JP2020086694A - 搬送ユニットの監視方法及び監視装置並びに監視用モデル - Google Patents

搬送ユニットの監視方法及び監視装置並びに監視用モデル Download PDF

Info

Publication number
JP2020086694A
JP2020086694A JP2018217076A JP2018217076A JP2020086694A JP 2020086694 A JP2020086694 A JP 2020086694A JP 2018217076 A JP2018217076 A JP 2018217076A JP 2018217076 A JP2018217076 A JP 2018217076A JP 2020086694 A JP2020086694 A JP 2020086694A
Authority
JP
Japan
Prior art keywords
transport unit
monitoring
unit
model
state
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.)
Granted
Application number
JP2018217076A
Other languages
English (en)
Other versions
JP7233201B2 (ja
Inventor
準之輔 牧
Junnosuke Maki
準之輔 牧
拓郎 筒井
Takuro Tsutsui
拓郎 筒井
玲 相澤
Rei Aizawa
玲 相澤
友哉 宇▲崎▼
Tomoya Uzaki
友哉 宇▲崎▼
敦 太田
Atsushi Ota
敦 太田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Priority to JP2018217076A priority Critical patent/JP7233201B2/ja
Priority to KR1020190145183A priority patent/KR20200059149A/ko
Priority to CN201911143969.3A priority patent/CN111199901A/zh
Publication of JP2020086694A publication Critical patent/JP2020086694A/ja
Application granted granted Critical
Publication of JP7233201B2 publication Critical patent/JP7233201B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G49/00—Conveying systems characterised by their application for specified purposes not otherwise provided for
    • B65G49/05—Conveying systems characterised by their application for specified purposes not otherwise provided for for fragile or damageable materials or articles
    • B65G49/06—Conveying systems characterised by their application for specified purposes not otherwise provided for for fragile or damageable materials or articles for fragile sheets, e.g. glass
    • B65G49/061—Lifting, gripping, or carrying means, for one or more sheets forming independent means of transport, e.g. suction cups, transport frames
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70691—Handling of masks or workpieces
    • G03F7/70733—Handling masks and workpieces, e.g. exchange of workpiece or mask, transport of workpiece or mask
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70691—Handling of masks or workpieces
    • G03F7/70758—Drive means, e.g. actuators, motors for long- or short-stroke modules or fine or coarse driving
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/708—Construction of apparatus, e.g. environment aspects, hygiene aspects or materials
    • G03F7/70975—Assembly, maintenance, transport or storage of apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/677—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations
    • H01L21/67739—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for conveying, e.g. between different workstations into and out of processing chamber
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
    • B65G2201/02—Articles
    • B65G2201/0214—Articles of special size, shape or weigh
    • B65G2201/022—Flat
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)

Abstract

【課題】搬送ユニットの異常の予兆を検出する。【解決手段】被搬送体を搬送する搬送ユニットの監視方法であって、前記搬送ユニットは、基板処理装置に設けられると共に、前記被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、当該監視方法は、前記モータの状態の指標となる値を状態値とし、前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、機械学習により得られた前記関係性モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値とに基づいて、当該監視対象の前記搬送ユニットの健康度を算出する算出工程と、前記算出工程により算出された前記健康度に応じて、前記監視対象の前記搬送ユニットの状態に関する情報を出力する出力工程と、を有する。【選択図】図９

Description

本開示は、搬送ユニットの監視方法及び監視装置並びに監視用モデルに関する。
特許文献１は、被搬送部品を被駆動手段に搭載して搬送する装置を開示している。この装置は、モータの回転駆動力により駆動側プーリを回転することによって、被駆動手段を所定の方向に移動する駆動手段を有する。また、この装置は、被駆動手段の搬送状態を監視する搬送監視手段を有する。搬送監視手段は、被駆動手段を駆動するのに必要なモータのトルク値を検出し、検出したトルク値に基づいてトルク値の時間に対するトルク微分値を算出し、算出したトルク微分値を用いて搬送状態を検出する。これにより、特許文献１に開示の装置では、搬送時に発生した異常を検出している。
特開２０１３−１３３１９２号公報
本開示にかかる技術は、搬送ユニットの異常の予兆を検出する。
本開示の一態様は、被搬送体を搬送する搬送ユニットの監視方法であって、前記搬送ユニットは、基板処理装置に設けられると共に、前記被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、当該監視方法は、前記モータの状態の指標となる値を状態値とし、前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、機械学習により得られた前記関係性モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値とに基づいて、当該監視対象の前記搬送ユニットの健康度を算出する算出工程と、前記算出工程により算出された前記健康度に応じて、前記監視対象の前記搬送ユニットの状態に関する情報を出力する出力工程と、を有する。
本開示によれば、搬送ユニットの異常の予兆を検出することができる。
本実施形態にかかる搬送ユニットの監視装置を備える監視システム１の構成の概略を示すブロック図である。 搬送ユニットの概略構成を示すブロック図である。 搬送ユニットの概略構成を示す側面図である。 搬送ユニットの概略構成を示す平面図である。 サマリデータに付与されている付属情報の一例を示す図である。 統計データに付与されている付属情報の一例を示す図である。 故障が予測される部位を特定するために用いられるテーブルの一例を示す図である。 監視装置のモデル取得部における関係性モデルの取得処理の一例を説明するためのフローチャートである。 監視装置における監視処理の一例を説明するためのフローチャートである。
例えば半導体デバイスの製造プロセスにおけるフォトリソグラフィー工程では、半導体ウェハ（以下、「ウェハ」と省略することがある。）上に所定のレジストパターンを形成するために一連の処理が行われる。上記一連の処理には、レジスト液を塗布してレジスト膜を形成する塗布処理、レジスト膜を所定のパターンに露光する露光処理、露光されたレジスト膜に現像液を塗布して現像する現像処理等が含まれる。また、上記一連の処理は、ウェハを処理する各種処理ユニットやウェハを搬送する搬送ユニット等が設けられた基板処理装置及び当該基板処理装置に隣接して配設された露光装置で行われている。
基板処理装置に設けられる搬送ユニットに関連し、特許文献１には、被搬送部品を搭載して搬送する被駆動手段の搬送状態を監視する搬送監視手段が開示されている。この搬送監視手段は、前述のように、被駆動手段を駆動するのに必要なモータのトルク値を検出し、検出したトルク値に基づいてトルク値の時間に対するトルク微分値を算出し、算出したトルク微分値を用いて搬送状態を検出する。これにより、搬送時に発生した異常を検出可能としている。
しかし、搬送ユニットにおいて上記異常が実際に発生すると、当該搬送ユニットが設けられた基板処理装置全体が停止するため、異常が発生する前にその発生を予測すること求められており、言い換えると、異常の予兆を検出することが求められている。異常の予兆を検出できれば、検出後、異常の予兆が検出された搬送ユニットの部品のメンテナンスや交換を行い、計画外の装置停止時間を低減させることで、基板処理装置の稼働率を向上させることができる。
そこで、本開示にかかる技術は、搬送ユニットの異常の予兆を検出する。
以下、本実施形態にかかる搬送ユニットの監視方法及び監視装置を、図面を参照して説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する要素においては、同一の符号を付することにより重複説明を省略する。
図１は、本実施形態にかかる搬送ユニットの監視装置を備える監視システム１の構成の概略を示すブロック図である。図２は、搬送ユニットの概略構成を示すブロック図である。図３及び図４はそれぞれ、搬送ユニットの概略構成を示す側面図及び平面図である。図５は、サマリデータに付与されている付属情報の一例を示す図である。図６は、統計データに付与されている付属情報の一例を示す図である。図７は、故障が予測される部位を特定するために用いられるテーブルの一例を示す図である。
監視システム１は、図１に示すように、複数の処理装置としての基板処理装置２１〜２ｐ（以下、まとめて「基板処理装置２」と称することがある。）と、監視装置３とを有する。複数の基板処理装置２１〜２ｐと、監視装置３とは、ローカルエリアネットワーク（ＬＡＮ）やインターネットといったネットワークを介して接続されている。なお、以下では、説明の簡略化のため、基板処理装置２１〜２ｐのうち基板処理装置２１のみが監視装置３の監視対象であるものとする。また、説明の簡略化のため、基板処理装置２１〜２ｐが有する後述の搬送ユニット及び搬送アームは全て同種類であり同様な構造を有するものとする。
基板処理装置２１は、塗布現像処理装置等の半導体製造装置である。基板処理装置２１は、ウェハに対しレジスト膜形成のための塗布処理等の各種処理を行う処理ユニット２１１〜２１ｑと、処理装置２１内でウェハの搬送を行う搬送ユニット２２１〜２２ｒと、を有する。また、処理装置２１は、処理ユニット２１１〜２１ｑ（以下、まとめて「処理ユニット２１」と称することがある。）や搬送ユニット２２１〜２２ｒ（以下、まとめて「搬送ユニット２２」と称することがある。）等を制御する制御部２３を有する。さらに、処理装置２１は各種情報を表示する表示部２４を有する。
搬送ユニット２２１は、被搬送体としてのウェハを、処理ユニット２１１〜２１ｑ間で搬送したり、ウェハを収容するカセット（図示せず）と処理ユニット２１１〜２１ｑとの間で搬送したりする。
この搬送ユニット２２１は、図２に示すように、ウェハを保持して搬送する搬送部としての搬送アーム２５と、モータ２６ａの駆動力により搬送アーム２５を駆動する駆動部２６とを有する。
搬送アーム２５は、例えば、図３に示す、搬送領域の長さ方向（Ｙ方向）に延伸するガイド２５ａに沿ってウェハＷを搬送する。搬送アーム２５は、ガイド２５ａに沿って左右方向（Ｙ方向）に移動するフレーム２５ｂと、フレーム２５ｂに沿って高さ方向に（Ｚ方向）移動する昇降体２５ｃと、を有する。さらに、搬送アーム２５は、図３及び図４に示すように、昇降体２５ｃ上を回動する回動体２５ｄと、ウェハＷを支持し、回動体２５ｄ上を前後方向（Ｘ方向）に移動するウェハ支持部２５ｅとを有する。
駆動部２６は、図２に示すように、搬送アーム２５の軸毎に、モータ２６ａを有し、例えば、Ｘ軸モータ２６ａｘ、Ｙ軸モータ２６ａｙ、Ｙ軸モータ２６ａｙ、Ｚ軸モータ２６ａｚ及びθ軸モータ２６ａθを有する。
Ｘ軸モータ２６ａｘは、搬送アーム２５のＸ軸に関するモータであり、ウェハ支持部２５ｅを前後方向（図３のＸ方向）に移動させるためのものである。
Ｙ軸モータ２６ａｙは、搬送アーム２５のＹ軸に関するモータであり、フレーム２５ｂを左右方向（図３のＹ方向）に移動させることで、ウェハ支持部２５ｅをＹ方向に移動させるためのものである。
Ｚ軸モータ２６ａｚは、搬送アーム２５のＺ軸に関するモータであり、昇降体２５ｃを上下方向（図３のＺ方向）に移動させることで、ウェハ支持部２５ｅをＺ方向に移動させるためのものである。
θ軸モータ２６ａθは、搬送アーム２５のθ軸に関するモータであり、昇降体２５ｃを回転させることで、ウェハ支持部２５ｅを回転させるためのものである。
搬送ユニット２２２〜２２ｒの構成は、搬送ユニット２２１と同様であるためその説明を省略する。
制御部２３は、例えばＣＰＵやメモリ等を備えたコンピュータにより構成され、プログラム格納部（図示せず）を有している。プログラム格納部には、制御部２３における各種処理を制御するプログラムが格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から制御部２３にインストールされたものであってもよい。プラグラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
制御部２３は、図１に示すように、生データ取得部２３ａと、サマリデータ取得部２３ｂと、統計データ取得部２３ｃとを有する。
生データ取得部２３ａは、搬送ユニット２２による単位動作中に、各モータ２６ａの動作に関するデータ（以下、「生データ」という。）を取得する。具体的には、生データ取得部２３ａは、所定のサンプリング周期毎に、生データとして、モータ２６ａに関する時系列データを取得する。生データは、例えば、モータのトルク値Ｔのデータと、モータのトルク値Ｔの時間に対する微分値（以下、「トルク微分値」）Ｔｄのデータである。生データ取得部２３ａによる生データの取得は、各搬送アーム２５の軸毎、すなわち、モータ２６ａ毎に行われる。
サマリデータ取得部２３ｂは、搬送ユニット２２による単位動作毎に、当該単位動作中に取得された生データについての特徴量すなわち代表値を含むサマリデータを複数種類取得する。サマリデータには、複数種類の代表値が含まれる。代表値は、例えば、モータ２６ａの最大トルク値Ｔｍａｘ、最小トルク値Ｔｍｉｎ、最大トルク微分値Ｔｄｍａｘ及び最小トルク微分値Ｔｄｍｉｎである。サマリデータ取得部２３ｂによるサマリデータの取得は、各搬送アーム２５の軸毎、すなわち、モータ２６ａ毎に行われる。
サマリデータには、図５に示すように、付属情報として、当該サマリデータが得られたときの識別情報が付与されている。上記識別情報には、例えば、基板処理装置２の識別情報ＩＤ１、搬送アーム２５の識別情報ＩＤ２、軸の識別情報ＩＤ３、単位動作の識別情報ＩＤ４、単位動作時に搬送アーム２５が移動する際の当該搬送アーム２５の加減速度の識別情報ＩＤ５が含まれる。
統計データ取得部２３ｃは、サマリデータ取得部２３ｂが取得した所定期間分（例えば１週間分）のサマリデータから、各モータ２６ａの状態の指標となる値（以下、「状態値」という。）を複数種類含む統計データを取得する。統計データに含まれる状態値は、サマリデータに含まれる代表値それぞれの統計値である。統計値は、例えば、平均値、最大値、最小値、標準偏差または最大値と最小値の差等である。以下では、統計値は平均値であるものとする。
統計データ取得部２３ｃは、具体的には、各サマリデータに付与されている単位動作の識別情報ＩＤ４に基づいて、単位動作の種類（以下、「動作種」という。）毎に、統計データを取得する。単位動作同士が類似していれば、両単位動作を同じ動作種としてもよい。例えば、ウェハの受け取りのためにウェハ支持部２５ｅがＸ方向に移動され処理ユニット２１内に差し込まれる単位動作と、ウェハの受け取りのために処理ユニット２１内でウェハ支持部２５ｅがＺ方向に移動される単位動作とは、同じ動作種としてもよい。
なお、動作種を識別するための情報は、記憶部（図示せず）に記憶されている。
統計データには、図６に示すように、付属情報として、当該統計データが得られたときの識別情報が付与されている。上記識別情報には、例えば、基板処理装置２の識別情報ＩＤ１、搬送アーム２５の識別情報ＩＤ２、軸の識別情報ＩＤ３、単位動作の識別情報ＩＤ４、単位動作時の搬送アーム２５の加減速度の識別情報ＩＤ５が含まれる。さらに、統計データの付属情報には、当該統計データに関する単位動作について得られたサマリデータの数の情報ＩＮ１が含まれている。
統計データ取得部２３ｃによる統計データの取得は、各搬送アーム２５の軸毎、すなわち、モータ２６ａ毎に行われる。また、統計データ取得部２３ｃにより取得された統計データは、監視装置３に送信される。
表示部２４は、液晶パネルや有機ＥＬパネル等から構成される表示デバイスである。
処理装置２２〜２ｐの構成は、処理装置２１と同様であるためその説明を省略する。
監視装置３は、制御部３１と、出力部としての通信部３２とを有する。
制御部３１は、例えばＣＰＵやメモリ等を備えたコンピュータにより構成され、プログラム格納部（図示せず）を有している。プログラム格納部には、制御部３１における各種処理を制御するプログラムが格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から制御部３１にインストールされたものであってもよい。プログラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
制御部３１は、モデル取得部３１ａと、算出部３１ｂと、故障予測部位特定部３１ｃとを有する。
モデル取得部３１ａは、監視装置３による監視を開始する前に、関係性モデルを機械学習により取得する。
関係性モデルは、搬送ユニット２２について取得される複数種類の状態値の関係性を示すモデルである。より詳しくは、関係性モデルは、各搬送アーム２５の各軸について、すなわち各モータ２６ａについて、単位動作の種別毎に複数種類取得される状態値の関係性を示すモデルである。
関係性モデルは、例えば、最大トルク値Ｔｍａｘ、最小トルク値Ｔｍｉｎ、最大トルク微分値Ｔｄｍａｘ及び最小トルク微分値Ｔｄｍｉｎを用いて、以下の式（１）のように表される。
Ｔｍａｘ＝ｆ（Ｔｍｉｎ、Ｔｄｍａｘ、Ｔｄｍｉｎ）
Ｔｍｉｎ＝ｆ（Ｔｍａｘ、Ｔｄｍａｘ、Ｔｄｍｉｎ）
Ｔｄｍａｘ＝ｆ（Ｔｍａｘ、Ｔｍｉｎ、Ｔｄｍｉｎ）
Ｔｄｍｉｎ＝ｆ（Ｔｍａｘ、Ｔｍｉｎ、Ｔｄｍａｘ） … 式（１）
モデル取得部３１ａは、監視対象以外の基板処理装置２２〜２ｐから、各搬送アーム２５の各軸について、動作種毎に取得される統計データを受信する。そして、受信した統計データに基づいて機械学習により上記関係性モデルを取得する。関係性モデルの取得に用いられる統計データは、搬送ユニット２２が正常な場合に取得されたデータ、言い換えれば、搬送ユニット２２に故障が生じていない場合に取得されたデータである。
算出部３１ｂは、モデル取得部３１ａが取得した関係性モデルと、監視対象の搬送ユニット２２について取得された統計データに含まれる複数種類の状態値とに基づいて、当該監視対象の搬送ユニット２２の健康度を算出する。健康度は、監視対象の搬送ユニット２２における状態値の関係性の乱れ、すなわち、実際の関係性の乱れを数値化したものであって、関係性モデルが示す関係性に対する乱れを数値化したものである。
算出部３１ｂは、具体的には、監視対象の搬送ユニット２２の搬送アーム２５の軸毎に、当該軸についての関係性モデルと、当該軸について取得された統計データに含まれる複数種類の状態値とに基づいて、当該軸の健康度を算出する。
この健康度の算出は、例えば、状態値の種類毎に行われ、より具体的には、例えば、モータ２６ａの最大トルク値Ｔｍａｘ、最小トルク値Ｔｍｉｎ、最大トルク微分値Ｔｄｍａｘ及び最小トルク微分値Ｔｄｍｉｎそれぞれについて行われる。
故障予測部位特定部３１ｃは、状態値の種類毎の健康度に基づいて、監視対象の搬送ユニット２２において故障が予測される部位を特定する。より具体的には、故障予測部位特定部３１ｃは、状態値の種類毎の健康度に基づいて、当該健康度が算出された搬送アーム２５の軸に関連する部位であって故障が予測される部位（例えば、減速機やプーリー、ベアリング）を特定する。この特定には、例えば、図７に示すような、テーブルＦが用いられる。テーブルＦには、搬送アームの軸に関連する部位毎に、当該部位の故障が予測される場合の、状態値の種類毎の健康度の条件が記載されている。図中、「Ｌ」は健康度が閾値より低いという条件を示し、「Ｈ」は健康度が閾値より高いという条件を示している。
通信部３２は、算出部３１ｂにより算出された健康度に応じて、監視対象の搬送ユニット２２の状態に関する情報を通信して出力する。通信部３２は、例えば、算出部３１ｂにより算出された健康度が閾値を超えている場合、当該健康度が得られた監視対象の搬送アームの軸について、異常の発生が予知されたことを報知する報知情報を電子メール等により、送信する。
また、通信部３２は、故障予測部位特定部３１ｃにより特定された故障予測部位を識別する識別情報を通信によって出力する。
続いて、監視装置３のモデル取得部３１ａにおける関係性モデルの取得処理の一例を説明する。図８は、上記関係性モデルの取得処理の一例を説明するためのフローチャートである。
監視対象の基板処理装置２１が監視システム１内に導入される前に、図示するように、例えば、基板処理装置２２〜２ｐから送信される統計データが、所定期間分（例えば５０週分）蓄積されるまで、取得される（ステップＳ１）。なお、所定期間分の統計データが蓄積される前に、いずれかの基板処理装置２２〜２ｐの搬送アーム２５で異常が発生した場合は、それまでに蓄積された統計データは削除され、異常から復帰後、再度最初から所定期間分の統計データが蓄積される。
所定期間分の統計データの蓄積後、関係性モデルの機械学習に用いる統計データが、図６の付属情報を用いて、抽出される（ステップＳ２）。この抽出により除外される統計データは、例えば、実行される頻度が低い単位動作を含む動作種についての統計データである。また、ウェハＷが統計値等に与える影響を無くすため、Ｘ軸（言い換えればＸ軸モータ２６ａｘ）については、ウェハＷを保持しているときの単位動作を含む動作種についての統計データが除外されるようにしてもよい。
なお、ステップＳ２において図６の付属情報に基づいて統計データを抽出するための抽出用リスト等の情報は、記憶部（図示せず）に記憶されている。
続いて、各搬送アーム２５の軸毎に、当該軸について抽出された統計データから、機械学習によって非線形な関係性モデルが取得される（ステップＳ３）。機械学習の手法としては、例えば遺伝的プログラミングやニューラルネットワークが用いられる。
上述のように遺伝的プログラミング等を用いた機械学習により非線形な関係性モデルを生成する場合、過学習モデルが生成されるおそれがある。
したがって、ステップＳ３では、例えば、まず、機械学習により、各搬送アーム２５の軸毎に、複数の非線形な関係性モデルが作成される。そして、上記複数の関係性モデルから、当該関係性モデルの生成に用いた統計データに対する再現性が高く、よりシンプルな（すなわち次数が低い）多項式で示される関係性モデルが選択される。この選択は、例えば、関係性モデルにより示される状態値と当該関係性モデルの生成に用いた実際の統計データに含まれる状態値との差分の情報、及び、上記多項式の次数の情報に基づいて行われる。
そして、各搬送アーム２５の軸毎に、選択／取得された関係性モデルによる状態値と、当該関係性モデルの学習すなわち生成に用いられた統計データに含まれる状態値との誤差を、学習時誤差として算出する（ステップＳ４）。具体的には、例えば、図６の識別情報ＩＤ５を用いて、単位動作時の加減速度等で単位動作をクラスに分け、各搬送アーム２５の軸毎に、上記クラスそれぞれの学習時誤差ＬＥｒｒを算出する。クラスそれぞれの学習時誤差ＬＥｒｒは、例えば上記状態値の誤差を状態値の種類毎に同一クラス内で平均したものである。
なお、学習時誤差の算出時にクラスを識別するために必要なクラス設定リスト等の情報は、記憶部（図示せず）に記憶されている。
次いで、監視装置３における監視処理の一例を説明する。図９は、上記監視処理の一例を説明するためのフローチャートである。ここでは、監視対象の基板処理装置２１が監視システム１内に導入され、監視装置３は、関係性モデルを取得するための学習フェーズにおける関係性モデルの取得が完了し、監視フェーズに移行しているものとする。
監視フェーズでは、図示するように、監視対象の搬送ユニット２２から、統計データが取得されると（ステップＳ１１）、当該統計データの中から監視に用いる統計データが抽出される（ステップＳ１２）。この抽出は、ステップＳ２と同様に行われる。なお、説明の簡略化のため、ここでは１つの統計データが取得されたものとする。
続いて、抽出された統計データに対応する搬送アームの軸毎に、当該統計データに含まれる複数種類の状態値と、当該軸に対する関係性モデルから、健康度が算出される（ステップＳ１３）。
健康度の算出に際し、状態値の種類毎に関係性モデルにより予測される状態値からの乖離度が取得される。つまり、最大トルク値Ｔｍａｘ、最小トルク値Ｔｍｉｎ、最大トルク微分値Ｔｄｍａｘ及び最小トルク微分値Ｔｄｍｉｎそれぞれの状態値について、関係性モデルからの乖離度Ｄが取得される。
乖離度の取得に際し、状態値の種類毎に、抽出された監視用の統計データに含まれる状態値Ｍａと関係性モデルから予測される状態値Ｍｐとの誤差である監視時誤差ＭＥｒｒ（＝（Ｍａ−Ｍｐ）の絶対値）と、当該監視用の統計データが属するクラスについての学習時誤差ＬＥｒｒとが比較される。そして、監視時誤差ＭＥｒｒが学習時誤差ＬＥｒｒに対して小さい場合、乖離度Ｄは０とされる。また、監視時誤差ＭＥｒｒが学習時誤差ＬＥｒｒに対して大きい場合、乖離度Ｄは、所定の計算式（例えばＸ（＝ＭＥｒｒ／ＬＥｒｒ）を変数としたシグモイド関数で表される計算式）に基づいて、０〜１の間の値が与えられる。なお、「監視時誤差ＭＥｒｒが学習時誤差ＬＥｒｒに対して小さい場合」とは、単純にＭＥｒｒ＜ＬＥｒｒとなる場合だけでなく、所定の係数α、βを用いて表される値を許容誤差ＡＥｒｒ（＝α＊ＬＥｒｒまたはα＊ＬＥｒｒ＋β）としたときに、ＭＥｒｒ＜ＡＥｒｒ＋βとなる場合等も含む。上記係数αは、例えば学習時の状態値の数（サンプル数）を考慮しサンプル数に応じて小さくなるように１．５〜２の間で定められ、上記係数βは、例えば学習時の状態値の変化量最大値を考慮して定められる。「監視時誤差ＭＥｒｒが学習時誤差ＬＥｒｒに対して大きい場合」についても同様である。
乖離度Ｄの計算後、状態値の種類毎に、乖離度Ｄに対する当該状態値の寄与度Ｒが算出される。
そして、状態値の種類毎に、寄与度Ｒと乖離度Ｄとの積Ｒ＊Ｄが算出され、その算出結果が、状態値の種類毎の健康度Ｈｅ（＝Ｒ＊Ｄ）とされる。
次いで、状態値の種類毎の健康度Ｈｅのうちの最大値ＨｅＭＡＸと閾値（例えば、０．５）との比較が行われる（ステップＳ１４）。
また、故障予測部位特定部３１ｃによって、状態値の種類毎の健康度Ｈｅと、図７のテーブルＦに基づいて、故障部位の予測が行われ、当該部位が特定される（ステップＳ１５）。
ステップＳ１４での比較結果の出力と、ステップＳ１５での予測結果の出力とが、通信部３２により行われる（ステップＳ１６）。
以上のように、本実施形態では、モータの状態の指標となる値を状態値としたときに、監視時に搬送ユニット２２のある軸について得られた複数種類の状態値と、事前に当該軸について機械学習により得られた関係性モデルから予測される状態値とから、当該軸の健康度を算出する。したがって、搬送ユニットの当該軸に対応する部分の異常の予兆を検出することができる。また、算出した健康度に応じて、監視対象の搬送ユニットの状態に関する情報が出力されるため、当該情報に基づいてユーザがメンテナンス等を行うことにより、計画外の装置停止時間を低減させることができ、基板処理装置の稼働率を向上させることができる。
また、搬送ユニットの異常を予知する方法として、本実施形態と異なり、搬送ユニットの駆動部が有するモータのトルク値やトルク微分値に対して閾値を設け、閾値を基準として上記異常を予知する方法が考えられる。しかし、トルク値等は動作パターンに依存し、また、トルク値等には機差があるため、上述の方法では搬送ユニット毎に複数の閾値を設定しなければならず、また、その設定は困難である。
それに対し、本実施形態では、機械学習により得られたモデルに基づいて算出された、複数種類の統計値間の関係性の乱れを示す健康度を指標としている。したがって、単一の閾値に基づいて異常の予知を正確に行うことができる。
また、本実施形態では、単位動作時の加減速度等で単位動作をクラスに分け、学習時誤差をクラス毎にしているため、より正確に健康度を算出することができる。
以上の例では、モータ２６ａの動作に関するデータは、トルク値等、トルクに関するデータであったが、モータ２６ａの位置偏差を示すパルスに関するデータであってもよい。この場合、モータ２６ａの動作に関するデータの代表値は、例えば、単位動作終了後にモータ２６ａが静定するまで（位置偏差を示すパルスが０となるまで）の位置偏差の積算値である。
また、以上の例では、関係性モデルは、監視対象の搬送ユニット２２を有する基板処理装置２１以外の基板処理装置２２〜２ｒから取得した統計データに基づいて作成していた。
しかし、関係性モデルは、監視対象の搬送ユニット２２を有する基板処理装置２１のみから取得した統計データに基づいて作成してもよい。
この場合は、機械学習により関係性モデルを生成するのに十分な統計データが蓄積されるまでの最初の所定期間が経過してから、監視装置３は学習フェーズから監視フェーズへ移行する。この方法によれば、関係性モデルの精度を高めることができる。また、他の基板処理装置にはない、監視対象の搬送ユニット２２が特殊な種類のものであっても関係性モデルを作成し監視することができる。
また、関係性モデルは、監視対象の搬送ユニット２２を有する基板処理装置２１を含む基板処理装置２１〜２ｒから取得した統計データに基づいて作成してもよい。この場合も、機械学習により関係性モデルを生成するのに十分な統計データが蓄積されるまでの最初の所定期間が経過してから、監視装置３は学習フェーズから監視フェーズへ移行する。
関係性モデルの作成に用いる統計データに、監視対象の搬送ユニット２２を有する基板処理装置２１以外の基板処理装置２１〜２ｒから取得した統計データを含める場合、関係性モデルを一旦作成した後、以下のようにしてもよい。
例えば、関係性モデルを一旦作成した後、監視対象の搬送ユニットを有する基板処理装置２１から新たに所定期間分の統計データを取得し、そして、新たに取得した統計データに基づいて、健康度の算出に用いる学習時誤差を算出してもよい。これに加えて、上記新たに取得した統計データに基づいて、一旦作成した関係性モデルをファインチューニングすなわち補正するようにしてもよい。これにより、異常の予兆をより正確に検出することができる。なお、補正には、遺伝的アルゴリズムを用いることができる。
なお、以上の例では、基板処理装置２１〜２ｐが有する搬送ユニット２２及び搬送アーム２５は全て同種類であり同様な構造を有するものであった。搬送ユニット２２及び搬送アーム２５に異なる種類、異なる構造を有するものが含まれる場合は、搬送アームの種類毎２５に、統計データの蓄積や、関係性モデルの生成等が行われる。
以上の例では、基板処理装置２１〜２ｐは、監視装置３では用いられない動作種の統計データを含めて取得し、監視装置３が、基板処理装置２１〜２ｐから取得した統計データの中から関係性モデルの作成や監視に用いる動作種の統計データを抽出していた。これに代えて、基板処理装置２１〜２ｐが、監視装置で用いられる動作種についてのみ統計データを取得するようにし、監視装置３における統計データの抽出を省略するようにしてもよい。
なお、以上の例では、被搬送体としての基板は、半導体ウェハであるものとしたが、本開示にかかる技術において、基板は、フラットパネルディスプレイ、フォトマスク用のマスクレチクル等の用途に用いられる基板であってもよい。また、以上の例では、搬送ユニットは基板処理装置に設けられていたが、本開示にかかる技術は、搬送ユニットが設けられる他の装置にも適用可能である。
今回開示された実施形態はすべての点で例示であって制限的なものではないと考えられるべきである。上記の実施形態は、添付の請求の範囲及びその主旨を逸脱することなく、様々な形態で省略、置換、変更されてもよい。
なお、以下のような構成も本開示の技術的範囲に属する。
（１）被搬送体を搬送する搬送ユニットの監視方法であって、
前記搬送ユニットは、基板処理装置に設けられると共に、前記被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、
当該監視方法は、
前記モータの状態の指標となる値を状態値とし、
前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、
機械学習により得られた前記関係性モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値とに基づいて、当該監視対象の前記搬送ユニットの健康度を算出する算出工程と、
前記算出工程により算出された前記健康度に応じて、前記監視対象の前記搬送ユニットの状態に関する情報を出力する出力工程と、を有する、搬送ユニットの監視方法。
前記（１）では、搬送装置について実際に得られた複数種類の状態値と、当該搬送ユニットについて機械学習により得られた関係性モデルから予測される状態値とから、当該搬送ユニットの健康度を算出している。したがって、搬送ユニットの異常の予兆を検出することができる。また、本実施形態では、算出した健康度に応じて、監視対象の搬送ユニットの状態に関する情報が出力される。そのため、当該情報に基づいてユーザがメンテナンス等を行うことにより、計画外の装置停止時間を低減させることができ、当該搬送ユニットを有する処理装置の稼働率を向上させることができる。
（２）前記状態値の種類は、前記モータの動作に関するデータについての特徴量の種類であり、
前記状態値はそれぞれ、前記特徴量の統計値である、前記（１）に記載の搬送ユニットの監視方法。
（３）前記状態値の種類は、前記モータの最大トルク値、最小トルク値、トルク微分値最大値及びトルク微分値最小値の少なくともいずれか２つを含む、前記（１）または（２）に記載の搬送ユニットの監視方法。
（４）前記監視対象の前記搬送ユニットについて得られた前記複数種類の前記状態値の関係性を実際の関係性としたときに、
前記健康度は、前記関係性モデルが示す関係性に対する前記実際の関係性の乱れを数値化したものである、前記（１）〜（３）のいずれか１に記載の搬送ユニットの監視方法。
（５）前記健康度は、前記監視対象の前記搬送ユニットにおける前記状態値と、前記関係性モデルから予測される前記状態値と、の誤差に基づいて、算出される、前記（１）〜（４）のいずれか１に記載の搬送ユニットの監視方法。
（６）前記関係性モデルは、遺伝的プログラミングにより取得されたものである、前記（１）〜（５）のいずれか１に記載の搬送ユニットの監視方法。
（７）前記出力工程は、前記健康度が閾値を超えている場合に、前記監視対象の前記搬送ユニットについて、異常の発生が予知されたことを報知する報知情報を出力する、前記（１）〜（６）のいずれか１に記載の搬送ユニットの監視方法。
（８）前記出力工程は、前記状態値の種類毎に算出された前記健康度に基づいて、前記監視対象の前記搬送ユニットにおいて故障が予測される部位を特定し、特定した部位を識別する情報を出力する、前記（１）〜（７）のいずれか１に記載の搬送ユニットの監視方法。
（９）前記関係性モデルを機械学習により取得するモデル取得工程を有する、前記（１）〜（８）のいずれか１に記載の搬送ユニットの監視方法。
（１０）前記モデル取得工程は、前記監視対象の前記搬送ユニットを有する処理装置で過去に取得された前記状態値に基づいて前記関係性モデルを取得する、前記（９）に記載の搬送ユニットの監視方法。
（１１）前記モデル取得工程は、前記監視対象の前記搬送ユニットを有する処理装置とは異なる処理装置で過去に取得された前記状態値に基づいて前記関係性モデルを取得する、前記（９）に記載の搬送ユニットの監視方法。
（１２）前記モデル取得工程は、
前記監視対象の前記搬送ユニットを有する処理装置とは異なる処理装置で過去に取得された前記状態値に基づいて前記関係性モデルを取得する事前取得工程と、
前記事前取得工程で得られた前記関係性モデルを、前記監視対象の前記搬送ユニットを有する処理装置において取得された前記状態値に基づいて補正する補正工程と、を有し、
前記算出工程は、前記補正工程で補正された前記関係性モデルに基づいて前記健康度を算出する、前記（９）に記載の搬送ユニットの監視方法。
（１３）前記（１）〜（１２）のいずれか１に記載の搬送ユニットの監視方法を監視装置によって実行させるように、当該監視装置を制御する制御部のコンピュータ上で動作するプログラムを格納した読み取り可能なコンピュータ記憶媒体。
（１４）被搬送体を搬送する搬送ユニットの監視装置であって、
前記搬送ユニットは、基板処理装置に設けられると共に、前記被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、
当該監視装置は、
前記モータの状態の指標となる値を状態値とし、
前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、
機械学習により得られた前記関係性モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値とに基づいて、当該監視対象の前記搬送ユニットの健康度を算出する算出部と、
前記算出部により算出された前記健康度に応じて、前記監視対象の前記搬送ユニットの状態に関する情報を出力する出力部と、を有する、搬送ユニットの監視装置。
（１５）搬送ユニットを監視するようにコンピュータを機能させるための監視用モデルであって、
前記搬送ユニットは、基板処理装置に設けられると共に、被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、
当該監視用モデルは、
前記モータの状態の指標となる値を状態値とし、
前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、
前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルである関係性モデルであり、機械学習により得られ、
当該監視用モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値と、に基づいて、当該監視対象の前記搬送ユニットの健康度を算出し、該算出された健康度に応じて、当該監視対象の前記搬送ユニットの状態に関する情報を出力するために用いられる、監視用モデル。
３ 監視装置
２２ 搬送ユニット
２５ 搬送アーム
２６ 駆動部
２６ａ モータ
３１ｂ 算出部
３２ 通信部
Ｗ ウェハ

Claims (15)

  1. 被搬送体を搬送する搬送ユニットの監視方法であって、
    前記搬送ユニットは、基板処理装置に設けられると共に、前記被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、
    当該監視方法は、
    前記モータの状態の指標となる値を状態値とし、
    前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、
    機械学習により得られた前記関係性モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値とに基づいて、当該監視対象の前記搬送ユニットの健康度を算出する算出工程と、
    前記算出工程により算出された前記健康度に応じて、前記監視対象の前記搬送ユニットの状態に関する情報を出力する出力工程と、を有する、搬送ユニットの監視方法。
  2. 前記状態値の種類は、前記モータの動作に関するデータについての特徴量の種類であり、
    前記状態値はそれぞれ、前記特徴量の統計値である、請求項１に記載の搬送ユニットの監視方法。
  3. 前記状態値の種類は、前記モータの最大トルク値、最小トルク値、トルク微分値最大値及びトルク微分値最小値の少なくともいずれか２つを含む、請求項１または２に記載の搬送ユニットの監視方法。
  4. 前記監視対象の前記搬送ユニットについて得られた前記複数種類の前記状態値の関係性を実際の関係性としたときに、
    前記健康度は、前記関係性モデルが示す関係性に対する前記実際の関係性の乱れを数値化したものである、請求項１〜３のいずれか１項に記載の搬送ユニットの監視方法。
  5. 前記健康度は、前記監視対象の前記搬送ユニットにおける前記状態値と、前記関係性モデルから予測される前記状態値と、の誤差に基づいて、算出される、請求項１〜４のいずれか１項に記載の搬送ユニットの監視方法。
  6. 前記関係性モデルは、遺伝的プログラミングにより取得されたものである、請求項１〜５のいずれか１項に記載の搬送ユニットの監視方法。
  7. 前記出力工程は、前記健康度が閾値を超えている場合に、前記監視対象の前記搬送ユニットについて、異常の発生が予知されたことを報知する報知情報を出力する、請求項１〜６のいずれか１項に記載の搬送ユニットの監視方法。
  8. 前記出力工程は、前記状態値の種類毎に算出された前記健康度に基づいて、前記監視対象の前記搬送ユニットにおいて故障が予測される部位を特定し、特定した部位を識別する情報を出力する、請求項１〜７のいずれか１項に記載の搬送ユニットの監視方法。
  9. 前記関係性モデルを機械学習により取得するモデル取得工程を有する、請求項１〜８のいずれか１項に記載の搬送ユニットの監視方法。
  10. 前記モデル取得工程は、前記監視対象の前記搬送ユニットを有する処理装置で過去に取得された前記状態値に基づいて前記関係性モデルを取得する、請求項９に記載の搬送ユニットの監視方法。
  11. 前記モデル取得工程は、前記監視対象の前記搬送ユニットを有する処理装置とは異なる処理装置で過去に取得された前記状態値に基づいて前記関係性モデルを取得する、請求項９に記載の搬送ユニットの監視方法。
  12. 前記モデル取得工程は、
    前記監視対象の前記搬送ユニットを有する処理装置とは異なる処理装置で過去に取得された前記状態値に基づいて前記関係性モデルを取得する事前取得工程と、
    前記事前取得工程で得られた前記関係性モデルを、前記監視対象の前記搬送ユニットを有する処理装置において取得された前記状態値に基づいて補正する補正工程と、を有し、
    前記算出工程は、前記補正工程で補正された前記関係性モデルに基づいて前記健康度を算出する、請求項９に記載の搬送ユニットの監視方法。
  13. 請求項１〜１２のいずれか１項に記載の搬送ユニットの監視方法を監視装置によって実行させるように、当該監視装置を制御する制御部のコンピュータ上で動作するプログラムを格納した読み取り可能なコンピュータ記憶媒体。
  14. 被搬送体を搬送する搬送ユニットの監視装置であって、
    前記搬送ユニットは、基板処理装置に設けられると共に、前記被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、
    当該監視装置は、
    前記モータの状態の指標となる値を状態値とし、
    前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、
    機械学習により得られた前記関係性モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値とに基づいて、当該監視対象の前記搬送ユニットの健康度を算出する算出部と、
    前記算出部により算出された前記健康度に応じて、前記監視対象の前記搬送ユニットの状態に関する情報を出力する出力部と、を有する、搬送ユニットの監視装置。
  15. 搬送ユニットを監視するようにコンピュータを機能させるための監視用モデルであって、
    前記搬送ユニットは、基板処理装置に設けられると共に、被搬送体を保持して搬送する搬送部と、前記搬送部を駆動するモータとを有し、
    当該監視用モデルは、
    前記モータの状態の指標となる値を状態値とし、
    前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルを関係性モデルとしたときに、
    前記搬送ユニットについて取得される複数種類の前記状態値の関係性を示すモデルである関係性モデルであり、機械学習により得られ、
    当該監視用モデルと、監視対象の前記搬送ユニットについて得られた複数種類の前記状態値と、に基づいて、当該監視対象の前記搬送ユニットの健康度を算出し、該算出された健康度に応じて、当該監視対象の前記搬送ユニットの状態に関する情報を出力するために用いられる、監視用モデル。
JP2018217076A 2018-11-20 2018-11-20 搬送ユニットの監視方法及び監視装置並びに監視用モデル Active JP7233201B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018217076A JP7233201B2 (ja) 2018-11-20 2018-11-20 搬送ユニットの監視方法及び監視装置並びに監視用モデル
KR1020190145183A KR20200059149A (ko) 2018-11-20 2019-11-13 반송 유닛의 감시 방법 및 감시 장치와 감시용 모델
CN201911143969.3A CN111199901A (zh) 2018-11-20 2019-11-20 搬送单元的监视方法、监视装置、监视用模型及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018217076A JP7233201B2 (ja) 2018-11-20 2018-11-20 搬送ユニットの監視方法及び監視装置並びに監視用モデル

Publications (2)

Publication Number Publication Date
JP2020086694A true JP2020086694A (ja) 2020-06-04
JP7233201B2 JP7233201B2 (ja) 2023-03-06

Family

ID=70746062

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018217076A Active JP7233201B2 (ja) 2018-11-20 2018-11-20 搬送ユニットの監視方法及び監視装置並びに監視用モデル

Country Status (3)

Country Link
JP (1) JP7233201B2 (ja)
KR (1) KR20200059149A (ja)
CN (1) CN111199901A (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11862493B2 (en) 2019-01-31 2024-01-02 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool
WO2024053421A1 (ja) * 2022-09-07 2024-03-14 東京エレクトロン株式会社 異常管理方法、管理装置、及び記憶媒体

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030141404A1 (en) * 2000-04-12 2003-07-31 Petteri Lannes Method for improving the operating reliability of a reel-up
JP2013133192A (ja) * 2011-12-26 2013-07-08 Tokyo Electron Ltd 搬送装置及び搬送方法
JP2014092799A (ja) * 2012-10-31 2014-05-19 Sumitomo Heavy Ind Ltd 異常原因特定システム
JP2018088179A (ja) * 2016-11-29 2018-06-07 ファナック株式会社 ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法
WO2018147183A1 (ja) * 2017-02-13 2018-08-16 東京エレクトロン株式会社 搬送装置、搬送方法及び記憶媒体
JP2018147443A (ja) * 2017-03-09 2018-09-20 安川情報システム株式会社 故障予知方法、故障予知装置および故障予知プログラム
WO2018181020A1 (ja) * 2017-03-29 2018-10-04 三菱重工業株式会社 予兆検知システム及び予兆検知方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003117879A (ja) * 2001-10-15 2003-04-23 Ckd Corp ウェハ搬送ロボット及びウェハ搬送方法
JP2006240866A (ja) * 2005-03-07 2006-09-14 Hitachi Plant Technologies Ltd 搬送装置のモニタリングシステム
JP6477367B2 (ja) * 2015-09-01 2019-03-06 富士ゼロックス株式会社 障害予測管理装置、障害予測管理プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030141404A1 (en) * 2000-04-12 2003-07-31 Petteri Lannes Method for improving the operating reliability of a reel-up
JP2013133192A (ja) * 2011-12-26 2013-07-08 Tokyo Electron Ltd 搬送装置及び搬送方法
JP2014092799A (ja) * 2012-10-31 2014-05-19 Sumitomo Heavy Ind Ltd 異常原因特定システム
JP2018088179A (ja) * 2016-11-29 2018-06-07 ファナック株式会社 ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法
WO2018147183A1 (ja) * 2017-02-13 2018-08-16 東京エレクトロン株式会社 搬送装置、搬送方法及び記憶媒体
JP2018147443A (ja) * 2017-03-09 2018-09-20 安川情報システム株式会社 故障予知方法、故障予知装置および故障予知プログラム
WO2018181020A1 (ja) * 2017-03-29 2018-10-04 三菱重工業株式会社 予兆検知システム及び予兆検知方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11862493B2 (en) 2019-01-31 2024-01-02 Applied Materials, Inc. Correcting component failures in ion implant semiconductor manufacturing tool
JP7472344B2 (ja) 2019-01-31 2024-04-22 アプライド マテリアルズ インコーポレイテッド イオン注入半導体製造ツールにおける構成要素の故障の是正
WO2024053421A1 (ja) * 2022-09-07 2024-03-14 東京エレクトロン株式会社 異常管理方法、管理装置、及び記憶媒体

Also Published As

Publication number Publication date
JP7233201B2 (ja) 2023-03-06
CN111199901A (zh) 2020-05-26
KR20200059149A (ko) 2020-05-28

Similar Documents

Publication Publication Date Title
US6368883B1 (en) Method for identifying and controlling impact of ambient conditions on photolithography processes
JP4666858B2 (ja) 重ね合せレジストレーションのランごとの制御のための方法および装置
JP7233201B2 (ja) 搬送ユニットの監視方法及び監視装置並びに監視用モデル
CN114503247A (zh) 搬送异常预测系统
Wöstmann et al. A retrofit approach for predictive maintenance
US7242995B1 (en) E-manufacturing in semiconductor and microelectronics processes
CN100435052C (zh) 工序管理装置及其控制方法、工序管理程序及记录介质
CN110884973A (zh) 用于远程监控基于状况的维护的模型开发框架
CN112262353A (zh) 异常解析装置、制造系统、异常解析方法以及程序
CN114175065A (zh) 信息处理系统
WO2021177176A1 (ja) 情報処理装置、監視方法、プログラムおよび物品製造方法
US20060064194A1 (en) Methods and systems for determining lithography overlay offsets
CN108090785A (zh) 确定用户行为衰退倾向的方法、装置及电子设备
JP2001006997A (ja) 目合わせ露光装置システム及び目合わせ露光方法
WO2023074371A1 (ja) 保守作業通知システム及び保守作業通知方法
JP2000288876A (ja) 生産制御装置および生産制御方法
WO2023140195A1 (ja) 異常判定方法及び生産管理システム
WO2023140196A1 (ja) 異常判定方法及び生産管理システム
WO2023188914A1 (ja) 情報処理方法及び情報処理装置
Takiguchi et al. Photomask
CN113264426B (zh) 固定式升降设备的数据标识方法、设备及可读存储介质
WO2022158227A1 (ja) 生産フロア管理システム、作業効果判定方法および作業効果判定プログラム
WO2023037627A1 (ja) 管理装置および管理方法
CN116710951A (zh) 生产车间管理系统、作业对策决定方法以及作业对策决定程序
WO2023058289A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210820

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220624

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220719

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220908

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221117

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230124

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230221

R150 Certificate of patent or registration of utility model

Ref document number: 7233201

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150