JPWO2018061842A1 - 異常検知プログラム、異常検知方法および異常検知装置 - Google Patents
異常検知プログラム、異常検知方法および異常検知装置 Download PDFInfo
- Publication number
- JPWO2018061842A1 JPWO2018061842A1 JP2018542408A JP2018542408A JPWO2018061842A1 JP WO2018061842 A1 JPWO2018061842 A1 JP WO2018061842A1 JP 2018542408 A JP2018542408 A JP 2018542408A JP 2018542408 A JP2018542408 A JP 2018542408A JP WO2018061842 A1 JPWO2018061842 A1 JP WO2018061842A1
- Authority
- JP
- Japan
- Prior art keywords
- value
- abnormality
- abnormality detection
- prediction
- predicted
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 414
- 238000001514 detection method Methods 0.000 title claims abstract description 278
- 238000012544 monitoring process Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims description 102
- 238000000034 method Methods 0.000 claims description 95
- 238000009826 distribution Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 19
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 79
- 239000004065 semiconductor Substances 0.000 description 77
- 230000008569 process Effects 0.000 description 42
- 238000004364 calculation method Methods 0.000 description 40
- 238000012423 maintenance Methods 0.000 description 35
- 238000003860 storage Methods 0.000 description 33
- 238000012986 modification Methods 0.000 description 20
- 230000004048 modification Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 101100450325 Arabidopsis thaliana HDG3 gene Proteins 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 101100255938 Arabidopsis thaliana RVE4 gene Proteins 0.000 description 2
- 101100074248 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) LCL1 gene Proteins 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 101150005470 LCL2 gene Proteins 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
図11は、従来の管理図の一例を示す図である。ここでは製品Aをロットごとに1000個製造する製造装置のXbar−R管理図を作成する場合を考える。まず、1ロットから5サンプルを抽出して、5サンプルの所定パラメータの平均値を算出する。また、5サンプルの所定パラメータのばらつき(範囲)を算出する。20ロット分の管理図を作成する場合であれば、20ロット各々について5サンプルを抽出して同様に平均値とばらつきとを算出する。そして、20ロット分の平均値の平均値を算出する。また、20ロット分のばらつきの平均値を算出する。平均値の平均値が図11の(A)の中心線CLであり、ばらつきの平均値が図11の(B)の中心線CLである。
第1の実施形態に係る異常検知装置は、観測値の平均値等の要約値に対して統計モデリングを適用することにより、観測値の要約値からシステムのノイズと観測のノイズを取り除いた状態を推定する。そして、異常検知装置は、推定される状態に基づいて、次に観測値が取得される時点(一期先)の要約値として予測される値、すなわち予測値を生成する。異常検知装置は、次の観測値から要約値が生成されると、当該要約値に基づいてさらに一期先の予測値を生成する。このように、実施形態に係る異常検知装置は、統計モデリングの手法を適用して、新しい要約値が生成されるごとに、監視対象装置の真の状態を推定し、次の時点で要約値がとると推定される予測値と、を生成する。そして、異常検知装置は、異常検知に用いる閾値を、各時点で生成される予測値に基づいて設定する。このため、異常検知装置は、固定値を閾値とすると異常検知が困難なパラメータを用いる場合であっても、高精度に異常を検知することができる。また、異常検知装置は、次々と生成される新しい要約値から予測値を生成しなおして自動的に異常検知の閾値を更新するため、機差等も加味して自動的な異常検知を実現することができる。
実施形態について説明する前に、以下の説明において用いる用語について説明する。
図1は、第1の実施形態に係る異常検知方法を実行する異常検知装置1の構成の一例を示す図である。異常検知装置1は、ネットワーク2を介してリモートサーバ3と接続される。リモートサーバ3は、異常検知の対象である監視対象装置すなわち半導体製造装置4と接続される。半導体製造装置4には任意の数のセンサが設置され、半導体製造装置4における製造工程が実行されるごとに、所定のパラメータを測定する。測定されたパラメータは、リモートサーバ3に送信される。リモートサーバ3は、半導体製造装置4のセンサから受信したパラメータを順次異常検知装置1に送信する。
観測値取得部201は、半導体製造装置4に配置されるセンサが取得した観測値を、リモートサーバ3および通信部10を介して受信する。
要約値生成部202は、観測値取得部201が取得した観測値をもとに、要約値を生成する。
選択部203は、それまでに取得されたデータの性質に応じて、要約値を、第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力する。たとえば、選択部203は、それまでに取得されたデータが正規分布するか非正規分布するか、に応じて要約値を第1の予測値生成部204および第2の予測値生成部205のいずれか一方に入力する。たとえば、選択部203は、正規分布するデータについては、要約値を第1の予測値生成部204に入力する。また、選択部203は、非正規分布するデータについては、要約値を第2の予測値生成部205に入力する。
次に、第1の予測値生成部204は、要約値生成部202が生成した要約値に対して第1の統計モデリングを適用し、予測値を生成する。
第2の予測値生成部205は、要約値生成部202が生成した要約値に対して第2の統計モデリングを適用し、予測値を生成する。第2の予測値生成部205が用いる第2の統計モデリングは、第1の予測値生成部204が用いる第1の統計モデリングとは異なる手法とする。
異常スコア算出部206は、第1の予測値生成部204または第2の予測値生成部205が生成した予測値を用いて、半導体製造装置4の異常有無の指標となる異常スコアを算出する。異常スコアは、予測値に基づき、半導体製造装置4の各時点における異常発生の可能性の大きさをスコア化したものである。
変化スコア算出部207は、半導体製造装置4の状態の変化の指標となる変化スコアを算出する。変化スコア算出部207は、要約値に対して、統計モデリングすなわち変化点検出モデルを適用することで、要約値の変化の大きさをスコア化した変化スコアを算出する。変化スコア算出部207は、第1の予測値生成部204または第2の予測値生成部205が生成する予測値に基づき、変化スコアを算出する。
検知部208は、異常スコア算出部206が算出した異常スコアおよび変化スコア算出部207が算出した変化スコアに基づいて、異常を検知する。
記憶部30は、制御部20において生成される情報およびリモートサーバ3から受信される情報を適宜記憶する。記憶部30は、半導体製造装置情報記憶部31と、異常検知情報記憶部32と、異常レポート記憶部33と、を有する。
図5は、第1の実施形態に係る異常検知方法により出力される情報の一例を示す図である。図5の例では、半導体製造装置4において1日に20回ランが行われた結果をプロットしている。図5の(A)は、各ランにおける要約値と、予測値にもとづき設定された異常スコア判定用の上下閾値と、を示す。上下閾値は、予測値の任意の信頼区間、ここでは約95%をもとに設定した。また、図5の例では、予測値は、第1の予測値生成部204においてカルマンフィルタを用いて算出した。
図7は、第1の実施形態に係る異常検知処理の流れの一例を示すフローチャートである。異常検知装置1の観測値取得部201は、まず、リモートサーバ3を介して半導体製造装置4におけるセンサの観測値を取得する(ステップS1)。観測値取得部201が取得した観測値は、要約値生成部202に送られる。要約値生成部202は、観測値を基に要約値を生成する(ステップS2)。要約値生成部202が生成した要約値は、選択部203に送られる。選択部203は、要約値の分布が正規分布か非正規分布かを判定する(ステップS3)。正規分布と判定した場合(ステップS3、Yes)、選択部203は、要約値を第1の予測値生成部204に送る(ステップS4)。第1の予測値生成部204は、要約値に対して第1の統計モデリングを適用して予測値を生成する(ステップS6)。他方、選択部203が非正規分布と判定した場合(ステップS3、No)、選択部203は、要約値生成部202が生成した要約値を、第2の予測値生成部205に送る(ステップS5)。そして第2の予測値生成部205は、要約値に対して第2の統計モデリングを適用して、予測値を生成する(ステップS6)。第1の予測値生成部204および第2の予測値生成部205の一方が生成した予測値は、異常スコア算出部206に送られる。異常スコア算出部206は、予測値に基づく異常スコアを算出する(ステップS7)。
上記第1の実施形態においては、異常検知装置1は、選択部203を備え、第1の統計モデリングおよび第2の統計モデリングのいずれかの手法を用いて予測値を生成するものとした。ただし、異常検知装置1は、選択部203を省略して第1の予測値生成部204および第2の予測値生成部205の両方に要約値を入力するように構成してもよい。そして、異常スコア算出部206は、第1の予測値生成部204および第2の予測値生成部205が生成する2つの予測値に基づき、二つの異常スコアを算出するよう構成してもよい。
上記のように、本実施形態に係る異常検知装置は、監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用する。そして、異常検知装置は、要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する。そして、異常検知装置は、予測値に基づき、監視対象装置の異常有無を検知する。このように、実施形態に係る異常検知装置によれば、観測値そのものを監視するのではなく、観測値に基づいて判定される装置の状態を監視する。このため、異常検知装置は、本来の検知目標である、装置の突発的な変化や状態の変化を見逃すことなく、異常を早期発見することができる。このため、異常検知装置は、高精度かつ効率的な異常予知および異常監視を自動的に実現することができる。また、本実施形態に係る異常検知装置は、ネットワークを介して監視対象である半導体製造装置と接続され、半導体製造装置において観測される観測値を受信する。そして、異常検知装置は、観測値に基づきリアルタイムで半導体製造装置の状態を監視する。このため、異常検知装置は、半導体製造装置におけるオンライン監視を実現することができる。
上記第1の実施形態では、半導体製造装置4のメンテナンス等の特定のイベントの発生については特に考慮していない。変形例1では、半導体製造装置4のメンテナンス等特定のイベントが発生することで取得されるデータに変動が生じる可能性を考慮して、特定のイベント直後の観測値を破棄するよう、異常検知装置を構成する。特定のイベントの発生についての情報は、異常検知装置が、イベントログとして監視対象装置から取得し、記憶部に格納するよう構成すればよい。
このようにメンテナンス中およびメンテナンス前後所定時間の観測値を、異常検知の判定対象から除外することで、異常検知装置1Aの検知精度を向上させることができる。
上記変形例1では、異常検知装置1Aを、メンテナンス中の観測値および/またはメンテナンス前後所定時間中の観測値を破棄するように構成した。これに代えて、メンテナンス中およびメンテナンス後所定期間中は、観測値はそのまま入力させるが、警告を出力しないように構成してもよい。メンテナンス後は警告を出力しないように構成した例を変形例2として説明する。
図10は、第1の実施形態に係る異常検知プログラムによる情報処理がコンピュータを用いて具体的に実現されることを示す図である。図10に例示するように、コンピュータ1000は、例えば、メモリ1010と、CPU(Central Processing Unit)1020と、ハードディスクドライブ1080と、ネットワークインタフェース1070とを有する。コンピュータ1000の各部はバス1100によって接続される。
なお、本実施形態で説明した異常検知プログラムは、インターネット等のネットワークを介して配布することができる。また、異常検知プログラムは、ハードディスク、フレキシブルディスク(FD)、CD−ROM、MO、DVDなどのコンピュータで読取可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。
10 通信部
20,20A,20B 制御部
201,201A 観測値取得部
202 要約値生成部
203 選択部
204 第1の予測値生成部
205 第2の予測値生成部
206 異常スコア算出部
207 変化スコア算出部
208 検知部
209,209B 警告部
210 異常レポート作成部
30 記憶部
31 半導体製造装置情報記憶部
32 異常検知情報記憶部
33 異常レポート記憶部
40 出力部
2 ネットワーク
3 リモートサーバ
4 半導体製造装置
Claims (17)
- 監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、前記要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成手順と、
前記予測値に基づき、前記監視対象装置の異常有無を検知する検知手順と、
を、コンピュータに実行させることを特徴とする異常検知プログラム。 - 前記予測値生成手順において、前記コンピュータに、新しい要約値が取得されるごとに逐次、前記統計モデリングとして予測モデルを実行させて前記予測値を更新させ、
前記検知手順において、前記コンピュータに、前記更新された予測値の任意の信頼区間を上下閾値として設定して、前記監視対象装置の異常を検知させる、請求項1に記載の異常検知プログラム。 - 前記予測値生成手順において、前記コンピュータに、前記統計モデリングとして、フィルタリングを用いた予測モデルを適用して予測値を生成させる、請求項2に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、カルマンフィルタリングで得たフィルタリング値またはスムージング値を、予測値として生成させる、請求項3に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、前記統計モデリングとして、マルコフ連鎖モンテカルロ法を用いた予測モデルを適用して前記予測値を生成させる、請求項1または2に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、マルコフ連鎖モンテカルロ法を用いた予測モデルで事後分布を推定させ、当該事後分布の平均値、最頻値および中央値のいずれか1つを前記予測値として生成させる、請求項5に記載の異常検知プログラム。
- 前記検知手順において、前記コンピュータに、前記予測値と前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つが閾値よりも大きい場合に異常を検知させる、請求項1から6のいずれか1項に記載の異常検知プログラム。
- 前記予測値生成手順において、前記コンピュータに、前記統計モデリングとして予測モデルと変化点検出モデルとを適用させる、請求項1から7のいずれか1項に記載の異常検知プログラム。
- 前記検知手順において、前記コンピュータに、前記要約値のベイジアン変化点のスコアが閾値を超えた場合に異常を検知させる、請求項1から8のいずれか1項に記載の異常検知プログラム。
- 監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、前記要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成工程と、
前記予測値に基づき、前記監視対象装置の異常有無を検知する検知工程と、
を、コンピュータが実行することを特徴とする異常検知方法。 - 前記予測値と前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する表を出力する出力工程を、前記コンピュータがさらに実行する、請求項10に記載の異常検知方法。
- 前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する表を出力する出力工程を、前記コンピュータがさらに実行する、請求項10に記載の異常検知方法。
- 前記予測値と、前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する第1の表と、前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する第2の表とを、時間軸をそろえて整列させた画像として出力する出力工程を、前記コンピュータがさらに実行する、請求項10に記載の異常検知方法。
- 監視対象装置において繰り返し実行される処理中の所定タイミングにおいて取得した、当該監視対象装置の運転状態の指標となる観測値をまとめた要約値に対して統計モデリングを適用することにより、前記要約値からノイズを除去した状態を推測し、当該推測に基づき一期先の要約値を予測した予測値を生成する予測値生成部と、
前記予測値に基づき、前記監視対象装置の異常有無を検知する検知部と、
を備える異常検知装置。 - 前記予測値と前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する表を作成する作成部と、
前記作成部が作成した表を出力する出力部と、
をさらに備える、請求項14に記載の異常検知装置。 - 前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する表を作成する作成部と、
前記作成部が作成した表を出力する出力部と、
をさらに備える、請求項14に記載の異常検知装置。 - 前記予測値と、前記要約値との残差、当該残差の二乗、および、前記予測値と前記要約値との標準化残差のうち少なくともいずれか1つと閾値とを縦軸に表示し、時間軸を横軸に表示する第1の表と、前記要約値のベイジアン変化点のスコアと閾値とを縦軸に表示し、時間軸を横軸に表示する第2の表と、を作成する作成部と、
前記第1の表と前記第2の表とを、時間軸をそろえて整列させた画像として出力する出力部と、
をさらに備える、請求項14に記載の異常検知装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016188280 | 2016-09-27 | ||
JP2016188280 | 2016-09-27 | ||
PCT/JP2017/033577 WO2018061842A1 (ja) | 2016-09-27 | 2017-09-15 | 異常検知プログラム、異常検知方法および異常検知装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018061842A1 true JPWO2018061842A1 (ja) | 2019-06-27 |
JP6723669B2 JP6723669B2 (ja) | 2020-07-15 |
Family
ID=61759576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018542408A Active JP6723669B2 (ja) | 2016-09-27 | 2017-09-15 | 異常検知プログラム、異常検知方法および異常検知装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200333777A1 (ja) |
JP (1) | JP6723669B2 (ja) |
TW (1) | TWI737816B (ja) |
WO (1) | WO2018061842A1 (ja) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102519802B1 (ko) * | 2017-09-04 | 2023-04-10 | 가부시키가이샤 코쿠사이 엘렉트릭 | 기판 처리 장치, 기판 처리 장치의 이상 감시 방법, 및 기록 매체에 저장된 프로그램 |
AU2018426458B2 (en) * | 2018-06-08 | 2023-12-21 | Chiyoda Corporation | Assistance device, learning device, and plant operation condition setting assistance system |
JP7143639B2 (ja) * | 2018-06-12 | 2022-09-29 | オムロン株式会社 | 異常検知システム、設定ツール装置、および異常対応ファンクションブロック |
US11249469B2 (en) * | 2018-09-28 | 2022-02-15 | Rockwell Automation Technologies, Inc. | Systems and methods for locally modeling a target variable |
JP6910997B2 (ja) * | 2018-10-03 | 2021-07-28 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | 情報処理装置、算出方法および算出プログラム |
CN109583470A (zh) * | 2018-10-17 | 2019-04-05 | 阿里巴巴集团控股有限公司 | 一种异常检测的解释特征确定方法和装置 |
JP7202248B2 (ja) * | 2019-04-23 | 2023-01-11 | 株式会社日立製作所 | プラント状態監視システムおよびプラント状態監視方法 |
TWI744909B (zh) | 2019-06-28 | 2021-11-01 | 日商住友重機械工業股份有限公司 | 用於預測對象裝置的運轉狀態之預測系統、其之預測、其之預測程式、以及用於掌握對象裝置的運轉狀態之顯示裝置 |
JP6694124B1 (ja) * | 2019-07-22 | 2020-05-13 | 調 荻野 | 時系列データの前処理プログラム及び前処理方法 |
TWI700565B (zh) * | 2019-07-23 | 2020-08-01 | 臺灣塑膠工業股份有限公司 | 參數修正方法及系統 |
JP6841980B2 (ja) * | 2019-07-30 | 2021-03-10 | 株式会社日立ハイテク | 装置診断装置、プラズマ処理装置及び装置診断方法 |
US11410891B2 (en) * | 2019-08-26 | 2022-08-09 | International Business Machines Corporation | Anomaly detection and remedial recommendation |
JP2021033842A (ja) * | 2019-08-28 | 2021-03-01 | 株式会社東芝 | 状態監視装置、方法及びプログラム |
US20210110207A1 (en) * | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Automatic activation and configuration of robotic process automation workflows using machine learning |
CN114730279A (zh) * | 2019-11-20 | 2022-07-08 | 纳米电子成像有限公司 | 保护工业生产免受复杂的攻击 |
US11880750B2 (en) * | 2020-04-15 | 2024-01-23 | SparkCognition, Inc. | Anomaly detection based on device vibration |
US20210390483A1 (en) * | 2020-06-10 | 2021-12-16 | Tableau Software, LLC | Interactive forecast modeling based on visualizations |
KR102648654B1 (ko) * | 2020-06-15 | 2024-03-19 | 주식회사 히타치하이테크 | 장치 진단 장치, 장치 진단 방법, 플라스마 처리 장치 및 반도체 장치 제조 시스템 |
JP7413159B2 (ja) * | 2020-06-23 | 2024-01-15 | 東京エレクトロン株式会社 | 情報処理装置、プログラム及び監視方法 |
US11397746B2 (en) | 2020-07-30 | 2022-07-26 | Tableau Software, LLC | Interactive interface for data analysis and report generation |
JP7429623B2 (ja) * | 2020-08-31 | 2024-02-08 | 株式会社日立製作所 | 製造条件設定自動化装置及び方法 |
JP2022043780A (ja) | 2020-09-04 | 2022-03-16 | 東京エレクトロン株式会社 | パラメータ選択方法および情報処理装置 |
WO2022130611A1 (ja) * | 2020-12-18 | 2022-06-23 | 三菱電機株式会社 | 情報処理装置及び情報処理方法 |
JP2022188345A (ja) * | 2021-06-09 | 2022-12-21 | 富士電機株式会社 | 診断装置、診断方法、診断プログラム |
TWI819318B (zh) * | 2021-06-17 | 2023-10-21 | 台達電子工業股份有限公司 | 機台監控裝置以及方法 |
JP7289992B1 (ja) | 2021-07-13 | 2023-06-12 | 株式会社日立ハイテク | 診断装置及び診断方法並びにプラズマ処理装置及び半導体装置製造システム |
CN113536572B (zh) * | 2021-07-19 | 2023-10-03 | 长鑫存储技术有限公司 | 晶圆循环时间的确定方法和装置 |
CN113891386B (zh) * | 2021-11-02 | 2023-06-20 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
CN113837325B (zh) * | 2021-11-25 | 2022-03-01 | 上海观安信息技术股份有限公司 | 基于无监督算法的用户异常检测方法及装置 |
CN116897411A (zh) | 2022-02-07 | 2023-10-17 | 株式会社日立高新技术 | 诊断装置、诊断方法、半导体制造装置系统以及半导体装置制造系统 |
US20230251646A1 (en) * | 2022-02-10 | 2023-08-10 | International Business Machines Corporation | Anomaly detection of complex industrial systems and processes |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5930111A (ja) * | 1982-08-11 | 1984-02-17 | Hitachi Ltd | 生産工程管理異常警報方式 |
JP2009533768A (ja) * | 2006-04-14 | 2009-09-17 | ダウ グローバル テクノロジーズ インコーポレイティド | プロセス監視技法および関連処置 |
JP2015103218A (ja) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
WO2016116961A1 (ja) * | 2015-01-21 | 2016-07-28 | 三菱電機株式会社 | 情報処理装置および情報処理方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7979154B2 (en) * | 2006-12-19 | 2011-07-12 | Kabushiki Kaisha Toshiba | Method and system for managing semiconductor manufacturing device |
JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
JP5855841B2 (ja) * | 2011-04-01 | 2016-02-09 | 株式会社日立国際電気 | 管理装置 |
JP5259797B2 (ja) * | 2011-09-05 | 2013-08-07 | 株式会社東芝 | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
TWI505707B (zh) * | 2013-01-25 | 2015-10-21 | Univ Nat Taiwan Science Tech | 異常物體偵測方法與電子裝置 |
US20140214354A1 (en) * | 2013-01-28 | 2014-07-31 | Verayo, Inc. | System and method of detection and analysis for semiconductor condition prediction |
KR101518374B1 (ko) * | 2013-10-10 | 2015-05-07 | 이도형 | 박막의 계측시스템 및 그 방법 |
JP5930111B2 (ja) | 2015-11-11 | 2016-06-08 | 株式会社セガゲームス | ゲームプログラムおよび情報処理装置 |
-
2017
- 2017-09-15 US US16/336,744 patent/US20200333777A1/en not_active Abandoned
- 2017-09-15 JP JP2018542408A patent/JP6723669B2/ja active Active
- 2017-09-15 WO PCT/JP2017/033577 patent/WO2018061842A1/ja active Application Filing
- 2017-09-21 TW TW106132393A patent/TWI737816B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5930111A (ja) * | 1982-08-11 | 1984-02-17 | Hitachi Ltd | 生産工程管理異常警報方式 |
JP2009533768A (ja) * | 2006-04-14 | 2009-09-17 | ダウ グローバル テクノロジーズ インコーポレイティド | プロセス監視技法および関連処置 |
JP2015103218A (ja) * | 2013-11-28 | 2015-06-04 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
WO2016116961A1 (ja) * | 2015-01-21 | 2016-07-28 | 三菱電機株式会社 | 情報処理装置および情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI737816B (zh) | 2021-09-01 |
TW201816530A (zh) | 2018-05-01 |
JP6723669B2 (ja) | 2020-07-15 |
WO2018061842A1 (ja) | 2018-04-05 |
US20200333777A1 (en) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6723669B2 (ja) | 異常検知プログラム、異常検知方法および異常検知装置 | |
KR102011227B1 (ko) | 컴퓨터 저장 매체, 컴퓨터 프로그램 제품, 및 풍력 발전기 세트의 장애를 모니터링하기 위한 방법, 및 장치 | |
JP6294268B2 (ja) | 射出成形機の異常診断装置 | |
CN107888441B (zh) | 一种网络流量基线自学习自适应方法 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
JP5091604B2 (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
WO2018103453A1 (zh) | 检测网络的方法和装置 | |
WO2015021751A1 (zh) | 一种数据驱动的集成电路工艺设备异常预警技术方法 | |
JP6699012B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
JP5933463B2 (ja) | ログ生起異常検知装置及び方法 | |
JP2015028700A (ja) | 障害検知装置、障害検知方法、障害検知プログラム及び記録媒体 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
JP4957406B2 (ja) | バッチプロセス解析システムおよびバッチプロセス解析方法 | |
Folmer et al. | Detection of temporal dependencies in alarm time series of industrial plants | |
US20210088986A1 (en) | Assistance device, learning device, and plant operation condition setting assistance system | |
JP6948197B2 (ja) | プロセス監視装置 | |
JP2010015205A (ja) | 半導体製造装置の異常診断システムおよび方法 | |
CN107451029A (zh) | 一种信息处理方法及装置、设备 | |
CN113670611A (zh) | 一种轴承早期退化评估方法、系统、介质及电子设备 | |
JP2020067786A (ja) | 制御装置および制御プログラム | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
CN111712771B (zh) | 能够执行问题诊断的数据处理装置以及方法 | |
JPWO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP2021144637A (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190314 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190314 |
|
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: 20200526 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200623 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6723669 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |