JP2022162903A - 生産設備監視システムおよび生産設備監視方法 - Google Patents
生産設備監視システムおよび生産設備監視方法 Download PDFInfo
- Publication number
- JP2022162903A JP2022162903A JP2021067967A JP2021067967A JP2022162903A JP 2022162903 A JP2022162903 A JP 2022162903A JP 2021067967 A JP2021067967 A JP 2021067967A JP 2021067967 A JP2021067967 A JP 2021067967A JP 2022162903 A JP2022162903 A JP 2022162903A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- degree
- production equipment
- feature amount
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 176
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims description 48
- 230000005856 abnormality Effects 0.000 claims abstract description 162
- 230000002159 abnormal effect Effects 0.000 claims abstract description 107
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 238000012423 maintenance Methods 0.000 description 20
- 238000009826 distribution Methods 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32179—Quality control, monitor production tool with multiple sensors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32191—Real time statistical process monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Factory Administration (AREA)
Abstract
【課題】複数の要因に起因する設備異常を簡便に検知する。【解決手段】開示される生産設備監視システム20は、生産設備10の設備情報から求められる特徴量に基づいて、生産設備10の異常指標aを決定する異常指標決定部23と、生産設備10に発生し得る複数の異常状態の各々と生産設備10の観測状態との関連度Dを決定する関連度決定部24と、複数の異常状態の各々に対応する異常指標aの閾値である複数の異常閾値atおよび関連度Dに基づいて、生産設備10の異常度Aを検知するための単一の検知閾値thを決定する検知閾値決定部25と、異常指標aおよび検知閾値thに基づいて、生産設備10の異常度Aを検知する異常度検知部26と、を備える。【選択図】図2
Description
本開示は、生産設備監視システムおよび生産設備監視方法に関する。
従来、生産設備のパラメータに基づいて当該生産設備の異常判定を行う方法が知られている(例えば、特許文献1)。特許文献1の方法では、正常状態にある生産設備(具体的には、半導体製造装置)のパラメータについて複数のデータをサンプリングし、サンプリングされたデータ群からマハラノビス空間を作成し、動作状態にある生産設備のパラメータの測定値群からマハラノビス距離を算出し、そして当該マハラノビス距離に基づいて生産設備の異常判定を行う。
ところで、生産設備の異常発生には、複数の要因が絡んでいる場合がある。そのような場合、特許文献1の方法を含む公知の方法では、生産設備の異常を簡便に検知することが困難である。このような状況において、本開示は、複数の要因に起因する設備異常を簡便に検知することを目的の1つとする。
本開示に係る一局面は、生産設備監視システムに関する。当該生産設備監視システムは、生産設備の設備情報から求められる特徴量に基づいて、前記生産設備の異常指標を決定する異常指標決定部と、前記生産設備に発生し得る複数の異常状態の各々と前記生産設備の観測状態との関連度を決定する関連度決定部と、複数の前記異常状態の各々に対応する前記異常指標の閾値である複数の異常閾値および前記関連度に基づいて、前記生産設備の異常度を検知するための単一の検知閾値を決定する検知閾値決定部と、前記異常指標および前記検知閾値に基づいて、前記生産設備の異常度を検知する異常度検知部と、を備える。
本開示に係る別の一局面は、生産設備監視方法に関する。当該生産設備監視方法は、生産設備の設備情報から求められる特徴量に基づいて、前記生産設備の異常指標を決定する異常指標決定工程と、前記生産設備に発生し得る複数の異常状態の各々と前記生産設備の観測状態との関連度を決定する関連度決定工程と、複数の前記異常状態の各々に対応する前記異常指標の閾値である複数の異常閾値および前記関連度に基づいて、前記生産設備の異常度を検知するための単一の検知閾値を決定する検知閾値決定工程と、前記異常指標および前記検知閾値に基づいて、前記生産設備の異常度を検知する異常度検知工程と、を備える。
本開示によれば、複数の要因に起因する設備異常を簡便に検知することができる。
