JP7319162B2 - 搬送異常予測システム - Google Patents
搬送異常予測システム Download PDFInfo
- Publication number
- JP7319162B2 JP7319162B2 JP2019181870A JP2019181870A JP7319162B2 JP 7319162 B2 JP7319162 B2 JP 7319162B2 JP 2019181870 A JP2019181870 A JP 2019181870A JP 2019181870 A JP2019181870 A JP 2019181870A JP 7319162 B2 JP7319162 B2 JP 7319162B2
- Authority
- JP
- Japan
- Prior art keywords
- transport
- abnormality
- substrate
- data set
- transfer
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
- B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
- H01L21/67703—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations between different workstations
- H01L21/67706—Mechanical details, e.g. roller, belt
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0266—Control or detection relating to the load carrier(s)
- B65G2203/0275—Damage on the load carrier
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/02—Control or detection
- B65G2203/0266—Control or detection relating to the load carrier(s)
- B65G2203/0291—Speed of the load carrier
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/042—Sensors
- B65G2203/044—Optical
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
- B65G2203/04—Detection means
- B65G2203/042—Sensors
- B65G2203/045—Thermic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Conveyors (AREA)
Description
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを有し、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する推定部
を備える。
前記複数のセンサは、振動センサ、音センサ、画像センサ、映像センサ、温度センサ、機器移動速度センサ、機器動作トルクセンサ、機器平行度センサのうちの1種類または2種類以上からなる。
前記推定部により出力される前記搬送異常度を、あらかじめ定められた閾値と比較し、前記搬送異常度が前記閾値を超えている場合には、メンテナンス通知および/またはアラームを出力するための出力信号を出力装置に送信する出力信号送信部
をさらに備える。
前記推定部は、新たな基板搬送時における搬送開始から現時点までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する。
前記推定部は、新たな基板搬送時における搬送開始から搬送終了までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する。
前記推定部は、複数枚の新たな基板搬送時における最初の基板の搬送開始から最後の基板の搬送終了までのセンサデータを含むデータセットを入力として、当該複数枚の新たな基板搬送時における搬送異常度を推定して出力する。
前記新たな基板搬送時に出力されたセンサデータを含むデータセットを教師データとして前記学習済みモデルを再学習させる再学習部
をさらに備える。
前記データセットは、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも1つの時間情報をさらに含む。
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数が紐づけられた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される前記残り時間または残り搬送回数に基づいて、前記搬送異常度を推定して出力する。
前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてk近傍法にて機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより計算されるk近傍までの距離に基づいて、前記搬送異常度を推定して出力する。
前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてLSTM(Long Short-Term Memory)にて機械学習したものであり、前記推定部は、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する。
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する。
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされるとともに、搬送異常発生時の場合には搬送異常の発生原因がラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより搬送異常の発生原因ごとに予測される搬送異常発生時である確率に基づいて、搬送異常の発生原因ごとの前記搬送異常度を推定して出力する。
前記推定部は、複数の学習済みモデルを有し、前記複数の学習済みモデルによる予測の組み合わせに基づいて前記搬送異常度を推定して出力する。
基板搬送部と、
第1~14のいずれかの態様に係る搬送異常予測システムと、
を備える。
コンピュータが実行する搬送異常予測方法であって、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップ
を含む。
コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップ
を実行させる。
コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップ
を実行させるための搬送異常予測プログラムを非一時的(non-transitory)に記録している。
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットを入力層に入力し、それにより出力層から出力される出力結果と、当該基板搬送時における搬送異常度とを比較し、その誤差に応じて各ノードのパラメータを更新する処理を、過去の複数回の基板搬送時のセンサデータを含むデータセットについて繰り返すことにより、過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習したものであり、
