JP2021009441A - 異常検知システム及び異常検知プログラム - Google Patents

異常検知システム及び異常検知プログラム Download PDF

Info

Publication number
JP2021009441A
JP2021009441A JP2019121438A JP2019121438A JP2021009441A JP 2021009441 A JP2021009441 A JP 2021009441A JP 2019121438 A JP2019121438 A JP 2019121438A JP 2019121438 A JP2019121438 A JP 2019121438A JP 2021009441 A JP2021009441 A JP 2021009441A
Authority
JP
Japan
Prior art keywords
detection
waveform
target waveform
detection target
input
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
Application number
JP2019121438A
Other languages
English (en)
Inventor
正寿 川武
Masatoshi Kawatake
正寿 川武
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.)
Renesas Electronics Corp
Original Assignee
Renesas Electronics Corp
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 Renesas Electronics Corp filed Critical Renesas Electronics Corp
Priority to JP2019121438A priority Critical patent/JP2021009441A/ja
Priority to US16/855,763 priority patent/US20200410363A1/en
Priority to CN202010474915.1A priority patent/CN112230113A/zh
Publication of JP2021009441A publication Critical patent/JP2021009441A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/26—Testing of individual semiconductor devices
    • G01R31/2601—Apparatus or methods therefor
    • G01R31/2603—Apparatus or methods therefor for curve tracing of semiconductor characteristics, e.g. on oscilloscope
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R13/00—Arrangements for displaying electric variables or waveforms
    • G01R13/20—Cathode-ray oscilloscopes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • 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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】検知対象とする検知対象波形以外に、検知対象を切り出す条件を満たした波形が混在する場合でも、検査対象波形を認識し、さらに、検査対象波形の異常を検知することができる異常検知システム及び異常検知プログラムを提供する。【解決手段】異常検知システム１は、検知対象波形を学習した対象波形検知アルゴリズムＡＬを有し、入力信号ＩＳに含まれた入力波形を前記対象波形検知アルゴリズムに入力することによって、期待する検知対象波形ＤＷを生成させ、生成された前記期待する検知対象波形を出力する検知対象波形生成部ＴＤＴと、出力された前記期待する検知対象波形と、前記入力波形と、を比較することによって、前記入力波形が、前記検知対象波形か判断する検知対象波形検出判断・異常検知部ＴＧＤＴと、を備える。【選択図】図１

