CN117157601A - 缺陷预测系统、缺陷预测方法和程序 - Google Patents

Abstract

本公开的目的是在产品的缺陷数量增加之前识别缺陷数量增加的原因。一种缺陷预测系统(1)包括获取器(11)、缺陷相关数量预测器(12)和原因预测器(13)。缺陷相关数量预测器(12)基于由获取器(11)获取的过去缺陷相关数量，预测多个工艺步骤中的每一个和多个生产线中的每一个中的产品的未来缺陷相关数量。原因预测器(13)基于由缺陷相关数量预测器(12)预测的多个工艺步骤中的每一个中和多个生产线中的每一个中的未来缺陷相关数量，预测将是未来缺陷相关数量增加的原因的生产线。

Description

缺陷预测系统、缺陷预测方法和程序

技术领域

本公开总体上涉及一种缺陷预测系统、缺陷预测方法和程序，并且更具体地涉及一种用于对产品的缺陷进行预测的缺陷预测系统、缺陷预测方法和程序。

背景技术

专利文献1公开了一种用于做出关于产品缺陷的判定的已知系统。更具体地，专利文献1公开了一种用于确定设备为缺陷原因的系统(以下称为“缺陷原因确定系统”)。专利文献1的系统包括因子效应数据创建器、因子效应图绘制器、缺陷批次选择优化器和设备差异分析器。因子效应数据创建器基于与具有特定缺陷形式的批次有关的缺陷批次组信息来创建因子效应数据。因子效应图绘制器绘制指示因子效应数据是否与缺陷批次标识信息一致的因子效应图。缺陷批次选择优化器通过参考因子效应图来选择由于相同缺陷原因而变得有缺陷的多个缺陷批次。设备差异分析器从设备历史信息数据库中读出已经对如此选择的多个缺陷批次进行处理的一组制造设备的历史信息，由此确定哪个制造设备已用于共同处理所有多个缺陷批次。

然而，当专利文献1的缺陷原因确定系统发现缺陷数量增加的原因时，产品之中的缺陷数量已经增加。因此，专利文献1的缺陷原因确定系统涉及缺陷数量的增加，这是专利文献1的系统所存在的问题。

引用列表

专利文献

专利文献1：JP 2005-284650 A

发明内容

因此，本公开的目的是提供一种其全部都有助于在产品之中的缺陷数量增加之前确定缺陷数量增加的原因的缺陷预测系统、缺陷预测方法和程序。

根据本公开的一方面的缺陷预测系统被配置为对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测。多个工艺步骤中的每一个包括彼此平行的多个生产线。缺陷预测系统包括获取器、缺陷相关数量预测器和原因预测器。获取器获取针对多个工艺步骤中的至少一个中的多个生产线中的每一个的过去缺陷相关数量。过去缺陷相关数量与过去产品产生的缺陷数量相关。缺陷相关数量预测器基于由获取器获取的过去缺陷相关数量，针对多个工艺步骤中的每一个中的多个生产线中的每一个预测未来缺陷相关数量。未来缺陷相关数量与未来缺陷数量相关，该未来缺陷数量是预测未来产品将产生的缺陷数量。原因预测器基于由缺陷相关数量预测器针对多个工艺步骤中的每一个中的多个生产线中的每一个预测的未来缺陷相关数量，预测总未来缺陷相关数量增加的原因可归因于多个生产线中的哪个生产线。总未来缺陷相关数量是多个生产线的相应未来缺陷相关数量之和。

根据本公开的另一方面的缺陷预测方法是用于对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测的方法。多个工艺步骤中的每一个包括彼此平行的多个生产线。缺陷预测方法包括获取步骤、缺陷相关数量预测步骤和原因预测步骤。获取步骤包括：获取针对多个工艺步骤中的至少一个中的多个生产线中的每一个的过去缺陷相关数量。过去缺陷相关数量与过去产品产生的缺陷数量相关。缺陷相关数量预测步骤包括：基于在获取步骤中获取的过去缺陷相关数量，针对多个工艺步骤中的每一个中的多个生产线中的每一个预测未来缺陷相关数量。未来缺陷相关数量与未来缺陷数量相关，该未来缺陷数量是预测未来产品将产生的缺陷数量。原因预测步骤包括：基于在缺陷相关数量预测步骤中针对多个工艺步骤中的每一个中的多个生产线中的每一个预测的未来缺陷相关数量，预测总未来缺陷相关数量增加的原因可归因于多个生产线中的哪个生产线。总未来缺陷相关数量是多个生产线的相应未来缺陷相关数量之和。

根据本公开的又一方面的程序被设计为使计算机系统的一个或多个处理器执行上述缺陷预测方法。

附图说明

图1是根据示例性实施例的缺陷预测系统的框图；

图2示出了应用缺陷预测系统的产品的制造工艺；

图3是示出了要由缺陷预测系统执行的处理过程的流程图；

图4是示出了缺陷预测系统如何执行处理的图表；

图5A至图5D是示出了缺陷预测系统如何执行处理的图表；以及

图6A至图6D是示出了缺陷预测系统如何执行处理的图表。

具体实施方式

现在将参考附图描述根据示例性实施例的缺陷预测系统。注意，下文将描述的实施例仅是本公开的各种实施例中的示例性实施例，并且不应被解释为限制性的。相反，在不脱离本公开的范围的情况下，可以根据设计选择或任何其他因素以各种方式容易地修改示例性实施例。

(概述)

首先，参考图1。根据本实施例的缺陷预测系统1对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测。多个工艺步骤中的每一个包括彼此平行的多个生产线。缺陷预测系统1包括获取器11、缺陷相关数量预测器12和原因预测器13。获取器11获取针对多个工艺步骤中的至少一个中的多个生产线中的每一个的产品的过去缺陷相关数量。缺陷相关数量是与缺陷数量相关的数量。过去缺陷相关数量与过去产品产生的缺陷数量相关。缺陷相关数量预测器12基于由获取器11获取的过去缺陷相关数量，针对多个工艺步骤中的每一个中的多个生产线中的每一个预测未来缺陷相关数量。未来缺陷相关数量与预测未来产品将产生的缺陷数量相关。原因预测器13基于由缺陷相关数量预测器12针对多个工艺步骤中的每一个中的多个生产线中的每一个预测的未来缺陷相关数量，预测总未来缺陷相关数量增加的原因可归因于多个生产线中的哪个生产线。总未来缺陷相关数量是多个生产线的相应未来缺陷相关数量之和。

