JP2021140428A - 情報処理装置、監視方法、プログラムおよび物品製造方法 - Google Patents

Abstract

【課題】監視対象の異常の発生をより高い精度で検出するために有利な技術を提供する。【解決手段】情報処理装置は、複数のセンサを有する監視対象から前記複数のセンサのそれぞれの出力値の変化を示す複数の時系列データを取得する取得部（Ｓ３０２）と、前記複数の時系列データにおける複数の期間の各々から前記複数の時系列データの相互の関係を示す１つのモデルを生成することにより、前記複数の期間にそれぞれ対応する複数のモデルを生成するモデル生成部と（Ｓ３０４）、前記複数のモデルと前記複数の時系列データとに基づいて前記監視対象の異常を検出する検出部と、を備える。【選択図】図６

Description

本発明は、情報処理装置、監視方法、プログラムおよび物品製造方法に関する。

特許文献１には、プラントに配置された機器の故障予兆を監視する方法が記載されている。この方法では、プラント内に配置された各機器の挙動を計測するセンサにより測定された測定データに基づいて該機器の故障予兆を監視する故障予兆監視装置が使用される。故障予兆監視装置は、プラントの起動工程における運転内容に基づいて、起動工程内を複数の期間に区切っておき、測定データに基づいて、各期間が終了する毎に挙動状態の妥当性について確認することにより、各機器の故障予兆箇所を表示する。また、故障予兆監視装置は、各期間における挙動状態が妥当であると確認した場合に、次の期間に移行する。

特開２０１７−０２１７０２号公報

故障予兆の監視するために、ある期間における複数のセンサのそれぞれの出力値の変化を示す複数の時系列データに基づいて、複数の時系列データの相互の関係を示すモデルが生成されうる。該モデルの出力値と該モデルに対応するセンサの出力値との差分が閾値を超えることは、異常（故障の兆候、または、故障）の発生を示唆する。

上記のようなモデルが何らかの理由によって不適切である場合、実際には異常が発生していても、該不適切なモデルの出力値とセンサの出力値とが近似していれば、異常の発生を検出することができない。しかし、モデルが不適切であるかどうかを検証することは容易ではない。また、異常が検出された場合においても、そのモデルが適切である保証はない。

本発明は、監視対象の異常の発生をより高い精度で検出するために有利な技術を提供することを目的とする。

本発明の１つの側面は、情報処理装置に係り、前記情報処理装置は、複数のセンサを有する監視対象から前記複数のセンサのそれぞれの出力値の変化を示す複数の時系列データを取得する取得部と、前記複数の時系列データにおける複数の期間の各々から前記複数の時系列データの相互の関係を示す１つのモデルを生成することにより、前記複数の期間にそれぞれ対応する複数のモデルを生成するモデル生成部と、前記複数のモデルと前記複数の時系列データとに基づいて前記監視対象の異常を検出する検出部と、を備える。

本発明によれば、監視対象の異常の発生をより高い精度で検出するために有利な技術が提供される。

実施形態の情報処理装置の構成を例示する図。 監視対象と情報処理装置との関係を例示する図。 実施形態の情報処理装置の構成を例示する図。 監視対象としての基板処理装置の構成を例示する図。 監視対象としての温調システムを例示する図。 情報処理装置の動作を例示する図。 温度センサの出力値を例示する図。 情報処理装置の動作を例示する図。 情報処理装置の動作を例示する図。 実施形態による異常の検出を例示する図。 比較例による異常の検出を例示する図。

以下、添付図面を参照して実施形態を詳しく説明する。尚、以下の実施形態は特許請求の範囲に係る発明を限定するものではない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。

図１には、実施形態の情報処理装置１００の構成例が示されている。情報処理装置１００は、監視対象１５０の状態を監視する監視装置として、あるいは、監視対象１５０の状態を監視する監視方法を実行する装置として動作しうる。情報処理装置１００は、プログラムを格納するメモリと、該プログラムに基づいて動作するプロセッサとを備えるコンピュータによって構成されうる。プログラムは、メモリ媒体に格納して運搬されうる。あるいは、プログラムは、ネットワーク等の通信路を介して転送されうる。情報処理装置１００は、単一のコンピュータによって構成されてもよいし、ネットワーク等の通信路を介して相互に接続された複数のコンピュータによって構成されてもよいし、他の形態により構成されてもよい。一例において、情報処理装置１００は、ＣＰＵ１０１と、ＲＯＭ１０２と、ＲＡＭ１０３と、補助記憶装置１０４と、入力装置１０５と、表示装置１０６と、通信装置１０７と、バス１０８とを含みうる。

ＣＰＵ１０１は、ＲＯＭ１０２に格納されたプログラムに基づいて動作し、情報処理装置１００の機能を規定しうる。ＣＰＵ１０１は、バス１０８を介してＲＯＭ１０２、ＲＡＭ１０３、補助記憶装置１０４、入力装置１０５、表示装置１０６および通信装置１０７と通信し、および、これらのデバイスを制御しうる。ＲＡＭ１０３は、例えば、データの一時的な記憶に利用されうる。補助記憶装置１０４は、１または複数のメモリデバイスによって構成される不揮発性の記憶装置でありうる。ＣＰＵ１０１を制御するプログラムは、補助記憶装置１０４に格納されてもよい。メモリデバイスは、例えば、ＨＤＤ（ハードディスクドライブ）、メモリディスクおよび／またはメモリカードを含みうる。

入力装置１０５は、キーボード、ポインティングデバイス、スキャナ等を含みうる。表示装置１０６は、液晶モニタ、有機ＥＬモニタ等を含みうる。通信装置１０７は、外部装置と通信する機能を有する。通信装置１０７は、ネットワーク等の通信路を介して監視対象１５０と通信しうる。通信装置１０７は、例えば、監視対象１５０が有する複数のセンサ１５１のそれぞれの出力値の変化を示す複数の時系列データを監視対象１５０から取得あるいは受信しうる。監視対象１５０は、物品を製造するための製造装置、例えば、基板処理装置でありうる。該基板処理装置は、例えば、露光装置、インプリント装置等のパターン形成装置あるいはリソグラフィー装置でありうる。

図２（ａ）に例示されるように、１つの監視対象１５０に対して、それを監視する１つの情報処理装置１００が設けられうる。あるいは、図２（ｂ）に示されるように、複数の監視対象１５０に対して、それらを監視する１つの情報処理装置１００が設けられうる。あるいは、図示されていないが、監視対象１５０に対して情報処理装置１００が組み込まれてもよい。

図３には、情報処理装置１００の他の観点での構成例が記載されている。情報処理装置１００は、取得部１２１、モデル生成部１２２および検出部１２３を備えうる。取得部１２１は、複数のセンサ１５１を有する監視対象１５０から複数のセンサ１５１のそれぞれの出力値の変化を示す複数の時系列データを取得するように構成されうる。モデル生成部１２２は、該複数の時系列データにおける複数の期間の各々から、該複数の時系列データの相互の関係を示す１つのモデルを生成することにより、該複数の期間に対応する複数のモデルを生成しうる。検出部１２３は、該複数のモデルと該複数の時系列データとに基づいて監視対象１５０の異常を検出しうる。情報処理装置１００は、該複数のモデルから、監視対象１５０の異常を検出するために使用しないモデルを除外する除外部１２４を更に備えてもよい。情報処理装置１００は、検出部１２３が監視対象１５０の異常を検出したことを報知する報知部１２５を更に備えてもよい。

取得部１２１は、監視対象１５０からエラーの発生を示すエラー情報を取得し、モデル生成部１２２は、エラーが発生していない期間において上記の複数の期間を決定しうる。監視対象１５０は、エラーの発生を検出するエラー検出機能を有することができ、エラー情報は、該エラー検出機能によって提供されうる。エラーが発生していない期間において上記の複数の期間を決定することによって、不適切な時系列データに基づいてモデルが生成されることを防止することができる。

モデル生成部１２２は、互いに部分的に重複する期間を有するように上記の複数の期間を決定してもよい。これは、複数のモデルを生成するための要する期間を短くするために有利である。

除外部１２４は、複数のモデルから、監視対象１５０の異常を検出するために使用しないモデルを除外するように構成されうる。除外部１２４は、例えば、モデル生成部１２２によるモデルの生成時からの経過時間に基づいて、除外すべきモデルを決定しうる。例えば、除外部１２４は、モデル生成部１２２によるモデルの生成時からの経過時間が所定時間を超えたモデルを、除外すべきモデルとして決定しうる。除外部１２４がない場合、モデルの個数は増大し続ける。また、除外部１２４がない場合、古いモデルが異常の検出に影響を与えるので、監視対象１５０および／またはセンサの経時変化に対する敏感性が低下しうる。

