JP2024008529A - 情報処理装置、プログラム及び制御方法 - Google Patents

Abstract

【課題】基板処理装置に設置されている複数の物理センサの故障による運用への影響を軽減する技術を提供する。【解決手段】基板処理装置に設置されている複数の物理センサから出力された物理センサ出力値を取得する取得部と、物理センサ出力値と、統計的手法により構築した統計モデルが学習済みのデータとの類似度に基づき、統計モデル又は物理的手法により構築した物理モデルを切り替えて予測対象の物理センサに対応する仮想センサの仮想センサ出力値を予測する予測部と、予測対象の物理センサの物理センサ出力値と仮想センサの仮想センサ出力値とを比較して、物理センサの異常を判定する異常判定部と、物理センサの異常が発生していると判定した場合に、予測対象の物理センサの物理センサ出力値に基づく制御から仮想センサの仮想センサ出力値による制御に切り替える指示部と、を有する情報処理装置により上記課題を解決する。【選択図】図３

Description

本開示は、情報処理装置、プログラム及び制御方法に関する。

例えば基板処理装置には、複数の物理センサが搭載されている。基板処理装置に搭載された物理センサは、突発的な故障によって、基板処理装置の運用に支障をきたすケースがある。基板処理装置に搭載された物理センサの異常検知を行う場合は、物理センサ出力値の正常範囲（バンド幅）を設定し、比較を行うことで異常を検知する。また、複数の物理センサが搭載された熱処理成膜装置などの半導体製造装置において、物理モデルを元に仮想センサから出力される仮想センサデータを計算して故障事前検知を行う技術は従来から知られている（例えば特許文献１参照）。

特開２０２１－１３２１４０号公報

本開示は、基板処理装置に設置されている複数の物理センサの故障による運用への影響を軽減する技術を提供する。

本開示の一態様は、基板処理装置に設置されている複数の物理センサから出力された物理センサ出力値を取得するように構成された取得部と、前記物理センサ出力値と、統計的手法により構築した統計モデルが学習済みのデータとの類似度に基づき、前記統計モデル又は物理的手法により構築した物理モデルを切り替えて予測対象の物理センサに対応する仮想センサの仮想センサ出力値を予測するように構成された予測部と、前記予測対象の物理センサの物理センサ出力値と前記仮想センサの前記仮想センサ出力値とを比較して、前記物理センサの異常を判定するように構成された異常判定部と、前記物理センサの異常が発生していると判定した場合に、前記予測対象の物理センサの物理センサ出力値に基づく制御から前記仮想センサの前記仮想センサ出力値による制御に切り替えるように構成された指示部と、を有する情報処理装置である。

本開示によれば、基板処理装置に設置されている複数の物理センサの故障による運用への影響を軽減する技術を提供できる。

本実施形態に係る基板処理システムの一例の構成図である。 コンピュータの一例のハードウェア構成図である。 本実施形態に係る基板処理装置の一例の機能ブロック図である。 本実施形態に係る予測部の一例の機能ブロック図である。 物理モデルの作成手順の一例を示したフローチャートである。 統計モデルの作成手順の一例を示したフローチャートである。 予測対象の物理センサの異常検知及び冗長化の手順の一例を示したフローチャートである。 予測対象の物理センサの異常を検知する処理の一例のイメージ図である。 統計モデルの追加学習の手順の一例を示したフローチャートである。 圧力センサの物理センサ出力値に基づいて自動圧力制御機器の開度制御を行う基板処理装置の一例の機能ブロック図である。 流量センサの物理センサ出力値に基づいてバルブの開度制御を行う基板処理装置の一例の機能ブロック図である。

以下、図面を参照して、本発明を実施するための形態の説明を行う。

＜システム構成＞
図１は本実施形態に係る基板処理システムの一例の構成図である。図１の基板処理システム１は、一台以上の基板処理装置１０、装置コントローラ１２、サーバ装置１４、及び作業者端末１６を有している。基板処理装置１０及び装置コントローラ１２は、製造工場２に設置されている。サーバ装置１４及び作業者端末１６は、製造工場２に設置してもよいし、製造工場２以外に設置してもよい。作業者端末１６は、製造工場２に設置された基板処理装置１０の装置担当者又は解析担当者などの作業者により操作される。

基板処理装置１０、装置コントローラ１２、サーバ装置１４、及び作業者端末１６はインターネット及びＬＡＮ（Local Area Network）等のネットワーク１８及び２０を介して通信可能に接続される。

