技术特征：
1.一种搬送异常预测系统，其特征在于，具备推定部，该推定部具有完成学习模型，该完成学习模型对包含从设于基板搬送部的多个传感器分别在过去的基板搬送时所输出的传感器数据的数据集与该基板搬送时的搬送异常度的关系性进行了机器学习，该推定部将包含从所述多个传感器分别在新的基板搬送时所输出的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。2.如权利要求1所述的搬送异常预测系统，其特征在于，所述多个传感器由振动传感器、声音传感器、图像传感器、影像传感器、温度传感器、设备移动速度传感器、设备动作转矩传感器、设备平行度传感器的中的一种或两种以上构成。3.如权利要求1或2所述的搬送异常预测系统，其特征在于，进一步具备输出信号发送部，该输出信号发送部将通过所述推定部输出的所述搬送异常度与预定的阈值比较，在所述搬送异常度超过所述阈值的情况下，将用于输出维修通知及/或警报的输出信号发送至输出装置。4.如权利要求1-3中任一项所述的搬送异常预测系统，其特征在于，所述推定部将包含新的基板搬送时从搬送开始至当前为止的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。5.如权利要求1-3中任一项所述的搬送异常预测系统，其特征在于，所述推定部将包含新的基板搬送时从搬送开始至搬送结束为止的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。6.如权利要求1-3中任一项所述的搬送异常预测系统，其特征在于，所述推定部将包含多片新的基板搬送时从最初的基板开始搬送起至最后的基板搬送结束为止的传感器数据的数据集作为输入，推定在该多片新的基板搬送时的搬送异常度并输出。7.如权利要求1-6中任一项所述的搬送异常预测系统，其特征在于，进一步具备再学习部，该再学习部将包含所述新的基板搬送时所输出的传感器数据的数据集作为教师数据，而使所述完成学习模型进行再学习。8.如权利要求1-7中任一项所述的搬送异常预测系统，其特征在于，所述数据集进一步包含在该基板搬送时的设备动作时间、维修后经过时间、基板处理部的零件使用时间中的至少一个时间信息。9.如权利要求1-8中任一项所述的搬送异常预测系统，其特征在于，所述完成学习模型对在包含过去的基板搬送时的传感器数据的数据集中附带了从该基板搬送时至发生搬送异常时为止的剩余时间或剩余搬送次数的教师数据进行机器学习，所述推定部将包含新的基板搬送时的传感器数据的数据集作为输入，基于通过所述完成学习模型预测的所述剩余时间或剩余搬送次数，来推定所述搬送异常度并输出。10.如权利要求1-8中任一项所述的搬送异常预测系统，其特征在于，所述完成学习模型将包含过去的正常基板搬送时的传感器数据的数据集作为教师数据，以k近邻算法进行机器学习，所述推定部将包含新的基板搬送时的传感器数据的数据集作为输入，基于通过所述完成学习模型计算的至k近邻的距离，来推定所述搬送异常度并输出。
11.如权利要求1-8中任一项所述的搬送异常预测系统，其特征在于，所述完成学习模型将包含过去的正常基板搬送时的传感器数据的数据集作为教师数据，并以lstm(long short-term memory/长短期记忆)进行机器学习，所述推定部将包含到新的搬送基板为止的实际传感器数据的数据集作为输入，根据包含该新的搬送基板前的实际传感器数据的数据集，对包含通过所述完成学习模型预测的该新的基板搬送时的传感器数据的数据集、与包含该新的基板搬送时的实际传感器数据的数据集的乖离进行计算，并基于该乖离来推定所述搬送异常度并输出。12.如权利要求1-8中任一项所述的搬送异常预测系统，其特征在于，所述完成学习模型对在包含过去的基板搬送时的传感器数据的数据集附加该基板搬送时是否发生搬送异常的标签的教师数据进行机器学习，所述推定部将包含新的基板搬送时的传感器数据的数据集作为输入，基于通过所述完成学习模型预测的发生搬送异常时的概率来推定所述搬送异常度并输出。13.如权利要求12所述的搬送异常预测系统，其特征在于，所述完成学习模型对在包含过去的基板搬送时的传感器数据的数据集附加该基板搬送时是否发生搬送异常的标签，并且当发生搬送异常时，附加搬送异常的发生原因的标签的教师数据进行机器学习，所述推定部将包含新的基板搬送时的传感器数据的数据集作为输入，基于通过所述完成学习模型对各个搬送异常的发生原因预测的发生搬送异常时的概率，推定各个搬送异常的发生原因的所述搬送异常度并输出。14.如权利要求1-13中任一项所述的搬送异常预测系统，其特征在于，所述推定部具有多个完成学习模型，并基于所述多个学习完成模型的预测的组合，来推定所述搬送异常度并输出。15.一种基板处理装置，其特征在于，具备：基板搬送部；及权利要求1-14中任一项所述的搬送异常预测系统。16.一种搬送异常预测方法，是计算机所执行的搬送异常预测方法，其特征在于，包含以下步骤：使用完成学习模型，该完成学习模型对包含从设于基板搬送部的多个传感器分别在过去的基板搬送时所输出的传感器数据的数据集与该基板搬送时的搬送异常度的关系性进行了机器学习，将包含从所述多个传感器分别在新的基板搬送时所输出的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。17.一种搬送异常预测程序，其特征在于，使计算机执行以下步骤：使用对包含从设于基板搬送部的多个传感器分别在过去的基板搬送时所输出的传感器数据的数据集与该基板搬送时的搬送异常度的关系性进行了机器学习的完成学习模型，将包含从所述多个传感器分别在新的基板搬送时所输出的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。18.一种计算机可读取的记录介质，记录有用于使计算机执行以下步骤的搬送异常预测程序，使用对包含从设于基板搬送部的多个传感器分别在过去的基板搬送时所输出的传感
器数据的数据集与该基板搬送时的搬送异常度的关系性进行了机器学习的完成学习模型，将包含从所述多个传感器分别在新的基板搬送时所输出的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。19.一种完成学习模型，其特征在于，具有：输入层；一个或二个以上的中间层，该中间层连接于输入层；及输出层，该输出层连接于中间层，该完成学习模型将包含从设于基板搬送部的多个传感器分别在过去的基板搬送时所输出的传感器数据的数据集输入输入层，由此，通过对于包含过去的多次基板搬送时的传感器数据的数据集，反复进行比较从输出层输出的输出结果与该基板搬送时的搬送异常度并按照其误差更新各节点的参数的处理，从而对包含过去的基板搬送时所输出的传感器数据的数据集与该基板搬送时的搬送异常度的关系性进行机器学习，该完成学习模型使计算机发挥以下功能：将包含从所述多个传感器分别在新的基板搬送时所输出的传感器数据的数据集输入输入层时，推定该新的基板搬送时的搬送异常度，并从输出层输出。
技术总结
搬送异常预测系统具备推定部，该推定部具有完成学习模型，该完成学习模型对包含从设于基板搬送部的多个传感器分别在过去的基板搬送时所输出的传感器数据的数据集与该基板搬送时的搬送异常度的关系性进行了机器学习，该推定部将包含从所述多个传感器分别在新的基板搬送时所输出的传感器数据的数据集作为输入，推定该新的基板搬送时的搬送异常度并输出。出。出。
技术研发人员：中村显
受保护的技术使用者：株式会社荏原制作所
技术研发日：2020.09.18
技术公布日：2022/5/17