検出部１２３は、複数のセンサの各々について、センサの出力値とモデルによって与えられる出力値との差分を計算しうる。この場合において、検出部１２３は、該差分を処理して得られる値が所定値を超える場合に、監視対象１５０における異常の発生を検出しうる。

除外部１２４は、例えば、異常の発生が検出された出力値を発生した頻度が所定頻度を超えるモデルを、除外すべきモデルとして決定することができる。除外部１２４は、例えば、複数の期間のうち時間経過順に並んだ少なくとも３つの期間にそれぞれ対応する少なくとも３つのモデルを使って異常の発生が検出された頻度に基づいて、該少なくとも３つのモデルから、除外すべきモデルを決定してもよい。例えば、除外部１２４は、少なくとも３つのモデルを使って異常の発生が検出された頻度に基づいて閾値を決定することができる。そして、除外部１２４は、該少なくとも３つのモデルを使って異常の発生が検出された頻度のうち該閾値を超える頻度を発生したモデルを、除外すべきモデルとして決定しうる。

除外部１２４は、既に存在するモデルのそれぞれを使って計算される異常値に基づいて決定される閾値に基づいて、以後にモデル生成部１２２によって生成されるモデルを除外すべきかどうかを決定してもよい。

検出部１２３は、複数のモデルのそれぞれを使って計算される複数の差分（センサの出力値とモデルが発生した出力値との差分）に対して重み付けを行いながら評価値を計算し、該評価値に基づいて監視対象１５０の状態を検出してもよい。検出部１２３は、モデル生成部１２２によるモデルの生成時からの経過時間に基づいて重み付けを行ってもよい。検出部１２３は、該経過時間が長いモデルほど重みを小さくしうる。あるいは、検出部１２３は、該経過時間が短いモデルほど重みを小さくしうる。

報知部１２５は、検出部１２３が監視対象１５０の異常を検出したことを報知するように構成されうる。このような報知は、監視対象１５０の迅速な保守に有利である。

情報処理装置１００は、取得部１２１、モデル生成部１２２および検出部１２３にそれぞれ対応する取得工程、モデル生成工程および検出工程を含む方法を実行する装置として理解することができる。該方法は、除外部１２４に対応する除外方法および／または報知部１２５に対応する報知工程を更に含んでもよい。

図４には、基板処理装置、より具体的には露光装置１０として構成された監視対象１５０が例示的に示されている。露光装置１０は、光源を含む光源ユニット１を備えうる。光源は、例えば、高圧水銀ランプまたはエキシマレーザ等でありうる。光源がエキシマレーザの場合は、光源ユニット１は、露光装置１０のチャンバの外に配置される場合があるが、該チャンバの内部に配置されてもよい。

露光装置１０は、照明系２、原版ステージ３、投影光学系５、基板ステージ６を備えうる。照明系２は、光源ユニット１からの光を使って、原版ステージ３によって保持された原版Ｒを照明しうる。照明光学系２は、照明された原版Ｒのパターンを基板Ｓに投影しうる。基板ステージ６は、基板Ｓを保持する基板チャック７を有しうる。基板ステージ６は、基板チャック７によって基板Ｓが保持された状態で移動することによって基板Ｓを位置決めしうる。露光装置１０は、ステップアンドリピート方式で基板Ｓを露光するように構成されてもよいし、ステップアンドスキャン方式で基板Ｓを露光するように構成されてもよい。

露光装置１０には、例えば、複数の基板Ｓを保持した基板カセット１２が提供されうる。露光装置１０は、プリアライナ９を備えることができる。露光装置１０は、不図示のロボットを備えることができ、該ロボットは、基板カセット１２から基板Ｓを取り出して、プリアライナ９に搬送しうる。プリアライナ９は、基板Ｓのプリアライメント（方向および位置のアライメント）を実施しうる。プリアライナ９によってプリアライメントされた基板Ｓは、該ロボットによって基板ステージ６の基板チャック７に搬送されうる。

露光装置１０には、他の装置が接続されてもよい。他の装置は、塗布現像装置でありうる。塗布現像装置によってレジストが塗布された基板Ｓが露光装置１０に搬入され、露光装置１０によって露光された基板Ｓが塗布現像装置に搬出され、塗布現像装置によって現像されうる。

露光装置１０は、その動作を制御する制御部１１を備えうる。制御部１１は、光源ユニット、照明系２、原版ステージ３、投影光学系５、基板ステージ６、プリアライナ９等を制御しうる。制御部１１は、情報処理装置１００（の通信装置１０７）と通信しうる。図４には、示されていないが、露光装置１０は、複数のセンサを備えていて、制御部１１は、複数のセンサのそれぞれの出力値の変化を示す複数の時系列データを情報処理装置１００（の通信装置１０７）に送信あるいは提供しうる。該複数の時系列データは、他の装置を介して情報処理装置１００（の通信装置１０７）に送信あるいは提供されてもよい。

図５には、図４の露光装置１０に組み込まれた温調システム３００の構成が例示されている。温調システム３００は、監視対象の１５０の一例である。図５において、太線の矢印は冷媒の流れを示し、細線の矢印は情報の流れを示している。温調システム３００は、例えば、第１ブロック３０１と、第２ブロック３０２とを含みうる。第２ブロック３０２には、複数の温調対象４１６〜４１９が配置されうる。複数の温調対象４１６〜４１９は、例えば、光源１、照明光学系２、原版ステージ３、投影光学系５、基板ステージ６を含みうる。第１ブロック３０１は、冷媒を温調して、温調された冷媒を第２ブロック３０２に供給しうる。第１ブロック３０１において温調された冷媒は、第２ブロック３０２において１又は複数のユニットから熱を奪いながら該１又は複数のユニットを温調し、その後、第１ブロック３０１に戻りうる。

第１ブロック３０１は、例えば、温調ユニット４０１、温調ユニット４０２、温度センサ４０１Ｓ、温度センサ４０２、制御ユニット４０１Ｃおよび制御ユニット４０２Ｃを含みうる。温調ユニット４０１は、冷媒の温度を目標温度まで低下させて温調ユニット４０２に供給しうる。制御ユニット４０１Ｃは、温度センサ４０１Ｓによって測定された温度に応じて、冷媒の温度が目標温度に一致するように制御量を決定し、該制御量に応じて温調ユニット４０１を動作させうる。温調ユニット４０２は、冷媒の温度を第２ブロック３０２が許容する温度範囲内に調整して第２ブロック３０２に供給しうる。制御ユニット４０２Ｃは、温度センサ４０２Ｓによって測定された温度に応じて、冷媒の温度を第２ブロック３０２が許容する温度範囲内に収まるように制御量を決定し、該制御量に応じて温調ユニット４０２を動作させうる。

第２ブロック３０２では、温調対象４１６〜４１９のそれぞれが目標温度範囲内に収まるように温調ユニット４１２〜４１５によって冷媒の温度が調整されうる。制御ユニット４１２Ｃは、温度センサ４１２Ｓ１および４１２Ｓ２で測定された温度に応じて温調対象４１６が目標温度範囲内に収まるように制御量を決定し、該制御量に応じて温調ユニット４１２を動作させうる。制御ユニット４１３Ｃは、温度センサ４１３Ｓ１および４１３Ｓ２で測定された温度に応じて温調対象４１７が目標温度範囲内に収まるように制御量を決定し、該制御量に応じて温調ユニット４１３を動作させうる。

制御ユニット４１１Ｃは、温度センサ４１１Ｓで測定された温度、および、制御ユニット４１４Ｃ、４１５Ｃからの情報に応じて、冷媒の温度が目標温度範囲内に収まるように制御量を決定し、該制御量に応じて温調ユニット４１１を動作させうる。制御ユニット４１４Ｃは、温度センサ４１４Ｓ１および４１４Ｓ２で測定された温度に応じて温調対象４１８が目標温度範囲内に収まるように制御量を決定し、該制御量に応じて温調ユニット４１４を動作させうる。制御ユニット４１５Ｃは、温度センサ４１５Ｓ１および４１５Ｓ２で測定された温度に応じて温調対象４１９が目標温度範囲内に収まるように制御量を決定し、該制御量に応じて温調ユニット４１５を動作させうる。

温調ユニット４０１、４０２、４１２〜４１５、熱交換による加熱・冷却ユニットであってもよい。他の観点において、温調ユニット４０１は、冷却ユニットであり、温調ユニット４０２、４１２〜４１５は、加熱ユニットでありうる。冷媒は、液体であってもよいし、気体であってもよい。

図５に示された温調システム３００では、温調対象の温度が制御され、センサとして温度センサ４０１Ｓ、４０２Ｓ、４１１Ｓ〜４１５Ｓ２が設けられている。しかし、温調システム３００は、温度以外の情報を測定するセンサ（例えば、流量センサ、圧力センサ、加速度センサ、位置センサ）を含んでもよい。また、露光装置１０には、温度以外のパラメータに関して制御対象を制御する制御システムが組み込まれてもよい。

ここで、モデル生成部１２２によって生成されるモデルを例示的に説明する。ここでは、簡単化のために、図５に例示された温調システムにおいて、時刻ｔにおける２つの温度センサ（例えば、温度センサ４０１Ｓ、４０２Ｓ）の出力値をａ_ｔ、ｂ_ｔとする。該２つの温度センサの出力値ａ_ｔ、ｂ_ｔの関係は、（１）式で与えられるモデル（関数）で定義されうる。

ｂ_ｔ＝ｆ（ａ_ｔ）
・・・（１）式
モデルｆは、例えば、２つの温度センサによって測定された測定データに基づいて、最小二乗法等によって決定される回帰式でありうる。あるいは、モデルｆは、例えば、機械学習を用いて生成される学習モデルであってもよい。例えば、モデルｆは、ニューラルネットワークを含むモデルでありうる。ニューラルネットワークとは、入力層、中間層、出力層といった多層のネットワーク構造を有するモデルである。入力データとしてのａ_ｔと教師データとしてのｂ_ｔとの関係を示す学習データを用いて、誤差逆伝播法等のアルゴリズムに従ってニューラルネットワーク内部の結合重み付け係数等が最適化されることにより、学習モデルを取得することができる。誤差逆伝播法は、出力データと教師データとの差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。また、モデルｆは、ニューラルネットワークを含むモデルではなく、例えば、ＳＶＭ（サポートベクタマシーン）を含む学習モデルであってもよい。

センサＳ_ｉの出力値（以下、予測出力値）ｘ_ｉｊを与えるモデルｆ_ｉｊ（ｘ_ｊ）は、センサＳ_ｊの出力値(以下、測定出力値)ｘ_ｊの関数として、（２）式で与えられうる。ここで、ｉは１〜Ｎの整数であり、Ｎはセンサの個数である。ｊは、１〜Ｎのうちｉ以外の整数である。

ｘ_ｉｊ＝ｆ_ｉｊ（ｘ_ｊ） ・・・（２）式
ここで、（２）式は、以下のような数式群を意味しうる。

ｘ_１２＝ｆ_１２（ｘ_２）
ｘ_１３＝ｆ_１３（ｘ_３）
ｘ_１４＝ｆ_１４（ｘ_４）
・
・
・
ｘ_１Ｎ＝ｆ_１Ｎ（ｘ_Ｎ）
ｘ_２１＝ｆ_２１（ｘ_１）
ｘ_２３＝ｆ_２３（ｘ_３）
ｘ_２４＝ｆ_２４（ｘ_４）
・
・
・
図６には、モデルの生成に関する情報処理装置１００の動作が例示的に示されている。ステップＳ３０１では、情報処理装置１００は、取得部１２１により、複数のセンサを有する監視対象１５０から該複数のセンサのそれぞれの出力値を示す複数のデータを取得する。ステップＳ３０２では、情報処理装置１００は、ステップＳ３０１で取得された複数のデータを補助記憶装置１０４の保存領域に保存する。ここで、ステップＳ３０１およびＳ３０２で構成される処理単位が複数回にわたって実行されることによって、補助記憶装置１０４の保存領域には、複数のセンサの出力値の変化を示す複数の時系列データが保存されることになる。各時系列データは、１つのセンサの出力値を時系列に並べたデータで構成される。ステップＳ３０３では、情報処理装置１００は、補助記憶装置１０４の保存領域に保存された時系列データがモデルの作成のために必要な量に達したかどうかを判断する。そして、情報処理装置１００は、補助記憶装置１０４の保存領域に保存された時系列データがモデルの作成のために必要な量に達した場合にはステップＳ３０４に進み、そうでなければステップＳ３０１に戻る。

ステップＳ３０４では、情報処理装置１００は、モデル生成部１２２により、補助記憶装置１０４の保存領域に保存された時系列データに基づいて複数のモデルｆ_ｉｊ（ｘ_ｊ）を生成する。ここで、モデル生成部１２２は、複数の時系列データにおける複数の期間の各々から該複数の時系列データの相互の関係を示す１つのモデルを生成することにより、該複数の期間にそれぞれ対応する複数のモデルｆ_ｉｊ（ｘ_ｊ）を生成する。ステップＳ３０５では、情報処理装置１００は、ステップＳ３０４においてモデル生成部１２２によって生成された複数のモデルｆ_ｉｊ（ｘ_ｊ）を補助記憶装置１０４の保存領域に保存する。

図７（ａ）には、温度センサ４０１Ｓの出力値の変化が例示されている。図７（ｂ）には、温度センサ４０２Ｓの出力値の変化が例示されている。図７（ａ）、（ｂ）において、横軸は時刻を示し、縦軸は温度センサ４０１Ｓ、４０２Ｓの出力値（温度を示す値）を示している。期間Ｐ_１〜Ｐ_５は、複数のモデルを生成するための期間である。１つの期間Ｐ_１は、１つのモデルを生成するための期間であり、１つの期間Ｐ_２は、１つのモデルを生成するための期間であり、１つの期間Ｐ_３は、１つのモデルを生成するための期間である。また、１つの期間Ｐ_４は、１つのモデルを生成するための期間であり、１つの期間Ｐ_５は、１つのモデルを生成するための期間である。

一例において、１つのモデルを生成するために必要な出力値（データ）は、５秒間隔で測定された５日分の出力値である。この例では、期間Ｐ_１〜Ｐ_５は、それぞれ５日間の期間である。期間Ｐ_１〜Ｐ_５は、互いに部分的に重複する期間を有するように決定されてもよい。例えば、各モデルを生成するために必要な出力値（データ）が５日分の出力値であるとすれば、期間Ｐ_１〜Ｐ_５を互いに重複させなければ２５日分の計測データが必要になるが、１日分の出力値を互いに重複させれば、２１日分の出力値で足りる。

図８には、モデルを使った予測に関する情報処理装置１００の動作が例示的に示されている。図８に示す処理は、検出部１２３によって実行されうる。ステップＳ４０１では、情報処理装置１００は、図７に例示される処理によって生成されたモデルが１個以上存在するかどうかを判断し、該モデルが１個以上存在する場合はステップＳ４０２に進み、そうでなければ図８に示す処理を終了する。

ステップＳ４０２では、取得部１２１によって新たに取得されたセンサの出力値に適用していないモデル（未適用のモデル）が存在するかどうかを判断し、該モデルが存在する場合はステップＳ４０３に進み、そうでなければ図８に示す処理を終了する。ここで、取得部１２１によって新たに取得されたセンサの出力値は、モデルの生成後に取得部１２１によって取得されたセンサの出力値である。また、取得部１２１によって新たに取得されたセンサの出力値に適用していないモデルが存在しないことは、該出力値に対して適用可能な全てのモデルが既に該出力値に対して適用されたことを意味する。

ステップＳ４０４では、情報処理装置１００は、補助記憶装置１０４の保存領域から未適用のモデルを読み出して、その未適用のモデルが有効であるかどうかを判断する。そして、情報処理装置１００は、その未適用のモデルが有効である場合にはステップＳ４０５に進み、そうでなければ図８に示す処理を終了する。この判断は、例えば、モデルが生成されてからの経過時間に基づいて行うことができ、例えば、モデルが生成されてからの経過時間が所定時間を超えた場合に該モデルは有効でないと判断することができる。

ステップＳ４０５では、情報処理装置１００は、ステップＳ４０３で読み出したモデルｆ_ｉｊ（ｘ_ｊ）を使って予測出力値ｘ_ｉｊを計算する。次いで、ステップＳ４０６では、情報処理装置１００は、ステップＳ４０５で計算した予測出力値ｘ_ｉｊが有効であるかどうかを判断する。具体的には、情報処理装置１００は、例えば、予測出力値ｘ_ｉｊと測定出力値ｘ_ｉとの差分または比率が閾値を超えている場合に予測出力値ｘ_ｉｊが有効ではないと判断することができる。ステップＳ４０５で計算した予測出力値ｘ_ｉｊが有効ではない場合、情報処理装置１００は、ステップＳ４０２に戻る。一方、ステップＳ４０５で計算した予測出力値ｘ_ｉｊが有効である場合は、情報処理装置１００は、ステップＳ４０５で計算した予測出力値ｘ_ｉｊを補助記憶装置１０４の保存領域に保存する。

図９には、モデルを使って異常の発生を検出する処理に関する情報処理装置１００の動作が例示的に示されている。図９に示す処理は、検出部１２３によって実行される。ステップＳ５０１では、情報処理装置１００は、補助記憶装置１０４の保存領域に保存された予測出力値が１個以上存在するかどうかを判断し、該予測出力値が１個以上存在する場合はステップＳ５０２に進み、そうでなければ図９に示す処理を終了する。

ステップＳ５０２では、情報処理装置１００は、補助記憶装置１０４の保存領域に保存された予測出力値を読み出す。ステップＳ５０３では、情報処理装置１００は、ステップＳ５０２で読み出した予測出力値に基づいて評価値を計算する。評価値は、例えば、複数の予測出力値ｘ_ｉｊの各々とそれに対応する測定出力値ｘ_ｉとの差分を処理した値、例えば、該差分を合計した合計値を複数のモデルの数で正規化した値でありうる。ステップＳ５０４では、情報処理装置１００は、ステップＳ５０３で計算した評価値を補助記憶装置１０４の保存領域に保存する。ステップＳ５０４では、情報処理装置１００は、ステップＳ５０３で計算した評価値に基づいて、異常の発生を検出する。情報処理装置１００は、例えば、評価値が所定値を超えている場合に、異常の発生を検出することができる。ステップＳ５０５では、情報処理装置１００は、ステップＳ５０４の検出結果を補助記憶装置１０４の保存領域に保存する。

図１０には、本実施形態によって計算される評価値の変化が例示されている。図１１には、比較例における評価値の変化が例示されている。図１０および図１１において、横軸は時刻を示し、縦軸は評価値を示している。図１０に示された本実施形態では、複数の時系列データにおける複数の期間の各々から、該複数の時系列データの相互の関係を示す１つのモデルを生成することにより、該複数の期間に対応する複数のモデルを生成され該複数のモデルを使って評価値が計算されている。このような複数のモデルを用いた評価は、個々のモデルが適切であるかどうかに関する不確かさを低減するように機能しうる。一方、図１１に示された比較では、複数の時系列データにおける１つの期間から、該複数の時系列データの相互の関係を示す１つのモデルを生成し、そのモデルを使って評価値が計算されている。

図１０に示された本実施形態では、時刻ｔ１において異常の発生が検出されているが、図１１に示された比較例では、時刻ｔ１の後の時刻ｔ２にならなければ異常が検出されない。このように、本実施形態によれば、異常の発生を早期に検出することができる。

また、比較例においては、１つの期間から生成されたモデルが何らかの理由によって不適切である場合、実際には異常が発生していても、該不適切なモデルの出力値とセンサの出力値とが近似していれば、異常の発生を検出することができない。しかし、モデルが適切であるかどうかを検証することは容易ではない。また、異常が検出された場合においても、そのモデルが適切である保証はない。

実施形態の物品製造方法は、複数のセンサを有する露光装置を監視対象としながら該露光装置を使って基板を露光する露光工程と、該露光工程で露光された基板を現像する現像工程と、該現像工程で現像された基板を処理して物品を得る処理工程と、を含みうる。該物品製造方法は、更に、上記の取得工程および上記のモデル生成工程を含みうる。該物品製造方法は、複数のモデルと複数の時系列データとに基づいて該監視対象としての該露光装置の状態を検出する検出工程と、該検出工程で検出された該露光装置の状態に基づいて該露光装置を保守する保守工程と、を含みうる。

発明は上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。

Claims (20)

