TWI737816B - 異常檢測程式、異常檢測方法及異常檢測裝置 - Google Patents
異常檢測程式、異常檢測方法及異常檢測裝置 Download PDFInfo
- Publication number
- TWI737816B TWI737816B TW106132393A TW106132393A TWI737816B TW I737816 B TWI737816 B TW I737816B TW 106132393 A TW106132393 A TW 106132393A TW 106132393 A TW106132393 A TW 106132393A TW I737816 B TWI737816 B TW I737816B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- predicted value
- abnormality
- unit
- predicted
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本發明之異常檢測裝置係於監視對象裝置中反覆執行之處理中之特定時序獲取成為監視對象裝置之運轉狀態之指標的觀測值。異常檢測裝置藉由對將該觀測值彙總所得之摘要值應用統計建模而推測自摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值。異常檢測裝置基於預測值而檢測監視對象裝置有無異常。
Description
本發明係關於一種異常檢測程式、異常檢測方法及異常檢測裝置。
於製造半導體之製程中,預先設定製程配方即處理之流程及內容。然後,半導體製造裝置於按照製程配方進行控制而執行處理之情形時製造理想品質之半導體。將半導體製造裝置處於理想之控制狀態稱為處於穩定工作狀態。 先前,為了監視半導體製造裝置是否處於穩定工作狀態並檢測半導體製造裝置之異常,而利用休哈特管制圖等管制圖。於使用管制圖之異常檢測中,自預先設置於半導體製造裝置之感測器獲取各製程配方執行中之資料,並根據所獲取之資料計算平均值或偏差等之摘要值。然後,對所計算出之摘要值按時間序列進行繪圖,設定上限閾值與下限閾值(或任一者),若摘要值偏離該閾值,則判定為異常。作為閾值,使用固定值或3σ等。 作為此種異常檢測之方法,例如已知有如下方法,即,根據與半導體製造裝置之運轉驅動相關之資訊或與處理室之內部狀態相關之資訊等裝置日誌資訊而檢測半導體製造裝置之異常之預兆(專利文獻1)。又,亦提出構成為於機械設備之維護中亦繼續進行診斷之異常預兆診斷裝置(專利文獻2)。異常預兆診斷裝置根據機械設備具有之複數個裝置中於維護期間中亦繼續工作之裝置相關之時間序列資料而學習正常模型,於維護期間中亦繼續進行診斷。又,亦提出進行處理系統之異常診斷之異常診斷裝置、或推測該處理系統方面之操作員之判斷之裝置等(專利文獻3)。 [先前技術文獻] [專利文獻] [專利文獻1]日本專利特開2010-283000號公報 [專利文獻2]日本專利特開2015-108886號公報 [專利文獻3]日本專利特開2012-9064號公報 [非專利文獻] [非專利文獻1]今澤慶等「半導體製造裝置之異常預兆檢測方式」、精密工學會學術講演會講演論文集、2010S(0), 223-224, 2010、公益社團法人精密工學會
[發明所欲解決之問題] 然而,於先前技術中,難以達成半導體製造裝置之高精度且有效率之異常檢測。 為了確認半導體製造裝置之控制狀態而設置之感測器之數量亦較多,種類亦多樣。而且,複數個感測器動態地進行控制而彼此相互作用干涉。又,複數個感測器亦受到經時變化之影響。因此,於半導體製造之各製程中,感測器輸出不會每次均完全再現。 例如,於基於先前之管制圖之異常檢測之情形時,短時間完成之製程等樣本數極少之製程、或雜訊或觀測誤差對感測器之輸出值有較大影響之製程、動態變化較大之製程等係摘要值之再現性較低。因此,對於半導體製造裝置,若利用使用先前之管制圖之方法則難以進行準確之異常檢測。 又,用以檢測異常之閾值之設定係由操作半導體製造裝置之操作員根據過去之資料而進行。因此,異常檢測之準確性依存於操作員之經驗值。 進而,於進行半導體製造裝置之維護等之情形時,有於其前後來自感測器之輸出值較大地變動之情形。又,伴隨時間之經過,半導體製造裝置之狀態產生變化。又,針對每一半導體製造裝置存在機械差異或感測器之個體差異。因此,為了實現高精度之異常檢測,而必須根據半導體製造裝置之每個時間之狀態頻繁地調整閾值,因而費事。 又,於欲對複數個半導體製造裝置例如利用雲端計算等而提供大規模之異常檢測服務之情形時,如先前般以人工作業為了各個裝置而調整閾值等需要很大勞力,並不現實。 [解決問題之技術手段] 於揭示之實施形態中,異常檢測裝置、異常檢測方法及異常檢測程式係對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模。然後,異常檢測裝置、異常檢測方法及異常檢測程式推測自摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值。進而,異常檢測裝置、異常檢測方法及異常檢測程式基於預測值而檢測監視對象裝置有無異常。 [發明之效果] 根據揭示之實施態樣,發揮可實現高精度且有效率之異常檢測之效果。
於揭示之一實施形態中,異常檢測程式使電腦執行預測值產生程序及檢測程序。於預測值產生程序中,電腦藉由對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模,而推測自摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值。又,於檢測程序中,電腦基於預測值而檢測監視對象裝置有無異常。 又,於揭示之一實施形態中,異常檢測程式係於預測值產生程序中,使電腦於每次獲取新的摘要值時逐次執行預測模型作為統計建模而更新預測值。又,異常檢測程式係於檢測程序中,使電腦將更新後之預測值之任意之信賴區間設定為上下閾值而檢測監視對象裝置之異常。 又,於揭示之一實施形態中,異常檢測程式係於預測值產生程序中,使電腦應用使用濾波之預測模型作為統計建模而產生預測值。 又,於揭示之一實施形態中,異常檢測程式係於預測值產生程序中,使電腦產生藉由卡爾曼濾波所獲得之濾波值或平滑化值作為預測值。 又,於揭示之一實施形態中,異常檢測程式係於預測值產生程序中,使電腦應用使用馬可夫鏈蒙地卡羅法之預測模型作為統計建模而產生預測值。 又,於揭示之一實施形態中,異常檢測程式係於預測值產生程序中,使電腦以使用馬可夫鏈蒙地卡羅法之預測模型推斷事後分佈,並產生該事後分佈之平均值、眾數及中央值之任一者作為預測值。 又,於揭示之一實施形態中,異常檢測程式係於檢測程序中,使電腦於預測值與摘要值之殘差、該殘差之平方、及預測值與摘要值之標準化殘差中之至少任一者大於閾值之情形時檢測異常。 又,於揭示之一實施形態中,異常檢測程式係於預測值產生程序中,使電腦應用預測模型與變化點檢測模型作為統計建模。 又,於揭示之一實施形態中,異常檢測程式係於檢測程序中,使電腦於摘要值之貝葉斯變化點之得分超過閾值之情形時檢測異常。 又,於揭示之一實施形態中,異常檢測方法使電腦執行如下製程:預測值產生製程,其係藉由對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模,而推測自摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值;及檢測製程,其係基於預測值而檢測監視對象裝置有無異常。 又,於揭示之一實施形態中,異常檢測方法使電腦進而執行輸出製程,該輸出製程係輸出於縱軸表示預測值與摘要值之殘差、該殘差之平方、及預測值與摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的表。 又,於揭示之一實施形態中,異常檢測方法使電腦進而執行輸出製程,該輸出製程係輸出於縱軸表示摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的表。 又,於揭示之一實施形態中,異常檢測方法使電腦進而執行輸出製程,該輸出製程係將於縱軸表示預測值與摘要值之殘差、該殘差之平方、及預測值與摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的第1表、及於縱軸表示摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的第2表作為使時間軸一致且對齊之圖像而輸出。 又,於揭示之一實施形態中,異常檢測裝置具備預測值產生部及檢測部。預測值產生部係藉由對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模,而推測自摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值。檢測部基於預測值而檢測監視對象裝置有無異常。 又,於揭示之一實施形態中,異常檢測裝置進而具備:製作部,其製作於縱軸表示預測值與摘要值之殘差、該殘差之平方、及預測值與摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的表;及輸出部,其輸出製作部所製作之表。 又,於揭示之一實施形態中,異常檢測裝置進而具備:製作部,其製作於縱軸表示摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的表;及輸出部,其輸出製作部所製作之表。 又,於揭示之一實施形態中,異常檢測裝置進而具備:製作部,其製作於縱軸表示預測值與摘要值之殘差、該殘差之平方、及預測值與摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的第1表、及於縱軸表示摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的第2表;及輸出部,其將第1表與第2表作為使時間軸一致且對齊之圖像而輸出。 以下,根據圖式對揭示之實施形態詳細地進行說明。再者,並非藉由本實施形態而限定所揭示之發明。各實施形態可於不使處理內容矛盾之範圍內適當組合。 在對實施形態進行說明之前,作為前提,對在先前之異常檢測中使用之管制圖進行說明。 [先前之管制圖之一例] 圖11係表示先前之管制圖之一例之圖。此處考慮製作於每一批次製造1000個製品A之製造裝置之Xbar-R(平均數-全距)管制圖之情形。首先,自1個批次中抽取5個樣本,並計算5個樣本之特定參數之平均值。又,計算5個樣本之特定參數之偏差(範圍)。若為製作20批次量之管制圖之情形,則對20批次之各批次抽取5個樣本並同樣地計算平均值與偏差。然後,計算20批次量之平均值之平均值。又,計算20批次量之偏差之平均值。平均值之平均值為圖11(A)之中心線CL,偏差之平均值為圖11(B)之中心線CL。 其次,基於預先所規定之係數、及以上計算出之兩個平均值而計算上限管制極限UCL與下限管制極限LCL。然後,若將計算出之上限管制極限UCL與下限管制極限LCL、及對各批次計算出之平均值繪製成表,則獲得圖11所示之管制圖。於管制圖上,將取自上限管制極限UCL與下限管制極限LCL之間超出之值之批次判定為異常。如此,使用固定值作為閾值之管制圖於性能之判定基準(極限值)明確之情形時有效。另一方面,於難以將性能之判定基準(極限值)明確地設定為固定值之情形時,僅使用管制圖之異常判定並不充分。 [第1實施形態] 第1實施形態之異常檢測裝置藉由對觀測值之平均值等摘要值應用統計建模而推斷自觀測值之摘要值去除系統之雜訊與觀測之雜訊後的狀態。然後,異常檢測裝置根據推斷之狀態,產生被預測為下一次獲取觀測值之時間點(一期後)之摘要值之值、即預測值。異常檢測裝置若根據下一個觀測值產生摘要值,則根據該摘要值進而產生一期後之預測值。如此,實施形態之異常檢測裝置應用統計建模之方法,每當產生新的摘要值時,推斷監視對象裝置之真實之狀態,並產生推斷為於下一時間點摘要值採取之預測值。然後,異常檢測裝置根據各時間點產生之預測值而設定用於異常檢測之閾值。因此,異常檢測裝置即便於使用將固定值設為閾值時難以進行異常檢測之參數之情形時,亦可高精度地檢測異常。又,異常檢測裝置根據相繼產生之新的摘要值重新產生預測值並自動地更新異常檢測之閾值,因此,可亦考慮機械差異等而實施自動異常檢測。 [用語之說明] 在對實施形態進行說明之前,對以下說明中使用之用語進行說明。 所謂「觀測值」係指於半導體製造裝置等監視對象裝置中實際觀測到之值。所謂「觀測值」,例如係指配置於半導體製造裝置之感測器所檢測之氣壓、真空度、溫度等實測值。於「觀測值」中,例如根據感測器之狀態或半導體製造裝置之狀態等而包含偏差(即系統之雜訊或觀測之雜訊)。 所謂「摘要值」係指藉由抽取觀測值具有之任意之特徵而獲取之值。所謂「摘要值」,例如係指特定期間內之觀測值之平均值或偏差(標準偏差等)、偏差之平均值、中央值、加權平均等。 所謂「預測值」係指基於「觀測值」或「摘要值」而對一期後之「摘要值」應取之值進行預測所得之值。即,所謂「預測值」係指表示對一期後預測之摘要值之值。 以下說明之實施形態之異常檢測裝置藉由應用統計建模之方法而根據觀測值推斷真實之狀態,並產生預測值。然後,異常檢測裝置基於所計算出之預測值而檢測監視對象裝置有無異常。 [異常檢測裝置1之構成之一例] 圖1係表示第1實施形態之執行異常檢測方法之異常檢測裝置1之構成之一例的圖。異常檢測裝置1經由網路2而與遠程伺服器3連接。遠程伺服器3與作為異常檢測之對象之監視對象裝置即半導體製造裝置4連接。於半導體製造裝置4設置有任意數量之感測器,每當執行半導體製造裝置4中之製造製程時,測定特定之參數。測定出之參數被發送至遠程伺服器3。遠程伺服器3將自半導體製造裝置4之感測器接收到之參數依次發送至異常檢測裝置1。 異常檢測裝置1例如由進行半導體製造裝置4之保養管理之經營者運用。又,遠程伺服器3由使用半導體製造裝置4之使用者管理。例如,遠程伺服器3及半導體製造裝置4設置於使用者之事務所等。又,異常檢測裝置1亦可利用雲端計算而虛擬地實現。 異常檢測裝置1與遠程伺服器3以能夠經由網路2進行通信之方式連接。連接之網路2之種類並無特別限定,可為網際網路、廣域網路、區域網路等任意之網路。又,可為無線網路及有線網路之任一者,亦可為其等之組合。異常檢測裝置1與始終收集半導體製造裝置4中觀測之觀測值之遠程伺服器3經由網路2而連接,藉此實現於線上始終監視半導體製造裝置3之線上監視。因此,異常檢測裝置1可即時檢測半導體製造裝置3之異常並通知使用者。 異常檢測裝置1具備通信部10、控制部20、記憶部30、及輸出部40。 通信部10係實現異常檢測裝置1與遠程伺服器3之間之通信之功能部。通信部10例如包含端口或開關。通信部10接收自遠程伺服器3發送之資訊。又,通信部10將於異常檢測裝置1中產生之資訊在控制部20之控制下發送至遠程伺服器3。 控制部20控制異常檢測裝置1之動作及功能。控制部20可由任意之積體電路或電子電路構成。例如可使用CPU(Central Processing Unit,中央處理單元)或MPU(Micro Processing Unit,微處理單元)等而構成控制部20。 記憶部30記憶異常檢測裝置1之各部之處理中使用之資訊及藉由各部之處理而產生之資訊。對於記憶部30,可使用任意之半導體記憶體元件等。例如,可將RAM(Random Access Memory,隨機存取記憶體)、ROM(Read Only Memory,唯讀記憶體)等用作記憶部30。又,硬碟、光碟等亦可用作記憶部30。 輸出部40輸出異常檢測裝置1中產生之資訊及異常檢測裝置1中記憶之資訊。輸出部40例如藉由聲音或圖像而輸出資訊。輸出部40例如係顯示異常檢測裝置1中產生之資訊及異常檢測裝置1中記憶之資訊的顯示裝置。輸出部40例如包含揚聲器、印表機、監視器等。 控制部20具有觀測值獲取部201、摘要值產生部202、選擇部203、第1預測值產生部204、第2預測值產生部205、異常得分計算部206、變化得分計算部207、檢測部208、警告部209、及異常報告製作部210。 [觀測值獲取處理之一例] 觀測值獲取部201經由遠程伺服器3及通信部10接收配置於半導體製造裝置4之感測器所獲取之觀測值。 於本實施形態中,於半導體製造裝置4中執行之步驟之特定之時序,感測器獲取表示該步驟之工作狀態之數值即觀測值。例如,若為將處理室內保持為特定氣壓而執行之步驟,則感測器獲取自處理開始起經過預先所規定之時間時之處理室內之氣壓的觀測值。 觀測值每當於半導體製造裝置4中結束1運作處理時便自遠程伺服器3發送至異常檢測裝置1。所謂1運作,例如若為批次處理則相當於1批次量之處理,若為單片處理則相當於1片晶圓之處理。於1運作之期間以特定次數反覆執行相同處理之情形時,將於該處理之特定時序所獲取之觀測值以特定次數量自半導體製造裝置4發送至觀測值獲取部201。所謂觀測值例如為各感測器之跟蹤日誌。觀測值獲取部201所獲取之觀測值記憶於記憶部30。 [摘要值產生處理之一例] 摘要值產生部202基於觀測值獲取部201所獲取之觀測值產生摘要值。 所謂摘要值係指基於觀測值獲取部201所獲取之觀測值而計算之表示各時間點之半導體製造裝置4之運轉狀態的統計值。所謂摘要值例如為先前之管制圖中利用之觀測值之平均值、或觀測值之偏差之平均值、標準偏差、中央值、加權平均等。 摘要值產生部202將觀測值根據監視目的而按層分類。摘要值產生部202例如將觀測值針對每一感測器部位、每一製程配方、每一步驟而分類。然後,摘要值產生部202對分類後之觀測值執行預處理。所謂預處理例如係捨棄缺損值或多餘之資料並去除趨勢而進行常態分佈化的處理。摘要值產生部202基於分類及預處理後之觀測值而產生摘要值。再者,產生何值作為摘要值係根據製程配方或步驟之性質而預先設定。 [選擇處理之一例] 選擇部203根據此前所獲取之資料之性質,將摘要值輸入至第1預測值產生部204及第2預測值產生部205之任一者。例如,選擇部203根據此前所獲取之資料為常態分佈抑或是非常態分佈,而將摘要值輸入至第1預測值產生部204及第2預測值產生部205之任一者。例如,選擇部203針對常態分佈之資料,將摘要值輸入至第1預測值產生部204。又,選擇部203針對非常態分佈之資料,將摘要值輸入至第2預測值產生部205。 例如,於以下之說明中,第1預測值產生部204利用使用濾波之預測方法,根據摘要值產生預測值。使用濾波之預測方法係根據新輸入之資料而產生預測值。因此,使用濾波之預測方法可實現高速之處理,適於常態分佈之觀測資料。 另一方面,第2預測值產生部205利用使用馬可夫鏈蒙地卡羅法(MCMC,Markov chain Monte Carlo)之預測方法,根據摘要值產生預測值。使用MCMC之預測方法中,若重新輸入資料,則包括新資料在內基於過去之資料整體(或過去特定期間量之資料整體)而重新產生預測值。因此,使用MCMC之預測方法與使用濾波之預測方法相比處理變慢,但可實現更高精度之推斷,亦適合於非常態分佈之觀測資料。 因此,於本實施形態中,根據預先輸入至異常檢測裝置1之觀測值之種類而設定將哪一摘要值輸入至第1預測值產生部204,並將哪一摘要值輸入至第2預測值產生部206。設定係記憶於記憶部30。 [第1預測值產生處理之一例-狀態空間模型(1)] 其次,第1預測值產生部204對摘要值產生部202所產生之摘要值應用第1統計建模,產生預測值。 摘要值產生部202產生之摘要值為即便於執行預處理之後依然含有雜訊或觀測誤差之狀態。因此,於本實施形態中,第1預測值產生部204應用統計建模,推斷自摘要值去除雜訊或觀測誤差後之真實之摘要值即預測值。 例如,第1預測值產生部204藉由應用使用狀態空間模型之時間序列分析之方法而根據摘要值推斷狀態。例如,此處,第1預測值產生部204應用使用卡爾曼濾波器等濾波之預測方法推斷狀態。例如,第1預測值產生部204使用局部水平模型(動態線性模型)執行卡爾曼濾波。第1預測值產生部204使摘要值通過卡爾曼濾波器,求出動態線性模型之參數之最佳似然度。然後,第1預測值產生部204將所求出之似然度重新加入至動態線性模型中,根據濾波結果推斷狀態。 例如,第1預測值產生部204使根據時間點t之觀測值產生之摘要值通過卡爾曼濾波器,推斷根據下一次獲取之時間點t+1之觀測值產生之摘要值之真實之狀態。然後,第1預測值產生部204基於推斷出之狀態,產生預測為於時間點t+1摘要值採取之值即預測值。預測值例如為濾波值、平滑化值等。 例如,第1預測值產生部204每當自半導體製造裝置4獲取最新一運作之資料(摘要值)時,對前一運作之摘要值輸入時所計算出之預測值之誤差利用卡爾曼增益進行修正而更新預測值,產生最新之預測值。亦可為第1預測值產生部204於狀態之推斷時亦部分地執行複回歸推斷。 