CN111578983A - 异常检测装置、异常检测系统以及异常检测方法 - Google Patents
异常检测装置、异常检测系统以及异常检测方法 Download PDFInfo
- Publication number
- CN111578983A CN111578983A CN202010067787.9A CN202010067787A CN111578983A CN 111578983 A CN111578983 A CN 111578983A CN 202010067787 A CN202010067787 A CN 202010067787A CN 111578983 A CN111578983 A CN 111578983A
- Authority
- CN
- China
- Prior art keywords
- waveform
- waveform data
- data
- detection
- detection target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 485
- 230000005856 abnormality Effects 0.000 title claims abstract description 159
- 238000000605 extraction Methods 0.000 claims abstract description 156
- 239000000284 extract Substances 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 description 47
- 238000010586 diagram Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本公开的实施例涉及异常检测装置、异常检测系统以及异常检测方法。一种异常检测设备包括:第一提取单元,从输入到第一提取单元的波形数据中提取输入波形数据;第一确定单元,用于确定输入波形数据是否包括检测对象波形数据;第二提取单元,用于当第一确定单元确定输入波形数据包括检测对象波形数据时,从输入波形数据提取并且输出检测对象波形数据;以及第二确定单元,用于基于从第二提取单元输出的检测对象波形是否指示异常来确定检测目标设备是否具有异常。
Description
相关申请的交叉引用
于2019年2月15日提交的包括说明书、附图和摘要在内的日本专利申请号2019-025169的公开的全部内容通过引用并入本文。
技术领域
本发明涉及一种异常检测设备。例如,本发明适用于异常检测设备,该异常检测设备用于使用从检测目标设备输出的时间序列波形数据中包括的检测对象波形来判断检测目标设备是否异常。
背景技术
在诸如工厂的制造场所中,通过监测安装在待监测设备中的传感器的传感器数据的波形,来检测诸如制造过程或操作状态的设备的异常。
然而,在制造场所中,要求不能对待监测设备的传感器数据的波形进行持续监测,而仅当设备正在执行待监测操作时,对传感器数据的波形进行监测。
因此,在制造场所中,从待监测设备的传感器数据的波形中提取执行待监测操作时的波形作为检测对象波形。为了更准确检测异常,使用提取的检测对象波形来检测设备的异常很重要。
日本未经审查的专利申请公开号2010-038884(以下称为“专利文献1”)公开了一种用于从输入波形数据中提取检测对象波形的相关技术。根据专利文献1,检测输入波形数据中是否存在满足触发条件的部分(触发点),如果存在满足触发条件的部分,则提取该部分的波形作为检测对象波形。另外,根据专利文献1,基于例如上升沿/下降沿、设置时间/保持时间违反、欠幅(Runt)、跃迁和脉冲宽度来设置触发条件。
发明内容
然而,在专利文献1中公开的技术中,当满足触发条件的波形被混合在输入波形数据中(即使输入波形中没有包括检测对象波形)时,误认为该波形是检测对象波形。
从本说明书的描述和附图,其他目的和新颖特征变得显而易见。
根据一个实施例,异常检测确定输入时间序列数据中是否包括待检测数据,当确定包括待检测数据时,从输入时间序列数据中标识检测对象时间序列数据,并且确定检测对象时间序列数据是否为指示异常的数据。
根据上文所提及的实施例,可以有助于解决上文所提及的问题。
附图说明
图1是示出了根据第一实施例的异常检测设备的示例性配置的图。
图2是示出了与第一实施例有关的检测对象波形的示例的图。
图3是示出了与第一实施例有关的检测对象波形的示例的图。
图4是示出了根据第一实施例的异常检测过程的示例性流程的流程图。
图5是图示了根据第一实施例的用于生成对象波形检测算法AL[1]的学习数据的示例性方法的图。
图6是示出了根据第一实施例的输入缓冲器的示例性操作流程的流程图。
图7是示出了与第一实施例有关的N1、M和L之间的关系的示例的图像图。
图8是示出了根据第一实施例的波形提取单元的示例性操作流程的流程图。
图9是示出了由根据第一实施例的波形提取单元执行的示例性波形数据稀疏过程的图。
图10是示出了根据第一实施例的波形确定单元的示例性操作流程的流程图。
图11是示出了根据第一实施例的波形提取单元的示例性操作流程的流程图。
图12是示出了根据第一实施例的波形提取单元提取检测对象波形的示例性过程的图像图。
图13是示出了根据第一实施例的波形确定单元的示例性操作流程的流程图。
图14是示出了根据第一实施例的用于波形确定单元的示例性自动编码器的图。
图15是示出了根据第二实施例的波形确定单元的示例性操作的图。
图16是示出了与第三实施例有关的由整个异常检测设备执行的异常检测过程的示例性流程的流程图。
图17是示出了根据第四实施例的异常检测系统的示例性配置的图。
图18是示出了与第五实施例有关的异常检测设备的示例性配置的图。
图19是示出了根据第五实施例的波形提取单元提取检测对象波形的示例性过程的图像图。
图20是示出了根据第六实施例的异常检测设备的示例性配置的图。
图21是示出了根据第六实施例的波形确定单元104X和104Y的确定过程的示例的图像图。
图22是概念性地示出了第一实施例至第三实施例、第五实施例和第六实施例的异常检测设备的示例性配置的图。
图23是概念性地示出了第四实施例的异常检测系统的示例性配置的图。
图24是概念性地示出了第一实施例至第三实施例、第五实施例和第六实施例的异常检测设备的另一示例性配置的图。
具体实施方式
为了描述的清楚起见,对以下描述和附图进行适当的省略和简化。在附图中,相同的元件由相同的附图标记表示,并且根据需要省略重复描述。
另外,在附图中被描述为用于执行各种过程的功能块的元件可以由诸如CPU(中央处理单元)、存储器和其他电路的硬件配置,并且可以由诸如加载到存储器中的程序的软件来实现。因此,本领域技术人员应当理解,这些功能块可以通过单独的硬件、单独的软件或它们的组合而以各种形式实现,并且本发明不限于它们中的任一个。在附图中,相同的元件由相同的附图标记表示,并且根据需要省略其重复描述。
此外,可以使用各种类型的非暂态计算机可读介质来存储上文所描述的程序并且将该程序提供给计算机。非暂态计算机可读介质包括各种类型的有形存储介质。非暂态计算机可读介质的示例包括磁性记录介质(例如,软盘、磁带、硬盘驱动器)、磁光记录介质(例如,磁光盘、CD-ROM(光盘只读存储器))、CD-R(CD-可刻录)、CD-R/W(CD-可重写)、固态存储器(例如,掩膜ROM、PROM(可编程ROM)、EPROM(可擦除PROM、闪存ROM、RAM(随机存取存储器))。程序还可以通过各种类型的瞬态计算机可读介质供应给计算机。瞬态计算机可读介质的示例包括电信号、光信号和电磁波。瞬态计算机可读介质可以经由有线或无线通信路径(诸如电线和光纤)向计算机提供程序。
第一实施例
第一实施例的配置
图1是示出了根据第一实施例的异常检测设备的示例性配置的图。图1示出了异常检测设备的主要部件,并且省略了其他部件。
假设通过根据本第一实施例的异常检测设备检测异常的检测目标设备是用于制造半导体器件的制造系统中的制造设备。然而,本实施例并不仅限于此,根据第一实施例的异常检测设备可以作为用于检测各种制造系统中的各种制造设备中的异常的设备来应用。
根据第一实施例的异常检测设备基于从制造设备输出的时间序列波形数据中包括的检测对象波形来检测制造设备的异常。假设只有一个检测对象波形。图2和图3是示出了根据本第一实施例的检测对象波形的示例的图。图2示出了包括非检测对象波形和检测对象波形(正常波形)的波形数据,并且图3示出了包括非检测对象波形和检测对象波形(异常波形)的波形数据。
如图1所示,根据本第一实施例的异常检测设备包括信号输入单元101、输入缓冲器102、波形提取单元103、输出选择单元108、以及波形确定单元104、波形提取单元105、输出选择单元109、波形确定单元106和控制单元107。波形提取单元103是第一波形提取单元的示例,波形确定单元104是第一波形确定单元的示例,波形提取单元105是第二波形提取单元的示例,并且波形确定单元106是第二波形确定单元的示例。在下文所描述的附图中,波形提取单元103和105也分别表示为波形提取单元#1和#2,波形确定单元104和106也分别表示为波形确定单元#1和#2。输出选择单元108和109也分别表示为输出选择单元#1和#2。
