号入力部１０１から出力された波形データを入力し（ステップＳ２１）、入力した波形データを、リングバッファを用いて一定期間保持した後、出力部にコピーする（ステップＳ２２）。

入力バッファ１０２は、出力部内にポイント数Ｎ１の波形データが溜まった場合、すなわち、ポイント数Ｎ１の波形データの入力が完了した場合（ステップＳ２３のＹｅｓ）、ポイント数Ｎ１の波形データを波形抽出部１０３，１０５に出力する（ステップＳ２４）。
続いて、入力バッファ１０２は、出力部内の波形データをポイント数Ｍ分シフトする（ステップＳ２５）。
その後、ステップＳ２２の処理に戻る。

図７は、検知対象波形のポイント数をＬとしたときの、Ｎ１，Ｍ，Ｌの関係性の例を示すイメージ図である。
Ｎ１，Ｍ，Ｌは、Ｎ１≧Ｌ＋Ｍの関係とする。
図７の例においては、Ｎ１＝２×Ｌ、Ｍ＝Ｌとしている。ただし、検知対象波形の前後に検知対象外波形の波形変動が多く含まれる場合などは、Ｎ１をＬよりも少し大きめの値とする必要がある。

また、図７の例においては、入力バッファ１０２は、ポイント数Ｎ１の波形データを、５回分、波形抽出部１０３，１０５に出力している。このうち、４回目の波形データには、検知対象波形が含まれている。そのため、後段の波形判定部１０４において、４回目の波形データには、検知対象波形が含まれていると判定されることになる。

＜波形抽出部１０３の動作＞
図８は、本実施の形態１に係る波形抽出部１０３の動作フローの例を示すフロー図である。
図８に示されるように、波形抽出部１０３は、入力バッファ１０２から出力されたポイント数Ｎ１の波形データを入力する（ステップＳ３１）。

ここで、例えば、検知対象波形と検知対象外波形の形状が大きく異なる場合には、両者の分類は、概形を用いて行うことも可能である。ここでは、検知対象波形と検知対象外波形の形状が大きく異なると想定する。
そこで、波形抽出部１０３は、ポイント数Ｎ１の波形データから、粒度の粗いポイント数Ｎ２の波形データ（Ｎ１＞Ｎ２）を生成する（ステップＳ３２）。これにより、波形判定部１０４の演算量を減らし、計算時間の短縮化を図ることが可能になる。ポイント数Ｎ２の波形データを生成する演算としては、例えば、１０ポイント毎の平均値を１つのデータとしてポイント数Ｎ２に間引く、又は、１０ポイントおきに１ポイントの値を用いる（いずれの場合も、Ｎ２＝Ｎ１÷１０）、２点のデータ間を線形補間するなど、様々な処理を用いることが可能である。

続いて、波形抽出部１０３は、波形判定部１０４が波形データの入力待ちの状態になるまで待機し（ステップＳ３３）、入力待ちの状態になった場合（ステップＳ３３のＹｅｓ）、ポイント数Ｎ２の波形データを、出力選択部１０８を介して、波形判定部１０４に出力する（ステップＳ３４）。
続いて、波形抽出部１０３は、入力バッファ１０２の出力部内にポイント数Ｎ１の波形データが溜まるまで、すなわち、入力バッファ１０２の更新が完了するまで待機する（ステップＳ３５）。入力バッファ１０２の更新が完了した場合（ステップＳ３５のＹｅｓ）、ステップＳ３１の処理に戻る。

図９は、本実施の形態１に係る波形抽出部１０３による波形データの間引き処理の例を示すイメージ図である。
図９の例においては、波形抽出部１０３は、ポイント数Ｎ１の波形データに対し、１０ポイントおきに１ポイントの値を用いることで、ポイント数Ｎ２の波形データ（Ｎ２＝Ｎ１÷１０）を生成している。

＜波形判定部１０４の動作＞
図１０は、本実施の形態１に係る波形判定部１０４の動作フローの例を示すフロー図である。
図１０に示されるように、波形判定部１０４は、波形抽出部１０３から出力された波形データを入力する（ステップＳ４１）
すると、以降、波形判定部１０４は、事前に学習した機械学習による検知対象波形検出用アルゴリズムＡＬ［１］を用いて、波形抽出部１０３から出力された波形データに検知対象波形が含まれているか否かを判定し、波形データに検知対象波形が含まれているか否かを示す検知対象波形検出結果を波形抽出部１０５に出力する。

検知対象波形検出用アルゴリズムＡＬ［１］を生成するための学習データは、図５を用いて説明したように、波形抽出部１０３から出力された波形データを用いて生成したものとなる。検知対象波形検出用アルゴリズムＡＬ［１］としては、例えば、ニューラルネットワークの手法の一つである自己符号化器を用いる方法がある。以下、検知対象波形検出用アルゴリズムＡＬ［１］として、自己符号化器を用いることを想定し、ステップＳ４２以降のフローを説明する。

波形判定部１０４は、検知対象波形検出用アルゴリズムＡＬ［１］を用いて、波形抽出部１０３から出力された波形データを自己符号化器に入力し、自己符号化器の入出力の波形データの乖離度を計算する（ステップＳ４２）。

続いて、波形判定部１０４は、乖離度が第１の乖離度閾値以下であるか否かを判定し（ステップＳ４３）、乖離度が第１の乖離度閾値以下である場合は（ステップＳ４３のＹｅｓ）、波形データに検知対象波形が含まれていると判定し（ステップＳ４４）、乖離度が第１の乖離度閾値を超えている場合は（ステップＳ４３のＮｏ）、波形データに検知対象波形が含まれていないと判定する（ステップＳ４５）。

続いて、波形判定部１０４は、波形データに検知対象波形が含まれているか否かを示す検知対象波形検出結果を波形抽出部１０５に出力する（ステップＳ４６）。
その後、ステップＳ４１の処理に戻る。

＜波形抽出部１０５の動作＞
図１１は、本実施の形態１に係る波形抽出部１０５の動作フローの例を示すフロー図である。
図１１に示されるように、波形抽出部１０５は、入力バッファ１０２から出力された波形データを入力する（ステップＳ５１）。
続いて、波形抽出部１０５は、波形判定部１０４から出力された検知対象波形検出結果に基づいて、入力バッファ１０２から入力した波形データについて、波形判定部１０４により検知対象波形が含まれていると判定されたか否かを確認する（ステップＳ５２）。

