WO2023162077A1 - 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム - Google Patents

診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム Download PDF

Info

Publication number
WO2023162077A1
WO2023162077A1 PCT/JP2022/007541 JP2022007541W WO2023162077A1 WO 2023162077 A1 WO2023162077 A1 WO 2023162077A1 JP 2022007541 W JP2022007541 W JP 2022007541W WO 2023162077 A1 WO2023162077 A1 WO 2023162077A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
series data
semiconductor manufacturing
mask
manufacturing equipment
Prior art date
Application number
PCT/JP2022/007541
Other languages
English (en)
French (fr)
Inventor
正明 山本
涼次 朝倉
誠浩 角屋
洋平 川口
Original Assignee
株式会社日立ハイテク
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 株式会社日立ハイテク filed Critical 株式会社日立ハイテク
Priority to PCT/JP2022/007541 priority Critical patent/WO2023162077A1/ja
Priority to JP2023500379A priority patent/JP7358679B1/ja
Priority to CN202280005996.8A priority patent/CN116941010A/zh
Priority to KR1020237004877A priority patent/KR20230129001A/ko
Priority to TW112105404A priority patent/TW202334772A/zh
Publication of WO2023162077A1 publication Critical patent/WO2023162077A1/ja

Links

Images

Classifications

    • 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
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • 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
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24069—Diagnostic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

各サブシーケンスの開始と終了に対応するモニタリング信号の立上りや立下りを正確に抽出できなかったケースにおいても装置状態の異常を検知可能にする。センサから得られる第一の時系列信号に対してマスキングする時間帯を設定し、マスキングする時間帯に対応する第一の時系列信号をマスキングしたデータを作成し、第一の時系列信号をマスキングしたデータを用いて標準化モデルを作成し、標準化モデルを用いて第一の時系列信号をマスキングしたデータを標準化処理し、複数のデータを用いて正常モデルを作成し、センサから得られる第二の時系列信号に対してマスキング時間帯における第二の時系列信号をマスキングし、標準化モデルを用いて標準化処理し、第二の時系列信号を標準化処理した信号から異常値を算出するように装置診断装置を構成した。

