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 PDFInfo
- 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
Links
- 239000004065 semiconductor Substances 0.000 title claims description 81
- 238000004519 manufacturing process Methods 0.000 title claims description 80
- 238000002405 diagnostic procedure Methods 0.000 title claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 50
- 230000008569 process Effects 0.000 abstract description 31
- 230000000873 masking effect Effects 0.000 abstract description 29
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 239000000284 extract Substances 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 101
- 238000003860 storage Methods 0.000 description 63
- 230000002159 abnormal effect Effects 0.000 description 43
- 238000001514 detection method Methods 0.000 description 34
- 230000000630 rising effect Effects 0.000 description 28
- 238000011156 evaluation Methods 0.000 description 27
- 230000005856 abnormality Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
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
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。
- 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。
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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 |
-
2022
- 2022-02-24 WO PCT/JP2022/007541 patent/WO2023162077A1/ja active Application Filing
- 2022-02-24 CN CN202280005996.8A patent/CN116941010A/zh active Pending
- 2022-02-24 JP JP2023500379A patent/JP7358679B1/ja active Active
- 2022-02-24 KR KR1020237004877A patent/KR20230129001A/ko unknown
-
2023
- 2023-02-15 TW TW112105404A patent/TW202334772A/zh unknown
Patent Citations (5)
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 |