KR20230129001A - 진단 장치 및 진단 방법 및 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템 - Google Patents

Abstract

각 서브 시퀀스의 개시와 종료에 대응하는 모니터링 신호의 상승이나 하강을 정확히 추출할 수 없었던 케이스에 있어서도 장치 상태의 이상을 검지 가능하게 한다. 센서로부터 얻어지는 제1 시계열 신호에 대해 마스킹하는 시간대를 설정하고, 마스킹하는 시간대에 대응하는 제1 시계열 신호를 마스킹한 데이터를 작성하고, 제1 시계열 신호를 마스킹한 데이터를 사용해서 표준화 모델을 작성하고, 표준화 모델을 사용해서 제1 시계열 신호를 마스킹한 데이터를 표준화 처리하고, 복수의 데이터를 사용해서 정상 모델을 작성하고, 센서로부터 얻어지는 제2 시계열 신호에 대해 마스킹 시간대에 있어서의 제2 시계열 신호를 마스킹하고, 표준화 모델을 사용해서 표준화 처리하고, 제2 시계열 신호를 표준화 처리한 신호로부터 이상값을 산출하도록 장치 진단 장치를 구성했다.

Description

진단 장치 및 진단 방법 및 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템

본 발명은, 진단 장치 및 진단 방법 및 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템에 관한 것이다.

반도체 웨이퍼를 가공하는 플라스마 처리 장치에서는, 통상, 웨이퍼의 처리 매수 등에 따라 정기적으로 장치 내의 클리닝이나 부품의 교환과 같은 보수를 행한다. 그러나, 플라스마 처리 장치를 구성하는 부품의 경년 열화나 사용 방법에 따라, 계획 외의 다운 타임이 발생해 버리는 경우가 있다.

이 계획 외의 다운 타임을 삭감하기 위해, 부품이나 플라스마 처리 장치의 열화 상태를 모니터링해서, 열화 상태에 따라 부품 등의 보수(클리닝 또는 교환)를 행하는 방법이 유효할 것으로 예상된다.

특허문헌 1에는, 모니터 신호에 포함되는 복합 시퀀스로부터 복수의 서브 시퀀스 중의 이상 검지의 대상으로 되는 특정의 서브 시퀀스를 추출하는 추출부를 구비하는 이상 검지 시스템에 있어서, 추출부는, 복합 시퀀스와 미리 취득하고 있는 복합 시퀀스의 일례인 참조 시퀀스로부터 동적 시간 신축법에 의해 최적 신축 패스를 구하고, 추출부는, 당해 최적 신축 패스와 미리 취득하고 있는 참조 시퀀스의 서브 시퀀스의 개시점 및 종료점에 의거하여 특정의 서브 시퀀스의 개시점 및 종료점을 특정하고, 추출부는, 특정의 서브 시퀀스의 개시점 및 종료점에 의거하여 특정의 서브 시퀀스를 추출하는 구성을 구비하여, 특정의 서브 공정의 구간 신호를 용이하게 추출하는 것을 가능하게 한 이상 검지 시스템에 대해 기재되어 있다.

일본국 특개2020-204832호 공보

플라스마 처리 장치의 상태를 모니터링하여 얻어지는 신호의 상승이나 하강의 타이밍은, 플라스마 처리 장치를 운전하고 있는 도중의 상태의 변동에 의해 다소 변화하는 경우가 있다. 이러한 경우, 신호의 상승과 하강 시각의 값이, 기대값 신호의 값과 크게 달라져 버리는 경우가 있다.

그 결과, 검지 대상 신호와 기대값 신호의 오차가 허용 범위를 넘어 서브 시퀀스를 정확히 검출할 수 없게 되어 버리는 경우가 있지만, 특허문헌 1에 기재된 방법에서는, 이러한 경우에, 장치 상태에 이상 있음으로 오판정해 버릴 가능성이 있다.

본 발명은, 상기한 바와 같은 종래 기술의 과제를 해결해서, 각 서브 시퀀스의 개시와 종료에 대응하는 모니터링 신호의 상승이나 하강을 정확히 추출할 수 없었던 케이스에 있어서도 장치 상태의 이상을 검지 가능하게 하는 진단 장치 및 진단 방법 그리고 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템을 제공하는 것이다.

상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태가 진단되는 진단 장치를, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지고, 구해진 마스크 시간의 제1 시계열 데이터가 소정 값으로 변환됨과 함께 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되고, 제2 시계열 데이터를 바탕으로 반도체 제조 장치의 상태가 진단되도록 구성했다.

또한, 상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태가 진단되는 진단 장치를, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지고, 구해진 마스크 시간의 제1 시계열 데이터가 소정 값으로 변환됨과 함께 마스크 시간의 특징량이 구해지고, 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되고, 구해진 특징량이 제2 시계열 데이터에 추가되고, 특징량이 추가된 제2 시계열 데이터를 바탕으로 반도체 제조 장치의 상태가 진단되도록 구성했다.

또한, 상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장되고 반도체 제조 장치가 네트워크를 통해 접속된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지는 스텝과, 구해진 마스크 시간의 제1 시계열 데이터가 소정 값으로 변환됨과 함께 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되는 스텝과, 제2 시계열 데이터를 바탕으로 반도체 제조 장치의 상태가 진단되는 스텝이 애플리케이션에 의해 실행되도록 구성했다.

또한, 상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장되고 반도체 제조 장치가 네트워크를 통해 접속된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지는 스텝과, 구해진 마스크 시간의 제1 시계열 데이터가 소정 값으로 변환됨과 함께 마스크 시간의 특징량이 구해지는 스텝과, 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되는 스텝과, 구해진 특징량이 제2 시계열 데이터에 추가되는 스텝과, 특징량이 추가된 제2 시계열 데이터를 바탕으로 반도체 제조 장치의 상태가 진단되는 스텝이 애플리케이션에 의해 실행되도록 구성했다.

또한, 상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장되고 반도체 제조 장치가 네트워크를 통해 접속된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지는 스텝과, 구해진 마스크 시간의 제1 시계열 데이터가 소정 값으로 변환됨과 함께 마스크 시간의 특징량이 구해지는 스텝과, 특징량을 바탕으로 반도체 제조 장치의 상태가 진단되는 스텝이 애플리케이션에 의해 실행되도록 구성했다.

또한, 상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태를 진단하는 진단 방법을, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간을 구하는 스텝과, 구해진 마스크 시간의 제1 시계열 데이터를 소정 값으로 변환함과 함께 변환된 제1 시계열 데이터를 제2 시계열 데이터로서 출력하는 스텝과, 제2 시계열 데이터를 바탕으로 반도체 제조 장치의 상태를 진단하는 스텝을 갖는 진단 방법으로 했다.

또한, 상기한 과제를 해결하기 위해, 본 발명에서는, 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 반도체 제조 장치의 상태를 진단하는 진단 방법을, 제1 시계열 데이터의 상승 시각 또는 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간을 구하는 스텝과, 구해진 마스크 시간의 제1 시계열 데이터를 소정 값으로 변환함과 함께 마스크 시간의 특징량을 구하는 스텝과, 변환된 제1 시계열 데이터를 제2 시계열 데이터로서 출력하는 스텝과, 구해진 특징량을 제2 시계열 데이터에 추가하는 스텝과, 특징량이 추가된 제2 시계열 데이터를 바탕으로 반도체 제조 장치의 상태를 진단하는 스텝을 갖는 진단 방법으로 했다.

본 발명에 따르면, 마스크 시간 작성부와 마스크 처리부에 의해, 검지 대상 신호의 상승 시각에 기인한 현저한 이상값(異常値)을 없앨 수 있다. 그리고, 각 서브 시퀀스를 정확히 추출할 수 없었던 케이스에 있어서도 장치 상태의 이상을 검지 가능해진다.

또한, 본 발명에 따르면, 마스크 시간 작성부에 의해, 사람 손으로 마스크 시간을 정의하는 번잡함을 없앨 수 있다.

도 1은 본 발명의 실시예 1에 따른 장치 진단 장치의 기본 구성을 나타내는 블록도.
도 2는 본 발명의 실시예 1에 따른 반도체 제조 시스템의 기본 구성을 나타내는 블록도.
도 3은 본 발명의 실시예 1에 따른 장치 진단 장치를 기능마다 나눈 시스템의 구성을 나타내는 블록도.
도 4는 본 발명의 실시예 1에 따른 장치 진단 장치에 있어서의 학습 페이즈에 있어서의 처리 플로우를 나타내는 플로우차트.
도 5a는 정상인 신호 파형 데이터의 예를 나타내는 그래프.
도 5b는 정상인 파형 데이터에 있어서 마스킹하는 신호의 상승 부분과 하강 부분을 나타내는 그래프.
도 5c는 정상인 파형 데이터에 있어서 신호의 상승 부분과 하강 부분을 마스킹한 예를 나타내는 그래프.
도 5d는 신호의 상승 부분과 하강 부분을 마스킹한 정상인 파형 데이터를 정규화한 예를 나타내는 그래프.
도 6은 본 발명의 실시예 1에 따른 장치 진단 장치에 있어서의 평가 페이즈에 있어서의 처리 플로우를 나타내는 플로우차트.
도 7은 본 발명의 실시예 1에 따른 장치 진단 장치에 있어서의 마스크 시간 작성부에 있어서의 처리 플로우를 나타내는 플로우차트.
도 8은 반도체 제조 시스템에 장착한 센서로부터 얻어지는 센서값의 시계열 데이터를 나타내는 그래프.
도 9는 본 발명의 실시예 1에 따른 장치 진단 장치에 있어서의 마스크 시간 작성부에 있어서 작성한 마스크 개시 시간과 마스크 종료 시간을 나타내는 표.
도 10은 도 7의 시계열 데이터에 도 8에 나타낸 시간으로 마스크를 가한 상태에 있어서의 센서값의 시계열 데이터를 나타내는 그래프.
도 11은 본 발명의 실시예 2에 따른 장치 진단 장치의 기본 구성을 나타내는 블록도.
도 12는 본 발명의 실시예 2에 따른 장치 진단 장치에 있어서의 학습 시스템의 구성을 나타내는 블록도.
도 13은 본 발명의 실시예 2에 따른 장치 진단 장치에 있어서의 평가 시스템의 구성을 나타내는 블록도.
도 14는 본 발명의 실시예 2에 따른 장치 진단 장치에 있어서의 학습 페이즈에 있어서의 처리 플로우를 나타내는 플로우차트.
도 15는 본 발명의 실시예 2에 따른 장치 진단 장치에 있어서의 평가 페이즈에 있어서의 처리 플로우를 나타내는 플로우차트.
도 16은 본 발명의 실시예 2에 따른 장치 진단 장치에 있어서의 특징량 생성부와 특징량 추가부에 있어서의 처리 플로우를 나타내는 플로우차트.
도 17은 본 발명의 실시예 3에 따른 장치 진단 장치의 기본 구성을 나타내는 블록도.
도 18은 본 발명의 실시예 3에 따른 장치 진단 장치에 있어서의 학습 시스템의 구성을 나타내는 블록도.
도 19는 본 발명의 실시예 3에 따른 장치 진단 장치에 있어서의 액수 시스템에 있어서 정상 모델을 작성하는 공정의 플로우차트.
도 20은 본 발명의 실시예 3에 따른 장치 진단 장치에 있어서의 평가 페이즈에 있어서의 처리 플로우를 나타내는 플로우차트.
도 21은 본 발명의 실시예 3에 따른 장치 진단 장치에 있어서의 마스크 시간 작성부에 있어서 마스크 시간을 산출하는 처리의 흐름을 나타내는 플로우차트.
도 22는 본 발명의 실시예 4에 따른 장치 진단 장치에 있어서의 처리 플로우를 나타내는 플로우차트.

본건 발명은, 장치의 상태를 모니터링하는 센서 군으로부터 취득한 제1 시계열 데이터를 바탕으로 장치의 이상을 검지하는 장치 진단 장치로서, 제1 시계열 데이터의 상승 시간 또는 하강 시간의 정보로부터 제1 시계열 데이터에 대한 마스크 시간을 산출하는 마스크 시간 작성부와, 마스크 시간에 있어서의 제1 시계열 데이터를 사전 정의된 값으로 변경하여 제2 시계열 데이터로서 출력하는 마스크 처리부와, 장치가 정상인 경우의 제2 시계열 데이터와 장치가 정상인지 이상인지 불명확한 평가 대상으로 되는 제2 시계열 데이터와의 차가 큰 부분을 이상값으로서 출력하는 이상값 산출부를 구비한 장치 진단 장치 및 이 장치 진단 장치를 구비한 반도체 제조 시스템에 관한 것이다.

또한, 본건 발명은, 장치 진단 장치에 시계열 데이터의 상승 시간 또는 하강 시간의 정보로부터 시계열 데이터의 일부에 마스킹하는 마스크 시간을 산출하는 마스크 시간 작성부를 구비하고, 마스크 시간에 있어서의 시계열 데이터의 정보와 마스크하고 있지 않은 시간대에 얻어지는 장치의 정보 중 어느 하나 또는 양쪽을 사용해서 장치 진단을 행하도록 한 것이다.

이하에, 본 발명의 실시형태를 도면에 의거하여 상세히 설명한다. 본 실시형태를 설명하기 위한 전제 도면에 있어서 동일 기능을 갖는 것은 동일한 부호를 부여하도록 하고, 그 반복 설명은 원칙적으로 생략한다.

단, 본 발명은 이하에 나타내는 실시형태의 기재 내용에 한정해서 해석되는 것은 아니다. 본 발명의 사상 내지 취지로부터 일탈하지 않는 범위에서, 그 구체적 구성을 변경할 수 있는 것은 당업자이면 용이하게 이해된다.

실시예 1

도 1에, 본 발명의 실시예 1에 따른 장치 진단 장치(700)와 검지 대상(장치)(900), 센서 군(800)의 관계를 나타낸다.

본 실시예에 따른 장치 진단 장치(700)는, 반도체 제조 장치 등의 검지 대상(장치)(900)에 장착한 센서 1：801(예를 들면, 전압 센서), 센서 2：802(예를 들면 압력 센서) … 등의 복수의 센서로 구성되는 센서 군(800)으로부터 얻어지는 신호를 처리해서, 반도체 제조 장치 등의 검지 대상(장치)(900)의 상태를 진단한다.

장치 진단 장치(700)는, 센서 군(800)으로부터 출력된 신호를 수취하는 접속 인터페이스(600), 접속 인터페이스(600)를 통해 입력된 센서 군(800)으로부터 출력된 신호를 처리하는 데이터 처리부(300), 데이터 처리부(300)에서 처리된 데이터를 기억하는 기억 장치(400), 데이터 처리부(300)나 기억 장치(400), 접속 인터페이스(600)에 있어서의 데이터의 처리를 제어하는 프로세서(500)를 구비하고 있다.

데이터 처리부(300)는, 마스크 시간 작성부(101), 마스크 처리부(102), 표준화 모델 작성부(103), 표준화 처리부(104), 모델 학습부(105), 이상값 산출부(106)를 구비하고 있다.

기억 장치(400)는, 데이터 처리부(300)의 표준화 모델 작성부(103)에서 작성한 표준화 모델을 기억하는 표준화 모델 기억부(401)와, 모델 학습부(105)에서 작성한 정상 모델을 기억하는 정상 모델 기억부(402), 마스크 시간 작성부(101)에서 작성한 마스크를 개시하는 시각과 마스크하고 있는 시간을 기억하는 마스크 시간 기억부(403)를 구비하고 있다.

도 2에는, 도 1에서 설명한 검지 대상(장치)(900)에 대응하는 검지 대상(장치)(900-1, 900-2, 900-3)과, 센서 군(800)에 대응하는 센서 군(800-1, 800-2, 800-3)과, 장치 진단 장치(700)에 대응하는 장치 진단 장치(700-1, 700-2, 700-3)를, 통신 회선(950)을 통해 서버(960)와 접속한 구성을 나타낸다.

반도체 제조 장치 등의 검지 대상(장치)(900-1)에 장착한 센서 군(800-1)으로부터 얻어진 검출 신호가 장치 진단 장치(700-1)에서 처리되어 검지 대상(장치)(900-1)의 장치 상태가 진단되고, 그 결과가 통신 회선(950)을 통해 서버(960)에 보내져서 보관된다. 검지 대상(장치)(900-2, 900-3)에 장착한 센서 군(800-2, 800-3)으로부터 데이터에 대해서도 마찬가지로 장치 진단 장치(700-2, 700-3)에서 처리되고, 통신 회선(950)을 통해 서버(960)에 보내져서 보관된다.

또한, 도 2에 나타낸 구성 대신에, 장치 진단 장치(700)에 대응하는 장치 진단 장치(700-1, 700-2, 700-3)를, 통신 회선(950)과 서버(960) 사이에 배치하도록 하는 구성으로 해도 된다.

도 3에는, 본 실시예에 따른 장치 진단 장치(700)를 기능마다 나눈 시스템의 구성을 나타내는 블록도를 나타낸다. 도 1의 데이터 처리부(300)에 구비된 각부는, 처리하는 데이터에 따라 학습 시스템(100)과 평가 시스템(200)을 구성한다.

학습 시스템(100)은, 마스크 시간 작성부(101), 마스크 처리부(102), 표준화 모델 작성부(103), 표준화 처리부(104), 모델 학습부(105)로 구성되고, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)이 정상적으로 동작하고 있을 때의 시계열 데이터를 입력한다.

마스크 시간 작성부(101)에서는, 입력한 시계열 데이터에 일부에 마스킹하기 위한 마스크 시간을 설정하고, 마스크 시간 기억부(403)에 기억한다.

마스크 처리부(102)에서는, 마스크 시간 기억부(403)에 기억된 마스킹 데이터에 의거하여, 입력한 정상인 데이터(310)에 대해, 마스킹한 데이터를 작성한다.

표준화 모델 작성부(103)에서는, 마스크 처리부(102)에서 마스킹 처리된 데이터로부터 표준화 모델을 작성해서, 표준화 모델 기억부(401)에 기억한다.

표준화 처리부(104)에서는, 표준화 모델 기억부(401)에 기억된 표준화 모델을 사용해서, 마스크 처리부(102)에서 마스킹 처리된 정상 시의 시계열 데이터를 예를 들면, 평균이 0, 분산이 1로 되도록 표준화 처리한다.

모델 학습부(105)에서는, 표준화 처리부(104)에서 작성한 복수의 표준화한 데이터를 학습해서 정상 모델을 작성하고, 정상 모델 기억부(402)에 기억한다.

다음으로, 평가 시스템(200)은, 마스크 처리부(102), 표준화 처리부(104), 이상값 산출부(106)로 구성되고, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)의 평가 대상 시간에 있어서 동작하고 있을 때의 시계열 데이터를 입력한다.

마스크 처리부(102)에서는, 입력된 평가 대상의 시계열 데이터에 대해 마스크 시간 기억부(403)에 기억되어 있는 마스크 시각과 마스크 시간의 데이터를 사용해서 마스크 처리를 행한다.

표준화 처리부(104)에서는, 마스크 처리된 시계열 데이터를, 표준화 모델 기억부(401)에 기억된 표준화 모델을 사용해서, 예를 들면 평균이 0, 분산이 1로 되도록 표준화 처리를 행한다.

이상값 산출부(106)에서는, 표준화한 데이터와 정상 모델 기억부(402)에 기억된 정상 모델을 비교해서 이상값을 산출하고, 검출한 이상값을 장치 진단 장치(700)의 도시하고 있지 않은 출력부, 및/또는, 서버(960)에 출력한다.

다음으로, 학습 시스템(100)에 있어서 정상 모델을 작성하는 공정에 대해, 도 4를 사용해서 설명한다.

우선, 마스크 시간 작성부(101)에 있어서, 도 5a에 나타내는 바와 같은 입력한 정상인 데이터(510)에 있어서의 신호의 상승(511), 하강(512)의 기간의 데이터를 도 5b에 나타내는 바와 같이 시간 520 및 530에서 마스킹하기 위한 마스크 시간을 계산하고, 마스크 시간 기억부(403)에 기억한다(S411).

다음으로, 마스크 처리부(102)에 있어서, 마스크 시간 작성부(101)에서 작성되고 마스크 시간 기억부(403)에 기억된 마스킹 데이터에 의거하여, 입력한 정상인 데이터(510)에 대해, 신호의 상승(511), 하강(512)의 소정의 기간의 데이터를 시간 520과 시간 530으로 마스킹한 데이터를 작성한다(S412).

다음으로, 표준화 모델 작성부(103)에 있어서, 마스크 처리부(102)에서 마스킹 처리된 정상 시의 시계열 데이터에 대해, 마스킹된 기간에 있어서의 신호의 레벨을, 예를 들면 제로 레벨로 설정한 도 5c에 나타내는 바와 같은 표준화 모델(540)을 작성해서, 표준화 모델 기억부(401)에 기억한다(S413).

다음으로, 표준화 처리부(104)에 있어서, 표준화 모델 기억부(401)에 기억된 표준화 모델(340)과 마스크 처리부(102)에서 마스킹 처리된 정상 시의 시계열 데이터를 사용해서, 예를 들면, 평균이 0, 분산이 1로 되도록 표준화 처리를 행하여, 도 5d에 나타내는 바와 같은 표준화한 신호 파형의 패턴(550)을 작성해서 모델 학습부(105)에 기억한다(S414).

다음으로, 모델 학습부(105)에 있어서, 접속 인터페이스(600)를 통해 입력된 복수의 정상인 시계열 데이터로부터 작성한 복수의 표준화한 신호 파형의 패턴(550)으로부터 검지 대상(장치)이 정상적으로 동작하고 있을 때의 표준화한 신호 파형의 패턴을 학습하고, 정상 모델 기억부(402)에 기억한다(S415).

이와 같이, 검지 대상(장치)이 정상적으로 동작하고 있을 때의 표준화한 신호 파형의 패턴을 복수의 표준화한 신호 파형의 패턴(550)으로부터 학습함에 의해, 각 서브 시퀀스의 개시와 종료에 대응하는 모니터링 신호의 상승이나 하강을 정확히 추출할 수 없었던 케이스에 있어서도, 모니터링 신호의 상승 시간이나 하강 시간을 마스크 처리부(102)에서 확실히 마스킹 처리할 수 있다.

다음으로, 평가 시스템(200)에 있어서, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)의 평가 대상 시간에 있어서 동작하고 있을 때의 시계열 데이터를 처리해서 이상을 검출하는 처리의 흐름을, 도 6의 플로우도를 사용해서 설명한다.

우선, 마스크 처리부(102)에 있어서, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 평가 대상의 시계열 데이터에 대해, 마스크 시간 기억부(403)에 기억되어 있는 마스크 시간의 데이터를 사용해서 마스크 처리를 행하여, 마스크 후 데이터(평가 대상)를 작성한다(S601).

다음으로, 표준화 처리부(104)에 있어서, 마스크 처리부(102)에서 작성된 마스크 후 데이터(평가 대상)를, 표준화 모델 기억부(401)에 기억되어 있는 표준화 모델을 사용해서 표준화 처리를 행하여, 표준화 데이터를 작성한다(S602).

다음으로, 이상값 산출부(106)에 있어서, S602에 있어서 표준화 처리부(104)에서 작성된 평가 대상의 표준화 데이터와 정상 모델 기억부(402)에 기억되어 있는 정상 모델을 비교해서, 평가 대상의 표준화 데이터에 있어서의 이상값을 산출한다(S603).

다음으로, S603에서 이상값이 산출되었는 지를 판정하고(S604), 이상값이 산출된 경우에는(S604에서 Yes), 이상값에 관한 정보를 장치 진단 장치(700)의 도시하고 있지 않은 출력부, 및/또는, 서버(960)에 출력한다(S605).

다음으로, 평가 대상의 시계열 데이터가 아직 있는 지를 체크하고(S606), 평가 대상의 시계열 데이터가 없는 경우(S606에서 No)에는, 일련의 처리를 종료한다. 평가 대상의 시계열 데이터가 있을 경우(S606에서 Yes)에는, S601로 돌아가서, 일련의 처리를 계속한다.

한편, 이상값이 산출되지 않았을 경우에는(S604에서 No), 평가 대상의 시계열 데이터가 아직 있는 지를 체크하고(S606), 평가 대상의 시계열 데이터가 없는 경우(S606에서 No)에는 일련의 처리를 종료하고, 평가 대상의 시계열 데이터가 있는 경우(S606에서 Yes)에는, S601로 돌아가서, 일련의 처리를 계속한다.

다음으로, 도 4의 S411에서 설명한 마스크 시간 작성부(101)에 있어서 마스크 시각을 산출하는 방법에 대해, 도 7을 사용해서 설명한다.

우선, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)이 정상적으로 동작하고 있을 때의 시계열 데이터를 마스크 시간 작성부(101)에 입력하고, 시계열 데이터(정상)를 샘플링하는 시간 간격에 있어서 인접하는 데이터의 값의 차분 Y(t, n)를 산출한다(S701). 여기에서, t는 시각, n은 복수의 시계열 데이터의 식별자이다.