Description

診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム
　本発明は、診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システムに関する。
　半導体ウェハを加工するプラズマ処理装置では、通常、ウェハの処理枚数等に応じて定期的に装置内のクリーニングや部品の交換といった保守を行う。しかし、プラズマ処理装置を構成する部品の経年劣化や使用方法により、計画外のダウンタイムが発生してしまうことが有る。
　この計画外のダウンタイムを削減するために、部品やプラズマ処理装置の劣化状態をモニタリングして、劣化状態に応じて部品などの保守（クリーニング又は交換）を行う方法が有効と見込まれる。
　特許文献1には、モニタ信号に含まれる複合シーケンスから複数のサブシーケンスのうちの異常検知の対象となる特定のサブシーケンスを抽出する抽出部を備える異常検知システムにおいて、抽出部は、複合シーケンスと予め取得してある複合シーケンスの一例である参照シーケンスとから動的時間伸縮法によって最適伸縮パスを求め、抽出部は、当該最適伸縮パスと予め取得してある参照シーケンスのサブシーケンスの開始点および終了点とに基づいて特定のサブシーケンスの開始点および終了点を特定し、抽出部は、特定のサブシーケンスの開始点および終了点に基づき特定のサブシーケンスを抽出する構成を備えて、特定のサブ工程の区間信号を容易に抽出することを可能にした異常検知システムについて記載されている。
特開２０２０－２０４８３２号公報
　プラズマ処理装置の状態をモニタリングして得られる信号の立上りや立下りのタイミングは、プラズマ処理装置を運転している最中の状態の変動により多少変化することが有る。このような場合、信号の立上りと立下り時刻の値が、期待値信号の値と大きく異なってしまう場合がある。
　その結果、検知対象信号と期待値信号との誤差が許容範囲を越えてサブシーケンスを正確に検出できなくなってしまう場合があるが、特許文献1に記載された方法では、このような場合に、装置状態に異常ありと誤判定してしまう可能性がある。
　本発明は、上記したような従来技術の課題を解決して、各サブシーケンスの開始と終了に対応するモニタリング信号の立上りや立下りを正確に抽出できなかったケースにおいても装置状態の異常を検知可能にする診断装置及び診断方法並びに半導体製造装置システム並びに半導体装置製造システムを提供するものである。
　上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態が診断される診断装置を、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間が求められ、求められたマスク時間の第一の時系列データが所定値に変換されるとともに変換された第一の時系列データが第二の時系列データとして出力され、第二の時系列データを基に半導体製造装置の状態が診断されるように構成した。
　また、上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態が診断される診断装置を、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間が求められ、求められたマスク時間の第一の時系列データが所定値に変換されるとともにマスク時間の特徴量が求められ、変換された第一の時系列データが第二の時系列データとして出力され、求められた特徴量が第二の時系列データに追加され、特徴量が追加された第二の時系列データを基に半導体製造装置の状態が診断されるように構成した。
　更に、上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態を診断するためのアプリケーションが実装され半導体製造装置がネットワークを介して接続されたプラットフォームを備える半導体装置製造システムにおいて、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間が求められるステップと、求められたマスク時間の第一の時系列データが所定値に変換されるとともに変換された第一の時系列データが第二の時系列データとして出力されるステップと、第二の時系列データを基に半導体製造装置の状態が診断されるステップとがアプリケーションにより実行されるように構成した。
　更に、上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態を診断するためのアプリケーションが実装され半導体製造装置がネットワークを介して接続されたプラットフォームを備える半導体装置製造システムにおいて、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間が求められるステップと、求められたマスク時間の第一の時系列データが所定値に変換されるとともにマスク時間の特徴量が求められるステップと、変換された第一の時系列データが第二の時系列データとして出力されるステップと、求められた特徴量が第二の時系列データに追加されるステップと、特徴量が追加された第二の時系列データを基に半導体製造装置の状態が診断されるステップとがアプリケーションにより実行されるように構成した。
　更に、上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態を診断するためのアプリケーションが実装され半導体製造装置がネットワークを介して接続されたプラットフォームを備える半導体装置製造システムにおいて、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間が求められるステップと、求められたマスク時間の第一の時系列データが所定値に変換されるとともにマスク時間の特徴量が求められるステップと、特徴量を基に半導体製造装置の状態が診断されるステップとがアプリケーションにより実行されるように構成した。
　更に、上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態を診断する診断方法を、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間を求めるステップと、求められたマスク時間の第一の時系列データを所定値に変換するとともに変換された第一の時系列データを第二の時系列データとして出力するステップと、第二の時系列データを基に半導体製造装置の状態を診断するステップとを有する診断方法とした。
　更に、上記した課題を解決するために、本発明では、半導体製造装置のセンサ群から取得された第一の時系列データを用いて半導体製造装置の状態を診断する診断方法を、第一の時系列データの立ち上がり時刻または第一の時系列データの立ち下がり時刻を含むマスク時間を求めるステップと、求められたマスク時間の第一の時系列データを所定値に変換するとともにマスク時間の特徴量を求めるステップと、変換された第一の時系列データを第二の時系列データとして出力するステップと、求められた特徴量を第二の時系列データに追加するステップと、特徴量が追加された第二の時系列データを基に半導体製造装置の状態を診断するステップとを有する診断方法とした。
　本発明によれば、マスク時間作成部とマスク処理部により、検知対象信号の立上り時刻に起因した著しい異常値を消すことができる。そして、各サブシーケンスを正確に抽出できなかったケースにおいても装置状態の異常を検知可能になる。
　また、本発明によれば、マスク時間作成部により、人手でマスク時間を定義する煩雑さをなくすことができる。
本発明の実施例1に係る装置診断装置の基本構成を示すブロック図である。 本発明の実施例1に係る半導体製造システムの基本構成を示すブロック図である。 本発明の実施例1に係る装置診断装置を機能ごとに分けたシステムの構成を示すブロック図である。 本発明の実施例1に係る装置診断装置における学習フェーズにおける処理フローを示すフローチャートである。 正常な信号波形データの例を示すグラフである。 正常な波形データにおいてマスキングする信号の立上り部分と立下り部分を示すグラフである。 正常な波形データにおいて信号の立上り部分と立下り部分とをマスキングした例を示すグラフである。 信号の立上り部分と立下り部分とをマスキングした正常な波形データを正規化した例を示すグラフである。 本発明の実施例1に係る装置診断装置における評価フェーズにおける処理フローを示すフローチャートである。 本発明の実施例1に係る装置診断装置におけるマスク時間作成部における処理フローを示すフローチャートである。 半導体製造システムに装着したセンサから得られるセンサ値の時系列データを示すグラフである。 本発明の実施例1に係る装置診断装置におけるマスク時間作成部に置いて作成したマスク開始時間とマスク終了時間とを示す表である。 図７の時系列データに図８に示した時間でマスクをかけた状態におけるセンサ値の時系列データを示すグラフである。 本発明の実施例２に係る装置診断装置の基本構成を示すブロック図である。 本発明の実施例２に係る装置診断装置における学習システムの構成を示すブロック図である。 本発明の実施例２に係る装置診断装置における評価システムの構成を示すブロック図である。 本発明の実施例２に係る装置診断装置における学習フェーズにおける処理フローを示すフローチャートである。 本発明の実施例２に係る装置診断装置における評価フェーズにおける処理フローを示すフローチャートである。 本発明の実施例２に係る装置診断装置における特徴量生成部と特徴量追加部における処理フローを示すフローチャートである。 本発明の実施例３に係る装置診断装置の基本構成を示すブロック図である。 本発明の実施例３に係る装置診断装置における学習システムの構成を示すブロック図である。 本発明の実施例３に係る装置診断装置における額数システムにおいて正常モデルを作成する工程のフローチャートである。 本発明の実施例３に係る装置診断装置における評価フェーズにおける処理フローを示すフローチャートである。 本発明の実施例３に係る装置診断装置におけるマスク時間作成部においてマスク時間を算出する処理の流れを示すフローチャートである。 本発明の実施例４に係る装置診断装置における処理フローを示すフローチャートである。
　本件発明は、装置の状態をモニタリングするセンサ群から取得した第一の時系列データを基に装置の異常を検知する装置診断装置であって、第一の時系列データの立上り時間または立下り時間の情報から第一の時系列データに対するマスク時間を算出するマスク時間作成部と、マスク時間における第一の時系列データを事前定義された値に変更して第二の時系列データとして出力するマスク処理部と、装置が正常な場合の第二の時系列データと装置が正常か異常か不明な評価対象となる第二の時系列データとの差が大きい部分を異常値として出力する異常値算出部とを備えた装置診断装置及びこの装置診断装置を備えた半導体製造システムに関するものである。
　また、本件発明は、装置診断装置に時系列データの立上り時間または立下り時間の情報から時系列データの一部にマスキングするマスク時間を算出するマスク時間作成部を備え、マスク時間における時系列データの情報とマスクしていない時間帯に得られる装置の情報との何れかまたは両方を用いて装置診断を行うようにしたものである。
　以下に、本発明の実施の形態を図面に基づいて詳細に説明する。本実施の形態を説明するための全図において同一機能を有するものは同一の符号を付すようにし、その繰り返しの説明は原則として省略する。
　ただし、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。
　図1に、本発明の実施例1に係る装置診断装置７００と検知対象(装置)９００，センサ群８００との関係を示す。
　本実施例に係る装置診断装置７００は、半導体製造装置などの検知対象(装置)９００に装着したセンサ１：８０１(例えば、電圧センサ)、センサ２：８０２(例えば圧力センサ)・・・などの複数のセンサで構成されるセンサ群８００から得られる信号を処理して、半導体製造装置などの検知対象(装置)９００の状態を診断する。
　装置診断装置７００は、センサ群８００から出力された信号を受け取る接続インタフェース６００、接続インタフェース６００を介して入力されたセンサ群８００から出力された信号を処理するデータ処理部３００、データ処理部３００で処理されたデータを記憶する記憶装置４００，データ処理部３００や記憶装置４００、接続インタフェース６００におけるデータの処理を制御するプロセッサ５００を備えている。
　データ処理部３００は、マスク時間作成部１０１，マスク処理部１０２，標準化モデル作成部１０３，標準化処理部１０４，モデル学習部１０５，異常値算出部１０６を備えている。
　記憶装置４００は、データ処理部３００の標準化モデル作成部１０３で作成した標準化モデルを記憶する標準化モデル記憶部４０１と、モデル学習部１０５で作成した正常モデルを記憶する正常モデル記憶部４０２，マスク時間作成部１０１で作成したマスクを開始する時刻とマスクしている時間を記憶するマスク時間記憶部４０３を備えている。
　図２には、図1で説明したと検知対象(装置)９００に対応する検知対象(装置)９００―１、９００－２，９００－３と，センサ群８００に対応するとセンサ群８００―１，８００－２，８００－３と、装置診断装置７００に対応する装置診断装置７００―１，７００－２，７００－３とを、通信回線９５０を介してサーバ９６０と接続した構成を示す。
　半導体製造装置などの検知対象(装置)９００―１に装着したセンサ群８００―１から得られた検出信号が装置診断装置７００―１で処理されて検知対象(装置)９００―１の装置状態が診断され、その結果が通信回線９５０を介してサーバ９６０に送られて保管される。検知対象(装置)９００―２，９００－３に装着したセンサ群８００―２，８００－３からデータについても同様に装置診断装置７００―２，７００－３で処理され、通信回線９５０を介してサーバ９６０に送られて保管される。
　なお、図２に示した構成に替えて、装置診断装置７００に対応する装置診断装置７００―１，７００－２，７００－３を、通信回線９５０とサーバ９６０との間に配置するような構成にしてもよい。
　図３には、本実施例に係る装置診断装置７００を機能ごとに分けたシステムの構成を示すブロック図を示す。図１のデータ処理部３００に備えられた各部は、処理するデータに応じて学習システム１００と評価システム２００を構成する。
　学習システム１００は、マスク時間作成部１０１、マスク処理部１０２、標準化モデル作成部１０３、標準化処理部１０４、モデル学習部１０５で構成され、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００が正常に動作しているときの時系列データを入力する。
　マスク時間作成部１０１では、入力した時系列データに一部にマスキングするためのマスク時間を設定し、マスク時間記憶部４０３に記憶する。
　マスク処理部１０２では、マスク時間記憶部４０３に記憶されたマスキングデータに基づいて、入力した正常なデータ３１０に対して、マスキングしたデータを作成する。
　標準化モデル作成部１０３では、マスク処理部１０２でマスキング処理されたデータから標準化モデルを作成して、標準化モデル記憶部４０１に記憶する。
　標準化処理部１０４では、標準化モデル記憶部４０１に記憶された標準化モデルを用いて、マスク処理部１０２でマスキング処理された正常時の時系列データを例えば、平均が０，分散が１となるように標準化処理する。
　モデル学習部１０５では、標準化処理部１０４で作成した複数の標準化したデータを学習して正常モデルを作成し、正常モデル記憶部４０２に記憶する。
　次に、評価システム２００は、マスク処理部１０２，標準化処理部１０４，異常値算出部１０６で構成され、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００の評価対象時間において動作しているときの時系列データを入力する。
　マスク処理部１０２では、入力された評価対象の時系列データに対してマスク時間記憶部４０３に記憶されているマスク時刻とマスク時間のデータを用いてマスク処理を行う。
　標準化処理部１０４では、マスク処理された時系列データを、標準化モデル記憶部４０１に記憶された標準化モデルを用いて、例えば平均が0、分散が1となるように標準化処理を行う。
　異常値算出部１０６では、標準化したデータと正常モデル記憶部４０２に記憶された正常モデルとを比較して異常値を算出し、検出した異常値を装置診断装置７００の図示していない出力部、及び／または、サーバ９６０に出力する。
　次に、学習システム１００において正常モデルを作成する工程について、図４を用いて説明する。
　まず、マスク時間作成部１０１において、図５Ａに示すような入力した正常なデータ５１０における信号の立上り５１１、立下り５１２の期間のデータを図５Ｂに示すように時間５２０および５３０でマスキングするためのマスク時間を計算し、マスク時間記憶部４０３に記憶する（Ｓ４１１）。
　次に、マスク処理部１０２において、マスク時間作成部１０１で作成されてマスク時間記憶部４０３に記憶されたマスキングデータに基づいて、入力した正常なデータ５１０に対して、信号の立上り５１１、立下り５１２の所定の期間のデータを時間５２０と時間５３０でマスキングしたデータを作成する（Ｓ４１２）。
　次に、標準化モデル作成部１０３において、マスク処理部１０２でマスキング処理された正常時の時系列データに対して、マスキングされた期間における信号のレベルを、例えばゼロレベルに設定した図５Ｃに示すような標準化モデル５４０を作成して、標準化モデル記憶部４０１に記憶する（Ｓ４１３）。
　次に、標準化処理部１０４において、標準化モデル記憶部４０１に記憶された標準化モデル３４０とマスク処理部１０２でマスキング処理された正常時の時系列データとを用いて、例えば、平均が０，分散が１となるように標準化処理を行い、図５Ｄに示すような標準化した信号波形のパターン５５０を作成してモデル学習部１０５に記憶する（Ｓ４１４）。
　次に、モデル学習部１０５において、接続インタフェース６００を介して入力された複数の正常な時系列データから作成した複数の標準化した信号波形のパターン５５０から検知対象(装置)が正常に動作しているときの標準化した信号波形のパターンを学習し、正常モデル記憶部４０２に記憶する（Ｓ４１５）。
　このように、検知対象(装置)が正常に動作しているときの標準化した信号波形のパターンを複数の標準化した信号波形のパターン５５０から学習することにより、各サブシーケンスの開始と終了に対応するモニタリング信号の立上りや立下りを正確に抽出できなかったケースにおいても、モニタリング信号の立上り時間や立下り時間をマスク処理部１０２で確実にマスキング処理することができる。
　次に、評価システム２００において、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００の評価対象時間において動作しているときの時系列データを処理して異常を検出する処理の流れを、図６のフロー図を用いて説明する。
　まず、マスク処理部１０２において、接続インタフェース６００を介してセンサ群８００から入力された評価対象の時系列データに対して、マスク時間記憶部４０３に記憶されているマスク時間のデータを用いてマスク処理を行い、マスク後データ(評価対象)を作成する（Ｓ６０１）。
　次に、標準化処理部１０４において、マスク処理部１０２で作成されたマスク後データ(評価対象)を、標準化モデル記憶部４０１に記憶されている標準化モデルを用いて標準化処理を行い、標準化データを作成する（Ｓ６０２）。
　次に、異常値算出部１０６において、Ｓ６０２において標準化処理部１０４で作成された評価対象の標準化データと正常モデル記憶部４０２に記憶されている正常モデルとを比較して、評価対象の標準化データにおける異常値を算出する（Ｓ６０３）。
　次に、Ｓ６０３で異常値が算出されたかを判定し（Ｓ６０４）、異常値が算出された場合には（Ｓ６０４でＹｅｓ）、異常値に関する情報を装置診断装置７００の図示していない出力部、及び／または、サーバ９６０に出力する（Ｓ６０５）。
　次に、評価対象の時系列データがまだあるかをチェックして（Ｓ６０６）、評価対象の時系列データがない場合（Ｓ６０６でＮｏ）には、一連の処理を終了する。評価対象の時系列データが有る場合（Ｓ６０６でＹｅｓ）には、Ｓ６０１に戻って、一連の処理を続ける。
　一方、異常値が算出されなかった場合には（Ｓ６０４でＮｏ）、評価対象の時系列データがまだあるかをチェックして（Ｓ６０６）、評価対象の時系列データがない場合（Ｓ６０６でＮｏ）には一連の処理を終了し、評価対象の時系列データが有る場合（Ｓ６０６でＹｅｓ）には、Ｓ６０１に戻って、一連の処理を続ける。
　次に、図４のＳ４１１で説明したマスク時間作成部１０１においてマスク時刻を算出する方法について、図７を用いて説明する。
　まず、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００が正常に動作しているときの時系列データをマスク時間作成部１０１に入力して、時系列データ(正常)をサンプリングする時間間隔において隣接するデータの値の差分Ｙ（ｔ,ｎ）を算出する（Ｓ７０１）。ここで、ｔは時刻、ｎは複数の時系列データの識別子である。
　例えば、図８に示したような時系列データが入力された場合、信号の立上り部分８１１に対応する時刻ｔ1とｔ2との間及び信号の立下り部分８１２に対応する時刻ｔ３とｔ４の間では時系列データが徐々に変化しているので隣接するデータの値の差分Ｙ（ｔ,ｎ）は、ゼロよりも大きいある有限の値となる。一方、時刻ｔ２とｔ３の間における信号８１０はほぼ一定であるので、隣接する時系列データの値の差分Ｙ（ｔ,ｎ）はゼロまたはゼロに近い値となる。
　次に、複数の時系列データを用いて差分Ｙ（ｔ,ｎ）の閾値を計算する（Ｓ７０２）。例えば、複数の差分Ｙ（ｔ，ｎ）の標準偏差σをＮ倍した値を閾値として定義する。ここで、閾値としては、図８に示したような時系列データにおいて、時刻ｔ２とｔ３の間における信号８１０における隣接する時系列データの値の差分Ｙ（ｔ,ｎ）よりも大きく、時刻ｔ1とｔ2との間及び時刻ｔ３とｔ４の間における時系列データの値の差分Ｙ（ｔ,ｎ）よりも小さくなるような値に設定する。
　次に、Ｓ７０１で算出した差分Ｙ（ｔ,ｎ）が、Ｓ７０２で設定した閾値以上になる時間Ｔ（ｍ,ｎ）をリストアップする（Ｓ７０３）。図９に、その一例を示す。
　図９の表９１０は、図８の信号パターンに対応するもので、時系列データ(正常)の識別番号９１１は上記に説明したＹ（ｔ,ｎ）のｎに相当し、マスク開始時間９１２は図８のセンサ値の時系列データにおけるｔ１又はｔ３の時刻に相当し、マスク終了時間９１３は図８のセンサ値の時系列データにおけるｔ２又はｔ４の時刻に相当する。
　次に、Ｓ７０３でリストアップした閾値以上になる時間Ｔ（ｍ,ｎ）を包含した時間帯（マスク開始時間Ｔｓ（ｍ,ｎ）、マスク終了時間Ｔｅ（ｍ,ｎ））を計算する（Ｓ７０４）。このように、マスク開始時間Ｔｓ（ｍ,ｎ）とマスク終了時間Ｔｅ（ｍ,ｎ）とを、Ｓ７０３でリストアップした閾値以上になる時間Ｔ（ｍ,ｎ）を包含するように設定することにより、時系列データ(評価対象)が多少ばらついても信号の立上りと立下りの時間帯を確実にマスキングすることが可能になり、装置状態のモニタリングの信頼性を高めることができる。
　図１０に、一例として、図８の信号パターンに対して図９の表９１０に示したマスク開始時間９１２とマスク終了時間９１３のデータを用いてマスキングしたときのセンサ値の波形パターン８２０を示す。図８の信号パターンに対して時刻ｔ1とｔ2の間、および時刻ｔ3とｔ4の間がマスクされてこの間の信号レベルがゼロになり、急峻な立上りと立下りを有する波形パターン８２０が形成される。
　最後に、Ｓ７０４で計算して求めたマスク開始時間Ｔｓ（ｍ,ｎ）とマスク終了時間Ｔｅ（ｍ,ｎ）に関する情報をマスク時間作成部１０１からマスク時間記憶部４０３に送ってＳ４０１のマスク時刻を計算するステップを終了する。
　なお、ここで、Ｓ７０４で計算して求めたマスク開始時間Ｔｓ（ｍ,ｎ）が別の時系列データのマスク終了時刻Ｔｅ（ｍ’,ｎ’）よりも早い時刻であった場合は、両者をマージしてマスク開始時間Ｔｓ（ｍ’,ｎ’）とマスク終了時刻Ｔｅ（ｍ,ｎ）を設定する。
　本実施例によれば、信号の立上りの時間帯と立下りに時間帯における信号データをマスキングすることにより検知対象信号の立上り時刻に起因した著しい異常値を消すことができ、半導体製造装置の異常検出を誤検出を少なくして安定して実行することが可能になった。
　また、本実施例によれば、各サブシーケンスの開始と終了に対応するモニタリング信号の立上りや立下りを正確に抽出できなかったケースにおいても装置状態の異常を検知可能になった。
　更に、本実施例によれば、マスク時間作成部でマスク時間を設定できるので、人手でマスク時間を定義する煩雑さをなくすことができるようになった。
　実施例1においては、センサ群８００から得られるセンサ信号の時系列データについて、信号の立上り部分と立下り部分とをマスキングして、定常状態におけるセンサ信号に基づいて装置状態を診断する方法及びその構成について説明したが、本実施例では、マスキングした部分における信号の特徴量も用いて装置状態を診断する方法及びその構成について説明する。なお、実施例1と同じ構成については同じ番号を付して、その説明を省略する。
　図１１は、本実施例に係る装置診断装置１７００と検知対象(装置)９００，センサ群８００との関係を示す。装置診断装置１７００は、実施例1で説明した装置診断装置７００に対して、データ処理部１３００に特徴量生成部１０７と特徴量追加部１０８とを追加した点と、記憶装置１４００の正常モデル記憶部１４０２に記憶する正常モデルと、データ処理部1300を制御するプロセッサ１５００が異なる。そのほかの構成については実施例1で説明したものと同じである。
　図１２には、本実施例に係る装置診断装置１７００を機能ごとに分けたシステムの構成のうち、学習システム１１００の構成を示している。
　図１２に示した本実施例に係る学習システム１１００は、マスク時間作成部１０１、特徴量生成部１０７，マスク処理部１０２、標準化モデル作成部１０３、標準化処理部１０４、特徴量追加部１０８，モデル学習部１０５で構成され、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００が正常に動作しているときの時系列データを入力する。
　マスク時間作成部１０１では、入力した時系列データに一部にマスキングするためのマスク時間を設定し、マスク時間記憶部４０３に記憶する。
　特徴量生成部１０７では、マスク時間記憶部４０３に記憶されたマスク時間における時系列データ(正常)の特徴量を生成する。
　マスク処理部１０２と、標準化モデル作成部１０３、標準化処理部１０４の動作は、実施例1で説明したものと同じである。
　特徴量追加部１０８は、標準化処理部１０４で生成した標準化データ(正常)に特徴量生成部１０７で生成した特徴量の情報を追加する。
　モデル学習部１０５では、特徴量追加部１０８から出力された特徴量に関する情報が追加された複数の標準化したデータを学習して正常モデル記憶部１４０２に記憶する。
　図１３には、本実施例に係る装置診断装置１７００を機能ごとに分けたシステムの構成のうち、評価システム１２００の構成を示している。
　図１３に示した本実施例に係る評価システム１２００は、特徴量生成部１０７，マスク処理部１０２，標準化処理部１０４，特徴量追加部１０８，異常値算出部１０６で構成され、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００の評価対象時間において動作しているときの時系列データを入力する。
　特徴量生成部１０７では、マスク時間記憶部４０３に記憶されたマスク時間における時系列データ(評価対象)の特徴量を生成する。
　マスク処理部１０２と標準化処理部１０４との動作は、実施例1で説明したものと同じである。
　特徴量追加部１０８は、標準化処理部１０４で生成した標準化データ(正常)に特徴量生成部１０７で生成した特徴量の情報を追加する。
　異常値算出部１０６では、特徴量追加部１０８から出力された特徴量に関する情報が追加された複数の標準化したデータと正常モデル記憶部１４０２に記憶された正常モデルとを比較して異常値を算出し、検出した異常値を装置診断装置１７００の図示していない出力部、及び／または、サーバ９６０に出力する。
　次に、学習システム１１００において正常モデルを作成する工程について、図１４を用いて説明する。
　図１４に示したフロー図においてＳ１４０１は、実施例1において図４を用いて説明したフロー図のＳ４１１と同じである。
　Ｓ１４０２において、特徴量生成部１０７は、マスク時間記憶部４０３に記憶した、マスク時間における標準化データ(正常)の特徴量を生成する。
　次に、Ｓ１４０３～Ｓ１４０５までは、実施例1において図４を用いて説明したフロー図のＳ４１２～Ｓ４４１４までと同じである。
　Ｓ１４０６において、特徴量追加部１０８は、標準化処理部１０４で作成した標準化データ(正常)に、特徴量生成部１０７で生成したマスク時間における標準化データ(正常)の特徴量を追加する。
　次に、Ｓ１４０７で、モデル学習部１０５において、Ｓ１４０６で標準化処理部１０４で作成した標準化データ(正常)に、特徴量生成部１０７で生成したマスク時間における標準化データ(正常)の特徴量を追加したデータを複数用いて学習して正常モデルを作成し、正常モデル記憶部１４０２に記憶する（Ｓ４１５）。
　図１５には、図１４で説明したフロー図のＳ１４０２において、特徴量生成部１０７で特徴量を生成するステップの詳細な処理の流れを説明する。
　まず、図１４の処理フローにおけるＳ１４０１で求めたマスク時間内における隣接する受系列データ間の差分ｄｔ（ｎ）を順次算出する（Ｓ１５０１）。
　次に、算出した複数の差分ｄｔ（ｎ）について平均μと標準偏差σを算出する（Ｓ１５０２）。
　次に、Ｓ１５０２で求めた平均μと標準偏差σとをもちいてＳ１５０１で求めた差分ｄｔ（ｎ）を標準化し、この標準化した値を特徴量として出力する（Ｓ１５０３）。
　この出力した特徴量を、図１４のＳ１４０６において、Ｓ１４０５で標準化したデータに追加する。
　次に、評価システム２００において、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００の評価対象時間において動作しているときの時系列データを処理して異常を検出する処理の流れを、図１６のフロー図を用いて説明する。
　まず、実施例1において図６のフロー図で説明したＳ６０１と同様に、マスク処理部１０２において、接続インタフェース６００を介してセンサ群８００から入力された評価対象の時系列データに対して、マスク時間記憶部４０３に記憶されているマスク時刻とマスク時間のデータを用いてマスク処理を行い、評価対象のマスク後データを作成する（Ｓ１６０１）。
　次に、実施例1において図６のフロー図で説明したＳ６０２と同様に、標準化処理部１０４において、マスク処理部１０２で作成された評価対象のマスク後データを、標準化モデル記憶部４０１に記憶されている標準化モデルを用いて照準化処理を行い、評価対象の時系列データに対応する標準化データを作成する（Ｓ１６０２）。
　次に、特徴量生成部１０７において、マスク時間における評価対象の時系列データの特徴量を生成し(Ｓ１６０３)、特徴量追加部１０８において、Ｓ１６０２で作成した標準化データにこの生成した特徴量を追加する（Ｓ１６０４）。
　次に、異常値算出部１０６において、Ｓ１６０４において特徴量が追加された評価対象の標準化データとS１４０７において作成された特徴量が追加されて正常モデル記憶部４０２に記憶されている正常モデルとを比較して、評価対象の標準化データにおける異常値を算出する（Ｓ１６０５）。
　次に、Ｓ１６０５で異常値が算出されたかを判定し（Ｓ１６０６）、異常値が算出された場合には（Ｓ１６０６でＹｅｓ）、異常値に関する情報を装置診断装置７００の図示していない出力部、及び／または、サーバ９６０に出力する（Ｓ１６０７）。
　次に、評価対象の時系列データがまだあるかをチェックして（Ｓ１６０８）、評価対象の時系列データがない場合（Ｓ１６０８でＮｏ）には、一連の処理を終了する。評価対象の時系列データが有る場合（Ｓ１６０８でＹｅｓ）には、Ｓ１６０１に戻って、一連の処理を続ける。
　一方、異常値が算出されなかった場合には（Ｓ１６０６でＮｏ）、評価対象の時系列データがまだあるかをチェックして（Ｓ１６０８）、評価対象の時系列データがない場合（Ｓ１６０８でＮｏ）には一連の処理を終了し、評価対象の時系列データが有る場合（Ｓ１６０８でＹｅｓ）には、Ｓ１６０１に戻って、一連の処理を続ける。
　本実施例によれば、実施例1で説明したような効果が得られるとともに、更に、センサ出力信号の定常状態の情報に加えて、信号の立上り、立下り部分の情報も使うので、装置状態又は装置を構成する機構部の状態の異常をより多くの情報を用いて監視することで、半導体製造装置の異常を見逃すことなく、感度良く安定して検出することが可能になった。
　実施例２においては、評価対象の時系列データについて、マスキングする信号の立上り・立下り部分と、定常状態における信号のデータを用いて装置状態の異常を把握する方法について説明したが、本実施例では、評価対象の時系列データについて、定常状態における信号のデータを用いずに、信号の立上り・立下り部分における信号のデータを用いて装置状態の異常を把握する方法について説明する。
　図1７に、本発明の実施例３に係る装置診断装置２７００と検知対象(装置)９００，センサ群８００との関係を示す。
　本実施例に係る装置診断装置２７００は、実施例1において図1を用いて説明した装置診断装置７００の構成と類似しており、半導体製造装置などの検知対象(装置)９００に装着したセンサ１：８０１(例えば、電圧センサ)、センサ２：８０２(例えば圧力センサ)・・・などの複数のセンサで構成されるセンサ群８００から得られる信号を処理して、半導体製造装置などの検知対象(装置)９００の状態を診断する。
　本実施例に係る装置診断装置２７００は、センサ群８００から出力された信号を受け取る接続インタフェース６００、接続インタフェース６００を介して入力されたセンサ群８００から出力された信号を処理するデータ処理部２３００、データ処理部２３００で処理されたデータを記憶する記憶装置２４００，データ処理部２３００や記憶装置２４００、接続インタフェース６００におけるデータの処理を制御するプロセッサ２５００を備えている。
　データ処理部２３００は、マスク時間作成部１７０１，マスク処理部１７０２，標準化モデル作成部１７０３，標準化処理部１７０４，モデル学習部１７０５，異常値算出部１７０６を備えている。
　記憶装置２４００は、データ処理部２３００の標準化モデル作成部１７０３で作成した標準化モデルを記憶する標準化モデル記憶部２４０１と、モデル学習部１７０５で作成した正常モデルを記憶する正常モデル記憶部２４０２，マスク時間作成部１７０１で作成したマスク時間を記憶するマスク時間記憶部２４０３を備えている。
　図１８には、本実施例に係る装置診断装置２７００を機能ごとに分けたシステムの構成を示すブロック図を示す。図１７のデータ処理部２３００に備えられた各部は、処理するデータに応じて学習システム２１００と評価システム２２００を構成する。
　学習システム２１００は、マスク時間作成部１７０１、マスク処理部１７０２、標準化モデル作成部１７０３、標準化処理部１７０４、モデル学習部１７０５で構成され、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００が正常に動作しているときの時系列データを入力する。
　マスク時間作成部１７０１では、入力した時系列データに一部にマスキングするためのマスク時間を設定し、マスク時間記憶部２４０３に記憶する。ここで、マスキングするデータは、実施例1の場合と異なり、センサ群８００から得られる信号から立上り・立下りの部分を除いた定常状態の信号である。
　マスク処理部１７０２では、マスク時間記憶部２４０３に記憶されたマスキングデータに基づいて、入力した正常な時系列データデータに対してマスキングしたデータ、すなわち、センサ群８００から得られる信号の立上り・立下りの部分の時系列データデータを作成する。
　標準化モデル作成部１７０３では、マスク処理部１７０２でマスキング処理されたデータから標準化モデルを作成して、標準化モデル記憶部２４０１に記憶する。例えば、センサ群８００から得られる信号の立上り・立下りの部分をある時間間隔でサンプリングする場合において、この隣接するサンプリング時間のデータ間の差分値を求め、この差分値を標準化した標準化モデルが作成されて標準化モデル記憶部２４０１に記憶される。
　標準化処理部１７０４では、標準化モデル記憶部２４０１に記憶された標準化モデルを用いて、マスク処理部１７０２でマスキング処理された正常時の時系列データを例えば、平均が０，分散が１となるように標準化処理する。
　モデル学習部１７０５では、標準化処理部１７０４で作成した複数の標準化したデータを学習して正常モデル記憶部２４０２に記憶する。
　次に、評価システム２２００は、マスク処理部１７０２，標準化処理部１７０４，異常値算出部１７０６で構成され、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００の評価対象時間において動作しているときの時系列データを入力する。
　マスク処理部１７０２では、入力された評価対象の時系列データに対して、マスク時間記憶部２４０３に記憶されているマスク時間のデータを用いてマスク処理を行う。
　標準化処理部１７０４では、マスク処理された時系列データを、標準化モデル記憶部２４０１に記憶された標準化モデルを用いて、例えば平均が0、分散が1となるように標準化処理を行う。
　異常値算出部１７０６では、標準化処理部１７０４で標準化したデータと正常モデル記憶部４０２に記憶された正常モデルとを比較して異常値を算出し、検出した異常値を装置診断装置２７００の図示していない出力部、及び／または、サーバ９６０に出力する。
　次に、学習システム２１００において正常モデルを作成する工程について、図１９用いて説明する。
　まず、マスク時間作成部１７０１において、正常なデータにおける信号の立上り、立下りの期間のデータを除いた定常状態における信号をマスキングするためのマスク時間を計算し、マスク時間記憶部２４０３に記憶する（Ｓ１９０１）。
　次に、マスク処理部１７０２において、マスク時間作成部１７０１で作成されてマスク時間記憶部２４０３に記憶されたマスキングデータに基づいて、入力した正常なデータに対して、信号の立上りと立下りの部分に挟まれた定常状態における信号をマスキングしたデータを作成する（Ｓ１９０２）。
　次に、標準化モデル作成部１７０３において、マスク処理部１７０２でマスキング処理された正常時の時系列データに対して、マスキングされた期間における信号のレベルを、例えばゼロレベルに設定した標準化モデルを作成して、標準化モデル記憶部２４０１に記憶する（Ｓ１９０３）。
　次に、標準化処理部１７０４において、標準化モデル記憶部２４０１に記憶された標準化モデル３４０とマスク処理部１０２でマスキング処理された正常時の時系列データとを用いて、例えば、平均が０，分散が１となるように標準化処理を行い、標準化した信号波形のパターンを作成してモデル学習部１７０５に記憶する（Ｓ１９０４）。
