JP7263121B2 - データ収集方法、学習方法、データ収集システムおよび学習システム - Google Patents

Description

本発明は、様々な装置におけるセンシングデータを用いて、異常発生の予防または検知を行うためのデータ収集方法、学習方法、データ収集システムおよび学習システムに関する。

様々な装置において、装置を長期使用すると、部品の経年劣化や、粉塵や異物の侵入等の原因によって装置の一部に異常が発生する。また、その他の原因で装置に故障が生じる場合もある。これらのような異常が発生した場合、装置のパフォーマンスの大幅な低下が生じる虞がある。

発生した異常の種類によって、異常発生前後における装置の各部の挙動はおおよそ決まったものとなる。

例えば、特許文献１には、描画対象である基板を移動させつつ、感光材料が塗布された基板の主面に対して空間変調された光を照射してパターンを描画する描画装置が記載されている。特許文献１に記載の描画装置は、基板を水平姿勢で保持するステージと、ステージを移動方向に沿って案内する一対の移動機構（リニアモータおよびガイドレール）とを有している。

このような装置において、例えば、ガイドレール周辺に粉塵が蓄積した場合、移動機構において振動が発生する。また、例えば、リニアモータが故障した場合、同様に、移動機構において振動が発生する。いずれの場合にも振動が発生するが、振動の発生する場所や振動の仕方（波形、周波数、大きさ等）が異なる。

これらの例では、生じる現象（振動）は同じであるものの、認知可能な異常の態様（振動の仕方）が異なるため、原因と結果の紐付けを行うことができれば、発生した振動の状態から、異常が生じた箇所を特定することができる。したがって、振動センサの検出データ等のセンシングデータと異常の原因との関係を学習すれば、異常の発生を早期に検出したり、異常の原因を容易に発見したりすることができる。

特開２０１６－７２４３４号公報

しかしながら、経年劣化や故障は滅多に起きないため、異常の発生頻度は非常に低い。したがって、原因と結果の紐付けを行うためのデータを収集するために、データの記録を行うと、異常が発生しない期間の方が異常発生に関わる期間よりも長いため、データの記憶に多くの記憶容量を必要とする。

本発明は、このような事情に鑑みなされたものであり、装置の状態変化に関するセンシングデータを効率よく収集するための技術を提供することを目的とする。

上記課題を解決するため、本願の第１発明は、装置の状態を検知したセンシングデータを複数の前記装置から収集し、収集した前記センシングデータに基づいて学習モデルを構築する学習方法であって、複数の前記装置において、ａ）前記装置から入力される複数の前記センシングデータを監視し、前記センシングデータに変化があるか否かを判断する工程と、ｂ）前記工程ａ）において変化があると判断された場合に、所定期間における前記センシングデータを保存する工程と、を行うとともに、複数の前記装置と通信可能な学習部において、ｐ）複数の前記装置から、前記工程ｂ）により保存された前記センシングデータを収集する工程と、ｑ）前記工程ｐ）において収集した前記センシングデータを用いて機械学習を行い、前記学習モデルを構築する工程と、を行い、前記所定期間は、変化発生時点直前の一定期間、前記変化発生時点直後の一定期間、あるいは、前記変化発生時点の前後を含む一定期間のいずれかであり、前記学習モデルは、前記センシングデータを入力とし、エラー発生確率またはエラー発生原因を出力とする。

本願の第２発明は、第１発明の学習方法であって、前記工程ａ）において監視する前記センシングデータは、前記工程ａ）において入力される前記センシングデータの種類の一部または全部である。

本願の第３発明は、第１発明または第２発明の学習方法であって、前記工程ａ）において監視する前記センシングデータは、前記装置の音または振動に関する前記センシングデータを含む。

本願の第４発明は、装置の状態変化に関するセンシングデータを収集し、収集した前記センシングデータに基づいて学習モデルを構築する学習システムであって、複数のデータ収集システムと、前記データ収集システムが収集した前記センシングデータに基づいて機械学習を行い、前記学習モデルを構築する学習部と、を有し、前記学習部は、複数の前記データ収集システムとネットワークを介して通信可能であり、前記データ収集システムは、それぞれ、前記装置と、前記装置の状態変化に関するセンシングデータを収集するデータ収集部と、を有し、前記データ収集部は、前記装置から入力された前記センシングデータを監視し、前記センシングデータに所定の変化があるか否かを判断する監視部と、前記監視部が前記所定の変化があると判断した場合に、所定期間における前記センシングデータを保存する記憶部と、を有し、前記所定期間は、変化発生時点直前の一定期間、前記変化発生時点直後の一定期間、あるいは、前記変化発生時点の前後を含む一定期間のいずれかであり、前記学習モデルは、前記センシングデータを入力とし、エラー発生確率またはエラー発生原因を出力とする。

本願の第５発明は、第４発明の学習システムであって、前記監視部が監視する前記センシングデータは、前記データ収集部に入力される前記センシングデータの種類の一部または全部である。

本願の第６発明は、第４発明または第５発明の学習システムであって、前記監視部が監視する前記センシングデータは、前記装置の音または振動に関する前記センシングデータを含む。

本願の第１発明から第６発明によれば、センシングデータを変化発生時点の前後の所定の記録期間のみ一時的に保存し、当該変化の原因の解明に用いることができる。また、複数の装置と学習部とをネットワークを介して通信可能とすることにより、複数の装置におけるセンシングデータが学習部に集約される。したがって、装置における異常の発生頻度が低い場合であっても、装置の状態変化に関するセンシングデータを効率よく収集することができる。

第１実施形態に係る学習システムの構成を示したブロック図である。 第１実施形態に係る描画装置の斜視図である。 第１実施形態に係る描画装置の構成を示した概略上面図である。 第１実施形態に係る学習システムの電気的接続を示したブロック図である。 第１実施形態に係るデータ収集システムにおける学習処理の流れを示したフローチャートである。 第１実施形態に係る学習装置における学習処理の流れを示したフローチャートである。

以下、本発明の実施形態について、図面を参照しつつ説明する。

＜１．学習システムの構成＞
本発明の一実施形態に係るデータ収集システム１を有する学習システム２について、図１を参照しつつ説明する。図１は、学習システム２の構成を示したブロック図である。このデータ収集システム１は、各装置３の状態を検知したセンシングデータを収集するためのシステムである。また、学習システム２は、データ収集システム１によって収集したセンシングデータに基づいて学習モデルＭを構築するためのシステムである。

学習システム２は、複数の描画装置３と、学習装置４とを有する。本実施形態における描画装置３は、センシングデータを収集する対象としての対象装置の一例である。また、同時に、描画装置３は、対象装置と、後述のデータ収集部３１とを含むデータ収集システム１を構成している。

図１に示すように、複数の描画装置３は、複数のセンサ７０と、制御部３０と、通信部３００と、とを有する。

複数のセンサ７０は、描画装置３の各部に設けられ、描画装置３の各部の圧力、加速度、音、振動等の状態をモニタリングするためのセンサである。各センサ７０において検出された検出信号（以下では、「センシングデータ」と称する）は、制御部３０に入力される。

制御部３０は、描画装置３の各部を制御するとともに、各センサ７０が検出した描画装置３の状態変化に関するセンシングデータを収集するデータ収集システムの役割を果たす。制御部３０は、データ収集部３１、エラー検知部３２および動作制御部３３を有する。データ収集部３１は、描画装置３の状態変化に関するセンシングデータを収集する。エラー検知部３２は、センシングデータに基づいてエラー発生確率またはエラー発生原因を出力する。動作制御部３３は、描画装置３の各部を制御する。制御部３０を含めた描画装置３の詳細な構成については、後述する。

通信部３００は、制御部３０をインターネット１００と通信する。この学習システム２では、通信部３００は、インターネット１００を介して、制御部３０と学習装置４との間でデータの送受信を行う。

