TW202117473A - 資料處理、資料處理裝置以及電腦可讀取記錄媒體 - Google Patents
資料處理、資料處理裝置以及電腦可讀取記錄媒體 Download PDFInfo
- Publication number
- TW202117473A TW202117473A TW109135080A TW109135080A TW202117473A TW 202117473 A TW202117473 A TW 202117473A TW 109135080 A TW109135080 A TW 109135080A TW 109135080 A TW109135080 A TW 109135080A TW 202117473 A TW202117473 A TW 202117473A
- Authority
- TW
- Taiwan
- Prior art keywords
- evaluation value
- data
- processing
- unit
- value distribution
- Prior art date
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
- 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)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Factory Administration (AREA)
Abstract
一種資料處理方法、資料處理裝置和電腦可讀取記錄媒體,將通過單位處理所得的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,資料處理方法包括:異常度判定用評價值計算步驟,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;及異常度判定步驟,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出步驟所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
Description
本發明關於一種數位資料(digital data)處理,尤其關於一種對時間序列資料進行處理的方法。
做為檢測設備或裝置的異常的方法,已知有下述方法:使用感測器(sensor)等來測定表示設備或裝置的動作狀態的物理量(例如長度、角度、時間、速度、力、壓力、電壓、電流、溫度、流量等),並對將測定結果按照發生順序排列所得的時間序列資料進行分析。當設備或裝置在相同的條件下進行相同的動作時,若無異常,則時間序列資料同樣地變化。因此,通過將同樣地變化的多個時間序列資料相互進行比較以檢測異常的時間序列資料,並對所述異常的時間序列資料進行分析,可確定異常的產生部位或異常的原因。而且,近年來,電腦的資料處理能力顯著提高。因此,即使資料量龐大,也能以實用性的時間得到所需結果的情況多。因此,時間序列資料的分析逐漸變得盛行。
例如,在半導體基板的製造領域中,時間序列資料的分析也逐漸變得盛行。在半導體基板(以下稱作“基板”)的製造工序中,由基板處理裝置執行一系列處理。基板處理裝置包含對基板進行一系列處理中的特定處理的多個處理單元。各處理單元依據預定的流程(稱作“配方(recipe)”)來對基板進行處理。此時,基於各處理單元中的測定結果,得到時間序列資料。通多對所得到的時間序列資料進行分析,能夠確定發生異常的處理單元或異常的原因。此外,“配方”一詞不僅僅用於對基板進行的處理,也用於在基板處理之前進行的前處理、或者用以在處理單元未進行對基板的處理的期間進行處理單元的狀態維持/管理或與處理單元相關的各種測定的處理等。但是,本說明書中,著眼於對基板進行的處理。另外,日本專利特開2017-83985號公報公開了與通過基板的製造而獲得的時間序列資料的異常度的計算相關的發明。
一般而言,在基板的製造工序中,通過配方的執行,獲得關於數量龐大的參數(各種物理量)的時間序列資料。時間序列資料是如下所述的資料,即,在執行配方時,使用感測器等來測定各種物理量(例如,從噴嘴(nozzle)供給的處理流體的流量或溫度、腔室(chamber)內的濕度、腔室的內壓、腔室的排氣壓等),並將測定結果按照時間序列排列所得的資料。而且,將對由攝像機(camera)所拍攝的圖像實施分析所得的資料按照時間序列所得者也成為時間序列資料。並且,各時間序列資料是否異常的判定是通過下述方式來進行,即,將時間序列資料的資料值與閾值進行比較,或者將由所述資料值按照規定的計算規則(rule)計算所得的值與閾值進行比較。另外,閾值是針對每個參數而設定。
但是,由於所設定的閾值並不一定是理想值,因此異常判定的精度並不良好。即,根據以往的方法,無法精度良好地檢測時間序列資料的異常。而且,即使著眼於某一個相同的配方,所得的時間序列資料的內容也存在隨著時間的經過而變化的傾向。因而,若在異常判定時不考慮此種時間經過,便無法以充分的精度來檢測異常。
因此,本發明的目的在於提供一種資料處理方法,能夠考慮到時間的經過而以充分的精度來進行使用時間序列資料的異常檢測。
本發明的一方面是一種資料處理方法,將通過單位處理所得到的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,所述資料處理方法包括:異常度判定用評價值計算步驟,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;以及異常度判定步驟,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出步驟所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
本發明的另一方面是一種資料處理裝置,將通過單位處理所得到的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,所述資料處理裝置包括:異常度判定用評價值計算部,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;以及異常度判定部,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出部所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
本發明的另一方面是一種電腦可讀取記錄媒體,存儲有資料處理程式,所述資料處理程式使資料處理裝置所包含的電腦執行以下步驟,所述資料處理裝置將通過單位處理所得到的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,所述步驟包括:異常度判定用評價值計算步驟,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;以及異常度判定步驟,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出步驟所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
本發明的所述及其他目的、特徵、形態及效果當可參照附圖而根據本發明的下述詳細說明來進一步明確。
以下,參照附圖來說明本發明的一實施方式。
<1.整體結構>
圖1是表示本發明的一實施方式的資料處理系統(基板處理裝置用的資料處理系統)的整體結構的框圖。所述資料處理系統包含資料處理裝置100與基板處理裝置200。資料處理裝置100與基板處理裝置200通過通信線路300而彼此連接。
資料處理裝置100在功能上具有單位處理資料選擇部110、評價值計算部120、評價值分佈製作部130、評價值分佈更新部140、異常度判定部150及資料存儲部160。單位處理資料選擇部110從已蓄存的後述的多個單位處理資料中選擇兩個以上的單位處理資料。評價值計算部120進行評價值的計算,所述評價值用於通過基板處理所得到的時間序列資料的異常度的判定等。例如,評價值計算部120算出關於由單位處理資料選擇部110所選擇的單位處理資料中所含的各時間序列資料的評價值。評價值分佈製作部130基於由評價值計算部120所算出的評價值(關於各時間序列資料的評價值),來製作後述的評價值分佈。評價值分佈更新部140進行評價值分佈的更新。異常度判定部150在已存在評價值分佈的狀況下,基於所述時間序列資料的評價值與評價值分佈,來判定關於通過由基板處理裝置200執行配方而新獲得的時間序列資料的異常度。通過評價值計算部120與異常度判定部150來實現評價值分佈利用部。另外,本實施方式中,做為基板處理的結果,假定評價值的值越小則越佳。
在資料存儲部160中,保持有用於執行本實施方式中的各種處理的資料處理程式161。而且,在資料存儲部160中,包含保存從基板處理裝置200發送的時間序列資料的時間序列資料DB162、保存基準資料的基準資料DB163、及保存評價值分佈資料的評價值分佈資料DB164。關於基準資料及評價值分佈資料的說明將後述。另外,“DB”為“資料庫(database)”的簡稱。
基板處理裝置200包含多個處理單元222。各處理單元222中,測定表示所述處理單元222的動作狀態的多個物理量。由此,獲得多個時間序列資料(更詳細而言,為關於多個參數的時間序列資料)。通過各處理單元222中的處理所獲得的時間序列資料從基板處理裝置200被送往資料處理裝置100,並如上所述那樣保存到時間序列資料DB162中。
圖2是表示基板處理裝置200的概略結構的圖。基板處理裝置200包括定位器(indexer)部210及處理部220。定位器部210及處理部220的控制是由基板處理裝置200內部的控制部(未圖示)來進行。
定位器部210包含:多個基板收容器保持部212,用於載置可收容多片基板的基板收容器(匣盒(cassette));以及定位器機器人(indexer robot)214,進行基板從基板收容器的搬出以及基板向基板收容器的搬入。處理部220包含:多個處理單元222,使用處理液來進行基板的清洗等處理;以及基板搬送機器人224,進行基板向處理單元222的搬入及基板從處理單元222的搬出。處理單元222的數量例如為十二個。此時,例如,將使三個處理單元222層疊而成的塔式(tower)結構體如圖2所示那樣設於基板搬送機器人224周圍的四處部位。在各處理單元222中,設有進行對基板的處理的空間即腔室,在腔室內對基板供給處理液。另外,各處理單元222包含一個腔室。即,處理單元222與腔室是一一對應的。
在進行對基板的處理時,定位器機器人214從載置於基板收容器保持部212的基板收容器取出處理物件基板,將所述基板經由基板交接部230而交給基板搬送機器人224。基板搬送機器人224將從定位器機器人214接納的基板搬入至物件處理單元222。當對基板的處理結束時,基板搬送機器人224從物件處理單元222取出基板,並將所述基板經由基板交接部230而交給定位器機器人214。定位器機器人214將從基板搬送機器人224接納的基板搬入至對象基板收容器。
在所述資料處理系統中,為了對與各處理單元222中的處理相關的設備異常或由各處理單元222進行的處理的異常等進行檢測,每當執行配方時,獲取時間序列資料。本實施方式中所獲取的時間序列資料是如下所述的資料,即,在執行配方時,使用感測器等來測定各種物理量(例如噴嘴的流量、腔室的內壓、腔室的排氣壓等),並將測定結果按照時間序列排列所得的資料。各種物理量是分別做為對應的參數的值來進行處理。另外,一個參數對應於一種物理量。
圖3是將某一個時間序列資料圖表化而表示的圖。所述時間序列資料是在執行一個配方時,在一個處理單元222內的腔室中通過對一片基板的處理而獲得的、關於某物理量的資料。另外,時間序列資料是包含多個離散值的資料,但在圖3中,將在時間上鄰接的兩個資料值之間以直線相連。此外,在執行一個配方時,針對執行所述配方的每個處理單元222,獲得關於各種物理量的時間序列資料。因此,以下,將在執行一個配方時,在一個處理單元222內的腔室中對一片基板進行的處理稱作“單位處理”,將通過單位處理所獲得的一群時間序列資料稱作“單位處理資料”。在一個單位處理資料中,如圖4示意性地所示,包含關於多個參數的時間序列資料及屬性資料,所述屬性資料包含用於確定相應的單位處理資料的多個專案(例如處理的開始時刻、處理的結束時刻等)的資料等。另外,關於圖4,“參數A”、“參數B”及“參數C”對應於互不相同的種類的物理量。
為了檢測設備或處理的異常,應將通過配方的執行而獲得的單位處理資料,與具備理想的資料值來做為處理結果的單位處理資料進行比較。更詳細而言,應將通過配方的執行而獲得的單位處理資料中所含的多個時間序列資料,分別與具備理想的資料值來做為處理結果的單位處理資料中所含的多個時間序列資料進行比較。因此,本實施方式中,關於各配方,將用於與做為評價物件的單位處理資料進行比較的單位處理資料(包含用於與做為評價物件的單位處理資料中所含的多個時間序列資料分別進行比較的多個時間序列資料的單位處理資料)定為基準資料(做為算出評價值時的基準的資料)。所述基準資料被保存在所述基準資料DB163(參照圖1)中。另外,關於各配方,也可針對每個參數而採用不同的單位處理資料中所含的時間序列資料來做為基準資料。即,當著眼於與某配方關聯的參數時,做為關於某參數的基準資料來處理的時間序列資料、與做為關於其他參數的基準資料來處理的時間序列資料也可為互不相同的單位處理資料中所含的時間序列資料。
此處,參照圖5來說明資料處理裝置100的硬體結構。資料處理裝置100包括中央處理器(Central Processing Unit,CPU)11、主記憶體12、輔助記憶裝置13、顯示部14、輸入部15、通信控制部16以及記錄媒體讀取部17。CPU11依照被給予的命令來進行各種運算處理等。主記憶體12暫時保存執行中的程式或資料等。輔助記憶裝置13保存即使電源斷開也應保持的各種程式、各種資料。所述資料存儲部160是通過所述輔助記憶裝置13來實現。顯示部14例如顯示供操作員(operator)進行作業的各種畫面。對於所述顯示部14,例如使用液晶顯示器(display)。輸入部15例如是滑鼠(mouse)或鍵盤(keyboard)等,受理操作員從外部進行的輸入。通信控制部16進行資料收發的控制。記錄媒體讀取部17是記錄有程式等的記錄媒體400的介面(interface)電路。對於記錄媒體400,例如使用唯讀光碟(Compact Disc Read-Only Memory,CD-ROM)或唯讀數位多功能光碟(Digital Versatile Disc Read-Only Memory,DVD-ROM)等非暫時性的記錄媒體。
當資料處理裝置100啟動時,將由輔助記憶裝置13(資料存儲部160)所保持的資料處理程式161(參照圖1)讀取到主記憶體12中,由CPU11來執行讀取到所述主記憶體12中的資料處理程式161。由此,由資料處理裝置100提供進行各種資料處理的功能。另外,資料處理程式161例如是以記錄在CD-ROM或DVD-ROM等記錄媒體400中的形態、或者經由通信線路300來下載(download)的形態而提供。
<2.基板處理的評價>
<2.1評價值分佈>
本實施方式中,為了進行關於各時間序列資料的異常判定,使用評價值分佈,所述評價值分佈表示由評價值計算部120所求出的評價值的每個值的度數。關於所述評價值分佈,參照圖6來進行詳細說明。
評價值分佈是針對每個參數(即,每種時間序列資料)而準備。當著眼于某一個參數時,表示時間序列資料的每個評價值的度數的分佈例如成為圖6的A部所示者。關於圖6的A部,μ是分佈生成源的評價值的平均值,σ是分佈生成源的評價值的標準差。此處,通過對分佈生成源的評價值分別進行標準化,能夠制作圖6的B部所示的分佈(平均值為0且分散/標準差為1的分佈)來做為評價值分佈5。另外,若將標準化前的評價值設為Sold,將標準化後的評價值設為Snew,則標準化是通過下式(1)來進行。
在準備有如上所述的評價值分佈5的狀況下,當通過配方的執行而新生成時間序列資料時,求出關於所述時間序列資料的評價值。並且,針對所述求出的評價值,使用製作評價值分佈5時的平均值μ及標準差σ,來進行基於上式(1)的標準化。基於通過所述標準化而獲得的評價值,來決定關於相應的時間序列資料的異常度。
關於異常度的決定,在本實施方式中,將標準化後的評價值的範圍劃分為四個區(zone)。即,以四個等級(level)來判定各時間序列資料的異常度。具體而言,如圖6的B部所示,若(標準化後的)評價值小於1,則判定異常度為等級1(L1),若評價值為1以上且小於2,則判定異常度為等級2(L2),若評價值為2以上且小於3,則判定異常度為等級3(L3),若評價值為3以上,則判定異常度為等級4(L4)。
此外,關於標準化後的評價值範圍的四個區的劃分是基於標準差來進行。即,區間的閾值是自動決定的。因而,與以往不同,為了進行時間序列資料的異常判定,使用者不需要設定閾值這一繁瑣的作業。
<2.2整體的處理流程>
圖7是表示關於使用時間序列資料的異常檢測的整體處理流程的概略的流程圖。另外,假定在所述處理的開始前已蓄存有一定程度的數量的時間序列資料。
首先,為了使使用時間序列資料的異常檢測(關於各時間序列資料的異常判定)成為可能,進行所述評價值分佈5的製作(步驟S10)。本實施方式中,針對每個參數來製作所有處理單元222共同的評價值分佈5。但是,也可針對每個處理單元222來製作關於各參數的評價值分佈5。評價值分佈5的製作的詳細流程將後述。
接下來,由使用者進行設為異常判定物件的處理單元(腔室)及參數的指定(步驟S20)。此時,在資料處理裝置100的顯示部14,例如顯示圖8所示的異常判定物件設定畫面(圖8中,僅示出了實際顯示的畫面的一部分,圖11、圖12、圖13也同樣)500,由用戶指定設為異常判定物件的處理單元及參數。圖8所示的示例中,核取方塊(check box)成為選擇狀態的處理單元以及在清單方塊(list box)內成為選擇狀態的參數被指定為異常判定對象。另外,在步驟S10中,是使用通過所有處理單元222中的處理所獲得的時間序列資料來製作關於所有參數的評價值分佈5,但只有通過在步驟S20中所指定的處理單元中的處理而獲得的時間序列資料中的、關於在步驟S20中所指定的參數的時間序列資料成為實際進行異常判定的對象。
隨後,當由基板處理裝置200執行配方(步驟S30)時,進行關於通過所述配方的執行而獲得的時間序列資料中的、做為異常判定物件的時間序列資料的評分(scoring)(步驟S40)。另外,所謂評分,是指將各時間序列資料與基準資料進行比較,並將由此獲得的結果數值化為評價值的處理。在評分結束後,關於各時間序列資料,使用對應的評價值分佈5來進行異常度的判定(步驟S50)。在所述步驟S50中,首先,對在步驟S40中獲得的評價值實施標準化。評價值的標準化是通過上式(1)來進行,對於上式(1)中的平均值μ及標準差σ,使用在相應的評價值分佈5的製作時所獲得的平均值μ及標準差σ。並且,基於評價值分佈5上的標準化後的評價值的位置來決定異常度。例如,若標準化後的評價值為在圖9中標注有符號51的位置的值,則判定相應的時間序列資料的異常度為“等級2”。
本實施方式中,重複步驟S30~步驟S50的處理,直至任一配方的內容存在變更為止。即,使用相同的評價值分佈5來進行執行某配方時的異常度的判定,直至所述配方的內容存在變更為止。當任一配方的內容存在變更時,進行評價值分佈5的更新(步驟S60)。根據本實施方式,這樣進行評價值分佈的更新,因此,例如可考慮最近的傾向來進行使用時間序列資料的異常檢測。另外,關於評價值分佈5的更新的詳細說明將後述。在評價值分佈5的更新後,處理返回步驟S30。
另外,本實施方式中,通過步驟S40及步驟S50來實現評價值分佈利用步驟,通過步驟S60來實現評價值分佈更新步驟。
<3.評價值分佈的製作方法>
參照圖10來說明本實施方式中的評價值分佈5的製作(圖7的步驟S10)的詳細流程。首先,由用戶進行成為評價值分佈5的製作源的兩個以上的單位處理資料的選擇(步驟S110)。在步驟S110中,在資料處理裝置100的顯示部14,例如顯示圖11所示的單位處理資料選擇畫面600。在單位處理資料選擇畫面600上,包含開始時間點輸入框61、結束時間點輸入框62、處理單元指定框63、配方指定框64、提取資料顯示區域65及確定按鈕(button)66。開始時間點輸入框61與結束時間點輸入框62是可指定日期時間的清單方塊,處理單元指定框63與配方指定框64是可從多個項目中選擇一個以上的項目的清單方塊。用戶通過開始時間點輸入框61與結束時間點輸入框62來執行期間,通過處理單元指定框63來執行處理單元,通過配方指定框64來執行配方。由此,將與所指定的條件相應的單位處理資料的一覽顯示於提取資料顯示區域65。使用者在選擇了顯示於提取資料顯示區域65的單位處理資料的一部分或全部的狀態下,按下確定按鈕66。由此,確定成為評價值分佈5的製作源的單位處理資料。另外,期間、處理單元及配方未必需要全部指定,只要執行期間、處理單元及配方中的至少任一個即可。
接下來,對於在步驟S110中所選擇的單位處理資料(以下稱作“被選擇單位處理資料”)中所含的各時間序列資料,進行評價值的計算(步驟S111)。本實施方式中,在基準資料DB163中預先保持有基準資料。即,應與被選擇單位處理資料中所含的各時間序列資料進行比較的基準資料被保持在基準資料DB163中。因而,在步驟S111中,將被選擇單位處理資料中所含的各時間序列資料與保持在基準資料DB163(參照圖1)中的基準資料進行比較,算出關於所述各時間序列資料的評價值。
接下來,進行在步驟S111中所算出的評價值的標準化(步驟S112)。如上所述,評價值的標準化是使用上式(1)來進行。此時,評價值分佈5是針對每個參數而製作,因此,上式(1)中的平均值μ及標準差σ是針對每個參數而求出。
最後,針對每個參數(即,每種時間序列資料),基於標準化後的評價值的資料來製作評價值分佈5(步驟S113)。構成所述評價值分佈5的資料是做為評價值分佈資料而保持在所述的評價值分佈資料DB164(參照圖1)中。
<4.評價值分佈的更新方法>
接下來,對評價值分佈5的更新進行說明。在通過由基板處理裝置200執行配方而獲得的單位處理資料中,包含關於多個參數的時間序列資料。如上所述,本實施方式中,針對每個所述參數來製作評價值分佈5。此外,在基板處理裝置200中,有時會對配方的內容實施變更。若配方的內容存在變更,則在所述變更的前後,通過配方的執行所獲得的時間序列資料的內容將變得不同。此時,若使用在配方變更前製作的評價值分佈5來進行在配方變更後獲得的時間序列資料的異常判定,則有可能得不到正確的結果來做為所述異常判定的結果。因此,本實施方式中,當配方的內容存在變更時,進行評價值分佈5的更新。另外,在配方的內容存在變更之後,由於尚未蓄存基於變更後的內容的時間序列資料,因此優選的是,評價值分佈5的更新是在蓄存有一定程度的基於變更後內容的時間序列資料才進行。
在評價值分佈5的更新時,評價值分佈更新部140將與變更前的配方關聯的參數和與變更後的配方關聯的參數進行比較。並且,評價值分佈更新部140基於已蓄存的評價值(關於相應的參數的時間序列資料的評價值)的資料,來製作與伴隨配方內容的變更而追加的參數對應的評價值分佈5。而且,由使用者來進行內容存在變更的參數的指定,評價值分佈更新部140重新製作與所述指定的參數對應的評價值分佈5。
例如,假定因某配方的內容變更,而與所述配方關聯的參數群產生下述變化。
變更前:參數A、參數B、參數C、參數D
變更後:參數A、參數C、參數D、參數E
另外,假定關於參數A及參數D,時間序列資料的內容無變化,關於參數C,時間序列資料的內容存在變化。
在所述示例的情況下,在評價值分佈5的更新時,在資料處理裝置100的顯示部14顯示例如圖12所示的參數指定畫面700。在參數指定畫面700上,包含與變更後的參數群(參數A、參數C、參數D、參數E)對應的核取方塊。與伴隨配方的內容變更而追加的參數即參數E對應的核取方塊已預先成為選擇狀態(圖12中為陰影狀態)。在此種參數指定畫面700上,關於參數C,由於時間序列資料的內容存在變化,因此如圖13所示,用戶將與參數C對應的核取方塊設為選擇狀態。這樣,由用戶執行了參數後,實際進行評價值分佈5的更新。其結果,如圖14示意性地所示,評價值分佈5得到更新。具體而言,關於伴隨配方內容的變更而刪除的參數即參數B的評價值分佈5被刪除,新製作關於伴隨配方的內容變更而追加的參數即參數E的評價值分佈5,並重新製作關於由用戶所指定的參數即參數C的評價值分佈5。另外,關於參數A及參數D的評價值分佈5維持為配方內容變更前的狀態。
如上所述,僅對關於與配方內容變更相關的參數的評價值分佈5進行更新(製作、重新製作、刪除)。由此,防止評價值分佈5的更新需要巨大的時間。另外,對於更新後的評價值分佈5的具體製作流程,可採用與新製作評價值分佈5時同樣的流程(參照圖10)。
<5.效果>
根據本實施方式,算出關於由使用者所選擇的單位處理資料中所含的各時間序列資料的評價值。並且,對所述評價值實施統計性的標準化,以製作表示標準化後的評價值的分佈的評價值分佈5。在這樣製作有評價值分佈5的狀況下,當通過配方的執行而新生成時間序列資料時,基於關於所述時間序列資料的評價值(詳細而言,通過評分而獲得的評價值的標準化後的值)來進行異常判定。當在所述異常判定中使用評價值分佈5時,在本實施方式中進行評價值分佈5的更新。因而,在異常判定時,例如可考慮時間序列資料的最近的傾向。如上所述,根據本實施方式,可考慮時間的經過而以充分的精度來進行使用時間序列資料的異常檢測。
<6.變形例>
以下,對與評價值分佈5的更新相關的變形例進行說明。
<6.1第一變形例>
在所述實施方式中,當配方的內容存在變更時,評價值分佈5得到更新。但是,本發明並不限定於此,也可每當執行評分時更新評價值分佈5。
圖15是表示本變形例中的關於使用時間序列資料的異常檢測的整體處理流程的概略的流程圖。所述實施方式中,重複步驟S30~步驟S50的處理,直至任一配方的內容存在變更為止(參照圖7)。與此相對,本變形例中,在基於評分(步驟S40)的結果來進行異常度的判定(步驟S50)後,必須進行評價值分佈5的更新(步驟S60)。另外,通過步驟S40來實現異常度判定用評價值計算步驟。
此外,為了製作評價值分佈5,必須基於做為製作源的所有單位處理資料來進行平均值及標準差的計算。即,為了每當執行評分時進行評價值分佈5的更新,每當評分時,必須進行平均值及標準差的計算。關於此,假設每當評分時,使用評價值分佈5的製作源的所有單位處理資料來進行平均值及標準差的計算,則用於計算的負荷將變得非常大。因此,當評價值分佈5的製作源的單位處理資料的數量由n個增加至n+1個時,只要使用以下的式(2)~式(4)來逐次地求出平均值及分散(標準差的平方)即可。
此處,μn+1是評價值分佈5的製作源的單位處理資料的數量增加至n+1個的狀態下的評價值的平均值,μn是評價值分佈5的製作源的單位處理資料的數量為n個的狀態下的評價值的平均值,xn+1是所追加的單位處理資料的評價值,σ2n+1是評價值分佈5的製作源的單位處理資料的數量增加至n+1個的狀態下的評價值的分散,σ2n是評價值分佈5的製作源的單位處理資料的數量為n個的狀態下的評價值的分散。
在使用上式(3)來求μn+1時,μn已求出,而且,在使用上式(4)來求σ2n+1時,σ2n已求出。因而,能以相對較低的負荷來求出用於製作更新後的評價值分佈5的平均值及標準差(標準差可根據分散來簡單獲得)。
若評價值分佈5的製作源的單位處理資料的數量少,則關於時間序列資料的異常判定得不到良好的精度。對於此點,根據本變形例,每當執行評分時,評價值分佈5得到更新,因此異常判定的精度逐漸提高。而且,儘管直至平均值或標準差收斂為固定範圍內的值(關於異常判定可獲得充分的精度)為止需要一些時間,但即使在尚未完全得到做為配方執行結果的單位處理資料的狀況下,也可預先進行與評分或評價值分佈5的製作相關的各種設定作業。
<6.2第二變形例>
所述實施方式中,是基於使用者任意選擇的單位處理資料來進行評價值分佈5的製作、更新。但是,本發明並不限定於此,也可基於通過所指定的處理單元222中的處理所獲得的單位處理資料來進行評價值分佈5的更新。
圖16是表示本變形例中的評價值分佈5的更新的詳細流程的流程圖。本變形例中,在評價值分佈5的更新時,首先進行評分結果(評價值的資料)的提取(步驟S600)。在步驟S600中,例如基於一個評價值分佈5,來提取關於最近得到的1000個單位處理資料的評分結果。
接下來,基於在步驟S600中提取的評分結果,針對每個處理單元222來算出評價值的偏差(分散或標準差)(步驟S601)。另外,此時,不進行評價值的資料的標準化。此外,當基於在步驟S600中提取的評分結果來製作分佈(評價值的分佈)時,所述分佈例如圖17中示意性地所示,針對每個處理單元而不同。此處,通常認為,輸出結果中包含的異常度高的時間序列資料越多的處理單元222,則基於所述分佈的偏差將越大。因此,如上所述,在步驟S601中,針對每個處理單元222來算出評價值的偏差。並且,進行得到在步驟S601中所算出的偏差中的最小偏差的處理單元222的指定(步驟S602)。
隨後,例如從所述最近得到的1000個單位處理資料中,提取通過在步驟S602中所指定的處理單元222中的處理所獲得的單位處理資料(步驟S603)。接下來,對於在步驟S603中所提取的單位處理資料(以下稱作“被提取單位處理資料”)中所含的各時間序列資料,進行評價值的計算(步驟S604),進而,進行在步驟S604中所算出的評價值的標準化(步驟S605)。另外,在步驟S605中,評價值的標準化也是使用上式(1)來進行。最後,針對每個參數(即,每種時間序列資料),基於標準化後的評價值的資料來製作更新後的評價值分佈5(步驟S606)。
另外,本變形例中,通過步驟S601來實現偏差計算步驟,通過步驟S602來實現處理單元指定步驟,通過步驟S603來實現單位處理資料提取步驟,通過步驟S604來實現分佈更新用評價值計算步驟,通過步驟S605及步驟S606來實現評價值分佈製作步驟。
根據本變形例,即使在難以選擇成為評價值分佈5的製作源的單位處理資料的情況下,仍可基於每個處理單元222的評分結果,來選擇(指定)被認為可進行穩定處理的處理單元222。並且,基於通過所述選擇的處理單元222中的處理所獲得的單位處理資料,來製作更新後的評價值分佈5。因此,使用所述評價值分佈5的異常判定變得高精度。如上所述,根據本變形例,即使在難以選擇成為評價值分佈5的製作源的單位處理資料的情況下,也可更新評價值分佈5,以便能高精度地進行時間序列資料的異常判定。
另外,所述示例中,步驟S602中的處理單元222的指定是僅考慮評價值的偏差來進行。關於此,例如也考慮下述情況(case)的產生,即:如圖18所示,較之與包含較多異常度相對較低的時間序列資料的處理單元對應的分佈,與包含較多異常度相對較高的時間序列資料的處理單元對應的分佈的偏差小。因此,例如也可在所述步驟S601(參照圖16)中,除了評價值的偏差以外,還算出評價值的平均值,並在步驟S602中考慮評價值的偏差及評價值的平均值這兩者來進行處理單元222的指定。此時,通過步驟S601來實現統計值計算步驟。
<6.3第三變形例>
所述實施方式中,更新後的評價值分佈5是通過與新製作評價值分佈5時同樣的流程(參照圖10)來製作。但是,本發明並不限定於此,也可使用人工智慧(Artificial Intelligence,AI)技術來決定更新後的評價值分佈5。因此,以下,參照圖19~圖21來說明在評價值分佈5的更新中使用AI技術的方法。另外,本變形例中,假定針對每個參數來準備所有處理單元222共同的評價值分佈5。而且,以下,著眼於關於一個參數的評價值分佈5。
本變形例中,準備包含輸入層、中間層及輸出層的例如圖19所示的神經網路來做為學習器。中間層的層數並無限定,而且,在多個中間層中,某層的單元數與其他層的單元數也可不同。關於輸入層的單元數,只要能夠適當地輸入評價值分佈5的資料,則並無特別限定。另外,做為神經網路的種類,例如可採用一般的順向傳播型神經網路或卷積神經網路。
如圖19所示,向輸入層輸入評價值分佈5的資料,從輸出層輸出分數資料。例如在輸入層如圖20所示包含100個單元U(1)~U(100)的情況下,設定99個閾值TH(1)~TH(99),以將評價值的可取範圍劃分為一百個範圍。另外,關於這些閾值TH(1)~TH(99),假設滿足“TH(1)<TH(2)<TH(3)<…<TH(99)”這一關係。在此種前提下,當將某一個評價值分佈5的資料登錄至輸入層時,例如對第一個單元U(1)輸入小於閾值TH(1)的值(做為評價值的值)的度數,對第二個單元U(2)輸入閾值TH(1)以上且小於閾值TH(2)的值的度數(參照圖20)。當如上述那樣將評價值分佈5的資料登錄至輸入層時,基於此時的神經網路內的權重/偏倚(bias)的值來進行資料的順向傳播,並從輸出層輸出分數資料。
在準備有如上所述的神經網路來做為學習器的狀況下,在實際進行評價值分佈5的更新之前,必須先進行所述神經網路的學習。本變形例中,為了神經網路的學習,準備有分別包含評價值分佈5與做為教學資料的分數的、如圖21示意性地所示的多個學習資料。另外,在圖21中,符號59所示的部分的資料相當於一個學習資料。對於各評價值分佈5,例如分配有0分以上且5分以下的分數。
在學習時,關於各學習資料,求出通過將評價值分佈5的資料給予至輸入層而獲得的分數(從輸出層輸出的分數)與做為教學資料的分數的平方誤差。並且,通過誤差逆向傳播法,以關於所有學習資料的平方誤差的總和成為最小的方式,來求出神經網路內的權重/偏倚的值。
在評價值分佈5的更新時,使用以上述方式預先進行了學習的神經網路。具體而言,使用已進行了學習的神經網路,通過以下的流程來進行更新後的評價值分佈5的設定。
首先,針對每個處理單元222,例如使用最近得到的關於相應參數的最新的1000個時間序列資料來製作評價值分佈5。由此,若處理單元222的數量為12,則製作12個評價值分佈5。並且,將與12個處理單元222分別對應的12個評價值分佈5的資料依序輸入至神經網路的輸入層。其結果,從神經網路的輸出層依序輸出12個分數的資料。本變形例中,將得到所述12個分數中的最高分數(最佳分數)的評價值分佈5定為更新後的評價值分佈5。
如上所述,本變形例中,對於使用分別包含評價值分佈5和做為教學資料的分數的多個學習資料而預先進行了學習的神經網路(學習器),輸入與多個處理單元222對應的多個評價值分佈5,將所述多個評價值分佈5中的從神經網路輸出的分數為最佳的評價值分佈5定為更新後的評價值分佈5。
根據本變形例,在評價值分佈5的更新時,針對每個處理單元222,基於最新的時間序列資料來製作評價值分佈5。並且,從多個評價值分佈5中,將通過AI技術判斷為最佳的評價值分佈5定為更新後的評價值分佈5。因此,使用更新後的評價值分佈5的異常判定成為高精度。如上所述,根據本變形例,與所述第二變形例同樣,即使在難以選擇做為評價值分佈5的製作源的單位處理資料的情況下,也可更新評價值分佈5,以便能高精度地進行時間序列資料的異常判定。
<7.其他>
以上詳細說明了本發明,但以上的說明在所有方面僅為例示而非限制者。當瞭解的是,可不脫離本發明的範圍而創作出大量的其他變更或變形。
5:評價值分佈
11:CPU
12:主記憶體
13:輔助記憶裝置
14:顯示部
15:輸入部
16:通信控制部
17:記錄媒體讀取部
51、59:符號
61:開始時間點輸入框
62:結束時間點輸入框
63:處理單元指定框
64:配方指定框
65:提取資料顯示區域
66:確定按鈕
100:資料處理裝置
110:單位處理資料選擇部
120:評價值計算部
130:評價值分佈製作部
140:評價值分佈更新部
150:異常度判定部
160:資料存儲部
161:資料處理程式
162:時間序列資料DB
163:基準資料DB
164:評價值分佈資料DB
200:基板處理裝置
210:定位器部
212:基板收容器保持部
214:定位器機器人
220:處理部
222:處理單元
224:基板搬送機器人
230:基板交接部
300:通信線路
400:記錄媒體
500:異常判定物件設定畫面
600:單位處理資料選擇畫面
700:參數指定畫面
A~E:參數
L1:等級1
L2:等級2
L3:等級3
L4:等級4
S10~S60、S110~S113、S600~S606:步驟
U(1)~U(100):單元
圖1是表示本發明的一實施方式的資料處理系統(基板處理裝置用的資料處理系統)的整體結構的框圖。
圖2是在所述實施方式中表示基板處理裝置的概略結構的圖。
圖3是在所述實施方式中將某一個時間序列資料圖表化而表示的圖。
圖4是在所述實施方式中用於對單位處理資料進行說明的圖。
圖5是在所述實施方式中表示資料處理裝置的硬體結構的框圖。
圖6是在所述實施方式中用於對評價值分佈進行說明的圖。
圖7是在所述實施方式中表示關於使用時間序列資料的異常檢測的整體處理流程的概略的流程圖。
圖8是在所述實施方式中表示異常判定物件設定畫面的一例的圖。
圖9是在所述實施方式中用於對異常度的判定進行說明的圖。
圖10是在所述實施方式中表示評價值分佈的製作的詳細流程的流程圖。
圖11是在所述實施方式中表示單位處理資料選擇畫面的一例的圖。
圖12是在所述實施方式中表示參數指定畫面的一例(顯示之後的示例)的圖。
圖13是在所述實施方式中表示參數指定畫面的一例(由使用者指定參數後的示例)的圖。
圖14是在所述實施方式中用於對評價值分佈的更新進行說明的圖。
圖15是在所述實施方式的第一變形例中表示關於使用時間序列資料的異常檢測的整體處理流程的概略的流程圖。
圖16是在所述實施方式的第二變形例中表示評價值分佈的更新的詳細流程的流程圖。
圖17是在所述實施方式的第二變形例中用於對每個處理單元的評價值的分佈的製作進行說明的圖。
圖18是在所述實施方式的第二變形例中用於對優選除了偏差以外還考慮評價值的情況進行說明的圖。
圖19是在所述實施方式的第三變形例中表示做為學習器而準備的神經網路的一例的圖。
圖20是在所述實施方式的第三變形例中用於對輸入至神經網路的輸入層的資料進行說明的圖。
圖21是在所述實施方式的第三變形例中用於對學習資料進行說明的圖。
S10~S60:使用時間序列資料的異常檢測的整體處理流程步驟
Claims (13)
- 一種資料處理方法,將通過單位處理所得到的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,所述資料處理方法包括: 異常度判定用評價值計算步驟,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;以及 異常度判定步驟,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出步驟所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
- 如申請專利範圍第1項所述的資料處理方法,更包括閾值設定步驟,對所述評價值分佈設定在所述異常度判定佈驟的異常度的判定所使用的閾值。
- 如申請專利範圍第1項所述的資料處理方法,更包括評價值分佈更新步驟,更新所述評價值分佈。
- 如申請專利範圍第3項所述的資料處理方法,其中 所述單位處理是由具有多個處理單元的基板處理裝置針對一片基板而做為一個配方來執行的處理, 所述評價值分佈更新步驟包括: 偏差計算步驟,基於關於各時間序列資料的評價值,來對每個處理單元算出評價值的偏差; 處理單元指定步驟,指定獲得在所述偏差計算步驟中算出的偏差中的最小偏差的處理單元; 單位處理資料提取步驟,從所述多個單位處理資料中,提取與在所述處理單元指定步驟中所指定的處理單元對應的單位處理資料; 分佈更新用評價值計算步驟,算出關於被提取單位處理資料中所含的各時間序列資料的評價值,所述被提取單位處理資料是在所述單位處理資料提取步驟中提取的單位處理資料;以及 評價值分佈製作步驟,基於在所述分佈更新用評價值計算步驟中算出的關於各時間序列資料的評價值,針對時間序列資料的每個種類來製作更新後的評價值分佈。
- 如申請專利範圍第3項所述的資料處理方法,其中 所述單位處理是由具有多個處理單元的基板處理裝置針對一片基板而做為一個配方來執行的處理, 所述評價值分佈更新步驟包括: 統計值計算步驟,基於關於各時間序列資料的評價值,針對每個處理單元而算出評價值的平均值及偏差; 處理單元指定步驟,考慮在所述統計值計算步驟中算出的平均值及偏差來指定處理單元; 單位處理資料提取步驟,從所述多個單位處理資料中,提取與在所述處理單元指定步驟中指定的處理單元對應的單位處理資料; 分佈更新用評價值計算步驟,算出關於被提取單位處理資料中所含的各時間序列資料的評價值,所述被提取單位處理資料是在所述單位處理資料提取步驟中提取的單位處理資料;以及 評價值分佈製作步驟,基於在所述分佈更新用評價值計算步驟中算出的關於各時間序列資料的評價值,針對時間序列資料的每個種類來製作更新後的評價值分佈。
- 如申請專利範圍第3項所述的資料處理方法,其中所述多個單位處理資料是由基板處理裝置執行配方所獲得的資料, 每當由所述基板處理裝置執行配方,執行所述評價值分佈更新步驟。
- 如申請專利範圍第3項所述的資料處理方法,其中 所述多個單位處理資料是通過由基板處理裝置執行配方而獲得的資料, 在配方的內容存在變更時,執行所述評價值分佈更新步驟。
- 如申請專利範圍第7項所述的資料處理方法,其中 所述多種時間序列資料是關於多個參數的時間序列資料, 所述評價值分佈是針對每個參數而設, 在所述評價值分佈更新步驟中,僅與內容存在變更的參數對應的評價值分佈得到更新。
- 如申請專利範圍第8項所述的資料處理方法,其中 在所述評價值分佈更新步驟中,與伴隨配方的內容變更而追加的參數對應的評價值分佈是基於已蓄存的評價值的資料來製作。
- 如申請專利範圍第8項所述的資料處理方法,其中 在所述評價值分佈更新步驟中,重新製作與從外部指定的參數對應的評價值分佈。
- 如申請專利範圍第3項所述的資料處理方法,其中 所述單位處理是由具有多個處理單元的基板處理裝置針對一片基板而做為一個配方來執行的處理, 在所述評價值分佈更新步驟中,對學習器輸入與所述多個處理單元對應的多個評價值分佈,將所述多個評價值分佈中的、從所述學習器輸出的分數為最佳的評價值分佈定為更新後的評價值分佈,所述學習器使用分別包含評價值分佈和做為教學資料的分數的多個學習資料而預先進行了學習。
- 一種資料處理裝置,將通過單位處理所得到的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,所述資料處理裝置包括: 異常度判定用評價值計算部,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;以及 異常度判定部,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出部所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
- 一種電腦可讀取記錄媒體,存儲有資料處理程式,所述資料處理程式使資料處理裝置所包含的電腦執行以下步驟,所述資料處理裝置將通過單位處理所得到的多種時間序列資料做為單位處理資料,對多個單位處理資料進行處理,所述步驟包括: 異常度判定用評價值計算步驟,算出關於新獲得的單位處理資料所包含之時間序列資料的評價值;以及 異常度判定步驟,基於表示通過評價過去之各時間序列資料所得到的評價值之每個值的度數的評價值分佈以及所述異常度判定用評價值算出步驟所算出的評價值,對所述新獲得的單位處理資料所包含之時間序列資料的異常度進行判定。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-176259 | 2018-09-20 | ||
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 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202117473A true TW202117473A (zh) | 2021-05-01 |
TWI842961B TWI842961B (zh) | 2024-05-21 |
Family
ID=
Also Published As
Publication number | Publication date |
---|---|
KR102280389B1 (ko) | 2021-07-21 |
US20200096566A1 (en) | 2020-03-26 |
US11474150B2 (en) | 2022-10-18 |
JP2020047847A (ja) | 2020-03-26 |
TWI709833B (zh) | 2020-11-11 |
KR20200033726A (ko) | 2020-03-30 |
CN110928264A (zh) | 2020-03-27 |
TW202013104A (zh) | 2020-04-01 |
CN110928264B (zh) | 2023-08-01 |
JP7188950B2 (ja) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8494798B2 (en) | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection | |
JP2022031709A (ja) | 工業プロセス施設に対する工業プロセスパフォーマンスを測定するシステム及びコンピュータ実装方法 | |
TWI726401B (zh) | 資料處理方法、裝置與系統、以及電腦可讀取記錄媒體 | |
KR20210118243A (ko) | 센서 계측 데이터 통합 | |
JP7214417B2 (ja) | データ処理方法およびデータ処理プログラム | |
TWI709833B (zh) | 資料處理、資料處理裝置以及電腦可讀取記錄媒體 | |
TWI831893B (zh) | 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體 | |
CN109844664A (zh) | 量化并减小总测量不确定度 | |
TWI742340B (zh) | 資料處理方法、資料處理裝置、資料處理系統以及資料處理程式 | |
JP2004078780A (ja) | 予測方法、予測装置、予測プログラム、および予測プログラムを記録した記録媒体 | |
US11762562B2 (en) | Performance analysis apparatus and performance analysis method | |
JP7430271B2 (ja) | エラー要因の推定装置及び推定方法 | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
TW200424816A (en) | Method for automatic configuration of a processing system | |
JP4308113B2 (ja) | データ分析装置及びその方法、プログラム | |
WO2012048734A1 (en) | Method for controlling an industrial process | |
CN112882959A (zh) | 一种项目风险判断方法、装置、设备及可读存储介质 | |
JP7075771B2 (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 | |
CN112272804A (zh) | 无需动态系统模型的工业过程在线故障定位 | |
JP7406017B2 (ja) | 解析装置、解析方法および解析プログラム | |
US20210073651A1 (en) | Model generating method and model generating apparatus | |
JP2019102574A (ja) | 情報処理装置、情報処理装置の制御方法、およびプログラム | |
Mandel | Algorithms of Expert-Statistical Data Processing in the Problems of Decision-Making | |
TW202221430A (zh) | 用於製程追蹤的自動窗口生成 | |
US20120123753A1 (en) | Method for analyzing longitudinal data, corresponding computer and system |