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 PDF

Info

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
Application number
JP2021067967A
Other languages
English (en)
Inventor
博 白水
Hiroshi Shiromizu
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Priority to JP2021067967A priority Critical patent/JP2022162903A/ja
Priority to US17/658,674 priority patent/US20220326684A1/en
Publication of JP2022162903A publication Critical patent/JP2022162903A/ja
Pending legal-status Critical Current

Links

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。
特開２０００－１１４１３０号公報
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。
プラズマ処理装置の構成を概略的に示す斜視図である。 生産設備監視システムの構成を示す機能ブロック図である。 生産設備監視方法のフローチャートである。
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。
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。
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。
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。
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。
Figure 2022162903000002
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。
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

Claims (9)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  7. 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。
  8. 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。
  9. 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。
JP2021067967A 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 Pending JP2022162903A (ja)

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)

* Cited by examiner, † Cited by third party
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

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