信号输入单元101从检测目标设备(在该第一实施例中为用于半导体器件的制造设备)接收监测信号,并且通过各种滤波电路、模数转换器等对输入监测信号执行预定的信号过程,从而生成时间序列波形数据。信号输入单元101将生成的波形数据输出到输入缓冲器102。监测信号是表示制造设备的过程的状态的信号。监测信号例如是来自制造设备中设置的多种传感器的传感器信号,或者是来自添加到制造设备中的多种传感器的传感器信号。监测信号可以是模拟信号,或者可以是输入到各种通信装置的数字信号。各种传感器可以是例如用于监测气体的流速的流速传感器、用于监测腔室压力的压力传感器、用于监测等离子体的RF功率的功率传感器、用于监测蚀刻的进度的EPD(端点检测器)等,但是它们可以是其他传感器。波形数据被描述为一个系统,但是可以是多个系统。
输入缓冲器102包括环形缓冲器(未示出)和输出部分(未示出),并且在使用环形缓冲器累积预定的时段内的波形数据之后,将从信号输入单元101输出的时间序列波形数据复制到输出部分。当在输出部分中累积波形数据中的N1个点时,输入缓冲器102将由N1个点构成的波形数据输出到波形提取单元103和105。使输出部分中累积的波形数据移位点数M。此后,每当输出部分中累积波形数据中的N1个点时,输入缓冲器102重复该操作。这里,当检测对象波形的点数为L时,N1、M和L的关系为N1≥L+M。例如,N1=2*L,M=L。
波形提取单元103接收从输入缓冲器102输出的由N1个点组成的波形数据,当波形确定单元104变成数据输入等待状态时提取波形数据,并且将波形数据输出到输出选择单元108。依据检测对象波形或非检测对象波形的形状,波形提取单元103可以将由N1个点组成的波形数据稀疏或压缩为由N2(N1>N2,例如,N2=N1/10)个点组成的波形数据,由N2个点组成的波形数据通过例如将每10个点的平均值设置为一个数据而具有粗粒度。由此,可以减少波形确定单元104在后续阶段中的计算量,并且可以缩短计算时间。
输出选择单元108将从波形提取单元103输出的波形数据输出到波形确定单元104。然而,当波形数据用于生成在波形确定单元104中使用的对象波形检测算法AL[1]时,输出选择单元108将从波形提取单元103输出的波形数据输出到设备的外部。在设备的外部,通过使用从波形提取单元103输出的波形数据中包括检测对象波形(其可以是正常波形或异常波形)的波形数据来生成稍后所描述的学习数据。使用生成的学习数据来生成对象波形检测算法AL[1]。输出选择单元108基于控制单元107的指令来切换输出目的地。
波形确定单元104使用基于提前学习的机器学习的对象波形检测算法AL[1]来确定从波形提取单元103输出的波形数据中是否包括检测对象波形。检测对象波形的检测结果被输出到波形提取单元105。
检测对象波形通常根据管理制造设备的工程师的知识来指定。然而,当工程师指定检测对象波形时,需要人工提取并且采集用于生成对象波形检测算法AL[1]的大量学习数据。然而,采集这种学习数据非常耗费工作量且费时。
因此,在第一实施例中,在设备的外部准备了通过从来自波形提取单元103输出的波形数据中仅人工剪切出检测对象波形而获得的少量波形数据(至少一个波形数据集合)。在PC(个人计算机)上执行的程序自动生成通过在约两倍于检测对象波形的点数的范围内沿时间轴方向随机移位剪切出的检测对象波形而获得的波形数据,并且设置波形数据作为用于目标波形检测算法AL[1]的学习数据。当检测对象波形的幅度方向和时间轴方向存在变化时,生成通过在假定正常范围内分别沿幅度方向和时间轴方向随机扩展和收缩检测对象波形而获得的波形数据,并且这还用作目标波形检测算法AL[1]的学习数据。然后,在设备的外部,生成的波形数据集合用作生成对象波形检测算法AL[1]的学习数据。
对象波形检测算法AL[1]例如可以是使用作为神经网络(NN)技术中的一种NN技术的自动编码器的算法。自动编码器具有输入层、一个或多个中间层、以及具有与输入层相同的节点数目的输出层。自动编码器是一种学习使用误差反向传播方法压缩的特征点以使输入数据和输出数据彼此相等的方法。因此,当学习数据中包括的波形数据被输入到输入层时,在输出层上再现与输入到输入层的波形数据相似的波形数据。相反,当具有未包括在学习数据中的分量的波形数据被输入到输入层时,不能再现与输入波形数据相似的波形数据,并且因此该波形数据在输入与输出之间不同。
对象波形检测算法AL[1]还确定自动编码器的输入波形数据与输出波形数据之间的偏差度是否等于或小于预定的第一偏差度阈值,并且基于确定结果来确定波形数据中是否包括检测对象波形。这里,如果偏差度等于或小于第一偏差度阈值,则确定包括检测对象波形。这里,作为偏差度,可以使用欧几里德距离等。自动编码器的输入波形数据x(i)与输出波形数据y(i)之间的欧几里德距离d由下式给出。
[等式1]
作为对象波形检测算法AL[1],还可以设想使用诸如卷积神经网络(CNN)的分类类型神经网络的方法。
对象波形检测算法AL[1]持续继续确定操作。因此,通过减少波形确定单元104的输入节点的数目(即,波形数据的N2个点的数目),可以抑制在通过对象波形检测算法AL[1]确定检测对象波形的正常操作期间的计算量,并且可以抑制异常检测设备所消耗的功率。另外,由于可以缩短计算时间,所以即使利用处理能力低的算术单元也可以实现波形确定单元104。
波形提取单元105从输入缓冲器102输入由N1个点组成的波形数据。当波形提取单元105从波形检测单元104接收到指示输入波形数据包括检测对象波形的检测对象波形的检测结果时,波形提取单元105通过使用波形数据的幅度电平大于预定的信号电平(触发电平)的触发条件从输入波形数据中精确提取具有适当点数的检测对象波形。波形提取单元105将检测对象波形的所提取的波形数据输出到输出选择单元109。
输出选择单元109将从波形提取单元105输出的检测对象波形的波形数据输出到波形确定单元106。然而,当该波形数据用于生成波形确定单元106所使用的如稍后所描述的异常检测算法AL[2]时,输出选择单元109将从波形提取单元105输出的检测对象波形的波形数据输出到设备的外部。在设备的外部,通过使用从波形提取单元105输出的检测对象波形的波形数据中的作为正常波形的检测对象波形的波形数据作为学习数据,来生成异常检测算法AL[2]。输出选择单元109基于控制单元107的指令来切换输出目的地。
波形确定单元106通过使用基于提前学习的机械学习的异常检测算法AL[2],来确定从波形提取单元105输出的检测对象波形是否为异常波形,并且确定制造设备是否具有异常。这里,如果检测对象波形为异常波形,则确定制造设备具有异常。指示制造设备是否具有异常的异常检测结果被输出到设备的外部。这些异常与设备中制造的产品和制造过程有关,并且与设备本身的操作状况有关。
如上文所描述的,用于生成异常检测算法AL[2]的学习数据采集自从波形提取单元105输出的波形数据。因此,有效准备了学习数据。异常检测算法AL[2]可以是例如使用自动编码器的算法。当使用自动编码器时,在异常检测算法AL[2]中,从波形提取单元105输出的检测对象波形的波形数据被输入到自动编码器中,确定输入波形数据与输出波形数据之间的偏差度是否等于或小于预定的第二偏差度阈值,并且基于确定结果来确定检测对象波形是否为异常波形。这里,如果偏差度等于或小于第二偏差度阈值,则确定检测对象波形不是异常波形而是正常波形。
如上文所描述的,波形确定单元104确定由输入缓冲器102提取的输入波形数据是否包括检测对象波形,并且波形确定单元106对确定为包括检测对象波形的输入波形数据执行异常确定。
第一实施例的操作
下文中,对根据本第一实施例的异常检测设备的操作进行描述。
异常检测过程
图4是示出了根据第一实施例的由整个异常检测设备执行的异常检测过程的示例性流程的流程图。如图4所示,当输入缓冲器102的输出部分中累积波形数据中的N1个点时,输入缓冲器102将由N1个点组成的波形数据输出到波形提取单元103和105。在步骤S11中,波形提取单元103提取从输入缓冲器102输出的由N1个点组成的波形数据,并且经由输出选择单元108将波形数据输出到波形确定单元104。在这种情况下,波形提取单元103可以稀疏由N1个点组成的波形数据以变为由N2个点组成的波形数据(N1>N2)。
随后,波形确定单元104将从波形提取单元103输出的波形数据输入到使用对象波形检测算法AL[1]的自动编码器,并且计算输入到自动编码器的波形数据与输出到自动编码器的波形数据之间的偏差度。在步骤S12和S13中,波形确定单元104基于计算出的偏差度来确定波形数据是否包括检测对象波形。在这种情况下,当偏差度等于或小于第一偏差度阈值时,波形确定单元104确定包括检测对象波形。
当波形确定单元104确定不包括检测对象波形时(步骤S13中为否),输入缓冲器102使输入缓冲器102的输出单元中的波形数据移位M点数(步骤S14),并且过程返回到步骤S11。
另一方面,当波形确定单元104确定包括检测对象波形时(步骤S13中为是),波形提取单元105通过使用触发条件等从输入缓冲器102所输出的波形数据的N1个点中精确提取检测对象波形,并且经由输出选择单元109将检测对象波形输出到波形确定单元106(步骤S15)。
随后,波形确定单元106通过使用异常检测算法AL[2]将从波形提取单元105输出的检测对象波形的波形数据输入到自动编码器,并且计算波形数据在自动编码器的输入与输出之间的偏差度(步骤S16)。接下来,波形确定单元106使用异常检测算法AL[2]来确定偏差度是否等于或小于第二偏差度阈值(步骤S17),并且当偏差度等于或小于第二偏差度阈值时(步骤S17为是),确定制造设备正常(步骤S18),以及当偏差度超过第二偏差度阈值时(步骤S17为否),确定制造设备具有异常(步骤S19)。此后,过程通过步骤S14返回到步骤S11。
生成用于对象波形检测算法AL[1]的学习数据的方法
图5是示出了根据本第一实施例的生成用于对象波形检测算法AL[1]的学习数据的方法的示例的图。这里,假设工程师在设备外部的PC上执行学习数据的生成,但不限于此,并且设备外部提供的算法生成单元可以生成学习数据。
如图5所示,首先,从包括检测对象波形的波形数据中提取检测对象波形的波形部分,包括检测对象波形的波形数据来自波形提取单元103所输出的波形数据。这里,检测对象波形是正常波形,但是可以是异常波形。随后,通过在PC上执行的程序自动生成通过在约两倍于检测对象波形的点数范围内沿时间轴方向随机移位所提取的检测对象波形而获得的波形数据。
这里,如上文所描述的,依据检测对象波形和非检测对象波形的形状,波形提取单元103可以对从输入缓冲器102输入的由N1个点组成的波形数据进行稀疏,以成为具有粗粒度的、由N2(N1>N2)个点组成的波形数据。在这种情况下,基于由波形提取单元103稀疏的波形数据来生成沿时间轴方向随机移位的波形数据。换句话说,自动生成的波形数据的粒度与从波形提取单元103输出的波形数据的粒度相同。
随后,当检测对象波形的幅度方向和时间轴方向上存在变化时,还在假定正常范围内生成通过分别沿幅度方向和时间轴方向随机扩展和收缩检测对象波形而获得的波形数据。上文所生成的波形数据集合用作对象波形检测算法AL[1]的学习数据。
输入缓冲器102的操作
图6是示出了根据第一实施例的输入缓冲器102的操作流程的示例的流程图。如图6所示,输入缓冲器102接收从信号输入单元101输出的波形数据(步骤S21),使用环形缓冲器累积预定的时段内的输入波形数据,并且将波形数据复制到输出部分(步骤S22)。
当输出部分中累积波形数据中的N1个点时,也就是说,当完成由N1个点组成的波形数据的输入时(步骤S23中为是),输入缓冲器102将由N1个点组成的波形数据输出到波形提取单元103和105(步骤S24)。在步骤S25中,输入缓冲器102使输出部分中的波形数据移位点数M。此后,过程返回到步骤S22。
图7是示出了当检测对象波形的点数为L时N1、M和L之间的关系的示例的图像图。N1、M和L的关系应当为N1≥L+M。在图7的示例中,N1=2×L,并且M=L。然而,在非检测对象波形的波形波动在检测对象波形之前和之后较大的情况下,需要将N1设置为略大于L的值。
进一步地,在图7的示例中,输入缓冲器102将由N1个点组成的波形数据输出到波形提取单元103和105五次。其中,第四波形数据包括检测对象波形。因此,后续阶段的波形确定单元104确定第四波形数据包括检测对象波形。
波形提取单元103的操作
图8是示出了根据本第一实施例的波形提取单元103的操作流程的示例的流程图。如图8所示,在步骤S31中,波形提取单元103输入从输入缓冲器102输出的由N1个点组成的波形数据。
这里,例如,在检测对象波形和非检测对象波形的形状彼此大不相同的情况下,还可以使用轮廓对它们进行分类。这里,假设检测对象波形和非检测对象波形的形状大不相同。因此,波形提取单元103从由N1个点组成的波形数据中生成具有粗粒度的由N2个点(N1>N2)组成的波形数据(步骤S32)。这使得可以减少波形确定单元104的计算量并且可以缩短计算时间。作为用于生成由N2个点组成的波形数据的计算,例如,可以使用诸如稀疏过程的各种过程,其中每10个点的平均值用作一个数据,每10个点中一个点的值(在任一情况下,N2=N1/10)用作一个数据,或者使用两个点的数据之间的线性内插。
随后,波形提取单元103等待,直到波形确定单元104变为波形数据输入等待状态为止(步骤S33)。当它变为等待状态时(步骤S33中为是),由N2个点组成的波形数据通过输出选择单元108被输出到波形确定单元104(步骤S34)。接下来,在步骤S35中,波形提取单元103等待直到输入缓冲器102的输出部分中累积波形数据中的N1个点,也就是说,直到完成输入缓冲器102的更新为止。如果已经完成了输入缓冲器102的更新(步骤S35中为是),则过程返回到步骤S31。
图9是示出了根据第一实施例的由波形提取单元103执行的示例性波形数据稀疏过程的图像图。在图9的示例中,波形提取单元103通过使用由N1个点组成的波形数据的每10个点中一个点的值来生成由N2个点组成的波形数据(N2=N1/10)。
波形确定单元104的操作
图10是示出了根据第一实施例的波形确定单元104的操作流程的示例的流程图。如图10所示,在步骤S41中,波形确定单元104输入从波形提取单元103输出的波形数据。此后,波形确定单元104使用基于提前学习的机器学习的对象波形检测算法AL[1]来确定从波形提取单元103输出的波形数据中是否包括检测对象波形,并且将指示波形数据中是否包括检测对象波形的检测对象波形的检测结果输出到波形提取单元105。
如参考图5所描述的,使用从波形提取单元103输出的波形数据来生成用于生成对象波形检测算法AL[1]的学习数据。作为对象波形检测算法AL[1],例如,存在使用作为神经网络技术中的一种神经网络技术的自动编码器的方法。在下文中,假设自动编码器用作对象波形检测算法AL[1],对步骤S42之后的流程进行描述。
在步骤S42中,波形确定单元104将从波形提取单元103输出的波形数据输入到自动编码器,并且通过使用对象波形检测算法AL[1]来计算输入和输出到自动编码器的波形数据的偏差度。
随后,波形确定单元104确定偏差度是否等于或小于第一偏差度阈值(步骤S43),当偏差度等于或小于第一偏差度阈值时(步骤S43中为是),确定波形数据中包括检测对象波形(步骤S44),并且当偏差度超过第一偏差度阈值时(步骤S43中为否),确定波形数据中不包括检测对象波形(步骤S45)。
接下来,在步骤S46中,波形确定单元104将指示波形数据是否包括检测对象波形的检测对象波形的检测结果输出到波形提取单元105。此后,过程返回到步骤S41。
波形提取单元105的操作
图11是示出了根据第一实施例的波形提取单元105的操作流程的示例的流程图。如图11所示,在步骤S51中,波形提取单元105输入从输入缓冲器102输出的波形数据。接下来,在步骤S52中,波形提取单元105基于从波形确定单元104输出的检测对象波形的检测结果来确认:波形确定单元104是否确定从输入缓冲器102输入的波形数据中包括检测对象波形。
当波形确定单元104确定包括检测对象波形时(步骤S52中为是),波形提取单元105使用用于提取检测对象波形的触发条件等来从输入缓冲器102所输入的波形数据中仅提取检测对象波形(步骤S53),并且经由输出选择单元109将所提取的检测对象波形的波形数据输出到波形确定单元106(步骤S54)。此后,在步骤S55中,波形提取单元105转入等待从输入缓冲器102输入波形数据的状态。
另一方面,当波形确定单元104确定不包括检测对象波形时(步骤S52中为否),波形提取单元105丢弃从输入缓冲器102输入的波形数据,并且转变为针对来自输入缓冲器102的波形数据的输入等待状态(步骤S55)。
图12是示出了根据第一实施例的波形提取单元105进行的示例性检测对象波形提取过程的图像图。在图12的示例中,波形提取单元105通过使用检测对象波形的幅度电平超过预定的信号电平的触发条件来精确提取具有适当数目的点的检测对象波形。
波形确定单元106的操作
图13是示出了根据第一实施例的波形确定单元106的操作流程的示例的流程图。如图13所示,在步骤S61中,波形确定单元106输入从波形提取单元105输出的检测对象波形的波形数据。然后,波形确定单元106通过使用基于提前学习的机器学习的异常检测算法AL[2]来确定检测对象波形是否为异常波形,并且确定制造设备是否具有异常。然后,波形确定单元106将指示制造设备是否具有异常的异常检测结果输出到设备的外部。
通过采集从波形提取单元105输出的波形数据来准备用于生成异常检测算法AL[2]的学习数据。作为异常检测算法AL[2],例如,存在使用自动编码器的方法。在下文中,假设自动编码器用作异常检测算法AL[2],对步骤S62之后的流程进行描述。
波形确定单元106将从波形提取单元105输出的检测对象波形的波形数据输入到使用异常检测算法AL[2]的自动编码器,并且计算自动编码器的输入和输出的波形数据的偏差度(步骤S62)。