Description

本発明は、異常検知システム及び異常検知プログラムに関し、例えば、半導体等の製造工場における製造装置の異常検知システム及び異常検知プログラムに関する。
例えば、半導体等の製造工場における製造装置の異常検知システムにおいて、検知対象とする信号は、入力信号レベルが一定値を超えたときなど特定の条件を満たしたときをトリガ条件として切り出し、抽出していた。
特許文献１には、入力信号レベルの他にも、入力信号の立ち上り／立ち下り時間 、セットアップ／ホールド違反、ラント、トランジション、パルス幅等をトリガとして切り出す方式が記載されている。
特開２０１０−３８８８４号公報
特許文献１に記載の検知方法のように、検知対象とする検知対象波形以外に、検知対象を切り出す条件を満たした波形が混在すると、誤って検知対象波形とみなし誤判定する場合があった。
その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
一実施の形態によれば、異常検知システムは、検知対象波形を学習した対象波形検知アルゴリズムを有し、入力信号に含まれた入力波形を前記対象波形検知アルゴリズムに入力することによって、期待する検知対象波形を生成させ、生成された前記期待する検知対象波形を出力する検知対象波形生成部と、出力された前記期待する検知対象波形と、前記入力波形と、を比較することによって、前記入力波形が、前記検知対象波形か判断する検知対象波形検出判断・異常検知部と、を備える。
前記一実施の形態によれば、検知対象とする検知対象波形以外に、検知対象を切り出す条件を満たした波形が混在する場合でも、検査対象波形を認識し、さらに、検査対象波形の異常を検知することができる異常検知システム及び異常検知プログラムを提供することができる。
実施形態１に係る異常検知システムを例示した構成図である。 実施形態１に係る異常検知システムにおいて、検知対象波形生成部の処理内容を例示したフローチャート図である。 実施形態１に係る異常検知システムにおいて、検知対象波形を例示したグラフであり、横軸は時間を示し、縦軸は値を示す。 実施形態１に係る異常検知システムにおいて、検知対象波形のデータを例示した図である。 実施形態に係る異常検知システムにおいて、検知対象波形生成部が用いるディープラーニングの手法の一つであるオートエンコーダの構成を表すパーセプトロンを例示した図である。 実施形態１に係る異常検知システムにおいて、対象波形検知アルゴリズムに設定するディープラーニング学習データを例示した図である。 実施形態１に係る異常検知システムにおいて、検知対象波形検出判断・異常検知部の処理内容を例示したフローチャート図である。 実施形態１に係る異常検知システムにおいて、検知対象波形検出判断・異常検知部に入力される検知対象波形を例示したグラフであり、横軸は出力ノードを示し、縦軸は値を示す。 実施形態１に係る異常検知システムにおいて、検知対象波形検出判断・異常検知部に入力される検知対象波形ではない入力波形を含む入力信号を例示したグラフであり、横軸は出力ノードを示し、縦軸は値を示す。 実施形態１に係る異常検知システムにおいて、検知対象波形に似ているが、一部箇所に乱れのある入力波形を含む入力信号を例示したグラフであり、横軸は出力ノードを示し、縦軸は値を示す。 実施形態２に係る異常検知システムを例示した構成図である。 実施形態２に係る異常検知システムにおいて、検知対象波形検出判断部の処理内容を例示したフローチャート図である。 実施形態２に係る異常検知システムにおいて、検知対象波形生成部の処理内容を例示したフローチャート図である。 実施形態２に係る異常検知システムにおいて、異常検知部の処理内容を例示したフローチャート図である。 実施形態３に係る異常検知システムを例示した構成図である。 実施形態３に係る製造システムの動作を例示したタイミングチャート図であり、（ａ）は、モニタ信号を示し、（ｂ）は、尤度及び異常表示器の表示を示す。
説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
（実施形態１）
実施形態１に係る異常検知システムを説明する。図１は、実施形態１に係る異常検知システム１を例示した構成図である。図１に示すように、異常検知システム１は、信号入力部ＩＩＦと、入力信号バッファＩＢＦと、検知対象波形生成部ＴＤＴと、検知対象波形検出判断・異常検知部ＴＧＤＴとを備える。本実施形態の異常検知システム１は、例えば、半導体装置の製造システムにおける半導体製造装置の異常を検知する装置である。ただし、必ずしもこれに限定されず、各種製造システムにおける各種製造装置の異常を検知する装置として、当該異常検知システムを適用することが可能である。
信号入力部ＩＩＦは、検知対象からのモニタ信号ＭＳを受信する。モニタ信号ＭＳは、例えば、製造装置の処理の状況を表す信号である。モニタ信号ＭＳは、センサデータ等であり、製造装置内に設けられるか、または、製造装置に付加される各種センサからのセンサ信号である。各種センサは、例えば、ガスの流量を監視する流量センサ、チャンバの圧力を監視する圧力センサ、プラズマのＲＦパワーを監視するパワーセンサ、エッチングの進行具合を監視するＥＰＤ（Ｅｎｄ Ｐｏｉｎｔ Ｄｅｔｅｃｔｏｒ）等であるが、これらに限らず、その他、様々なものであってよい。
半導体装置の製造システムでは、装置間でのセンサ信号の送受信を、ＳＥＣＳ（ＳＥＭＩ Ｅｑｕｉｐｍｅｎｔ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｔａｎｄａｒｄ）という通信プロトコルを用いて行うことができる。ＳＥＣＳの物理インタフェースとしては、ＲＳ２３２Ｃやイーサネット（登録商標）が用いられる。信号入力部ＩＩＦは、例えば、このようなＳＥＣＳの通信インタフェースを担ってもよい。この場合、信号入力部ＩＩＦは、例えば、センサからＳＥＣＳを用いて送信されたセンサ信号を受信する。
信号入力部ＩＩＦは、受信したモニタ信号ＭＳに、所定の信号処理を行う。例えば、信号入力部ＩＩＦは、アナログ／デジタル変換回路等を備えてもよい。この場合、信号入力部ＩＩＦは、ＳＥＣＳを用いずに、センサからのアナログ信号をモニタ信号ＭＳとして直接的に受け、それをデジタル信号に変換する。信号入力部ＩＩＦは、所定の信号処理を行ったモニタ信号ＭＳを入力信号バッファＩＢＦへ送信する。
入力信号バッファＩＢＦは、信号入力部ＩＩＦから出力されたモニタ信号ＭＳを、リングバッファ等を用いて所定期間分保持する。モニタ信号ＭＳを所定期間分保持することにより、入力波形を含む入力信号ＩＳとすることができる。入力信号バッファＩＢＦは、保持したモニタ信号ＭＳを、入力波形を含む入力信号ＩＳとして、検知対象波形生成部ＴＤＴ、及び、検知対象波形検出判断・異常検知部ＴＧＤＴへ出力する。
検知対象波形生成部ＴＤＴは、対象波形検知アルゴリズムＡＬを有している。対象波形検知アルゴリズムＡＬは、例えば、検知対象波形ＴＷ（図示せず）を学習したものである。対象波形検知アルゴリズムＡＬは、入力信号ＩＳに含まれた入力波形を入力することによって、期待する検知対象波形ＤＷを生成する。
ここで、対象波形検知アルゴリズムＡＬが学習した検知対象波形を、検知対象波形ＴＷと呼ぶ。検知対象波形ＴＷは、正常な検知対象波形ＴＷ、及び、異常な検知対象波形ＴＷを含んでもよい。対象波形検知アルゴリズムＡＬは、正常な検知対象波形ＴＷ、及び、異常な検知対象波形ＴＷを学習してもよい。対象波形検知アルゴリズムＡＬに入力波形を入力することにより生成させた期待する検知対象波形を検知対象波形ＤＷと呼ぶ。
対象波形検知アルゴリズムＡＬとしては、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）に基づくアルゴリズムや、統計的手法に基づくアルゴリズム等が挙げられる。ＡＩに基づくアルゴリズムでは、例えば、検知対象波形ＴＷの特徴を学習したニューラルネットワークのモデル等が用いられる。対象波形検知アルゴリズムＡＬについては後述する。
検知対象波形生成部ＴＤＴは、入力信号ＩＳと、対象波形検知アルゴリズムＡＬと、を用いて、検知対象波形ＤＷを生成する。具体的には、検知対象波形生成部ＴＤＴは、入力信号に含まれた入力波形を対象波形検知アルゴリズムＡＬに入力することによって、検知対象波形ＤＷを生成させ、生成された検知対象波形ＤＷを出力する。検知対象波形生成部ＴＤＴは、生成された検知対象波形ＤＷを、検知対象波形検出判断・異常検知部ＴＧＤＴに出力する。なお、検知対象波形生成部ＴＤＴ及び対象波形検知アルゴリズムＡＬは、検知対象波形ＤＷを生成開始するトリガ信号として、信号入力部ＩＩＦから信号入力通知ＳＩを入力される。