波形判定部１０４により検知対象波形が含まれていると判定された場合（ステップＳ５２のＹｅｓ）、波形抽出部１０５は、入力バッファ１０２から入力した波形データから、検知対象波形を抽出するためのトリガー条件などを用いて、検知対象波形のみを抽出し（ステップＳ５３）、抽出した検知対象波形の波形データを、出力選択部１０９を介して、波形判定部１０６に出力する（ステップＳ５４）。その後、波形抽出部１０５は、入力バッファ１０２からの波形データの入力待ち状態に遷移する（ステップＳ５５）。

一方、波形判定部１０４により検知対象波形が含まれていないと判定された場合（ステップＳ５２のＮｏ）、波形抽出部１０５は、入力バッファ１０２から入力した波形データを破棄し、入力バッファ１０２からの波形データの入力待ち状態に遷移する（ステップＳ５５）。

図１２は、本実施の形態１に係る波形抽出部１０５による検知対象波形の抽出処理の例を示すイメージ図である。
図１２の例においては、波形抽出部１０５は、検知対象波形の振幅レベルは所定の信号レベル（トリガーレベル）を超えているというトリガー条件を用いて、正確なポイント数で検知対象波形を正確に抽出している。

＜波形判定部１０６の動作＞
図１３は、本実施の形態１に係る波形判定部１０６の動作フローの例を示すフロー図である。
図１３に示されるように、波形判定部１０６は、波形抽出部１０５から出力された検知対象波形の波形データを入力する（ステップＳ６１）。
すると、波形判定部１０６は、事前に学習した機械学習による異常検知用アルゴリズムＡＬ［２］を用いて、検知対象波形が異常波形であるか否かに基づいて、製造装置が異常であるか否かを判定し、製造装置が異常であるか否かを示す異常検知結果を装置外部に出力する。

異常検知用アルゴリズムＡＬ［２］を生成するための学習データは、波形抽出部１０５から出力された波形データを収集して準備したものとなる。異常検知用アルゴリズムＡＬ［２］としては、例えば、自己符号化器を用いる方法がある。以下、異常検知用アルゴリズムＡＬ［２］として、自己符号化器を用いることを想定し、ステップＳ６２以降のフローを説明する。

波形判定部１０６は、異常検知用アルゴリズムＡＬ［２］を用いて、波形抽出部１０５から出力された検知対象波形の波形データを自己符号化器に入力し、自己符号化器の入出力の波形データの乖離度を計算する（ステップＳ６２）。

続いて、波形判定部１０６は、乖離度が第２の乖離度閾値以下であるか否を判定し（ステップＳ６３）、乖離度が第２の乖離度閾値以下である場合は（ステップＳ６３のＹｅｓ）、検知対象波形が正常波形であり、製造装置は正常であると判定し（ステップＳ６４）、乖離度が第２の乖離度閾値を超えている場合は（ステップＳ６３のＮｏ）、検知対象波形が異常波形であり、製造装置は異常であると判定する（ステップＳ６５）。

続いて、波形判定部１０６は、製造装置が異常であるか否かを示す異常検知結果を装置外部に出力する（ステップＳ６６）。
その後、ステップＳ６１の処理に戻る。

図１４は、実施の形態１に係る波形判定部１０６で用いる自己符号化器の例を示す図である。
図１４に示されるように、自己符号化器は、入力層と、１層以上の中間層（図１４の例においては、中間層は１層）と、入力層と同じノード数の出力層と、で構成され、誤差逆伝播法により入力データと出力データが等しくなるように圧縮された特徴点を学習する方法である。そのため、学習データと同等の波形データが入力層に入力されたときは、出力層に同じ波形データが再現される。逆に、学習していない波形データが入力層に入力されたときは、同じ波形データ再現ができないため、入力と出力とで波形データが異なる。

図１４の例においては、自己符号化器は、検知対象波形の波形データを学習データとし、学習データと同等の波形データが入力層に入力されたときは、出力層に同じ波形データが再現されるように、検知対象波形の波形データの特徴点を学習している。

＜実施の形態１の効果＞
本実施の形態１においては、まず、波形判定部１０４は、検知対象装置からの時系列の波形データであって、検知対象波形よりも大きなポイント数の波形データに検知対象波形が含まれるか否かを判定する。波形抽出部１０５は、波形判定部１０４により波形データに検知対象波形が含まれていると判定された場合に、その波形データから検知対象波形を抽出し、波形判定部１０４は、波形抽出部１０５から出力された検知対象波形の波形データに基づいて、検知対象装置が異常であるか否かを判定する。

そのため、波形抽出部１０３から出力された波形データに、検知対象波形以外と検知対象外波形とが混在していたとしても、検知対象外波形が検知対象波形であると誤判定することなく、検知対象波形のみを抽出することができ、検知対象装置の異常検知を行うことができる。また、波形抽出部１０３から出力された波形データに、検知対象波形が含まれていない場合は、波形抽出部１０５は、検知対象波形の抽出処理を行わないため、演算量を抑えることができる。

また、波形判定部１０４，１０６は、検知対象波形を含む波形データを学習したアルゴリズムを用いて、上述の処理を行う。
このとき、波形判定部１０４で用いる学習データは、人手で検知対象波形のみを切り出した少数（最小１組）の波形データを準備し、検知対象波形の２倍程度の長さの範囲内に、切り出した検知対象波形を時間軸方向にランダムにシフトした波形データとする。また、検知対象波形の波形データの振幅方向、時間軸方向にばらつきがある場合は、振幅方向、時間軸方向にそれぞれランダムに伸長、縮小した波形データも、学習データとする。そのため、エンジニアが、波形判定部１０４で用いる大量の学習データを人手で抽出して収集する必要はなく、エンジニアの手間と時間の軽減を図れる。

また、波形判定部１０６で用いる学習データは、波形抽出部１０５から出力された波形データから収集する。そのため、波形判定部１０６で用いる学習データを、効率的に準備することができる。

＜実施の形態２＞
＜実施の形態２の構成及び動作＞
本実施の形態２は、上述した実施の形態１と比較して、構成自体は同様であるが、波形判定部１０４の動作が異なる。

上述した実施の形態１においては、波形判定部１０４は、自己符号化器の入出力の波形データの乖離度を計算し、乖離度が所定の第１の乖離度閾値以下である場合に、自己符号化器の入力の波形データに検知対象波形が含まれていると判定していた。

これに対して、本実施の形態２においては、波形判定部１０４は、自己符号化器の入力の波形データｘ（ｉ）と出力の波形データｙ（ｉ）との正規化誤差（｜（ｘ（ｉ）－ｙ（ｉ））｜／（｜ｘ（ｉ）｜＋α）などの演算値。ここで、αは0除算を除くための任意の定数である。）が所定個数連続して所定の誤差閾値以下になった場合に、波形データに検知対象波形が含まれていると判定する。

更に、波形判定部１０４は、波形データに検知対象波形が含まれていると判定した場合、正規化誤差が所定個数連続して誤差閾値以下になった範囲以外の範囲を、波形抽出部１０５で検知対象波形を抽出する範囲から除くように、指示しても良い。これにより、波形抽出部１０５が検知対象外波形を誤って抽出してしまう可能性を低減できる。

図１５は、本実施の形態２に係る波形判定部１０４の動作の例を示す図である。図１５（ａ）は、自己符号化器の入力の波形データ、図１５（ｂ）は、自己符号化器の出力の波形データ、図１５（ｃ）は、自己符号化器の入力の波形データと出力の波形データとの正規化誤差を、それぞれ示している。

図１５（ｃ）の例においては、正規化誤差が所定個数連続して誤差閾値以下になった範囲Ｒ２が存在する。そのため、波形判定部１０４は、波形データの範囲Ｒ２内に検知対象波形が含まれていると判定する。
また、波形判定部１０４は、範囲Ｒ２内に検知対象波形が含まれていると判定したため、範囲Ｒ２を、波形抽出部１０５で検知対象波形を抽出する範囲とし、範囲Ｒ２以外の範囲Ｒ１，Ｒ３を、波形抽出部１０５で検知対象波形を抽出する範囲から除くように、波形抽出部１０５に対して指示する。

＜実施の形態２の効果＞
上述した実施の形態１においては、波形判定部１０４は、自己符号化器の入出力の波形データの乖離度が所定の第１の乖離度閾値以下である場合に、波形データに検知対象波形が含まれていると判定していた。そのため、波形抽出部１０５で検知対象波形を抽出する範囲において、検知対象外波形の波形変動が含まれている場合に、検知対象波形が含まれていると誤判定したり、検知対象波形に大きな異常部分が含まれている場合に、検知対象波形が含まれていないと誤判定したりしてしまう懸念があった。

これに対して本実施の形態２においては、波形判定部１０４は、自己符号化器の入力の波形データと出力の波形データとの正規化誤差が所定個数連続して所定の誤差閾値以下になった場合に、波形データに検知対象波形が含まれていると判定する。そのため、検知対象外波形の波形変動が含まれている場合、その波形変動の影響が正規化誤差として大きく現れるようになるため、検知対象波形が含まれていないと正しく判定することができる。また、一定区間における正規化誤差の連続性で判定を行うようにしたため、検知対象波形に大きな異常部分が含まれている場合でも、検知対象波形が含まれていると正しく判定することができる。
その他の効果は、上述した実施の形態１と同様である。

＜実施の形態３＞
上述した実施の形態１は、検知対象波形が１つであることを想定したが、本実施の形態３は、互いに相違する複数の検知対象波形があることを想定する。

＜実施の形態３の構成＞
本実施の形態３は、上述した実施の形態１と比較して、構成自体は同様であるが、波形判定部１０４で用いる検知対象波形検出用アルゴリズムＡＬ［１］及び波形判定部１０６で用いる異常検知用アルゴリズムＡＬ［２］が異なる。

波形判定部１０４で用いる検知対象波形検出用アルゴリズムＡＬ［１］は、畳み込みニューラルネットワークなどの分類型のニューラルネットワークで構成されている。検知対象波形検出用アルゴリズムＡＬ［１］は、複数の検知対象波形毎に、その検知対象波形が波形データに含まれる確率を、ソフトマックス関数などにより計算する。検知対象波形検出用アルゴリズムＡＬ［１］は、計算した確率が所定の確率閾値（例えば、７０％）を超える検知対象波形がある場合、その検知対象波形が波形データに含まれていると判定する。一方、検知対象波形検出用アルゴリズムＡＬ［１］は、計算した確率が確率閾値を超える検知対象波形がない場合、複数の検知対象波形がいずれも波形データに含まれていないと判定する。

検知対象波形検出用アルゴリズムＡＬ［１］用の学習データは、複数の検知対象波形毎に、図５を用いて説明した方法で、同数の学習データを生成する。
検知対象波形検出結果は、検知対象波形が含まれているか否かを示す結果と、検知対象波形が含まれている場合にはその検知対象波形を識別する情報と、が含まれる。検知対象波形検出結果は、波形抽出部１０５及び波形判定部１０６に出力される。

波形判定部１０６は、複数の検知対象波形の各々に対応する複数の異常検知用アルゴリズムＡＬ［２］を保持しており、検知対象波形検出結果に応じて、異常検知用アルゴリズムＡＬ［２］を切り替え、切り替えた異常検知用アルゴリズムＡＬ［２］を用いて、製造装置が異常であるか否かを判定する。

＜実施の形態３の動作＞
図１６は、本実施の形態３に係る異常検知装置全体で行う異常検知処理のフローの例を示すフロー図である。以下、上述した実施の形態１に係る図４のフロー図とは異なる点を中心に説明する。

図１６に示されるように、ステップＳ１１で波形抽出部１０３により波形データが抽出されて出力されると、続いて、波形判定部１０４は、検知対象波形検出用アルゴリズムＡＬ［１］を用いて、複数の検知対象波形毎に、波形抽出部１０３から出力された波形データに検知対象波形が含まれる確率を計算する（ステップＳ７１）。更に、波形判定部１０４は、計算した確率が確率閾値を超える検知対象波形があるか否かを判定する（ステップＳ７２）。

確率が確率閾値を超える検知対象波形がない場合（ステップＳ７２のＮｏ）、波形判定部１０４は、複数の検知対象波形がいずれも波形データに含まれていないと判定し、ステップＳ１４を介して、ステップＳ１１の処理に戻る。

一方、確率が確率閾値を超える検知対象波形がある場合（ステップＳ７２のＹｅｓ）、波形判定部１０４は、その検知対象波形が波形データに含まれていると判定し、波形判定部１０６は、その検知対象波形に応じた異常検知用アルゴリズムＡＬ［２］への切替を行う（ステップＳ７３）。
以降の処理は、上述した実施の形態１に係る図４のフロー図と同様である。

＜実施の形態３の効果＞
本実施の形態３においては、波形判定部１０４は、分類型のニューラルネットワークで構成された検知対象波形検出用アルゴリズムＡＬ［１］を用いて、複数の検知対象波形毎に、検知対象波形が波形データに含まれる確率を計算し、計算した確率が所定の確率閾値を超えるか否かに基づいて、複数の検知対象波形のいずれかが含まれているか否かを判定する。波形判定部１０４により複数の検知対象波形のいずれかが含まれていると判定された場合、波形判定部１０６は、判定された検知対象波形に応じて異常検知用アルゴリズムＡＬ［２］を切り替え、その検知対象波形が異常波形であるか否かを判定する。

そのため、複数の検知対象波形がある場合でも、複数の検知対象波形をそれぞれ抽出して、検知対象装置の異常検知を行うことができる。
その他の効果は、上述した実施の形態１と同様である。

＜実施の形態４＞
本実施の形態４は、上述した実施の形態１～３に係る異常検知装置のいずれかを用いた異常検知システムに係る実施の形態である。
＜実施の形態４の構成及び動作＞
図１７は、本実施の形態４に係る異常検知システムの構成の例を示す図である。
図１７に示されるように、本実施の形態４に係る異常検知システムは、上述した実施の形態１～３に係る異常検知装置のいずれかに相当する異常検知装置１０Ａ，１０Ｂと、製造装置２０Ａ，２０Ｂと、異常表示器３０Ａ，３０Ｂと、ＭＥＳ（Manufacturing Execution Systems）４０と、ＳＣＡＤＡ（Supervisory Control and Data Acquisition）５０と、アルゴリズム生成部６０と、アルゴリズム格納部７０と、を備えている。なお、ＳＣＡＤＡ５０は、データ収集部の一例である。また、以下で説明する図面において、異常検知装置１０Ａ，１０Ｂは、それぞれ異常検知装置＃Ａ，＃Ｂとも表記され、製造装置２０Ａ，２０Ｂは、それぞれ製造装置＃Ａ，＃Ｂとも表記され、異常表示器３０Ａ，３０Ｂは、それぞれ異常表示器＃Ａ，＃Ｂとも表記される。

製造装置２０Ａは、例えば、半導体を製造する製造装置である。異常検知装置１０Ａは、製造装置２０Ａから入力したモニタ信号に基づいて、製造装置２０Ａが異常であるか否かを判定し、製造装置２０Ａが異常であるか否かを示す異常検知結果を異常表示器３０Ａに出力する。異常表示器３０Ａは、製造装置２０Ａの異常検知結果を表示する。なお、製造装置２０Ｂ、異常検知装置１０Ｂ、及び異常表示器３０Ｂの関係性は、製造装置２０Ａ、異常検知装置１０Ａ、及び異常表示器３０Ａの関係性と同様である。

本実施の形態４においては、アルゴリズム生成部６０が、波形判定部１０４で用いる検知対象波形検出用アルゴリズムＡＬ［１］を生成すると共に、波形判定部１０６で用いる異常検知用アルゴリズムＡＬ［２］を生成する。

検知対象波形検出用アルゴリズムＡＬ［１］を生成する場合、出力選択部１０８は、波形抽出部１０３から出力された波形データをＳＣＡＤＡ５０に出力し、ＳＣＡＤＡ５０は、出力選択部１０８から出力された波形データを収集してアルゴリズム生成部６０に出力する。アルゴリズム生成部６０は、図５を用いて説明した方法で、ＳＣＡＤＡ５０から出力された波形データのうち検知対象波形を含む波形データから検知対象波形を切り出し、切り出した検知対象波形をランダムにシフトさせながら学習データを生成し、生成した学習データを用いて、検知対象波形検出用アルゴリズムＡＬ［１］を生成する。

異常検知用アルゴリズムＡＬ［２］を生成する場合、出力選択部１０９は、波形抽出部１０５から出力された検知対象波形の波形データをＳＣＡＤＡ５０に出力し、ＳＣＡＤＡ５０は、出力選択部１０９から出力された検知対象波形の波形データを収集してアルゴリズム生成部６０に出力する。アルゴリズム生成部６０は、ＳＣＡＤＡ５０から出力された検知対象波形の波形データのうち正常波形の波形データを学習データとして用いて、異常検知用アルゴリズムＡＬ［２］を生成する。

アルゴリズム格納部７０は、アルゴリズム生成部６０が生成した検知対象波形検出用アルゴリズムＡＬ［１］及び異常検知用アルゴリズムＡＬ［２］を含む、各種のアルゴリズムを格納する。

異常検知装置１０Ａは、上述した実施の形態１に係る図１と同様の構成要素を備える他、アルゴリズム変更部１１０を追加で備えている。アルゴリズム変更部１１０は、波形判定部１０４で用いる検知対象波形検出用アルゴリズムＡＬ［１］を変更する場合、新たな検知対象波形検出用アルゴリズムＡＬ［１］をアルゴリズム格納部７０から読み出し、波形判定部１０４に保持させる。また、アルゴリズム変更部１１０は、波形判定部１０６で用いる異常検知用アルゴリズムＡＬ［２］を変更する場合、新たな異常検知用アルゴリズムＡＬ［２］をアルゴリズム格納部７０から読み出し、波形判定部１０６に保持させる。なお、異常検知装置１０Ｂの構成は、異常検知装置１０Ａの構成と同様である。

＜実施の形態４の効果＞
本実施の形態４においては、アルゴリズム生成部６０が、検知対象波形検出用アルゴリズムＡＬ［１］用の学習データの生成を行うと共に、学習データを用いて、検知対象波形検出用アルゴリズムＡＬ［１］及び異常検知用アルゴリズムＡＬ［２］を生成する。

