JP2017027329A - 故障予測装置および故障予測方法 - Google Patents

Abstract

【課題】故障予測の対象機器と同一品種の半導体デバイスが搭載される複数の機器の履歴情報に基づいて、対象機器の故障予測を行う故障予測方法またはその故障予測装置において、予測精度を向上する。【解決手段】履歴情報は、複数の機器に搭載される半導体デバイスの時系列の動作状態を表す動作情報と、当該機器が故障したときにその故障原因を示す故障情報とを含む。動作状態は複数の分類に分けられており、故障予測方法は、複数の分類ごとに対応する寿命予測アルゴリズムを具現する数式等を記憶している。故障予測方法は、まず対象機器の最新の履歴情報を取得し、取得した履歴情報に含まれる動作情報に基づいて該当する分類を特定する。半導体デバイスに起因する故障であるときには、特定された分類に対応する寿命予測アルゴリズムの学習を行う一方、故障がないときには、特定された分類に対応する寿命予測アルゴリズムを用いて寿命予測を行う。【選択図】図１

Description

本発明は、故障予測装置および故障予測方法に関し、特に半導体パワーデバイスが実装される装置の故障予測装置および故障予測方法に好適に利用できるものである。

近年、ＦＡ（Factory Automation）分野ではＩｏＴ（Internet to Things）化が進んでおり、生産性向上のためにＦＡ機器をネットワークに接続し、稼働率、寿命など機器の動作状況を管理している。工場の管理者（エンドユーザ）はＦＡ機器から収集した情報を元に、故障時の置き換え在庫の調整や、メンテナンス時期の算出等を行っている。

このようなＦＡ機器に使用される、例えばモータ駆動用パワーモジュールなどの、電力用半導体デバイス（パワーデバイス）を搭載したモジュールでは、パワーデバイスなどの部品が動作中に故障すると、その影響が重大であることが多いため、寿命予測により実際に故障が発生するよりも前に部品を交換するなどの措置が採られる。また、故障するまで使用し、故障後に交換するような運用をする場合にも、その時期を知ることは重要である。

特許文献１には、パワーデバイスとして絶縁ゲート型バイポーラトランジスタ（ＩＧＢＴ：Insulated Gate Bipolar Transistor）が搭載される、ＩＧＢＴモジュールについての、パワーサイクル寿命予測方法が開示されている。予め行ったパワーサイクル試験から得られたパワーサイクル寿命カーブと、ＩＧＢＴモジュールに実装される温度センサを使った実測値とを比較して、モジュールの寿命を計算する。パワーサイクル試験では、比較的短時間でＩＧＢＴの接合温度を上昇・下降させる熱ストレスを発生させ、破壊に至るまでの特性の変化を観測してパワーサイクル寿命カーブを得る。特許文献１では、パワーサイクル寿命カーブは傾きが異なる複数の直線で構成され、変曲点を持つことに着目し、この変曲点を基準として寿命予測を行う。これにより、予測の精度を向上することができるとされる。

一方、特許文献２には、自動車の遠隔故障予測システムが開示されている。故障予測サーバーは、ネットワークを介して予め故障車両から取得した故障発生前の車両データを用い、故障予測対象車両から収集する車両データとの相関から、近い将来において当該故障予測対象車両に故障が発生するか否かを予測する。具体的には、故障車両から取得した故障発生前の車両データと、故障予測対象車両から受信した車両データとの相関演算を行い、両者に一定の相関関係があれば、故障車両と同様の故障が発生すると予測し、その予測結果を故障予測対象車両の顧客に対して通報して注意を促すことができるとされる。

特開２０１１−１９６７０３号公報 特開２００４−２６８６３３号公報

特許文献１及び２について本発明者が検討した結果、以下のような新たな課題があることがわかった。

半導体デバイスのエンドユーザである工場では、ＦＡ機器メーカによって開発された寿命予測機能を用いて、ＦＡ機器に搭載されている内蔵部品の故障時期を予測する場合があるが、このときの個々の半導体デバイスの故障予測精度は、その他の内蔵部品よりも低い。その原因としては、ＦＡ機器メーカは、半導体デバイスメーカから提供される仕様に基づいて、半導体デバイスの故障予測を行っているが、その仕様は、実際に搭載されている半導体デバイスの実仕様よりもマージンの分だけ厳しいため、実仕様に対し寿命を短く予測する方向に予測精度が低下していることがわかった。特許文献１に記載される発明は、予め行ったパワーサイクル試験から得られたパワーサイクル寿命カーブに基づいた予測により、予測精度を向上することができる。しかし、半導体デバイスメーカから提供される上記仕様も、予め行ったパワーサイクル試験から得られたパワーサイクル寿命カーブに基づいて規定されるのは同じであることから、パワーサイクル試験に基づいた故障予測である限りは、その精度の向上に限界があることがわかった。発明者がその原因について検討したところ、寿命予測の対象である半導体デバイスが搭載されるＦＡ機器の使用状況が多様であって、且つ、パワーサイクル試験とは大きく異なるためであることに起因することがわかった。パワーサイクル試験は、安全をみて最も厳しい条件、あるいはそれに近い条件で行われる。例えばパワーサイクル試験での温度変化推移は、８０℃と１５０℃の間での上昇と降下の繰り返しである。これに対して実際のＦＡ機器では、環境や負荷がそのような最も厳しい条件となることは稀である。例えば実際の温度変化推移はパワーサイクル試験での温度変化推移よりも狭い温度範囲での上昇と降下となると考えられる。したがって、特許文献１に記載されるような半導体デバイスの寿命予測アルゴリズムを使用することは、予測精度の向上に効果があるが、さらに予測精度を向上することができる余地があることがわかった。

一方、特許文献２に記載されるような、自動車の遠隔故障予測システムでは、故障車両から取得した故障発生前の車両データと故障予測対象車両から受信した車両データとの相関を利用しているが、これを半導体デバイスが搭載されるＦＡ機器に応用すると、複数のＦＡ機器の使用環境や負荷などの情報を収集することはできるが、上記の寿命予測アルゴリズムを利用することはできない。そのため、使用環境や負荷などの相関のみに基づいて故障を予測することになるので、上記の寿命予測アルゴリズムよりも高い予測精度が得られるとは限らない。

このような課題を解決するための手段を以下に説明するが、その他の課題と新規な特徴は、本明細書の記述及び添付図面から明らかになるであろう。

一実施の形態によれば、下記の通りである。

すなわち、同一品種の半導体デバイスが搭載される複数の機器の履歴情報に基づいて、前記複数の機器の故障予測を行う故障予測方法またはその故障予測方法を実行する故障予測装置であって、以下のように構成される。

履歴情報は、複数の機器に搭載される半導体デバイスの動作状態を表す動作情報と、当該機器が故障したときにその故障原因を示す故障情報とを含む。動作状態は複数の分類に分けられており、故障予測方法は、複数の分類ごとに対応する寿命予測アルゴリズムを具現するプログラムまたは数式を記憶している。

故障予測方法は、まず履歴情報を取得し、取得した履歴情報に含まれる動作情報に基づいて、半導体デバイスの動作状態に該当する分類を特定する。次に、半導体デバイスの故障であると判定したときには、特定された分類に対応する寿命予測アルゴリズムを、取得した履歴情報に基づいて更新する。一方、故障がないと判定したときには、特定された分類に対応する寿命予測アルゴリズムを用いて寿命予測を行い、その寿命予測の結果を通知する。

前記一実施の形態によって得られる効果を簡単に説明すれば下記のとおりである。

すなわち、パワーサイクル試験に基づく寿命予測曲線を使った故障予測よりも、予測の精度を向上することができる。

図１は、故障予測装置の一構成例を示すブロック図である。 図２は、故障予測装置の一利用例を模式的に示すブロック図である。 図３は、故障予測装置に実装される故障予測方法の一構成例を示すフローチャートである。 図４は、故障予測方法を構成する寿命予測の一例を示すフローチャートである。 図５は、故障予測方法を構成する寿命予測アルゴリズムの学習処理の一例を示すフローチャートである。 図６は、寿命予測アルゴリズムの学習処理の詳細な構成例を示すフローチャートである。 図７は、温度変化推移による分類の例を示すフローチャートである。 図８は、温度変化推移を例示する説明図である。 図９は、温度変化推移における温度差と回数の集計結果を例示する説明図である。 図１０は、温度差と回数の集計結果を履歴情報に追加した結果を例示する説明図である。 図１１は、温度変化推移による分類の例を示す説明図である。 図１２は、寿命予測値の算出方法を例示するフローチャートである。 図１３は、温度差と回数の集計した履歴情報を例示する説明図である。 図１４は、残りライフの算出例を示す説明図である。 図１５は、予測精度についての説明図である。

実施の形態について詳述する。なお、発明を実施するための形態を説明するための全図において、同一の機能を有する要素には同一の符号を付して、その繰り返しの説明を省略する。

〔実施形態１〕
図１は故障予測装置１０の一構成例を示すブロック図であり、図２はその故障予測装置１０の一利用例を模式的に示すブロック図である。

まず、図２に示す利用例について説明する。ここでは故障予測装置１０は、半導体デバイスであるＩＧＢＴを提供するベンダー（半導体メーカー）のサーバーであり、デバイス共有データベース２０を備える。ベンダーサーバー１０は、例えばインターネットなどのネットワーク１４を介してユーザサーバー１１＿１と１１＿２と接続されている。ユーザサーバー１１＿１は、例えば工場において複数の機器１３＿１〜１３＿４が接続される構内ネットワーク１５に接続され、装置固有のデータベース１２＿１を備える。ユーザサーバー１１＿２も同様に、複数の機器１３＿５〜１３＿８が接続されるネットワーク１６に接続され装置固有のデータベース１２＿２を備える。機器１３＿１〜１３＿８は例えばＦＡ機器であって、ユーザサーバー１１＿１と１１＿２によって、保守などの管理がなされている。そのためのソフトウェアは、通常、機器メーカから提供され或いはユーザによって開発されたものである。

機器１３＿１〜１３＿８にはそれぞれ半導体デバイスであるＩＧＢＴが搭載されており、その動作状態はセンサによって監視される。このときのセンサは温度センサ、電圧センサ、電流センサなどであって、ＩＧＢＴの動作状態を監視することができる。もちろん、他の部品を監視するなどの目的で他のセンサがさらに搭載されていてもよい。センサを監視することによって得られる、ＩＧＢＴの動作状態についての情報は、各機器内で集計されて統計情報としてユーザサーバー１１＿１と１１＿２に収集されても良いし、機器内ではデータ処理などの加工を施されることなく、ユーザサーバー１１＿１と１１＿２が直接収集し管理してもよい。そのようなＩＧＢＴの動作状態についての情報は、装置固有データベース１２＿１と１２＿２に保管される。

同一品種の半導体デバイス（ＩＧＢＴ）であっても、異なる装置に搭載される場合もあるし、同じ品種の機器に搭載されても異なる拠点、異なる工程、異なる環境で使用される場合もある。図示したのは、機器１３＿１〜１３＿３及び１３＿５が同一品種の機器Ｘで同一品種のＩＧＢＴ−Ａが搭載され、機器１３＿４と１３＿７は異なる品種の機器Ｙで異なる品種のＩＧＢＴ−Ｂが搭載されている。機器１３＿８は機器１３＿１〜１３＿３及び１３＿５とは異なる品種の機器Ｚであるが、同じＩＧＢＴ−Ａが搭載されている。ここで、ベンダーがＩＧＢＴ−Ａを提供する半導体メーカであるとすると、自社から提供するＩＧＢＴ−Ａが同じ工場内の同一品種の機器１３＿１〜１３＿３で使用され、それと同じ機器Ｘ−４である機器１３＿５は異なるユーザまたは異なる拠点で使用され、異なる機器Ｚ−１である機器１３＿８でも同じＩＧＢＴ−Ａが使用されていることになる。このように、半導体メーカからの視点によれば、同一品種の半導体デバイスについて、多様な環境、多様な使用状態を監視することができる。

ここで、「同一品種」とは、同じ型名であるものを同一品種としてもよいし、型番まで同じであるものを同一品種としてもよいし、さらには例えばグレード選別がされているときには、そのグレードごとに別の品種としてもよい。「同一品種」の範囲を拡大することによって、得られる情報量は多くなる反面、相関は弱くなる傾向にあるので、この点を考慮して適切に設定する。また、出荷数量の増加に伴って適宜見直しても良い。

図１に示す、故障予測装置１０の構成例について説明する。

故障予測装置１０は、履歴情報取得部１、履歴情報データベース２、動作状態解析部３、寿命予測アルゴリズム学習部４、寿命予測アルゴリズム５Ａ〜５Ｃ…、寿命予測部６及び寿命予測結果通知部７を備える。故障予測装置１０は、特に制限されないが例えば、コンピュータ上で動作するソフトウェアの機能として実現され、履歴情報データベース２はそのコンピュータに付属する記憶装置上に構築され、寿命予測アルゴリズム５Ａ〜５Ｃ…については、それぞれのアルゴリズムの特性を決めるパラメータが、同じくそのコンピュータに付属する、同じまたは別の記憶装置に記憶される。

履歴情報取得部１は、同一品種の半導体デバイス（ＩＧＢＴ−Ａ）が搭載される複数の機器（１３＿１〜１３＿３、１３＿５、１３＿８）から半導体デバイスの動作状態に関わる履歴情報を取得して、履歴情報データベース２に記録する。この履歴情報には、機器が出荷された後、或いは半導体デバイスを含む主要部品が交換された後、初めて稼働を開始してから故障に至るまでの、当該機器に搭載される半導体デバイス（ＩＧＢＴ−Ａ）の時系列の動作状態を表す動作情報と、当該機器が故障したときにその故障原因を示す故障情報とが含まれる。実際の動作状態を観測した時刻、故障が発生した時刻などの時間情報と、履歴情報を取得した時刻に差があるときには、取得する履歴情報にはその時間情報が含まれる。ここで、「時刻」や「時間情報」とは、最終的には機器毎の稼働時間における各事象の発生時刻に換算することができる時間情報であればよく、その表現形式は任意である。例えば、時・分まで特定できる必要がない項目については、日数の単位で規定されても良い。履歴情報データベース２に保持されている履歴情報には、その時点で正常に稼働している機器の履歴情報だけではなく、既に故障して交換された或いは廃棄された機器の履歴情報が含まれている。

履歴情報取得部１は、最新の履歴情報を取得すると、履歴情報データベース２に送って、その機器あるいはその半導体デバイスの履歴情報に追記し、動作状態解析部３に送る。ここで、「最新の履歴情報」は、その時点で稼働している機器か、その時点で初めて故障したという故障情報をその時点で初めて発信した機器から新たに送られた、履歴情報である。

動作状態解析部３は、最新の履歴情報から故障の有無を判断し、故障が発生していれば寿命予測アルゴリズム学習部４を起動して寿命予測アルゴリズム５Ａ〜５Ｃ…を更新する学習を実行させ、故障が発生していなければ、寿命予測部６を起動して寿命予測アルゴリズム５Ａ〜５Ｃ…を使った寿命予測を実行させ、その結果を寿命予測結果通知部７から通知させる。

機器に搭載される半導体デバイスの動作状態は、複数の分類に分けられており、各分類に対応して寿命予測アルゴリズム５Ａ〜５Ｃ…が保持されている。実際には、寿命予測アルゴリズムはプログラムや数式で記述されており、その特性を規定する係数などのパラメータが記憶装置に保持されている。

動作状態解析部３は、取得した履歴情報に含まれる半導体デバイスの動作情報に基づいて、故障予測の対象機器に搭載される半導体デバイスの動作状態に該当する分類を特定する。当該対象機器の過去の履歴情報も合わせて参考にして、分類を特定してもよい。過去の履歴情報も含めることにより、分類はより正確に特定される。

寿命予測アルゴリズム学習部４は、寿命予測アルゴリズム５Ａ〜５Ｃ…のうち、特定された分類に対応する寿命予測アルゴリズムを、最新の履歴情報に基づいて更新することによって学習する。

寿命予測部６は、寿命予測アルゴリズム５Ａ〜５Ｃ…のうち、特定された分類に対応する寿命予測アルゴリズムを使った寿命予測を実行し、その結果を寿命予測結果通知部７から通知させる。

これにより、寿命予測の予測精度を向上することができる。寿命予測アルゴリズムの学習に当たって、多数の種類の機器を跨いで、類似のストレスを受ける半導体デバイスの情報を収集・利用することができるからである。上記「分類」は、半導体デバイスに対するストレスの大きさを基準とするのが好適である。寿命予測アルゴリズムがストレスの大きさによる分類ごとに最適化されるので、予測精度を向上することができる。パワーサイクル試験が非常に厳しいストレス下の１点のみで寿命予測曲線を取得し、その寿命予測曲線に基づいて寿命予測を行う場合と比較すると、多様なストレスの条件下で得られる多様な寿命予測曲線を利用するので、予測対象の半導体デバイスに実際にかかっているストレスに近い条件下で得られた寿命予測曲線に基づいて予測することができるからである。

〔実施形態２〕
実施形態１で説明した故障予測装置１０に実装される故障予測方法について詳しく説明する。

図３は、故障予測装置１０に実装される故障予測方法の一構成例を示すフローチャートである。必要に応じて図１も合わせてご参照いただきたい。

過去の履歴情報は履歴情報データベース２に既に蓄積されており、履歴情報取得部１により最新の履歴情報が取得される（Ｓ１）。上述のように最新の履歴情報は、履歴情報データベース２に送られて、それまでの履歴情報に追記され（不図示）、動作状態解析部３に送られる。履歴情報に含まれる故障の有無に関する情報により、故障か否かが判定され（Ｓ２）、故障でなければ寿命予測が開始される（Ｓ３）。故障である場合には、履歴情報に含まれる故障原因を解析することにより、半導体デバイスに関する故障か否かが判定され（Ｓ４）、さらにパワーサイクル起因か否かが判定される（Ｓ５）。半導体デバイスに起因しない故障、及び、半導体デバイスに関連するもののパワーサイクルに起因するものではない故障の場合には、寿命予測アルゴリズムの学習を行うことなく終了する。このような状況は、過電流や過電圧などの故障原因が疑われるので、寿命予測曲線の更新（学習）に利用するのは適切ではないからである。半導体デバイスに関する故障であり、且つ、パワーサイクルに起因する故障である場合には、寿命予測曲線を更新する（Ｓ６）。寿命予測曲線は、寿命予測アルゴリズムの特性を規定するものであり、その寿命予測曲線を規定する寿命予測係数を、新たに入力された最新の履歴情報に基づいて適応的に変更することにより、寿命予測アルゴリズムの学習が行われる。

図４は、故障予測方法を構成する寿命予測の一例を示すフローチャートである。

寿命予測が開始される（Ｓ３）と、まず分類（Ｓ７）を行う。分類（Ｓ７）では、取得した履歴情報に含まれる半導体デバイスの動作情報に基づき、より好適には当該対象機器の過去の履歴情報を合わせて参考にして、動作状態解析部３によって、故障予測の対象機器に搭載される半導体デバイスの動作状態に該当する分類が特定される。特定された分類に対応する寿命予測アルゴリズムによる寿命予測処理（Ｓ８からＳ１１のいずれか）が実行され、その結果が送信される（Ｓ１２）。分類に対応する寿命予測アルゴリズムによる寿命予測処理とは、分類に対応する寿命予測曲線を参照する寿命予測処理である。

図５は、故障予測方法を構成する寿命予測アルゴリズムの学習処理の一例を示すフローチャートである。

寿命予測アルゴリズムの学習処理が開始されると、まず分類（Ｓ１３）を行う。分類（Ｓ１３）は、上記寿命予測における分類（Ｓ７）と同様であり、取得した履歴情報に含まれる半導体デバイスの動作情報に基づき、より好適には当該対象機器の過去の履歴情報を合わせて参考にして、動作状態解析部３によって、故障予測の対象機器に搭載される半導体デバイスの動作状態に該当する分類が特定される。特定された分類に対応する寿命予測アルゴリズムの学習処理（Ｓ１４からＳ１７のいずれか）が実行される。いずれの寿命予測アルゴリズムの学習処理（Ｓ１４〜Ｓ１７）も適切ではないときには、分類の見直し処理（Ｓ１８）が実行されても良い。分類の基準が適切でなくなったときに、その基準を修正する処理である。分類の基準が普遍的であるときには不要であるが、分類自体を故障予測装置が自律的に見直し、適応的に変化させることができるので、寿命予測アルゴリズムの学習と合せて実装することが望ましい。

図６は、寿命予測アルゴリズムの学習処理の詳細な構成例を示すフローチャートである。

履歴情報データベース２に蓄積されている履歴情報から、寿命予測曲線が作成される（Ｓ１９）。これは、最新の履歴情報が入力される度に行われるのではなく、寿命予測曲線は初めに１度作成されるだけでよく、その後は随時更新される。分類毎にそれぞれ独立の寿命予測曲線が作成されており、分類が見直されたときには、寿命予測曲線は改めて作成される。

故障予測の対象機器の最新の履歴情報が入力されると、その対象機器のそれまでの履歴情報を、対応する分類の寿命予測曲線にあてはめることによって、寿命予測値を算出する（Ｓ２０）。このとき、実際に故障が発生した破壊日と算出した予測値との差である、予測誤差を併せて算出する（Ｓ２０）。なお、予測値と破壊日は、それぞれ稼動開始日からの稼働日数によって表される。稼働開始時刻からの稼働時間の時間単位、分単位で表現されても良い。

一方、同じ分類に属する他の複数の機器の履歴情報を使って、同じ寿命予測曲線にあてはめることによって、それぞれの機器についての寿命予測値を算出し、それらの機器が実際に故障に至った破壊日との差である予測誤差を算出する（Ｓ２１）。これにより、当該分類に属する複数の機器について、最新の予測曲線を使って寿命予測を行ったときの、予測誤差の分布が得られる。

得られた予測誤差の分布に、対象機器の予測誤差をマッピングすることにより、対象機器の予測誤差が、当該分類の予測誤差の分布によく適合しているのか大きく外れているのかを評価することができる。即ち、対象機器の予測誤差が許容範囲内か否かを判定する（Ｓ２２）。対象機器の予測誤差が許容範囲を外れている場合には、寿命予測アルゴリズムの学習処理は行わない。これにより、寿命による故障ではない場合、あるいは半導体デバイスに起因する故障ではない場合のような、寿命予測アルゴリズムの学習に不適切な履歴情報によって、誤った方向に学習することを防止することができる。このような場合には、分類方法の見直し（Ｓ１８）を行っても良い。

対象機器の予測誤差が許容範囲内である場合には、その予測誤差がばらつきの範囲から＋側即ち未来方向の誤差であるか、−側即ち過去方向の誤差であるかを判定し（Ｓ２３）、これに応じてこの分類に適用される寿命アルゴリズムの寿命予測係数を変更する。即ち、＋側の場合には寿命予測係数を大きくし、−側の場合には寿命予測係数を小さくする（Ｓ２４）。

以上のように、寿命予測アルゴリズムの学習は、寿命予測係数の増減という、数値演算プログラムによる実装に適した方法で実現される。

分類方法の見直し（Ｓ１８）は、種々の方法によって実現される。例えば、分類が１つのパラメータについての複数の範囲で規定されている場合には、その範囲を調整することができる。例えば、後述のように温度変化推移の温度差の範囲によって分類が規定されているときには、温度差の範囲を調整する。分類方法或いは分類基準の適切さは、それぞれの分類における相関の強さによって評価することができる。相関が強ければ分類は適切であると評価することができるが、相関の弱い分類では予測誤差が大きくなり、適切な分類と評価することはできない。したがって、同じパラメータを使った分類ではなく、他のパラメータを使った分類に変更する場合にも、相関の強さを基準に分類の適切さを評価することができる。

〔実施形態３〕
さらに具体的な実施の形態について説明する。半導体デバイスへの温度変化推移に基づいて分類する例である。

図７は、温度変化推移による分類の例を示すフローチャートである。

所定の期間、例えば２４時間の半導体デバイスの温度を観測し、その温度観測値から正側のピーク値と負側のピーク値とを解析し、負側ピークから次の正側ピークへの温度上昇時の温度差、正側ピークから次の負側ピークへの温度下降時の温度差、及び、温度上昇と下降の回数を集計する（Ｓ２５）。所定期間（２４時間）ごとに繰り返され、最新の集計結果は、それまでの履歴情報に追加される（Ｓ２６）。温度差ごとの回数の割合によって分類する（Ｓ２７）。以下、さらに他の図面を引用しながら詳しく説明する。

図８は、温度変化推移を例示する説明図である。横軸は時刻であり、縦軸は半導体デバイスの温度である。半導体デバイスの温度は、例えば、ＩＧＢＴなどの半導体デバイスと同一チップ上に形成されたダイオードの順方向電圧によって測定することができる。また、サーミスタなどの温度センサをＩＧＢＴなどの半導体デバイスが実装される金属ベース上に隣接配置することによって測定することができる。ＩＧＢＴの温度依存性のある電気的特性を測定して、温度に換算しても良い。図中、実線は温度、丸印は温度のピークであり、破線と両端矢印の直線により温度差を示す。負側ピークから正側ピークに向かって温度差１１℃の温度上昇があり、次に負側ピークに向かって２２℃の温度降下があったことを示す。これを例えば２４時間という所定期間にわたって観測し、温度変化推移の温度差と回数の頻度分布を求める。

