JP7319162B2 - 搬送異常予測システム - Google Patents

搬送異常予測システム Download PDF

Info

Publication number
JP7319162B2
JP7319162B2 JP2019181870A JP2019181870A JP7319162B2 JP 7319162 B2 JP7319162 B2 JP 7319162B2 JP 2019181870 A JP2019181870 A JP 2019181870A JP 2019181870 A JP2019181870 A JP 2019181870A JP 7319162 B2 JP7319162 B2 JP 7319162B2
Authority
JP
Japan
Prior art keywords
transport
abnormality
substrate
data set
transfer
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.)
Active
Application number
JP2019181870A
Other languages
English (en)
Other versions
JP2021054632A5 (ja
JP2021054632A (ja
Inventor
顕 中村
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.)
Ebara Corp
Original Assignee
Ebara Corp
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
Priority to JP2019181870A priority Critical patent/JP7319162B2/ja
Application filed by Ebara Corp filed Critical Ebara Corp
Priority to KR1020227014040A priority patent/KR20220074905A/ko
Priority to US17/765,374 priority patent/US20220363487A1/en
Priority to CN202080069453.3A priority patent/CN114503247A/zh
Priority to PCT/JP2020/035501 priority patent/WO2021065576A1/ja
Priority to TW109133007A priority patent/TW202128533A/zh
Publication of JP2021054632A publication Critical patent/JP2021054632A/ja
Publication of JP2021054632A5 publication Critical patent/JP2021054632A5/ja
Application granted granted Critical
Publication of JP7319162B2 publication Critical patent/JP7319162B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • 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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • H01L21/677—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 for conveying, e.g. between different workstations
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • H01L21/67259—Position monitoring, e.g. misposition detection or presence detection
    • 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
    • H01L21/677—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 for conveying, e.g. between different workstations
    • H01L21/67703—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 for conveying, e.g. between different workstations between different workstations
    • H01L21/67706—Mechanical details, e.g. roller, belt
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B65G2203/0275—Damage on the load carrier
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B65G2203/0291—Speed of the load carrier
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/04—Detection means
    • B65G2203/042—Sensors
    • B65G2203/044—Optical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/04—Detection means
    • B65G2203/042—Sensors
    • B65G2203/045—Thermic