そのため、製造装置２０Ａ，２０Ｂを管理するエンジニアが学習データやアルゴリズムの生成を行う実施の形態１と比較して、エンジニアの手間と時間の軽減を図ることができる。
その他の効果は、上述した実施の形態１と同様である。

＜実施の形態５＞
＜実施の形態５の構成及び動作＞
図１８は、本実施の形態５に係る異常検知装置の構成の例を示す図である。なお、図１８は、異常検知装置を構成する主要部の構成要素のみを示し、他の構成要素は省略している。
図１８に示されるように、本実施の形態５に係る異常検知装置は、上述した実施の形態１と比較して、波形抽出部１０３、波形判定部１０４、及び波形抽出部１０５を、波形抽出部１１１、波形判定部１１２、及び波形抽出部１１３に置き換えた点が異なる。また、波形抽出部１１３は、入力バッファ１０２から波形データを入力するのではなく、波形抽出部１１１から出力選択部１０８を介して、波形データを入力する点でも、上述した実施の形態１とは異なる。なお、波形抽出部１１１は、第１の波形抽出部の一例であり、波形判定部１１２は、第１の波形判定部の一例であり、波形抽出部１１３は、第２の波形抽出部の一例である。また、以下で説明する図面において、波形抽出部１１１，１１３は、それぞれ波形抽出部＃１，＃２とも表記され、波形判定部１１２は、波形判定部＃１とも表記される。

図１９は、本実施の形態５に係る波形抽出部１１３による検知対象波形の抽出処理の例を示すイメージ図である。
波形判定部１１２は、検知対象波形検出用アルゴリズムＡＬ［１］として、動的時間伸縮法（ＤＴＷ：Dynamic Time Warping）を用いたアルゴリズムを使用する。
波形判定部１１２において、検知対象波形検出用アルゴリズムＡＬ［１］として、ＤＴＷ法を用いる場合、参照波形データを取得する必要がある。

そこで、まず、ＤＴＷ法による参照波形データを取得する処理について説明する。
波形抽出部１１１は、入力バッファ１０２から出力された波形データの振幅レベルが開始トリガーレベルを超えたポイントから、ｒ０ポイント分の波形データを抽出する。ここで、開始ポイントを決めるトリガー条件は前記トリガーレベルを超えたときに限らず、例えば、図１９に含まない外部トリガー信号条件なども考えられる。ｒ０ポイント分の波形データには、検知対象波形が十分に含まれるようにするため、検知対象波形のポイント数をＬとしたとき、ｒ０はＬよりも十分に大きい値とする。異常検知装置を管理するエンジニアは、波形抽出部１１１が抽出したｒ０ポイント分の波形データから、エンジニアの知見などによって、検知対象波形の区間［ｐ０，ｑ０］を特定する。ここで、ｐ０は開始ポイント、ｑ０は終了ポイントを示す。そして、検知対象波形検出用アルゴリズムＡＬ［１］には、波形抽出部１１１から出力された波形データがｒ０ポイント分の波形データであるという情報と、ｒ０ポイント分の波形データに含まれる検知対象波形の区間［ｐ０，ｑ０］を示す情報と、を、参照波形データとして事前に与えておく。

次に、検知対象波形を抽出する処理について説明する。
波形抽出部１１１は、入力バッファ１０２から出力された波形データの振幅レベルが開始トリガーレベルを超えたポイントを開始点として、所定範囲の波形データを抽出し、抽出した波形データを、出力選択部１０８を介して、波形判定部１１２及び波形抽出部１１３に出力する。ここでは、開始点からｒ１ポイント分の波形データを抽出するものとする。ここで、ｒ１＝ｒ０としても良いし、ｒ１＞ｒ０又はｒ１＜ｒ０としても良い。また、波形データによっては、波形抽出部１１１は、開始点から、振幅レベルが終了トリガーレベルを下回った終了点までの波形データを抽出するようにしても良い。

波形判定部１１２は、検知対象波形検出用アルゴリズムＡＬ［１］として、ＤＴＷ法を用いて、波形抽出部１１１から出力された波形データ（以下、対象波形データと称す）と参照波形データの各ポイントにおける２点間の距離（コスト）が最小となるように、参照波形データと対象波形データとの対応を求める。続いて、参照波形データの［ｐ０，ｑ０］の区間に対応する、対象波形データの［ｐ１，ｑ１］の区間を、検知対象波形の区間と判定する。そして、波形判定部１１２は、検知対象波形の区間［ｐ１，ｑ１］を示す検知対象区間情報を、波形抽出部１１３に出力する。

このとき、波形判定部１１２は、検知対象波形と判定した区間［ｐ１，ｑ１］の妥当性を確認しても良い。妥当性の確認方法としては、例えば、検知対象波形の区間の開始ポイントよりも固定ポイント（例えば、２０ポイント）分だけ後の参照波形データと対象波形データとのユークリッド距離を計算する。更に、検知対象波形の区間の終了ポイントよりも固定ポイント（例えば、２０ポイント）分だけ前の参照波形データと対象波形データとのユークリッド距離を計算する。そして、両方のユークリッド距離が所定の距離閾値（例え、ば０．５以下）よりも小さい場合、検知対象波形の区間は妥当であると判断し、いずれかのユークリッド距離が距離閾値以上である場合、検知対象波形の区間は妥当でないと判断しても良い。また、検知対象波形の区間が妥当である場合にのみ、検知対象区間情報を波形抽出部１１３に出力し、検知対象波形の区間が妥当でない場合は、対象波形データを破棄し、検知対象区間情報を波形抽出部１１３に出力しないこととしても良い。

波形抽出部１１３は、検知対象区間情報に基づいて、波形抽出部１１１から出力された波形データから、検知対象波形の区間［ｐ１，ｑ１］にある波形を検知対象波形として抽出し、抽出した検知対象波形の波形データを、出力選択部１０９を介して、波形判定部１０６に出力する。
そのため、波形判定部１０６は、上述した実施の形態１と同様に、異常検知用アルゴリズムＡＬ［２］を用いて、製造装置の異常検知を行うことができる。

＜実施の形態５の効果＞
実施の形態５においては、波形判定部１１２は、検知対象波形検出用アルゴリズムＡＬ［１］として、ＤＴＷ法を用いて、ｒ１ポイント分の波形データに含まれる検知対象波形の区間［ｐ１，ｑ１］を求め、波形抽出部１１３は、ｒ１ポイント分の波形データから、検知対象波形の区間［ｐ１，ｑ１］にある波形を検知対象波形として抽出する。

そのため、波形抽出部１１３は、トリガー条件などを用いなくても、検知対象波形を正確に抽出することができる。
その他の効果は、上述した実施の形態１と同様である。

なお、本実施の形態５においては、波形データの振幅レベルが開始トリガーレベルを超えたポイントから、所定範囲の波形データには、検知対象波形が含まれていることを前提としているが、波形データによっては、検知対象波形が含まれていないことも懸念される。そのため、上述の実施の形態１の波形判定部１０４の後段に、波形抽出部１１１及び波形判定部１１２を設け、波形判定部１０４により検知対象波形が含まれていると判定された波形データについて、波形抽出部１１１及び波形判定部１１２が上述の処理を行って、検知対象波形の区間［ｐ１，ｑ１］を求めても良い。

＜実施の形態６＞
本実施の形態６は、上述した実施の形態３と同様に、互いに相違する複数の検知対象波形があることを想定する。以下では、検知対象波形が２つであることを想定する。

＜実施の形態６の構成及び動作＞
図２０は、本実施の形態６に係る異常検知装置の構成の例を示す図である。なお、図２０は、異常検知装置を構成する主要部の構成要素のみを示し、他の構成要素は省略している。
図２０に示されるように、本実施の形態６に係る異常検知装置は、上述した実施の形態１と比較して、波形抽出部１０３、出力選択部１０８、及び波形判定部１０４の組を、２つの検知対象波形にそれぞれ対応して、２組設けた構成である。すなわち、波形抽出部１０３、出力選択部１０８、及び波形判定部１０４の代わりに、１組目の波形抽出部１０３Ｘ、出力選択部１０８Ｘ、及び波形判定部１０４Ｘと、２組目の波形抽出部１０３Ｙ、出力選択部１０８Ｙ、及び波形判定部１０４Ｙと、を設けている。なお、波形抽出部１０３Ｘ，１０３Ｙは、第１の波形抽出部の一例であり、波形判定部１０４Ｘ，１０４Ｙは、第１の波形判定部の一例である。また、以下で説明する図面において、波形抽出部１０３Ｘ，１０３Ｙは、それぞれ波形抽出部＃１Ｘ，＃１Ｙとも表記され、波形判定部１０４Ｘ，１０４Ｙ、それぞれ波形判定部＃１Ｘ，＃１Ｙとも表記され、出力選択部１０８Ｘ，１０８Ｙは、それぞれ出力選択部＃１Ｘ，＃１Ｙとも表記される。

図２１は、本実施の形態６に係る波形判定部１０４Ｘ，１０４Ｙによる検知対象波形が含まれるか否かの判定処理の例を示すイメージ図である。
１組目の波形抽出部１０３Ｘ、出力選択部１０８Ｘ、及び波形判定部１０４Ｘは、入力バッファ１０２から出力された波形データに、２つの検知対象波形のうちの一方（以下、検知対象波形Ｘと称す）が含まれているか否かを判定するために設けられている。

２組目の波形抽出部１０３Ｙ、出力選択部１０８Ｙ、及び波形判定部１０４Ｙは、入力バッファ１０２から出力された波形データに、２つの検知対象波形のうちの他方（以下、検知対象波形Ｙと称す）が含まれているか否かを判定するために設けられている。

図２１の例では、入力バッファ１０２から出力された波形データに２つの検知対象波形Ｘ，Ｙが含まれている。そのため、波形判定部１０４Ｘが、波形データに検知対象波形Ｘが含まれていると判定し、波形判定部１０４Ｙが、波形データに検知対象波形Ｙが含まれていると判定する。

また、このとき、２つの検知対象波形Ｘ，Ｙが含まれていることを、波形判定部１０４Ｘ，１０４Ｙにより、それぞれ略同時に判定することができる。
そのため、波形抽出部１０５は、波形データから、２つの検知対象波形Ｘ，Ｙを略同時に抽出することができる。ただし、これには限定されず、波形抽出部１０５は、２つの検知対象波形Ｘ，Ｙを別々に抽出しても良い。

なお、本実施の形態６においては、検知対象波形が２つである。そのため、波形判定部１０６は、上述した実施の形態３と同様に、２つの検知対象波形の各々に対応する２つの異常検知用アルゴリズムＡＬ［２］を保持しており、検知対象波形検出結果に応じて、２つの異常検知用アルゴリズムＡＬ［２］を切り替えて使用する。

また、本実施の形態６においては、検知対象波形が２つの例について説明したが、検知対象波形は３つ以上でも良い。その場合も、波形抽出部１０３、出力選択部１０８、及び波形判定部１０４の組を、検知対象波形の数分設ければ良い。

＜実施の形態６の効果＞
実施の形態６においては、波形抽出部１０３、出力選択部１０８、及び波形判定部１０４の組を、複数の検知対象波形の各々に対応して複数設け、各組の波形判定部１０４が、対応する検知対象波形が波形データに含まれているか否かを判定する。

そのため、複数の検知対象波形がある場合でも、複数の検知対象波形をそれぞれ抽出して、検知対象装置の異常検知を行うことができる。また、波形データに複数の検知対象波形が含まれていることを、略同時に判定し、略同時に抽出することができる。
その他の効果は、上述した実施の形態１と同様である。

＜実施の形態１～３，５，６の概念＞
図２２は、上述した実施の形態１～３，５，６を概念的に示した異常検知装置の構成の例を示す図である。
図２２に示される異常検知装置は、第１の波形抽出部９１１と、第１の波形判定部９１２と、第２の波形抽出部９１３と、第２の波形判定部９１４と、備えている。

第１の波形抽出部９１１は、検知対象装置から出力された時系列の波形データを入力し、検知対象波形よりも大きなポイント数分の入力波形データを出力する。このとき、第１の波形抽出部９１１は、入力波形データをそのまま出力しても良いし、ポイント数を間引いた上で出力しても良い。第１の波形抽出部９１１は、波形抽出部１０３，１０３Ｘ，１０３Ｙ，１１１に相当する。