検知対象波形検出判断・異常検知部ＴＧＤＴは、検知対象波形生成部ＴＤＴによって出力された検知対象波形ＤＷと、入力信号ＩＳに含まれた入力波形と、を比較することによって、入力波形が、検知対象波形ＴＷか判断する。例えば、検知対象波形検出判断・異常検知部ＴＧＤＴは、検知対象波形ＤＷと、入力波形と、の間の尤度を用いて、入力波形が、検知対象波形ＴＷか判断する。尤度は、もっともらしさを示す尺度である。尤度が大きいほど、検知対象波形ＤＷと、入力波形とは、同じ波形ということができる。尤度を、ユークリッド距離を用いて算出してもよい。その場合には、ユークリッド距離が小さいほど、尤度は大きい。
検知対象波形検出判断・異常検知部ＴＧＤＴは、検知対象波形ＤＷと、入力波形と、を比較することによって、尤度を算出する。そして、検知対象波形検出判断・異常検知部ＴＧＤＴは、算出した尤度の値により、入力波形は、検知対象波形ＴＷか否か、を判断する。例えば、検知対象波形検出判断・異常検知部ＴＧＤＴは、算出した尤度が設定した所定の第１閾値よりも大きい場合に、入力波形を、検知対象波形ＴＷと判断する。
また、検知対象波形検出判断・異常検知部ＴＧＤＴは、算出した尤度の値により、入力波形を検知対象波形ＴＷと判断した場合には、更に、検知対象波形ＴＷと判断された入力波形と、検知対象波形ＤＷとを比較する。これにより、検知対象波形検出判断・異常検知部ＴＧＤＴは、入力波形が、正常か異常か判断する。
例えば、検知対象波形検出判断・異常検知部ＴＧＤＴは、検知対象波形ＤＷと、入力波形と、を比較することによって、尤度を算出し、算出した尤度の値により、入力波形は、正常か異常かを判断する。例えば、検知対象波形検出判断・異常検知部ＴＧＤＴは、尤度が設定した所定の第２閾値よりも大きい場合に、入力波形を正常と判断する。ここで、検知対象波形ＴＷか判断する際の尤度の第１閾値は、正常か異常か判断する際の尤度の第２閾値よりも小さい。検知対象波形検出判断・異常検知部ＴＧＤＴは、判断結果となる出力信号ＯＵＴを出力する。例えば、入力波形が正常の場合には、検知対象は正常に稼働していることを示している。また、例えば、入力波形が異常の場合には、検知対象は異常状態であることを示す。
次に、本実施形態の異常検知システム１の動作として、検知対象波形生成部ＴＤＴ、及び、検知対象波形検出判断・異常検知部ＴＧＤＴの処理内容を説明する。
図２は、実施形態１に係る異常検知システム１において、検知対象波形生成部ＴＤＴの処理内容を例示したフローチャート図である。
図２のステップＳ１０１に示すように、検知対象波形生成部ＴＤＴは、まず、信号入力部ＩＩＦから信号入力通知ＳＩが入力されたか判断する。信号入力通知ＳＩが入力されない場合には、検知対象波形生成部ＴＤＴは、ステップＳ１０１を繰り返し、信号入力部ＩＩＦから信号入力通知ＳＩが通知されるのを待ち続ける。
ステップＳ１０１において、信号入力部ＩＩＦから信号入力通知ＳＩが入力された場合には、ステップＳ１０２に示すように、検知対象波形生成部ＴＤＴは、入力信号ＩＳに含まれた入力波形との比較対象となる検知対象波形ＤＷを生成する。
次に、ステップＳ１０３に示すように、検知対象波形生成部ＴＤＴは、生成した検知対象波形ＤＷを、検知対象波形検出判断・異常検知部ＴＧＤＴに出力する。そして、ステップＳ１０１に遷移し、処理を繰り返す。なお、所定の終了信号により、処理を終了する。以下のフローチャート図においても、所定の終了信号により、処理を終了することは同様である。
図示しないが、信号入力部ＩＩＦにおける検知対象からモニタ信号ＭＳを受信するステップと、入力信号バッファＩＢＦにおける受信したモニタ信号ＭＳを所定期間保持し、入力波形を含む入力信号ＩＳとして出力するステップを備えてもよい。
ここで、ステップＳ１０２における検知対象波形ＤＷを生成する手段として、例えば、検知対象波形生成部ＴＤＴは、対象波形検知アルゴリズムＡＬが学習した検知対象波形ＴＷを、検知対象波形ＤＷとして出力してもよい。具体的には、対象波形検知アルゴリズムＡＬは、検知対象波形ＴＷの時系列データそのものを対象波形検知アルゴリズムＡＬに保持しておく。そして、検知対象波形生成部ＴＤＴは、それらの時系列データを出力してもよい。図３は、実施形態１に係る異常検知システム１において、検知対象波形ＴＷを例示したグラフであり、横軸は時間を示し、縦軸は値を示す。図４は、実施形態１に係る異常検知システム１において、検知対象波形ＴＷのデータを例示した図である。
検知対象波形ＴＷが図３に示す波形である場合には、対象波形検知アルゴリズムＡＬは、図４に示すように、検知対象波形ＴＷの時系列データそのものを保持しておく。検知対象波形ＴＷを特定できるのであれば、このような手法が有効である。この場合、入力信号ＩＳを使用する必要はない。
ステップＳ１０２における検知対象波形ＤＷを生成する手段の一例として、ディープラーニングを用いることもできる。例えば、対象波形検知アルゴリズムＡＬは、あらかじめ、検知対象波形ＴＷを、ニュートラルネットワークを用いたオートエンコーダにより学習してもよい。検知対象波形ＴＷは、正常な検知対象波形ＴＷ及び異常な検知対象波形ＴＷとラベル付けされていてもよい。そして、検知対象波形ＴＷを学習した対象波形検知アルゴリズムＡＬは、入力された入力波形を用いて検知対象波形ＤＷを生成してもよい。
ディープラーニングの手法の一つであるオートエンコーダを用いて検知対象波形ＴＷを学習しておけば、ばらつきがある複数の検知対象波形ＴＷがある場合でも、検知対象波形ＤＷを生成させることができる。すなわち、いずれかの検知対象波形ＴＷに類似する入力波形が入力されれば、類似する検知対象波形ＴＷの期待する検知対象波形ＤＷを生成させることができる。
図５は、実施形態に係る異常検知システムにおいて、検知対象波形生成部ＴＤＴが用いるディープラーニングの手法の一つであるオートエンコーダの構成を表すパーセプトロンを例示した図である。図５に示すように、検知対象波形生成部ＴＤＴは、ディープラーニングの手法の一つであるオートエンコーダを用いて検知対象波形ＤＷを生成してもよい。
図５に示すように、ｘ０からｘ５は、ディープラーニングモデルの入力ノードを示し、ｙ０からｙ５は出力ノードを示す。また、ｈ０からｈ３は、ディープラーニングの計算の途中結果が格納される隠しノードを示す。更に、ｘ０からｘ５の入力ノードからｈ０からｈ３の隠しノードを算出する計算工程を説明するために、ここでは、ｕ０からｕ３を定義する。このように、オートエンコーダは、入力波形の時系列に沿って所定の間隔で取得した値を入力ノードとしている。また、オートエンコーダは、入力ノードと同数の出力ノードを有している。さらに、オートエンコーダは、入力ノード及び出力ノードよりも少ない隠しノードを含む階層を有している。なお、図５で示した各階層のノード数は一例であり、この限りではない。
例えば、入力信号バッファＩＢＦから入力される入力信号ＩＳが図３の時系列の信号の場合には、ｘ０からｘ５の各入力ノードには時系列順に各信号が入力される。
下記に示すように、ｕ０からｕ３は、（１）式により算出できる。ｈ０からｈ３は、（２）式の活性化関数を用いて算出できる。ただし、活性化関数には多くの種類があり、この限りではない。ディープラーニングの設計者は、モデル設計時にいずれかの活性化関数を選択する。ｖ０からｖ５は、（３）式により算出できる。ｙ０からｙ５は、ｈ０からｈ３の算出と同様、活性化関数を用いて算出できる。
Figure 2021009441
Figure 2021009441
Figure 2021009441
Figure 2021009441
（１）式及び（３）式におけるＷとｂは、それぞれ、重みとバイアスを表し、学習の結果によって得られる値である。オートエンコーダにおける学習では、入力ノードｘｎと出力ノードｙｎが同じ値になるように、重みＷとバイアスｂの値を調整していく。このとき、入力ノードｘｎに設定する値は、検知対象波形ＴＷのデータであり、学習する検知対象波形ＴＷデータが複数ある場合は、いずれの検知対象波形ＴＷのデータに対しても入力ノードｘｎと出力ノードｙｎが同じ値になるように、重みＷとバイアスｂの値を調整する。これにより、複数の検知対象波形ＴＷのデータを覚えることができる。
図６は、実施形態１に係る異常検知システム１において、対象波形検知アルゴリズムＡＬに設定するディープラーニング学習データを例示した図である。図６に示すように、ディープラーニングによる検知対象波形生成手段を用いたときの対象波形検知アルゴリズムＡＬは、ディープラーニングの構成要素を示す情報となる。このようにして、検知対象波形生成部ＴＤＴは、検知対象波形ＴＷを学習した対象波形検知アルゴリズムＡＬに入力波形を入力することによって検知対象波形ＤＷを生成させ、生成された検知対象波形ＤＷを出力する。
図７は、実施形態１に係る異常検知システム１において、検知対象波形検出判断・異常検知部ＴＧＤＴの処理内容を例示したフローチャート図である。図７のステップＳ２０１に示すように、検知対象波形検出判断・異常検知部ＴＧＤＴは、まず、検知対象波形生成部ＴＤＴから検知対象波形ＤＷが入力されたか判断する。検知対象波形ＤＷが入力されない場合には、検知対象波形検出判断・異常検知部ＴＧＤＴは、ステップＳ２０１を繰り返し、検知対象波形生成部ＴＤＴから検知対象波形ＤＷが入力されるのを待ち続ける。
ステップＳ２０１において、検知対象波形生成部ＴＤＴから検知対象波形ＤＷが入力された場合には、ステップＳ２０２に示すように、検知対象波形検出判断・異常検知部ＴＧＤＴは、検知対象波形ＤＷと、入力信号ＩＳにおける入力波形と、を比較することによって尤度を算出する。
次に、ステップＳ２０３に示すように、検知対象波形検出判断・異常検知部ＴＧＤＴは、算出された尤度が検知対象判断閾値（第１閾値）以下か判断する。入力信号ＩＳにおける入力波形が、検知対象波形ＤＷとまったく異なる場合には、尤度は著しく低くなる。よって、尤度は検知対象判断閾値以下である。この場合には、異常検知は行わず、ステップＳ２０１に遷移する。なお、尤度が著しく低いと判断するための第１閾値は、検知対象とする波形の尤度に応じて、あらかじめ設定しておくものとする。このようにして、検知対象波形検出判断・異常検知部ＴＧＤＴは、生成された検知対象波形ＤＷと、入力波形と、を比較することによって、入力波形が、検知対象波形ＴＷか判断する。
ステップＳ２０３において、尤度が検知対象判断閾値（第１閾値）よりも大きく、入力信号ＩＳに含まれた入力波形が検知対象波形ＴＷと判断した場合には、ステップＳ２０４に示すように、更に、尤度は、異常判断閾値（第２閾値）以上か判断する。なお、正常または異常の判定基準は、第２閾値の設定値により任意に決定することができる。
ステップＳ２０４において、尤度が第２閾値以上の場合には、ステップＳ２０５に示すように、正常の検知対象波形ＴＷと判定する。一方、例えば、入力波形が異常なノイズが乗っている場合には、尤度が第２閾値よりも小さくなる。この場合には、ステップＳ２０６に示すように、異常の検知対象波形と判断する。
このようにして、検知対象波形検出判断・異常検知部ＴＧＤＴは、検知対象波形ＴＷと判断された入力波形と、検知対象波形ＤＷと、を比較することによって、入力波形が、正常か異常か判断する。そして、検知対象波形検出判断・異常検知部ＴＧＤＴは、入力波形が検知対象波形ＴＷか判断する際、及び、検知対象波形と判断された入力波形が正常か異常か判断する際には、検知対象波形ＤＷと、入力波形と、を比較することによって算出された尤度に基づいて判断する。なお、検知対象波形ＴＷか判断する際の尤度の第１閾値は、正常か異常か判断する際の尤度の第２閾値よりも小さく設定されている。
次に、検知対象波形検出判断・異常検知部ＴＧＤＴにおける尤度計算方法として、ユークリッド距離を使用したときの動作例を説明する。なお、ユークリッド距離を用いた場合には、計算結果が０に近い方ほど、尤度は高い（もっともらしい）ということになる。
図８は、実施形態１に係る異常検知システム１において、検知対象波形検出判断・異常検知部ＴＧＤＴに入力される検知対象波形を例示したグラフであり、横軸は出力ノードを示し、縦軸は値を示す。図９は、実施形態１に係る異常検知システム１において、検知対象波形検出判断・異常検知部ＴＧＤＴに入力される検知対象波形ではない入力波形を含む入力信号ＩＳを例示したグラフであり、横軸は出力ノードを示し、縦軸は値を示す。
図８に示すように、検知対象波形検出判断・異常検知部ＴＧＤＴに検知対象波形ＤＷが入力されることを想定する。その場合に、図９に示すように、検知対象ではない入力波形を含む入力信号ＩＳが検知対象波形検出判断・異常検知部ＴＧＤＴに入力されたとき、ユークリッド距離による尤度ｕは、下記の（５）式により表すことができる。
Figure 2021009441
図８の検知対象波形ＤＷのＤＷ０からＤＷ５は、それぞれ、ＤＷ０＝０、ＤＷ１＝１．０、ＤＷ２＝０．５、ＤＷ３＝０．５、ＤＷ４＝０．５、ＤＷ５＝０である。図９の入力信号ＩＳのＩＳ０からＩＳ５は、それぞれ、ＩＳ０＝０、ＩＳ１＝１．０、ＩＳ２＝０、ＩＳ３＝０、ＩＳ４＝０、ＩＳ５＝０である。そうすると、尤度ｕは、ｕ＝０．７５となる。図７のステップＳ２０３において、尤度が著しく低いと判断されるための閾値を０．５としていた場合には、図９に示す入力信号ＩＳは、検知対象波形ＴＷ外と判断されることになる（ユークリッド距離を用いた場合には、計算結果が０に近い方ほど、尤度は高い）。
図１０は、実施形態１に係る異常検知システム１において、検知対象波形ＤＷに似ているが一部箇所に乱れのある入力波形を含む入力信号ＩＳを例示したグラフであり、横軸は出力ノードを示し、縦軸は値を示す。図１０に示すように、入力信号ＩＳのＩＳ０からＩＳ５は、それぞれ、ＩＳ０＝０、ＩＳ１＝１．０、ＩＳ２＝０．５、ＩＳ３＝０．５、ＩＳ４＝１．０、ＩＳ５＝０である。そうすると、尤度ｕは、ｕ＝０．２５となる。図７のステップＳ２０３において、尤度が著しく低いと判断するための閾値は０．５である。このため、図１０の入力信号ＩＳは、まず、検知対象波形ＴＷと識別される。図７のステップ２０４において、正常または異常を判定する第２閾値を０．１とすると、図１０の入力信号ＩＳは、最終的には、異常な検知対象波形ＴＷと判断されることになる。
例えば、入力信号ＩＳとして、図８に示す検知対象波形ＤＷに似た信号が入力された場合には、尤度ｕは０に近い値となる。これにより、正常な検知対象波形ＴＷと判断されることになる。
次に、本実施形態の効果を説明する。本実施形態の異常検知システム１では、入力波形を対象波形検知アルゴリズムＡＬに入力させることによって、検知対象波形ＤＷを生成させ、そして、入力波形と、検知対象波形ＤＷとを比較することによって、入力波形が検知対象波形ＴＷかを判断する。このように、検知対象波形ＴＷの特徴点に着目した検知対象波形ＤＷを用いることで、入力波形の特徴点と、検知対象波形ＴＷの特徴点とを比較することができる。よって、特徴点ではない部分の差異を軽視し、特徴点の比較を重視することができる。これにより、検知対象とする検知対象波形以外に、検知対象を切り出す条件を満たした波形が混在する場合でも、本来の検知対象波形ＴＷを認識する精度を向上させることができる。
また、検知対象波形ＴＷと判断された入力波形と、検知対象波形ＤＷとを比較することによって、入力波形が異常か正常か判断する。これにより、検知対象波形ＴＷの異常を検知する精度を向上させることができる。
対象波形検知アルゴリズムＡＬは、例えば、検知対象波形ＴＷを、ニュートラルネットワークを用いたオートエンコーダにより学習させている。よって、検知対象波形ＴＷに、ばらつきがあるなど、複数の検知対象波形ＴＷがある場合でも、いずれかの検知対象波形ＴＷの特徴を有する入力波形が入力されれば、それに類似する検知対象波形ＤＷを生成させることができる。
オートエンコーダは、入力ノード及び出力ノードよりも少ない隠しノードを含む階層を有している。よって、ノードの少ない隠しノードにより、入力波形の特徴を抽出することができ、本来の検知対象波形を認識する精度を向上させることができる。
検知対象波形ＴＷの時系列データをそのまま検知対象波形ＤＷとして出力した場合には、検知対象波形ＴＷを特定することができ、特定された検知対象波形ＴＷに対する認識の精度を向上させることができる。
検知対象波形ＴＷかどうか、または、検知対象波形ＴＷが正常か異常かおける判断に尤度を用いることにより、検知対象波形ＴＷと入力波形との類似の度合いを数値化することができる。
入力信号バッファＩＢＦにモニタ信号ＭＳを所定期間分保持することにより、入力波形を含む入力信号ＩＳを形成することができる。よって、検知対象となる入力波形を、検知対象波形生成部ＴＤＴに出力するとともに、同じ入力波形を検知対象波形検出判断・異常検知部ＴＧＤＴへ出力することができる。
（実施形態２）
次に、実施形態２に係る異常検知システムを説明する。前述の実施形態１では、信号入力ＩＳがある度に、検知対象波形の検出判断と異常検知を行っていたが、本実施形態では、信号入力ＩＳがある度に、検知対象波形の一部波形の検出だけを行い、一部波形の検出ができたところで波形全体の異常検知を行う。
図１１は、実施形態２に係る異常検知システム２を例示した構成図である。図１１に示すように、本実施形態の異常検知システム２は、信号入力部ＩＩＦと、入力信号バッファＩＢＦと、検知対象波形部分生成部ＴＤＴＰと、検知対象波形検出判断部ＴＧＲと、検知対象波形生成部ＴＤＴ２と、異常検知部ＥＤＴとを備える。
検知対象波形部分生成部ＴＤＴＰは、トリガ検知アルゴリズムＴＡＬを有している。トリガ検知アルゴリズムＴＡＬは、例えば、検知対象波形ＴＷを学習したものである。トリガ検知アルゴリズムＴＡＬは、入力信号ＩＳに含まれた入力波形を入力させることによって、検知対象波形ＤＷの少なくとも一部を生成する。そして、検知対象波形部分生成部ＴＤＴＰは、生成した検知対象波形ＤＷの一部波形を、検知対象波形検出判断部ＴＧＲに出力する。また、検知対象波形部分生成部ＴＤＴＰは、検知対象波形ＤＷの少なくとも一部を生成開始するトリガ信号として、信号入力部ＩＩＦから信号入力通知ＳＩを入力される。なお、図１１に示す検知対象波形部分生成部ＴＤＴＰと、図１に示す検知対象波形生成部ＴＤＴは、検知対象波形ＤＷの一部を生成すること及び使用するトリガ検知アルゴリズムを除き、構成および動作は同様である。
検知対象波形検出判断部ＴＧＲは、入力信号ＩＳに含まれた入力波形の一部と、検知対象波形部分生成部ＴＤＴＰによって生成された検知対象波形ＤＷの一部と、を比較することによって、入力波形の一部が、検知対象波形ＴＷの一部か判断する。例えば、検知対象波形検出判断部ＴＧＲは、検知対象波形ＤＷの一部と、入力波形の一部と、の間の尤度を算出し、算出した尤度の値により、入力波形の一部が検知対象波形ＴＷの一部か判断する。具体的には、検知対象波形検出判断部ＴＧＲは、算出した尤度の値が第３閾値よりも大きい場合に、入力波形の一部は検知対象波形ＴＷの一部と判断する。検知対象波形ＴＷの一部と判断した場合には、検知対象波形検出判断部ＴＧＲは、検知対象波形生成部ＴＤＴ２に対してトリガ検知通知ＴＤを送信する。
検知対象波形生成部ＴＤＴ２は、対象波形検知アルゴリズムＡＬを有している。対象波形検知アルゴリズムＡＬは、例えば、検知対象波形ＴＷを学習したものである。対象波形検知アルゴリズムＡＬは、入力信号ＩＳに含まれた入力波形を入力することによって、検知対象波形ＤＷを生成する。検知対象波形生成部ＴＤＴ２は、生成した検知対象波形ＤＷを異常検知部ＥＤＴに出力する。また、検知対象波形生成部ＴＤＴ２は、検知対象波形ＤＷを生成開始するトリガ信号として、検知対象波形検出判断部ＴＧＲからトリガ検知通知ＴＤを入力される。
異常検知部ＥＤＴは、検知対象波形ＤＷと、一部が検知対象波形ＴＷの一部と判断された入力波形と、を比較することによって、入力波形が、正常か異常か判断する。例えば、異常検知部ＥＤＴは、検知対象波形ＤＷと、入力波形と、を比較することによって、尤度を算出し、算出した尤度の値により、入力波形は、正常か異常かを判断する。例えば、異常検知部ＥＤＴは、算出した尤度が設定した所定の第４閾値よりも大きい場合に、入力波形を正常と判断する。ここで、検知対象波形ＴＷの一部か判断する際の尤度の第３閾値は、正常か異常か判断する際の尤度の第４閾値よりも小さい。
なお、異常検知部ＥＤＴは、入力波形が、正常か異常か判断する前に、入力波形は、検知対象波形ＴＷか否か、を判断してもよい。例えば、異常検知部ＥＤＴは、算出した尤度の値が、設定した所定の第１閾値よりも大きい場合に、入力波形を、検知対象波形と判断してもよい。
次に、本実施形態に係る異常検知システム２の動作として、検知対象波形検出判断部ＴＧＲ、検知対象波形生成部ＴＤＴ２、異常検知部ＥＤＴの処理内容を説明する。
図１２は、実施形態２に係る異常検知システムにおいて、検知対象波形検出判断部の処理内容を例示したフローチャート図である。図１２のステップＳ３０１に示すように、検知対象波形検出判断部ＴＧＲは、まず、検知対象波形部分生成部ＴＤＴＰから検知対象波形ＤＷの一部が入力されたか判断する。検知対象波形ＤＷの一部が入力されない場合には、ステップＳ３０１を繰り返し、検知対象波形ＤＷの一部が入力されるまで待ち続ける。
ステップＳ３０１において、検知対象波形ＤＷの一部が入力された場合には、ステップＳ３０２に示すように、検知対象波形検出判断部ＴＧＲは、検知対象波形の一部と入力信号ＩＳに含まれた入力波形の一部とを比較し、尤度を算出する。
次に、ステップＳ３０３に示すように、検知対象波形検出判断部ＴＧＲは、算出した尤度が検知対象判断閾値（第３閾値）以上か判断する。算出した尤度が低く、入力信号に検知対象波形の一部が含まれない場合は、ステップＳ３０１に遷移する。
一方、ステップＳ３０３において、算出した尤度が高く、入力波形の一部は検知対象波形ＴＷの一部と判断した場合には、ステップＳ３０４に示すように、検知対象波形生成部ＴＤＴ２にトリガ検知通知ＴＤを送信する。
図１３は、実施形態２に係る異常検知システムにおいて、検知対象波形生成部の処理内容を例示したフローチャート図である。図１３のステップＳ４０１に示すように、検知対象波形生成部ＴＤＴ２は、まず、検知対象波形検出判断部ＴＧＲからトリガ検知通知ＴＤが通知されたか判断する。検知対象波形検出判断部ＴＧＲからトリガ検知通知ＴＤが通知されない場合には、検知対象波形生成部ＴＤＴ２は、ステップＳ４０１を繰り返し、トリガ検知通知ＴＤが通知されるまで待ち続ける。
ステップＳ４０１において、トリガ検知通知ＴＤが通知された場合には、ステップＳ４０２に示すように、検知対象波形生成部ＴＤＴ２は、入力信号に含まれた入力波形との比較対象となる検知対象波形ＤＷを生成する。ステップＳ４０２における検知対象波形ＤＷを生成する手段としては、検知対象波形生成部ＴＤＴと同様、例えば、ディープラーニング手法のひとつであるオートエンコーダを用いても良い。
次に、ステップＳ４０３に示すように、検知対象波形生成部ＴＤＴ２は、生成した検知対象波形ＤＷを異常検知部ＥＤＴに出力し、ステップＳ４０１に遷移する。
図１４は、実施形態２に係る異常検知システムにおいて、異常検知部ＥＤＴの処理内容を例示したフローチャート図である。図１４のステップＳ５０１に示すように、異常検知部ＥＤＴは、検知対象波形生成部ＴＤＴ２から検知対象波形ＤＷが入力されたか判断する。検知対象波形生成部ＴＤＴ２から検知対象波形ＤＷが入力されない場合には、異常検知部ＥＤＴは、ステップＳ５０１を繰り返し、検知対象波形ＤＷが入力されるまで待ち続ける。
ステップＳ５０１において、検知対象波形ＤＷが入力された場合には、ステップＳ５０２に示すように、異常検知部ＥＤＴは、検知対象波形ＤＷと入力波形とを比較し、尤度を算出する。尤度の計算方法としては、例えば、ユークリッド距離等を用いる。
次に、ステップＳ５０３に示すように、異常検知部ＥＤＴは、算出した尤度が異常判断閾値の第４閾値以上か判断する。これにより、異常検知部ＥＤＴは、算出した尤度に対し、あらかじめ定めておいた第４閾値を用いて、入力波形が正常か異常かを判断する。なお、正常か異常かの判定基準は、第４閾値の設定値により任意に決定することができる。
ステップＳ５０３において、算出した尤度が異常判断閾値の第４閾値以上の場合には、ステップＳ５０４に示すように、入力波形が正常であると判断する。一方、ステップＳ５０３において、算出した尤度が異常判断閾値の第４閾値よりも小さい場合には、ステップＳ５０５に示すように、入力波形は異常と判断する。算出した尤度が第４閾値よりも小さい場合とは、例えば、検知対象波形ＴＷにノイズが乗っている場合等である。
次に、本実施形態の効果を説明する。本実施形態では、入力波形が検知対象波形ＴＷかどうか判断するまでは、一部波形のみを対象としている。すなわち、検知対象波形部分生成部ＴＤＴＰは、検知対象波形ＤＷの一部を生成する。また、検知対象波形検出判断部ＴＧＲは、入力波形の一部が、検知対象波形ＴＷの一部か判断する。よって、異常検知システム２の演算負荷を低減することができる。
また、異常検知部ＥＤＴは、検知対象波形ＴＷの一部と判断された入力波形のみ、異常か正常かの判断をする。これにより、異常検知システム２の演算負荷を低減することができる。
トリガ検知アルゴリズムＴＡＬ及び対象波形検知アルゴリズムＡＬは、検知対象波形ＴＷを、ニュートラルネットワークを用いたオートエンコーダにより学習したものとする。これにより、検知対象波形ＴＷに、ばらつきがあるなど、複数の検知対象波形ＴＷがある場合でも、いずれかの検知対象波形ＴＷの特徴を有する入力波形が入力されれば、それに類似する検知対象波形ＤＷを生成させることができる。これ以外の構成、動作及び効果は、実施形態１の記載に含まれている。
（実施形態３）
次に、実施形態３に係る異常検知システムを含んだ製造システムを説明する。製造システムは、例えば、半導体装置の製造システムである。図１５は、実施形態３に係る異常検知システムを含んだ製造システムを例示した構成図である。図１５に示すように、製造システム１００は、複数の異常検知システムＤＥＶＥａ及びＤＥＶＥｂと、複数の製造装置ＭＥａ及びＭＥｂと、アルゴリズム格納部ＡＤＢと、ＭＥＳ（Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｅｘｅｃｕｔｉｏｎ Ｓｙｓｔｅｍ）と、ＳＣＡＤＡ（Ｓｕｐｅｒｖｉｓｏｒｙ Ｃｏｎｔｒｏｌ Ａｎｄ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ）と、これらを結合する通信ネットワークＮＷとを備えている。複数の製造装置ＭＥａ及びＭＥｂは、検知対象の装置である。異常検知システムとして、ＤＥＶＥａ及びＤＥＶＥｂを示したが、３つ以上の異常検知システムを含んでもよい。製造装置として、ＭＥａ及びＭＥｂを示したが、３つ以上の製造装置を含んでもよい。
異常検知システムＤＥＶＥａ及びＤＥＶＥｂのそれぞれは、検知アルゴリズム変更部ＣＡＬが加わった以外は、実施形態１の異常検知システム１と同様の構成を備え、同様の動作を実行する。
ＳＣＡＤＡは、製造システム１００の全体の監視装置である。ＭＥＳは、製造工程の管理装置である。ＭＥＳは、製造装置ＭＥａ及びＭＥｂに半導体装置、例えば、半導体ウエハを投入する際に、製造装置ＭＥａ及びＭＥｂの製造条件を通信ネットワークＮＷへ送信する。また、ＭＥＳは、製造装置ＭＥａ及びＭＥｂの製造条件に応じた対象波形検知アルゴリズムを、アルゴリズム格納部ＡＤＢから取り出し、異常検知システムＤＥＶＥａ及びＤＥＶＥｂの検知アルゴリズム変更部ＣＡＬに送信する。
製造装置ＭＥａ及びＭＥｂは、ＭＥＳからの製造条件に基づき、半導体ウエハを処理する。そして、製造装置ＭＥａ及びＭＥｂは、当該処理の状況を表すモニタ信号ＭＳを出力する。ここでは、製造装置ＭＥａ及びＭＥｂは、それぞれ、異常検知システムＤＥＶＥａ及びＤＥＶＥｂにモニタ信号ＭＳを出力する。製造装置ＭＥａ及びＭＥｂとしては、例えば、成膜工程に伴う加工処理を実行するプラズマＣＶＤ（Ｃｈｅｍｉｃａｌ Ｖａｐｏｒ Ｄｅｐｏｓｉｔｉｏｎ）装置や、パターニング工程に伴う加工処理を実行する露光装置や、エッチング工程に伴う加工処理を実行するプラズマエッチング装置等が挙げられる。
異常検知システムＤＥＶＥａ及びＤＥＶＥｂは、製造装置ＭＥａ及びＭＥｂのモニタ信号ＭＳを入力される。そして、異常検知システムＤＥＶＥａ及びＤＥＶＥｂは、実施形態１の異常検知システム１と同様に異常検知を行う。異常検知システムＤＥＶＥａ及びＤＥＶＥｂの検知対象波形検出判断・異常検知部ＴＧＤＴにおいて、異常を検知した場合は、異常表示器ＡＬＭに異常を通知する。
異常表示器ＡＬＭは、例えば、異常時に光るライトでもよいし、モニタ画面に異常があったことを表示する機器でもよい。また、本構成例では記していないが、異常表示器ＡＬＭは、通信ネットワークＮＷを介して、ＳＣＡＤＡに通知する仕組みにしてもよい。
なお、実運用に際しては、製造装置ＭＥａ及びＭＥｂの製造条件によって、検知対象も変わるため、図１５に検知アルゴリズム変更部ＣＡＬとして記したように、検知アルゴリズムを変更できる仕組みがあることが望ましい。
このように、本実施形態の異常検知システムＤＥＶＥａ及びＤＥＶＥｂは、所定の製造装置ＭＥａ及び製造装置ＭＥｂと、製造装置ＭＥａの製造条件に応じた対象波形検知アルゴリズムＡＬ１と、製造装置ＭＥｂの製造条件に応じた対象波形検知アルゴリズムＡＬ２と、を格納したアルゴリズム格納部ＡＤＢと、を備えている。そして、入力信号ＩＳは、検知対象の製造装置ＭＥａまたは製造装置ＭＥｂから入力される。検知対象波形生成部ＴＤＴにおける対象波形検知アルゴリズムＡＬは、対象波形検知アルゴリズムＡＬ１または対象波形検知アルゴリズムＡＬ２に変更可能である。
図１６は、実施形態３に係る製造システムの動作を例示したタイミングチャート図であり、（ａ）は、モニタ信号を示し、（ｂ）は、尤度及び異常表示器の表示を示す。図１６（ａ）に示すように、モニタ信号ＭＳは、製造装置ＭＥａから異常検知システムＤＥＶＥａに入力される信号である。また、図１６（ｂ）に示すように、検知アルゴリズム変更部ＣＡＬを介して、対象波形検知アルゴリズムＡＬに、検知対象波形ＤＷの値が直接設定されているときの検知対象波形検出判断・異常検知部ＴＧＤＴの尤度を示す。
本実施形態の製造システム１００の動作例では、検知対象波形ＴＷかどうかの第１閾値を０．５に定めており、検知対象となる波形のみが適切に検知されている。更に、正常異常判定の第２閾値を０．１にすることにより、正常異常の判断も適切に行われている。
本実施形態では、複数の製造装置を含む製造システム１００において、複数の異常検知システムＤＥＶＥａ及びＤＥＶＥｂを各製造装置に配置している。よって、各製造装置のモニタ信号ＭＳを入力させ、各製造装置に特有の入力波形から異常検知を行うことができる。また、異常検知システムＤＥＶＥａ及びＤＥＶＥｂは、モニタする製造方法毎に、アルゴリズム格納部ＡＤＢから対象波形検知アルゴリズムに変更することにより、製造装置に適した検知対象波形ＤＷを形成することができる。検知対象とする検知対象波形ＴＷ以外に、検知対象を切り出す条件を満たした波形が混在する場合でも、検査対象波形ＴＷを認識し、さらに、検査対象波形ＴＷの異常を検知することができる。これ以外の構成、動作及び効果は、実施形態１及び２の記載に含まれている。
以上、各実施形態を説明したが、上記の構成に限らず、技術的思想を逸脱しない範囲で、変更することが可能である。また、実施形態１〜３の各構成を組み合わせた異常検知システムも、技術的思想の範囲である。また、下記の異常検知方法も、本実施形態１〜３の技術的思想の範囲である。また、異常検知方法をコンピュータに実行させる異常検知プログラムも同様に、技術的思想の範囲である。
（付記１）
検知対象波形を学習した対象波形検知アルゴリズムを用いて、入力信号に含まれた入力波形を前記対象波形検知アルゴリズムに入力することによって、期待する検知対象波形を生成させ、生成させた前記期待する検知対象波形を出力するステップと、
生成させた前記期待する検知対象波形と、前記入力波形と、を比較することによって、前記入力波形が、前記検知対象波形か判断するステップと、
を備えた異常検知方法。
（付記２）
前記検知対象波形と判断された前記入力波形と、前記期待する検知対象波形と、を比較することによって、前記入力波形が、正常か異常か判断するステップをさらに備えた、
付記１に記載の異常検知方法。
（付記３）
前記検知対象波形か判断するステップにおいて、
前記対象波形検知アルゴリズムは、前記検知対象波形を、ニュートラルネットワークを用いたオートエンコーダにより学習した、
付記２に記載の異常検知方法。
（付記４）
前記オートエンコーダは、前記入力波形の時系列に沿って所定の間隔で取得した値を入力ノードとし、前記入力ノードと同数の出力ノードを有し、前記入力ノード及び前記出力ノードよりも少ない隠しノードを含む階層を有する、
付記３に記載の異常検知方法。
（付記５）
前記検知対象波形か判断するステップ及び前記正常か前記異常か判断するステップにおいて、前記期待する検知対象波形と、前記入力波形と、の間の尤度を用いて判断し、前記検知対象波形か判断する際の前記尤度の第１閾値は、前記正常か前記異常か判断する際の前記尤度の第２閾値よりも小さい、
付記２に記載の異常検知方法。
（付記６）
前記尤度を、ユークリッド距離を用いて算出する、
付記５に記載の異常検知方法。
（付記７）
検知対象からのモニタ信号を受信するステップと、
受信した前記モニタ信号を所定期間保持し、前記入力波形を含む前記入力信号とするステップと、
をさらに備え、
前記期待する検知対象波形を出力するステップにおいて、
前記入力波形を入力し、
前記前記検知対象波形か判断するステップにおいて、
前記入力波形と比較する、
付記１に記載の異常検知方法。
１、２ 異常検知システム
１００ 製造システム
ＡＤＢ アルゴリズム格納部
ＡＬ 対象波形検知アルゴリズム
ＣＡＬ 検知アルゴリズム変更部
ＤＷ 検知対象波形
ＤＥＶＥａ、ＤＥＶＥｂ 異常検知システム
ＥＤＴ 異常検知部
ＩＢＦ 入力信号バッファ
ＩＩＦ 信号入力部
ＩＳ 入力信号
ＭＥａ、ＭＥｂ 製造装置
ＭＳ モニタ信号
ＮＷ ネットワーク
ＯＵＴ 出力信号
ＳＩ 信号入力通知
ＴＡＬ トリガ検知アルゴリズム
ＴＤ トリガ検知通知
ＴＧＤＴ 検知対象波形検出判断・異常検知部
ＴＧＲ 検知対象波形検出判断部
ＴＤＴ 検知対象波形生成部
ＴＤＴＰ 検知対象波形部分生成部
ＴＤＴ２ 検知対象波形生成部
ＴＷ 検知対象波形

Claims (20)

  1. 検知対象波形を学習した対象波形検知アルゴリズムを有し、入力信号に含まれた入力波形を前記対象波形検知アルゴリズムに入力することによって、期待する検知対象波形を生成させ、生成された前記期待する検知対象波形を出力する検知対象波形生成部と、
    出力された前記期待する検知対象波形と、前記入力波形と、を比較することによって、前記入力波形が、前記検知対象波形か判断する検知対象波形検出判断・異常検知部と、
    を備えた異常検知システム。
  2. 前記検知対象波形検出判断・異常検知部は、
    前記検知対象波形と判断された前記入力波形と、前記期待する検知対象波形と、を比較することによって、前記入力波形が、正常か異常か判断する、
    請求項１に記載の異常検知システム。
  3. 前記対象波形検知アルゴリズムは、前記検知対象波形を、ニュートラルネットワークを用いたオートエンコーダにより学習した、
    請求項２に記載の異常検知システム。
  4. 前記オートエンコーダは、前記入力波形の時系列に沿って所定の間隔で取得した値を入力ノードとし、前記入力ノードと同数の出力ノードを有し、前記入力ノード及び前記出力ノードよりも少ない隠しノードを含む階層を有する、
    請求項３に記載の異常検知システム。
  5. 前記検知対象波形生成部は、前記対象波形検知アルゴリズムが学習した前記検知対象波形を、前記期待する検知対象波形として出力する、
    請求項１に記載の異常検知システム。
  6. 前記検知対象波形検出判断・異常検知部は、前記期待する検知対象波形と、前記入力波形と、の間の尤度を用いて判断し、前記検知対象波形か判断する際の前記尤度の第１閾値は、前記正常か前記異常か判断する際の前記尤度の第２閾値よりも小さい、
    請求項２に記載の異常検知システム。
  7. 前記尤度を、ユークリッド距離を用いて算出する、
    請求項６に記載の異常検知システム。
  8. 検知対象からのモニタ信号を受信する信号入力部と、
    前記信号入力部から出力された前記モニタ信号を所定期間分保持し、前記入力波形を含む前記入力信号として、前記検知対象波形生成部及び前記検知対象波形検出判断・異常検知部へ出力する入力信号バッファと、
    をさらに備えた、
    請求項１に記載の異常検知システム。
  9. 検知対象波形を学習したトリガ検知アルゴリズムを有し、入力信号に含まれた入力波形を前記トリガ検知アルゴリズムに入力することによって、期待する検知対象波形の一部を生成させ、生成された前記期待する検知対象波形の一部を出力する検知対象波形部分生成部と、
    出力された前記期待する検知対象波形の一部と、前記入力波形の一部と、を比較することによって、前記入力波形の一部が、前記検知対象波形の一部か判断する検知対象波形検出判断部と、
    を備えた異常検知システム。
  10. 前記検知対象波形を学習した対象波形検知アルゴリズムを有し、一部が前記検知対象波形の一部と判断された前記入力波形を前記対象波形検知アルゴリズムに入力することによって、前記期待する検知対象波形を生成させ、生成された前記期待する検知対象波形を出力する検知対象波形生成部と、
    出力された前記期待する検知対象波形と、前記入力波形と、を比較することによって、前記入力波形が、正常か異常か判断する異常検知部をさらに備えた、
    請求項９に記載の異常検知システム。
  11. 前記トリガ検知アルゴリズム及び前記対象波形検知アルゴリズムは、前記検知対象波形を、ニュートラルネットワークを用いたオートエンコーダにより学習した、
    請求項１０に記載の異常検知システム。
  12. 前記検知対象波形検出判断部及び前記異常検知部は、前記期待する検知対象波形と、前記入力波形と、の間の尤度を用いて判断し、前記検知対象波形の前記一部か判断する際の前記尤度の第３閾値は、前記正常か前記異常か判断する際の前記尤度の第４閾値よりも小さい、
    請求項１０に記載の異常検知システム。
  13. 所定の第１製造装置及び第２製造装置と、
    前記第１製造装置の製造条件に応じた第１対象波形検知アルゴリズムと、前記第２製造装置の製造条件に応じた第２対象波形検知アルゴリズムと、を格納したアルゴリズム格納部と、
    をさらに備え、
    前記入力信号は、検知対象の前記第１製造装置または前記第２製造装置から入力され、
    前記検知対象波形生成部は、前記第１対象波形検知アルゴリズムまたは前記第２対象波形検知アルゴリズムに変更可能である、
    請求項１に記載の異常検知システム。
  14. 検知対象波形を学習した対象波形検知アルゴリズムを有し、入力信号に含まれた入力波形を前記対象波形検知アルゴリズムに入力することによって、期待する検知対象波形を生成させ、生成された前記期待する検知対象波形を出力させ、
    出力された前記期待する検知対象波形と、前記入力波形と、を比較することによって、前記入力波形が、前記検知対象波形か判断させる、
    ことをコンピュータに実行させる異常検知プログラム。
  15. 前記検知対象波形と判断された前記入力波形と、前記期待する検知対象波形と、を比較することによって、前記入力波形が、正常か異常か判断させる、
    ことをさらにコンピュータに実行させる請求項１４に記載の異常検知プログラム。
  16. 前記検知対象波形か判断させる場合に、
    前記対象波形検知アルゴリズムに、前記検知対象波形を、ニュートラルネットワークを用いたオートエンコーダにより学習させる、
    請求項１５に記載の異常検知プログラム。
  17. 前記オートエンコーダは、前記入力波形の時系列に沿って所定の間隔で取得した値を入力ノードとし、前記入力ノードと同数の出力ノードを有し、前記入力ノード及び前記出力ノードよりも少ない隠しノードを含む階層を有する、
    請求項１６に記載の異常検知プログラム。
  18. 前記検知対象波形か判断させる場合、及び、前記正常か前記異常か判断させる場合において、前記期待する検知対象波形と、前記入力波形と、の間の尤度を用いて判断させ、
    前記検知対象波形か判断する際の前記尤度の第１閾値を、前記正常か前記異常か判断する際の前記尤度の第２閾値よりも小さくする、
    請求項１５に記載の異常検知プログラム。
  19. 前記尤度を、ユークリッド距離を用いて算出させる、
    請求項１８に記載の異常検知プログラム。
  20. 検知対象からのモニタ信号を受信させ、
    受信した前記モニタ信号を所定期間保持し、前記入力波形を含む前記入力信号とさせることをさらにコンピュータに実行させる、
    請求項１４に記載の異常検知プログラム。
JP2019121438A 2019-06-28 2019-06-28 異常検知システム及び異常検知プログラム Pending JP2021009441A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019121438A JP2021009441A (ja) 2019-06-28 2019-06-28 異常検知システム及び異常検知プログラム
US16/855,763 US20200410363A1 (en) 2019-06-28 2020-04-22 Abnormality detection system and abnormality detection program
CN202010474915.1A CN112230113A (zh) 2019-06-28 2020-05-29 异常检测系统和异常检测程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019121438A JP2021009441A (ja) 2019-06-28 2019-06-28 異常検知システム及び異常検知プログラム

Publications (1)

Publication Number Publication Date
JP2021009441A true JP2021009441A (ja) 2021-01-28

Family

ID=74043711

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019121438A Pending JP2021009441A (ja) 2019-06-28 2019-06-28 異常検知システム及び異常検知プログラム

Country Status (3)

Country Link
US (1) US20200410363A1 (ja)
JP (1) JP2021009441A (ja)
CN (1) CN112230113A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023007825A1 (ja) * 2021-07-30 2023-02-02 オムロン株式会社 異常検知装置、異常検知方法、及び異常検知プログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801497B (zh) * 2021-01-26 2024-04-30 上海华力微电子有限公司 一种异常检测方法及装置
CN113283203A (zh) * 2021-07-21 2021-08-20 芯华章科技股份有限公司 用于仿真逻辑系统设计的方法、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4200332B2 (ja) * 2006-08-29 2008-12-24 パナソニック電工株式会社 異常監視装置、異常監視方法
US11645744B2 (en) * 2016-12-06 2023-05-09 Mitsubishi Electric Corporation Inspection device and inspection method
JP6967197B2 (ja) * 2018-05-18 2021-11-17 日本電気株式会社 異常検出装置、異常検出方法及びプログラム
JP6827608B2 (ja) * 2018-12-05 2021-02-10 三菱電機株式会社 異常検知装置及び異常検知方法
JP7175216B2 (ja) * 2019-02-15 2022-11-18 ルネサスエレクトロニクス株式会社 異常検知装置、異常検知システム、異常検知方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023007825A1 (ja) * 2021-07-30 2023-02-02 オムロン株式会社 異常検知装置、異常検知方法、及び異常検知プログラム

Also Published As

Publication number Publication date
US20200410363A1 (en) 2020-12-31
CN112230113A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Saeed et al. Fault diagnosis based on extremely randomized trees in wireless sensor networks
Jiang et al. Data-driven distributed local fault detection for large-scale processes based on the GA-regularized canonical correlation analysis
JP2021009441A (ja) 異常検知システム及び異常検知プログラム
Su et al. Event-triggered fault detector and controller coordinated design of fuzzy systems
US10606919B2 (en) Bivariate optimization technique for tuning SPRT parameters to facilitate prognostic surveillance of sensor data from power plants
US11348023B2 (en) Identifying locations and causes of network faults
WO2003001431A1 (en) Sensor fusion using self evaluating process sensors
Li et al. Fault detection design of networked control systems
US20190346820A1 (en) Abnormality detection system, semiconductor device manufacturing system and semiconductor device manufacturing method
JP4635194B2 (ja) 異常検知装置
US20220329613A1 (en) Attack detection and localization with adaptive thresholding
Tan et al. Event-triggered fuzzy filtering for networked systems with application to sensor fault detection
Pan et al. Fault detection filtering for a class of nonhomogeneous Markov jump systems with random sensor saturations
WO2022259446A1 (ja) 異常原因推定装置、異常原因推定方法、及びコンピュータ読み取り可能な記録媒体
KR101137318B1 (ko) 반도체 장치의 고장 진단시스템 및 방법
Kovalev et al. Anomaly detection based on Markov chain model with production rules
JP7239022B2 (ja) 時系列データ処理方法
Ye et al. Robust fault detection filter design of networked control systems
WO2023155967A1 (en) Thermal anomaly management
Toshkova et al. Applying extreme value theory for alarm and warning levels setting under variable operating conditions
Chen et al. Fault detection and backtrace based on graphical probability model
Llanos et al. Transmission delays in residual computation
US8427299B2 (en) Alarm processing circuit and alarm processing method
Boateng et al. Two-phase Dual COPOD Method for Anomaly Detection in Industrial Control System
US12013679B2 (en) Abnormality detection system, abnormality detection apparatus, and abnormality detection method