図９は、温度変化推移における温度差と回数の集計結果を例示する説明図である。横軸は温度変化推移における温度差であり、縦軸はその発生回数である。図７のＳ２５の集計結果の一例である。０℃〜１０℃の温度変化が３回、１１℃〜２０℃の温度変化が６回、２１℃〜３０℃の温度変化が２回、３１℃〜４０℃の温度変化が２回である。ここで、温度差は小数点未満０桁の有効数字で表されており、「１１℃〜２０℃」は１０．５℃以上２０．５℃未満、「２１℃〜３０℃」は２０．５℃以上３０．５℃未満を意味するのであって、隣接する温度領域の間に間隙があることを意味するものではない。

図１０は、温度差と回数の集計結果を履歴情報に追加した結果を例示する説明図である。図９と同じく、横軸は温度変化推移における温度差であり、縦軸はその発生回数である。図７のＳ２６で履歴情報に追加された結果の一例である。０℃〜１０℃の温度変化は、それまで１０２回に今回の３回が追加されて１０５回になったことを示す。以下同様に、１１℃〜２０℃の温度変化は２０１回に６回が追加されて２０７回、２１℃〜３０℃の温度変化は８３回に２回が追加されて８５回、３１℃〜４０℃の温度変化は４８回に２回が追加されて５０回である。

図１１は、温度変化推移による分類の例を示す説明図である。図７のＳ２７の例である。分類Ａから分類Ｄまでの４通りに分類する例が示される。分類Ａは０℃〜１０℃の温度変化の回数が最も多い場合である。他も同様に、分類Ｂは１１℃〜２０℃が最も多い場合、分類Ｃは２１℃〜３０℃が最も多い場合、分類Ｄは３１℃〜４０℃が最も多い場合である。図１０の例は分類Ｂに該当する。

図１２は、寿命予測値の算出方法を例示するフローチャートである。最新の履歴情報を取得してそれまでの履歴情報に追加し、該当する分類を特定した後、故障が発生していないときには、寿命予測値が算出される。まず、分類毎に用意された寿命予測係数のうち、特定された分類の寿命予測係数を使って、残りライフが算出される（Ｓ２８）。ここで、「ライフ」とは例えば時間や分を単位とする稼働時間によって表現された寿命であり、「残りライフ」とは故障に至るまでの稼働時間である。次に消費速度を算出する（Ｓ２９）。消費速度は、製品のライフから上で求めた残りライフを引いた差を、製品導入日から現在までの日数で割って求める。最後に寿命予測値を算出する（Ｓ３０）。寿命予測値は、Ｓ２８で求めた残りライフをＳ２９で求めた消費速度で割ることによって、故障に至るまでの日数として求めることができる。

図１３は、温度差と回数の集計した履歴情報を例示する説明図である。図１０と同様に、図７に示した履歴への追加（Ｓ２６）後、分類の特定（Ｓ２７）を行うときの集計結果の例である。このグラフから、分類Ｂに該当することが特定される。

図１４は、残りライフの算出例を示す説明図である。寿命予測係数は、分類毎に準備されている。Ｒ_Ａ１，Ｒ_Ａ２，Ｒ_Ａ３，Ｒ_Ａ４，…は、分類Ａの寿命予測係数である。同様に、Ｒ_Ｂ１，Ｒ_Ｂ２，Ｒ_Ｂ３，Ｒ_Ｂ４，…は分類Ｂの寿命予測係数、Ｒ_Ｃ１，Ｒ_Ｃ２，Ｒ_Ｃ３，Ｒ_Ｃ４，…は分類Ｃの寿命予測係数、Ｒ_Ｄ１，Ｒ_Ｄ２，Ｒ_Ｄ３，Ｒ_Ｄ４，…は分類Ｄの寿命予測係数である。図１３に示す例のように、分類Ｂの場合には、寿命予測係数Ｒ_Ｂ１，Ｒ_Ｂ２，Ｒ_Ｂ３，Ｒ_Ｂ４，…を用いて、残りライフが算出される。残りライフ＝製品ライフ−Ｒ_Ｂ１Ｘ_１−Ｒ_Ｂ２Ｘ_２−Ｒ_Ｂ３Ｘ_３−Ｒ_Ｂ４Ｘ_４…である。Ｘ_１は温度差が０〜１０℃の回数であり、図１３からＸ_１＝１０５である。同様に、Ｘ_２＝２０７、Ｘ_３＝８５、Ｘ_４＝５０である。これらの値を代入して、残りライフを算出することができ、さらに、図１２に示すフローチャートにしたがって、寿命予測値を算出することができる。

本実施形態３による効果について説明する。実施形態１、２についても同様である。

図１５は、予測精度についての説明図である。横軸は時間または日数であり、縦軸には半導体デバイスの例えば半田剥がれなどに起因するライフのレベルが示される。初期レベルは、出荷時または半導体デバイスが実装された直後のレベルである。従来は設計最悪値（設計ｗｏｒｓｔ）が採用され、それを起点として一定のストレスを仮定した寿命予測曲線が採用されている。図１５には一点鎖線で示す。縦軸には故障に至る直前の警告レベルが示される。従来の寿命予測曲線によれば、実際に故障が発生すると予想される日（時間）よりも前の警告レベルに達する日（時間）ｔａｅ０が寿命予測値となる。パワーサイクル試験に基づく予測であるから、半導体デバイスにかかるストレスを、想定される最大値に近い一定値とした予測に相当する。これに対して、実際の製品ライフは、破線で例示されるように、負荷が重い期間もあれば、負荷が軽い期間もある。負荷が重い期間には急速にライフレベルが低下するが、負荷が軽い期間のライフレベルの低下は緩やかである。この図ではパワーサイクル試験に基づくライフよりも急峻に低下する期間を図示しているが、実際にはこのような期間が発生するのは極めて稀である。パワーサイクル試験が想定される最大値に近い重い負荷を想定して行われるからである。このため、実際の製品ライフによれば、故障が発生する日（時間）ｔｘは従来の予想によって警告が発せられる日（時間）ｔａｅ０よりもずっと後の日（時間）となる。本実施形態１〜３に示すように、寿命予測曲線の学習を進めていくことにより、予測アルゴリズムを第一世代、第二世代、第三世代、…と、徐々に実際の製品ライフに近付けていくことができる。これにより、寿命予測値も、第一世代の予測アルゴリズムによる日（時間）ｔａｅ１、第二世代の予測アルゴリズムによる日（時間）ｔａｅ２、第三世代の予測アルゴリズムによる日（時間）ｔａｅ３と、徐々に実際の製品ライフで理想とされる警告の日（時間）ｔａｉに近付けていくことができる。このように、パワーサイクル試験に基づく寿命予測曲線を使った故障予測よりも、予測の精度を向上することができる。

以上本発明者によってなされた発明を実施形態に基づいて具体的に説明したが、本発明はそれに限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは言うまでもない。

例えば、温度変化の回数に加えて、その急峻さを考慮することによって、より正確な寿命予測を行うことができる。温度変化の急峻さはピークから次のピークまでの時間を履歴情報に追加することによって、取り込むことができる。

１ 履歴情報取得部
２ 履歴情報データベース
３ 動作状態解析部
４ 寿命予測アルゴリズム学習部
５Ａ〜５Ｃ 寿命予測アルゴリズム
６ 寿命予測部
７ 寿命予測結果通知部
１０ 故障予測装置（ベンダーサーバー）
１１＿１〜１１＿２ ユーザサーバー
１２＿１〜１２＿２ 装置固有データベース
１３＿１〜１３＿８ 機器
１４〜１６ ネットワーク
２０ デバイス共通データベース

Claims (18)

1. 同一品種の半導体デバイスが搭載される複数の機器の履歴情報を保持する履歴情報データベースを有し、前記品種と同じ品種の半導体デバイスが搭載される対象機器の故障予測を行う故障予測装置であって、
   前記履歴情報は、前記複数の機器に搭載される前記半導体デバイスの時系列の動作状態を表す動作情報と、当該機器が故障したときにその故障原因を示す故障情報とを含み、
   前記動作状態は複数の分類に分けられており、
   前記故障予測装置は、
   前記複数の分類ごとに対応する寿命予測アルゴリズムを具現するプログラムまたは数式を記憶しており、
   前記対象機器の最新の履歴情報を取得する履歴情報取得部と、
   取得した履歴情報に含まれる動作情報に基づいて、前記対象機器に搭載される半導体デバイスの動作状態に該当する分類を特定する動作状態解析部と、
   取得した履歴情報に含まれる故障情報に基づいて、前記半導体デバイスの故障であると判定したときに、特定された分類に対応する寿命予測アルゴリズムを、取得した履歴情報に基づいて更新する、寿命予測アルゴリズム学習部と、
   取得した履歴情報に含まれる故障情報に基づいて、故障がないと判定したときに、特定された分類に対応する寿命予測アルゴリズムを用いて寿命予測を行う、寿命予測部と、
   前記寿命予測の結果を通知する、寿命予測結果通知部とを備える、
   故障予測装置。
2. 請求項１において、前記複数の機器は異なる種類の機器を含み、前記分類の基準は機器の種類の相違に関わらず適用される、
   故障予測装置。
3. 請求項２において、前記動作解析部は、前記半導体デバイスに対するストレスの大きさを基準として、前記分類を特定する、
   故障予測装置。
4. 請求項３において、前記ストレスは温度変化推移におけるピーク温度と次のピーク温度との温度差であり、前記分類の基準は前記温度差の所定期間内の発生頻度分布が最頻となる温度範囲で規定される、
   故障予測装置。
5. 請求項１において、前記寿命予測アルゴリズムは、寿命予測係数によって規定される寿命予測曲線に基づくものであって、前記半導体デバイスの時系列の動作状態を表す動作情報に対する前記寿命予測係数による重み付け加算によって寿命予測値を算出するものであり、
   前記寿命予測アルゴリズム学習部は、前記対象機器の故障が前記半導体デバイスの故障であると判定したときに、当該対象機器の故障に至るまでの過去の時系列の前記半導体デバイスの動作状態を表す動作情報と、前記寿命予測係数から、当該対象機器の寿命予測値を算出し、当該対象機器が実際に故障に至った時間情報との間での予測誤差を算出し、前記予測誤差を小さくする方向に、前記寿命予測係数を更新する、
   故障予測装置。
6. 請求項５において、
   前記寿命予測アルゴリズム学習部は、前記予測誤差が所定の許容範囲内にないときには、前記寿命予測係数の更新を省略する、
   故障予測装置。
7. 請求項６において、
   前記寿命予測アルゴリズム学習部は、前記対象機器の故障が前記半導体デバイスの故障であると判定したときに、当該対象機器と同一の分類に属し、既に故障に至った複数の他の機器のそれぞれについて、前記他の機器の故障に至るまでの時系列の動作情報と前記寿命予測係数とから前記他の機器の寿命予測値を算出し、前記他の機器が実際に故障に至った時間情報との間での予測誤差を算出し、前記複数の他の機器についてそれぞれ算出された複数の予測誤差の分布に基づいて、前記許容範囲を求める、
   故障予測装置。
8. 請求項７において、前記寿命予測アルゴリズム学習部は、前記複数の他の機器についてそれぞれ算出された複数の予測誤差の分布が、所定の大きさを超えた場合に、前記分類の基準を見直す、
   故障予測装置。
9. 請求項１において、ネットワークに接続するためのインターフェースをさらに備え、
   前記インターフェースにより、前記ネットワークを介して前記履歴情報を取得し前記寿命予測の結果を通知する、
   故障予測装置。
10. 請求項９において、
    前記インターフェースにより、前記ネットワークに接続されるユーザサーバーから前記履歴情報を取得し、前記ユーザサーバーに対して前記寿命予測の結果を通知する、
    故障予測装置。
11. 同一品種の半導体デバイスが搭載される複数の機器の履歴情報に基づいて、前記品種と同じ品種の半導体デバイスが搭載される対象機器の故障予測を行う故障予測方法であって、コンピュータ上で動作するソフトウェアによって実行され、
    前記履歴情報は、前記複数の機器に搭載される前記半導体デバイスの時系列の動作状態を表す動作情報と、当該機器が故障したときにその故障原因を示す故障情報とを含み、
    前記動作状態は複数の分類に分けられており、
    前記故障予測方法は、
    前記複数の分類ごとに対応する寿命予測アルゴリズムを具現するプログラムまたは数式を記憶しており、
    前記対象機器の最新の履歴情報を取得し、
    取得した履歴情報に含まれる動作情報に基づいて、前記半導体デバイスの動作状態に該当する分類を特定し、
    取得した履歴情報に含まれる故障情報に基づいて、前記半導体デバイスの故障であると判定したときに、特定された分類に対応する寿命予測アルゴリズムを、取得した履歴情報に基づいて更新し、
    取得した履歴情報に含まれる故障情報に基づいて、故障がないと判定したときに、特定された分類に対応する寿命予測アルゴリズムを用いて寿命予測を行う、
    故障予測方法。
12. 請求項１１において、前記複数の機器は異なる種類の機器を含み、前記分類の基準は機器の種類の相違に関わらず適用される、
    故障予測方法。
13. 請求項１２において、前記複数の分類は、前記半導体デバイスに対するストレスの大きさを基準として規定される、
    故障予測方法。
14. 請求項１３において、前記ストレスは温度変化推移におけるピーク温度と次のピーク温度との温度差であり、前記分類の基準は前記温度差の所定期間内の発生頻度分布が最頻となる温度範囲で規定される、
    故障予測方法。
15. 請求項１１において、前記寿命予測アルゴリズムは、寿命予測係数によって規定される寿命予測曲線に基づくものであって、前記半導体デバイスの時系列の動作状態を表す動作情報に対する前記寿命予測係数による重み付け加算によって寿命予測値を算出するものであり、
    前記故障予測方法は、前記対象機器の故障が前記半導体デバイスの故障であると判定したときに、
    当該対象機器の故障に至るまでの過去の時系列の前記半導体デバイスの動作状態を表す動作情報と、前記寿命予測係数から、当該対象機器の寿命予測値を算出し、
    当該対象機器が実際に故障に至った時間情報との間での予測誤差を算出し、
    前記予測誤差を小さくする方向に、前記寿命予測係数を更新する、
    故障予測方法。
16. 請求項１５において、
    前記故障予測方法は、前記予測誤差が所定の許容範囲内にないときには、前記寿命予測係数の更新を省略する、
    故障予測方法。
17. 請求項１６において、
    前記故障予測方法は、前記対象機器の故障が前記半導体デバイスの故障であると判定したときに、
    当該対象機器と同一の分類に属し、既に故障に至った複数の他の機器のそれぞれについて、前記他の機器の故障に至るまでの時系列の動作情報と前記寿命予測係数とから前記他の機器の寿命予測値を算出し、前記他の機器が実際に故障に至った時間情報との間での予測誤差を算出し、
    前記複数の他の機器についてそれぞれ算出された複数の予測誤差の分布に基づいて、前記許容範囲を求める、
    故障予測方法。
18. 請求項１７において、前記複数の他の機器についてそれぞれ算出された複数の予測誤差の分布が、所定の大きさを超えた場合に、前記分類の基準を見直す、
    故障予測方法。

Images