Description

本発明は、搬送異常予測システムに関する。
半導体製造装置において、基板をハンドリングすることは必須である。しかし、装置が長時間稼働していると、部品の摩耗や機器のズレにより、ハンドリングミスが発生することがある。ハンドリングミスが発生すると、装置が停止して生産性が低下したり、基板自体が破損する可能性がある。
特許文献１には、ウェハハンドリングマシンの稼働中におけるセンサの出力を、ウェハハンドリングマシンの稼働前の位置合わせ時に記憶されたセンサの出力と比較して、その差が一定の閾値を超える場合に位置合わせから外れていると判断するシステムが提案されている。
特許第６３２５３２５号公報
しかしながら、特許文献１のシステムでは、ウェハハンドリングマシンの稼働中におけるセンサの出力と稼働前の位置合わせ時に記憶されたセンサの出力との差が一定の閾値を超えると異常であると判断する単純な手法にて異常の検出を行っており、検出確率は高くない。
本発明は、以上のような点を考慮してなされたものである。本発明の目的は、搬送異常の検出確率を向上できる搬送異常予測システムを提供することにある。
本発明の第１の態様に係る搬送異常予測システムは、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを有し、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する推定部
を備える。
このような態様によれば、推定部が、過去の基板搬送時におけるセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いることで、新たな基板搬送時におけるセンサデータを含むデータセットについて、複数の指標データから総合して、当該新たな基板搬送時における搬送異常度を推定して出力することができる。これにより、基板搬送中におけるセンサの出力と基板搬送前の位置合わせ時に記憶されたセンサの出力との差が一定の閾値を超えると異常と判断する従来の態様に比べて、搬送異常の検出確率を向上できる。また、学習済みモデルを用いることで、従来の態様では扱いにくかった機器の振動、音、画像データなどをセンサデータとして利用することが可能である。
本発明の第２の態様に係る搬送異常予測システムは、第１の態様に係る搬送異常予測システムであって、
前記複数のセンサは、振動センサ、音センサ、画像センサ、映像センサ、温度センサ、機器移動速度センサ、機器動作トルクセンサ、機器平行度センサのうちの１種類または２種類以上からなる。
本発明の第３の態様に係る搬送異常予測システムは、第１または２の態様に係る搬送異常予測システムであって、
前記推定部により出力される前記搬送異常度を、あらかじめ定められた閾値と比較し、前記搬送異常度が前記閾値を超えている場合には、メンテナンス通知および／またはアラームを出力するための出力信号を出力装置に送信する出力信号送信部
をさらに備える。
本発明の第４の態様に係る搬送異常予測システムは、第１～３のいずれかの態様に係る搬送異常予測システムであって、
前記推定部は、新たな基板搬送時における搬送開始から現時点までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する。
本発明の第５の態様に係る搬送異常予測システムは、第１～３のいずれかの態様に係る搬送異常予測システムであって、
前記推定部は、新たな基板搬送時における搬送開始から搬送終了までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する。
本発明の第６の態様に係る搬送異常予測システムは、第１～３のいずれかの態様に係る搬送異常予測システムであって、
前記推定部は、複数枚の新たな基板搬送時における最初の基板の搬送開始から最後の基板の搬送終了までのセンサデータを含むデータセットを入力として、当該複数枚の新たな基板搬送時における搬送異常度を推定して出力する。
本発明の第７の態様に係る搬送異常予測システムは、第１～６のいずれかの態様に係る搬送異常予測システムであって、
前記新たな基板搬送時に出力されたセンサデータを含むデータセットを教師データとして前記学習済みモデルを再学習させる再学習部
をさらに備える。
本発明の第８の態様に係る搬送異常予測システムは、第１～７のいずれかの態様に係る搬送異常予測システムであって、
前記データセットは、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも１つの時間情報をさらに含む。
本発明の第９の態様に係る搬送異常予測システムは、第１～８のいずれかの態様に係る搬送異常予測システムであって、
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数が紐づけられた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される前記残り時間または残り搬送回数に基づいて、前記搬送異常度を推定して出力する。
本発明の第１０の態様に係る搬送異常予測システムは、第１～８のいずれかの態様に係る搬送異常予測システムであって、
前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてｋ近傍法にて機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより計算されるｋ近傍までの距離に基づいて、前記搬送異常度を推定して出力する。
本発明の第１１の態様に係る搬送異常予測システムは、第１～８のいずれかの態様に係る搬送異常予測システムであって、
前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）にて機械学習したものであり、前記推定部は、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する。
本発明の第１２の態様に係る搬送異常予測システムは、第１～８のいずれかの態様に係る搬送異常予測システムであって、
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する。
本発明の第１３の態様に係る搬送異常予測システムは、第１２の態様に係る搬送異常予測システムであって、
前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされるとともに、搬送異常発生時の場合には搬送異常の発生原因がラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより搬送異常の発生原因ごとに予測される搬送異常発生時である確率に基づいて、搬送異常の発生原因ごとの前記搬送異常度を推定して出力する。
本発明の第１４の態様に係る搬送異常予測システムは、第１～１３のいずれかの態様に係る搬送異常予測システムであって、
前記推定部は、複数の学習済みモデルを有し、前記複数の学習済みモデルによる予測の組み合わせに基づいて前記搬送異常度を推定して出力する。
本発明の第１５の態様に係る基板処理装置は、
基板搬送部と、
第１～１４のいずれかの態様に係る搬送異常予測システムと、
を備える。
本発明の第１６の態様に係る搬送異常予測方法は、
コンピュータが実行する搬送異常予測方法であって、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップ
を含む。
本発明の第１７の態様に係る搬送異常予測プログラムは、
コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップ
を実行させる。
本発明の第１８の態様に係るコンピュータ読取可能な記録媒体は、
コンピュータに、
基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップ
を実行させるための搬送異常予測プログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録している。
本発明の第１９の態様に係る学習済みモデルは、チューニングされたニューラルネットワークシステムであって、
入力層と、入力層に接続された１または２以上の中間層と、中間層に接続された出力層とを有し、基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットを入力層に入力し、それにより出力層から出力される出力結果と、当該基板搬送時における搬送異常度とを比較し、その誤差に応じて各ノードのパラメータを更新する処理を、過去の複数回の基板搬送時のセンサデータを含むデータセットについて繰り返すことにより、過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習したものであり、