1. 複数のセンサを有する監視対象から前記複数のセンサのそれぞれの出力値の変化を示す複数の時系列データを取得する取得部と、
   前記複数の時系列データにおける複数の期間の各々から前記複数の時系列データの相互の関係を示す１つのモデルを生成することにより、前記複数の期間にそれぞれ対応する複数のモデルを生成するモデル生成部と、
   前記複数のモデルと前記複数の時系列データとに基づいて前記監視対象の異常を検出する検出部と、
   を備えることを特徴とする情報処理装置。
2. 前記取得部は、前記監視対象からエラーの発生を示すエラー情報を取得し、
   前記モデル生成部は、エラーが発生していない期間において前記複数の期間を決定する、
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記モデル生成部は、互いに部分的に重複する期間を有するように前記複数の期間を決定する、
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記複数のモデルから、前記監視対象の異常を検出するために使用しないモデルを除外する除外部を更に備える、
   ことを特徴とする請求項１乃至３のいずれか１項に記載の情報処理装置。
5. 前記除外部は、前記モデル生成部によるモデルの生成時からの経過時間に基づいて、除外すべきモデルを決定する、
   ことを特徴とする請求項４に記載の情報処理装置。
6. 前記除外部は、前記複数のセンサのそれぞれの出力値の経時変化に基づいて、除外すべきモデルを決定する、
   ことを特徴とする請求項４に記載の情報処理装置。
7. 前記検出部は、前記複数のセンサの各々について、センサの出力値とモデルが発生した出力値との差分を計算する、
   ことを特徴とする請求項４に記載の情報処理装置。
8. 前記検出部は、前記差分を処理して得られる値が所定値を超える場合に、前記監視対象における異常の発生を検出する、
   ことを特徴とする請求項７に記載の情報処理装置。
9. 前記除外部は、前記異常の発生が検出された出力値を発生した頻度が所定頻度を超えるモデルを、除外すべきモデルとして決定する、
   ことを特徴とする請求項８に記載の情報処理装置。
10. 前記除外部は、前記複数の期間のうち時間経過順に並んだ少なくとも３つの期間にそれぞれ対応する少なくとも３つのモデルを使って前記異常の発生が検出された頻度に基づいて、前記少なくとも３つのモデルから、除外すべきモデルを決定する、
    ことを特徴とする請求項８に記載の情報処理装置。
11. 前記除外部は、既に存在するモデルのそれぞれを使って計算される前記差分を処理して得られる値に基づいて決定される閾値に基づいて、以後に前記モデル生成部によって生成されるモデルを除外すべきかどうかを決定する、
    ことを特徴とする請求項７に記載の情報処理装置。
12. 前記検出部は、前記複数のモデルのそれぞれを使って計算される複数の前記差分に対して重み付けを行いながら評価値を計算し、前記評価値に基づいて前記監視対象の状態を検出する、
    ことを特徴とする請求項７に記載の情報処理装置。
13. 前記検出部は、前記モデル生成部によるモデルの生成時からの経過時間に基づいて前記重み付けを行う、
    ことを特徴とする請求項１２に記載の情報処理装置。
14. 前記検出部は、前記経過時間が長いモデルほど重みを小さくする、
    ことを特徴とする請求項１３に記載の情報処理装置。
15. 前記検出部は、前記経過時間が短いモデルほど重みを小さくする、
    ことを特徴とする請求項１３に記載の情報処理装置。
16. 前記検出部が前記監視対象の異常を検出したことを報知する報知部を更に備える、
    ことを特徴とする請求項１乃至１５のいずれか１項に記載の情報処理装置。
17. 複数のセンサを有する基板処理装置と、
    前記監視対象の状態を検出するように構成された請求項１乃至１６のいずれか１項に記載の情報処理装置と、
    を備えることを特徴とする製造装置。
18. 複数のセンサを有する基板処理装置から前記複数のセンサのそれぞれの出力値の変化を示す複数の時系列データを取得する取得工程と、
    前記複数の時系列データにおける複数の期間の各々から前記複数の時系列データの相互の関係を示す１つのモデルを生成することにより、前記複数の期間にそれぞれ対応する複数のモデルを生成するモデル生成工程と、
    前記複数のモデルと前記複数の時系列データとに基づいて前記基板処理装置の状態を検出する検出工程と、
    を含むことを特徴とする監視方法。
19. 請求項１８に記載の監視方法をコンピュータに実行させることを特徴とするプログラム。
20. 複数のセンサを有する露光装置を使って基板を露光する露光工程と、
    前記露光工程で露光された基板を現像する現像工程と、
    前記現像工程で現像された基板を処理して物品を得る処理工程と、
    前記露光装置から前記複数のセンサのそれぞれの出力値の変化を示す複数の時系列データを取得する取得工程と、
    前記複数の時系列データにおける複数の期間の各々から前記複数の時系列データの相互の関係を示す１つのモデルを生成することにより、前記複数の期間にそれぞれ対応する複数のモデルを生成するモデル生成工程と、
    前記複数のモデルと前記複数の時系列データとに基づいて前記露光装置の状態を検出する検出工程と、
    前記検出工程で検出された前記露光装置の状態に基づいて前記露光装置を保守する保守工程と、
    を含むことを特徴とする物品製造方法。

Images