JP2016062266A - 品質管理装置およびその管理方法 - Google Patents

Abstract

【課題】本発明の実施形態は、コストの高い検査の実施頻度を低減する。
【解決手段】本発明の一実施形態にかかる品質管理装置は、予測部と、実施頻度算出器と、実施信号生成器を備える。前記予測部は、第1検査の検査結果値と、第2検査の合格または不合格の可能性に関する値である予測値とを関連づけた予測モデルに基づき、検査対象について前記第1検査で得られた検査結果値から、前記予測値を算出する。前記実施頻度算出器は、前記予測部が算出した予測値に応じて、前記検査対象について前記第2検査を実施する実施頻度を決定する。前記実施信号生成器は、前記実施頻度に応じて、前記検査対象について前記第2検査の実施有無を表す信号を生成する。
【選択図】図1

Description

本発明の実施形態は、品質管理装置およびその管理方法に関する。

コンピュータの記憶装置として用いられるハードディスクドライブ（HDD）は、高品質を保証するため、出荷前に様々な方法によって、検査される。検査方法のなかには、専用設備を必要とする低温環境での動作検査など、コストが非常にかかる検査も多々ある。

検査にかかるコストの増大を防ぐため、合格または不合格の可能性を事前に予測するモデルが、利用されることがある。予測モデルにより、合格または不合格である可能性が高いとする予測結果が得られた製品に対しては、高コストの検査を実施するまでもないとして、高コストの検査の代わりに、他の低コストの検査を実施する。この方法により、品質を保証しながらも、高コストの検査を実施する対象の数を減らすことができる。

予測モデルは、予測に用いるパラメタ（予測パラメタ）の値が重要である。予測パラメタが最適値に近いほど、予測の精度が向上するからである。しかし、予測パラメタを最適値に近づけるには、多数の予測および検査結果が必要になり、高コストになる。

また、HDDの型式が同一であっても、設計値や部材などの構成条件が変更されることは多々ある。この場合、変更前の構成に対応する予測モデルを用いると、予測精度の低下につながる。構成条件の変更により、予測パラメタの最適値も変動するためである。ゆえに、構成条件の変更後は、予測パラメタを早期に更新する必要がある。しかし、それには高コストの検査を行わなくてはならず、コストが増加するという問題があった。

特開2013-84057号公報

本発明の実施形態は、コストの高い検査の実施頻度を低減することを目的とする。

本発明の一実施形態にかかる品質管理装置は、予測部と、実施頻度算出器と、実施信号生成器を備える。

前記予測部は、第1検査の検査結果値と、第2検査の合格または不合格の可能性に関する値である予測値とを関連づけた予測モデルに基づき、検査対象について前記第1検査で得られた検査結果値から、前記予測値を算出する。

前記実施頻度算出器は、前記予測部が算出した予測値に応じて、前記検査対象について前記第2検査を実施する実施頻度を決定する。

前記実施信号生成器は、前記実施頻度に応じて、前記検査対象について前記第2検査の実施有無を表す信号を生成する。

本発明の一実施形態のブロック図。 図1に示す実施形態における処理のフローチャート。 図1に示す実施形態における予測処理のフローチャート。 更新頻度特性情報が正規分布の場合での予測値と検査2実施頻度値の関係図。 更新頻度特性情報が矩形関数の場合での予測値と検査2実施頻度値の関係図。 図1に示す実施形態における制御処理のフローチャート。 図1に示す実施形態における更新処理のフローチャート。 図1に示す実施形態に、第二予測部を追加した形態のブロック図。 図8に示す実施形態における処理のフローチャート。 更新頻度特性情報が正規分布の場合での二つの予測値の差の絶対値と検査2実施頻度値の関係図。 予測値を示す回帰モデルグラフ。 図8に示す実施形態における第二予測部の更新処理のフローチャート。 本発明の一実施形態のハードウェア構成例。

図1に、本発明の一実施形態に係る品質管理装置を備えた品質管理システムを示す。

本品質管理システムは、検査結果記憶装置101、予測部102、実施制御部107、入力装置111、工程切替器112、検査1実施器115、検査2実施器113、検査3実施器114から構成される。

本発明の一実施形態は、検査1、検査2および検査3の三つの検査を実施する。

検査1は、検査2を実施するか否かを判定するために事前に行う検査である。検査1は、検査1実施器115によって、実施される。

検査2は、コストの高い検査であり、高温および低温といった過酷環境を作り出す専用設備を必要とする検査、試験に時間を要する検査などが考えられる。検査2は、検査2実施器113により、実施される。

検査3は、検査2よりもコストの低い検査である。検査3では、常温での検査が可能な検査などが考えられる。検査3は、検査3実施器114により、実施される。検査3を省略する構成も可能であり、その場合、検査3実施器114は不要である。

各検査では、一つまたは複数の検査項目の検査を行う。検査対象がHDDの場合、読み書きエラーレート測定、サーボ安定性、アンプゲイン測定といったものが考えられるが、これらに限定されない。

各検査の検査項目は、一部または全部が同じであってよい。検査1と検査3は、同じ検査項目としつつ、検査3では、検査1よりも厳しい条件での検査としてもよい。例えば、検査対象への供給電圧を下げて負荷をあたえたり、許容する読み書きエラー数、サーボエラー量などを少なくしたりして（厳しいテスト条件）、テストを行ってもよい。なお、各検査の検査項目数は同じである必要はない。

コストは、実施にかかる費用でも、時間でも、任意に決めてよい。また、コストの高低を判断する基準も任意でよい。

検査結果値は、検査結果を数値で表したものである。検査項目が、エラーレート測定であれば、エラーレート値や、エラーレート値を分類したラベル値などが考えられる。他の検査項目も同様である。

評価値は、検査2の検査結果値に基づき、合格か不合格かを判定し、その判定結果を数値で表したものである。例えば、合格ならば0、不合格ならば1として表すことができる。すなわち、評価値は、0または1の2値の値である。合格か不合格かは、検査2の検査項目毎の検査結果値からユーザが判定してもよいし、検査項目毎に予め定めた判定基準値を満たすかどうかにより、自動的に判定してもよい。また、判定は、検査項目毎でも、検査の検査項目群の検査結果値から総合的に判定してもよい。例えば、一つまたは複数の所定項目のうち少なくとも一つの所定項目の検査結果値が閾値以上であれば、不合格と判定してもよい。ここで述べた以外の方法で判断してもよい。

予測部102は、検査1の検査結果値から、予測対象である製品について、検査2の合格または不合格の可能性に関する値である予測値を算出する部分である。予測値は、検査2の検査項目毎に算出される。なお、予測する検査項目は一つでもよい。

予測計算は、予測モデルに基づき行われる。予測モデルは、検査1の検査結果値および予測パラメタと、検査2が合格または不合格である可能性に関する値である予測値とを関連づけるモデルである。予測パラメタは事前に計算されている。よって、この予測モデルに基づき、検査1の検査結果値から、合格または不合格の可能性に関する値である予測値を算出することができる。予測モデルも、検査2の検査項目毎に設けられてよい。

このような予測モデルは、検査1の過去の検査結果値と、検査2の過去の評価値とを分析することによって生成することができる。予測モデルの例として、回帰モデル、ニューラルネットワーク、サポートベクタマシンなどがある。なお、ここでは、検査2の検査項目毎に合格または不合格かの判定を行って評価値を得るが、検査2の複数の検査項目の検査結果値から総合的に、合格または不合格の判定を行い、評価値を得ることも可能である。この場合は、予測モデルは、検査2の複数の検査項目全体に対して一つ存在する。

実施制御部107は、検査2の実施を制御する部分である。実施制御部107は、検査2の実施の頻度およびその実施の有無を決定し、検査対象について、検査2を実施する場合には、検査2の実施を指示する信号を工程切替器112に出力する。検査3を実施する場合には、検査3の実施を指示する信号を工程切替器112に出力する。

検査結果記憶装置101は、検査1の検査結果値、検査2の検査結果値および評価値を、検査された製品の情報と共に格納する装置である。製品の情報は、製品が使用する部品のメーカー、データを読み取るアンプのゲイン、記憶メディアに対する読み取りヘッドの浮上量などの制御設定値、生産地、組み立て時の状況などが考えられる。

ここで検査1実施器115により実施された検査1の検査結果値r1は、検査1が複数の検査項目で構成される場合、複数の検査結果値を含む集合となる。検査1が全部でj（jは1以上の整数）個の検査項目で構成されている場合、r1は次のように表される。

r1=｛r1₁、r1₂、・・・・、r1_j｝

同様に、検査2実施器113により実施された検査2の検査結果値およびその検査結果値に基づく評価値も、検査2が複数の検査項目で構成される場合、複数の値を含む集合となる。ここでは、検査2の評価値をr2とすると、検査2が全部でk（kは1以上の整数）個の検査で構成されている場合、評価値r2は次のように表される。なお、jとkは同じでも異なってもよい。評価値は例えば合格は0、不合格は1などと、2値によって表現される。

r2=｛r2₁、r2₂、・・・・、r2_k｝

検査結果記憶装置101は、検査結果値r1および評価値r2を、検査した製品IDと対応付ける。今までにi（iは1以上の整数）個の製品を検査した場合、すべての製品に対する検査1の検査結果を表すものをR1、すべての製品に対する検査2の評価値を表すものをR2とすると、検査結果値R1および評価値R2は次のように表される。

行列式の行は、検査した各製品に対応する。また行列式の列は、各検査項目を表す。
行列式のjおよびkは、それぞれ検査1または検査2を構成する検査項目の数を表す。
なお、検査結果記憶装置の容量に限りがある場合は、一定期間もしくは一定の装置台数までのデータを保持し、過去のデータから消して製品IDとiとの対応付けを更新しても良い。

入力装置111は、検査2の実施の頻度または有無を決定するために必要な情報などを入力する装置である。

工程切替器112は、実施制御部107が出力する信号に応じて、検査2実施器113または検査3実施器114に、検査の実施を指示する信号を出力する。

検査1実施器115、検査2実施器113、検査3実施器114は、上述したように、それぞれ検査1、検査2、検査3を実施する機器である。

図2に、本発明の一実施形態における処理のフローチャートを示し、具体的な動作について説明する。

検査結果記憶装置101は、検査1により実施された検査1の検査結果値r1を格納する（S101）。

予測部102は、予測モデル記憶装置103と、検査2結果予測器104と、予測値記憶装置105と、予測パラメタ更新器106を備える。

予測部102は、今回実施された検査1の検査結果値r1から、検査対象の合格または不合格の可能性に関する値である予測値p2として算出する（S102）。ここでは、予測値p2は、不合格の可能性に関する値とする。合格を0、不合格を1で表す場合は、予測値p2は、0から1の間の数値となり、合否の確率を表す。

予測値p2は、検査2が全部でk（kは1以上の整数）個の検査項目で構成されている場合、次のように表される。

p2=｛p2₁、p2₂、・・・・、p2_k｝

図3に、予測値p2を算出する予測処理のフローチャートを示し、予測部102内部での予測処理について説明する。

予測モデル記憶装置103は、検査2結果予測器104が予測に用いる予測モデルを格納する。予測モデルは、モデルの型に応じて、検査2の検査結果値と、予測パラメタと、合格または不合格の可能性に関する値である予測値とを関連づける。モデルの型とは、回帰モデルやニューラルネットワーク、ロジットブースト、サポートベクタマシンといったモデルを表現する関数の形を表す。モデルの型情報は、予測モデル記憶装置103に記憶されていてもよいし、プロセッサが実行するプログラム内に埋め込まれていても良い。なお、予測パラメタは、最初は適当な値を初期値として登録し改善していってもよいし、過去の検査結果から事前に予測パラメタ更新器106などに求めさせてもよい。

検査2結果予測器104は、検査結果値r1および予測パラメタを読み込み、予測モデルに基づき、予測値p2を算出する（S201）。例えば予測モデルとして、回帰モデルを用いることができる。

ここで予測値P2を、予測値記憶装置105に格納された各製品に対する予測値p2のすべてを表すものとして定義する。今までにi（iは1以上の整数）個の製品に対し予測を行った場合、予測値P2は次のように表される。

前記式のkは、検査2を構成する検査項目の数を表す。

回帰モデルの種類としては、線形回帰モデル、重回帰モデル、ロジスティック回帰モデルなどが考えられる。また、回帰モデルの他、前述したニューラルネットワーク、ロジットブースト、サポートベクタマシンなどの予測アルゴリズムなどを用いてもよい。

回帰モデルの例として、ロジスティック回帰モデルを示す。ロジスティック回帰モデルの場合、合格を0、不合格を1で表すと、ロジスティック回帰方程式からは、不合格となる確率が出力される。今回、i番目の製品に対する検査1におけるj（jは1以上の整数）番目の検査項目の結果をr1_ijに割り当て、検査2のk（kは1以上の整数）番目の検査項目の予測値をp2_ikに割り当て、予測パラメタをa_jkおよびb_kとすると、予測値p2_ikは下記のロジスティック回帰方程式で求められる。なお、予測パラメタa_jkおよびb_kは、予測パラメタ更新器106によって事前に求められている。

なお、上記式のかっこ内をlogit値と呼ぶ。上記の式の形そのものが、モデルの型に相当する。

予測値記憶装置105は、検査2結果予測器104により新たに算出された予測値p2を格納する（S202）。
以上で、予測部102内部での予測処理は完了する。

実施制御部107は、検査2実施頻度算出器108と、検査2実施信号生成器109と、予測パラメタ更新信号生成器110を備える。

実施制御部107は、予測部から予測値p2を、入力装置111から更新頻度特性情報を受け取り、検査2を実施する頻度を表す検査2実施頻度値f2を算出する（S103）。

更新頻度特性情報と検査2実施頻度値について説明する。

予測モデルでの予測結果が当たる可能性（予測の確度）が低いときは、検査2をなるべく実施すべきである。逆に、予測が当たる可能性が高いときは、検査2の実施を低減し、コストの削減をはかるべきである。したがって、予測が当たる可能性（予測の確度）に応じて、検査2を実施する頻度（検査2実施頻度値f2）を決めればよい。その決める方法として、更新頻度特性情報を用いる。

更新頻度特性情報は、予測値p2を入力値、検査2実施頻度値f2を出力値とする関数である。この関数には、正規分布、矩形関数、台形関数、凸関数などの関数形状もしくはそれらの組み合わせたものなどが考えられる。検査2の検査項目毎に関数が異なってもよく、その場合、検査2の検査項目数分の関数の集合を更新頻度特性情報により指定すればよい。

図4に、具体例として、先ほどのロジスティック回帰モデルの場合におけるf2算出グラフの一例を示す。

図4の横軸である予測値p2（より詳細には、個々の予測値p2_k）は、本モデルの場合、0から1の間の数値となり、予測の結果が合否どちらに近いかを表す。予測値p2が0に近いほど、製品は合格であるという予測の確度が高い。またpが1に近いほど、製品は不合格であるという予測の確度が高い。一方、予測値p2が0.5付近の場合は、予測部102は合格とも不合格とも予測できていない状態であり、確度は低いといえる。

したがって、p2は0.5でピークであり、p2が0または1に近づくほど減少するようなグラフが、実施頻度を求めるグラフとしてふさわしい。そこで、図4に示したような、正規分布の関数を更新頻度特性情報として採用することができる。

なお、参考までに、本モデルにおける、検査2のk番目の検査項目に対する予測p2_kの確度をC2_kとすると、例えばC2_kは次式で表すことができる。

C2_k=2（｜p2_k-0.5｜）

この場合、検査2全体の確度は、次式で表すことができる。

更新頻度特性情報は、実装容易性、学習効率、不合格見逃しの防止等の目的から決めてもよい。

図5に、更新頻度特性情報を矩形関数とした場合のf2算出グラフを示す。このグラフでは、予測値が一定の下限値を超えた場合には、f2が一定の値を取る。この一定の値を1とすると、予測値が一定の下限値を上回る場合には、必ず検査2を実施することになる（検査2の複数の検査項目のうち一つでも予測値が一定の下限値を上回る場合に検査2を実施するというルールの場合）。したがって、予測値のある一定範囲だけ改善を図りたい場合や、不合格確率の高いものは必ず検査するといった対応を取ることができる。

なお、更新頻度特性情報は、外部入力装置から入力する方法の他に、内部に記憶させておく方法もある。

実施制御部107は、算出した頻度値f2に従い、検査2の実施の有無ならびに予測パラメタの更新の実施の有無を決定する（S103）。

図6に、頻度値f2の算出、検査2の実施有無の決定、パラメタ更新処理の有無を決定する制御処理のフローチャートを示し、実施制御部107内部での制御処理について説明する。

検査2実施頻度算出器108は、入力装置111から入力された更新頻度特性情報および予測部102から入力された予測値p2より、検査2の実施頻度値f2を算出する（S301）。この処理の詳細は、前述した通りである。

検査2実施信号生成器109は、実施頻度値f2に対して乱数等を用いることにより、検査2を実施するかを決定し、検査2の実施有無を表す検査2実施信号を出力する（S302）。例えば実施頻度値f2が0.7であれば、確率70％で、検査2の実施が決定されるように乱数等を用いて、検査2の実施有無を決定する。この際、検査項目ごとに実施有無を決定し、一つの検査項目でも実施と決定された場合は、実施することを決定してもよいし、所定の項目または一定数の項目が実施有りと決定された場合に、検査2を実施すると決定してもよい。検査2実施信号は、予測パラメタ更新信号生成器110と工程切替器112に入力される。

予測パラメタ更新信号生成器110は、検査2実施信号を受け取り、検査2結果予測器104が使用する予測モデル（検査2の検査項目毎の予測モデル。検査2の検査項目全体に対して一つの予測モデルがあるときは当該一つの予測モデル。以下では検査項目毎に予測モデルがある場合を想定）の予測パラメタを更新するかを決定し、予測パラメタの更新を決定したときは、予測パラメタ更新信号を出力する（S303）。

予測パラメタを更新するか否かの決定方法は、今までの検査によって、検査2実施信号がONになった回数がある規定の一定数を上回ったごとに、予測パラメタ更新信号を出力する方法が考えられる。この方法によれば、負荷がかかる予測パラメタの更新処理を毎回行わず、一定数ごとにまとめて行うことができる。
以上で、実施制御部107内部での制御処理は完了する。

工程切替器112は、検査2実施信号生成器から検査2実施信号を受け取り、検査2実施信号に応じて、次の工程の検査を検査2または検査3に切り替える（S104）。

次工程が検査2の場合（S105のYES）は、検査2実施器113により、検査2の検査が対象製品に対して実施される。検査項目毎の検査結果値および評価値r2は検査結果記憶装置101に格納される（S106）。評価値r2は、前述したように、検査結果値に基づき検査項目毎に判定することで得られる。

次工程が検査3の場合（S105のNO）は、検査3実施器114により、検査3の検査が対象製品（検査対象）に対して実施される（S107）。

予測部102は、予測パラメタ更新信号生成器110から予測パラメタ更新信号を受けた場合（S108のYES）、予測パラメタの更新処理を、検査2の検査項目毎の予測モデルについて行う（S109）。

図7に、予測パラメタの更新処理のフローチャートを示し、予測部102内部での予測パラメタ更新処理について説明する。

予測パラメタ更新器106は、検査結果記憶装置101に格納されている検査結果値R1および評価値R2、予測値記憶装置に格納されている予測値P2を読み取り、新しい予測パラメタを算出する（S401）。予測パラメタの算出は、予測モデルが回帰モデルの場合、最小二乗法または最尤法などの推定法を実施することが考えられる。なお、推定方法によっては、これらのすべてのデータを読み取る必要はなく、例えば、評価値R2と予測値P2のみ読み出して算出してもよい。

予測パラメタの算出の例として、先ほどのロジスティック回帰モデルの場合における最尤法を説明する。先ほどの検査2のk番目の検査項目におけるロジスティック回帰モデルにおいて、回帰モデルの確からしさを表す尤度関数L_kは、IDがiの製品に行われた検査2のk番目の検査項目の評価値r2_ikおよびその時の予測値p2_ikを用いて、次のように表される。r2_ikは、検査2のk番目の検査項目の評価値、p2_ikは、予測値に相当する。a_jkおよびb_kは、予測パラメタに相当する。

尤度関数の基であるモデルは、尤度関数の値が最大値のとき、もっとも確からしくなるとされる。実際、本予測モデルにおいても、尤度関数が最大のとき、予測値はもっとも確からしくなる。

本予測モデルでは、予測値p2_ikが確率のため、0≦p2_ik≦1であり、上記尤度関数L_kも、0≦L_k≦1となるため、L_kの最大値は1である。そして、評価値r2_ikが0の場合、予測値p2_ikも予測の正解である0に近づくと、尤度関数L_kは1に近づく。評価値r2_ikが1の場合も、予測値p2_ikも予測の正解である1に近づくと、尤度関数L_kは1に近づく。したがって、尤度関数を最大とするa_jkおよびb_kが最適な予測パラメタである。

尤度関数が最大のときの予測パラメタa_jkおよびb_kを求めるには、尤度関数の対数を取った対数尤度LL_kを、予測パラメタa_jkおよびb_kで微分し、その微分値が0になるときの値を求める。なお、微分値は、尤度関数が最大のとき以外にも0になることがあるので注意する。

尤度関数の式の微分値は、ニュートン法や準ニュートン法などの反復数値計算によって求める方法が考えられる。

算出された新しい予測パラメタは、予測モデル記憶装置103に格納され、次回の予測から予測パラメタとして使用される（S402）。
以上で、予測部102内部での予測パラメタ更新処理は完了する。

上記に述べたように、本形態では、目的に沿った更新頻度特性情報を用いることで、予測によって検査を実施する頻度を調整することができ、不要な検査を減らすことができる。

図8に、本発明の第二の実施形態のブロック図を示す。第二の実施形態は、図1に示した第一の実施形態に対し、第二予測部201を追加した形態である。

図9に、第二の実施形態における処理のフローチャートを示す。第二の実施形態における処理の説明は、第一の実施形態で説明した同一の処理については、省略する。

第二予測部201は、更新情報フィルタ202と、第二予測モデル記憶装置203と、第二検査2結果予測器204と、予測値記憶装置205と、第二予測パラメタ更新器206を備える。更新情報フィルタ202以外は、予測部102と同じ構成である。

第二予測部201は、更新情報フィルタ202のフィルタリングによって、限定情報の条件に合致した製品に対する予測をする予測部である。限定情報は、製品に使用された部品のメーカー、データを読み取るアンプのゲイン、記憶メディアに対する読み取りヘッドの浮上量などの制御設定値、製品を組み立てた生産地、組み立て時の状況などに対する条件を表すものである。限定情報は入力装置111から与えるようにしてもよいし、予め装置内部に記憶させておいてもよい。

第二予測部201は、今回実施された検査1の検査結果値r1を受け取り、検査2の予測値p2bを算出する（S501）。

第二予測部201内部での予測処理は、予測部102内部と同様の処理が行われる。第二予測モデル記憶装置203は、予測部102で用いられる予測パラメタとは異なる、第二予測部で用いられる予測パラメタを格納する。第二検査2結果予測器204は、その予測パラメタ、および限定された製品の検査1の検査結果値r1bを用い、検査2の予測値を算出し、限定情報の条件に合致した製品に対する予測値p2bを算出する。予測値p2bの算出は、用いる予測パラメタが異なる以外は、予測値p2の算出方法と同じである。

第二予測値記憶装置205は、第二検査2結果予測器204により算出された予測値p2bを格納する。なお、第二予測値記憶装置205に格納された、各製品に対する予測値p2bのすべてを表すものを予測値P2Bとする。
以上で、第二予測部201内部での予測処理は完了する。

第二検査2結果予測器204により算出された予測値p2bは、検査実施頻度算出器108に入力される。検査2実施頻度算出器108は、検査2結果予測器104の予測値p2、入力装置111から入力された更新頻度を決定する更新頻度特性情報、第二検査2結果予測器204の予測値p2bより、検査2を実施する頻度である実施頻度値f2を算出する（S502）。

図10に、更新頻度特性情報を正規分布とした場合に、予測値p2およびp2bの差の絶対値から実施頻度値f2を算出するためのグラフを示す。この図では、予測値p2およびp2bの差の絶対値が大きい程、実施頻度値f2が大きくなり、検査2が実施される可能性が高まることとなる。

第二予測部を使用する場合の一例として、A社の部品のみを使用していた製品が、B社の部品を使用した新製品に切り替わった場合を想定する。新製品に対する最適な予測値P2Nは、今までの予測値P2と乖離する可能性が高い。

予測部102のみを用いた場合には、予測値p2の確度のみで実施頻度値f2を決定した。しかし、第二予測部を追加した形態では、予測値p2に加え、B社の新たな部品に限定した予測値p2bとp2の差を用いることにより、B社の部品によって多大な影響を受けた検査を重点的に学習することができ、新製品に対する予測の最適化を少ない検査回数で実現する。

図11に、予測部102によりこれまで算出された予測値P2、B社製品の部品を含む製品のみについてこれまで第二予測部により算出された予測値P2Bを示す。

予測値p2_kとp2b_kの差の絶対値が大きい部分は、新たな部品の影響により、現在の予測値p2_jと予測の最適値p2N_kの乖離が大きいと考えられる。ゆえにこの部分を重点的に検査するために、図10に示したように、予測値p2およびp2bの差の絶対値が大きい程、実施頻度値f2が高くなるように、更新頻度特性情報を決定する。また、第一の実施形態同様、予測値p2およびp2bの値が0.5付近の場合は、f2は高くする。

第二予測部201は、予測パラメタ更新信号生成器110が出力した予測パラメタ更新信号を受け取り、新しい予測パラメタを算出する（S503）。予測パラメタ更新信号生成器110は、第一形態と同様の方法で、第二予測部で用いる予測モデルの予測パラメタの更新の有無を判定し、更新を決定した場合は、予測パラメタ更新信号を出力する。なお、第二予測部201は、予測パラメタ更新信号の生成には関与せず、予測パラメタ更新信号を受け取るだけである。

図12に、第二予測部の更新処理のフローチャートを示す。以下、第二予測部201内部での第二予測パラメタ更新処理について説明する。

更新情報フィルタ202は、予測パラメタ更新信号生成器110からの予測パラメタ更新信号を受けた場合、入力装置からの限定情報より、検査結果記憶装置101に格納された検査結果値R1および評価値R2から、限定情報の条件に合致した製品に対する検査結果値R1Bおよび評価値R2Bを抽出する（S601）。

更新情報フィルタ202は、検査結果R1Bおよび評価値R2Bを第二予測パラメタ更新器206に渡す。この処理により、第二予測部201は限定情報の条件に合致した製品に対する予測ができるようになる。

第二予測パラメタ更新器206は、更新情報フィルタにより限定された検査結果値R1B、評価値R2 B、予測値記憶装置205に格納されている予測値P2B を読み取り、新しい予測パラメタを算出する（S602）。算出方法は第1の実施形態と同様である。

算出された新しい予測パラメタは、第二予測モデル記憶装置203に格納され、次回の予測から、予測パラメタとして使用される（S603）。
以上で、第二予測部201内部での第二予測パラメタ更新処理は完了する。

第二の実施形態のような二つの予測部を備える形態は、通常の予測と、条件付きの予測を比較することにより、余計な検査を回避し、少ない検査回数で対応することができる。なお、本形態では、予測部は二つの構成であったが、予測部が三つ以上あっても構わない。

なお、上記に説明した実施形態における品質管理装置は、例えば、汎用のコンピュータ装置を基本ハードウェアとして用いることで実現することが可能である。

図13に本発明の一実施形態のハードウェア構成例を示す。

品質管理装置は、入力装置305、出力装置302、主記憶装置303、補助記憶装置304、プロセッサ306、インターフェイス307を備え、これらがバス308を介して接続された、コンピュータ装置として実現できる。プロセッサ306が、補助記憶装置304からプログラムを読み出して、主記憶装置303に展開して、実行することで、図1または図8に示した各ブロックの機能を実現することができる。品質管理装置は、上記のプログラムをコンピュータ装置にあらかじめインストールすることで実現してもよいし、CD-ROMなどの記憶媒体に記憶して、あるいはネットワークを介して上記のプログラムを配布して、このプログラムをコンピュータ装置に適宜インストールすることで実現してもよい。

インターフェイス307は、外部記憶媒体310、工程切替器311、各検査を実施する検査実施装置312、313、314などを接続する接続インターフェイスなどである。ユーザは、入力装置305から情報を入力する。また出力装置302は、画像を表示する表示装置でもよいし、外部にデータを送信する通信装置でもよい。外部記憶媒体310は、HDD、CD-R, CD-RW, DVD-RAM, DVD-R 等の任意の記録媒体でよい。

主記憶装置303は、プロセッサ306が実行する命令、および各種データ等を一時的に記憶するメモリ装置であり、DRAM等の揮発性メモリでも、MRAM等の不揮発性メモリでもよい。補助記憶装置304は、プログラムやデータ等を永続的に記憶する記憶装置であり、例えば、HDDまたはSSD等がある。

上記に、本発明の一実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

101 検査結果記憶装置
102 予測部
103 予測モデル記憶装置
104 検査2結果予測器
105 予測値記憶装置
106 予測パラメタ更新器
107 実施制御部
108 検査2実施頻度算出器
109 検査2実施信号生成器
110 予測パラメタ更新信号生成器
111 入力装置
112 工程切替器
113 検査2実施器
114 検査3実施器
115 検査1実施器
201 第二予測部
202 更新情報フィルタ
203 第二予測モデル記憶装置
204 第二検査2結果予測器
205 第二予測値記憶装置
206 第二予測パラメタ更新器
301 品質管理装置
302 出力装置
303 主記憶装置
304 補助記憶装置
305 入力装置
306 プロセッサ
307 インターフェイス
308 バス
309 外部記憶媒体

Claims (12)

1. 第1検査の検査結果値と、第2検査の合格または不合格の可能性に関する値である予測値とを関連づけた予測モデルに基づき、検査対象について前記第1検査で得られた検査結果値から、前記予測値を算出する予測部と、
   前記予測部が算出した予測値に応じて、前記検査対象について前記第2検査を実施する実施頻度を算出する実施頻度算出器と、
   前記実施頻度に応じて、前記検査対象について前記第2検査の実施有無を表す信号を生成する実施信号生成器と
   を備えた品質管理装置。
2. 前記実施頻度算出器は、前記予測値と前記実施頻度とを対応づけた関数に基づき、前記実施頻度を決定する
   請求項1に記載の品質管理装置。
3. 前記予測値は、前記検査対象が合格または不合格である確率を表し、
   前記関数は、前記予測値が所定値のとき、最も大きな値の実施頻度を返し、前記所定値より大ききなるほど、また前記所定値より小さくなるほど、小さな値の実施頻度を返す、
   請求項2に記載の品質管理装置。
4. 前記関数は、前記予測値が下限値以上かつ上限値以下のとき0より大きい第1の確率値の実施頻度を返し、前記下限値未満および前記上限値より大きい範囲では、確率0または前記第1の確率値より小さい第2の確率値の実施頻度を返す
   請求項2に記載の品質管理装置。
5. 前記第2検査の検査結果値に基づき定まる合格か不合格かを示す評価値と、前記予測部により算出された予測値とを記憶する記憶装置を備え、
   前記実施頻度算出器は、複数の前記検査対象に対して、前記第2検査を実施すると決定した回数に応じて、前記予測モデルの更新の有無を決定し、
   前記予測部は、前記実施頻度算出器により前記予測モデルを更新すると決定されたとき、前記記憶装置に記憶されたデータに基づいて、前記予測モデルを更新する
   請求項1ないし4のいずれか一項に記載の品質管理装置。
6. 前記予測モデルは、前記第1検査の検査結果値に対する第1予測パラメタを含み、
   前記予測部は、前記記憶装置に記憶されたデータに基づき、予測パラメタと、前記予測値と、前記評価値とを関連づける関数における前記予測パラメタの値を決定し、前記予測モデルにおける前記第1予測パラメタを、前記決定した予測パラメタの値に更新する
   請求項5に記載の品質管理装置。
7. 前記実施信号生成器は、前記第2検査の実施有無を表す信号として、前記検査対象について前記第2検査および前記第2検査よりもコストの低い第3検査のいずれかを実施するかを表す信号を生成する
   請求項1ないし6のいずれか一項に記載の品質管理装置。
8. 前記実施信号生成器により前記第2検査を実施することを表す信号が生成されたとき、前記第2検査を実施する実施器に対して前記第2検査の実施を指示する信号を出力し、前記実施信号生成器により前記第3検査を実施することを表す信号が生成されたとき、前記第3検査を実施する実施器に対して前記第3検査の実施を指示する信号を出力する工程切替器
   を備える請求項7に記載の品質管理装置。
9. 前記第1検査の検査結果値のうち予め定めた条件を満たす検査対象についての検査結果値と、前記第2検査の合格または不合格の可能性に関する値である予測値とを関連づけた第2予測モデルに基づき、前記検査対象のうち予め定めた条件を満たす検査対象について、前記第1検査で得られた検査結果値から、前記予測値を算出する第2予測部を備え、
   前記実施頻度算出器は、前記予測部が算出した予測値と前記第2予測部が算出した予測値とに基づいて、前記予め定めた条件を満たす検査対象について前記実施頻度を決定する
   請求項5または6に記載の品質管理装置。
10. 前記記憶装置において、前記予め与えられた条件を満たす検査対象について、前記予測値と前記評価値とを抽出するフィルタを備え、
    前記実施頻度算出器は、前記予め定めた条件を満たす複数の前記検査対象に対して、前記第2検査を実施すると決定した回数に応じて、前記第2予測モデルの更新の有無を決定し、
    前記第2予測部は、前記実施制御部により前記第2予測モデルを更新すると決定されたとき、前記記憶装置に記憶された前記フィルタにより抽出されるデータに基づいて、前記第2予測モデルを更新する
    請求項8に記載の品質管理装置。
11. 前記第2予測モデル、前記第1検査の検査結果値のうち予め定めた条件を満たす検査対象についての検査結果値に対する第2予測パラメタを含み、
    前記第2予測部は、前記記憶装置に記憶された前記更新情報フィルタにより抽出されるデータに基づいて、予測パラメタと、前記予測値と、前記評価値とを関連づけた関数における前記予測パラメタの値を決定し、前記第2予測モデルにおける前記第2予測パラメタを、前記決定した予測パラメタの値によって更新する
    請求項9に記載の品質管理装置。
12. 第1検査の検査結果値と、第2検査の合格または不合格の可能性に関する値である予測値とを関連づけた予測モデルに基づき、検査対象について前記第1検査で得られた検査結果値から、前記予測値を算出する予測ステップと、
    前記予測ステップが算出した予測値に応じて、前記検査対象について前記第2検査を実施する実施頻度を算出する実施頻度算出ステップと、
    前記実施頻度に応じて、前記検査対象について前記第2検査の実施有無を表す信号を生成する実施信号生成ステップと
    をコンピュータが実行する品質管理方法。

Images