以此方式,第1預測值產生部204產生預測值。藉由如此根據摘要值產生預測值,而可去除摘要值(觀測值)之雜訊或觀測誤差而抽取摘要值增減之趨勢。 [第2預測值產生處理之一例-馬可夫鏈蒙地卡羅法(MCMC)] 第2預測值產生部205對摘要值產生部202所產生之摘要值應用第2統計建模,產生預測值。第2預測值產生部205使用之第2統計建模係設為與第1預測值產生部204使用之第1統計建模不同之方法。 例如,如上所述,第2預測值產生部205藉由對摘要值應用利用馬可夫鏈蒙地卡羅法(MCMC)之預測方法而產生預測值。 第2預測值產生部205係使用貝葉斯定理,將於前一摘要值獲取時間點所產生之事後概率用作事前概率,藉由貝葉斯推斷計算事後概率,藉此求出預測值。藉由貝葉斯推斷獲得之事後概率係作為分佈而呈現,故第2預測值產生部205計算事後概率分佈之平均值(事後平均值)或眾數或中央值而設為預測值。 第2預測值產生部205每當輸入最新之摘要值時,便使用最新之摘要值更新預測值。第2預測值產生部205於每次輸入新的摘要值時,對此前所輸入之全部資料應用MCMC,更新預測值。如此,第2預測值產生部205每當輸入摘要值時,根據此前所輸入之全部資料而對成為異常檢測之基準之值進行調整。因此,於使用應用MCMC產生之預測值執行異常檢測之情形時,可實現與使用利用濾波產生之預測值之異常檢測相比精度更高之異常檢測。 [基於預測值之異常得分計算處理之一例] 異常得分計算部206使用第1預測值產生部204或第2預測值產生部205所產生之預測值,計算成為半導體製造裝置4有無異常之指標之異常得分。異常得分係基於預測值將半導體製造裝置4之各時間點之產生異常之可能性之大小得分化所得者。 例如,異常得分計算部206計算預測值與摘要值之殘差之大小而設為異常得分。又,異常得分計算部206亦可計算預測值與摘要值之殘差之絕對值而設為異常得分。又,例如,異常得分計算部206亦可將預測值與摘要值之殘差之平方設為異常得分。又,例如,異常得分計算部206亦可將預測值與摘要值之殘差除以標準偏差並進行標準化所得之值(標準化殘差)設為異常得分。 異常得分計算部206將預測值之任意之信賴區間(例如95%)設定為閾值。又,異常得分計算部206亦可將對所計算出之異常得分進行修整並去除偏離值後之分佈之任意概率設定為異常判定線即閾值。又,異常得分計算部206亦可藉由使用支持向量機等之機械學習,在無教師之狀態下判斷異常與正常並設定閾值。然後,檢測部208(下述)根據摘要值是否處於所設定之閾值內而檢測有無異常。 再者,此處,設為異常檢測裝置1將摘要值輸入至第1預測值產生部204及第2預測值產生部205之任一者而進行說明。即,設為異常得分計算部206基於第1預測值產生部204及第2預測值產生部205之任一者所產生之預測值計算異常得分而進行說明。 圖2係用以對第1實施形態之異常得分計算處理進行說明之圖。圖2(A)中,縱軸表示每一運作所獲取之感測器資料(摘要值),橫軸表示運作。(A)中,以實線表示摘要值,以虛線表示預測值。 圖2(B)係將(A)所示之摘要值與預測值之殘差之大小作為異常得分進行繪圖而成者。(B)中,若異常得分自虛線所示之上下閾值偏離,則檢測為異常。(B)中,於箭頭X、Y所示之部分,異常得分自上下閾值偏離。箭頭X所示之部分係異常得分超出上限閾值而檢測為異常之部分。又,箭頭Y所示之部分係觀測值因維護而變動之部分,同樣檢測為異常。 [變化得分計算處理之一例] 變化得分計算部207計算成為半導體製造裝置4之狀態變化之指標之變化得分。變化得分計算部207藉由對摘要值應用統計建模即變化點檢測模型而計算將摘要值變化之大小得分化所得之變化得分。變化得分計算部207基於第1預測值產生部204或第2預測值產生部205產生之預測值而計算變化得分。 例如,變化得分計算部207亦可將第2預測值產生部205所計算出之事後概率之大小設為變化得分。於該情形時,變化得分計算部207採用憑經驗設定之閾值作為對於變化得分之評價基準值。 又,例如,變化得分計算部207亦可將第2預測值產生部205所計算出之事後概率輸入至支持向量機(SVM,Support Vector Machine),並抽取劃分正常時之群與其他群之邊界作為閾值。 又,例如,變化得分計算部207亦可將事後概率之馬哈朗諾比斯距離設為變化得分。 又,例如,變化得分計算部207亦可將使用貝葉斯之乘積分割之模型下之貝葉斯變化點之得分設為變化得分(參照Barry D, Hartigan J.A., “A Bayesian Analysis for Change Point Problems.” Journal of the American Statistical Association, 35(3), 309-319(1993))。於該情形時,變化得分計算部207對過去之資料分佈之偏離值進行修整,將任意之概率(例如5%)設為閾值。但是,此外,亦可將憑經驗設定之固定值設為閾值,還可如上述般基於利用SVM之機械學習而設定閾值。 變化得分只要可將摘要值之波形較大地變化之部分作為變化點而檢測即可,計算方法並無特別限定。 [異常檢測處理及異常報告製作處理之一例] 檢測部208根據異常得分計算部206所計算出之異常得分、及變化得分計算部207所計算出之變化得分而檢測異常。 例如,檢測部208判定異常得分計算部206所計算出之異常得分是否超過閾值。又,檢測部208判定變化得分計算部207所計算出之變化得分是否超過閾值。 然後,檢測部208於判定異常得分及變化得分之任一者超過閾值之情形時,通知警告部209。又,檢測部208於判定異常得分及變化得分之兩者超過閾值之情形時,通知警告部209。 又,檢測部208亦可構成為如下,即,於判定異常得分超過閾值且變化得分未超過閾值之情形、及判定異常得分未超過閾值且變化得分超過閾值之情形時,向警告部209通知第1等級之異常。而且,檢測部208亦可構成為如下,即,於判定異常得分及變化得分超過閾值之情形時,向警告部209通知第2等級之異常。此處,第1等級之異常係表示較第2等級之異常輕微之異常。 又,檢測部208亦可構成為於對第1預測值產生部204及第2預測值產生部205之兩者所產生之預測值計算異常得分之情形時,能夠識別兩個異常得分之一者超過閾值之情形、及兩個異常得分之兩者超過閾值之情形。例如,檢測部208於2個異常得分之任一者或變化得分超過閾值之情形時向警告部209通知第1等級之異常。又,檢測部208於2個異常得分與變化得分中之任意2個超過閾值之情形時向警告部209通知第2等級之異常。進而,檢測部208於2個異常得分與變化得分全部超過閾值之情形時向警告部209通知第3等級之異常。此處,自第1等級至第3等級之異常,異常之程度階段性地變高。 警告部209根據來自檢測部208之通知,經由通信部10向遠程伺服器3發送警告。警告部209例如發送能夠識別檢測部208通知第1等級之異常之情形、通知第2等級之異常之情形、及通知第3等級之異常之情形之各個情形的警告。 異常報告製作部210基於記憶於記憶部30之資訊,製作彙集有異常檢測裝置1中之異常檢測處理之結果之異常報告。異常報告製作部210所製作之異常報告經由通信部10而發送至遠程伺服器3。又,異常報告製作部210所製作之異常報告自輸出部40輸出。 異常報告製作部210亦可針對預先所設定之每一期間製作異常報告。又,異常報告製作部210亦可構成為如下,即,於檢測部208檢測到第1~第3等級之任一異常之情形時,輸出異常報告。又,異常報告製作部210亦可構成為根據來自使用者之指示輸入而製作異常報告。再者,關於異常報告之內容之具體例,將於下文進行敍述。 [記憶於記憶部30之資訊之一例] 記憶部30適當記憶控制部20中產生之資訊及自遠程伺服器3接收之資訊。記憶部30具有半導體製造裝置資訊記憶部31、異常檢測資訊記憶部32、及異常報告記憶部33。 半導體製造裝置資訊記憶部31記憶與半導體製造裝置4相關之資訊即半導體製造裝置資訊。圖3係表示記憶於第1實施形態之異常檢測裝置1中之半導體製造裝置資訊之構成之一例的圖。 異常檢測裝置1預先記憶與監視對象裝置相關之資訊即半導體製造裝置資訊。例如,可構成為自遠程伺服器3側將半導體製造裝置4之資訊登錄至異常檢測裝置1,亦可構成為由異常檢測裝置1之操作員輸入監視對象裝置之資訊。 如圖3所示,半導體製造裝置資訊例如包含「裝置ID(IDentifier,識別符)」、「使用者ID」、「監視步驟」、「監視製程配方」、「感測器ID」、「運轉資訊」等資訊。「裝置ID」係用以分別唯一地識別監視對象裝置之識別碼(Identifier)。「使用者ID」係用以唯一地識別使用監視對象裝置之使用者、經營者之識別碼。「監視步驟」係用以識別監視對象裝置中設為監視對象之步驟之資訊。「監視製程配方」係用以識別監視步驟中使用之製程配方之資訊。「監視步驟」及「監視製程配方」亦可構成為與異常檢測處理中應用之統計建模之方法等建立對應地記憶而可針對每一步驟及每一製程配方選擇最佳之統計建模之方法或閾值設定方法。「感測器ID」係用以唯一地識別設置於監視對象裝置之感測器之資訊。又,「感測器ID」與監視步驟及監視製程配方建立對應地設定。「運轉資訊」係於有對監視對象裝置執行特別之處理之預定之情形時記憶的關於監視對象裝置中執行之處理之資訊。例如,於有在特定之日期時間進行維護之預定之情形時,將維護之內容及其日期時間之資訊作為「運轉資訊」而記憶。又,於進行監視對象裝置之零件更換之情形時,將該內容及其日期時間之資訊作為「運轉資訊」而記憶。 於圖3之例中,由裝置ID「D001」識別之監視對象裝置係作為由使用者ID「U582」識別之使用者之監視對象裝置而記憶。又,關於該監視對象裝置,記憶有監視步驟「S003」、監視製程配方「R043」。又,記憶有於監視步驟「S003」之監視中使用藉由以感測器ID「S001」識別之感測器測定之資料。又,關於由裝置ID「D001」識別之監視對象裝置,記憶有自2016年6月2日16時起執行維護之預定。 再者,半導體製造裝置資訊包含關於複數個使用者所使用之複數個監視對象裝置之資訊。異常檢測裝置1藉由將關於複數個使用者所使用之複數個監視對象裝置之資訊一元地記憶並管理而可經由網路統一執行複數個監視對象裝置之異常檢測。 異常檢測資訊記憶部32記憶異常檢測資訊。圖4係表示記憶於第1實施形態之異常檢測裝置1中之異常檢測資訊之構成之一例的圖。 異常檢測資訊例如包含「裝置ID」、「感測器ID」、「時間戳記」、「觀測值」、「摘要值」、「預測值(1)」、「預測值(2)」、「異常得分」、「變化得分」、「異常判定」等資訊。「裝置ID」及「感測器ID」與包含於半導體製造裝置資訊中之資訊相同。「時間戳記」係表示由感測器測定到觀測值之日期時間之資訊。再者,「時間戳記」例如亦可由特定出對應之運作之資訊等代替。「觀測值」係由「感測器ID」特定出之感測器於由「時間戳記」特定出之日期時間測定到之實際之測定值。「摘要值」係將對應之「觀測值」進行摘要運算所得之值、例如平均值等。「預測值(1)」係基於對應之「觀測值」、「摘要值」通過第1統計建模而產生之預測值之資訊。「預測值(2)」係基於對應之「觀測值」、「摘要值」通過第2統計建模而產生之預測值之資訊。「異常得分」係基於預測值而計算出之異常得分之資訊。「變化得分」係變化得分計算部207計算之變化得分之資訊。「異常判定」係與檢測部208基於異常得分及變化得分檢測出之異常相關之資訊。 於圖4之例中,關於由裝置ID「D001」識別之監視對象裝置,記憶有與自以感測器ID「S001」識別之感測器在由時間戳記「2016/06/01:14:00:00」特定出之日期時間所接收之觀測值相關的資訊。即,記憶5個值「0.034、0.031、0.040、0.039、0.030」作為觀測值。而且,記憶5個觀測值之平均值即「0.0348」作為摘要值。又,記憶基於該摘要值而由第1預測值產生部204及第2預測值產生部205所產生之預測值。進而,分別記憶異常得分計算部25所計算出之異常得分、及變化得分計算部207所計算出之變化得分。進而,記憶檢測部208根據異常得分與變化得分檢測出之異常之內容、於圖4之例中表示無異常之「無(NO)」。再者,「異常判定」係以於檢測到第1等級至第3等級之異常之情形時能夠識別各者之方式記憶。 再者,預測值、異常得分、變化得分每當關於第2預測值產生部205產生之預測值輸入摘要值時便更新。 異常報告記憶部33記憶異常報告資訊。異常報告資訊由異常報告製作部29製作。異常報告資訊係表示異常檢測裝置1中之異常檢測處理之結果之資訊。 圖5係表示藉由第1實施形態之異常檢測處理而輸出之資訊之一例的圖。又,圖6係用以說明藉由第1實施形態之異常檢測處理而產生之預測值、異常得分及變化得分之一例的圖。異常報告資訊例如包含圖5及圖6所示之資訊。 [異常報告之一例] 圖5係表示藉由第1實施形態之異常檢測方法而輸出之資訊之一例的圖。於圖5之例中,對在半導體製造裝置4中1日執行20運作次所得之結果進行繪圖。圖5(A)表示各運作之摘要值、及基於預測值所設定之異常得分判定用之上下閾值。上下閾值基於預測值之任意之信賴區間、此處為約95%而設定。又,於圖5之例中,預測值係於第1預測值產生部204中使用卡爾曼濾波器而計算出。 於圖5(A)中,由「Act」所示之線表示摘要值。又,「UCL1」、「LCL1」分別為基於預測值所設定之異常得分判定用之上下閾值。於圖5(A)中,除基於預測值之上下閾值以外,亦併用使用固定值之監視。因此,除閾值「UCL1」、「LCL1」以外,還設定閾值「UCL2」與「LCL2」。又,於圖5(B)中,「C Score」表示變化得分,「UCL」表示變化得分之上限閾值。 於圖5之例中,異常檢測裝置1根據觀測值對各運作計算摘要值(Act)。如圖5所示,摘要值於各測定時間點上下擺動。 又,異常檢測裝置1於各時間點根據摘要值而計算預測值。例如,圖5之自左起至第6個繪圖為止,摘要值一面上下擺動一面顯示出緩慢減少之傾向。因此,於輸入第6個摘要值時,應用統計建模獲得之預測值成為較將第1個至第4個繪圖平均後所得之值略微減少之值(上下閾值之中央部分)。然而,自左起第7個繪圖之時間點之摘要值自第6個繪圖之摘要值增加。而且,自左起第8個繪圖之時間點之摘要值亦顯示進一步增加。因此,於自左起第8個繪圖之時間點預測值成為顯示緩慢增加之值。然而,於自左起第9個繪圖之時間點摘要值大幅增加,並超過基於第8個繪圖時間點所預測之預測值之上限閾值UCL1。因此,於異常檢測裝置1,於執行基於自左起第9個之摘要值之判定之時間點,警告部209發出警告(圖5(A)中,箭頭W1所示之部分)。如此,異常檢測裝置1使基於預測值而對摘要值應用之上下閾值動態地變化。進而,於圖5(A)中,於箭頭W2、W3所示之部分,摘要值Act亦取超過上限閾值UCL1之值。如此,摘要值Act超過上限閾值UCL1之部分於異常報告中強調顯示。例如,於圖5(A)中,將箭頭W1、W2、W3之部分以與其他繪圖不同之顏色顯示、或打上高光。 如此,本實施形態之異常檢測裝置1捨棄觀測值及摘要值中出現之雜訊或觀測誤差,推斷更準確地反映出監視對象裝置之狀態之趨勢之狀態並計算預測值。然後,異常檢測裝置1基於預測值,設定預計於半導體製造裝置4正常動作之情形時摘要值採取之值之範圍即閾值。因此,異常檢測裝置1可基於過去之趨勢而重新動態地設定應與新獲取之摘要值進行比較之閾值。因此,實施形態之異常檢測裝置1即便於將具有難以固定地設定閾值之性質之值用於異常檢測之情形時,亦可使閾值動態地變動而精度較高地檢測異常。 又,於圖5(A)之例中,除基於預測值而變動之閾值以外亦併用固定閾值。因此,異常檢測裝置1可執行與先前之管制圖同樣地將固定值設為閾值之監視,並且可如上述般使用基於預測值而變動之閾值執行監視,從而可使異常檢測之精度進一步提高。 圖5(B)係使(A)之摘要值之貝葉斯變化點得分化所得之例。如(A)所示,於自左起第8個繪圖至第9個繪圖之間摘要值較大地增加,因此,於變化得分中,亦對應於第9個繪圖而表現出較大之增加。又,在與異常得分中之箭頭W2、W3所示之部位大致相同之時間點,變化得分之值亦增加(圖5(B)中,箭頭W5、W6所示之部位)。與異常得分同樣地,於變化得分中,亦強調顯示得分超過閾值之部分。例如,於圖5(B)中,將箭頭W4、W5、W6之部分以與其他繪圖不同之顏色顯示、或打上高光。 如此,於本實施形態中,利用根據預測值所設定之閾值進行異常檢測之情形時(即利用異常得分、摘要值、預測值及殘差等之情形時),可精度良好地檢測突發性變化。又,基於本實施形態而計算出之變化得分可抽取資料中產生變化之變化點。因此,實施形態之異常檢測裝置藉由將異常得分與變化得分組合而進行異常檢測,可檢測資料中產生之變化而精度良好地檢測基於多種原因之異常。又,異常檢測裝置1不僅使用基於預測值設定之閾值而且併用基於固定值設定之閾值,藉此可使異常檢測之精度進一步提高。 又,於本實施形態中,並列地顯示如(A)所示般動態及固定地設定閾值並與摘要值進行比較之資料、及如(B)般將摘要值之變化之大小本身得分化所得之資料。因此,使用者可於視覺上直觀地掌握突發性地產生之變化與漸進地產生之變化。又,異常研究裝置藉由將以不同觀點檢測出之變化彙總提示而判斷有無異常,而能夠精度更高地檢測異常之產生。 異常報告亦可包含圖5所示之曲線圖,進而,亦可包含記憶於半導體製造裝置資訊記憶部31及異常檢測資訊記憶部32中之其他資訊。 又,異常報告亦可包含圖6所示之曲線圖。圖6係用以說明藉由第1實施形態之異常檢測處理而產生之預測值、異常得分及變化得分之一例的圖。圖6(A)係對各時間點之摘要值、與對摘要值應用統計建模而產生之預測值(預測值之平滑值)進行繪圖所得者。又,於圖6(A)中表示基於固定值之上下閾值T1及T2。圖6(B)係將(A)所示之預測值與摘要值之差作為異常得分繪圖所得者。圖6(C)係對(A)所示之摘要值藉由貝葉斯推斷計算似然度變化點並作為變化得分者。 圖6(A)中,與圖5不同,並非將基於預測值動態地設定之閾值而將預測值本身以曲線圖之形式顯示。圖6(A)中,於箭頭A1、A2、A3所示之部位,摘要值較大地偏離預測值。然而,於任一時間點,摘要值均未偏離基於固定值之上下閾值T1及T2之範圍。 圖6(B)中,於箭頭所示之部分B1、B2,異常得分超過閾值。又,圖6(C)中,於箭頭所示之部分C1、C2、C3,變化得分超過閾值。根據圖6(A)中固定之閾值T1、T2,無法檢測(B)之B1、B2、(C)之C1、C2、C3處之異常或變化。相對於此,若一併利用異常得分與變化得分,於任一者產生偏離值時促使使用者注意,於兩者產生偏離值時發出警告,則可於C2之時間點發出「注意」,於B1(C1)及B2(C3)之時間點發出「警告」。異常報告亦可將B1、B2、C1、C2、C3作為異常點而顯示。 再者,於圖6之例中,(A)(B)係對一個預測值加以顯示,於對兩個預測值計算異常得分之情形時,異常報告亦可分別包含2個(A)(B)。 [異常檢測處理之流程之一例] 圖7係表示第1實施形態之異常檢測處理之流程之一例之流程圖。異常檢測裝置1之觀測值獲取部201首先經由遠程伺服器3而獲取半導體製造裝置4中之感測器之觀測值(步驟S1)。觀測值獲取部201所獲取之觀測值被傳送至摘要值產生部202。摘要值產生部202基於觀測值而產生摘要值(步驟S2)。摘要值產生部202所產生之摘要值被傳送至選擇部203。選擇部203判定摘要值之分佈為常態分佈抑或是非常態分佈(步驟S3)。於判定為常態分佈之情形(步驟S3、是(Yes))時,選擇部203將摘要值傳送至第1預測值產生部204(步驟S4)。第1預測值產生部204對摘要值應用第1統計建模而產生預測值(步驟S6)。另一方面,於選擇部203判定為非常態分佈之情形(步驟S3、否(No))時,選擇部203將摘要值產生部202所產生之摘要值傳送至第2預測值產生部205(步驟S5)。然後,第2預測值產生部205對摘要值應用第2統計建模而產生預測值(步驟S6)。第1預測值產生部204及第2預測值產生部205之一者所產生之預測值被傳送至異常得分計算部206。異常得分計算部206計算基於預測值之異常得分(步驟S7)。 另一方面,第1預測值產生部204或第2預測值產生部205所產生之預測值亦被輸入至變化得分計算部207。變化得分計算部207計算變化得分(步驟S8)。檢測部208參照異常得分與變化得分,判定各得分是否超過閾值(步驟S9)。於檢測部208判定得分超過閾值之情形、即檢測出異常之情形(步驟S9、是)時,通知警告部209,警告部209對遠程伺服器3發送警告。又,異常報告製作部210輸出異常報告(步驟S10)。又,於檢測部208判定得分為閾值以下之情形、即未檢測出異常之情形(步驟S9、否)時,返回至步驟S1。如此一來,異常檢測處理結束。 [變化例] 於上述第1實施形態中,異常檢測裝置1係具備選擇部203,且利用第1統計建模及第2統計建模之任一方法產生預測值。但是,異常檢測裝置1亦可構成為省略選擇部203而將摘要值輸入至第1預測值產生部204及第2預測值產生部205之兩者。而且,異常得分計算部206亦可構成為基於第1預測值產生部204及第2預測值產生部205產生之2個預測值而計算兩個異常得分。 又,異常檢測裝置亦可構成為如下,即,使第1預測值產生部204及第2預測值產生部205之兩者產生預測值而計算2個異常得分,並根據基於所計算出之得分之檢測部208之檢測結果而調整用於統計建模之參數。於第1實施形態中,作為統計建模,第1預測值產生部204使用濾波,第2預測值產生部205使用MCMC。因此,預計使用第2預測值產生部205產生之預測值之異常檢測結果之精度變高。因此,亦可將異常檢測裝置構成為如下,即,將使用第1預測值產生部204所產生之預測值之異常檢測結果、與使用第2預測值產生部205所產生之預測值之異常檢測結果加以比較,於存在不一致之情形時,調整第1預測值產生部204使用之統計建模之參數。 又,異常檢測裝置亦可構成為如下,即,使第1預測值產生部204與第2預測值產生部205之兩者始終產生預測值,且根據2個異常得分進行異常檢測。 又,異常檢測裝置亦可構成為如下,即,對異常得分除進行使用如上所述根據預測值而變動之閾值之判定以外,還一併進行使用固定之閾值之判定。藉由如此構成,異常檢測裝置可檢測突發性地產生之異常,並且亦可檢測逐漸進行之變化,可使異常檢測之精度進一步提高。 [第1實施形態之效果] 如上所述,本實施形態之異常檢測裝置對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模。然後,異常檢測裝置推測自摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值。然後,異常檢測裝置基於預測值而檢測監視對象裝置有無異常。如此,根據實施形態之異常檢測裝置,並非監視觀測值本身,而是監視根據觀測值判定之裝置之狀態。因此,異常檢測裝置不會錯過作為本來之檢測目標之裝置之突發性變化或狀態之變化,而能夠早期發現異常。因此,異常檢測裝置可自動地實現高精度且有效率之異常預知及異常監視。又,本實施形態之異常檢測裝置經由網路而與作為監視對象之半導體製造裝置連接,且接收於半導體製造裝置中觀測之觀測值。而且,異常檢測裝置基於觀測值而即時地監視半導體製造裝置之狀態。因此,異常檢測裝置可實現半導體製造裝置之線上監視。 又,實施形態之異常檢測裝置並非直接根據自監視對象裝置所獲取之值(觀測值)進行異常檢測,而是於導出摘要值及預測值之後執行異常檢測。因此,異常檢測裝置不會受到由樣本數或雜訊、觀測誤差等因素所左右之實測資料之內容之影響,可使監視對象裝置之工作狀態定量化,且動態地使閾值適合而實現監視對象裝置之自動監視。 又,實施形態之異常檢測裝置藉由應用預測模型與變化點檢測模型作為統計建模而產生預測值。又,實施形態之異常檢測裝置應用狀態空間模型及卡爾曼濾波作為預測模型而產生濾波值或平滑化值作為預測值。又,實施形態之異常檢測裝置係作為統計建模而利用馬可夫鏈蒙地卡羅法推斷事後分佈,產生事後分佈之平均值、眾數及中央值之任一者作為預測值。又,實施形態之異常檢測裝置產生對摘要值應用貝葉斯推斷所獲得之事後平均值作為預測值。如此,異常檢測裝置應用可抽取摘要值之變動之傾向(趨勢)之統計建模,藉此即便於觀測值之樣本數較少之情形或有缺損之情形時,亦可自動地實現高精度且有效率之異常預知及異常監視。 又,實施形態之異常檢測裝置每當獲取新的摘要值時,逐次執行預測模型而更新預測值,並將更新後之預測值之任意之信賴區間設定為上下閾值,於更新後之預測值自上下閾值之範圍偏離之情形時,檢測監視對象裝置之異常。又,實施形態之異常檢測裝置係於預測值與摘要值之殘差、該殘差之平方、及預測值與摘要值之標準化殘差之至少任一者大於閾值之情形時檢測異常。因此,異常檢測裝置藉由使異常檢測之閾值動態地變動,而可考慮機械差異等而實現異常檢測。 又,實施形態之異常檢測裝置於摘要值之貝葉斯變化點之得分超過閾值之情形時檢測異常。因此,不僅於產生經時性變化時,而且於產生突發性變化之情形時亦不會產生漏檢,可實現精度較高之異常檢測。又,異常檢測裝置藉由將複數個異常檢測基準組合而執行,可不遺漏地檢測不同性質之異常,並且可一併檢測異常之等級。又,異常檢測裝置自複數個視點評價監視對象裝置之狀態,故與以一個基準判定異常之情形相比,可實現精度更高之異常檢測。 又,實施形態之異常檢測裝置係將變化得分與異常得分以於視覺上容易掌握之表之形式輸出。因此,使用者可於視覺上掌握產生異常之時間點或異常之程度而容易地理解監視對象裝置之狀態。又,實施形態之異常檢測裝置使變化得分與異常得分之時間軸一致且對齊而輸出。因此,使用者可將自兩個不同之視點檢測出之異常建立對應,從而容易地掌握監視對象裝置之狀態變化。 又,實施形態之異常檢測裝置每當半導體製造裝置中之處理完成時,獲取最新之觀測結果(觀測值),並自動地更新用於異常檢測之閾值。因此,異常檢測裝置無須經由人工而重新設定閾值,可實現免維護之異常監視。 再者,於上述實施形態中,將預測模型與變化點檢測模型作為統計建模之例而進行了說明,但亦可使用其他統計建模之方法。又,預測值亦可未必根據摘要值產生,只要觀測值之性質上可行,則亦可對觀測值直接應用統計建模。 又,實施形態之異常檢測裝置具備使用不同之統計建模之方法產生預測值之兩個不同之預測值產生部。因此,實施形態之異常檢測裝置可根據摘要值之性質,選擇適於該摘要值之統計建模之方法而產生預測值。 例如,異常檢測裝置於要求精度更高之異常檢測結果之情形時,可使用利用MCMC之預測方法執行異常檢測,於要求更高速地進行處理之情形時,可使用利用濾波之預測方法。 又,作為利用濾波之預測方法,除卡爾曼濾波器以外,可利用擴展卡爾曼濾波器、粒子濾波器、及其他任意之濾波器。 [變化例1] 於上述第1實施形態中,對於半導體製造裝置4之維護等特定事件之發生並未特別考慮。於變化例1中,考慮因發生半導體製造裝置4之維護等特定事件而導致獲取之資料產生變動之可能性,以將緊接特定事件之後之觀測值廢棄之方式構成異常檢測裝置。關於特定事件之發生之資訊構成為由異常檢測裝置作為事件日誌自監視對象裝置中獲取並儲存於記憶部即可。 變化例1之異常檢測裝置1A之構成及動作與第1實施形態之異常檢測裝置1大致相同,故對相同部分省略說明(參照圖1)。於變化例1之異常檢測裝置1A中,控制部20A具備之觀測值獲取部201A之動作與第1實施形態之觀測值獲取部201不同。 圖8係用以對第1實施形態之變化例1之異常檢測裝置1A中之處理進行說明之流程圖。 如圖8所示,變化例1之異常檢測裝置1A首先經由遠程伺服器3而自半導體製造裝置4接收感測器之觀測值(步驟S81)。其次,接收到觀測值之觀測值獲取部201A獲取儲存於記憶部30(半導體製造裝置資訊記憶部31)中之半導體製造裝置4之資訊(步驟S82)。觀測值獲取部201A判定於自記憶部30所獲取之資訊中是否包含表示在所獲取之觀測值之測定時間內半導體製造裝置4處於維護中之資訊(步驟S83)。然後,於觀測值獲取部201A判定為包含資訊之情形(步驟S83、是)時,將所獲取之觀測值直接廢棄而不發送至其他功能部(步驟S84)。另一方面,於觀測值獲取部201A判定為不包含資訊之情形(步驟S83、否)時,進入至圖7所示之異常檢測處理(步驟S85)。如此一來,變化例1之異常檢測裝置1A之處理結束。 再者,觀測值獲取部201A亦可構成為如下,即,預先自半導體製造裝置資訊記憶部31獲取維護之資訊,不僅廢棄維護中之觀測值,而且亦廢棄維護前後特定時間中之觀測值。 又,亦可以如下方式構成異常檢測裝置1A,即,於觀測值獲取部201A判定為包含表示處於維護中之資訊之情形(步驟S83、是)時,重設此前之異常檢測處理,並重新開始處理。即,異常檢測裝置1A亦可構成為如下,即,於進行維護之時間點暫時結束使用統計建模之學習,然後重新開始學習。 又,亦可構成為如下,即,於觀測值獲取部201A判定為包含表示處於維護中之資訊之情形(步驟S83、是)時,觀測值獲取部201A之後將以特定次數所獲取之觀測值廢棄。若如此構成,則可繼續藉由統計建模進行之異常檢測處理本身,並且可將有可能因維護而產生變動之資料自異常檢測處理之對象中除外。因此,可使異常檢測之精度提高。 又,亦可以如下方式構成異常檢測裝置1A,即,於檢測到異常後執行維護之情形時,將成為異常檢測之對象之資料廢棄。例如,於觀測值獲取部201A判定為包含表示處於維護中之資訊之情形(步驟S83、是)時,觀測值獲取部201A進而參照異常檢測資訊記憶部32。然後,觀測值獲取部201A參照例如異常檢測資訊中包含之「時間戳記」與「異常判定」,判定自維護執行日期時間起至特定期間前是否檢測到異常。於判定為檢測到異常之情形時,觀測值獲取部201A將自異常檢測時間點起至維護結束之期間所獲取之觀測值廢棄。然後,觀測值獲取部201A於特定期間內將緊接異常檢測時間點之前之觀測值反覆發送至摘要值產生部202。若如此構成,則可將成為異常檢測之對象之資料即異常之資料除外而推斷半導體製造裝置4之狀態並執行統計建模,從而可使異常檢測之精度提高。 [變化例1之效果] 藉由如此將維護中及維護前後特定時間之觀測值自異常檢測之判定對象中除外而可使異常檢測裝置1A之檢測精度提高。 [變化例2] 於上述變化例1中,將異常檢測裝置1A構成為廢棄維護中之觀測值及/或維護前後特定時間中之觀測值。亦可代替此而構成為如下,即,於維護中及維護後特定期間中使觀測值直接輸入,但不輸出警告。將構成為於維護後不輸出警告之例作為變化例2而進行說明。 變化例2之異常檢測裝置1B之構成及動作與第1實施形態之異常檢測裝置1大致相同,故對相同部分省略說明(參照圖1)。於變化例2之異常檢測裝置1B中,控制部20B具備之警告部209B之動作與第1實施形態之警告部209不同。 圖9係用以對變化例2之異常檢測裝置1B中之處理進行說明之流程圖。 如圖9所示,變化例2之異常檢測裝置1B首先經由遠程伺服器3而自半導體製造裝置4接收感測器之觀測值,執行與圖7之S1~S7相同之處理(步驟S1101)。然後,警告部209B判定是否已自檢測部208被通知異常檢測(步驟S1102)。於警告部209B判定為無異常檢測之通知之情形(步驟S1102、否)時,處理結束。另一方面,於判定為有異常檢測之通知之情形(步驟S1102、是)時,警告部209B其次判定於摘要值獲取前是否有特定事件(步驟S1103)。例如,警告部209B參照圖3之「運轉資訊」,判定於自摘要值獲取時起特定期間內是否有執行維護之內容之資訊。然後,於警告部209B判定為有特定事件之情形(步驟S1103、是)時,不輸出警告(步驟S1104)而結束處理。另一方面,於判定為無特定事件之情形(步驟S1103、否)時,警告部209B輸出警告(步驟S1105),結束處理。 如此,亦可以如下方式構成異常檢測裝置,即,於預測發生維護等特定事件而觀測值變得不穩定之情形時,於該事件後特定期間內不輸出警告。 此外,亦可以如下方式構成異常檢測裝置,即,於發生特定事件之後,暫且將異常檢測處理初始化。例如,亦可構成為如下,即,於執行維護之後,將記憶於異常檢測裝置中之預測值等資料暫且刪除等,僅對新輸入之資料應用統計建模。或者,亦可構成為如下,即,於輸出警告後執行維護之情形等、警告之輸出與特定事件連續地發生之情形時,之後將異常檢測處理初始化。或者,於警告之輸出與特定事件連續地發生之情形時,亦可將成為警告之對象之觀測值、摘要值及預測值、以及於特定事件之執行中所獲取之觀測值、摘要值及預測值自異常檢測處理之對象中除外。藉由如此構成,可防止因由維護等所引起之條件之變動而導致檢測結果之精度變得不穩定。 [程式] 圖10係表示使用電腦具體地實現基於第1實施形態之異常檢測程式之資訊處理之圖。如圖10所例示般,電腦1000例如具有記憶體1010、CPU(Central Processing Unit)1020、硬碟驅動器1080、及網路介面1070。電腦1000之各部藉由匯流排1100而連接。 如圖10所例示般,記憶體1010包含ROM1011及RAM1012。ROM1011例如記憶BIOS(Basic Input Output System,基本輸入輸出系統)等啟動程式。 此處,如圖10所例示般,硬碟驅動器1080例如記憶OS(Operating System,操作系統)1081、應用程式1082、程式模組1083、及程式資料1084。即,揭示之實施形態之異常檢測程式係作為記述有由電腦執行之指令之程式模組1083而記憶於例如硬碟驅動器1080。 又,用於基於異常檢測程式之資訊處理之資料係作為程式資料1084而記憶於例如硬碟驅動器1080。而且,CPU1020視需要將記憶於硬碟驅動器1080中之程式模組1083或程式資料1084讀出至RAM1012,並執行各種程序。 再者,異常檢測程式之程式模組1083或程式資料1084並不限於記憶於硬碟驅動器1080之情形。例如,程式模組1083或程式資料1084亦可記憶於可裝卸之記憶媒體中。於該情形時,CPU1020經由磁碟驅動器等可裝卸之記憶媒體而讀出資料。又,同樣地,異常檢測程式之程式模組1083或程式資料1084亦可記憶於經由網路(LAN(Local Area Network,區域網路)、WAN(Wide Area Network,廣域網路)等)而連接之其他電腦。於該情形時,CPU1020藉由經由網路介面1070對其他電腦進行存取而讀出各種資料。 [其他] 再者,本實施形態中所說明之異常檢測程式可經由網際網路等網路而分發。又,異常檢測程式亦可記錄於硬碟、軟碟(FD,Flexible Disk)、CD-ROM(Compact Disk-Read Only Memory,緊密光碟-唯讀記憶體)、MO(Magnetic Optical,磁光碟)、DVD(Digital Versatile Disk,數位多功能光碟)等能夠由電腦讀取之記錄媒體中,且藉由利用電腦自記錄媒體中讀出而執行。 再者,於本實施形態中所說明之各處理中,亦可手動地進行作為自動進行之處理而說明之處理之全部或一部分,或者,亦可利用公知之方法自動地進行作為手動進行之處理而說明之處理之全部或一部分。此外,上述文檔中或圖式中所示之處理程序、控制程序、具體名稱、包含各種資料或參數之資訊,除特別記載之情形以外可任意地變更。 進一步之效果或變化例可由業者容易地導出。因此,本發明之更廣泛之態樣並不限定於如上述般表示且記述之特定之詳細內容及代表性之實施形態。因此,可於不脫離由隨附之申請專利範圍及其均等物所定義之總的發明概念之精神或範圍之狀態下進行各種變更。
1‧‧‧異常檢測裝置1A‧‧‧異常檢測裝置1B‧‧‧異常檢測裝置2‧‧‧網路3‧‧‧遠程伺服器4‧‧‧半導體製造裝置10‧‧‧通信部20‧‧‧控制部20A‧‧‧控制部20B‧‧‧控制部29‧‧‧異常報告製作部30‧‧‧記憶部31‧‧‧半導體製造裝置資訊記憶部32‧‧‧異常檢測資訊記憶部33‧‧‧異常報告記憶部40‧‧‧輸出部201‧‧‧觀測值獲取部201A‧‧‧觀測值獲取部202‧‧‧摘要值產生部203‧‧‧選擇部204‧‧‧第1預測值產生部205‧‧‧第2預測值產生部206‧‧‧異常得分計算部207‧‧‧變化得分計算部208‧‧‧檢測部209‧‧‧警告部209B‧‧‧警告部210‧‧‧異常報告製作部1000‧‧‧電腦1010‧‧‧記憶體1011‧‧‧ROM1012‧‧‧RAM1020‧‧‧CPU1070‧‧‧網路介面1080‧‧‧硬碟驅動器1081‧‧‧OS1082‧‧‧應用程式1083‧‧‧程式模組1084‧‧‧程式資料1100‧‧‧匯流排A1‧‧‧箭頭A2‧‧‧箭頭A3‧‧‧箭頭Act‧‧‧摘要值B1‧‧‧箭頭B2‧‧‧箭頭C1‧‧‧箭頭C2‧‧‧箭頭C3‧‧‧箭頭CL‧‧‧中心線LCL‧‧‧下限管制極限LCL1‧‧‧閾值LCL2‧‧‧閾值S1‧‧‧步驟S2‧‧‧步驟S3‧‧‧步驟S4‧‧‧步驟S5‧‧‧步驟S6‧‧‧步驟S7‧‧‧步驟S8‧‧‧步驟S9‧‧‧步驟S10‧‧‧步驟S81‧‧‧步驟S82‧‧‧步驟S83‧‧‧步驟S84‧‧‧步驟S85‧‧‧步驟S1101‧‧‧步驟S1102‧‧‧步驟S1103‧‧‧步驟S1104‧‧‧步驟S1105‧‧‧步驟t‧‧‧時間點t+1‧‧‧時間點T1‧‧‧上限閾值T2‧‧‧下限閾值UCL‧‧‧上限管制極限UCL1‧‧‧閾值UCL2‧‧‧閾值W1‧‧‧箭頭W2‧‧‧箭頭W3‧‧‧箭頭W4‧‧‧箭頭W5‧‧‧箭頭W6‧‧‧箭頭X‧‧‧箭頭Y‧‧‧箭頭
圖1係表示第1實施形態之執行異常檢測方法之異常檢測裝置之構成之一例的圖。 圖2係用以對第1實施形態之異常得分計算處理進行說明之圖。 圖3係表示記憶於第1實施形態之異常檢測裝置中之半導體製造裝置資訊之構成之一例的圖。 圖4係表示記憶於第1實施形態之異常檢測裝置中之異常檢測資訊之構成之一例的圖。 圖5係表示藉由第1實施形態之異常檢測處理而輸出之資訊之一例的圖。 圖6係用以說明藉由第1實施形態之異常檢測處理而產生之預測值、異常得分及變化得分之一例的圖。 圖7係表示第1實施形態之異常檢測處理之流程之一例的流程圖。 圖8係用以對第1實施形態之變化例1之異常檢測裝置中之處理進行說明的流程圖。 圖9係用以對第1實施形態之變化例2之異常檢測裝置中之處理進行說明的流程圖。 圖10係表示使用電腦具體地實現基於第1實施形態之異常檢測程式之資訊處理之圖。 圖11係表示先前之管制圖之一例之圖。
1‧‧‧異常檢測裝置
1A‧‧‧異常檢測裝置
1B‧‧‧異常檢測裝置
2‧‧‧網路
3‧‧‧遠程伺服器
4‧‧‧半導體製造裝置
10‧‧‧通信部
20‧‧‧控制部
20A‧‧‧控制部
20B‧‧‧控制部
30‧‧‧記憶部
31‧‧‧半導體製造裝置資訊記憶部
32‧‧‧異常檢測資訊記憶部
33‧‧‧異常報告記憶部
40‧‧‧輸出部
201‧‧‧觀測值獲取部
201A‧‧‧觀測值獲取部
202‧‧‧摘要值產生部
203‧‧‧選擇部
204‧‧‧第1預測值產生部
205‧‧‧第2預測值產生部
206‧‧‧異常得分計算部
207‧‧‧變化得分計算部
208‧‧‧檢測部
209‧‧‧警告部
209B‧‧‧警告部
210‧‧‧異常報告製作部
Claims (16)
- 一種異常檢測程式,其特徵在於使電腦執行如下程序:預測值產生程序,其係藉由對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模,而推測自上述摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值,且於每次獲取新的摘要值時逐次更新上述預測值;及檢測程序,其將上述更新後之預測值之任意之信賴區間設定為閾值而檢測上述監視對象裝置有無異常。
- 如請求項1之異常檢測程式,其中於上述預測值產生程序中,使上述電腦應用使用濾波之預測模型作為上述統計建模而產生預測值。
- 如請求項2之異常檢測程式,其中於上述預測值產生程序中,使上述電腦產生藉由卡爾曼濾波所獲得之濾波值或平滑化值作為預測值。
- 如請求項1之異常檢測程式,其中於上述預測值產生程序中,使上述電腦應用使用馬可夫鏈蒙地卡羅法之預測模型作為上述統計建模而產生上述預測值。
- 如請求項4之異常檢測程式,其中於上述預測值產生程序中,使上述電腦以使用馬可夫鏈蒙地卡羅法之預測模型推斷事後分佈,並產生該事後 分佈之平均值、眾數及中央值之任一者作為上述預測值。
- 如請求項1至5中任一項之異常檢測程式,其中於上述檢測程序中,使上述電腦於上述預測值與上述摘要值之殘差、該殘差之平方、及上述預測值與上述摘要值之標準化殘差中之至少任一者大於閾值之情形時檢測異常。
- 如請求項1至5中任一項之異常檢測程式,其中於上述預測值產生程序中,使上述電腦應用預測模型與變化點檢測模型作為上述統計建模。
- 如請求項1至5中任一項之異常檢測程式,其中於上述檢測程序中,使上述電腦於上述摘要值之貝葉斯變化點之得分超過閾值之情形時檢測異常。
- 一種異常檢測方法,其特徵在於使電腦執行如下製程(process):預測值產生製程,其係藉由對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模,而推測自上述摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值,且於每次獲取新的摘要值時逐次更新上述預測值;及檢測製程,其將上述更新後之預測值之任意之信賴區間設定為閾值而檢測上述監視對象裝置有無異常。
- 如請求項9之異常檢測方法,其使上述電腦進而執行輸出製程,該輸出製程係輸出於縱軸表示上述預測值與上述摘要值之殘差、該殘差之平方、及上述預測值與上述摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的表。
- 如請求項9之異常檢測方法,其使上述電腦進而執行輸出製程,該輸出製程係輸出於縱軸表示上述摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的表。
- 如請求項9之異常檢測方法,其使上述電腦進而執行輸出製程,該輸出製程係將於縱軸表示上述預測值與上述摘要值之殘差、該殘差之平方、及上述預測值與上述摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的第1表、及於縱軸表示上述摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的第2表作為使時間軸一致且對齊之圖像而輸出。
- 一種異常檢測裝置,其具備:預測值產生部,其係藉由對將於監視對象裝置中反覆執行之處理中之特定時序所獲取的成為該監視對象裝置之運轉狀態之指標之觀測值彙總所得的摘要值應用統計建模,而推測自上述摘要值去除雜訊後之狀態,並基於該推測產生對一期後之摘要值進行預測所得之預測值,且於每次獲取新的摘要值時逐次更新上述預測值;及檢測部,其將上述更新後之預測值之任意之信賴區間設定為閾值而 檢測上述監視對象裝置有無異常。
- 如請求項13之異常檢測裝置,其進而具備:製作部,其製作於縱軸表示上述預測值與上述摘要值之殘差、該殘差之平方、及上述預測值與上述摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的表;及輸出部,其輸出上述製作部所製作之表。
- 如請求項13之異常檢測裝置,其進而具備:製作部,其製作於縱軸表示上述摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的表;及輸出部,其輸出上述製作部所製作之表。
- 如請求項13之異常檢測裝置,其進而具備:製作部,其製作於縱軸表示上述預測值與上述摘要值之殘差、該殘差之平方、及上述預測值與上述摘要值之標準化殘差中之至少任一者與閾值且於橫軸表示時間軸的第1表、及於縱軸表示上述摘要值之貝葉斯變化點之得分與閾值且於橫軸表示時間軸的第2表;及輸出部,其將上述第1表與上述第2表作為使時間軸一致且對齊之圖像而輸出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016188280 | 2016-09-27 | ||
JP??2016-188280 | 2016-09-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201816530A TW201816530A (zh) | 2018-05-01 |
TWI737816B true TWI737816B (zh) | 2021-09-01 |
Family
ID=61759576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106132393A TWI737816B (zh) | 2016-09-27 | 2017-09-21 | 異常檢測程式、異常檢測方法及異常檢測裝置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200333777A1 (zh) |
JP (1) | JP6723669B2 (zh) |
TW (1) | TWI737816B (zh) |
WO (1) | WO2018061842A1 (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11202001932UA (en) * | 2017-09-04 | 2020-04-29 | Kokusai Electric Corp | Substrate processing apparatus, method of monitoring abnormality of substrate processing apparatus, and program |
WO2019234913A1 (ja) * | 2018-06-08 | 2019-12-12 | 千代田化工建設株式会社 | 支援装置、学習装置、及びプラント運転条件設定支援システム |
JP7143639B2 (ja) * | 2018-06-12 | 2022-09-29 | オムロン株式会社 | 異常検知システム、設定ツール装置、および異常対応ファンクションブロック |
US11249469B2 (en) * | 2018-09-28 | 2022-02-15 | Rockwell Automation Technologies, Inc. | Systems and methods for locally modeling a target variable |
JP6910997B2 (ja) * | 2018-10-03 | 2021-07-28 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 情報処理装置、算出方法および算出プログラム |
CN109583470A (zh) * | 2018-10-17 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种异常检测的解释特征确定方法和装置 |
JP7309366B2 (ja) * | 2019-01-15 | 2023-07-18 | 株式会社東芝 | 監視システム、監視方法およびプログラム |
JP7202248B2 (ja) * | 2019-04-23 | 2023-01-11 | 株式会社日立製作所 | プラント状態監視システムおよびプラント状態監視方法 |
TWI744909B (zh) * | 2019-06-28 | 2021-11-01 | 日商住友重機械工業股份有限公司 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
JP6694124B1 (ja) * | 2019-07-22 | 2020-05-13 | 調 荻野 | 時系列データの前処理プログラム及び前処理方法 |
TWI700565B (zh) * | 2019-07-23 | 2020-08-01 | 臺灣塑膠工業股份有限公司 | 參數修正方法及系統 |
KR102425936B1 (ko) | 2019-07-30 | 2022-07-28 | 주식회사 히타치하이테크 | 장치 진단 장치, 플라스마 처리 장치 및 장치 진단 방법 |
US11410891B2 (en) * | 2019-08-26 | 2022-08-09 | International Business Machines Corporation | Anomaly detection and remedial recommendation |
JP2021033842A (ja) * | 2019-08-28 | 2021-03-01 | 株式会社東芝 | 状態監視装置、方法及びプログラム |
US20210110207A1 (en) * | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Automatic activation and configuration of robotic process automation workflows using machine learning |
TW202347125A (zh) * | 2019-11-20 | 2023-12-01 | 美商奈米創尼克影像公司 | 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 |
US11880750B2 (en) | 2020-04-15 | 2024-01-23 | SparkCognition, Inc. | Anomaly detection based on device vibration |
US20210390483A1 (en) * | 2020-06-10 | 2021-12-16 | Tableau Software, LLC | Interactive forecast modeling based on visualizations |
US20220399182A1 (en) * | 2020-06-15 | 2022-12-15 | Hitachi High-Tech Corporation | Apparatus diagnostic apparatus, apparatus diagnostic method, plasma processing apparatus and semiconductor device manufacturing system |
JP7413159B2 (ja) * | 2020-06-23 | 2024-01-15 | 東京エレクトロン株式会社 | 情報処理装置、プログラム及び監視方法 |
US11397746B2 (en) | 2020-07-30 | 2022-07-26 | Tableau Software, LLC | Interactive interface for data analysis and report generation |
JP7429623B2 (ja) * | 2020-08-31 | 2024-02-08 | 株式会社日立製作所 | 製造条件設定自動化装置及び方法 |
JP2022043780A (ja) | 2020-09-04 | 2022-03-16 | 東京エレクトロン株式会社 | パラメータ選択方法および情報処理装置 |
KR20230104236A (ko) * | 2020-12-18 | 2023-07-07 | 미쓰비시덴키 가부시키가이샤 | 정보 처리 장치 및 정보 처리 방법 |
JP2022188345A (ja) * | 2021-06-09 | 2022-12-21 | 富士電機株式会社 | 診断装置、診断方法、診断プログラム |
TWI819318B (zh) * | 2021-06-17 | 2023-10-21 | 台達電子工業股份有限公司 | 機台監控裝置以及方法 |
WO2023286142A1 (ja) | 2021-07-13 | 2023-01-19 | 株式会社日立ハイテク | 診断装置及び診断方法並びにプラズマ処理装置及び半導体装置製造システム |
CN113536572B (zh) * | 2021-07-19 | 2023-10-03 | 长鑫存储技术有限公司 | 晶圆循环时间的确定方法和装置 |
CN113891386B (zh) * | 2021-11-02 | 2023-06-20 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
CN113837325B (zh) * | 2021-11-25 | 2022-03-01 | 上海观安信息技术股份有限公司 | 基于无监督算法的用户异常检测方法及装置 |
KR20230120121A (ko) | 2022-02-07 | 2023-08-16 | 주식회사 히타치하이테크 | 진단 장치, 진단 방법, 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템 |
US20230251646A1 (en) * | 2022-02-10 | 2023-08-10 | International Business Machines Corporation | Anomaly detection of complex industrial systems and processes |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5930111A (ja) * | 1982-08-11 | 1984-02-17 | Hitachi Ltd | 生産工程管理異常警報方式 |
JP2009533768A (ja) * | 2006-04-14 | 2009-09-17 | ダウ グローバル テクノロジーズ インコーポレイティド | プロセス監視技法および関連処置 |
US20120136629A1 (en) * | 2009-06-11 | 2012-05-31 | Kenji Tamaki | Apparatus abnormality monitoring method and system |
US20140214354A1 (en) * | 2013-01-28 | 2014-07-31 | Verayo, Inc. | System and method of detection and analysis for semiconductor condition prediction |
TW201431369A (zh) * | 2013-01-25 | 2014-08-01 | Univ Nat Taiwan Science Tech | 異常物體偵測方法與電子裝置 |
JP2015103218A (ja) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
JP5930111B2 (ja) | 2015-11-11 | 2016-06-08 | 株式会社セガゲームス | ゲームプログラムおよび情報処理装置 |
WO2016116961A1 (ja) * | 2015-01-21 | 2016-07-28 | 三菱電機株式会社 | 情報処理装置および情報処理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7979154B2 (en) * | 2006-12-19 | 2011-07-12 | Kabushiki Kaisha Toshiba | Method and system for managing semiconductor manufacturing device |
JP5855841B2 (ja) * | 2011-04-01 | 2016-02-09 | 株式会社日立国際電気 | 管理装置 |
JP5259797B2 (ja) * | 2011-09-05 | 2013-08-07 | 株式会社東芝 | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
KR101518374B1 (ko) * | 2013-10-10 | 2015-05-07 | 이도형 | 박막의 계측시스템 및 그 방법 |
-
2017
- 2017-09-15 JP JP2018542408A patent/JP6723669B2/ja active Active
- 2017-09-15 WO PCT/JP2017/033577 patent/WO2018061842A1/ja active Application Filing
- 2017-09-15 US US16/336,744 patent/US20200333777A1/en not_active Abandoned
- 2017-09-21 TW TW106132393A patent/TWI737816B/zh active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5930111A (ja) * | 1982-08-11 | 1984-02-17 | Hitachi Ltd | 生産工程管理異常警報方式 |
JP2009533768A (ja) * | 2006-04-14 | 2009-09-17 | ダウ グローバル テクノロジーズ インコーポレイティド | プロセス監視技法および関連処置 |
US20120136629A1 (en) * | 2009-06-11 | 2012-05-31 | Kenji Tamaki | Apparatus abnormality monitoring method and system |
TW201431369A (zh) * | 2013-01-25 | 2014-08-01 | Univ Nat Taiwan Science Tech | 異常物體偵測方法與電子裝置 |
US20140214354A1 (en) * | 2013-01-28 | 2014-07-31 | Verayo, Inc. | System and method of detection and analysis for semiconductor condition prediction |
JP2015103218A (ja) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
WO2016116961A1 (ja) * | 2015-01-21 | 2016-07-28 | 三菱電機株式会社 | 情報処理装置および情報処理方法 |
JP5930111B2 (ja) | 2015-11-11 | 2016-06-08 | 株式会社セガゲームス | ゲームプログラムおよび情報処理装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2018061842A1 (ja) | 2018-04-05 |
US20200333777A1 (en) | 2020-10-22 |
JPWO2018061842A1 (ja) | 2019-06-27 |
JP6723669B2 (ja) | 2020-07-15 |
TW201816530A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI737816B (zh) | 異常檢測程式、異常檢測方法及異常檢測裝置 | |
US10809703B2 (en) | Management system and management method | |
US11067973B2 (en) | Data collection system, abnormality detection method, and gateway device | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
JP2017030221A (ja) | 射出成形機の異常診断装置 | |
WO2020066052A1 (ja) | 監視システム及び監視方法 | |
JP6280862B2 (ja) | イベント分析システムおよび方法 | |
JP2015028700A (ja) | 障害検知装置、障害検知方法、障害検知プログラム及び記録媒体 | |
JP2020052714A5 (zh) | ||
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
JP6948197B2 (ja) | プロセス監視装置 | |
TWI710873B (zh) | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 | |
WO2020085077A1 (ja) | 制御装置および制御プログラム | |
JP2021092971A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP6668699B2 (ja) | 監視支援装置、監視支援方法、及びプログラム | |
JP2021144637A (ja) | 情報処理装置、情報処理方法およびプログラム | |
KR20160053977A (ko) | 모델 적응을 위한 장치 및 방법 | |
JP6896380B2 (ja) | 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム | |
JP2010102462A (ja) | 障害推定装置、方法及びプログラム | |
WO2023209774A1 (ja) | 異常診断方法、異常診断装置、および、異常診断プログラム | |
JP4962371B2 (ja) | 故障推定装置 | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 | |
US20230152759A1 (en) | Information processing apparatus, information processing method, and computer program product | |
JP2018014071A (ja) | センサログ推定による予知保全プログラム |