JP2007264914A - データ解析方法 - Google Patents

Abstract

【課題】
製造物の歩留りへ与える影響度を定量化して、製造プロセスの対策による歩留り向上の度合いを見積もることができるようにする。
【解決手段】
各パラメータに対して、製造物の性能に基づき、パラメータが有するデータ群を第１グループと第２グループに分類し、このデータ群の分布に基づき分布の基点を算出し、この基点に対する一定距離の範囲を定める。この一定範囲内で、第１グループに属するデータ数を数えて、変数ＦＸに代入し、第２グループに属するデータ数を数えて、変数ＳＸに代入し、この範囲に含まれないデータから、第１グループに属するデータ数を数えて、変数ＦＹに代入し、第２グループに属するデータ数を数えて、変数ＳＹに代入する。さらに、変数ＦＸ、変数ＦＹ、変数ＳＸ、変数ＳＹを用いて、不良品含有率を算出し、歩留り影響度を算出する。
【選択図】図１

Description

本発明は、データ解析方法に係り、更に詳しく言えば、製造物やその製造物を製造するための製造設備から多数のパラメータを測定して解析し不良の発生原因を得るためのデータ解析方法、その方法を実行するコンピュータプログラム及びシステムに関する。

磁気ディスク装置、集積回路、液晶ディスプレイなどの先端デバイス製品の製造においては、製品の微細化や製造プロセスの複雑化が著しく、製品を設計図面どおりに製造することが極めて難しい状況にある。これらの製品は、製造過程での多種多様なパラメータの変動によって、不良品が発生する。製造メーカは、製品のコスト減を図るために、製造過程で生じる不良品を可能な限り減らし、歩留りを向上することに努めている。

そのため、製品の製造時に得られる多種多様なパラメータを解析し、不良発生の原因となるパラメータを迅速に見つけ出し、そのパラメータが変動しないように対策することが必要である。特に、歩留りの低下に最も影響しているパラメータから順番に対策できれば、歩留りを少しでも高い状態で生産することができ、事業への貢献度は大きい。

不良発生の原因となるパラメータを見つけ出すために使われる従来のデータ解析方法に関する技術としては、以下のようなものが知られている。
例えば、特開平９−２７５３１号公報（特許文献１）、特開２００３−１８６９５３号公報（特許文献２）、特開２００１−１１０８６７号公報（特許文献３）には、縦軸に歩留り、横軸に各パラメータをとり、データ群に対して単回帰分析を実行する方法が開示されている。しかし、単回帰分析は、データ群が正規分布に従うことが前提であり、正規分布に従わないデータ群にはうまく適用できない。

また、歩留りのような比率を示すデータ群を縦軸にとって計算する方法としては、非特許文献１、非特許文献２に記載されているロジスティック回帰分析を使う方法が有効とされている。そこで、実際に製造時に得られるデータ群にロジスティック回帰分析を適用することも考えられるが、欠陥数が多いほど歩留りが良いといった矛盾する結果が得られる場合があり、このロジスティック回帰分析は必ずしも好ましいとは言えない。

また、特許文献３、非特許文献３に記載されているように、予め製品の性能や歩留りなどの試験結果に基づいて、製造時に得られるデータ群を第１グループと第２グループに分類し、パラメータ毎に、第１グループに属するデータ群と第２グループに属するデータ群をＴ検定や分散分析などを用いて、有意確率を算出する方法がある。
しかし、この方法も、単回帰分析と同様に、データ群が正規分布に従うことが前提であり、正規分布に従わないデータ群にはうまく適用できない。また、Ｔ検定や分散分析は、解析結果として得られる値が有意確率という統計量であり、対象のパラメータを対策することで、歩留りをどの程度向上できるのか見積もることができないといった課題がある。

次に、非特許文献４、特許文献４に記載されているように、データの個々の値に着目するのではなく、例えば、データ群をその大小に応じて整列し、データの順番に着目する解析方法がある。このような解析方法は、一般にノンパラメトリック法と呼ばれている。
非特許文献４に記載されている各種方法は、上述したＴ検定や分散分析と同じように有意確率を求める方法であり、対象のパラメータを対策することで、歩留りをどの程度向上できるのか見積もることはできない。一方、特許文献４に、データ群を整列し、データの値が大きい方あるいは小さい方から順番に部品を破棄した場合に、最終製品の歩留りがどのように向上するかをグラフに表す方法の記載がある。最終製品に組み込む部品の規格値を厳しくし、部品を破棄することで、最終製品の歩留りを向上するためには有効な方法である。しかし、部品の規格値を変えることなく、製造プロセスを改善することで、どの程度の歩留り向上が見込めるかといった度合いを見積もることはできない。