예를 들면, 도 8에 나타낸 바와 같은 시계열 데이터가 입력된 경우, 신호의 상승 부분(811)에 대응하는 시각 t1과 t2 사이 및 신호의 하강 부분(812)에 대응하는 시각 t3과 t4 사이에서는 시계열 데이터가 서서히 변화하고 있으므로 인접하는 데이터의 값의 차분 Y(t, n)는, 제로보다 큰 어느 유한한 값으로 된다. 한편, 시각 t2와 t3 사이에 있어서의 신호(810)는 거의 일정하므로, 인접하는 시계열 데이터의 값의 차분 Y(t, n)는 제로 또는 제로에 가까운 값으로 된다.

다음으로, 복수의 시계열 데이터를 사용해서 차분 Y(t, n)의 역치를 계산한다(S702). 예를 들면, 복수의 차분 Y(t, n)의 표준편차 σ를 N배한 값을 역치로서 정의한다. 여기에서, 역치로서는, 도 8에 나타낸 바와 같은 시계열 데이터에 있어서, 시각 t2와 t3 사이에 있어서의 신호(810)에 있어서의 인접하는 시계열 데이터의 값의 차분 Y(t, n)보다 커지고, 시각 t1과 t2 사이 및 시각 t3과 t4 사이에 있어서의 시계열 데이터의 값의 차분 Y(t, n)보다 작아지는 값으로 설정한다.

다음으로, S701에서 산출한 차분 Y(t, n)가, S702에서 설정한 역치 이상으로 되는 시간 T(m, n)를 리스팅한다(S703). 도 9에, 그 일례를 나타낸다.

도 9의 표(910)는, 도 8의 신호 패턴에 대응하는 것이고, 시계열 데이터(정상)의 식별번호 911은 상기에 설명한 Y(t, n)의 n에 상당하고, 마스크 개시 시간 912는 도 8의 센서값의 시계열 데이터에 있어서의 t1 또는 t3의 시각에 상당하고, 마스크 종료 시간 913은 도 8의 센서값의 시계열 데이터에 있어서의 t2 또는 t4의 시각에 상당한다.

다음으로, S703에서 리스팅한 역치 이상이 되는 시간 T(m, n)를 포함한 시간대(마스크 개시 시간 Ts(m, n), 마스크 종료 시간 Te(m, n))를 계산한다(S704). 이와 같이, 마스크 개시 시간 Ts(m, n)와 마스크 종료 시간 Te(m, n)를, S703에서 리스팅한 역치 이상이 되는 시간 T(m, n)를 포함하도록 설정함에 의해, 시계열 데이터(평가 대상)가 다소 편차가 있어도 신호의 상승과 하강의 시간대를 확실히 마스킹하는 것이 가능해져, 장치 상태의 모니터링의 신뢰성을 높일 수 있다.

도 10에, 일례로서, 도 8의 신호 패턴에 대해 도 9의 표(910)에 시 한 마스크 개시 시간 912와 마스크 종료 시간 913의 데이터를 사용해서 마스킹했을 때의 센서값의 파형 패턴(820)을 나타낸다. 도 8의 신호 패턴에 대해 시각 t1과 t2 사이, 및 시각 t3과 t4 사이가 마스크되어 이 사이의 신호 레벨이 제로로 되어, 급준한 상승과 하강을 갖는 파형 패턴(820)이 형성된다.

마지막으로, S704에서 계산하여 구한 마스크 개시 시간 Ts(m, n)와 마스크 종료 시간 Te(m, n)에 관한 정보를 마스크 시간 작성부(101)로부터 마스크 시간 기억부(403)에 보내고 S401의 마스크 시각을 계산하는 스텝을 종료한다.

또한, 여기에서, S704에서 계산하여 구한 마스크 개시 시간 Ts(m, n)가 다른 시계열 데이터의 마스크 종료 시각 Te(m', n')보다 빠른 시각이었을 경우는, 양자를 머지(merge)하여 마스크 개시 시간 Ts(m', n')와 마스크 종료 시각 Te(m, n)를 설정한다.

본 실시예에 따르면, 신호의 상승의 시간대와 하강의 시간대에 있어서의 신호 데이터를 마스킹함에 의해 검지 대상 신호의 상승 시각에 기인한 현저한 이상값을 없앨 수 있고, 반도체 제조 장치의 이상 검출을 오검출을 적게 하여 안정되게 실행하는 것이 가능하게 되었다.

또한, 본 실시예에 따르면, 각 서브 시퀀스의 개시와 종료에 대응하는 모니터링 신호의 상승이나 하강을 정확히 추출할 수 없었던 케이스에 있어서도 장치 상태의 이상을 검지 가능하게 되었다.

또한, 본 실시예에 따르면, 마스크 시간 작성부에서 마스크 시간을 설정할 수 있으므로, 사람 손으로 마스크 시간을 정의하는 번잡함을 없앨 수 있게 되었다.

실시예 2

실시예 1에 있어서는, 센서 군(800)으로부터 얻어지는 센서 신호의 시계열 데이터에 대해, 신호의 상승 부분과 하강 부분을 마스킹해서, 정상 상태에 있어서의 센서 신호에 의거하여 장치 상태를 진단하는 방법 및 그 구성에 대해 설명했지만, 본 실시예에서는, 마스킹한 부분에 있어서의 신호의 특징량도 사용해서 장치 상태를 진단하는 방법 및 그 구성에 대해 설명한다. 또한, 실시예 1과 동일한 구성에 대해는 동일한 번호를 부여하고, 그 설명을 생략한다.

도 11은, 본 실시예에 따른 장치 진단 장치(1700)와 검지 대상(장치)(900), 센서 군(800)의 관계를 나타낸다. 장치 진단 장치(1700)는, 실시예 1에서 설명한 장치 진단 장치(700)에 대해, 데이터 처리부(1300)에 특징량 생성부(107)와 특징량 추가부(108)를 추가한 점과, 기억 장치(1400)의 정상 모델 기억부(1402)에 기억하는 정상 모델과, 데이터 처리부(1300)를 제어하는 프로세서(1500)가 서로 다르다. 그 밖의 구성에 대해는 실시예 1에서 설명한 것과 동일하다.

도 12에는, 본 실시예에 따른 장치 진단 장치(1700)를 기능마다 나눈 시스템의 구성 중, 학습 시스템(1100)의 구성을 나타내고 있다.

도 12에 나타낸 본 실시예에 따른 학습 시스템(1100)은, 마스크 시간 작성부(101), 특징량 생성부(107), 마스크 처리부(102), 표준화 모델 작성부(103), 표준화 처리부(104), 특징량 추가부(108), 모델 학습부(105)로 구성되고, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)이 정상적으로 동작하고 있을 때의 시계열 데이터를 입력한다.

마스크 시간 작성부(101)에서는, 입력한 시계열 데이터에 일부에 마스킹하기 위한 마스크 시간을 설정하고, 마스크 시간 기억부(403)에 기억한다.

특징량 생성부(107)에서는, 마스크 시간 기억부(403)에 기억된 마스크 시간에 있어서의 시계열 데이터(정상)의 특징량을 생성한다.

마스크 처리부(102)와, 표준화 모델 작성부(103), 표준화 처리부(104)의 동작은, 실시예 1에서 설명한 것과 동일하다.

특징량 추가부(108)는, 표준화 처리부(104)에서 생성한 표준화 데이터(정상)에 특징량 생성부(107)에서 생성한 특징량의 정보를 추가한다.

모델 학습부(105)에서는, 특징량 추가부(108)로부터 출력된 특징량에 관한 정보가 추가된 복수의 표준화한 데이터를 학습해서 정상 모델 기억부(1402)에 기억한다.

도 13에는, 본 실시예에 따른 장치 진단 장치(1700)를 기능마다 나눈 시스템의 구성 중, 평가 시스템(1200)의 구성을 나타내고 있다.

도 13에 나타낸 본 실시예에 따른 평가 시스템(1200)은, 특징량 생성부(107), 마스크 처리부(102), 표준화 처리부(104), 특징량 추가부(108), 이상값 산출부(106)로 구성되고, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)의 평가 대상 시간에 있어서 동작하고 있을 때의 시계열 데이터를 입력한다.

특징량 생성부(107)에서는, 마스크 시간 기억부(403)에 기억된 마스크 시간에 있어서의 시계열 데이터(평가 대상)의 특징량을 생성한다.

마스크 처리부(102)와 표준화 처리부(104)의 동작은, 실시예 1에서 설명한 것과 동일하다.

특징량 추가부(108)는, 표준화 처리부(104)에서 생성한 표준화 데이터(정상)에 특징량 생성부(107)에서 생성한 특징량의 정보를 추가한다.

이상값 산출부(106)에서는, 특징량 추가부(108)로부터 출력된 특징량에 관한 정보가 추가된 복수의 표준화한 데이터와 정상 모델 기억부(1402)에 기억된 정상 모델을 비교해서 이상값을 산출하고, 검출한 이상값을 장치 진단 장치(1700)의 도시하고 있지 않은 출력부, 및/또는, 서버(960)에 출력한다.

다음으로, 학습 시스템(1100)에 있어서 정상 모델을 작성하는 공정에 대해, 도 14를 사용해서 설명한다.

도 14에 나타낸 플로우도에 있어서 S1401은, 실시예 1에 있어서 도 4를 사용해서 설명한 플로우도의 S411과 동일하다.

S1402에 있어서, 특징량 생성부(107)는, 마스크 시간 기억부(403)에 기억한, 마스크 시간에 있어서의 표준화 데이터(정상)의 특징량을 생성한다.

다음으로, S1403~S1405까지는, 실시예 1에 있어서 도 4를 사용해서 설명한 플로우도의 S412~S4414까지와 동일하다.

S1406에 있어서, 특징량 추가부(108)는, 표준화 처리부(104)에서 작성한 표준화 데이터(정상)에, 특징량 생성부(107)에서 생성한 마스크 시간에 있어서의 표준화 데이터(정상)의 특징량을 추가한다.

다음으로, S1407에서, 모델 학습부(105)에 있어서, S1406에서 표준화 처리부(104)에서 작성한 표준화 데이터(정상)에, 특징량 생성부(107)에서 생성한 마스크 시간에 있어서의 표준화 데이터(정상)의 특징량을 추가한 데이터를 복수 사용하여 학습해서 정상 모델을 작성하고, 정상 모델 기억부(1402)에 기억한다(S415).

도 15에는, 도 14에서 설명한 플로우도의 S1402에 있어서, 특징량 생성부(107)에서 특징량을 생성하는 스텝의 상세한 처리의 흐름을 설명한다.

우선, 도 14의 처리 플로우에 있어서의 S1401에서 구한 마스크 시간 내에 있어서의 인접하는 수계열 데이터 간의 차분 dt(n)를 순차 산출한다(S1501).

다음으로, 산출한 복수의 차분 dt(n)에 대해 평균 μ와 표준편차 σ를 산출한다(S1502).

다음으로, S1502에서 구한 평균 μ와 표준편차 σ를 사용해서 S1501에서 구한 차분 dt(n)를 표준화하고, 이 표준화한 값을 특징량으로서 출력한다(S1503).

이 출력한 특징량을, 도 14의 S1406에 있어서, S1405에서 표준화한 데이터에 추가한다.

다음으로, 평가 시스템(200)에 있어서, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)의 평가 대상 시간에 있어서 동작하고 있을 때의 시계열 데이터를 처리해서 이상을 검출하는 처리의 흐름을, 도 16의 플로우도를 사용해서 설명한다.

우선, 실시예 1에 있어서도 6의 플로우도에서 설명한 S601과 마찬가지로, 마스크 처리부(102)에 있어서, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 평가 대상의 시계열 데이터에 대해, 마스크 시간 기억부(403)에 기억되어 있는 마스크 시각과 마스크 시간의 데이터를 사용해서 마스크 처리를 행하여, 평가 대상의 마스크 후 데이터를 작성한다(S1601).

다음으로, 실시예 1에 있어서 도 6의 플로우도에서 설명한 S602와 마찬가지로, 표준화 처리부(104)에 있어서, 마스크 처리부(102)에서 작성된 평가 대상의 마스크 후 데이터를, 표준화 모델 기억부(401)에 기억되어 있는 표준화 모델을 사용해서 조준화 처리를 행하여, 평가 대상의 시계열 데이터에 대응하는 표준화 데이터를 작성한다(S1602).

다음으로, 특징량 생성부(107)에 있어서, 마스크 시간에 있어서의 평가 대상의 시계열 데이터의 특징량을 생성하고(S1603), 특징량 추가부(108)에 있어서, S1602에서 작성한 표준화 데이터에 이 생성한 특징량을 추가한다(S1604).

다음으로, 이상값 산출부(106)에 있어서, S1604에 있어서 특징량이 추가된 평가 대상의 표준화 데이터와 S1407에 있어서 작성된 특징량이 추가되어 정상 모델 기억부(402)에 기억되어 있는 정상 모델을 비교해서, 평가 대상의 표준화 데이터에 있어서의 이상값을 산출한다(S1605).

다음으로, S1605에서 이상값이 산출되었는 지를 판정하고(S1606), 이상값이 산출된 경우에는(S1606에서 Yes), 이상값에 관한 정보를 장치 진단 장치(700)의 도시하고 있지 않은 출력부, 및/또는, 서버(960)에 출력한다(S1607).

다음으로, 평가 대상의 시계열 데이터가 아직 있는 지를 체크하고(S1608), 평가 대상의 시계열 데이터가 없는 경우(S1608에서 No)에는, 일련의 처리를 종료한다. 평가 대상의 시계열 데이터가 있는 경우(S1608에서 Yes)에는, S1601로 돌아가서, 일련의 처리를 계속한다.

한편, 이상값이 산출되지 않았을 경우에는(S1606에서 No), 평가 대상의 시계열 데이터가 아직 있는 지를 체크하고(S1608), 평가 대상의 시계열 데이터가 없는 경우(S1608에서 No)에는 일련의 처리를 종료하고, 평가 대상의 시계열 데이터가 있는 경우(S1608에서 Yes)에는, S1601로 돌아가서, 일련의 처리를 계속한다.

본 실시예에 따르면, 실시예 1에서 설명한 바와 같은 효과가 얻어짐과 함께, 또한, 센서 출력 신호의 정상 상태의 정보에 더해, 신호의 상승, 하강 부분의 정보도 사용하므로, 장치 상태 또는 장치를 구성하는 기구부의 상태의 이상을 보다 많은 정보를 사용해서 감시함으로써, 반도체 제조 장치의 이상을 간과하지 않고, 양호한 감도로 안정되게 검출하는 것이 가능하게 되었다.

실시예 3

실시예 2에 있어서는, 평가 대상의 시계열 데이터에 대해, 마스킹하는 신호의 상승·하강 부분과, 정상 상태에 있어서의 신호의 데이터를 사용해서 장치 상태의 이상을 파악하는 방법에 대해 설명했지만, 본 실시예에서는, 평가 대상의 시계열 데이터에 대해, 정상 상태에 있어서의 신호의 데이터를 사용하지 않고, 신호의 상승·하강 부분에 있어서의 신호의 데이터를 사용해서 장치 상태의 이상을 파악하는 방법에 대해 설명한다.

도 17에, 본 발명의 실시예 3에 따른 장치 진단 장치(2700)와 검지 대상(장치)(900), 센서 군(800)의 관계를 나타낸다.

본 실시예에 따른 장치 진단 장치(2700)는, 실시예 1에 있어서 도 1을 사용해서 설명한 장치 진단 장치(700)의 구성과 유사하여, 반도체 제조 장치 등의 검지 대상(장치)(900)에 장착한 센서 1：801(예를 들면, 전압 센서), 센서 2：802(예를 들면 압력 센서) … 등의 복수의 센서로 구성되는 센서 군(800)으로부터 얻어지는 신호를 처리해서, 반도체 제조 장치 등의 검지 대상(장치)(900)의 상태를 진단한다.

본 실시예에 따른 장치 진단 장치(2700)는, 센서 군(800)으로부터 출력된 신호를 수취하는 접속 인터페이스(600), 접속 인터페이스(600)를 통해 입력된 센서 군(800)으로부터 출력된 신호를 처리하는 데이터 처리부(2300), 데이터 처리부(2300)에서 처리된 데이터를 기억하는 기억 장치(2400), 데이터 처리부(2300)나 기억 장치(2400), 접속 인터페이스(600)에 있어서의 데이터의 처리를 제어하는 프로세서(2500)를 구비하고 있다.

데이터 처리부(2300)는, 마스크 시간 작성부(1701), 마스크 처리부(1702), 표준화 모델 작성부(1703), 표준화 처리부(1704), 모델 학습부(1705), 이상값 산출부(1706)를 구비하고 있다.

기억 장치(2400)는, 데이터 처리부(2300)의 표준화 모델 작성부(1703)에서 작성한 표준화 모델을 기억하는 표준화 모델 기억부(2401)와, 모델 학습부(1705)에서 작성한 정상 모델을 기억하는 정상 모델 기억부(2402), 마스크 시간 작성부(1701)에서 작성한 마스크 시간을 기억하는 마스크 시간 기억부(2403)를 구비하고 있다.

도 18에는, 본 실시예에 따른 장치 진단 장치(2700)를 기능마다 나눈 시스템의 구성을 나타내는 블록도를 나타낸다. 도 17의 데이터 처리부(2300)에 구비된 각부는, 처리하는 데이터에 따라 학습 시스템(2100)과 평가 시스템(2200)을 구성한다.

학습 시스템(2100)은, 마스크 시간 작성부(1701), 마스크 처리부(1702), 표준화 모델 작성부(1703), 표준화 처리부(1704), 모델 학습부(1705)로 구성되고, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)이 정상적으로 동작하고 있을 때의 시계열 데이터를 입력한다.

마스크 시간 작성부(1701)에서는, 입력한 시계열 데이터에 일부에 마스킹하기 위한 마스크 시간을 설정하고, 마스크 시간 기억부(2403)에 기억한다. 여기에서, 마스킹하는 데이터는, 실시예 1의 경우와 달리, 센서 군(800)으로부터 얻어지는 신호로부터 상승·하강의 부분을 제외한 정상 상태의 신호이다.

마스크 처리부(1702)에서는, 마스크 시간 기억부(2403)에 기억된 마스킹 데이터에 의거하여, 입력한 정상인 시계열 데이터 데이터에 대해 마스킹한 데이터, 즉, 센서 군(800)으로부터 얻어지는 신호의 상승·하강의 부분의 시계열 데이터 데이터를 작성한다.

표준화 모델 작성부(1703)에서는, 마스크 처리부(1702)에서 마스킹 처리된 데이터로부터 표준화 모델을 작성해서, 표준화 모델 기억부(2401)에 기억한다. 예를 들면, 센서 군(800)으로부터 얻어지는 신호의 상승·하강의 부분을 어떤 시간 간격으로 샘플링할 경우에 있어서, 이 인접하는 샘플링 시간의 데이터 간의 차분값을 구하고, 이 차분값을 표준화한 표준화 모델이 작성되어 표준화 모델 기억부(2401)에 기억된다.

표준화 처리부(1704)에서는, 표준화 모델 기억부(2401)에 기억된 표 준화 모델을 사용해서, 마스크 처리부(1702)에서 마스킹 처리된 정상 시의 시계열 데이터를 예를 들면, 평균이 0, 분산이 1로 되도록 표준화 처리한다.

모델 학습부(1705)에서는, 표준화 처리부(1704)에서 작성한 복수의 표준화한 데이터를 학습해서 정상 모델 기억부(2402)에 기억한다.

다음으로, 평가 시스템(2200)은, 마스크 처리부(1702), 표준화 처리부(1704), 이상값 산출부(1706)로 구성되고, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)의 평가 대상 시간에 있어서 동작하고 있을 때의 시계열 데이터를 입력한다.

마스크 처리부(1702)에서는, 입력된 평가 대상의 시계열 데이터에 대해, 마스크 시간 기억부(2403)에 기억되어 있는 마스크 시간의 데이터를 사용해서 마스크 처리를 행한다.

표준화 처리부(1704)에서는, 마스크 처리된 시계열 데이터를, 표준화 모델 기억부(2401)에 기억된 표준화 모델을 사용해서, 예를 들면 평균이 0, 분산이 1로 되도록 표준화 처리를 행한다.

이상값 산출부(1706)에서는, 표준화 처리부(1704)에서 표준화한 데이터와 정상 모델 기억부(402)에 기억된 정상 모델을 비교해서 이상값을 산출하고, 검출한 이상값을 장치 진단 장치(2700)의 도시하고 있지 않은 출력부, 및/또는, 서버(960)에 출력한다.

다음으로, 학습 시스템(2100)에 있어서 정상 모델을 작성하는 공정에 대해, 도 19를 사용해서 설명한다.

우선, 마스크 시간 작성부(1701)에 있어서, 정상인 데이터에 있어서의 신호의 상승, 하강의 기간의 데이터를 제외한 정상 상태에 있어서의 신호를 마스킹하기 위한 마스크 시간을 계산하고, 마스크 시간 기억부(2403)에 기억한다(S 1901).

다음으로, 마스크 처리부(1702)에 있어서, 마스크 시간 작성부(1701)에서 작성되어 마스크 시간 기억부(2403)에 기억된 마스킹 데이터에 의거하여, 입력한 정상인 데이터에 대해, 신호의 상승과 하강의 부분에 사이에 끼워진 정상 상태에 있어서의 신호를 마스킹한 데이터를 작성한다(S1902).

다음으로, 표준화 모델 작성부(1703)에 있어서, 마스크 처리부(1702)에서 마스킹 처리된 정상 시의 시계열 데이터에 대해, 마스킹된 기간에 있어서의 신호의 레벨을, 예를 들면 제로 레벨로 설정한 표준화 모델을 작성해서, 표준화 모델 기억부(2401)에 기억한다(S1903).

다음으로, 표준화 처리부(1704)에 있어서, 표준화 모델 기억부(2401)에 기억된 표준화 모델(340)과 마스크 처리부(102)에서 마스킹 처리된 정상 시의 시계열 데이터를 사용해서, 예를 들면, 평균이 0, 분산이 1로 되도록 표준화 처리를 행하고, 표준화한 신호 파형의 패턴을 작성해서 모델 학습부(1705)에 기억한다(S1904).

다음으로, 모델 학습부(1705)에 있어서, 접속 인터페이스(600)를 통해 입력된 복수의 정상인 시계열 데이터로부터 작성한 복수의 표준화한 신호 파형의 패턴으로부터 검지 대상(장치)이 정상적으로 동작하고 있을 때의 표준화한 신호 파형의 패턴을 학습하고, 정상 모델 기억부(2402)에 기억한다(S1905).

다음으로, 평가 시스템(2200)에 있어서, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)의 평가 대상 시간에 있어서 동작하고 있을 때의 시계열 데이터를 처리해서 이상을 검출하는 처리의 흐름을, 도 20의 플로우도를 사용해서 설명한다.

우선, 마스크 처리부(1702)에 있어서, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 평가 대상의 시계열 데이터에 대해, 마스크 시간 기억부(2403)에 기억되어 있는 마스크 시간의 데이터를 사용해서 마스크 처리를 행하여, 마스크 후 데이터(평가 대상)를 작성한다(S2001).

다음으로, 표준화 처리부(1704)에 있어서, 마스크 처리부(1702)에서 작성된 마스크 후 데이터(평가 대상)를, 표준화 모델 기억부(2401)에 기억되어 있는 표준화 모델을 사용해서 조준화 처리를 행하여, 표준화 데이터를 작성한다(S2002).

다음으로, 이상값 산출부(1706)에 있어서, S2002에 있어서 표준화 처리부(1704)에서 작성된 평가 대상의 표준화 데이터와 정상 모델 기억부(2402)에 기억되어 있는 정상 모델을 비교해서, 평가 대상의 표준화 데이터에 있어서의 이상값을 산출한다(S2003).

다음으로, S2003에서 이상값이 산출되었는 지를 판정하고(S2004), 이상값이 산출된 경우에는(S2004에서 Yes), 이상값에 관한 정보를 장치 진단 장치(2700)의 도시하고 있지 않은 출력부, 및/또는, 서버(960)(도 2 참조)에 출력한다(S2005).

다음으로, 평가 대상의 시계열 데이터가 아직 있는 지를 체크하고(2006), 평가 대상의 시계열 데이터가 없는 경우(S2006에서 No)에는, 일련의 처리를 종료한다. 평가 대상의 시계열 데이터가 있는 경우(S2006에서 Yes)에는, S2001로 돌아가서, 일련의 처리를 계속한다.

한편, 이상값이 산출되지 않았을 경우에는(S2004에서 No), 평가 대상의 시계열 데이터가 아직 있는 지를 체크하고(S2006), 평가 대상의 시계열 데이터가 없는 경우(S2006에서 No)에는 일련의 처리를 종료하고, 평가 대상의 시계열 데이터가 있는 경우(S2006에서 Yes)에는, S2001로 돌아가서, 일련의 처리를 계속한다.

다음으로, 도 19의 S1901에서 설명한 마스크 시간 작성부(1701)에 있어서 마스크 시각을 산출하는 방법에 대해, 도 21을 사용해서 설명한다.

우선, 접속 인터페이스(600)를 통해 센서 군(800)으로부터 입력된 검지 대상(장치)(900)이 정상적으로 동작하고 있을 때의 시계열 데이터를 마스크 시간 작성부(1701)에 입력하고, 시계열 데이터(정상)를 소정의 시간 간격으로 샘플링해서, 이 소정의 시간 간격으로 샘플링한 인접하는 데이터 간의 차분 Y(t, n)를 산출한다(S2101). 여기에서, t는 시각, n은 복수의 시계열 데이터의 식별자이다.

예를 들면, 실시예 1에서 설명한 도 8에 나타낸 바와 같은 시계열 데이터가 입력되었을 경우, 신호의 상승 부분(811)에 대응하는 시각 t1과 t2 사이 및 신호의 하강 부분(812)에 대응하는 시각 t3과 t4 사이에서는 시계열 데이터가 서서히 변화하고 있으므로 인접하는 데이터의 값의 차분 Y(t, n)는, 제로보다 큰 어떤 유한한 값으로 된다. 한편, 시각 t2와 t3 사이에 있어서의 신호(810)는 거의 일정하므로, 인접하는 시계열 데이터의 값의 차분 Y(t, n)는 제로 또는 제로에 가까운 값으로 된다.

다음으로, 복수의 시계열 데이터를 사용해서 차분 Y(t, n)의 역치를 계산한다(S2102). 예를 들면, 복수의 차분 Y(t, n)의 표준편차 σ를 N배한 값을 역치로서 정의한다. 여기에서, 역치로서는, 도 8에 나타낸 바와 같은 시계열 데이터에 있어서, 시각 t2와 t3 사이에 있어서의 신호(810)에 있어서의 인접하는 시계열 데이터의 값의 차분 Y(t, n)보다 크고, 시각 t1과 t2 사이 및 시각 t3과 t4 사이에 있어서의 시계열 데이터의 값의 차분 Y(t, n)보다 작아지는 값으로 설정한다.

다음으로, S2101에서 산출한 차분 Y(t, n)가, S2102에서 설정한 역치 이하가 되는 시간 T(m, n)를 리스팅한다(S2103).

실시예 1에 있어서는, 도 9의 표(910)에 나타낸 바와 같이, 마스크 개시 시간 912를 도 8의 센서값의 시계열 데이터에 있어서의 t1 또는 t3의 시각에 상당하고, 마스크 종료 시간 913을 도 8의 센서값의 시계열 데이터에 있어서의 t2 또는 t4의 시각으로 설정했지만, 본 실시예에서는, 마스크 개시 시간을 센서값의 시계열 데이터가 상승하고 정상 상태가 되는 도 8의 t2로 하고, 마스크 종료 시간을 센서값의 시계열 데이터가 정상 상태로부터 하강하기 시작하는 도 8의 t3으로 설정한다.

다음으로, S2103에서 리스팅한 역치 이하가 되는 시간 T(m, n)를 포함한 시간대(마스크 개시 시간 Ts(m, n), 마스크 종료 시간 Te(m, n))를 계산한다(S2104). 이와 같이, 마스크 개시 시간 Ts(m, n)와 마스크 종료 시간 Te(m, n)를, S2103에서 리스팅한 역치 이하가 되는 시간 T(m, n)를 포함하도록 설정함에 의해, 시계열 데이터(평가 대상)가 다소 편차가 있어도 신호가 정상 상태로 되는 시간대를 확실히 마스킹하는 것이 가능해져, 신호에 상승 부분과 하강 부분의 정보로부터 장치 상태의 모니터링의 신뢰성을 높일 수 있다.

마지막으로, S2104에서 계산하여 구한 마스크 개시 시간 Ts(m, n)와 마스크 종료 시간 Te(m, n)에 관한 정보를 마스크 시간 작성부(1701)로부터 마스크 시간 기억부(2403)에 보내고 S1901의 마스크 시간을 계산하는 스텝을 종료한다.

본 실시예에 따르면, 장치 상태의 이상을 파악하는 경우에 센서 출력 신호의 상승, 하강 부분에 반영되는 정보를 사용해서 장치 상태를 감시할 수 있으므로, 각 서브 시퀀스의 개시와 종료에 대응하는 모니터링 신호의 상승이나 하강을 정확히 추출할 수 없었던 케이스에 있어서도, 장치 상태 또는 장치를 구성하는 기구부의 이상이 센서 출력 신호의 상승, 하강 부분에 나타나는 경우에, 반도체 제조 장치의 이상을 간과하지 않고 안정되게 검출하는 것이 가능하게 되었다.

실시예 4

본 발명의 제4 실시예를, 도 22를 사용해서 설명한다.

본 실시예는, 상기에 설명한 실시예 1 내지 3을 조합한 것으로, 감시 대상의 장치의 특성, 또는, 감시 대상의 센서로 검출하는 신호의 특성에 따라, 장치 상태 감시 방법을 구분 사용하는 방법이다.

즉, 본 실시예에서는, 센서로부터의 신호의 정상 상태의 데이터에 감시 대상의 장치의 이상 상태가 반영되기 쉬운 경우와, 신호의 정상 상태에 더해 신호의 상승·하강의 데이터에도 감시 대상의 장치의 이상 상태가 반영되기 쉬운 경우와, 신호의 상승·하강의 데이터에 감시 대상의 장치의 이상 상태가 반영되기 쉬운 경우로 나눠, 장치 상태 감시 방법을 상기한 실시예 1 내지 3에서 설명한 방법을 구분 사용한다.

즉, 본 실시예에서는, 센서로부터의 신호의 정상 상태의 데이터에 감시 대상의 장치의 이상 상태가 반영되기 쉬운 경우에는, 센서로부터의 신호의 상승 부분과 하강 부분을 마스킹하여 센서로부터의 신호의 정상 상태의 데이터만을 사용해서 감시 대상의 장치의 이상을 검출한다. 또한, 신호의 정상 상태에 더해 신호의 상승·하강의 데이터에도 감시 대상의 장치의 이상 상태가 반영되기 쉬운 경우에는, 센서로부터의 신호의 상승 부분과 하강 부분을 마스킹 영역으로서 설정하고, 이 마스킹 영역에 있어서의 센서로부터의 신호의 상승 부분과 하강 부분의 신호 특징량과, 센서로부터의 신호의 정상 상태의 데이터를 사용해서 감시 대상의 장치의 이상을 검출한다. 또한, 신호의 상승·하강의 데이터에 감시 대상의 장치의 이상 상태가 반영되기 쉬운 경우에는, 신호의 정상 상태의 영역을 마스킹해서, 신호의 상승·하강의 데이터를 사용해서 감시 대상의 장치의 이상을 검출한다.

이것은, 검지 대상(장치)(900) 전체로 해도 좋고, 또는, 검지 대상(장치)(900)을 구성하는 각 기구부에 부착한 센서 군(800)을 구성하는 개개의 센서로부터의 출력 신호마다 실시예 1 내지 3에서 설명한 방법을 구분 사용하도록 해도 좋다.

우선, 센서 군(800)으로부터 입력된 검지 대상(장치)(900)이 동작하고 있을 때의 센서값(신호)의 시계열 데이터에 대해, 신호의 상승·하강 부분을 마스크할지의 여부를 판정한다(S2201).

신호의 상승·하강 부분을 마스크할 경우에는(S2201에서 Yes), S2202로 진행되어, 마스크 시의 신호의 특징량을 사용할 지의 여부를 판정한다. 마스크 시의 신호의 특징량을 사용하지 않을 경우에는, S2203으로 진행되어, 실시예 1에서 설명한 절차에 따라 장치 상태의 이상을 검출한다. 한편, 마스크 시의 신호의 특징량을 사용할 경우에는, S2204로 진행되어, 실시예 2에서 설명한 절차에 따라 장치 상태의 이상을 검출한다.

S2201에서 신호의 상승·하강 부분을 마스크하지 않는다고 판정했을 경우에는(S2201에서 No), S2205로 진행되어 정상 상태의 신호를 마스크하고, S2206으로 진행되어 실시예 3에서 설명한 절차에 따라 장치 상태의 이상을 검출한다.

본 실시예에 따르면, 검사 대상으로 하는 장치 또는 장치를 구성하는 기구부에 대응하는 검사 대상 센서 출력 신호의 특성에 따라 진단 방법을 선택할 수 있고, 검사 대상으로 하는 장치 또는 장치를 구성하는 기구부에 있던 신호를 사용해서 양호한 감도로 장치 상태를 진단함으로써, 실시예 1 내지 3에서 설명한 각각의 효과를 얻을 수 있다.

이상, 본 발명자에 의해 이루어진 발명을 실시예에 의거하여 구체적으로 설명했지만, 본 발명은 상기 실시예에 한정되는 것은 아니고, 그 요지를 일탈하지 않는 범위에서 여러가지 변경 가능한 것은 물론이다. 예를 들면, 상기한 실시예는 본 발명을 알기 쉽게 설명하기 위해 상세히 설명한 것이고, 반드시 설명한 모든 구성을 구비하는 것에 한정되는 것은 아니다. 또한, 각 실시예의 구성의 일부에 대해, 다른 구성의 추가·삭제·치환을 하는 것이 가능하다.

100, 1100, 2100…학습 시스템, 101, 1701…마스크 시간 작성부, 102, 1702…마스크 처리부, 103, 1703…표준화 모델 작성부, 104, 1704…표준화 처리부, 105, 1705…모델 학습부, 106, 1706…이상값 산출부, 200, 1200, 2200…평가 시스템, 300, 1300, 2300…데이터 처리부, 400…기억 장치, 401, 2401…표준화 모델 기억부, 402, 2402…정상 모델 기억부, 403, 2403…마스크 시간 기억부, 500, 2500…프로세서, 600…접속 인터페이스, 700, 1700, 2700…장치 진단 장치, 800…센서 군, 900…검지 대상(장치)

Claims (15)

1. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태가 진단되는 진단 장치에 있어서,
   상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지고,
   상기 구해진 마스크 시간의 상기 제1 시계열 데이터가 소정 값으로 변환됨과 함께 상기 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되고,
   상기 제2 시계열 데이터를 바탕으로 상기 반도체 제조 장치의 상태가 진단되는 것을 특징으로 하는 진단 장치.
2. 제1항에 있어서,
   상기 마스크 시간은, 인접하는 샘플링 시각에 있어서의 상기 제1 시계열 데이터의 차분이 상기 차분의 표준편차보다 커지는 시각인 것을 특징으로 하는 진단 장치.
3. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태가 진단되는 진단 장치에 있어서,
   상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지고,
   상기 구해진 마스크 시간의 상기 제1 시계열 데이터가 소정 값으로 변환됨과 함께 상기 마스크 시간의 특징량이 구해지고,
   상기 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되고,
   상기 구해진 특징량이 상기 제2 시계열 데이터에 추가되고,
   상기 특징량이 추가된 제2 시계열 데이터를 바탕으로 상기 반도체 제조 장치의 상태가 진단되는 것을 특징으로 하는 진단 장치.
4. 제3항에 있어서,
   상기 특징량은, 제1 차분이 상기 제1 차분의 표준편차보다 커지는 시각과, 제2 차분이 상기 제2 차분의 표준편차보다 커지는 시각과의 시각차를 바탕으로 구해지고,
   상기 제1 차분은 인접하는 샘플링 시각에 있어서의 상기 제1 시계열 데이터의 차분이고,
   상기 제2 차분은 인접하는 샘플링 시각에 있어서의 기준 시계열 데이터의 차분인 것을 특징으로 하는 진단 장치.
5. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태가 진단되는 진단 장치에 있어서,
   제1항에 기재된 상기 제2 시계열 데이터, 제3항에 기재된 상기 제2 시계열 데이터 또는 제3항에 기재된 특징량을 바탕으로 상기 반도체 제조 장치의 상태가 진단되는 것을 특징으로 하는 진단 장치.
6. 반도체 제조 장치가 네트워크를 통해 접속되고 제1항에 기재된 상기 진단 장치를 구비하는 것을 특징으로 하는 반도체 제조 장치 시스템.
7. 반도체 제조 장치가 네트워크를 통해 접속되고 제3항에 기재된 상기 진단 장치를 구비하는 것을 특징으로 하는 반도체 제조 장치 시스템.
8. 반도체 제조 장치가 네트워크를 통해 접속되고 제5항에 기재된 진단 장치를 구비하는 것을 특징으로 하는 반도체 제조 장치 시스템.
9. 제6항 내지 제8항 중 어느 한 항에 있어서,
   상기 진단 장치는, 퍼스널 컴퓨터인 것을 특징으로 하는 반도체 제조 장치 시스템.
10. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장되고 상기 반도체 제조 장치가 네트워크를 통해 접속된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서,
    상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지는 스텝과,
    상기 구해진 마스크 시간의 상기 제1 시계열 데이터가 소정 값으로 변환됨과 함께 상기 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되는 스텝과,
    상기 제2 시계열 데이터를 바탕으로 상기 반도체 제조 장치의 상태가 진단되는 스텝이 상기 애플리케이션에 의해 실행되는 것을 특징으로 하는 반도체 장치 제조 시스템.
11. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장되고 상기 반도체 제조 장치가 네트워크를 통해 접속된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서,
    상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지는 스텝과,
    상기 구해진 마스크 시간의 상기 제1 시계열 데이터가 소정 값으로 변환됨과 함께 상기 마스크 시간의 특징량이 구해지는 스텝과,
    상기 변환된 제1 시계열 데이터가 제2 시계열 데이터로서 출력되는 스텝과,
    상기 구해진 특징량이 상기 제2 시계열 데이터에 추가되는 스텝과,
    상기 특징량이 추가된 제2 시계열 데이터를 바탕으로 상기 반도체 제조 장치의 상태가 진단되는 스텝이 상기 애플리케이션에 의해 실행되는 것을 특징으로 하는 반도체 장치 제조 시스템.
12. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태를 진단하기 위한 애플리케이션이 실장되고 상기 반도체 제조 장치가 네트워크를 통해 접속된 플랫폼을 구비하는 반도체 장치 제조 시스템에 있어서,
    상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간이 구해지는 스텝과,
    상기 구해진 마스크 시간의 상기 제1 시계열 데이터가 소정 값으로 변환됨과 함께 상기 마스크 시간의 특징량이 구해지는 스텝과,
    상기 특징량을 바탕으로 상기 반도체 제조 장치의 상태가 진단되는 스텝이 상기 애플리케이션에 의해 실행되는 것을 특징으로 하는 반도체 장치 제조 시스템.
13. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태를 진단하는 진단 방법에 있어서,
    상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간을 구하는 스텝과,
    상기 구해진 마스크 시간의 상기 제1 시계열 데이터를 소정 값으로 변환함과 함께 상기 변환된 제1 시계열 데이터를 제2 시계열 데이터로서 출력하는 스텝과,
    상기 제2 시계열 데이터를 바탕으로 상기 반도체 제조 장치의 상태를 진단하는 스텝을 갖는 것을 특징으로 하는 진단 방법.
14. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태를 진단하는 진단 방법에 있어서,
    상기 제1 시계열 데이터의 상승 시각 또는 상기 제1 시계열 데이터의 하강 시각을 포함하는 마스크 시간을 구하는 스텝과,
    상기 구해진 마스크 시간의 상기 제1 시계열 데이터를 소정 값으로 변환함과 함께 상기 마스크 시간의 특징량을 구하는 스텝과,
    상기 변환된 제1 시계열 데이터를 제2 시계열 데이터로서 출력하는 스텝과,
    상기 구해진 특징량을 상기 제2 시계열 데이터에 추가하는 스텝과,
    상기 특징량이 추가된 제2 시계열 데이터를 바탕으로 상기 반도체 제조 장치의 상태를 진단하는 스텝을 갖는 것을 특징으로 하는 진단 방법.
15. 반도체 제조 장치의 센서 군으로부터 취득된 제1 시계열 데이터를 사용해서 상기 반도체 제조 장치의 상태를 진단하는 진단 방법에 있어서,
    제13항에 기재된 상기 제2 시계열 데이터, 제14항에 기재된 상기 제2 시계열 데이터 또는 제14항에 기재된 특징량을 바탕으로 상기 반도체 제조 장치의 상태를 진단하는 것을 특징으로 하는 진단 방법.