基板処理装置１０は、例えば成膜処理、エッチング処理、アッシング処理等の基板の処理を行う装置であって、半導体ウエハを処理する装置又はフラットパネルディスプレイのガラス基板を処理する装置などである。基板処理装置１０は、例えば半導体製造装置、熱処理装置、又は成膜装置である。

基板処理装置１０は、装置コントローラ１２からレシピ又はマクロに従った制御命令を受け付け、レシピ又はマクロの処理を実行する。基板処理装置１０はレシピ又はマクロなどのシーケンスに従った処理を実行する。基板処理装置１０には複数の物理センサが設置されている。

また、基板処理装置１０は図１に示したように装置コントローラ１２が搭載されていてもよいし、通信可能に接続されていれば必ずしも搭載されていなくてもよい。装置コントローラ１２は基板処理装置１０を制御するコンピュータを有する。装置コントローラ１２はレシピ又はマクロに従って基板処理装置１０の制御部品を制御する制御命令を出力することにより、レシピ又はマクロに従った処理を基板処理装置１０に実行させる。

なお、装置コントローラ１２は基板処理装置１０に対する指示を作業者から受け付けると共に、基板処理装置１０に関する情報を作業者に提供するマンマシンインタフェースの機能を有する。

装置コントローラ１２は、基板処理装置１０に設置されている複数の物理センサから出力された物理センサ出力値を受信する。物理センサは、温度センサ、圧力センサ、及び流量センサ等である。装置コントローラ１２は予測対象の物理センサ出力値と、後述の物理モデル又は統計モデルが予測した仮想センサ出力値とを比較して、予測対象の物理センサの異常を判定する。

また、装置コントローラ１２は予測対象の物理センサに異常が発生していると判定した場合、予測対象の物理センサ出力値に基づく基板処理装置１０の制御から、予測対象の物理センサに対応する仮想センサの仮想センサ出力値による制御に切り替える。

サーバ装置１４は、基板処理装置１０に設置されている複数の物理センサから出力された物理センサ出力値を受信し、保存してもよい。サーバ装置１４は、装置コントローラ１２と同様、予測対象の物理センサ出力値と、後述の物理モデル又は統計モデルが予測した仮想センサ出力値とを比較して、予測対象の物理センサの異常を判定してもよい。サーバ装置１４は予測対象の物理センサに異常が発生していると判定した場合、予測対象の物理センサ出力値に基づく基板処理装置１０の制御から、予測対象の物理センサに対応する仮想センサの仮想センサ出力値による制御に切り替えてもよい。

また、装置コントローラ１２又はサーバ装置１４は、予測対象の物理センサに異常が発生していると判定した場合、物理センサの異常を作業者に通知するように、例えば装置コントローラ１２のディスプレイ、サーバ装置１４のディスプレイ、又は作業者端末１６のディスプレイ等に表示してもよい。装置コントローラ１２又はサーバ装置１４は、予測対象の物理センサに異常が発生していると判定した場合、電子メール等を利用して物理センサの異常を作業者に通知してもよい。本実施形態に係る基板処理システム１は、後述するように、予測対象の物理センサの異常検知と、予測対象の物理センサの冗長化と、を実現する。

作業者端末１６は、製造工場２に設置された基板処理装置１０の装置担当者又は解析担当者などの作業者により操作されるＰＣ（Personal Computer）又はスマートフォンなどである。

なお、図１の基板処理システム１は一例であり、用途や目的に応じて様々なシステム構成例があることは言うまでもない。例えば基板処理システム１は、それぞれの基板処理装置１０の装置コントローラ１２が、複数の基板処理装置１０用の装置コントローラに統合された構成や、更に分割された構成など、様々な構成が可能である。

＜ハードウェア構成＞
図１に示す基板処理システム１の装置コントローラ１２、サーバ装置１４、及び作業者端末１６は例えば図２に示すハードウェア構成のコンピュータ（情報処理装置）により実現される。図２はコンピュータの一例のハードウェア構成図である。

図２のコンピュータ５００は、入力装置５０１、出力装置５０２、外部Ｉ／Ｆ（インタフェース）５０３、ＲＡＭ（Random Access Memory）５０４、ＲＯＭ（Read Only Memory）５０５、ＣＰＵ（Central Processing Unit）５０６、通信Ｉ／Ｆ５０７及びＨＤＤ（Hard Disk Drive）５０８などを備え、それぞれがバスＢで相互に接続されている。なお、入力装置５０１及び出力装置５０２は必要なときに接続して利用する形態であってもよい。