特開平９−２７５３１号公報 特開２００３−１８６９５３号公報 特開２００１−１１０８６７号公報 米国特許 Published Application US 2005/ 0071103A1 丹後、山岡、高木:ロジスティック回帰分析、朝倉書店(1996) 廣野：応用ロジスティック回帰分析−品質管理への適用例の紹介、日本SASユーザー会論文集(SUGI-J)、pp.203-208 (1992) Allan Y. Wong: Statistical Micro Yield Modeling、 Semiconductor International、pp.139-148、November(1996) 田中、垂水:統計解析ハンドブック・ノンパラメトリック法、 共立出版(1999) M. Ono、 H. Iwata他:Accuracy of Yield Impact Calculation Based on Kill Ratio、 IEEE/SEMI Advanced Semiconductor Manufacturing Conference and Workshop、 pp.87-91(2002)

上述した、特許文献１〜３、非特許文献１〜３に記載されている方法は、データ群の分布に依存しているため、様々な分布のデータ群を有するパラメータを比較し、最も不良の発生に影響を与えているパラメータを選び出す方法としては、不十分である。また、選び出したパラメータを対策した場合の歩留り向上の度合いがわからないという課題もある。

一方、特許文献４、非特許文献４に記載されているノンパラメトリック法は、データ群の分布に依存しない点で、上述のデータ群の分布に対する課題を解決している。特に、特許文献４に記載されている方法は、部品を破棄する量に対する最終製品の歩留り向上の度合いを定量化できる。しかし、上述したように、部品を破棄する量を増やすことなく、製造プロセスを改善することで、どの程度の歩留り向上が見込めるかといった度合いは見積もることができない。

本発明の目的は、データ群の分布に依存せず、かつ、製造プロセスを改善することで、どの程度の歩留り向上が見込めるか定量的に見積もることが可能なデータ解析方法を提供することにある。

本発明に係るデータ解析方法は、製造物ないしは製造物を製造する設備に対して、測定された複数のパラメータを比較し、製造物が不良になる原因を解析する方法であって、各パラメータに対して、該製造物の性能に基づき、パラメータが有するデータ群を第１グループと第２グループに分類するステップと、該データ群の分布に基づき、該分布の基点を算出するステップと、該基点に対する一定範囲を定めるステップと、該範囲に対して、該第１グループに属するデータ群の該範囲内のデータ数（ＦＸ）を算出するステップと、該第１グループに属するデータ群の該範囲外のデータ数（ＦＹ）を算出するステップと、該第２グループに属するデータ群の該範囲内のデータ数（ＳＸ）を算出するステップと、該第２グループに属するデータ群の該範囲外のデータ数（ＳＹ）を算出するステップと、該ＦＸ、該ＦＹ、該ＳＸ、該ＳＹに基づき、該パラメータの不良発生への影響度を算出するステップと、該範囲の該影響度を出力するステップとを有するデータ解析方法である。

本発明は、また、データ解析システムとしても構成され得る。すなわち、好ましくは、製造物又は製造物を製造する設備に対して、測定された複数のパラメータを照合し、製造物が不良になる原因を解析するデータ解析システムにおいて、第１グループに属するデータ群と第２グループに属するデータ群を含むデータを入力するユーザインタフェースと、該ユーザインタフェースに接続され、データを処理するデータ処理手段を有し、
該データ処理手段は：各パラメータに対して、製造物の性能に基づき、パラメータが有するデータ群を第１グループと第２グループに分類する手段と、該データ群の分布に基づき、該分布の基点を算出する手段と、該基点に対する一定距離の範囲を定める手段と、該第１グループに属するデータ群の該範囲内のデータ数（ＦＸ）を算出する手段と、該第１グループに属するデータ群の該範囲外のデータ数（ＦＹ）を算出する手段と、該第２グループに属するデータ群の該範囲内のデータ数（ＳＸ）を算出する手段と、該第２グループに属するデータ群の該範囲外のデータ数（ＳＹ）を算出する手段と、該ＦＸ、該ＦＹ、該ＳＸ、該ＳＹに基づき、該パラメータの不良発生への影響度を算出する手段と、を含み、該データ処理手段によって算出された該影響度を該ユーザインタフェースに出力するデータ解析システムである。
本発明は、また上記ステップ又は手段を実現するための、コンピュータ上で実行されるプログラムとしても把握される。

本発明によれば、製造過程で測定された多数のパラメータ、たとえば、製品やその製品に組み込まれた部品に対して測定されたパラメータや、製品やその製品に組み込まれた部品を製造するために使用する製造設備や試験設備に対して測定されたパラメータのそれぞれが製造物の歩留りへ与える影響度を定量化できる。その結果、製造プロセスの対策による歩留り向上の度合いを見積もることができる。