第１の波形判定部９１２は、第１のアルゴリズムＡＬ［１］を用いて、第１の波形抽出部９１１から出力された入力波形データに検知対象波形が含まれるか否かを判定する。第１の波形判定部９１２は、波形判定部１０４，１０４Ｘ，１０４Ｙ，１１２に相当する。第１のアルゴリズムＡＬ［１］は、検知対象波形検出用アルゴリズムＡＬ［１］に相当する。

第２の波形抽出部９１３は、入力波形データを入力し、第１の波形判定部９１２により当該入力波形データに検知対象波形が含まれると判定された場合に、入力波形データから検知対象波形を抽出して出力する。第２の波形抽出部９１３は、波形抽出部１０５，１１３に相当する。

第２の波形判定部９１４は、第２のアルゴリズムＡＬ［２］を用いて、第２の波形抽出部９１３から出力された検知対象波形が異常波形であるか否かに基づいて、検知対象装置が異常であるか否かを判定する。第２の波形判定部９１４は、波形判定部１０６に相当する。第２のアルゴリズムＡＬ［２］は、異常検知用アルゴリズムＡＬ［２］に相当する。

＜実施の形態４の概念＞
図２３は、上述した実施の形態４を概念的に示した異常検知システムの構成の例を示す図である。
図２３に示される異常検知システムは、異常検知装置９１と、データ収集部９２と、アルゴリズム生成部９３と、を備えている。

異常検知装置９１は、図２２に示される異常検知装置に相当する。
データ収集部９２は、第１の波形抽出部９１１から出力された入力波形データ及び第２の波形抽出部９１３から出力された検知対象波形の波形データを収集してアルゴリズム生成部９３に出力する。データ収集部９２は、ＳＣＡＤＡ５０に相当する。

アルゴリズム生成部９３は、データ収集部９２から出力された入力波形データのうち検知対象波形が含まれる入力波形データを用いて第１の学習データを生成すると共に、第１の学習データを用いて第１のアルゴリズムＡＬ［１］を生成する。また、アルゴリズム生成部９３は、データ収集部９２から出力された検知対象波形の波形データのうち検知対象波形の正常波形の波形データを第２の学習データとして用いて第２のアルゴリズムＡＬ［２］を生成する。アルゴリズム生成部９３は、アルゴリズム生成部６０に相当する。第１の学習データは、検知対象波形検出用アルゴリズムＡＬ［１］用の学習データに相当する。第２の学習データは、異常検知用アルゴリズムＡＬ［２］用の学習データに相当する。

＜実施の形態１～３，５，６の他の概念＞
図２４は、上述した実施の形態１～３，５，６を概念的に示した異常検知装置の他の構成の例を示す図である。
図２４に示される異常検知装置は、入力部９１５と、第１の判定部９１６と、データ特定部９１７と、第２の判定部９１８と、備えている。

入力部９１５は、時系列データが入力され、入力された時系列データから所定期間の時系列データを抽出し、抽出した時系列データを入力時系列データとして出力する。入力部９１５は、入力バッファ１０２に相当する。

第１の判定部９１６は、入力時系列データに検知対象とすべき時系列データが含まれているか否かを判定する。この判定は、ニューラルネットワーク手法を用いた第１のアルゴリズムに基づいて行っても良い。第１の判定部９１６は、波形判定部１０４，１０４Ｘ，１０４Ｙ，１１２に相当する。第１のアルゴリズムは、検知対象波形検出用アルゴリズムＡＬ［１］に相当する。

データ特定部９１７は、入力時系列データが入力され、第１の判定部９１６による判定結果が入力時系列データに検知対象とすべきデータが含まれていることを示す場合に、入力時系列データから検知対象とすべきデータに対応する時系列データを特定し、特定した時系列データを検知対象時系列データとして出力する。検知対象時系列データは、所定期間よりも短い期間のデータとするのが良い。データ特定部９１７は、波形抽出部１０５，１１３に相当する。

第２の判定部９１８は、検知対象時系列データが異常を示すデータであるか否かを判定する。この判定は、ニューラルネットワーク手法を用いた第２のアルゴリズムに基づいて行っても良い。第２の判定部９１８は、波形判定部１０６に相当する。第２のアルゴリズムは、異常検知用アルゴリズムＡＬ［２］に相当する。

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、本発明は既に述べた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において種々の変更が可能であることはいうまでもない。

例えば、上述の実施の形態においては、波形抽出部の後段に出力選択部を設けると共に、出力選択部を制御する制御部を設けているが、これには限定されない。例えば、波形抽出部が自律的に出力先を切り替える機能を備えていても良く、その場合、出力選択部及び制御部は不要となる。

また、上述の実施の形態においては、異常を検知する検知対象装置が、半導体装置の製造装置などの生産装置であることを想定しているが、これには限定されない。検知対象装置は、生産装置以外の他の装置であっても良い。

１０１ 信号入力部
１０２ 入力バッファ
１０３，１０３Ｘ，１０３Ｙ，１０５，１１１，１１３ 波形抽出部
１０４，１０４Ｘ，１０４Ｙ，１０６，１１２ 波形判定部
１０７ 制御部
１０８，１０８Ｘ，１０８Ｙ，１０９ 出力選択部
１１０ アルゴリズム変更部
１０Ａ，１０Ｂ 異常検知装置
２０Ａ，２０Ｂ 製造装置
３０Ａ，３０Ｂ 異常表示器
４０ ＭＥＳ
５０ ＳＣＡＤＡ
６０ アルゴリズム生成部
７０ アルゴリズム格納部
９１ 異常検知装置
９１１ 第１の波形抽出部
９１２ 第１の波形判定部
９１３ 第２の波形抽出部
９１４ 第２の波形判定部
９１５ 入力部
９１６ 第１の判定部
９１７ データ特定部
９１８ 第２の判定部
９２ データ収集部
９３ アルゴリズム生成部

Claims (10)

1. 検知対象装置から出力された時系列の波形データであって、検知対象波形よりも大きなポイント数の波形データである入力波形データを入力し、前記入力波形データを出力する第１の波形抽出部と、
   前記第１の波形抽出部から出力された前記入力波形データに前記検知対象波形が含まれるか否かを判定する第１の波形判定部と、
   前記入力波形データを入力し、前記第１の波形判定部により前記入力波形データに前記検知対象波形が含まれると判定された場合に、前記入力波形データから前記検知対象波形を抽出して出力する第２の波形抽出部と、
   前記第２の波形抽出部から出力された前記検知対象波形が異常波形であるか否かに基づいて、前記検知対象装置が異常であるか否かを判定する第２の波形判定部と、
   を備え、
   前記第１の波形判定部は、
   第１の学習データを用いて生成された第１のアルゴリズムを用いて、前記入力波形データに前記検知対象波形が含まれるか否かを判定し、
   前記第１の学習データは、
   前記第１の波形抽出部から出力された前記入力波形データのうち前記検知対象波形が含まれる前記入力波形データを用いて生成された波形データであり、
   前記第２の波形判定部は、
   第２の学習データを用いて生成された第２のアルゴリズムを用いて、前記検知対象装置が異常であるか否かを判定し、
   前記第２の学習データは、
   前記第２の波形抽出部から出力された前記検知対象波形の波形データのうち前記検知対象波形の正常波形の波形データである、
   異常検知装置。
2. 前記第１のアルゴリズムは、第１の自己符号化器を用いたアルゴリズムであり、
   前記第１の波形判定部は、
   前記入力波形データを前記第１の自己符号化器に入力し、
   前記第１の自己符号化器の入力と出力との乖離度を計算し、
   前記乖離度が第１の乖離度閾値以下である場合に、前記入力波形データに前記検知対象波形が含まれると判定する、
   請求項１に記載の異常検知装置。
3. 前記第１のアルゴリズムは、第１の自己符号化器を用いたアルゴリズムであり、
   前記第１の波形判定部は、
   前記入力波形データを前記第１の自己符号化器に入力し、
   前記第１の自己符号化器の入力と出力との正規化誤差を計算し、
   前記正規化誤差が所定個数連続して誤差閾値以下になった範囲がある場合に、前記入力波形データに前記検知対象波形が含まれると判定する、
   請求項１に記載の異常検知装置。
4. 前記第１の波形判定部は、
   前記入力波形データにおける前記範囲に、前記検知対象波形が含まれると判定し、
   前記第２の波形抽出部に対し、前記入力波形データにおける前記範囲以外の範囲を、前記検知対象波形を抽出する範囲から除くように指示する、
   請求項３に記載の異常検知装置。
5. 前記検知対象波形は、互いに異なる複数の検知対象波形を含み、
   前記第１のアルゴリズムは、分類型のニューラルネットワークを用いたアルゴリズムであり、
   前記第１の波形判定部は、
   複数の前記検知対象波形毎に、前記入力波形データに前記検知対象波形が含まれる確率を計算し、
   複数の前記検知対象波形の中に前記確率が確率閾値を超える前記検知対象波形がある場合、前記確率が前記確率閾値を超える前記検知対象波形が前記入力波形データに含まれると判定し、
   前記第２の波形判定部は、
   複数の前記検知対象波形の各々に対応する、複数の前記第２のアルゴリズムを保持しており、
   前記第１の波形判定部により前記入力波形データに含まれると判定された前記検知対象波形に対応する前記第２のアルゴリズムに切り替え、
   切り替えた前記第２のアルゴリズムを用いて、前記検知対象装置が異常であるか否かを判定する、
   請求項１に記載の異常検知装置。
6. 前記第２のアルゴリズムは、第２の自己符号化器で構成され、
   前記第２の波形判定部は、
   前記検知対象波形の波形データを前記第２の自己符号化器に入力し、
   前記第２の自己符号化器の入力と出力との乖離度を計算し、
   前記乖離度が第２の乖離度閾値を超える場合に、前記検知対象装置が異常であると判定する、
   請求項１に記載の異常検知装置。
7. 請求項１に記載の異常検知装置と、
   前記第１の波形抽出部から出力された前記入力波形データ及び前記第２の波形抽出部から出力された前記検知対象波形の波形データを収集して出力するデータ収集部と、
   前記データ収集部から出力された前記入力波形データのうち前記検知対象波形が含まれる前記入力波形データを用いて前記第１の学習データを生成すると共に、前記第１の学習データを用いて前記第１のアルゴリズムを生成し、また、前記データ収集部から出力された前記検知対象波形の波形データのうち前記検知対象波形の正常波形の波形データを前記第２の学習データとして用いて前記第２のアルゴリズムを生成するアルゴリズム生成部と、
   を備える異常検知システム。
8. 前記アルゴリズム生成部は、
   前記検知対象波形が含まれる前記入力波形データから前記検知対象波形を切り出し、切り出した前記検知対象波形よりもポイント数が大きい範囲内に、前記検知対象波形を時間軸方向にシフトした波形データを、前記第１の学習データとして生成する、
   請求項７に記載の異常検知システム。
9. 前記アルゴリズム生成部は、
   前記検知対象波形を時間軸方向にシフトした波形データ内の前記検知対象波形を振幅方向又は時間軸方向に伸長又は縮小した波形データも、前記第１の学習データとして生成する、
   請求項８に記載の異常検知システム。
10. 異常検知装置による異常検知方法であって、
    検知対象装置から出力された時系列の波形データであって、検知対象波形よりも大きなポイント数の波形データである入力波形データを入力する第１の波形抽出ステップと、
    前記入力波形データに前記検知対象波形が含まれるか否かを判定する第１の波形判定ステップと、
    前記入力波形データに前記検知対象波形が含まれると判定された場合に、前記入力波形データから前記検知対象波形を抽出する第２の波形抽出ステップと、
    前記抽出された前記検知対象波形が異常波形であるか否かに基づいて、前記検知対象装置が異常であるか否かを判定する第２の波形判定ステップと、
    を備え、
    前記第１の波形判定ステップでは、
    第１の学習データを用いて生成された第１のアルゴリズムを用いて、前記入力波形データに前記検知対象波形が含まれるか否かを判定し、
    前記第１の学習データは、
    前記入力波形データのうち前記検知対象波形が含まれる前記入力波形データを用いて生成された波形データであり、
    前記第２の波形判定ステップでは、
    第２の学習データを用いて生成された第２のアルゴリズムを用いて、前記検知対象装置が異常であるか否かを判定し、
    前記第２の学習データは、
    前記抽出された前記検知対象波形の波形データのうち前記検知対象波形の正常波形の波形データである、
    異常検知方法。

Images