学習装置４は、通信部４１、データ記憶部４２および学習部４３を有する。通信部４１は、インターネット１００を介して複数の描画装置３のそれぞれとデータの送受信を行う。データ記憶部４２は、描画装置３から送信され、通信部４１を介して受信したセンシングデータを一時的に記憶する。学習部４３は、センシングデータに基づいて機械学習を行い、学習モデルＭを構築する。学習装置４の詳細な構成については、後述する。

＜２．描画装置および学習装置の詳細な構成＞
次に、描画装置３について、図２ないし図５を参照しつつ説明する。図２は、描画装置３の斜視図である。図３は、描画装置３の構成を示した概略上面図である。図４は、描画装置３の制御ブロック図である。

描画装置３は、感光材料が表面に塗布された半導体基板やガラス基板等の基板Ｗの表面に対して、空間変調された光を照射してパターンを描画する、直接描画装置である。なお、基板Ｗは、基層のみからなる単層基板であってもよく、基層の少なくとも一方側の表面に機能層が積層された積層基板であってもよい。以下では、描画装置３が積層基板である基板Ｗの表面にパターンを描画する場合について説明する。

描画装置３は、図１に示すように、基台５１と、ステージ移動機構５２と、フレーム５３と、描画処理部５４と、制御部３０とを有する。

基台５１は、ステージ移動機構５２、フレーム５３および描画処理部５４を安定的に保持するための台である。基台５１の下面には、４つの脚部５１１および２つのダンパ５１２が設けられている。なお、図２中、脚部５１１のうち２つと、ダンパ５１２のうちの１つのみが図示されている。脚部５１１およびダンパ５１２の長さは調節可能である。このため、基台５１を水平に設置することができる。

ステージ移動機構５２は、基板Ｗを水平姿勢で保持するステージ６０の水平方向（主走査方向および副走査方向）の位置を移動させる装置である。ステージ移動機構５２は、ステージ６０と、ベースプレート６１と、主走査機構６２と、支持プレート６３と、副走査機構６４と、回転機構６５とを有する。

ステージ６０は、その上面に基板Ｗを載置する。本実施形態のステージ６０は、平板状であり、上面が基板Ｗを保持する保持面となっている。ステージ６０の保持面には、基板Ｗを保持するために、例えば、基板Ｗの端部を保持するチャックピンや、基板Ｗの裏面を吸着保持する真空吸引孔等の保持機構が設けられる。

ベースプレート６１は、基台５１上において、主走査機構６２によって主走査方向に移動可能に支持されている。主走査機構６２は、一対のリニアモータ６２１と、一対のエアガイド６２２とを有する。

一対のリニアモータ６２１はそれぞれ、固定子６２１ａおよび移動子６２１ｂを有する。固定子６２１ａは、基台５１の上面に敷設され、主走査方向に延びる。２つの固定子６２１ａはそれぞれ、基台５１の副走査方向の両端部付近に配置される。移動子６２１ｂは、エアガイド６２２の後述するエアベアリング６２２ｂを介してベースプレート６１に固定される。これにより、移動子６２１ｂは、ベースプレート６１とともに主走査方向に移動する。

一対のエアガイド６２２はそれぞれ、ガイドレール６２２ａおよびエアベアリング６２２ｂを有する。ガイドレール６２２ａは、基台５１の上面に敷設され、主走査方向に延びる。１対のガイドレール６２２ａはそれぞれ、一対の固定子６２１ａの副走査方向内側に沿って配置される。

一対のエアベアリング６２２ｂはそれぞれ、ベースプレート６１の副走査方向の両端部に固定されている。また、一対の移動子６２１ｂがそれぞれ、一対のエアベアリング６２２ｂに固定されている。エアベアリング６２２ｂは、ガイドレール６２２ａの上方に配置される。エアベアリング６２２ｂの下面には、ガイドレール６２２ａの上面に向かって気体を吐出するためのエア供給孔が設けられている。ステージ移動機構５２の駆動時には、ユーティリティ設備からエアベアリング６２２ｂに常時エアが供給される。これにより、エアベアリング６２２ｂの下面に設けられたエア供給孔からガイドレール６２２ａに向けて加圧気体が供給される。その結果、エアベアリング６２２ｂは、ガイドレール６２２ａ上に非接触で浮上支持される。このような構成により、リニアモータ６２１を動作させると、ベースプレート６１は、エアガイド６２２に非接触で案内された状態で主走査方向に沿って低摩擦で滑らかに移動することができる。

