异常检测装置、异常检测方法、存储介质、快门装置及曝光装置与流程

1.本公开涉及异常检测装置、异常检测方法、存储介质、快门装置、曝光装置和物品制造方法。

背景技术：

2.快门装置有时用于在制造诸如曝光装置和模制装置的装置中遮挡光，曝光装置经由标线对基板进行曝光，模制装置使基板上的组合物与模具接触并用光照射组合物以使组合物硬化。
3.日本特开第2001-44110号公报讨论了一种曝光装置，该曝光装置用于将标线图案投影到晶片上并在半导体制造过程中对该晶片进行曝光，该曝光装置包括用于在曝光期间控制曝光量的快门装置。
4.根据日本特开第2001-44110号公报，在检测到驱动快门装置的电机中的电流不足的情况下，基于检测结果采取预防措施。
5.然而，在快门装置中发生的异常操作不限于由电机中的电流不足引起的异常操作。例如，可能发生由诸如快门叶片或电机轴的部件引起的异常操作。此外，例如，快门装置的部件会随着时间的推移而劣化，并且快门装置的部件中可能会发生异常。此外，例如，在快门叶片因外力或受热而变形的情况下，快门可能与其他部件接触，这可能损坏快门或其他部件。因此，希望快速检测快门装置中的异常操作。

技术实现要素：

6.本公开的一些实施例旨在提供一种异常检测装置、异常检测方法和存储介质，用于快速检测快门装置中的异常操作。
7.根据本公开的一个方面，一种异常检测装置用于检测被构造为遮挡光的快门装置中的异常操作，该异常检测装置包括检测单元，该检测单元被构造为：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型来检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。
8.根据下面参照附图对示例性实施例的描述，各种实施例的另外的特征将变得清楚。
附图说明
9.图1a和图1b是示出快门装置的构造的图。
10.图2是示出用于检测快门装置中的异常操作的异常检测装置的图。
11.图3示出根据第一示例性实施例的异常检测处理的流程图。
12.图4是示出特征值和马氏距离的图。
13.图5a和图5b是示出由传感器测量的时序数据的图。
14.图6是示出根据第二示例性实施例的异常检测处理的流程图。
15.图7是示出被划分和分组的时序数据的图。
16.图8a、图8b和图8c是示出特征值和马氏距离的组的图。
17.图9是示出包括快门装置的曝光装置的图。
18.图10是示出包括快门装置的模制装置的图。
具体实施方式
19.下面将参照附图详细描述各种示例性实施例。应当注意，以下示例性实施例并不旨在限制每个实施例。此外，虽然下面描述了根据示例性实施例的多个特征，但并非该多个特征中的所有特征对于每个实施例总是必要的。此外，可以根据需要组合该多个特征。此外，在附图中相同或相似的组件被赋予相同的附图标记，并且省略其赘述。
20.下面将描述第一示例性实施例。图1a和图1b是示出快门装置的结构的图。图1a是示出快门装置100的横截面图，而图1b是示出快门105的平面图。快门装置100包括快门105。此外，快门装置100使用快门105打开或关闭从光源(未示出)发射的光102的光路，以遮挡光102或允许光102通过。快门105由例如金属(例如铝或铝合金)制成，并且快门105可以由另一种材料制成。
21.快门装置100包括：遮挡光102的快门105和用于驱动快门105的驱动机构。例如，该驱动机构是旋转机构104，该旋转机构104围绕旋转轴ra旋转附接在轴103上的快门105。例如，旋转机构104可以是使轴103围绕旋转轴ra旋转的电机。例如，旋转轴ra可以平行于光102的主光线的方向(照明光学系统(未示出)的光轴方向)或者可以相对于光102的主光线方向倾斜一定角度。在下文中，平行于光102的主光线方向的方向将被称为z轴方向，在与z轴方向垂直的平面内相互垂直的方向将被称为x轴方向和y轴方向。
22.通过夹具106将快门105固定在旋转机构104的轴103上。例如，夹具106包括诸如销和螺栓的多个固定部件(未示出)，并且多个固定部件被紧固从而将快门105固定到轴103。此外，在图1b所示的示例中，快门105包括三个叶片(遮光部分)。在这种情况下，旋转机构104进行驱动(打开驱动)以打开光102的光路。具体地，通过旋转机构104将处于遮光状态的快门105旋转60度。此外，旋转机构104进行驱动(关闭驱动)以关闭光102的光路。具体地，通过旋转机构104将处于允许光102通过的状态的快门105旋转60度。换句话说，旋转机构104将快门105旋转120度以进行一次打开/关闭驱动。
23.此外，旋转机构104将快门105旋转360度以进行三次打开/关闭驱动。快门105的叶片数量不限于三个，并且可以是任何所需的数量。在这种情况下，打开/关闭驱动时快门105的旋转角度基于快门105的遮光部分的数量来确定。如上所述，旋转机构104通过旋转快门105对快门105进行打开/关闭驱动。此外，旋转机构104进行三次打开/关闭驱动以使快门105进行一个完整旋转。在旋转机构104以固定间隔重复对快门105进行打开/关闭驱动的情况下，快门105被周期性地驱动。快门105的周期性驱动的周期被称为“驱动周期”。
24.此外，快门装置100包括用于测量关于快门装置100的物理量的传感器101。例如，传感器101可以是配设于快门装置100并且测量快门装置100的振动的传感器。具体地，传感器101可以是测量快门装置100(的一部分)的位置、速度和加速度中的至少一者的传感器。此外，传感器101可以是诸如干涉仪或编码器的传感器，其以非接触方式测量快门装置100
的位置、速度和加速度中的至少一者。此外，例如，传感器101可以是测量由快门装置100产生的声音的声音传感器。此外，传感器101可以是测量由旋转机构104产生的旋转扭矩的扭矩传感器。此外，传感器101可以是测量旋转机构104的电流消耗的电流传感器。如上所述，传感器101测量关于快门装置100的物理量，并且获取关于测量的物理量的测量数据。
25.此外，快门装置100可以包括用于在预定方向上驱动快门105的驱动机构，以代替用于在旋转方向上驱动快门105的旋转机构。在这样的实施例中，快门105不限于图1b所示的形状，而是可以具有任何形状，从而使得当快门105在预定方向上被驱动时遮挡光102。驱动机构通过例如沿预定方向往复移动快门105来遮挡光102和允许光102通过。具体地，在这样的实施例中，驱动机构通过往复移动快门105以预定的驱动周期周期性地驱动快门105。
26.如上所述，快门装置100以如上所述的预定驱动周期周期性地驱动快门105，并且长期操作可能导致快门装置100的部件的磨损和变形，这可能导致快门装置100发生故障。此外，在快门装置100由于故障而停止之前，期望进行诸如部件更换的维护操作，以防止快门装置100发生故障。
27.因此，根据本示例性实施例的快门装置100迅速检测快门装置100中的异常操作，从而可以在快门装置100发生故障之前进行维护操作。
28.图2是示出检测快门装置中的异常操作的异常检测装置的图。异常检测装置200是计算机(信息处理设备)。异常检测装置200包括处理单元201，该处理单元201包括例如中央处理单元(cpu)的处理器，其基于程序进行用于控制的计算。异常检测装置200还包括用于存储控制程序和静态数据的诸如只读存储器(rom)的存储单元202，并且包括用作临时数据存储区和处理单元201的工作区的随机存取存储器(ram)。此外，异常检测装置200可以包括与rom和ram相比能够存储更大量数据的磁存储设备(例如，硬盘驱动器(hdd))，作为存储单元202。此外，异常检测装置200可以包括作为存储单元202的驱动装置，诸如压缩盘(cd)、数字多功能盘(dvd)或存储卡的外部介质被插入该驱动装置中以读取或写入数据。根据本示例性实施例，rom、ram、磁存储设备和驱动设备中的至少一者被用作存储单元202，并且存储单元202存储控制程序、静态数据、处理单元201的工作区中数据以及临时数据。此外，异常检测装置200可以包括诸如阴极射线管(crt)、液晶显示器或触摸面板的显示单元213。异常检测装置200可以配设在快门装置100的内部或外部。
29.接下来，下面将参照图2和图3描述由处理单元201执行的异常检测处理。图3是示出根据本示例性实施例的异常检测处理的流程图。由处理单元201的组件进行图3所示的异常检测处理。
30.在步骤s301中，处理单元201获取用于生成模型(异常检测模型)的生成数据208，该模型输出用于检测异常操作的确定数据。首先，处理单元201获取在快门装置100正常操作的状态下由传感器101测量的测量数据。由传感器101测量的测量数据包括关于快门装置100的物理量的时序数据。然后，转换单元203将获取的测量数据从模拟信号转换为数字信号(离散信号)。
31.接下来，计算单元204根据由转换单元203转换的数字信号计算特征值。本文中的特征值被计算为例如通过计算时序数字信号的离散傅里叶变换而获得的频谱波形的重心值。如上所述，计算没有测量数据的维度的特征值，作为关于由传感器101测量的测量数据的信息。由选择单元205选择用于计算的特征值的模型生成处理模式，并且将特征值作为生
成数据208存储在存储单元202中。在由选择单元205选择下述的异常检测处理模式或异常分类处理模式的情况下，特征值作为与生成数据208不同的数据存储在存储单元202中。
32.下面将描述用于计算作为特征值的频谱波形的重心的方法。
33.使用下式(1)和(2)来计算频率分量的重心g
x
和幅度分量的重心gy，其中g
x
是频谱波形的频率分量的重心，gy是频谱波形的幅度分量的重心，fi是频率，li是频谱信号强度，s是整个频谱波形的信号强度之和，以及n是频谱波形的数据总数。
[0034][0035][0036]
此外，要计算的特征值不限于频谱波形的重心。例如，时序数据的均方根(rms)值、峰值(最大或最小)信号强度值或定义为峰值与rms值之间的比率的波峰因素值(crest factor value)可以用作特征值。此外，使用由多个时序数据(例如振动、扭矩和控制电流)构成的多元时序数据作为输入的主成分分析的结果可以用作特征值。
[0037]
在步骤s302中，生成单元209使用存储在存储单元202中的生成数据208来生成异常检测模型。
[0038]
在快门装置100的操作期间，通常发生异常操作的概率极低，并且发生异常操作期间的时间比快门装置100正常操作的时间短。因此，难以收集到在异常操作发生时测量的足以生成异常检测模型的量的数据(异常数据)。因此，根据本示例性实施例，基于正常数据生成用于检测异常操作的模型。根据本示例性实施例，使用mahalanobis-taguchi系统(mt系统)对正常数据集进行异常检测，该mahalanobis-taguchi系统是使用质量工程和多元变量分析的组合的众所周知的确定方法。
[0039]
图4是示出特征值和马氏距离的图。mt系统是基于正常数据来检测异常数据的方法。输入数据401是用于确定该数据是否为异常操作的数据，并且正常数据集402是正常特征值数据集。横轴表示特征值x，而纵轴表示特征值y。各个位置基于相应数据的特征值来确定。根据mt系统，计算从正常数据集402的参考点(例如，中心)到输入数据401的马氏距离403，并且在计算出的马氏距离403在预定的可接受范围404之外的情况下，输入数据401被确定为异常操作。
[0040]
根据mt系统，输出马氏距离403作为确定数据的模型被用作异常检测模型。使用作为异常操作检测目标的输入数据(x，y)和正常数据集(x，y)的协方差矩阵a来计算马氏距离403。使用式(3)计算正常数据集的协方差s
xy
。
[0041][0042]
输入数据(x，y)的协方差矩阵a使用式(4)来计算，式(4)使用正常数据的方差s
x
、sy和s
xy
。
[0043][0044]
使用式(5)计算来自正常数据集(x,y)的输入数据(x,y)的马氏距离403，其中md是
马氏距离403。
[0045][0046]
如上所述，在步骤s302中，生成单元209生成式(5)作为异常检测模型，式(5)使用输入数据(x，y)作为输入来输出马氏距离403。根据本示例性实施例，使用特征值(g
x
，gy)作为输入数据(x，y)。
[0047]
在步骤s303中，处理单元201获取用于检测异常操作的检测数据207。处理单元201获取关于在快门装置100正在操作的状态下由传感器101测量的物理量的时序数据，并且处理单元201计算特征值。在步骤s303中的时序数据获取和特征值计算与步骤s301中的那些类似，因此省略对其的重复详细描述。此外，由选择单元205针对计算出的特征值来选择异常检测处理模式，并将该特征值作为用于检测异常操作的检测数据207存储在存储单元202中。
[0048]
在步骤s304中，检测单元210确定在快门装置100中是否已发生异常操作。具体地，检测单元210使用由生成单元209生成的异常检测模型确定在存储单元202中存储的检测数据207是否为异常数据。检测单元210将检测数据207输入到异常检测模型并获取从异常检测模型输出的马氏距离403。在马氏距离403大于或等于阈值md
th
(阈值md
th
表示图4中的可接受范围404的边界)的情况下(在满足以下式(6)的情况下)，检测数据207被判定为异常数据。
[0049]
md
th
≤md
···
(6)
[0050]
异常检测方法不限于使用mt系统的方法，可以使用例如k-最近邻算法、一类支持向量机(one-class svm)或自动编码器进行异常检测。
[0051]
在步骤s304中，在快门装置100确定已经发生了异常操作的情况下(步骤s304中为“是”)，处理前进到步骤s305。另一方面，在快门装置100没有确定已经发生异常操作的情况下(步骤s304中为“否”)，处理返回到步骤s303。
[0052]
在步骤s305中，处理单元201获取关于在快门装置100正在操作的状态下由传感器101测量的物理量的时序数据，并且处理单元201计算特征值。
[0053]
针对快门装置100的各个驱动周期，将在步骤s305中获取的时序数据划分为多个时序数据，并且计算与多个时序数据对应的多个特征值。此外，时序数据获取和特征值计算与步骤s301中的那些类似，因此省略对其的重复详细描述。此外，由选择单元205选择用于多个计算出的特征值的异常分类处理模式，并将该多个特征值作为用于将异常操作分类的分类数据206存储在存储单元202中。
[0054]
在步骤s306中，分类单元211基于从分类数据206的多个特征值中选择的至少两个特征值来计算确定数据。分类单元211可以计算例如两个特征值之间的差值或比率，作为确定数据。此外，分类单元211从多个特征值中选择例如两个特征值的多个组合。然后，分类单元211计算多个组合中的各个组合的两个特征值之间的差值或比率，并且可以计算统计值(诸如，所计算的差值或比率的最大值、最小值、平均值或中值)，作为确定数据。
[0055]
根据本示例性实施例，关注于以预定驱动周期周期性地驱动快门装置100的点，来分类在快门装置100中发生的异常操作。快门装置100中的异常操作的示例是由于快门105
因热或外力而变形所发生的异常操作。在快门105变形的情况下，在快门105被驱动的同时，快门105可能与快门装置100的壳体等部件接触。例如，在快门105包括如图1b所示的三个叶片并且叶片中的一个变形并与快门装置100的一部分接触的情况下，在由传感器101测量的时序数据中每三次打开/关闭驱动(一个周期驱动)发生一次异常操作。
[0056]
图5a和图5b是示出由传感器101测量的时序数据的图。图5a是示出在由于快门105的一个叶片变形并与快门装置100的一部分接触而发生异常操作的情况下的时序数据501的图。在时序数据501中，时序数据502至时序数据507是对快门105进行打开/关闭驱动的定时处的时序数据。在图5a的示例中，在时序数据502和时序数据505中发生异常。时序数据502和时序数据505的波形彼此相似，并且由时序数据502和时序数据505计算的特征值具有高相关性。换句话说，在由于快门装置100的一部分在快门105被驱动的同时与快门105接触而发生异常操作的情况下，由传感器101测量的时序数据501的波形中出现周期性特征。
[0057]
此外，快门装置100中的异常操作的另一个示例是：由于夹具106的固定部分的紧固力减小而导致将快门105固定到轴103的力减小，因此快门105不会完全跟随轴103的旋转，进而导致发生异常操作。在这种情况下，在快门105被驱动的同时，快门105立即与快门装置100的一部分接触的概率较低。
[0058]
图5b是示出在将快门105固定于轴103的力变小并且快门105不完全跟随轴103的旋转从而导致发生异常的情况下的时序数据508的图。在时序数据508中，时序数据509至时序数据514是对快门105进行打开/关闭驱动的定时处的时序数据。在图5b的示例中，在时序数据509至时序数据514中发生异常。然而，与图5a中的示例不同，时序数据509至时序数据514的波形彼此不相似，并且由时序数据509至时序数据514计算的特征值具有低相关性。换句话说，在快门105被驱动的同时由于将快门105固定到轴103的力减小而发生异常操作的情况下，在由传感器101测量的时序数据501的波形中不出现周期性特征。
[0059]
因此，从时序数据502获取的特征值与从时序数据505获取的特征值之间的差值或比率较小，而从时序数据509获取的特征值与从时序数据502获取的特征值之间的差值或比率较大。具体地，可以使用基于分类数据206中的多个特征值计算的确定数据对快门装置100中发生的异常操作进行分类。
[0060]
基于快门装置100的特性来确定从分类数据206中的多个特征值中选择哪些特征值。例如，在图1b的示例中，由于存在三个叶片(遮光部分)，选择根据对应于每三次打开/关闭驱动(一个周期驱动)的时序数据(例如时序数据502和时序数据505)计算的特征值。在图5a的示例中，示出了通过进行六次打开/关闭驱动(两个周期旋转驱动)获得的时序数据501。在步骤s306中，分类单元2择时序数据502和时序数据505的组合、时序数据503和时序数据506的组合以及时序数据504和时序数据507的组合。然后，分类单元211基于根据这些组合计算的特征值来计算确定数据。此外，分类单元211可以计算作为多个数据的确定数据，或者可以计算作为统计值(例如多个数据的最大值、最小值、平均值或中值)的确定数据。
[0061]
将在下面进一步描述图3。在步骤s307中，分类单元211确定该确定数据是否小于或等于预定阈值。在分类单元211确定该确定数据小于或等于预定阈值的情况下(步骤s307中为“是”)，处理前进到步骤s308。另一方面，在分类单元211没有确定该确定数据小于或等于预定阈值的情况下(步骤s307中为“否”)，处理前进到步骤s309。
[0062]
在步骤s308中，分类单元211确定在快门装置100中已经发生了周期性异常操作。此外，分类单元211可以经由控制单元212在显示单元213上显示指示已经发生周期性异常操作的错误消息。此外，虽然上面将由于快门105与快门装置100的一部分接触而导致发生异常操作描述为周期性异常操作，但是周期性异常操作不限于上述那些。周期性异常操作例如可以是由于快门105之外的被驱动部分与快门装置100的另一部分接触而导致发生的异常操作。
[0063]
此外，在快门装置100中发生周期性异常操作的情况下，被驱动的部件(例如快门105)接触并导致引起快门装置100的损害的异常操作存在较高的概率。因此，控制单元212可以进行控制以停止快门装置100的操作。这使得可以迅速地对快门装置100进行维护。
[0064]
在步骤s309中，分类单元211确定在快门装置100中已经发生了非周期性异常操作。此外，分类单元211可以经由控制单元在显示单元213上显示指示已经发生非周期性异常操作的错误消息212。此外，虽然由于将快门105固定到轴103的力减小而导致发生的异常操作被描述为非周期性异常操作，但非周期性异常操作不限于上述那些。非周期性异常操作可以是例如由于固定快门105以外的部分的力减小而导致发生的异常操作。
[0065]
此外，在快门装置100中发生非周期性异常操作的情况下，被驱动的部件(例如快门105)接触并导致异常操作的概率较低，并且异常操作立即引起对快门装置100的部件的损害的概率较低。因此，控制单元212可以进行控制以继续快门装置100的操作。这提高了快门装置100的操作率。
[0066]
此外，在快门装置100中发生非周期性异常操作并且控制单元212执行控制以继续快门装置100的操作的情况下，控制单元212可以降低由驱动机构驱动的快门105的速度。此外，在快门装置100中发生非周期性异常操作并且控制单元212执行控制以继续快门装置100的操作的情况下，控制单元212可以降低由驱动机构驱动快门105的频率。这提高了操作率，同时降低了对快门装置100的部件造成损坏的概率。
[0067]
如上所述，使用根据本示例性实施例的快门装置100，根据测量的时序数据计算特征值，并且使用异常检测模型确定快门装置100中是否发生了异常操作，从而迅速检测到异常操作。此外，基于根据划分的时序数据计算的特征值来计算确定数据，并且通过将计算的确定数据与阈值进行比较来将快门装置100中发生的异常操作分类。
[0068]
接下来，下面将描述根据第二示例性实施例的快门装置。下面未描述的点与根据第一示例性实施例的点类似。根据本示例性实施例，由测量单元测量的时序数据被划分为多个组，并且使用针对各个划分的组生成的异常检测模型来确定快门装置中是否发生异常操作。
[0069]
图6示出根据本示例性实施例的异常检测处理的流程图。图6所示的异常检测处理由处理单元201的组件进行。
[0070]
在步骤s601中，处理单元201获取用于生成异常检测模型的生成数据208，该异常检测模型用于检测异常操作。首先，处理单元201获取在快门装置100正常操作的状态下由传感器101测量的物理量的时序数据。接下来，处理单元201通过快门105的打开/关闭驱动定时将获取的时序数据进行划分，并且基于在快门装置100的驱动周期中快门105的打开/关闭驱动的顺序，将划分的时序数据分成多个组。
[0071]
图7是示出被划分和分组的时序数据的图。在图7的示例中，快门105包括三个叶
片，并且每个周期进行三次打开/关闭驱动。此外，在图7的示例中，示出了对应于两个周期的时序数据700。此外，时序数据701a是在第一周期t1中的第一打开/关闭驱动时测量的时序数据，时序数据702a是在第一周期t1中的第二打开/关闭驱动时测量的时序数据，并且时序数据703a是在第一周期t1中的第三打开/关闭驱动时测量的时序数据。此外，时序数据701b是在第二周期t2中的第一打开/关闭驱动时测量的时序数据，时序数据702b是在第二周期t2中的第二打开/关闭驱动时测量的时序数据，并且时序数据703b是在第二周期t2中的第三打开/关闭驱动时测量的时序数据。
[0072]
处理单元201将获取的时序数据700划分为时序数据701a、时序数据702a、时序数据703a、时序数据701b、时序数据702b和时序数据703b。然后，处理单元201将时序数据701a和时序数据701b分组为组1，将时序数据702a和时序数据702b分组为组2，并且将时序数据703a和时序数据703b分组为组3。
[0073]
虽然在图7的示例中快门105的打开/关闭驱动在每个周期进行三次，但是每个周期进行打开/关闭驱动的次数不限于三次并且可以是任意次数。此外，虽然在图7的示例中获取了与两个周期相对应的时序数据，但周期的数量不限于两个，并且可以获取与期望的周期数相对应的时序数据。此外，时序数据的组数不限于三组，时序数据被划分为与每个周期对快门105进行打开/关闭驱动的次数相对应的组数。
[0074]
接下来，转换单元203将分组后的时序数据从模拟信号转换为数字信号，并且计算单元204根据由转换单元203转换的数字信号来计算各个组的特征值。特征值计算方法类似于根据第一示例性实施例的方法，因此省略对其的重复详细描述。
[0075]
图8a至图8c是示出各个组的特征值和马氏距离的图。在图8a至图8c中，示出了将数据分成三组的情况。图8a示出了组1的特征值。图8b示出了组2的特征值。图8c示出了组3的特征值。此外，正常数据集801至803是属于组1至组3的正常特征值数据集。此外，由选择单元205针对计算和分组的特征值来选择模型生成处理模式，并将特征值按组作为生成数据208存储在存储单元202中。
[0076]
将在下面进一步描述图6。在步骤s602中，生成单元209使用存储在存储单元202中的生成数据208针对每个组生成异常检测模型。用于生成异常检测模型的方法类似于根据第一示例性实施例的方法，因此省略对其的重复详细描述。
[0077]
在步骤s603中，处理单元201获取用于检测异常操作的检测数据207。首先，处理单元201获取在快门装置100操作的状态下由传感器101测量的物理量的时序数据。接下来，处理单元201通过快门105的打开/关闭驱动定时对获取的时序数据进行划分，并且基于快门105的打开/关闭驱动的定时，将划分的时序数据分成多个组。在步骤s603中的时序数据获取和特征值计算与步骤s601中的那些类似，因此省略对其的重复详细描述。此外，由选择单元205针对计算和分组的特征值来选择异常检测处理模式，并将特征值按组作为检测数据207存储在存储单元202中。
[0078]
在步骤s604中，检测单元210确定在快门装置100中是否发生异常操作。具体地，检测单元210使用由生成单元209生成的异常检测模型确定在存储单元202中存储的检测数据207是否为异常数据。检测单元210使用与组对应的异常检测模型来确定针对各个组存储的检测数据207是否是异常数据。此外，检测单元210针对多个组中各个组进行检测数据207是否是异常数据的确定，并且在至少一个组被确定为异常数据的情况下，检测单元210确定检
测数据207包括异常数据。此外，异常检测方法除了针对各个组执行该方法之外，与根据第一示例性实施例的方法类似，因此省略了对其重复的详细描述。
[0079]
在步骤s604中，在检测数据207被确定为异常数据的情况下(在步骤s604中为“是”)，处理前进到步骤s605，而在检测数据207未被确定为异常数据的情况下(在步骤s604中为“否”)，处理前进到步骤s603。
[0080]
在步骤s605中，处理单元201获取关于在快门装置100操作的状态下由传感器101测量的物理量的时序数据，并且处理单元201计算特征值。
[0081]
时序数据获取和特征值计算与步骤s601中的那些类似，因此省略对其的重复详细描述。此外，由选择单元205针对多个计算的特征值来选择异常分类处理模式，并将多个特征值作为用于将异常操作分类的分类数据206存储在存储单元202中。
[0082]
在步骤s606中，分类单元211基于分类数据206计算第一确定数据和第二确定数据。
[0083]
下面将参照图8a至图8c描述用于计算第一确定数据和第二确定数据的方法。在图8a至图8c中，异常数据集804至806是分别属于组1至组3的异常特征值数据集。此外，马氏距离807至809是距组1至组3的正常数据集801至803的异常数据集804至806的马氏距离。
[0084]
在发生周期性异常操作的情况下，由于分组在一起的多条时序数据具有共同的特征，因此分组的特征值的异常数据集的方差小于预定阈值。周期性异常操作的示例是由于一个叶片变形并与快门装置100的一部分接触而导致发生的异常操作。此外，在发生周期性异常操作的情况下，在一个周期内特定时刻的打开/关闭驱动时发生异常操作，因此特定组的马氏距离大于其他组的马氏距离。在图8a至图8c的例子中，组1的马氏距离807大于组2的马氏距离808和组3的马氏距离809。这表明在组1的特征值中出现异常，并且在快门装置100中可能发生了周期性异常操作。
[0085]
因此，根据本示例性实施例，基于针对各个组计算的特征值的方差和针对各个组计算的马氏距离来计算第一确定数据和第二确定数据。首先，计算针对组的异常数据集的特征值的方差的最大值，作为第一确定数据。此外，第二确定数据被计算为通过将针对组的马氏距离的最大值除以针对组的马氏距离的总和而获得的商。
[0086]
将在下面进一步描述图6。在步骤s607中，分类单元211确定第一确定数据是否小于或等于预定阈值。在分类单元211确定第一确定数据小于或等于预定阈值的情况下(步骤s607中为“是”)，处理前进到步骤s608。另一方面，在分类单元211没有确定第一确定数据小于或等于预定阈值的情况下(步骤s607中为“否”)，处理前进到步骤s610。用于确定第一确定数据(针对组的异常数据集的特征值的方差的最大值)的式由以下式(7)所表示，其中max(v
gr
)为针对组的特征值的方差的最大值，并且v
th
是阈值。
[0087]vth
≥max(v
gr
)
···
(7)
[0088]
在步骤s608中，分类单元211确定第二确定数据是否大于或等于预定阈值。在分类单元211确定第二确定数据大于或等于预定阈值的情况下(步骤s608中为“是”)，处理前进到步骤s609。另一方面，在分类单元211没有确定第二确定数据大于或等于预定阈值的情况下(步骤s608中为“否”)，处理前进到步骤s610。用于确定第二确定数据(通过将针对组的马氏距离的最大值除以针对组的马氏距离的总和所获得的商)的式由以下式(8)表示，其中md1是针对组1的马氏距离，md2是针对组2的马氏距离，md3是针对组3的马氏距离，md
max
是针
对组的马氏距离的最大值，并且err
th
是阈值。
[0089][0090]
在步骤s609中，分类单元211确定在快门装置100中已经发生了周期性异常操作。此外，分类单元211可以经由控制单元212在显示单元213上显示指示已经发生周期性异常操作的错误消息。
[0091]
在步骤s610中，分类单元211确定在快门装置100中已经发生了非周期性异常操作。此外，分类单元211可以经由控制单元212在显示单元213上显示指示已经发生非周期性异常操作的错误消息。
[0092]
如上所述，使用根据本示例性实施例的快门装置100，根据测量的时序数据计算特征值，并且使用异常检测模型确定快门装置100中是否已经发生了异常操作，从而迅速检测到异常操作。此外，基于针对各个组计算的特征值来计算确定数据，并且通过将计算的确定数据与阈值进行比较来对快门装置100中发生的异常操作进行分类。
[0093]
《曝光装置的示例性实施例》
[0094]
图9示出了根据第一示例性实施例和第二示例性实施例的包括快门装置100的曝光装置900的示例。曝光装置900通过用曝光光l1经由标线r和投影光学系统po照射基板s，来对施加到基板s上的感光材料pr进行曝光。曝光装置900包括用于照射标线r的照明光学系统910，并且照明光学系统910包括快门装置100。
[0095]
曝光装置900可用于制造诸如半导体器件的物品。根据示例性实施例的物品制造方法包括：将感光材料施加到基板s，使用曝光装置900对已经经历施加处理的基板s进行曝光，在已经经历曝光的基板s上对感光材料进行显影，以及处理已经经历显影的基板s。处理的示例是离子注入和蚀刻。物品制造方法通过前述过程由基板s制造物品。
[0096]
《模制装置的示例性实施例》
[0097]
图10示出了根据第一示例性实施例和第二示例性实施例的包括快门装置100的模制装置1000的示例。模制装置1000通过使模具m与基板s上的组合物cm接触并通过用光l2照射组合物cm使组合物cm硬化来对基板s上组合物cm进行模制。模制装置1000包括用于用光l2照射组合物cm的光学系统1010，并且光学系统1010包括快门装置100。模制装置1000例如可以是：在基板s上形成由组合物cm构成的图案的压印装置，或者在基板s上形成由组合物cm构成的平坦层的平坦化装置。
[0098]
模制装置1000可用于制造诸如半导体器件的物品。根据示例性实施例的物品制造方法包括：使用模制装置1000对基板s上的组合物cm进行模制并处理已经经历上述过程的基板s以由基板s制造物品。
[0099]
本公开提供用于快速检测快门装置中的异常操作的异常检测装置、异常检测方法和存储介质。
[0100]
其它实施例
[0101]
本公开的一些实施例也可以通过如下实现：一种系统或装置的计算机，该系统或装置读出并执行在存储介质(其也可被更充分地称为“非暂态计算机可读存储介质”)上记录的计算机可执行指令(例如，一个或更多个程序)，以执行上述(多个)实施例中的一个或更多个的功能，并且/或者，该系统或装置包括用于执行上述(多个)实施例中的一个或更多
个的功能的一个或更多个电路(例如，专用集成电路(asic))；以及由该系统或者装置的计算机执行的方法，例如，从存储介质读出并执行计算机可执行指令，以执行上述(多个)实施例中的一个或更多个的功能，并且/或者，控制所述一个或更多个电路以执行上述(多个)实施例中的一个或更多个的功能。所述计算机可以包括一个或更多处理器(例如，中央处理单元(cpu)，微处理单元(mpu))，并且可以包括分开的计算机或分开的处理器的网络，以读出并执行所述计算机可执行指令。所述计算机可执行指令可以例如从网络或存储介质被提供给计算机。所述存储介质可以包括例如硬盘、随机存取存储器(ram)、只读存储器(rom)、分布式计算系统的存储器、光盘(诸如压缩光盘(cd)、数字通用光盘(dvd)或蓝光光盘(bd)
tm
)、闪存设备以及存储卡等中的一者或更多。
[0102]
本发明的实施例还可以通过如下的方法来实现，即，通过网络或者各种存储介质将执行上述实施例的功能的软件(程序)提供给系统或装置，该系统或装置的计算机或是中央处理单元(cpu)、微处理单元(mpu)读出并执行程序的方法。
[0103]
虽然本公开已经描述了示例性实施例，但是应当理解，一些实施例不限于所公开的示例性实施例。下述权利要求的范围被赋予最宽的解释，以便涵盖所有这样的修改以及等同的结构和功能。
[0104]
此外，如上所述，第一示例性实施例和第二示例性实施例不仅可以单独执行，而且可以组合执行。

技术特征：

1.一种异常检测装置，其用于检测被构造为遮挡光的快门装置中的异常操作，所述异常检测装置包括：检测单元，其被构造为：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型来检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。2.根据权利要求1所述的异常检测装置，其中，关于测量数据的信息包括根据测量数据计算出的特征值。3.根据权利要求2所述的异常检测装置，其中，所述特征值是根据通过测量关于快门装置的物理量而获得的时序数据来计算的。4.根据权利要求3所述的异常检测装置，其中，所述特征值包括根据时序数据的波形计算的重心。5.根据权利要求3所述的异常检测装置，其中，所述物理量包括：快门装置的位置、快门装置的速度和快门装置的加速度中的至少一者。6.根据权利要求3所述的异常检测装置，其中，所述物理量包括由快门装置产生的声音。7.根据权利要求3所述的异常检测装置，其中，所述物理量包括由驱动快门装置的驱动机构产生的扭矩。8.根据权利要求3所述的异常检测装置，其中，所述物理量包括驱动快门装置的驱动机构的电流消耗。9.根据权利要求1所述的异常检测装置，其中，所述异常检测模型是基于在快门装置正常操作的状态下测量的测量数据生成的。10.根据权利要求1所述的异常检测装置，其中，所述确定数据包括基于根据测量数据计算出的特征值和根据在快门装置正常操作的状态下测量的测量数据计算出的特征值而计算出的马氏距离。11.根据权利要求1所述的异常检测装置，其中，所述检测单元基于通过测量关于快门装置的物理量而获取的并且基于快门装置驱动快门的定时而划分的时序数据来确定检测到的异常操作是否是周期性的异常操作。12.根据权利要求11所述的异常检测装置，所述异常检测装置还包括：控制单元，其被构造为控制所述快门装置的操作，其中，在所述检测单元检测到的异常操作被确定为周期性异常操作的情况下，控制单元停止快门装置的操作。13.根据权利要求12所述的异常检测装置，其中，在所述检测单元检测到的异常操作被分类为非周期性异常操作的情况下，控制单元降低快门装置的快门被驱动的速度或快门被驱动的频率，并且控制单元继续快门装置的操作。14.一种异常检测方法，其用于检测被构造为遮挡光的快门装置中的异常操作，所述异常检测方法包括：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型来检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。15.一种非暂态计算机可读存储介质，其存储用于使计算机执行异常检测方法的程序，
该异常检测方法用于检测被构造为遮挡光的快门装置中的异常操作，所述异常检测方法包括：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型来检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。16.一种用于遮挡光的快门装置，所述快门装置包括：检测单元，其被构造为：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型检测快门装置中的异常操作，所述异常检测模型输出用于检测异常操作的确定数据。17.一种曝光装置，其用于通过用光照射基板来对基板进行曝光，所述曝光装置包括：快门装置，其被构造为遮挡光；和异常检测装置，其被构造为检测快门装置中的异常操作，其中，异常检测装置包括检测单元，所述检测单元被构造为：在关于对快门装置的测量数据的信息被输入到所述异常检测模型的情况下，使用所述异常检测模型检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。18.一种用于制造物品的方法，所述方法包括：使用根据权利要求17所述的曝光装置对基板进行曝光；对曝光后的基板进行显影；以及对显影后的基板进行处理，其中，由处理后的基板制造物品。19.一种模制装置，其用于通过使模具与基板上的组合物接触并用光照射组合物来对组合物进行模制，所述模制装置包括：快门装置，其被构造为遮挡光；和异常检测装置，其被构造为检测快门装置中的异常操作，其中，异常检测装置包括检测单元，所述检测单元被构造为：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。20.一种用于制造物品的方法，所述方法包括：使用根据权利要求19所述的模制装置，对基板上的组合物进行模制；以及处理对组合物进行模制的基板，其中，由处理后的基板制造物品。

技术总结

本发明提供异常检测装置、异常检测方法、存储介质、快门装置及曝光装置。一种异常检测装置用于检测被构造为遮挡光的快门装置中的异常操作，所述异常检测装置包括：检测单元，其被构造为：在关于对快门装置的测量数据的信息被输入到异常检测模型的情况下，使用所述异常检测模型检测异常操作，所述异常检测模型输出用于检测异常操作的确定数据。用于检测异常操作的确定数据。用于检测异常操作的确定数据。