JP2024031303A - 情報処理装置、情報処理方法およびプログラム - Google Patents

情報処理装置、情報処理方法およびプログラム Download PDF

Info

Publication number
JP2024031303A
JP2024031303A JP2022134784A JP2022134784A JP2024031303A JP 2024031303 A JP2024031303 A JP 2024031303A JP 2022134784 A JP2022134784 A JP 2022134784A JP 2022134784 A JP2022134784 A JP 2022134784A JP 2024031303 A JP2024031303 A JP 2024031303A
Authority
JP
Japan
Prior art keywords
event
information
time
detection result
acquisition unit
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
JP2022134784A
Other languages
English (en)
Inventor
佳詞 藤井
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.)
Ulvac Inc
Original Assignee
Ulvac Inc
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 Ulvac Inc filed Critical Ulvac Inc
Priority to JP2022134784A priority Critical patent/JP2024031303A/ja
Priority to US18/237,796 priority patent/US20240069519A1/en
Priority to KR1020230111178A priority patent/KR20240029525A/ko
Priority to CN202311071549.5A priority patent/CN117634639A/zh
Publication of JP2024031303A publication Critical patent/JP2024031303A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31455—Monitor process status
    • 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
    • G05B2219/32373—Timed petrinet, timed event graph
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Figure 2024031303000001
【課題】機械学習の処理を効率化する。
【解決手段】複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、デバイスごとのイベントの状態を表すイベント状態情報を２以上のデバイスについて総合した総イベント状態情報を取得する第１取得部と、対象物製造装置による対象物の製造過程において検出された時系列の検出結果情報を取得する第２取得部と、第１取得部によって取得された総イベント状態情報ごとに、第２取得部によって取得された時系列の検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された学習モデルに、第１取得部によって取得された総イベント状態情報ごとに第２取得部によって取得された時系列の検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う機械学習処理部と、を備える、情報処理装置。
【選択図】図１

Description

本開示は、情報処理装置、情報処理方法およびプログラムに関する。
複数のデバイスの状態を制御して対象物を製造する対象物製造装置が知られている。
例えば、対象物製造装置の一例である半導体製造装置は、複数のデバイスを備え、それぞれのデバイスの状態を制御して、対象物である半導体を製造する。また、半導体製造装置では、半導体の製造過程において、音、画像、振動などの時系列データを取得することが可能である。
例えば、特許文献１には、処理対象物に対して所定の処理を施す処理室内で所定の処理環境を形成するために設けられている可動部品と、各可動部品の作動を制御する制御手段とを備えた処理装置の作動監視システムが記載されている。このような作動監視システムでは、可動部材の作動に伴い発生する振動の波形を検出する振動検知手段を有し、可動部品のいずれかを作動すべく制御手段からの制御が行われた場合、制御に応じたイベントデータと、振動検知手段により検知され、そのときに作動している全可動部品の振動の波形とを取得する。そして、当該作動監視システムでは、イベントデータに応じた制御が選択されるごとに、またはイベントデータと同種の他のイベントデータに応じた振動の波形が取得されている場合に、当該波形の変化を監視し、当該波形が所定の範囲を超えて変化していると、処理装置の異常を判断するように構成されている（特許文献１参照。）。
国際公開第２０１０／０１０６８８号 国際公開第２００６／１３７４７６号 国際公開第２０１０／１５０５４０号
しかしながら、従来の技術では、半導体製造装置における複数のデバイスの状態を表すことが容易でない場合があった。
特に、音、画像、振動などの時系列データについて、機械学習を適用する場合に、複数のデバイスの状態を表すことが容易でないと、機械学習における教師データを選択することなどが困難な場合があった。
本開示は、このような事情を考慮してなされたもので、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、当該対象物製造装置による対象物の製造過程において検出される時系列の検出結果情報に関する機械学習の処理を効率化することができる情報処理装置、情報処理方法およびプログラムを提供することを課題とする。
本開示の一態様は、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１取得部と、前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得する第２取得部と、前記第１取得部によって取得された前記総イベント状態情報ごとに、前記第２取得部によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１取得部によって取得された前記総イベント状態情報ごとに前記第２取得部によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う機械学習処理部と、を備える、情報処理装置である。
本開示の一態様は、第１取得部が、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得し、第２取得部が、前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得し、機械学習処理部が、前記第１取得部によって取得された前記総イベント状態情報ごとに、前記第２取得部によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１取得部によって取得された前記総イベント状態情報ごとに前記第２取得部によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う、情報処理方法である。
本開示の一態様は、コンピューターに、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１機能と、前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得する第２機能と、前記第１機能によって取得された前記総イベント状態情報ごとに、前記第２機能によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１機能によって取得された前記総イベント状態情報ごとに前記第２機能によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う第３機能と、を実現させるためのプログラムである。
本開示に係る情報処理装置、情報処理方法およびプログラムによれば、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、当該対象物製造装置による対象物の製造過程において検出される時系列の検出結果情報に関する機械学習の処理を効率化することができる。
実施形態に係る情報処理システムの構成の一例を示す図である。 実施形態に係る対象物製造装置の構成の一例を示す図である。 （Ａ）および（Ｂ）は実施形態に係る対象物製造装置の処理室の構成の一例を示す図である。 実施形態に係るイベント情報を記録したログの構成の一例を示す図である。 実施形態に係る時系列の検出結果情報を記録する前のログの構成の一例を示す図である。 実施形態に係る時系列の検出結果情報を記録したログの構成の一例を示す図である。 （Ａ）は一部のビットを圧縮する前のログの構成の一例を示す図であり、（Ｂ）は一部のビットを圧縮した後のログの構成の一例を示す図である。 （Ａ）は実施形態に係る調整前の総イベント状態情報の一例を示す図であり、（Ｂ）は実施形態に係る調整前の時系列データの一例を示す図であり、（Ｃ）は実施形態に係る調整後の総イベント状態情報の一例を示す図であり、（Ｄ）は実施形態に係る調整後の時系列データの一例を示す図である。 実施形態に係るイベントビットの繰り返しの一例を示す図である。 実施形態に係る検出結果情報を含む画面の一例を示す図である。 実施形態に係る検出結果情報の学習の一例を説明するための図である。 実施形態に係る検出結果情報を含む画面の他の一例を示す図である。 （Ａ）、（Ｂ）および（Ｃ）は実施形態に係る機械学習の教師データ対象の選択を行うことが可能な画面の例を示す図である。 実施形態に係る正常なモータ電流値のデータおよび異常なモータ電流値のデータの一例を示す図である。 実施形態に係るモータ電流値と頻度との関係の一例を示す図である。 実施形態に係る主成分分析でクラスタリングした結果の一例を示す図である。 実施形態に係るＴＳＮＥ分析でクラスタリングした結果の一例を示す図である。 実施形態に係る情報処理装置における機械学習時の処理の手順の一例を示す図である。 実施形態に係る情報処理装置における判定時の処理の手順の一例を示す図である。 （Ａ）、（Ｂ）、（Ｃ）および（Ｄ）は実施形態に係るデータの参照方法のバリエーションの例を示す図である。
以下、図面を参照し、本開示の実施形態について説明する。
［情報処理システム］
図１は、実施形態に係る情報処理システム１の構成の一例を示す図である。
情報処理システム１は、対象物製造装置１１と、情報処理装置１２と、を備える。
＜情報処理装置＞
情報処理装置１２は、例えば、コンピューターを用いて構成されている。
情報処理装置１２は、入力部１１１と、出力部１１２と、通信部１１３と、記憶部１１４と、制御部１１５と、を備える。
入力部１１１は、操作部１３１を備える。
出力部１１２は、表示部１３２を備える。
制御部１１５は、第１取得部１５１と、第２取得部１５２と、機械学習処理部１５３と、を備える。
入力部１１１は、情報を入力する。例えば、操作部１３１は、ユーザーによって行われる操作の内容に応じた情報を受け付けて入力する。
出力部１１２は、情報を出力する。例えば、表示部１３２は、表示対象の情報を画面に表示出力する。
通信部１１３は、外部装置と通信を行う。本実施形態では、当該外部装置は、対象物製造装置１１である。
記憶部１１４は、各種の情報を記憶する。
制御部１１５は、各種の制御および処理を行う。
制御部１１５は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサーを備え、当該プロセッサーによって所定のプログラムを実行することで、各種の制御および処理を実行する。当該プログラムは、例えば、記憶部１１４に記憶されていてもよい。
第１取得部１５１は、総イベント状態情報（Ｅｖｅｎｔ Ｓｔａｔｕｓ Ｂｉｔ）を取得する。
本実施形態では、総イベント状態情報は、対象物製造装置１１が有するデバイスごとのイベントの状態を表すイベント状態情報（イベントごとのビット）を２以上のデバイスについて総合したものである。
ここで、本実施形態では、対象物製造装置１１は複数のデバイスを有している。そして、本実施形態では、これら複数のデバイスの状態を総イベント状態情報を用いて表す。
このように、第１取得部１５１は、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置１１について、デバイスごとのイベントの状態を表すイベント状態情報を２以上のデバイスについて総合した総イベント状態情報を取得する。
総イベント状態情報は、デバイスごとのイベントの動作結果の状態を表すビット値を含む。
また、総イベント状態情報は、さらに、デバイスごとのイベントの動作中の状態を表すビット値を含んでもよい。
また、総イベント状態情報としては、例えば、１以上のデバイスについてイベント状態情報が削除されたものが用いられてもよい。
この場合、総イベント状態情報にイベント状態情報が含まれる２以上のデバイスは、対象物製造装置１１が有するすべてのデバイスのうちの一部のデバイスとなる。
第２取得部１５２は、時系列の検出結果情報を取得する。
ここで、対象物製造装置１１には、音、画像（光を含む。）、振動などの物理量を検出するセンサーが備えられている。本実施形態では、対象物製造装置１１に、複数のセンサーが備えられており、それぞれのセンサーによってそれぞれの物理量の時系列データが検出される。本実施形態では、説明の便宜上、当該時系列データは、検出結果情報とも呼ばれる。
このように、第２取得部１５２は、対象物製造装置１１による対象物の製造過程において検出された時系列の検出結果情報を取得する。
機械学習処理部１５３は、複数（本実施形態では、Ｎ個とする）の学習モデルＡ１～ＡＮを保持している。
本実施形態では、それぞれの学習モデルＡ１～ＡＮは、それぞれの総イベント状態情報ごとの学習モデルに相当している。つまり、本実施形態では、総イベント状態情報ごとに、異なる学習モデルを使用して、機械学習の処理を行う。
なお、機械学習が行われる前には、学習モデルＡ１～ＡＮは保持されていない。機械学習が行われることで、学習モデルＡ１～ＡＮが生成されて保持される。また、事前に生成済みの学習モデルＡ１～ＡＮを対象物製造装置１１にコピーして（つまり、記憶させて）運用することも可能である。
機械学習処理部１５３は、第１取得部１５１によって取得された総イベント状態情報ごとに、第２取得部１５２によって取得された時系列の検出結果情報を入力とする機械学習を行って学習モデルＡ１～ＡＮを生成する学習処理を行う機能を有する。
また、機械学習処理部１５３は、生成された学習モデルＡ１～ＡＮに、第１取得部１５１によって取得された総イベント状態情報ごとに第２取得部１５２によって取得された時系列の検出結果情報を入力して判定を行う判定処理を行う機能を有する。
なお、当該学習処理を行う機能と、当該判定処理を行う機能とは、例えば、別の装置に備えられていてもよい。
ここで、機械学習処理部１５３は、例えば、学習処理または判定処理の対象となる時系列の検出結果情報の期間を、ロット、基板、キャリア、レシピ、または、処理室のうちのいずれかに基づいて決定することが可能である。
＜実施形態に係る機械学習の概略＞
本実施形態では、イベントとは、ログ（イベントログ）に記録されたイベントの瞬間、またはその記録を表す。
また、イベントビット（イベント状態情報）とは、イベントを一定のルールでビット信号に置き換えたものを表す。
また、イベントビットコード（総イベント状態情報）とは、イベントビットを３２ビットあるいは６４ビットなどに集約したものを表す。
ここで、イベントビットコード別の解析によって、ある処理室の全データをＰＣＡで処理する際などに、イベントビットコード別に色分け、マーカー分けして表示することも有用である。
自動化を進めるにあたり、機械学習で正常時の装置状態を記録すること、および、正常時の学習内容からの乖離で異常を判断することを考える。ここで、機械学習を成立させる上で、教師データと適切な前処理が重要となる。
装置（本実施形態では、対象物製造装置１１）では、様々なイベントが発生する。イベントとしては、例えば、能動的に駆動系を動かすイベント、実際の基板への処理を開始するタイミングを示すイベントなどがある。
これらのイベントに番号を付ける。
一例として、３２個のイベントである場合、３２ビット（ｂｉｔ）のビット信号で状態を表す態様がある。ここで、３２ビットが示す値が同じである状態は、同じ状態であると判断される。
このような態様では、各イベントのビットは、動作が確定した状態のみを表す。
他の例として、動作イベントについては、動作の途中のフェーズもビットで表すことが可能である。具体例として、リフターアップ（Ｌｉｆｔｅｒ Ｕｐ）というイベントの場合、ダウン（Ｄｏｗｎ）状態からアップ（Ｕｐ）中の状態になりアップ（Ｕｐ）完了の状態となるといったように、動作の途中のフェーズが存在する。これに対応するために、例えば、１個のイベントに対して２ビットを使用して、００のビットはダウン状態を表し、０１のビットはアップ状態を表し、１０のビットはダウン状態から他の状態へ変化中であることを表し、１１のビットはアップ状態から他の状態へ変化中を表す、といったことが可能である。このように、単に定常状態（動作中ではない状態）を表すビットに対して、追加したビット（例えば、上位のビット）を用いて、動作中である状態を表現することも可能である。この場合、３２個のイベントについては、６４ビットが割り当てられる。
このような態様では、各イベントのビットは、動作が確定した状態と、動作の変化中の状態と、を表す。
本実施形態では、このようなビットの表現を用いて、１個の装置の１個のモジュールでの処理状態をイベントビットの集合（総イベント状態情報）で表現すると、基本的には同じ処理を繰り返すと同じ総イベント状態情報の動作を繰り返す。なお、モジュールとしては、様々な機能単位が用いられてもよい。
情報処理装置１２において、その他のデータ（例えば、アナログデータ）である音、画像、振動などの時系列データを総イベント状態情報ごとに収集して、教師データとして総イベント状態情報ごとに学習を行って、機械学習モデル（学習モデルＡ１～ＡＮ）を生成する。なお、教師データが（対象物製造処理が正常に完了した際の処理データなどのように）正常時のデータであることは、例えば人などによって確認済みであることを想定している。
一方、情報処理装置１２において、機械学習モデルを用いた判定モードでは、例えば、各総イベント状態情報ごとに、教師データと比較して、変化を監視する。
例えば、教師データ内の値のばらつきに対して２倍のばらつきで警告（ＷＡＲＮＩＮＧ）を出力し、教師データ内の値のばらつきに対して１０倍のばらつきでエラー（ＥＲＲＯＲ）を出力するといった設定を行っておき、ある程度運用しながら数値ごとに調整して最適化が行われてもよい。なお、２倍および１０倍という数値は一例であり、他の数値が用いられてもよい。
なお、警告あるいはエラーを出力する機能として、例えば、オートエンコーダーの異常検知機能が用いられてもよい。
また、情報処理装置１２において、イベントビット（イベント状態情報）で検出結果情報の値の変化をもたらさない（または、値の変化が少ない）ビットを判定し、当該ビットを無視する処理が行われてもよく、これにより、イベントステータスビット（総イベント状態情報）のビット数を削減することができる。
このような処理は、例えば、各ビットの変化に応じた検出結果情報の一致度（あるいは、変化度でも同様）に基づいて、プログラムで実現することも可能である。
また、本実施形態に係る情報処理装置１２では、機械学習を行う期間として、例えば、対象物製造装置１１のモジュールのメンテナンスサイクルを１期間（単位の期間）としてもよい。なお、対象となるデータが膨大になる場合は、期間内をランダムにサンプリングして学習するとよい。
また、本実施形態に係る情報処理装置１２では、アラームが発生したデータを機械学習に使用しないようにする。
機械学習の対象として、最小単位は、例えば、１個の基板、１個のモジュールの１種類のイベントビットの処理に対象を特定した場合が一例であるが、必ずしもこれに限らず、例えば、ロット、キャリア、レシピ、処理室などを指定することで、機械学習の対象の期間（時間）を特定してもよい。また、当該最小単位として、例えば、所定の温度である期間などといったように、検出結果情報のデータの値を基準にして期間（時間）を特定することが行われてもよい。
また、機械学習の対象として、このような最小単位を使用して、複数の最小単位を合わせたものが機械学習の対象とされてもよい。
本実施形態では、情報処理装置１２は、機械学習処理部１５３によって、時系列データから同じ状態数値（総イベント状態情報）の期間のデータを自動的に抽出して、機械学習の処理、または、機械学習結果による判定の処理を行う。
＜対象物製造装置＞
図２は、実施形態に係る対象物製造装置１１の構成の一例を示す図である。
なお、図２に示される構成例は、特許文献２の図１に示される真空装置の構成の一部に類似した構成例であり、本実施形態では、詳しい説明を省略する。
本実施形態では、対象物製造装置１１は、半導体製造装置であり、クラスターツールのスパッタリング装置である。
対象物製造装置１１は、搬送室２１１と、複数の処理室２２１～２２４と、ロードロック室２２５と、仕切りバルブ２４１～２４５と、を備える。
搬送室２１１は、真空搬送ロボットである搬送ロボット２３１を備える。
処理室２２１～２２４およびロードロック室２２５は、それぞれ、搬送室２１１と接続されている。
処理室２２１～２２４およびロードロック室２２５のそれぞれと搬送室２１１との間には、それぞれ、仕切りバルブ２４１～２４５が備えられている。
ロードロック室２２５は、基板を大気から真空雰囲気に導入するために使用される。
図２の例のように、対象物製造装置１１では、複数の処理室２２１～２２４を接続することが可能である。各処理室２２１～２２４と搬送室２１１との間には仕切りバルブ２４１～２４４が設置されており、仕切りバルブ２４１～２４４を開いて、他の搬送遮蔽物（基板以外の搬送遮蔽物）を移動させた後に、基板を搬送することが行われる。この移動は、例えば、防着板の昇降、あるいは、ステージの昇降などにより実現される。
図３（Ａ）および図３（Ｂ）は、実施形態に係る対象物製造装置１１の処理室３１１の構成の一例を示す図である。
なお、図３（Ａ）および図３（Ｂ）に示される構成例は、特許文献３の図１および図２に示される真空成膜装置の構成と同様な構成例であり、本実施形態では、詳しい説明を省略し、概要を説明する。
なお、図３（Ａ）および図３（Ｂ）に示される処理室３１１および仕切りバルブ３３１は、図２の例では複数の処理室２２１～２２４および仕切りバルブ２４１～２４４のうちのいずれかに相当する。
図３（Ａ）は、処理室３１１の側面断面図である。
図３（Ｂ）は、処理室３１１の水平面断面図である。
図３（Ａ）および図３（Ｂ）では、概要として、処理室３１１に関して、仕切りバルブ３３１、シャッター板３５１、シャッター機構３５２、基板昇降機構の昇降ピン３５３、防着部材３７１を示してある。
ここで、シャッター板３５１は、放電を行うことで処理室３１１の状態を改善する際にステージを保護するために使用されるカバーの役割を持つユニットである。
図３（Ａ）および図３（Ｂ）の例では、仕切りバルブ３３１側から処理室内へ基板をロード（Ｌｏａｄ）する際に防着板（シールド）が邪魔になる場合に、シールドの昇降機構を具備する防着部材３７１が、防着部材３７１ａとして示している位置から、防着部材３７１ｂとして示している位置まで下がる。
なお、ここでは、対象物製造装置１１が有するデバイスの動作の一例を示したが、対象物製造装置１１は様々なデバイスを備えてもよく、それぞれのデバイスの動作が適宜制御される。
＜ログの情報＞
ログの前処理について説明する。
図４は、実施形態に係るイベント情報を記録したログ１０１１の構成の一例を示す図である。
図４の例では、ログの情報として、時刻、処理室、タスク名、デバイス、動作のそれぞれを表す情報が横方向に並べられて対応付けられており、これが縦方向に時系列に並べられている。
なお、ログで使用される語を説明しておく。なお、本例の構成は一例であり、必ずしもこれに限られない。また、例えば、主排気弁およびガス流量コントローラなどのように、動作が制御される対象のそれぞれが本実施形態におけるデバイスとして用いられる。
ＭＡＩＮＶは主排気弁を表す。ＭＦＣ１ ＭＶＣはガス流量コントローラ１を表す。ＭＦＣ４ ＭＶＣはガス流量コントローラ４を表す。ＧＡＳ１ ＩＮＬＥＴＶはガス１供給側バルブを表す。ＳＨＩＥＬＤは防着板上下機構の動作を表す。ＬＩＦＴＥＲは３段基板上下機構の中下段間の動作を表す。ＭＡＧＮＥＴ ＲＥＳＥＴは磁気リセットを表す。ＲＦ１ ＰＳＦＴは高周波スパッタ電源１の相シフト動作を表す。ＲＦ２ ＰＳＦＴは高周波スパッタ電源２の相シフト動作を表す。ＭＡＩＮＶ ＨＡＬＦは主排気弁の半分を表す。ＭＦＣ１ ＩＡＣはＭＦＣ１の自動制御を表す。ＡＭＣ１ ＰＲＥＳＥＴは高周波スパッタ電源１のマッチングコントローラの指定位置移動動作を表す。ＡＭＣ２ ＰＲＥＳＥＴは高周波スパッタ電源２のマッチングコントローラの指定位置移動動作を表す。ＡＭＣ１ ＡＵＴＯ ＭＡＴＣＨは高周波スパッタ電源１のマッチングコントローラのマッチング動作を表す。ＲＦ１ ＰＳは高周波スパッタ電源１のオン動作を表す。ＡＭＣ２ ＡＵＴＯ ＭＡＴＣＨは高周波スパッタ電源２のマッチングコントローラのマッチング動作を表す。ＲＦ２ ＰＳは高周波スパッタ電源２のオン動作を表す。ＳＨＴＲはシャッター機構のクローズ動作およびオープン動作を表す。ＬＩＦＴＥＲ ＨＩは３段基板上下機構の上段への動作を表す。ＩＧ ＤＥＧＡＳは真空計のイオンゲージのＤｅｇａｓ処理を表す。ＭＡＧＮＥＴはマグネット回転機構動作を表す。ＭＦＣ１ ＩＮＬＥＴＶはガス流量コントローラ１の処理室側バルブを表す。ＭＦＣ２ ＩＮＬＥＴＶはガス流量コントローラ２の処理室側バルブを表す。ＭＦＣ３ ＩＮＬＥＴＶはガス流量コントローラ３の処理室側バルブを表す。ＭＦＣ４ ＩＮＬＥＴＶはガス流量コントローラ４の処理室側バルブを表す。ＳＨＴＲ ＨＯＭＥはシャッターホーム動作を表す。ＣＨＡＭＢ ＷＴＲ ＩＮＬＥＴＶはチャンバー、冷却水、バルブを表す。
図５は、実施形態に係る時系列の検出結果情報を記録する前のログ１０２１の構成の一例を示す図である。
図６は、実施形態に係る時系列の検出結果情報を記録したログ１０２２の構成の一例を示す図である。
図５に示されるログ１０２１に対して、時系列に並べ替えて、デバイスを示す列にビットを記入したデータの状態変化を記載し、次の状態変化まで状態を維持するように埋める。
また、図５に示されるログ１０２１に対して、項目部分１０３１に示されるように、時系列の検出結果情報（本例では、色データ）を右側の列に項目として追加している。
具体的には、「Ｒｅｄ， Ｇｒｅｅｎ ，Ｂｌｕｅ」という項目が追加されている。
その時、情報処理装置１２は、制御部１１５（例えば、機械学習処理部１５３）によって、時刻部１０３２に示されるように、Ｔｉｍｅについては、あらかじめ設計された時間粒度に丸めて追加する。図５の例では、０．０３３ｓｅｃ（＝３０Ｈｚ）周期で測定されたカメラの時系列の色データが、０．１ｓｅｃ単位にされて時系列データに加えられている。
ここで、図６の例では、総イベント状態情報の数値（ビット）が全項目埋まっていないため、総イベント状態情報は無効な時間帯である。
総イベント状態情報（ビット）が全項目埋まった時間帯に時系列データが追加されることで有効なデータとなる。
図７（Ａ）は、一部のビットを圧縮する前のログ１０５１の構成の一例を示す図である。
図７（Ｂ）は、一部のビットを圧縮した後のログ１０５２の構成の一例を示す図である。
図７（Ａ）の例では、空のデータのある行を削除している。つまり、全種類のデバイスが動作して総イベント状態情報のビットが全て有効になった後であって且つ時系列のアナログデータが入っている行を抜粋している。
図７（Ｂ）の例では、図７（Ａ）に示される部分１０６１のビットと部分１０６２のビットとの配置を左右で入れ替えており、部分１０６１のビットをイベントビットコードの列で圧縮して表現している。本例では、圧縮後は、１０進数の値になっており、部分１０６１ａとして示してある。
なお、このような圧縮は、必ずしも行われなくてもよい。
ここで、ビットの削減手法の具体例を示す。
例えば、モジュールにおいて、放電中は制御するイベントビットはほぼ同じとなり、製品基板およびダミー基板の基板種のビットが異なる。このような場合、情報処理装置１２では、ある１個のビットの項目名とそのビットの変化に対する装置データの変化の寄与率の上位５個を表示する。そして、情報処理装置１２では、表示項目と、寄与率、２次元への次元削減によるクラスタと、各次元の寄与率上位３個の項目を確認し、有意差が無い場合、もしくは差分が重要でないと判断した場合に、対象のビットの削減を行う。
＜ログの調整＞
図８（Ａ）は、実施形態に係る調整前の総イベント状態情報（Ｅｖｅｎｔ Ｓｔａｔｕｓ Ｂｉｔ）の一例を示す図である。
図８（Ｂ）は、実施形態に係る調整前の時系列データの一例を示す図である。
図８（Ｃ）は、実施形態に係る調整後の総イベント状態情報（Ｅｖｅｎｔ Ｓｔａｔｕｓ Ｂｉｔ）の一例を示す図である。
図８（Ｄ）は、実施形態に係る調整後の時系列データの一例を示す図である。
図８（Ａ）～図８（Ｄ）では、縦軸は上から下へ向かって時刻（時間）を表している。
本実施形態では、情報処理装置１２は、制御部１１５（例えば、機械学習処理部１５３）によって、図８（Ａ）および図８（Ｂ）のデータを、図８（Ｃ）および図８（Ｄ）のデータへ変換する。
図８（Ａ）の例において、イベントは不定期に状態が変化し得るため、本来、状態変化していない時のタイムスタンプのデータは無い。
図８（Ｂ）の例において、時系列データは、測定している時間帯しかデータが無いが、測定期間中はデータは定周期で埋まっている。
図８（Ｃ）の例において、イベントは、状態が変化しない時は、次の状態変化まで同じ状態であるため、中間のデータは同じデータ（直前のデータ）の複写（コピー）で埋める。その際に、時間の周期は自在に設定することが可能である。
図８（Ｄ）の例において、時系列データは、イベントの時間と同じ周期に合わせる。例えば、３０Ｈｚ（＝０．０３３ｓｅｃ）を１０Ｈｚ（＝０．１ｓｅｃ）に変換してもよい。
＜イベントビットの繰り返しの例＞
図９は、実施形態に係るイベントビットの繰り返しの一例を示す図である。
図９には、ログ１１１１の一例を概略的に示してある。
ログ１１１１は、時刻（時間）を表すビット部分１１２１と、総イベント状態情報を表すビット部分１１２２と、他のビット部分を含む。
図９の例では、時刻の経過にしたがって、総イベント状態情報が周期的に変化する場合を示してある。
図９に示されるように、時間の経過にしたがって、周期的な期間（期間Ｂ１、Ｂ２、Ｂ３）ごとに、同じ総イベント状態情報が繰り返されている。つまり、周期的な期間（期間Ｂ１、Ｂ２、Ｂ３）ごとに、各イベントの状態変化の様子が同じになっている。
なお、図９の例は一例であり、必ずしも、総イベント状態情報が周期的に変化する態様が用いられなくてもよい。
［検出結果情報を含む画面の例］
図１０は、実施形態に係る検出結果情報を含む画面１２１１の一例を示す図である。
画面１２１１は、検出結果情報に関するデータを表す領域１２３１を含み、そのなかで、検出結果情報のグラフを表す領域１２３２と、検出結果情報に関する総イベント状態情報を表す領域１２３３と、を含む。
検出結果情報のグラフとして、温度のデータ１２６１、ガス１のデータ１２６２、別のガス２のデータ１２６３を含む。
総イベント状態情報のイベントとして、処理期間（Ｐｒｏｃｅｓｓｉｎｇ）、防着板の動作（Ｓｈｉｅｌｄ）、基板昇降機構（Ｌｉｆｔｅｒ）、磁気回路動作リセット（ＭＡＧＮＥＴ ＲＥＳＥＴ）、ガス１の弁動作（ＧＡＳ１ ＩＮＬＥＴＶ）、ガス１の流量制御（ＭＦＣ１ ＩＡＣ）、スパッタリング電源動作（ＰＲＣＳ１ ＰＳ）、ガス２の弁動作（ＧＡＳ２ ＩＮＬＥＴＶ）、ガス２の流量制御（ＭＦＣ２ ＩＡＣ）を含む。
検出結果情報の種別としては、チャンバーにおけるガス１の流量（データ１２６２）、チャンバーにおけるガス２の流量（データ１２６３）、ヒーターの温度（データ１２６１）を含む。
図１０の例では、上側のグラフには時系列で変動するデータが示されており、下側のグラフには装置動作のガントチャートが示されている。
図１０の例では、上側のグラフに、検出結果情報を数値化したものが表示される。図１０の例では、検出結果情報は、温度、ガス１の流量、ガス２の流量であるが、他の例として、カメラ画像、振動、などがあり得る。
本実施形態では、ガントチャートの状態をビット化して、ビット別（総イベント状態情報ごと）に学習を行う。
図１１は、実施形態に係る検出結果情報の学習の一例を説明するための図である。
図１１では、図１０に示される画面１２１１を利用して、機械学習の期間を説明する。
すなわち、本実施形態では、情報処理装置１２の機械学習処理部１５３は、検出結果情報のデータの全体の期間について一括で機械学習を行うのではなく、同じ総イベント状態情報の状態である期間（期間Ｃ１～Ｃ５）ごとに機械学習を行う。ここで、期間Ｃ１～Ｃ５は、説明のための例示であり、必ずしもこれに限られない。
なお、同じ総イベント状態情報の状態である期間が離散的に出現する場合には、例えば、総イベント状態情報の状態が同一のもの同士をまとめて機械学習が行われてもよい。
例えば、既存の情報である、ロットの識別情報（Ｌｏｔ ＩＤ）、基板の識別情報（Ｗａｆｅｒ ＩＤ）、キャリアの識別情報（Ｃａｒｅｅｒ ＩＤ）、処理名であるレシピの識別情報（Ｒｅｃｉｐｅ ＩＤ）、処理室の識別情報のうちの１以上について、各処理時刻と対象箇所から、学習する時系列データの時刻と系列を選択する構成が用いられてもよい。
本実施形態では、このような構成において、総イベント状態情報を用いたフィルター条件を付加する。これにより、情報処理装置１２の機械学習処理部１５３は、総イベント状態情報の視点で条件のフィルタリングを行うことが可能であり、例えば、既存の情報（ＩＤ）の処理を総イベント状態情報に基づいて自動で細分化して学習を行うことが可能である。
このように、総イベント状態情報は、時系列データを学習する際に使用するフィルターの条件に好適である。
図１２は、実施形態に係る検出結果情報を含む画面１４１１の他の一例を示す図である。
画面１４１１は、検出結果情報に関するデータを表す領域１４３１を含み、そのなかで、検出結果情報のグラフを表す領域１４３２と、検出結果情報に関する総イベント状態情報を表す領域１４３３と、を含む。
図１２の例について、図１０の例とは相違する箇所について説明する。
図１２の例では、検出結果情報として、カメラのマゼンタ色のデータ１４６１と、カメラのローズ色のデータ１４６２を含む。
検出結果情報の種別としては、カメラのマゼンタ色（マゼンタ色の光）、カメラのローズ色（ローズ色の光）を含む。
図１２の例では、総イベント状態情報が一定である範囲を示してある。
そして、カメラのローズ色のデータ１４６２では、定常状態の後に、異常が発生した場合を示してある。
ここで、図１２の例は、半導体製造装置のモジュール内をカメラで撮影し、撮影された画像内の各色の画素数を示したグラフである。本実施形態では、このようなイベントによって様々に変化する値に対して、それぞれの状態に合わせて自動で学習を行うことが可能である。
図１２に示されるデータ１４６１、１４６２は、シャッター板（図３（Ａ）、（Ｂ）の１例では、シャッター板３７１）がステージにセットされた後にシャッター板に放電が行われている最中におけるデータである。放電光は、磁気回路の回転によって、周期的に変動する。
図１２の例では、異常が発生しているときには、放電の色が変化している。
［機械学習の教師データ］
ここで、教師データを登録する手法としては、任意の手法が用いられてもよい。
例えば、情報処理装置１２において、ユーザーの操作によって任意の時間帯を指定して、指定された時間帯のデータを教師データに登録する手法が用いられてもよい。時間を取り出す基準としては、例えば、時刻を直接入力する手法が用いられてもよい。
また、例えば、情報処理装置１２において、ユーザーの操作によって処理済みのロットに関する様々なＩＤ値（Ｌｏｔ ＩＤ、Ｃａｒｒｉｅｒ ＩＤ、など）を指定して、指定されたＩＤ値に対応するデータを教師データに登録する手法が用いられてもよい。
また、例えば、更に細分化して、基板または処理室などのＩＤを指定して、教師データを絞り込む手法が用いられてもよく、あるいは、複数のＩＤを指定して、教師データを絞り込む手法が用いられてもよい。
また、例えば、所定のデータベースに記憶されたデータについて、ユーザーの操作によってデータ基準の条件を指定して対象時刻を指定して、指定された対象時刻のデータを教師データに登録する手法が用いられてもよい。当該条件として、例えば、ステージ温度が（２００±１）［℃］のとき、などの条件が用いられてもよい。
図１３（Ａ）、図１３（Ｂ）および図１３（Ｃ）は、実施形態に係る機械学習の教師データ対象の選択を行うことが可能な画面の例を示す図である。
ここで、本実施形態では、説明の便宜上、図１３（Ａ）、図１３（Ｂ）および図１３（Ｃ）のそれぞれの画面を別々に説明するが、例えば、これらのうちの任意の２つまたは３つの画面内容が一画面で表示されてもよい。また、これらの画面表示の形式については、任意の表示形式が用いられてもよい。
図１３（Ａ）は、処理時間でフィルターを掛けることで、処理時間に基づいて教師データ対象の選択を行うことが可能な画面１５１１ａを示している。
図１３（Ａ）の例では、処理の開始（Ｓｔａｒｔ）の時刻、処理の終了（Ｅｎｄ）の時刻、または、これらの両方に基づいて、教師データ対象の選択を行うことが可能である。
図１３（Ｂ）は、過去の処理結果（履歴）を選択することで、教師データ対象の選択を行うことが可能な画面１５１１ｂを示している。
図１３（Ｂ）の例では、「Ｎｏ．０００４」の検出結果情報のデータおよび「Ｎｏ．０００６」の検出結果情報のデータが、機械学習の教師データ対象として選択されている。図１３（Ｂ）の例では、それぞれのデータでは、キャリアの識別情報（Ｃａｒｅｅｒ ＩＤ）、ロットの識別情報（Ｌｏｔ ＩＤ）、コントロールジョブの識別情報（Ｃｊｏｂ）、プロセスジョブの識別情報（Ｐｊｏｂ）、処理の開始時刻、処理の終了時刻が特定されている。
図１３（Ｃ）は、基板（Ｗａｆｅｒ）ごとに教師データ対象の選択を行うことが可能な画面１５１１ｃを示している。
図１３（Ｃ）の例では、登録する処理室と基板の選択により、教師データ対象の選択を行っている。具体的には、スロット（Ｓｌｏｔ）として「１」および「３」が選択されており、モジュール（Ｍｏｄｕｌｅ）および連番（ＳｅｑＮｏ．）として「Ａ：００１」（Ｍｏｄｕｌｅ１：ＳｅｑＮｏ．）が選択されている。
なお、図１３（Ｃ）の例では、他のモジュールを選択することも可能であり、また、フロー（Ｆｌｏｗ）の情報も表示されている。
＜デバイス別の判定の例＞
本実施形態では、総イベント状態情報の別に時系列データが学習されているため、各デバイス別の劣化判定などが容易である。
例えば、モータ駆動のアイソレーションバルブに異常があると、バルブ動作が不安定になる。バルブ動作が不安定になると、バルブ動作のモータ電流値の変動幅が拡大する。
図１４は、実施形態に係る正常なモータ電流値のデータ２０１１および異常なモータ電流値のデータ２０１２の一例を示す図である。
図１４の例では、アイソレーションバルブの動作中の変化点を示してあり、具体的には、アイソレーションバルブのオープン動作中の時間経過とモータ電流値の推移を示してある。
図１４に示されるグラフにおいて、横軸は時間経過（時刻）を表しており、縦軸はモータ電流値を表している。
データ２０１１およびデータ２０１２は、アイソレーションバルブがオープン動作中の総イベント状態情報のときの時系列データである。
また、図１４の例では、固着状態からの剥離のタイミングＤ１、剥離後の一瞬電流低下のタイミングＤ２、アイソレーションバルブがオープン位置に到達して定電流で位置が保持されるタイミングＤ３を示してある。
図１５は、実施形態に係るモータ電流値と頻度との関係の一例を示す図である。
図１５の例では、図１４に示される期間におけるモータ電流値について統計値を計算した結果を示してある。
図１５に示されるグラフにおいて、横軸はモータ電流値を表しており、縦軸は頻度［回］を表している。
図１５には、アイソレーションバルブのオープン動作中に０．１ｓｅｃ周期で測定されたモータ電流値のヒストグラムを示してある。
当該ヒストグラムでは、正常時と異常時とで、最大値、尖度、歪度、中央値に変化が発生する。図１５の例では、正常時から異常時になると、中央部分が減少して尖度が低下し、最大値付近が増加して中央値が変化する。
［機械学習の結果の例］
図１６および図１７を参照して、本実施形態における機械学習の処理の結果の例を示す。
図１６は、実施形態に係る主成分分析でクラスタリングした結果の一例を示す図である。
図１６には、異常放電を含む動画の色データを総イベント状態情報の最頻上位１０種類についてａｂｃとラベルを付けて、主成分分析でクラスタリングした結果を示してある。
なお、図１６には模式的な例を示してあるが、実際には、例えば、総イベント状態情報のランキング別に、色およびマーカーの種類が区別されてもよい。
図１７は、実施形態に係るＴＳＮＥ分析でクラスタリングした結果の一例を示す図である。
図１７には、異常放電を含む動画の色データを総イベント状態情報の最頻上位１０種類についてａｂｃとラベルを付けて、ＴＳＮＥ分析でクラスタリングした結果を示してある。
なお、図１７には模式的な例を示してあるが、実際には、例えば、総イベント状態情報のランキング別に、色およびマーカーの種類が区別されてもよい。
［情報処理装置１２において行われる処理手順の例］
図１８は、実施形態に係る情報処理装置１２における機械学習時の処理の手順の一例を示す図である。
（ステップＳ１）
情報処理装置１２において、第１取得部１５１は、学習対象の総イベント状態情報を取得する。
そして、情報処理装置１２では、ステップＳ２の処理へ移行する。
（ステップＳ２）
情報処理装置１２において、第２取得部１５２は、教師データとする検出結果情報のデータを取得する。
そして、情報処理装置１２では、ステップＳ３の処理へ移行する。
（ステップＳ３）
情報処理装置１２において、機械学習処理部１５３は、総イベント状態情報ごとに、検出結果情報のデータについて、機械学習を行って、総イベント状態情報ごとの学習モデルＡ１～ＡＮを生成する。
そして、情報処理装置１２では、本フローの処理を終了する。
なお、情報処理装置１２では、総イベント状態情報ごとの複数の学習モデルＡ１～ＡＮを、例えば、１つずつ生成してもよく、あるいは、これら複数の学習モデルＡ１～ＡＮについて並列処理を行って生成してもよい。
また、ステップＳ１の処理とステップＳ２の処理とは、例えば、処理の順序が逆であってもよく、あるいは、並列的に処理されてもよい。
図１９は、実施形態に係る情報処理装置１２における判定時の処理の手順の一例を示す図である。
（ステップＳ１１）
情報処理装置１２において、第１取得部１５１は、判定対象の総イベント状態情報を取得する。
そして、情報処理装置１２では、ステップＳ１２の処理へ移行する。
（ステップＳ１２）
情報処理装置１２において、第２取得部１５２は、判定対象の検出結果情報のデータを取得する。
そして、情報処理装置１２では、ステップＳ１３の処理へ移行する。
（ステップＳ１３）
情報処理装置１２において、機械学習処理部１５３は、総イベント状態情報ごとに対応する学習モデルＡ１～ＡＮを用いて、判定対象の検出結果情報のデータについて判定を行って、判定結果を取得する。
そして、情報処理装置１２では、本フローの処理を終了する。
なお、ステップＳ１１の処理とステップＳ１２の処理とは、例えば、処理の順序が逆であってもよく、あるいは、並列的に処理されてもよい。
ここで、本実施形態では、総イベント状態情報ごとに機械学習時の処理および判定時の処理が行われるが、例えば、機械学習のモデル、機械学習自体の処理、学習済みモデルを用いた判定自体の処理としては、任意の技術が用いられてもよく、既存の技術が利用されてもよい。
［データの参照方法のバリエーションの例］
図２０（Ａ）、図２０（Ｂ）、図２０（Ｃ）および図２０（Ｄ）は、実施形態に係るデータの参照方法のバリエーションの例を示す図である。
図２０（Ａ）～図２０（Ｄ）の例では、ロードロック室であるＡ室、搬送室であるＢ室、処理室であるＣ室、Ｄ室、Ｅ室およびＦ室があることを想定している。
図２０（Ａ）～図２０（Ｄ）の例では、時刻および総イベント状態情報と、時刻および時系列データと、が対応付けられる。
図２０（Ａ）の例では、全データで分類している。
具体的には、時刻および総イベント状態情報と、時刻および時系列データと、の両方について、Ａ室～Ｆ室のすべてに関するデータが用いられている。
図２０（Ｂ）の例では、Ａ室だけのデータで分類している。
具体的には、時刻および総イベント状態情報と、時刻および時系列データと、の両方について、Ａ室に関するデータが用いられている。
図２０（Ｃ）の例では、ロードロック室、搬送室、あるいは処理室のいずれか２以上を複合して分類している。なお、２以上の処理室といったように、同種の２以上が用いられてもよい。
図２０（Ｃ）の例では、具体的には、時刻および総イベント状態情報と、時刻および時系列データと、の両方について、Ａ室とＦ室に関するデータが用いられている。
図２０（Ｄ）の例では、ロードロック室、搬送室、あるいは処理室のいずれか２以上について一部抜粋して分類している。なお、２以上の処理室といったように、同種の２以上が用いられてもよい。
図２０（Ｄ）の例では、具体的には、時刻および総イベント状態情報について、Ａ室に関するデータおよびＦ室の一部抜粋に関するデータが用いられており、また、時刻および時系列データについて、Ａ室に関するデータおよびＦ室に関するデータが用いられている。
ここで、図２０（Ｄ）の例では、Ｆ室の一部抜粋以外の部分のデータについて削減された総イベント状態情報が用いられている。
このように、データの参照方法としては、様々な態様が用いられてもよい。
例えば、総イベント状態情報のビット数が多い場合には、時間的粒度の拡大が行われてもよく、具体的には、０．１ｓｅｃから１ｓｅｃへ変換することなどが行われてもよい。
また、例えば、特定のモジュールだけに絞り込むなど、適宜高速化を図ることが行われてもよい。
＜実施の具体例１＞
例えば、半導体製造装置の異常検知システムの構築において、時系列データを教師データとする際に、教師データを選別することが困難であるといった問題があった。また、時系列データをイベントに関連付ける作業を行う必要があり、多大な労力になっていた。
そこで、装置内デバイスの状態を２値～４値（１～２ビット）で表現する。さらに、装置内デバイス群の状態を、ビットを積算することで、多ビットの装置状態ビット（本実施形態における総イベント状態情報）で表す。当該多ビットの値を学習条件のタグとして、タグ別に時系列データを学習する。これにより、タグと時系列データとの関連付けは不要となる。
ここで、安定時の処理データを教師データとして登録する。
半導体製造装置でワークの処理を実行する単位としては、例えば、ＳＥＭＩ（Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｅｑｕｉｐｍｅｎｔ ａｎｄ Ｍａｔｅｒｉａｌｓ Ｉｎｔｅｒｎａｔｉｏｎａｌ）規格にて、プロセスジョブ（ＰＪ：Ｐｒｏｃｅｓｓ Ｊｏｂ）、コントロールジョブ（ＣＪ：Ｃｏｎｔｒｏｌ Ｊｏｂ）、およびロットの識別情報（ＬＯＴ ＩＤ）を単位としている。
例えば、製品の歩留まりに問題の無かったＰＪもしくはＣＪのワークを処理した期間が時系列データの教師データとして用いられると好適である。情報処理装置１２では、半導体製造装置のＰＪあるいはＣＪが選択されると、実行記録から時系列データの学習期間を参照して学習が完了する。なお、半導体製造装置には、メンテナンスサイクル、劣化、消耗品がある。このため、教師データの登録は、例えば、一時期に集中させずに、満遍なく登録することが好適である。
スパッタリング装置を例に挙げれば、ターゲットを打ち切る期間が１つのサイクルであると言えるため、量産実行後、スパッタリング装置に異常が発生しなかったメンテナンスの１サイクルのデータを教師データとして登録してもよい。この場合、データが大量となって学習が適切な時間で終了しない可能性があるが、例えば、ターゲットを打ち切る１サイクル内で、広範囲の抜き取りをして教師データを選択して学習させてもよい。
＜実施の具体例２＞
例えば、ビット情報（本実施形態では、総イベント状態情報のビット情報）と時系列データとの間に時間のずれがあると、無駄にばらついたデータが得られてしまうといった問題があった。つまり、ビット変化の最初と最後に時系列データに急峻な変化が発生するような場合、時間のずれが発生すると、時系列データが大きく変化して異常と判断されてしまうことがある。
そこで、時間誤差の範囲をあらかじめ決めておき、情報処理装置１２では、学習する際に時間誤差の分だけ時間をシフトして学習する。情報処理装置１２では、例えば、時間誤差ありで学習を実行した結果と、時間誤差無しで学習を実行した結果との双方を表示することで、正確な異常判定を可能とすることができる。また、半導体製造装置の動作後の安定な判断を行うために、開始から完了になるまでの当該完了の判定に、適切な遅延時間を設定することが行われてもよい。当該遅延時間としては、特に限定はなく、例えば、０．１ｓｅｃ～０．３ｓｅｃなどが用いられてもよい。
＜実施の具体例３＞
例えば、デバイスの状態を表すビットをデジタル入力（ＤＩ：Ｄｉｇｉｔａｌ Ｉｎｐｕｔ）で取得する場合、トップ（Ｔｏｐ）からロー（Ｌｏｗ）への動作途中に通過点（Ｍｉｄｄｌｅ）のＤＩがオンして、当該動作途中も状態ビットとして学習されてしまうといった問題があった。
そこで、情報処理装置１２では、制御ソフトウェアの能動的な動作入力に対しては、所定の条件が整った後に、動作の完了判断が為される構成とする。このため、情報処理装置１２では、動作の開始または完了のイベントを元に、状態ビットを変化させる。つまり、ＤＩをそのまま状態ビットとする場合には、適するものと適さないものがあるため、適さないものはマスクをして、イベント情報で情報処理装置１２（または、半導体製造装置などの他の装置）が安定遅延あるいはチャタリングをフィルターした後の情報を状態ビットに採用する。
［以上の実施形態について］
以上のように、本実施形態に係る情報処理装置１２では、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置１１について、対象物製造装置１１による対象物の製造過程において検出される時系列の検出結果情報に関する機械学習の処理を効率化することができる。
本実施形態に係る情報処理装置１２では、機械学習の装置状態を数値化した総イベント状態情報を、クラスタリングする際のタグにすること、または、教師データの取り込み時のフィルターとして使用すること、が可能である。
本実施形態に係る情報処理装置１２では、総イベント状態情報ごとに機械学習または機械学習結果により判定を行うことが可能である。
これにより、一般には教師あり学習の学習データの生成は難しい場合があるが、本実施形態に係る情報処理装置１２では、教師あり学習の学習データを自動で生成することができ、効率的に生成することができる。
また、本実施形態に係る情報処理装置１２では、別の手法で確認した結果で異常データがある場合には、教師データから外すようにラベル変更することができる。
本実施形態に係る情報処理装置１２では、例えば、ロット、基板、キャリア、レシピ、または、処理室などの情報によって、機械学習に使用するデータの期間、または、判定に使用するデータの期間を決定することができる。
本実施形態に係る情報処理装置１２では、総イベント状態情報ごとの機械学習を行うことで、装置の状態遷移のデータモデルを小さくすることができる。
これにより、本実施形態に係る情報処理装置１２では、保存用のデータの容量を小さくすることができる。
また、本実施形態に係る情報処理装置１２では、一部のデバイスに関する情報を削減することで、総イベント状態情報の情報量を少なくして、効率化を図ることができる。
本実施形態に係る情報処理装置１２では、信号処理上、カメラ等のセンサーとの同期性能を向上させることができる。例えば、学習時と推論（判定）時の同期精度が向上することで、予測精度が向上する可能性がある。
ここで、検出結果情報のデータとしては、例えば、センサーによって検出された時系列のデータの一部または全部がそのまま用いられてもよく、あるいは、センサーによって検出された時系列のデータについて時間的な平均などの演算が行われた結果が用いられてもよい。
また、機械学習の対象とするデータとしては、例えば、音のデータ、画像（光を含む。）のデータ、振動のデータなどといったように、個別のデータが別々に用いられてもよく、あるいは、複数のデータがまとめて機械学習の対象として用いられてもよい。
また、本実施形態では、対象物製造装置１１として半導体製造装置を例示したが、対象物製造装置１１としては、複数のデバイスを有する他の任意の装置が用いられてもよく、例えば、ＦＰＤ（フラットパネルディスプレイ）製造装置などが用いられてもよい。
例えば、対象物製造装置１１として、基板などを搬送する機構、真空排気の機構、プラズマ処理の機構のうちの１以上を有する装置が用いられてもよい。
なお、以上に説明した任意の装置における任意の構成部の機能を実現するためのプログラムを、コンピューター読み取り可能な記録媒体に記録し、そのプログラムをコンピューターシステムに読み込ませて実行するようにしてもよい。なお、ここでいう「コンピューターシステム」とは、オペレーティングシステムあるいは周辺機器等のハードウェアを含むものとする。また、「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の可搬媒体、コンピューターシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピューター読み取り可能な記録媒体」とは、インターネット等のネットワークあるいは電話回線等の通信回線を介してプログラムが送信された場合のサーバーあるいはクライアントとなるコンピューターシステム内部の揮発性メモリーのように、一定時間プログラムを保持しているものも含むものとする。当該揮発性メモリーは、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）であってもよい。記録媒体は、例えば、非一時的記録媒体であってもよい。
また、上記のプログラムは、このプログラムを記憶装置等に格納したコンピューターシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピューターシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワークあるいは電話回線等の通信回線のように情報を伝送する機能を有する媒体のことをいう。
また、上記のプログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、上記のプログラムは、前述した機能をコンピューターシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイルであってもよい。差分ファイルは、差分プログラムと呼ばれてもよい。
また、以上に説明した任意の装置における任意の構成部の機能は、プロセッサーにより実現されてもよい。例えば、実施形態における各処理は、プログラム等の情報に基づき動作するプロセッサーと、プログラム等の情報を記憶するコンピューター読み取り可能な記録媒体により実現されてもよい。ここで、プロセッサーは、例えば、各部の機能が個別のハードウェアで実現されてもよく、あるいは、各部の機能が一体のハードウェアで実現されてもよい。例えば、プロセッサーはハードウェアを含み、当該ハードウェアは、デジタル信号を処理する回路およびアナログ信号を処理する回路のうちの少なくとも一方を含んでもよい。例えば、プロセッサーは、回路基板に実装された１または複数の回路装置、あるいは、１または複数の回路素子のうちの一方または両方を用いて、構成されてもよい。回路装置としてはＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）などが用いられてもよく、回路素子としては抵抗あるいはキャパシターなどが用いられてもよい。
ここで、プロセッサーは、例えば、ＣＰＵであってもよい。ただし、プロセッサーは、ＣＰＵに限定されるものではなく、例えば、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等のような、各種のプロセッサーが用いられてもよい。また、プロセッサーは、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）によるハードウェア回路であってもよい。また、プロセッサーは、例えば、複数のＣＰＵにより構成されていてもよく、あるいは、複数のＡＳＩＣによるハードウェア回路により構成されていてもよい。また、プロセッサーは、例えば、複数のＣＰＵと、複数のＡＳＩＣによるハードウェア回路と、の組み合わせにより構成されていてもよい。また、プロセッサーは、例えば、アナログ信号を処理するアンプ回路あるいはフィルター回路等のうちの１以上を含んでもよい。
以上、この開示の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この開示の要旨を逸脱しない範囲の設計等も含まれる。
［付記］
（構成例１）～（構成例７）を示す。
（構成例１）
複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１取得部と、
前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得する第２取得部と、
前記第１取得部によって取得された前記総イベント状態情報ごとに、前記第２取得部によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１取得部によって取得された前記総イベント状態情報ごとに前記第２取得部によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う機械学習処理部と、
を備える、情報処理装置。
（構成例２）
前記総イベント状態情報は、前記デバイスごとの前記イベントの動作結果の状態を表すビット値を含む、
（構成例１）に記載の情報処理装置。
（構成例３）
前記総イベント状態情報は、さらに、前記デバイスごとの前記イベントの動作中の状態を表すビット値を含む、
（構成例２）に記載の情報処理装置。
（構成例４）
前記総イベント状態情報に前記イベント状態情報が含まれる前記２以上の前記デバイスは、前記対象物製造装置が有するすべての前記デバイスのうちの一部の前記デバイスである、
（構成例１）から（構成例３）のいずれか１つに記載の情報処理装置。
（構成例５）
前記機械学習処理部は、前記学習処理または前記判定処理の対象となる時系列の前記検出結果情報の期間を、ロット、基板、キャリア、レシピ、または、処理室のうちのいずれかに基づいて決定する、
（構成例１）から（構成例４）のいずれか１つに記載の情報処理装置。
以上のように、情報処理装置は、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１取得部と、前記第１取得部によって取得された前記総イベント状態情報ごとに、所定の処理を行う処理部と、を備える。
このような構成では、例えば、当該所定の処理として、任意の処理に適用されてもよく、実施形態では、機械学習の処理に適用されている。
以上のような情報処理装置で行われる処理方法と同様な処理方法を提供することも可能であり、一構成例を示す。
（構成例６）
第１取得部が、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得し、
第２取得部が、前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得し、
機械学習処理部が、前記第１取得部によって取得された前記総イベント状態情報ごとに、前記第２取得部によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１取得部によって取得された前記総イベント状態情報ごとに前記第２取得部によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う、
情報処理方法。
以上のような情報処理装置を構成するコンピューターに所定の動作を行わせるプログラムを提供することも可能であり、一構成例を示す。
（構成例７）
コンピューターに、
複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１機能と、
前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得する第２機能と、
前記第１機能によって取得された前記総イベント状態情報ごとに、前記第２機能によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１機能によって取得された前記総イベント状態情報ごとに前記第２機能によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う第３機能と、
を実現させるためのプログラム。
１…情報処理システム、１１…対象物製造装置、１２…情報処理装置、１１１…入力部、１１２…出力部、１１３…通信部、１１４…記憶部、１１５…制御部、１３１…操作部、１３２…表示部、１５１…第１取得部、１５２…第２取得部、１５３…機械学習処理部、Ａ１～ＡＮ…学習モデル、２１１…搬送室、２２１～２２４、３１１…処理室、２２５…ロードロック室、２３１…搬送ロボット、２４１～２４５、３３１…仕切りバルブ、３５１…シャッター板、３５２…シャッター機構、３５３…昇降ピン、３７１、３７１ａ、３７１ｂ…防着部材、１０１１、１０２１、１０２２、１０５１、１０５２、１１１１…ログ、１０３１…項目部分、１０３２…時刻部、１０６１、１０６１ａ、１０６２…部分、１１２１、１１２２…ビット部分、Ｂ１～Ｂ３、Ｃ１～Ｃ５、１２１１、１４１１、１５１１ａ、１５１１ｂ、１５１１ｃ…画面、１２３１～１２３３、１４３１～１４３３…領域、１２６１～１２６３、１４６１、１４６２、２０１１、２０１２…データ、Ｄ１～Ｄ３…タイミング

Claims (7)

  1. 複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１取得部と、
    前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得する第２取得部と、
    前記第１取得部によって取得された前記総イベント状態情報ごとに、前記第２取得部によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１取得部によって取得された前記総イベント状態情報ごとに前記第２取得部によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う機械学習処理部と、
    を備える、情報処理装置。
  2. 前記総イベント状態情報は、前記デバイスごとの前記イベントの動作結果の状態を表すビット値を含む、
    請求項１に記載の情報処理装置。
  3. 前記総イベント状態情報は、さらに、前記デバイスごとの前記イベントの動作中の状態を表すビット値を含む、
    請求項２に記載の情報処理装置。
  4. 前記総イベント状態情報に前記イベント状態情報が含まれる前記２以上の前記デバイスは、前記対象物製造装置が有するすべての前記デバイスのうちの一部の前記デバイスである、
    請求項１に記載の情報処理装置。
  5. 前記機械学習処理部は、前記学習処理または前記判定処理の対象となる時系列の前記検出結果情報の期間を、ロット、基板、キャリア、レシピ、または、処理室のうちのいずれかに基づいて決定する、
    請求項１に記載の情報処理装置。
  6. 第１取得部が、複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得し、
    第２取得部が、前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得し、
    機械学習処理部が、前記第１取得部によって取得された前記総イベント状態情報ごとに、前記第２取得部によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１取得部によって取得された前記総イベント状態情報ごとに前記第２取得部によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う、
    情報処理方法。
  7. コンピューターに、
    複数のデバイスのそれぞれをイベントごとに動作させて対象物を製造する対象物製造装置について、前記デバイスごとの前記イベントの状態を表すイベント状態情報を２以上の前記デバイスについて総合した総イベント状態情報を取得する第１機能と、
    前記対象物製造装置による前記対象物の製造過程において検出された時系列の検出結果情報を取得する第２機能と、
    前記第１機能によって取得された前記総イベント状態情報ごとに、前記第２機能によって取得された時系列の前記検出結果情報を入力とする機械学習を行って学習モデルを生成する学習処理と、生成された前記学習モデルに、前記第１機能によって取得された前記総イベント状態情報ごとに前記第２機能によって取得された時系列の前記検出結果情報を入力して判定を行う判定処理と、の一方または両方を行う第３機能と、
    を実現させるためのプログラム。
JP2022134784A 2022-08-26 2022-08-26 情報処理装置、情報処理方法およびプログラム Pending JP2024031303A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022134784A JP2024031303A (ja) 2022-08-26 2022-08-26 情報処理装置、情報処理方法およびプログラム
US18/237,796 US20240069519A1 (en) 2022-08-26 2023-08-24 Information processing device and information processing method
KR1020230111178A KR20240029525A (ko) 2022-08-26 2023-08-24 정보 처리 장치, 정보 처리 방법 및 프로그램
CN202311071549.5A CN117634639A (zh) 2022-08-26 2023-08-24 信息处理装置、信息处理方法以及程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022134784A JP2024031303A (ja) 2022-08-26 2022-08-26 情報処理装置、情報処理方法およびプログラム

Publications (1)

Publication Number Publication Date
JP2024031303A true JP2024031303A (ja) 2024-03-07

Family

ID=90000281

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022134784A Pending JP2024031303A (ja) 2022-08-26 2022-08-26 情報処理装置、情報処理方法およびプログラム

Country Status (4)

Country Link
US (1) US20240069519A1 (ja)
JP (1) JP2024031303A (ja)
KR (1) KR20240029525A (ja)
CN (1) CN117634639A (ja)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100972034B1 (ko) 2008-07-23 2010-07-23 한국전자통신연구원 동적 전파 환경에서의 삼차원 광선 추적 방법
TWI431668B (zh) 2009-06-24 2014-03-21 Ulvac Inc 真空成膜裝置及真空成膜裝置之擋板位置檢測方法

Also Published As

Publication number Publication date
US20240069519A1 (en) 2024-02-29
KR20240029525A (ko) 2024-03-05
CN117634639A (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
KR20070093842A (ko) 프로세스 이상 분석 장치와 방법 및 기억매체
TWI641932B (zh) Processing device, device management controller, and recording medium
KR100867267B1 (ko) 프로세스 이상 분석 장치 및 그 시스템, 프로그램이 기록된 기록 매체 및 방법
JP2007165721A (ja) プロセス異常分析装置及びプログラム
Ge et al. Online monitoring of nonlinear multiple mode processes based on adaptive local model approach
JP4239574B2 (ja) アラーム管理方法およびその装置
US20160342903A1 (en) Systems and/or methods for dynamic anomaly detection in machine sensor data
JP2009054843A (ja) プロセス異常検出装置および方法並びにプログラム
KR20080098332A (ko) 다변수 결함 기여도를 나타내기 위한 그래픽 사용자인터페이스
JP2007527157A (ja) 信号に含まれるノイズ効果を分離するための装置および方法
JP5338492B2 (ja) 入力変数選択支援装置
JP6453504B1 (ja) 異常監視装置、異常監視方法および異常監視プログラム
Pan et al. A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering
US20190035657A1 (en) Substrate processing apparatus and device management controller
KR102033810B1 (ko) 기판 처리 장치의 장해 감시 시스템 및 기판 처리 장치의 장해 감시 방법
JP2012058885A (ja) 故障原因診断方法及び故障原因診断装置
CN108931967A (zh) 运行监控装置及其控制程序
JP2011071296A (ja) 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
JP2019125206A (ja) 情報処理装置、情報処理方法及びプログラム
JP2006276924A (ja) 設備機器診断装置及び設備機器診断プログラム
JP2024031303A (ja) 情報処理装置、情報処理方法およびプログラム
JP2018198042A (ja) 稼働モニタリング装置、および、稼働モニタリング装置の制御プログラム
TW202145405A (zh) 基板處理裝置、半導體裝置的製造方法、及程式
JP2008071270A (ja) プロセス異常分析装置およびプロセス異常分析方法並びにプログラム
JP2009245043A (ja) ライン生産管理支援方法および装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230825