随后,波形确定单元106确定偏差度是否等于或小于第二偏差度阈值(步骤S63),以及当偏差度等于或小于第二偏差度阈值时(步骤S63中为是),确定检测对象波形为正常波形并且制造设备为正常(步骤S64),并且当偏差度超过第二偏差度阈值时(步骤S63中为否),确定检测对象波形为异常波形并且制造设备为异常(步骤S65)。
接下来,波形确定单元106将指示制造设备是否异常的异常检测结果输出到设备的外部(步骤S66)。此后,过程返回到步骤S61。
图14是示出了根据第一实施例的用于波形确定单元106的示例性自动编码器的图。如图14所示,自动编码器由输入层、一个或多个中间层(在图14的示例中为一个中间层)、以及节点数目与输入层的节点数目相同的输出层组成。自动编码器是一种学习通过误差反向传播方法压缩的特征点以使输入数据和输出数据相等的方法。因此,当与学习数据等同的波形数据被输入到输入层时,在输出层上再现相同的波形数据。相反,当尚未学习的波形数据被输入到输入层时,不能再现相同的波形数据,并且因此输入与输出之间的波形数据不同。
在图14的示例中,自动编码器使用检测对象波形的波形数据作为学习数据,并且学习检测对象波形的波形数据的特性点,使得当与学习数据等同的波形数据被输入到输入层时,在输出层中再现相同的波形数据。
第一实施例的效果
在第一实施例中,首先,波形确定单元104确定来自检测目标设备的、点数大于检测对象波形中的点数的时间序列波形数据中是否包括检测对象波形。当波形确定单元104确定波形数据包括检测对象波形时,波形提取单元105从波形数据中提取检测对象波形。波形确定单元104基于从波形提取单元105输出的检测对象波形的波形数据来确定检测目标设备是否具有异常。
因此,即使从波形提取单元103输出的波形数据包括检测对象波形和非检测对象波形以外的波形的混合,也能够仅提取检测对象波形,而没有错误地将非检测对象波形确定为检测对象波形,并且可以执行检测目标设备的异常检测。当从波形提取单元103输出的波形数据不包括检测对象波形时,波形提取单元105不执行检测对象波形的提取处理,使得可以抑制计算量。
波形确定单元104和106通过使用利用学习包括检测对象波形的波形数据而获得的算法来执行上述处理。在这种情况下,作为用于波形确定单元104的学习数据,准备了通过仅人工剪切出检测对象波形而获得的少量波形数据(至少一个波形数据集合),并且使用了通过在约两倍于检测对象波形的长度的范围内沿时间轴方向随机移位剪切出的检测对象波形而获得的波形数据。当检测对象波形的波形数据的幅度方向和时间轴方向存在变化时,分别沿幅度方向和时间轴方向随机扩展和收缩的波形数据被设置为学习数据。因此,工程师不必人工提取和采集用于波形确定单元104的大量学习数据,并且工程师可以减少工作量和时间。
从波形提取单元105所输出的波形数据中采集用于波形确定单元106的学习数据。因此,可以有效准备用于波形确定单元106的学习数据。
第二实施例
第二实施例的配置和操作
在第二实施例中,与上文所描述的第一实施例相比,配置本身相似,但是波形确定单元104的操作不同。
在上文所描述的第一实施例中,波形确定单元104计算自动编码器的输入和输出的波形数据的偏差度,并且当偏差度等于或小于预定的第一偏差度时,确定输入到自动编码器的波形数据包括检测对象波形。
另一方面,在第二实施例中,波形确定单元104使用算术值,诸如输入到自动编码器的波形数据x(i)与从自动编码器输出的波形数据y(i)之间的归一化误差(|(x(i)-y(i)|/(|x(i)|+α)),其中α是用于排除除以0的可选常数。波形确定单元104确定:当归一化误差连续等于预定的误差阈值或小于预定的误差阈值一预定的数时,波形数据中包括检测对象波形。
进一步地,当确定波形数据包括检测对象波形时,波形确定单元104可以指令波形提取单元105从提取检测对象波形的范围中排除除了归一化误差连续等于误差阈值或小于误差阈值一预定的数的范围之外的范围。结果,可以减少波形提取单元105错误提取非检测对象波形的可能性。
图15是示出了根据第二实施例的波形确定单元104的示例性操作的图。图15中的左侧示出了自动编码器的输入处的波形数据,图15的中心示出了自动编码器的输出处的波形数据,并且图15的右侧示出了自动编码器的输入处的波形数据与输出处的波形数据之间的归一化误差。
在图15的右侧的示例中,存在其中预定数目的归一化误差连续等于或小于误差阈值的范围R2。因此,波形确定单元104确定波形数据的范围R2中包括检测对象波形。进一步地,由于确定了范围R2中包括检测对象波形,所以确定范围R2是提取检测对象波形的范围,排除在提取检测对象波形的范围外的除了范围R2之外的范围R1、R3,波形确定单元104指示波形提取单元105。
第二实施例的效果
在上文所描述的第一实施例中,波形确定单元104确定当自动编码器的输入和输出之间的波形数据的偏差小于预定的第一偏差阈值时,波形数据包括检测对象波形。因此,在波形提取单元105提取检测对象波形的范围内,存在以下问题:当包括检测对象波形的波形变化时,错误地确定包括检测对象波形,或者当检测对象波形包括大的异常部分时,错误地确定不包括检测对象波形。
另一方面,在第二实施例中,当输入到自动编码器的波形数据与从自动编码器输出的波形数据之间的归一化误差连续变得等于预定的误差阈值或小于预定的误差阈值一预定的数时,波形确定单元104确定波形数据包括检测对象波形。因此,当包括非检测对象波形的波形变化时,波形波动的影响在很大程度上作为归一化误差而出现,使得可以正确地确定不包括检测对象波形。另外,由于基于归一化误差在预定区段中的连续性来执行确定,所以即使当检测对象波形中包括大的异常部分时,也可以正确地确定包括检测对象波形。其余效果与上文所提及的第一实施例的效果相同。
第三实施例
上文所描述的第一实施例假设检测对象波形是一个,第三实施例假设存在彼此不同的多个检测对象波形。
第三实施例的配置
与上文所描述的第一实施例相比较,该第三实施例虽然配置本身相同,但是用于波形确定单元104的对象波形检测算法AL[1]和用于波形确定单元106的异常检测算法AL[2]不同。
用于波形确定单元104的对象波形检测算法AL[1]由诸如卷积神经网络的分类类型神经网络配置。针对多个检测对象波形中的每个检测对象波形,对象波形检测算法AL[1]通过soft max函数等来计算波形数据中包括检测对象波形的概率。当存在计算出的概率超过预定的概率阈值(例如,70%)的检测对象波形时,对象波形检测算法AL[1]确定波形数据中包括检测对象波形。另一方面,当不存在计算出的概率超过概率阈值的检测对象波形时,对象波形检测算法AL[1]确定波形数据中不包括多个检测对象波形中的任一个。
针对多个检测对象波形中的每个检测对象波形,用于对象波形检测算法AL[1]的学习数据通过使用图5所描述的方法来生成学习数据。检测对象波形的检测结果包括指示是否包括检测对象波形的结果,并且当包括检测对象波形时,包括标识检测对象波形的信息。检测对象波形的检测结果被输出到波形提取单元105和波形确定单元106。
波形确定单元106保持与多个检测对象波形中的每个检测对象波形相对应的多个异常检测算法AL[2],根据检测对象波形的检测结果切换异常检测算法AL[2],并且使用切换后的异常检测算法AL[2]来确定制造设备是否异常。
第三实施例的操作
图16是示出了由根据本第三实施例的整个异常检测设备执行的异常检测过程的流程的示例的流程图。在下文中,将主要描述相对于与上文所描述的第一实施例有关的图4的流程图的不同之处。
如图16所示,当在步骤S11中由波形提取单元103提取并且输出波形数据时,针对多个检测对象波形中的每个检测对象波形,波形确定单元104使用对象波形检测算法AL[1]计算从波形提取单元103输出的波形数据中包括检测对象波形的概率(步骤S71)。在步骤S72中,波形确定单元104确定是否存在其计算出的概率超过概率阈值的检测对象波形。
如果不存在概率超过概率阈值的检测对象波形(步骤S72中为否),则波形确定单元104确定波形数据中不包括多个检测对象波形中的任一个,并且经由步骤S14返回到步骤S11的过程。
另一方面,当存在概率超过概率阈值的检测对象波形时(步骤S72中为是),波形确定单元104确定波形数据中包括检测对象波形,并且波形确定单元106根据检测对象波形执行向异常检测算法AL[2]的切换(步骤S73)。后续过程和与上文所描述的实施例有关的图4的流程图相同。
第三实施例的效果
在第三实施例中,针对多个可检测目标波中的每个可检测目标波,波形确定单元104使用由分类类型神经网络组成的对象波形检测算法AL[1]计算波数据中包括检测对象波形的概率,并且基于计算出的概率是否超过预定的概率阈值来确定是否包括多个检测对象波形中的任一检测对象波形。当波形确定单元104确定包括多个检测对象波形中的任一检测对象波形时,波形确定单元106根据所确定的检测对象波形来切换异常检测算法AL[2],并且确定检测对象波形是否是异常波形。
因此,即使在存在多个检测对象波形的情况下,也可以分别提取多个检测对象波形,并且执行检测目标设备的异常检测。其余效果与上文所提及的第一实施例的效果相同。
第四实施例
第四实施例是使用根据上文所描述的第一实施例至第三实施例的异常检测设备中的一个异常检测设备的异常检测系统的实施例。
第四实施例的配置和操作
图17是示出了根据第四实施例的异常检测系统的示例性配置的图。如图17所示,根据第四实施例的异常检测系统包括与根据第一实施例至第三实施例的异常检测设备中的任一异常检测设备相对应的异常检测设备10A和10B、制造设备20A和20B、异常指示器30A和30B、MES(制造执行系统)40、SCADA(监控和数据采集)50、算法生成单元60、以及算法存储单元70。SCADA 50是示例性数据采集单元。进一步地,在下文所描述的附图中,异常检测设备10A和10B还分别由异常检测设备#A和异常检测设备#B表示,制造设备20A和20B还分别由制造设备#A和制造设备#B表示,并且异常指示器30A和30B还分别由异常指示器#A和异常指示器#B表示。
制造设备20A例如是用于制造半导体的制造设备。异常检测设备10A基于从制造设备20A输入的监测信号来确定制造设备20A上是否发生了异常,并且将指示制造设备20A上是否发生了异常的异常检测结果输出到异常指示器30A。异常指示器30A显示制造设备20A的异常检测结果。注意,制造设备20B、异常检测设备10B和异常指示器30B之间的关系与制造设备20A、异常检测设备10A和异常指示器30A之间的关系相同。
在该第四实施例中,算法生成单元60生成由波形确定单元104使用的对象波形检测算法AL[1],并且生成由波形确定单元106使用的异常检测算法AL[2]。
当生成对象波形检测算法AL[1]时,输出选择单元108将从波形提取单元103输出的波形数据输出到SCADA 50,并且SCADA 50采集从输出选择单元108输出的波形数据并且将其输出到算法生成单元60。算法生成单元60以参照图5所描述的方式从在SCADA50所输出的波形数据中的、包括检测对象波形的波形数据中提取检测对象波形,在随机移位所提取的检测对象波形的同时生成学习数据,并且使用生成的学习数据来生成对象波形检测算法AL[1]。
当生成异常检测算法AL[2]时,输出选择单元109将从波形提取单元105输出的检测对象波形的波形数据输出到SCADA 50,并且SCADA 50采集从输出选择单元109输出的检测对象波形的波形数据,并且将其输出到算法生成单元60。算法生成单元60使用从SCADA50输出的检测对象波形的波形数据中的正常波形的波形数据作为学习数据来生成异常检测算法AL[2]。
算法存储单元70存储各种算法,这些算法包括由算法生成单元60生成的对象波形检测算法AL[1]和异常检测算法AL[2]。
异常检测设备10A包括同与上文所描述的第一实施例有关的图1中的部件相同的部件,并且还包括算法切换单元110。为了切换由波形确定单元104使用的对象波形检测算法AL[1],算法切换单元110从算法存储单元70读取新的对象波形检测算法AL[1],并且使波形确定单元104保持它。为了切换用于波形确定单元106的异常检测算法AL[2],算法改变单元110从算法存储单元70中读取新的异常检测算法AL[2]并且使波形确定单元106保持它。异常检测设备10B的配置与异常检测设备10A的配置相同。
第四实施例的效果
在第四实施例中,算法生成单元60生成用于对象波形检测算法AL[1]的学习数据,并且使用该学习数据生成对象波形检测算法AL[1]和异常检测算法AL[2]。
因此,与管理制造设备20A或20B的工程师生成学习数据或算法的第一实施例相比较,可以减少工程师的工作量和时间。其余效果与上文所提及的第一实施例的效果相同。
第五实施例
第五实施例的配置和操作
图18是示出了根据第五实施例的异常检测设备的示例性配置的图。注意,图18仅示出了构成异常检测设备的主要部件,并且省略了其他部件。如图18所示,根据本第五实施例的异常检测设备与上文所描述的第一实施例的不同之处在于,波形提取单元103、波形确定单元104和波形提取单元105被替换为波形提取单元111、波形确定单元112和波形提取单元113。波形提取单元113与上文所描述的第一实施例的不同之处还在于,经由输出选择单元108从波形提取单元111输入波形数据,而非从输入缓冲器102输入波形数据。波形提取单元111是第一波形提取单元的示例,波形确定单元112是第一波形确定单元的示例,并且波形提取单元113是第二波形提取单元的示例。在下文所描述的附图中,波形提取单元111和113还分别由波形提取单元#1和#2表示,并且波形确定单元112还由波形确定单元#1表示。
图19是示出了根据第五实施例的波形提取单元113的示例性检测对象波形提取过程的图像图。波形确定单元112使用利用动态时间规整(DTW)方法的算法作为对象波形检测算法AL[1]。当波形确定单元112使用DTW方法作为对象波形检测算法AL[1]时,需要获取参考波形数据。
首先,对获得用于DTW方法的参考波形数据的过程进行描述。从输入缓冲器102所输出的波形数据的幅度电平超过开始触发电平的点起,波形提取单元111提取与r0个点相对应的波形数据。这里,用于确定起始点的触发条件不限于超过触发电平的情况,并且例如,可以考虑图19中未包括的外部触发信号条件。为了在具有r0个点的波形数据中充分包括检测对象波形,当检测对象波形的点数为L时,r0被设置为比L足够大的值。管理异常检测目标设备的工程师基于工程师的知识等来从由波形提取单元111提取的r0个点的波形数据中指定检测对象波形的范围[p0,q0]。这里,p0表示起始点,q0表示结束点。然后,提前给出对象波形检测算法AL[1]作为参考波形数据、指示从波形提取单元111输出的波形数据是具有r0个点的波形数据的信息、以及指示r0个点的波形数据中包括的检测对象波形的范围[p0,q0]的信息。
接下来,对提取检测对象波形的过程进行描述。从作为起始点的、输入缓冲器102所输出的波形数据的幅度电平超过开始触发电平的点起,波形提取单元111提取预定范围内的波形数据,并且通过输出选择单元108将提取的波形数据输出到波形确定单元112和波形提取单元113。这里,假设自起始点起提取与r1个点相对应的波形数据。这里,r1=r0,或r1>r0或r1<r0。依据波形数据,波形提取单元111可以提取自起始点到波形数据的幅度电平低于结束触发电平的结束点的波形数据。
作为对象波形检测算法AL[1],波形确定单元112使用DTW方法来确定参考波形数据与从波形提取单元111输出的波形数据(以下称为目标波形数据)之间的对应关系,使得对象波形数据与参考波形数据的每个点处的两个点之间的距离(成本)被最小化。随后,与参考波形数据的范围[p0,q0]相对应的目标波形数据的范围[p1,q1]被确定为检测对象波形的范围。然后,波形确定单元112将指示检测对象波形的范围[p1,q1]的检测对象范围信息输出到波形提取单元113。
在这种情况下,波形确定单元112可以确认被确定为检测对象波形的范围[p1,q1]的有效性。作为确认有效性的方法,例如,计算出检测对象波形的范围的起始点之后的预定数目的点(例如,20个点)的参考波形数据与目标波形数据之间的欧几里德距离。进一步地,通过使用检测对象波形的范围的结束点之前的预定数目的点(例如,20个点)来计算参考波形数据与目标波形数据之间的欧几里德距离。如果两个欧几里德距离均小于预定的距离阈值,例如,0.5或更小,则可以确定检测对象波形的范围是适当的,并且如果欧几里德距离中的任一欧几里德距离等于或大于距离阈值,则可以确定检测对象波形的范围是不合适的。另外,仅当检测对象波形的范围合适时,检测对象范围信息才可以被输出到波形提取单元113,并且当检测对象波形的范围不合适时,可以丢弃对象波形数据,并且检测对象范围信息不会被输出到波形提取单元113。
波形提取单元113基于检测目标区段信息而从波形提取单元111所输出的波形数据中提取检测对象波形的范围[p1,q1]内的波形作为检测对象波形,并且经由输出选择单元109将提取的检测对象波形的波形数据输出到波形确定单元106。与上文所描述的第一实施例相似,波形确定单元106可以通过使用异常检测算法AL[2]来检测制造设备中的异常。
第五实施例的效果
在第五实施例中,作为对象波形检测算法AL[1],波形确定单元112使用DTW方法来确定波形数据的r1个点中包括的检测对象波形的范围[p1,q1],并且波形提取单元113从波形数据的r1个点中提取检测对象波形的范围[p1,q1]内的波形作为检测对象波形。
因此,波形提取单元113可以在没有使用触发条件等的情况下准确提取检测对象波形。其余效果与上文所提及的第一实施例的效果相同。
在第五实施例中,假设自波形数据的幅度电平超过开始触发电平的点起的预定范围内的波形数据中包括检测对象波形,但是考虑到根据波形数据,没有包括检测对象波形。因此,可以在上文所提及的第一实施例的波形确定单元104的后续阶段处提供波形提取单元111和波形确定单元112。波形提取单元111和波形确定单元112可以相对于由波形确定单元104确定的包括检测对象波形的波形数据执行上文所提及的过程,以获得检测对象波形的范围[p1,q1]。
第六实施例
与上文所描述的第三实施例相同,第六实施例假设存在彼此不同的多个检测对象波形。在下面的描述中,假设存在两个检测对象波形。
第六实施例的配置和操作
