JP2021002295A - 異常検知装置、異常検知システム、及び異常検知方法 - Google Patents

Abstract

【課題】量産開始前に自動で異常検知を可能とすること、及び量産開始初期における異常検知の精度を向上させることを目的とする。【解決手段】製造ラインに含まれる加工装置の加工時の状態に関連する計測パラメータについて計測した計測データに基づいて異常を検知する異常検知装置であって、第１加工条件で製造された複数の既存製品に対する複数の計測データと、前記第１加工条件とは異なる第２加工条件で製造された１つの試作品に対する計測データとに基づき、前記第２加工条件で製品を量産した際に得られると想定される複数の計測データを推定する量産時計測データ推定部と、前記量産時計測データ推定部により推定された複数の計測データに基づいて異常検知モデルを生成する異常検知モデル生成部と、前記第２加工条件で製品を量産した際に得られる計測データと、前記異常検知モデルとに基づいて、前記加工装置の異常を検知する異常検知実行部と、を有することを特徴とする異常検知装置。【選択図】図３

Description

本発明は、異常検知装置、異常検知システム、及び異常検知方法に関する。

従来、半導体製品等を製造する製造ラインには複数の工程が存在し、各工程には被加工物（例えば、半導体ウェハ）に対して加工を行う加工装置が設置されている。例えば、エッチング工程には、加工装置としてプラズマエッチング装置が設置される。

製品の品質管理を行うためには、加工装置による加工の直後に、被加工物に対してなされた加工量（例えば、エッチング量）が所定の範囲内であるか否かを検査することが理想的であるが、加工直後にそのような検査を行うことは難しい。

そこで、被加工物の加工条件（プロセスレシピ）に関連する加工装置の加工時の状態（温度、圧力等）を監視することによって製品の品質管理を行うことが知られている（例えば、特許文献１参照）。具体的には、加工装置に、当該加工装置の状態を計測する状態計測器を組み込み、状態計測器により測定される種々の計測データに基づいて加工装置の異常を検知することが知られている。

また、加工装置の異常検知においては、計測データが正常であるか否かを識別するための閾値を設定する必要がある。この計測データは、加工装置の設置場所や周辺環境、及び加工条件に依存する。このため、異常検知においては、加工装置及び加工条件ごとに正常に加工された複数の被加工物の加工時における計測データを取得し、計測データのばらつき度合から閾値を設定する必要がある（例えば、特許文献２参照）。

特開２００６−１７３３７３号公報 特開２０１８−４１２１７号公報

しかしながら、特許文献２に記載の方法では、閾値を設定するためには複数の被加工物の加工時における計測データを取得する必要がある。このように、加工装置を新規に導入した直後や加工条件を変更した直後は、当該加工装置や当該加工条件で加工された複数の被加工物に対する計測データが存在しないことから、人が手動で閾値を設定する必要があるので、閾値が適切な値に設定されず、異常検知の精度が低下する可能性がある。また、製造ラインにおける加工装置の数や、製造する製品の数に比例して、異常検知の対象が増加することにより、人が手動で閾値の設定を行うことが現実的ではなくなる可能性がある。

このため、新規の加工装置や既存の製品とは異なる加工条件で製品の量産を開始する場合、量産開始初期には、異常検知の精度が低いことや、閾値が設定されていないことにより、加工装置の異常が検知されずに見過ごされてしまうことや、過剰に異常が検知されてしまう可能性がある。

本発明は、上記の課題に鑑みてなされたものであり、量産開始前に自動で異常検知を可能とすること、及び量産開始初期における異常検知の精度を向上させることを目的とする。

開示の技術は、製造ラインに含まれる加工装置の加工時の状態に関連する計測パラメータについて計測した計測データに基づいて異常を検知する異常検知装置であって、第１加工条件で製造された複数の既存製品に対する複数の計測データと、前記第１加工条件とは異なる第２加工条件で製造された１つの試作品に対する計測データとに基づき、前記第２加工条件で製品を量産した際に得られると想定される複数の計測データを推定する量産時計測データ推定部と、前記量産時計測データ推定部により推定された複数の計測データに基づいて異常検知モデルを生成する異常検知モデル生成部と、前記第２加工条件で製品を量産した際に得られる計測データと、前記異常検知モデルとに基づいて、前記加工装置の異常を検知する異常検知実行部と、を有することを特徴とする異常検知装置である。

本発明によれば、量産開始前に自動で異常検知を可能とすること、及び量産開始初期の異常検知の精度を向上させることができる。

異常検知システムの概略構成の一例を示す図である。 異常検知システムを構成するコンピュータのハードウェア構成の一例を示す図である。 異常検知装置の機能構成の一例を示す図である。 計測データを例示する図である。 量産時計測データ推定部による量産時計測データの推定方法について説明する図である。 量産時計測データ推定部による量産時計測データの推定方法について説明する図である。 異常検知モデル生成部により生成される異常検知モデルを例示する図である。 異常検知装置の処理の流れを示すフローチャートである。 モデル生成処理の流れを示すフローチャートである。 異常判定処理の流れを示すフローチャートである。 異常検知に対する計測パラメータの寄与度の提示例を示す図である。 工程品質寄与度算出装置の機能構成の一例を示す図である。 品質に対する加工工程の寄与度の提示例を示す図である。

以下、本発明の一実施形態について、添付の図面を参照しながら説明する。なお、各実施形態に係る明細書及び図面の記載に関して、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重畳した説明を省略する。

本実施形態に係る異常検知システム１は、製造ラインを構成する各加工工程に設けられた加工装置の異常を検知し、製品の品質に対する各加工工程の寄与度を算出するシステムである。

まず、異常検知システム１の概略構成について説明する。図１は、異常検知システム１の概略構成の一例を示す図である。異常検知システム１は、製造ライン２に適用されている。製造ライン２は、複数の加工工程を含み、各加工工程には加工装置２０が設けられている。また、製造ライン２は、最終の工程として検査工程を含み、検査工程には検査装置３０が設けられている。例えば、製造ライン２は、各加工工程において、被加工物Ｗとしての半導体ウェハに加工を施す半導体製造ラインである。

加工装置２０は、被加工物Ｗに対して、加工条件に基づいて加工を施す装置である。加工工程ごとに同一又は異なる種類の加工装置２０が設けられている。加工装置２０として、例えば、エッチング装置、露光装置、拡散炉、イオン注入装置等が挙げられる。被加工物Ｗは、加工工程１、加工工程２、・・・加工工程ｐ（ｐは２以上の整数）の順番に加工が行われる。

各加工装置２０は、加工条件設定部２１と、状態計測部２２とを有する。加工条件設定部２１は、加工装置２０が被加工物Ｗを加工するための加工条件を設定可能とする。例えば、加工装置２０がエッチング装置である場合には、加工条件として、温度、圧力、エッチング時間などが含まれる。

状態計測部２２は、加工装置２０が被加工物Ｗを加工している際における加工装置２０の状態を計測する計測装置である。状態計測部２２が計測により取得する計測データは、加工条件に依存するデータである。状態計測部２２には、加工装置２０の状態に関連する各種の計測パラメータを計測する複数のセンサが含まれる。例えば、計測パラメータとして温度を計測する温度センサ、計測パラメータとして圧力を計測する圧力センサ、計測パラメータとして振動を計測する加速度センサなどが含まれる。状態計測部２２は、加工装置２０の加工時の状態を表す計測データを異常検知システム１に対して出力する。

検査装置３０は、加工工程１〜ｐによる加工が終了した被加工物Ｗの品質を検査する検査装置である。例えば、検査装置３０は、被加工物Ｗとしての半導体ウェハに形成された製品の各種電気的特性を測定する半導体テスタである。検査装置３０は、製品の品質を表す品質データを異常検知システム１に対して出力する。

異常検知システム１は、製造ライン２に含まれる各加工装置２０と、有線又は無線のネットワークを介して接続されている。異常検知システム１は、異常検知装置２００と、工程品質寄与度算出装置３００とを有する。異常検知装置２００と工程品質寄与度算出装置３００とは、ＰＣ（Personal Computer）やサーバ等のコンピュータにより構成されている。

次に、異常検知システム１のハードウェア構成について説明する。図２は、異常検知システム１を構成するコンピュータ１００のハードウェア構成の一例を示す図である。

異常検知システム１に含まれる異常検知装置２００及び工程品質寄与度算出装置３００は、それぞれ別々のコンピュータ１００により構成されていてもよいし、１つのコンピュータ１００により構成されていてもよい。

コンピュータ１００は、ＣＰＵ（Central Processing Unit）１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、ＨＤＤ（Hard Disk Drive）１０４と、入力装置１０５と、表示装置１０６と、通信インタフェース１０７と、接続インタフェース１０８と、バス１０９と、を備える。

ＣＰＵ１０１は、プログラムを実行することにより、各部を制御し、異常検知システム１の機能を実現する。ＣＰＵ１０１が実行するプログラムは、ＣＤ（Compact Disk）、ＤＶＤ、フラッシュメモリなどの、コンピュータ読み取り可能な任意の記録媒体に記録され得る。

ＲＯＭ１０２は、ＣＰＵ１０１が実行するプログラムや各種のデータを記憶する。ＲＡＭ１０３は、ＣＰＵ１０１に作業領域を提供する。ＨＤＤ１０４は、ＣＰＵ１０１が実行するプログラムや各種のデータを記憶する。コンピュータ１００は、ＨＤＤ１０４と共に、又はＨＤＤ１０４の代わりにＳＳＤ（Solid State Drive）を備えてもよい。

入力装置１０５は、ユーザの操作に応じた情報を装置内に入力する。入力装置１０５は、タッチパッド、キーボード、マウス、又はハードウェアボタンであるが、これに限られない。

表示装置１０６は、ユーザの操作に応じた画面を表示する。表示装置１０６は、液晶ディスプレイ又は有機ＥＬ（Electro Luminescence）ディスプレイであるが、これに限られない。コンピュータ１００は、タッチパッドと表示装置１０６が一体化されたタッチパネルを備えてもよい。

通信インタフェース１０７は、コンピュータ１００をインターネットやＬＡＮ（Local Area Network）などのネットワークに接続する。異常検知システム１は、通信インタフェース１０７を介して、ネットワーク上の外部装置と通信する。接続インタフェース１０８は、異常検知システム１と製造ライン２とを接続する。

バス１０９は、ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３、ＨＤＤ１０４、入力装置１０５、表示装置１０６、通信インタフェース１０７、及び接続インタフェース１０８を相互に接続する。

次に、異常検知装置２００の機能構成について説明する。図３は、異常検知装置２００の機能構成の一例を示す図である。

異常検知装置２００は、既存製品計測データ記憶部２０１と、計測データ取得部２０２と、試作時計測データ記憶部２０３と、量産時計測データ記憶部２０４と、量産時計測データ推定部２０５と、異常検知モデル生成部２０６と、異常検知モデル記憶部２０７と、異常検知実行部２０８と、回帰モデル生成部（第１回帰モデル生成部）２１０と、回帰モデル記憶部２１１と、寄与度算出部（第１寄与度算出部）２１２と、出力部（第１出力部）２１３と、モデル更新トリガー部２１４とを有する。異常検知実行部２０８には、異常度算出部２０９ａと、判定部２０９ｂとが含まれる。

量産時計測データ推定部２０５、異常検知モデル生成部２０６、異常検知実行部２０８、回帰モデル生成部２１０、及び寄与度算出部２１２は、ＣＰＵ１０１がプログラムを実行することにより実現される。

異常検知装置２００は、加工工程ごと（加工装置２０ごと）に処理を行うので、以下では１つの加工工程における異常検知装置２００の処理について説明する。

既存製品計測データ記憶部２０１は、既存製品に対して取得された複数の計測データ（既存製品計測データ）を記憶する。既存製品とは、所定の加工条件（第１加工条件）に基づいて製造ライン２で加工された複数の被加工物Ｗにより製造される製品である。ここで、既存製品とは、例えば、１ロット（２５枚）分の半導体ウェハであり、各半導体ウェハの加工時に取得された計測データが既存製品計測データ記憶部２０１に記憶されている。

計測データ取得部２０２は、試作品又は量産品が加工装置２０で加工される際における計測データを各加工装置２０の状態計測部２２から取得する。ここで、試作品とは、既存製品とは異なる加工条件（第２加工条件）で新たな製品を製造する際に、試作用として製造ライン２で加工される被加工物Ｗ（例えば、１枚の半導体ウェハ）を意味する。量産品とは、試作品の製造後に、試作品と同一の加工条件で加工される複数の被加工物Ｗ（例えば、１ロット分の半導体ウェハ）を意味する。

試作時計測データ記憶部２０３は、試作品が加工装置２０で加工される際に状態計測部２２により計測された計測データ（試作時計測データ）を記憶する。例えば、試作時計測データ記憶部２０３には、１枚の半導体ウェハが試作品として加工される際における加工時の計測データが記憶される。

量産時計測データ記憶部２０４は、量産品が加工装置２０で加工される際に状態計測部２２により計測された計測データ（量産時計測データ）を記憶する。例えば、量産時計測データ記憶部２０４には、単位数量Ｎ（例えばＮ＝２５）枚分の半導体ウェハが量産品として加工された際における加工時の計測データが記憶される。

図４は、計測データを例示する図である。図４（Ａ）は、既存製品計測データ記憶部２０１に記憶された「既存製品計測データ」を例示している。図４（Ｂ）は、試作時計測データ記憶部２０３に記憶された「試作時計測データ」を例示している。

既存製品計測データは、温度、圧力、及び振動の計測値Ｘ_１〜Ｘ_３を含み、これらの計測データをＮセット有する。試作時計測データは、温度、圧力、及び振動の計測値Ｘ_１〜Ｘ_３を含む。試作時計測データは、１セットのみである。

量産時計測データは、既存製品計測データと同様であり、温度、圧力、及び振動の計測値Ｘ_１〜Ｘ_３を含み、Ｎセットの計測データを有する。

図３に戻り、量産時計測データ推定部２０５は、既存製品計測データ記憶部２０１に記憶された既存製品計測データ（Ｎセット）と、試作時計測データ記憶部２０３に記憶された試作時計測データ（１セット）とに基づき、第２加工条件で製品を量産した際に得られると想定される計測データ（量産時計測データ）を推定する。例えば、量産時計測データ推定部２０５は、既存製品計測データを平均化した平均化データと、試作時計測データとの差異を求め、この差異に基づいて既存製品計測データ（Ｎセット）のそれぞれを補正することにより、第２加工条件で製品を量産した場合における量産時計測データ（Ｎセット）を推定する。

図５及び図６は、量産時計測データ推定部２０５による量産時計測データの推定方法について説明する図である。図５及び図６に示すように、計測データは、計測値の時間変動を含む波形データである。なお、図５及び図６では、複数の計測パラメータ（温度、圧力、振動）のうち、１つの計測パラメータの波形データのみを示している。波形データは、加工条件に含まれる処理時間に応じたデータ長（期間）を有する。

図５（Ａ）に示すように、まず、量産時計測データ推定部２０５は、既存製品計測データ記憶部２０１から既存製品計測データ（Ｎセット）を読み出し、計測値を平均化することにより、平均化データを生成する。ここで、既存製品計測データ及び平均化データは同一のデータ長Ｔ１を有する。

次に、量産時計測データ推定部２０５は、試作時計測データ記憶部２０３から試作時計測データを読み出す。試作時計測データは、既存製品計測データとは加工条件が異なることにより、処理時間が異なり、データ長が異なることがある。図５（Ｂ）に示すように、試作時計測データのデータ長をＴ２とする。同図では、Ｔ２＜Ｔ１の場合を例示している。

量産時計測データ推定部２０５は、動的時間伸縮法を用いることにより、図５（Ｂ）に示すように、平均化データと試作時計測データとのワーピングパス（warping path）を求める。そして、図５（Ｃ）に示すように、量産時計測データ推定部２０５は、求めたワーピングパスに基づいて、データ長が等しくなるように、平均化データの時系列を伸縮させることにより、波形同士を位置合わせ（マッチング処理）する。具体的には、量産時計測データ推定部２０５は、ワーピングパスにより結びついている点同士が同一の時間となるように平均化データの時系列を伸縮させる。

次に、量産時計測データ推定部２０５は、位置合わせされた平均化データと試作時計測データとのオフセット値を求める。具体的には、量産時計測データ推定部２０５は、図６（Ａ）に示すように、各時間におけるデータ間の差異（オフセット値）を求める。このオフセット値は、加工条件の差異により生じる値に相当する。

そして、量産時計測データ推定部２０５は、図６（Ｂ）に示すように、既存製品計測データに含まれる各波形データに対して、図５（Ｂ）及び図５（Ｃ）で示した動的時間伸縮法による位置合わせを行い、上記オフセット値に基づくオフセット補正を行う。これにより、試作時計測データと同一のデータ長Ｔ２を有し、加工条件の差異によるオフセットが補正された量産時計測データ（Ｎセット）が生成される。

図３に戻り、異常検知モデル生成部２０６は、量産時計測データ推定部２０５によって推定された量産時計測データと、試作時計測データとを合わせたＮ＋１セット分の計測データに基づいて、量産時に加工装置２０の異常を検知するための異常検知モデルを自動的に生成する。具体的には、異常検知モデル生成部２０６は、アイソレーションフォレスト（Isolation Forest）などの機械学習アルゴリズムにより、異常検知モデルを算出する。

異常検知モデル記憶部２０７は、異常検知モデル生成部２０６により生成された異常検知モデルを記憶する。

図７は、異常検知モデル生成部２０６により生成される異常検知モデルを例示する図である。図７は、温度及び圧力をパラメータとした２次元空間で異常検知モデルを示している。異常検知モデルは、計測データの入力に対して異常度（例えば、平均からの離れ度合い）を出力する関数として表される。なお、計測パラメータが３種以上である場合には、異常検知モデルは３次元以上の関数で表される。

なお、異常検知モデル生成部２０６は、アイソレーションフォレストに限られず、異常度を出力する関数を求めることが可能であれば、いずれの方法により異常検知モデルを生成してもよい。

また、異常検知モデル生成部２０６は、量産時計測データ推定部２０５によって推定された量産時計測データに限られず、量産時に量産時計測データ記憶部２０４に記憶された量産時計測データに基づいて異常検知モデルを生成することを可能とする。

異常検知モデル生成部２０６は、モデル更新トリガー部２１４から任意のタイミングでトリガー信号を受け付けることができる。モデル更新トリガー部２１４は、異常検知モデル生成部２０６に対して、トリガー信号を出力することにより、異常検知モデルの生成に用いる計測データを、量産時計測データ推定部２０５によって推定された量産時計測データから量産時計測データ記憶部２０４に記憶された量産時計測データに切り替えることと、異常検知モデルの生成に用いる量産時計測データの更新とを実行させる。

モデル更新トリガー部２１４は、外部からの入力信号に基づいて異常検知モデル生成部２０６にトリガー信号を送信する。異常検知モデル生成部２０６は、モデル更新トリガー部２１４からトリガー信号の入力を受けたタイミングで量産時計測データ記憶部２０４から量産時計測データを読み出して異常検知モデルを算出し、異常検知モデル記憶部２０７に書き込む。

図３に戻り、異常検知実行部２０８に含まれる異常度算出部２０９ａは、異常検知モデル生成部２０６に記憶された異常検知モデルに基づき、量産時に取得された量産時計測データの異常度を算出する。例えば、異常度算出部２０９ａは、異常検知モデルを表す関数に、量産時計測データを入力することにより、異常度を算出する。異常度算出部２０９ａは、複数の量産時計測データのそれぞれについて異常度を算出する。

判定部２０９ｂは、異常度算出部２０９ａにより算出された異常度を所定の閾値と比較して異常の有無を判定する。具体的には、判定部２０９ｂは、異常度が閾値より大きい場合には「異常あり」と判定し、その異常度を「外れ値」として、後述する寄与度算出部２１２、出力部２１３等へ出力する。また、判定部２０９ｂは、異常度が閾値以下である場合には「異常なし」と判定し、その異常度を「正常値」として、寄与度算出部２１２、出力部２１３等へ出力する。

回帰モデル生成部２１０は、量産時計測データ推定部２０５によって推定された量産時計測データと、試作時計測データとを合わせたＮ＋１セット分の計測データと、異常度算出部２０９ａにより算出されたＮ＋１セット分の計測データの複数の異常度との関係を表す回帰モデルを生成する。例えば、回帰モデル生成部２１０は、複数の計測パラメータを説明変数とし、異常度を目的変数とし、下式（１）を用いて重回帰分析を行うことにより、回帰モデルを生成する。

α＝ａ_１Ｘ_１＋ａ_２Ｘ_２＋ａ_３Ｘ_３＋ｂ ・・・（１）
ここで、ａ_１，ａ_２，ａ_３は、偏回帰係数である。ｂは、定数項である。

なお、回帰モデル生成部２１０は、重回帰に限られず、決定木、ランダムフォレストなどの方法により回帰モデルを生成してもよい。

回帰モデル記憶部２１１は、回帰モデル生成部２１０により生成された回帰モデルを記憶する。

また、回帰モデル生成部２１０は、量産時計測データ推定部２０５によって推定された量産時計測データに限られず、量産時に量産時計測データ記憶部２０４に記憶された量産時計測データに基づいて回帰モデルを生成することを可能とする。

回帰モデル生成部２１０は、モデル更新トリガー部２１４から任意のタイミングでトリガー信号を受け付けることができる。モデル更新トリガー部２１４は、回帰モデル生成部２１０に対して、トリガー信号を出力することにより、回帰モデルの生成に用いる計測データを、量産時計測データ推定部２０５によって推定された量産時計測データから量産時計測データ記憶部２０４に記憶された量産時計測データに切り替えることと、回帰モデルの生成に用いる量産時計測データの更新とを実行させる。

モデル更新トリガー部２１４は、外部からの入力信号に基づいて回帰モデル生成部２１０にトリガー信号を送信する。回帰モデル生成部２１０は、モデル更新トリガー部２１４からトリガー信号の入力を受けたタイミングで量産時計測データ記憶部２０４から量産時計測データを読み出して異常検知モデルを算出し、回帰モデル記憶部２１１に書き込む。

なお、異常検知モデル生成部２０６で回帰分析により回帰モデルを生成する場合（例えば、マハラノビス距離や自己回帰モデルなどを異常検知モデルとして使用する場合）には、回帰モデル生成部２１０の処理を省略し、異常検知モデル生成部２０６で生成した回帰モデルを回帰モデル記憶部２１１に格納することが可能である。

寄与度算出部２１２は、回帰モデル記憶部２１１に記憶された回帰モデルに基づき、判定部２０９ｂにより異常と判定された異常度（目的変数）に対する各計測パラメータ（説明変数）の寄与度を算出する。具体的には、寄与度算出部２１２は、正常データ記憶部２１２ａを有しており、異常検知実行部２０８により異常が検知されなかった、すなわち判定部２０９ｂにより異常度が「正常値」であると判定された場合に、量産時計測データを正常データとして記憶する。そして、寄与度算出部２１２は、異常検知実行部２０８により異常が検知された、すなわち判定部２０９ｂにより異常度が「外れ値」であると判定された場合に、当該量産時計測データと正常データとの差分を求め、これを上記回帰モデルに適用することにより、説明変数の重要度を寄与度として算出する。

出力部２１３は、異常検知実行部２０８により異常が検知されたことを受けて、加工装置２０に異常が生じている可能性がある旨を表す信号を表示装置１０６等へ出力して表示させる。また、出力部２１３は、寄与度算出部２１２により寄与度が算出されたことを受けて、異常検知に対する各計測パラメータの寄与度を表す信号を表示装置１０６等へ出力して表示させる。

次に、異常検知装置２００の処理の流れを説明する。図８は、異常検知装置２００の処理の流れを示すフローチャートである。

まず、異常検知装置２００は、計測データ取得部２０２により計測データが取得されたか否かを判定する（ステップＳ１０）。計測データ取得部２０２により計測データが取得されると（ステップＳ１０：ＹＥＳ）、モデル生成処理（ステップＳ１１）及び異常判定処理（ステップＳ１２）が実行される。

異常検知装置２００は、モデル生成処理及び異常判定処理が終了すると、外部から終了信号の入力があったか否かを判定する（ステップＳ１３）。終了信号の入力がなかった場合には（ステップＳ１３：ＮＯ）、処理をステップＳ１０に戻し、終了信号の入力があった場合には（ステップＳ１３：ＹＥＳ）、処理を終了する。

図９Ａは、ステップＳ１１で実行されるモデル生成処理の流れを示すフローチャートである。このモデル生成処理では、まず、異常検知装置２００は、計測データ取得部２０２により取得された計測データが試作時計測データであるか否かを判定する（ステップＳ２０）。取得された計測データが試作時計測データである場合には（ステップＳ２０：ＹＥＳ）、量産時計測データ推定部２０５は、既存製品計測データ記憶部２０１から既存製品計測データを取得し（ステップＳ２１）、既存製品計測データと試作時計測データとに基づいて量産時計測データを推定する（ステップＳ２２）。

次に、異常検知モデル生成部２０６は、量産時計測データ推定部２０５により推定された量産時計測データと試作時計測データとに基づいて異常検知モデルを生成する（ステップＳ２３）。ここで、異常検知モデル生成部２０６により生成された異常検知モデルは、異常検知モデル記憶部２０７に記憶される。

次に、異常検知実行部２０８が備える異常度算出部２０９ａは、量産時計測データ推定部２０５により推定された量産時計測データ及び試作時計測データの異常度を、異常検知モデル記憶部２０７に記憶された異常検知モデルに基づいて算出する（ステップＳ２４）。また、回帰モデル生成部２１０は、量産時計測データ推定部２０５により推定された量産時計測データ及び試作時計測データと、異常度算出部２０９ａにより算出された異常度との関係を表す回帰モデルを生成する（ステップＳ２５）。ここで、回帰モデル生成部２１０により生成された回帰モデルは、回帰モデル記憶部２１１に記憶される。この後、異常検知装置２００は、モデル生成処理を終了して処理を図８のメインフローに戻す。

一方、ステップＳ２０において、計測データ取得部２０２により取得された計測データが試作時計測データでなく、量産時計測データであると判定された場合には（ステップＳ２０：ＮＯ）、モデル更新トリガー部２１４がトリガー信号を送信し、異常検知モデル生成部２０６及び回帰モデル生成部２１０が受信したか否かを判定する（ステップＳ２６）。トリガー信号が受信されていない場合には（ステップＳ２６：ＮＯ）、異常検知装置２００は、モデル生成処理を終了して処理を図８のメインフローに戻す。

一方、トリガー信号が受信された場合には（ステップＳ２６：ＹＥＳ）、異常検知モデル生成部２０６は、量産時計測データ記憶部２０４から量産時計測データを取得し（ステップＳ２７）、取得した量産時計測データに基づいて異常検知モデルを生成する（ステップＳ２３）。ここで、異常検知モデル生成部２０６により生成された異常検知モデルは、異常検知モデル記憶部２０７に記憶される。

この後、異常度算出部２０９ａは、量産時計測データの異常度を異常検知モデルに基づいて算出する（ステップＳ２４）。また、回帰モデル生成部２１０は、量産時計測データと、異常度算出部２０９ａにより算出された異常度との関係を表す回帰モデルを生成する（ステップＳ２５）。ここで、回帰モデル生成部２１０により生成された回帰モデルは、回帰モデル記憶部２１１に記憶される。そして、異常検知装置２００は、モデル生成処理を終了して処理を図８のメインフローに戻す。

図９Ｂは、ステップＳ１２で実行される異常判定処理の流れを示すフローチャートである。この異常判定処理では、まず、異常検知装置２００は、異常検知モデル生成部２０６により生成された異常検知モデルが異常検知モデル記憶部２０７に記憶されているか、すなわち異常検知モデルが存在するか否かを判定する（ステップＳ３０）。異常検知装置２００は、異常検知モデルが存在しない場合は（ステップＳ３０：ＮＯ）、異常判定処理を終了して処理を図８のメインフローに戻す。

異常検知モデルが存在する場合には（ステップＳ３０：ＹＥＳ）、異常度算出部２０９ａは、ステップＳ１０で取得された計測データの異常度を異常検知モデルに基づいて算出する（ステップＳ３１）。そして、判定部２０９ｂは、算出された異常度を閾値と比較することにより、異常であるか否かを判定する（ステップＳ３２）。判定部２０９ｂが「異常あり」と判定した場合には（ステップＳ３２：ＹＥＳ）、出力部２１３により加工装置２０に異常が生じている可能性がある旨の報知（異常報知）が行われる（ステップＳ３３）。

判定部２０９ｂにより「異常なし」と判定された場合には（ステップＳ３２：ＮＯ）、量産時計測データが正常データとして正常データ記憶部２１２ａに記憶される。

そして、寄与度算出部２１２により、ステップＳ３２で異常と判定された異常度に対する各計測パラメータの寄与度が算出され（ステップＳ３４）、出力部２１３により寄与度がユーザに対して提示される（ステップＳ３５）。この後、異常検知装置２００は、モデル生成処理を終了して処理を図８のメインフローに戻す。

以上の処理は、加工工程１〜ｐに対してそれぞれ実行される。

図１０は、異常検知に対する計測パラメータの寄与度の提示例を示す図である。図１０に示すように、出力部２１３は、表示装置１０６等に、計測パラメータごとに寄与度を表示させることにより寄与度を提示する。図１０では、異常度に対する寄与度が最も大きい計測パラメータが「圧力」であることが示されている。

次に、工程品質寄与度算出装置３００の機能構成について説明する。図１１は、工程品質寄与度算出装置３００の機能構成の一例を示す図である。

工程品質寄与度算出装置３００は、品質データ取得部３０１と、計測データ取得部３０２と、回帰モデル生成部（第２回帰モデル生成部）３０３と、回帰モデル記憶部３０４と、寄与度算出部（第２寄与度算出部）３０５と、出力部（第２出力部）３０６とを有する。回帰モデル生成部３０３及び寄与度算出部３０５は、ＣＰＵ１０１がプログラムを実行することにより実現される。

工程品質寄与度算出装置３００は、量産時において、製造ライン２によりＮ個の被加工物Ｗが加工されて検査された後、処理を実行する。

品質データ取得部３０１は、検査装置３０から各被加工物Ｗを検査することにより得られた製品の品質データＱを取得する。

計測データ取得部３０２は、加工工程１〜ｐの各加工装置２０の状態計測部２２から量産時計測データを取得する。なお、計測データ取得部３０２は、量産時計測データを、異常検知装置２００内の量産時計測データ記憶部２０４から取得してもよい。量産時計測データは、複数の計測パラメータのうちの１つの計測パラメータに関するものであってもよいし、複数の計測パラメータの計測データを統合したものであってもよい。以下、加工工程１〜ｐの量産時計測データをＺ_１〜Ｚ_ｐと表す。

回帰モデル生成部３０３は、品質データＱと量産時計測データをＺ_１〜Ｚ_ｐとの関係を表す回帰モデルを生成する。例えば、回帰モデル生成部３０３は、量産時計測データＺ_１〜Ｚ_ｐを説明変数とし、品質データＱを目的変数とし、下式（２）を用いて重回帰分析を行うことにより、回帰モデルを生成する。

Ｑ＝ｃ_１Ｚ_１＋ｃ_２Ｚ_２＋・・・＋ｃ_ｑＺ_ｑ＋ｄ ・・・（２）
ここで、ｃ_１〜ｃ_ｑは、偏回帰係数である。ｄは、定数項である。

なお、回帰モデル生成部３０３は、重回帰に限られず、決定木、ランダムフォレストなどの方法により回帰モデルを生成してもよい。

回帰モデル記憶部３０４は、回帰モデル生成部３０３により生成された回帰モデルを記憶する。

寄与度算出部３０５は、回帰モデル記憶部３０４に記憶された回帰モデルに基づき、品質データＱ（目的変数）に対する量産時計測データＺ_１〜Ｚ_ｐ（説明変数）の重要度を寄与度として算出する。

出力部３０６は、寄与度算出部３０５により寄与度が算出されたことを受けて、寄与度を表す信号を表示装置１０６等へ出力して表示させる。

図１２は、品質に対する加工工程の寄与度の提示例を示す図である。図１２に示すように、出力部３０６は、表示装置１０６等に、加工工程ごとに寄与度を表示させることにより寄与度を提示する。図１２では、品質に対する寄与度が最も大きい加工工程が「加工工程２」であることが示されている。

以上説明したように、本実施形態によれば、異常検知システム１は、既存製品計測データ（Ｎセット）と試作時計測データ（１セット）とに基づいて、第２加工条件で製品を量産した際に得られると推定される計測データ（量産時計測データ）を生成し、推定される量産時計測データに基づいて自動的に異常検知モデルを生成するので、人が手動で異常検知に関する設定を行う必要がなく、量産開始初期における異常検知の精度が向上する。

また、本実施形態によれば、異常検知システム１は、異常検知に対する計測パラメータの寄与度を求めてユーザに提示するので、ユーザは、加工装置２０の異常が検知された場合に、異常検知に起因する計測パラメータを容易に特定することができる。

また、本実施形態によれば、異常検知システム１は、品質に対する加工工程の寄与度を求めてユーザに提示するので、ユーザは、製品の品質が劣化した場合に、品質に起因する加工工程を容易に特定することができる。

以上、本発明の好ましい実施形態について詳説したが、本発明は、上述した実施形態に制限されることはなく、本発明の範囲を逸脱することなしに上述した実施形態に種々の変形及び置換を加えることができる。

１ 異常検知システム
２ 製造ライン
２０ 加工装置
２２ 状態計測部
３０ 検査装置
２００ 異常検知装置
２０１ 既存製品計測データ記憶部
２０２ 計測データ取得部
２０３ 試作時計測データ記憶部
２０４ 量産時計測データ記憶部
２０５ 量産時計測データ推定部
２０６ 異常検知モデル生成部
２０７ 異常検知モデル記憶部
２０８ 異常検知実行部
２０９ａ 異常度算出部
２０９ｂ 判定部
２１０ 回帰モデル生成部（第１回帰モデル生成部）
２１１ 回帰モデル記憶部
２１２ 寄与度算出部（第１寄与度算出部）
２１３ 出力部（第１出力部）
２１４ モデル更新トリガー部
３００ 工程品質寄与度算出装置
３０１ 品質データ取得部
３０２ 計測データ取得部
３０３ 回帰モデル生成部（第２回帰モデル生成部）
３０４ 回帰モデル記憶部
３０５ 寄与度算出部（第２寄与度算出部）
３０６ 出力部（第２出力部）

Claims (6)

1. 製造ラインに含まれる加工装置の加工時の状態に関連する計測パラメータについて計測した計測データに基づいて異常を検知する異常検知装置であって、
   第１加工条件で製造された複数の既存製品に対する複数の計測データと、前記第１加工条件とは異なる第２加工条件で製造された１つの試作品に対する計測データとに基づき、前記第２加工条件で製品を量産した際に得られると想定される複数の計測データを推定する量産時計測データ推定部と、
   前記量産時計測データ推定部により推定された複数の計測データに基づいて異常検知モデルを生成する異常検知モデル生成部と、
   前記第２加工条件で製品を量産した際に得られる計測データと、前記異常検知モデルとに基づいて、前記加工装置の異常を検知する異常検知実行部と、
   を有することを特徴とする異常検知装置。
2. 計測データは波形データであって、
   前記量産時計測データ推定部は、動的時間伸縮法によるマッチング処理により、前記第２加工条件で製品を量産した際に得られると想定される複数の計測データを推定することを特徴とする請求項１に記載の異常検知装置。
3. 前記異常検知実行部は、
   前記異常検知モデルに基づいて、前記第２加工条件で製品を量産した際に得られる計測データの異常度を算出する異常度算出部と、
   前記異常度算出部により算出された異常度を所定の閾値と比較して異常の有無を判定する判定部と、
   を有することを特徴とする請求項１又は２に記載の異常検知装置。
4. 計測パラメータは複数存在し、
   前記第２加工条件で製品を量産した際に得られる計測データと、前記異常度との関係を表す回帰モデルを生成する第１回帰モデル生成部と、
   前記第１回帰モデル生成部により生成された回帰モデルに基づき、前記異常度に対する前記各計測パラメータの寄与度を算出する第１寄与度算出部と、
   前記第１寄与度算出部により算出された寄与度を提示する第１出力部と、
   を有することを特徴とする請求項３に記載の異常検知装置。
5. 請求項１ないし４いずれか１項に記載の異常検知装置と、
   前記製造ラインに含まれる複数の加工工程により加工された製品を検査することにより得られる品質データに基づいて、品質に対する各加工工程の寄与度を算出する工程品質寄与度算出装置と、
   を有する異常検知システムであって、
   加工工程ごとに得られる計測データと、前記品質データとの関係を表す回帰モデルを生成する第２回帰モデル生成部と、
   前記第２回帰モデル生成部により生成された回帰モデルに基づき、前記品質に対する各加工工程の寄与度を算出する第２寄与度算出部と、
   前記第２寄与度算出部により算出された寄与度を提示する第２出力部と、
   を有することを特徴とする異常検知システム。
6. 製造ラインに含まれる加工装置の加工時の状態に関連する計測パラメータについて計測した計測データに基づいて異常を検知する異常検知方法であって、
   第１加工条件で製造された複数の既存製品に対する複数の計測データと、前記第１加工条件とは異なる第２加工条件で製造された１つの試作品に対する計測データとに基づき、前記第２加工条件で製品を量産した際に得られると想定される複数の計測データを推定する量産時計測データ推定ステップと、
   前記量産時計測データ推定ステップにより推定された複数の計測データに基づいて異常検知モデルを生成する異常検知モデル生成ステップと、
   前記第２加工条件で製品を量産した際に得られる計測データと、前記異常検知モデルとに基づいて、前記加工装置の異常を検知する異常検知実行ステップと、
   を有することを特徴とする異常検知方法。

Images