TW202139033A - 異常設備痕跡偵測及分類 - Google Patents

異常設備痕跡偵測及分類 Download PDF

Info

Publication number
TW202139033A
TW202139033A TW109134582A TW109134582A TW202139033A TW 202139033 A TW202139033 A TW 202139033A TW 109134582 A TW109134582 A TW 109134582A TW 109134582 A TW109134582 A TW 109134582A TW 202139033 A TW202139033 A TW 202139033A
Authority
TW
Taiwan
Prior art keywords
traces
trace
classification
module
features
Prior art date
Application number
TW109134582A
Other languages
English (en)
Other versions
TWI841793B (zh
Inventor
理查 伯奇
傑弗瑞Ｄ 大衛
祝青
本田智土
玲莉 鍾
Original Assignee
美商Ｐｄｆ對策公司
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 美商Ｐｄｆ對策公司 filed Critical 美商Ｐｄｆ對策公司
Publication of TW202139033A publication Critical patent/TW202139033A/zh
Application granted granted Critical
Publication of TWI841793B publication Critical patent/TWI841793B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0778—Dumping, i.e. gathering error/state information after a fault for later diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/0482—Interaction with lists of selectable items, e.g. menus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Debugging And Monitoring (AREA)

Description

異常設備痕跡偵測及分類
申請案請求於2019年10月6日所提出申請，名稱為「Equipment Trouble Prevention (ETP): An effective approach to Anomalous Equipment Trace Detection and Classification without Prior Labeling」之美國臨時申請案第62/911346號的優先權，藉由引用的方式將該申請案全文併入本文中。
藉由監控設備感應器的時間痕跡之設備故障的偵測為半導體製造中長期公認的但非常困難的問題。故障偵測及分類(FDC)的典型方式為從感應器痕跡核算摘要統計數據(通常稱作關鍵編號或指標)，且接著主要基於工程知識監控此等統計以識別異常。
舉例而言，在圖1A中，垂直虛線間之區域為製程視窗100，視窗顯示來自半導體製程的一部分或步驟之四個不同的設備感應器痕跡101、102、103、104。通常為痕跡的每個步驟計算統計數據，如圖1B中所圖示。然而，統計數據無法展現從痕跡104的曲線圖在圖1A中直觀可見之異常110。因此，僅依靠統計製程控制技術可能會錯過重要的異常。當然，統計數據製程控制方式的有效性各不相同，且在很大程度上取決於摘要統計數據的品質。此外，用於核算摘要統計數據的統計例程需要經常隨製程更改而更新。因此，FDC摘要統計例程的構建及維護代表稀缺資源的大量投資。
足以代表任何中等複雜製程步驟的感應器所需的統計數據數量可能達到數千甚至數萬，這使得虛假訊號成為一個巨大的問題。基於產品數據的分析及/或在線計量學選擇相關統計數據的努力已被證明有利於減少虛假訊號，但此等努力需要足夠的響應數據，仍無法預測先前未發現的故障。
另一種方式為痕跡複製，舉例而言，使用自動編碼器神經網路，或使用與原理組件一樣簡單的方式，識別有限的基本向量組，此等基本向量可準確地重構大多數痕跡。將具有高殘餘之痕跡假定為異常，且可將殘餘平方和用於偵測異常。然而，儘管複製器方式可很好地識別許多痕跡中之異常，但基本向量通常沒有明確的物理解釋，這使得使用者難以基於該資訊對異常進行分類。
機器學習上之最新進展已為基於異常感應器痕跡的偵測及分類加強提高設備故障偵測及分類的能力，開闢新的機會。然而，實行機器學習中用於異常痕跡偵測及分類的一個障礙為在獲得標記的痕跡數據的困難度。因而，任何真正有效的異常痕跡偵測及分類方法均必須在沒有任何標記的前提下，實行有效的異常痕跡識別的策略，並必須利用初始分類以收集標記以供偵測及分類的持續改進。
無
如本文中所使用，術語「感應器痕跡」係指在設備操作期間週期性地量測重要物理量之時間序列數據，而術語「痕跡」或「設備痕跡」係指為處理案例所識別之所有重要感應器之感應器痕跡的集合。
此揭露內容所處理之問題為半導體處理設備的異常操作。藉由監控在處理期間所收集之感應器數據，將已知的異常操作條件與未知的操作條件分離，並對該等未知的條件進行分類以實現快速響應，來識別異常設備操作的能力，已成為長期公認但難以解決的問題。因此，此揭露內容的目的為，藉由描述識別與正常操作痕跡相比顯示明顯異常之任何設備感應器痕跡之實時能力，以處理此問題。
並行處理架構的出現及機器學習演算法的進展，促進此問題的評估，此等演算法允許使用者使用大量數據，以使得此類方式相關且切合實際之速度，獲取洞察力並進行預測。機器學習為人工智能的分支，人工智能涉及可從數據學習之系統的構建及研究。此等類型的演算法，及伴隨並行處理能力允許待處理更大量的數據集，並更適合於多變量分析。
機器學習中大部分的能力為在具雜訊的高維度空間中進行準確地分類之能力。然而，可採用具有物理地意義的特徵工程，以改進偵測及分類方案的有效性。此外，良好的特徵工程可顯著地有助於理解類似異常痕跡背後的根本原因。有效的異常痕跡偵測及分類的機器學習方式應該促進主動學習，並使用所獲取之資訊以持續地改進故障偵測及分類的準確性。
在生產環境中，通常無法提供異常痕跡範例的事先標記。因此，用於異常痕跡的偵測之有效的系統無法依賴於事先標記。然而，若可最大程度地減少製程工程師提供標記的負擔並證明其益處，則可通過此類努力獲得對標記製程有用的輸入。應該包含對分類標記準確性的審查，並根據需要進行重新標記，以改進相關模型的偵測及分類。
在圖2中例示用於異常痕跡偵測及分類之系統200的簡化概圖。此系統係基於電腦，使得可在具有常規操作系統之最先進的型獨立型桌上型電腦或均等物上安裝並運行各種模組，或通過網路或其他網路可存取的主機服務向使用者提供此等模組。
在模組220中，進行「特徵工程」以識別設備痕跡數據的關鍵特徵及相關集合。特徵工程220致使在模組237中識別及使用對評估目標特徵有用之痕跡。主要地基於模組220中所識別之關鍵特徵，對模組240中之痕跡進行「引導(bootstrapping)」以創建分類標記。這致使標記被保存並儲存在模組260處。
當在引導模組240中已收集足夠的標記並將標記保存至模組260中時，引導階段轉換成模組250中之持續學習階段，在此階段，將首先建立並將持續地(或定期或時不時)更新異常偵測及分類模型。將根據需要審查及更新分類(標記)。一旦建立模型，即可從模組270部署，以在模組280中進行實時預測。
在圖3中更詳細地圖示特徵工程模組220，且特徵工程模組包含兩個主要處理階段：在階段320中之自定數據準備及在階段330中之標準特徵工程。理想情況下，特徵工程不需要任何特定的製程知識；然而，在許多情況下這為不現實的。舉例而言，在某些條件下，植入機將進入微調週期，在此期間，感應器記錄與正常操作有明顯地差異且不會直接影響晶圓之感應器值。因此，作為一個範例，在階段320的自定義數據準備期間，將關鍵特徵識別成微調週期，並與其餘痕跡分離，調整或修改痕跡，在此範例中，創建自定義特徵組，此等功能代表晶圓之微調週期的數量、微調期間、及在微調前後每個痕跡的更改。此等特徵可在階段338中與修改的痕跡組合，以向偵測及分類模型提供輸入。
因為原始痕跡324主要包含正常痕跡324N及少數顯示異常痕跡324A，這在圖3中以曲線圖表示。在階段320中修改原始痕跡324，且修改的痕跡326包含修改的正常痕跡326N及少數修改的異常痕跡326A。將修改的痕跡326傳遞至階段330中，且將所識別的自定特徵被發送至階段338，作為用於偵測及分類模型之完整特徵集的一部分。
在階段330中，偵測及分類模型所需的大多數特徵為標準化特徵，且無需工程輸入即可處理它們的核算。舉例而言，在模組332中生成「基礎集合」特徵。首先，核算每個步驟標識符(「步驟ID」)中之基礎統計數據(中位數及斜率)，並修改痕跡以刪除此等特點。接著，使用眾所周知的演算法解決方案，諸如主要組件、自動編碼器、或其他，以藉由演算法核算修改的痕跡之綜合基礎集合。因為在給出此等基礎集合特徵的完整列表的情況下，能以可接受的準確性重構原始痕跡，此等特徵(演算法基礎集合特徵、中位數、及斜率)組合在一起形成基礎集合。然而，採用此基礎集合將無法準確地再現先前未發現的異常痕跡。
在模組334中生成「補充」特徵，且未將「補充」特徵用於痕跡複製，但可用於理解異常根本原因。可生成補充特徵以關注已知的有影響的度量，諸如標準差、步驟期間、白雜訊等。
使用在模組336中所生成之基礎集合特徵及「殘餘」特徵，以重構痕跡337作為原始痕跡的近似值以描述重構的準確性。殘餘特徵捕捉未在基礎集合特徵中所捕捉之未知痕跡變化。
最後，將來自模組332之基礎集合特徵、來自模組334之1補充特徵、及來自模組336的殘餘特徵與原始痕跡、修改的痕跡、及重構的痕跡組合，作為對機器學習模型270(參見圖2)之輸入，配置並訓練機器學習模型270用於偵測及分類痕跡異常。模型識別異常痕跡，並根據使用者反饋分類此等痕跡，並可使用兩階段方式所實行。
返回至圖2，將引導階段240利用於生成初始標記，且當作累積歷史標記時，持續學習階段260收集並應用新的學習。引導階段240假定有許多(範圍從幾百或至幾千)作為輸入之未標記的多感應器設備痕跡。儘管輸入數據中沒有標記，但模型假定大多數的痕跡代表正常的工具操作。引導階段的目標為，主要基於從特徵工程階段220中從初始數據中所識別之關鍵特徵，以識別單變量及多變量離群值。
舉例而言，圖4A及4B例示在所選擇的製程步驟處之引導範例，在此步驟中原始痕跡400包含第一痕跡401、第二痕跡402、第三痕跡403、第四痕跡404、第五痕跡405、及第六痕跡406。除了此處將顯示之四個異常痕跡外，亦將有數百(或更多)正常或典型痕跡輸入至引導模組。
核算痕跡的中位數並將中位數一起顯示在曲線圖408處，在曲線圖中視覺上清楚地看出痕跡401為離群值，且因而為異常。修改原始痕跡401至406並將原始痕跡顯示成中位數調整後的痕跡411至416。
接著，核算中位數調整後的痕跡411至416的斜率，並在曲線曲線圖418處一起顯示此等斜率，在曲線圖中痕跡413為異常，而痕跡412及414為可疑。再次修改痕跡411至416改並將痕跡顯示成斜率調整後的痕跡421至426。一旦已知中位數及斜率，即核算演算法基礎集合特徵，並選擇捕捉大多數剩餘痕跡變化之特徵。在此簡單範例中，唯一重要的基礎特徵為中位數及斜率。接著核算殘餘特徵(通常為原始痕跡與從基礎集合特徵所重構之近似痕跡間之平方誤差的和)。從殘餘特徵428可清楚地看出，痕跡424為異常，痕跡422為可疑。
可藉由過濾其他準則，以暴露供根本原因分析之補充特徵。舉例而言，提取修改的痕跡421至426的雜訊特徵獲致曲線圖429，在曲線圖中將痕跡422顯示為異常。
在圖5A及5B中例示代表引導階段240之系統500。原始痕跡502主要包含正常痕跡及一些異常，並將原始痕跡輸入至特徵工程模組504，在此處識別關鍵特徵並將關鍵特徵保存至模組506。在模組508中，藉由從特徵選擇分析關鍵特徵的單變量及多變量分佈，以識別離群值痕跡及特徵。接著，使用者在圖形使用者界面(GUI)510中分類離群值。
在此範例中，將GUI 510配置有可用痕跡的列表512，且使用者可選擇一個或更多個欲審查的痕跡。在此視圖中，已選擇四個痕跡並將痕跡顯示為視窗514、515中之離群值痕跡，及視窗516、517中之參考痕跡。按鍵513使得使用者能選擇更多類似之痕跡。視窗514圖示四個異常電流痕跡，而視窗515顯示四個異常電壓痕跡。視窗516顯示六個參考電流痕跡，且視窗517顯示六個參考電壓痕跡。對於在視窗514、515中所顯示之所有四個異常痕跡，在視窗518中顯示當前形狀(演算法基礎集合)特徵、在視窗519中顯示電壓形狀特徵、在視窗520中顯示電流殘留特徵、及在視窗521中顯示電壓殘餘特徵均為異常。
可使用按鍵524分類離群值，在此範例中，按鍵524為下拉列表，而允許使用者選取幾個預定義的分類及相關動作中之一個，並經由按鍵526將分類/動作分派給此特定異常。舉例而言，圖6為可藉經由按鍵524或其他均等模式實行之預定義類別及動作的列表。定義三個類別：正常、可疑、及異常。對於每個類別，均定義動作。若使用者將離群值分類成正常，則無需採取任何動作，且可將正常痕跡用於更新偵測及分類模型中之正常痕跡的定義。
若使用者將離群值分類為可疑或明確地分類為異常，則在分類中提供進一步指示，說明離群值是否無害、是否需要監控、或是否應該立即觸發警報狀況，如圖6中所示。有關異常分類的最後決定典型地將包含某種形式的專家審查。
在將所有離群值分派給類別之後，使用所有已處理的痕跡數據作為基於機器學習的模型之訓練集合，在模組530中建立初始偵測及分類模型。接著，可將模型用作獨立型或線上異常痕跡偵測及分類系統。
在持續學習模組中，輸入數據包含線上預測、工程化特徵、及痕跡數據(原始及已調整)。交互式GUI促進主動學習，供建立準確的異常偵測及分類模型。藉由演算法識別類似痕跡的能力為有效主動學習的關鍵。
具有適當製程知識的製程工程師應該優選審查所有預測以建立可被併入模型之置信度水準因素。舉例而言，在例示分類審查之環境方面，圖7A及7B類似於圖5A及5B。GUI 710類似於GUI 510，並且允許審查者選擇痕跡、採用按鍵724選擇適當的分類及動作、採用按鍵726分派該類別/動作、並接著經由按鍵726採用新的學習以更新模組730中之模型。
持續學習利用現存偵測及分類機器學習模型以預測每個晶圓之最可能分類，但亦基於最近的訓練數據與新痕跡間之類似性預測置信度。標識最低置信度預測供強制審查，且最低置信度預測很有可能為未知異常。
儘管最基礎的異常偵測為單變量(特徵是否正常？)，但可將多變量方法用於識別從單變量分析不易發現之額外異常。舉例而言，從多個感應器痕跡的評估中可更容易地觀察某些設備故障，諸如在溫度及壓力偏移同時發生的案例，若僅考慮一個參數，則採取動作的可能性就更大。相反地，設備故障通常會在多個感應器上生成多個異常，且多變量識別標誌對於預測根本原因很重要。
用於根本原因分類之適當的機器學習演算法優選地為數據特點及數據量的函數。舉例而言，若數據量非常低，則簡單的最近的相鄰演算法將可能產生最佳結果。若數據量適中且主要數據變化係由工程化特徵所捕捉，則一些分類樹的精緻方法(諸如極限梯度增強)可能為不錯的選擇。若數據量足夠大，並在痕跡中存在與根本原因相關之強烈殘餘效應，則卷積神經網路可能為最佳選擇。為了採用最少的使用者輸入解決此問題，將基於交叉驗證的模型選擇例程利用於構建分類模型，並在許多情況下，和多個模型一起使用簡單聚合模型，聚合模型是用於將多個預測組合成單一預測 。
100:製程視窗 101,102,103,104:設備感應器痕跡 110:異常 220:模組、特徵工程、特徵工程階段 237,250,260,280:模組 240:模組、引導階段 270:模組、機器學習模型 320,330,338:階段 332,334,336:模組 324:原始痕跡 324A:異常痕跡 326:修改的痕跡 326N:正常痕跡 326A:異常痕跡 337:重構痕跡 400:原始痕跡 401:第一痕跡 402:第二痕跡 403:第三痕跡 404:第四痕跡 405:第五痕跡 406:第六痕跡 408,429:曲線圖 411-416:中位數調整後的痕跡 421-426:修改的痕跡、斜率調整後的痕跡 422,424:痕跡 428:殘餘特徵 500:系統 502:原始痕跡 504:特徵工程模組 506,508,530,730:模組 510,710:圖形使用者界面(GUI) 512:可用痕跡的列表 514-521:視窗 524-526,724,726:按鍵
圖1A例示四個設備感應器痕跡的製程顯示視窗。
圖1B為具有圖1A中所圖示之痕跡之摘要統計數據的列表。
圖2為例示異常偵測及分類系統之簡化方塊圖。
圖3為圖2的一部分的詳細表示。
圖4A及4B為引導範例的曲線圖表示。
圖5A及5B為用於分類痕跡異常之系統的方塊圖。
圖6為預定義的異常類別及對應的可能動作的列表。
圖7A及7B為用於審查及更新痕跡異常分類之系統的方塊圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
220:模組、特徵工程、特徵工程階段
237:模組
240:模組、引導階段
250:模組
260:模組
270:模組、機器學習模型
280:模組

Claims (1)

  1. 一種用於偵測及分類設備痕跡數據中之異常之程序，包括以下步驟： 從相應的半導體設備感應器，接收複數個原始痕跡； 識別該複數個原始痕跡中之至少一第一集合中之複數個異常； 在一預定義特徵的基礎上，修改該複數個原始痕跡中之該第一集合中之每個原始痕跡； 從該等修改的痕跡中之每個修改的痕跡，決定特徵的一基礎集合； 從該等特徵的該基礎集合中，從該等修改的痕跡創建複數個重構的痕跡；及 將一分類分派給該複數個異常中之每個異常。
TW109134582A 2019-10-06 2020-10-06 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體 TWI841793B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962911346P 2019-10-06 2019-10-06
US62/911,346 2019-10-06

Publications (2)

Publication Number Publication Date
TW202139033A true TW202139033A (zh) 2021-10-16
TWI841793B TWI841793B (zh) 2024-05-11

Family

ID=

Also Published As

Publication number Publication date
US20210103489A1 (en) 2021-04-08
KR102627062B1 (ko) 2024-01-18
CN114600087A (zh) 2022-06-07
KR20220070302A (ko) 2022-05-30
JP7470784B2 (ja) 2024-04-18
JP2023501062A (ja) 2023-01-18
WO2021071854A1 (en) 2021-04-15
US11609812B2 (en) 2023-03-21
US20210142122A1 (en) 2021-05-13

Similar Documents

Publication Publication Date Title
US11609812B2 (en) Anomalous equipment trace detection and classification
Sun et al. Fault detection and identification using Bayesian recurrent neural networks
US11080127B1 (en) Methods and apparatus for detection of process parameter anomalies
Wu et al. A visual analytics approach for equipment condition monitoring in smart factories of process industry
Yang et al. Bayesian Belief Network-based approach for diagnostics and prognostics of semiconductor manufacturing systems
JP2021064370A (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
US7289857B2 (en) Data analysis system and method
AU2018203375A1 (en) Method and system for data based optimization of performance indicators in process and manufacturing industries
US8732100B2 (en) Method and apparatus for event detection permitting per event adjustment of false alarm rate
JP2019527413A (ja) 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法
Lu et al. GAN-based data augmentation strategy for sensor anomaly detection in industrial robots
WO2010095314A1 (ja) 異常検知方法及び異常検知システム
US10565080B2 (en) Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring
ES2963926T3 (es) Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred
US20240061562A1 (en) Machine Learning-Based Interactive Visual Monitoring Tool for High Dimensional Data Sets Across Multiple KPIs
JP2023535721A (ja) プロセストレースからの装置故障モードの予測
CN116745716A (zh) 分析方法、分析程序和信息处理装置
CN115096627A (zh) 一种液压成形智能装备制造过程故障诊断与运维方法及系统
Lee et al. In-line predictive monitoring framework
Schemmer et al. Towards Meaningful Anomaly Detection: The Effect of Counterfactual Explanations on the Investigation of Anomalies in Multivariate Time Series
Haghighati et al. Recognition performance of imputed control chart patterns using exponentially weighted moving average
US20220147039A1 (en) Event analytics in modular industrial plants
Kandasamy et al. Survey on chaos RNN–A root cause analysis and anomaly detection
Smeraldo et al. A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics
Jauhri et al. Outlier detection for large scale manufacturing processes