[发明专利]模型生成方法、异常要因推定装置及方法、基板处理装置、学习方法、装置及数据制作方法

说明书

本发明提供一种学习完成的模型生成方法、异常主要原因推定装置、基板处理装置、异常主要原因推定方法、学习方法、学习装置以及学习数据制作方法。学习完成的模型生成方法包括：获取学习数据的步骤；以及通过对学习数据进行机器学习从而生成学习完成的模型的步骤，所述学习完成的模型推定经处理流体处理后的处理对象基板的异常的主要原因。学习数据包含特征量及异常主要原因信息。异常主要原因信息表示经处理流体处理后的学习对象基板的异常的主要原因。特征量包含表示时序数据中的区间数据的时间推移的特征的、第一特征量信息，所述时序数据表示利用处理流体对学习对象基板进行处理的基板处理装置使用的物体的物理量。第一特征量信息由时间表示。

技术领域

本发明涉及一种学习完成的模型生成方法、异常主要原因推定装置、基板处理装置、异常主要原因推定方法、学习方法、学习装置以及学习数据制作方法。

背景技术

专利文献1所记载的异常诊断系统检测阻剂涂布、显影处理装置中产生的异常，推定异常原因。

异常诊断系统通过配线而与分别设置于多个过程处理装置的传感器连接。传感器将随时间变动的时序数据输出至异常诊断系统。传感器例如为压力传感器、温度传感器、流量传感器、液面传感器、位置传感器、力矩传感器或速度传感器。

异常诊断系统包含数据保持部、数据收集部、异常检测部、判定数据制作部及诊断部。

数据保持部中，存储有时序数据、异常数据、判定数据及模型数据。

数据收集部从分别设置于多个过程处理装置的传感器收集随时间变动的时序数据，将时序数据存储于数据保持部。时序数据例如为随时间变动的压力、温度、流量、液面水平、位置、力矩或速度。

异常检测部将数据收集部所收集的时序数据与上下变动阈值数据进行比较，由此检测作为异常的时序数据的异常数据。

判定数据制作部基于判定条件数据，将由异常检测部所检测的异常数据按时序分割为多个监视区间，在各监视区间中，判定是否与多个判定条件一致，并且制作包含判定结果的组合的判定数据，作为判定数据而存储于数据保持部。

诊断部将由判定数据制作部所制作的判定数据、与和判定数据对应的模型数据进行对照，由此推定过程处理装置的异常原因。

模型数据为利用制作判定数据时的判定条件对产生了每个异常原因特有的变动倾向的时序数据进行判定时的结果，且预先存储。而且，各判定条件的阈值及范围等是针对每个监视区间而决定。

[现有技术文献]

[专利文献]

[专利文献1]日本专利特开2012-150721号公报

发明内容

[发明所要解决的问题]

但是，专利文献1所记载的异常诊断系统中，取决于模型数据及判定条件的精度，有时无法高精度地推定过程处理装置的异常原因。此时，检查技术员需要分析时序数据，确定过程处理装置的异常原因。

但是，时序数据非常烦杂，检查技术员难以找出规则性。此外，时序数据具有多数个参数，分析对象庞大。因此，取决于检查技术员的技能及经验，有时确定过程处理装置的异常主要原因需要长时间。其结果为，有时确定由过程处理装置进行了处理的基板的异常主要原因也需要长时间。

本发明是鉴于所述课题而成，其目的在于提供一种学习完成的模型生成方法、异常主要原因推定装置、基板处理装置、异常主要原因推定方法、学习方法、学习装置以及学习数据制作方法，可高精度地确定经处理流体进行处理后的处理对象基板的异常的主要原因，并且可缩短确定异常的主要原因时的时间。

[解决问题的技术手段]