TW202401286A - 狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式 - Google Patents
狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式 Download PDFInfo
- Publication number
- TW202401286A TW202401286A TW112112803A TW112112803A TW202401286A TW 202401286 A TW202401286 A TW 202401286A TW 112112803 A TW112112803 A TW 112112803A TW 112112803 A TW112112803 A TW 112112803A TW 202401286 A TW202401286 A TW 202401286A
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- data
- target device
- parameters
- state detection
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004590 computer program Methods 0.000 title claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims description 42
- 230000005856 abnormality Effects 0.000 claims description 38
- 230000010365 information processing Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 165
- 239000004065 semiconductor Substances 0.000 abstract description 164
- 238000012545 processing Methods 0.000 description 96
- 230000008569 process Effects 0.000 description 21
- 238000003860 storage Methods 0.000 description 20
- 230000004048 modification Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 11
- 239000000463 material Substances 0.000 description 11
- 235000012431 wafers Nutrition 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 238000013500 data storage Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000032258 transport Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本發明提供一種能夠期待高精度地檢測半導體製造裝置等對象裝置的狀態之狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式。
本實施方式之狀態檢測裝置具備:第1取得部,其取得向對象裝置之輸入資料及上述對象裝置之動作之觀測資料;決定部,其基於上述第1取得部取得之輸入資料及觀測資料來決定根據輸入資料推測觀測資料之推測模型之參數;及檢測部,其基於上述決定部決定之參數,檢測上述對象裝置之狀態。
Description
本發明係關於一種狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式。
專利文獻1中提出一種狀態判定裝置,其係取得工業機械之資料,基於所取得之工業機械之資料,製作使該工業機械之資料中之物理量之時間序列資料於時間軸方向上滑動而得之複數個局部時間序列資料,抽取包含該複數個局部時間序列資料之複數個學習用之資料,並使用所抽取之學習用資料進行機械學習,藉此產生學習模型。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利特開2020-128013號公報
[發明所欲解決之問題]
本發明提供一種能夠期待高精度地檢測半導體製造裝置等對象裝置之狀態之狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式。
[解決問題之技術手段]
本發明之一態樣之狀態檢測裝置具備:第1取得部,其取得向對象裝置之輸入資料及上述對象裝置之動作之觀測資料;決定部,其基於上述第1取得部取得之輸入資料及觀測資料來決定根據輸入資料推測觀測資料之推測模型之參數;及檢測部,其基於上述決定部決定之參數,檢測上述對象裝置之狀態。
[發明之效果]
根據本發明,能夠期待高精度地檢測半導體製造裝置等對象裝置之狀態。
以下,一面參照圖式,一面對本發明之實施方式之資訊處理系統之具體例進行說明。再者,本發明並不限定於該等例示,而是由申請專利範圍表示,並意圖包括與申請專利範圍相同之意義及範圍內之所有變更。
<系統概要>
圖1係用以說明本實施方式之資訊處理系統之一例之模式圖。本實施方式之資訊處理系統係具備狀態檢測裝置1及半導體製造裝置(對象裝置)3而構成。圖示之半導體製造裝置3係用以於半導體製造工序中搬送晶圓之裝置。半導體製造裝置3例如藉由利用馬達及滑輪等機構(省略圖示)使保持晶圓之叉移動,而搬送叉所保持之晶圓。狀態檢測裝置1係檢測半導體製造裝置3之動作之狀態並且根據檢測到之動作而控制半導體製造裝置3之動作的裝置。
狀態檢測裝置1及半導體製造裝置3經由例如通信線或信號線等纜線而連接。狀態檢測裝置1將例如用以驅動使叉移動之馬達之控制資料輸入至半導體製造裝置3。控制資料中包含例如馬達之驅動量等資訊。半導體製造裝置3藉由根據所輸入之控制資料驅動馬達而使叉移動,搬送晶圓。又,半導體製造裝置3具備用以觀測晶圓之搬送動作之多種感測器。半導體製造裝置3藉由感測器而檢測與控制資料相應之裝置之動作之有關資訊,例如移動量、移動角度、速度或加速度等,並將包含檢測到之該等資訊之觀測資料輸出至狀態檢測裝置1。再者,用以獲得觀測資料之感測器可包含例如拍攝圖像(靜止圖像或動態圖像)之相機、或取得聲音之麥克風等。觀測資料可包含相機拍攝之圖像、或麥克風取得之聲音等資料。