根据本实施例的缺陷预测系统1能够在总缺陷相关数量增加之前确定(预测)产品的总缺陷相关数量增加的原因。这有助于通过在早期阶段消除原因来减少产品的总缺陷相关数量。

如本文所使用的，生产线的“缺陷相关数量”可以指缺陷产品的数量(即缺陷的数量)或缺陷产品的数量与在生产线上制造的产品的总数量的比值(即缺陷率)，以适当者为准。

同样，表述“多个生产线彼此平行”意指由多个生产线产生的结果基本上是相同的，并且多个生产线中的任何一个生产线上的操作在不依赖于任何其他生产线上的操作的情况下完成。例如，可以在彼此平行的多个生产线中的每一个上执行相同的操作。当产品从一个工艺步骤供应到后续工艺步骤时，该产品可以从该一个工艺步骤的多个生产线中的任何生产线供应到后续工艺步骤的多个生产线中的任何生产线。

(详情)

(1)多个工艺步骤和多个生产线的描述

如图2所示，根据本实施例的多个工艺步骤包括为产品提供材料的工艺步骤(以下称为“材料提供步骤”)和其中执行操作来制造产品的三个工艺步骤(以下分别称为“第一步骤”、“第二步骤”和“第三步骤”)。材料提供步骤是最上游的工艺步骤，第一步骤是材料提供步骤的下游，第二步骤是第一步骤的下游，并且第三步骤是第二步骤的下游。

材料提供步骤包括九个生产线M1-M9。第一步骤包括十个生产线A1-A10。第二步骤包括六个生产线B1-B6。第三步骤包括五个生产线C1-C5。注意，每个工艺步骤中包括的生产线的数量仅是示例，并且不应被解释为限制性的。

在材料提供步骤的生产线M1-M9中的每一个中提供相同的材料。生产线M1-M9可以通过例如材料的批号来彼此区分。例如，假设第一批号至第九批号是彼此不同的批号，第i生产线Mi(其中，i＝1、2、3、...或9)是提供被分配了第i批号的材料的工艺步骤。

在第一步骤的生产线A1-A10中的每一个中执行相同的操作。生产线A1-A10各自通过例如执行第一步骤的设备或系统来进行区分。也就是说，提供与生产线A1-A10相同数量(即十个)的设备或系统(即第一至第十设备或系统)。第j生产线Aj(其中，j＝1、2、3、...或10)是使用第j设备或系统来执行操作的工艺步骤。

同样，在第二步骤的生产线B1-B6中的每一个中执行相同的操作。生产线B1-B6各自通过例如执行第二步骤的设备或系统来进行区分。

同样，在第三步骤的生产线C1-C5中的每一个中执行相同的操作。生产线C1-C5各自通过例如执行第三步骤的设备或系统来进行区分。

执行第一步骤至第三步骤的设备或系统的示例包括对材料(产品)执行操作的操作构件、用于驱动操作构件的电机、用于加热或冷却材料的温度调节机构、用于对材料进行化学处理的化学处理系统、以及用于控制整个设备或系统的控制机构。

在图2中，多个空心方块指示相应的生产线。此外，图2中所示的每个箭头指示材料(或产品)从箭头末端的上游工艺步骤的生产线供应到箭头前端的下游工艺步骤的生产线。

在材料提供步骤的生产线M1-M9中的每一个中提供的材料被供应到第一步骤的任何生产线。在材料提供步骤的多个生产线中提供的多个材料可以被供应到第一步骤的生产线A1-A10中的单个生产线，或可以被单独供应到第一步骤的两个或更多个生产线。

以同样的方式，在第一步骤的多个生产线A1-A10中处理的多个材料中的每一个被供应到第二步骤的任何生产线。在第二步骤的多个生产线B1-B6中处理的多个材料中的每一个被供应到第三步骤的任何生产线。

向每个材料分配一条标识信息，如序列号。至少在将材料供应到第一步骤的任何生产线之前向每个材料分配标识信息。材料的标识信息可以存储在附接到材料上的IC标签中，或可以刻在材料上，以适当者为准。

分配给材料的标识信息与向其供应材料的生产线(换言之，当前正在其上执行操作的生产线)的标识信息(如标识码)相关联地存储在数据库中。如果在一个工艺步骤中发现了任何缺陷产品，则缺陷预测系统1可以通过参考缺陷产品的标识信息来确定缺陷产品是从上游工艺步骤的哪个生产线供应的。

(2)配置

如图1所示，缺陷预测系统1包括获取器11、缺陷相关数量预测器12、原因预测器13、警告器14、学习器15和输出器16。注意，这些组成元件仅表示缺陷预测系统1要执行的相应功能，并不总是具备实质性的物理配置。

缺陷预测系统1包括计算机系统，其包括一个或多个处理器和存储器。缺陷预测系统1的至少一些功能是通过使计算机系统的处理器执行存储在计算机系统的存储器中的程序来执行的。程序可以存储在存储器中。程序也可以经由诸如互联网的电信线路下载，或者在已经存储在诸如存储卡的非暂时性存储介质中之后进行分发。

此外，缺陷预测系统1还可以与检查系统2和呈现设备3一起使用。

检查系统2针对任何缺陷检查产品。检查系统2包括传感器和判定设备。传感器检测与产品有关的物理量。判定设备基于传感器检测到的物理量来确定产品是否有任何缺陷。例如，可以适当地基于产品的质量控制标准来确定检查系统2将产品的何种状况视为缺陷。

获取器11从检查系统2获取产品的过去缺陷相关数量。例如，缺陷预测系统1还可以包括通信接口设备，获取器11通过该通信接口设备获取产品的过去缺陷相关数量。如本文所使用的，“过去”是包括现在之前的时间点的概念。例如，获取器11从检查系统2实时地获取缺陷相关数量的情形在下文中也可以被称为获取器11对“过去缺陷相关数量”的获取。

检查系统2针对任何缺陷检查每个产品，并向获取器11提供与缺陷的存在与否有关的信息。获取器11计算与缺陷的存在与否有关的信息的聚合，由此获得产品的过去缺陷相关数量。备选地，信息的聚合也可以由检查系统2计算。

在本实施例中，检查系统2在最下游的工艺步骤(即第三步骤)的多个生产线中的每一个中针对任何缺陷检查产品。获取器11获取最下游的工艺步骤(即第三步骤)的多个生产线中的每一个中的产品的过去缺陷相关数量。