　次に、モデル学習部１７０５において、接続インタフェース６００を介して入力された複数の正常な時系列データから作成した複数の標準化した信号波形のパターンから検知対象(装置)が正常に動作しているときの標準化した信号波形のパターンを学習し、正常モデル記憶部２４０２に記憶する（Ｓ１９０５）。
　次に、評価システム２２００において、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００の評価対象時間において動作しているときの時系列データを処理して異常を検出する処理の流れを、図２０のフロー図を用いて説明する。
　まず、マスク処理部１７０２において、接続インタフェース６００を介してセンサ群８００から入力された評価対象の時系列データに対して、マスク時間記憶部２４０３に記憶されているマスク時間のデータを用いてマスク処理を行い、マスク後データ(評価対象)を作成する（Ｓ２００１）。
　次に、標準化処理部１７０４において、マスク処理部１７０２で作成されたマスク後データ(評価対象)を、標準化モデル記憶部２４０１に記憶されている標準化モデルを用いて照準化処理を行い、標準化データを作成する（Ｓ２００２）。
　次に、異常値算出部１７０６において、Ｓ２００２において標準化処理部１７０４で作成された評価対象の標準化データと正常モデル記憶部２４０２に記憶されている正常モデルとを比較して、評価対象の標準化データにおける異常値を算出する（Ｓ２００３）。
　次に、Ｓ２００３で異常値が算出されたかを判定し（Ｓ２００４）、異常値が算出された場合には（Ｓ２００４でＹｅｓ）、異常値に関する情報を装置診断装置２７００の図示していない出力部、及び／または、サーバ９６０(図２参照)に出力する（Ｓ２００５）。
　次に、評価対象の時系列データがまだあるかをチェックして（Ｓ２００６）、評価対象の時系列データがない場合（Ｓ２００６でＮｏ）には、一連の処理を終了する。評価対象の時系列データが有る場合（Ｓ２００６でＹｅｓ）には、Ｓ２００１に戻って、一連の処理を続ける。
　一方、異常値が算出されなかった場合には（Ｓ２００４でＮｏ）、評価対象の時系列データがまだあるかをチェックして（Ｓ２００６）、評価対象の時系列データがない場合（Ｓ２００６でＮｏ）には一連の処理を終了し、評価対象の時系列データが有る場合（Ｓ２００６でＹｅｓ）には、Ｓ２００１に戻って、一連の処理を続ける。
　次に、図１９のＳ１９０１で説明したマスク時間作成部１７０１においてマスク時刻を算出する方法について、図２１を用いて説明する。
　まず、接続インタフェース６００を介してセンサ群８００から入力された検知対象(装置)９００が正常に動作しているときの時系列データをマスク時間作成部１７０１に入力して、時系列データ(正常)を所定の時間間隔でサンプリングして、この所定の時間間隔でサンプリングした隣接するデータ間の差分Ｙ（ｔ,ｎ）を算出する（Ｓ２１０１）。ここで、ｔは時刻、ｎは複数の時系列データの識別子である。
　例えば、実施例1で説明した図８に示したような時系列データが入力された場合、信号の立上り部分８１１に対応する時刻ｔ1とｔ2との間及び信号の立下り部分８１２に対応する時刻ｔ３とｔ４の間では時系列データが徐々に変化しているので隣接するデータの値の差分Ｙ（ｔ,ｎ）は、ゼロよりも大きいある有限の値となる。一方、時刻ｔ２とｔ３の間における信号８１０はほぼ一定であるので、隣接する時系列データの値の差分Ｙ（ｔ,ｎ）はゼロまたはゼロに近い値となる。
　次に、複数の時系列データを用いて差分Ｙ（ｔ,ｎ）の閾値を計算する（Ｓ２１０２）。例えば、複数の差分Ｙ（ｔ，ｎ）の標準偏差σをＮ倍した値を閾値として定義する。ここで、閾値としては、図８に示したような時系列データにおいて、時刻ｔ２とｔ３の間における信号８１０における隣接する時系列データの値の差分Ｙ（ｔ,ｎ）よりも大きく、時刻ｔ1とｔ2との間及び時刻ｔ３とｔ４の間における時系列データの値の差分Ｙ（ｔ,ｎ）よりも小さくなるような値に設定する。
　次に、Ｓ２１０１で算出した差分Ｙ（ｔ,ｎ）が、Ｓ２１０２で設定した閾値以下になる時間Ｔ（ｍ,ｎ）をリストアップする（Ｓ２１０３）。
　実施例1においては、図９の表９１０に示したように、マスク開始時間９１２を図８のセンサ値の時系列データにおけるｔ１又はｔ３の時刻に相当し、マスク終了時間９１３を図８のセンサ値の時系列データにおけるｔ２又はｔ４の時刻に設定したが、本実施例では、マスク開始時間をセンサ値の時系列データが立上って定常状態になる図８のｔ2とし、マスク終了時間をセンサ値の時系列データが定常状態から立下り始める図８のｔ３に設定する。
　次に、Ｓ２１０３でリストアップした閾値以下になる時間Ｔ（ｍ,ｎ）を包含した時間帯（マスク開始時間Ｔｓ（ｍ,ｎ）、マスク終了時間Ｔｅ（ｍ,ｎ））を計算する（Ｓ２１０４）。このように、マスク開始時間Ｔｓ（ｍ,ｎ）とマスク終了時間Ｔｅ（ｍ,ｎ）とを、Ｓ２１０３でリストアップした閾値以下になる時間Ｔ（ｍ,ｎ）を包含するように設定することにより、時系列データ(評価対象)が多少ばらついても信号が定常状態となる時間帯を確実にマスキングすることが可能になり、信号に立上り部分と立下り部分の情報から装置状態のモニタリングの信頼性を高めることができる。
　最後に、Ｓ２１０４で計算して求めたマスク開始時間Ｔｓ（ｍ,ｎ）とマスク終了時間Ｔｅ（ｍ,ｎ）に関する情報をマスク時間作成部１７０１からマスク時間記憶部２４０３に送ってＳ１９０１のマスク時間を計算するステップを終了する。
　本実施例によれば、装置状態の異常を把握する場合にセンサ出力信号の立上り、立下り部分に反映される情報を用いて装置状態を監視できるので、各サブシーケンスの開始と終了に対応するモニタリング信号の立上りや立下りを正確に抽出できなかったケースにおいても、装置状態又は装置を構成する機構部の異常がセンサ出力信号の立上り、立下り部分に現れるような場合に、半導体製造装置の異常を見逃すことなく安定して検出することが可能になった。
　本発明の第４の実施例を、図２２を用いて説明する。
　本実施例は、上記に説明した実施例１乃至３を組み合わせたもので、監視対象の装置の特性、又は、監視対象のセンサで検出する信号の特性に応じて、装置状態監視方法を使い分ける方法である。
　即ち、本実施例では、センサからの信号の定常状態のデータに監視対象の装置の異常状態が反映されやすい場合と、信号の定常状態に加えて信号の立上り・立下りのデータにも監視対象の装置の異常状態が反映されやすい場合と、信号の立上り・立下りのデータに監視対象の装置の異常状態が反映されやすい場合とに分けて、装置状態監視方法を上記した実施例1乃至３で説明した方法を使い分ける。
　すなわち、本実施例では、センサからの信号の定常状態のデータに監視対象の装置の異常状態が反映されやすい場合には、センサからの信号の立上り部分と立下り部分をマスキングしてセンサからの信号の定常状態のデータだけを用いて監視対象の装置の異常を検出する。また、信号の定常状態に加えて信号の立上り・立下りのデータにも監視対象の装置の異常状態が反映されやすい場合には、センサからの信号の立上り部分と立下り部分をマスキング領域として設定し、このマスキング領域におけるセンサからの信号の立上り部分と立下り部分の信号特徴量と、センサからの信号の定常状態のデータとを用いて監視対象の装置の異常を検出する。さらに、信号の立上り・立下りのデータに監視対象の装置の異常状態が反映されやすい場合には、信号の定常状態の領域をマスキングして、信号の立上り・立下りのデータを用いて監視対象の装置の異常を検出する。
　これは、検知対象(装置)９００全体としてでもよく、又は、検知対象(装置)９００を構成する各機構部に取り付けたセンサ群８００を構成する個々のセンサからの出力信号ごとに実施例1乃至３で説明した方法を使い分けるようにしてもよい。
　先ず、センサ群８００から入力された検知対象(装置)９００が動作しているときのセンサ値(信号)の時系列データについて、信号の立上り・立下り部分をマスクするか否かを判定する（Ｓ２２０１）。
　信号の立上り・立下り部分をマスクする場合には（Ｓ２２０１でＹｅｓ）、Ｓ２２０２に進んで、マスク時の信号の特徴量を用いるか否かを判定する。マスク時の信号の特徴量を用いない場合には、Ｓ２２０３に進んで、実施例1で説明した手順により装置状態の異常を検出する。一方、マスク時の信号の特徴量を用いる場合には、Ｓ２２０４に進んで、実施例２で説明した手順により装置状態の異常を検出する。
　Ｓ２２０１で信号の立上り・立下り部分をマスクしないと判定した場合には（Ｓ２２０１でＮｏ）、Ｓ２２０５に進んで定常状態の信号をマスクして、Ｓ２２０６に進んで実施例３で説明した手順により装置状態の異常を検出する。
　本実施例によれば、検査対象とする装置又は装置を構成する機構部に対応する検査対象センサ出力信号の特性に応じて診断方法を選択することができ、検査対象とする装置又は装置を構成する機構部に有った信号を用いて感度良く装置状態を診断することで、実施例1乃至3で説明したそれぞれの効果を得ることができる。
　以上、本発明者によってなされた発明を実施例に基づき具体的に説明したが、本発明は前記実施例に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　１００，１１００，２１００…学習システム、１０１，１７０１…マスク時間作成部、１０２，１７０２…マスク処理部、１０３，１７０３…標準化モデル作成部、１０４，１７０４…標準化処理部、１０５，１７０５…モデル学習部、１０６，１７０６…異常値算出部、２００，１２００，２２００…評価システム、３００，１３００，２３００…データ処理部、４００…記憶装置、４０１，２４０１…標準化モデル記憶部、４０２，２４０２…正常モデル記憶部、４０３，２４０３…マスク時間記憶部、５００，２５００…プロセッサ、６００…接続インタフェース、７００，１７００，２７００…装置診断装置、８００…センサ群、９００…検知対象(装置)

Claims (15)

  1. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態が診断される診断装置において、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間が求められ、
    　前記求められたマスク時間の前記第一の時系列データが所定値に変換されるとともに前記変換された第一の時系列データが第二の時系列データとして出力され、
    　前記第二の時系列データを基に前記半導体製造装置の状態が診断されることを特徴とする診断装置。
  2. 　請求項１に記載の診断装置において、
    　前記マスク時間は、隣接するサンプリング時刻における前記第一の時系列データの差分が前記差分の標準偏差より大きくなる時刻であることを特徴とする診断装置。
  3. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態が診断される診断装置において、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間が求められ、
    　前記求められたマスク時間の前記第一の時系列データが所定値に変換されるとともに前記マスク時間の特徴量が求められ、
    　前記変換された第一の時系列データが第二の時系列データとして出力され、
    　前記求められた特徴量が前記第二の時系列データに追加され、
    　前記特徴量が追加された第二の時系列データを基に前記半導体製造装置の状態が診断されることを特徴とする診断装置。
  4. 　請求項３に記載の診断装置において、
    　前記特徴量は、第一の差分が前記第一の差分の標準偏差より大きくなる時刻と、第二の差分が前記第二の差分の標準偏差より大きくなる時刻との時刻差を基に求められ、
    　前記第一の差分は隣接するサンプリング時刻における前記第一の時系列データの差分であり、
    　前記第二の差分は隣接するサンプリング時刻における基準時系列データの差分であることを特徴とする診断装置。
  5. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態が診断される診断装置において、
    　請求項１に記載された前記第二の時系列データ、請求項３に記載された前記第二の時系列データまたは請求項３に記載された特徴量を基に前記半導体製造装置の状態が診断されることを特徴とする診断装置。
  6. 　半導体製造装置がネットワークを介して接続され請求項１に記載された前記診断装置を備えることを特徴とする半導体製造装置システム。
  7. 　半導体製造装置がネットワークを介して接続され請求項３に記載された前記診断装置を備えることを特徴とする半導体製造装置システム。
  8. 　半導体製造装置がネットワークを介して接続され請求項５に記載された診断装置を備えることを特徴とする半導体製造装置システム。
  9. 　請求項６ないし請求項８のいずれか一項に記載の半導体製造装置システムにおいて、
    　前記診断装置は、パーソナルコンピュータであることを特徴とする半導体製造装置システム。
  10. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態を診断するためのアプリケーションが実装され前記半導体製造装置がネットワークを介して接続されたプラットフォームを備える半導体装置製造システムにおいて、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間が求められるステップと、
    　前記求められたマスク時間の前記第一の時系列データが所定値に変換されるとともに前記変換された第一の時系列データが第二の時系列データとして出力されるステップと、
    　前記第二の時系列データを基に前記半導体製造装置の状態が診断されるステップとが前記アプリケーションにより実行されることを特徴とする半導体装置製造システム。
  11. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態を診断するためのアプリケーションが実装され前記半導体製造装置がネットワークを介して接続されたプラットフォームを備える半導体装置製造システムにおいて、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間が求められるステップと、
    　前記求められたマスク時間の前記第一の時系列データが所定値に変換されるとともに前記マスク時間の特徴量が求められるステップと、
    　前記変換された第一の時系列データが第二の時系列データとして出力されるステップと、
    　前記求められた特徴量が前記第二の時系列データに追加されるステップと、
    　前記特徴量が追加された第二の時系列データを基に前記半導体製造装置の状態が診断されるステップとが前記アプリケーションにより実行されることを特徴とする半導体装置製造システム。
  12. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態を診断するためのアプリケーションが実装され前記半導体製造装置がネットワークを介して接続されたプラットフォームを備える半導体装置製造システムにおいて、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間が求められるステップと、
    　前記求められたマスク時間の前記第一の時系列データが所定値に変換されるとともに前記マスク時間の特徴量が求められるステップと、
    前記特徴量を基に前記半導体製造装置の状態が診断されるステップとが前記アプリケーションにより実行されることを特徴とする半導体装置製造システム。
  13. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態を診断する診断方法において、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間を求めるステップと、
    　前記求められたマスク時間の前記第一の時系列データを所定値に変換するとともに前記変換された第一の時系列データを第二の時系列データとして出力するステップと、
    　前記第二の時系列データを基に前記半導体製造装置の状態を診断するステップとを有することを特徴とする診断方法。
  14. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態を診断する診断方法において、
    　前記第一の時系列データの立ち上がり時刻または前記第一の時系列データの立ち下がり時刻を含むマスク時間を求めるステップと、
    　前記求められたマスク時間の前記第一の時系列データを所定値に変換するとともに前記マスク時間の特徴量を求めるステップと、
    　前記変換された第一の時系列データを第二の時系列データとして出力するステップと、
    　前記求められた特徴量を前記第二の時系列データに追加するステップと、
    　前記特徴量が追加された第二の時系列データを基に前記半導体製造装置の状態を診断するステップとを有することを特徴とする診断方法。
  15. 　半導体製造装置のセンサ群から取得された第一の時系列データを用いて前記半導体製造装置の状態を診断する診断方法において、
    　請求項１３に記載された前記第二の時系列データ、請求項１４に記載された前記第二の時系列データまたは請求項１４に記載された特徴量を基に前記半導体製造装置の状態を診断することを特徴とする診断方法。
PCT/JP2022/007541 2022-02-24 2022-02-24 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム WO2023162077A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
PCT/JP2022/007541 WO2023162077A1 (ja) 2022-02-24 2022-02-24 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム
JP2023500379A JP7358679B1 (ja) 2022-02-24 2022-02-24 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム
CN202280005996.8A CN116941010A (zh) 2022-02-24 2022-02-24 诊断装置以及诊断方法、和半导体制造装置系统以及半导体装置制造系统
KR1020237004877A KR20230129001A (ko) 2022-02-24 2022-02-24 진단 장치 및 진단 방법 및 반도체 제조 장치 시스템 및 반도체 장치 제조 시스템
TW112105404A TW202334772A (zh) 2022-02-24 2023-02-15 診斷裝置及診斷方法以及半導體製造裝置系統及半導體裝置製造系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/007541 WO2023162077A1 (ja) 2022-02-24 2022-02-24 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム

Publications (1)

Publication Number Publication Date
WO2023162077A1 true WO2023162077A1 (ja) 2023-08-31

Family

ID=87764978

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/007541 WO2023162077A1 (ja) 2022-02-24 2022-02-24 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム

Country Status (5)

Country Link
JP (1) JP7358679B1 (ja)
KR (1) KR20230129001A (ja)
CN (1) CN116941010A (ja)
TW (1) TW202334772A (ja)
WO (1) WO2023162077A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2012058890A (ja) * 2010-09-07 2012-03-22 Hitachi Ltd 異常検知方法及びそのシステム
JP2018055552A (ja) * 2016-09-30 2018-04-05 株式会社日立パワーソリューションズ プリプロセッサおよび診断装置
JP2020204832A (ja) * 2019-06-14 2020-12-24 ルネサスエレクトロニクス株式会社 異常検知システム、異常検知装置および異常検知方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004186445A (ja) * 2002-12-03 2004-07-02 Omron Corp モデル化装置及びモデル解析方法並びにプロセス異常検出・分類システム及びプロセス異常検出・分類方法並びにモデル化システム及びモデル化方法並びに故障予知システム及びモデル化装置の更新方法
JP2011243118A (ja) * 2010-05-20 2011-12-01 Hitachi Ltd 監視診断装置および監視診断方法
JP2012058890A (ja) * 2010-09-07 2012-03-22 Hitachi Ltd 異常検知方法及びそのシステム
JP2018055552A (ja) * 2016-09-30 2018-04-05 株式会社日立パワーソリューションズ プリプロセッサおよび診断装置
JP2020204832A (ja) * 2019-06-14 2020-12-24 ルネサスエレクトロニクス株式会社 異常検知システム、異常検知装置および異常検知方法

Also Published As

Publication number Publication date
JPWO2023162077A1 (ja) 2023-08-31
KR20230129001A (ko) 2023-09-05
CN116941010A (zh) 2023-10-24
TW202334772A (zh) 2023-09-01
JP7358679B1 (ja) 2023-10-10

Similar Documents

Publication Publication Date Title
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
KR101554216B1 (ko) 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치
US7100084B2 (en) Method and apparatus for diagnosing difficult to diagnose faults in a complex system
US6970804B2 (en) Automated self-learning diagnostic system
US20170046309A1 (en) Method for providing reliable sensor data
JP2003526859A5 (ja)
KR20070045558A (ko) 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법
CN112416643A (zh) 无监督异常检测方法与装置
US7912669B2 (en) Prognosis of faults in electronic circuits
KR20200005206A (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
CN112416662A (zh) 多时间序列数据异常检测方法与装置
TWI738411B (zh) 裝置診斷裝置、電漿處理裝置及裝置診斷方法
JP7006282B2 (ja) 設備異常診断装置
KR20200010671A (ko) 기계 학습 기반의 설비 이상 진단 시스템 및 방법
WO2023162077A1 (ja) 診断装置及び診断方法並びに半導体製造装置システム及び半導体装置製造システム
US11598738B2 (en) Apparatus and method for detecting defective component using infrared camera
JP3885537B2 (ja) プリント基板故障判定方法、及び、プリント基板故障判定装置
US7548820B2 (en) Detecting a failure condition in a system using three-dimensional telemetric impulsional response surfaces
JP4903396B2 (ja) 印刷エンジン用の統計的品質管理方法およびシステム
KR101811962B1 (ko) 비선형 데이터의 클래스 변별성 평가 방법 및 장치
CN114663825A (zh) 中压开关设备或控制设备监测系统
Depold et al. A unified metric for fault detection and isolation in engines
WO2021220323A1 (ja) 状態判定装置
Hickenbottom Proactive Approaches for Engine Health Management and a High Value Example
CN116457736A (zh) 学习装置、推断装置、诊断系统、模型生成方法及程序

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2023500379

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280005996.8

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22928606

Country of ref document: EP

Kind code of ref document: A1