前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットが入力層に入力されると、当該新たな基板搬送時における搬送異常度を推定して出力層から出力するよう、コンピュータを機能させる。
本発明によれば、搬送異常の検出確率を向上できる。
図１は、一実施の形態に係る基板処理装置の概略的な構成を示す図である。 図２は、一実施の形態に係る搬送異常予測システムの構成を示すブロック図である。 図３は、正常な基板搬送時のセンサデータの一例を示す図である。 図４は、搬送異常発生時における基板搬送部について説明するための図である。 図５は、搬送異常発生時のセンサデータの一例を示す図である。 図６は、第１の態様における学習済みモデルの構成を説明するための模式図である。 図７は、第２の態様における学習済みモデルの構成を説明するための模式図である。 図８は、第３の態様における学習済みモデルの構成を説明するための模式図である。 図９は、第４の態様における学習済みモデルの構成を説明するための模式図である。 図１０は、第５の態様における学習済みモデルの構成を説明するための模式図である。 図１１は、第６の態様における学習済みモデルの構成を説明するための模式図である。 図１２は、第７の態様における学習済みモデルについて説明するための模式図である。 図１３は、第８の態様における学習済みモデルの構成を説明するための模式図である。 図１４は、一実施の形態に係る搬送異常予測方法の一例について説明するためのフローチャートである。
以下に、添付の図面を参照して、本発明の実施の形態を詳細に説明する。なお、以下の説明および以下の説明で用いる図面では、同一に構成され得る部分について、同一の符号を用いるとともに、重複する説明を省略する。
図１は、一実施形態に係る基板処理装置１の概略的な構成を示す図である。
図１に示すように、基板処理装置１は、トップリング６と、基板搬送部２と、ノズル３ａ、３ｂと、搬送異常予測システム１０と、出力装置４とを有している。
トップリング６は、下面にエアバッグが設けられており、基板Ｗを下向きに保持するとともに、基板搬送位置（基板搬送部２と対向する位置）と基板処理位置（たとえば不図示の研磨テーブルと対向する位置）との間で基板Ｗを移動するように構成されている。
ノズル３ａ、３ｂは、基板搬送位置におけるトップリング６の側方に配置されており、トップリング６のエアバッグと基板Ｗとの間にエアおよびシャワーを噴射して、トップリング６から基板Ｗを剥がすように構成されている。
基板搬送部２は、基板搬送位置におけるトップリング６の下方に配置されており、トップリング６から剥がされて落下する基板Ｗを受け取るように構成されている。基板搬送部２としては、たとえば、リフターまたはリニアトランスポータ（ＬＴＰ）が用いられる。
図１に示すように、基板搬送部２には、複数（図示された例では３つ）のセンサ５１～５３が設けられている。図示された例では、複数のセンサ５１～５３はいずれも、基板搬送部２の振動を計測する振動センサ（加速度センサ）であり、基板搬送部２のうちアーム部分や軸部分など、基板Ｗの受け渡し時の振動が直接伝わる箇所に取り付けられている。
なお、複数のセンサ５１～５３は、振動センサに限定されるものではなく、振動センサ、音センサ、画像センサ、映像センサ、温度センサ、機器移動速度センサ、機器動作トルクセンサ、機器平行度センサのうちの１種類または２種類以上からなっていてもよい。
図３は、正常な基板搬送時にセンサ５１～５３から出力されるセンサデータの一例を示す図である。図３において、実線の四角で囲まれた領域は、１枚の基板搬送時（１サイクル）における搬送開始から搬送終了までのセンサデータを示している。図３に示すように、正常な搬送時には、１サイクルごとに同様の波形のセンサデータがセンサ５１～５３から繰り返し出力される。
図４は、搬送異常発生時における基板搬送部２について説明するための図であり、図５は、搬送異常発生時のセンサデータの一例を示す図である。
図４に示すように、代表的な搬送異常の徴候としては、基板Ｗがトップリング６から左右対称に剥がれず、基板Ｗが斜めに傾いた姿勢で落下する。この場合、基板Ｗが基板搬送部２に着座する際の衝撃が基板Ｗの１カ所に集中することで、基板Ｗが破損しやすくなる。さらに症状が悪化すると、基板搬送部２から基板Ｗが落下してしまう。図４に示す例では、搬送異常の発生原因（異常種類）として、（１）ノズル３ａ、３ｂから噴射されたエアおよびシャワーが当たる位置がずれること、（２）トップリング６の軸と基板搬送部２の軸とがずれること、の２つが考えられる。
図５に示すように、搬送異常発生時には、正常時の波形とは異なる波形のセンサデータがセンサ５１～５３から出力される。図５において、実線の四角で囲まれた領域は、搬送異常発生時における搬送開始から搬送終了までのセンサデータを示している。
出力装置４は、ユーザ（たとえば基板処理装置１のオペレータ）に対して各種情報を出力するインターフェースであり、たとえば液晶ディスプレイなどの映像表示手段（ディスプレイ）やランプ、スピーカーなどが用いられる。
図１に示すように、搬送異常予測システム１０は、複数のセンサ５１～５３と出力装置４の各々に通信可能に接続されている。
次に、搬送異常予測システム１０の構成について説明する。図２は、搬送異常予測システム１０の構成を示すブロック図である。搬送異常予測システム１０の少なくとも一部は、１つのコンピュータまたは量子コンピューティングシステム、もしくは互いにネットワークを介して接続された複数のコンピュータまたは量子コンピューティングシステムによって構成されている。
図２に示すように、搬送異常予測システム１０は、入力部１１と、制御部１２と、記憶部１３と、出力部１４とを有している。各部１１～１４は、バスやネットワークを介して通信可能に接続されている。
このうち入力部１１は、基板搬送部２に設けられた複数のセンサ５１～５Ｎに対する通信インターフェースである。入力部１１は、複数のセンサ５１～５Ｎの各々の出力端子に有線で接続されてもよいし、無線で接続されてもよい。
出力部１４は、出力装置４に対する通信インターフェースである。出力部１４は、出力装置４の入力端子に有線で接続されてもよいし、無線で接続されてもよい。
記憶部１３は、たとえばフラッシュメモリなどの不揮発性データストレージである。記憶部１３には、制御部１２が取り扱う各種データが記憶される。たとえば、記憶部１３には、後述する推定部１２１により参照されるデータセット１５１と、後述する出力信号送信部１２２により参照される閾値１５２とが記憶される。
データセット１５１は、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力され、入力部１１を介して取得されたセンサデータを含んでいる。データセット１５１は、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部（基板Ｗと接触して徐々に摩耗する部分）の部品使用時間のうちの少なくとも１つの時間情報をさらに含んでいてもよい。
図２に示すように、制御部１２は、推定部１２１と、出力信号送信部１２２と、再学習部１２３とを有している。これらの各部は、搬送異常予測システム１０内のプロセッサが所定のプログラムを実行することにより実現されてもよいし、ハードウェアで実装されてもよい。
推定部１２１は、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデル１２０（たとえば、チューニングされたニューラルネットワークシステム、図６～図１３参照）を有しており、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータを含むデータセット（すなわち記憶部１３に記憶されたデータセット１３１）を入力として、当該新たな基板搬送時における搬送異常度を推定して出力する。
推定部１２１における処理のタイミングの第１例として、推定部１２１は、リアルタイムで処理してもよく、すなわち、新たな基板搬送時における搬送開始から現時点までのセンサデータを含むデータセット１３１を入力として、当該新たな基板搬送時における搬送異常度を推定して出力してもよい。
推定部１２１における処理のタイミングの第２例として、推定部１２１は、１枚の基板Ｗごとに処理してもよく、すなわち、新たな基板搬送時における搬送開始から搬送終了までのセンサデータを含むデータセット１３１を入力として、当該新たな基板搬送時における搬送異常度を推定して出力してもよい。
推定部１２１における処理のタイミングの第３例として、推定部１２１は、基板Ｗのロット（たとえば１ロット２５枚）ごとに処理してもよく、すなわち、推定部１２１は、複数枚（１ロット）の新たな基板搬送時における最初の基板の搬送開始から最後の基板の搬送終了までのセンサデータを含むデータセット１３１を入力として、当該複数枚（１ロット）の新たな基板搬送時における搬送異常度を推定して出力してもよい。
推定部１２１は、複数のセンサ５１～５Ｎの各々から出力されたセンサデータをそのまま入力として利用してもよいし、ＦＦＴ（高速フーリエ変換）によりあらかじめ定められた周波数領域の強度を抽出（前処理）したものを入力として利用してもよい。
図６は、第１の態様における学習済みモデル１２０の構成を説明するための模式図である。図６に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。図６では、階層型のニューラルネットワークとして、フィードフォワードニューラルネットワークが図示されているが、畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など、様々なタイプのニューラルネットワークが使用され得る。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第１の態様における学習済みモデル１２０の生成方法の一例について説明すると、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータに、当該基板搬送時が搬送異常発生時か否か（たとえば正常な基板搬送時は０、搬送異常発生時は１）がラベル付けされた教師データを用意しておき、図６に示すように、教師データに含まれる１つの基板搬送時のセンサデータを入力層に入力し、それにより出力層から出力される出力結果と、教師データに含まれる当該基板搬送時が搬送異常発生時か否かのラベルとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、教師データに含まれる複数の基板搬送時のデータの各々について繰り返す。これにより、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータに基づいて、当該基板搬送時が搬送異常発生時である確率（搬送異常確率）を予測する学習済みモデル１２０（チューニングされたニューラルネットワークシステム）が生成される。
第１の態様において、推定部１２１は、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータを入力として、学習済みモデル１２０により予測される搬送異常発生時である確率（搬送異常確率）に基づいて、当該新たな基板搬送時における搬送異常度を推定して出力する。なお、搬送異常度は、学習済みモデル１２０により予測される搬送異常発生時である確率（搬送異常確率）そのものでもよいし、当該搬送異常確率を所定の関数で一意に変換した値であってもよい。
図７は、第２の態様における学習済みモデル１２０の構成を説明するための模式図である。図７に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。図７では、階層型のニューラルネットワークとして、フィードフォワードニューラルネットワークが図示されているが、畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など、様々なタイプのニューラルネットワークが使用され得る。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第２の態様における学習済みモデル１２０の生成方法の一例について説明すると、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータと、当該基板搬送時における時間情報（すなわち、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも１つ）とを含むデータセットに、当該基板搬送時が搬送異常発生時か否か（たとえば正常な基板搬送時は０、搬送異常発生時は１）がラベル付けされた教師データを用意しておき、図７に示すように、教師データに含まれる１つの基板搬送時のデータセットを入力層に入力し、それにより出力層から出力される出力結果と、教師データに含まれる当該基板搬送時が搬送異常発生時か否かのラベルとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、教師データに含まれる複数の基板搬送時のデータの各々について繰り返す。これにより、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータと当該基板搬送時における時間情報とを含むデータセットに基づいて、当該基板搬送時が搬送異常発生時である確率（搬送異常確率）を予測する学習済みモデル１２０（チューニングされたニューラルネットワークシステム）が生成される。
第２の態様において、推定部１２１は、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータと当該新たな基板搬送時における時間情報とを含むデータセットを入力として、学習済みモデル１２０により予測される搬送異常発生時である確率（搬送異常確率）に基づいて、当該新たな基板搬送時における搬送異常度を推定して出力する。なお、搬送異常度は、学習済みモデル１２０により予測される搬送異常発生時である確率（搬送異常確率）そのものでもよいし、当該搬送異常確率を所定の関数で一意に変換した値であってもよい。
図８は、第３の態様における学習済みモデル１２０の構成を説明するための模式図である。図８に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。図８では、階層型のニューラルネットワークとして、フィードフォワードニューラルネットワークが図示されているが、畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など、様々なタイプのニューラルネットワークが使用され得る。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第３の態様における学習済みモデル１２０の生成方法の一例について説明すると、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータに、当該基板搬送時が搬送異常発生時か否か（たとえば正常な基板搬送時は０、搬送異常発生時は１）がラベル付けされるとともに、搬送異常発生時の場合には搬送異常の発生原因（異常種類）がラベル付けされた教師データを用意しておき、図８に示すように、教師データに含まれる１つの基板搬送時のセンサデータを入力層に入力し、それにより出力層から出力される出力結果と、教師データに含まれる搬送異常の発生原因（異常種類）ごとの当該基板搬送時が搬送異常発生時か否かのラベルとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、教師データに含まれる複数の基板搬送時のデータの各々について繰り返す。これにより、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータに基づいて、当該基板搬送時が搬送異常発生時である確率（搬送異常確率）を搬送異常の発生原因（異常種類）ごとに予測する学習済みモデル１２０（チューニングされたニューラルネットワークシステム）が生成される。
第３の態様において、推定部１２１は、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータを入力として、学習済みモデル１２０により搬送異常の発生原因（異常種類）ごとに予測される搬送異常発生時である確率（搬送異常確率）に基づいて、当該新たな基板搬送時における搬送異常度を搬送異常の発生原因（異常種類）ごとに推定して出力する。なお、搬送異常度は、学習済みモデル１２０により予測される搬送異常発生時である確率（搬送異常確率）そのものでもよいし、当該搬送異常確率を所定の関数で一意に変換した値であってもよい。
図９は、第４の態様における学習済みモデル１２０の構成を説明するための模式図である。図９に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。図９では、階層型のニューラルネットワークとして、フィードフォワードニューラルネットワークが図示されているが、畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など、様々なタイプのニューラルネットワークが使用され得る。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第４の態様における学習済みモデル１２０の生成方法の一例について説明すると、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータと、当該基板搬送時における時間情報（すなわち、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも１つ）とを含むデータセットに、当該基板搬送時が搬送異常発生時か否か（たとえば正常な基板搬送時は０、搬送異常発生時は１）がラベル付けされるとともに、搬送異常発生時の場合には搬送異常の発生原因（異常種類）がラベル付けされた教師データを用意しておき、図９に示すように、教師データに含まれる１つの基板搬送時のデータセットを入力層に入力し、それにより出力層から出力される出力結果と、教師データに含まれる搬送異常の発生原因（異常種類）ごとの当該基板搬送時が搬送異常発生時か否かのラベルとを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、教師データに含まれる複数の基板搬送時のデータの各々について繰り返す。これにより、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータと当該基板搬送時における時間情報とを含むデータセットに基づいて、当該基板搬送時が搬送異常発生時である確率（搬送異常確率）を搬送異常の発生原因（異常種類）ごとに予測する学習済みモデル１２０（チューニングされたニューラルネットワークシステム）が生成される。
第４の態様において、推定部１２１は、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータと当該新たな基板搬送時における時間情報とを含むデータセットを入力として、学習済みモデル１２０により搬送異常の発生原因（異常種類）ごとに予測される搬送異常発生時である確率（搬送異常確率）に基づいて、当該新たな基板搬送時における搬送異常度を搬送異常の発生原因（異常種類）ごとに推定して出力する。なお、搬送異常度は、学習済みモデル１２０により予測される搬送異常発生時である確率（搬送異常確率）そのものでもよいし、当該搬送異常確率を所定の関数で一意に変換した値であってもよい。
図１０は、第５の態様における学習済みモデル１２０の構成を説明するための模式図である。図１０に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。図１０では、階層型のニューラルネットワークとして、フィードフォワードニューラルネットワークが図示されているが、畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など、様々なタイプのニューラルネットワークが使用され得る。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第５の態様における学習済みモデル１２０の生成方法の一例について説明すると、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータに、当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数が紐づけられた教師データを用意しておき、図１０に示すように、教師データに含まれる１つの基板搬送時のセンサデータを入力層に入力し、それにより出力層から出力される出力結果と、教師データに含まれる当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数とを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、教師データに含まれる複数の基板搬送時のデータの各々について繰り返す。これにより、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータに基づいて、当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数を予測する学習済みモデル１２０（チューニングされたニューラルネットワークシステム）が生成される。
第５の態様において、推定部１２１は、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータを入力として、学習済みモデル１２０により予測される残り時間または残り搬送回数に基づいて、当該新たな基板搬送時における搬送異常度を推定して出力する。なお、搬送異常度は、学習済みモデル１２０により予測される残り時間または残り搬送回数そのものでもよいし、当該残り時間または残り搬送回数を所定の関数で一意に変換した値であってもよい。たとえば、搬送異常度は、学習済みモデル１２０により予測される残り時間を、メンテナンス時から搬送異常発生時までの平均時間で除算した値であってもよいし、学習済みモデル１２０により予測される残り搬送回数を、メンテナンス時から搬送異常発生時までの平均搬送回数で除算した値であってもよい。
図１１は、第６の態様における学習済みモデル１２０の構成を説明するための模式図である。図１１に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。図１１では、階層型のニューラルネットワークとして、フィードフォワードニューラルネットワークが図示されているが、畳み込みニューラルネットワーク（ＣＮＮ）やリカレントニューラルネットワーク（ＲＮＮ）など、様々なタイプのニューラルネットワークが使用され得る。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第６の態様における学習済みモデル１２０の生成方法の一例について説明すると、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータ、当該基板搬送時における時間情報（すなわち、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも１つ）とを含むデータセットに、当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数が紐づけられた教師データを用意しておき、図１０に示すように、教師データに含まれる１つの基板搬送時のデータセットを入力層に入力し、それにより出力層から出力される出力結果と、教師データに含まれる当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数とを比較し、その誤差に応じて各ノードのパラメータ（重みや閾値など）を更新する処理を、教師データに含まれる複数の基板搬送時のデータの各々について繰り返す。これにより、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータと当該基板搬送時における時間情報とを含むデータセットに基づいて、当該基板搬送時から搬送異常発生時までの残り時間または残り搬送回数を予測する学習済みモデル１２０（チューニングされたニューラルネットワークシステム）が生成される。
第６の態様において、推定部１２１は、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータと当該新たな基板搬送時における時間情報とを含むデータセットを入力として、学習済みモデル１２０により予測される残り時間または残り搬送回数に基づいて、当該新たな基板搬送時における搬送異常度を推定して出力する。なお、搬送異常度は、学習済みモデル１２０により予測される残り時間または残り搬送回数そのものでもよいし、当該残り時間または残り搬送回数を所定の関数で一意に変換した値であってもよい。たとえば、搬送異常度は、学習済みモデル１２０により予測される残り時間を、メンテナンス時から搬送異常発生時までの平均時間で除算した値であってもよいし、学習済みモデル１２０により予測される残り搬送回数を、メンテナンス時から搬送異常発生時までの平均搬送回数で除算した値であってもよい。
図１２は、第７の態様における学習済みモデル１２０の構成を説明するための模式図である。図１２に示す例では、学習済みモデル１２０は、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとして、ｋ近傍法にて機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットに基づいて、当該データセットのｋ近傍までの距離を計算する。図１２に示す例において、複数の白丸（「〇」）はそれぞれ、過去の正常な基板搬送時のセンサデータの特徴空間における位置を示しており、白三角（「△」）は、新たな基板搬送時のセンサデータの特徴空間における位置を示しており、破線は、ｋ＝３の場合のｋ近傍までの距離を示している。
第７の態様において、推定部１２１は、新たな基板搬送時のセンサデータを含むデータセットを入力として、学習済みモデル１２１により計算されるｋ近傍までの距離に基づいて、搬送異常度を推定して出力する。なお、搬送異常度は、学習済みモデル１２０により計算されるｋ近傍までの距離そのものでもよいし、当該ｋ近傍までの距離を所定の関数で一意に変換した値であってもよい。
図１３は、第８の態様における学習済みモデル１２０の構成を説明するための模式図である。図１３に示す例では、学習済みモデル１２０は、チューニングされたニューラルネットワークシステムであり、入力層と、入力層に接続された１または２以上の中間層と、中間層に接続され出力層とを有する階層型のニューラルネットワークまたは量子ニューラルネットワーク（ＱＮＮ）を含んでいる。学習済みモデル１２０は、中間層が２層以上に多層化されたニューラルネットワーク、すなわちディープラーニング（深層学習）を含んでいてもよい。
第８の態様における学習済みモデル１２０は、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとして、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ；長・短期記憶）にて機械学習したものである。図１３に示す例において、学習済みモデル１２０は、たとえばメンテナンス時から新たな基板搬送時の直前までの実際のセンサデータ（第１～ｎ－１サイクルのセンサデータ）を含むデータセットに基づいて、当該新たな基板搬送時のセンサデータ（第ｎサイクルのセンサデータの予測値）を含むデータセットを予測する。
第８の態様において、推定部１２１は、メンテナンス時から新たな基板搬送時までの実際のセンサデータ（第１～ｎサイクルのセンサデータ）を含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータ（第１～ｎ－１サイクルのセンサデータ）を含むデータセットから学習済みモデル１２０により予測される当該新たな基板搬送時のセンサデータ（第ｎサイクルのセンサデータの予測値）を含むデータセットと、当該新たな基板搬送時の実際のセンサデータ（第ｎサイクルのセンサデータ）を含むデータセットとの乖離を計算し、当該乖離に基づいて搬送異常度を推定して出力する。なお、搬送異常度は、当該乖離そのものであってもよいし、当該乖離を所定の関数で一意に変換した値であってもよい。
推定部１２１は、複数の学習済みモデル１２０（たとえば第１～第８の態様における学習モデル１２０のうちの２つ以上）を有し、複数の学習済みモデル１２０による予測の組み合わせ（すなわちアンサンブル学習）に基づいて、搬送異常度を推定して出力してもよい。
出力信号送信部１２２は、推定部１２１により出力される搬送異常度を、あらかじめ定められた閾値１５２と比較し、搬送異常度が閾値１５２を超えている場合には、メンテナンス通知および／またはアラームを出力するための出力信号を、出力部１４を介して出力装置４に送信する。
再学習部１２３は、新たな基板搬送時に出力されたセンサデータを含むデータセット１３１を教師データとして学習済みモデル１２０を再学習させる。
次に、このような構成からなる搬送異常予測システム１０による搬送異常予測方法の一例について説明する。図１４は、搬送異常予測方法の一例を示すフローチャートである。
図１４に示すように、推定部１２１が、基板搬送部２に設けられた複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されるセンサデータを含むデータセット１３１を取得する（ステップＳ１１）。推定部１２１により取得されるデータセット１３１は、当該基板搬送時２における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも１つ時間情報を含んでいてもよい。推定部１２１により取得されるデータセット１３１は、記憶部１３に記憶される。
そして、推定部１２１は、複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデル１２０を用いて、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータを含むデータセット１３１を入力として、当該新たな基板搬送時における搬送異常度を推定して出力する（ステップＳ１２）。
ステップＳ１２において、推定部１２１は、複数のセンサ５１～５Ｎの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと搬送異常の発生原因（異常種類）ごとの当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデル１２０（図８、９参照）を用いて、複数のセンサ５１～５Ｎの各々から新たな基板搬送時に出力されたセンサデータを含むデータセット１３１を入力として、当該新たな基板搬送時における搬送異常度を搬送異常の発生原因（異常種類）ごとに推定して出力してもよい。
次に、出力信号送信部１２２が、推定部１２１により出力される搬送異常度を、あらかじめ定められた閾値１５２と比較する（ステップＳ１３）。
推定部１２１により出力される搬送異常度が閾値１５２を超えている場合には（ステップＳ１３：ＹＥＳ）、出力信号送信部１２２は、メンテナンス通知および／またはアラームを出力するための出力信号を、出力部１４を介して出力装置４に送信する（ステップＳ１４）。
他方、推定部１２１により出力される搬送異常度が閾値１５２を超えていない場合には（ステップＳ１３：ＮＯ）、再学習部１２３が、当該新たな基板搬送時に出力されたセンサデータを含むデータセット１３１を正常時のラベルが付された教師データとして学習済みモデル１２０を再学習させる（ステップＳ１５）。
以上のような本実施の形態によれば、推定部１２１が、過去の基板搬送時におけるセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデル１２０を用いることで、新たな基板搬送時におけるセンサデータを含むデータセット１３１について、複数の指標データから総合して、当該新たな基板搬送時における搬送異常度を推定して出力することができる。これにより、基板搬送中におけるセンサの出力と基板搬送前の位置合わせ時に記憶されたセンサの出力との差が一定の閾値を超えると異常と判断する従来の態様に比べて、搬送異常の検出確率を向上できる。また、学習済みモデル１２０を用いることで、従来の態様では扱いにくかった機器の振動、音、画像データなどをセンサデータとして利用することが可能である。
また、本実施の形態によれば、推定部１２１により推定された搬送異常度が閾値１５２を超えている場合に、出力信号送信部１２２が、メンテナンス通知および／またはアラームを出力するための出力信号を出力装置４に送信するため、出力装置４からの出力をトリガとしてユーザ（たとえば基板処理装置１のオペレータ）がメンテナンスを行うことで、ハンドリングミスを事前に防止できる。
また、本実施の形態によれば、再学習部１２３が、新たな基板搬送時に出力されたセンサデータを含むデータセット１３１を教師データとして学習済みモデル１２０を再学習させるため、装置の稼働状況の変化に追従していくシステムが得られる。
また、図８、９に示す実施の形態によれば、推定部１２１が、過去の基板搬送時におけるセンサデータを含むデータセットと搬送異常の発生原因（異常種類）ごとの当該基板搬送時における搬送異常度との間に存在する関係性に基づいて、新たな基板搬送時におけるセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を搬送異常の発生原因（異常種類）ごとに推定して出力するため、搬送異常度が高いと推定された搬送異常の発生原因（異常種類）から調査することにより、装置のメンテナンス時間を短縮させることができる。
なお、本実施の形態に係る搬送異常予測システム１０は、１つのコンピュータまたは量子コンピューティングシステム、もしくは互いにネットワークを介して接続された複数のコンピュータまたは量子コンピューティングシステムによって構成され得るが、１または複数のコンピュータまたは量子コンピューティングシステムに搬送異常予測システム１０を実現させるためのプログラム及び当該プログラムを非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）に記録したコンピュータ読取可能な記録媒体も、本件の保護対象である。
以上、本発明の実施の形態および変形例を例示により説明したが、本発明の範囲はこれらに限定されるものではなく、請求項に記載された範囲内において目的に応じて変更・変形することが可能である。また、各実施の形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
１ 基板処理装置
２ 基板搬送部
３ａ、３ｂ ノズル
４ 出力装置
５１～５Ｎ センサ
６ トップリング
１０ 搬送異常予測システム
１１ 入力部
１２ 制御部
１２１ 推定部
１２２ 出力信号送信部
１２３ 再学習部
１３ 記憶部
１３１ データセット
１３２ 閾値
１４ 出力部

Claims (20)

  1. 基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを有し、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する推定部を備え、
    前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）にて機械学習したものであり、前記推定部は、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、
    ことを特徴とする搬送異常予測システム。
  2. 基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを有し、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する推定部を備え、
    前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、
    ことを特徴とする搬送異常予測システム。
  3. 前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされるとともに、搬送異常発生時の場合には搬送異常の発生原因がラベル付けされた教師データを機械学習したものであり、前記推定部は、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより搬送異常の発生原因ごとに予測される搬送異常発生時である確率に基づいて、搬送異常の発生原因ごとの前記搬送異常度を推定して出力する、
    ことを特徴とする請求項２に記載の搬送異常予測システム。
  4. 前記複数のセンサは、振動センサ、音センサ、画像センサ、映像センサ、温度センサ、機器移動速度センサ、機器動作トルクセンサ、機器平行度センサのうちの１種類または２種類以上からなる
    ことを特徴とする請求項１～３のいずれかに記載の搬送異常予測システム。
  5. 前記推定部により出力される前記搬送異常度を、あらかじめ定められた閾値と比較し、前記搬送異常度が前記閾値を超えている場合には、メンテナンス通知および／またはアラームを出力するための出力信号を出力装置に送信する出力信号送信部
    をさらに備えたことを特徴とする請求項１～４のいずれかに記載の搬送異常予測システム。
  6. 前記推定部は、新たな基板搬送時における搬送開始から現時点までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する
    ことを特徴とする請求項１～５のいずれかに記載の搬送異常予測システム。
  7. 前記推定部は、新たな基板搬送時における搬送開始から搬送終了までのセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力する
    ことを特徴とする請求項１～５のいずれかに記載の搬送異常予測システム。
  8. 前記推定部は、複数枚の新たな基板搬送時における最初の基板の搬送開始から最後の基板の搬送終了までのセンサデータを含むデータセットを入力として、当該複数枚の新たな基板搬送時における搬送異常度を推定して出力する
    ことを特徴とする請求項１～５のいずれかに記載の搬送異常予測システム。
  9. 前記新たな基板搬送時に出力されたセンサデータを含むデータセットを教師データとして前記学習済みモデルを再学習させる再学習部
    をさらに備えたことを特徴とする請求項１～８のいずれかに記載の搬送異常予測システム。
  10. 前記データセットは、当該基板搬送時における機器動作時間、メンテナンス後経過時間、基板ハンドリング部の部品使用時間のうちの少なくとも１つの時間情報をさらに含む、
    ことを特徴とする請求項１～９のいずれかに記載の搬送異常予測システム。
  11. 前記推定部は、複数の学習済みモデルを有し、前記複数の学習済みモデルによる予測の組み合わせに基づいて前記搬送異常度を推定して出力する、
    ことを特徴とする請求項１～１０に記載の搬送異常予測システム。
  12. 基板搬送部と、
    請求項１～１１のいずれかに記載の搬送異常予測システムと、
    を備えたことを特徴とする基板処理装置。
  13. コンピュータが実行する搬送異常予測方法であって、
    基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）にて機械学習したものであり、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、ステップ
    を含むことを特徴とする搬送異常予測方法。
  14. コンピュータが実行する搬送異常予測方法であって、
    基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、ステップ
    を含むことを特徴とする搬送異常予測方法。
  15. コンピュータに、
    基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力された
    センサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）にて機械学習したものであり、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、ステップ
    を実行させるための搬送異常予測プログラム。
  16. コンピュータに、
    基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力された
    センサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、ステップ
    を実行させるための搬送異常予測プログラム。
  17. コンピュータに、
    基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）にて機械学習したものであり、新たな基板搬送時までの実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから前記学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて前記搬送異常度を推定して出力する、ステップ
    を実行させるための搬送異常予測プログラムを記録したコンピュータ読取可能な記録媒体。
  18. コンピュータに、
    基板搬送部に設けられた複数のセンサの各々から過去の基板搬送時に出力されたセンサデータを含むデータセットと当該基板搬送時における搬送異常度との関係性を機械学習した学習済みモデルを用いて、前記複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、当該新たな基板搬送時における搬送異常度を推定して出力するステップであって、前記学習済みモデルは、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、新たな基板搬送時のセンサデータを含むデータセットを入力として、前記学習済みモデルにより予測される搬送異常発生時である確率に基づいて、前記搬送異常度を推定して出力する、ステップ
    を実行させるための搬送異常予測プログラムを記録したコンピュータ読取可能な記録媒体。
  19. 基板搬送部に設けられた複数のセンサの各々から新たな基板搬送時までに出力された実際のセンサデータを含むデータセットを入力として、当該新たな基板搬送時の直前までの実際のセンサデータを含むデータセットから学習済みモデルにより予測される当該新たな基板搬送時のセンサデータを含むデータセットと、当該新たな基板搬送時の実際のセンサデータを含むデータセットとの乖離を計算し、当該乖離に基づいて当該新たな基板搬送時における搬送異常度を推定して出力する推定部にて用いられる学習済みモデルであって、
    入力層と、入力層に接続された１または２以上の中間層と、中間層に接続された出力層とを有し、過去の正常な基板搬送時のセンサデータを含むデータセットを教師データとしてＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ）にて機械学習したものであり、
    新たな基板搬送時の直前までの実際のセンサデータを含むデータセットが入力層に入力されると、当該新たな基板搬送時のセンサデータを予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル。
  20. 基板搬送部に設けられた複数のセンサの各々から新たな基板搬送時に出力されたセンサデータを含むデータセットを入力として、学習済みモデルにより予測される搬送異常発生時である確率に基づいて当該新たな基板搬送時における搬送異常度を推定して出力する推定部にて用いられる学習済みモデルであって、
    入力層と、入力層に接続された１または２以上の中間層と、中間層に接続された出力層とを有し、過去の基板搬送時のセンサデータを含むデータセットに当該基板搬送時が搬送異常発生時か否かがラベル付けされた教師データを機械学習したものであり、
    新たな基板搬送時のセンサデータを含むデータセットが入力層に入力されると、当該新たな基板搬送時が搬送異常発生時である確率を予測して出力層から出力するよう、コンピュータを機能させるための学習済みモデル。
JP2019181870A 2019-10-02 2019-10-02 搬送異常予測システム Active JP7319162B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2019181870A JP7319162B2 (ja) 2019-10-02 2019-10-02 搬送異常予測システム
US17/765,374 US20220363487A1 (en) 2019-10-02 2020-09-18 Conveyance abnormality prediction system
CN202080069453.3A CN114503247A (zh) 2019-10-02 2020-09-18 搬送异常预测系统
PCT/JP2020/035501 WO2021065576A1 (ja) 2019-10-02 2020-09-18 搬送異常予測システム
KR1020227014040A KR20220074905A (ko) 2019-10-02 2020-09-18 반송 이상 예측 시스템
TW109133007A TW202128533A (zh) 2019-10-02 2020-09-24 搬送異常預測系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019181870A JP7319162B2 (ja) 2019-10-02 2019-10-02 搬送異常予測システム

Publications (3)

Publication Number Publication Date
JP2021054632A JP2021054632A (ja) 2021-04-08
JP2021054632A5 JP2021054632A5 (ja) 2022-08-08
JP7319162B2 true JP7319162B2 (ja) 2023-08-01

Family

ID=75272192

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019181870A Active JP7319162B2 (ja) 2019-10-02 2019-10-02 搬送異常予測システム

Country Status (6)

Country Link
US (1) US20220363487A1 (ja)
JP (1) JP7319162B2 (ja)
KR (1) KR20220074905A (ja)
CN (1) CN114503247A (ja)
TW (1) TW202128533A (ja)
WO (1) WO2021065576A1 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7246256B2 (ja) * 2019-05-29 2023-03-27 東京エレクトロン株式会社 搬送方法及び搬送システム
JP7166395B1 (ja) 2021-06-23 2022-11-07 セイコーソリューションズ株式会社 監視システム、監視方法、及び監視プログラム
WO2023282167A1 (ja) * 2021-07-08 2023-01-12 株式会社Preferred Networks データ処理装置およびプログラム
JP2023023394A (ja) * 2021-08-05 2023-02-16 株式会社荏原製作所 基板支持装置、洗浄装置、基板の回転速度を算出する装置ならびに方法、および機械学習装置
JP7288486B2 (ja) * 2021-09-17 2023-06-07 株式会社Kokusai Electric 基板処理方法、基板処理装置、半導体装置の製造方法、及びプログラム
CN114655655A (zh) * 2022-03-09 2022-06-24 南京北路软件技术有限公司 一种基于UNet网络的传送带跑偏检测方法
TWI804405B (zh) * 2022-08-04 2023-06-01 友達光電股份有限公司 振動偵測方法及振動偵測裝置
CN117302897B (zh) * 2023-11-23 2024-01-26 常州市传动输送机械有限公司 一种带式输送机智能监测防控方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016045852A (ja) 2014-08-26 2016-04-04 株式会社日立パワーソリューションズ 異常診断装置及び異常診断方法
JP2017157652A (ja) 2016-03-01 2017-09-07 パナソニックＩｐマネジメント株式会社 部品実装用装置及び基板搬送方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10154900A (ja) * 1996-11-25 1998-06-09 Hitachi Ltd 電子部品実装用プリント基板の故障解析方法およびシステム
TW469483B (en) * 1999-04-19 2001-12-21 Applied Materials Inc Method and apparatus for aligning a cassette
US7490010B2 (en) * 2006-08-08 2009-02-10 Tokyo Electron Limited Data collection method, substrate processing apparatus, and substrate processing system
US7486878B2 (en) * 2006-09-29 2009-02-03 Lam Research Corporation Offset correction methods and arrangement for positioning and inspecting substrates
US8135485B2 (en) * 2007-09-28 2012-03-13 Lam Research Corporation Offset correction techniques for positioning substrates within a processing chamber
US8225683B2 (en) * 2007-09-28 2012-07-24 Lam Research Corporation Wafer bow metrology arrangements and methods thereof
US8060330B2 (en) * 2008-12-12 2011-11-15 Lam Research Corporation Method and system for centering wafer on chuck
US9442482B2 (en) * 2013-04-29 2016-09-13 GlobalFoundries, Inc. System and method for monitoring wafer handling and a wafer handling machine
US10714364B2 (en) * 2017-08-31 2020-07-14 Taiwan Semiconductor Manufacturing Co., Ltd. Apparatus and method for inspecting wafer carriers
US10802475B2 (en) * 2018-07-16 2020-10-13 Elite Robotics Positioner for a robotic workcell
US11328947B1 (en) * 2021-01-26 2022-05-10 Kawasaki Jukogyo Kabushiki Kaisha Aligner apparatus and alignment method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016045852A (ja) 2014-08-26 2016-04-04 株式会社日立パワーソリューションズ 異常診断装置及び異常診断方法
JP2017157652A (ja) 2016-03-01 2017-09-07 パナソニックＩｐマネジメント株式会社 部品実装用装置及び基板搬送方法

Also Published As

Publication number Publication date
CN114503247A (zh) 2022-05-13
KR20220074905A (ko) 2022-06-03
US20220363487A1 (en) 2022-11-17
WO2021065576A1 (ja) 2021-04-08
JP2021054632A (ja) 2021-04-08
TW202128533A (zh) 2021-08-01

Similar Documents

Publication Publication Date Title
JP7319162B2 (ja) 搬送異常予測システム
JP2021054632A5 (ja)
EP2911025B1 (en) Initiated test health management system and method
US10317853B2 (en) Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
JP6392908B2 (ja) 視覚センサの異常原因推定システム
US20200243359A1 (en) Chamber matching with neural networks in semiconductor equipment tools
EP2144195B1 (en) Method for continuously estimating persistent and intermittent failure probabilities for production resources
CN110703723B (zh) 系统、方法和非暂时性计算机可读存储介质
EP3079063B1 (en) Flight control system command selection
JP2019031272A (ja) 冗長システムにおける多重故障のための故障検出
Shui et al. Twofold variation propagation modeling and analysis for roll-to-roll manufacturing systems
JP2020052714A5 (ja)
JP6847898B2 (ja) 予防保全装置及び予防保全システム
Llanos et al. Transmission delays in residual computation
JP5168132B2 (ja) 品質管理システム
JP7366562B2 (ja) 異常判定装置及び異常判定方法
US20210256116A1 (en) Securing industrial production from sophisticated attacks
Shui Real-Time Monitoring and Fault Diagnostics in Roll-To-Roll Manufacturing Systems
CN117697765A (zh) 基于传感反馈提高晶圆机械臂传送准确性的方法及系统
US20240116177A1 (en) Control device and automatic work method
Ding et al. KrakenBox: Deep Learning-Based Error Detector for Industrial Cyber-Physical Systems
TW202316332A (zh) 微製造中的自動故障偵測
JP2022029294A (ja) 要因推定装置、要因推定システムおよびプログラム
JP2023180242A (ja) ニューラルネットワークをトレーニングするための方法及び装置
JP2021116186A (ja) 機械学習方法、搬送装置、画像形成装置、および機械学習プログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220729

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220729

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230627

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230720

R150 Certificate of patent or registration of utility model

Ref document number: 7319162

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150