なお、本実施形態では、移動子６２１ｂおよびエアベアリング６２２ｂはベースプレート６１の側方に配置されているが、本発明はこの限りではない。移動子６２１ｂおよびエアベアリング６２２ｂは、ベースプレート６１の下面に配置されていてもよい。

支持プレート６３は、ベースプレート６１上において、副走査機構６４によって副走査方向に移動可能に支持されている。副走査機構６４は、リニアモータ６４１と、一対のガイド６４２とを有する。

リニアモータ６４１は、固定子６４１ａおよび移動子６４１ｂを有する。固定子６４１ａは、ベースプレート６１の上面に敷設され、副走査方向に延びる。固定子６４１ａは、ベースプレート６１の主走査方向の略中央に配置される。移動子６４１ｂは、支持プレート６３の下面に固定され、支持プレート６３とともに副走査方向に移動する。

一対のガイド６４２はそれぞれ、ガイドレール６４２ａおよびボールベアリング６４２ｂを有する。ガイドレール６４２ａは、ベースプレート６１の上面に敷設され、副走査方向に延びる。一対のガイドレール６４２ａは、固定子６４１ａの主走査方向の両側に配置される。一対のボールベアリング６４２ｂは、支持プレート６３の下面に固定される。一対のボールベアリング６４２ｂは、ガイドレール６４２ａに沿って移動可能に配置される。これにより、支持プレート６３がガイドレール６４２ａに沿って副走査方向に案内される。なお、本実施形態のガイド６４２には、ボールベアリングを用いたが、その他のベアリング機構が用いられてもよい。このような構成により、リニアモータ６４１を動作させると、支持プレート６３は、ガイド６４２に案内された状態で副走査方向に沿って移動することができる。

回転機構６５は、支持プレート６３上にステージ６０を回転可能に支持する。回転機構６５には、例えば、モータが用いられる。

このように、ステージ６０は、主走査機構６２、副走査機構６４および回転機構６５によって、主走査方向および副走査方向に移動可能であるとともに、その回転角度を調整可能である。

フレーム５３は、描画処理部５４を基台５１の上方において保持する。フレーム５３は、２つの脚部５３１と、ヘッド固定部５３２とを有する。２つの脚部５３１はそれぞれ、基台５１の副走査方向の端部から上方へ向かって柱状に延びる。ヘッド固定部５３２は、１つの脚部５３１の上端部同士を副走査方向に繋ぐ。

図３に示すように、描画処理部５４は、２つの光学ヘッド５４１と、照明光学系５４２と、レーザ発振器５４３と、レーザ駆動部５４４とを有する。２つの光学ヘッド５４１は、ヘッド固定部５３２に固定される。照明光学系５４２、レーザ発振器５４３およびレーザ駆動部５４４は、例えば、フレーム５３のヘッド固定部５３２の内部の空間に収容される。

光学ヘッド５４１は、照明光学系５４２を介してレーザ発振器５４３に接続されている。また、レーザ発振器５４３には、レーザ発振器５４３の駆動を行うレーザ駆動部５４４が接続されている。レーザ駆動部５４４を動作させると、レーザ発振器５４３からパルス光が出射され、当該パルス光が照明光学系５４２を介して光学ヘッド５４１の内部に導入される。

光学ヘッド５４１の内部には、光を空間変調する空間光変調器や、光学ヘッド５４１の内部に導入されたパルス光を空間光変調器を介して基板Ｗの上面に照射する光学系などが設けられている。空間光変調器としては、たとえば、回折格子型の空間光変調器であるＧＬＶ（登録商標：Grating Light Valve）等が採用される。光学ヘッド５４１の内部に導入されたパルス光は、空間光変調器等によって所定のパターン形状に成形された光束として基板Ｗの上面に照射される。これにより、基板Ｗ上のレジスト等の感光層を露光し、基板Ｗの表面にパターンが描画される。

描画処理を行う際には、光学ヘッド５４１による露光と、ステージ移動機構５２による基板Ｗの移動とを繰り返して行う。具体的には、露光と、露光幅分の基板Ｗの副走査方向の移動とを繰り返して副走査方向に延びる領域の描画を行った後、ステージ移動機構５２が基板Ｗを主走査方向へと移動する。このように、副走査方向に延びる領域の描画と、主走査方向の移動とを繰り返して、基板Ｗの描画領域全体にパターンを形成する。

また、描画装置３は、図４に示すように、描画装置３の各部に設けられ、描画装置３の状態変化に関するセンシングデータを収集する複数のセンサ７０を有する。複数のセンサ７０には、一対の圧力センサ７１、一対のトルク検出センサ７２、一対の加速度センサ７３、音センサ７４および複数の振動センサ７５が含まれる。

圧力センサ７１は、ガイドレール６２２ａとエアベアリング６２２ｂとの上下方向の間隙における気圧を計測する。なお、圧力センサ７１は、エアベアリング６２２ｂの内部において気体供給孔付近の気圧を計測するものであってもよい。トルク検出センサ７２は、リニアモータ６２１におけるモータトルクを計測する。加速度センサ７３は、リニアモータ６２１の移動子６２１ｂの加速度を計測する。音センサ７４は、例えば、フレーム５３のヘッド固定部５３２の下面に取り付けられ、描画装置３の周囲における音データを取得する。振動センサ７５は、描画装置３の各部における振動量を計測する。振動センサ７５は、例えば、基台５１の上面と、ベースプレート６１と、フレーム５３のヘッド固定部５３２との３箇所に設けられる。

制御部３０は、図２および図４に示すように、描画装置３の各部と電気的に接続される。図２中に概念的に示したように、制御部３０は、ＣＰＵ等の演算処理部３０１、ＲＡＭ等のメモリ３０２、およびハードディスクドライブ等の記憶部３０３を有するコンピュータにより構成されている。制御部３０は、記憶部３０３に記憶されたコンピュータプログラムＰやデータＤを、メモリ３０２に読み出し、当該コンピュータプログラムＰおよびデータＤに基づいて、演算処理部３０１が演算処理を行うことにより、描画装置３内の各部の動作を制御したり、データ収集処理を行ったりする。

図１および図４に示すように、制御部３０は、ソフトウェア上で実現される処理部として、データ収集部３１、エラー検知部３２および動作制御部３３を有する。また、制御部３０は、データ入力部３４を備える。データ入力部３４は、各センサ７０からのセンシングデータが入力される入力ポートである。制御部３０の各部は、通信部３００を介して外部とデータの送受信を行うことができる。

センサ７０から入力されるセンシングデータには、圧力センサ７１が検出した圧力データＳ７１、トルク検出センサ７２が検出したトルクデータＳ７２、加速度センサ７３が検出した加速度データＳ７３、音センサ７４が検出した音データＳ７４、および振動センサ７５が検出した振動データＳ７５を含む。

データ収集部３１は、描画装置３の状態変化に関するセンシングデータを収集する。具体的には、データ収集部３１は、監視部３１１と、記憶部３１２とを有する。データ収集部３１には、データ入力部３４を介して各センサ７０において検出されたセンシングデータが入力される。

監視部３１１は、入力されたセンシングデータの少なくとも１つを監視し、監視したデータに所定の変化があるか否かを判断する。本実施形態では、監視部３１１は、音データＳ７４および振動データＳ７５を監視し、変化が発生したか否かを判断する。例えば、監視部３１１は、音データＳ７４に含まれる音の周波数を解析し、通常状態に含まれる周波数以外の周波数成分が所定の閾値よりも大きい場合に異常状態が生じたと判断する。また、監視部３１１は、振動データＳ７５の振動量が所定の閾値よりも大きい場合や、振動データＳ７５において振動量が急に変動した場合などに、変化が発生したと判断する。なお、監視部３１１は、入力されたセンシングデータの一部のみを監視してもよいし、入力されたセンシングデータのすべてを監視してもよい。

記憶部３１２は、各センサ７０から入力されたセンシングデータを一定の期間記憶する。ここで、以下では、監視部３１１が変化を発生したと判断した変化発生時点の直前または直後を含む当該一定の期間を、記録期間と称する。本実施形態では、記憶部３１２は、監視部３１１が変化が発生したと判断した変化発生時点の前後を含む一定期間におけるセンシングデータを記憶する。

本実施形態では、記録期間は、変化発生時点の前後を含む一定期間であるが、本発明はこの限りではない。記録期間は、変化発生時点直前の一定期間であってもよいし、変化発生時点直後の一定期間であってもよい。

記憶部３１２は、通常、一定期間分のセンシングデータを順次更新しながら記憶している。当該一定期間が例えば３０分である場合、記憶部３１２は、現在よりも３０分前の時点から、現在までの３０分間のセンシングデータを、常に更新しながら記憶する。そして、監視部３１１が変化が発生したと判断すると、変化発生前３０分前から変化発生時点までのセンシングデータの更新を停止し、別途、変化発生時点から、変化発生後１０分後までの期間のセンシングデータを記憶する。このようにして、記憶部３１２は、変化発生時点を含む４０分間の記録期間のセンシングデータを記憶する。

監視部３１１が変化が発生したと判断した後、記憶部３１２による記録期間のセンシングデータの記憶が完了すると、データ収集部３１は、記録期間のセンシングデータを通信部３００からインターネット１００を介して学習装置４へと送信する。

エラー検知部３２は、学習済みの学習モデルＭを有する。エラー検知部３２は、各センサ７０から入力されたセンシングデータを学習モデルＭに入力し、描画装置３の各部に変化が生じる可能性や、変化の生じる可能性のある箇所等を推測する。エラー検知部３２には、インターネット１００および通信部３００を介して、学習装置４において更新された学習モデルＭが入力される。新たな学習モデルＭを受信すると、エラー検知部３２は、学習モデルＭを新たな学習モデルＭに更新する。

本実施形態では、データ収集対象の装置そのものである描画装置３が、データ収集部３１を有する。このため、描画装置３が、データ収集対象の装置と、データ収集部３１とを有する「データ収集システム１」を構成している。なお、データ収集部３１は、描画装置３および学習装置４のいずれとも別個の装置であってもよい。また、データ収集部３１が、描画装置３とはインターネット１００を介して通信可能な学習装置４と同じコンピュータによって構成されていてもよい。

続いて、学習装置４の各部の詳細な構成について説明を行う。学習装置４には、通信部４１を介して、描画装置３のデータ収集部３１から、記録期間のセンシングデータが入力される。データ記憶部４２は、入力された記録期間のセンシングデータを一時的に記憶する。

学習部４３は、データ記憶部４２に記憶されたセンシングデータに基づいて、機械学習を行い、学習モデルＭを構築する。学習部４３において学習が完了したセンシングデータについては、データ記憶部４２から順次削除される。学習部４３は、学習装置４に新たなセンシングデータが送信される度に、学習モデルＭに対してさらに機械学習を行わせて、学習モデルＭを更新する。

なお、監視部３１１において変化の発生が検知された場合に、オペレータが入力部（図示なし）から制御部３０へと、当該変化の原因を入力してもよい。このようにすれば、後の学習処理において、センシングデータのみの解析では変化の原因を判断するのが困難な場合であっても、変化の原因を明確に特定することができる。

＜３．データ収集および学習の流れ＞
続いて、データ収集処理および学習処理の流れについて、図５および図６を参照しつつ説明する。図５は、本実施形態のデータ収集システム１である描画装置３におけるデータ収集処理の流れを示したフローチャートである。図６は、本実施形態の学習装置４における学習処理の流れを示したフローチャートである。

まず、図５を参照しつつ、描画装置３におけるデータ収集処理の流れを説明する。描画装置３の駆動開始とともに、各センサ７０におけるセンシングが開始される。同時に、データ収集部３１では、記憶部３１２によるセンシングデータの記録および更新が開始されるとともに、監視部３１１によるセンシングデータの監視が開始される（ステップＳＴ１１）。

そして、監視部３１１は、センシングデータに所定の変化があるか否かを判断する（ステップＳＴ１２）。監視部３１１は、所定の変化がないと判断した場合、ステップＳＴ１２を引き続き行う（ステップＳＴ１２：Ｎｏ）。

一方、所定の変化があると判断した場合（ステップＳＴ１２：Ｙｅｓ）、監視部３１１は、予め決められた記録期間が完了するまで、センシングデータの取得および記憶部３１２への記憶を行う（ステップＳＴ１３）。

また、監視部３１１が発見した変化の原因が明確である場合、オペレータによって、当該原因の入力が行われる（ステップＳＴ１４）。なお、当該ステップは省略してもよい。

そして最後に、データ収集部３１から通信部３００およびインターネット１００を介して、記録期間のセンシングデータが学習装置４へと送信される（ステップＳＴ１５）。

次に、図６を参照しつつ、学習装置４における学習処理の流れを説明する。学習装置４には、複数の描画装置３のデータ収集部３１から、不定期にセンシングデータが送信されてくる。学習装置４は、センシングデータを受信すると、まず、データ記憶部４２にセンシングデータを一時的に記憶する（ステップＳＴ２１）。

続いて、学習部４３は、データ記憶部４２に記憶されたセンシングデータに基づいて、機械学習を行って、学習モデルＭを構築、あるいは更新する（ステップＳＴ２２）。

ステップＳＴ２２における学習モデルＭの構築または更新が完了すると、学習装置４は、インターネット１００を介して通信可能な複数の描画装置３のそれぞれに対して、当該学習モデルＭを送信する（ステップＳＴ２３）。新たな学習モデルＭを受信した各描画装置３は、エラー検知部３２の学習モデルＭを新たなものへと更新する。

学習モデルＭの構築および更新のために用いられる機械学習アルゴリズムには、例えば、一層ニューラルネットワークやディープラーニング等を含むニューラルネットワーク、ランダムフォレストや勾配ブースティング等を含む決定木系アルゴリズム、サポートベクトルマシンといった教師あり機械学習アルゴリズムが用いられる。

このように教師あり機械学習アルゴリズムが用いられる場合、教師データとして、変化が発見されたセンシングデータの種類や、オペレータが入力した変化の原因が用いられる。

学習モデルＭは、描画装置３の各センサ７０から検出されたセンシングデータを入力とし、変化が生じる可能性のある箇所や、変化の発生確率を出力とすることが好ましい。例えば、データ収集部３１の監視部３１１で発見される変化が、描画装置３における描画処理に影響を与えるエラーである場合、学習モデルＭの出力は、例えば、エラー発生確率やエラー原因とする。

上述の通り、描画装置３における経年劣化や故障は滅多に起きないため、異常の発生頻度は非常に低い。したがって、原因と結果の紐付けを行うためのセンシングデータを収集するために、センシングデータの記録を恒常的に行うと、異常が発生しない期間の方が異常発生に関わる期間よりも長いため、データの記憶に多くの記憶容量を必要とする。

そこで、このデータ収集システム１では、センシングデータを変化発生時点の前後の所定の記録期間のみ一時的に保存し、当該変化の原因の解明に用いることができる。すなわち、描画装置３の状態変化に関するセンシングデータを効率よく収集することができる。

また、この学習システム２では、複数の描画装置３と学習装置４とをネットワークを介して通信可能とすることにより、複数の描画装置３におけるセンシングデータが学習装置４に集約される。したがって、各描画装置３における異常の発生頻度が非常に低い場合であっても、描画装置３の状態変化に関するセンシングデータを効率よく収集することができる。

＜４．変形例＞
以上、本発明の実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。

上記の実施形態に係るデータ収集システムおよび学習システムでは、センシングデータを取得する対象装置が描画装置であったが、本発明はこれに限られない。データを収集する対象装置は、例えば、印刷装置、基板や基材等の搬送装置、基材に対して処理液を塗布する塗布装置、または、その他のいかなる装置であってもよい。

また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。

１ データ収集システム
２ 学習システム
３ 描画装置
４ 学習装置
３０ 制御部
３１ データ収集部
４２ データ記憶部
４３ 学習部
７０ センサ
７１ 圧力センサ
７２ トルク検出センサ
７３ 加速度センサ
７４ 音センサ
７５ 振動センサ
１００ インターネット
３１１ 監視部
３１２ 記憶部

Claims (6)

1. 装置の状態を検知したセンシングデータを複数の前記装置から収集し、収集した前記センシングデータに基づいて学習モデルを構築する学習方法であって、
   複数の前記装置において、
   ａ）前記装置から入力される複数の前記センシングデータを監視し、前記センシングデータに変化があるか否かを判断する工程と、
   ｂ）前記工程ａ）において変化があると判断された場合に、所定期間における前記センシングデータを保存する工程と、
   を行うとともに、
   複数の前記装置と通信可能な学習部において、
   ｐ）複数の前記装置から、前記工程ｂ）により保存された前記センシングデータを収集する工程と、
   ｑ）前記工程ｐ）において収集した前記センシングデータを用いて機械学習を行い、前記学習モデルを構築する工程と、
   を行い、
   前記所定期間は、変化発生時点直前の一定期間、前記変化発生時点直後の一定期間、あるいは、前記変化発生時点の前後を含む一定期間のいずれかであり、
   前記学習モデルは、前記センシングデータを入力とし、エラー発生確率またはエラー発生原因を出力とする、学習方法。
2. 請求項１に記載の学習方法であって、
   前記工程ａ）において監視する前記センシングデータは、前記工程ａ）において入力される前記センシングデータの種類の一部または全部である、学習方法。
3. 請求項１または請求項２に記載の学習方法であって、
   前記工程ａ）において監視する前記センシングデータは、前記装置の音または振動に関する前記センシングデータを含む、学習方法。
4. 装置の状態変化に関するセンシングデータを収集し、収集した前記センシングデータに基づいて学習モデルを構築する学習システムであって、
   複数のデータ収集システムと、
   前記データ収集システムが収集した前記センシングデータに基づいて機械学習を行い、前記学習モデルを構築する学習部と、
   を有し、
   前記学習部は、複数の前記データ収集システムとネットワークを介して通信可能であり、
   前記データ収集システムは、それぞれ、
   前記装置と、
   前記装置の状態変化に関するセンシングデータを収集するデータ収集部と、
   を有し、
   前記データ収集部は、
   前記装置から入力された前記センシングデータを監視し、前記センシングデータに所定の変化があるか否かを判断する監視部と、
   前記監視部が前記所定の変化があると判断した場合に、所定期間における前記センシングデータを保存する記憶部と、
   を有し、
   前記所定期間は、変化発生時点直前の一定期間、前記変化発生時点直後の一定期間、あるいは、前記変化発生時点の前後を含む一定期間のいずれかであり、
   前記学習モデルは、前記センシングデータを入力とし、エラー発生確率またはエラー発生原因を出力とする、学習システム。
5. 請求項４に記載の学習システムであって、
   前記監視部が監視する前記センシングデータは、前記データ収集部に入力される前記センシングデータの種類の一部または全部である、学習システム。
6. 請求項４または請求項５に記載の学習システムであって、
   前記監視部が監視する前記センシングデータは、前記装置の音または振動に関する前記センシングデータを含む、学習システム。
   

Images