稍后将描述缺陷相关数量预测器12和原因预测器13的功能。

当缺陷相关数量预测器12所预测的总未来缺陷相关数量等于或大于注意阈值Th1(参见图4)时，警告器14生成警告信息以引起管理员的注意。警告信息由输出器16输出到呈现设备3。

学习器15通过机器学习生成要由缺陷相关数量预测器12用来预测未来缺陷相关数量的学习模型。稍后将详细描述机器学习。

输出器16将信息输出到呈现设备3。例如，输出器16可以经由通信接口设备输出信息。

呈现设备3呈现由输出器16提供的信息。呈现设备3将信息呈现为图像、声音(包括语音)或图像与声音的组合。根据本实施例的呈现设备3包括显示器。呈现设备3以与输出器16提供的信息相对应的形式进行显示操作。

图5A至图5D示出了在呈现设备3上显示的示例性信息。在图5A至图5D中，显示了由缺陷相关数量预测器12预测的未来缺陷相关数量(缺陷数量)。此外，图5B中标记为“缺陷增加的原因”的生产线A2和图5C中标记为“缺陷增加的原因”的生产线B2是由原因预测器13预测为总未来缺陷相关数量增加的原因的生产线。可以看出，图5A至图5D示出了哪个生产线被预测为总未来缺陷相关数量增加的原因。

也就是说，输出器16向呈现设备3输出表示缺陷相关数量预测器12所预测的未来缺陷相关数量的信息或指示由原因预测器13预测为总未来缺陷相关数量增加的原因的生产线的信息中的至少一者(例如，在本实施例中为两者)。

(3)缺陷相关数量预测和原因预测的详情

接下来，将描述缺陷相关数量预测器12如何执行预测未来缺陷相关数量的处理以及原因预测器13如何执行将生产线预测为总未来缺陷相关数量增加的原因的处理。缺陷相关数量应该是缺陷的数量。

图3示出了要由缺陷预测系统1执行的处理的示例性流程。注意，图3的流程图仅示出了处理的示例性流程。因此，图3所示的处理步骤可以在适当时按照不同的顺序执行，可以根据需要执行附加的处理步骤，或者如果不需要，则可以省略至少一个处理步骤。

在第三步骤中，检查系统2针对任何缺陷检查产品。获取器11从检查系统2获取针对第三步骤的多个生产线C1-C5中的每一个的产品的过去缺陷相关数量(缺陷数量)(在步骤ST1中)。更具体地，获取器11获取表示在相应的检查时间点处生产线的标识信息与缺陷相关数量(缺陷数量)之间的关系的信息，如下表1所示：

[表1]

例如，在检查时间t处，生产线C1的缺陷数量为5。此外，在检查时间t处，生产线C1-C5的总缺陷数量为24。

如本文所使用的，检查时间t-2、t-1和t(参见稍后列出的表1和表2至表8)是指在第三步骤中针对任何缺陷检查产品的相应时间点。表1至表8示出了相应生产线与检查时间之间的对应关系。

如本文所使用的，如果对应于材料提供步骤的特定生产线的检查时间为T(其中，T＝t-2、t-1、t或t+1)，则这意味着材料按该顺序从材料提供步骤的该特定生产线供应到第一步骤、第二步骤和第三步骤，并且随后在时间T处针对任何缺陷检查产品。

如果对应于第一步骤的特定生产线的检查时间为T，则这意味着材料按该顺序从第一步骤的该特定生产线供应到第二步骤和第三步骤，并且随后在时间T处针对任何缺陷检查产品。

如果对应于第二步骤的特定生产线的检查时间为T，则这意味着材料从第二步骤的该特定生产线供应到第三步骤，并且随后在时间T处针对任何缺陷检查产品。

如果对应于第三步骤的特定生产线的检查时间为T，则这意味着材料供应到第三步骤的该特定生产线，并且随后在时间T处针对任何缺陷检查产品。

如本文所使用的，检查时间t+1是未来的时间点，检查时间t是最接近当前时间的时间点，检查时间t-1是检查时间t之前的时间点，并且检查时间t-2是检查时间t-1之前的时间点。

此外，如本文所使用的，对应于检查时间T(其中，T＝t-2、t-1、t或t+1)的缺陷数量是指在检查时间T处检测到的缺陷数量。因此，对应于检查时间T的缺陷数量不包括在检查时间T之前已经检测到的缺陷数量。

每个产品(材料)都设置有标识信息。获取器11还获取每个产品的标识信息。也就是说，获取器11不仅获取针对多个工艺步骤中的特定工艺步骤(即第三步骤)中的多个生产线C1-C5中的每一个的过去缺陷相关数量，而且还获取针对多个工艺步骤中的每一个中的多个生产线中的每一个的产品的标识信息。

缺陷相关数量预测器12通过参考由获取器11获取的标识信息来获得针对特定工艺步骤上游的工艺步骤中的多个生产线中的每一个的过去缺陷相关数量。例如，假设已按如下顺序使产品通过材料提供步骤的生产线M1、第一步骤的生产线A3、第二步骤的生产线B6和第三步骤的生产线C2。此外，假设由获取器11获取的信息揭示了产品已在第三步骤的生产线C2中被检测为缺陷产品。在每个生产线中，执行将产品(缺陷产品)的标识信息与生产线的标识信息相关联地存储在数据库中的处理。缺陷相关数量预测器12通过参考存储在数据库中的信息来确定已按如下顺序使产品通过材料提供步骤的生产线M1、第一步骤的生产线A3、第二步骤的生产线B6和第三步骤的生产线C2。缺陷相关数量预测器12检查每个缺陷产品以确定已经使缺陷产品在每个工艺步骤中通过哪个生产线。以这种方式，导出每个工艺步骤的生产线与过去缺陷相关数量之间的关系，如表1和下面的表2至表4所示：

[表2]

[表3]

[表4]

表2至表4示出了在第三步骤中已经证明是缺陷产品的产品在第三步骤上游的工艺步骤中通过了哪个生产线。因此，在每个时间点，缺陷相关数量之和(即总缺陷相关数量)在每个工艺步骤中都是恒定的。注意，这些表1至表4没有直接指示产品在哪个工艺步骤中成为缺陷产品。

缺陷相关数量预测器12基于过去缺陷相关数量来针对多个生产线中的每一个预测未来缺陷相关数量(即在检查时间t+1处)(在步骤ST2中)。更具体地，缺陷相关数量预测器12通过使用机器学习所生成的学习模型来预测未来缺陷相关数量。

例如，学习模型可以包括使用学习神经网络的分类器。学习神经网络的示例可以包括卷积神经网络(CNN)和贝叶斯神经网络(BNN)。学习模型可以通过例如将学习神经网络安装到诸如专用集成电路(ASIC)或现场可编程门阵列(FPGA)之类的集成电路中来实现。

学习器15执行将每个生产线的过去缺陷相关数量用作训练数据的机器学习，由此生成学习模型。学习模型接收过去缺陷相关数量作为输入，并输出未来缺陷相关数量。

在本实施例中，例如，学习模型可以是回归模型。也就是说，缺陷相关数量预测器12通过基于过去缺陷相关数量的进展进行回归分析来预测未来缺陷相关数量。例如，如果学习模型是基于多项式的回归模型，则学习是对表示缺陷相关数量的多项式的系数进行优化的处理。也就是说，通过学习获得用于计算缺陷相关数量的回归方程(例如，由图4所示的曲线E1表示的方程)。

学习器15生成适合于每个生产线的学习模型。例如，用于输出第三步骤的生产线C1的未来缺陷相关数量的学习模型可以不同于用于输出生产线C2-C5中的每一个的未来缺陷相关数量的学习模型和用于输出任何其他工艺步骤的生产线的未来缺陷相关数量的学习模型。用于输出第三步骤的生产线C1的未来缺陷相关数量的学习模型接收生产线C1的过去缺陷相关数量作为输入，并输出生产线C1的未来缺陷相关数量。以相同的方式，与特定生产线相关联的学习模型接收该生产线的过去缺陷相关数量作为输入，并输出该生产线的未来缺陷相关数量。可选地，作为输入接收的过去缺陷相关数量可以是对应于过去的多个检查时间的多个缺陷相关数量。例如，可以接收分别对应于检查时间t-2、t-1和t(参见表1至表4)的缺陷相关数量，作为输入。

缺陷相关数量预测器12所预测的未来缺陷相关数量(缺陷数量)的示例在下面的表5至表8中示出。表5、表6、表7和表8所示的数据分别基于表2、表3、表4和表1所示的数据来生成。

[表5]

[表6]

[表7]

[表8]

缺陷相关数量预测器12将已经由缺陷相关数量预测器12针对每个工艺步骤预测的总未来缺陷相关数量与注意阈值Th1进行比较(在步骤ST3中)。如果总未来缺陷相关数量等于或大于注意阈值Th1(如果步骤ST3中结果为“是”)，则警告器14生成警告信息以引起管理员的注意(在步骤ST4中)。在这种情况下，要与注意阈值Th1进行比较的总缺陷相关数量是对应于未来某个检查时间的相应缺陷相关数量之和。参见表8，可以看出，对应于第三步骤的检查时间t+1的总缺陷相关数量(缺陷数量)为30。

相对于第三步骤的与表1和表8所示的相应检查时间对应的总缺陷相关数量被绘制为图4中的图表。如图4所示，对应于检查时间t+1的总缺陷相关数量大于注意阈值Th1。因此，缺陷相关数量预测器12输出将产生多个缺陷的预测结果。作为响应，警告器14生成警告信息并使输出器16将警告信息输出到呈现设备3。呈现设备3进行将产生多个缺陷的呈现。例如，呈现设备3可以在监视器屏幕上显示将产生多个缺陷的消息。此外，输出器16还向呈现设备3输出与已经由缺陷相关数量预测器12预测的未来缺陷相关数量有关的信息。呈现设备3呈现未来缺陷相关数量。例如，呈现设备3可以显示诸如表8或图4所示的信息之类的信息。

如表5至表8所示，分别针对多个工艺步骤导出总未来缺陷相关数量。如果对应于至少一个工艺步骤的总未来缺陷相关数量大于注意阈值Th1，则缺陷相关数量预测器12可以输出将产生多个缺陷的预测结果。

接下来，原因预测器13预测将是总未来缺陷相关数量增加的原因的生产线。具体地，原因预测器13将其中缺陷相关数量预测器12所预测的未来缺陷相关数量大于或等于原因阈值Th2的(参见图6A至图6D)并且属于多个生产线的生产线预测为将是总未来缺陷相关数量增加的原因的生产线。

原因预测器13基于与相应生产线相关联的未来缺陷相关数量的分布来确定原因阈值Th2。更具体地，原因预测器13针对多个工艺步骤中的每一个调整多个生产线的相应未来缺陷数量(即未来缺陷的数量)，使得多个生产线的相应未来缺陷数量之和落入预定范围内，并且基于如此调整的未来缺陷数量的分布来确定原因阈值Th2。此外，原因预测器13还基于与相应生产线相关联的未来缺陷相关数量的分布的分位数来确定原因阈值Th2。如本文所使用的，“调整缺陷数量”并不意指改变实际制造的缺陷产品的数量。相反，如本文所使用的“调整缺陷数量”意指在进行计算以确定原因阈值Th2时将缺陷数量视为大于或小于实际数量的数量。这一点将参考附图进行详细描述。

图5A至图5D是分别基于表5至表8所示的数据来绘制的图表。具体地，图5A至图5D示出了对应于检查时间t+1并与相应生产线相关联的缺陷数量的分布(预测值)。原因预测器13针对多个工艺步骤中的每一个调整多个生产线的相应未来缺陷数量，使得多个生产线的相应未来缺陷数量之和落入预定范围内。优选地，原因预测器13针对多个工艺步骤中的每一个调整多个生产线的相应未来缺陷数量，使得多个生产线的相应未来缺陷数量之和将是预定值(在步骤ST5中)。如本文所使用的，“预定值”是指已经基于过去缺陷数量之和来预测的未来缺陷数量之和。例如，缺陷相关数量预测器12预测检查时间t+1处的缺陷数量之和为48，而检查时间t-2、t-1和t处的相应缺陷数量之和分别为18、20和24。未来缺陷数量的调整针对该缺陷数量48进行。注意，调整是针对缺陷数量进行，而不是针对缺陷率进行。可选地，恒定值可以用作预定值，而不是预测值。

对于第三步骤，例如，多个生产线C1-C5的未来缺陷数量之和为30。原因预测器13调整第三步骤的相应生产线C1-C5的缺陷数量，使得第三步骤的生产线C1-C5的未来缺陷数量之和将为48。具体地，原因预测器13通过将生产线C1-C5中的每一个的缺陷数量乘以48/30(其是48与30(其是第三步骤的缺陷数量之和)的比值)来调整缺陷数量。在这种情况下，每个生产线的缺陷数量向上或向下取整来得到整数。例如，调整缺陷数量，使得在调整特定工艺步骤的缺陷数量之前和之后，该特定工艺步骤的多个生产线中的缺陷数量变化系数的变化幅度变得最小。

对于除第三步骤以外的每个工艺步骤，原因预测器13也调整缺陷数量，使得缺陷数量之和将为48。图6A至图6D和下面的表9至表12中示出了已经经过调整的缺陷数量的分布：

[表9]

[表10]

[表11]

[表12]

接下来，原因预测器13基于如此调整的缺陷数量的分布来确定原因阈值Th2。具体地，原因预测器13基于缺陷数量的分布的四分位数来确定原因阈值Th2。第一四分位数将在下文中由Q1指定，并且第三四分位数将在下文中由Q3指定。多个目标数值按降序排列并且平均分为四组数值。在这种情况下，第一边界值是第一四分位数，并且第三边界值是第三四分位数。如果边界位于两个数值之间，则获得这两个数值的加权平均值(该加权平均值是通过将与距边界的距离相对应的权重添加到这两个数值中的每一个来计算的)作为第一四分位数(或第三四分位数)。原因预测器13通过以下方程(1)确定原因阈值Th2：

Th2＝Q3+(Q3–Q1)×1.5(1)

如果将该方程(1)应用于图6A至图6D所示的分布，则对应于材料提供步骤的第一四分位数Q1、第三四分位数Q3和原因阈值Th2分别为5、6和7.5；对应于第一步骤的第一四分位数Q1、第三四分位数Q3和原因阈值Th2分别为4、5和6.5；对应于第二步骤的第一四分位数Q1、第三四分位数Q3和原因阈值Th2分别为5.25(＝(5×0.75)+(6×0.25))、9.5(＝(8×0.25)+(10×0.75))和15.875；以及对应于第三步骤的第一四分位数Q1、第三四分位数Q3和原因阈值Th2分别为10、11和12.5。

第一步骤的生产线A2的缺陷数量和第二步骤的生产线B2的缺陷数量各自大于其对应的原因阈值Th2(即步骤ST6中的结果为“是”)。因此，原因预测器13将生产线A2、B2预测为未来缺陷数量(总缺陷相关数量)增加的原因可归因于的生产线(在步骤ST7中)。

即使如果不对缺陷数量进行调整，在一个工艺步骤中每个生产线的缺陷数量都小于原因阈值Th2，任何生产线的缺陷数量在对缺陷数量进行调整后也可以大于原因阈值Th2。调整缺陷数量增加成功地预测将是未来缺陷数量增加的原因的生产线的可能性。

输出器16向呈现设备3输出指示已经由原因预测器13预测为总未来缺陷相关数量增加的原因的生产线的信息。作为响应，呈现设备3呈现指示成为缺陷相关数量增加的原因的生产线的信息(在步骤ST8中)。此外，输出器16还输出信息，该信息给出预定生产线已经被预测为总未来缺陷相关数量增加的原因的理由。作为响应，呈现设备3呈现该理由。例如，呈现设备3显示诸如图5A至图6D所示的信息之类的信息。图6B和图6C指示：在生产线A2和B2中，缺陷数量被预测为大于原因阈值Th2。这允许管理员认识到生产线A2、B2是总未来缺陷相关数量增加的原因。此外，指示针对生产线A2、B2预测的缺陷数量大于如图6B和图6C所示的原因阈值Th2的预测结果是生产线A2、B2被预测为总未来缺陷相关数量增加的原因的理由。

(第一变型)

将描述根据第一变型的缺陷预测系统1。在以下描述中，该第一变型的与上述实施例的对应部分具有相同功能的任何组成元件将由与该对应部分的附图标记相同的附图标记来指定，并且本文将省略其描述。

在上述示例性实施例中，获取器11获取仅针对多个工艺步骤中的第三步骤的过去缺陷相关数量。另一方面，根据该第一变型，获取器11获取针对多个工艺步骤中的一个或多个工艺步骤的过去缺陷相关数量。也就是说，检查系统2在多个工艺步骤中的一个或多个中针对任何缺陷检查产品。

例如，获取器11获取针对第二步骤的多个生产线中的每一个的过去缺陷相关数量。缺陷相关数量预测器12可以基于第二步骤的相应生产线中的过去缺陷相关数量的进展，针对第二步骤的相应生产线预测未来缺陷相关数量。例如，缺陷相关数量预测器12可以通过回归分析进行预测。

另外，缺陷相关数量预测器12可以通过参考由获取器11获取的标识信息，导出针对第二步骤上游的工艺步骤(即材料提供步骤和第一步骤)中的多个生产线中的每一个的过去缺陷相关数量。

此外，例如，获取器11还获取针对第一步骤的多个生产线中的每一个的过去缺陷相关数量。缺陷相关数量预测器12可以基于第一步骤的相应生产线中的过去缺陷相关数量的进展，针对第一步骤的相应生产线预测未来缺陷相关数量。例如，缺陷相关数量预测器12可以通过回归分析进行预测。

另外，缺陷相关数量预测器12可以通过参考由获取器11获取的标识信息，导出针对第一步骤上游的工艺步骤(即材料提供步骤)中的多个生产线中的每一个的过去缺陷相关数量。

此外，例如，获取器11还获取针对材料提供步骤的多个生产线中的每一个的过去缺陷相关数量。缺陷相关数量预测器12可以基于材料提供步骤的相应生产线中的过去缺陷相关数量的进展，针对材料提供步骤的相应生产线预测未来缺陷相关数量。例如，缺陷相关数量预测器12可以通过回归分析进行预测。

(示例性实施例的其他变型)

接下来，将逐一列举示例性实施例的其他变型。可选地，可以适当地组合采用下面要描述的变型。备选地，下面要描述的变型也可以与第一变型适当组合来采用。

缺陷相关数量预测器12可以在缺陷数量中仅计数具有特定类型缺陷的产品。例如，如果产品可以产生的缺陷类型包括第一缺陷类型和第二缺陷类型，则缺陷相关数量预测器12可以预测未来要产生的第一类型缺陷的数量或未来要产生的第二缺陷类型的数量，以适当者为准。备选地，缺陷相关数量预测器12可以单独预测未来要产生的第一类型缺陷的数量和未来要产生的第二类型缺陷的数量。另外，原因预测器13也可以单独预测未来要产生的第一类型缺陷的数量增加的原因和未来要产生的第二类型缺陷的数量增加的原因。

用于制造产品的至少一些工艺步骤可以包括要由工人执行的操作。也就是说，用于执行至少一些工艺步骤的系统可以是涉及工人的系统。

在第三步骤的下游可以存在附加的工艺步骤。

多个工艺步骤可以包括至少第一步骤和第二步骤或材料提供步骤。第一步骤和第二步骤是执行操作来制造产品的工艺步骤。材料提供步骤是为产品提供材料的工艺步骤。

要由缺陷相关数量预测器12使用的学习模型不必须由学习器15生成，而是可以由缺陷预测系统1外部的外部设备生成并提供用于缺陷预测系统1。

缺陷相关数量预测器12可以使用在没有机器学习的情况下生成的算法来预测未来缺陷相关数量。例如，用于预测未来缺陷相关数量的多个回归方程可以存储在缺陷预测系统1的存储器中，并且可以从该多个回归方程中选择用于预测未来缺陷相关数量的回归方程。

在上述示例性实施例中，缺陷相关数量预测器12仅预测对应于单个检查时间t+1的缺陷相关数量。备选地，缺陷相关数量预测器12可以预测对应于多个检查时间的缺陷相关数量。

如果存在其缺陷相关数量大于原因阈值Th2的多个生产线，则原因预测器13可以仅将具有最大缺陷相关数量的生产线确定为总缺陷相关数量增加的原因，或者将其缺陷相关数量大于原因阈值Th2的所有生产线确定为总缺陷相关数量增加的原因。

当将缺陷相关数量与阈值进行比较时，可以使该阈值与产品数量成比例。产品数量是缺陷产品数量与非缺陷产品数量之和。

根据上述示例性实施例的缺陷预测系统1的各种配置(包括变型)也可以实现为缺陷预测方法、(计算机)程序或其上存储有程序的非暂时性存储介质。

根据一方面的缺陷预测方法是用于对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测的方法。多个工艺步骤中的每一个包括彼此平行的多个生产线。缺陷预测方法包括获取步骤、缺陷相关数量预测步骤和原因预测步骤。获取步骤包括：获取针对多个工艺步骤中的至少一个中的多个生产线中的每一个的过去缺陷相关数量。过去缺陷相关数量与过去产品产生的缺陷数量相关。缺陷相关数量预测步骤包括：基于在获取步骤中获取的过去缺陷相关数量，针对多个工艺步骤中的每一个中的多个生产线中的每一个预测未来缺陷相关数量。未来缺陷相关数量与预测未来产品将产生的缺陷数量相关。原因预测步骤包括：基于在缺陷相关数量预测步骤中针对多个工艺步骤中的每一个中的多个生产线中的每一个预测的未来缺陷相关数量，预测总未来缺陷相关数量增加的原因可归因于多个生产线中的哪个生产线。总未来缺陷相关数量是多个生产线的相应未来缺陷相关数量之和。

根据另一方面的程序被设计成使计算机系统的一个或多个处理器执行上述缺陷预测方法。程序可以存储在计算机可读非暂时性存储介质中。

根据本公开的缺陷预测系统1包括计算机系统。计算机系统可以包括作为其主要硬件组件的处理器和存储器。根据本公开的缺陷预测系统1的至少一些功能可以通过使处理器执行存储在计算机系统的存储器中的程序来执行。程序可以预先被存储在计算机系统的存储器中。备选地，也可以通过通信线路下载程序，或者将程序记录在诸如存储卡、光盘或硬盘驱动器的一些非暂时性存储介质(其中的任一个是计算机系统可读的)中之后进行分发。计算机系统的处理器可以由包括半导体集成电路(IC)或大规模集成电路(LSI)的单个或多个电子电路组成。如本文所使用的，诸如IC或LSI的“集成电路”根据其集成度被称为不同的名称。集成电路的示例包括系统LSI、超大规模集成电路(VLSI)和特大规模集成电路(ULSI)。可选地，还可以采用在制造LSI之后进行编程的现场可编程门阵列(FPGA)或者允许重新配置LSI内部的连接或电路部分的可重配置逻辑设备作为处理器。这些电子电路可以一起集成在单个芯片上或分布在多个芯片上，以适当者为准。这些多个芯片可以一起聚集在单个设备中或分布在多个设备中，而没有限制。如本文所使用的，“计算机系统”包括微控制器，该微控制器包括一个或多个处理器和一个或多个存储器。因此，微控制器也可以被实现为包括半导体集成电路或大规模集成电路的单个或多个电子电路。

此外，在上述实施例中，缺陷预测系统1的多个功能一起聚合在单个设备中。然而，这不是缺陷预测系统1的必要配置。备选地，缺陷预测系统1的相应组成元件可以分布在多个不同的设备中。备选地，缺陷预测系统1的至少一些功能(例如，缺陷相关数量预测器12或原因预测器13中的至少一个的功能)也可以实现为云计算系统。

相反，上述示例性实施例中分布在多个设备中的多个功能可以一起聚合在单个设备中。例如，缺陷预测系统1和呈现设备3可以一起聚合在单个设备中。

此外，在上述实施例的描述中，如果相互比较的两个值中的一个“等于或大于”另一个，该短语在本文中可以涵盖这两个值彼此相等的情况和两个值中的一个大于另一个的情况。然而，这不应被解释为是限制性的。备选地，短语“等于或大于”也可以是短语“大于”的同义词，其仅涵盖两个值之一超过另一个的情况。也就是说，短语“等于或大于”是否涵盖两个值彼此相等的情况，可以根据选择的参考值或任意预设值任意改变。因此，从技术角度来看，短语“等于或大于”与短语“大于”之间没有区别。类似地，短语“等于或小于”也可以是短语“小于”的同义词。

(重述要点)

上述示例性实施例及其变型是本公开的以下方面的具体实现。

根据第一方面的缺陷预测系统(1)对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测。多个工艺步骤中的每一个包括彼此平行的多个生产线。缺陷预测系统(1)包括获取器(11)、缺陷相关数量预测器(12)和原因预测器(13)。获取器(11)获取针对多个工艺步骤中的至少一个中的多个生产线中的每一个的过去缺陷相关数量。过去缺陷相关数量与过去产品产生的缺陷数量相关。缺陷相关数量预测器(12)基于由获取器(11)获取的过去缺陷相关数量，针对多个工艺步骤中的每一个中的多个生产线中的每一个预测未来缺陷相关数量。未来缺陷相关数量与未来缺陷数量相关，该未来缺陷数量是预测未来产品将产生的缺陷数量。原因预测器(13)基于由缺陷相关数量预测器(12)针对多个工艺步骤中的每一个中的多个生产线中的每一个预测的未来缺陷相关数量，预测总的未来缺陷相关数量增加的原因可归因于多个生产线中的哪个生产线。总未来缺陷相关数量是多个生产线的相应未来缺陷相关数量之和。

该配置使得能够在产品的总缺陷相关数量增加之前确定(预测)总缺陷相关数量增加的原因。这有助于通过在早期阶段消除原因来减少产品的总缺陷相关数量。

可以结合第一方面实现的根据第二方面的缺陷预测系统(1)还包括警告器(14)。当缺陷相关数量预测器(12)所预测的总未来缺陷相关数量等于或大于注意阈值(Th1)时，警告器(14)生成警告信息以引起管理员的注意。

该配置允许管理员认识到产品的总未来缺陷相关数量的增加被预测。

在可以结合第一方面或第二方面实现的根据第三方面的缺陷预测系统(1)中，获取器(11)获取：针对属于多个工艺步骤的特定工艺步骤中的多个生产线中的每一个的过去缺陷相关数量；以及针对多个工艺步骤中的每一个中的多个生产线中的每一个的产品的标识信息。缺陷相关数量预测器(12)通过参考由获取器(11)获取的标识信息，导出针对特定工艺步骤上游的工艺步骤中的多个生产线中的每一个的过去缺陷相关数量。

该配置允许缺陷相关数量预测器(12)导出针对特定工艺步骤上游的工艺步骤的过去缺陷相关数量，由此基于过去缺陷相关数量来预测未来缺陷相关数量。

在可以结合第一方面至第三方面中任一方面实现的根据第四方面的缺陷预测系统(1)中，原因预测器(13)将其中缺陷相关数量预测器(12)所预测的未来缺陷相关数量大于或等于原因阈值(Th2)的并且属于多个生产线的生产线预测为总未来缺陷相关数量增加的原因可归因于的生产线。

该配置允许将在多个生产线中其缺陷相关数量相对较大的生产线确定为总未来缺陷相关数量增加的原因。

在可以结合第四方面实现的根据第五方面的缺陷预测系统(1)中，原因预测器(13)基于与相应生产线相关联的未来缺陷相关数量的分布来确定原因阈值(Th2)。

该配置允许自动地确定原因阈值(Th2)。

在可以结合第五方面实现的根据第六方面的缺陷预测系统(1)中，原因预测器(13)针对多个工艺步骤中的每一个，调整多个生产线的多个未来缺陷数量，使得多个生产线的多个未来缺陷数量之和落入预定范围内，并且基于如此调整的多个未来缺陷数量的分布来确定原因阈值(Th2)。

该配置增加了通过调整缺陷数量来成功预测未来缺陷数量(总缺陷相关数量)增加的原因可归因于的生产线的可能性。

在可以结合第五方面或第六方面实现的根据第七方面的缺陷预测系统(1)中，原因预测器(13)基于与相应生产线相关联的多个未来缺陷数量的分布的分位数来确定原因阈值(Th2)。

该配置允许自动地确定原因阈值(Th2)。

在可以结合第一方面至第七方面中任一方面实现的根据第八方面的缺陷预测系统(1)中，缺陷相关数量预测器(12)通过基于过去缺陷相关数量的进展进行回归分析来预测未来缺陷相关数量。

该配置使得能够预测未来缺陷相关数量。

在可以结合第一方面至第八方面中任一方面实现的根据第九方面的缺陷预测系统(1)中，缺陷相关数量预测器(12)通过使用机器学习所生成的学习模型来预测未来缺陷相关数量。

该配置有助于改进预测未来缺陷相关数量的准确性。

可以结合第一方面至第九方面中任一方面实现的根据第十方面的缺陷预测系统(1)还包括输出器(16)。输出器向呈现设备(3)输出信息。呈现设备(3)呈现由输出器(16)提供的信息。

该配置允许例如向管理员呈现缺陷预测系统(1)生成的信息。

在可以结合第十方面实现的根据第十一方面的缺陷预测系统(1)中，输出器(16)向呈现设备(3)输出表示缺陷相关数量预测器(12)所预测的未来缺陷相关数量的信息或指示已经由原因预测器(13)预测为总未来缺陷相关数量增加的原因的生产线的信息中的至少一者。

该配置允许例如向管理员呈现缺陷预测系统(1)生成的信息。

在可以结合第十一方面实现的根据第十二方面的缺陷预测系统(1)中，输出器(16)还输出信息，该信息给出多个生产线中的预定生产线已经被预测为总未来缺陷相关数量增加的原因的理由。

该配置允许例如向管理员呈现总未来缺陷相关数量增加的原因。

注意，根据第二方面至第十二方面的组成元件不是缺陷预测系统(1)的必要组成元件，而可以适当省略。

根据第十三方面的缺陷预测方法是用于对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测的方法。多个工艺步骤中的每一个包括彼此平行的多个生产线。缺陷预测方法包括获取步骤、缺陷相关数量预测步骤和原因预测步骤。获取步骤包括：获取针对多个工艺步骤中的至少一个中的多个生产线中的每一个的过去缺陷相关数量。过去缺陷相关数量与过去产品产生的缺陷数量相关。缺陷相关数量预测步骤包括：基于在获取步骤中获取的过去缺陷相关数量，针对多个工艺步骤中的每一个中的多个生产线中的每一个预测未来缺陷相关数量。未来缺陷相关数量与未来缺陷数量相关，该未来缺陷数量是预测未来产品将产生的缺陷数量。原因预测步骤包括：基于在缺陷相关数量预测步骤中针对多个工艺步骤中的每一个中的多个生产线中的每一个预测的未来缺陷相关数量，预测总未来缺陷相关数量增加的原因可归因于多个生产线中的哪个生产线。总未来缺陷相关数量是多个生产线的相应未来缺陷相关数量之和。

该方法能够在产品的总缺陷相关数量增加之前确定(预测)总缺陷相关数量增加的原因。这有助于通过在早期阶段消除原因来减少产品的总缺陷相关数量。

根据第十四方面的程序被设计为使计算机系统的一个或多个处理器执行根据第十三方面的缺陷预测方法。

该程序能够在产品的总缺陷相关数量增加之前确定(预测)总缺陷相关数量增加的原因。这有助于通过在早期阶段消除原因来减少产品的总缺陷相关数量。

附图标记列表

1缺陷预测系统

3呈现设备

11获取器

12缺陷相关数量预测器

13原因预测器

16输出器

Th1注意阈值

Th2原因阈值。

Claims (14)

1.一种缺陷预测系统，被配置为对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测，

所述多个工艺步骤中的每一个包括彼此平行的多个生产线，

所述缺陷预测系统包括：

获取器，被配置为获取针对所述多个工艺步骤中的至少一个中的所述多个生产线中的每一个的过去缺陷相关数量，所述过去缺陷相关数量与过去所述产品产生的缺陷数量相关；

缺陷相关数量预测器，被配置为基于由所述获取器获取的所述过去缺陷相关数量，针对所述多个工艺步骤中的每一个中的所述多个生产线中的每一个预测未来缺陷相关数量，所述未来缺陷相关数量与未来缺陷数量相关，所述未来缺陷数量是预测未来所述产品将产生的缺陷数量；以及

原因预测器，被配置为基于由所述缺陷相关数量预测器针对所述多个工艺步骤中的每一个中的所述多个生产线中的每一个预测的所述未来缺陷相关数量，预测总未来缺陷相关数量增加的原因能够归因于所述多个生产线中的哪个生产线，所述总未来缺陷相关数量是所述多个生产线的相应未来缺陷相关数量之和。

2.根据权利要求1所述的缺陷预测系统，还包括警告器，所述警告器被配置为当所述缺陷相关数量预测器所预测的所述总未来缺陷相关数量等于或大于注意阈值时，生成警告信息以引起管理员的注意。

3.根据权利要求1或2所述的缺陷预测系统，其中，

所述获取器被配置为获取：

针对属于所述多个工艺步骤的特定工艺步骤中的所述多个生产线中的每一个的所述过去缺陷相关数量；以及

针对所述多个工艺步骤中的每一个中的所述多个生产线中的每一个的所述产品的标识信息，并且

所述缺陷相关数量预测器被配置为：通过参考由所述获取器获取的所述标识信息，导出针对所述特定工艺步骤上游的工艺步骤中的所述多个生产线中的每一个的所述过去缺陷相关数量。

4.根据权利要求1至3中任一项所述的缺陷预测系统，其中，

所述原因预测器被配置为：将其中所述缺陷相关数量预测器所预测的所述未来缺陷相关数量大于或等于原因阈值的并且属于所述多个生产线的生产线预测为所述总未来缺陷相关数量增加的原因能够归因于的生产线。

5.根据权利要求4所述的缺陷预测系统，其中，

所述原因预测器被配置为：基于与相应生产线相关联的所述未来缺陷相关数量的分布来确定所述原因阈值。

6.根据权利要求5所述的缺陷预测系统，其中，

所述原因预测器被配置为：针对所述多个工艺步骤中的每一个，调整所述多个生产线的多个未来缺陷数量，使得所述多个生产线的所述多个未来缺陷数量之和落入预定范围内，并且基于如此调整的所述多个未来缺陷数量的分布来确定所述原因阈值。

7.根据权利要求5或6所述的缺陷预测系统，其中，

所述原因预测器被配置为：基于与相应生产线相关联的所述多个未来缺陷数量的所述分布的分位数来确定所述原因阈值。

8.根据权利要求1至7中任一项所述的缺陷预测系统，其中，

所述缺陷相关数量预测器被配置为：通过基于所述过去缺陷相关数量的进展进行回归分析来预测所述未来缺陷相关数量。

9.根据权利要求1至8中任一项所述的缺陷预测系统，其中，

所述缺陷相关数量预测器被配置为：通过使用机器学习所生成的学习模型来预测所述未来缺陷相关数量。

10.根据权利要求1至9中任一项所述的缺陷预测系统，还包括输出器，所述输出器被配置为向呈现设备输出信息，其中，

所述呈现设备被配置为呈现由所述输出器提供的所述信息。

11.根据权利要求10所述的缺陷预测系统，其中，

所述输出器被配置为向所述呈现设备输出以下中的至少一者：表示所述缺陷相关数量预测器所预测的所述未来缺陷相关数量的信息，或指示已经由所述原因预测器预测为所述总未来缺陷相关数量增加的原因的生产线的信息。

12.根据权利要求11所述的缺陷预测系统，其中，

所述输出器被配置为还输出信息，所述信息给出所述多个生产线中的预定生产线已经被预测为所述总未来缺陷相关数量增加的原因的理由。

13.一种用于对要通过多个工艺步骤制造的产品将要产生的缺陷进行预测的缺陷预测方法，

所述多个工艺步骤中的每一个包括彼此平行的多个生产线，

所述缺陷预测方法包括：

获取步骤，包括获取针对所述多个工艺步骤中的至少一个中的所述多个生产线中的每一个的过去缺陷相关数量，所述过去缺陷相关数量与过去所述产品产生的缺陷数量相关；

缺陷相关数量预测步骤，包括基于在所述获取步骤中获取的所述过去缺陷相关数量，针对所述多个工艺步骤中的每一个中的所述多个生产线中的每一个预测未来缺陷相关数量，所述未来缺陷相关数量与未来缺陷数量相关，所述未来缺陷数量是预测未来所述产品将产生的缺陷数量；以及

原因预测步骤，包括基于在所述缺陷相关数量预测步骤中针对所述多个工艺步骤中的每一个中的所述多个生产线中的每一个预测的所述未来缺陷相关数量，预测总未来缺陷相关数量增加的原因能够归因于所述多个生产线中的哪个生产线，所述总未来缺陷相关数量是所述多个生产线的相应未来缺陷相关数量之和。

14.一种程序，被设计为使计算机系统的一个或多个处理器执行根据权利要求13所述的缺陷预测方法。