JP2007264914A - データ解析方法 - Google Patents
データ解析方法 Download PDFInfo
- Publication number
- JP2007264914A JP2007264914A JP2006087474A JP2006087474A JP2007264914A JP 2007264914 A JP2007264914 A JP 2007264914A JP 2006087474 A JP2006087474 A JP 2006087474A JP 2006087474 A JP2006087474 A JP 2006087474A JP 2007264914 A JP2007264914 A JP 2007264914A
- Authority
- JP
- Japan
- Prior art keywords
- data
- group
- calculating
- range
- product
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。
- 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。 - 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。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006087474A JP2007264914A (ja) | 2006-03-28 | 2006-03-28 | データ解析方法 |
US11/731,015 US7640131B2 (en) | 2006-03-28 | 2007-03-28 | Data analysis method for analyzing failure root causes for products |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006087474A JP2007264914A (ja) | 2006-03-28 | 2006-03-28 | データ解析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007264914A true JP2007264914A (ja) | 2007-10-11 |
Family
ID=38605891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006087474A Pending JP2007264914A (ja) | 2006-03-28 | 2006-03-28 | データ解析方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US7640131B2 (ja) |
JP (1) | JP2007264914A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009081696A1 (ja) * | 2007-12-26 | 2009-07-02 | Hitachi, Ltd. | データ解析装置、データ解析方法、およびプログラム |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8439211B2 (en) * | 2005-09-16 | 2013-05-14 | Ray R. Emrani | Visual organization and display apparatus and system |
JP2009015740A (ja) * | 2007-07-09 | 2009-01-22 | Hitachi Ltd | 製造指示システム及び製造指示方法 |
US20110010509A1 (en) * | 2009-07-07 | 2011-01-13 | L3 Communications Integrated Systems,L.P. | System and method of sorting and calculating statistics on large data sets with a known value range |
JP5450180B2 (ja) * | 2009-09-10 | 2014-03-26 | 株式会社日立製作所 | 測定装置と測定座標設定方法と測定座標数算出方法 |
US8903122B2 (en) | 2013-03-15 | 2014-12-02 | HGST Netherlands B.V. | Verifying a slider tray map |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5240866A (en) * | 1992-02-03 | 1993-08-31 | At&T Bell Laboratories | Method for characterizing failed circuits on semiconductor wafers |
JPH0927531A (ja) | 1995-07-13 | 1997-01-28 | Hitachi Ltd | 歩留まり統計解析方法および装置 |
WO2000014790A1 (fr) * | 1998-09-03 | 2000-03-16 | Hitachi, Ltd. | Systeme d'inspection et procede de production d'un dispositif electronique l'utilisant |
JP4080087B2 (ja) * | 1999-02-01 | 2008-04-23 | 株式会社日立製作所 | 分析方法,分析システム及び分析装置 |
JP2001110867A (ja) | 1999-10-07 | 2001-04-20 | Hitachi Ltd | 電子デバイスの製造方法および電子デバイスの品質管理システム |
US6549383B1 (en) | 2000-10-06 | 2003-04-15 | International Business Machines Corporation | Pinned layer having a CoFeNb or CoFeNbHf film for increasing magnetic softness and reducing current shunting |
US6452240B1 (en) | 2000-10-30 | 2002-09-17 | International Business Machines Corporation | Increased damping of magnetization in magnetic materials |
JP2003186953A (ja) | 2001-12-19 | 2003-07-04 | Hitachi Ltd | 品質データ解析システム、品質データ解析方法、該品質データ解析方法をコンピュータに実行させるためのプログラム、該プログラムを記録したコンピュータ読み取り可能な記録媒体、製品の製造方法、品質データの解析サービス提供システム、および品質データの解析サービス提供方法 |
US6870716B2 (en) | 2002-09-24 | 2005-03-22 | Hitachi Global Storage Technologies Netherland B.V. | Free layer and design for higher areal density |
US7038889B2 (en) | 2002-09-30 | 2006-05-02 | International Business Machines Corporation | Method and apparatus for enhanced dual spin valve giant magnetoresistance effects having second spin valve self-pinned composite layer |
JP4538205B2 (ja) * | 2003-07-23 | 2010-09-08 | 株式会社日立ハイテクノロジーズ | 検査データの解析プログラム、検査データ解析装置 |
US6947871B2 (en) | 2003-09-30 | 2005-09-20 | Hitachi Global Storage Technologies Netherlands, B.V. | Yield/quality improvement using calculated failure rate derived from multiple component level parameters |
US7313013B2 (en) | 2004-11-18 | 2007-12-25 | International Business Machines Corporation | Spin-current switchable magnetic memory element and method of fabricating the memory element |
US7676077B2 (en) * | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
-
2006
- 2006-03-28 JP JP2006087474A patent/JP2007264914A/ja active Pending
-
2007
- 2007-03-28 US US11/731,015 patent/US7640131B2/en not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009081696A1 (ja) * | 2007-12-26 | 2009-07-02 | Hitachi, Ltd. | データ解析装置、データ解析方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US7640131B2 (en) | 2009-12-29 |
US20070244658A1 (en) | 2007-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150112903A1 (en) | Defect prediction method and apparatus | |
US7930123B2 (en) | Method, apparatus, and computer readable medium for evaluating a sampling inspection | |
JP2006228181A (ja) | 品質変動表示装置、品質変動表示方法、品質変動表示プログラム及び該プログラムを記録した記録媒体 | |
JP2009258890A (ja) | 影響要因特定装置 | |
JP2007264914A (ja) | データ解析方法 | |
US10719655B2 (en) | Method and system for quickly diagnosing, classifying, and sampling in-line defects based on CAA pre-diagnosis database | |
JP2007019356A (ja) | 検査データ解析システムと検査データ解析プログラム | |
TWI474208B (zh) | 產生用於製造工具之配方之方法及其系統 | |
US20230194624A1 (en) | Battery management system for classifying a battery module | |
JP2022049395A (ja) | 異常スコア算出装置、異常スコア算出方法およびプログラム | |
JP5501908B2 (ja) | 要因分析方法、要因分析装置、及び記録媒体 | |
JP2011187836A (ja) | 半導体製造装置の管理方法及び管理システム | |
JP6166120B2 (ja) | データ処理装置、測定装置、選別装置、データ処理方法およびプログラム | |
US8165845B1 (en) | Method and apparatus for statistical identification of devices based on parametric data | |
US20180285495A1 (en) | Model generation system and model generation method | |
JP2012058816A (ja) | 抜取検査の設計方法 | |
JP2008071790A (ja) | 不良工程推定方法、不良工程推定装置、プログラム、並びに記録媒体 | |
JP4868727B2 (ja) | 自動検査レシピ作成装置及び作成方法 | |
WO2009081696A1 (ja) | データ解析装置、データ解析方法、およびプログラム | |
US20200134480A1 (en) | Apparatus and method for detecting impact factor for an operating environment | |
CN114820003A (zh) | 定价信息异常识别方法、装置、电子设备及存储介质 | |
JP5566616B2 (ja) | 特性解析装置、特性解析方法をコンピュータに実行させるためのプログラム、上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN113994378A (zh) | 检查装置、检查方法及检查程序、以及学习装置、学习方法及学习程序 | |
TW201620057A (zh) | 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法 | |
JP4653526B2 (ja) | 品質解析方法、品質解析装置、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 |