本開示に係る生産設備監視システムおよび生産設備監視方法の実施形態について例を挙げて以下に説明する。しかしながら、本開示は以下に説明する例に限定されない。以下の説明では、具体的な数値や材料を例示する場合があるが、本開示の効果が得られる限り、他の数値や材料を適用してもよい。
(生産設備監視システム)
本開示に係る生産設備監視システムは、異常指標決定部と、関連度決定部と、検知閾値決定部と、異常度検知部とを備える。
本開示に係る生産設備監視システムは、異常指標決定部と、関連度決定部と、検知閾値決定部と、異常度検知部とを備える。
異常指標決定部は、生産設備の設備情報から求められる特徴量に基づいて、生産設備の異常指標を決定する。生産設備とは、何らかの物を生産する設備を広く指す。生産設備の具体例としては、プラズマクリーナーやプラズマダイサーなどのプラズマ処理装置を挙げることができる。設備情報は、例えば、生産設備の制御に用いられる制御信号の情報(以下、制御情報ともいう。)や、制御情報に対応して生産設備に備えられるセンサが出力する信号の情報(以下、センサ情報ともいう。)であってもよい。特徴量は、そのような設備情報に基づいて、所定の規則にしたがった抽出または演算を行うことで求められてもよい。異常指標とは、生産設備が正常状態からどの程度外れているかを判定するために用いられ得る指標であって、これから直ちに生産設備の異常を検知することも可能である。ただし、本開示では、異常指標のみを用いて生産設備の異常を検知することは行わない。
関連度決定部は、生産設備に発生し得る複数の異常状態の各々と生産設備の観測状態との関連度を決定する。生産設備の異常状態とは、ある要因によって設備異常が生じた状態のことをいう。生産設備の観測状態とは、稼働する生産設備において観測される状態のことをいう。関連度とは、生産設備において、一の異常状態と観測状態とがどの程度関連しているかを表す度合いのことをいう。例えば、ある異常状態(ここでは、異常状態Aとする。)と観測状態との関連度が高ければ、その観測状態は異常状態Aに近い状態であると言える。逆に、異常状態Aと観測状態との関連度が低ければ、その観測状態は異常状態Aから遠い状態であると言える。
検知閾値決定部は、複数の異常閾値および関連度に基づいて、生産設備の異常度を検知するための単一の検知閾値を決定する。複数の異常閾値は、複数の異常状態の各々に対応する異常指標の閾値である。例えば、ある異常閾値とこれに対応する異常状態(ここでは、異常状態Aとする。)に着目すると、異常指標が当該異常閾値の例えば80%を超えた場合に、生産設備が異常状態Aにあると判定することができる。本開示では、そのような異常閾値を複数用い、当該複数の異常閾値と関連度から単一の検知閾値を決定する。例えば、複数の異常閾値のうち関連度が相対的に高いものの影響が大きくなるように、単一の検知閾値を決定することが考えられる。このようにして、本開示では、生産設備に発生し得る複数の異常状態を総合的に加味して、単一の検知閾値が決定される。
異常度検知部は、異常指標および検知閾値に基づいて、生産設備の異常度を検知する。生産設備の異常度とは、生産設備が全体として正常状態からどの程度外れているかを表す度合いのことをいう。この異常度が高くなりすぎると、生産設備はメンテナンスなくして稼働できない状態になり得る。したがって、生産設備を管理する者としては、この異常度を知ることが非常に重要となる。本開示では、上述したように単独でも生産設備の異常検知に用いられ得る異常指標に加えて、複数の異常状態を加味して決定される単一の検知閾値を用いて、生産設備の異常度が検知される。つまり、本開示では、複数の要因に起因する設備異常を、異常指標と単一の検知閾値のみを用いることで検知することができる。生産設備を管理する者は、そのように簡便に検知される異常度あるいは設備異常の情報に基づいて、生産設備を適切なタイミングでメンテナンスすることができる。さらに、生産設備を管理する者は、関連度の情報も知ることができるため、メンテナンスを行う際、当該関連度に基づいてメンテナンス対象を適切に選択することができる。
特徴量は、第1特徴量および第2特徴量を含んでもよく、生産設備監視システムは、正常状態にある生産設備の設備情報から求められる第1特徴量を入力とし、かつ、正常状態にある生産設備の設備情報から求められる第2特徴量を出力として生産設備の正常状態をモデル化した正常モデルをさらに備えてもよく、異常指標決定部は、観測される設備情報の第1特徴量を入力として正常モデルから出力される第2特徴量、および観測される設備情報の第2特徴量に基づいて、生産設備の異常指標を決定してもよい。この構成によると、異常指標決定部は、所定の正常モデルを活用して生産設備の異常指標を決定することができる。その決定方法としては、例えば、観測される設備情報の第1特徴量を入力として正常モデルから出力される第2特徴量と、観測される設備情報の第2特徴量との差が大きいほど、生産設備の異常指標が大きいものとすることが考えられる。なお、第1特徴量としては、例えば、プラズマクリーナーやプラズマダイサーなどのプラズマ処理装置の場合、例えば、プロセスを実行するためのレシピに関する情報であってもよく、そのようなレシピは制御情報を含み得る。この場合、第2特徴量としては、例えば、プロセスを実行するためのレシピに対応して生産設備から出力される情報であってもよく、センサ情報であってもよい。
観測状態との関連度が最も高い異常状態を第1異常状態とし、かつ観測状態との関連度が2番目に高い異常状態を第2異常状態として、検知閾値決定部は、第1異常状態と観測状態との間のマハラノビス距離、および第2異常状態と観測状態との間のマハラノビス距離に基づいて、第1異常状態の異常閾値と第2異常状態の異常閾値とを補間することで検知閾値を決定してもよい。この構成によると、観測状態との関連度が共に高い第1異常状態と第2異常状態を加味して単一の検知閾値が決定される。ここで、生産設備には、第1異常状態および第2異常状態の他に多くの異常状態が存在し得る。ただし、生産設備で実際に設備異常が生じる際には、上位2つの異常状態、すなわち第1異常状態と第2異常状態を考慮するだけで足りることが多い。このように、無数の異常状態の情報を網羅的に処理するのではなく、第1異常状態および第2異常状態の情報、すなわち必要十分な量の情報を処理することで、より一層簡便に設備異常を検知することができる。