狀態檢測裝置1取得對半導體製造裝置3輸入之控制資料、及從根據該控制資料進行動作之半導體製造裝置3輸出之觀測資料,將控制資料及觀測資料之組作為與半導體製造有關之歷程進行記憶。每當半導體製造裝置3完成一動作時,狀態檢測裝置1便讀出與該一動作有關之控制資料及觀測資料之時間序列之資訊,並基於該等時間序列之資訊而檢測半導體製造裝置3之狀態。半導體製造裝置3之一動作可採用如下等多種動作單位,例如叉從某一地點開始移動直至於另一地點停止為止,從叉於某一地點保持晶圓直至於另一地點釋放晶圓為止,或者從叉開始移動直至返回原地點為止。又,狀態檢測裝置1所要檢測之半導體製造裝置3之狀態,於本實施方式中係設為有異常及無異常之2種狀態,但並不限於此。半導體製造裝置3之狀態可為例如從無異常至有異常之異常程度分為5個階段等之狀態,又,例如在有異常及無異常之外,亦可包含剛維護後或剛更換零件後等狀態。
又,狀態檢測裝置1所要檢測之半導體製造裝置3之狀態可包含例如表示異常程度之數值。表示異常程度之數值可採用例如0.0至1.0之範圍之小數或0%至100%之百分率等。又,表示異常程度之數值亦可採用例如至預測之故障之時間、修理所需之時間、或修理所需之費用等多種數值。又,進而,所要檢測之狀態亦可包含如「90天內發生故障之概率為70%以上」等組合複數個數值而表現之狀態。
又,狀態檢測裝置1所要檢測之半導體製造裝置3之狀態,不僅包含半導體製造裝置3產生異常之可能性等與未來預測有關之狀態,亦可包含與過去之推定有關之狀態,如過去是否曾發生了某種現象,或者發生某種現象之概率等。與過去之推定有關之狀態可採用多種狀態,例如是否進行了半導體製造裝置3之維護,維護係在幾天前進行之推定天數,或者推定10天內進行維護之可能性得出之百分率之值等。又,進而,所要檢測之狀態亦可包含例如「10天內進行維護之概率為10%以下」等組合複數個數值而表現之狀態。
本實施方式之狀態檢測裝置1進行以下處理:基於控制資料及觀測資料之時間序列資訊,來決定要推測半導體製造裝置3之動作之推測模型之參數。推測模型係將控制資料作為輸入來受理,並輸出對觀測資料進行預測得到之預測資料之模型,於本實施方式中使用非整數階微分方程式之模型。再者,非整數階微分方程式亦可被稱為分數階微分方程式。由於非整數階微分方程式為已知之數學概念(例如,參照杉本信正著之「關於非整數階之微積分法」,日本數學會,2017年2月發行,數學通信第21卷第4號p.5頁~22頁),故省略詳細之說明。但,推測模型並不限於非整數階微分方程式之模型,亦可為例如整數階微分方程式之模型,還可為由任何方程式表現之模型。
狀態檢測裝置1向所決定之參數之推測模型輸入控制資料,取得推測模型所要輸出之推測資料並與原本之觀測資料進行比較,藉此算出模型之適合度。於本實施方式中,適合度使用RMSE(Root Mean Squared Error,均方根誤差),但並不限於此,適合度亦可使用不同於RMSE之指標。狀態檢測裝置1例如將算出之適合度與預先規定之閾值進行比較,並基於比較結果來檢測半導體製造裝置3之狀態。例如,狀態檢測裝置1能夠於算出之RMSE超過閾值之情形時,檢測到半導體製造裝置3有異常。
又,本實施方式之狀態檢測裝置1基於所決定之推測模型之參數來檢測半導體製造裝置3之狀態。本實施方式之資訊處理系統中,預先藉由機械學習而產生將推測模型之參數作為輸入來受理並將半導體製造裝置3之狀態進行分類之學習模型。狀態檢測裝置1具備預先產生之學習模型,藉由將決定之推測模型之參數輸入至學習模型,並取得該學習模型所要輸出之狀態之分類結果,而檢測半導體製造裝置3之狀態。
再者,狀態檢測裝置1所使用之學習模型亦可為如下者,即,已進行機械學習,以將上述適合度及參數作為輸入來受理,並將半導體製造裝置3之狀態進行分類。狀態檢測裝置1決定推測模型之參數,將控制資料輸入至推測模型而算出適合度,並將算出之適合度及決定之推測模型之參數輸入至已預先進行機械學習之學習模型。狀態檢測裝置1藉由取得學習模型之輸出資訊,能夠檢測半導體製造裝置3之狀態。又,進而,學習模型亦可為如下者,即,已進行機械學習,以將不同於適合度及參數之資訊進而作為輸入來受理,並將半導體製造裝置3之狀態進行分類。
狀態檢測裝置1於檢測到半導體製造裝置3之狀態有異常之情形時,例如使半導體製造裝置3之動作停止,於液晶顯示器等顯示部顯示警告訊息等。
再者,於本實施方式中,將狀態檢測裝置1檢測狀態之對象裝置設為搬送晶圓之半導體製造裝置3,但並不限於此。狀態檢測之對象裝置可為任何半導體製造裝置,亦可為除半導體製造裝置以外之裝置。
<裝置構成>
圖2係表示本實施方式之狀態檢測裝置1之一構成例之方塊圖。本實施方式之狀態檢測裝置1係具備處理部11、記憶部(儲存器)12、通信部(收發器)13、顯示部14及操作部15等而構成。再者,於本實施方式中,描述成於1個狀態檢測裝置1中進行處理,但狀態檢測裝置1之處理亦可由複數個裝置分散進行。
處理部11係使用CPU(Central Processing Unit,中央處理單元)、MPU(Micro-Processing Unit,微處理單元)、GPU(Graphics Processing Unit,圖形處理單元)或量子處理器等運算處理裝置、ROM(Read Only Memory,唯讀記憶體)及RAM(Random Access Memory,隨機存取記憶體)等而構成。處理部11藉由讀出並執行記憶部12中記憶之程式12a,而進行多種處理,如控制半導體製造裝置3之動作之處理及檢測半導體製造裝置3之狀態之處理等。
記憶部12係使用例如硬碟等大容量記憶裝置而構成。記憶部12記憶處理部11所要執行之各種程式、及處理部11之處理所需之各種資料。於本實施方式中,記憶部12記憶處理部11所要執行之程式12a。又,於記憶部12設有:歷程記憶部12b,其記憶控制資料及觀測資料之歷程;模型資訊記憶部12c,其記憶與將半導體製造裝置3之狀態進行分類之學習模型有關之資訊;及學習用資料記憶部12d,其記憶用以產生該學習模型之機械學習所使用之學習用資料。
於本實施方式中,程式(電腦程式、程式製品)12a係以記錄於記憶卡或光碟等記錄媒體99之態樣提供,狀態檢測裝置1係從記錄媒體99中讀出程式12a並記憶於記憶部12。但,程式12a亦可於例如狀態檢測裝置1之製造階段被寫入至記憶部12。又,例如亦可為由狀態檢測裝置1利用通信取得遠端之伺服器裝置等所傳送之程式12a。例如亦可為由寫入裝置讀出記錄於記錄媒體99之程式12a並寫入至狀態檢測裝置1之記憶部12。可以經由網路進行傳送之態樣提供程式12a,亦可以記錄於記錄媒體99之態樣提供程式12a。
記憶部12之歷程記憶部12b將狀態檢測裝置1輸入至半導體製造裝置3之控制資料與半導體製造裝置3根據該控制資料輸出之觀測資料建立關聯的資訊按時間序列進行記憶並儲存。歷程記憶部12b至少在半導體製造裝置3進行之一動作之期間,即直至狀態檢測裝置1為檢測半導體製造裝置3之狀態所需之資料齊備為止之期間,一直保存著取得之控制資料及觀測資料之時間序列資訊。在狀態檢測裝置1基於一動作相應之時間序列資訊進行半導體製造裝置3之狀態檢測之後,歷程記憶部12b既可廢除控制資料及觀測資料之時間序列資訊,亦可繼續保存。
模型資訊記憶部12c記憶與狀態檢測裝置1在半導體製造裝置3之狀態檢測中使用之模型有關之資訊。與模型有關之資訊可包含例如表示模型為何種構成之構成資訊、及模型之內部之參數之值等資訊。本實施方式之狀態檢測裝置1係使用2個模型進行狀態檢測。第1模型係非整數階微分方程式之模型,受理控制資料之輸入,並輸出對觀測資料進行預測得出之預測資料。第1模型之參數係在每次狀態檢測裝置1進行半導體製造裝置3之狀態檢測時決定。以下,將該第1學習模型稱為「推測模型」。
第2模型係將第1模型(推測模型)之參數作為輸入來受理,並將半導體製造裝置3之狀態進行分類的學習模型。第2模型係預先進行機械學習而決定了參數之已學習之模型,例如可採用SVM(Support Vector Machine,支持向量機)、決策樹、隨機森林或DNN(Deep Neural Network,深度神經網路)等多種構成之學習模型。於本實施方式中,狀態檢測裝置1係藉由使用例如由本資訊處理系統之開發者或運營者等預先準備之學習用資料進行機械學習之處理,從而預先產生學習模型。狀態檢測裝置1將預先產生之學習模型之參數等資訊記憶於模型資訊記憶部12c。但,狀態檢測裝置1亦可不進行機械學習之處理,而是取得其他裝置產生之已學習之學習模型,並將取得之學習模型記憶於模型資訊記憶部12c來加以使用。以下,將第2學習模型稱為「狀態檢測模型」。
學習用資料記憶部12d記憶產生狀態檢測模型之機械學習中使用之學習用資料。於本實施方式中,學習用資料係使推測模型之參數與表示半導體製造裝置3之狀態之值建立對應之關係資料。學習用資料係所謂的監督式機械學習中使用之資料,可稱為教導資料。學習用資料係例如藉由使半導體製造裝置3動作進行控制資料及觀測資料之收集而預先產生。本實施方式之資訊處理系統之開發者或運營者等對收集到之控制資料及觀測資料,進行賦予表示半導體製造裝置3之狀態之值之作業,所謂的註解作業。狀態檢測裝置1取得使控制資料及觀測資料與表示半導體製造裝置3之狀態之值建立對應之資料,決定與控制資料及觀測資料對應之推測模型之參數。狀態檢測裝置1能夠藉由將與控制資料及觀測資料建立對應的表示半導體製造裝置3之狀態之值和決定之參數建立對應而產生學習用資料。
狀態檢測裝置1之通信部13經由通信線或信號線等纜線而連接於半導體製造裝置3,並經由該纜線而在與半導體製造裝置3之間進行資料之收發。於本實施方式中,通信部13將從處理部11提供之控制資料發送至半導體製造裝置3。又,通信部13接收從半導體製造裝置3發送之觀測資料,並將接收到之觀測資料提供給處理部11。
顯示部14係使用液晶顯示器等而構成,且基於處理部11之處理而顯示多種圖像及文字等。於本實施方式中,顯示部14例如顯示與半導體製造裝置3之動作狀態有關之多種資訊,並且於檢測到半導體製造裝置3之動作狀態有異常之情形時,進行警告訊息等之顯示。
操作部15受理使用者之操作,並將受理之操作通知給處理部11。例如,操作部15係藉由機械式按鈕或設置於顯示部14之表面之觸控面板等輸入器件而受理使用者之操作。又,例如操作部15亦可為滑鼠及鍵盤等輸入器件,該等輸入器件亦可為能夠從狀態檢測裝置1卸除之構成。
再者,記憶部12可為連接於狀態檢測裝置1之外部記憶裝置。又,狀態檢測裝置1可為包含複數個電腦而構成之多電腦,亦可為由軟體虛擬地構建之虛擬機器。又,狀態檢測裝置1並不限定於上述構成,可不具備例如顯示部14及操作部15等。
又,本實施方式之狀態檢測裝置1中,藉由處理部11讀出記憶部12中記憶之程式12a並執行,而控制處理部11a、參數決定部11b、狀態檢測部11c及機械學習處理部11d等能作為軟體性功能部實現為處理部11。
控制處理部11a藉由按照預先規定之半導體之製造程序進行控制資料之產生及向半導體製造裝置3之發送等,而進行控制半導體製造裝置3之動作之處理。例如控制處理部11a藉由將包含驅動半導體製造裝置3之馬達之命令及該驅動量之資訊之控制資料發送至半導體製造裝置3,而驅動半導體製造裝置3之馬達使保持著晶圓之叉移動,搬送晶圓。又,控制處理部11a取得作為對控制資料之回應而從半導體製造裝置3發送之觀測資料,使控制資料及觀測資料建立對應地記憶於記憶部12之歷程記憶部12b。控制處理部11a重複進行控制資料之發送及觀測資料之取得,將控制資料及觀測資料之組之時間序列資訊儲存於歷程記憶部12b。
參數決定部11b於利用控制處理部11a之控制進行之半導體製造裝置3之一動作完成之情形時,從歷程記憶部12b讀出與該一動作有關之控制資料及觀測資料。參數決定部11b進行以下處理:基於該控制資料來決定要預測觀測資料之預測模型之參數。於本實施方式中,預測模型係由以下之(1)式表示之非整數階微分方程式所表示的模型。
[數1]
再者,於(1)式中,x(t)係要輸入至推測模型之時間序列之輸入資料(控制資料),y(t)係與輸入之控制資料對應之時間序列之觀測資料。又,於(1)式中,μ
k及x
0係係數,ν
k係微分之階數。μ
k、ν
k及x
0係參數決定部11b決定之參數。又,於(1)式中,K係決定非整數階微分方程式之項數之常數,且係由本實施方式之資訊處理系統之開發者等基於半導體製造裝置3之特性等而預先決定之值。
參數決定部11b向適當規定了參數之初始值之非整數階微分方程式之推測模型依序輸入時間序列之控制資料,並依序取得推測模型所要輸出之時間序列之推測資料。參數決定部11b將與控制資料對應之觀測資料和推測模型推測出之推測資料進行比較,算出誤差,並藉由基於算出之誤差之差分法來決定推測模型之參數。參數決定部11b例如基於誤差來算出與各參數有關之梯度,並基於算出之梯度而使用最陡下降法、擬牛頓法或SGD(Stochastic Gradient Descent,隨機梯度下降法)等方法,藉此能夠決定推測模型之參數。再者,由於推測模型之參數之決定方法為既有技術,故而省略詳細之說明。
參數決定部11b向利用所決定之參數之推測模型再次輸入控制資料並取得推測資料,再次進行推測資料與觀測資料之誤差之算出,進行算出之誤差與預先設定之閾值之比較。參數決定部11b於算出之誤差大於閾值之情形時,基於該誤差而更新參數。參數決定部11b重複進行誤差之算出及參數之更新,於算出之誤差小於閾值之情形時,將此時之參數最終決定為推測模型之參數。
狀態檢測部11c於本實施方式中使用2種方法來檢測半導體製造裝置3之狀態。第1方法中,狀態檢測部11c使用設定有參數決定部11b所決定之參數之推測模型、與決定參數時所使用之控制資料及觀測資料,算出推測模型之適合度。於本實施方式中,狀態檢測部11c將控制資料輸入至推測模型而取得預測資料,算出觀測資料與預測資料之RMSE作為適合度。再者,於本實施方式中,由於將RMSE設為適合度,故而適合度之值越小,則表明推測模型越適合。適合度亦可使用RMSE之倒數,於此情形時,適合度之值越大,則表明推測模型越適合。狀態檢測部11c基於算出之RMSE與預先規定之閾值之比較,檢測半導體製造裝置3之狀態。再者,於參數決定部11b決定參數時算出RMSE作為誤差之情形時,狀態檢測部11c無需重新算出RMSE,可取得參數決定部11b算出之RMSE進行與閾值之比較。狀態檢測部11c例如能夠於RMSE超過閾值之情形時,檢測到半導體製造裝置3之狀態有異常,於RMSE不超過閾值之情形時,檢測到無異常。
第2方法中,狀態檢測部11c使用參數決定部11b決定之參數、與模型資訊記憶部12c中記憶之狀態檢測模型,檢測半導體製造裝置3之狀態。圖3係表示本實施方式之狀態檢測模型之一例之模式圖。本實施方式之狀態檢測模型係分類模型,將推測模型之參數作為輸入來受理,並輸出將半導體製造裝置3之狀態進行分類得出之分類結果。於本例中,推測模型係作為輸入資料而受理示於(1)式之μ
0、…、μ
K、ν
1、…、ν
K、x
0之參數作為輸入,對半導體製造裝置3之狀態為「有異常」或「無異常」之任一者進行分類。狀態檢測裝置1藉由預先進行所謂的監督式機械學習之處理而產生狀態檢測模型,並將與所產生之狀態檢測模型有關之資訊記憶於記憶部12之模型資訊記憶部12c。
狀態檢測部11c將參數決定部11b決定之推測模型之參數輸入至狀態檢測模型,並取得與狀態檢測模型所要輸出之半導體製造裝置3之狀態有關之資訊。狀態檢測模型輸出例如與「有異常」及「無異常」之2種狀態對應之2個數值(確信度、相似度等),狀態檢測部11c可將與2個數值中較大者對應之狀態作為半導體製造裝置3之狀態。
又,狀態檢測模型之輸出可為對半導體製造裝置3之複數種狀態附加之類別。例如於作為半導體製造裝置3之狀態而存在故障、維護及正常之3種狀態(類別)之情形時,可將對故障分配''T'',對維護分配''M'',對正常分配''R''者作為類別。再者,本例中係將類別以例如''T''、''M''、''R''等文字表示,但並不限於此,亦可將類別以例如''0''、''1''、''2''等數值表示。狀態檢測模型預先進行機械學習,以預測該等類別。
又,狀態檢測模型之輸出亦可為與半導體製造裝置3之狀態有關之特定範圍之數值。例如,半導體製造裝置3發生故障之概率、進行維護之概率、特定期間內發生故障之概率、距發生故障之天數、進行維護後之經過天數等多種數值可成為狀態檢測模型之輸出。
狀態檢測部11c藉由上述第1方法及第2方法進行半導體製造裝置3之狀態檢測,於藉由至少任一種方法獲得半導體製造裝置3之狀態有異常之檢測結果之情形時,最終檢測到半導體製造裝置3之狀態有異常。狀態檢測部11c於藉由第1方法及第2方法之兩種方法均獲得無異常之檢測結果之情形時,最終檢測到半導體製造裝置3之狀態無異常。狀態檢測部11c於檢測到半導體製造裝置3之狀態有異常之情形時,進行以下處理,例如使顯示部14顯示警告訊息等,並且使半導體製造裝置3之動作停止等。
再者,狀態檢測部11c亦可並非如上所述般對適合度(RMSE)及參數個別地進行狀態檢測(異常有無之檢測),而是同時使用適合度及參數進行狀態檢測。例如,狀態檢測部11c可使用已預先進行機械學習以將適合度及參數作為輸入來受理並將半導體製造裝置3之狀態進行分類之學習模型。
機械學習處理部11d於進行半導體製造裝置3之狀態檢測之前,進行以下處理:藉由使用記憶部12之學習用資料記憶部12d中記憶之學習用資料進行機械學習之處理,而產生狀態檢測模型。學習用資料記憶部12d中記憶之學習用資料係使推測模型之參數與半導體製造裝置3之狀態建立對應之資料。機械學習處理部11d藉由使用該學習用資料進行所謂的監督式機械學習之處理而產生狀態檢測模型。由於監督式機械學習之處理為既有技術,故而於本實施方式中省略詳細之說明。機械學習處理部11d將與藉由機械學習而產生之狀態檢測模型有關之資訊記憶於模型資訊記憶部12c。
<狀態檢測模型之產生處理>
本實施方式之資訊處理系統中,在狀態檢測裝置1實施半導體製造裝置3之狀態檢測之前,進行收集及產生用以藉由機械學習而產生狀態檢測模型之學習用資料的處理。又,資訊處理系統中,預先進行藉由使用該學習用資料之機械學習而產生狀態檢測模型之處理。於本實施方式中,描述成由狀態檢測裝置1進行與該等狀態檢測模型之產生有關之處理,但並不限於此,該等處理亦可由狀態檢測裝置1以外之裝置來進行。
圖4係表示本實施方式之狀態檢測裝置1進行之學習用資料產生處理之程序之一例的流程圖。本實施方式之狀態檢測裝置1之處理部11隨著半導體製造裝置3之運轉而將控制資料及觀測資料記憶並儲存於歷程記憶部12b。處理部11之機械學習處理部11d從歷程記憶部12b中記憶之該等資料之中適當取得半導體製造裝置3之一動作相應之控制資料及觀測資料(步驟S1)。
處理部11之參數決定部11b將步驟S1中取得之控制資料輸入至非整數階微分方程式之推測模型(步驟S2),取得推測模型所要輸出之推測資料(步驟S3)。參數決定部11b算出步驟S1中取得之觀測資料、及步驟S3中取得之推測資料之誤差(步驟S4)。參數決定部11b判定步驟S4中算出之誤差是否小於特定之閾值(步驟S5)。於誤差大於閾值情形時(S5:否(NO)),參數決定部11b更新推測模型之參數,使誤差變小(步驟S6),並使處理返回步驟S2。參數決定部11b藉由重複進行步驟S2~S6之處理而重複進行參數之更新,於判定誤差小於閾值之情形時(S5:是(YES)),使處理進行至步驟S7。
機械學習處理部11d取得相對於步驟S1中取得之控制資料及觀測資料之組的、與半導體製造裝置3之動作之狀態有關之資訊(步驟S7)。此處,與半導體製造裝置3之動作之狀態有關之資訊於本實施方式中係半導體製造裝置3有無異常。本實施方式之資訊處理系統之開發者或管理者等能夠對控制資料及觀測資料之組判斷半導體製造裝置3有無異常。例如,開發者或管理者等能夠將對有異常設定資料''1''且對無異常設定資料''0''者作為與半導體製造裝置3之動作之狀態有關之資訊。開發者或管理者等進行之該作業係被稱為所謂的註解之作業。既可在實施本流程圖中所示之學習用資料產生處理之前進行註解之作業,亦可在學習用資料產生處理之過程中從開發者或管理者等處受理輸入且同時實施註解之作業。
機械學習處理部11d將使藉由步驟S2~S6之處理而決定之推測模型之參數與步驟S7中取得之半導體製造裝置3之狀態建立對應者作為學習用資料記憶於學習用資料記憶部12d(步驟S8),並結束處理。再者,圖4所示之流程圖之處理係產生1個學習用資料之程序,狀態檢測裝置1能夠藉由重複進行該處理,而產生複數個學習用資料。
圖5係用以說明本實施方式之推測模型之參數決定處理之概要之模式圖。圖5中表示將橫軸設為時刻t且將縱軸設為控制資料x或觀測資料y之值之曲線圖。於圖5中,輸入至半導體製造裝置3之控制資料x以細實線表示,半導體製造裝置3輸出之觀測資料以粗實線表示,推測模型基於控制資料x而推測觀測資料y得到之推測資料以虛線表示。圖示之曲線圖係就半導體製造裝置3之一動作表示控制資料x、觀測資料y及推測資料之圖。又,一動作中之某一時點之觀測資料y及推測資料之誤差以細線雙箭頭表示。
狀態檢測裝置1於在半導體製造裝置3之一動作存在N個控制資料x及觀測資料y之組之情形時,藉由針對N個控制資料x使用推測模型分別取得推測資料,而取得N個推測資料。狀態檢測裝置1能夠藉由針對N個觀測資料與N個推測資料算出對應之2個資料之差分,從而取得N個誤差之資料。狀態檢測裝置1能夠藉由針對N個誤差之資料算出例如進行平方運算後之平均值之平方根而算出RMSE,將該RMSE之值作為一動作之整體之誤差(圖4之流程圖之步驟S4中算出之誤差)。
再者,本例中係以一維之控制資料x及一維之觀測資料y之情形為例進行了說明,但控制資料及觀測資料亦可分別為二維以上之向量。又,控制資料之維度與觀測資料之維度無需一致。例如可為,控制資料為一維,觀測資料為三維,於此情形時,推測模型成為將一維之值作為輸入受理且輸出三維之向量之模型。
狀態檢測裝置1藉由重複向算出之誤差變小之方向更新推測模型之非整數階微分方程式之參數,能夠獲得高精度地推測對於控制資料之半導體製造裝置3之動作之觀測資料的推測模型之參數。狀態檢測裝置1產生以下資料作為學習用資料,該資料中,使如此獲得之推測模型之參數與基於此時之控制資料及觀測資料的表示半導體製造裝置3之狀態之資訊建立對應。狀態檢測裝置1產生並儲存儘可能多之學習用資料,藉由使用該學習用資料進行機械學習之處理,而產生狀態檢測模型。
圖6係表示本實施方式之狀態檢測裝置1進行之狀態檢測模型產生處理之程序之一例的流程圖。本實施方式之狀態檢測裝置1之處理部11之機械學習處理部11d從記憶部12之學習用資料記憶部12d中記憶之複數個學習用資料之中適當取得1個學習用資料(步驟S21)。機械學習處理部11d將步驟S1中取得之學習用資料中包含之參數之資料輸入至(未學習之或學習中途之)學習模型(步驟S22)。學習模型係相對於參數之輸入而輸出與半導體製造裝置3之狀態對應之數值或類別等的構成,機械學習處理部11d取得相對於步驟S22中輸入之資料的學習模型之輸出(步驟S23)。機械學習處理部11d算出步驟S21中取得之學習用資料中包含之與半導體製造裝置3之狀態對應之數值或類別等和步驟S23中取得之學習模型輸出之數值或類別等的誤差(交叉熵誤差)(步驟S24)。機械學習處理部11d基於步驟S24中算出之誤差,以使該誤差變小之方式更新學習模型之參數(步驟S25)。
機械學習處理部11d判定是否已對學習用資料記憶部12d中記憶之全部學習用資料結束步驟S21~S25之處理(步驟S26)。於未對全部學習用資料結束處理之情形時(S26:否),機械學習處理部11d使處理返回步驟S21,取得其他學習用資料並進行同樣之處理。於已對全部學習用資料結束處理之情形時(S26:是),機械學習處理部11d判定最後算出之誤差是否小於預先規定之閾值(步驟S27)。於誤差大於閾值之情形時(S27:否),機械學習處理部11d使處理返回步驟S21,使用相同之學習用資料進行步驟S21~S26之處理。於誤差小於閾值之情形時(S27:是),機械學習處理部11d將包含最終決定之參數之學習模型之資訊作為狀態檢測模型之資訊記憶於模型資訊記憶部12c(步驟S28),結束處理。
<狀態檢測處理>
本實施方式之狀態檢測裝置1進行以下處理:控制半導體製造裝置3之動作,並且使用已學習之狀態檢測模型,就已完成之一動作檢測半導體製造裝置3之狀態(於本實施方式中為異常之有無)。狀態檢測裝置1之狀態檢測之處理係例如在每次半導體製造裝置3之一動作完成時進行。又,本實施方式之狀態檢測裝置1同時還進行基於推定模型之適合度之狀態檢測,該推定模型係基於半導體製造裝置3之控制資料及觀測資料而決定參數。
圖7係表示本實施方式之狀態檢測裝置1進行之狀態檢測處理之程序之一例的流程圖。本實施方式之狀態檢測裝置1之處理部11之控制處理部11a藉由對半導體製造裝置3發送控制資料而控制動作。控制處理部11a取得從半導體製造裝置3發送之觀測資料作為動作結果,並將控制資料及觀測資料記憶於歷程記憶部12b。處理部11之狀態檢測部11c從歷程記憶部12b中記憶之該等資料之中取得之前剛進行了動作之半導體製造裝置3之一動作相應之控制資料及觀測資料(步驟S41)。
處理部11之參數決定部11b將步驟S41中取得之控制資料輸入至非整數階微分方程式之推測模型(步驟S42),取得推測模型所要輸出之推測資料(步驟S43)。參數決定部11b算出步驟S41中取得之觀測資料、及步驟S43中取得之推測資料之誤差(步驟S44)。參數決定部11b判定步驟S44中算出之誤差是否小於特定之閾值(步驟S45)。於誤差大於閾值之情形時(S45:否),參數決定部11b以使誤差變小之方式更新推測模型之參數(步驟S46),使處理返回步驟S42。參數決定部11b藉由重複進行步驟S42~S46之處理而重複進行參數之更新,於判定誤差小於閾值之情形時(S45:是),使處理進行至步驟S47。再者,本流程圖中參數決定部11b進行之步驟S42~S46之處理係與圖4所示之流程圖中參數決定部11b進行之步驟S2~S6之處理相同。
狀態檢測部11c針對藉由步驟S42~S46之處理而決定了參數之推測模型算出適合度(步驟S47)。此時,狀態檢測部11c可對已決定參數之推定模型輸入控制資料而取得推測資料,算出觀測資料及推測資料之RMSE,並將算出之RMSE作為適合度。
又,狀態檢測部11c將藉由步驟S42~S46之處理而決定之推測模型之參數輸入至模型資訊記憶部12c中預先記憶之狀態檢測模型(步驟S48)。狀態檢測部11c取得與狀態檢測模型所要輸出之半導體製造裝置3之狀態有關之資訊(步驟S49)。於本實施方式中,狀態檢測模型所要輸出之資訊係就半導體製造裝置3之動作表示有無異常的資訊。
狀態檢測部11c基於步驟S47中算出之適合度及步驟S48中取得之資訊,判定半導體製造裝置3之動作是否有異常(步驟S50)。例如,狀態檢測部11c於步驟S47中算出之RMSE超過預先設定之閾值之情形時,或者於步驟S49中從狀態檢測模型取得之資訊為「有異常」之情形時,可判定半導體製造裝置3之動作有異常。又,狀態檢測部11c於步驟S47中作為適合度算出之RMSE未超過預先設定之閾值且步驟S49中從狀態檢測模型取得之資訊為「無異常」之情形時,可判定半導體製造裝置3之動作無異常。於半導體製造裝置3之動作無異常之情形時(S50:否),狀態檢測部11c結束處理。於有異常之情形時(S50:是),狀態檢測部11c例如於顯示部14顯示警告訊息等(步驟S51),結束處理。
<變化例>
本實施方式之狀態檢測裝置1並不限於上述構成,可採用各種變化例。以下,說明狀態檢測裝置1之若干變化例。但,狀態檢測裝置1之構成並不限定於上述構成及以下之變化例之構成。
(變化例1)
圖8係表示變化例1之狀態檢測裝置1具備之狀態檢測模型之一例的模式圖。變化例1之狀態檢測模型將推測模型之參數作為輸入來受理,並且將環境資訊作為輸入受理,輸出與半導體製造裝置3之狀態有關之資訊。環境資訊可包含例如半導體製造裝置3之動作模式(高速模式或低速模式等)、與半導體製造裝置3所要處理之晶圓有關之資訊、或與半導體製造裝置3之周圍環境有關之資訊(溫度或濕度等)等資訊。半導體製造裝置3將該等環境資訊與觀測資料一起發送至狀態檢測裝置1。狀態檢測裝置1使該等環境資訊與控制資料及觀測資料建立對應地記憶於歷程記憶部12b。
變化例1之產生狀態檢測模型之機械學習中使用之學習用資料,成為使推測模型之參數及環境資訊與半導體製造裝置3之狀態建立對應之資料。狀態檢測裝置1藉由使開發者或管理者等設定之與半導體製造裝置3之狀態有關之資訊、和根據歷程記憶部12b中記憶之控制資料及觀測資料決定之參數及歷程記憶部12b中記憶之環境資訊建立對應而產生學習用資料。
又,變化例1之狀態檢測裝置1於進行半導體製造裝置3之狀態檢測之情形時,基於從輸入至半導體製造裝置3之控制資料及半導體製造裝置3取得之觀測資料來決定推測模型之參數,並且從半導體製造裝置3取得環境資訊,並將參數及環境資訊輸入至狀態檢測模型,藉此,取得狀態檢測模型所要輸出之與半導體製造裝置3之狀態有關之資訊。
(變化例2)
變化例2之狀態檢測裝置1並非以全部參數為對象進行推測模型之參數之更新,而是僅對一部分參數進行。即,變化例2之狀態檢測裝置1例如於推論模型之參數存在10個之情形時,7個參數係基於控制資料及觀測資料來決定,剩餘之3個參數則係使用預先設定之值。不動態地決定之固定參數例如由本實施方式之資訊處理系統之開發者等預先設定。
又,變化例2之狀態檢測裝置1於使用變化例1中說明之環境資訊之情形時,可預先準備與環境資訊對應之複數個固定參數。狀態檢測裝置1讀出與從半導體製造裝置3取得之環境資訊對應之固定參數並作為推定模型之參數之一部分,基於控制資料及觀測資料來決定剩餘之參數。
(變化例3)
作為本實施方式之推測模型,採用了基於(1)式之非整數階微分方程式之模型,但推測模型可採用基於多種數式之模型,而非基於(1)式之模型。以下記載作為推測模型可採用之若干數式。再者,於以下之數式中,γ
1…γ
K及μ
1…μ
k係係數,θ
1…θ
k及ν
1…ν
K係微分之階數。K係決定模型之複雜性之整數,且係本實施方式之資訊處理系統之開發者等預先決定之值。f及g係用以藉由例如初等函數、線性計算、統計處理、主成分分析或機械學習模型等進行資料之預處理之函數。該等函數中包含之參數亦可成為推測模型之參數。
[數2]
該(2)式係使(1)式進而概括化之數式。設定(2)式中L=0、γ
0=1、f(y, t)=y、g(x, t)=x-x
0者為(1)式。
[數3]
於該(3)式中,x
0及y
0亦可成為推測模型之參數。
[數4]
於該(4)式中,t
0亦可成為推測模型之參數。
[數5]
該(5)式係於x及y為1分量之情形時使用。於(5)式中,a
n、b
n、x
0及y
0可為推測模型之參數,亦可為預先規定之常數。
[數6]
於該(6)式中,A係d
1維度矩陣,B係d
2維度矩陣,y(t)及y
0係d
1維度向量,x(t)及x
0係d
2維度向量。
[數7]
於該(7)式中,F及G係神經網路,A及B係神經網路之權重參數。該權重參數可藉由預先機械學習等方法來決定。
(變化例4)
上述之本實施方式之資訊處理系統中,每次在進行半導體製造裝置3之狀態檢測時,狀態檢測裝置1便進行基於控制資料及觀測資料之推測模型之參數更新,並基於更新後之參數檢測狀態,但並不限於此。變化例4之資訊處理系統之狀態檢測裝置1並非每次在進行半導體製造裝置3之狀態檢測時進行推測模型之參數之更新,而是使用已預先決定參數之推測模型來檢測半導體製造裝置3之狀態。
變化例4之狀態檢測裝置1具備已預先決定參數之推測模型。狀態檢測裝置1取得成為狀態檢測對象之半導體製造裝置3之控制資料及觀測資料,並將取得之控制資料輸入至推測模型而取得觀測資料之預測資料。狀態檢測裝置1將觀測資料及預測資料進行比較,例如於觀測資料及預測資料之差超過閾值之情形時,可判斷半導體製造裝置3之狀態異常。
變化例4之狀態檢測裝置1具備之推測模型係例如基於在成為狀態檢測對象之半導體製造裝置3之過去之動作時取得之控制資料及觀測資料來決定參數。又,例如推測模型亦可基於在與成為狀態檢測對象之半導體製造裝置3相同構成之其他裝置中取得之控制資料及觀測資料來決定參數。
<總結>
以上構成之本實施方式之資訊處理系統中,狀態檢測裝置1之控制處理部(第1取得部)11a取得要輸入至半導體製造裝置(對象裝置)3之控制資料(輸入資料)及半導體製造裝置3之動作之觀測資料。參數決定部(決定部)11b基於取得之控制資料及觀測資料來決定根據控制資料推測觀測資料之推測模型之參數,且狀態檢測部(檢測部)11c基於決定之參數來檢測半導體製造裝置3之狀態。藉此,與僅根據對半導體製造裝置3輸入輸出之資料來檢測狀態之情形進行比較,能夠期待資訊處理系統實現更高精度之半導體製造裝置3之狀態檢測。
例如於半導體製造裝置3之動作模式存在複數種等情形時,輸入輸出之資料之分佈分散於複數個群集(群)或連續之範圍內,難以基於統計量等進行異常或正常等狀態檢測。本實施方式之資訊處理系統中,由於能夠學習輸入輸出之資料之關係本身,故而即便於動作模式存在複數種之情形時,亦不易受其影響。
例如,半導體製造裝置3具備三維地移動之機械臂,於該機械臂抓取不規則地配置之物體並將其整齊排列於一處之情形時,機械臂每次進行之移動完全不同。因此,於獲得偏離迄今為止之統計量之輸入或輸出之資料之情形時,一般難以判定此係機械臂之異常,或機械臂情況正常而物體之位置或重量等為至今未出現過之值。能夠期待本實施方式之資訊處理系統原則上根據輸入及輸出之資料之關係來進行狀態偵測,如機械臂之關節之摩擦過大,或者馬達之壽命將近等,而無關物體之配置及機械臂如何移動。
又,本實施方式之資訊處理系統中,藉由使用使推測模型之參數與半導體製造裝置3之狀態建立對應之學習用資料的機械學習,而預先產生狀態檢測模型(學習模型)。狀態檢測模型係將推定模型之參數作為輸入來受理,並輸出半導體製造裝置3之狀態的學習模型。狀態檢測裝置1具備預先產生之狀態檢測模型,藉由將根據控制資料及觀測資料決定之推定模型之參數輸入至狀態檢測模型,取得狀態檢測模型所要輸出之半導體製造裝置3之狀態,從而進行狀態之檢測。藉此,能夠期待資訊處理系統即便於適合度未顯著變化而僅有參數發生變動之情形時,仍能根據參數之變動來推定裝置之狀態。
又,本實施方式之資訊處理系統中,針對已決定參數之推測模型,狀態檢測裝置1之狀態檢測部(第2取得部、運算部)11c取得對於控制資料之推測資料,並基於觀測資料及推測資料而算出適合度(例如RMSE)。狀態檢測部11c基於算出之適合度來檢測半導體製造裝置3之狀態。在基於推測模型之參數之狀態檢測之外,還進行基於推測模型之適合度之狀態檢測,藉此,能夠期待資訊處理系統更高精度地進行半導體製造裝置3之狀態檢測。
又,本實施方式之資訊處理系統中,作為推測模型使用非整數階微分方程式之模型。與整數階微分方程式之模型進行比較,非整數階微分方程式之模型能夠使半導體製造裝置3等對象裝置之輸入輸出之特性高精度地模型化,因此能夠期待狀態檢測裝置1高精度地進行半導體製造裝置3之狀態檢測。非整數階微分方程式中包括普通之整數階微分方程式(常微分方程式等),以作為將微分階數限制為非負整數之特殊情形,因此,在參數數量相同之情況下相比較,非整數階微分方程式較整數階微分方程式而言,解空間較大,且作為模型之描述能力較高。又,非整數階微分方程式有用於分析黏彈性體之公知結果,能夠期待在對包括油脂等之接觸部之摩擦進行模型化時,非整數階微分方程式較普通微分方程式模型更具優勢。
再者,於本實施方式中,示出了狀態檢測裝置1藉由基於推測模型之參數之狀態檢測、及基於推測模型之適合度之狀態檢測之2種方法來進行半導體製造裝置3之狀態檢測的構成,但並不限於此。狀態檢測裝置1亦可為藉由任一種方法進行狀態檢測之構成,又,還可為藉由3種以上之方法,即增加不同於該2種方法之方法來進行狀態檢測的構成。
又,於本實施方式中,將狀態檢測裝置1要進行狀態檢測之對象裝置設為半導體製造裝置3,但並不限於此,對象裝置亦可為不同於半導體製造裝置3之任何裝置。對象裝置可為能夠根據輸入資料進行某些動作並將該動作之結果作為觀測資料輸出之各種裝置。
又,於本實施方式中係將推測模型設為非整數階微分方程式之模型,但並不限於此。推測模型亦可為例如整數階微分方程式之模型,又,還可為例如機械學習之模型,還可為以除此以外之任何數式表示之模型。例如於狀態檢測之對象裝置之動作並不那麼複雜等情形時,即便不使用非整數階微分方程式之模型,而是使用整數階微分方程式之模型,亦可能獲得充分之精度。
又,於本實施方式中,狀態檢測裝置1為使用已預先進行機械學習之狀態檢測模型來進行基於推測模型之參數之狀態檢測的構成,但並不限於此。狀態檢測裝置1亦可例如基於控制資料及觀測資料來決定推測模型之參數,並藉由決定之參數與預先規定之閾值之比較來進行半導體製造裝置3之狀態檢測。與參數進行比較之閾值可例如由資訊處理系統之開發者或管理者等預先決定。又,例如,狀態檢測裝置1亦可預先記憶決定之推測模型之參數之歷程,並基於固定期間內參數值之變化來檢測半導體製造裝置3之狀態。又,例如,狀態檢測裝置1亦可根據一個或複數個參數中是否包含偏離特定範圍之值者(所謂的離群值),或者根據固定期間內離群值之產生次數等,來檢測半導體製造裝置3之狀態。基於推定模型之參數進行之半導體製造裝置3之狀態檢測之方法可採用任何方法。
應認為本次揭示之實施方式在所有方面均為例示,並非限制性者。本發明之範圍並非為上述意思,而是由申請專利範圍來表示,且意在包含與申請專利範圍相同之意義及範圍內之所有變更。
各實施方式所記載之事項能夠相互組合。又,申請專利範圍所記載之獨立請求項及附屬請求項能夠在所有組合中相互組合,而不限引用形式。進而,申請專利範圍中採用的是記載引用其他2個以上請求項之請求項的形式(多重附屬請求項形式),但並不限於此。亦可採用記載引用至少1個多重附屬請求項之多重附屬請求項(多引多重附屬請求項)的形式來進行敍述。
1:狀態檢測裝置(電腦)
3:半導體製造裝置(對象裝置)
11:處理部
11a:控制處理部(第1取得部)
11b:參數決定部(決定部)
11c:狀態檢測部(檢測部、第2取得部、運算部)
11d:機械學習處理部
12:記憶部
12a:程式(電腦程式)
12b:歷程記憶部
12c:模型資訊記憶部
12d:學習用資料記憶部
13:通信部
14:顯示部
15:操作部
99:記錄媒體
S1~S8:步驟
S21~S28:步驟
S41~S51:步驟
t:時刻
x:控制資料
y:觀測資料
μ
0,…,μ
K:參數
ν
1,…,ν
K:參數
x
0:參數
圖1係用以說明本實施方式之資訊處理系統之一例之模式圖。
圖2係表示本實施方式之狀態檢測裝置之一構成例之方塊圖。
圖3係表示本實施方式之狀態檢測模型之一例之模式圖。
圖4係表示本實施方式之狀態檢測裝置進行之學習用資料產生處理之程序之一例的流程圖。
圖5係用以說明本實施方式之推測模型之參數決定處理之概要之模式圖。
圖6係表示本實施方式之狀態檢測裝置進行之狀態檢測模型產生處理之程序之一例的流程圖。
圖7係表示本實施方式之狀態檢測裝置進行之狀態檢測處理之程序之一例的流程圖。
圖8係表示變化例1之狀態檢測裝置具備之狀態檢測模型之一例之模式圖。
1:狀態檢測裝置(電腦)
3:半導體製造裝置(對象裝置)
11:處理部
11a:控制處理部(第1取得部)
11b:參數決定部(決定部)
11c:狀態檢測部(檢測部、第2取得部、運算部)
11d:機械學習處理部
12:記憶部
12a:程式(電腦程式)
12b:歷程記憶部
12c:模型資訊記憶部
12d:學習用資料記憶部
13:通信部
14:顯示部
15:操作部
99:記錄媒體
Claims (11)
- 一種狀態檢測裝置,其具備:第1取得部,其取得向對象裝置之輸入資料及上述對象裝置之動作之觀測資料; 決定部,其基於上述第1取得部取得之輸入資料及觀測資料來決定根據輸入資料推測觀測資料之推測模型之參數;及 檢測部,其基於上述決定部決定之參數,檢測上述對象裝置之狀態。
- 如請求項1之狀態檢測裝置,其具備學習模型,該學習模型以將根據向上述對象裝置之輸入資料推測上述對象裝置之動作之觀測資料之推測模型之參數作為輸入來受理,並輸出上述對象裝置之狀態之方式進行了機械學習;且 上述檢測部係藉由將上述決定部決定之參數輸入至上述學習模型,並取得上述學習模型所要輸出之上述對象裝置之狀態,而檢測上述對象裝置之狀態。
- 如請求項2之狀態檢測裝置,其中 上述學習模型係藉由使用學習用資料之機械學習而預先產生之學習模型,該學習用資料中,使根據向對象裝置之輸入資料推測上述對象裝置之動作之觀測資料之推測模型之參數與上述對象裝置之狀態建立對應。
- 如請求項1之狀態檢測裝置,其具備: 第2取得部,其向已由上述決定部決定參數之上述推測模型輸入上述第1取得部取得之輸入資料,取得上述推測模型所要輸出之觀測資料之推測資料;及 運算部,其基於上述第1取得部取得之觀測資料及上述第2取得部取得之推測資料來算出上述推測模型之適合度;且 上述檢測部基於上述決定部決定之參數及上述運算部算出之適合度來檢測上述對象裝置之狀態。
- 如請求項1之狀態檢測裝置,其中 上述推測模型係非整數階微分方程式之模型。
- 如請求項1之狀態檢測裝置,其中 上述檢測部所要檢測之上述對象裝置之狀態中,包含與上述對象裝置之動作有關之異常程度。
- 如請求項1之狀態檢測裝置,其中 將與上述檢測部檢測到之上述對象裝置之狀態有關之資訊顯示於顯示部。
- 一種狀態檢測方法,其係由資訊處理裝置進行以下操作: 取得向對象裝置之輸入資料及上述對象裝置之動作之觀測資料; 基於所取得之輸入資料及觀測資料來決定根據輸入資料推測觀測資料之推測模型之參數;及 基於所決定之參數來檢測上述對象裝置之狀態。
- 一種學習模型之產生方法,其係由資訊處理裝置進行以下操作: 取得學習用資料,該學習用資料中,使根據向對象裝置之輸入資料推測上述對象裝置之動作之觀測資料之推測模型之參數與上述對象裝置之狀態建立對應; 藉由使用所取得之上述學習用資料之機械學習而產生學習模型,該學習模型係將根據向上述對象裝置之輸入資料推測上述對象裝置之動作之觀測資料之推測模型之參數作為輸入來受理,並輸出上述對象裝置之狀態。
- 一種電腦程式,其使電腦執行以下處理: 取得向對象裝置之輸入資料及上述對象裝置之動作之觀測資料; 基於所取得之輸入資料及觀測資料來決定根據輸入資料推測觀測資料之推測模型之參數; 基於所決定之參數來檢測上述對象裝置之狀態。
- 一種電腦程式,其使電腦執行以下處理: 取得學習用資料,該學習用資料中,使根據向對象裝置之輸入資料推測上述對象裝置之動作之觀測資料之推測模型之參數與上述對象裝置之狀態建立對應; 藉由使用所取得之上述學習用資料之機械學習而產生學習模型,該學習模型係將根據向上述對象裝置之輸入資料推測上述對象裝置之動作之觀測資料之推測模型之參數作為輸入來受理,並輸出上述對象裝置之狀態。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-068334 | 2022-04-18 | ||
JP2022068334 | 2022-04-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202401286A true TW202401286A (zh) | 2024-01-01 |
Family
ID=88419805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112112803A TW202401286A (zh) | 2022-04-18 | 2023-04-06 | 狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202401286A (zh) |
WO (1) | WO2023204183A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024090433A1 (ja) * | 2022-10-26 | 2024-05-02 | 東京エレクトロン株式会社 | 情報処理方法、コンピュータプログラム及び情報処理装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3680639B1 (en) * | 2017-09-06 | 2023-11-15 | Nippon Telegraph and Telephone Corporation | Abnormality model learning device, method, and program |
WO2019163084A1 (ja) * | 2018-02-23 | 2019-08-29 | 株式会社日立製作所 | 状態監視システム |
JP7184636B2 (ja) * | 2018-12-27 | 2022-12-06 | 三菱重工業株式会社 | データ選別装置及び方法、ならびに監視診断装置 |
-
2023
- 2023-04-06 TW TW112112803A patent/TW202401286A/zh unknown
- 2023-04-17 WO PCT/JP2023/015345 patent/WO2023204183A1/ja unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023204183A1 (ja) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12066797B2 (en) | Fault prediction method and fault prediction system for predecting a fault of a machine | |
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
CN108628281B (zh) | 异常检测系统及异常检测方法 | |
US10706331B2 (en) | Task execution system, task execution method, training apparatus, and training method | |
TW202401286A (zh) | 狀態檢測裝置、狀態檢測方法、學習模型之產生方法及電腦程式 | |
WO2021241315A1 (ja) | 診断装置、サーバ、及び診断方法 | |
JP6542738B2 (ja) | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 | |
CN115812180A (zh) | 使用奖励预测模型的机器人控制的离线学习 | |
EP3617117A1 (en) | Model development framework for remote monitoring condition-based maintenance | |
CN115070780A (zh) | 基于数字孪生的工业机器人抓取方法、装置及存储介质 | |
CN112906775A (zh) | 一种设备故障预测方法及系统 | |
Rachmawati et al. | Digital twin-enabled 3D printer fault detection for smart additive manufacturing | |
EP4369121A1 (en) | Industrial data extraction | |
Fahmi et al. | Fault detection in the gas turbine of the Kirkuk power plant: An anomaly detection approach using DLSTM-Autoencoder | |
JP2020112967A (ja) | データ生成装置、予測器学習装置、データ生成方法、及び学習方法 | |
JP7005463B2 (ja) | 学習装置、学習方法及びプログラム | |
JP7450517B2 (ja) | 加工面判定装置、加工面判定プログラム、加工面判定方法、及び、加工システム | |
JP6807589B1 (ja) | 状態判定システム、状態判定方法、及び状態判定プログラム | |
KR102313620B1 (ko) | 로봇의 이상 상태를 출력하는 방법 및 장치 | |
JP7148938B2 (ja) | 状態判定システム、状態判定方法、及び状態判定プログラム | |
US20240220684A1 (en) | Apparatus and method for performing collision analysis | |
WO2024090433A1 (ja) | 情報処理方法、コンピュータプログラム及び情報処理装置 | |
EP4369119A1 (en) | Industrial automation data staging and transformation | |
US20240160805A1 (en) | Industrial asset model rollback | |
JP7152367B2 (ja) | 車体性能予測方法 |