以下、本発明の実施形態を図面により説明する。

図１は、一実施例における、複数のパラメータがそれぞれ製造物の歩留りに与える影響度を算出する処理手順の一例を示す。
まず、ステップ１０１で、第１グループに属するデータ群と第２グループに属するデータ群を入力する。第１グループとは、良い製造物と定義できるグループで、たとえば、出荷できる品質をもつ製造物に関連するデータ群、あるいは次工程に進める価値があると判断できる製造物のデータ群である。一方、第２グループとは、悪い製造物と定義できるグループで、たとえば、製造過程で不良品と判定された製造物に関連するデータ群である。

次に、ステップ１０２とステップ１１０の間の処理を繰り返す動作を行う。この繰り返しの処理は、ステップ１０１で入力されたデータ群のパラメータ数に依存し、パラメータ数の回数だけ繰り返す。すなわち、ステップ１０２とステップ１１０の間で、各パラメータについて、１回ずつ同じ処理を行う。繰り返し回数は、１からパラメータ数までで、本例ではパラメータの項目番号として変数Ｊを定義した。

ステップ１０３では、第Ｊ項目のデータ群から基点を算出する。基点とは、最も良い製造物が取得できる値を定義したもので、たとえば、第１グループ、すなわち良い製造物のデータ群の平均値や中央値や最頻値などである。あるいは、第１グループと第２グループのデータ群の比の最頻値、すなわち、最も不良品が発生しにくい値を定義したものでもよい。基点の算出方法の詳細は、後述する。

ステップ１０４では、第１グループのデータ群と第２グループのデータ群の双方を合わせて整列する。このとき、各データが第１グループに属するデータか、第２グループに属するデータかわかるように属性を示す情報を付けて整列する。本例では、ステップ１０３、ステップ１０４の順番に処理しているが、ステップ１０３とステップ１０４は逆でもよい。

次に、ステップ１０５からステップ１０９の間を繰り返す処理を行う。この繰り返しの処理は、ステップ１０３で算出した基点が、ステップ１０４で整列したデータ群のどこに位置するのかに依存して回数が異なる。本例では、基点からデータの値が小さい方へ繰り返すために変数Ｍ、基点からデータの値が大きい方へ繰り返すために変数Ｎを定義した。
ステップ１０６では、基点、変数Ｍ、変数Ｎに基づいて、整列されたデータ群の中で、基点から距離Ｍ以内かつ距離Ｎ以内の範囲を定める。次に、この範囲の中で、第１グループに属するデータ数を数えて、変数ＦＸに代入し、第２グループに属するデータ数を数えて、変数ＳＸに代入する。また、この範囲に含まれないデータから、第１グループに属するデータ数を数えて、変数ＦＹに代入し、第２グループに属するデータ数を数えて、変数ＳＹに代入する。

ステップ１０７では、ステップ１０６で算出した変数ＦＸ、変数ＦＹ、変数ＳＸ、変数ＳＹを下記式１の数式に代入して、この範囲の外側の不良品含有率(Failure Content Ratio : ＦＣＲ)を算出する。

ステップ１０８では、ステップ１０６で算出した変数ＦＸ、変数ＦＹ、変数ＳＸ、変数ＳＹと、ステップ１０７で算出した式１の計算結果を下記式２の数式に代入して、歩留りへの影響度(ＹＩeld Impact : ＹＩ)を算出する。

ここで、式１と式２は、非特許文献５の中で、半導体ウエハ上に発生した異物の有無を利用して異物の歩留り影響度を算出するために適用されている数式を応用したものである。このような処理を、各パラメータに対してステップ１０５からステップ１０９まで繰り返すことで、距離Ｍおよび距離Ｎを変化させたときのそれぞれの不良品含有率(ＦＣＲ)と歩留り影響度(ＹＩ)を算出できる。

また、ステップ１０２からステップ１１０までの繰り返しでパラメータ別に不良品含有率(ＦＣＲ)と歩留り影響度(ＹＩ)を算出できる。最後に、ステップ１１１で不良品含有率(ＦＣＲ)を出力し、ステップ１１２で歩留り影響度(ＹＩ)を出力する。出力方法には様々な方法があるので、これについては詳細を後述する。

図２は、ステップ１０１で入力される、第１グループに属するデータ群の一例である。この例では、パラメータとして３項目があり、縦に３０行分のデータがある。
図３は、ステップ１０１で入力される、第２グループに属するデータ群の一例である。この例では、パラメータとして３項目があり、縦に２０行分のデータがある。なお、図２及び図３に示すパラメータ数及びデータ数は例示であり、これらの数に制限はない。

図２で示した第１グループに属するデータ群と、図３の第２グループに属するデータ群は、同じパラメータで構成されている必要がある。一方、第１グループに属するデータ群と第２グループに属するデータ群のデータ数は、それぞれ異なるものでよい。

次に、ステップ１０３での基点の算出方法を、図２と図３に示したデータ群の内、項目１のデータを例に説明する。第１グループのデータの平均値を基点とする場合、本例では、小数第４位で四捨五入したとして、23.968が基点となる。第１グループのデータの中央値を基点とする場合、本例では、データ数が偶数であるため、23.885と23.934の平均値である23.9095が基点となる。また、第１グループのデータの最頻値を基点とする場合、ヒスグラム作成における階級の決め方に依存するが、例えば、階級をデータの最小値23.055と最大値25.249の間を均等に５等分して決めた場合、23.4938から23.9326の間の階級が最頻の階級となり、23.4938と23.9326の平均値23.7132が基点となる。また、第１グループのデータだけを使って基点を算出する方法だけではなく、第１グループのデータと第２グループのデータを比較して、基点を算出しても良い。

図４は、第１グループのデータと第２グループのデータを比較して、基点を算出する方法の一例を示したものである。
１２１は、第１グループのデータに対するヒストグラム、１２２は、第２グループのデータに対するヒストグラムである。また、１２３は、１２１と１２２のヒストグラムの各階級に対して、第１グループの頻度を、第１グループの頻度と第２グループの頻度の和で割った商を図示したものである。本例では、第１グループのデータと第２グループのデータを合わせた最小値22.130、最大値26.148の間を均等に５等分してヒストグラムを作成し、その結果、１２１と１２２のヒストグラムを描いた。また、１２１と１２２から１２３の分布を描いた。１２３の分布から22.934から23.737の間の階級が最頻の階級であることがわかり、22.934と23.737の平均値23.3354が基点となる。このように、基点の算出には、様々な方法があり、実際に入力するデータ群の特徴に合わせて、本発明の実施例を適用する者が最適な方法を選ぶとよい。

図５は、ステップ１０４で整列したデータとステップ１０５からステップ１０９の間の繰返し処理における変数Ｍ、変数Ｎの関係を示す一例である。ここでは、図２と図３に示したデータ群の内、項目１のデータを例に説明する。
ステップ１０４では、第１グループのデータと第２グループのデータの双方を合わせて整列する。このとき、各データが第１グループに属するデータか、第２グループに属するデータかわかるように属性を示す情報を付けて整列する。
図５では、表を２分割して図示したが、これは紙面の都合であり、特に分割する必要はない。破線１３１は、第１グループのデータの中央値として算出した基点の位置を示している。破線１３２は、変数Ｍが７の場合のステップ１０６、ステップ１０７、ステップ１０８を処理するための境界を示している。破線１３３は、変数Ｎが４の場合のステップ１０６、ステップ１０７、ステップ１０８を処理するための境界を示している。

図示の例では、ステップ１０６で、破線１３２と破線１３３の間にある第１グループに属するデータ数から変数ＦＸ＝８と算出され、破線１３２と破線１３３の間にある第２グループに属するデータ数から変数ＳＸ＝３と算出され、第１グループに属する全データ数が３０であることから変数ＦＹ＝３０−８＝２２と算出され、第２グループに属する全データ数が２０であることから変数ＳＹ＝２０−３＝１７と算出され、ステップ１０７で例えば、小数第４位で四捨五入すると不良品含有率(ＦＣＲ)＝0.224、すなわち22.4％、ステップ１０８で歩留り影響度(ＹＩ)＝0.175、すなわち17.5％と算出される。ステップ１０５からステップ１０９の繰返し処理で、変数Ｍと変数Ｎを変化させることで、様々な不良品含有率(ＦＣＲ)と歩留り影響度(ＹＩ)が算出される。

図６と図７は、算出された不良品含有率をステップ１１１で出力する例を示す図である。
図６は、縦軸を算出された不良含有率、横軸を変数Ｍと変数Ｎの和としたグラフの一例である。実線かつ太線で表した折れ線が項目１の不良品含有率で、実線かつ細線で表した折れ線が項目２の不良品含有率で、破線で表した折れ線が項目３の不良品含有率である。変数Ｍと変数Ｎの組合せによって、変数Ｍと変数Ｎの和が同じでも不良含有率の値は異なる。例で示したグラフは、変数Ｍ＝変数Ｎの場合の結果である。本来、不良品含有率が大きい折れ線のパラメータが、最も歩留りを落としている原因であると判断することができるはずである。しかし、本例のように、横軸を変数Ｍと変数Ｎの和といったノンパラメトリックな値で示すと、実線かつ太線の項目１と実線かつ細線の項目２のどちらが不良品含有率が大きく、問題のあるパラメータなのか判断が難しい。

図７は、この課題を解決するグラフの表示方法の一例である。
このグラフは、縦軸を算出された不良品含有率、横軸を変数Ｍと変数Ｎの和の代わりに、下記式３を用いて、各データを基点の値(ＢＰ)と第１グループのデータの標準偏差(σ)を用いて規格化し、距離Ｍと距離Ｎに相当するデータの規格化された値としたものである。

図６の場合と同様に、変数Ｍと変数Ｎの組合せは様々であるが、このグラフは、変数Ｍに相当するデータの規格化された値と、変数Ｎに相当するデータの規格化された値が、ほぼ同じである場合を折れ線で表したものである。このようなグラフを描くことで、図６よりも不良品含有率が大きいパラメータが一目でわかる。具体的には、実線かつ太線の項目１が、横軸が大きいな値になるほど、不良品含有率が大きくなり、注目すべき重要なパラメータであることがわかる。

図８〜図１０は、算出された歩留り影響度をステップ１１２で出力する方法の例を図示したものである。図８は、図６の縦軸を歩留り影響度に置き換えたものであり、図９は、図７の縦軸を歩留り影響度の置き換えたものである。図８では、横軸が３０弱の値まで、実線かつ細線の項目２が最も歩留り影響度が大きいように見える。しかし、これは項目２のデータがほとんど０であり、変数Ｍと変数Ｎを大きくしても、歩留り影響度の値に影響していないことを意味しているに過ぎない。

一方、図９では、歩留り影響度が最も大きいパラメータは、実線かつ太線の項目１であることが明確にわかる。ここで注意すべき点は、横軸の値が小さい場合、すなわち、変数Ｍと変数Ｎがそれぞれ小さな値の場合、式１の分母が不安定となり、算出された不良品含有率の精度が悪く、その結果、算出された歩留り影響度の精度も悪くなる。
そこで、例えば、図９の横軸が、0.5より大きい部分を観察して、歩留り影響度の大きいパラメータを選出することが本発明の活用方法として相応しい。図１０は、図９の横軸が0.5より大きい部分の各折れ線の最大値を棒グラフで表した一例である。このグラフは図８や図９に比べて情報が欠落しているが、見易さの点で、本実施例を適用した良い例といえよう。この棒グラフを見ることで、最も歩留り影響度の大きいパラメータ、すなわち、最も対策すべきパラメータが項目１であることがわかる。

次に、本実施例に係るデータ解析方法を磁気ディスク装置の製造工程に適用した例について説明する。
図１１は、磁気ディスク装置の製造工程の概略を示す図である。磁気ディスク装置は多数の部品で構成されるがその内、本例は、主要部品である磁気ヘッド、円板の製造過程と最後の組立工程を図示している。磁気ヘッドは、ウエハに複数の素子を形成する工程２０１、ウエハの試験工程２０２、各素子を切り出してスライダを加工する工程２０３、スライダの試験工程２０４、各スライダとサスペンションなどの部品を組み合わせたＨＧＡ(Head Gimbal Assembly)を組み立てる工程２０５、ＨＧＡの試験工程２０６、複数のＨＧＡとフレキシブル・プリント基板などの部品を組み合わせたＨＳＡ(Head Stack Assembly)を組み立てる工程２０７、ＨＳＡの試験工程２０８を経て形成される。

円板は、円板を形成する工程２０９と円板の試験工程２１０を経て形成される。次に、ＨＳＡと円板とフレームなどの部品を組み合わせて、ＨＤＡ(Head Disk Assembly)を組み立てて、サーボ信号を書き込む工程２１１、ＨＤＡの試験工程２１２、ＨＤＡとプリント基板などの部品を組み合わせて、ＨＤＤを組み立てる工程２１５、ＨＤＤの試験工程２１６を経て、磁気ディスク装置が完成する。この磁気ディスク装置の製造過程において、各試験工程で良否の判定が行われる。

このような製造工程で得られるデータに対して、本実施例を適用する場合、例えば、ＨＤＤの試験工程２１６で良品と判定された製品に関連するデータを第１グループのデータと定義し、ＨＤＤの試験工程２１６で不良品と判定された製品に関連するデータを第２グループのデータと定義して、本実施例を適用することが考えられる。
また、ＨＤＤの試験工程２１６で良品と判定された製品に関連するデータを第１グループのデータと定義し、ＨＤＤの試験工程２１６で不良品と判定された製品に関連するデータだけではなく、ＨＤＤの試験工程２１６で不良品と判定された製品に関連するデータと、ＨＤＡの試験工程２１２で不良品と判定された製品に関連するデータと、ＨＳＡの試験工程２０８で不良品と判定された磁気ヘッドのデータを第２グループのデータと定義して、本実施例を適用することもある。

また、例えば、ウエハに複数の素子を形成する工程や各素子を切り出してスライダを加工する工程での問題を解析する場合に、スライダの試験工程２０４で良品と判定されたスライダに関連するデータを第１グループのデータと定義し、スライダの試験工程２０４で不良品と判定されたスライダに関連するデータを第２グループのデータと定義して、本実施例を適用する方法もある。
また、ウエハに複数の素子を形成する工程での問題を解析する場合に、ＨＧＡの試験工程２０６で良品と判定された磁気ヘッドに関連するデータを第１グループのデータと定義し、ＨＧＡの試験工程２０６で不良品と判定された磁気ヘッドに関連するデータと、スライダの試験工程２０４で不良品と判定されたスライダに関連するデータを第２グループのデータと定義して、本実施例を適用する方法もある。

また、ウエハには、工程２０１で複数の素子が形成されるため、同じウエハから形成された素子から作られた磁気ヘッドでもスライダの試験工程２０４で良品と判定されるものもあれば、不良品と判定されるものもある。そこで、各ウエハに関連するデータを第１グループのデータと第２グループのデータに分類するために、スライダの試験工程２０４で良品と判定されたスライダを多く形成したウエハ群と、不良品と判定されたスライダを多く形成したウエハ群に分ける方法で本実施例を適用してもよい。

図１２は、磁気ディスク装置の製造工場の概略を示した図である。
この例で、素子形成工場３１０は図１１の工程２０１、工程２０２を実施し、円板形成工場３２０は工程２０９、工程２１０を実施する。また、スライダ加工工場３３０は工程２０３、工程２０４を実施し、組立工場３４０は工程２０５、工程２０６、工程２０７、工程２０８、工程２１１、工程２１２、工程２１５、工程２１６を実施する。それぞれの工場には、多種多様な製造装置と試験装置があり、これら全ての製造装置と全ての試験装置は、ネットワーク３５４で接続され、かつ、生産管理装置３５１、設備データ管理装置３５２、試験データ管理装置３５３、データ解析装置３００とも接続されている。

例えば、素子形成工場３１０の中には、露光装置３１１、成膜装置３１２などの製造設備があり、露光装置３１１が有する位置決めセンサが測定したデータは、処理したウエハのシリアル番号とともに設備データ管理装置３５２に格納されて管理され、成膜装置３１２が有するガス流量センサが測定したデータは、処理したウエハのシリアル番号とともに設備データ管理装置３５２に格納されて管理されている。また、素子形成工場３１０の中には、工程２０２を実行するための試験装置３１９があり、試験装置３１９が測定したデータは、処理したウエハのシリアル番号やウエハ上の測定座標とともに試験データ管理装置３５３に格納されて管理されている。同様に、円板形成工場３２０、スライダ加工工場３３０、組立工場３４０の中にある各製造設備から得られるデータや各試験装置から得られるデータは、設備データ管理装置３５２や試験データ管理装置３５３に格納されて管理されている。

本実施例はデータ解析装置３００に適用されて実施される。データ解析装置３００は、各製造設備から得られたデータを設備データ管理装置３５２からネットワーク３５４を介して取得し、また、各試験装置から得られたデータを試験データ管理装置３５３からネットワーク３５４を介して取得する。データ解析装置３００では、これら取得したデータを第１グループのデータと第２グループのデータに分類して、実行される。

図１３は、本実施例が適用されるデータ解析装置３００のブロック図を示す。
データ解析装置３００は、ネットワークインターフェース３０１、制御部３０２、二次記憶装置３０３、主記憶装置３０４、演算部３０５、データの入力部及び表示部を有するユーザインタフェース３０６を備える。これは、ＰＣ（パーソナルコンピュータ）ような一般的なコンピュータであり、本実施例に係るデータ解析方法は、この装置において、コンピュータプログラムの実行により実施される。

以上のように、本実施例により、例えば、磁気ディスク装置のような製造物の製造過程で得られる多種多様なパラメータを用いて、最も歩留り低下の要因となっているパラメータを効率よく見つけ出すことができる。その結果、対策すべきパラメータを絞り込むことができ、歩留りを従来より早く向上できる効果がある。また、上述した実施例では、磁気ディスク装置の製造工程に適用した例であるが、これに限らず他の装置や製造物、例えば、集積回路、フラットパネルディスプレイ、プリント基板、医薬品などの製造物にも適用できる。

次に、図１４以降を参照して、第２の実施例について説明する。
図１に示した例は、厳密に不良品含有率や歩留り影響度を算出する手順である。すなわち、基点を算出した後、変数Ｍと変数Ｎの２つの変数を変化させて不良品含有率と歩留り影響度を算出する例を示している。しかし、図７、図９、図１０のグラフを得るためだけであれば、図１４に示す手順でも不良品含有率や歩留り影響度を算出できる。

図１４の例では、変数Ｍと変数Ｎの代わりに、変数Ｋという１つの変数を変化させるだけで不良品含有率と歩留り影響度を算出する。
ここで、ステップ１０１は図１と同一である。また、ステップ１０２からステップ１１０の間の繰返しの条件も同様である。ステップ１０３は図１と同一である。
ステップ１５１では、第Ｊ項目のデータ群から標準偏差(σ)を算出する。次に、ステップ１５２で、ステップ１０３で算出した基点(ＢＰ)、ステップ１５１で算出した標準偏差(σ)を、式３に代入して、第１グループのデータも第２グループのデータも規格化する。

図１５は、第１グループのデータ群を規格化した一例であり、図１６は、第２グループのデータ群を規格化した一例である。
この例は、第１グループのデータ群の平均値を用いて基点を算出し、その結果に基づいて規格化した結果である。項目１の基点(ＢＰ)は、23.96763、標準偏差(σ)は、0.520258、項目２の基点(ＢＰ)は、1.466667、標準偏差(σ)は、4.903453、項目３の基点(ＢＰ)は、0.117001、標準偏差(σ)は、0.002453である。

次に、ステップ１５３とステップ１５７の間を変数Ｋで繰り返す。変数Ｋは、例えば、0.1×標準偏差(σ)から3.0×標準偏差(σ)までを数分割して繰り返す。ステップ１５４は、規格化されたデータ群に対して、距離Ｋ以内で、第１グループに属するデータの数を変数ＦＸに代入し、第２グループに属するデータの数を変数ＳＸに代入する。また、第１グループに属する全データ数から変数ＦＸを減算した差を変数ＦＹに代入し、第２グループに属する全データ数から変数ＳＸを減算した差を変数ＳＹに代入する。

ステップ１５５では、ステップ１５４で算出した変数ＦＸ、変数ＳＸ、変数ＦＹ、変数ＳＹを、式１に代入して、不良品含有率(ＦＣＲ)を算出する。次に、ステップ１５６で、ステップ１５４で算出した変数ＦＸ、変数ＳＸ、変数ＦＹ、変数ＳＹと、ステップ１５４で算出した不良品含有率(ＦＣＲ)を、式２に代入して、歩留り影響度(ＹＩ)を算出する。最後に、ステップ１１１とステップ１１２で、図７や図９や図１０を出力する。
なお、図１０だけであれば、変数Ｋによる繰り返し処理を省いて、例えば、変数Ｋ＝1.0×標準偏差(σ)だけについて、不良品含有率(ＦＣＲ)や歩留り影響度(ＹＩ)を算出して、グラフを描いてもよい。

一実施例（実施例１）における製造物の処理手順の一例を示す図。 一実施例における第１グループに属するデータ群の例を示す図。 一実施例における第２グループに属するデータ群の一例を示す図。 一実施例における基点の算出方法の一例を示す図。 一実施例における整列したデータと繰り返し処理における変数Ｍと変数Ｎの関係の一例を示す図。 一実施例における不良品含有率の出力例を示す図。 一実施例における不良品含有率の出力例を示す図。 一実施例における歩留り影響度の出力例を示す図。 一実施例における歩留り影響度の出力例を示す図。 一実施例における歩留り影響度の出力例を示す図。 一実施例における磁気ディスク装置の製造工程を示すフローチャート。 一実施例における磁気ディスク装置の製造工場を概略的に示した図。 一実施例におけるデータ解析装置の一例を示す図。 他の実施例（実施例２）における製造物の処理手順の一例を示す図。 他の実施例における第１グループに属するデータ群を規格化した例を示す図。 他の実施例における第２グループに属するデータ群を規格化した例を示す図。

符号の説明

１２１：第１グループのデータのヒストグラム、
１２２：第２グループのデータのヒストグラム、
１２３：第１グループのデータのヒストグラムと第２グループのデータのヒストグラムを比較したグラフ、
１３１：基点の位置、 １３２：変数Ｍが指す位置、 １３３：変数Ｎが指す位置、 ３１０：素子形成工場、 ３２０：円板形成工場、 ３３０：スライダ加工工場、 ３４０：組立工場、３５４：ネットワーク、 ３００：データ解析装置。

Claims (10)

1. 製造物又は製造物を製造する設備に対して、測定された複数のパラメータを照合し、製造物が不良になる原因を解析する方法であって、
   各パラメータに対して、製造物の性能に基づき、パラメータが有するデータ群を第１グループと第２グループに分類するステップと、
   該データ群の分布に基づき、該分布の基点を算出するステップと、
   該基点に対する一定距離の範囲を定めるステップと、
   該第１グループに属するデータ群の該範囲内のデータ数（ＦＸ）を算出するステップと、
   該第１グループに属するデータ群の該範囲外のデータ数（ＦＹ）を算出するステップと、
   該第２グループに属するデータ群の該範囲内のデータ数（ＳＸ）を算出するステップと、
   該第２グループに属するデータ群の該範囲外のデータ数（ＳＹ）を算出するステップと、
   該ＦＸ、該ＦＹ、該ＳＸ、該ＳＹに基づき、該パラメータの不良発生への影響度を算出するステップと、
   算出された該影響度を出力するステップと、
   を有することを特徴とするデータ解析方法。
2. 前記一定距離の範囲を定めるステップは、該基点から距離を変化させて該範囲を定め、該変化した該範囲に対して、該ＦＸ、該ＦＹ、該ＳＸ、該ＳＹを算出し、変化させた距離に対する該範囲の該影響度を出力することを特徴とする請求項１のデータ解析方法。
3. 該パラメータの不良発生への影響度を算出するステップとして、該ＦＸと該ＳＸの和で該ＦＸを割った商（ＤＸ）と、該ＦＹと該ＳＹの和で該ＦＹを割った商（ＤＹ）を算出するステップと、
   該ＤＹを該ＤＸで割った商を１から引いた差（Ｃ）を算出するステップと、を有することを特徴とする請求項１又は２のデータ解析方法。
4. 該パラメータの不良発生への影響度を算出するステップとして、前記差Ｃと、該ＦＹと該ＳＹの和とを掛けた積を算出し、該ＦＸと該ＦＹと該ＳＸと該ＳＹの和で割った商（Ｒ）を算出するステップ
   を有することを特徴とする請求項３のデータ解析方法。
5. 前記データ群の分布に基づき、分布の基点を算出するステップとして、前記第１グループに属する該データ群の平均値を算出することを特徴とする請求項１又は２のデータ解析方法。
6. 前記データ群の分布に基づき、分布の基点を算出するステップとして、前記第１グループに属する該データ群の中央値を算出することを特徴とする請求項１又は２のデータ解析方法。
7. 前記データ群の分布に基づき、分布の基点を算出するステップとして、前記第１グループに属する該データ群の最頻値を算出することを特徴とする請求項１又は２のデータ解析方法。
8. 前記データ群の分布に基づき、分布の基点を算出するステップとして、前記第１グループに属する該データ群と、第２グループに属する該データ群から、不良率分布を計算し、不良率分布の最頻値を算出することを特徴とする請求項２のデータ解析方法。
9. 製造物又は製造物を製造する設備に対して、測定された複数のパラメータを照合し、製造物が不良になる原因を解析するデータ解析システムにおいて、
   第１グループに属するデータ群と第２グループに属するデータ群を含むデータを入力するユーザインタフェースと、
   該ユーザインタフェースに接続され、データを処理するデータ処理手段を有し、
   該データ処理手段は：
   各パラメータに対して、製造物の性能に基づき、パラメータが有するデータ群を第１グループと第２グループに分類する手段と、該データ群の分布に基づき、該分布の基点を算出する手段と、該基点に対する一定距離の範囲を定める手段と、該第１グループに属するデータ群の該範囲内のデータ数（ＦＸ）を算出する手段と、該第１グループに属するデータ群の該範囲外のデータ数（ＦＹ）を算出する手段と、該第２グループに属するデータ群の該範囲内のデータ数（ＳＸ）を算出する手段と、該第２グループに属するデータ群の該範囲外のデータ数（ＳＹ）を算出する手段と、該ＦＸ、該ＦＹ、該ＳＸ、該ＳＹに基づき、該パラメータの不良発生への影響度を算出する手段と、を含み、
   該データ処理手段によって算出された該影響度を該ユーザインタフェースに出力することを特徴とするデータ解析システム。
10. 製造物又は製造物を製造する設備に対して、測定された複数のパラメータを照合し、製造物が不良になる原因を解析するデータ解析を実施するためのプログラムであって、
    各パラメータに対して、製造物の性能に基づき、パラメータが有するデータ群を第１グループと第２グループに分類する手段と、該データ群の分布に基づき、該分布の基点を算出する手段と、該基点に対する一定距離の範囲を定める手段と、該第１グループに属するデータ群の該範囲内のデータ数（ＦＸ）を算出する手段と、該第１グループに属するデータ群の該範囲外のデータ数（ＦＹ）を算出する手段と、該第２グループに属するデータ群の該範囲内のデータ数（ＳＸ）を算出する手段と、該第２グループに属するデータ群の該範囲外のデータ数（ＳＹ）を算出する手段と、該ＦＸ、該ＦＹ、該ＳＸ、該ＳＹに基づき、該パラメータの不良発生への影響度を算出する手段と、算出された該影響度を出力する手段と、を有することを特徴とするコンピュータ上で実行されるデータ解析用プログラム。

Images