異常度検知部は、生産設備の異常度を報知する報知部をさらに備えてもよい。報知部は、任意の方法で異常度を報知することができる。例えば、報知部は、ディスプレイなどの視覚的な方法で異常度を報知してもよいし、その他に聴覚的な方法や触覚的な方法で異常度を報知してもよい。生産設備を管理する者は、報知された異常度の情報に基づいて、生産設備のメンテナンス時期などを適切に決定することができる。
報知部は、生産設備の異常度を報知する際に、観測状態との関連度が最も高い異常状態を報知してもよい。生産設備を管理する者は、そのような異常状態を知ることで、メンテナンスの必要性が最も高い箇所を直接的に知ることができる。したがって、生産設備を管理する者は、メンテナンス対象を容易に選択することができる。
報知部は、生産設備の異常度を報知する際に、観測状態との関連度が2番目に高い異常状態も報知してもよい。生産設備を管理する者は、そのような異常状態を知ることで、メンテナンスの必要性が2番目に高い箇所を直接的に知ることができる。したがって、生産設備を管理する者は、必要に応じて、そのような箇所をメンテナンス対象に加えることができる。
生産設備は、プラズマ処理が行われる処理室を備えるプラズマ処理装置であってもよく、生産設備の異常度は、処理室内に配置される要素の異常度を含んでもよい。そのようなプラズマ処理装置では、装置の運営管理上、処理室の開放頻度を出来るだけ低くしたいという事情がある。本開示によると、処理室内の要素の異常度と生産設備における関連度という2つの指標に基づいて、各要素のメンテナンスが必要になる時期を予測することができる。プラズマ処理装置を管理する者は、そのような予測に基づいて、処理室内の複数の要素をまとめてメンテナンスすることもできる。その場合、例えば各要素に異常が生じる度にメンテナンスする場合に比べて、処理室を開放する頻度を低くすることができる。
(生産設備監視方法)
本開示に係る生産設備監視方法は、異常指標決定工程と、関連度決定工程と、検知閾値決定工程と、異常度検知工程とを備える。
本開示に係る生産設備監視方法は、異常指標決定工程と、関連度決定工程と、検知閾値決定工程と、異常度検知工程とを備える。
異常指標決定工程では、生産設備の設備情報から求められる特徴量に基づいて、生産設備の異常指標を決定する。設備情報は、例えば、センサ情報や制御情報であってもよい。特徴量は、そのような設備情報に基づいて、所定の規則にしたがった抽出または演算を行うことで求められてもよい。異常指標から直ちに生産設備の異常を検知することも可能であるが、本開示では、異常指標のみを用いて生産設備の異常を検知することは行わない。
関連度決定工程では、生産設備に発生し得る複数の異常状態の各々と生産設備の観測状態との関連度を決定する。ある異常状態(ここでは、異常状態Aとする。)と観測状態との関連度が高ければ、その観測状態は異常状態Aに近い状態であると言える。逆に、異常状態Aと観測状態との関連度が低ければ、その観測状態は異常状態Aから遠い状態であると言える。
検知閾値決定工程では、複数の異常閾値および関連度に基づいて、生産設備の異常度を検知するための単一の検知閾値を決定する。例えば、複数の異常閾値のうち関連度が相対的に高いものの影響が大きくなるように、単一の検知閾値を決定することが考えられる。このようにして、本開示では、生産設備に発生し得る複数の異常状態を総合的に加味して、単一の検知閾値が決定される。
異常度検知工程では、異常指標および検知閾値に基づいて、生産設備の異常度を検知する。この異常度が高くなりすぎると、生産設備はメンテナンスなくして稼働できない状態になり得る。したがって、生産設備を管理する者としては、この異常度を知ることが非常に重要となる。本開示では、上述したように単独でも生産設備の異常検知に用いられ得る異常指標に加えて、複数の異常状態を加味して決定される単一の検知閾値を用いて、生産設備の異常度が検知される。つまり、本開示では、複数の要因に起因する設備異常を、異常指標と単一の検知閾値のみを用いることで検知することができる。生産設備を管理する者は、そのように簡便に検知される異常度あるいは設備異常の情報に基づいて、生産設備を適切なタイミングでメンテナンスすることができる。さらに、生産設備を管理する者は、関連度の情報も知ることができるため、メンテナンスを行う際、当該関連度に基づいてメンテナンス対象を適切に選択することができる。
特徴量は、第1特徴量および第2特徴量を含んでもよく、異常指標決定工程では、正常状態にある生産設備の設備情報から求められる第1特徴量を入力とし、かつ、正常状態にある生産設備の設備情報から求められる第2特徴量を出力として生産設備の正常状態をモデル化した正常モデルに、観測される設備情報の第1特徴量を入力して出力される第2特徴量、および観測される設備情報の第2特徴量に基づいて、生産設備の異常指標を決定してもよい。この構成によると、異常指標決定工程では、所定の正常モデルを活用して生産設備の異常指標を決定することができる。その決定方法としては、例えば、観測される設備情報の第1特徴量を入力として正常モデルから出力される第2特徴量と、観測される設備情報の第2特徴量との差が大きいほど、生産設備の異常指標が大きいものとすることが考えられる。
以上のように、本開示によれば、異常指標と単一の検知閾値を用いることで、複数の要因に起因する設備異常を簡便に検知することができる。さらに、本開示によれば、生産設備を管理する者は、適切なタイミングで、かつメンテナンス対象を適宜選択した上で、生産設備のメンテナンスを行うことが可能となる。
以下では、本開示に係る生産設備監視システムおよび生産設備監視方法の一例について、図面を参照して具体的に説明する。以下で説明する一例の生産設備監視システムおよび生産設備監視方法の構成要素および工程には、上述した構成要素および工程を適用できる。以下で説明する一例の生産設備監視システムおよび生産設備監視方法の構成要素および工程は、上述した記載に基づいて変更できる。また、以下で説明する事項を、上記の実施形態に適用してもよい。以下で説明する一例の生産設備監視システムおよび生産設備監視方法の構成要素および工程のうち、本開示に係る生産設備監視システムおよび生産設備監視方法に必須ではない構成要素および工程は省略してもよい。なお、以下で示す図は模式的なものであり、実際の部材の形状や数を正確に反映するものではない。
図1に示すように、本実施形態の生産設備は、基板1(対象物)のプラズマ処理が行われる処理室を備えるプラズマ処理装置10(具体的には、プラズマクリーナー)である。なお、プラズマ処理装置10は、プラズマダイシングを行うためのプラズマダイサーであってもよい。また、生産設備は、プラズマ処理装置以外の生産設備であってもよい。
以下では、プラズマ処理装置10および生産設備監視システム20の構成について説明し、その後、生産設備監視方法について説明する。
(プラズマ処理装置)
プラズマ処理装置10は、ベース11と、蓋12と、電源部13とを備える。プラズマ処理装置10では、ベース11および蓋12によって処理室が規定される。
プラズマ処理装置10は、ベース11と、蓋12と、電源部13とを備える。プラズマ処理装置10では、ベース11および蓋12によって処理室が規定される。
ベース11は、基体11aと、基体11aに支持されて蓋12と対向する電極体11bと、電極体11b上に配置されるガイド11cとを有する。基体11aは、矩形枠状の部材であって、電極体11bから電気的に絶縁されている。電極体11bは、処理室内でプラズマを発生させる際に、一方の電極として機能する。ガイド11cは、所定方向(図1では左右方向)に延びる少なくとも一対のレール状部材で構成される。ガイド11cは、所定方向に沿って基板1を案内する。ガイド11cは、処理室内に配置される要素の一例である。
蓋12は、天井部および天井部の周囲から延出する側壁を有する箱型である。蓋12は、不図示の開閉機構により開閉可能である。蓋12の側壁は、蓋12が閉じた状態で基体11aの周縁部と密着する。これにより、蓋12とベース11の内部に処理室が形成される。蓋12が開くと、処理室は開放される。蓋12の天井部の下面には、プラズマを照射するための照射部12aが形成されている。照射部12aは、処理室内でプラズマを発生させる際に、他方の電極として機能する。蓋12の側壁の内面には、プラズマ生成時の光強度を検出するためのプラズマモニタ12bが設けられている。照射部12aおよびプラズマモニタ12bは、それぞれ処理室内に配置される要素の一例である。
電源部13は、高周波電源13aと、自動整合器13bとを有する。高周波電源13aは、ベース11の電極体11bに電気的に接続されている。高周波電源13aは、処理室内にプロセスガスが存在する状態で、電極体11bと蓋12との間に高周波電力を印加する。これにより、処理室内にプラズマが発生する。自動整合器13bは、電極体11bと蓋12との間に印加される高周波の反射波による干渉を防止する機能を有する。
図示を省略するが、プラズマ処理装置10は、制御部および各種センサをさらに備える。制御部は、蓋12の開閉や電源部13の動作、および処理室へのプロセスガスの供給動作などを制御する。制御部は、CPUおよびCPUによって実行可能なプログラムが格納された記憶装置を備える。各種センサは、プラズマ処理装置10の各種状態を検出する。センサの種類としては、処理室内のガス圧力を検出するセンサや、プラズマモニタ12bの出力信号を検出するセンサなどが挙げられる。制御部の信号の情報(制御情報)や、各種センサの信号の情報(センサ情報)は、後述するように、生産設備監視システム20によって利用される。
(生産設備監視システム)
図2に示すように、生産設備監視システム20は、プラズマ処理装置10を監視するためのシステムである。生産設備監視システム20は、プラズマ処理装置10に通信可能に接続されるコンピュータで構成される。生産設備監視システム20は、特徴量生成部21と、正常モデル22と、異常指標決定部23と、関連度決定部24と、検知閾値決定部25と、異常度検知部26と、報知部27とを備える。
図2に示すように、生産設備監視システム20は、プラズマ処理装置10を監視するためのシステムである。生産設備監視システム20は、プラズマ処理装置10に通信可能に接続されるコンピュータで構成される。生産設備監視システム20は、特徴量生成部21と、正常モデル22と、異常指標決定部23と、関連度決定部24と、検知閾値決定部25と、異常度検知部26と、報知部27とを備える。
特徴量生成部21は、プラズマ処理装置10の制御部から取得される制御情報と、プラズマ処理装置10の各種センサから取得されるセンサ情報とに基づいて、第1特徴量および第2特徴量を生成する。制御情報およびセンサ情報から第1特徴量および第2特徴量を生成する方法としては、種々の方法を採用することができる。例えば、制御情報やセンサ情報から所定の情報を抽出して各特徴量としてもよいし、これに代えてまたは加えて、制御情報やセンサ情報から抽出される情報について各種演算を行って各特徴量を生成してもよい。
正常モデル22は、プラズマ処理装置10の正常状態をモデル化した学習済みモデルである。正常モデル22は、例えば、正常状態にあるプラズマ処理装置10の第1特徴量を入力とし、かつ、正常状態にあるプラズマ処理装置10の第2特徴量を出力とする重回帰分布モデルを設定し、当該重回帰分布モデルの収束点を機械学習で学習することで生成されてもよい。正常モデル22は、プラズマ処理装置10の稼働中に観測される設備情報(制御情報やセンサ情報)の第1特徴量が入力されると、それに対応する第2特徴量を出力する。
異常指標決定部23は、上述のように正常モデル22が出力する第2特徴量と、プラズマ処理装置10の稼働中に観測される設備情報の第2特徴量とに基づいて、プラズマ処理装置10の異常指標aを決定する。例えば、異常指標決定部23は、次の式(1)に基づいて単一の異常指標aを決定してもよい。なお、式(1)において、x’は観測値の特徴量(第2特徴量)であり、μ^は各特徴量(各第2特徴量)の平均値であり、σ^は特徴量(第2特徴量)の分散の平方根である。
関連度決定部24は、プラズマ処理装置10に発生し得る複数の異常状態の各々と、プラズマ処理装置10の観測状態との関連度Dを決定する。複数の異常状態には、例えば、照射部12aが汚れた状態、ベース11と蓋12との間が汚れた状態、プラズマモニタ12bが汚れた状態、および電源部13の動作が不良となった状態などがある。関連度決定部24は、例えば、観測される設備情報の第2特徴量と、各異常状態のデータ分布との間のマハラノビス距離を求め、当該マハラノビス距離の逆数を取った上でそれらを正規化して関連度Dを決定してもよい。ここで、各異常状態のデータ分布は、例えば、プラズマ処理装置10において意図的に異常状態を発生させ、その状態で取得される設備情報の特徴量に基づいて作成されてもよい。例えば、照射部12aに汚れを付着させた状態(あるいは、汚れを模擬した部材を取り付けた状態)で取得される設備情報の特徴量に基づいて、照射部12aが汚れた状態としての異常状態に対応するデータ分布を生成することができる。
検知閾値決定部25は、複数の異常閾値atおよび関連度Dに基づいて、プラズマ処理装置10の異常度Aを検知するための単一の検知閾値thを決定する。異常閾値atは、各異常状態に対応する異常指標aの閾値である。例えば、照射部12aの異常閾値atは、照射部12aの異常状態に対応する異常指標aの閾値である。複数の異常閾値atの大きさは、通常、互いに異なる。例えば、照射部12aの異常状態に対応する異常閾値atが100である一方、プラズマモニタ12bの異常状態に対応する異常閾値atが50である場合などが想定される。この場合、異常指標aを各異常閾値atと単純に比較しても、プラズマ処理装置10全体としての異常を適切に判定することはできない。例えば、本段落で例示した数値を前提とするなら、異常指標aとして50という値が得られたとしても、プラズマモニタ12bの異常閾値atである50に達しているものの、照射部12aの異常閾値atである100に対しては大きく余裕があるので、プラズマ処理装置10全体として50という異常指標aが問題となるのかどうか判断できない。
これに対し、検知閾値決定部25は、上述のとおり単一の検知閾値thを決定する。本実施形態では、プラズマ処理装置10の観測状態との関連度Dが最も高い異常状態を第1異常状態とし、かつ当該観測状態との関連度Dが2番目に高い異常状態を第2異常状態とする。そして、検知閾値決定部25は、第1異常状態と観測状態との間のマハラノビス距離と、第2異常状態と観測状態との間のマハラノビス距離とに基づいて、第1異常状態の異常閾値atと第2異常状態の異常閾値atとを補間することで単一の検知閾値thを決定する。
例えば、照射部12aの異常状態(異常閾値at=100)を第1異常状態とし、かつプラズマモニタ12bの異常状態(異常閾値at=50)を第2異常状態とする。また、プラズマ処理装置10の観測状態と第1異常状態との間のマハラノビス距離を1とし、かつ当該観測状態と第2異常状態との間のマハラノビス距離を4とする。この場合、第1異常状態の異常閾値atと第2異常状態の異常閾値atとを線形補間するなら、単一の検知閾値thは90となる。この値は、(100-th):(th-50)=1:4の式を解くことで求められる。ただし、補間の方法は線形補間に限られず、任意の関数を用いて補間することが可能である。
異常度検知部26は、異常指標aおよび検知閾値thに基づいて、プラズマ処理装置10の異常度Aを検知する。例えば、異常度検知部26は、検知閾値thに対する異常指標aの比率として異常度Aを検知してもよい(A=a/th)。具体例として、異常指標aが50であり、かつ検知閾値thが90である場合、異常度Aは約0.56(=50/90)となる。このように、本実施形態の生産設備監視システム20では、1つの異常指標aと1つの検知閾値thとの比較に基づいて、プラズマ処理装置10の全体的な異常度Aを簡便に検知することができる。
報知部27は、プラズマ処理装置10の異常度Aを報知する。本実施形態の報知部27は、コンピュータのディスプレイであるが、これに限られない。報知部27は、例えば、異常度Aの値をディスプレイに表示することで異常度Aを報知してもよい。また、報知部27は、異常度Aを報知する際に、プラズマ処理装置10の観測状態との関連度Dが最も高い異常状態(第1異常状態)および当該関連度Dが2番目に高い異常状態(第2異常状態)を報知する。つまり、本実施形態の報知部27は、プラズマ処理装置10全体としての異常度Aのみならず、その異常度Aに対する寄与度が高い2つの要因についても報知する。このため、プラズマ処理装置10を管理する者は、プラズマ処理装置10のメンテナンス時期やメンテナンス対象について、不具合が生じる前に適切に判断することができる。
(生産設備監視方法)