入力装置５０１はキーボードやマウス、タッチパネルなどであり、作業者が各操作信号を入力するのに用いられる。出力装置５０２はディスプレイ等であり、コンピュータ５００による処理結果を表示する。通信Ｉ／Ｆ５０７はコンピュータ５００をネットワーク１８又は２０に接続するインタフェースである。ＨＤＤ５０８は、プログラムやデータを格納している不揮発性の記憶装置の一例である。

外部Ｉ／Ｆ５０３は、外部装置とのインタフェースである。コンピュータ５００は外部Ｉ／Ｆ５０３を介してＳＤ（Secure Digital）メモリカードなどの記録媒体５０３ａの読み取り及び／又は書き込みを行うことができる。ＲＯＭ５０５は、プログラムやデータが格納された不揮発性の半導体メモリ（記憶装置）の一例である。ＲＡＭ５０４はプログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）の一例である。

ＣＰＵ５０６は、ＲＯＭ５０５やＨＤＤ５０８などの記憶装置からプログラムやデータをＲＡＭ５０４上に読み出し、処理を実行することで、コンピュータ５００全体の制御や機能を実現する演算装置である。

図１の装置コントローラ１２、サーバ装置１４、及び作業者端末１６は、図２に示したハードウェア構成のコンピュータ５００でプログラムを実行することで、後述の各種機能を実現できる。

＜機能構成＞
本実施形態に係る基板処理システム１の基板処理装置１０は、例えば図３に示すような機能ブロックで実現される。図３は本実施形態に係る基板処理装置の一例の機能ブロック図である。なお、図３の機能ブロック図は本実施形態の説明に不要な構成について図示を省略している。

図３の基板処理装置１０の装置コントローラ１２は、装置コントローラ１２用のプログラムを実行することで、取得部４０、予測部４２、異常判定部４４、通知部４６、及び指示部４８を実現している。

予測対象の物理センサ３０ａは、基板処理装置１０に常時設置されており、異常を検知する対象となる物理センサである。常時設置されているとは、試験的な設置でなく、例えば製品に設置されていることを示す。他の物理センサ３０は、基板処理装置１０に常時設置されており、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値を予測する為に利用される。他の物理センサ３０は、予測対象の物理センサ３０ａの物理センサ出力値との相関が閾値よりも高い物理センサ３０が望ましい。

なお、予測対象の物理センサ３０ａは、別の予測対象の物理センサ３０ａの他の物理センサ３０として利用されてもよい。他の物理センサ３０は、別の予測対象の物理センサ３０ａとして利用されてもよい。

装置コントローラ１２の取得部４０は、他の物理センサ３０及び予測対象の物理センサ３０ａから出力された物理センサ出力値を取得する。予測部４２は、予測対象の物理センサ３０ａの物理センサ出力値を、他の物理センサ３０の物理センサ出力値から予測する機能を有する。本実施形態では、予測部４２が予測した予測対象の物理センサ３０ａの物理センサ出力値を、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値と呼ぶ。予測部４２の処理の詳細は後述する。

異常判定部４４は、予測対象の物理センサ３０ａの物理センサ出力値と、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値とを比較して、予測対象の物理センサ３０ａに異常が発生しているか否かを判定する。例えば異常判定部４４は、予測対象の物理センサ３０ａの物理センサ出力値と予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値との差が所定値以上であれば、予測対象の物理センサ３０ａに異常が発生していると判定する。異常判定部４４は予測対象の物理センサ３０ａに異常が発生しているか否かの情報を、通知部４６及び指示部４８に送信する。

通知部４６は、予測対象の物理センサ３０ａに異常が発生していることを示す情報を異常判定部４４から受信すると、予測対象の物理センサ３０ａの異常を作業者に通知するように警告を行ったり異常を発報したりする。作業者への通知は、ディスプレイ等に表示することで行ってもよいし、メール出力することで行ってもよいし、ライトの点灯で行ってもよいし、音の出力で行ってもよいし、印刷出力することで行ってもよい。

指示部４８は、予測対象の物理センサ３０ａに異常が発生しているか否かの情報を、異常判定部４４から受信する。予測対象の物理センサ３０ａに異常が発生していることを示す情報を受信していなければ、指示部４８は予測対象の物理センサ３０ａの物理センサ出力値に基づき、レシピ又はマクロに従って制御対象３２を制御する。

予測対象の物理センサ３０ａに異常が発生していることを示す情報を受信すると、指示部４８は予測対象の物理センサ３０ａの物理センサ出力値に基づく制御から、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値による制御に、制御対象３２の制御を切り替える。予測対象の物理センサ３０ａに異常が発生していることを示す情報を受信すると、指示部４８は仮想センサの仮想センサ出力値に基づき、レシピ又はマクロに従って制御対象３２を制御する。

このように、本実施形態に係る基板処理装置１０は予測対象の物理センサ３０ａに異常があれば、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値に置き換えて冗長化運転を行うことができる。

したがって、本実施形態に係る基板処理装置１０によれば、プロセス中に予測対象の物理センサ３０ａが故障しても、予測対象の物理センサ３０ａに対応する仮想センサで代用して、例えば半導体ウエハをロットアウトさせないように制御対象３２を制御できる。また、本実施形態に係る基板処理装置１０によれば、プロセス中に予測対象の物理センサ３０ａが故障しても、予測対象の物理センサ３０ａの交換ができるまで、予測対象の物理センサ３０ａに対応する仮想センサで代用できるので、基板処理装置１０の稼働率を向上できる。

予測部４２は、例えば図４に示すような機能ブロックで実現される。図４は本実施形態に係る予測部の一例の機能ブロック図である。図４の機能ブロック図は本実施形態の説明に不要な構成について図示を省略している。

図４の予測部４２は、既知判定部６０及び予測処理部６４を有する構成である。予測処理部６４は、物理モデル７０及び統計モデル７２を有する。また、図４では学習部６６及び統計モデル学習済みデータ記憶部６８が予測部４２とは別に設けられた例を示しているが、学習部６６及び統計モデル学習済みデータ記憶部６８が予測部４２の内部に設けられていてもよい。

物理モデル７０は、物理的手法により構築した予測モデルである。物理モデル７０は物理法則及び科学法則をベースとしているため、予測対象の物理センサ３０ａの挙動を原理及び原則に従って予測できる。このため、物理モデル７０は解析できている既知のデータに対しては、ある程度の予測精度を維持できる。

しかし、物理モデル７０は既知のデータに対して予測対象の物理センサ３０ａに相当するような高精度な予測を行うことが難しく、モデル構築や解析できていない未知の現象へのチューニングに時間が掛かってしまう。

統計モデル７２は統計的手法により構築した予測モデルである。統計モデル７２は基板処理装置１０のログデータに基づき、ガウス過程回帰モデル又はニューラルネットワークなどの一般的な推定アルゴリズムを用いて構築される。例えば予測対象の物理センサ３０ａと相関の高い他の物理センサ３０は基板処理装置１０のログデータに基づいて算出することができる。統計モデル７２は、予測対象の物理センサ３０ａと相関の高い他の物理センサ３０の物理センサ出力値のログデータを学習済みである。統計モデル７２は、既知のデータに対して物理モデル７０よりも高精度な予測を行うことができる。しかし、統計モデル７２は未知のデータに対しての予測が困難である。

そこで、本実施形態の予測部４２では、既知の挙動に対して高精度な予測が可能な統計モデル７２と、想定内の未知の挙動に対しても対応可能な物理モデル７０と、を組み合わせることで、多くの条件に柔軟に対応できる仮想センサ機能を実現している。

統計モデル学習済みデータ記憶部６８は、統計モデル７２が学習済みの既知のデータを記憶する。既知判定部６０は、予測対象の物理センサ３０ａの物理センサ出力値と、統計モデル７２が学習済みの既知のデータと、の類似度に基づき、予測対象の物理センサ３０ａの物理センサ出力値が既知のデータであるか否かを判定し、既知判定の結果を予測処理部６４に通知する。

予測処理部６４は、予測対象の物理センサ３０ａの物理センサ出力値が既知のデータであることを示す既知判定の結果であれば、統計モデル７２を使用し、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値を予測する。予測処理部６４は、予測対象の物理センサ３０ａの物理センサ出力値が既知のデータでないことを示す既知判定の結果であれば、物理モデル７０を使用し、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値を予測する。

なお、物理モデル７０であっても、全く想定していない未知のデータに対しては予測が困難である。そこで、学習部６６は、未知のデータを統計モデル７２に追加学習させる。追加学習より、未知のデータは統計モデル７２が学習済みの既知のデータとなり、統計モデル７２により高精度な予測が可能となる。

なお、学習部６６による統計モデル７２の追加学習のタイミングは、様々である。例えば統計モデル７２の追加学習は所定期間ごとに行うようにしてもよいし、未知のデータが発生する度に行ってもよいし、レシピ又はマクロに従った処理（ＲＵＮ）の後で行ってもよいし、レシピ又はマクロに従った処理の途中で行ってもよい。学習部６６は、追加学習用の統計モデル７２を準備し、追加学習用の統計モデル７２を追加学習させたあと、予測処理部６４で運用中の統計モデル７２を更新するようにしてもよい。

＜処理＞
本実施形態の基板処理装置１０は、例えば図５に示すような手順で物理モデル７０を作成する。図５は、物理モデルの作成手順の一例を示したフローチャートである。物理モデル７０の作成は、例えばサーバ装置１４で行い、基板処理装置１０に登録するようにしてもよいし、装置コントローラ１２で行ってもよい。ここでは、サーバ装置１４で行う例について説明する。

ステップＳ１０において、サーバ装置１４は設計情報が記憶された記憶部から基板処理装置１０の設計情報を読み出す。基板処理装置１０の設計情報は、サーバ装置１４の内部に記憶されていてもよいし、サーバ装置１４以外に記憶されていてもよい。

ステップＳ１２において、サーバ装置１４は物理法則及び科学法則に従って物理的手法により物理モデルを構築する。ステップＳ１４において、サーバ装置１４はステップＳ１２で構築した物理モデルを既存の評価方法で評価する。ステップＳ１４の評価の結果が合格でなければ、サーバ装置１４はステップＳ１０に戻り、処理を続ける。ステップＳ１４の評価の結果が合格であれば、サーバ装置１４はステップＳ１８に進み、ステップＳ１４の評価の結果が合格であった物理モデルを運用物理モデルとして、装置コントローラ１２の予測部４２に登録する。

本実施形態の基板処理装置１０は、例えば図６に示すような手順で統計モデル７２を作成する。図６は、統計モデルの作成手順の一例を示したフローチャートである。統計モデル７２の作成は、例えばサーバ装置１４で行い、基板処理装置１０に登録するようにしてもよいし、装置コントローラ１２で行ってもよい。ここでは、サーバ装置１４で行う例について説明する。

ステップＳ２０において、サーバ装置１４は基板処理装置１０のログデータが記憶された記憶部から基板処理装置１０のログデータを読み出す。基板処理装置１０のログデータは基板処理装置１０の内部に記憶されていてもよいし、サーバ装置１４の内部に記憶されていてもよいし、それ以外に記憶されていてもよい。ログデータには、予測対象の物理センサ３０ａ及び他の物理センサ３０から出力された物理センサ出力値と、その物理センサ出力値の挙動と、が含まれている。

ステップＳ２２において、サーバ装置１４は予測対象の物理センサ３０ａと他の物理センサ３０との相関分析を行い、予測対象の物理センサ３０ａとの相関が閾値よりも高い他の物理センサ３０を算出する。ステップＳ２４において、サーバ装置１４は予測対象の物理センサ３０ａとの相関が閾値よりも高い他の物理センサ３０の物理センサ出力値と、その物理センサ出力値の挙動とを、ログデータから読み出し、必要な前処理を行う。

ステップＳ２６において、サーバ装置１４は予測対象の物理センサ３０ａとの相関が閾値よりも高い他の物理センサ３０の物理センサ出力値と、その物理センサ出力値の挙動とに基づき、統計的手法により統計モデルを構築する。ステップＳ２８において、サーバ装置１４はステップＳ２６で構築した統計モデルを既存の評価方法で評価する。ステップＳ２８の評価の結果が合格でなければ、サーバ装置１４はステップＳ２０に戻り、処理を続ける。一方、ステップＳ２８の評価の結果が合格であれば、サーバ装置１４はステップＳ３２に進み、ステップＳ２８の評価の結果が合格であった統計モデルを運用統計モデルとして、装置コントローラ１２の予測部４２に登録する。

本実施形態の基板処理装置１０は、例えば図７に示すように、予測対象の物理センサ３０ａの異常検知と、予測対象の物理センサ３０ａの冗長化と、を行う。図７は、予測対象の物理センサの異常検知及び冗長化の手順の一例を示したフローチャートである。

ステップＳ５０において、装置コントローラ１２の取得部４０は、他の物理センサ３０及び予測対象の物理センサ３０ａから出力された物理センサ出力値を取得し、予測部４２の既知判定部６０に送信する。ステップＳ５２において、予測部４２の既知判定部６０は統計モデル７２の学習済みデータを統計モデル学習済みデータ記憶部６８から取得する。

ステップＳ５４において、既知判定部６０はステップＳ５０で取得した予測対象の物理センサ３０ａの物理センサ出力値と、ステップＳ５２で取得した統計モデル７２の学習済みデータとの類似度を判定する。予測対象の物理センサ３０ａの物理センサ出力値と統計モデル７２の学習済みデータとの類似度は、統計モデル７２が過去に学習した説明変数のデータと、予測処理部６４が現在の予測に使用しようとしている説明変数のデータとの類似度である。既知判定部６０は、予測処理部６４が現在の予測に使用しようとしている説明変数のデータが統計モデル７２の過去に学習せいた説明変数のデータに含まれているか照合したり、予測処理部６４が現在の予測に使用しようとしている説明変数のデータの挙動が統計モデル７２の過去に学習せいた説明変数のデータの挙動に含まれているか照合したりすることで、類似度を判定する。なお、類似度の判定には予測点から所定区間前のコサイン類似度による判定を利用してもよい。

ステップＳ５６において、既知判定部６０は予測対象の物理センサ３０ａの物理センサ出力値と統計モデル７２の学習済みデータとの類似度に基づき、予測対象の物理センサ３０ａの物理センサ出力値が既知のデータであるか否かを判定し、既知判定の結果を予測処理部６４に通知する。

予測対象の物理センサ３０ａの物理センサ出力値が既知のデータであれば、予測処理部６４はステップＳ５８に進み、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値を統計モデル７２で予測する。また、予測対象の物理センサ３０ａの物理センサ出力値が既知のデータでなければ、予測処理部６４はステップＳ６０に進み、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値を物理モデル７０で予測する。

ステップＳ５８又はＳ６０に続いてステップＳ６２に進み、異常判定部４４は予測対象の物理センサ３０ａの物理センサ出力値と、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値とを比較し、予測対象の物理センサ３０ａに異常が発生しているか否かを判定する。

例えば異常判定部４４は、図８に示すような予測対象の物理センサ３０ａの物理センサ出力値と予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値とを利用して、予測対象の物理センサ３０ａに異常が発生しているか否かを判定する。

図８は予測対象の物理センサの異常を検知する処理の一例のイメージ図である。図８では仮想センサの仮想センサ出力値を「○」で示し、予測対象の物理センサ３０ａの物理センサ出力値を「●」で示している。異常判定部４４は仮想センサの仮想センサ出力値から正常範囲（バンド幅）を設定し、物理センサ出力値のそれぞれの点「●」がバンド幅から外れていれば、予測対象の物理センサ３０ａに異常が発生していると判定する。

このように、異常判定部４４は予測対象の物理センサ３０ａの物理センサ出力値と予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値との差が所定値以上であれば、予測対象の物理センサ３０ａに異常が発生していると判定する。予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値は、予測対象の物理センサ３０ａの理想的な物理センサ出力値として扱っている。

予測対象の物理センサ３０ａの異常を検知すると、異常判定部４４は予測対象の物理センサ３０ａに異常が発生していることを指示部４８に通知する。ステップＳ６６において指示部４８は予測対象の物理センサ３０ａの物理センサ出力値に基づく制御から、予測対象の物理センサ３０ａに対応する仮想センサの仮想センサ出力値による制御に、制御対象３２の制御を切り替える。

このように、指示部４８は予測対象の物理センサ３０ａに異常が発生していることを示す情報を受信すると、仮想センサの仮想センサ出力値に基づいて制御対象３２を制御することで、冗長化運転を行うことができる。

なお、指示部４８は予測対象の物理センサ３０ａに異常が発生していることを示す情報を受信しなければ、予測対象の物理センサ３０ａの物理センサ出力値に基づき、制御対象３２を制御する。

予測部４２は例えば図９に示すような手順で未知のデータを統計モデル７２に追加学習させる。図９は統計モデルの追加学習の手順の一例を示したフローチャートである。

ステップＳ８０において、装置コントローラ１２の取得部４０は、他の物理センサ３０及び予測対象の物理センサ３０ａから出力された物理センサ出力値を取得し、予測部４２の既知判定部６０に送信する。ステップＳ８２において、予測部４２の既知判定部６０は統計モデル７２の学習済みデータを統計モデル学習済みデータ記憶部６８から取得する。

ステップＳ８４において、既知判定部６０はステップＳ８０で取得した予測対象の物理センサ３０ａの物理センサ出力値と、ステップＳ８２で取得した統計モデル７２の学習済みデータとの類似度を判定する。

ステップＳ８６において、既知判定部６０は予測対象の物理センサ３０ａの物理センサ出力値と統計モデル７２の学習済みデータとの類似度に基づき、予測対象の物理センサ３０ａの物理センサ出力値が既知のデータであるか否かを判定し、既知判定の結果を予測処理部６４に通知する。

予測対象の物理センサ３０ａの物理センサ出力値が既知のデータであれば、予測処理部６４はステップＳ８０に戻る。予測対象の物理センサ３０ａの物理センサ出力値が未知のデータであれば、学習部６６はステップＳ８８に進み、予測対象の物理センサ３０ａの物理センサ出力値を統計モデル７２に追加学習させる。

ステップＳ９０において、学習部６６はステップＳ８８で追加学習した統計モデル７２を既存の評価方法で評価する。ステップＳ９０の評価の結果が合格でなければ、学習部６６はステップＳ８０に戻り、処理を続ける。一方、ステップＳ９０の評価の結果が合格であれば、学習部６６はステップＳ９４に進み、追加学習した統計モデル７２を運用統計モデルとして、予測処理部６４に登録する。

このように、本実施形態では予測対象の物理センサ３０ａの物理センサ出力値が未知のデータであると、予測部４２で使用中の統計モデル７２に追加学習させることで、既知のデータを増やしていき、経時変化に順応できる予測モデルを実現できる。

本実施形態に係る制御方法は、例えば図１０に示すような圧力センサ１０２の物理センサ出力値に基づいて自動圧力制御機器１００の開度制御を行う基板処理装置１０に適用できる。図１０は、圧力センサの物理センサ出力値に基づいて自動圧力制御機器の開度制御を行う基板処理装置の一例の機能ブロック図である。

図１０の基板処理装置１０では、圧力センサ１０２の物理センサ出力値と、圧力センサ１０２に対応する仮想センサの仮想センサ出力値とを比較して、圧力センサ１０２に異常が発生しているか否かを判定する。圧力センサ１０２に異常が発生していると判定した場合、基板処理装置１０は圧力センサ１０２の物理センサ出力値に基づく制御から、圧力センサ１０２に対応する仮想センサの仮想センサ出力値による制御に、自動圧力制御機器１００の制御を切り替える。このように、圧力センサ１０２に異常が発生していることを示す情報を受信すると、指示部４８は圧力センサ１０２に対応する仮想センサの仮想センサ出力値に基づき、レシピ又はマクロに従って自動圧力制御機器１００を制御できる。

本実施形態に係る制御方法は、例えば図１１に示すようなマスフローコントローラ１１０の流量センサ１１２の物理センサ出力値に基づいてバルブ１１６の開度制御を行う基板処理装置１０に適用できる。図１１は、流量センサの物理センサ出力値に基づいてバルブの開度制御を行う基板処理装置の一例の機能ブロック図である。

図１１の基板処理装置１０では、流量センサ１１２に異常が発生していなければ、装置コントローラ１２の指示部４８からマスフローコントローラ１１０に流量設定値が送信されている。マスフローコントローラ１１０の制御回路１１４は指示部４８から受信した流量設定値と流量センサ１１２の物理センサ出力値とに基づき、バルブ１１６の開度を制御している。

したがって、制御回路１１４は流量センサ１１２に異常が発生すると、適切な流量となるようにバルブ１１６の開度を制御できない。図１１の基板処理装置１０では、流量センサ１１２の物理センサ出力値と、流量センサ１１２に対応する仮想センサの仮想センサ出力値とを比較して、流量センサ１１２に異常が発生しているか否かを判定する。図１１の基板処理装置１０では、流量センサ１１２に異常が発生していると判定された場合、適切な流量となるようにバルブ１１６の開度設定値を装置コントローラ１２の指示部４８からマスフローコントローラ１１０に送信する。流量センサ１１２に対応する仮想センサの仮想センサ出力値と、バルブ１１６の開度設定値との関係性は、装置コントローラ１２に事前に登録されているものとする。

流量センサ１１２に異常が発生していることを示す情報を受信すると、指示部４８は流量センサ１１２の物理センサ出力値によるバルブ１１６の開度の制御から、流量センサ１１２に対応する仮想センサの仮想センサ出力値によるバルブ１１６の開度の制御に、切り替えることができる。

本実施形態によれば、予測対象の物理センサ３０ａからの物理センサ出力値の出力が停止する突発的な故障や物理センサ出力値が思想的な値からずれてしまう故障などにも対応できる。

以上、本発明の好ましい実施例について詳説したが、本発明は、上述した実施例に制限されることはなく、本発明の範囲を逸脱することなく、上述した実施例に種々の変形及び置換を加えることができる。

１ 基板処理システム
１０ 基板処理装置
１２ 装置コントローラ
１４ サーバ装置
１６ 作業者端末
１８、２０ ネットワーク
３０ 他の物理センサ
３０ａ 予測対象の物理センサ
３２ 制御対象
４０ 取得部
４２ 予測部
４４ 異常判定部
４６ 通知部
４８ 指示部
６０ 既知判定部
６４ 予測処理部
６６ 学習部
６８ 統計モデル学習済みデータ記憶部
７０ 物理モデル
７２ 統計モデル

Claims (7)

1. 基板処理装置に設置されている複数の物理センサから出力された物理センサ出力値を取得するように構成された取得部と、
   前記物理センサ出力値と、統計的手法により構築した統計モデルが学習済みのデータとの類似度に基づき、前記統計モデル又は物理的手法により構築した物理モデルを切り替えて予測対象の物理センサに対応する仮想センサの仮想センサ出力値を予測するように構成された予測部と、
   前記予測対象の物理センサの物理センサ出力値と前記仮想センサの前記仮想センサ出力値とを比較して、前記物理センサの異常を判定するように構成された異常判定部と、
   前記物理センサの異常が発生していると判定した場合に、前記予測対象の物理センサの物理センサ出力値に基づく制御から前記仮想センサの前記仮想センサ出力値による制御に切り替えるように構成された指示部と、
   を有する情報処理装置。
2. 前記予測部は、前記類似度が閾値よりも高い場合に、前記統計モデルを使用して前記仮想センサの仮想センサ出力値を予測し、前記類似度が閾値よりも高くない場合に、前記物理モデルを使用して前記仮想センサの仮想センサ出力値を予測するように構成されていること
   を特徴とする請求項１記載の情報処理装置。
3. 前記類似度が閾値よりも高くない場合に、前記物理センサ出力値で前記統計モデルを追加学習するように構成された学習部、を更に有する
   請求項２記載の情報処理装置。
4. 前記予測部は、前記予測対象の物理センサとの相関が閾値よりも高い他の物理センサの物理センサ出力値から前記仮想センサの仮想センサ出力値を予測するように構成されていること
   を特徴とする請求項１記載の情報処理装置。
5. 前記物理センサの異常が発生していると判定した場合に、前記物理センサの異常を作業者に通知するように構成された通知部、を更に有する
   請求項１乃至４の何れか一項に記載の情報処理装置。
6. 情報処理装置に、
   基板処理装置に設置されている複数の物理センサから出力された物理センサ出力値を取得する取得手順、
   前記物理センサ出力値と、統計的手法により構築した統計モデルが学習済みのデータとの類似度に基づき、前記統計モデル又は物理的手法により構築した物理モデルを切り替えて予測対象の物理センサに対応する仮想センサの仮想センサ出力値を予測する予測手順、
   前記予測対象の物理センサの物理センサ出力値と前記仮想センサの前記仮想センサ出力値とを比較して、前記物理センサの異常を判定する異常判定手順、
   前記物理センサの異常が発生していると判定した場合に、前記予測対象の物理センサの物理センサ出力値に基づく制御から前記仮想センサの前記仮想センサ出力値による制御に切り替える指示手順、
   を実行させるためのプログラム。
7. 一台以上の基板処理装置と、前記基板処理装置と通信可能に接続された情報処理装置とを有する基板処理システムが実行する制御方法であって、
   
   基板処理装置に設置されている複数の物理センサから出力された物理センサ出力値を取得することと、
   前記物理センサ出力値と、統計的手法により構築した統計モデルが学習済みのデータとの類似度に基づき、前記統計モデル又は物理的手法により構築した物理モデルを切り替えて予測対象の物理センサに対応する仮想センサの仮想センサ出力値を予測することと、
   前記予測対象の物理センサの物理センサ出力値と前記仮想センサの前記仮想センサ出力値とを比較して、前記物理センサの異常を判定することと、
   前記物理センサの異常が発生していると判定した場合に、前記予測対象の物理センサの物理センサ出力値に基づく制御から前記仮想センサの前記仮想センサ出力値による制御に切り替えることと、
   を有する制御方法。

Images