WO2018061842A1 - 異常検知プログラム、異常検知方法および異常検知装置 - Google Patents
異常検知プログラム、異常検知方法および異常検知装置 Download PDFInfo
- Publication number
- WO2018061842A1 WO2018061842A1 PCT/JP2017/033577 JP2017033577W WO2018061842A1 WO 2018061842 A1 WO2018061842 A1 WO 2018061842A1 JP 2017033577 W JP2017033577 W JP 2017033577W WO 2018061842 A1 WO2018061842 A1 WO 2018061842A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- value
- abnormality detection
- predicted value
- abnormality
- unit
- 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
Definitions
- the present invention relates to an abnormality detection program, an abnormality detection method, and an abnormality detection apparatus.
- a recipe that is, a processing flow and contents are set in advance. Then, the semiconductor manufacturing apparatus manufactures a semiconductor of a desired quality when the processing is executed according to the recipe.
- the fact that the semiconductor manufacturing apparatus is in a desired control state is referred to as being in a stable operation state.
- a control chart such as a Schuhart chart has been used to monitor whether or not a semiconductor manufacturing apparatus is in a stable operation state and detect an abnormality in the semiconductor manufacturing apparatus.
- data during execution of each recipe is acquired from a sensor provided in advance in a semiconductor manufacturing apparatus, and summary values such as average values and variations are calculated from the acquired data.
- the calculated summary values are plotted in time series, an upper limit threshold value and a lower limit threshold value (or one of them) are set, and when the summary value deviates from the threshold value, it is determined as abnormal.
- a fixed value, 3 ⁇ , or the like is used as the threshold value.
- an abnormality detection method for example, there is a method for detecting a sign of abnormality of a semiconductor manufacturing apparatus based on apparatus log information such as information related to operation driving of a semiconductor manufacturing apparatus or information related to an internal state of a processing chamber.
- apparatus log information such as information related to operation driving of a semiconductor manufacturing apparatus or information related to an internal state of a processing chamber.
- Patent Document 1 An abnormality sign diagnosis apparatus configured to continue diagnosis even during maintenance of mechanical equipment has been proposed (Patent Document 2).
- the abnormality sign diagnosis device learns a normal model based on time-series data related to a device that continues to operate even during a maintenance period among a plurality of devices that the mechanical equipment has, and performs a diagnosis continuously even during the maintenance period.
- an abnormality diagnosis apparatus that performs process system abnormality diagnosis, an apparatus that estimates an operator's judgment in the process system, and the like have been proposed (Patent Document 3).
- JP 2010-283000 A Japanese Patent Laying-Open No. 2015-108886 JP 2012-9064 A
- the plurality of sensors are dynamically controlled and interact with each other.
- the plurality of sensors are also affected by changes over time. For this reason, the sensor output is not completely reproduced every time in each process of semiconductor manufacturing.
- the threshold value for detecting the abnormality is set based on the past data by the operator who handles the semiconductor manufacturing apparatus. For this reason, the accuracy of abnormality detection depends on the experience value of the operator.
- the output value from the sensor may fluctuate greatly before and after the maintenance.
- the state of the semiconductor manufacturing apparatus changes with time.
- the abnormality detection device, the abnormality detection method, and the abnormality detection program obtain an observation value that is acquired at a predetermined timing during processing that is repeatedly executed in the monitoring target device and serves as an index of the operation state of the monitoring target device. Apply statistical modeling to the summarized values. Then, the abnormality detection device, the abnormality detection method, and the abnormality detection program estimate a state in which noise is removed from the summary value, and generate a predicted value that predicts the summary value of one period ahead based on the estimation. Furthermore, the abnormality detection device, the abnormality detection method, and the abnormality detection program detect whether there is an abnormality in the monitoring target device based on the predicted value.
- FIG. 1 is a diagram illustrating an example of a configuration of an abnormality detection apparatus that executes the abnormality detection method according to the first embodiment.
- FIG. 2 is a diagram for explaining the abnormality score calculation process according to the first embodiment.
- FIG. 3 is a diagram illustrating an example of a configuration of semiconductor manufacturing apparatus information stored in the abnormality detection apparatus according to the first embodiment.
- FIG. 4 is a diagram illustrating an example of a configuration of abnormality detection information stored in the abnormality detection device according to the first embodiment.
- FIG. 5 is a diagram illustrating an example of information output by the abnormality detection process according to the first embodiment.
- FIG. 6 is a diagram for explaining an example of a predicted value, an abnormality score, and a change score generated by the abnormality detection process according to the first embodiment.
- FIG. 1 is a diagram illustrating an example of a configuration of an abnormality detection apparatus that executes the abnormality detection method according to the first embodiment.
- FIG. 2 is a diagram for explaining the abnormality score calculation process according to
- FIG. 7 is a flowchart illustrating an example of a flow of abnormality detection processing according to the first embodiment.
- FIG. 8 is a flowchart for explaining a process in the abnormality detection device according to the first modification of the first embodiment.
- FIG. 9 is a flowchart for explaining processing in the abnormality detection device according to the second modification of the first embodiment.
- FIG. 10 is a diagram illustrating that information processing by the abnormality detection program according to the first embodiment is specifically realized using a computer.
- FIG. 11 is a diagram showing an example of a conventional management chart.
- the abnormality detection program causes a computer to execute a predicted value generation procedure and a detection procedure.
- the predicted value generation procedure the computer performs statistical modeling on a summary value obtained by summarizing observation values obtained at predetermined timings during processing repeatedly executed in the monitoring target device and serving as an index of the operation state of the monitoring target device. By applying, a state in which noise is removed from the summary value is estimated, and a predicted value is generated by predicting the summary value ahead of one period based on the estimation.
- the computer detects whether there is an abnormality in the monitoring target device based on the predicted value.
- the anomaly detection program causes the computer to sequentially execute the prediction model as statistical modeling and update the prediction value each time a new summary value is acquired in the prediction value generation procedure. Further, the abnormality detection program causes the computer to detect an abnormality of the monitoring target device by setting an arbitrary confidence interval of the updated predicted value as the upper and lower threshold values in the detection procedure.
- the abnormality detection program causes the computer to generate a prediction value by applying a prediction model using filtering as statistical modeling in the prediction value generation procedure.
- the abnormality detection program causes the computer to generate a filtering value or a smoothing value obtained by Kalman filtering as a predicted value in the predicted value generation procedure.
- the anomaly detection program causes a computer to generate a prediction value by applying a prediction model using the Markov chain Monte Carlo method as statistical modeling in the prediction value generation procedure.
- the abnormality detection program causes the computer to estimate a posterior distribution using a prediction model using a Markov chain Monte Carlo method in a predicted value generation procedure, and to calculate an average value and a mode value of the posterior distribution. And one of the median values is generated as a predicted value.
- the abnormality detection program causes the computer to perform a residual between the predicted value and the summary value, a square of the residual, and a standardized residual between the predicted value and the summary value in the detection procedure. An abnormality is detected when at least one of them is larger than the threshold value.
- the abnormality detection program causes the computer to apply the prediction model and the change point detection model as statistical modeling in the predicted value generation procedure.
- the abnormality detection program causes the computer to detect an abnormality when the score of the Bayesian change point of the summary value exceeds a threshold value in the detection procedure.
- the abnormality detection method is a summary value obtained by summarizing observation values that are acquired at a predetermined timing during processing that is repeatedly executed in the monitoring target device and that serve as an indicator of the operating state of the monitoring target device.
- the abnormality detection method includes at least one of a residual between a predicted value and a summary value, a square of the residual, and a standardized residual between the predicted value and the summary value.
- the computer further executes an output step of outputting a table displaying the threshold value on the vertical axis and the time axis on the horizontal axis.
- the abnormality detection method includes: outputting a table in which a score and a threshold value of a Bayesian change point of a summary value are displayed on a vertical axis and a time axis is displayed on a horizontal axis; Perform further.
- the abnormality detection method includes at least one of a residual between a predicted value and a summary value, a square of the residual, and a standardized residual between the predicted value and the summary value.
- the first table displaying the time and the threshold on the vertical axis, the time axis on the horizontal axis, the score and threshold of the Bayesian change point of the summary value on the vertical axis, and the time axis on the horizontal axis.
- the computer further executes an output step of outputting the second table as an image aligned with the time axis.
- the abnormality detection device includes a predicted value generation unit and a detection unit.
- the predicted value generation unit applies statistical modeling to a summary value obtained by summarizing observation values that are acquired at a predetermined timing during processing that is repeatedly executed in the monitoring target device and that serves as an index of the operation state of the monitoring target device.
- a state in which noise is removed from the summary value is estimated, and a predicted value is generated by predicting the summary value of the next term based on the estimation.
- the detection unit detects whether there is an abnormality in the monitoring target device based on the predicted value.
- the anomaly detection device includes at least one of a residual between a predicted value and a summary value, a square of the residual, and a standardized residual between the predicted value and the summary value.
- the apparatus further includes a creation unit that creates a table that displays the threshold value on the vertical axis and the time axis on the horizontal axis, and an output unit that outputs the table created by the creation unit.
- the anomaly detection device includes a creation unit that creates a table that displays the score and threshold value of the Bayesian change point of the summary value on the vertical axis, and displays the time axis on the horizontal axis; And an output unit for outputting a table created by the unit.
- the abnormality detection device includes at least one of a residual between a predicted value and a summary value, a square of the residual, and a standardized residual between the predicted value and the summary value.
- the first table displaying the time and the threshold on the vertical axis, the time axis on the horizontal axis, the score and threshold of the Bayesian change point of the summary value on the vertical axis, and the time axis on the horizontal axis.
- a creation unit that creates the second table; and an output unit that outputs the first table and the second table as an image in which the time axes are aligned.
- FIG. 11 is a diagram showing an example of a conventional management chart.
- an Xbar-R control chart of a manufacturing apparatus for manufacturing 1000 products A per lot is created. First, 5 samples are extracted from one lot, and an average value of predetermined parameters of 5 samples is calculated. Also, the variation (range) of predetermined parameters of 5 samples is calculated. If a control chart for 20 lots is to be created, 5 samples are extracted for each of the 20 lots, and the average value and variation are similarly calculated. And the average value of the average value for 20 lots is calculated. Also, an average value of variation for 20 lots is calculated. The average value of the average values is the center line CL in FIG. 11A, and the average value of the variation is the center line CL in FIG.
- the upper limit control limit UCL and the lower limit control limit LCL are calculated based on the predetermined coefficient and the two average values calculated above. Then, when the calculated upper limit control limit UCL, lower limit control limit LCL, and average value calculated for each lot are plotted in a table, the control chart shown in FIG. 11 is obtained. On the control chart, a lot that takes a value that protrudes between the upper limit control limit UCL and the lower limit control limit LCL is determined to be abnormal. Thus, the control chart using a fixed value as a threshold is effective when the performance criterion (limit value) is clear. On the other hand, when it is difficult to clearly set the performance criterion (limit value) as a fixed value, the abnormality determination using only the control chart is not sufficient.
- the anomaly detection apparatus applies a statistical modeling to a summary value such as an average value of observation values, thereby removing a system noise and an observation noise from the summary value of the observation values.
- a statistical modeling to a summary value such as an average value of observation values, thereby removing a system noise and an observation noise from the summary value of the observation values.
- the abnormality detection device generates a predicted value, that is, a predicted value, as a summary value at the time point when the observed value is next acquired (one period ahead).
- the abnormality detection device further generates a predicted value for one period ahead based on the summary value.
- the anomaly detection apparatus applies a statistical modeling method to estimate the true state of the monitored apparatus every time a new summary value is generated, and the summary value is determined at the next time point. And a predicted value estimated to be taken. And an abnormality detection apparatus sets the threshold value used for abnormality detection based on the predicted value produced
- Observed value means a value actually observed in a monitoring target apparatus such as a semiconductor manufacturing apparatus. “Observed values” are measured values such as atmospheric pressure, degree of vacuum, and temperature detected by a sensor disposed in a semiconductor manufacturing apparatus, for example. The “observation value” includes variations (that is, system noise and observation noise) depending on, for example, the state of the sensor and the state of the semiconductor manufacturing apparatus.
- “Summary value” is a value obtained by extracting an arbitrary feature of an observed value.
- the “summary value” is, for example, an average value or variation (standard deviation or the like) of observed values over a predetermined period, an average value of variation, a median value, a weighted average, or the like.
- Predicted value is a value predicted by“ summary value ”ahead of one term based on“ observed value ”or“ summary value ”. That is, the “predicted value” is a value indicating a summary value predicted for one period ahead.
- the anomaly detection apparatus estimates a true state from an observed value by applying a statistical modeling technique, and generates a predicted value. Then, the abnormality detection device detects whether there is an abnormality in the monitoring target device based on the calculated predicted value.
- FIG. 1 is a diagram illustrating an example of a configuration of an abnormality detection apparatus 1 that executes the abnormality detection method according to the first embodiment.
- the abnormality detection device 1 is connected to the remote server 3 via the network 2.
- the remote server 3 is connected to a monitoring target device that is a target of abnormality detection, that is, a semiconductor manufacturing device 4.
- An arbitrary number of sensors are installed in the semiconductor manufacturing apparatus 4 and a predetermined parameter is measured each time a manufacturing process in the semiconductor manufacturing apparatus 4 is executed.
- the measured parameter is transmitted to the remote server 3.
- the remote server 3 sequentially transmits parameters received from the sensors of the semiconductor manufacturing apparatus 4 to the abnormality detection apparatus 1.
- the anomaly detection device 1 is operated, for example, by a business operator who performs maintenance management of the semiconductor manufacturing device 4.
- the remote server 3 is managed by a user who uses the semiconductor manufacturing apparatus 4.
- the remote server 3 and the semiconductor manufacturing apparatus 4 are installed in a user's office or the like.
- the abnormality detection apparatus 1 may be virtually realized using cloud computing.
- the anomaly detection device 1 and the remote server 3 are communicably connected via the network 2.
- the type of the network 2 to be connected is not particularly limited, and may be an arbitrary network such as the Internet, a wide area network, a local area network. Moreover, either a wireless network or a wired network may be used, or a combination thereof.
- the abnormality detection apparatus 1 is connected to a remote server 3 that constantly collects observation values observed in the semiconductor manufacturing apparatus 4 via the network 2, thereby realizing online monitoring that constantly monitors the semiconductor manufacturing apparatus 3 online. . For this reason, the abnormality detection apparatus 1 can detect the abnormality of the semiconductor manufacturing apparatus 3 in real time and notify the user.
- the abnormality detection device 1 includes a communication unit 10, a control unit 20, a storage unit 30, and an output unit 40.
- the communication unit 10 is a functional unit that realizes communication between the abnormality detection device 1 and the remote server 3.
- the communication unit 10 includes, for example, a port and a switch.
- the communication unit 10 receives information transmitted from the remote server 3.
- the communication unit 10 transmits information generated in the abnormality detection device 1 to the remote server 3 under the control of the control unit 20.
- the control unit 20 controls the operation and function of the abnormality detection device 1.
- the control unit 20 can be configured by any integrated circuit or electronic circuit.
- the control unit 20 can be configured using a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like.
- the storage unit 30 stores information used for processing of each unit of the abnormality detection device 1 and information generated by the processing of each unit.
- An arbitrary semiconductor memory element or the like can be used for the storage unit 30.
- RAM Random Access Memory
- ROM Read Only Memory
- a hard disk, an optical disk, or the like can be used as the storage unit 30.
- the output unit 40 outputs information generated in the abnormality detection device 1 and information stored in the abnormality detection device 1. For example, the output unit 40 outputs information by sound or image.
- the output unit 40 is, for example, a display device that displays information generated in the abnormality detection device 1 and information stored in the abnormality detection device 1.
- the output unit 40 includes, for example, a speaker, a printer, a monitor, and the like.
- the control unit 20 includes an observation value acquisition unit 201, a summary value generation unit 202, a selection unit 203, a first prediction value generation unit 204, a second prediction value generation unit 205, an abnormal score calculation unit 206, and a change score calculation unit 207.
- the observation value acquisition unit 201 receives an observation value acquired by a sensor arranged in the semiconductor manufacturing apparatus 4 via the remote server 3 and the communication unit 10.
- the senor acquires a numerical value indicating an operating state of the step, that is, an observed value. For example, if the step is executed while the processing chamber is held at a predetermined atmospheric pressure, the sensor acquires an observation value of the atmospheric pressure in the processing chamber when a predetermined time has elapsed from the start of the processing.
- the observed value is transmitted from the remote server 3 to the abnormality detection device 1 every time one process is completed in the semiconductor manufacturing device 4.
- One run corresponds to, for example, processing for one batch in the case of batch processing and processing of one wafer in the case of single wafer processing.
- the observation value acquired at the predetermined timing of the process is transmitted from the semiconductor manufacturing apparatus 4 to the observation value acquisition unit 201 a predetermined number of times.
- the observation value is, for example, a trace log of each sensor.
- the observation value acquired by the observation value acquisition unit 201 is stored in the storage unit 30.
- the summary value generation unit 202 generates a summary value based on the observation value acquired by the observation value acquisition unit 201.
- the summary value is a statistical value indicating the operating state of the semiconductor manufacturing apparatus 4 at each time point calculated based on the observation value acquired by the observation value acquisition unit 201.
- the summary value is, for example, an average value of observation values, an average value of variation of observation values, a standard deviation, a median value, a weighted average, or the like used in a conventional control chart.
- the summary value generation unit 202 classifies the observation values by layer according to the monitoring purpose. For example, the summary value generation unit 202 classifies the observation values for each sensor part, for each recipe, and for each step. Then, the summary value generation unit 202 performs preprocessing on the observed values after classification. The preprocessing is, for example, processing for truncating missing values and unnecessary data, removing trends, and making a normal distribution. The summary value generation unit 202 generates a summary value based on the observed values after classification and preprocessing. Note that what value is generated as the summary value is set in advance according to the properties of the recipe and the step.
- the selection unit 203 inputs the summary value to one of the first predicted value generation unit 204 and the second predicted value generation unit 205 according to the property of the data acquired so far. For example, the selection unit 203 selects the summary value from the first predicted value generation unit 204 and the second predicted value generation unit 205 depending on whether the data acquired so far is normally distributed or non-normally distributed. Enter in either. For example, the selection unit 203 inputs a summary value to the first predicted value generation unit 204 for normally distributed data. In addition, the selection unit 203 inputs a summary value to the second predicted value generation unit 205 for data with a non-normal distribution.
- the first predicted value generation unit 204 generates a predicted value from the summary value using a prediction method using filtering.
- a prediction method using filtering generates a prediction value based on newly input data. For this reason, the prediction method using filtering can realize high-speed processing and is suitable for observation data having a normal distribution.
- the second predicted value generation unit 205 generates a predicted value from the summary value using a prediction method using a Markov chain Monte Carlo method (MCMC).
- MCMC Markov chain Monte Carlo method
- the prediction method using MCMC when new data is input, a prediction value is regenerated based on the entire past data (or the entire data for the past predetermined period) including the new data. For this reason, although the prediction method using MCMC is slower in processing than the prediction method using filtering, it can realize more accurate estimation and is also applicable to observation data with non-normal distribution.
- the first predicted value generation unit 204 applies the first statistical modeling to the summary value generated by the summary value generation unit 202 to generate a predicted value.
- the summary value generated by the summary value generation unit 202 is still in a state in which noise and observation error are included even after the preprocessing. Therefore, in the present embodiment, the first predicted value generation unit 204 applies statistical modeling to estimate a true summary value, that is, a predicted value obtained by removing noise and observation error from the summary value.
- the first predicted value generation unit 204 estimates a state from a summary value by applying a time series analysis method using a state space model. For example, here, the first predicted value generation unit 204 estimates a state by applying a prediction method using filtering such as a Kalman filter. For example, the first predicted value generation unit 204 executes Kalman filtering using a local level model (dynamic linear model). The first predicted value generation unit 204 passes the summary value through a Kalman filter to obtain an optimal likelihood of the parameters of the dynamic linear model. Then, the first predicted value generation unit 204 puts the obtained likelihood into the dynamic linear model and estimates the state from the filtering result.
- filtering such as a Kalman filter.
- a local level model dynamic linear model
- the first predicted value generation unit 204 passes the summary value generated from the observation value at time t through a Kalman filter, and estimates the true state of the summary value generated from the observation value at time t + 1 acquired next. To do. Then, based on the estimated state, the first predicted value generation unit 204 generates a predicted value that is a value predicted to be the summary value at time t + 1.
- the predicted value is, for example, a filtering value or a smoothing value.
- the first predicted value generation unit 204 uses the Kalman gain to calculate the error of the predicted value calculated when the previous run summary value is input. It corrects and updates the predicted value to generate the latest predicted value.
- the first predicted value generation unit 204 may partially perform multiple regression estimation also in state estimation.
- the first predicted value generation unit 204 generates a predicted value.
- the predicted value By generating the predicted value from the summary value in this way, it is possible to remove the noise and observation error of the summary value (observed value) and extract the trend of increase / decrease in the summary value.
- the second predicted value generation unit 205 applies the second statistical modeling to the summary value generated by the summary value generation unit 202 to generate a predicted value.
- the second statistical modeling used by the second predicted value generation unit 205 is different from the first statistical modeling used by the first predicted value generation unit 204.
- the second predicted value generation unit 205 generates a predicted value by applying a prediction method using a Markov chain Monte Carlo method (MCMC) to the summary value.
- MCMC Markov chain Monte Carlo method
- the second predicted value generation unit 205 obtains a predicted value by calculating the posterior probability by Bayes estimation using the posterior probability generated at the previous summary value acquisition time as the prior probability using Bayes' theorem. . Since the posterior probability obtained by Bayesian estimation is expressed as a distribution, the second predicted value generation unit 205 calculates an average value (posterior average value), mode or median value of the posterior probability distribution, and calculates the predicted value and To do.
- the second predicted value generation unit 205 updates the predicted value using the latest summary value every time the latest summary value is input. Each time a new summary value is input, the second predicted value generation unit 205 applies MCMC to all the data input so far and updates the predicted value. As described above, every time the summary value is input, the second predicted value generation unit 205 adjusts a value serving as a base for abnormality detection based on all the data input so far. For this reason, when performing abnormality detection using a prediction value generated using MCMC, it is possible to realize abnormality detection with higher accuracy than abnormality detection using a prediction value generated using filtering.
- the anomaly score calculation unit 206 calculates an anomaly score that serves as an index of the presence or absence of an anomaly in the semiconductor manufacturing apparatus 4 using the prediction value generated by the first prediction value generation unit 204 or the second prediction value generation unit 205.
- the abnormality score is obtained by scoring the magnitude of the possibility of occurrence of abnormality at each time point of the semiconductor manufacturing apparatus 4 based on the predicted value.
- the abnormal score calculation unit 206 calculates the magnitude of the residual between the predicted value and the summary value and sets it as the abnormal score. Further, the abnormal score calculation unit 206 may calculate the absolute value of the residual between the predicted value and the summary value and use it as the abnormal score. Further, for example, the abnormal score calculation unit 206 may set the square of the residual between the predicted value and the summary value as the abnormal score. Further, for example, the abnormal score calculation unit 206 may use a value (standardized residual) obtained by dividing and standardizing the residual between the predicted value and the summary value by the standard deviation as the abnormal score.
- the abnormal score calculation unit 206 sets an arbitrary confidence interval (for example, 95%) of the predicted value as a threshold value. Further, the abnormality score calculation unit 206 may set an arbitrary probability of the distribution obtained by trimming the calculated abnormality score and excluding outliers as an abnormality determination line, that is, a threshold value. Further, the abnormality score calculation unit 206 may determine abnormality and normal in an unsupervised state by machine learning using a support vector machine or the like, and set a threshold value. Then, the detection unit 208 (described later) detects the presence or absence of an abnormality depending on whether the summary value is within the set threshold value.
- an arbitrary confidence interval for example, 95%) of the predicted value as a threshold value. Further, the abnormality score calculation unit 206 may set an arbitrary probability of the distribution obtained by trimming the calculated abnormality score and excluding outliers as an abnormality determination line, that is, a threshold value. Further, the abnormality score calculation unit 206 may determine abnormality and normal in an unsupervised state by machine learning using a support vector machine
- the abnormality detection device 1 will be described assuming that the summary value is input to one of the first predicted value generation unit 204 and the second predicted value generation unit 205. That is, the abnormality score calculation unit 206 will be described as calculating the abnormality score based on the prediction value generated by one of the first prediction value generation unit 204 and the second prediction value generation unit 205.
- FIG. 2 is a diagram for explaining the abnormality score calculation processing according to the first embodiment.
- FIG. 2A shows the sensor data (summary value) acquired for each run on the vertical axis and the run on the horizontal axis.
- the summary value is indicated by a solid line
- the predicted value is indicated by a dotted line.
- (B) in FIG. 2 is obtained by plotting the magnitude of the residual between the summary value and the predicted value shown in (A) as an abnormal score.
- the abnormal score when the abnormal score deviates from the upper and lower threshold values indicated by the dotted lines, it is detected as abnormal.
- the abnormal score is out of the upper and lower thresholds at the portions indicated by arrows X and Y.
- a portion indicated by an arrow X is a portion where the abnormality score exceeds the upper limit threshold and is detected as abnormal.
- a portion indicated by an arrow Y is a portion where the observed value fluctuates due to maintenance, and is also detected as abnormal.
- the change score calculation unit 207 calculates a change score that serves as an index of a change in the state of the semiconductor manufacturing apparatus 4.
- the change score calculation unit 207 calculates a change score obtained by scoring the magnitude of change in the summary value by applying statistical modeling, that is, a change point detection model, to the summary value.
- the change score calculation unit 207 calculates a change score based on the prediction value generated by the first prediction value generation unit 204 or the second prediction value generation unit 205.
- the change score calculation unit 207 may use the magnitude of the posterior probability calculated by the second predicted value generation unit 205 as the change score.
- the change score calculation unit 207 employs a threshold that is set empirically as an evaluation reference value for the change score.
- the change score calculation unit 207 inputs the posterior probability calculated by the second predicted value generation unit 205 to the support vector machine (SVM), and uses a boundary that separates the normal group and other groups as a threshold value. It may be extracted.
- SVM support vector machine
- the change score calculation unit 207 may use the Mahalanobis distance of the posterior probability as the change score.
- the change score calculation unit 207 may use a score of a Bayesian change point based on a product division model using Bayes as a change score (Barry D, Hartigan JA, “A Bayesian Analysis for Change Point Problems.” Journal of the American Statistical Association, 35 (3), 309-319 (1993)). In this case, the change score calculation unit 207 trims outliers of the past data distribution, and uses an arbitrary probability (for example, 5%) as a threshold value. However, in addition to this, a fixed value set empirically may be used as the threshold value, or the threshold value may be set based on machine learning by SVM as described above.
- the change score is not particularly limited as long as a portion where the waveform of the summary value changes greatly can be detected as a change point.
- the detection unit 208 detects an abnormality based on the abnormality score calculated by the abnormality score calculation unit 206 and the change score calculated by the change score calculation unit 207.
- the detection unit 208 determines whether or not the abnormality score calculated by the abnormality score calculation unit 206 exceeds a threshold value. In addition, the detection unit 208 determines whether or not the change score calculated by the change score calculation unit 207 exceeds a threshold value.
- the detection unit 208 notifies the warning unit 209 when any one of the abnormality score and the change score is determined to exceed the threshold value. In addition, the detection unit 208 notifies the warning unit 209 when it is determined that both the abnormal score and the change score exceed the threshold.
- the detection unit 208 determines that the abnormal score exceeds the threshold value and the change score does not exceed the threshold value, and the abnormal score does not exceed the threshold value and determines that the change score exceeds the threshold value.
- the first level abnormality may be notified to the warning unit 209. Then, the detection unit 208 may be configured to notify the warning unit 209 of the second level abnormality when it is determined that the abnormality score and the change score exceed the threshold values.
- the first level abnormality indicates a milder abnormality than the second level abnormality.
- the detection unit 208 calculates the abnormal score for the predicted values generated by both the first predicted value generation unit 204 and the second predicted value generation unit 205, one of the two abnormal scores exceeds the threshold value. And the case where both of the two abnormal scores exceed the threshold may be identified. For example, the detection unit 208 notifies the warning unit 209 of the first level abnormality when one of the two abnormality scores or the change score exceeds a threshold value. The detection unit 208 notifies the warning unit 209 of the second level abnormality when any two of the two abnormality scores and the change score exceed the threshold value. Furthermore, the detection unit 208 notifies the warning unit 209 of the third level abnormality when all of the two abnormality scores and the change score exceed the threshold value.
- the degree of abnormality gradually increases from the first level to the third level abnormality.
- the warning unit 209 transmits a warning to the remote server 3 via the communication unit 10 in response to the notification from the detection unit 208.
- the warning unit 209 transmits a warning capable of identifying each of the cases where the detection unit 208 has notified the first level abnormality, the second level abnormality, and the third level abnormality.
- the anomaly report creation unit 210 creates an anomaly report in which the results of the anomaly detection processing in the anomaly detection device 1 are accumulated based on the information stored in the storage unit 30.
- the abnormality report created by the abnormality report creation unit 210 is transmitted to the remote server 3 via the communication unit 10.
- the abnormality report created by the abnormality report creation unit 210 is output from the output unit 40.
- the anomaly report creation unit 210 may create an anomaly report for each preset period. Further, the abnormality report creation unit 210 may be configured to output an abnormality report when the detection unit 208 detects any of the first to third level abnormalities. Further, the abnormality report creation unit 210 may be configured to create an abnormality report in response to an instruction input from the user. A specific example of the content of the abnormality report will be described later.
- the storage unit 30 appropriately stores information generated in the control unit 20 and information received from the remote server 3.
- the storage unit 30 includes a semiconductor manufacturing apparatus information storage unit 31, an abnormality detection information storage unit 32, and an abnormality report storage unit 33.
- the semiconductor manufacturing apparatus information storage unit 31 stores semiconductor manufacturing apparatus information that is information regarding the semiconductor manufacturing apparatus 4.
- FIG. 3 is a diagram illustrating an example of a configuration of semiconductor manufacturing apparatus information stored in the abnormality detection apparatus 1 according to the first embodiment.
- the anomaly detection device 1 stores in advance semiconductor manufacturing device information that is information related to the monitoring target device.
- information on the semiconductor manufacturing apparatus 4 may be registered from the remote server 3 side to the abnormality detection apparatus 1, or an operator of the abnormality detection apparatus 1 may input information on the monitoring target apparatus. It may be configured.
- the semiconductor manufacturing apparatus information includes information such as “apparatus ID”, “user ID”, “monitoring step”, “monitoring recipe”, “sensor ID”, “operation information”, and the like.
- the “device ID” is an identifier for uniquely identifying each monitoring target device.
- User ID is an identifier for uniquely identifying a user and a business operator who use the monitoring target device.
- Monitoring step is information for identifying a step to be monitored in the monitoring target device.
- Monitoring recipe is information for identifying a recipe used in the monitoring step.
- “Monitoring step” and “Monitoring recipe” are stored in association with the statistical modeling method applied in the abnormality detection process, and the optimum statistical modeling method and threshold setting method can be selected for each step and recipe. May be.
- the “sensor ID” is information for uniquely identifying a sensor provided in the monitoring target device.
- the “sensor ID” is set in association with the monitoring step and the monitoring recipe.
- “Driving information” is information about processing executed in the monitoring target device, which is stored when a special processing is scheduled to be executed for the monitoring target device. For example, when maintenance is scheduled to be performed at a predetermined date and time, information indicating the maintenance and the date and time are stored as “driving information”. In addition, when the replacement of the monitoring target device is performed, information to that effect and the date / time is stored as “operation information”.
- the monitoring target device identified by the device ID “D001” is stored as the monitoring target device of the user identified by the user ID “U582”.
- a monitoring step “S003” and a monitoring recipe “R043” are stored for the monitoring target device.
- the data measured by the sensor identified by the sensor ID “S001” is used for monitoring in the monitoring step “S003”.
- maintenance is scheduled to be executed from 16:00 on June 2, 2016 for the monitoring target device identified by the device ID “D001”.
- the semiconductor manufacturing apparatus information includes information on a plurality of monitoring target apparatuses used by a plurality of users.
- the abnormality detection device 1 performs integrated detection of abnormality of a plurality of monitoring target devices via a network by centrally storing and managing information on the plurality of monitoring target devices used by a plurality of users. Can do.
- the abnormality detection information storage unit 32 stores abnormality detection information.
- FIG. 4 is a diagram illustrating an example of a configuration of abnormality detection information stored in the abnormality detection device 1 according to the first embodiment.
- the abnormality detection information includes, for example, “device ID”, “sensor ID”, “time stamp”, “observed value”, “summary value”, “predicted value (1)”, “predicted value (2)”, “abnormal score”. ”,“ Change score ”,“ abnormality determination ”, and the like.
- “Device ID” and “Sensor ID” are the same as the information included in the semiconductor manufacturing device information.
- “Time stamp” is information indicating the date and time when the observed value was measured by the sensor. Note that the “time stamp” may be replaced with, for example, information specifying the corresponding run.
- the “observed value” is an actual measured value measured at the date and time specified by the “time stamp” by the sensor specified by the “sensor ID”.
- the “summary value” is a value obtained by summarizing the corresponding “observed value”, for example, an average value.
- “Predicted value (1)” is information of the predicted value generated through the first statistical modeling based on the corresponding “observed value” and “summary value”.
- Predicted value (2) is information on the predicted value generated through the second statistical modeling based on the corresponding “observed value” and “summary value”.
- “Abnormal score” is information of an abnormal score calculated based on a predicted value.
- “Change score” is information of a change score calculated by the change score calculation unit 207.
- “Abnormality determination” is information regarding an abnormality detected by the detection unit 208 based on the abnormality score and the change score.
- the monitoring target device identified by the device ID “D001” is identified by the time stamp “2016/06/01: 14: 00” from the sensor identified by the sensor ID “S001”.
- Information related to the observation value received at the date and time is stored. That is, five values “0.034, 0.031, 0.040, 0.039, 0.030” are stored as observed values. Then, “0.0348”, which is the average value of the five observation values, is stored as the summary value.
- the predicted values generated by the first predicted value generation unit 204 and the second predicted value generation unit 205 based on the summary value are stored. Further, the abnormality score calculated by the abnormality score calculation unit 25 and the change score calculated by the change score calculation unit 207 are stored.
- abnormality detected by the detection unit 208 based on the abnormality score and the change score, “NO” indicating no abnormality in the example of FIG. 4 are stored.
- the “abnormality determination” is stored so that each abnormality can be identified when an abnormality of the first level to the third level is detected.
- predicted value, abnormality score, and change score are updated each time a summary value is input for the predicted value generated by the second predicted value generation unit 205.
- the abnormality report storage unit 33 stores abnormality report information.
- the abnormality report information is created by the abnormality report creation unit 29.
- the abnormality report information is information indicating the result of the abnormality detection process in the abnormality detection device 1.
- FIG. 5 is a diagram illustrating an example of information output by the abnormality detection process according to the first embodiment.
- FIG. 6 is a diagram for describing an example of a predicted value, an abnormality score, and a change score generated by the abnormality detection process according to the first embodiment.
- the abnormality report information includes, for example, information shown in FIGS.
- FIG. 5 is a diagram illustrating an example of information output by the abnormality detection method according to the first embodiment.
- the results of 20 runs performed per day in the semiconductor manufacturing apparatus 4 are plotted.
- FIG. 5A shows a summary value in each run and an upper / lower threshold value for determining an abnormal score set based on a predicted value.
- the upper and lower thresholds were set based on an arbitrary confidence interval of the predicted value, here about 95%.
- the predicted value is calculated by the first predicted value generation unit 204 using a Kalman filter.
- the line indicated by “Act” indicates the summary value.
- “UCL1” and “LCL1” are upper and lower thresholds for determining an abnormal score, which are set based on the predicted values.
- monitoring using a fixed value is also used.
- threshold values “UCL1” and “LCL1” are set.
- C Score indicates a change score
- “UCL” indicates an upper limit threshold of the change score.
- the abnormality detection device 1 calculates a summary value (Act) for each run based on the observed values. As shown in FIG. 5, the summary value fluctuates up and down at each measurement time point.
- the abnormality detection device 1 calculates a predicted value based on the summary value at each time point. For example, up to the sixth plot from the left in FIG. 5, the summary value shows a gradual decrease trend while swinging up and down. For this reason, when the sixth summary value is input, the predicted value obtained by applying statistical modeling is a value slightly reduced from the average value of the first to fourth plots (the center of the upper and lower thresholds). portion). However, the summary value at the time of the seventh plot from the left increases from the summary value of the sixth plot. The summary value at the time of the eighth plot from the left also shows an increase. For this reason, the predicted value is a value indicating a moderate increase at the time of the eighth plot from the left.
- the summary value greatly increases at the time of the ninth plot from the left, and exceeds the upper limit threshold value UCL1 based on the predicted value predicted at the time of the eighth plot. For this reason, in the abnormality detection device 1, the warning unit 209 issues a warning at the time when the determination based on the ninth summary value from the left is executed (the portion indicated by the arrow W1 in FIG. 5A).
- the upper and lower threshold values applied to the summary value are dynamically changed based on the predicted value.
- the summary value Act takes a value exceeding the upper limit threshold value UCL1 also in the portions indicated by arrows W2 and W3.
- the part where the summary value Act exceeds the upper limit threshold value UCL1 is highlighted in the abnormality report. For example, in FIG. 5A, arrows W1, W2, and W3 are displayed in a color different from other plots, or highlighted.
- the abnormality detection device 1 estimates the state that more accurately reflects the trend of the state of the monitoring target device by discarding the noise and the observation error that appear in the observation value and the summary value. Is calculated. Then, the abnormality detection device 1 sets a range of values, that is, a threshold value that the summary value is expected to take when the semiconductor manufacturing device 4 is operating normally based on the predicted value. For this reason, the abnormality detection apparatus 1 can dynamically reset the threshold value to be compared with the newly acquired summary value based on the past trend. For this reason, the abnormality detection device 1 of the embodiment dynamically varies the threshold value even when a value having a property that it is difficult to set the threshold value to be fixed is used for abnormality detection. Can be detected.
- a fixed threshold is used in addition to a threshold that varies based on the predicted value. For this reason, the abnormality detection device 1 can execute monitoring using a threshold value that varies based on the predicted value as described above, while performing monitoring using a fixed value as a threshold value as in the conventional control chart. The accuracy of abnormality detection can be further improved.
- FIG. 5 is an example in which Bayesian change points of the summary value in (A) are scored.
- the change score since the summary value greatly increases between the 8th plot and the 9th plot from the left, the change score also shows a large increase corresponding to the 9th plot. Be looked at.
- the value of the change score is also increasing at the same time as the locations indicated by the arrows W2 and W3 in the abnormal score (locations indicated by arrows W5 and W6 in FIG. 5B). Similar to the abnormal score, also in the change score, the portion where the score exceeds the threshold is highlighted. For example, in FIG. 5B, arrows W4, W5, and W6 are displayed in a different color from other plots, or highlighted.
- the abnormality detection apparatus when an abnormality is detected using a threshold set based on a predicted value (that is, when an abnormal score, a summary value, a predicted value, a residual, or the like is used), sudden changes are made. It can be detected with high accuracy. Moreover, the change score calculated based on this embodiment can extract the change point in which the data changed. For this reason, the abnormality detection apparatus according to the embodiment can detect an abnormality based on a variety of causes by detecting a change occurring in the data by detecting an abnormality by combining the abnormality score and the change score. . Moreover, the abnormality detection apparatus 1 can further improve the accuracy of abnormality detection by using not only the threshold value set based on the predicted value but also the threshold value set based on the fixed value.
- the threshold value is dynamically and fixedly set and compared with the summary value, and the change value of the summary value itself is scored as shown in (B). Displayed in parallel. For this reason, the user can grasp the change which occurs suddenly and the change which occurs gradually visually intuitively.
- the abnormality examination apparatus can detect the occurrence of an abnormality with higher accuracy by collectively presenting changes detected from different viewpoints and determining the presence or absence of the abnormality.
- the abnormality report may include the graph shown in FIG. 5, and may further include other information stored in the semiconductor manufacturing apparatus information storage unit 31 and the abnormality detection information storage unit 32.
- the abnormality report may include the graph shown in FIG.
- FIG. 6 is a diagram for explaining an example of a predicted value, an abnormality score, and a change score generated by the abnormality detection process according to the first embodiment.
- FIG. 6A is a plot of summary values at each time point and predicted values (smooth values of predicted values) generated by applying statistical modeling to the summary values.
- FIG. 6A also shows upper and lower threshold values T1 and T2 based on fixed values.
- FIG. 6B is a plot of the difference between the predicted value and the summary value shown in FIG. (C) in FIG. 6 is a change score obtained by calculating a likelihood change point by Bayesian estimation for the summary value shown in (A).
- the predicted value itself is displayed as a graph instead of the threshold value dynamically set based on the predicted value.
- the summary value greatly deviates from the predicted value at the locations indicated by arrows A1, A2, and A3. However, the summary value does not deviate from the range of the upper and lower threshold values T1 and T2 based on the fixed value at any time.
- the abnormal score exceeds the threshold in the parts B1 and B2 indicated by arrows.
- the change score exceeds the threshold value in portions C1, C2, and C3 indicated by arrows.
- FIG. 6A depending on the fixed thresholds T1 and T2, abnormalities and changes in B1, B2 in (B) and C1, C2, C3 in (C) cannot be detected.
- the abnormal score and the change score together, if an outlier occurs in either one, alert the user, and if an outlier occurs in both, issue a warning, “Caution” can be issued at time C2, and “warning” can be issued at time B1 (C1) and B2 (C3).
- the abnormality report may display B1, B2, C1, C2, and C3 as abnormality points.
- (A) and (B) are displayed for one predicted value. However, when an abnormal score is calculated for two predicted values, the abnormal report includes 2 (A) and (B). May be included.
- FIG. 7 is a flowchart illustrating an example of a flow of abnormality detection processing according to the first embodiment.
- the observation value acquisition unit 201 of the abnormality detection apparatus 1 first acquires the sensor observation value in the semiconductor manufacturing apparatus 4 via the remote server 3 (step S1).
- the observation value acquired by the observation value acquisition unit 201 is sent to the summary value generation unit 202.
- the summary value generation unit 202 generates a summary value based on the observed value (step S2).
- the summary value generated by the summary value generation unit 202 is sent to the selection unit 203.
- the selection unit 203 determines whether the distribution of summary values is normal distribution or non-normal distribution (step S3).
- the selection part 203 sends a summary value to the 1st predicted value generation part 204 (step S4).
- the first predicted value generation unit 204 generates a predicted value by applying the first statistical modeling to the summary value (step S6).
- the selection unit 203 determines that the distribution is non-normal (No in Step S3), the selection unit 203 sends the summary value generated by the summary value generation unit 202 to the second predicted value generation unit 205 (Step S5). ).
- the second predicted value generation unit 205 generates a predicted value by applying the second statistical modeling to the summary value (step S6).
- the predicted value generated by one of the first predicted value generation unit 204 and the second predicted value generation unit 205 is sent to the abnormal score calculation unit 206.
- the abnormal score calculation unit 206 calculates an abnormal score based on the predicted value (step S7).
- the prediction value generated by the first prediction value generation unit 204 or the second prediction value generation unit 205 is also input to the change score calculation unit 207.
- the change score calculation unit 207 calculates a change score (step S8).
- the detecting unit 208 refers to the abnormality score and the change score, and determines whether each score exceeds a threshold value (step S9).
- the detection unit 208 determines that the score exceeds the threshold, that is, when an abnormality is detected (Yes in step S9), the detection unit 208 notifies the warning unit 209, and the warning unit 209 sends a warning to the remote server 3.
- the abnormality report creation unit 210 outputs an abnormality report (step S10).
- the detection part 208 determines with a score being below a threshold value, ie, when abnormality is not detected (step S9, No), it returns to step S1. This completes the abnormality detection process.
- the abnormality detection device 1 includes the selection unit 203 and generates a predicted value using any one of the first statistical modeling and the second statistical modeling.
- the abnormality detection apparatus 1 may be configured to input the summary value to both the first predicted value generation unit 204 and the second predicted value generation unit 205 without the selection unit 203.
- the abnormal score calculating unit 206 may be configured to calculate two abnormal scores based on the two predicted values generated by the first predicted value generating unit 204 and the second predicted value generating unit 205.
- the abnormality detection device causes the first prediction value generation unit 204 and the second prediction value generation unit 205 to generate prediction values to calculate two abnormality scores, and the detection unit 208 based on the calculated scores. You may comprise so that the parameter used for statistical modeling may be adjusted based on a detection result.
- the first predicted value generation unit 204 uses filtering, and the second predicted value generation unit 205 uses MCMC. For this reason, it is expected that the accuracy of the abnormality detection result using the predicted value generated by the second predicted value generation unit 205 is higher. Therefore, the abnormality detection device includes an abnormality detection result using the prediction value generated by the first prediction value generation unit 204 and an abnormality detection result using the prediction value generated by the second prediction value generation unit 205. In comparison, when there is a defect, the statistical modeling parameters used by the first predicted value generation unit 204 may be adjusted.
- the abnormality detection device may be configured to always generate a prediction value in both the first prediction value generation unit 204 and the second prediction value generation unit 205 and detect an abnormality based on two abnormality scores. Good.
- the abnormality detection apparatus may be configured to execute determination using a fixed threshold in addition to the threshold that varies according to the predicted value as described above for the abnormality score. By configuring in this way, the abnormality detection device can detect a gradually changing change together with an abnormality that occurs suddenly, and can further improve the accuracy of abnormality detection.
- the abnormality detection device is a summary value that summarizes observation values that are acquired at predetermined timings during processing that is repeatedly executed in the monitoring target device and serve as an indicator of the operating state of the monitoring target device. Apply statistical modeling to Then, the abnormality detection device estimates a state in which noise is removed from the summary value, and generates a predicted value in which the summary value ahead of one period is predicted based on the estimation. Then, the abnormality detection device detects whether there is an abnormality in the monitoring target device based on the predicted value. As described above, according to the abnormality detection device according to the embodiment, the observation value itself is not monitored, but the state of the device determined based on the observation value is monitored.
- the abnormality detection apparatus can detect an abnormality at an early stage without overlooking a sudden change or a change in state of the apparatus, which is the original detection target. For this reason, the abnormality detection apparatus can automatically realize highly accurate and efficient abnormality prediction and abnormality monitoring. Further, the abnormality detection apparatus according to the present embodiment is connected to a semiconductor manufacturing apparatus that is a monitoring target via a network, and receives an observation value observed in the semiconductor manufacturing apparatus. Then, the abnormality detection apparatus monitors the state of the semiconductor manufacturing apparatus in real time based on the observed value. For this reason, the abnormality detection apparatus can realize online monitoring in the semiconductor manufacturing apparatus.
- the abnormality detection device performs abnormality detection after deriving a summary value and a predicted value, instead of performing abnormality detection directly based on a value (observed value) acquired from a monitoring target device.
- the anomaly detection device quantifies the operating status of the monitored device and dynamically adapts the threshold without being affected by the quality of the measured data, which is influenced by factors such as the number of samples, noise, and observation errors.
- automatic monitoring of the monitoring target device can be realized.
- the abnormality detection device generates a predicted value by applying the prediction model and the change point detection model as statistical modeling. Moreover, the abnormality detection apparatus according to the embodiment generates a filtering value or a smoothing value as a predicted value by applying a state space model and Kalman filtering as a predicted model. In addition, the anomaly detection apparatus according to the embodiment estimates the posterior distribution by the Markov chain Monte Carlo method as statistical modeling, and generates any one of the average value, the mode value, and the median value of the posterior distribution as a predicted value. In addition, the abnormality detection device according to the embodiment generates a posterior average value obtained by applying Bayesian estimation to the summary value as a predicted value. In this way, the anomaly detection device applies statistical modeling that can extract the trend of fluctuation of the summary value (trend), so that even if the number of observation values is small or missing, It is possible to automatically realize highly accurate and efficient abnormality prediction and abnormality monitoring.
- the abnormality detection device sequentially updates a prediction value by executing a prediction model each time a new summary value is acquired, sets an arbitrary confidence interval of the updated prediction value as an upper and lower threshold, When the updated predicted value falls outside the range of the upper and lower threshold values, an abnormality of the monitoring target device is detected.
- the abnormality detection device at least one of the residual between the predicted value and the summary value, the square of the residual, and the standardized residual between the predicted value and the summary value is greater than the threshold value. An abnormality is detected. For this reason, the abnormality detection device can realize abnormality detection in consideration of machine differences and the like by dynamically changing the threshold value of abnormality detection.
- the abnormality detection device detects an abnormality when the score of the Bayesian change point of the summary value exceeds a threshold value. For this reason, not only a change with time but also an abnormal detection with high accuracy can be realized without causing a detection failure even when a sudden change occurs. Further, the abnormality detection device can detect abnormality of different properties without omission and also detect the abnormality level by executing a combination of a plurality of abnormality detection standards. In addition, since the abnormality detection device evaluates the state of the monitoring target device from a plurality of viewpoints, it is possible to realize abnormality detection with higher accuracy than in the case where abnormality is determined based on one criterion.
- the abnormality detection device outputs the change score and the abnormality score in the form of a table that is easy to visually grasp. For this reason, the user can visually grasp the time when the abnormality has occurred and the degree of the abnormality, and can easily understand the state of the monitoring target device. Moreover, the abnormality detection device according to the embodiment aligns and outputs the time axis of the change score and the abnormality score. Therefore, the user can easily grasp the state change of the monitoring target device by associating the abnormality detected from two different viewpoints.
- the abnormality detection apparatus acquires the latest observation result (observation value) and automatically updates the threshold used for abnormality detection every time processing in the semiconductor manufacturing apparatus is completed. For this reason, the abnormality detection device does not need to reset the threshold value manually and can realize maintenance-free abnormality monitoring.
- the prediction model and the change point detection model are described as examples of statistical modeling, but other statistical modeling methods may be used. Further, the predicted value does not necessarily have to be generated from the summary value, and statistical modeling may be applied directly to the observed value if possible due to the nature of the observed value.
- the abnormality detection apparatus includes two different predicted value generation units that generate predicted values using different statistical modeling techniques. For this reason, the abnormality detection apparatus according to the embodiment can generate a predicted value by selecting a statistical modeling technique suitable for the summary value according to the nature of the summary value.
- the abnormality detection device when a more accurate abnormality detection result is required, performs an abnormality detection using a prediction method using MCMC and is required to perform processing at a higher speed. Can use a prediction method using filtering.
- an extended Kalman filter in addition to the Kalman filter, an extended Kalman filter, a particle filter, and other arbitrary filters can be used.
- the occurrence of a specific event such as maintenance of the semiconductor manufacturing apparatus 4 is not particularly considered.
- an abnormality detection device is disposed so as to discard the observation value immediately after the specific event.
- Configure. Information regarding the occurrence of a specific event may be configured such that the abnormality detection apparatus acquires the event log from the monitoring target apparatus and stores it in the storage unit.
- the configuration and operation of the abnormality detection device 1A according to Modification 1 are substantially the same as those of the abnormality detection device 1 according to the first embodiment, the description of the same parts is omitted (see FIG. 1).
- the operation of the observation value acquisition unit 201A included in the control unit 20A is different from the observation value acquisition unit 201 of the first embodiment.
- FIG. 8 is a flowchart for explaining a process in the abnormality detection device 1A according to the first modification of the first embodiment.
- the abnormality detection device 1A first receives the sensor observation value from the semiconductor manufacturing device 4 via the remote server 3 (step S81).
- the observation value acquisition unit 201A that has received the observation value then acquires information on the semiconductor manufacturing apparatus 4 stored in the storage unit 30 (semiconductor manufacturing apparatus information storage unit 31) (step S82).
- the observation value acquisition unit 201A determines whether or not the information acquired from the storage unit 30 includes information indicating that the semiconductor manufacturing apparatus 4 is under maintenance in the measurement time of the acquired observation value (step) S83). When the observation value acquisition unit 201A determines that the information is included (step S83, Yes), the observation value acquisition unit 201A discards the acquired observation value as it is without sending it to other functional units (step S84).
- step S83 when it is determined that the information is not included (No in step S83), the observation value acquisition unit 201A proceeds to the abnormality detection process illustrated in FIG. 7 (step S85). This completes the processing of the abnormality detection device 1A according to the first modification.
- the observation value acquisition unit 201A acquires maintenance information from the semiconductor manufacturing apparatus information storage unit 31 in advance, and discards not only the observation value during maintenance but also the observation value during a predetermined time before and after maintenance. May be.
- the abnormality detection device 1A may be configured to start the operation. In other words, the abnormality detection device 1A may be configured to once finish learning using statistical modeling at the time when maintenance is performed and newly start learning.
- the observation value acquisition unit 201A determines that the information indicating that the maintenance is being performed is included (Yes in step S83), the observation value acquisition unit 201A then obtains the observation value acquired over a predetermined number of times. It may be configured to be discarded. According to this configuration, the abnormality detection process itself based on statistical modeling can be continued, and data that may have changed due to maintenance can be excluded from the target of the abnormality detection process. For this reason, the accuracy of abnormality detection can be improved.
- the abnormality detection device 1A may be configured to discard the data subjected to the abnormality detection when the maintenance is performed after the abnormality is detected. For example, when the observation value acquisition unit 201A determines that information indicating that maintenance is being performed is included (step S83, Yes), the observation value acquisition unit 201A further refers to the abnormality detection information storage unit 32. To do. Then, the observed value acquisition unit 201A refers to, for example, the “time stamp” and the “abnormality determination” included in the abnormality detection information, and determines whether an abnormality has been detected before the predetermined period from the maintenance execution date and time. To do.
- the observation value acquisition unit 201A discards the observation value acquired between the time when the abnormality is detected and the end of the maintenance. Then, the observation value acquisition unit 201A repeatedly transmits the observation value immediately before the abnormality detection time point to the summary value generation unit 202 over a predetermined period. If comprised in this way, the data which became the object of abnormality detection, ie, abnormal data, is excluded, the state of the semiconductor manufacturing apparatus 4 can be estimated and statistical modeling can be performed, and the accuracy of abnormality detection can be improved. Can do.
- the detection accuracy of the abnormality detection device 1 ⁇ / b> A can be improved by excluding the observation values during maintenance and for a predetermined time before and after the maintenance from the determination target of abnormality detection.
- the abnormality detection device 1A is configured to discard the observed value during maintenance and / or the observed value during a predetermined time before and after maintenance.
- the observation value may be input as it is during the maintenance and a predetermined period after the maintenance, but a warning may not be output.
- a warning is not output after maintenance will be described as a second modification.
- the configuration and operation of the abnormality detection device 1B according to Modification 2 are substantially the same as those of the abnormality detection device 1 according to the first embodiment, description of the same parts is omitted (see FIG. 1).
- the operation of the warning unit 209B included in the control unit 20B is different from that of the warning unit 209 of the first embodiment.
- FIG. 9 is a flowchart for explaining processing in the abnormality detection device 1B according to the second modification.
- the abnormality detection device 1B first receives the sensor observation value from the semiconductor manufacturing device 4 via the remote server 3, and performs the same processing as S1 to S7 in FIG. Execute (Step S1101). Then, the warning unit 209B determines whether or not abnormality detection is notified from the detection unit 208 (step S1102). When the warning unit 209B determines that there is no notification of abnormality detection (step S1102, No), the process ends. On the other hand, if it is determined that there is a notification of abnormality detection (step S1102, Yes), the warning unit 209B next determines whether or not there is a specific event before the summary value is acquired (step S1103).
- the warning unit 209B refers to the “driving information” in FIG. 3 and determines whether there is information indicating that maintenance is being performed within a predetermined period from the time when the summary value is acquired. If the warning unit 209B determines that there is a specific event (step S1103, Yes), the warning unit 209B ends the process without outputting a warning (step S1104). On the other hand, if it is determined that there is no specific event (No in step S1103), the warning unit 209B outputs a warning (step S1105) and ends the process.
- the abnormality detection device may be configured not to output a warning for a predetermined period after the event.
- the abnormality detection device may be configured so that the abnormality detection process is once initialized after a specific event occurs. For example, after the maintenance is performed, data such as predicted values stored in the abnormality detection device may be temporarily deleted, and statistical modeling may be applied only to newly input data. Alternatively, when a warning is output and a specific event occurs subsequently, such as when a warning is output and maintenance is performed, the abnormality detection process may be initialized thereafter. Or, if a warning event and a specific event occur subsequently, the observed, summarized, and predicted values that were warned, and the observed, summarized, and The predicted value may be excluded from the target of the abnormality detection process. With this configuration, it is possible to prevent the accuracy of the detection result from becoming unstable due to a change in conditions due to maintenance or the like.
- FIG. 10 is a diagram illustrating that information processing by the abnormality detection program according to the first embodiment is specifically realized using a computer.
- the computer 1000 includes, for example, a memory 1010, a CPU (Central Processing Unit) 1020, a hard disk drive 1080, and a network interface 1070. Each part of the computer 1000 is connected by a bus 1100.
- a bus 1100 Each part of the computer 1000 is connected by a bus 1100.
- the memory 1010 includes a ROM 1011 and a RAM 1012 as illustrated in FIG.
- the ROM 1011 stores a boot program such as BIOS (Basic Input Output System).
- BIOS Basic Input Output System
- the hard disk drive 1080 stores, for example, an OS 1081, an application program 1082, a program module 1083, and program data 1084. That is, the abnormality detection program according to the disclosed embodiment is stored in, for example, the hard disk drive 1080 as the program module 1083 in which an instruction to be executed by the computer is described.
- data used for information processing by the abnormality detection program is stored as program data 1084 in, for example, the hard disk drive 1080.
- the CPU 1020 reads the program module 1083 and program data 1084 stored in the hard disk drive 1080 to the RAM 1012 as necessary, and executes various procedures.
- the program module 1083 and the program data 1084 related to the abnormality detection program are not limited to being stored in the hard disk drive 1080.
- the program module 1083 and the program data 1084 may be stored in a removable storage medium.
- the CPU 1020 reads data via a removable storage medium such as a disk drive.
- the program module 1083 and the program data 1084 related to the abnormality detection program may be stored in another computer connected via a network (LAN (Local Area Network), WAN (Wide Area Network), etc.). Good.
- the CPU 1020 reads various data by accessing another computer via the network interface 1070.
- the abnormality detection program described in the present embodiment can be distributed via a network such as the Internet.
- the abnormality detection program can also be executed by being recorded on a computer-readable recording medium such as a hard disk, a flexible disk (FD), a CD-ROM, an MO, and a DVD, and being read from the recording medium by the computer.
- a computer-readable recording medium such as a hard disk, a flexible disk (FD), a CD-ROM, an MO, and a DVD
- Anomaly detection device 10 Communication unit 20, 20A, 20B Control unit 201, 201A Observation value acquisition unit 202 Summary value generation unit 203 Selection unit 204 First prediction value generation unit 205 Second prediction value generation unit 206 Abnormal score calculation unit 207 Change score calculation unit 208 Detection unit 209, 209B Warning unit 210 Abnormal report creation unit 30 Storage unit 31 Semiconductor manufacturing equipment information storage unit 32 Abnormality detection information storage unit 33 Abnormality report storage unit 40 Output unit 2 Network 3 Remote Server 4 Semiconductor manufacturing equipment
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
異常検知装置は、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて監視対象装置の運転状態の指標となる観測値を取得する。異常検知装置は、当該観測値をまとめた要約値に対して統計モデリングを適用することにより、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。異常検知装置は、予測値に基づき、監視対象装置の異常有無を検知する。
Description
この発明は、異常検知プログラム、異常検知方法および異常検知装置に関する。
半導体を製造する工程においては、レシピすなわち処理の流れおよび内容が予め設定される。そして、半導体製造装置は、レシピ通りに制御されて処理を実行している場合に、所望の品質の半導体を製造する。半導体製造装置が、所望の制御状態にあることを、安定稼働状態にある、と呼ぶ。
従来、半導体製造装置が安定稼働状態にあるか否かを監視し、半導体製造装置の異常を検知するためにシューハート管理図等の管理図が利用されている。管理図を用いた異常検知では、予め半導体製造装置に設けられたセンサから、各レシピの実行中のデータを取得し、取得したデータから平均値やばらつき等の要約値を算出する。そして、算出した要約値を時系列にプロットして、上限閾値と下限閾値(またはいずれか一方)を設定し、要約値が当該閾値を逸脱すると、異常と判定する。閾値としては、固定値や3σ等が使用される。
このような異常検知の手法として、たとえば、半導体製造装置の運転駆動に関わる情報や処理室の内部状態に関わる情報等の装置ログ情報に基づいて、半導体製造装置の異常の予兆を検知する方法が知られている(特許文献1)。また、機械設備のメンテナンス中も診断を継続するよう構成された異常予兆診断装置も提案されている(特許文献2)。異常予兆診断装置は、機械設備が有する複数の装置のうちメンテナンス期間中も継続稼働する装置に関する時系列データに基づいて正常モデルを学習し、メンテナンス期間中も継続して診断を行う。また、プロセス系の異常診断を行う異常診断装置や、当該プロセス系におけるオペレータの判断を推測する装置等も提案されている(特許文献3)。
今沢慶ほか「半導体製造装置の異常予兆検知方式」、精密工学会学術講演会講演論文集、2010S(0), 223-224, 2010、公益社団法人精密工学会
しかしながら、従来技術においては、半導体製造装置の高精度かつ効率的な異常検知を達成することが困難である。
半導体製造装置の制御状態を確認するために設けられるセンサは数も多く、種類も多様である。そして、複数のセンサは、動的に制御され相互に作用干渉しあう。また、複数のセンサは経時的な変化の影響も受ける。このため、半導体製造の各工程において、センサ出力が毎回完全に再現されることはない。
たとえば、従来の管理図に基づく異常検知の場合、短時間に完了する工程などサンプル数が極端に少ない工程や、センサの出力値にノイズや観測誤差が大きく影響する工程、動的で変化が大きい工程等は、要約値の再現性が低い。このため、半導体製造装置については、従来の管理図を用いた手法では、正確な異常検知が困難であった。
また、異常を検出するための閾値の設定は、半導体製造装置を扱うオペレータが過去のデータに基づいて行う。このため、異常検知の正確性はオペレータの経験値に依存する。
さらに、半導体製造装置のメンテナンス等が行われた場合、その前後でセンサからの出力値が大きく変動する場合がある。また、時間の経過に伴い、半導体製造装置の状態は変化する。また、半導体製造装置ごとに機差やセンサの個体差が存在する。このため、高精度な異常検知を実現するためには、半導体製造装置の時々の状態に応じて頻繁に閾値を調整する必要があり、手間がかかる。
また、複数の半導体製造装置について、たとえばクラウドコンピューティング等を利用して大規模な異常検知サービスを提供しようとした場合、従来のように手作業で個々の装置のために閾値等を調整することは多大な労力を要し、現実的でない。
開示する実施形態において、異常検知装置、異常検知方法および異常検知プログラムは、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用する。そして、異常検知装置、異常検知方法および異常検知プログラムは、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。さらに、異常検知装置、異常検知方法および異常検知プログラムは、予測値に基づき、監視対象装置の異常有無を検知する。
開示する実施態様によれば、高精度かつ効率的な異常検知を実現することができるという効果を奏する。
開示する一つの実施形態において、異常検知プログラムは、予測値生成手順と、検知手順とをコンピュータに実行させる。予測値生成手順において、コンピュータは、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。また、検知手順において、コンピュータは、予測値に基づき、監視対象装置の異常有無を検知する。
また、開示する一つの実施形態において、異常検知プログラムは、予測値生成手順において、コンピュータに、新しい要約値が取得されるごとに逐次、統計モデリングとして予測モデルを実行させて予測値を更新させる。また、異常検知プログラムは、検知手順において、コンピュータに、更新された予測値の任意の信頼区間を上下閾値として設定して、監視対象装置の異常を検知させる。
また、開示する一つの実施形態において、異常検知プログラムは、予測値生成手順において、コンピュータに、統計モデリングとして、フィルタリングを用いた予測モデルを適用して予測値を生成させる。
また、開示する一つの実施形態において、異常検知プログラムは、予測値生成手順において、コンピュータに、カルマンフィルタリングで得たフィルタリング値またはスムージング値を、予測値として生成させる。
また、開示する一つの実施形態において、異常検知プログラムは、予測値生成手順において、コンピュータに、統計モデリングとして、マルコフ連鎖モンテカルロ法を用いた予測モデルを適用して予測値を生成させる。
また、開示する一つの実施形態において、異常検知プログラムは、予測値生成手順において、コンピュータに、マルコフ連鎖モンテカルロ法を用いた予測モデルで事後分布を推定させ、当該事後分布の平均値、最頻値および中央値のいずれか1つを予測値として生成させる。
また、開示する一つの実施形態において、異常検知プログラムは、検知手順において、コンピュータに、予測値と要約値との残差、当該残差の二乗、および、予測値と要約値との標準化残差のうち少なくともいずれか1つが閾値よりも大きい場合に異常を検知させる。
また、開示する一つの実施形態において、異常検知プログラムは、予測値生成手順において、コンピュータに、統計モデリングとして予測モデルと変化点検出モデルとを適用させる。
また、開示する一つの実施形態において、異常検知プログラムは、検知手順において、コンピュータに、要約値のベイジアン変化点のスコアが閾値を超えた場合に異常を検知させる。
また、開示する一つの実施形態において、異常検知方法は、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成工程と、予測値に基づき、監視対象装置の異常有無を検知する検知工程と、を、コンピュータが実行する。
また、開示する一つの実施形態において、異常検知方法は、予測値と要約値との残差、当該残差の二乗、および、予測値と要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する表を出力する出力工程を、コンピュータがさらに実行する。
また、開示する一つの実施形態において、異常検知方法は、要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する表を出力する出力工程を、コンピュータがさらに実行する。
また、開示する一つの実施形態において、異常検知方法は、予測値と、要約値との残差、当該残差の二乗、および、予測値と要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する第1の表と、要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する第2の表とを、時間軸をそろえて整列させた画像として出力する出力工程を、コンピュータがさらに実行する。
また、開示する一つの実施形態において、異常検知装置は、予測値生成部と、検知部と、を備える。予測値生成部は、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。検知部は、予測値に基づき、監視対象装置の異常有無を検知する。
また、開示する一つの実施形態において、異常検知装置は、予測値と要約値との残差、当該残差の二乗、および、予測値と要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する表を作成する作成部と、作成部が作成した表を出力する出力部と、をさらに備える。
また、開示する一つの実施形態において、異常検知装置は、要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する表を作成する作成部と、作成部が作成した表を出力する出力部と、をさらに備える。
また、開示する一つの実施形態において、異常検知装置は、予測値と、要約値との残差、当該残差の二乗、および、予測値と要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する第1の表と、要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する第2の表と、を作成する作成部と、第1の表と第2の表とを、時間軸をそろえて整列させた画像として出力する出力部と、をさらに備える。
以下に、開示する実施形態について、図面に基づいて詳細に説明する。なお、本実施形態により開示する発明が限定されるものではない。各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
実施形態について説明する前に、前提として、従来の異常検知において用いられている管理図について説明する。
[従来の管理図の一例]
図11は、従来の管理図の一例を示す図である。ここでは製品Aをロットごとに1000個製造する製造装置のXbar-R管理図を作成する場合を考える。まず、1ロットから5サンプルを抽出して、5サンプルの所定パラメータの平均値を算出する。また、5サンプルの所定パラメータのばらつき(範囲)を算出する。20ロット分の管理図を作成する場合であれば、20ロット各々について5サンプルを抽出して同様に平均値とばらつきとを算出する。そして、20ロット分の平均値の平均値を算出する。また、20ロット分のばらつきの平均値を算出する。平均値の平均値が図11の(A)の中心線CLであり、ばらつきの平均値が図11の(B)の中心線CLである。
図11は、従来の管理図の一例を示す図である。ここでは製品Aをロットごとに1000個製造する製造装置のXbar-R管理図を作成する場合を考える。まず、1ロットから5サンプルを抽出して、5サンプルの所定パラメータの平均値を算出する。また、5サンプルの所定パラメータのばらつき(範囲)を算出する。20ロット分の管理図を作成する場合であれば、20ロット各々について5サンプルを抽出して同様に平均値とばらつきとを算出する。そして、20ロット分の平均値の平均値を算出する。また、20ロット分のばらつきの平均値を算出する。平均値の平均値が図11の(A)の中心線CLであり、ばらつきの平均値が図11の(B)の中心線CLである。
次に、予め決められた係数と、上で算出した二つの平均値に基づき、上限管理限界UCLと下限管理限界LCLとを算出する。そして、算出した上限管理限界UCLと下限管理限界LCLと、各ロットについて算出された平均値と、を表にプロットしていくと、図11に示す管理図が得られる。管理図上で、上限管理限界UCLと下限管理限界LCLとの間からはみ出る値をとるロットが異常と判定される。このように、固定値を閾値として用いる管理図は、性能の判定基準(限界値)が明確である場合には効果的である。他方、性能の判定基準(限界値)を固定値として明確に設定することが困難な場合には、管理図のみを用いた異常判定では不十分である。
[第1の実施形態]
第1の実施形態に係る異常検知装置は、観測値の平均値等の要約値に対して統計モデリングを適用することにより、観測値の要約値からシステムのノイズと観測のノイズを取り除いた状態を推定する。そして、異常検知装置は、推定される状態に基づいて、次に観測値が取得される時点(一期先)の要約値として予測される値、すなわち予測値を生成する。異常検知装置は、次の観測値から要約値が生成されると、当該要約値に基づいてさらに一期先の予測値を生成する。このように、実施形態に係る異常検知装置は、統計モデリングの手法を適用して、新しい要約値が生成されるごとに、監視対象装置の真の状態を推定し、次の時点で要約値がとると推定される予測値と、を生成する。そして、異常検知装置は、異常検知に用いる閾値を、各時点で生成される予測値に基づいて設定する。このため、異常検知装置は、固定値を閾値とすると異常検知が困難なパラメータを用いる場合であっても、高精度に異常を検知することができる。また、異常検知装置は、次々と生成される新しい要約値から予測値を生成しなおして自動的に異常検知の閾値を更新するため、機差等も加味して自動的な異常検知を実現することができる。
第1の実施形態に係る異常検知装置は、観測値の平均値等の要約値に対して統計モデリングを適用することにより、観測値の要約値からシステムのノイズと観測のノイズを取り除いた状態を推定する。そして、異常検知装置は、推定される状態に基づいて、次に観測値が取得される時点(一期先)の要約値として予測される値、すなわち予測値を生成する。異常検知装置は、次の観測値から要約値が生成されると、当該要約値に基づいてさらに一期先の予測値を生成する。このように、実施形態に係る異常検知装置は、統計モデリングの手法を適用して、新しい要約値が生成されるごとに、監視対象装置の真の状態を推定し、次の時点で要約値がとると推定される予測値と、を生成する。そして、異常検知装置は、異常検知に用いる閾値を、各時点で生成される予測値に基づいて設定する。このため、異常検知装置は、固定値を閾値とすると異常検知が困難なパラメータを用いる場合であっても、高精度に異常を検知することができる。また、異常検知装置は、次々と生成される新しい要約値から予測値を生成しなおして自動的に異常検知の閾値を更新するため、機差等も加味して自動的な異常検知を実現することができる。
[用語の説明]
実施形態について説明する前に、以下の説明において用いる用語について説明する。
実施形態について説明する前に、以下の説明において用いる用語について説明する。
「観測値」とは、半導体製造装置等の監視対象装置において実際に観測される値を意味する。「観測値」とは、たとえば、半導体製造装置に配置されたセンサが検知する、気圧、真空度、温度などの実測値である。「観測値」には、たとえばセンサの状態や半導体製造装置の状態等に応じて、ばらつき(すなわちシステムのノイズや観測のノイズ)が含まれる。
「要約値」とは、観測値が有する任意の特徴を抽出することで取得される値である。「要約値」とは、たとえば、所定期間にわたる観測値の平均値やばらつき(標準偏差等)、ばらつきの平均値、中央値、加重平均等である。
「予測値」とは、「観測値」または「要約値」にもとづいて、一期先の「要約値」がとるべき値を予測したものである。すなわち、「予測値」とは、一期先について予測される要約値を示す値である。
以下に説明する実施形態にかかる異常検知装置は、統計モデリングの手法を適用することによって、観測値から真の状態を推定し、予測値を生成する。そして、異常検知装置は、算出した予測値に基づき、監視対象装置の異常有無を検知する。
[異常検知装置1の構成の一例]
図1は、第1の実施形態に係る異常検知方法を実行する異常検知装置1の構成の一例を示す図である。異常検知装置1は、ネットワーク2を介してリモートサーバ3と接続される。リモートサーバ3は、異常検知の対象である監視対象装置すなわち半導体製造装置4と接続される。半導体製造装置4には任意の数のセンサが設置され、半導体製造装置4における製造工程が実行されるごとに、所定のパラメータを測定する。測定されたパラメータは、リモートサーバ3に送信される。リモートサーバ3は、半導体製造装置4のセンサから受信したパラメータを順次異常検知装置1に送信する。
図1は、第1の実施形態に係る異常検知方法を実行する異常検知装置1の構成の一例を示す図である。異常検知装置1は、ネットワーク2を介してリモートサーバ3と接続される。リモートサーバ3は、異常検知の対象である監視対象装置すなわち半導体製造装置4と接続される。半導体製造装置4には任意の数のセンサが設置され、半導体製造装置4における製造工程が実行されるごとに、所定のパラメータを測定する。測定されたパラメータは、リモートサーバ3に送信される。リモートサーバ3は、半導体製造装置4のセンサから受信したパラメータを順次異常検知装置1に送信する。
異常検知装置1はたとえば、半導体製造装置4の保守管理を行う事業者が運用する。また、リモートサーバ3は、半導体製造装置4を使用するユーザが管理する。たとえば、リモートサーバ3および半導体製造装置4は、ユーザの事業所等に設置される。また、異常検知装置1は、クラウドコンピューティングを利用して仮想的に実現されてもよい。
異常検知装置1とリモートサーバ3とは、ネットワーク2を介して通信可能に接続される。接続するネットワーク2の種類は特に限定されず、インターネット、広域ネットワーク、ローカルエリアネットワーク等任意のネットワークであってよい。また、無線ネットワークおよび有線ネットワークのいずれでもよく、それらの組み合わせであってもよい。異常検知装置1は、半導体製造装置4において観測される観測値を常時収集するリモートサーバ3とネットワーク2を介して接続されることにより、半導体製造装置3をオンラインで常時監視するオンライン監視を実現する。このため、異常検知装置1は、半導体製造装置3の異常をリアルタイムで検知してユーザに通知することができる。
異常検知装置1は、通信部10と、制御部20と、記憶部30と、出力部40と、を備える。
通信部10は、異常検知装置1とリモートサーバ3との間の通信を実現する機能部である。通信部10はたとえば、ポートやスイッチを含む。通信部10は、リモートサーバ3から送信される情報を受信する。また、通信部10は、異常検知装置1において生成される情報を制御部20の制御下で、リモートサーバ3に送信する。
制御部20は、異常検知装置1の動作および機能を制御する。制御部20は、任意の集積回路や電子回路で構成することができる。たとえば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)などを用いて制御部20を構成することができる。
記憶部30は、異常検知装置1の各部の処理に使用する情報および各部の処理により生成される情報を記憶する。記憶部30には、任意の半導体メモリ素子等を用いることができる。たとえば、RAM(Random Access Memory)、ROM(Read Only Memory)等を記憶部30として使用できる。また、ハードディスク、光ディスクなども記憶部30として使用できる。
出力部40は、異常検知装置1において生成される情報および異常検知装置1に記憶される情報を出力する。出力部40はたとえば、音声や画像によって情報を出力する。出力部40はたとえば、異常検知装置1において生成される情報および異常検知装置1に記憶される情報を表示する表示装置である。出力部40はたとえば、スピーカ、プリンタ、モニタ等を含む。
制御部20は、観測値取得部201、要約値生成部202、選択部203、第1の予測値生成部204、第2の予測値生成部205、異常スコア算出部206、変化スコア算出部207、検知部208、警告部209、および、異常レポート作成部210を有する。
[観測値取得処理の一例]
観測値取得部201は、半導体製造装置4に配置されるセンサが取得した観測値を、リモートサーバ3および通信部10を介して受信する。
観測値取得部201は、半導体製造装置4に配置されるセンサが取得した観測値を、リモートサーバ3および通信部10を介して受信する。
本実施形態では、半導体製造装置4において実行されるステップの所定のタイミングにおいてセンサが当該ステップの稼働状態を示す数値すなわち観測値を取得する。たとえば、処理室内を所定気圧に保持して実行されるステップであれば、処理開始から予め定められた時間が経過したときの処理室内の気圧の観測値を、センサが取得する。
観測値は、半導体製造装置4において処理が1ラン終了するごとに、リモートサーバ3から異常検知装置1に送信される。1ランとは、たとえば、バッチ処理であれば1バッチ分の処理、枚葉処理であれば1枚のウェハの処理に相当する。1ランの間に同じ処理が所定回数繰り返される場合、当該処理の所定タイミングに取得した観測値が所定回数分、半導体製造装置4から観測値取得部201に送信される。観測値とはたとえば、各センサのトレースログである。観測値取得部201が取得した観測値は、記憶部30に記憶される。
[要約値生成処理の一例]
要約値生成部202は、観測値取得部201が取得した観測値をもとに、要約値を生成する。
要約値生成部202は、観測値取得部201が取得した観測値をもとに、要約値を生成する。
要約値とは、観測値取得部201が取得した観測値に基づいて算出される、各時点における半導体製造装置4の運転状態を示す統計的な値である。要約値とはたとえば、従来の管理図において利用される、観測値の平均値や、観測値のばらつきの平均値、標準偏差、中央値、加重平均などである。
要約値生成部202は、観測値を、監視目的に合わせて層別に分類する。要約値生成部202はたとえば、観測値を、センサ部位ごと、レシピごと、ステップごとに分類する。そして、要約値生成部202は、分類後の観測値に対して前処理を実行する。前処理とはたとえば、欠損値や不要なデータを切り捨て、トレンドを除去して正規分布化する処理である。要約値生成部202は、分類および前処理後の観測値にもとづき、要約値を生成する。なお、要約値としてどのような値を生成するかは、レシピやステップの性質に応じて予め設定する。
[選択処理の一例]
選択部203は、それまでに取得されたデータの性質に応じて、要約値を、第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力する。たとえば、選択部203は、それまでに取得されたデータが正規分布するか非正規分布するか、に応じて要約値を第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力する。たとえば、選択部203は、正規分布するデータについては、要約値を第1の予測値生成部204に入力する。また、選択部203は、非正規分布するデータについては、要約値を第2の予測値生成部205に入力する。
選択部203は、それまでに取得されたデータの性質に応じて、要約値を、第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力する。たとえば、選択部203は、それまでに取得されたデータが正規分布するか非正規分布するか、に応じて要約値を第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力する。たとえば、選択部203は、正規分布するデータについては、要約値を第1の予測値生成部204に入力する。また、選択部203は、非正規分布するデータについては、要約値を第2の予測値生成部205に入力する。
たとえば、以下の説明では、第1の予測値生成部204は、フィルタリングを用いた予測手法を用いて、要約値から予測値を生成する。フィルタリングを用いた予測手法は、新しく入力されるデータに基づいて、予測値を生成する。このため、フィルタリングを用いた予測手法は、高速な処理を実現することができ、正規分布する観測データに適している。
他方、第2の予測値生成部205は、マルコフ連鎖モンテカルロ法(MCMC)を用いた予測手法を用いて、要約値から予測値を生成する。MCMCを用いた予測手法は、新しくデータが入力されると、新しいデータを含めて過去のデータ全体(または過去所定期間分のデータ全体)に基づき、予測値を生成し直す。このため、MCMCを用いた予測手法は、フィルタリングを用いた予測手法と比較して処理は遅くなるが、より高精度の推定を実現することができ、非正規分布する観測データにも適応する。
このため、本実施形態では、予め異常検知装置1に入力される観測値の種類に応じて、どの要約値を第1の予測値生成部204に入力し、どの要約値を第2の予測値生成部206に入力するかを設定する。設定は記憶部30に記憶する。
[第1の予測値生成処理の一例-状態空間モデル(1)]
次に、第1の予測値生成部204は、要約値生成部202が生成した要約値に対して第1の統計モデリングを適用し、予測値を生成する。
次に、第1の予測値生成部204は、要約値生成部202が生成した要約値に対して第1の統計モデリングを適用し、予測値を生成する。
要約値生成部202が生成する要約値は、前処理を実行した後でも依然としてノイズや観測誤差が含まれた状態である。このため、本実施形態では、第1の予測値生成部204は、統計モデリングを適用して、要約値からノイズや観測誤差を取り除いた真の要約値すなわち予測値を推定する。
たとえば、第1の予測値生成部204は、状態空間モデルを用いた時系列分析の手法を適用することで、要約値から状態を推定する。たとえば、ここでは、第1の予測値生成部204は、カルマンフィルタ等のフィルタリングを用いた予測手法を適用し、状態を推定する。たとえば、第1の予測値生成部204は、ローカル・レベル・モデル(動的線形モデル)を用いてカルマンフィルタリングを実行するものとする。第1の予測値生成部204は、要約値をカルマンフィルタに通して、動的線形モデルのパラメータの最適な尤度を求める。そして、第1の予測値生成部204は、求めた尤度を動的線形モデルに入れなおし、フィルタリング結果から状態を推定する。
たとえば、第1の予測値生成部204は、時点tの観測値から生成される要約値をカルマンフィルタに通し、次に取得される時点t+1の観測値から生成される要約値の真の状態を推定する。そして、第1の予測値生成部204は、推定した状態に基づき、時点t+1において要約値がとると予測される値である予測値を生成する。予測値は、たとえば、フィルタリング値、スムージング値等である。
たとえば、第1の予測値生成部204は、半導体製造装置4から最新のランのデータ(要約値)を取得するごとに、前のランの要約値入力時に算出した予測値の誤差をカルマンゲインで補正して予測値を更新し、最新の予測値を生成する。第1の予測値生成部204は、状態の推定においても部分的に重回帰推定を実行してもよい。
このようにして、第1の予測値生成部204は予測値を生成する。このように要約値から予測値を生成することによって、要約値(観測値)のノイズや観測誤差を除去して、要約値の増減のトレンドを抽出することができる。
[第2の予測値生成処理の一例-マルコフ連鎖モンテカルロ法(MCMC)]
第2の予測値生成部205は、要約値生成部202が生成した要約値に対して第2の統計モデリングを適用し、予測値を生成する。第2の予測値生成部205が用いる第2の統計モデリングは、第1の予測値生成部204が用いる第1の統計モデリングとは異なる手法とする。
第2の予測値生成部205は、要約値生成部202が生成した要約値に対して第2の統計モデリングを適用し、予測値を生成する。第2の予測値生成部205が用いる第2の統計モデリングは、第1の予測値生成部204が用いる第1の統計モデリングとは異なる手法とする。
たとえば上述のように、第2の予測値生成部205は、要約値に対してマルコフ連鎖モンテカルロ法(MCMC)を利用した予測手法を適用することで、予測値を生成する。
第2の予測値生成部205は、ベイズの定理を用いて、前の要約値取得時点において生成された事後確率を事前確率として用いて、ベイズ推定により事後確率を算出することで予測値を求める。ベイズ推定によって得られる事後確率は分布として表現されるため、第2の予測値生成部205は、事後確率分布の平均値(事後平均値)または最頻値または中央値を算出し、予測値とする。
第2の予測値生成部205は、最新の要約値が入力されるごとに、最新の要約値を用いて予測値を更新する。第2の予測値生成部205は、新しい要約値が入力されるたびに、それまでに入力された全データに対してMCMCを適用して、予測値を更新する。このように、第2の予測値生成部205は、要約値の入力毎に、それまでに入力されたデータすべてに基づいて異常検知のベースとなる値を調整する。このため、MCMCを用いて生成される予測値を用いて異常検知を実行する場合、フィルタリングを用いて生成される予測値を用いた異常検知よりもさらに精度高い異常検知を実現できる。
[予測値に基づく異常スコア算出処理の一例]
異常スコア算出部206は、第1の予測値生成部204または第2の予測値生成部205が生成した予測値を用いて、半導体製造装置4の異常有無の指標となる異常スコアを算出する。異常スコアは、予測値に基づき、半導体製造装置4の各時点における異常発生の可能性の大きさをスコア化したものである。
異常スコア算出部206は、第1の予測値生成部204または第2の予測値生成部205が生成した予測値を用いて、半導体製造装置4の異常有無の指標となる異常スコアを算出する。異常スコアは、予測値に基づき、半導体製造装置4の各時点における異常発生の可能性の大きさをスコア化したものである。
たとえば、異常スコア算出部206は、予測値と要約値との残差の大きさを算出し、異常スコアとする。また、異常スコア算出部206は、予測値と要約値との残差の絶対値を算出し、異常スコアとしてもよい。またたとえば、異常スコア算出部206は、予測値と要約値との残差の二乗を異常スコアとしてもよい。またたとえば、異常スコア算出部206は、予測値と要約値との残差を標準偏差で割り標準化した値(標準化残差)を異常スコアとしてもよい。
異常スコア算出部206は、予測値の任意の信頼区間(たとえば95%)を閾値として設定する。また、異常スコア算出部206は、算出した異常スコアをトリミングし外れ値を除いた分布の任意の確率を異常判定ラインすなわち閾値として設定してもよい。また、異常スコア算出部206は、サポートベクトルマシン等を用いた機械学習により、教師なし状態で異常と正常とを判断し、閾値を設定してもよい。そして、検知部208(後述)が、要約値が設定された閾値内にあるか否かに応じて異常有無を検知する。
なお、ここでは、異常検知装置1は、要約値を第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力するものとして説明する。すなわち、異常スコア算出部206は、第1の予測値生成部204および第2の予測値生成部205のいずれか一方が生成した予測値に基づき異常スコアを算出するものとして説明する。
図2は、第1の実施形態に係る異常スコア算出処理について説明するための図である。図2の(A)は、ラン毎に取得されたセンサデータ(要約値)を縦軸に、横軸にランを示す。(A)中、要約値を実線で示し、予測値を点線で示す。
図2の(B)は、(A)に示す要約値と予測値との残差の大きさを異常スコアとしてプロットしたものである。(B)中、異常スコアが点線で示す上下閾値から外れると、異常と検知される。(B)中、矢印X,Yで示す部分で、異常スコアが上下閾値から外れている。矢印Xで示す部分は、異常スコアが上限閾値を超え、異常と検知される部分である。また、矢印Yで示す部分はメンテナンスにより観測値が変動した部分であり、やはり異常と検知される。
[変化スコア算出処理の一例]
変化スコア算出部207は、半導体製造装置4の状態の変化の指標となる変化スコアを算出する。変化スコア算出部207は、要約値に対して、統計モデリングすなわち変化点検出モデルを適用することで、要約値の変化の大きさをスコア化した変化スコアを算出する。変化スコア算出部207は、第1の予測値生成部204または第2の予測値生成部205が生成する予測値に基づき、変化スコアを算出する。
変化スコア算出部207は、半導体製造装置4の状態の変化の指標となる変化スコアを算出する。変化スコア算出部207は、要約値に対して、統計モデリングすなわち変化点検出モデルを適用することで、要約値の変化の大きさをスコア化した変化スコアを算出する。変化スコア算出部207は、第1の予測値生成部204または第2の予測値生成部205が生成する予測値に基づき、変化スコアを算出する。
たとえば、変化スコア算出部207は、第2の予測値生成部205が算出した事後確率の大きさを変化スコアとしてもよい。この場合、変化スコア算出部207は、変化スコアに対する評価基準値として経験的に設定される閾値を採用する。
また、たとえば、変化スコア算出部207は、第2の予測値生成部205が算出した事後確率をサポートベクターマシン(SVM)に入力し、正常時の群とその他の群とを分ける境界を閾値として抽出してもよい。
また、たとえば、変化スコア算出部207は、事後確率のマハラノビス距離を変化スコアとしてもよい。
また、たとえば、変化スコア算出部207は、ベイズを使った積分割のモデルによるベイジアン変化点のスコアを変化スコアとしてもよい(Barry D, Hartigan J.A., “A Bayesian Analysis for Change Point Problems.” Journal of the American Statistical Association, 35(3), 309-319 (1993) を参照)。この場合は、変化スコア算出部207は、過去のデータの分布の外れ値をトリミングして、任意の確率(たとえば5%)を閾値とする。ただし、この他、経験的に設定される固定値を閾値としてもよいし、上述のようにSVMによる機械学習に基づき閾値を設定してもよい。
変化スコアは、要約値の波形が大きく変化する部分を変化点として検知できればよく、算出手法は特に限定されない。
[異常検知処理および異常レポート作成処理の一例]
検知部208は、異常スコア算出部206が算出した異常スコアおよび変化スコア算出部207が算出した変化スコアに基づいて、異常を検知する。
検知部208は、異常スコア算出部206が算出した異常スコアおよび変化スコア算出部207が算出した変化スコアに基づいて、異常を検知する。
たとえば、検知部208は、異常スコア算出部206が算出した異常スコアが閾値を超えたか否かを判定する。また、検知部208は、変化スコア算出部207が算出した変化スコアが閾値を超えたか否かを判定する。
そして、検知部208は、異常スコアおよび変化スコアのいずれか一方が閾値を超えたと判定した場合に、警告部209に通知する。また、検知部208は、異常スコアおよび変化スコアの双方が閾値を超えたと判定した場合に、警告部209に通知する。
また、検知部208は、異常スコアが閾値を超え、変化スコアが閾値を超えていないと判定した場合、および、異常スコアが閾値を超えておらず、変化スコアが閾値を超えたと判定した場合に第1レベルの異常を警告部209に通知するように構成してもよい。そして、検知部208は、異常スコアおよび変化スコアが閾値を超えたと判定した場合に、第2レベルの異常を警告部209に通知するように構成してもよい。ここで、第1レベルの異常は、第2レベルの異常よりも軽度の異常を示すものとする。
また、検知部208は、異常スコアを第1の予測値生成部204および第2の予測値生成部205の双方が生成した予測値について算出する場合は、二つの異常スコアの一方が閾値を超えた場合と二つの異常スコアの双方が閾値を超えた場合を識別できるようにしてもよい。たとえば、検知部208は、2つの異常スコアのいずれか一方または変化スコアが閾値を超えた場合に第1レベルの異常を警告部209に通知する。また、検知部208は、2つの異常スコアと変化スコアのうちいずれか2つが閾値を超えた場合に第2レベルの異常を警告部209に通知する。さらに、検知部208は、2つの異常スコアと変化スコアの全てが閾値を超えた場合に第3レベルの異常を警告部209に通知する。ここで、第1レベルから第3レベルの異常まで、段階的に異常の度合いが高くなるものとする。
警告部209は、検知部208からの通知に応じて、通信部10を介して、リモートサーバ3に警告を送信する。警告部209はたとえば、検知部208が第1レベルの異常を通知した場合、第2レベルの異常を通知した場合、第3レベルの異常を通知した場合のそれぞれを識別可能な警告を送信する。
異常レポート作成部210は、記憶部30に記憶される情報に基づき、異常検知装置1における異常検知処理の結果を集積した異常レポートを作成する。異常レポート作成部210が作成した異常レポートは、通信部10を介してリモートサーバ3に送信される。また、異常レポート作成部210が作成した異常レポートは、出力部40から出力される。
異常レポート作成部210は、予め設定された期間ごとに異常レポートを作成するものとしてもよい。また、異常レポート作成部210は、検知部208が第1~第3レベルの異常のいずれかを検知した場合に、異常レポートを出力するように構成してもよい。また、異常レポート作成部210は、ユーザからの指示入力に応じて異常レポートを作成するように構成してもよい。なお、異常レポートの内容の具体的な例については後述する。
[記憶部30に記憶される情報の一例]
記憶部30は、制御部20において生成される情報およびリモートサーバ3から受信される情報を適宜記憶する。記憶部30は、半導体製造装置情報記憶部31と、異常検知情報記憶部32と、異常レポート記憶部33と、を有する。
記憶部30は、制御部20において生成される情報およびリモートサーバ3から受信される情報を適宜記憶する。記憶部30は、半導体製造装置情報記憶部31と、異常検知情報記憶部32と、異常レポート記憶部33と、を有する。
半導体製造装置情報記憶部31は、半導体製造装置4に関する情報である半導体製造装置情報を記憶する。図3は、第1の実施形態に係る異常検知装置1に記憶される半導体製造装置情報の構成の一例を示す図である。
異常検知装置1は、予め監視対象装置に関する情報である半導体製造装置情報を記憶する。たとえば、リモートサーバ3側から異常検知装置1に対して、半導体製造装置4の情報を登録するように構成してもよいし、異常検知装置1のオペレータが監視対象装置の情報を入力するように構成してもよい。
図3に示すように、半導体製造装置情報はたとえば、「装置ID」、「ユーザID」、「監視ステップ」、「監視レシピ」、「センサID」、「運転情報」等の情報を含む。「装置ID」は、監視対象装置を各々一意に識別するための識別子(Identifier)である。「ユーザID」は、監視対象装置を使用するユーザ、事業者を一意に識別するための識別子である。「監視ステップ」は、監視対象装置において監視対象とするステップを識別するための情報である。「監視レシピ」は、監視ステップにおいて使用するレシピを識別するための情報である。「監視ステップ」および「監視レシピ」は、異常検知処理において適用する統計モデリングの手法等と対応付けて記憶し、ステップおよびレシピごとに最適な統計モデリングの手法や閾値設定手法を選択できるように構成してもよい。「センサID」は、監視対象装置に設けられるセンサを一意に識別するための情報である。また、「センサID」は、監視ステップおよび監視レシピに対応付けて設定される。「運転情報」は、監視対象装置について特別な処理を実行する予定がある場合に記憶される、監視対象装置において実行される処理についての情報である。たとえば、所定の日時にメンテナンスを実行する予定がある場合は、メンテナンスする旨およびその日時の情報が「運転情報」として記憶される。また、監視対象装置の部品交換が行われる場合には、その旨およびその日時の情報が「運転情報」として記憶される。
図3の例では、装置ID「D001」で識別される監視対象装置は、ユーザID「U582」で識別されるユーザの監視対象装置として記憶されている。また、当該監視対象装置について、監視ステップ「S003」、監視レシピ「R043」が記憶されている。また、監視ステップ「S003」の監視には、センサID「S001」で識別されるセンサにより測定されるデータが使用されることが記憶されている。また、装置ID「D001」で識別される監視対象装置について、2016年6月2日の16時からメンテナンスが実行される予定であることが記憶されている。
なお、半導体製造装置情報は、複数のユーザが使用する複数の監視対象装置についての情報を含む。異常検知装置1は、複数のユーザが使用する複数の監視対象装置についての情報を一元的に記憶し管理することにより、ネットワークを介して複数の監視対象装置の異常検知を統合的に実行することができる。
異常検知情報記憶部32は、異常検知情報を記憶する。図4は、第1の実施形態に係る異常検知装置1に記憶される異常検知情報の構成の一例を示す図である。
異常検知情報はたとえば、「装置ID」、「センサID」、「タイムスタンプ」、「観測値」、「要約値」、「予測値(1)」、「予測値(2)」、「異常スコア」、「変化スコア」、「異常判定」等の情報を含む。「装置ID」および「センサID」は、半導体製造装置情報に含まれる情報と同様である。「タイムスタンプ」は、観測値がセンサによって測定された日時を示す情報である。なお、「タイムスタンプ」はたとえば、対応するランを特定する情報等で代替してもよい。「観測値」は、「センサID」により特定されるセンサが「タイムスタンプ」により特定される日時に測定した実際の測定値である。「要約値」は、対応する「観測値」を要約した値、たとえば平均値等である。「予測値(1)」は、対応する「観測値」「要約値」に基づき第1の統計モデリングを通じて生成された予測値の情報である。「予測値(2)」は、対応する「観測値」「要約値」に基づき第2の統計モデリングを通じて生成された予測値の情報である。「異常スコア」は、予測値に基づいて算出された異常スコアの情報である。「変化スコア」は、変化スコア算出部207が算出する変化スコアの情報である。「異常判定」は、異常スコアおよび変化スコアに基づき、検知部208が検知した異常に関する情報である。
図4の例では、装置ID「D001」で識別される監視対象装置について、センサID「S001」で識別されるセンサから、タイムスタンプ「2016/06/01:14:00:00」で特定される日時に受信された観測値に関連する情報が記憶されている。すなわち、観測値として5つの値「0.034,0.031,0.040,0.039,0.030」が記憶される。そして、5つの観測値の平均値である「0.0348」が要約値として記憶される。また、当該要約値に基づき第1の予測値生成部204および第2の予測値生成部205により生成された予測値が記憶される。さらに、異常スコア算出部25が算出した異常スコア、変化スコア算出部207が算出した変化スコアがそれぞれ記憶される。さらに、検知部208が、異常スコアと変化スコアに基づいて検知した異常の内容、図4の例では異常なしを示す「NO」が記憶される。なお、「異常判定」は、第1レベル乃至第3レベルの異常が検知された場合は、それぞれを識別できるように記憶する。
なお、予測値、異常スコア、変化スコアは、第2の予測値生成部205が生成する予測値については、要約値が入力されるごとに更新される。
異常レポート記憶部33は、異常レポート情報を記憶する。異常レポート情報は、異常レポート作成部29により作成される。異常レポート情報は、異常検知装置1における異常検知処理の結果を示す情報である。
図5は、第1の実施形態に係る異常検知処理により出力される情報の一例を示す図である。また、図6は、第1の実施形態に係る異常検知処理により生成される予測値、異常スコアおよび変化スコアの一例を説明するための図である。異常レポート情報はたとえば、図5および図6に示す情報を含む。
[異常レポートの一例]
図5は、第1の実施形態に係る異常検知方法により出力される情報の一例を示す図である。図5の例では、半導体製造装置4において1日に20回ランが行われた結果をプロットしている。図5の(A)は、各ランにおける要約値と、予測値にもとづき設定された異常スコア判定用の上下閾値と、を示す。上下閾値は、予測値の任意の信頼区間、ここでは約95%をもとに設定した。また、図5の例では、予測値は、第1の予測値生成部204においてカルマンフィルタを用いて算出した。
図5は、第1の実施形態に係る異常検知方法により出力される情報の一例を示す図である。図5の例では、半導体製造装置4において1日に20回ランが行われた結果をプロットしている。図5の(A)は、各ランにおける要約値と、予測値にもとづき設定された異常スコア判定用の上下閾値と、を示す。上下閾値は、予測値の任意の信頼区間、ここでは約95%をもとに設定した。また、図5の例では、予測値は、第1の予測値生成部204においてカルマンフィルタを用いて算出した。
図5の(A)において、「Act」で示す線は要約値を示す。また、「UCL1」「LCL1」はそれぞれ、予測値に基づき設定された異常スコア判定用の上下閾値である。図5の(A)では、予測値に基づく上下閾値に加えて、固定値を用いた監視も併用する。このため、閾値「UCL1」、「LCL1」に加えて、閾値「UCL2」と「LCL2」とを設定する。また、図5の(B)において、「C Score」は変化スコアを示し、「UCL」は変化スコアの上限閾値を示す。
図5の例では、異常検知装置1は、観測値に基づいて要約値(Act)を各ランについて算出している。図5に示すように、要約値は各測定時点で上下に振れている。
また、異常検知装置1は、各時点において要約値に基づいて予測値を算出する。たとえば、図5の左から6番目のプロットまでは、要約値は上下に振れつつ緩やかな減少傾向をみせている。このため、6番目の要約値が入力されたとき、統計モデリングを適用して得られる予測値は、1番目から4番目のプロットを平均した値よりもやや減少した値となる(上下閾値の中央部分)。しかし、左から7番目のプロットの時点の要約値は、6番目のプロットの要約値から増加している。そして、左から8番目のプロットの時点の要約値もさらに増加を示す。このため、左から8番目のプロットの時点で予測値は緩やかな増加を示す値となる。しかし、左から9番目のプロットの時点で要約値は大きく増加し、8番目のプロット時点で予測された予測値にもとづく上限閾値UCL1を超えている。このため、異常検知装置1では、左から9番目の要約値に基づく判定を実行した時点で、警告部209が警告を出す(図5の(A)中、矢印W1で示す部分)。このように、異常検知装置1では、予測値に基づき要約値に対して適用する上下閾値を動的に変化させる。さらに、図5の(A)中、矢印W2、W3で示す部分でも、要約値Actは上限閾値UCL1を超える値をとる。このように、要約値Actが上限閾値UCL1を超えた部分は、異常レポートにおいては強調表示する。たとえば、図5の(A)中、矢印W1,W2,W3の部分を他のプロットとは異なる色で表示したり、ハイライトをつけたりする。
このように、本実施形態に係る異常検知装置1は、観測値および要約値に現れるノイズや観測誤差を捨象して、監視対象装置の状態のトレンドをより正確に反映した状態を推定し予測値を算出する。そして、異常検知装置1は、予測値に基づき、半導体製造装置4が正常に動作している場合に、要約値がとると予想される値の範囲すなわち閾値を設定する。このため、異常検知装置1は、過去のトレンドに基づき、新たに取得される要約値と比較すべき閾値を動的に設定し直すことができる。このため、実施形態の異常検知装置1は、閾値を固定的に設定することが難しい性質をもつ値を異常検知に利用する場合であっても、閾値を動的に変動させて、精度高く異常を検知することができる。
また、図5の(A)の例では、予測値に基づき変動する閾値に加えて固定閾値も併用する。このため、異常検知装置1は、従来の管理図と同様に固定値を閾値とした監視も実行しつつ、上記のように予測値に基づき変動する閾値を用いて監視を実行することができ、異常検知の精度をさらに向上させることができる。
図5の(B)は、(A)の要約値のベイジアン変化点をスコア化した例である。(A)に示したように、左から8番目のプロットから9番目のプロットの間で要約値が大きく増加しているために、変化スコアにおいても、9番目のプロットに対応して大きな増加がみられる。また、異常スコア中の矢印W2,W3で表示される箇所とほぼ同じ時点で、変化スコアの値も増加している(図5の(B)中、矢印W5,W6で示す箇所)。異常スコアと同様、変化スコアにおいても、スコアが閾値を超えた部分を強調表示する。たとえば、図5の(B)中、矢印W4,W5,W6の部分を他のプロットとは異なる色で表示したり、ハイライトをつけたりする。
このように、本実施形態において、予測値にもとづいて設定した閾値を利用して異常検知した場合(すなわち異常スコア、要約値と予測値と残差等を利用する場合)、突発的な変化を精度よく検知することができる。また、本実施形態に基づき算出した変化スコアは、データに変化が生じた変化点を抽出することができる。このため、実施形態に係る異常検知装置は、異常スコアと変化スコアを組み合わせて異常検知することで、データに発生した変化を検知して、多様な原因にもとづく異常を精度よく検知することができる。また、異常検知装置1は、予測値に基づき設定される閾値だけでなく、固定値に基づき設定される閾値を併用することで、さらに異常検知の精度を向上させることができる。
また、本実施形態では、(A)に示すように動的および固定的に閾値を設定して要約値と比較するデータと、(B)のように要約値の変化の大きさ自体をスコア化したデータと、を並列的に表示する。このため、突発的に発生する変化と漸進的に発生する変化とを、ユーザが視覚的直観的に把握することができる。また、異常検討装置は、異なる観点で検知した変化をまとめて提示し、異常有無を判断することにより、より精度高く異常の発生を検知することが可能である。
異常レポートは、図5に示すグラフを含んでもよいし、さらに、半導体製造装置情報記憶部31および異常検知情報記憶部32に記憶される他の情報を含んでもよい。
また、異常レポートは、図6に示すグラフを含んでもよい。図6は、第1の実施形態に係る異常検知処理により生成される予測値、異常スコアおよび変化スコアの一例を説明するための図である。図6の(A)は、各時点における要約値と、要約値に対して統計的モデリングを適用して生成した予測値(予測値の平滑値)と、をプロットしたものである。図6の(A)にはまた、固定値に基づく上下閾値T1およびT2を示す。図6の(B)は、(A)に示す予測値と要約値との差を異常スコアとしてプロットしたものである。図6の(C)は、(A)に示す要約値に対してベイズ推定による尤度変化点を算出して変化スコアとしたものである。
図6の(A)では、図5と異なり、予測値に基づき動的に設定される閾値ではなく予測値そのものをグラフとして表示する。図6の(A)中、矢印A1,A2,A3で示す箇所において、要約値が予測値から大きく逸脱している。しかし、何れの時点でも要約値は、固定値に基づく上下閾値T1およびT2の範囲からは逸脱していない。
図6の(B)中、矢印で示す部分B1,B2において、異常スコアが閾値を超えている。また、図6の(C)中、矢印で示す部分C1,C2,C3において、変化スコアが閾値を超えている。図6の(A)において固定の閾値T1,T2によっては、(B)のB1,B2、(C)のC1,C2,C3における異常や変化は検知することができない。これに対して、異常スコアと変化スコアとをあわせて利用し、いずれか一方において外れ値が発生すれば、ユーザの注意を促し、双方において外れ値が発生すれば警告を出すようにすれば、C2の時点で「注意」、B1(C1)およびB2(C3)の時点で「警告」を出すことができる。異常レポートは、B1,B2,C1,C2,C3を異常ポイントとして表示するようにしてもよい。
なお、図6の例では、(A)(B)は一つの予測値について表示したが、二つの予測値について異常スコアを算出する場合は、異常レポートは、(A)(B)をそれぞれ2つ含んでもよい。
[異常検知処理の流れの一例]
図7は、第1の実施形態に係る異常検知処理の流れの一例を示すフローチャートである。異常検知装置1の観測値取得部201は、まず、リモートサーバ3を介して半導体製造装置4におけるセンサの観測値を取得する(ステップS1)。観測値取得部201が取得した観測値は、要約値生成部202に送られる。要約値生成部202は、観測値を基に要約値を生成する(ステップS2)。要約値生成部202が生成した要約値は、選択部203に送られる。選択部203は、要約値の分布が正規分布か非正規分布かを判定する(ステップS3)。正規分布と判定した場合(ステップS3、Yes)、選択部203は、要約値を第1の予測値生成部204に送る(ステップS4)。第1の予測値生成部204は、要約値に対して第1の統計モデリングを適用して予測値を生成する(ステップS6)。他方、選択部203が非正規分布と判定した場合(ステップS3、No)、選択部203は、要約値生成部202が生成した要約値を、第2の予測値生成部205に送る(ステップS5)。そして第2の予測値生成部205は、要約値に対して第2の統計モデリングを適用して、予測値を生成する(ステップS6)。第1の予測値生成部204および第2の予測値生成部205の一方が生成した予測値は、異常スコア算出部206に送られる。異常スコア算出部206は、予測値に基づく異常スコアを算出する(ステップS7)。
図7は、第1の実施形態に係る異常検知処理の流れの一例を示すフローチャートである。異常検知装置1の観測値取得部201は、まず、リモートサーバ3を介して半導体製造装置4におけるセンサの観測値を取得する(ステップS1)。観測値取得部201が取得した観測値は、要約値生成部202に送られる。要約値生成部202は、観測値を基に要約値を生成する(ステップS2)。要約値生成部202が生成した要約値は、選択部203に送られる。選択部203は、要約値の分布が正規分布か非正規分布かを判定する(ステップS3)。正規分布と判定した場合(ステップS3、Yes)、選択部203は、要約値を第1の予測値生成部204に送る(ステップS4)。第1の予測値生成部204は、要約値に対して第1の統計モデリングを適用して予測値を生成する(ステップS6)。他方、選択部203が非正規分布と判定した場合(ステップS3、No)、選択部203は、要約値生成部202が生成した要約値を、第2の予測値生成部205に送る(ステップS5)。そして第2の予測値生成部205は、要約値に対して第2の統計モデリングを適用して、予測値を生成する(ステップS6)。第1の予測値生成部204および第2の予測値生成部205の一方が生成した予測値は、異常スコア算出部206に送られる。異常スコア算出部206は、予測値に基づく異常スコアを算出する(ステップS7)。
他方、第1の予測値生成部204または第2の予測値生成部205が生成した予測値は、変化スコア算出部207にも入力される。変化スコア算出部207は、変化スコアを算出する(ステップS8)。検知部208は、異常スコアと変化スコアとを参照して、各スコアが閾値を超えるか否かを判定する(ステップS9)。検知部208はスコアが閾値を超えると判定した場合、つまり異常を検知した場合(ステップS9、Yes)、警告部209に通知し、警告部209はリモートサーバ3に警告を送る。また、異常レポート作成部210は、異常レポートを出力する(ステップS10)。また、検知部208はスコアが閾値以下であると判定した場合すなわち異常を検知しなかった場合(ステップS9、No)、ステップS1に戻る。これで異常検知処理が終了する。
[変形例]
上記第1の実施形態においては、異常検知装置1は、選択部203を備え、第1の統計モデリングおよび第2の統計モデリングのいずれかの手法を用いて予測値を生成するものとした。ただし、異常検知装置1は、選択部203を省略して第1の予測値生成部204および第2の予測値生成部205の両方に要約値を入力するように構成してもよい。そして、異常スコア算出部206は、第1の予測値生成部204および第2の予測値生成部205が生成する2つの予測値に基づき、二つの異常スコアを算出するよう構成してもよい。
上記第1の実施形態においては、異常検知装置1は、選択部203を備え、第1の統計モデリングおよび第2の統計モデリングのいずれかの手法を用いて予測値を生成するものとした。ただし、異常検知装置1は、選択部203を省略して第1の予測値生成部204および第2の予測値生成部205の両方に要約値を入力するように構成してもよい。そして、異常スコア算出部206は、第1の予測値生成部204および第2の予測値生成部205が生成する2つの予測値に基づき、二つの異常スコアを算出するよう構成してもよい。
また、異常検知装置は、第1の予測値生成部204および第2の予測値生成部205の双方に予測値を生成させて2つの異常スコアを算出し、算出したスコアに基づく検知部208の検知結果に基づいて、統計モデリングに使用するパラメータを調整するように構成してもよい。第1の実施形態では、統計モデリングとして、第1の予測値生成部204がフィルタリングを用い、第2の予測値生成部205がMCMCを用いる。このため、第2の予測値生成部205が生成する予測値を用いた異常検知結果の精度の方が高くなると予想される。そこで、異常検知装置を、第1の予測値生成部204が生成した予測値を用いた異常検知結果と、第2の予測値生成部205が生成した予測値を用いた異常検知結果と、を比較し、齟齬がある場合に、第1の予測値生成部204が用いる統計モデリングのパラメータを調整するように構成してもよい。
また、異常検知装置は、第1の予測値生成部204と第2の予測値生成部205の双方に常に予測値を生成させ、2つの異常スコアに基づいて異常検知するように構成してもよい。
また、異常検知装置は、異常スコアについて上述したように予測値に応じて変動する閾値のほか、固定の閾値を用いた判定を併せて実行するように構成してもよい。このように構成することで、異常検知装置は、突発的に発生する異常とあわせて、徐々に進行する変化も検知することができ、さらに異常検知の精度を向上させることができる。
[第1の実施形態の効果]
上記のように、本実施形態に係る異常検知装置は、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用する。そして、異常検知装置は、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。そして、異常検知装置は、予測値に基づき、監視対象装置の異常有無を検知する。このように、実施形態に係る異常検知装置によれば、観測値そのものを監視するのではなく、観測値に基づいて判定される装置の状態を監視する。このため、異常検知装置は、本来の検知目標である、装置の突発的な変化や状態の変化を見逃すことなく、異常を早期発見することができる。このため、異常検知装置は、高精度かつ効率的な異常予知および異常監視を自動的に実現することができる。また、本実施形態に係る異常検知装置は、ネットワークを介して監視対象である半導体製造装置と接続され、半導体製造装置において観測される観測値を受信する。そして、異常検知装置は、観測値に基づきリアルタイムで半導体製造装置の状態を監視する。このため、異常検知装置は、半導体製造装置におけるオンライン監視を実現することができる。
上記のように、本実施形態に係る異常検知装置は、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用する。そして、異常検知装置は、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。そして、異常検知装置は、予測値に基づき、監視対象装置の異常有無を検知する。このように、実施形態に係る異常検知装置によれば、観測値そのものを監視するのではなく、観測値に基づいて判定される装置の状態を監視する。このため、異常検知装置は、本来の検知目標である、装置の突発的な変化や状態の変化を見逃すことなく、異常を早期発見することができる。このため、異常検知装置は、高精度かつ効率的な異常予知および異常監視を自動的に実現することができる。また、本実施形態に係る異常検知装置は、ネットワークを介して監視対象である半導体製造装置と接続され、半導体製造装置において観測される観測値を受信する。そして、異常検知装置は、観測値に基づきリアルタイムで半導体製造装置の状態を監視する。このため、異常検知装置は、半導体製造装置におけるオンライン監視を実現することができる。
また、実施形態に係る異常検知装置は、監視対象装置から取得された値(観測値)に直接基づいて異常検知をするのではなく、要約値および予測値を導出した上で、異常検知を実行する。このため、異常検知装置は、サンプル数や、ノイズ、観測誤差等の要因によって左右される実測データの質に影響されることなく、監視対象装置の稼働状態を定量化し、動的に閾値を適応させて監視対象装置の自動監視を実現することができる。
また、実施形態に係る異常検知装置は、統計モデリングとして予測モデルと変化点検出モデルとを適用することにより予測値を生成する。また、実施形態に係る異常検知装置は、予測モデルとして状態空間モデルおよびカルマン・フィルタリングを適用してフィルタリング値またはスムージング値を予測値として生成する。また、実施形態に係る異常検知装置は、統計モデリングとして、マルコフ連鎖モンテカルロ法で事後分布を推定し、事後分布の平均値、最頻値および中央値のいずれか1つを予測値として生成する。また、実施形態に係る異常検知装置は、要約値に対してベイズ推定を適用して得た事後平均値を予測値として生成する。このように、異常検知装置は、要約値の変動の傾向(トレンド)を抽出することができる統計モデリングを適用することで、観測値のサンプル数が少ない場合や欠損がある場合であっても、高精度かつ効率的な異常予知および異常監視を自動的に実現することができる。
また、実施形態に係る異常検知装置は、新しい要約値が取得されるごとに逐次、予測モデルを実行させて予測値を更新し、更新した予測値の任意の信頼区間を上下閾値として設定し、更新した予測値が上下閾値の範囲から外れる場合に、監視対象装置の異常を検知する。また、実施形態に係る異常検知装置は、予測値と要約値との残差、当該残差の二乗、および、予測値と要約値との標準化残差の少なくともいずれか1つが閾値よりも大きい場合に異常を検知する。このため、異常検知装置は、動的に異常検知の閾値を変動させることで、機差等を加味して、異常検知を実現することができる。
また、実施形態に係る異常検知装置は、要約値のベイジアン変化点のスコアが閾値を超えた場合に異常を検知する。このため、経時的な変化だけでなく、突発的な変化が生じた場合にも検知漏れを発生させることなく精度高い異常検知を実現できる。また、異常検知装置は、複数の異常検知基準を組み合わせて実行することで、異なる性質の異常を漏れなく検知するとともに、異常のレベルを併せて検知することができる。また、異常検知装置は、複数の視点から監視対象装置の状態を評価するため、一つの基準で異常を判定する場合と比較して、より精度高い異常検知を実現することができる。
また、実施形態に係る異常検知装置は、変化スコアと異常スコアとを視覚的に把握しやすい表の形で出力する。このため、ユーザは、異常が発生した時点や異常の程度を視覚的に把握し、監視対象装置の状態を容易に理解することができる。また、実施形態に係る異常検知装置は、変化スコアと異常スコアとの時間軸をそろえて整列させて出力する。このため、ユーザは、二つの異なる視点から検知された異常を対応付けて、監視対象装置の状態変化を容易に把握することができる。
また、実施形態に係る異常検知装置は、半導体製造装置における処理が完了するごとに、最新の観測結果(観測値)を取得して、異常検知に使用する閾値を自動的に更新する。このため、異常検知装置は、人手を介して閾値を設定し直す必要がなく、メンテナンスフリーの異常監視を実現することができる。
なお、上記実施形態では、予測モデルと変化点検出モデルとを統計モデリングの例として説明したが、他の統計モデリングの手法を用いてもよい。また、予測値は、必ずしも要約値から生成しなくてもよく、観測値の性質上可能であれば観測値に対して直接統計モデリングを適用してもよい。
また、実施形態に係る異常検知装置は、異なる統計モデリングの手法を用いて予測値を生成する二つの異なる予測値生成部を備える。このため、実施形態に係る異常検知装置は、要約値の性質に応じて、当該要約値に適した統計モデリングの手法を選択し予測値を生成することができる。
たとえば、異常検知装置は、より精度の高い異常検知結果が要求される場合には、MCMCを利用した予測手法を用いて異常検知を実行し、より高速に処理を行うことが要求される場合には、フィルタリングを利用した予測手法を用いることができる。
また、フィルタリングを利用した予測手法としては、カルマンフィルタのほか、拡張カルマンフィルタ、粒子フィルタその他任意のフィルタを利用することができる。
[変形例1]
上記第1の実施形態では、半導体製造装置4のメンテナンス等の特定のイベントの発生については特に考慮していない。変形例1では、半導体製造装置4のメンテナンス等特定のイベントが発生することで取得されるデータに変動が生じる可能性を考慮して、特定のイベント直後の観測値を破棄するよう、異常検知装置を構成する。特定のイベントの発生についての情報は、異常検知装置が、イベントログとして監視対象装置から取得し、記憶部に格納するよう構成すればよい。
上記第1の実施形態では、半導体製造装置4のメンテナンス等の特定のイベントの発生については特に考慮していない。変形例1では、半導体製造装置4のメンテナンス等特定のイベントが発生することで取得されるデータに変動が生じる可能性を考慮して、特定のイベント直後の観測値を破棄するよう、異常検知装置を構成する。特定のイベントの発生についての情報は、異常検知装置が、イベントログとして監視対象装置から取得し、記憶部に格納するよう構成すればよい。
変形例1に係る異常検知装置1Aの構成および動作は、第1の実施形態に係る異常検知装置1と概ね同様であるため、同様の部分については説明を省略する(図1参照)。変形例1に係る異常検知装置1Aでは、制御部20Aが備える観測値取得部201Aの動作が、第1の実施形態の観測値取得部201と異なる。
図8は、第1の実施形態の変形例1に係る異常検知装置1Aにおける処理について説明するためのフローチャートである。
図8に示すように、変形例1に係る異常検知装置1Aは、まず、リモートサーバ3を介して半導体製造装置4からセンサの観測値を受信する(ステップS81)。観測値を受信した観測値取得部201Aは、次に、記憶部30(半導体製造装置情報記憶部31)に格納される半導体製造装置4の情報を取得する(ステップS82)。観測値取得部201Aは、記憶部30から取得した情報において、取得した観測値の測定時間に半導体製造装置4がメンテナンス中であったことを示す情報が含まれているか否かを判定する(ステップS83)。そして、観測値取得部201Aは、情報が含まれていると判定した場合(ステップS83、Yes)、取得した観測値を他の機能部に送らず、そのまま破棄する(ステップS84)。他方、観測値取得部201Aは、情報が含まれていないと判定した場合(ステップS83、No)、図7に示した異常検知処理に進む(ステップS85)。これで変形例1に係る異常検知装置1Aの処理は終了する。
なお、観測値取得部201Aは、予め半導体製造装置情報記憶部31からメンテナンスの情報を取得しておき、メンテナンス中の観測値だけでなく、メンテナンス前後所定時間中の観測値も破棄するよう構成してもよい。
また、観測値取得部201Aが、メンテナンス中であったことを示す情報が含まれていると判定した場合(ステップS83、Yes)には、それまでの異常検知処理をリセットして、新たに処理を開始するように異常検知装置1Aを構成してもよい。すなわち、異常検知装置1Aは、メンテナンスが行われた時点で統計モデリングを使用した学習をいったん終了して、新たに学習を開始するように構成してもよい。
また、観測値取得部201Aが、メンテナンス中であったことを示す情報が含まれていると判定した場合(ステップS83、Yes)、観測値取得部201Aは、その後所定回数にわたり取得した観測値を破棄するよう構成してもよい。このように構成すれば、統計モデリングによる異常検知処理自体は継続しつつ、メンテナンスによる変動が生じた可能性のあるデータは異常検知処理の対象から除外することができる。このため、異常検知の精度を向上させることができる。
また、異常が検知された後にメンテナンスが実行された場合に、異常検知の対象となったデータを破棄するように異常検知装置1Aを構成してもよい。たとえば、観測値取得部201Aが、メンテナンス中であったことを示す情報が含まれていると判定した場合(ステップS83、Yes)、観測値取得部201Aはさらに、異常検知情報記憶部32を参照する。そして、観測値取得部201Aは、たとえば異常検知情報に含まれる「タイムスタンプ」と「異常判定」とを参照して、メンテナンス実行日時から所定期間前までに異常が検知されているか否かを判定する。異常が検知されていると判定した場合、観測値取得部201Aは、異常検知時点からメンテナンス終了までの間に取得された観測値を破棄する。そして、観測値取得部201Aは、所定期間にわたり、異常検知時点直前の観測値を繰り返し要約値生成部202に送信する。このように構成すれば、異常検知の対象となったデータすなわち異常なデータを除外して半導体製造装置4の状態を推定して統計モデリングを実行することができ、異常検知の精度を向上させることができる。
[変形例1の効果]
このようにメンテナンス中およびメンテナンス前後所定時間の観測値を、異常検知の判定対象から除外することで、異常検知装置1Aの検知精度を向上させることができる。
このようにメンテナンス中およびメンテナンス前後所定時間の観測値を、異常検知の判定対象から除外することで、異常検知装置1Aの検知精度を向上させることができる。
[変形例2]
上記変形例1では、異常検知装置1Aを、メンテナンス中の観測値および/またはメンテナンス前後所定時間中の観測値を破棄するように構成した。これに代えて、メンテナンス中およびメンテナンス後所定期間中は、観測値はそのまま入力させるが、警告を出力しないように構成してもよい。メンテナンス後は警告を出力しないように構成した例を変形例2として説明する。
上記変形例1では、異常検知装置1Aを、メンテナンス中の観測値および/またはメンテナンス前後所定時間中の観測値を破棄するように構成した。これに代えて、メンテナンス中およびメンテナンス後所定期間中は、観測値はそのまま入力させるが、警告を出力しないように構成してもよい。メンテナンス後は警告を出力しないように構成した例を変形例2として説明する。
変形例2に係る異常検知装置1Bの構成および動作は、第1の実施形態に係る異常検知装置1と概ね同様であるため、同様の部分については説明を省略する(図1参照)。変形例2に係る異常検知装置1Bでは、制御部20Bが備える警告部209Bの動作が、第1の実施形態の警告部209と異なる。
図9は、変形例2に係る異常検知装置1Bにおける処理について説明するためのフローチャートである。
図9に示すように、変形例2に係る異常検知装置1Bは、まず、リモートサーバ3を介して半導体製造装置4からセンサの観測値を受信し、図7のS1~S7と同様の処理を実行する(ステップS1101)。そして、警告部209Bは、検知部208から異常検知を通知されたか否かを判定する(ステップS1102)。警告部209Bが異常検知の通知がなかったと判定した場合(ステップS1102、No)、処理は終了する。他方、異常検知の通知があったと判定した場合(ステップS1102、Yes)、警告部209Bは次に、要約値取得前に特定のイベントがあったか否かを判定する(ステップS1103)。たとえば、警告部209Bは、図3の「運転情報」を参照し、要約値取得時から所定期間内にメンテナンスが実行されている旨の情報があるか否かを判定する。そして、警告部209Bは、特定のイベントがあったと判定した場合(ステップS1103、Yes)、警告を出力せず(ステップS1104)に処理を終了する。他方、特定のイベントがなかったと判定した場合(ステップS1103、No)、警告部209Bは、警告を出力し(ステップS1105)、処理を終了する。
このように、メンテナンス等の特定のイベントが発生し、観測値が不安定になると予測される場合は、異常検知装置を、当該イベント後所定期間にわたって警告を出力しないように構成してもよい。
この他、特定のイベントが発生した後に、一旦異常検知処理を初期化するように異常検知装置を構成してもよい。たとえば、メンテナンスの実行後に、異常検知装置に記憶された予測値等のデータをいったん消去等して、新しく入力されるデータのみに対して統計モデリングを適用するように構成してもよい。または、警告が出力されてメンテナンスを実行した場合等、警告の出力と特定のイベントが続いて発生した場合には、その後異常検知処理を初期化するように構成してもよい。または、警告の出力と特定のイベントが続いて発生した場合には、警告の対象となった観測値、要約値および予測値と、特定のイベントの実行中に取得された観測値、要約値および予測値と、を異常検知処理の対象から除外してもよい。このように構成することで、メンテナンス等による条件の変動によって検知結果の精度が不安定になることを防止することができる。
[プログラム]
図10は、第1の実施形態に係る異常検知プログラムによる情報処理がコンピュータを用いて具体的に実現されることを示す図である。図10に例示するように、コンピュータ1000は、例えば、メモリ1010と、CPU(Central Processing Unit)1020と、ハードディスクドライブ1080と、ネットワークインタフェース1070とを有する。コンピュータ1000の各部はバス1100によって接続される。
図10は、第1の実施形態に係る異常検知プログラムによる情報処理がコンピュータを用いて具体的に実現されることを示す図である。図10に例示するように、コンピュータ1000は、例えば、メモリ1010と、CPU(Central Processing Unit)1020と、ハードディスクドライブ1080と、ネットワークインタフェース1070とを有する。コンピュータ1000の各部はバス1100によって接続される。
メモリ1010は、図10に例示するように、ROM1011およびRAM1012を含む。ROM1011は、例えば、BIOS(Basic Input Output System)等のブートプログラムを記憶する。
ここで、図10に例示するように、ハードディスクドライブ1080は、例えば、OS1081、アプリケーションプログラム1082、プログラムモジュール1083、プログラムデータ1084を記憶する。すなわち、開示の実施の形態に係る異常検知プログラムは、コンピュータによって実行される指令が記述されたプログラムモジュール1083として、例えばハードディスクドライブ1080に記憶される。
また、異常検知プログラムによる情報処理に用いられるデータは、プログラムデータ1084として、例えばハードディスクドライブ1080に記憶される。そして、CPU1020が、ハードディスクドライブ1080に記憶されたプログラムモジュール1083やプログラムデータ1084を必要に応じてRAM1012に読み出し、各種の手順を実行する。
なお、異常検知プログラムに係るプログラムモジュール1083やプログラムデータ1084は、ハードディスクドライブ1080に記憶される場合に限られない。例えば、プログラムモジュール1083やプログラムデータ1084は、着脱可能な記憶媒体に記憶されてもよい。この場合、CPU1020は、ディスクドライブなどの着脱可能な記憶媒体を介してデータを読み出す。また、同様に、異常検知プログラムに係るプログラムモジュール1083やプログラムデータ1084は、ネットワーク(LAN(Local Area Network)、WAN(Wide Area Network)等)を介して接続された他のコンピュータに記憶されてもよい。この場合、CPU1020は、ネットワークインタフェース1070を介して他のコンピュータにアクセスすることで各種データを読み出す。
[その他]
なお、本実施形態で説明した異常検知プログラムは、インターネット等のネットワークを介して配布することができる。また、異常検知プログラムは、ハードディスク、フレキシブルディスク(FD)、CD-ROM、MO、DVDなどのコンピュータで読取可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。
なお、本実施形態で説明した異常検知プログラムは、インターネット等のネットワークを介して配布することができる。また、異常検知プログラムは、ハードディスク、フレキシブルディスク(FD)、CD-ROM、MO、DVDなどのコンピュータで読取可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。
なお、本実施形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。
1,1A,1B 異常検知装置
10 通信部
20,20A,20B 制御部
201,201A 観測値取得部
202 要約値生成部
203 選択部
204 第1の予測値生成部
205 第2の予測値生成部
206 異常スコア算出部
207 変化スコア算出部
208 検知部
209,209B 警告部
210 異常レポート作成部
30 記憶部
31 半導体製造装置情報記憶部
32 異常検知情報記憶部
33 異常レポート記憶部
40 出力部
2 ネットワーク
3 リモートサーバ
4 半導体製造装置
10 通信部
20,20A,20B 制御部
201,201A 観測値取得部
202 要約値生成部
203 選択部
204 第1の予測値生成部
205 第2の予測値生成部
206 異常スコア算出部
207 変化スコア算出部
208 検知部
209,209B 警告部
210 異常レポート作成部
30 記憶部
31 半導体製造装置情報記憶部
32 異常検知情報記憶部
33 異常レポート記憶部
40 出力部
2 ネットワーク
3 リモートサーバ
4 半導体製造装置
Claims (17)
- 監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、前記要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成手順と、
前記予測値に基づき、前記監視対象装置の異常有無を検知する検知手順と、
を、コンピュータに実行させることを特徴とする異常検知プログラム。 - 前記予測値生成手順において、前記コンピュータに、新しい要約値が取得されるごとに逐次、前記統計モデリングとして予測モデルを実行させて前記予測値を更新させ、
前記検知手順において、前記コンピュータに、前記更新された予測値の任意の信頼区間を上下閾値として設定して、前記監視対象装置の異常を検知させる、請求項1に記載の異常検知プログラム。 - 前記予測値生成手順において、前記コンピュータに、前記統計モデリングとして、フィルタリングを用いた予測モデルを適用して予測値を生成させる、請求項2に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、カルマンフィルタリングで得たフィルタリング値またはスムージング値を、予測値として生成させる、請求項3に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、前記統計モデリングとして、マルコフ連鎖モンテカルロ法を用いた予測モデルを適用して前記予測値を生成させる、請求項1または2に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、マルコフ連鎖モンテカルロ法を用いた予測モデルで事後分布を推定させ、当該事後分布の平均値、最頻値および中央値のいずれか1つを前記予測値として生成させる、請求項5に記載の異常検知プログラム。
- 前記検知手順において、前記コンピュータに、前記予測値と前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つが閾値よりも大きい場合に異常を検知させる、請求項1から6のいずれか1項に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、前記統計モデリングとして予測モデルと変化点検出モデルとを適用させる、請求項1から7のいずれか1項に記載の異常検知プログラム。
- 前記検知手順において、前記コンピュータに、前記要約値のベイジアン変化点のスコアが閾値を超えた場合に異常を検知させる、請求項1から8のいずれか1項に記載の異常検知プログラム。
- 監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、前記要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成工程と、
前記予測値に基づき、前記監視対象装置の異常有無を検知する検知工程と、
を、コンピュータが実行することを特徴とする異常検知方法。 - 前記予測値と前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する表を出力する出力工程を、前記コンピュータがさらに実行する、請求項10に記載の異常検知方法。
- 前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する表を出力する出力工程を、前記コンピュータがさらに実行する、請求項10に記載の異常検知方法。
- 前記予測値と、前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する第1の表と、前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する第2の表とを、時間軸をそろえて整列させた画像として出力する出力工程を、前記コンピュータがさらに実行する、請求項10に記載の異常検知方法。
- 監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、前記要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成部と、
前記予測値に基づき、前記監視対象装置の異常有無を検知する検知部と、
を備える異常検知装置。 - 前記予測値と前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する表を作成する作成部と、
前記作成部が作成した表を出力する出力部と、
をさらに備える、請求項14に記載の異常検知装置。 - 前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する表を作成する作成部と、
前記作成部が作成した表を出力する出力部と、
をさらに備える、請求項14に記載の異常検知装置。 - 前記予測値と、前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する第1の表と、前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する第2の表と、を作成する作成部と、
前記第1の表と前記第2の表とを、時間軸をそろえて整列させた画像として出力する出力部と、
をさらに備える、請求項14に記載の異常検知装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/336,744 US20200333777A1 (en) | 2016-09-27 | 2017-09-15 | Abnormality detection method and abnormality detection apparatus |
JP2018542408A JP6723669B2 (ja) | 2016-09-27 | 2017-09-15 | 異常検知プログラム、異常検知方法および異常検知装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016188280 | 2016-09-27 | ||
JP2016-188280 | 2016-09-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018061842A1 true WO2018061842A1 (ja) | 2018-04-05 |
Family
ID=61759576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2017/033577 WO2018061842A1 (ja) | 2016-09-27 | 2017-09-15 | 異常検知プログラム、異常検知方法および異常検知装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200333777A1 (ja) |
JP (1) | JP6723669B2 (ja) |
TW (1) | TWI737816B (ja) |
WO (1) | WO2018061842A1 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019239832A1 (ja) * | 2018-06-12 | 2019-12-19 | オムロン株式会社 | 異常検知システム、設定ツール装置、コントローラ、異常定義情報のデータ構造、および異常対応ファンクションブロック |
JP2020057289A (ja) * | 2018-10-03 | 2020-04-09 | 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 |
WO2020152889A1 (ja) * | 2019-07-30 | 2020-07-30 | 株式会社日立ハイテク | 装置診断装置、プラズマ処理装置及び装置診断方法 |
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 |
CN111830914A (zh) * | 2019-04-23 | 2020-10-27 | 株式会社日立制作所 | 工厂状态监视***和工厂状态监视方法 |
JP2021018791A (ja) * | 2019-07-22 | 2021-02-15 | 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 |
WO2021102223A1 (en) | 2019-11-20 | 2021-05-27 | Nanotronics Imaging, Inc. | Securing industrial production from sophisticated attacks |
US20210397169A1 (en) * | 2020-06-23 | 2021-12-23 | Tokyo Electron Limited | Information processing apparatus and monitoring method |
EP3992740A4 (en) * | 2019-06-28 | 2022-08-17 | Sumitomo Heavy Industries, Ltd. | PREDICTION SYSTEM |
KR20230012453A (ko) | 2021-07-13 | 2023-01-26 | 주식회사 히타치하이테크 | 진단 장치 및 진단 방법 그리고 플라스마 처리 장치 및 반도체 장치 제조 시스템 |
KR20230056720A (ko) | 2020-09-04 | 2023-04-27 | 도쿄엘렉트론가부시키가이샤 | 파라미터 선택 방법 및 정보 처리 장치 |
WO2023148967A1 (ja) * | 2022-02-07 | 2023-08-10 | 株式会社日立ハイテク | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム |
Families Citing this family (20)
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 |
US11249469B2 (en) * | 2018-09-28 | 2022-02-15 | Rockwell Automation Technologies, Inc. | Systems and methods for locally modeling a target variable |
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 |
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 |
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 |
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 |
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 |
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 |
US20230251646A1 (en) * | 2022-02-10 | 2023-08-10 | International Business Machines Corporation | Anomaly detection of complex industrial systems and processes |
Citations (4)
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 |
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 |
Family Cites Families (8)
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 |
JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
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 |
TWI505707B (zh) * | 2013-01-25 | 2015-10-21 | 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 |
KR101518374B1 (ko) * | 2013-10-10 | 2015-05-07 | 이도형 | 박막의 계측시스템 및 그 방법 |
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 |
-
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 (4)
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 |
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 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019239832A1 (ja) * | 2018-06-12 | 2019-12-19 | オムロン株式会社 | 異常検知システム、設定ツール装置、コントローラ、異常定義情報のデータ構造、および異常対応ファンクションブロック |
JP2019215674A (ja) * | 2018-06-12 | 2019-12-19 | オムロン株式会社 | 異常検知システム、設定ツール装置、コントローラ、異常定義情報のデータ構造、および異常対応ファンクションブロック |
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 |
JP2020057289A (ja) * | 2018-10-03 | 2020-04-09 | 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 |
CN111830914A (zh) * | 2019-04-23 | 2020-10-27 | 株式会社日立制作所 | 工厂状态监视***和工厂状态监视方法 |
JP7480141B2 (ja) | 2019-06-28 | 2024-05-09 | 住友重機械工業株式会社 | 予測システム |
EP3992740A4 (en) * | 2019-06-28 | 2022-08-17 | Sumitomo Heavy Industries, Ltd. | PREDICTION SYSTEM |
JP2021018791A (ja) * | 2019-07-22 | 2021-02-15 | 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 |
CN112585727A (zh) * | 2019-07-30 | 2021-03-30 | 株式会社日立高新技术 | 装置诊断装置、等离子体处理装置以及装置诊断方法 |
US12040167B2 (en) | 2019-07-30 | 2024-07-16 | Hitachi High-Tech Corporation | Diagnosis apparatus, plasma processing apparatus and diagnosis method |
WO2020152889A1 (ja) * | 2019-07-30 | 2020-07-30 | 株式会社日立ハイテク | 装置診断装置、プラズマ処理装置及び装置診断方法 |
JPWO2020152889A1 (ja) * | 2019-07-30 | 2021-02-18 | 株式会社日立ハイテク | 装置診断装置、プラズマ処理装置及び装置診断方法 |
CN112585727B (zh) * | 2019-07-30 | 2023-09-29 | 株式会社日立高新技术 | 装置诊断装置、等离子体处理装置以及装置诊断方法 |
KR20210015741A (ko) | 2019-07-30 | 2021-02-10 | 주식회사 히타치하이테크 | 장치 진단 장치, 플라스마 처리 장치 및 장치 진단 방법 |
EP4062285A4 (en) * | 2019-11-20 | 2023-12-27 | Nanotronics Imaging, Inc. | SECURING INDUSTRIAL MANUFACTURING FROM SOPHISTICATED ATTACKS |
JP2023502394A (ja) * | 2019-11-20 | 2023-01-24 | ナノトロニクス イメージング インコーポレイテッド | 高度な攻撃からの産業生産の保護 |
CN114730279A (zh) * | 2019-11-20 | 2022-07-08 | 纳米电子成像有限公司 | 保护工业生产免受复杂的攻击 |
JP7389518B2 (ja) | 2019-11-20 | 2023-11-30 | ナノトロニクス イメージング インコーポレイテッド | 高度な攻撃からの産業生産の保護 |
WO2021102223A1 (en) | 2019-11-20 | 2021-05-27 | Nanotronics Imaging, Inc. | Securing industrial production from sophisticated attacks |
JP2022003664A (ja) * | 2020-06-23 | 2022-01-11 | 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 |
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 |
US20210397169A1 (en) * | 2020-06-23 | 2021-12-23 | Tokyo Electron Limited | Information processing apparatus and monitoring method |
KR20230056720A (ko) | 2020-09-04 | 2023-04-27 | 도쿄엘렉트론가부시키가이샤 | 파라미터 선택 방법 및 정보 처리 장치 |
KR20230012453A (ko) | 2021-07-13 | 2023-01-26 | 주식회사 히타치하이테크 | 진단 장치 및 진단 방법 그리고 플라스마 처리 장치 및 반도체 장치 제조 시스템 |
WO2023148967A1 (ja) * | 2022-02-07 | 2023-08-10 | 株式会社日立ハイテク | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム |
KR20230120121A (ko) | 2022-02-07 | 2023-08-16 | 주식회사 히타치하이테크 | 진단 장치, 진단 방법, 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템 |
JP7442013B2 (ja) | 2022-02-07 | 2024-03-01 | 株式会社日立ハイテク | 診断装置、診断方法、半導体製造装置システム及び半導体装置製造システム |
Also Published As
Publication number | Publication date |
---|---|
US20200333777A1 (en) | 2020-10-22 |
JPWO2018061842A1 (ja) | 2019-06-27 |
JP6723669B2 (ja) | 2020-07-15 |
TW201816530A (zh) | 2018-05-01 |
TWI737816B (zh) | 2021-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018061842A1 (ja) | 異常検知プログラム、異常検知方法および異常検知装置 | |
CN107888441B (zh) | 一种网络流量基线自学习自适应方法 | |
US10598520B2 (en) | Method and apparatus for pneumatically conveying particulate material including a user-visible IoT-based classification and predictive maintenance system noting maintenance state as being acceptable, cautionary, or dangerous | |
US10809703B2 (en) | Management system and management method | |
JP4417951B2 (ja) | 機器監視方法および機器監視システム | |
US10860004B2 (en) | Management system and non-transitory computer-readable recording medium | |
US11699278B2 (en) | Mapper component for a neuro-linguistic behavior recognition system | |
US10747212B2 (en) | Management system and non-transitory computer-readable recording medium | |
US9369364B2 (en) | System for analysing network traffic and a method thereof | |
JP2022519228A (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
JP2017030221A (ja) | 射出成形機の異常診断装置 | |
WO2017011593A1 (en) | Server outlier detection | |
WO2020066052A1 (ja) | 監視システム及び監視方法 | |
WO2015021751A1 (zh) | 一种数据驱动的集成电路工艺设备异常预警技术方法 | |
US11181890B2 (en) | Control system, information processing device, and anomaly factor estimation program | |
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 | |
CN111666187B (zh) | 用于检测异常响应时间的方法和装置 | |
CN103856344B (zh) | 一种告警事件信息处理方法及装置 | |
Folmer et al. | Detection of temporal dependencies in alarm time series of industrial plants | |
CN105425739B (zh) | 使用plc日志数据来预测异常发生的*** | |
CN114615134A (zh) | 一种it智能运维监控***及运维方法 | |
WO2020085077A1 (ja) | 制御装置および制御プログラム | |
JP2010039733A (ja) | 製造プロセスの監視方法、監視プログラム、監視システムおよび製品の製造方法 | |
KR102360004B1 (ko) | 진동 신호 기반의 기계 상태 관리 시스템 | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 17855798 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2018542408 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 17855798 Country of ref document: EP Kind code of ref document: A1 |