次に、本実施形態の生産設備監視方法について説明する。生産設備監視方法は、上述の生産設備監視システム20において実行されてもよいし、他の構成を有するシステムにおいて実行されてもよい。
次に、本実施形態の生産設備監視方法について説明する。生産設備監視方法は、上述の生産設備監視システム20において実行されてもよいし、他の構成を有するシステムにおいて実行されてもよい。
図3に示すように、生産設備監視方法は、特徴量生成工程S1と、異常指標決定工程S2と、関連度決定工程S3と、検知閾値決定工程S4と、異常度検知工程S5と、報知工程S6とを備える。
特徴量生成工程S1では、プラズマ処理装置10の制御部から取得される制御情報と、プラズマ処理装置10の各種センサから取得されるセンサ情報とに基づいて、第1特徴量および第2特徴量を生成する。制御情報およびセンサ情報から第1特徴量および第2特徴量を生成する方法としては、種々の方法を採用することができる。例えば、制御情報やセンサ情報から所定の情報を抽出して各特徴量としてもよいし、これに代えてまたは加えて、制御情報やセンサ情報から抽出される情報について各種演算を行って各特徴量を生成してもよい。
異常指標決定工程S2では、プラズマ処理装置10の稼働中に観測される設備情報の第1特徴量を正常モデル22に入力して出力される第2特徴量と、観測される設備情報の第2特徴量とに基づいて、プラズマ処理装置10の異常指標aを決定する。例えば、異常指標決定工程S2では、上述の式(1)に基づいて異常指標aを決定してもよい。
関連度決定工程S3では、プラズマ処理装置10に発生し得る複数の異常状態の各々と、プラズマ処理装置10の観測状態との関連度Dを決定する。関連度決定部24は、例えば、観測される設備情報の第2特徴量と、各異常状態のデータ分布との間のマハラノビス距離を求め、当該マハラノビス距離の逆数を取った上でそれらを正規化して関連度Dを決定してもよい。
検知閾値決定工程S4では、複数の異常閾値atおよび関連度Dに基づいて、プラズマ処理装置10の異常度Aを検知するための単一の検知閾値thを決定する。本実施形態では、プラズマ処理装置10の観測状態との関連度Dが最も高い異常状態を第1異常状態とし、かつ当該観測状態との関連度Dが2番目に高い異常状態を第2異常状態とする。そして、第1異常状態と観測状態との間のマハラノビス距離と、第2異常状態と観測状態との間のマハラノビス距離とに基づいて、第1異常状態の異常閾値atと第2異常状態の異常閾値atとを補間することで単一の検知閾値thを決定する。
異常度検知工程S5では、異常指標aおよび検知閾値thに基づいて、プラズマ処理装置10の異常度Aを検知する。例えば、異常度検知部26は、検知閾値thに対する異常指標aの比率として異常度Aを検知してもよい(A=a/th)。具体例として、異常指標aが50であり、かつ検知閾値thが90である場合、異常度Aは約0.56(=50/90)となる。このように、本実施形態の生産設備監視方法では、1つの異常指標aと1つの検知閾値thとの比較に基づいて、プラズマ処理装置10の全体的な異常度Aを簡便に検知することができる。
報知工程S6では、プラズマ処理装置10の異常度Aを報知する。報知工程S6では、例えば、異常度Aの値をディスプレイに表示することで異常度Aを報知してもよい。また、報知部27は、異常度Aを報知する際に、プラズマ処理装置10の観測状態との関連度Dが最も高い異常状態(第1異常状態)および当該関連度Dが2番目に高い異常状態(第2異常状態)を報知する。つまり、本実施形態の報知工程S6では、プラズマ処理装置10全体としての異常度Aのみならず、その異常度Aに対する寄与度が高い2つの要因についても報知する。このため、プラズマ処理装置10を管理する者は、プラズマ処理装置10のメンテナンス時期やメンテナンス対象について、不具合が生じる前に適切に判断することができる。
本開示は、生産設備監視システムおよび生産設備監視方法に利用できる。
1:基板
10:プラズマ処理装置(生産設備)
11:ベース
11a:基体
11b:電極体
11c:ガイド(要素)
12:蓋
12a:照射部(要素)
12b:プラズマモニタ(要素)
13:電源部
13a:高周波電源
13b:自動整合器
20:生産設備監視システム
21:特徴量生成部
22:正常モデル
23:異常指標決定部
24:関連度決定部
25:検知閾値決定部
26:異常度検知部
27:報知部
a:異常指標
at:異常閾値
A:異常度
D:関連度
th:検知閾値
10:プラズマ処理装置(生産設備)
11:ベース
11a:基体
11b:電極体
11c:ガイド(要素)
12:蓋
12a:照射部(要素)
12b:プラズマモニタ(要素)
13:電源部
13a:高周波電源
13b:自動整合器
20:生産設備監視システム
21:特徴量生成部
22:正常モデル
23:異常指標決定部
24:関連度決定部
25:検知閾値決定部
26:異常度検知部
27:報知部
a:異常指標
at:異常閾値
A:異常度
D:関連度
th:検知閾値
Claims (9)
- 生産設備の設備情報から求められる特徴量に基づいて、前記生産設備の異常指標を決定する異常指標決定部と、
前記生産設備に発生し得る複数の異常状態の各々と前記生産設備の観測状態との関連度を決定する関連度決定部と、
複数の前記異常状態の各々に対応する前記異常指標の閾値である複数の異常閾値および前記関連度に基づいて、前記生産設備の異常度を検知するための単一の検知閾値を決定する検知閾値決定部と、
前記異常指標および前記検知閾値に基づいて、前記生産設備の異常度を検知する異常度検知部と、
を備える、生産設備監視システム。 - 前記特徴量は、第1特徴量および第2特徴量を含み、
正常状態にある前記生産設備の前記設備情報から求められる前記第1特徴量を入力とし、かつ、正常状態にある前記生産設備の前記設備情報から求められる前記第2特徴量を出力として前記生産設備の正常状態をモデル化した正常モデルをさらに備え、
前記異常指標決定部は、観測される前記設備情報の前記第1特徴量を入力として前記正常モデルから出力される前記第2特徴量、および観測される前記設備情報の前記第2特徴量に基づいて、前記生産設備の前記異常指標を決定する、請求項1に記載の生産設備監視システム。 - 前記観測状態との前記関連度が最も高い前記異常状態を第1異常状態とし、かつ前記観測状態との前記関連度が2番目に高い前記異常状態を第2異常状態として、
前記検知閾値決定部は、前記第1異常状態と前記観測状態との間のマハラノビス距離、および前記第2異常状態と前記観測状態との間のマハラノビス距離に基づいて、前記第1異常状態の前記異常閾値と前記第2異常状態の前記異常閾値とを補間することで前記検知閾値を決定する、請求項1または2に記載の生産設備監視システム。 - 前記異常度検知部は、前記生産設備の異常度を報知する報知部をさらに備える、請求項1~3のいずれか1項に記載の生産設備監視システム。
- 前記報知部は、前記生産設備の異常度を報知する際に、前記観測状態との前記関連度が最も高い前記異常状態を報知する、請求項4に記載の生産設備監視システム。
- 前記報知部は、前記生産設備の異常度を報知する際に、前記観測状態との前記関連度が2番目に高い前記異常状態も報知する、請求項5に記載の生産設備監視システム。
- 前記生産設備は、プラズマ処理が行われる処理室を備えるプラズマ処理装置であり、
前記生産設備の異常度は、前記処理室内に配置される要素の異常度を含む、請求項1~6のいずれか1項に記載の生産設備監視システム。 - 生産設備の設備情報から求められる特徴量に基づいて、前記生産設備の異常指標を決定する異常指標決定工程と、
前記生産設備に発生し得る複数の異常状態の各々と前記生産設備の観測状態との関連度を決定する関連度決定工程と、
複数の前記異常状態の各々に対応する前記異常指標の閾値である複数の異常閾値および前記関連度に基づいて、前記生産設備の異常度を検知するための単一の検知閾値を決定する検知閾値決定工程と、
前記異常指標および前記検知閾値に基づいて、前記生産設備の異常度を検知する異常度検知工程と、
を備える、生産設備監視方法。 - 前記特徴量は、第1特徴量および第2特徴量を含み、
前記異常指標決定工程では、正常状態にある前記生産設備の前記設備情報から求められる前記第1特徴量を入力とし、かつ、正常状態にある前記生産設備の前記設備情報から求められる前記第2特徴量を出力として前記生産設備の正常状態をモデル化した正常モデルに、観測される前記設備情報の前記第1特徴量を入力して出力される前記第2特徴量、および観測される前記設備情報の前記第2特徴量に基づいて、前記生産設備の前記異常指標を決定する、請求項8に記載の生産設備監視方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021067967A JP2022162903A (ja) | 2021-04-13 | 2021-04-13 | 生産設備監視システムおよび生産設備監視方法 |
US17/658,674 US20220326684A1 (en) | 2021-04-13 | 2022-04-11 | Production equipment monitoring system and production equipment monitoring method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021067967A JP2022162903A (ja) | 2021-04-13 | 2021-04-13 | 生産設備監視システムおよび生産設備監視方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022162903A true JP2022162903A (ja) | 2022-10-25 |
Family
ID=83509196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021067967A Pending JP2022162903A (ja) | 2021-04-13 | 2021-04-13 | 生産設備監視システムおよび生産設備監視方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220326684A1 (ja) |
JP (1) | JP2022162903A (ja) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7203431B2 (en) * | 2003-12-26 | 2007-04-10 | Ricoh Company, Ltd. | Abnormality determining method, abnormality determining apparatus, and image forming apparatus |
GB2560643B (en) * | 2015-09-30 | 2021-07-21 | Schlumberger Technology Bv | Downhole tool analysis using anomaly detection of measurement data |
CN105511944B (zh) * | 2016-01-07 | 2018-09-28 | 上海海事大学 | 一种云系统内部虚拟机的异常检测方法 |
WO2017145318A1 (ja) * | 2016-02-25 | 2017-08-31 | 東芝三菱電機産業システム株式会社 | 製造設備の異常診断装置 |
US11409591B2 (en) * | 2017-12-05 | 2022-08-09 | Nec Corporation | Anomaly determination apparatus, anomaly determination method, and non-transitory computer readable medium storing program |
JP6990634B2 (ja) * | 2018-08-21 | 2022-02-03 | 株式会社日立ハイテク | 状態予測装置及び半導体製造装置 |
JP7226103B2 (ja) * | 2019-05-29 | 2023-02-21 | オムロン株式会社 | 制御システム、サポート装置およびサポートプログラム |
JP7377637B2 (ja) * | 2019-06-28 | 2023-11-10 | 三菱重工業株式会社 | 異常検出装置、異常検出方法、及びプログラム |
US11900248B2 (en) * | 2020-10-14 | 2024-02-13 | Dell Products L.P. | Correlating data center resources in a multi-tenant execution environment using machine learning techniques |
US11835568B2 (en) * | 2020-11-18 | 2023-12-05 | General Electric Company | Systems and methods for monitoring and diagnosing power system assets |
US11639966B2 (en) * | 2021-03-15 | 2023-05-02 | General Electric Technology Gmbh | Enhanced electrical signature analysis for fault detection |
-
2021
- 2021-04-13 JP JP2021067967A patent/JP2022162903A/ja active Pending
-
2022
- 2022-04-11 US US17/658,674 patent/US20220326684A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220326684A1 (en) | 2022-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6906612B2 (ja) | 異常検知装置、異常検知方法、およびプログラム | |
US10606919B2 (en) | Bivariate optimization technique for tuning SPRT parameters to facilitate prognostic surveillance of sensor data from power plants | |
KR101066973B1 (ko) | 플라즈마처리장치 | |
JP6312548B2 (ja) | 機械剛性の自己測定機能および自己監視機能を有するサーボモータ制御装置 | |
JP6364800B2 (ja) | 監視装置及び監視方法 | |
JP5878550B2 (ja) | 自動バルブ着座完全性テスト | |
KR101894697B1 (ko) | 고장 예지 장치 및 방법 | |
JP4046309B2 (ja) | プラント監視装置 | |
JP2008530817A (ja) | ラントゥラン制御器を用いた欠陥検出および分類(fdc) | |
CN109564423B (zh) | 监测和控制工业过程的方法以及过程控制系统 | |
WO2007008538A2 (en) | Self-correcting multivariate analysis for use in monitoring dynamic parameters in process environments | |
JPWO2014091952A1 (ja) | センサ監視装置、センサ監視方法、及びセンサ監視プログラム | |
JP2015162140A (ja) | プラントと制御装置の診断装置 | |
JP4635194B2 (ja) | 異常検知装置 | |
US12019432B2 (en) | System and methods monitoring the technical status of technical equipment | |
JP2018113027A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
TW202215483A (zh) | 事件監視和特徵化 | |
CN116975604B (zh) | 贴片机驱动系统的故障预测方法及系统 | |
JP2016014961A (ja) | 異常診断装置 | |
KR20130112968A (ko) | 패턴인식 기술을 이용한 제어설비 고장진단 시스템 및 고장진단 방법 | |
JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
JP2022162903A (ja) | 生産設備監視システムおよび生産設備監視方法 | |
JP2011107760A (ja) | プラント異常検出装置 | |
WO2015037066A1 (ja) | プラント事故時運転支援システム及びプラント事故時運転支援方法 | |
JP6201038B2 (ja) | プラント事故時運転支援装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240206 |