图20是示出了根据第六实施例的异常检测设备的配置的示例的图。注意,图20仅示出了构成异常检测设备的主要部分的构成元件,并且省略其他构成元件。如图20所示,与上文所描述的第一实施例相比较,根据第六实施例的异常检测设备具有如下配置:提供分别与两个检测对象波形相对应的两组波形提取单元103、输出选择单元108和波形确定单元104。也就是说,代替波形提取单元103、输出选择单元108和波形确定单元104,提供了第一组的波形提取单元103X、输出选择单元108X和波形确定单元104X、以及第二组的波形提取单元103Y、输出选择单元108Y和波形确定单元104Y。波形提取单元103X和103Y是第一波形提取单元的示例,并且波形确定单元104X和104Y是第一波形确定单元的示例。在下文所描述的附图中,波形提取单元103X和103Y还分别表示为波形提取单元#1X、#1Y,波形确定单元104X和104Y还分别表示为波形确定单元#1X、#1Y,并且输出选择单元108X和108Y还分别表示为输出选择单元#1X、#1Y。
图21是示出了根据第六实施例的由波形确定单元104X和104Y确定是否包括检测对象波形的示例性过程的图像图。提供第一组的波形提取单元103X、输出选择单元108X和波形确定单元104X,以确定从输入缓冲器102输出的波形数据中是否包括两个检测对象波形中的一个检测对象波形(以下称为检测对象波形X)。
提供第二组的波形提取单元103Y、输出选择单元108Y和波形确定单元104Y,以确定从输入缓冲器102输出的波形数据是否包括两个检测对象波形中的另一检测对象波形(以下称为检测对象波形Y)。
在图21的示例中,从输入缓冲器102输出的波形数据包括两个检测对象波形X和Y。因此,波形确定单元104X确定波形数据包括检测对象波形X,并且波形确定单元104Y确定波形数据包括检测对象波形Y。
在这种情况下,波形确定单元104X和104Y可以基本同时分别确定包括两个检测对象波形X和Y。因此,波形提取单元105可以基本同时地从波形数据中提取两个检测对象波形X和Y。然而,本发明不限于此,并且波形提取单元105可以单独地提取两个检测对象波形X和Y。
在第六实施例中,存在两个检测对象波形。因此,与上文所描述的第三实施例类似,波形确定单元106保持与两个检测对象波形中的每个检测对象波形相对应的两个异常检测算法AL[2],并且根据检测对象波形的检测结果来切换两个异常检测算法AL[2],并且使用它们。
在第六实施例中,对检测对象波形的两个示例进行了描述,但是可以使用三个或更多个检测对象波形。同样在这种情况下,可以提供一组波形提取单元103、输出选择单元108和波形确定单元104以用于若干个检测对象波形。
第六实施例的效果
在第六实施例中,提供了与多个检测对象波形中的每个检测对象波形相对应的一组波形提取单元103、输出选择单元108和波形确定单元104,每组波形确定单元104确定波形数据中是否包括对应的检测对象波形。
因此,即使在存在多个检测对象波形的情况下,也可以分别提取多个检测对象波形,并且执行检测目标设备的异常检测。另外,可以基本同时确定波形数据中包括多个检测对象波形,并且基本同时提取它们。其余效果与上文所提及的第一实施例的效果相同。
第一实施例至第三实施例、第五实施例和第六实施例的概念
图22是示出了异常检测设备的配置的示例的图,该图概念性地示出了上文所描述的第一实施例至第三实施例以及第五实施例和第六实施例。图22所示的异常检测设备包括第一波形提取单元911、第一波形确定单元912、第二波形提取单元913和第二波形确定单元914。
第一波形提取单元911输入从检测目标设备输出的时间序列波形数据,并且输出大于检测对象波形的点数的输入波形数据。此时,第一波形提取单元911可以按原样输出输入波形数据,或者可以在点数被稀疏之后输出输入波形数据。第一波形提取单元911与波形提取单元103、103X、103Y和111相对应。
第一波形确定单元912使用第一算法AL[1]确定从第一波形提取单元911输出的输入波形数据中是否包括检测对象波形。第一波形确定单元912与波形确定单元104、104X、104Y和112相对应。第一算法AL[1]与对象波形检测算法AL[1]相对应。
当第一波形确定单元912确定输入波形数据中包括检测对象波形时,第二波形提取单元913接收输入波形数据,并且从输入波形数据中提取并且输出检测对象波形。第二波形提取单元913与波形提取单元105和113相对应。
第二波形确定单元914通过使用第二算法AL[2]来确定从第二波形提取单元913输出的检测对象波形是否是异常波形,并且确定检测目标设备是否异常。第二波形确定单元914与波形确定单元106相对应。第二算法AL[2]与异常检测算法AL[2]相对应。
第四实施例的概念
图23是示出了异常检测系统的配置的示例的图,该图概念性地示出了上文所描述的第四实施例。图23所示的异常检测系统包括异常检测设备91、数据采集单元92和算法生成单元93。
异常检测设备91与图22所示的异常检测设备相对应。数据采集单元92采集从第一波形提取单元911输出的输入波形数据和从第二波形提取单元913输出的检测对象波形的波形数据,并且将它们输出到算法生成单元93。采集单元92与SCADA 50相对应。
算法生成单元93使用在从数据采集单元92输出的输入波形数据中的包括检测对象波形的输入波形数据来生成第一学习数据,并且使用第一学习数据来生成第一算法AL[1]。另外,算法生成单元93通过将来自数据采集单元92所输出的检测对象波形的波形数据中的检测对象波形的正常波形的波形数据用作第二学习数据来生成第二算法AL[2]。算法生成单元93与算法生成单元60相对应。第一学习数据与用于对象波形检测算法AL[1]的学习数据相对应。第二学习数据与用于异常检测算法AL[2]的学习数据相对应。
第一实施例至第三实施例、第五实施例和第六实施例的其他概念
图24是示出了异常检测设备的其他结构的示例的图,该图概念性地示出了上文所描述的第一实施例至第三实施例、第五实施例和第六实施例。图24所示的异常检测设备包括输入单元915、第一确定单元916、数据标识单元917和第二确定单元918。
输入单元915接收时间序列数据,从输入时间序列数据中提取预定时段的时间序列数据,并且输出所提取的时间序列数据作为输入时间序列数据。输入单元915与输入缓冲器102相对应。
第一确定单元916确定输入时间序列数据是否包括待检测时间序列数据。可以基于使用神经网络技术的第一算法来进行该确定。第一确定单元916与波形确定单元104、104X、104Y和112相对应。第一算法与对象波形检测算法AL[1]相对应。
当输入了输入时间序列数据并且第一确定单元916的确定结果指示输入时间序列数据包括待检测数据时,数据标识单元917从输入时间序列数据中标识与待检测数据相对应的时间序列数据,并且输出所标识的时间序列数据作为检测对象时间序列数据。检测对象时间序列数据可以是具有比预定时段更短的时段的数据。数据标识单元917与波形提取单元105和113相对应。
第二确定单元918确定检测对象时间序列数据是否是指示异常的数据。该确定可以基于使用神经网络技术的第二算法来进行。第二确定单元918与波形确定单元106相对应。第二算法与异常检测算法AL[2]相对应。
尽管已经基于实施例对由发明人做出的发明进行了具体描述,但是本发明不限于已经描述的实施例,并且无需赘言的是,在不背离其主旨的情况下可以做出各种修改。
例如,在上文所描述的实施例中,在波形提取单元的后续阶段中提供了输出选择单元,并且提供了用于控制输出选择单元的控制单元,但是本实施例不限于此。例如,波形提取单元可以具有自主切换输出目的地的功能,在这种情况下,不需要输出选择单元和控制单元。
在上文所描述的实施例中,假设用于检测异常的检测目标设备是诸如用于半导体器件的制造设备之类的制造设备,但是本实施例不限于此。检测目标设备可以是除制造设备以外的设备。
Claims (18)
1.一种异常检测设备,包括:
输入单元,被配置为从被输入到所述输入单元的时间序列数据中提取预定时段内的时间序列数据,并且输出所述预定时段内的所述时间序列数据作为输入时间序列数据;
第一确定单元,被配置为确定待检测时间序列数据是否被包括在所述输入时间序列数据中;
数据标识单元,被配置为从所述输入时间序列数据中标识与所述待检测时间序列数据相对应的检测对象时间序列数据;以及
第二确定单元,被配置为确定所述检测对象时间序列数据是否指示异常。
2.根据权利要求1所述的异常检测设备,
其中所述第一确定单元基于使用第一神经网络的第一算法来执行确定,并且所述第二确定单元基于使用第二神经网络的第二算法来执行确定。
3.根据权利要求1所述的异常检测设备,
其中所述检测对象时间序列数据的时段短于所述输入时间序列数据的所述预定时段。
4.一种异常检测设备,包括:
第一提取单元,被配置为接收波形数据并且从所述波形数据中提取输入波形数据;
第一确定单元,被配置为确定检测对象波形数据是否被包括在所述输入波形数据中;
第二提取单元,被配置为基于所述第一确定单元的确定结果来从所述输入波形数据中提取所述检测对象波形数据;以及
第二确定单元,被配置为确定由所述第二提取单元提取的所述检测对象波形数据是否指示异常。
5.根据权利要求4所述的异常检测设备,
其中所述第一确定单元通过使用基于第一学习数据的第一算法进行确定;
其中所述第二确定单元通过使用基于第二学习数据的第二算法进行确定;
其中所述第一学习数据基于由所述第一提取单元提取的所述输入波形数据中的、包括所述检测对象波形数据的输入波形数据来生成,以及
其中所述第二学习数据基于由所述第二提取单元提取的所述检测对象波形数据中的、被确定为正常的检测对象波形数据来生成。
6.根据权利要求4所述的异常检测设备,
其中所述第一提取单元对所述波形数据进行稀疏,以生成所述输入波形数据;
其中所述第一确定单元确定所述检测对象波形数据是否被包括在作为被稀疏的波形数据的所述输入波形数据中。
7.根据权利要求4所述的异常检测设备,
其中所述第一确定单元通过使用利用第一自动编码器的第一算法进行确定,计算待输入到所述第一自动编码器的所述输入波形数据与所述第一自动编码器的输出数据之间的偏差度,并且基于所述偏差度来确定所述检测对象波形数据是否被包括在所述输入波形数据中。
8.根据权利要求4所述的异常检测设备,
其中所述第一确定单元通过使用利用第一自动编码器的第一算法进行确定,计算待输入到所述第一自动编码器的所述输入波形数据与所述第一自动编码器的输出数据之间的归一化误差,并且基于所述归一化误差来确定所述检测对象波形数据被包括在所述输入波形数据中。
9.根据权利要求8所述的异常检测设备,
其中所述第一确定单元生成检测对象范围信息,所述检测对象范围信息指示与所述输入波形数据中的所述检测对象波形数据相对应的范围,
其中所述第二提取单元基于所述检测对象范围信息来提取所述检测对象波形数据。
10.根据权利要求4所述的异常检测设备,
其中所述第一确定单元通过使用分类类型神经网络的算法来确定所述检测对象波形数据的类型,
其中所述第二确定单元包括用于所述检测对象波形数据的所述类型的多个异常检测算法,根据所述检测对象波形数据的所确定的类型来切换所述异常检测算法,并且通过使用所述异常检测算法来确定所提取的检测对象波形数据是否指示异常。
11.根据权利要求4所述的异常检测设备,
其中所述第一确定单元包括参考波形数据,并且通过使用动态时间规整方法来确定所述输入波形数据与所述参考波形数据之间的对应关系以生成检测对象范围信息,所述检测对象范围信息指示与来自所述输入波形数据的所述检测对象波形数据相对应的范围。
其中所述第二提取单元基于所述检测对象范围信息来提取所述检测对象波形数据。
12.根据权利要求11所述的异常检测设备,
其中当所述第一确定单元确定所述范围有效时,所述第一确定单元通知与所述检测对象波形数据相对应的所述范围。
13.根据权利要求4所述的异常检测设备,
其中所述检测对象波形包括彼此不同的多个检测对象波形,
其中多个组的所述第一提取单元和所述第一确定单元被提供为与所述多个检测对象波形中的每个检测对象波形相对应,并且所述第一确定单元中的每个第一确定单元确定对应的检测对象波形是否被包括在所述输入波形数据中。
14.根据权利要求4所述的异常检测设备,
其中所述第二确定单元使用利用第二自动编码器的第二算法,计算待输入到所述第二自动编码器的所提取的检测对象波形数据与所述第二自动编码器的输出数据之间的偏差度,并且确定由所述第二提取单元提取的所述检测对象波形数据是否指示异常。
15.一种异常检测系统,包括:
根据权利要求4所述的异常检测确定单元;
数据采集单元,被配置为从所述第一提取单元采集所述输入波形数据并且从所述第二提取单元采集所述检测对象波形数据,
算法生成单元,被配置为基于包括所述检测对象波形数据的所述输入波形数据来生成第一学习数据,基于指示正常的所述检测对象波形数据来生成第二学习数据,并且通过分别使用所述第一学习数据和所述第二学习数据来生成第一算法和第二算法,
其中所述第一确定单元和所述第二确定单元分别通过使用所述第一算法和所述第二算法来执行确定。
16.根据权利要求15所述的异常检测系统,
其中所述算法生成单元从所述输入波形数据中提取所述检测对象波形数据,使用通过将所提取的检测对象波形数据在点数大于所提取的检测对象波形数据的范围内沿时间轴方向移位而获得的波形数据作为所述第一学习数据。
17.根据权利要求15所述的异常检测系统,
其中所述算法生成单元还生成通过沿幅度方向或所述时间轴方向扩展或收缩包括所移位的检测对象波形数据的所述检测对象波形数据而获得的波形数据作为所述第一学习数据。
18.一种使用异常检测设备的异常检测方法,包括:
输入输入波形数据,所述输入波形数据是从待检测设备输出的时间序列波形数据;
确定检测对象波形数据是否被包括在所述输入波形数据中;
当确定所述检测对象波形数据被包括在所述输入波形数据中时,从所述输入波形数据中提取检测对象波形数据;
确定所述检测对象波形数据是否指示异常,以确定所述设备是否具有异常。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-025169 | 2019-02-15 | ||
JP2019025169A JP7175216B2 (ja) | 2019-02-15 | 2019-02-15 | 異常検知装置、異常検知システム、異常検知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111578983A true CN111578983A (zh) | 2020-08-25 |
Family
ID=72041965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010067787.9A Pending CN111578983A (zh) | 2019-02-15 | 2020-01-20 | 异常检测装置、异常检测系统以及异常检测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200264219A1 (zh) |
JP (1) | JP7175216B2 (zh) |
CN (1) | CN111578983A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113576422A (zh) * | 2021-10-08 | 2021-11-02 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、系统及设备 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021009441A (ja) * | 2019-06-28 | 2021-01-28 | ルネサスエレクトロニクス株式会社 | 異常検知システム及び異常検知プログラム |
WO2022155964A1 (en) * | 2021-01-25 | 2022-07-28 | Chengdu SynSense Technology Co., Ltd. | Equipment anomaly detection method, computer readable storage medium, chip, and device |
WO2023106038A1 (ja) * | 2021-12-10 | 2023-06-15 | 住友重機械工業株式会社 | 監視対象データ保存装置、監視対象データ保存方法、監視対象データ保存プログラム |
CN116805061B (zh) * | 2023-05-10 | 2024-04-12 | 杭州水务数智科技股份有限公司 | 基于光纤传感的泄漏事件判断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008097361A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
US20100185414A1 (en) * | 2009-01-16 | 2010-07-22 | Hitachi Cable,Ltd. | Abnormality detection method and abnormality detection system for operating body |
JP2016213400A (ja) * | 2015-05-13 | 2016-12-15 | 三重富士通セミコンダクター株式会社 | 欠陥検出システム、欠陥検出方法、半導体製造装置、及び生産管理システム |
CN108695199A (zh) * | 2017-04-06 | 2018-10-23 | 瑞萨电子株式会社 | 异常检测系统、半导体器件制造系统和方法 |
US20180330201A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Time-series representation learning via random time warping |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231455A (ja) | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 信号識別方法および信号識別装置 |
JP6890382B2 (ja) | 2016-05-23 | 2021-06-18 | ルネサスエレクトロニクス株式会社 | 生産システム |
US10929674B2 (en) | 2016-08-29 | 2021-02-23 | Nec Corporation | Dual stage attention based recurrent neural network for time series prediction |
JP2018156151A (ja) | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
JP6796545B2 (ja) | 2017-04-27 | 2020-12-09 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
JP2019020913A (ja) | 2017-07-13 | 2019-02-07 | 株式会社東芝 | 情報処理装置、方法及びプログラム |
JP7180612B2 (ja) * | 2017-12-05 | 2022-11-30 | ソニーグループ株式会社 | 制御装置、および制御方法、プログラム、並びに移動体 |
US11204602B2 (en) * | 2018-06-25 | 2021-12-21 | Nec Corporation | Early anomaly prediction on multi-variate time series data |
US11218498B2 (en) * | 2018-09-05 | 2022-01-04 | Oracle International Corporation | Context-aware feature embedding and anomaly detection of sequential log data using deep recurrent neural networks |
US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
-
2019
- 2019-02-15 JP JP2019025169A patent/JP7175216B2/ja active Active
-
2020
- 2020-01-20 CN CN202010067787.9A patent/CN111578983A/zh active Pending
- 2020-02-06 US US16/783,563 patent/US20200264219A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008097361A (ja) * | 2006-10-12 | 2008-04-24 | Matsushita Electric Works Ltd | 異常監視装置 |
US20100185414A1 (en) * | 2009-01-16 | 2010-07-22 | Hitachi Cable,Ltd. | Abnormality detection method and abnormality detection system for operating body |
JP2016213400A (ja) * | 2015-05-13 | 2016-12-15 | 三重富士通セミコンダクター株式会社 | 欠陥検出システム、欠陥検出方法、半導体製造装置、及び生産管理システム |
CN108695199A (zh) * | 2017-04-06 | 2018-10-23 | 瑞萨电子株式会社 | 异常检测系统、半导体器件制造系统和方法 |
US20180330201A1 (en) * | 2017-05-15 | 2018-11-15 | International Business Machines Corporation | Time-series representation learning via random time warping |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113576422A (zh) * | 2021-10-08 | 2021-11-02 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、系统及设备 |
CN113576422B (zh) * | 2021-10-08 | 2021-12-24 | 隽智生物医学研究实验室(佛山)有限公司 | 一种生理信号波形的简化处理和量化方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
JP7175216B2 (ja) | 2022-11-18 |
JP2020135170A (ja) | 2020-08-31 |
US20200264219A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111578983A (zh) | 异常检测装置、异常检测系统以及异常检测方法 | |
US12013679B2 (en) | Abnormality detection system, abnormality detection apparatus, and abnormality detection method | |
US10606919B2 (en) | Bivariate optimization technique for tuning SPRT parameters to facilitate prognostic surveillance of sensor data from power plants | |
JP6818970B1 (ja) | データ作成装置、機械学習システムおよび加工状態推定システム | |
US20220042952A1 (en) | State estimation device and state estimation method | |
US20200410363A1 (en) | Abnormality detection system and abnormality detection program | |
JP4371119B2 (ja) | 異常監視方法 | |
JP2006163517A (ja) | 異常検知装置 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
JP4713272B2 (ja) | 工場等における監視システム及び監視方法 | |
JP2019159786A (ja) | 情報処理装置、情報処理方法、プログラム | |
WO2019187433A1 (ja) | 製品検出装置、方法およびプログラム | |
Zou et al. | Quickest detection of significant events in structured networks | |
EP3992739A1 (en) | Automatically generating training data of a time series of sensor data | |
JP7236886B2 (ja) | 異常検知装置、異常検知方法、及び異常検知システム | |
KR20210105196A (ko) | 플랜트 고장 예지 장치 및 방법 | |
Papantoni-Kazakos et al. | Robust sequential algorithms for the detection of changes in data generating processes | |
CN112903301B (zh) | 识别燃气轮机运行状态的方法和装置 | |
JP6856167B2 (ja) | 異常音判定基準作成装置および異常音検知装置 | |
JPH06223190A (ja) | 動物体検出装置 | |
CN113661457A (zh) | 工厂设备的运行条件决定装置、工厂设备的控制系统、运行条件决定方法及程序 | |
KR20230129001A (ko) | 진단 장치 및 진단 방법 및 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템 | |
KR20230114354A (ko) | 오토인코더에 기반한 이상 탐지를 위한 방법 및 장치 | |
JP2023004458A (ja) | 波形異常判定装置および波形異常判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |