KR102280389B1 - 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체 - Google Patents

데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체 Download PDF

Info

Publication number
KR102280389B1
KR102280389B1 KR1020190100813A KR20190100813A KR102280389B1 KR 102280389 B1 KR102280389 B1 KR 102280389B1 KR 1020190100813 A KR1020190100813 A KR 1020190100813A KR 20190100813 A KR20190100813 A KR 20190100813A KR 102280389 B1 KR102280389 B1 KR 102280389B1
Authority
KR
South Korea
Prior art keywords
evaluation value
data
processing
unit
value distribution
Prior art date
Application number
KR1020190100813A
Other languages
English (en)
Other versions
KR20200033726A (ko
Inventor
히데지 나오하라
마유미 야마모토
Original Assignee
가부시키가이샤 스크린 홀딩스
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 가부시키가이샤 스크린 홀딩스 filed Critical 가부시키가이샤 스크린 홀딩스
Publication of KR20200033726A publication Critical patent/KR20200033726A/ko
Application granted granted Critical
Publication of KR102280389B1 publication Critical patent/KR102280389B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/31725—Timing aspects, e.g. clock distribution, skew, propagation delay
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

복수의 단위 처리 데이터(각 단위 처리 데이터는 복수 종류의 시계열 데이터를 포함한다)를 처리하는 데이터 처리 방법에는, 각 시계열 데이터를 평가함으로써 얻어지는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계(예를 들면, 각 시계열 데이터를 기준 데이터와 비교하여 그에 따라 얻어지는 결과를 평가값으로서 수치화 하는 스코어링을 실시하는 단계 및 스코어링의 결과에 근거하여 평가값 분포를 이용해 이상도의 판정을 실시하는 단계)와, 평가값 분포를 갱신하는 평가값 분포 갱신 단계가 포함된다.

Description

데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체{DATA PROCESSING METHOD, DATA PROCESSING DEVICE, AND COMPUTER READABLE RECORDING MEDIUM WITH DATA PROCESSING PROGRAM THEREON}
본 발명은, 디지털 데이터 처리에 관한 것으로, 특히, 시계열 데이터를 처리하는 방법에 관한 것이다.
기기나 장치의 이상을 검출하는 방법으로서, 기기나 장치의 동작 상태를 나타내는 물리량(예를 들면, 길이, 각도, 시간, 속도, 힘, 압력, 전압, 전류, 온도, 유량 등)을 센서 등을 이용해 측정하고, 측정 결과를 발생순으로 정렬해 얻어진 시계열 데이터를 분석하는 방법이 알려져 있다. 기기나 장치가 동일한 조건에서 동일한 동작을 실시하는 경우, 이상이 없으면, 시계열 데이터는 마찬가지로 변화한다. 그래서, 마찬가지로 변화하는 복수의 시계열 데이터를 상호 비교해 이상 시계열 데이터를 검출하고, 그 이상 시계열 데이터를 분석함으로써, 이상 발생 개소(箇所)나 이상 원인의 특정이 가능해진다. 또한, 근년, 컴퓨터의 데이터 처리 능력의 향상이 현저하다. 이때문에, 설령 데이터양이 방대해도 실용적인 시간에 필요한 결과를 얻게 되는 케이스가 많아지고 있다. 이러한 것을 보더라도, 시계열 데이터의 분석이 활발하게 되고 있다.
예를 들면, 반도체 기판의 제조의 분야에 있어서도, 시계열 데이터의 분석이 활발해지고 있다. 반도체 기판(이하, 「기판」이라고 한다)의 제조 공정에서는, 기판 처리 장치에 의해 일련의 처리가 실행된다. 기판 처리 장치는, 기판에 대해 일련의 처리 중 특정의 처리를 실시하는 복수의 처리 유닛을 포함하고 있다. 각 처리 유닛은, 기판에 대해 미리 정해진 순서(「레시피」라고 불린다)에 따라 처리를 실시한다. 이때 각 처리 유닛에서의 측정 결과에 근거해, 시계열 데이터를 얻을 수 있다. 얻어진 시계열 데이터를 분석함으로써, 이상이 발생한 처리 유닛이나 이상의 원인을 특정할 수 있다. 그런데, 「레시피」라는 말은, 기판에 대해서만 실시되는 것이 아니라, 기판의 처리 전에 실시되는 전처리나, 기판에 대한 처리가 처리 유닛에서 실시되지 않는 동안에 처리 유닛 상태의 유지·관리나 처리 유닛에 관한 각종 측정을 실시하기 위한 처리 등에 대해서도 이용된다. 단, 본 명세서에서는, 기판에 대해 실시되는 처리에 주목한다. 덧붙여, 기판의 제조에 의해 얻어진 시계열 데이터의 이상도의 산출에 관련된 발명이 일본의 특허 공개 2017-83985호 공보에 개시되어 있다.
일반적으로, 기판의 제조 공정에서는, 레시피의 실행에 의해 방대한 수의 파라미터(각종의 물리량)에 대한 시계열 데이터가 얻어진다. 시계열 데이터는, 레시피가 실행되었을 때에 각종의 물리량(예를 들면, 노즐로부터 공급되는 처리 유체의 유량이나 온도, 챔버 내의 습도, 챔버의 내압, 챔버의 배기압 등)을 센서 등을 이용해 측정하여 측정 결과를 시계열로 정렬해 얻어진 데이터이다. 또한, 카메라에 의해 촬상된 화상에 해석을 더해 얻어진 데이터를 시계열로 정렬한 것도 시계열 데이터가 된다. 그리고, 각 시계열 데이터가 이상인지 여부의 판정은, 시계열 데이터의 데이터값을 임계값과 비교하는 것에 의해, 혹은, 상기 데이터값으로부터 소정의 계산 룰에 따라 산출되는 값을 임계값과 비교하는 것에 의해 실시되고 있다. 덧붙여, 임계값은 파라미터 마다 설정된다.
그런데, 설정되는 임계값은 반드시 바람직한 값이라고는 할 수 없기 때문에, 이상 판정의 정밀도는 양호하지 않다. 즉, 종래의 수법에 의하면, 시계열 데이터의 이상이 정밀도 좋게 검출되지 않는다. 또한, 어느 하나의 같은 레시피에 주목해도, 얻어지는 시계열 데이터의 내용은 시간의 경과와 함께 변화하는 경향이 있다. 따라서, 이상 판정 시에 이러한 시간의 경과가 고려되지 않으면, 충분한 정밀도로 이상이 검출되지 않는다.
그래서, 본 발명은, 시계열 데이터를 이용한 이상 검출을 시간의 경과를 고려하여 충분한 정밀도로 실시할 수 있는 데이터 처리 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 국면은, 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 방법에 있어서, 각 시계열 데이터를 평가함으로써 얻어지는 평가값의 값 마다의 도수(度數)를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와, 상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계를 포함한다.
이러한 구성에 의하면, 각 시계열 데이터를 평가함으로써 얻어진 평가값의 분포를 나타내는 평가값 분포를 이용한 처리가 실시된다. 예를 들면, 새롭게 시계열 데이터가 얻어졌을 때에, 상기 시계열 데이터의 이상 판정을 실시할 수 있다. 그 이상 판정에는 평가값 분포가 이용되는 바, 상기 평가값 분포의 갱신이 실시된다. 그러므로, 이상 판정 시에, 예를 들면 시계열 데이터의 최근의 경향을 고려하는 것이 가능해진다. 이상으로부터, 시계열 데이터를 이용한 이상 검출을 시간의 경과를 고려해 충분한 정밀도로 실시하는 것이 가능해진다.
본 발명의 다른 국면은, 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 장치에 있어서, 각 시계열 데이터를 평가함으로써 얻어지는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용부와, 상기 평가값 분포를 갱신하는 평가값 분포 갱신부를 갖춘다.
본 발명의 또 다른 국면은, 컴퓨터 판독 가능한 기록 매체에 저장되는 데이터 처리 프로그램에 있어서, 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 장치에 포함되는 컴퓨터에서, 각 시계열 데이터를 평가함으로써 얻어지는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와, 상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계를 실행시킨다.
본 발명의 이들 및 다른 목적, 특징, 양태 및 효과는, 첨부 도면을 참조해 본 발명의 하기의 상세한 설명으로부터 한층 밝혀질 것이다.
도 1은, 본 발명의 일 실시 형태에 따른 데이터 처리 시스템(기판 처리 장치용의 데이터 처리 시스템)의 전체 구성을 도시한 블록도이다.
도 2는, 상기 실시 형태에서, 기판 처리 장치의 개략 구성을 도시한 도면이다.
도 3은, 상기 실시 형태에서, 어느 하나의 시계열 데이터를 그래프화 하여 나타낸 도면이다.
도 4는, 상기 실시 형태에서, 단위 처리 데이터에 대해 설명하기 위한 도면이다.
도 5는, 상기 실시 형태에서, 데이터 처리 장치의 하드웨어 구성을 도시한 블록도이다.
도 6은, 상기 실시 형태에서, 평가값 분포에 대해 설명하기 위한 도면이다.
도 7은, 상기 실시 형태에서, 시계열 데이터를 이용한 이상 검출에 대한 전체 처리 순서의 개략을 도시한 플로우 차트이다.
도 8은, 상기 실시 형태에서, 이상 판정 대상 설정 화면의 일례를 도시한 도면이다.
도 9는, 상기 실시 형태에서, 이상도의 판정에 대해 설명하기 위한 도면이다.
도 10은, 상기 실시 형태에서, 평가값 분포의 작성의 상세한 순서를 도시한 플로우 차트이다.
도 11은, 상기 실시 형태에서, 단위 처리 데이터 선택 화면의 일례를 도시한 도면이다.
도 12는, 상기 실시 형태에서, 파라미터 지정 화면의 일례(표시 직후의 예)를 도시한 도면이다.
도 13은, 상기 실시 형태에서, 파라미터 지정 화면의 일례(유저에 의한 파라미터 지정 후의 예)를 도시한 도면이다.
도 14는, 상기 실시 형태에서, 평가값 분포의 갱신에 대해 설명하기 위한 도면이다.
도 15는, 상기 실시 형태의 제1 변형예에서, 시계열 데이터를 이용한 이상 검출에 대한 전체 처리 순서의 개략을 도시한 플로우 차트이다.
도 16은, 상기 실시 형태의 제2 변형예에서, 평가값 분포의 갱신의 상세한 순서를 도시한 플로우 차트이다.
도 17은, 상기 실시 형태의 제2 변형예에서, 처리 유닛 마다의 평가값의 분포의 작성에 대해 설명하기 위한 도면이다.
도 18은, 상기 실시 형태의 제2 변형예에서, 편차 이외에 평가값도 고려하는 것이 바람직한 것에 대해 설명하기 위한 도면이다.
도 19는, 상기 실시 형태의 제3 변형예에서, 학습기로서 준비되는 뉴럴 네트워크의 일례를 도시한 도면이다.
도 20은, 상기 실시 형태의 제3 변형예에서, 뉴럴 네트워크의 입력층에 입력되는 데이터에 대해 설명하기 위한 도면이다.
도 21은, 상기 실시 형태의 제3 변형예에서, 학습 데이터에 대해 설명하기 위한 도면이다.
이하, 첨부 도면을 참조하면서 본 발명의 일 실시 형태에 대해 설명한다.
＜1. 전체 구성＞
도 1은, 본 발명의 일 실시 형태에 따른 데이터 처리 시스템(기판 처리 장치용의 데이터 처리 시스템)의 전체 구성을 도시한 블록도이다. 이 데이터 처리 시스템은, 데이터 처리 장치(100)와 기판 처리 장치(200)에 의해 구성되어 있다. 데이터 처리 장치(100)와 기판 처리 장치(200)는 통신 회선(300)에 의해 서로 접속되어 있다.
데이터 처리 장치(100)는, 기능적으로는, 단위 처리 데이터 선택부(110)와 평가값 산출부(120)와 평가값 분포 작성부(130)와 평가값 분포 갱신부(140)와 이상도 판정부(150)와 데이터 기억부(160)를 가지고 있다. 단위 처리 데이터 선택부(110)는, 이미 축적되어 있는 후술하는 복수의 단위 처리 데이터로부터 2 이상의 단위 처리 데이터를 선택한다. 평가값 산출부(120)는, 기판 처리에서 얻어지는 시계열 데이터의 이상도의 판정 등에 이용하기 위한 평가값의 산출을 실시한다. 예를 들면, 평가값 산출부(120)는, 단위 처리 데이터 선택부(110)에 의해 선택된 단위 처리 데이터에 포함되는 각 시계열 데이터에 대한 평가값을 산출한다. 평가값 분포 작성부(130)는, 평가값 산출부(120)에 의해 산출된 평가값(각 시계열 데이터에 대한 평가값)에 근거해, 후술하는 평가값 분포를 작성한다. 평가값 분포 갱신부(140)는, 평가값 분포의 갱신을 실시한다. 이상도 판정부(150)는, 평가값 분포가 이미 존재하는 상황 하에서, 기판 처리 장치(200)에서 레시피가 실행되는 것에 의해 새롭게 얻어진 시계열 데이터에 대한 이상도를 상기 시계열 데이터의 평가값과 평가값 분포에 근거해 판정한다. 평가값 산출부(120)와 이상도 판정부(150)에 의해 평가값 분포 이용부가 실현되고 있다. 덧붙여, 본 실시 형태에서는, 기판 처리의 결과로서는 평가값의 값이 작을수록 바람직한 것으로 가정한다.
데이터 기억부(160)에는, 본 실시 형태에서의 각종 처리를 실실시하기 위한 데이터 처리 프로그램(161)이 보지(保持)되어 있다. 데이터 기억부(160)에는, 또한, 기판 처리 장치(200)에서 보내는 시계열 데이터를 저장하는 시계열 데이터 DB(162), 기준 데이터를 저장하는 기준 데이터 DB(163), 및 평가값 분포 데이터를 저장하는 평가값 분포 데이터 DB(164)가 포함되어 있다. 기준 데이터 및 평가값 분포 데이터에 대한 설명은 후술한다. 덧붙여, 「DB」는 「데이터베이스」의 약어이다.
기판 처리 장치(200)는, 복수 개의 처리 유닛(222)을 포함하고 있다. 각 처리 유닛(222)에서는, 상기 처리 유닛(222)의 동작 상태를 나타내는 복수의 물리량이 측정된다. 이에 따라, 복수의 시계열 데이터(보다 상세하게는, 복수의 파라미터에 대한 시계열 데이터)가 얻어진다. 각 처리 유닛(222)에서의 처리로 얻어진 시계열 데이터는, 기판 처리 장치(200)에서 데이터 처리 장치(100)로 보내지고, 상술한 것처럼 시계열 데이터 DB(162)에 저장된다.
도 2는, 기판 처리 장치(200)의 개략 구성을 도시한 도면이다. 기판 처리 장치(200)는, 인덱서부(210)와 처리부(220)를 갖추고 있다. 인덱서부(210) 및 처리부(220)의 제어는, 기판 처리 장치(200)의 내부의 제어부(미도시)에 의해 실시된다.
인덱서부(210)는, 복수 매의 기판을 수용 가능한 기판 수용기(카세트)를 재치(載置)하기 위한 복수 개의 기판 수용기 보지부(保持部)(212)와, 기판 수용기로부터의 기판의 반출 및 기판 수용기로의 기판의 반입을 실시하는 인덱서 로봇(214)을 포함하고 있다. 처리부(220)는, 처리액을 이용해 기판의 세정 등의 처리를 실시하는 복수 개의 처리 유닛(222)과, 처리 유닛(222)으로의 기판의 반입 및 처리 유닛(222)로부터의 기판의 반출을 실시하는 기판 반송 로봇(224)을 포함하고 있다. 처리 유닛(222)의 수는, 예를 들면 12개이다. 이 경우, 예를 들면, 3개의 처리 유닛(222)을 적층한 타워 구조체가 도 2에 도시한 것처럼 기판 반송 로봇(224)의 주위의 4개소에 마련된다. 각 처리 유닛(222)에는 기판에 대한 처리를 실시하는 공간인 챔버가 마련되어 있고, 챔버 내에서 기판에 처리액이 공급된다. 덧붙여, 각 처리 유닛(222)은, 하나의 챔버를 포함하고 있다. 즉, 처리 유닛(222)과 챔버는 1대 1로 대응한다.
기판에 대한 처리가 실시될 때, 인덱서 로봇(214)은, 기판 수용기 보지부(212)에 재치되어 있는 기판 수용기로부터 처리 대상의 기판을 꺼내고, 상기 기판을 기판 수도부(基板受渡部)(230)을 통해 기판 반송 로봇(224)에 전달한다. 기판 반송 로봇(224)은, 인덱서 로봇(214)로부터 받은 기판을 대상의 처리 유닛(222)에 반입한다. 기판에 대한 처리가 종료하면, 기판 반송 로봇(224)은, 대상의 처리 유닛(222)으로부터 기판을 꺼내고, 상기 기판을 기판 수도부(230)를 통해 인덱서 로봇(214)에 전달한다. 인덱서 로봇(214)은, 기판 반송 로봇(224)으로부터 수취한 기판을 대상의 기판 수용기에 반입한다.
이 데이터 처리 시스템에서는, 각 처리 유닛(222)에서의 처리에 관련되는 기기의 이상이나 각 처리 유닛(222)에서 실시된 처리의 이상 등을 검출하기 위해, 레시피가 실행될 때 마다, 시계열 데이터가 취득된다. 본 실시 형태에서 취득되는 시계열 데이터는, 레시피가 실행되었을 때에 각종의 물리량(예를 들면, 노즐의 유량, 챔버의 내압, 챔버의 배기압 등)을 센서 등을 이용해 측정하여 측정 결과를 시계열로 정렬해 얻어진 데이터이다. 각종의 물리량은 각각 대응하는 파라미터의 값으로서 처리된다. 덧붙여, 하나의 파라미터는 1종류의 물리량에 대응한다.
도 3은, 어느 하나의 시계열 데이터를 그래프화 하여 도시한 도면이다. 이 시계열 데이터는, 하나의 레시피가 실행되었을 때에 하나의 처리 유닛(222) 내의 챔버에서 1매의 기판에 대한 처리에 의해 얻어진 임의의 물리량에 대한 데이터이다. 덧붙여, 시계열 데이터는 복수의 이산값으로 구성되는 데이터이지만, 도 3에서는 시간적으로 인접하는 2개의 데이터값 사이를 직선으로 묶고 있다. 그런데, 하나의 레시피가 실행되었을 때에는, 상기 레시피가 실행된 처리 유닛(222) 마다, 다양한 물리량에 대한 시계열 데이터가 얻어진다. 그래서, 이하, 하나의 레시피가 실행되었을 때에 하나의 처리 유닛(222) 내의 챔버에서 1매의 기판에 대해 실시되는 처리를 「단위 처리」라고 하고, 단위 처리에 의해 얻어지는 일군(一群)의 시계열 데이터를 「단위 처리 데이터」라고 한다. 하나의 단위 처리 데이터에는, 모식적으로는 도 4에 도시한 것처럼, 복수의 파라미터에 대한 시계열 데이터 및 해당 단위 처리 데이터를 특정하기 위한 복수의 항목(예를 들면, 처리의 개시 시각·처리의 종료 시각 등)의 데이터 등으로 구성되는 속성 데이터가 포함되어 있다. 덧붙여, 도 4와 관련하여, 「파라미터 A」, 「파라미터 B」 및 「파라미터 C」는, 서로 다른 종류의 물리량에 대응하고 있다.
기기나 처리의 이상을 검출하기 위해서는, 레시피의 실행에 의해 얻어진 단위 처리 데이터를, 처리 결과로서 이상적인 데이터값을 가지는 단위 처리 데이터와 비교해야 한다. 보다 상세하게는, 레시피의 실행에 의해 얻어진 단위 처리 데이터에 포함되는 복수의 시계열 데이터를, 각각, 처리 결과로서 이상적인 데이터값을 가지는 단위 처리 데이터에 포함되는 복수의 시계열 데이터와 비교해야 한다. 그래서, 본 실시 형태에서는, 각 레시피에 관해, 평가 대상의 단위 처리 데이터와 비교하기 위한 단위 처리 데이터(평가 대상의 단위 처리 데이터에 포함되는 복수의 시계열 데이터와 각각 비교하기 위한 복수의 시계열 데이터로 구성되는 단위 처리 데이터)가 기준 데이터(평가값을 산출할 때의 기준이 되는 데이터)로서 정해져 있다. 이 기준 데이터가 상술한 기준 데이터 DB(163)(도 1 참조)에 저장되어 있다. 덧붙여, 각 레시피에 관해, 파라미터 마다, 상이한 단위 처리 데이터에 포함되어 있는 시계열 데이터가 기준 데이터로서 채용되어도 무방하다. 즉, 어느 레시피에 대응되어 있는 파라미터에 주목했을 때, 어느 파라미터에 대한 기준 데이터로서 다루어지는 시계열 데이터와 다른 파라미터에 대한 기준 데이터로서 다루어지는 시계열 데이터가 서로 다른 단위 처리 데이터에 포함되는 시계열 데이터여도 무방하다.
여기서, 도 5를 참조하면서, 데이터 처리 장치(100)의 하드웨어 구성에 대해 설명한다. 데이터 처리 장치(100)는, CPU(11)와 주메모리(12)와 보조 기억 장치(13)와 표시부(14)와 입력부(15)와 통신 제어부(16)와 기록 매체 판독부(17)를 갖추고 있다. CPU(11)는, 주어진 명령에 따라 각종 연산 처리 등을 실시한다. 주메모리(12)는, 실행 중인 프로그램이나 데이터 등을 일시적으로 저장한다. 보조 기억 장치(13)는, 전원이 오프되어도 보지(保持)되어야 하는 각종 프로그램·각종 데이터를 저장한다. 상술한 데이터 기억부(160)는, 이 보조 기억 장치(13)에 의해 실현된다. 표시부(14)는, 예를 들면, 오퍼레이터가 작업을 실시하기 위한 각종 화면을 표시한다. 이 표시부(14)에는, 예를 들면, 액정 디스플레이가 사용된다. 입력부(15)는, 예를 들면 마우스나 키보드 등으로서, 오퍼레이터에 의한 외부로부터의 입력을 받아들인다. 통신 제어부(16)는, 데이터 송수신의 제어를 실시한다. 기록 매체 판독부(17)는, 프로그램 등을 기록한 기록 매체(400)의 인터페이스 회로이다. 기록 매체(400)에는, 예를 들면, CD-ROM이나 DVD-ROM 등의 비일과성의 기록 매체가 사용된다.
데이터 처리 장치(100)가 기동하면, 보조 기억 장치(13)(데이터 기억부(160))에 보지(保持)된 데이터 처리 프로그램(161)(도 1 참조)이 주메모리(12)에 읽히고, 그 주메모리(12)에 읽힌 데이터 처리 프로그램(161)을 CPU(11)가 실행한다. 이에 따라, 각종 데이터 처리를 실시하는 기능이 데이터 처리 장치(100)에 의해 제공된다. 덧붙여, 데이터 처리 프로그램(161)은, 예를 들면, CD-ROM이나 DVD-ROM 등의 기록 매체(400)에 기록된 형태나 통신 회선(300)을 통한 다운로드의 형태로 제공된다.
＜2. 기판 처리의 평가＞
＜2.1 평가값 분포＞
본 실시 형태에서는, 각 시계열 데이터에 대한 이상 판정을 실시하기 위해, 평가값 산출부(120)에서 구해진 평가값의 값 마다의 도수를 나타내는 평가값 분포가 이용된다. 이 평가값 분포에 대해, 도 6을 참조하면서 상세히 설명한다.
평가값 분포는 파라미터 마다(즉, 시계열 데이터의 종류 마다)에 준비된다. 어느 하나의 파라미터에 주목하면, 시계열 데이터의 평가값 마다의 도수를 나타내는 분포는, 예를 들면 도 6의 A부에 나타낸 것이 된다. 도 6의 A부에 관하여, μ는 분포의 생성원(生成元)의 평가값의 평균값이고, σ는 분포의 생성원의 평가값의 표준편차이다. 여기서, 분포의 생성원의 평가값의 각각에 대해 표준화를 실시함으로써, 평가값 분포(5)로서 도 6의 B부에 나타낸 분포(평균값이 0이고, 분산·표준편차가 1인 분포)를 작성할 수 있다. 덧붙여, 표준화 전의 평가값을 Sold로 하고, 표준화 후의 평가값을 Snew로 하면, 표준화는 다음의 식(1)에 의해 실시된다.
Figure 112019084438966-pat00001
상술과 같은 평가값 분포(5)가 준비되어 있는 상황 하에, 레시피의 실행에 의해 새롭게 시계열 데이터가 생성되면, 상기 시계열 데이터에 대한 평가값이 구해진다. 그리고, 그 구해진 평가값에 대해, 평가값 분포(5)를 작성했을 때의 평균값 μ 및 표준편차 σ를 이용해 위 식(1)에 근거하는 표준화가 실시된다. 그 표준화에 의해 얻어진 평가값에 근거해, 해당 시계열 데이터에 대한 이상도가 결정된다.
이상도의 결정에 관해, 본 실시 형태에서는, 표준화 후의 평가값의 범위가 4개의 존(zone)으로 구분되어 있다. 즉, 4개의 레벨로 각 시계열 데이터의 이상도가 판정된다. 구체적으로는, 도 6의 B부에 도시한 것처럼, (표준화 후의) 평가값이 1 미만이면 이상도는 레벨 1(L1)로 판정되고, 평가값이 1 이상 2 미만이면 이상도는 레벨 2(L2)로 판정되고, 평가값이 2 이상 3 미만이면 이상도는 레벨 3(L3)로 판정되고, 평가값이 3 이상이면 이상도는 레벨 4(L4)로 판정된다.
그런데, 표준화 후의 평가값의 범위에 대한 4개의 존으로의 구분은 표준편차에 근거해 실시된다. 즉, 존 간의 임계값은 자동적으로 결정된다. 따라서, 종래와는 달리, 시계열 데이터의 이상 판정을 실시하기 위해 유저는 임계값을 설정하는 번잡한 작업을 필요로 하지 않는다.
＜2.2 전체 처리 플로우＞
도 7은, 시계열 데이터를 이용한 이상 검출에 대한 전체 처리 순서의 개략을 도시한 플로우 차트이다. 덧붙여, 이 처리의 개시 전에 어느 정도의 수의 시계열 데이터가 이미 축적되어 있는 것으로 가정한다.
우선, 시계열 데이터를 이용한 이상 검출(각 시계열 데이터에 대한 이상 판정)을 가능하게 하기 위해, 상술한 평가값 분포(5)의 작성이 실시된다(단계(S10)). 본 실시 형태에서는, 전체의 처리 유닛(222)에 공통인 평가값 분포(5)가 파라미터 마다 작성된다. 단, 각 파라미터에 대한 평가값 분포(5)가 처리 유닛(222) 마다 작성되도록 해도 무방하다. 평가값 분포(5)의 작성의 상세한 순서에 대해서는 후술한다.
다음으로, 유저에 의해, 이상 판정의 대상으로 하는 처리 유닛(챔버) 및 파라미터의 지정이 실시된다(단계(S20)). 이때, 데이터 처리 장치(100)의 표시부(14)에 예를 들면 도 8에 도시한 이상 판정 대상 설정 화면(도 8에는, 실제로 표시되는 화면의 일부 만을 나타내고 있다. 도 11, 도 12, 도 13도 마찬가지.)(500)이 표시되고, 이상 판정의 대상으로 하는 처리 유닛 및 파라미터를 유저가 지정한다. 도 8에 도시한 예에서는, 체크 박스가 선택 상태로 되어 있는 처리 유닛 및 리스트 박스 내에서 선택 상태로 되어 있는 파라미터가 이상 판정의 대상으로서 지정된다. 덧붙여, 단계(S10)에서는 전체의 처리 유닛(222)에서의 처리로 얻어진 시계열 데이터를 이용하여 모든 파라미터에 대한 평가값 분포(5)가 작성되지만, 단계(S20)에서 지정된 처리 유닛에서의 처리로 얻어진 시계열 데이터 중, 단계(S20)에서 지정된 파라미터에 대한 시계열 데이터 만이 실제로 이상 판정이 실시되는 대상이 된다.
그 후, 기판 처리 장치(200)에서 레시피가 실행되면(단계(S30)), 상기 레시피의 실행에 의해 얻어진 시계열 데이터 중 이상 판정 대상의 시계열 데이터에 대한 스코어링이 실시된다(단계(S40)). 덧붙여, 스코어링이란, 각 시계열 데이터를 기준 데이터와 비교하여 그에 따라 얻어지는 결과를 평가값으로서 수치화 하는 처리이다. 스코어링의 종료 후, 각 시계열 데이터에 대해, 대응하는 평가값 분포(5)를 이용해 이상도의 판정이 실시된다(단계(S50)). 이 단계(S50)에서는, 우선, 단계(S40)에서 얻어진 평가값에 표준화가 행해진다. 평가값의 표준화는 위 식(1)에 의해 실시되는 바, 위 식(1) 중의 평균값 μ 및 표준편차 σ에는, 해당 평가값 분포(5)의 작성 시에 얻어진 평균값 μ 및 표준편차 σ가 사용된다. 그리고, 평가값 분포(5) 상에서의 표준화 후의 평가값의 위치에 근거해 이상도가 결정된다. 예를 들면, 표준화 후의 평가값이 도 9에서 부호(51)를 붙인 위치의 값인 경우, 해당 시계열 데이터의 이상도는 「레벨 2」로 판정된다.
본 실시 형태에서는, 어느 하나의 레시피의 내용에 변경이 있을 때까지, 단계(S30)~단계(S50)의 처리가 반복된다. 즉, 어느 레시피가 실행되었을 때의 이상도의 판정은, 상기 레시피의 내용에 변경이 있을 때까지, 동일한 평가값 분포(5)를 이용해 실시된다. 어느 하나의 레시피의 내용에 변경이 있으면, 평가값 분포(5)의 갱신이 실시된다(단계(S60)). 본 실시 형태에 따르면, 이처럼 평가값 분포의 갱신이 실시되므로, 예를 들면 최근의 경향을 고려하면서, 시계열 데이터를 이용한 이상 검출을 실시하는 것이 가능해진다. 덧붙여, 평가값 분포(5)의 갱신에 대한 상세한 설명은 후술한다. 평가값 분포(5)의 갱신 후, 처리는 단계(S30)로 돌아온다.
덧붙여, 본 실시 형태에서는, 단계(S40) 및 단계(S50)에 의해 평가값 분포 이용 단계가 실현되고, 단계(S60)에 의해 평가값 분포 갱신 단계가 실현되고 있다.
＜3. 평가값 분포의 작성 방법＞
도 10을 참조하면서, 본 실시 형태에서의 평가값 분포(5)의 작성(도 7의 단계(S10))의 상세한 순서에 대해 설명한다. 우선, 유저에 의해, 평가값 분포(5)의 작성원(作成元)이 되는 2 이상의 단위 처리 데이터의 선택이 실시된다(단계(S110)). 단계(S110)에서는, 데이터 처리 장치(100)의 표시부(14)에 예를 들면 도 11에 도시한 단위 처리 데이터 선택 화면(600)이 표시된다. 단위 처리 데이터 선택 화면(600)에는, 개시 시점 입력 박스(61)와, 종료 시점 입력 박스(62)와, 처리 유닛 지정 박스(63)와, 레시피 지정 박스(64)와, 추출 데이터 표시 영역(65)과, 확정 버튼(66)이 포함되어 있다. 개시 시점 입력 박스(61)와 종료 시점 입력 박스(62)는 일시(日時)의 지정이 가능한 리스트 박스이고, 처리 유닛 지정 박스(63)와 레시피 지정 박스(64)는 복수의 항목으로부터 1 이상의 항목의 선택이 가능한 리스트 박스이다. 유저는, 개시 시점 입력 박스(61)와 종료 시점 입력 박스(62)에서 기간을 지정하고, 처리 유닛 지정 박스(63)에서 처리 유닛을 지정하고, 레시피 지정 박스(64)에서 레시피를 지정한다. 이에 따라, 지정된 조건에 해당하는 단위 처리 데이터의 일람(一覽)이 추출 데이터 표시 영역(65)에 표시된다. 유저는, 추출 데이터 표시 영역(65)에 표시된 단위 처리 데이터의 일부 또는 모두를 선택한 상태에서 확정 버튼(66)을 압하(壓下)한다. 이에 따라, 평가값 분포(5)의 작성원이 되는 단위 처리 데이터가 확정된다. 덧붙여, 반드시 기간, 처리 유닛 및 레시피의 모두가 지정될 필요는 없고, 기간, 처리 유닛 및 레시피 중 적어도 어느 하나가 지정되면 무방하다.
다음으로, 단계(S110)에서 선택된 단위 처리 데이터(이하, 「피선택 단위 처리 데이터」라고 한다.)에 포함되는 각 시계열 데이터에 대해, 평가값의 산출이 실시된다(단계(S111)). 본 실시 형태에서는, 미리 기준 데이터가 기준 데이터 DB(163)에 보지(保持)되어 있다. 즉, 피선택 단위 처리 데이터에 포함되는 각 시계열 데이터와 비교해야 할 기준 데이터는, 기준 데이터 DB(163)에 보지되어 있다. 따라서, 단계(S111)에서는, 피선택 단위 처리 데이터에 포함되는 각 시계열 데이터가, 기준 데이터 DB(163)(도 1 참조)에 보지(保持)되어 있는 기준 데이터와 비교되어, 상기 각 시계열 데이터에 대한 평가값이 산출된다.
다음으로, 단계(S111)에서 산출된 평가값의 표준화가 실시된다(단계(S112)). 상술한 것처럼, 평가값의 표준화는 위 식(1)을 이용해 실시된다. 그런데, 평가값 분포(5)는 파라미터 마다 작성되므로, 위 식(1) 중의 평균값 μ 및 표준편차 σ는 파라미터 마다 구해진다.
마지막으로, 파라미터 마다(즉, 시계열 데이터의 종류 마다), 표준화 후의 평가값의 데이터에 근거해 평가값 분포(5)가 작성된다(단계(S113)). 이 평가값 분포(5)를 구성하는 데이터는, 평가값 분포 데이터로서 상술한 평가값 분포 데이터 DB(164)(도 1 참조)에 보지(保持)된다.
＜4. 평가값 분포의 갱신 방법＞
다음으로, 평가값 분포(5)의 갱신에 대해 설명한다. 기판 처리 장치(200)에서 레시피가 실행되는 것에 의해 얻어지는 단위 처리 데이터에는, 복수의 파라미터에 대한 시계열 데이터가 포함되어 있다. 상술한 것처럼, 본 실시 형태에서는, 그 파라미터 마다 평가값 분포(5)가 작성된다. 그런데, 기판 처리 장치(200)에서는, 레시피의 내용에 변경이 행해지는 경우가 있다. 레시피의 내용에 변경이 있으면, 그 변경의 전후로, 레시피의 실행에 의해 얻어지는 시계열 데이터의 내용이 다른 것이 된다. 이때, 만일 레시피의 변경 후에 얻어진 시계열 데이터의 이상 판정을, 레시피의 변경 전에 작성된 평가값 분포(5)를 이용해 실시하면, 상기 이상 판정의 결과로서 올바른 결과를 얻지 못할 우려가 있다. 그래서, 본 실시 형태에서는, 레시피의 내용에 변경이 있었을 때에 평가값 분포(5)의 갱신이 실시된다. 덧붙여, 레시피의 내용에 변경이 있었던 직후에는 변경 후의 내용에 근거한 시계열 데이터가 축적되어 있지 않기 때문에, 평가값 분포(5)의 갱신은 변경 후의 내용에 근거한 시계열 데이터가 어느 정도 축적되고 나서 실시하는 것이 바람직하다.
평가값 분포(5)의 갱신 시, 평가값 분포 갱신부(140)는, 변경 전의 레시피에 대응되어 있는 파라미터와, 변경 후의 레시피에 대응되어 있는 파라미터를 비교한다. 그리고, 평가값 분포 갱신부(140)는, 레시피의 내용의 변경에 따라 추가된 파라미터에 대응하는 평가값 분포(5)를 이미 축적되어 있는 평가값(해당 파라미터에 대한 시계열 데이터의 평가값)의 데이터에 근거해 작성한다. 또한, 내용에 변경이 있었던 파라미터의 지정이 유저에 의해 실시되고, 평가값 분포 갱신부(140)는, 그 지정된 파라미터에 대응하는 평가값 분포(5)를 재작성한다.
예를 들면, 어느 레시피의 내용의 변경에 의해, 상기 레시피에 대응되어 있는 파라미터 군(群)이 이하와 같이 변화했다고 가정한다.
변경 전: 파라미터 A, 파라미터 B, 파라미터 C, 파라미터 D
변경 후: 파라미터 A, 파라미터 C, 파라미터 D, 파라미터 E
덧붙여, 파라미터 A 및 파라미터 D에 대해서는 시계열 데이터의 내용에 변화는 없고, 파라미터 C에 대해서는 시계열 데이터의 내용에 변화가 있는 것으로 가정한다.
상기 예의 경우, 평가값 분포(5)의 갱신 시에, 데이터 처리 장치(100)의 표시부(14)에, 예를 들면 도 12에 도시한 파라미터 지정 화면(700)이 표시된다. 파라미터 지정 화면(700)에는, 변경 후의 파라미터 군(파라미터 A, 파라미터 C, 파라미터 D, 파라미터 E)에 대응하는 체크 박스가 포함되어 있다. 레시피의 내용의 변경에 따라 추가된 파라미터인 파라미터 E에 대응하는 체크 박스는 미리 선택 상태(도 12에서는, 음영 상태)로 되어 있다. 이러한 파라미터 지정 화면(700)에서, 파라미터 C에 대해서는 시계열 데이터의 내용에 변화가 있으므로, 도 13에 도시한 것처럼, 유저는 파라미터 C에 대응하는 체크 박스를 선택 상태로 한다. 이와 같이 유저에 의한 파라미터의 지정이 실시된 후, 실제로 평가값 분포(5)의 갱신이 실시된다. 그 결과, 모식적으로는 도 14에 도시한 것처럼 평가값 분포(5)가 갱신된다. 구체적으로는, 레시피의 내용의 변경에 따라 삭제된 파라미터인 파라미터 B에 대한 평가값 분포(5)는 삭제되고, 레시피의 내용의 변경에 따라 추가된 파라미터인 파라미터 E에 대한 평가값 분포(5)가 신규로 작성되고, 유저에 의해 지정된 파라미터인 파라미터 C에 대한 평가값 분포(5)가 재작성된다. 덧붙여, 파라미터 A 및 파라미터 D에 대한 평가값 분포(5)는, 레시피의 내용의 변경 전의 상태로 유지된다.
이상과 같이, 레시피의 내용의 변경에 관련되는 파라미터에 대한 평가값 분포(5)만 갱신(작성, 재작성, 삭제)이 실시된다. 이에 따라, 평가값 분포(5)의 갱신에 다대(多大)한 시간을 필요로 하는 것이 방지된다. 덧붙여, 갱신 후의 평가값 분포(5)의 구체적인 작성 순서에 대해서는, 신규로 평가값 분포(5)를 작성할 때와 유사한 순서(도 10 참조)를 채용할 수 있다.
＜5. 효과＞
본 실시 형태에 따르면, 유저에 의해 선택된 단위 처리 데이터에 포함되는 각 시계열 데이터에 대한 평가값이 산출된다. 그리고, 그 평가값에 대해 통계적인 표준화가 실시되고, 표준화 후의 평가값의 분포를 나타내는 평가값 분포(5)가 작성된다. 이와 같이 평가값 분포(5)가 작성되는 상황 하에서, 레시피의 실행에 의해 새롭게 시계열 데이터가 생성되면, 상기 시계열 데이터에 대한 평가값(상세하게는, 스코어링에 의해 얻어진 평가값의 표준화 후의 값)에 근거해 이상 판정이 실시된다. 그 이상 판정에는 평가값 분포(5)가 이용되는 바, 본 실시 형태에서는 평가값 분포(5)의 갱신이 실시된다. 따라서, 이상 판정 시에, 예를 들면 시계열 데이터의 최근의 경향을 고려하는 것이 가능해진다. 이상과 같이, 본 실시 형태에 따르면, 시계열 데이터를 이용한 이상 검출을 시간의 경과를 고려해 충분한 정밀도로 실시하는 것이 가능해진다.
＜6. 변형예＞
이하, 평가값 분포(5)의 갱신에 관한 변형예에 대해 설명한다.
＜6.1 제1 변형예＞
상기 실시 형태에서는, 레시피의 내용에 변경이 있었을 때에 평가값 분포(5)가 갱신되었다. 그렇지만, 본 발명은 이것으로 한정되지 않고, 스코어링이 실행될 때 마다, 평가값 분포(5)가 갱신되도록 해도 무방하다.
도 15는, 본 변형예에서의 시계열 데이터를 이용한 이상 검출에 대한 전체 처리 순서의 개략을 도시한 플로우 차트이다. 상기 실시 형태에서는, 어느 하나의 레시피의 내용에 변경이 있을 때까지, 단계(S30)~단계(S50)의 처리가 반복되었다(도 7 참조). 이에 반해, 본 변형예에서는, 스코어링(단계(S40))의 결과에 근거해 이상도의 판정(단계(S50))이 실시된 후, 반드시 평가값 분포(5)의 갱신(단계(S60))이 실시된다. 덧붙여, 단계(S40)에 의해 이상도 판정용 평가값 산출 단계가 실현된다.
그런데, 평가값 분포(5)를 작성하기 위해서는, 작성원(作成元)의 모든 단위 처리 데이터에 근거해 평균값 및 표준편차의 산출을 실시할 필요가 있다. 즉, 평가값 분포(5)의 갱신을 스코어링이 실행될 때 마다 실시하기 위해서는, 스코어링할 때 마다, 평균값 및 표준편차의 산출을 실시할 필요가 있다. 이와 관련해, 만일, 스코어링할 때 마다, 평가값 분포(5)의 작성원의 모든 단위 처리 데이터를 이용해 평균값 및 표준편차의 산출이 실시되면, 계산을 위한 부하가 매우 커진다. 그래서, 평가값 분포(5)의 작성원의 단위 처리 데이터의 수가 n개로부터 n+1개로 증가했을 때에 이하의 식(2)~(4)를 이용해 순서를 따라 평균값 및 분산(표준편차의 2승)을 구하도록 하면 무방하다.
Figure 112019084438966-pat00002
Figure 112019084438966-pat00003
Figure 112019084438966-pat00004
여기서, μn +1은 평가값 분포(5)의 작성원의 단위 처리 데이터의 수가 n+1개로 증가한 상태에서의 평가값의 평균값이고, μn은 평가값 분포(5)의 작성원의 단위 처리 데이터의 수가 n개인 상태에서의 평가값의 평균값이고, xn +1은 추가된 단위 처리 데이터의 평가값이고, σ2 n +1은 평가값 분포(5)의 작성원의 단위 처리 데이터의 수가 n+1개로 증가한 상태에서의 평가값의 분산이고, σ2 n은 평가값 분포(5)의 작성원의 단위 처리 데이터의 수가 n개인 상태에서의 평가값의 분산이다.
위 식(3)을 이용해 μn +1을 구할 때에는 이미 μn은 구해져 있고, 또한, 위 식(4)를 이용해 σ2 n +1을 구할 때에는 이미 σ2 n은 구해져 있다. 따라서, 갱신 후의 평가값 분포(5)를 작성하기 위한 평균값 및 표준편차(표준편차는 분산으로부터 간단히 얻어진다)를 비교적 낮은 부하로 구하는 것이 가능해진다.
평가값 분포(5)의 작성원의 단위 처리 데이터의 수가 적으면, 시계열 데이터의 이상 판정에 관해 양호한 정밀도를 얻을 수 없다. 이 점에서, 본 변형예에 의하면, 스코어링이 실행될 때 마다, 평가값 분포(5)가 갱신되므로, 이상 판정의 정밀도가 서서히 향상된다. 또한, 평균값이나 표준편차가 일정 범위 내의 값으로 수속(收束)하기(이상 판정에 관해 충분한 정밀도를 얻어진다)까지는 다소의 시간을 필요로 하지만, 레시피의 실행 결과로서의 단위 처리 데이터를 전혀 얻지 못하는 상황 하에서도 스코어링이나 평가값 분포(5)의 작성에 관한 각종 설정 작업을 미리 실시하는 것이 가능해진다.
＜6.2　제2 변형예＞
상기 실시 형태에서는, 유저가 임의로 선택한 단위 처리 데이터에 근거해, 평가값 분포(5)의 작성·갱신이 실시되었다. 그렇지만, 본 발명은 이것으로 한정되지 않고, 평가값 분포(5)의 갱신이 지정된 처리 유닛(222)에서의 처리로 얻어진 단위 처리 데이터에 근거해 실시되도록 해도 무방하다.
도 16은, 본 변형예에서의 평가값 분포(5)의 갱신의 상세한 순서를 도시한 플로우 차트이다. 본 변형예에서는, 평가값 분포(5)의 갱신 시, 우선, 스코어링 결과(평가값의 데이터)의 추출이 실시된다(단계(S600)). 단계(S600)에서는, 예를 들면, 하나의 평가값 분포(5)에 대해 직근(直近)에 얻어진 1000개의 단위 처리 데이터에 대한 스코어링 결과가 추출된다.
다음으로, 단계(S600)에서 추출된 스코어링 결과에 근거해, 처리 유닛(222) 마다 평가값의 편차(분산 또는 표준편차)가 산출된다(단계(S601)). 덧붙여, 이때, 평가값의 데이터의 표준화는 실시되지 않는다. 그런데, 단계(S600)에서 추출된 스코어링 결과에 근거해 분포(평가값의 분포)가 작성되면, 상기 분포는, 모식적으로는 예를 들면 도 17에 도시한 것처럼, 처리 유닛 마다 상이한 것이 된다. 여기서, 통상, 출력 결과에 이상도가 높은 시계열 데이터를 많이 포함하고 있는 처리 유닛(222)일수록, 상술한 분포에 근거하는 편차는 커진다고 생각할 수 있다. 그래서, 위에서 설명한 바와 같이, 단계(S601)에서는 처리 유닛(222) 마다 평가값의 편차가 산출된다. 그리고, 단계(S601)에서 산출된 편차 중 가장 작은 편차가 얻어진 처리 유닛(222)의 지정이 실시된다(단계(S602)).
그 후, 단계(S602)에서 지정된 처리 유닛(222)에서의 처리로 얻어진 단위 처리 데이터가, 예를 들면 상술한 직근(直近)에 얻어진 1000개의 단위 처리 데이터로부터 추출된다(단계(S603)). 다음으로, 단계(S603)에서 추출된 단위 처리 데이터(이하, 「피추출 단위 처리 데이터」라고 한다.)에 포함되는 각 시계열 데이터에 대해, 평가값의 산출이 실시되고(단계(S604)), 또한, 단계(S604)에서 산출된 평가값의 표준화가 실시된다(단계(S605)). 덧붙여, 단계(S605)에서도 평가값의 표준화는 위 식(1)을 이용해 실시된다. 마지막으로, 파라미터 마다(즉, 시계열 데이터의 종류 마다), 표준화 후의 평가값의 데이터에 근거해 갱신 후의 평가값 분포(5)가 작성된다(단계(S606)).
덧붙여, 본 변형예에서는, 단계(S601)에 의해 편차 산출 단계가 실현되고, 단계(S602)에 의해 처리 유닛 지정 단계가 실현되고, 단계(S603)에 의해 단위 처리 데이터 추출 단계가 실현되고, 단계(S604)에 의해 분포 갱신용 평가값 산출 단계가 실현되고, 단계(S605) 및 단계(S606)에 의해 평가값 분포 작성 단계가 실현되고 있다.
본 변형예에 따르면, 평가값 분포(5)의 작성원이 되는 단위 처리 데이터를 선택하는 것이 어려운 경우에도, 처리 유닛(222) 마다의 스코어링 결과에 근거해, 안정된 처리가 실시될 것으로 생각되는 처리 유닛(222)의 선택(지정)이 실시된다. 그리고, 그 선택된 처리 유닛(222)에서의 처리로 얻어진 단위 처리 데이터에 근거해, 갱신 후의 평가값 분포(5)가 작성된다. 이때문에, 상기 평가값 분포(5)를 이용한 이상 판정은 고정밀하게 된다. 이상과 같이, 본 변형예에 의하면, 평가값 분포(5)의 작성원이 되는 단위 처리 데이터를 선택하는 것이 어려운 경우에도, 시계열 데이터의 이상 판정을 고정밀도로 실시하는 것이 가능해지도록, 평가값 분포(5)가 갱신된다.
덧붙여, 상술의 예에서는, 단계(S602)에서의 처리 유닛(222)의 지정은 평가값의 편차 만을 고려하여 실시된다. 이에 관해, 예를 들면 도 18에 도시한 것처럼, 비교적 이상도가 낮은 시계열 데이터를 많이 포함하는 처리 유닛에 대응하는 분포 보다 비교적 이상도가 높은 시계열 데이터를 많이 포함하는 처리 유닛에 대응하는 분포의 쪽이, 편차가 작아지는 케이스가 생기는 경우도 생각할 수 있다. 그래서, 예를 들면, 상기 단계(S601)(도 16 참조)에서 평가값의 편차 이외에 평가값의 평균값을 산출하고, 단계(S602)에서 평가값의 편차 및 평가값의 평균값의 쌍방을 고려해 처리 유닛(222)의 지정이 실시되도록 해도 무방하다. 이 경우, 단계(S601)에 의해 통계값 산출 단계가 실현된다.
＜6.3　제3 변형예＞
상기 실시 형태에서는, 갱신 후의 평가값 분포(5)는 신규로 평가값 분포(5)를 작성할 때와 유사한 순서(도 10 참조)에 의해 작성되고 있었다. 그렇지만, 본 발명은 이것으로 한정되지 않고, AI(인공지능)의 기술을 이용해 갱신 후의 평가값 분포(5)를 정하도록 해도 무방하다. 그래서, 이하, 도 19~도 21을 참조하면서, 평가값 분포(5)의 갱신에 AI의 기술을 이용하는 수법에 대해 설명한다. 덧붙여, 본 변형예에서는 전체의 처리 유닛(222)에 공통의 평가값 분포(5)가 파라미터 마다 준비되는 것으로 가정한다. 또한, 이하에서는, 하나의 파라미터에 대한 평가값 분포(5)에 주목한다.
본 변형예에서는, 입력층과 중간층과 출력층에 의해 구성되는, 예를 들면 도 19에 도시한 뉴럴 네트워크가 학습기로서 준비된다. 중간층의 층수는 한정되지 않고, 또한, 복수의 중간층에 있어서 어느 층의 유닛 수와 다른 층의 유닛 수가 상이해도 무방하다. 입력층의 유닛 수에 대해서도, 평가값 분포(5)의 데이터를 적절히 입력할 수 있다면, 특별히 한정되지 않는다. 덧붙여, 뉴럴 네트워크의 종류로서는, 예를 들면, 일반적인 순전파형(順傳播型) 뉴럴 네트워크나 컨볼루션 뉴럴 네트워크를 채용할 수 있다.
도 19에 도시한 것처럼, 입력층에는 평가값 분포(5)의 데이터가 입력되고, 출력층에서는 점수의 데이터가 출력된다. 예를 들면, 입력층이 도 20에 도시한 것처럼 100개의 유닛(U(1)~U(100))으로 구성되어 있는 경우, 평가값을 취할 수 있는 범위가 100개의 범위로 구분되도록 99개의 임계값(TH(1)~TH(99))이 설정된다. 덧붙여, 이들 임계값(TH(1)~TH(99))에 대해서는, 「TH(1)＜TH(2)＜TH(3)＜…＜TH(99)」라는 관계를 만족하는 것으로 한다. 이러한 전제 하에, 어느 하나의 평가값 분포(5)의 데이터가 입력층에 입력될 때에는, 예를 들면, 첫번째의 유닛 U(1)에는 임계값 TH(1) 미만의 값(평가값으로서의 값)의 도수가 입력되고, 두번째의 유닛 U(2)에는 임계값 TH(1) 이상, 임계값 TH(2) 미만의 값의 도수가 입력된다(도 20 참조). 상술한 것처럼 평가값 분포(5)의 데이터가 입력층에 입력되면, 그 때의 뉴럴 네트워크 내의 가중치(weight)·바이어스의 값에 근거해 데이터의 순전파가 실시되어, 출력층으로부터 점수의 데이터가 출력된다.
학습기로서 상술한 뉴럴 네트워크가 준비되어 있는 상황 하에, 실제로 평가값 분포(5)의 갱신이 실시되는데 앞서서, 상기 뉴럴 네트워크의 학습이 실시될 필요가 있다. 본 변형예에서는, 뉴럴 네트워크의 학습을 위해, 각각이 평가값 분포(5)와 교사(敎師) 데이터로서의 점수로 구성되는 모식적으로는 도 21에 도시한 다수의 학습 데이터가 준비된다. 덧붙여, 도 21에서 부호(59)로 나타낸 부분의 데이터가 하나의 학습 데이터에 상당한다. 각 평가값 분포(5)에는, 예를 들면, 0점 이상, 5점 이하의 점수를 할당되어 있다.
학습 시에는, 각 학습 데이터에 대해, 평가값 분포(5)의 데이터를 입력층에 부여함으로써 얻어지는 점수(출력층으로부터 출력되는 점수)와 교사 데이터로서의 점수와의 2승 오차가 구해진다. 그리고, 오차 역전파법에 의해, 모든 학습 데이터에 대한 2승 오차의 총합이 최소가 되도록, 뉴럴 네트워크 내의 가중치(weight)·바이어스의 값이 구해진다.
평가값 분포(5)의 갱신 시에는, 이상과 같이 미리 학습이 실시되어 있는 뉴럴 네트워크가 이용된다. 구체적으로는, 학습 완료된 뉴럴 네트워크를 이용해 이하의 순서로 갱신 후의 평가값 분포(5)의 설정이 실시된다.
우선, 처리 유닛(222) 마다, 예를 들면 직근(直近)에 얻어진 해당 파라미터에 대한 최신의 1000개의 시계열 데이터를 이용해 평가값 분포(5)가 작성된다. 이에 따라, 처리 유닛(222)의 수가 12이면, 12개의 평가값 분포(5)가 작성된다. 그리고, 12개의 처리 유닛(222)에 각각 대응하는 12개의 평가값 분포(5)의 데이터가 순차적으로 뉴럴 네트워크의 입력층에 입력된다. 그 결과, 뉴럴 네트워크의 출력층에서는 12개의 점수의 데이터가 순차적으로 출력된다. 본 변형예에서는, 이들 12개의 점수 중 가장 높은 점수(가장 좋은 점수)를 얻은 평가값 분포(5)가 갱신 후의 평가값 분포(5)로 정해진다.
이상과 같이, 본 변형예에서는, 각각이 평가값 분포(5)와 교사 데이터로서의 점수로 구성되는 복수의 학습 데이터를 이용하여 미리 학습이 실시되어 있는 뉴럴 네트워크(학습기)에 복수의 처리 유닛(222)에 대응하는 복수의 평가값 분포(5)가 입력되고, 상기 복수의 평가값 분포(5) 중 뉴럴 네트워크로부터 출력된 점수가 가장 좋은 평가값 분포(5)가 갱신 후의 평가값 분포(5)로 정해진다.
본 변형예에 의하면, 평가값 분포(5)의 갱신 시에, 처리 유닛(222) 마다 최신의 시계열 데이터에 근거해 평가값 분포(5)가 작성된다. 그리고, 복수의 평가값 분포(5) 중에서 AI의 기술에 의해 최선이라고 판단된 평가값 분포(5)가 갱신 후의 평가값 분포(5)로 정해진다. 이때문에, 갱신 후의 평가값 분포(5)를 이용한 이상 판정은 고정밀한 것이 된다. 이상과 같이, 본 변형예에 의하면, 상기 제2 변형예와 마찬가지로, 평가값 분포(5)의 작성원이 되는 단위 처리 데이터를 선택하는 것이 어려운 경우에도, 시계열 데이터의 이상 판정을 고정밀도로 실시하는 것이 가능해지도록, 평가값 분포(5)가 갱신된다.
＜7. 그 외＞
이상에서 본 발명을 상세히 설명했지만, 이상의 설명은 모든 면에서 예시적인 것이며 제한적인 것은 아니다. 다수의 다른 변경이나 변형이 본 발명의 범위를 일탈하지 않고 고안 가능하다고 이해된다.

Claims (14)

  1. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 방법에 있어서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계
    를 포함하고,
    상기 복수의 단위 처리 데이터는, 기판 처리 장치에서 레시피가 실행되는 것에 의해 얻어지는 데이터이고,
    레시피의 내용에 변경이 있었을 때에, 상기 평가값 분포 갱신 단계가 실행되는
    데이터 처리 방법.
  2. 제1항에 있어서,
    상기 복수 종류의 시계열 데이터는, 복수의 파라미터에 대한 시계열 데이터이고,
    상기 평가값 분포는, 파라미터 마다 마련되어 있고,
    상기 평가값 분포 갱신 단계에서는,
    내용에 변경이 있는 파라미터에 대응하는 평가값 분포 만이 갱신되는, 데이터 처리 방법.
  3. 제2항에 있어서,
    상기 평가값 분포 갱신 단계에서는,
    레시피의 내용의 변경에 따라 추가된 파라미터에 대응하는 평가값 분포가 이미 축적되어 있는 평가값의 데이터에 근거해 작성되는, 데이터 처리 방법.
  4. 제2항에 있어서,
    상기 평가값 분포 갱신 단계에서는,
    외부로부터 지정된 파라미터에 대응하는 평가값 분포가 재작성되는, 데이터 처리 방법.
  5. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 방법에 있어서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계
    를 포함하고,
    상기 평가값 분포 이용 단계는,
    새롭게 얻어진 단위 처리 데이터에 포함되는 시계열 데이터에 대한 평가값을, 기준 데이터와의 비교에 의해 산출하는 이상도 판정용 평가값 산출 단계와,
    상기 평가값 분포와 상기 이상도 판정용 평가값 산출 단계에서 산출된 평가값에 근거해, 상기 새롭게 얻어진 단위 처리 데이터에 포함되는 시계열 데이터의 이상도의 판정을 실시하는 이상도 판정 단계
    를 포함하고,
    상기 이상도 판정용 평가값 산출 단계가 실행될 때 마다, 상기 평가값 분포 갱신 단계가 실행되는, 데이터 처리 방법.
  6. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 방법에 있어서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계
    를 포함하고,
    상기 단위 처리는, 복수의 처리 유닛을 가지는 기판 처리 장치에서 1매의 기판에 대해 하나의 레시피로서 실행되는 처리이고,
    상기 평가값 분포 갱신 단계는,
    각 시계열 데이터에 대한 평가값에 근거해 처리 유닛 마다 평가값의 편차를 산출하는 편차 산출 단계와,
    상기 편차 산출 단계에서 산출된 편차 중 가장 작은 편차가 얻어진 처리 유닛을 지정하는 처리 유닛 지정 단계와,
    상기 처리 유닛 지정 단계에서 지정된 처리 유닛에 대응하는 단위 처리 데이터를 상기 복수의 단위 처리 데이터로부터 추출하는 단위 처리 데이터 추출 단계와,
    상기 단위 처리 데이터 추출 단계에서 추출된 단위 처리 데이터인 피추출 단위 처리 데이터에 포함되는 각 시계열 데이터에 대한 평가값을 산출하는 분포 갱신용 평가값 산출 단계와,
    상기 분포 갱신용 평가값 산출 단계에서 산출된 각 시계열 데이터에 대한 평가값에 근거해, 갱신 후의 평가값 분포를 시계열 데이터의 종류 마다 작성하는 평가값 분포 작성 단계
    를 포함하는 데이터 처리 방법.
  7. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 방법에 있어서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계
    를 포함하고,
    상기 단위 처리는, 복수의 처리 유닛을 가지는 기판 처리 장치에서 1매의 기판에 대해 하나의 레시피로서 실행되는 처리이고,
    상기 평가값 분포 갱신 단계는,
    각 시계열 데이터에 대한 평가값에 근거해 처리 유닛 마다 평가값의 평균값 및 편차를 산출하는 통계값 산출 단계와,
    상기 통계값 산출 단계에서 산출된 평균값 및 편차를 고려하여 처리 유닛을 지정하는 처리 유닛 지정 단계와,
    상기 처리 유닛 지정 단계에서 지정된 처리 유닛에 대응하는 단위 처리 데이터를 상기 복수의 단위 처리 데이터로부터 추출하는 단위 처리 데이터 추출 단계와,
    상기 단위 처리 데이터 추출 단계에서 추출된 단위 처리 데이터인 피추출 단위 처리 데이터에 포함되는 각 시계열 데이터에 대한 평가값을, 기준 데이터와의 비교에 의해 산출하는 분포 갱신용 평가값 산출 단계와,
    상기 분포 갱신용 평가값 산출 단계에서 산출된 각 시계열 데이터에 대한 평가값에 근거해, 갱신 후의 평가값 분포를 시계열 데이터의 종류 마다 작성하는 평가값 분포 작성 단계
    를 포함하는 데이터 처리 방법.
  8. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 방법에 있어서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계
    를 포함하고,
    상기 단위 처리는, 복수의 처리 유닛을 가지는 기판 처리 장치에서 1매의 기판에 대해 하나의 레시피로서 실행되는 처리이고,
    상기 평가값 분포 갱신 단계에서는,
    각각이 평가값 분포와 교사 데이터로서의 점수로 구성되는 복수의 학습 데이터를 이용해 미리 학습이 실시되고 있는 학습기에 상기 복수의 처리 유닛에 대응하는 복수의 평가값 분포가 입력되고, 상기 복수의 평가값 분포 중 상기 학습기로부터 출력된 점수가 가장 좋은 평가값 분포가 갱신 후의 평가값 분포로 정해지는, 데이터 처리 방법.
  9. 제8항에 있어서,
    상기 평가값 분포 갱신 단계에서 상기 학습기에 입력되는 평가값 분포는,
    직근(直近)의 레시피의 실행에 의해 얻어진 시계열 데이터에 대한 평가값에 근거하여 작성된 평가값 분포인, 데이터 처리 방법.
  10. 제8항에 있어서,
    상기 학습기는, 복수의 유닛으로 구성되는 입력층과, 복수의 유닛으로 구성되는 중간층과, 하나의 유닛으로 구성되는 출력층을 가지는 뉴럴 네트워크이고,
    상기 입력층의 각 유닛은, 평가값으로서의 값을 취할 수 있는 범위를 소정의 임계값으로 구분함으로써 얻어지는 범위에 대응되고,
    상기 입력층의 각 유닛에는, 상기 각 유닛에 대응된 범위에 포함되는 값의 도수가 입력되는, 데이터 처리 방법.
  11. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 장치에 있어서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용부와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신부
    를 갖추고,
    상기 복수의 단위 처리 데이터는, 기판 처리 장치에서 레시피가 실행되는 것에 의해 얻어지는 데이터이고,
    레시피의 내용에 변경이 있었을 때에, 상기 평가값 분포 갱신부가 실행되는
    데이터 처리 장치.
  12. 단위 처리로 얻어지는 복수 종류의 시계열 데이터를 단위 처리 데이터로 하여 복수의 단위 처리 데이터를 처리하는 데이터 처리 장치에 포함되는 컴퓨터에서,
    각 시계열 데이터를 기준 데이터와 비교하는 것에 의해 산출되는 평가값의 값 마다의 도수를 나타내는 평가값 분포를 이용한 처리를 실시하는 평가값 분포 이용 단계와,
    상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계로서, 상기 복수의 단위 처리 데이터가 얻어질 때 기판 처리 장치에서 실행된 레시피의 내용에 변경이 있었을 때에 상기 평가값 분포를 갱신하는 평가값 분포 갱신 단계
    를 실행시키기 위한 데이터 처리 프로그램을 저장한, 컴퓨터 판독 가능한 기록 매체.
  13. 삭제
  14. 삭제
KR1020190100813A 2018-09-20 2019-08-19 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체 KR102280389B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018176259A JP7188950B2 (ja) 2018-09-20 2018-09-20 データ処理方法およびデータ処理プログラム
JPJP-P-2018-176259 2018-09-20

Publications (2)

Publication Number Publication Date
KR20200033726A KR20200033726A (ko) 2020-03-30
KR102280389B1 true KR102280389B1 (ko) 2021-07-21

Family

ID=69856603

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190100813A KR102280389B1 (ko) 2018-09-20 2019-08-19 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체

Country Status (5)

Country Link
US (1) US11474150B2 (ko)
JP (1) JP7188950B2 (ko)
KR (1) KR102280389B1 (ko)
CN (1) CN110928264B (ko)
TW (1) TWI709833B (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020166011A1 (ja) * 2019-02-14 2020-08-20 日本電気株式会社 時系列データ処理方法
KR102546071B1 (ko) * 2021-05-18 2023-06-22 세메스 주식회사 기판 처리 장치 및 데이터 변화 판단 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016136563A (ja) * 2015-01-23 2016-07-28 株式会社Ｓｃｒｅｅｎホールディングス オーバーレイ計測装置およびオーバーレイ計測方法
JP2018055294A (ja) * 2016-09-27 2018-04-05 Kddi株式会社 時系列のイベント群から異常状態を検知するプログラム、装置及び方法

Family Cites Families (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5849167B2 (ja) 1976-11-05 1983-11-02 三菱レイヨン株式会社 対向ベルト式連続製板方法
JPH10163080A (ja) * 1996-11-27 1998-06-19 Matsushita Electron Corp 半導体製造システム
US6405157B1 (en) 1998-05-13 2002-06-11 Nec Corporation Evaluation value computing system in production line simulator
JP3063758B2 (ja) * 1998-05-13 2000-07-12 日本電気株式会社 製造ラインシミュレ―タにおける評価値算出システム及びその算出方法並びにその制御プログラム記録媒体
JP2000252179A (ja) * 1999-03-04 2000-09-14 Hitachi Ltd 半導体製造プロセス安定化支援システム
US7904194B2 (en) 2001-02-09 2011-03-08 Roy-G-Biv Corporation Event management systems and methods for motion control systems
JP4158384B2 (ja) 2001-07-19 2008-10-01 株式会社日立製作所 半導体デバイスの製造工程監視方法及びそのシステム
JP4184638B2 (ja) 2001-08-31 2008-11-19 株式会社東芝 半導体製造装置の寿命診断方法
JP3870052B2 (ja) 2001-09-20 2007-01-17 株式会社日立製作所 半導体装置の製造方法及び欠陥検査データ処理方法
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
US7885420B2 (en) 2003-02-21 2011-02-08 Qnx Software Systems Co. Wind noise suppression system
WO2006019166A1 (ja) 2004-08-19 2006-02-23 Nikon Corporation アライメント情報表示方法とそのプログラム、アライメント方法、露光方法、デバイス製造方法、表示システム、表示装置、プログラム及び測定／検査装置
JP2006146459A (ja) * 2004-11-18 2006-06-08 Renesas Technology Corp 半導体デバイスの製造方法および製造システム
US7904184B2 (en) 2004-11-23 2011-03-08 Rockwell Automation Technologies, Inc. Motion control timing models
JP2006332213A (ja) 2005-05-25 2006-12-07 Matsushita Electric Ind Co Ltd 半導体装置の製造方法
US7801628B2 (en) 2005-09-30 2010-09-21 Rockwell Automation Technologies, Inc. Industrial operator interfaces interacting with higher-level business workflow
US20070105244A1 (en) 2005-11-04 2007-05-10 Nikon Corporation Analytical apparatus, processing apparatus, measuring and/or inspecting apparatus, exposure apparatus, substrate processing system, analytical method, and program
WO2007052699A1 (ja) 2005-11-04 2007-05-10 Nikon Corporation 解析装置、処理装置、測定装置、露光装置、基板処理システム、解析方法及びプログラム
WO2008059598A1 (fr) 2006-11-17 2008-05-22 Imagineering, Inc. Dispositif d'analyse de réaction, support d'enregistrement et système de mesure
JP2008226006A (ja) 2007-03-14 2008-09-25 Omron Corp 設備機器診断装置およびプログラム
JP5271525B2 (ja) 2007-10-04 2013-08-21 東京エレクトロン株式会社 基板処理装置の検査方法及び記憶媒体
JP4950830B2 (ja) 2007-10-15 2012-06-13 株式会社東芝 環境影響評価装置
JP2010283000A (ja) 2009-06-02 2010-12-16 Renesas Electronics Corp 半導体製造における装置異常の予兆検知方法
JP5446481B2 (ja) 2009-06-08 2014-03-19 凸版印刷株式会社 装置データ収集装置
JP5503564B2 (ja) 2011-01-18 2014-05-28 東京エレクトロン株式会社 処理装置の異常判定システム及びその異常判定方法
CN103081407B (zh) * 2011-03-03 2015-11-25 株式会社日立制作所 故障分析装置、故障分析系统及故障分析方法
JP5855841B2 (ja) * 2011-04-01 2016-02-09 株式会社日立国際電気 管理装置
JP5460662B2 (ja) 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
JP5284433B2 (ja) 2011-09-14 2013-09-11 株式会社東芝 プロセス監視・診断・支援装置
WO2013121493A1 (ja) 2012-02-17 2013-08-22 シャープ株式会社 半導体処理システム、半導体装置の製造方法、装置データ収集方法、制御プログラムおよび可読記憶媒体
JP5875430B2 (ja) 2012-03-27 2016-03-02 株式会社 ゆうちょ銀行 異常検出装置、プログラムおよび異常検出方法
US9168630B2 (en) 2012-04-23 2015-10-27 Applied Materials, Inc. User-input functions for data sequences in polishing endpoint detection
JP6166120B2 (ja) 2013-08-01 2017-07-19 ラピスセミコンダクタ株式会社 データ処理装置、測定装置、選別装置、データ処理方法およびプログラム
CN103632032A (zh) * 2013-10-23 2014-03-12 华南理工大学 一种城市污水处理过程出水指标在线软测量预测方法
JP5849167B1 (ja) 2015-04-09 2016-01-27 株式会社日立パワーソリューションズ 異常検知方法およびその装置
US10474692B2 (en) 2015-05-18 2019-11-12 Interactive Data Pricing And Reference Data Llc Data conversion and distribution systems
WO2016206645A1 (zh) 2015-06-26 2016-12-29 北京贝虎机器人技术有限公司 为机器装置加载控制数据的方法及装置
US20170017229A1 (en) 2015-07-17 2017-01-19 General Electric Company Systems and methods for analyzing control logic
JP6599727B2 (ja) * 2015-10-26 2019-10-30 株式会社Ｓｃｒｅｅｎホールディングス 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置
JP6649073B2 (ja) 2015-12-16 2020-02-19 株式会社荏原製作所 基板処理装置およびその品質保証方法
EP3373089B1 (en) 2016-01-13 2021-03-10 Mitsubishi Electric Corporation Operating state classification device
JP6890382B2 (ja) 2016-05-23 2021-06-18 ルネサスエレクトロニクス株式会社 生産システム
CN106126385B (zh) * 2016-06-14 2018-09-07 电子科技大学 一种基于同步数据流压缩的设备异常实时检测方法
JP2018041217A (ja) 2016-09-06 2018-03-15 東京エレクトロン株式会社 異常検知方法及び半導体製造装置
JP6934302B2 (ja) 2017-01-27 2021-09-15 株式会社Ｓｃｒｅｅｎホールディングス データ処理システム、データ処理方法およびプログラム
CN106959668A (zh) 2017-04-11 2017-07-18 无锡微研股份有限公司 一种机械制造设备切削状态辨识与数据处理方法方法
CN107256003A (zh) 2017-05-27 2017-10-17 四川用联信息技术有限公司 一种模糊支持向量机的制造过程多元质量诊断分类器
JP7188949B2 (ja) * 2018-09-20 2022-12-13 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法およびデータ処理プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016136563A (ja) * 2015-01-23 2016-07-28 株式会社Ｓｃｒｅｅｎホールディングス オーバーレイ計測装置およびオーバーレイ計測方法
JP2018055294A (ja) * 2016-09-27 2018-04-05 Kddi株式会社 時系列のイベント群から異常状態を検知するプログラム、装置及び方法

Also Published As

Publication number Publication date
CN110928264B (zh) 2023-08-01
JP2020047847A (ja) 2020-03-26
TW202117473A (zh) 2021-05-01
US20200096566A1 (en) 2020-03-26
US11474150B2 (en) 2022-10-18
JP7188950B2 (ja) 2022-12-13
KR20200033726A (ko) 2020-03-30
CN110928264A (zh) 2020-03-27
TW202013104A (zh) 2020-04-01
TWI709833B (zh) 2020-11-11

Similar Documents

Publication Publication Date Title
JP7214417B2 (ja) データ処理方法およびデータ処理プログラム
KR102280390B1 (ko) 데이터 처리 방법, 데이터 처리 장치, 데이터 처리 시스템, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체
US20100057237A1 (en) Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection
KR102280389B1 (ko) 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체
CN107644194A (zh) 提供监控数据的系统和方法
US20210216901A1 (en) Estimation system, estimation method, and estimation program
KR20200062347A (ko) 이미징 오버레이 계측에서 오버레이 오정렬 오차 평가치의 이용
KR20150095874A (ko) 산점도에 기반하는 데이터 품질 측정 방법
JP7144676B2 (ja) 情報処理装置、品質関連式生成方法、および品質関連式生成プログラム
US11042134B2 (en) Power system status estimation device and status estimation method
JP7090430B2 (ja) データ処理方法、データ処理装置、および、データ処理プログラム
JP7074490B2 (ja) データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム
US11054801B2 (en) Data processing method, data processing apparatus, data processing system, and recording medium having recorded therein data processing program
KR20180129496A (ko) 전력 수요를 예측하는 방법 및 장치
CN115394442A (zh) 一种发育评估方法、装置、设备及介质
TWI842961B (zh) 資料處理方法、資料處理裝置以及電腦可讀取記錄媒體
JP7430271B2 (ja) エラー要因の推定装置及び推定方法
US20190243348A1 (en) Data processing method, data processing apparatus, data processing system, and recording medium having recorded therein data processing program
WO2023073941A1 (ja) エラー要因推定装置、エラー要因推定方法及びコンピュータ可読媒体
CN116739436A (zh) 卫星元器件的质量评价方法、系统及计算机可读介质
CN117391519A (zh) 基于模糊数的质量控制图构建方法、装置、介质及设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant