JP2021102817A - 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム - Google Patents

Abstract

【課題】半導体製造装置の故障予知精度を向上させることにある。【解決手段】第１装置と、 前記第１装置で検出された前記第１装置の状態を示す物理量に基づいて前記第１装置の状態を示す１又は複数の特徴量を計測する第１の計測回路と、前記計測された特徴量の正常時のデータ集合からの乖離度の大きさに基づいて判定することにより、前記第１装置の正常、異常を判定する異常判定回路と、 前記第１装置の異常が判定された場合に、前記第１の計測回路で算出された１又は複数の特徴量の時間変化を監視し、前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、及び／又は、前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止する故障予知回路と、を備える半導体製造装置。【選択図】図１４

Description

本発明は、半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラムに関する。

従来、半導体ウェハやプリント基板等の基板の表面に配線やバンプ（突起状電極）等を形成したりすることが行われている。この配線及びバンプ等を形成する方法として、電解めっき法が知られている。電解めっきを行うめっき装置には、モータで駆動される機構が複数含まれる。このようなモータは、めっき装置の使用に伴う経年劣化等に伴い、モータ負荷率が増加することが知られている。モータ負荷率が許容値を超えた場合、モータはエラーを出して動かなくなる。これは、装置の通常稼動中に突然発生するため、それ以降の装置稼動ができなくなり、めっき処理中の基板がスクラップとなる。

めっき装置の例として、例えば特許文献１に記載されたものがある。このめっき装置では、めっき槽１０において基板Ｗに十分なイオンを供給するために、めっき液を攪拌するパドル３２を基板Ｗに隣接して配置している。パドル３２は、モータ４４の動力によって往復運動される。モータ４４が故障等によって停止すると、パドルの駆動が停止され、めっき処理中の基板がスクラップとなる。パドル以外に、めっき装置においてモータで駆動している機構としては、トランスポータの走行・昇降軸、基板着脱部における基板ホルダをロックするための回転軸などがある。

また、センサにおいても、長期間の使用によるセンサ感度の劣化や位置ズレが発生し、突如として誤検知を発生することがある。センサの誤検知が発生してエラーがでると、それ以降の装置稼動ができなくなり、めっき処理中の基板がスクラップとなる。
このようなめっき装置以外の、例えば、ＣＶＤ装置、研磨または研削装置、ダイシング装置、封止装置といった半導体製造装置でも、モータやセンサは用いられている。そして、これら半導体製造装置に設けられるモータやセンサが、基板の処理中に突発的に故障したり、エラーが発生すると、装置の運転・稼働ができなくなり、これにより、処理中の基板がスクラップとなったり、あるいは、装置の稼働率が悪化する懸念も場合によってはありうる。

特許第５１８４３０８号明細書 特開２０１６−１２７０６９号公報 特開２０１４−１６９４７５号公報

本発明の目的は、上述した課題の少なくとも一部を解決することである。

［１］ 形態１によれば、半導体製造装置が提供される。この半導体製造装置は、 第１装置と、 前記第１装置の状態を示す物理量を検出する１又は複数のセンサと、 前記検出された物理量から前記第１装置の１又は複数の特徴量を算出する第１の算出回路と、前記第１の算出回路で算出された１又は複数の特徴量を、前記第１装置が故障に至るまで
の１又は複数の特徴量の経時変化の複数のモデルデータとを比較し、前記複数のモデルデータのうち、前記算出された１又は複数の特徴量との差が最も小さいモデルデータを決定し、当該モデルデータにおいて、前記算出された１又は複数の特徴量との差が最小になる時点と、故障時点との差から故障予測時間を算出し、故障予測時間が所定の閾値未満である場合に、新規の基板の受け入れを停止する故障予知回路と、を備える。第１の算出回路及び故障予知回路は、上記処理を実行するプログラムと、そのプログラムを実行するコンピュータとによって構成できる。また、第１の算出回路及び故障予知回路は、ＡＳＩＣ、ＰＬＣ等の特定用途向け集積回路等の専用のハードウェアで構成してもよい。第１の算出回路及び故障予知回路は、これらの機能を複数の装置（複数のコンピュータ、複数の特定用途のハードウェア、または、１又は複数のコンピュータと１又は複数の特定用途のハードウェアの組み合わせ）に分割して実現してもよい。

形態１によれば、第１装置が故障に至るまでの第１装置の１又は複数の特徴量の経時変化の複数のモデルデータと、計測された１又は複数の特徴量とを比較するので、異常発生部位（異常の種類）を特定することができ、更に、故障時点の１又は複数の特徴量に対する現在の第１装置の状態（１又は複数の特徴量）が分かるので、故障までの予測時間を算出することができる。即ち、異常発生部位（異常の種類）及び故障までの予測時間を特定することができる。
また、予測時間が所定の閾値よりも小さくなった場合に、新規の基板の受け入れを停止するので、基板の処理中に第１装置が故障に至ることを防止することができる。
なお、予測時間の閾値を基板１枚の処理時間よりも大きく設定しておけば、基板の処理中に第１装置が故障に至ることを防止することができる。

［２］ 形態２によれば、形態１の半導体製造装置において、前記第１装置の正常時の１又は複数の特徴量の集合と、前記第１装置の異常時の１又は複数の特徴量の集合とに基づいた機械学習によって生成された識別回路を更に備え、 前記識別回路によって、計測した前記第１装置の１又は複数の特徴量が評価され、前記第１装置の正常、異常が判定され、 前記識別回路で異常と判定された場合に、前記故障予知回路の処理が実行される。この識別回路は、例えば、機械学習を行うプログラムと、そのプログラムを実行するコンピュータによって構成することができる。他の例では、識別回路は、ＡＳＩＣ、ＰＬＣ等の特定用途向け集積回路等の専用のハードウェアで構成することもできる。また、識別回路の機能を複数の装置（複数のコンピュータ、複数の特定用途のハードウェア、または、１又は複数のコンピュータと１又は複数の特定用途のハードウェアの組み合わせ）に分割して実現してもよい。

形態２によれば、識別回路によって第１装置の正常、異常を判定し、異常と判定した場合に故障予知回路の処理を実行するので、異常判定の精度を向上し得る。また、故障予知回路の処理を、識別回路によって異常と判定した場合に限定できるので、故障予知回路の処理を低減し得る。

［３］形態３によれば、形態２の半導体製造装置において、 前記識別回路の判定基準は、前記正常時の１又は複数の特徴量の集合及び／又は前記異常時の１又は複数の特徴量の集合が更新されることによって更新される。

形態３によれば、識別回路の判定基準を更新することにより、故障予知の精度を維持及び／又は向上することができる。

［４］形態４によれば、形態１乃至３の何れかの半導体製造装置において、 前記第１装置が故障に至るまでの１又は複数の特徴量の経時変化の複数のモデルデータを作成するモデルデータ作成回路を更に備える。

形態４によれば、外部の装置を使用することなく、半導体製造装置において複数のモデルデータを作成することが可能である。

［５］形態５によれば、形態１乃至４の何れかの半導体製造装置において、 前記第１装置はモータであり、 前記物理量は、前記モータの負荷率、振動、音、温度の少なくとも１つを含む。

形態５によれば、半導体製造装置に含まれるモータに異常が生じた場合に、故障までの予測時間を精度よく求めることができる。

［６］形態６によれば、形態５の半導体製造装置において、 前記特徴量は、前記負荷率、前記振動、前記音の波形振幅、漸近線の傾き、周波数スペクトル、オーバオール値（全平均の値、全値の平均）、波形ピーク分布の平均値、標準偏差の少なくとも１つを含む。

形態６によれば、モータに関する特徴量を適切に選択または組み合わせることによって、モータの異常の検知及び故障までの時間の算出を適切に行うことができる。

［７］形態７によれば、形態５又は６の半導体製造装置において、 前記第１装置は、パドル装置であり、 前記特徴量は、前記パドルのシャフトの変位振幅、変位速度、変位加速度、傾きの少なくとも１つを含む。

形態７によれば、パドル装置に関する特徴量を適切に選択または組み合わせることによって、パドル装置の異常の検知及び故障までの時間の算出を適切に行うことができる。

［８］形態８によれば、形態１乃至４の何れかの半導体製造装置において、前記第１装置はセンサであり、前記特徴量は、前記センサの検出遅延時間、チャタリング回数、チャタリング持続時間の少なくとも１つを含む。

形態８によれば、センサに関する特徴量を適切に選択または組み合わせることによって、センサの異常の検知及び故障までの時間の算出を適切に行うことができる。

［９］形態９によれば、半導体製造装置が提供される。この半導体製造装置は、 第１装置と、 前記第１装置の状態を示す物理量を検出する１又は複数のセンサと、 前記検出された物理量から前記第１装置の１又は複数の特徴量を算出する第１の算出回路と、 前記第１の算出回路で算出された１又は複数の特徴量の時間変化を監視し、前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、及び／又は、前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止する故障予知回路と、を備える。

形態９によれば、第１装置の特徴量が増加する時間が第１の時間を超えた場合、及び／又は、単位時間あたりの増減の回数が第１の回数を超えた場合に、新規の基板の受け入れを停止する。従って、予め故障のモデルデータを作成することなく、特徴量の時間変化を監視することによって、故障の予知を行うことができる。

［１０］形態１０によれば、形態９の半導体製造装置において、前記第１装置の正常時の１又は複数の特徴量の集合に基づいて、計測した前記第１装置の１又は複数の特徴量を評価し、前記第１装置の正常、異常を判定する識別回路を更に備え、 前記識別回路で異
常と判定された場合に、前記故障予知回路の処理が実行される。この識別回路は、例えば、所定のプログラムと、そのプログラムを実行するコンピュータによって構成することができる。他の例では、識別回路は、ＡＳＩＣ、ＰＬＣ等の特定用途向け集積回路等の専用のハードウェアで構成することもできる。また、識別回路の機能を複数の装置（複数のコンピュータ、複数の特定用途のハードウェア、または、１又は複数のコンピュータと１又は複数の特定用途のハードウェアの組み合わせ）に分割して実現してもよい。

形態１０によれば、識別回路によって第１装置の正常、異常を判定し、異常と判定した場合に故障予知回路の処理を実行するので、異常判定の精度を向上し得る。また、故障予知回路の処理を、識別回路によって異常と判定した場合に限定できるので、故障予知回路の処理を低減し得る。

［１１］形態１１によれば、形態１０に記載の半導体製造装置において、 前記識別回路の判定基準は、正常時の１又は複数の特徴量の集合が追加され、累積した正常時の１又は複数の特徴量の集合によって更新される。

形態１１によれば、日々新たに取得された正常データを追加して、累積した正常データの集合に基づいて、識別回路の判定基準を更新することができる。これにより、故障予知の精度を維持及び／又は向上することができる。

［１２］形態１２によれば、形態９乃至１１の半導体製造装置において、 前記第１装置はモータであり、 前記物理量は、前記モータの負荷率、振動、音、温度の少なくとも１つを含む。

形態１２によれば、半導体製造装置に含まれるモータの故障予知を適切に行うことができる。

［１３］ 形態１３によれば、形態１２の半導体製造装置において、 前記特徴量は、前記負荷率、前記振動、前記音の波形振幅、漸近線の傾き、周波数スペクトル、オーバオール値、波形ピーク分布の平均値、標準偏差の少なくとも１つを含む。

形態１３によれば、モータに関する特徴量を適切に選択または組み合わせることによって、モータの故障予知を適切に行うことができる。

［１４］ 形態１４によれば、形態１２又は１３の半導体製造装置において、 前記第１装置は、パドル装置であり、 前記特徴量は、前記パドルのシャフトの変位振幅、変位速度、変位加速度、傾きの少なくとも１つを含む。

形態１４によれば、パドル装置に関する特徴量を適切に選択または組み合わせることによって、パドル装置の故障予知を適切に行うことができる。

［１５］ 形態１５によれば、形態９乃至１１の何れかの半導体製造装置において、 前記第１装置はセンサであり、 前記特徴量は、前記センサの検出遅延時間、チャタリング回数、チャタリング持続時間の少なくとも１つを含む。

形態１５によれば、センサに関する特徴量を適切に選択または組み合わせることによって、センサの故障予知を適切に行うことができる。

［１６］ 形態１６によれば、半導体製造装置の故障予知方法が提供される。この故障予知方法は、 前記半導体製造装置に含まれる第１装置の状態を示す１又は複数の特徴量
を計測すること、 計測された１又は複数の特徴量を、前記第１装置が故障に至るまでの１又は複数の特徴量の経時変化の複数のモデルデータとを比較し、前記複数のモデルデータのうち、前記算出された１又は複数の特徴量との差が最も小さいモデルデータを決定すること、 当該モデルデータにおいて、前記計測された１又は複数の特徴量との差が最小になる時点と、故障時点との差から故障予測時間を算出し、故障予測時間が所定の閾値未満である場合に、新規の基板の受け入れを停止すること、を含む。形態１６によれば、形態１と同様の作用効果を奏する。

［１７］ 形態１７によれば、半導体製造装置の故障予知方法が提供される。この故障予知方法は、 前記半導体製造装置に含まれる第１装置の１又は複数の特徴量の時間変化を監視すること、 前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、あるいは、前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止すること、を含む。形態１７によれば、形態９と同様の作用効果を奏する。

［１８］ 形態１８によれば、半導体製造装置の故障予知方法をコンピュータに実行させるためのプログラムを格納した記憶媒体が提供される。このプログラムは、 前記半導体製造装置に含まれる第１装置の状態を示す１又は複数の特徴量を計測すること、 計測された１又は複数の特徴量を、前記第１装置が故障に至るまでの１又は複数の特徴量の経時変化の複数のモデルデータとを比較し、前記複数のモデルデータのうち、前記算出された１又は複数の特徴量との差が最も小さいモデルデータを決定すること、 当該モデルデータにおいて、前記計測された１又は複数の特徴量との差が最小になる時点と、故障時点との差から故障予測時間を算出し、故障予測時間が所定の閾値未満である場合に、新規の基板の受け入れを停止すること、を含む。形態１８によれば、形態１と同様の作用効果を奏する。

［１９］ 形態１９によれば、半導体製造装置の故障予知方法をコンピュータに実行させるためのプログラムを格納した記憶媒体が提供される。このプログラムは、 前記半導体製造装置に含まれる第１装置の１又は複数の特徴量の時間変化を監視すること、前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、あるいは、前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止すること、を含む。形態１９によれば、形態９と同様の作用効果を奏する。

［２０］ 形態２０によれば、 半導体工場に設置された半導体製造装置の第１装置の管理システムが提供される。 この管理システムでは、 前記第１装置は、モータ、パドル装置、パドルを駆動するモータ、またはセンサのいずれかである。管理システムは、請求項１６又は１７に記載の半導体製造装置の故障予知方法を実行し、 前記故障予知方法により算出された前記第１装置の故障予測時間、前記乖離度が増加する時間、前記乖離度が単位時間あたりに増減する回数の少なくとも１つが、前記所定の閾値、前記第１の時間、又は前記第１の回数に到達する前に、前記第１装置の発注指令信号を生成し、前記半導体工場からサポートセンターに発注指令信号を発信する。
形態２０によれば、あらかじめ半導体工場に、必要なタイミングで必要な機器の取り換え部品をストックすることができる。各機器の入荷待ちといった事態により半導体製造装置の稼働に支障が生じることを防止できる。

本発明の一実施形態に係るめっき装置の全体配置図である。 パドル装置を備えためっきセルを示す縦断側面図である。 図２に示すめっきセルのパドルを示す平面図である。 図３のＡ−Ａ断面図である。 パドル駆動装置をめっきセルと共に示す縦断正面図である。 パドルのシャフトの複数の箇所における変位の取得を説明する説明図である。 モータ負荷率の測定例である。 モータ負荷率の測定例のスペクトルである。 ピーク値の平均値、標準偏差を説明する概略図である。 ある故障イベントにおける特徴量の時間変化データの一例である。 第１実施形態に係る故障検知処理のフローチャートである。 第２実施形態に係る故障検知処理のフローチャートである。 特徴量の時間変化の計測例である。 第３実施形態に係る故障検知処理のフローチャートである。 ロボットハンドによる基板の把持の検出を説明する説明図である。 センサ出力信号のタイムチャートである。 第４実施形態に係る故障検知処理のフローチャートである。 第５実施形態に係る故障検知処理のフローチャートである。 第６実施形態に係る故障検知処理のフローチャートである。 基板着脱部における基板ホルダ着脱装置の概略側面図である。 トランスポータ及び昇降機構の概略図である。 複数の半導体製造装置を備えた半導体工場における各機器の故障予知方法の一実施形態を示す模式図である。

（めっき装置）
図１は、本発明の一実施形態に係るめっき装置の全体配置図である。図１に示すように、このめっき装置１は、基板ホルダ１１に、半導体ウェハ等の被めっき体である基板Ｗ（図２参照）をロードし、又は基板ホルダ１１から基板Ｗをアンロードするロード／アンロード部１７０Ａと、基板Ｗを処理するめっき処理部１７０Ｂとを備えている。

ロード／アンロード部１７０Ａは、２台のカセットテーブル１０２と、基板Ｗのオリフラ（オリエンテーションフラット）やノッチなどの位置を所定の方向に合わせるアライナ１０４と、めっき処理後の基板Ｗを高速回転させて乾燥させるスピンリンスドライヤ１０６とを有する。カセットテーブル１０２は、半導体ウェハ等の基板Ｗを収納したカセット１００を搭載する。スピンリンスドライヤ１０６の近くには、基板ホルダ１１を載置して基板Ｗの着脱を行う基板着脱部（フィキシングステーション）１２０が設けられている。これらのユニット：カセットテーブル１０２、アライナ１０４、スピンリンスドライヤ１０６、基板着脱部１２０の中央には、これらのユニット間で基板Ｗを搬送する搬送用ロボットからなる基板搬送装置１２２が配置されている。

基板着脱部１２０は、レール１５０に沿って横方向にスライド自在な平板状の載置プレート１５２を備えている。２個の基板ホルダ１１は、この載置プレート１５２に水平状態で並列に載置され、一方の基板ホルダ１１と基板搬送装置１２２との間で基板Ｗの受渡しが行われた後、載置プレート１５２が横方向にスライドされ、他方の基板ホルダ１１と基板搬送装置１２２との間で基板Ｗの受渡しが行われる。
なお、本出願において「基板」には、半導体基板、ガラス基板、プリント回路基板（プリント基板）だけでなく、磁気記録媒体、磁気記録センサ、ミラー、光学素子や微小機械素子、あるいは部分的に製作された集積回路を含む。また、形状は、丸形状に限定されず、例えば角形状であってもよい。

めっき装置１の処理部１７０Ｂは、ストッカ１２４と、プリウェット槽１２６と、プリ
ソーク槽１２８と、第１洗浄槽１３０ａと、ブロー槽１３２と、第２洗浄槽１３０ｂと、めっき槽１０と、を有する。ストッカ（または、ストッカ容器設置部ともいう）１２４では、基板ホルダ１１の保管及び一時仮置きが行われる。プリウェット槽１２６では、基板Ｗが純水に浸漬される。プリソーク槽１２８では、基板Ｗの表面に形成したシード層等の導電層の表面の酸化膜がエッチング除去される。第１洗浄槽１３０ａでは、プリソーク後の基板Ｗが基板ホルダ１１と共に洗浄液（純水等）で洗浄される。ブロー槽１３２では、洗浄後の基板Ｗの液切りが行われる。第２洗浄槽１３０ｂでは、めっき後の基板Ｗが基板ホルダ１１と共に洗浄液で洗浄される。ストッカ１２４、プリウェット槽１２６、プリソーク槽１２８、第１洗浄槽１３０ａ、ブロー槽１３２、第２洗浄槽１３０ｂ、及びめっき槽１０は、この順に配置されている。なお、このめっき装置１の処理部１７０Ｂの構成は一例であり、めっき装置１の処理部１７０Ｂの構成は限定されず、他の構成を採用することが可能である。

めっき槽１０は、例えば、オーバーフロー槽５１を備えた複数のめっきセル（ユニット）５０を有する。各めっきセル５０は、内部に一つの基板Ｗを収納し、内部に保持しためっき液中に基板Ｗを浸漬させて基板Ｗ表面に銅、金、銀、はんだ、ニッケルめっき等のめっき処理を行う。

ここで、めっき液の種類は、特に限られることはなく、用途に応じて様々なめっき液が用いられる。たとえば、銅めっきプロセスの場合は、通常、めっき液に、塩素を仲介として銅表面に吸着するように作用する抑制剤（界面活性剤等）、凹部めっきを促進するように作用する促進剤（有機硫黄化合物等）、及び、促進剤の析出促進効果を抑制して膜厚の平坦性を向上させるための平滑剤（４級化アミン等）とよばれる化学種を含むようにされる。

めっき液としては、Ｃｕ配線を有する基板Ｗの表面に金属膜を形成するためのＣｏＷＢ（コバルト・タングステン・ホウ素）やＣｏＷＰ（コバルト・タングステン・リン）などを含むめっき液が用いられてもよい。また、絶縁膜中にＣｕが拡散することを防止するため、Ｃｕ配線が形成される前に基板Ｗの表面や基板Ｗの凹部の表面に設けられるバリア膜を形成するためのめっき液、例えばＣｏＷＢやＴａ（タンタル）を含むめっき液が用いられてもよい。

めっき装置１は、これらの各機器（ストッカ１２４と、プリウェット槽１２６と、プリソーク槽１２８と、第１洗浄槽１３０ａと、ブロー槽１３２と、第２洗浄槽１３０ｂと、めっき槽１０、基板着脱部１２０）の側方に位置して、これらの各機器の間で基板ホルダ１１を基板Ｗとともに搬送する、例えばリニアモータ方式を採用した基板ホルダ搬送装置１４０を有する。この基板ホルダ搬送装置１４０は、第１トランスポータ１４２と、第２トランスポータ１４４を有している。第１トランスポータ１４２は、基板着脱部１２０、ストッカ１２４、プリウェット槽１２６、プリソーク槽１２８、第１洗浄槽１３０ａ、及びブロー槽１３２との間で基板Ｗを搬送するように構成される。第２トランスポータ１４４は、第１洗浄槽１３０ａ、第２洗浄槽１３０ｂ、ブロー槽１３２、及びめっき槽１０との間で基板Ｗを搬送するように構成される。他の実施形態では、第１トランスポータ１４２及び第２トランスポータ１４４は、他の組み合わせのユニット間で基板Ｗを搬送してもよい。他の実施形態では、めっき装置１は、第１トランスポータ１４２及び第２トランスポータ１４４のいずれか一方のみを備えるようにしてもよい。

各めっきセル５０には、めっきセル５０内のめっき液を攪拌するパドル装置１８０が配置されている。パドル装置１８０は、めっき液を攪拌する掻き混ぜ棒としてのパドル１８と、オーバーフロー槽５１の両側に配置されてパドル１８を駆動するパドル駆動装置１９とを備えている。

以上のように構成されるめっき処理装置を複数含むめっき処理システムは、上述した各部を制御するように構成されたコントローラ１７５を有する。コントローラ１７５は、所定のプログラムを格納したメモリ１７５Ｂと、メモリ１７５Ｂのプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１７５Ａと、ＣＰＵ１７５Ａがプログラムを実行することで実現される制御部１７５Ｃとを有する。制御部１７５Ｃの一部は、ＡＳＩＣ、ＰＬＣ等の特定用途向け集積回路等の専用のハードウェアで構成されてもよい。制御部１７５Ｃは、例えば、基板搬送装置１２２の搬送制御、基板ホルダ搬送装置１４０の搬送制御、めっき槽１０におけるめっき電流及びめっき時間の制御、並びに、各めっきセル５０に配置されるレギュレーションプレート３４の開口径及びアノードマスク（図示せず）の開口径の制御、各部の故障予知処理等を行うことができる。また、コントローラ１７５は、めっき装置１及びその他の関連装置を統括制御する図示しない上位コントローラと通信可能に構成され、上位コントローラが有するデータベースとの間でデータのやり取りをすることができる。ここで、メモリ１７５Ｂを構成する記憶媒体は、各種の設定データや、後述するめっき処理プログラム等の各種のプログラムを格納している。記憶媒体としては、コンピュータで読み取り可能なＲＯＭやＲＡＭなどのメモリや、ハードディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭやフレキシブルディスクなどのディスク状記憶媒体などの公知のものが使用され得る。

（めっきセル）
図２は、パドル装置を備えためっきセルを示す縦断側面図である。図３は、図２に示すめっきセルのパドルを示す平面図である。図４は、図３のＡ−Ａ断面図である。
同図に示すように、めっきセル５０は、内部にめっき液Ｑを有し、めっきセル５０の上方外周には、めっきセル５０の縁から溢れ出ためっき液Ｑを受け止めるオーバーフロー槽５１が備えられている。オーバーフロー槽５１の底部には、ポンプ１４を備えためっき液供給路１６の一端が接続され、めっき液供給路１６の他端は、めっきセル５０の底部に設けられためっき液供給口５０Ａに接続されている。これにより、オーバーフロー槽５１内に溜まっためっき液Ｑは、ポンプ１４の駆動に伴ってめっきセル５０内に還流される。めっき液供給路１６には、ポンプ１４の下流側に位置して、めっき液Ｑの温度を調節する恒温ユニット２０と、めっき液内の異物をフィルタリングして除去するフィルタ２２が介装されている。

めっき装置には、基板（被めっき体）Ｗを着脱自在に保持して、基板Ｗを鉛直状態でめっきセル５０内のめっき液Ｑに浸漬させる基板ホルダ１１が備えられている。めっきセル５０内において、基板ホルダ１１で保持してめっき液Ｑ中に浸漬させた基板Ｗに対向する位置には、アノード２６がアノードホルダ２８に保持されてめっき液Ｑ中に浸漬されて配置されている。アノード２６として、この例では、含リン銅が使用されている。基板Ｗとアノード２６は、めっき電源３０を介して電気的に接続され、基板Ｗとアノード２６との間に電流を流すことにより基板Ｗの表面にめっき膜（銅膜）が形成される。

基板ホルダ１１で保持してめっき液Ｑ中に浸漬させて配置した基板Ｗとアノード２６との間には、基板Ｗの表面と平行に往復運動してめっき液Ｑを攪拌するパドル１８が配置されている。パドル１８は、パドル駆動装置１９（図５）によって駆動される。このように、めっき液Ｑをパドル１８で攪拌することで、十分な銅イオンを基板Ｗの表面に均一に供給することができる。更に、パドル１８とアノード２６との間には、基板Ｗの全面に亘る電位分布をより均一にするための誘電体からなるレギュレーションプレート３４が配置されている。レギュレーションプレート３４は、筒状部３４Ａと、筒状部３４Ａの周囲に配置される矩形状の輪郭のフランジ部３４Ｂからなり、材質として、誘電体である塩化ビニールを用いている。レギュレーションプレート３４は、筒状部３４Ａの先端が基板側、フランジ部３４Ｂがアノード側になるように、めっきセル５０内に設置される。筒状部３４
Ａは、電場の拡がりを十分制限できるような開口の大きさ、及び軸心に沿った長さを有している。フランジ部３４Ｂは、アノード２６と基板Ｗとの間に形成される電場を遮蔽するように設けられている。

パドル１８は、図３及び図４に示すように、板厚ｔが一定の矩形板状部材で構成され、内部に複数の長穴１８ａを平行に設けることで、鉛直方向に延びる複数の格子部１８ｂを有するように構成されている。パドル１８の材質は、例えばチタンにテフロン（登録商標）コートを施したものである。パドル１８の垂直方向の長さＬ１及び長孔１８ａの長さ方向の寸法Ｌ２は、基板Ｗの垂直方向の寸法よりも十分に大きくなるように設定されている。また、パドル１８の横方向の長さＨは、パドル１８の往復運動の振幅（ストロークＳｔ）と合わせた長さが基板Ｗの横方向の寸法よりも十分に大きくなるように設定されている。

長穴１８ａの幅及び数は、長穴１８ａと長穴１８ａの間の格子部１８ｂが効率良くめっき液を攪拌し、長穴１８ａをめっき液が効率良く通り抜けるように、格子部１８ｂが必要な剛性を有する範囲で格子部１８ｂが可能な限り細くなるように決めることが好ましい。また、パドル１８の往復運動の両端付近でパドル１８の移動速度が遅くなる、あるいは瞬間的な停止をする際に、基板Ｗ上に電場の影（電場の影響が及ばない、もしくは電場の影が少ない箇所）を形成する影響を少なくするためにも、パドル１８の格子部１８ｂを細くすることが有利である。

この例では、図４に示すように、各格子部１８ｂの横断面が長方形になるように長穴１８ａを垂直に開けている。なお、各格子部１８ｂの横断面の形状は、長方形に限定されず、任意の形状とすることができる。格子部１８ｂの横断面の四隅に面取りを施してもよく、また、格子部１８ｂの横断面が平行四辺形になるように格子部１８ｂに角度を付けても良い。

図５は、パドル駆動装置をめっきセルと共に示す縦断正面図である。
パドル１８は、パドル１８の上端に固着したクランプ３６によって、水平方向に延びるシャフト３８に固定される。シャフト３８は、シャフト保持部４０に保持されつつ左右に摺動できるようになっている。シャフト３８の端部は、パドル１８を左右に直進往復運動させるパドル駆動装置１９に連結されている。パドル駆動装置１９は、モータ４４と、モータ４４の回転をクランク機構（図示せず）によりシャフト３８の直進往復運動に変換する駆動部４２とを備えている。この例では、パドル駆動装置１９のモータ４４の回転速度を制御することにより、パドル１８の移動速度を制御する制御部４６が備えられている。なお、駆動部４２の機構は、クランク機構だけでなく、その他の回転直動変換機構でもよい。例えば、ボールねじによりサーボモータの回転をシャフトの直進往復運動に変換するようにしたものでもよい。また、モータ４４及び駆動部４２の代わりに、リニアモータによってシャフトを直進往復運動させるようにしたものでも良い。制御部４６は、コントローラ１７５とは別の制御装置であってもよいし、コントローラ１７５の機能の一部として実現してもよい。制御部４６またはコントローラ１７５において、故障予知のプログラムが実行される。

（故障予知処理）
次に、パドル駆動装置１９のモータ４４の故障予知の処理について述べる。故障予知の処理は、コントローラ１７５、制御部４６、又は、その他のめっき装置内部又は外部に設けられるコンピュータによって実行され得る。なお、故障予知の処理を分割して、複数のコントローラ、制御部、及び／又はコンピュータを組み合わせて実行してもよい。また、故障予知の処理は、ＡＳＩＣ、ＰＬＣ等の特定用途向け集積回路等の専用のハードウェアで実行してもよいし、一部の処理を専用のハードウェアで実行してもよい。

図６は、パドルのシャフトの複数の箇所における変位の取得を説明する説明図である。図７は、モータ負荷率の測定例である。図８は、モータ負荷率の測定例のスペクトルである。図９は、ピーク値の平均値、標準偏差を説明する概略図である。

（物理量の検出）
パドル装置１８０の故障予知は、パドル装置１８０に関する各種（１又は複数）の物理量を連続的に取得することによって実行される。物理量は、モータ４４の負荷率、モータ４４の振動、モータ４４の音、モータ４４の温度、及び、シャフト３８の変位のうち、少なくとも１つを含む。モータの負荷率は、モータ４４に含まれるモータドライバ（図示せず）からの出力値によって取得する。モータの振動は、モータ４４の筐体に取り付けられた加速度センサ６１によって取得する。モータの音は、モータ４４の筐体またはモータ４４の近傍に設けたマイク６２によって取得する。なお、マイク６２の出力を図示しないＡ／Ｄ変換器によってデジタル信号に変換することが好ましい。Ａ／Ｄ変換器は、マイク６２に内蔵されるか、マイク６２の外部（例えば、制御部４６）に設けられる。モータの温度は、モータ４４の筐体またはモータ４４の近傍に設けた温度センサ６３によって取得される。シャフト３８の変位は、図６に示すように、シャフト３８の長手方向に沿って複数の箇所に設置した複数の変位センサ６４によって取得される。変位センサ６４は、例えば、光学的にシャフト３８の所定の箇所までの距離を検出する光学センサを採用することができる。各変位センサ６４は、その設置位置におけるシャフト３８の上下方向の変位を検出する。つまり、シャフト３８の長手方向と直交する方向におけるシャフト３８の変位を検出する。これらの物理量は、パドル装置１８０の運転中に常時、連続して取得される。

（特徴量の計算）
次に、パドル装置１８０に関する物理量から以下の特徴量を計算する。特徴量は、
装置の状態を示すものであり、装置に関する物理量自体又は物理量から算出される値である。
モータの負荷率は、例えば、図７に示すような測定された負荷率波形から、波形振幅、漸近線の傾き、周波数スペクトルのピーク値、オーバオール値（全平均の値、全値の平均）、波形ピーク分布の平均値、波形ピーク分布の標準偏差の少なくとも１つを、特徴量として計算する。波形振幅は、例えば、負荷率波形の上下のピーク値の差として計算する（図７）。漸近線の傾きは、例えば、負荷率の測定値を最小二乗法等によって計算した漸近線の傾きとする（図７）。周波数スペクトルのピーク値は、負荷率波形を高速フーリエ変換等で周波数変換したスペクトルにおけるピーク値として計算する（図８）。オーバオール値（全平均の値）は、周波数スペクトル値を全体にわたって平均した値として計算する（図８）。波形ピーク分布の平均値は、負荷率波形のピーク値の平均値として計算する（図９）。波形ピーク分布の標準偏差は、負荷率波形のピーク値の標準偏差として計算する（図９）。負荷率波形のピーク値の平均値、標準偏差に代えて又は加えて、周波数スペクトルのピーク値の平均値、標準偏差を求めてもよい。

モータの振動についても、上述したモータの負荷率の場合と同様に、測定された振動波形から、波形振幅、漸近線の傾き、周波数スペクトルのピーク値、周波数スペクトルのオーバオール値（全平均の値）、波形ピーク分布の平均値、波形ピーク分布の標準偏差の少なくとも１つを、特徴量として計算する。この場合、振動波形、振動波形の周波数スペクトル、及び振動波形のピーク値（及び／又は周波数スペクトルのピーク値）は、それぞれ図７、図８、図９と同様に求めることができる。

モータの音についても、上述したモータの負荷率の場合と同様に、測定された音波形から、波形振幅、漸近線の傾き、周波数スペクトルのピーク値、周波数スペクトルのオーバオール値（全平均の値）、波形ピーク分布の平均値、波形ピーク分布の標準偏差の少なく
とも１つを、特徴量として計算する。この場合、音波形、音波形の周波数スペクトル、及び音波形のピーク値（及び／又は周波数スペクトルのピーク値）は、それぞれ図７、図８、図９と同様に求めることができる。

モータの温度については、測定された温度値それ自体、および温度値の時間変化の傾きの少なくとも１つを、特徴量として計算する。

シャフト３８の変位については、変位振幅、変位速度、変位加速度、隣接する位置の変位差（シャフト傾き）の少なくとも１つを、特徴量として計算する。これらの特徴量を用いることにより、揺動中のシャフト３８の振動、歪みを検出し、故障の予兆を捉えることができる。

上述した特徴量をベクトルとして、Ｘ＝｛ｘ１、ｘ２、ｘ３、・・・｝のように定義する。例えば、モータ負荷率に関して、波形振幅をｘ１、漸近線の傾きをｘ２、周波数スペクトルのピーク値をｘ３、オーバオール値（全平均の値）をｘ４、波形ピーク分布の平均値をｘ５、波形ピーク分布の標準偏差をｘ６のように定義する。

（サポートベクタマシンによる学習）
また、上記特徴量を用いてサポートベクタマシンで機械学習を行う。なお、サポートベクタマシンは、例えば、コントローラ１７５、制御部４６及び／又は他のコンピュータ（めっき装置の内部又は外部）で実行されるプログラムとして構成することができる。

サポートベクタマシンにおける機械学習は、以下のように行われる。
（１）正常時の特徴量のサンプル、故障時の特徴量のサンプルをそれぞれ複数用意し、各々を正常データ集合、故障データ集合として定義する。
（２）定義した正常データ集合、故障データ集合を訓練サンプルとして、サポートベクタマシンでの学習により識別器を生成する。識別器は、コンピュータにおいて実行されるプログラムとして生成される。

（正常異常判定）
パドル装置１８０の運転中、新たに計測した特徴量を、サポートベクタマシンで生成された識別器によって判定する。判定の結果、特徴量（パドル装置の動作状態）が異常と判定された場合には、故障（Ｆａｕｌｔ）または警告（Ｗａｒｎｉｎｇ）のアラームを発生させる。なお、本明細書において、「故障」とは、構成機器（装置）の一部又は全部が破損し、機能が損なわれる状態と定義する。「異常」とは、機能が正常時に比較して劣化したか、又は損なわれた状態とする。つまり、「異常」の状態には、「故障」の状態も含むものとする。なお、本実施形態では、故障の手前の状況である中間故障（Ｍｉｄｄｌｅ
Ｆａｕｌｔ）という概念も用いる。なお、サポートベクタマシンで生成した識別器に代えて、正常データ集合からのマハラノビス距離を用いて正常、異常を判定してもよい。

（故障予測時間の算出）
上記サポートベクタマシンによる学習において述べた故障時の特徴量のサンプル、及び、そのときの波形データ一式を故障イベント毎に、予めデータベースへ登録しておく。つまり、故障イベント（または故障のタイプ）ごとに、正常状態から故障状態に至るまでの特徴量の経時変化を故障モデル（故障モデルデータ）として登録する。異常部位（故障のタイプ）、故障の例としては、シャフト３８の変形／破損、シャフト３８の軸受（シャフト保持部４０）の破損、モータ４４の故障、連結部故障等がある。連結部の故障は、パドル１８とシャフト３８との連結部であるクランプ３６の故障、シャフト３８と駆動部４２との連結部の故障、モータ４４と駆動部４２との連結部の故障等を含む。このデータベースは、コントローラ１７５、制御部４６、その他のコンピュータに設けられるメモリ、又
は、その他のメモリに記憶することができる。また、その故障データに関し、特徴量の変化を時系列で解析し、そのデータも併せて登録しておく。図１０は、ある故障イベントにおける特徴量の時間変化データの一例である。

上記の正常異常判定において、特徴量が異常と判定された場合に、データベースに登録された全ての故障モデルデータの各時点での特徴量ベクトルと、判定対象の現在のデータの特徴量ベクトルとの差（乖離度）を［数１］に基づいて計算する。乖離度は、例えば、マハラノビス距離とすることができる。

ここで、ｘｋは、判定対象の現在のデータの特徴量であり、ｋは特徴量の種類を示す。ｘｋを特徴量ｋとも称す。また、ｘｍｋ［ｔ］は、故障モデルｍの時刻ｔでの特徴量ｋを示す。この例では、ｋ、ｍは自然数とする。

判定対象の現在のデータの特徴量ベクトルとの乖離度が最も小さい故障モデルデータを、最も可能性の高い異常発生部位（故障モデル）と判定する。なお、乖離度が相対的に小さい故障モデルデータを複数抽出し、可能性の高い異常発生部位を複数と判定してもよい。また、判定された故障モデルにおいて、例えば、図１０の時間変化データを用いて、判定対象の現在のデータとの乖離度が最小となる時刻ｔ１と、故障発生時刻ｔｆとの差分（ｔｆ−ｔ１）から故障までの予測時間（故障予測時間）を計算する。

なお、図１０において乖離度が同値のポイントが複数ある場合には、故障までの予測時間が最小のポイントを選択する。また、判定された故障モデルデータが、複数の特徴量を含む場合は、各特徴量による故障までの予測時間うち最小の予測時間を選択する。また、故障モデルデータを複数抽出した場合には、故障までの予測時間が最小の故障モデルデータを選択する。

故障までの予測時間が下限時間未満であれば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）を発生して新規の基板を受け入れないようにし、故障までの予測時間が下限時間以上であれば、警告（Ｗａｒｎｉｎｇ）を発生して生産継続とする。下限時間は、例えば、基板１枚のめっき処理時間に所定の余裕を持たせた時間、あるいは、めっき装置に搬入されている基板全てについてめっき処理を完了できる時間に所定の余裕を持たせた時間とすることができる。

また、乖離度が相対的に小さい故障モデルデータを複数抽出し、可能性の高い異常発生部位を複数と判定する場合は、それぞれの故障モデルデータにおける故障までの予測時間の中で最小のものを選び、それを下限時間による判定に用いても良い。

ここで、故障までの予測時間は、複数の故障モデルデータ間で同時間内に同程度の累積回数だけ装置が動作する事を前提としたものであり、累積動作回数が大きく異なる場合には時間で判定する事は必ずしも妥当ではない。従って、故障までの予測時間の代わりに故障までの予測累積動作回数を判定対象としても良い。この場合には、故障モデルデータ（図１０）の横軸を経過時間に代えて、累積動作回数とする。予測時間又は予測累積動作回数の何れを採用するかは、前述のように故障に至るまでの動作状況を考慮する。累積動作回数を用いる場合には装置の動作状況を反映できる利点があり、予測時間を用いる場合には、予備品準備及び交換準備に要する時間と対比しやすいという利点があるが、動作状況、予備品準備及び交換準備に要する時間その他の状況を考慮して妥当な判断基準を選べばよい。

（フローチャート）
図１１は、第１実施形態に係る故障検知処理のフローチャートである。
ステップＳ１０では、各種センサからパドル装置に関する物理量を取得する。例えば、物理量は、例えば、モータ４４の負荷率、モータ４４の振動、モータ４４の音、モータ４４の温度、及び、シャフト３８の変位を含む。
ステップＳ１１では、各物理量の波形から特徴量を計算し、特徴量ベクトルを作成する。
ステップＳ１２、Ｓ１３では、サポートベクタマシンにより生成された識別器によって、計測された特徴量が正常であるか異常であるかを判定する。なお、サポートベクタマシンで生成した識別器に代えて、正常データ集合からのマハラノビス距離を用いて正常、異常を判定してもよい。
ステップＳ１２、Ｓ１３による判定の結果、計測された特徴量が正常である場合には、生産を継続する（ステップＳ１４）。一方、計測された特徴量が異常である場合には、ステップＳ１５に処理を進める。

ステップＳ１５では、計測された特徴量を、故障データベースの各故障モデルのデータと照合し、最も乖離度の小さい故障モデルデータを特定する。また、その故障モデルの時系列データの解析結果（図１０）を用いて、故障までの予測時間（ｔｆ−ｔ１）を計算する。なお、乖離度が相対的に小さい故障モデルデータを複数抽出し、可能性の高い異常発生部位を複数と判定してもよい。
また、図１０において乖離度が同値のポイントが複数ある場合には、故障までの予測時間が最小のポイントを選択する。また、判定された故障モデルデータが、複数の特徴量を含む場合は、各特徴量による故障までの予測時間うち最小の予測時間を選択する。また、故障モデルデータを複数抽出した場合には、故障までの予測時間が最小の故障モデルデータを選択する。

ステップＳ１６では、予測時間が下限時間以上であるか否かを判定する。予測時間が下限時間以上であれば、ステップＳ１７に処理を進める。なお、ステップＳ１５において、複数の故障モデルデータを抽出した場合には、それぞれの故障までの予測時間の中で最小のものを選び、それを下限時間判定に用いても良い。なお、上述したように、故障までの予測時間の代わりに故障までの予測累積動作回数を判定対象としても良い。この場合、ステップＳ１５、Ｓ１６の「予測時間」に代えて、「予測累積動作回数」を算出し（Ｓ１５）、予め設定した下限回数と比較する（Ｓ１６）。

ステップＳ１７では、警告（Ｗａｒｎｉｎｇ）を発生する。警告（Ｗａｒｎｉｎｇ）は、ディスプレイへの表示、警報音等によってなされる。この場合、めっき装置における生産は継続される（ステップＳ１８）。

ステップＳ１６において、予測時間が下限時間未満であると判定されると、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが発生される（ステップＳ１９）。中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームは、ディスプレイへの表示、警報音等によってなされる。
この場合、判定対象となる特徴量の物理量を取得したセンサを含むユニットを使用する区画（この例では、めっきセル５０）に、新規のめっき前の基板を投入せずに生産を継続する（ステップＳ２０）。そして、生産する基板がなくなった時点で、めっき装置の稼動を停止させ（ステップＳ２１）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが出たユニットをメンテナンスする（ステップＳ２２）。

なお、この例では、予測時間が下限時間以上であるか否かに応じて、警告（Ｗａｒｎｉ
ｎｇ）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）の２段階のアラームを発生するが、３段階以上のアラームを発生するようにしてもよい。例えば、予測時間が第２の下限時間（＜上記の下限時間）未満である場合には、故障（Ｆａｕｌｔ）のアラームを発生し、即時に装置を停止するようにしてもよい。

また、サポートベクタマシンの判定基準を随時更新してもよい。例えば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）が出たユニットをメンテナンスした結果、実際には当該ユニットに異常がなかった場合に、サポートベクタマシンの判定基準を更新してもよい。また、その他のタイミング（定期、不定期）で更新してもよい。サポートベクタマシンの判定基準の更新方法としては、例えば、正常データ集合、故障データ集合の各データを見直して削除、または新規取得する等により更新することができる。

（第２実施形態）
（フローチャート）
図１２は、第２実施形態に係る故障検知処理のフローチャートである。本実施形態では、サポートベクタマシンによる機械学習（図１１のＳ１２）を行わない。図１２のフローチャートでは、図１１のＳ１２、Ｓ１３の処理がＳ３２、Ｓ３３の処理に置き換えられている以外は、第１実施形態のフローチャートと同様である。
ステップＳ３０では、各種センサからパドル装置に関する物理量を取得する。例えば、物理量は、例えば、モータ４４の負荷率、モータ４４の振動、モータ４４の音、モータ４４の温度、及び、シャフト３８の変位を含む。
ステップＳ３１では、各物理量の波形から特徴量を計算し、特徴量ベクトルを作成する。
ステップＳ３２、Ｓ３３では、計測された特徴量を、予め準備されている正常データ集合、故障データ集合と照合し、計測された特徴量と乖離度が最小のデータ集合（正常データ集合、故障データ集合）を検索する。この乖離度の計算には、例えば、マハラノビス距離を用いることができる。その結果、計測された特徴量からの乖離度が最小のデータ集合が、正常データ集合である場合には、生産を継続する（ステップＳ３４）。一方、計測された特徴量からの乖離度が最小のデータ集合が、故障データ集合である場合には、ステップＳ３５に処理を進める。

ステップＳ３５では、最も乖離度の小さい故障モデルを特定する。具体的には、ステップＳ３２、Ｓ３３で乖離度が最小とされた故障モデルを選択する。また、その故障モデルの時系列データの解析結果（図１０）を用いて、故障までの予測時間（ｔｆ−ｔ１）を計算する。

ステップＳ３６では、予測時間が下限時間以上であるか否かを判定する。予測時間が下限時間以上であれば、ステップＳ３７に処理を進める。なお、上述したように、故障までの予測時間の代わりに故障までの予測累積動作回数を判定対象としても良い。この場合、ステップＳ３５、Ｓ３６の「予測時間」に代えて、「予測累積動作回数」を算出し（Ｓ３５）、予め設定した下限回数と比較する（Ｓ３６）。

ステップＳ３７では、警告（Ｗａｒｎｉｎｇ）を発生する。警告（Ｗａｒｎｉｎｇ）は、ディスプレイへの表示、警報音等によってなされる。この場合、めっき装置における生産は継続される（ステップＳ３８）。

ステップＳ３６において、予測時間が下限時間未満であると判定されると、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが発生される（ステップＳ３９）。中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームは、ディスプレイへの表示、警報音等によってなされる。
この場合、判定対象となる特徴量の物理量を取得したセンサを含むユニットを使用する区画（この例では、めっきセル５０）に、新規のめっき前の基板を投入せずに生産を継続する（ステップＳ４０）。そして、生産する基板がなくなった時点で、めっき装置の稼動を停止させ（ステップＳ４１）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが出たユニットをメンテナンスする（ステップＳ４２）。

なお、この例では、予測時間が下限時間以上であるか否かに応じて、警告（Ｗａｒｎｉｎｇ）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）の２段階のアラームを発生するが、３段階以上のアラームを発生するようにしてもよい。例えば、予測時間が第２の下限時間未満である場合には、故障（Ｆａｕｌｔ）のアラームを発生し、即時に装置を停止するようにしてもよい。

また、判定基準（Ｓ３６の下限時間）を随時更新してもよい。例えば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）が出たユニットをメンテナンスした結果、実際には当該ユニットに異常がなかった場合に、判定基準（Ｓ３６の下限時間）を更新してもよい。その他のタイミング（定期、不定期）で更新してもよい。 判定基準（Ｓ３６の下限時間）の更新方法としては、例えば、正常データ集合、故障データ集合の各データを見直して削除、または新規取得する等により更新することができる。

（第３実施形態）
上記実施形態では、予め登録した複数の故障モデルとの比較に基づいて、故障部位、故障までの予測時間を決定したが、本実施形態では、特徴量の正常データ集合からの乖離度の変化に基づいて故障予知を行う。

図１３は、特徴量の時間変化の計測例である。同図において、横軸は、運転時間を示し、縦軸は、特徴量を示す。本実施形態では、計測される特徴量が、正常時の特徴量から乖離し、その乖離度が増加傾向にある場合に異常と判定する。具体的には、正常時の特徴量のサンプル、及び、そのときの波形データ一式を、正常データ集合として、予めデータベースへ登録しておく。そして、データベースに登録された全ての正常データの特徴量ベクトルと、判定対象の現在データの特徴量ベクトルとの乖離度を計算する。その乖離度が増加傾向にあることを検出したとき、その継続時間が上限時間を超えた場合に、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームを発生し、継続時間が上限値未満の場合には、警告（Ｗａｒｎｉｎｇ）とする。なお、乖離度が、離散的に急激な増加、減少を繰り返す場合には、継続時間の代わりに乖離度増加頻度に対して、上限値（上限頻度）を適用してもよい。例えば、乖離度増加頻度が上限頻度を超えた場合に中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームを発生し、乖離度増加頻度が上限頻度未満の場合には、警告（Ｗａｒｎｉｎｇ）とする。なお、乖離度が増加傾向にあることの検出は、ある時間間隔で乖離度の値を移動平均で近似しながら監視することで検出することができる。例えば、最小二乗法の傾きを求め、最小二乗法による傾きが正であれば増加していると判断する。また、正常データが複数ある場合には、全ての正常データからの乖離度が増加傾向にある継続時間（又は乖離度増加頻度）が上限値を超えた場合、又は、全ての正常データからの乖離度増加頻度が上限値を超えた場合に、中間故障のアラームを発生するようにしてもよい。

図１４は、第３実施形態に係る故障検知処理のフローチャートである。
ステップＳ５０では、各種センサからパドル装置に関する物理量を取得する。例えば、物理量は、例えば、モータ４４の負荷率、モータ４４の振動、モータ４４の音、モータ４４の温度、及び、シャフト３８の変位を含む。
ステップＳ５１では、各物理量の波形から特徴量を計算し、特徴量ベクトルを作成する。
ステップＳ５２では、計測された特徴量（特徴量ベクトル）を、予め準備されている正
常データ集合と照合し、計測された特徴量と正常データ集合との乖離度、及び／又は、乖離度の増減率を計算する。
ステップＳ５３では、計測された特徴量の正常データ集合からの乖離度（又は、乖離度の増減率）が、予め設定された上限値以上か否かを判定する。乖離度（又は、乖離度の増減率）が上限値未満であると判定された場合には、生産を継続する（ステップＳ５４）。一方、乖離度（又は、乖離度の増減率）が上限値以上であると判定された場合には、ステップＳ５５に処理を進める。

ステップＳ５５では、乖離度の増減率の時間変化に基づいて、乖離度が増加している（乖離度が増加傾向にある）継続時間が上限時間未満か否かを判定する。乖離度増加の継続時間が上限時間未満であると判定された場合には、ステップＳ５６に処理を進める。なお、正常データが複数ある場合には、全ての正常データからの乖離度（又は、乖離度の増減率）が増加傾向にある継続時間が上限時間未満か否かを判定するようにしてもよい。

ステップＳ５６では、警告（Ｗａｒｎｉｎｇ）を発生する。警告（Ｗａｒｎｉｎｇ）は、ディスプレイへの表示、警報音等によってなされる。この場合、めっき装置における生産は継続される（ステップＳ５７）。

ステップＳ５５において、乖離度増加の継続時間が上限時間以上であると判定されると、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームを発生する（ステップＳ５８）。中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームは、ディスプレイへの表示、警報音等によってなされる。
この場合、判定対象となる特徴量の物理量を取得したセンサを含むユニットを使用する区画（この例では、めっきセル５０）に、新規のめっき前の基板を投入せずに生産を継続する（ステップＳ５９）。そして、生産する基板がなくなった時点で、めっき装置の稼動を停止させ（ステップＳ６０）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが出たユニットをメンテナンスする（ステップＳ６１）。

なお、この例では、乖離度増大の継続時間が上限値時間以上であるか否かに応じて、警告（Ｗａｒｎｉｎｇ）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）の２段階のアラームを発生するが、３段階以上のアラームを発生するようにしてもよい。例えば、乖離度増大の継続時間が第２の上限値時間（＞上記の上限値時間）以上である場合には、故障（Ｆａｕｌｔ）のアラームを発生し、即時に装置を停止するようにしてもよい。

また、乖離度の上限値（Ｓ５３）及び上限時間（Ｓ５５）を随時更新してもよい。例えば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）が出たユニットをメンテナンスした結果、実際には当該ユニットに異常がなかった場合に、乖離度の上限値（Ｓ５３）及び上限時間（Ｓ５５）を更新してもよい。また、その他のタイミング（定期、不定期）で更新してもよい。
乖離度の上限値（Ｓ５３）設定、更新する方法の例としては、多数の正常データサンプルから算出された特徴量の分布を正規分布と想定して標準偏差（σ）値を計算し、σ値（或いは２〜３σ値）に基づいた上限値を設定することができる。 具体的には、複数の正常データサンプルから算出される各々の特徴量平均値と、（平均±σ）に対応する特徴量の値を用いて、平均値に対する（平均±σ）値の乖離度（数１）を算出し、それを上限値として設定する事ができる。 また日々新たに取得された正常データサンプルを加え、累積した正常データサンプル集合から上限値を更新することができる。

（第４実施形態）
図１５は、ロボットハンドによる基板の把持の検出を説明する説明図である。図１６は、センサ出力信号のタイムチャートである。
ロボットハンド１２３は、例えば、基板搬送装置１２２の搬送ロボットのロボットハンドである。このロボットハンド１２３は、モータ等を含む駆動装置１２５によって、旋回／直進移動、上下移動、及び、把持動作を行う。ロボットハンド１２３は、基板Ｗを把持したことを検出するセンサ１２９（例えば、光学センサ）備え、ロボットハンド１２３が基板Ｗを挟持したとき（図１５（ｃ））に、センサ出力信号として検出信号を発生する（図１６）。基板Ｗの把持は、ロボットハンド１２３の２つの爪部１２３ａで基板Ｗを挟むようにして行われる。爪部１２３ａは、エアシリンダ、モータ等の動力によって互いに接近離間するように駆動される。

ロボットハンド１２３によって基板Ｗの把持を行う場合、先ず、ロボットハンド１２３が基板Ｗの上方に移動される（図１５（ａ））。次に、ロボットハンド１２３は、その２つの爪部１２３ａが開いた状態で２つの爪部１２３ａの間に基板Ｗが位置するまで、下降される（図１５（ｂ））。その後、ロボットハンド１２３の爪部１２３ａが互いに接近するように移動して基板Ｗを挟んで把持する（図１５（ｃ））。このとき、センサ１２９によって、基板Ｗの把持が検出される。

ここで、図１６を参照しつつ、センサ１２９が正常な場合と異常な場合の出力信号の特性を説明する。同図において、横軸は時間、縦軸はセンサ出力信号である。時刻ｔ０は、ロボットハンド１２３の爪部１２３ａを駆動するエアシリンダ、モータ等の動力源への駆動信号から認識される爪部１２３ａによる基板Ｗの把持のタイミングである。この駆動信号は、例えば、コントローラ１７５によって把握される。

センサ１２９が正常な場合、図１６中の曲線Ｉに示すように、時刻ｔ０において、ロボットハンド１２３の爪部１２３が基板Ｗを把持し、それと同時に、センサ１２９からも検出信号が出力される。センサ１２９に異常が発生した場合、曲線ＩＩのようにセンサ１２９からの検出信号にチャタリングが生じたり、曲線ＩＩＩのように検出信号が発生する時刻ｔ１が時刻ｔ０よりも遅れる。なお、センサの異常には、センサの感度劣化及び調整不良を含み、センサの感度劣化または調整不良の場合に異常と判定する。

以下に、センサの故障予知の処理を説明する。先ず、センサ１２９の動作波形（図１６）をセンサ動作時に限定して取得する（物理量の検出）。次に、センサ動作波形から、センサＯＮ遅延時間、チャタリングＯＮ／ＯＦＦ回数、ＯＮ／ＯＦＦ持続時間の少なくとも１つを、特徴量として計算する（特徴量の計算）。ここでは、センサによる検出信号の発生をセンサＯＮと表現する。センサＯＮ遅延時間は、図１６におけるｔ０−ｔ１に相当する時間である。チャタリングＯＮ／ＯＦＦ回数は、図１６の曲線ＩＩのようにセンサ出力信号がＯＮに安定するまでにＯＦＦに切り替わる回数を示す。ＯＮ／ＯＦＦ持続時間は、図１６の曲線ＩＩのようにセンサ出力信号がＯＮ／ＯＦＦを繰り返す時間である。

（サポートベクタマシンによる学習）
また、上記特徴量（センサＯＮ遅延時間、チャタリングＯＮ／ＯＦＦ回数、ＯＮ／ＯＦＦ持続時間の少なくとも１つ）を用いてサポートベクタマシンで機械学習を行う。なお、サポートベクタマシンは、例えば、コントローラ１７５、制御部４６及び／又は他のコンピュータ（めっき装置の内部又は外部）で実行されるプログラムとして構成することができる。

サポートベクタマシンにおける機械学習は、以下のように行われる。
（１）正常時の特徴量のサンプル、故障時の特徴量のサンプルをそれぞれ複数用意し、各々を正常データ集合、故障データ集合として定義する。
（２）定義した正常データ集合、故障データ集合を訓練サンプルとして、サポートベクタマシンでの学習により識別器を生成する。識別器は、コンピュータにおいて実行される
プログラムとして生成される。

（正常異常判定）
ロボットハンド１２３の把持動作時において、新たに計測した特徴量を、サポートベクタマシンで生成された識別器によって判定する。判定の結果、特徴量（センサ１２９の動作状態）が異常と判定された場合には、故障（Ｆａｕｌｔ）または警告（Ｗａｒｎｉｎｇ）のアラームを発生させる。なお、本明細書において、「故障」とは、構成機器（装置）の一部又は全部が破損し、機能が損なわれる状態と定義する。「異常」とは、機能が正常時に比較して劣化したか、又は損なわれた状態とする。つまり、「異常」の状態には、「故障」の状態も含むものとする。なお、本実施形態では、故障の手前の状況である中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）という概念も用いる。なお、サポートベクタマシンで生成した識別器に代えて、正常データ集合からのマハラノビス距離を用いて正常、異常を判定してもよい。

（故障予測時間の算出）
上記サポートベクタマシンによる学習において述べた故障時の特徴量のサンプル、及び、そのときの波形データ一式を故障イベント毎に、予めデータベースへ登録しておく。つまり、故障イベント（または故障のタイプ）ごとに、正常状態から故障状態に至るまでの特徴量の経時変化を故障モデル（故障モデルデータ）として登録する。このデータベースは、コントローラ１７５、制御部４６、その他のコンピュータに設けられるメモリ、又は、その他のメモリに記憶することができる。また、その故障データに関し、特徴量の変化を時系列で解析し、そのデータも併せて登録しておく。また、その故障データに関し、特徴量の変化を時系列で解析し、そのデータ（図１０参照）も併せて登録しておく。

上記の正常異常判定において、特徴量が異常と判定された場合に、データベースに登録された全ての故障モデルデータの各時点での特徴量ベクトルと、判定対象の現在のデータの特徴量ベクトルとの差（乖離度）を、前述した［数１］に基づいて計算する。乖離度は、例えば、マハラノビス距離とすることができる。

判定対象の現在のデータの特徴量ベクトルとの乖離度が最も小さい故障モデルデータを、最も可能性の高い異常発生部位（故障モデル）と判定する。なお乖離度が相対的に小さい故障モデルデータを複数抽出し、可能性の高い異常発生部位を複数と判定してもよい。また、判定された故障モデルにおいて、例えば、図１０の時間変化データを用いて、判定対象の現在のデータとの乖離度が最小となる時刻ｔ１と、故障発生時刻ｔｆとの差分（ｔｆ−ｔ１）から故障までの予測時間を計算する。

なお、図１０において乖離度が同値のポイントが複数ある場合には、故障までの予測時間が最小のポイントを選択する。また、判定された故障モデルデータが、複数の特徴量を含む場合は、各特徴量による故障までの予測時間うち最小の予測時間を選択する。また、故障モデルデータを複数抽出した場合には、故障までの予測時間が最小の故障モデルデータを選択する。

故障までの予測時間が下限時間未満であれば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）を発生して新規の基板を受け入れないようにし、故障までの予測時間が下限時間以上であれば、警告（Ｗａｒｎｉｎｇ）を発生して生産継続とする。下限時間は、例えば、基板１枚のめっき処理時間に所定の余裕を持たせた時間、あるいは、めっき装置に搬入されている基板全てについてめっき処理を完了できる時間に所定の余裕を持たせた時間とすることができる。また、乖離度が相対的に小さい故障モデルデータを複数抽出し、可能性の高い異常発生部位を複数と判定する場合は、それぞれの故障モデルデータにおける故障までの予測時間の中で最小のものを選択する。なお、上述したように、故障までの予測時間の代
わりに又は加えて、故障までの予測累積動作回数を計算し、予測時間及び／又は予測累積動作回数を通知するようにしてもよい。

（フローチャート）
図１７は、第４実施形態に係る故障検知処理のフローチャートである。
ステップＳ７０では、センサの動作波形をセンサ動作時に限定して取得する。
ステップＳ７１では、センサの動作波形から、センサＯＮ遅延時間、チャタリングＯＮ／ＯＦＦ回数、ＯＮ／ＯＦＦ持続時間の少なくとも１つを、特徴量として計算し、特徴量ベクトルを作成する。
ステップＳ７２、Ｓ７３では、サポートベクタマシンにより生成された識別器によって、計測された特徴量が正常であるか異常であるかを判定する。なお、サポートベクタマシンで生成した識別器に代えて、正常データ集合からのマハラノビス距離を用いて正常、異常を判定してもよい。
ステップＳ７２、Ｓ７３による判定の結果、計測された特徴量が正常である場合には、生産を継続する（ステップＳ７４）。一方、計測された特徴量が異常である場合には、ステップＳ７５に処理を進める。

ステップＳ７５では、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）アラームを発生し、ステップＳ７６に処理を進める。中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームは、ディスプレイへの表示、警報音等によってなされる。

ステップＳ７６では、計測された特徴量を、故障データベースに予め登録されている各故障モデルのデータと照合し、最も乖離度の小さい故障モデルを特定する。なお乖離度が相対的に小さい故障モデルデータを複数抽出し、可能性の高い異常発生部位を複数と判定してもよい。また、その故障モデルの時系列データの解析結果（図１０）を用いて、故障までの予測時間を計算し、通知する。予測時間の通知は、ディスプレイへの表示、音声での通知により行われる。図１０において乖離度が同値のポイントが複数ある場合には、故障までの予測時間が最小のポイントを選択する。また、判定された故障モデルデータが、複数の特徴量を含む場合は、各特徴量による故障までの予測時間うち最小の予測時間を選択する。また、故障モデルデータを複数抽出した場合には、故障までの予測時間が最小の故障モデルデータを選択する。なお、故障までの予測時間の代わりに又は加えて、故障までの予測累積動作回数を計算し、予測時間及び／又は予測累積動作回数を通知するようにしてもよい。

また、判定対象となる特徴量の物理量を取得したセンサを含むユニットを使用する区画（この例では、基板搬送装置１２２）に、新規のめっき前の基板を投入せずに生産を継続する（ステップＳ７７）。そして、生産する基板がなくなった時点で、めっき装置の稼動を停止させ（ステップＳ７８）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが出たユニットをメンテナンスする（ステップＳ７９）。

なお、ここでは、めっき装置の基板搬送装置１２２のロボットハンドのセンサを例に挙げたが、他のロボットハンドのセンサ、ロボット以外の任意のセンサにも適用可能である。

（第５実施形態）
（フローチャート）
図１８は、第５実施形態に係る故障検知処理のフローチャートである。
ステップＳ９０では、センサの動作波形をセンサ動作時に限定して取得する。
ステップＳ９１では、センサの動作波形から、センサＯＮ遅延時間、チャタリングＯＮ／ＯＦＦ回数、ＯＮ／ＯＦＦ持続時間の少なくとも１つを、特徴量として計算し、特徴量
ベクトルを作成する。
ステップＳ９２では、計測された特徴量を、予め準備されている正常データ集合、故障データ集合と照合し、計測された特徴量と乖離度が最小のデータ集合（正常データ集合、故障データ集合）を検索する。この乖離度の計算には、例えば、マハラノビス距離を用いることができる。最も乖離度の小さい故障データ集合（故障部位）を特定し、その故障モデルの時系列データの解析結果（図１０）を用いて、故障までの予測時間（ｔｆ−ｔ１）を計算する。
ステップＳ９３では、乖離度が最小のデータ集合が、正常データ集合である場合には、生産を継続する（ステップＳ９４）。一方、乖離度が最小のデータ集合が、故障データ集合である場合には、ステップＳ９５に処理を進める。
ステップＳ９５では、ステップＳ９２で算出した故障までの予測時間が下限時間以上であるか否かが判定される。予測時間が下限時間以上である場合には、警告（Ｗａｒｎｉｎｇ）を発生し（ステップＳ９６）、生産を継続する（ステップＳ９７）。
一方、ステップＳ９５において、予測時間が下限時間未満であれば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームを発生する（ステップＳ９８）。なお、上述したように、故障までの予測時間の代わりに故障までの予測累積動作回数を判定対象としても良い。この場合、ステップＳ９２、Ｓ９５の「予測時間」に代えて、「予測累積動作回数」を算出し（Ｓ９２）、予め設定した下限回数と比較する（Ｓ９５）。中間故障（Ｍｉｄｄｌｅ
Ｆａｕｌｔ）のアラームは、ディスプレイへの表示、警報音等によってなされる。
この場合、当該センサを含むユニットを使用する区画（この例では、基板搬送装置１２２）に、新規のめっき前の基板を投入せずに生産を継続する（ステップＳ９９）。そして、生産する基板がなくなった時点で、めっき装置の稼動を停止させ（ステップＳ１００）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが出たユニットをメンテナンスする（ステップＳ１０１）。

なお、この例では、予測時間が下限時間以上であるか否かに応じて、警告（Ｗａｒｎｉｎｇ）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）の２段階のアラームを発生するが、３段階以上のアラームを発生するようにしてもよい。例えば、予測時間が第２の下限時間（＜上記の下限時間）未満である場合には、故障（Ｆａｕｌｔ）のアラームを発生し、即時に装置を停止するようにしてもよい。

また、判定基準（Ｓ３６の下限時間）を随時更新してもよい。例えば、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）が出たユニットをメンテナンスした結果、実際には当該ユニットに異常がなかった場合に、判定基準（Ｓ９５の下限時間）を更新してもよい。その他のタイミング（定期、不定期）で更新してもよい。 判定基準（Ｓ９５の下限時間）の更新方法としては、例えば、正常データ集合、故障データ集合の各データを見直して削除、または新規取得する等により更新することができる。

（第６実施形態）
図１９は、第６実施形態に係る故障検知処理のフローチャートである。
ステップＳ１１０では、センサの動作波形をセンサ動作時に限定して取得する。
ステップＳ１１１では、センサの動作波形から、センサＯＮ遅延時間、チャタリングＯＮ／ＯＦＦ回数、ＯＮ／ＯＦＦ持続時間の少なくとも１つを、特徴量として計算し、特徴量ベクトルを作成する。
ステップＳ１１２では、計測された特徴量（特徴量ベクトル）を、予め準備されている正常データ集合と照合し、計測された特徴量と正常データ集合との乖離度、及び／又は、乖離度の増減率を計算する。
ステップＳ１１３では、計測された特徴量の正常データ集合からの乖離度（又は、乖離度の増減率）が、予め設定された上限値以上か否かを判定する。乖離度（又は、乖離度の増減率）が上限値未満であると判定された場合には、生産を継続する（ステップＳ１１４
）。一方、乖離度（又は、乖離度の増減率）が上限値以上であると判定された場合には、ステップＳ１１５に処理を進める。

ステップＳ１１５では、乖離度の増減率の時間変化に基づいて、乖離度が増加している（乖離度が増加傾向にある）継続時間が上限時間未満か否かを判定する。乖離度増加の継続時間が上限時間未満であると判定された場合には、ステップＳ１１６に処理を進める。なお、正常データが複数ある場合には、全ての正常データからの乖離度（又は、乖離度の増減率）が増加傾向にある継続時間が上限時間未満か否かを判定するようにしてもよい。
ステップＳ１１６では、警告（Ｗａｒｎｉｎｇ）を発生する。警告（Ｗａｒｎｉｎｇ）は、ディスプレイへの表示、警報音等によってなされる。この場合、めっき装置における生産は継続される（ステップＳ１１７）。

ステップＳ１１５において、乖離度増加の継続時間が上限時間以上であると判定されると、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームを発生する（ステップＳ１１８）。中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームは、ディスプレイへの表示、警報音等によってなされる。
この場合、センサを含むユニットを使用する区画（この例では、基板搬送装置１２２）に、新規のめっき前の基板を投入せずに生産を継続する（ステップＳ１１９）。そして、生産する基板がなくなった時点で、めっき装置の稼動を停止させ（ステップＳ１２０）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）のアラームが出たユニットをメンテナンスする（ステップＳ１２１）。

なお、この例では、乖離度増大の継続時間が上限値時間以上であるか否かに応じて、警告（Ｗａｒｎｉｎｇ）、中間故障（Ｍｉｄｄｌｅ Ｆａｕｌｔ）の２段階のアラームを発生するが、３段階以上のアラームを発生するようにしてもよい。例えば、乖離度増大の継続時間が第２の上限値時間（＞上記の上限値時間）以上である場合には、故障（Ｆａｕｌｔ）のアラームを発生し、即時に装置を停止するようにしてもよい。

また、第３実施形態において上述したように、乖離度の上限値（Ｓ１１３）及び上限時間（Ｓ１１５）を随時更新してもよい。

（他の実施形態）
上記実施形態では、故障検知処理をめっき装置のパドル装置１８０に適用したが、上記実施形態は、めっき装置及び他の半導体製造装置の各部の構成（駆動部、センサを含む）に対して適用することができる。例えば、図１の基板着脱部（フィキシングステーション）１２０に含まれるモータやセンサ、基板ホルダ搬送装置１４０等のトランスポータを駆動するアクチュエータのモータに対して適用することができる。基板着脱部１２０の例としては、特開２０１６−１２７０６９号公報に記載されたものがある。トランスポータの例としては、特開２０１４−１６９４７５号公報に記載されたものがある。

図２０は、基板着脱部１２０における基板ホルダ着脱装置３００の概略側面図である。基板ホルダ着脱装置３００は、基板ホルダ１１の第１保持部材（図示せず）に基板を載置した状態で、第２保持部材（図示せず）を第１保持部材にロックさせて、基板ホルダ１１に基板を保持させるための装置である。基板ホルダ着脱装置３００は、軸方向に移動可能であり且つ回転可能に構成された軸３０２と、軸３０２に固定される円盤３０４と、円盤３０４の下面に固定された円盤３０４よりも大径の円盤３０６と、を有する。円盤３０６の下面には、基板ホルダ１１の第２保持部材に設けられたリング状の押え部（図示せず）を回転させるための複数のホルダロックピン３１０ａ，３１０ｂが設けられる。軸３０２がモータ３１２によって回転されることによって、ホルダロックピン３１０ａ、３１０ｂが回転し、基板ホルダ１１の第２保持部材のリング状の押え部が回転され、第２保持部材
の押え部が第２保持部材のクランパに係合されて、この結果、第１及び第２保持部材がロックされる。この基板ホルダ着脱装置３００のモータ３１２に対して、上述の各実施形態の故障予知処理を適用することができる。また、軸３０２を軸方向に移動させせる直動機構、基板着脱部１２０に含まれる各種センサに対しても、上述の各実施形態の故障予知処理を適用することができる。

図２１は、トランスポータ及び昇降機構の概略図である。第１のトランスポータ１４２には、図示しない走行用のアクチュエータ及び昇降用のアクチュエータが連結または取り付けられている。第１トランスポータ１４２は、これらのアクチュエータによってめっき槽内を水平に移動し、アーム１−１０４を昇降させる。アクチュエータは、例えば、モータ、及びボールねじ等の回転直動変換機構からなる。このようなトランスポータを移動させるアクチュエータに対して、上述の各実施形態の故障予知処理を適用することができる。また、第１トランスポータ１４２は、図２１に示すように、アーム１−１０４を備え、アーム１−１０４には把持機構１−１１０が設けられている。把持機構１−１１０は、基板ホルダ１１のハンドレバー１−９２を前後方向から挟んで基板ホルダ１１を把持する一対のチャック爪１−１０６と、該チャック爪１０６を互いに近接及び離間する方向に移動させるアクチュエータ１−１０８とを有する。このようなアクチュエータ１−１０８に対して、上述の各実施形態の故障予知処理を適用することができる。

第１洗浄槽１３０ａには、槽の両側に立設した一対のアクチュエータ１−１１２を有する固定リフタ１−１１４が設けられている。各アクチュエータ１−１１２には、アクチュエータに沿って昇降する昇降アーム１−１１６が連結されている。昇降アーム１−１１６は、アクチュエータ１−１１２に内蔵されるモータ、及びボールねじ等の回転直動機構によって上下する。この昇降アーム１−１１６には、上方に開口した縦断面矩形状の受台１−１１８が固定されている。基板Ｗを保持した基板ホルダ１１は、そのホルダハンガの第１段部１−９０が受台１−１１８に挿入されることによって固定リフタ１−１１４に支持される。さらに、基板ホルダ１１は、アクチュエータ１−１１２によって昇降する。このようなアクチュエータ１−１１２に対して、上述の各実施形態の故障予知処理を適用することができる。なお、他のユニット（プリウェット槽１２６、プリソーク槽１２８、ブロー槽１３２、第２洗浄槽１３０ｂ）も、同様の機構を備え得る。

図２２は、複数の半導体製造装置を備えた半導体工場におけるそれぞれの半導体製造装置のモータ・センサ等の各機器の故障予知方法の一実施形態を示す模式図である。
半導体製造装置は、例えば、めっき装置（上述）、研磨装置、その他の半導体製造装置である。図２２には、２台の半導体製造装置１−１０００、２−１０００を例示する。半導体製造装置の数は、１台であっても、３台以上であってもよい。半導体製造装置１−１０００、２−１０００は、上述したコントローラ１７５と同様のコントローラ１−１７５、２−１７５を備えている。

本実施形態においては、半導体製造装置１−１０００、２−１０００のトランスポータやフィキシングステーションなどのモータ、センサが発した上述した信号は、コントローラ１−１７５、２−１７５に送られ、コントローラ１−１７５、２−１７５又はコンピュータ１−１９０、２−１９０において、センサやモータ等の各機器の故障検知が行われる。また、半導体製造装置自身の動作データ（センサ測定データ、サーボモータの負荷データなど）を、コントローラ１−１７５、２−１７５に所定時間間隔ごとに、あるいは定常的に送信する。制御部１７５Ｃの一部は、ＡＳＩＣ、ＰＬＣ等の特定用途向け集積回路等の専用のハードウェアで構成してもよい。コントローラ１−１７５、２−１７５は、上述した動作データから特徴量データを抽出することで、解析が容易なデータへと変換する。このようにすることでデータ容量を圧縮し、その後に、半導体製造装置の故障を予測するように機能する。さらに、コントローラ１−１７５、２−１７５は、半導体製造装置内又
は半導体製造装置の近くに配置されている。

あるいは、このコントローラ１−１７５、２−１７５において、解析が容易なデータへと変換したあと、変換されたデータを逐次あるいは定期的に、コントローラ１−１７５、２−１７５から半導体工場サーバー１００１に、有線又は無線（例えばＬＡＮ）を介して送信するようにしてもよい。あるいは、コントローラ１−１７５、２−１７５は、一般的な通信機器を備えたコンピュータ１−１９０、２−１９０と、コンピュータ１−１９０、２−１９０に接続されたクラウド（図示せず）を介して半導体工場サーバー１００１に無線通信で接続されていてもよい。そして、半導体工場サーバー１００１において、コントオーラ又はコンピュータから受信したデータをもとに、半導体製造装置１−１０００、２−１０００のセンサやモータ等の各機器の故障を予測するようにしてもよい。

また、オペレータから、算定された半導体製造装置１−１０００、２−１０００のセンサやモータ等の各機器の故障予測時期に基づいて、半導体製造装置メーカーのサポートセンター１００２に直接指令を出してもよい。あるいは、算定された半導体製造装置のセンサやモータ等の各機器の故障予測時点に対して所定の期間前になったことをトリガーとして、故障が予測されたモータ、センサ等の部品の発注指令を、半導体工場サーバー１００１から半導体製造装置メーカーのサポートセンター１００２に自動的に発信させて、半導体工場の倉庫内にあらかじめ必要な点数だけ配送させるようにしてもよい。すなわち、上記した半導体製造装置１−１０００、２−１０００のセンサやモータ等の各機器の故障予知方法を用いて、モータ、パドル装置、パドルを駆動するモータ、またはセンサといった各装置・部品の故障予測時間を算出し、この算出された故障予測時間に基づいて、あらかじめ所定の時間が到来する前（例えば、１週間前など）に、これら各装置・部品の発注指令信号を生成して、半導体工場からサポートセンター１００２に発注指令信号を発信するようにしてもよい。発注指令信号は、コントローラ１−１７５、２−１７５、コントローラ１−１７５、２−１７５、又は、半導体工場サーバー１００１において生成される。このようにすれば、あらかじめ半導体工場に必要なタイミングで必要な機器の取り換え部品をストックすることができる。各機器の入荷待ちといった事態により半導体製造装置の稼働に支障が生じることを防止できる。

図２２とは異なる別の実施態様として、上記のコントローラ１−１７５、２−１７５において、解析が容易なデータへと変換したあと、この変換されたデータを、コントローラ１−１７５、２−１７５と、コンピュータ１−１９０、２−１９０を介して、逐次あるいは定期的に、半導体工場サーバー１００１を介してまたは直接に、半導体製造装置メーカーのサポートセンター１００２に送信するようにしてもよい。そして、半導体製造装置メーカーのサポートセンター１００２において、受信したデータをもとに、半導体製造装置１−１０００、２−１０００のセンサやモータ等の各機器の故障を予測するようにしてもよい。

なお、これらは単なる例示であり、上記実施形態の故障予知処理は、半導体製造装置その他の装置に含まれる駆動部、センサ等の故障予知に適用することが可能である。

以上、いくつかの例に基づいて本発明の実施形態について説明してきたが、上記した発明の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得るとともに、本発明には、その均等物が含まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲、または、効果の少なくとも一部を奏する範囲において、特許請求の範囲および明細書に記載された各構成要素の任意の組み合わせ、または、省略が可能である。

１０…槽
１１…基板ホルダ
１４…ポンプ
１６…液供給路
１８…パドル
１９…パドル駆動装置
２０…恒温ユニット
２２…フィルタ
２６…アノード
２８…アノードホルダ
３０…電源
３２…パドル
３４…レギュレーションプレート
３６…クランプ
３８…シャフト
４０…シャフト保持部
４２…駆動部
４４…モータ
４６…制御部
５０…セル
５１…オーバーフロー槽
６１…加速度センサ
６２…マイク
６３…温度センサ
６４…変位センサ
１００…カセット
１０２…カセットテーブル
１０４…アライナ
１０６…スピンリンスドライヤ
１０６…該チャック爪
１２０…基板着脱部
１２２…基板搬送装置
１２３…ロボットハンド
１２３…爪部
１２４…ストッカ
１２４…センサ
１２５…駆動装置
１２６…プリウェット槽
１２８…プリソーク槽
１３２…ブロー槽
１４０…基板ホルダ搬送装置
１４２…第１トランスポータ
１４４…第２トランスポータ
１５０…レール
１５２…載置プレート
１７５…コントローラ
１８０…パドル装置
１８ａ…長穴
１８ａ…長孔
１８ｂ…格子部
１８ｂ…各格子部
３００…基板ホルダ着脱装置
３０２…軸
３０４…円盤
３０６…円盤
３１２…モータ
３４Ａ…筒状部
３４Ｂ…フランジ部
５０Ａ…液供給口
１２３ａ…爪部
１３０ａ…第１洗浄槽
１３０ｂ…第２洗浄槽
１７０Ａ…アンロード部
１７０Ｂ…処理部
１７５Ｂ…メモリ
１７５Ｃ…制御部
３１０ａ…ホルダロックピン
１−１０００、２−１０００…半導体製造装置
１−１７５、２−１７５…コントローラ
１−１９０、２−１９０…コンピュータ
１００１…半導体工場サーバー
１００２…サポートセンター

Claims (8)

1. 半導体製造装置であって、
   第１装置と、
   前記第１装置で検出された前記第１装置の状態を示す物理量に基づいて前記第１装置の状態を示す１又は複数の特徴量を計測する第１の計測回路であり、前記第１装置で検出された物理量自体を特徴量として、又は、前記第１装置で検出された物理量から算出して、各特徴量を計測する第１の計測回路と、
   前記計測された特徴量の正常時のデータ集合からの乖離度の大きさに基づいて判定することにより、前記第１装置の正常、異常を判定する異常判定回路と、
   前記第１の計測回路で算出された１又は複数の特徴量の時間変化を監視し、前記第１装置の異常が判定された場合において、前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、及び／又は、前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止する故障予知回路と、
   を備える半導体製造装置。
2. 請求項１の何れかに記載の半導体製造装置において、
   前記第１装置はモータであり、
   前記物理量は、前記モータの負荷率、振動、音、温度の少なくとも１つを含む、半導体製造装置。
3. 請求項２に記載の半導体製造装置において、
   前記特徴量は、前記負荷率、前記振動、及び／又は前記音の、波形振幅、波形の漸近線の傾き、周波数スペクトル、オーバオール値、波形ピーク分布の平均値、波形ピーク分布の標準偏差の少なくとも１つを含む、半導体製造装置。
4. 請求項２又は３に記載の半導体製造装置において、
   前記第１装置は、パドルを駆動するモータであり、
   前記特徴量は、前記パドルのシャフトの変位振幅、変位速度、変位加速度、傾きの少なくとも１つを含む、半導体製造装置。
5. 請求項１に記載の半導体製造装置において、
   前記第１装置はセンサであり、
   前記特徴量は、前記センサの検出遅延時間、チャタリング回数、チャタリング持続時間の少なくとも１つを含む、半導体製造装置。
6. 半導体製造装置の故障予知方法であって、
   前記半導体製造装置に含まれる第１装置で検出された前記第１装置の状態を示す物理量に基づいて前記第１装置の状態を示す１又は複数の特徴量を計測することであり、前記第１装置で検出された物理量自体を特徴量として、又は、前記第１装置で検出された物理量から算出して、各特徴量を計測すること、及び各特徴量の時間変化を監視すること、
   前記計測された特徴量の正常時のデータ集合からの乖離度の大きさに基づいて判定することにより、前記第１装置の正常、異常を判定すること、
   前記第１装置の異常が判定された場合において、前記計測される前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、あるいは、前記計測される前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止すること、
   を含む、半導体製造装置の故障予知方法。
7. 半導体製造装置の故障予知方法をコンピュータに実行させるためのプログラムを格納した記憶媒体であって、
   前記半導体製造装置に含まれる第１装置で検出された前記第１装置の状態を示す物理量に基づいて前記第１装置の状態を示す１又は複数の特徴を計測することであり、前記第１装置で検出された物理量自体を特徴量として、又は、前記第１装置で検出された物理量から算出して、各特徴量を計測すること、及び各特徴量の時間変化を監視すること、
   前記計測された特徴量の正常時のデータ集合からの乖離度の大きさに基づいて判定することにより、前記第１装置の正常、異常を判定すること、
   前記第１装置の異常が判定された場合において、前記計測される前記１又は複数の特徴量の正常時の特徴量からの乖離度が増加する時間が第１の時間を超えた場合、あるいは、前記計測される前記１又は複数の特徴量の正常時の特徴量からの乖離度が単位時間あたりに増減する回数が第１の回数を超えた場合に、新規の基板の受け入れを停止すること、
   をコンピュータに実行させるためのプログラムを格納した記憶媒体。
8. 半導体工場に設置された半導体製造装置の第１装置の管理システムであって、
   前記第１装置は、モータ、パドル装置、パドルを駆動するモータ、またはセンサのいずれかであり、
   請求項６に記載の半導体製造装置の故障予知方法を実行し、
   前記故障予知方法により算出された乖離度が増加する時間、乖離度が単位時間あたりに増減する回数の少なくとも１つが、前記第１の時間、又は前記第１の回数に到達する前に、前記第１装置の発注指令信号を生成し、前記半導体工場からサポートセンターに発注指令信号を発信する、
   半導体製造装置の第１装置の管理システム。

Images