前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットが入力層に入力されると、当該新たな基板搬送時における搬送異常度を推定して出力層から出力するよう、コンピュータを機能させる。
2 基板搬送部
3a、3b ノズル
4 出力装置
51~5N センサ
6 トップリング
10 搬送異常予測システム
11 入力部
12 制御部
121 推定部
122 出力信号送信部
123 再学習部
13 記憶部
131 データセット
132 閾値
14 出力部
Claims (20)
- 基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを有し、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する推定部を備え、
前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてLSTM(Long Short-Term Memory)にて機械学習したものであり、前記推定部は、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、
ことを特徴とする搬送異常予測システム。 - 基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを有し、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する推定部を備え、
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、
ことを特徴とする搬送異常予測システム。 - 前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされるとともに、搬送異常発生時の場合には搬送異常の発生原因がラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより搬送異常の発生原因ごとに予測される搬送異常発生時である確率に基づいて、搬送異常の発生原因ごとの前記搬送異常度を推定して出力する、
ことを特徴とする請求項2に記載の搬送異常予測システム。 - 前記複数のセンサは、振動センサ、音センサ、画像センサ、映像センサ、温度センサ、機器移動速度センサ、機器動作トルクセンサ、機器平行度センサのうちの1種類または2種類以上からなる
ことを特徴とする請求項1~3のいずれかに記載の搬送異常予測システム。 - 前記推定部により出力される前記搬送異常度を、あらかじめ定められた閾値と比較し、前記搬送異常度が前記閾値を超えている場合には、メンテナンス通知および/またはアラームを出力するための出力信号を出力装置に送信する出力信号送信部
をさらに備えたことを特徴とする請求項1~4のいずれかに記載の搬送異常予測システム。 - 前記推定部は、新たな基板搬送時における搬送開始から現時点までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する
ことを特徴とする請求項1~5のいずれかに記載の搬送異常予測システム。 - 前記推定部は、新たな基板搬送時における搬送開始から搬送終了までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する
ことを特徴とする請求項1~5のいずれかに記載の搬送異常予測システム。 - 前記推定部は、複数枚の新たな基板搬送時における最初の基板の搬送開始から最後の基板の搬送終了までのセンサデータを含むデータセットを入力として、当該複数枚の新たな基板搬送時における搬送異常度を推定して出力する
ことを特徴とする請求項1~5のいずれかに記載の搬送異常予測システム。 - 前記新たな基板搬送時に出力されたセンサデータを含むデータセットを教師データとして前記学習済みモデルを再学習させる再学習部
をさらに備えたことを特徴とする請求項1~8のいずれかに記載の搬送異常予測システム。 - 前記データセットは、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも1つの時間情報をさらに含む、
ことを特徴とする請求項1~9のいずれかに記載の搬送異常予測システム。 - 前記推定部は、複数の学習済みモデルを有し、前記複数の学習済みモデルによる予測の組み合わせに基づいて前記搬送異常度を推定して出力する、
ことを特徴とする請求項1~10に記載の搬送異常予測システム。 - 基板搬送部と、
請求項1~11のいずれかに記載の搬送異常予測システムと、
を備えたことを特徴とする基板処理装置。 - コンピュータが実行する搬送異常予測方法であって、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてLSTM(Long Short-Term Memory)にて機械学習したものであり、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、ステップ
を含むことを特徴とする搬送異常予測方法。 - コンピュータが実行する搬送異常予測方法であって、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、ステップ
を含むことを特徴とする搬送異常予測方法。 - コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力された
センサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてLSTM(Long Short-Term Memory)にて機械学習したものであり、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、ステップ
を実行させるための搬送異常予測プログラム。 - コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力された
センサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、ステップ
を実行させるための搬送異常予測プログラム。 - コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてLSTM(Long Short-Term Memory)にて機械学習したものであり、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、ステップ
を実行させるための搬送異常予測プログラムを記録したコンピュータ読取可能な記録媒体。 - コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、ステップ
を実行させるための搬送異常予測プログラムを記録したコンピュータ読取可能な記録媒体。 - 基板搬送部に設けられた複数のセンサの各々から新たな基板搬送時までに出力された実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて当該新たな基板搬送時における搬送異常度を推定して出力する推定部にて用いられる学習済みモデルであって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてLSTM(Long Short-Term Memory)にて機械学習したものであり、
新たな基板搬送時の直前までの実際のセンサデータを含むデータセットが入力層に入力されると、当該新たな基板搬送時のセンサデータを予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル。 - 基板搬送部に設けられた複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、学習済みモデルにより予測される搬送異常発生時である確率に基づいて当該新たな基板搬送時における搬送異常度を推定して出力する推定部にて用いられる学習済みモデルであって、
入力層と、入力層に接続された1または2以上の中間層と、中間層に接続された出力層とを有し、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、
新たな基板搬送時のセンサデータを含むデータセットが入力層に入力されると、当該新たな基板搬送時が搬送異常発生時である確率を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019181870A JP7319162B2 (ja) | 2019-10-02 | 2019-10-02 | 搬送異常予測システム |
CN202080069453.3A CN114503247A (zh) | 2019-10-02 | 2020-09-18 | 搬送异常预测*** |
KR1020227014040A KR20220074905A (ko) | 2019-10-02 | 2020-09-18 | 반송 이상 예측 시스템 |
PCT/JP2020/035501 WO2021065576A1 (ja) | 2019-10-02 | 2020-09-18 | 搬送異常予測システム |
US17/765,374 US20220363487A1 (en) | 2019-10-02 | 2020-09-18 | Conveyance abnormality prediction system |
TW109133007A TW202128533A (zh) | 2019-10-02 | 2020-09-24 | 搬送異常預測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019181870A JP7319162B2 (ja) | 2019-10-02 | 2019-10-02 | 搬送異常予測システム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021054632A JP2021054632A (ja) | 2021-04-08 |
JP2021054632A5 JP2021054632A5 (ja) | 2022-08-08 |
JP7319162B2 true JP7319162B2 (ja) | 2023-08-01 |
Family
ID=75272192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019181870A Active JP7319162B2 (ja) | 2019-10-02 | 2019-10-02 | 搬送異常予測システム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220363487A1 (ja) |
JP (1) | JP7319162B2 (ja) |
KR (1) | KR20220074905A (ja) |
CN (1) | CN114503247A (ja) |
TW (1) | TW202128533A (ja) |
WO (1) | WO2021065576A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7246256B2 (ja) * | 2019-05-29 | 2023-03-27 | 東京エレクトロン株式会社 | 搬送方法及び搬送システム |
JP7166395B1 (ja) | 2021-06-23 | 2022-11-07 | セイコーソリューションズ株式会社 | 監視システム、監視方法、及び監視プログラム |
WO2023282167A1 (ja) * | 2021-07-08 | 2023-01-12 | 株式会社Preferred Networks | データ処理装置およびプログラム |
JP2023023394A (ja) * | 2021-08-05 | 2023-02-16 | 株式会社荏原製作所 | 基板支持装置、洗浄装置、基板の回転速度を算出する装置ならびに方法、および機械学習装置 |
JP7288486B2 (ja) * | 2021-09-17 | 2023-06-07 | 株式会社Kokusai Electric | 基板処理方法、基板処理装置、半導体装置の製造方法、及びプログラム |
CN114655655A (zh) * | 2022-03-09 | 2022-06-24 | 南京北路软件技术有限公司 | 一种基于UNet网络的传送带跑偏检测方法 |
TWI804405B (zh) * | 2022-08-04 | 2023-06-01 | 友達光電股份有限公司 | 振動偵測方法及振動偵測裝置 |
CN117302897B (zh) * | 2023-11-23 | 2024-01-26 | 常州市传动输送机械有限公司 | 一种带式输送机智能监测防控方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045852A (ja) | 2014-08-26 | 2016-04-04 | 株式会社日立パワーソリューションズ | 異常診断装置及び異常診断方法 |
JP2017157652A (ja) | 2016-03-01 | 2017-09-07 | パナソニックIpマネジメント株式会社 | 部品実装用装置及び基板搬送方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10154900A (ja) * | 1996-11-25 | 1998-06-09 | Hitachi Ltd | 電子部品実装用プリント基板の故障解析方法およびシステム |
TW469483B (en) * | 1999-04-19 | 2001-12-21 | Applied Materials Inc | Method and apparatus for aligning a cassette |
US7490010B2 (en) * | 2006-08-08 | 2009-02-10 | Tokyo Electron Limited | Data collection method, substrate processing apparatus, and substrate processing system |
US7486878B2 (en) * | 2006-09-29 | 2009-02-03 | Lam Research Corporation | Offset correction methods and arrangement for positioning and inspecting substrates |
US8225683B2 (en) * | 2007-09-28 | 2012-07-24 | Lam Research Corporation | Wafer bow metrology arrangements and methods thereof |
US8135485B2 (en) * | 2007-09-28 | 2012-03-13 | Lam Research Corporation | Offset correction techniques for positioning substrates within a processing chamber |
US8060330B2 (en) * | 2008-12-12 | 2011-11-15 | Lam Research Corporation | Method and system for centering wafer on chuck |
US9442482B2 (en) * | 2013-04-29 | 2016-09-13 | GlobalFoundries, Inc. | System and method for monitoring wafer handling and a wafer handling machine |
US10714364B2 (en) * | 2017-08-31 | 2020-07-14 | Taiwan Semiconductor Manufacturing Co., Ltd. | Apparatus and method for inspecting wafer carriers |
US10802475B2 (en) * | 2018-07-16 | 2020-10-13 | Elite Robotics | Positioner for a robotic workcell |
US11328947B1 (en) * | 2021-01-26 | 2022-05-10 | Kawasaki Jukogyo Kabushiki Kaisha | Aligner apparatus and alignment method |
-
2019
- 2019-10-02 JP JP2019181870A patent/JP7319162B2/ja active Active
-
2020
- 2020-09-18 US US17/765,374 patent/US20220363487A1/en active Pending
- 2020-09-18 KR KR1020227014040A patent/KR20220074905A/ko unknown
- 2020-09-18 CN CN202080069453.3A patent/CN114503247A/zh active Pending
- 2020-09-18 WO PCT/JP2020/035501 patent/WO2021065576A1/ja active Application Filing
- 2020-09-24 TW TW109133007A patent/TW202128533A/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045852A (ja) | 2014-08-26 | 2016-04-04 | 株式会社日立パワーソリューションズ | 異常診断装置及び異常診断方法 |
JP2017157652A (ja) | 2016-03-01 | 2017-09-07 | パナソニックIpマネジメント株式会社 | 部品実装用装置及び基板搬送方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20220074905A (ko) | 2022-06-03 |
US20220363487A1 (en) | 2022-11-17 |
JP2021054632A (ja) | 2021-04-08 |
WO2021065576A1 (ja) | 2021-04-08 |
TW202128533A (zh) | 2021-08-01 |
CN114503247A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7319162B2 (ja) | 搬送異常予測システム | |
JP2021054632A5 (ja) | ||
US10317853B2 (en) | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
JP6392908B2 (ja) | 視覚センサの異常原因推定システム | |
US11133204B2 (en) | Chamber matching with neural networks in semiconductor equipment tools | |
EP2911025A2 (en) | Initiated test health management system and method | |
JP7091174B2 (ja) | システム、システムの制御方法及びプログラム | |
US9493231B2 (en) | Flight control system command selection and data transport | |
JP7036697B2 (ja) | 監視システム及び監視方法 | |
JP2019031272A (ja) | 冗長システムにおける多重故障のための故障検出 | |
EP2144195A1 (en) | Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources | |
Shui et al. | Twofold variation propagation modeling and analysis for roll-to-roll manufacturing systems | |
JP6847898B2 (ja) | 予防保全装置及び予防保全システム | |
WO2017199652A1 (ja) | 診断システム及び電子制御装置 | |
JP5168132B2 (ja) | 品質管理システム | |
JP7366562B2 (ja) | 異常判定装置及び異常判定方法 | |
Shui | Real-Time Monitoring and Fault Diagnostics in Roll-To-Roll Manufacturing Systems | |
TWI772976B (zh) | 用於判定網路攻擊及產生警告之製造系統及電腦實施方法 | |
CN117697765A (zh) | 基于传感反馈提高晶圆机械臂传送准确性的方法及*** | |
US20240116177A1 (en) | Control device and automatic work method | |
US20240176337A1 (en) | Industrial quality monitoring system with pre-trained feature extraction | |
US20240012373A1 (en) | Information processing apparatus, storage medium, and control method | |
Ding et al. | KrakenBox: Deep Learning-Based Error Detector for Industrial Cyber-Physical Systems | |
TW202316332A (zh) | 微製造中的自動故障偵測 | |
Um | Massive sensor array fault tolerance: tolerance mechanism and fault injection for validation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220729 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220729 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230627 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230720 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7319162 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |