JP3234742B2 - 電子部品の余寿命推定方法及び装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、画像識別技術を用い
た、電子部品の余寿命推定方法及び装置に関するもので
ある。

【０００２】

【従来の技術】電子部品の劣化の診断における劣化状態
や余寿命の推定は次のように行なわれている。すなわ
ち、専門家により、すでにある劣化した電子部品の画像
（モデルの画像）と使用した電子部品の画像とを比較
し、類似度の高い「モデルの画像」を目視判定により選
択し、「劣化の有無、劣化の種類や劣化の要因」を判定
すると共に、これに対応する定式化された劣化則あるい
は経験知に基いて、使用した電子部品の劣化度や余寿命
を推定している。

【０００３】また、画像を利用しない方法として、電子
部品の電気的特性を測定し、電気的特性を定式化した劣
化則に代入して数理論的に劣化の程度を定量化し、さら
に、電気的特性から、その劣化則に基いて数理論的に経
年劣化の時系列上の現在位置を計算し、余寿命を計算す
る方法もある。

【０００４】

【発明が解決しようとする課題】しかし、画像を利用
し、専門家の経験知と定式化された劣化則により、余寿
命を推定する場合、専門家の判定による推定にはバラツ
キがあり、かつ、推定値もおおよその値であり、余寿命
の真値との隔たりが大きい。

【０００５】また、画像の比較による劣化状態の推定を
計算機で自動化するには、経年劣化の時系列上におい
て、すべての劣化状態の画像（比較のモデルとなる画
像）と使用した電子部品の画像とを比較する必要がある
が、これは、比較回数が多くなり、時間的ロスが大きく
なる。

【０００６】さらに、余寿命の推定は、理論的には、有
効寿命と使用時間との差により推定できるが、この場
合、使用した電子部品の使用条件と同一条件における有
効寿命データが必要となる。しかし、電子部品の使用条
件はさまざまであり、すべての使用条件に対する有効寿
命のデータを用意することは不可能である。

【０００７】また、画像によらず数理論的に劣化予測、
余寿命予測を行う場合、劣化則の定式化が必要である
が、電子部品の使用条件により劣化則がそれぞれ異な
り、すべての使用条件下での劣化則の定式化は困難であ
る。

【０００８】本発明は、上記事情に鑑みてなされたもの
であり、電子部品の劣化状態および余寿命の推定を、少
数のモデル画像を用いた画像識別のみで行うことが可能
な電子部品の余寿命推定方法及び装置を提供することを
目的としている。

【０００９】

【課題を解決するための手段】本発明は、上記課題を解
決するための手段として、モデル電子部品についての有
効寿命データと、このモデル電子部品が基準使用条件で
使用された場合における所定使用時間経過毎の劣化状態
を示す複数のモデル画像データとを予めデータベースに
格納しておき、任意の使用条件で実際に使用された電子
部品を撮像して画像データを得、この画像データから劣
化特徴を表わす特徴変数データを抽出し、前記特徴変数
データと前記複数のモデル画像データとの比較に基い
て、前記実際に使用された電子部品が最大に類似する劣
化状態を求め、この劣化状態に対応する使用時間を実質
使用時間と推定し、前記推定された実質使用時間と、前
記データベースに格納されたモデル電子部品についての
有効寿命データとから、前記実際に使用された電子部品
の余寿命を演算することを特徴とするものである。

【００１０】

【作用】上記構成において、データベースに格納するデ
ータは、モデル電子部品をある基準使用条件で使用した
際の少数の有効寿命データ及びモデル画像データでよ
く、経年劣化の時系列上の連続した画像データを必要と
しない。

【００１１】そして、実際に使用された電子部品の余寿
命を推定する場合は、まず、この電子部品の撮像により
得た画像データから、劣化特徴を表わす特徴変数データ
を抽出する。

【００１２】次いで、この特徴変数データと複数のモデ
ル画像データとを比較して、比較的類似の度合いが高い
モデル画像データを選択し、さらに、これから最大に類
似する劣化状態を求める。そして、この劣化状態に対応
する使用時間を実質使用時間と推定する。

【００１３】実質使用時間がわかれば、モデル電子部品
についての有効寿命データを用いて、実際に使用された
電子部品の有効寿命を知ることができ、したがって、そ
の余寿命を求めることができる。

【００１４】電子部品を人間にたとえて本発明をより簡
単に説明するならば、劣化画像から電子部品の現在の年
齢を推定し、電子部品の寿命年齢と現在の年齢とを比較
して、現在の使用条件における余寿命と推定する方法で
あると言える。

【００１５】なお、本明細書で用いている「劣化」とい
う用語は、劣化の他に、電気的特性劣化の原因となる現
象（例えば腐食など）および、劣化により２次的に発生
した損傷等を広く含むものである。

【００１６】

【実施例】以下、本発明の実施例を図に基づいて説明す
る。図１は本発明の実施例の機能ブロック図である。図
１において、余寿命推定装置１は、ある期間使用した電
子部品を電子装置から取り出し、外部の画像検出装置の
走査型電子顕微鏡Ｍで収集した電子部品の画像データ
（ａ）を入力し、画像データ（ａ）から電子部品の劣化
の特徴を表す画像に関するデータ（ｂ）を抽出する劣化
特徴抽出手段１１を有している。

【００１７】また、前記電子部品と同種のモデル電子部
品において、「同種のモデル電子部品」の劣化種別の
「ある基準の使用条件でのそれぞれ異なる使用時間にお
ける劣化状態の画像（モデル画像）」に関するデータと
「同種のモデル電子部品」の「基準の使用条件」で有効
寿命のデータとを格納したモデル画像データベース１２
が設けられている。

【００１８】そして、劣化特徴抽出手段１１によって抽
出した前記劣化の特徴を表す画像に関するデータ（ｂ）
を入力し、モデル画像データベース１２から劣化の特徴
を表すモデル画像に関するデータ（ｃ１）を入力し、モ
デル画像に関するデータ（ｃ１）を用いて画像識別方式
劣化状態推定方法により電子部品の「実質使用時間と劣
化状態」（ｄ１）を推定し、この推定結果（ｄ１）を外
部に出力する画像識別方式劣化状態推定手段１３が設け
られてる。

【００１９】さらに、画像識別方式劣化状態推定手段１
３で推定した実質使用時間（ｄ２）を入力し、モデル画
像データベース１２から前記劣化による「同種のモデル
電子部品」の有効寿命のデータ（ｃ２）を入力し、実質
使用時間（ｄ２）を電子部品の使用条件下での実際の使
用時間で除算した結果の値（「過酷使用度」と以後呼
ぶ。）を計算し、有効寿命から実質使用時間（ｄ２）を
減算し、減算した結果の値を過酷使用度で除算し、除算
した結果の値を実際に使用した電子部品の使用条件下で
の余寿命（ｅ）とし、余寿命（ｅ）のデータを外部へ出
力する余寿命演算手段１４が設けられている。

【００２０】次に、図１の動作を図２のフローチャート
を参照しつつ説明する。外部の画像検出装置として、図
１では、走査型電子顕微鏡Ｍを取り上げているが、これ
は、画像を検出可能な検出装置であれば何でも良い。こ
こに取り上げた走査型電子顕微鏡Ｍは、試料（電子部
品）に電子ビームを照射して、試料から発生する２次電
子の検出量をＣＲＴ上に明暗で画像（ａ）として表示す
る装置である。

【００２１】劣化特徴抽出手段１１は画像データ（ａ）
を入力し（ステーションＳ１）、画像データ（ａ）から
試料（電子部品）の劣化の特徴を表す画像に関するデー
タ（ｂ）を抽出する。ここで画像（ａ）から劣化特徴を
抽出する方法の一例を説明する。ここでは、具体的にＩ
Ｃのアルミニウム配線の腐食による電気的特性劣化を例
に述べる。ＩＣのアルミニウム配線の劣化を、「湿気に
よりアルミニウム配線の腐食が進行し、電気的特性が低
下すること」とすると、アルミニウム配線上の腐食の像
及びそれらの特徴（腐食の面積など）を抽出することに
なる。画像（ａ）からの劣化特徴の抽出は、画像処理と
特徴抽出の２つのステップからなる。これらの方法を以
下述べる。 ＜画像処理の方法の一例＞電子部品の画像（ａ）から、
劣化の跡、電気的特性劣化の要因（腐食など）の画像の
みを鮮明にし、他の構造的な陰像、ＩＣのパターン像、
キズ等を除去する。このように、問題とする像を強調
し、他の関係のない像を除去する。以上の処理をＩＣの
アルミニウム配線の劣化画像（ここでは、電気的特性劣
化の原因となる腐食像）を例に説明する。

【００２２】図３にＩＣチップＡの断面構造を示す。Ｉ
ＣチップＡは外部リード線ＤとワイヤＢで接続され、チ
ップＡ自身は樹脂Ｃに覆われている。このＩＣチップＡ
の画像を図３の上面から走査型電子顕微鏡Ｍでとらえた
画像の一部の略図を図４に示す。図４は、ＩＣ内回路素
子間のアルミニウム配線Ｅのパターンである。同図でア
ルミニウム配線Ｅ以外の領域はシリコン拡散層Ｆ（図中
の斜線部分）である。

【００２３】図５、図６、図７はＩＣチップＡの使用時
間に比例してアルミニウム配線Ｅ上に黒塗りつぶし部分
で示す腐食が成長していく様子を示したものである。Ｉ
ＣチップＡの寿命に対して、使用期間を初期、中期、後
期と分けると、図５が初期、図６が中期、図７が後期の
腐食画像である。

【００２４】いま、中期の腐食画像である図６を例に、
上述の画像処理を説明する。この画像処理では、図６の
配線パターンの画像から、ＩＣのパターン像、シリコン
拡散層の像を除去する。除去した画像を図８に示す。図
８では、黒塗りつぶし部分で示す腐食像のみが残されて
いる。この図８が画像処理後の画像Ｈである（ステップ
Ｓ２）。 ＜劣化特徴の抽出方法の一例＞上記処理した画像Ｈか
ら、劣化跡、電気的特性劣化の原因となる要因の像の特
徴を抽出する（ステップＳ３）。先に述べたＩＣチップ
Ａのアルミニウム配線Ｅの例では、劣化特徴（ここで
は、劣化の原因となる腐食の特徴）はアルミニウム配線
Ｅのパターン上のすべての腐食部分の面積量Ｖ１、腐食
の偏り具合Ｖ２などである。Ｖ１、Ｖ２は変数であり、
これらを特徴変数と呼ぶことにする。これら特徴変数の
値が「特徴を抽出した画像に関するデータ」（ｂ）であ
る。この特徴変数の変数値を本明細書では、特徴変数デ
ータと呼んでいる。特徴変数の数は対象とする劣化種別
により変わる。

【００２５】次に、モデル画像データベース１２につい
て説明する。モデル画像データベース１２は、試料（電
子部品）と同種のモデル電子部品Ｇにおいて、モデル電
子部品Ｇの劣化種別の「ある基準の使用条件でのそれぞ
れ異なる使用時間における劣化状態の画像（モデル画
像）」に関するデータとモデル電子部品Ｇの前記「基準
の使用条件」での有効寿命のデータを格納している。

【００２６】ここで、「試料（電子部品）と同種のモデ
ル電子部品Ｇ」の記述における「同種」の意味を補足す
る。この「同種」とは、 ・試料（電子部品）の用途、機能、特性における同種、
類似 ・試料（電子部品）の材料、材質、構造、構成との同
種、類似 ・試料（電子部品）の劣化部位の材料、材質、構造、構
成との同種、類似 など、画像を比較する部品、又は部分が類似、同種であ
ることを総称して「同種」と記述している。

【００２７】また、本実施例では、試料（電子部品）
は、すでにフィールド（電子部品が実際に使用された現
場）で使用されたものであるので、モデル画像に関する
データおよび有効寿命のデータを試料（電子部品）と同
種のモデル電子部品Ｇで代用しなければならない。しか
し、試料（電子部品）と同種であれば、劣化則も同様に
考えてよいので、モデルとしては同種の電子部品Ｇで代
用できる。

【００２８】図９は、モデル画像の概要を示す説明図で
ある。図９はある基準の使用条件下における電子部品Ｇ
の劣化の程度（劣化度）ｆと使用時間ｔとの関係を示し
たグラフであり、ｆ（ｔ）を劣化度曲線とする。この劣
化度曲線ｆ（ｔ）において、使用時間ｔ１，ｔ２，ｔ
３，ｔ４，ｔ５における劣化度は、 〔時間ｔ１における劣化度〕＝ｆ₁ ＝ｆ（ｔ１） 〔時間ｔ２における劣化度〕＝ｆ₂ ＝ｆ（ｔ２） 〔時間ｔ３における劣化度〕＝ｆ₃ ＝ｆ（ｔ３） 〔時間ｔ４における劣化度〕＝ｆ₄ ＝ｆ（ｔ４） 〔時間ｔ５における劣化度〕＝ｆ₅ ＝ｆ（ｔ５） と書くことができ、これらの劣化度にそれぞれ対応する
電子部品Ｅの劣化状態の画像（モデル画像）をＭ１，Ｍ
２，Ｍ３，Ｍ４，Ｍ５とする。これらは、Ｍ１→Ｍ２→
Ｍ３→Ｍ４→Ｍ５の順で劣化が進んだ画像となる。

【００２９】モデル画像データベース１２は、〔電子部
品の種別、劣化部位別、劣化種別〕と対応する〔劣化度
曲線ｆ、複数点の使用時間ｔにおける劣化度と対応モデ
ル画像の特徴変数データ、有効寿命のデータ〕が対にな
って、データとして格納されている。これらのデータは
基準の使用条件下におけるデータである。この使用条件
とは、使用環境（温度、湿度）や試料（電子部品）を乗
せた実装基板・電子装置の動作条件などである。モデル
画像データベースの格納データは、後述する加速度試験
などの実験から収集するので、試験条件が「基準の使用
条件」となる。

【００３０】「モデル画像に関するデータ」は劣化度曲
線ｆ、複数点の使用時間ｔにおける劣化度と対応モデル
画像の特徴変数データであり、以後の画像識別では特徴
変数データを使用することになる。ただし、劣化度曲線
ｆ（ｔ）が定式化できない場合は、定性的な手法とし
て、ランク付けの方法により、劣化度を定性値で表現し
たデータベースを構築する。

【００３１】このデータベースを図１０を参照しつつ説
明する。図１０では、劣化度を５つのランクで区分け
（区間Ｒ１，Ｒ２，Ｒ３，Ｒ４，Ｒ５）している。ラン
クの区分けの意味を例えば次の通り定義する。 区間Ｒ１：劣化は微少で、故障への問題はない。 区間Ｒ２：劣化は微少であるがやや成長している。故障
への問題はない。 区間Ｒ３：劣化がある程度、大きくなっている。故障へ
の問題はない。 区間Ｒ４：劣化が拡大している。故障を誘発しやすい。 区間Ｒ５：劣化が肉眼でも確認でき、故障がいつ発生し
てもおかしくない。すなわち、有効寿命に近い状態であ
る。

【００３２】上記の各区間に対応する劣化状態の画像
（モデル画像）を５個用意する。これらの５点の画像Ｍ
１，Ｍ２，Ｍ３，Ｍ４，Ｍ５をグラフにのせている。こ
れらの画像Ｍ１，Ｍ２，Ｍ３，Ｍ４，Ｍ５は図９の画像
と同じ意味である。

【００３３】ここでの格納データは、〔電子部品の種
別、劣化部位別、劣化種別〕と対応する〔劣化ランク、
ランクに対応するモデル画像の特徴変数データとその使
用時間、有効寿命のデータ〕となる。以上のモデル画像
データベース１２の説明では、モデル画像を５個用意し
たが、実際は何個用意してもよい。

【００３４】次に、モデル画像データベース１２に格納
するデータを試験（実験）で収集する方法について説明
する。試験条件（基準の使用条件）として、「温度、湿
度などの環境条件、試料（電子部品）を乗せた実装基板
・電子装置の動作条件など」を設定し、加速度試験（フ
ィールドでの使用時間を短縮して劣化の進行を加速させ
る試験、例えば、フィールドでの使用１０年が１０００
時間の加速度試験に相当）を行う。そして、数十個の同
種の未使用試料を用いて、加速度試験により劣化を進行
させ、有効寿命（故障率がある基準以下になるまでの時
間）まで、試験を持続させる。また、試験期間中におい
て、一定時間間隔で、試料を１個づつ取り出し、その劣
化状態の画像を走査型電子顕微鏡などでデータとして収
集する。このようにして、加速度試験における試料のそ
れぞれ異なる動作時間（使用時間）におけるモデル画像
のデータが収集できる。

【００３５】画像識別方式劣化状態推定手段１３は、劣
化特徴抽出手段１１によって抽出した前記劣化の特徴を
表す画像に関するデータ（ｂ）を入力し、モデル画像デ
ータベース１２から試料（電子部品）の種別、劣化部
位、劣化種別に対応するモデル画像に関するデータ（有
効寿命のデータ以外の格納データ）（ｃ１）を入力する
（ステップＳ４）。そして、画像識別方式劣化状態推定
方法により試料（電子部品）の「実質使用時間と劣化状
態」（ｄ１）を推定する。

【００３６】画像識別方式劣化状態推定は、図１１に示
すように、試料（電子部品）の劣化部位の画像とモデル
画像Ｍ１〜Ｍ５とを比較・識別することから始まる。但
し、これらの画像は、特徴抽出した画像データ（特徴変
数データ）であり、試料とモデルの画像との同じ特徴変
数間を比較・識別する。ここで比較・識別した結果は図
１２の表のようにまとめられる。

【００３７】図１２の表では、試料（電子部品）の劣化
部位画像とモデル画像との類似度が表示されている（但
し、表中の類似度の数値は説明のために便宜上付与した
値にすぎない。）。図１２の表のように、モデル画像と
の類似度を計算する方法は幾つか考えられるが、ここで
はニューラルネットワークのパターン識別能力を利用し
た計算方法を２つ例に上げて説明する。

【００３８】まず、第一の方法を述べる。特徴を抽出し
た画像に関するデータ（ｂ）の特徴変数Ｖ１，Ｖ２，…
のデータ値を入力パターンとして、入力層（ニューロン
Ｉ１，Ｉ２，…）に入力し、出力層に５つのニューロン
Ｏ１，Ｏ２，Ｏ３，Ｏ４，Ｏ５を持つニューラルネット
ワークを考える。これを図１３に示す。

【００３９】図１３は、説明を簡単にするため、「入力
層と出力層の２層からなるニューラルネットワーク」と
している（実際は、中間層を含めた多層構造とな
る。）。図１３のニューラルネットワークは、データ
（ｂ）の特徴変数データの入力パターンから、この入力
パターンがどのモデル画像Ｍ１〜Ｍ５の特徴変数データ
のパターンに類似しているかをパターン分類する。ここ
では、５つのニューロンＯ１〜Ｏ５の出力値がそれぞれ
モデル画像Ｍ１〜Ｍ５と試料（電子部品）の劣化状態の
画像との類似度に相当する。

【００４０】ニューロンＯ１〜Ｏ５の応答関数を次のシ
グモイド関数ｇ（ｘ）とすると、 ｇ（ｘ）＝１／（１＋ｅｘｐ（−ｘ）） ……（１） となる。但し、 ｘ：入力層の各ニューロンの出力値を重み付けし、各々
を加算した値とあるしきい値との偏差 である。なお、ニューロンＯ１〜Ｏ５の出力値は０〜１
となる。

【００４１】図１３のニューラルネットワークへの入力
パターンをモデル画像に関するデータ（ｃ１）の中の特
徴変数データとして、下記に示す条件を満たす教師信号
を加えて、学習させる（学習とは、ニューロンへの入力
値を重み付けする重み値を下記条件を満たすような値に
修正していくことである。） ●モデル画像Ｍ１：ニューロンＯ１の出力値＝１ データの場合 他ニューロンＯ２〜Ｏ５の出力値＝０ ●モデル画像Ｍ２：ニューロンＯ２の出力値＝１ データの場合 他ニューロンＯ１，Ｏ３〜Ｏ５の出力値＝０ ●モデル画像Ｍ３：ニューロンＯ３の出力値＝１ データの場合 他ニューロンＯ１，Ｏ２，Ｏ４，Ｏ５の出力値＝０ ●モデル画像Ｍ４：ニューロンＯ４の出力値＝１ データの場合 他ニューロンＯ１〜Ｏ３，Ｏ５の出力値＝０ ●モデル画像Ｍ５：ニューロンＯ５の出力値＝１ データの場合 他ニューロンＯ１〜Ｏ４の出力値＝０ 学習が完了したニューラルネットワークへ試料（電子部
品）の特徴変数データ（ｂ）を入力すると、データ
（ｂ）とモデル画像Ｍ１〜Ｍ５の特徴変数データとの類
似の度合いが、各ニューロンＯ１〜Ｏ５の出力値〔０〜
１〕として出力される。これら出力値〔０〜１〕を試料
（電子部品）の劣化状態の画像とモデル画像Ｍ１〜Ｍ５
との類似度と定義する。これらの類似度が図１２の表の
ようにまとめられる。

【００４２】次に、第２の方法を述べる。第１の方法で
は、モデル画像の個数分だけ、出力層のニューロンの数
を設定し、モデル画像Ｍ１〜Ｍ５との類似度をそれぞれ
ニューロンＯ１〜Ｏ５の出力としたが、第２の方法で
は、図１３のニューラルネットワークの出力層のニュー
ロンを１個にしたネットワーク構造にする。これを図１
４に示す。

【００４３】ここでは、モデル画像の個数分だけ、図１
４のネットワークを用意することになる。いま、モデル
画像Ｍ１〜Ｍ５の５個であるので、ネットワークも５つ
用意する。

【００４４】すなわち、モデル画像Ｍ１との類似度を見
るネットワークＮ１ モデル画像Ｍ２との類似度を見るネットワークＮ２ モデル画像Ｍ３との類似度を見るネットワークＮ３ モデル画像Ｍ４との類似度を見るネットワークＮ４ モデル画像Ｍ５との類似度を見るネットワークＮ５ という具合である。

【００４５】図１４はネットワークＮ１を示している。
第１の方法と同様にして学習させ、各ネットワークＮ１
〜Ｎ５の出力値を試料（電子部品）の劣化状態の画像と
モデル画像Ｍ１〜Ｍ５との類似度とする。この場合、試
料（電子部品）の特徴変数データ（ｂ）を各ネットワー
クに入力して、各々のモデル画像に対する類似度を得
る。これらの類似度が図１２の表のようにまとめられ
る。

【００４６】画像識別方式の劣化状態推定方法では、次
に、上記の画像識別により計算した試料（電子部品）の
劣化状態の画像とモデル画像との類似度から試料（電子
部品）の劣化状態と最大類似度をとる劣化状態に達する
「基準の使用条件下でのモデル電子部品Ｇの使用時間
（試料（電子部品）の実質使用時間と呼ぶ。）」を推定
する。ここでは、類似度から実質使用時間を次のように
して推定する。 ＜実質使用時間の推定方法＞類似度が高い「２つのモデ
ル画像」の劣化状態に達する「基準の使用条件下でのモ
デル電子部品Ｇの使用時間」の間に試料（電子部品）の
劣化状態に達する「基準の使用条件下でのモデル電子部
品Ｇの使用時間」があるとし、この類似度が高い「２つ
のモデル画像」の劣化状態に達する「基準の使用条件下
でのモデル電子部品Ｇの使用時間」の間の中で、試料
（電子部品）と最大類似度をとる劣化状態に達する「基
準の使用条件下でのモデル電子部品Ｇの使用時間（試料
（電子部品）の実質使用時間）」を推定する。

【００４７】この実質使用時間の推定方法を詳しく説明
する。図１５では、実質使用時間の算出方法をグラフで
説明している。図１５は縦軸に試料（電子部品）とモデ
ル画像の類似度、横軸にモデル画像Ｍ１〜Ｍ５に対応す
る基準の使用条件下での使用時間ｔ１〜ｔ５を示してい
る。

【００４８】いま、試料（電子部品）の劣化状態の画像
とモデル画像の類似度として図１２の表が得られたとす
る。この図１２の表に示す類似度を例に、実質使用時間
の算出例を示す。モデル画像Ｍ１〜Ｍ５にそれぞれ対応
する基準の使用条件下での使用時間がｔ１〜ｔ５であ
り、その類似度点Ｄ１〜Ｄ５をグラフにプロットしてい
る。

【００４９】これら類似度点の座標は、 点Ｄ１：座標（ｔ１，０．１５） 点Ｄ２：座標（ｔ２，０．２４） 点Ｄ３：座標（ｔ３，０．７８） 点Ｄ４：座標（ｔ４，０．７２） 点Ｄ５：座標（ｔ５，０．３６） である。いま、各類似度点Ｄ１〜Ｄ５の補間曲線ｈ（点
線）を考えてみると、類似度の高い２つの類似度点Ｄ
３，Ｄ４の間の補間曲線上で最大の類似度をとる点Ｄ^*
（最大類似度点）があることがわかる。この点Ｄ^* と類
似度点Ｄ３，Ｄ４間の補間曲線ｈにより、最大類似度を
とる使用時間ｔ^* が次式より計算できる。 ｔ^* ＝ ｈ^-1（Ｄ^* ｙ） ……（２） 但し、Ｄ^* ｙ：点Ｄ^* が示す類似度 ｈ^-1（ ）：ｈの逆関数 このｔ^* が試料（電子部品）の実質使用時間である。画
像識別方式の劣化状態推定方法では、この実質使用時間
ｔ^* を用いて、試料（電子部品）の劣化度を推定する。

【００５０】次に、試料（電子部品）の劣化度を推定す
る方法（ステップＳ５）を説明する。モデル画像が示す
劣化度から推定した実質使用時間における劣化度を試料
（電子部品）の劣化度とする。先のモデル画像データベ
ース１２の説明において、試料（電子部品）の劣化度曲
線ｆが定式化できる場合とできない場合の定性的なラン
クによる表現を述べた。これに対応させ、劣化度曲線ｆ
が定式化されている場合と、劣化度のランク表現の場合
に分けて、試料（電子部品）の劣化度を推定する方法を
説明する。 ●劣化度曲線ｆが定式化されている場合 ここでは、劣化度曲線ｆ（ｔ）が分かっているので、次
式により劣化度が計算できる。 試料（電子部品）の劣化度＝ｆ（ｔ^* ） ……（３） 但し、ｔ^* ：実質使用時間 ●劣化度のランク表現の場合 劣化度のランク表現の場合の劣化度計算方法の一例を示
す。但し、劣化度はランクという定性値となる。図１５
に示す高い類似度をとる類似度点Ｄ３，Ｄ４の横軸座標
はｔ３，ｔ４である。実質使用時間ｔ^* はｔ３＜ｔ^* ＜
ｔ４である。ここでは、単純に、ｔ^* のｔ３，ｔ４に対
する接近度に着目し、この接近度が大きい使用時間（ｔ
３又はｔ４）のモデル画像（Ｍ３又はＭ４）の劣化ラン
ク（Ｒ３又はＲ４）を試料（電子部品）の劣化ランクと
定義する。この接近度は次式より計算できる。

【００５１】

【数１】 （４）式より、試料（電子部品）の劣化ランクは、次の
場合分けにより決定する。 ＜場合分け＞ Ｃ３＞Ｃ４の場合：劣化ランクはモデル画像Ｍ３に等し
く、Ｒ３である。 Ｃ３＝Ｃ４の場合：劣化ランクはＲ３，Ｒ４の境界にあ
る。 Ｃ３＜Ｃ４の場合：劣化ランクはモデル画像Ｍ４に等し
く、Ｒ４である。

【００５２】余寿命演算手段１４は、画像識別方式劣化
状態推定手段１３で推定した実質使用時間（ｄ２）を入
力し、モデル画像データベース１２からモデル電子部品
Ｇの有効寿命のデータ（ｃ２）を入力し、試料（電子部
品）を使用していた使用条件下での余寿命（ｅ）を計算
し、余寿命（ｅ）のデータを外部へ出力する。

【００５３】次に、余寿命の計算方法を説明する。フィ
ールドで使用されていた試料（電子部品）の使用条件に
より、劣化の成長速度が異なるので、実際の使用時間と
実質使用時間は異なる。ある基準の使用条件下での試料
（電子部品）の有効寿命は実験により判明できるが、フ
ィールドの使用条件での有効寿命はわからない。しか
し、本実施例で推定した実質使用時間と試験で得た「基
準の使用条件下でのモデル電子部品Ｇの有効寿命」のデ
ータとフィールドでの試料（電子部品）の実際の使用時
間を用いると、以下に示す２つの手順のいずれかでフィ
ールドの使用条件で試料（電子部品）の余寿命（ｅ）を
計算することができる（ステップＳ６，７）。図１６
は、この２つの手順による余寿命推定の概念を示す説明
図である。なお、ここでは、実質使用時間をＴ^* と表し
ている。 ＜余寿命計算の手順＞ 手順は〜である。 手順：試料（電子部品）の実質使用時間Ｔ^* とフィー
ルドでの試料（電子部品）の実際の使用時間Ｔ_F との比
を、次式（５）のように、過酷使用度αと定義する。

【００５４】

【数２】 式（５）からもわかるように、例えば、実際の使用時間
Ｔ_F が７００００時間、実質使用時間Ｔ^* が３５０００
時間とすると、過酷使用度αは０．５となる。これは、
ある基準の使用条件に比べて、フィールドでは、０．５
倍の過酷条件の中で試料（電子部品）が使用されている
ことを意味する。

【００５５】手順：試料（電子部品）と同種のモデル
電子部品Ｇのある基準の使用条件（加速度試験の試験条
件）下での有効寿命Ｌ_T と実質使用時間Ｔ^* との差（次
式）を計算する。この計算結果値は、試料（電子部品）
の基準の使用条件下での余寿命Ｓ_T と同値とみなすこと
ができる。 〔ある基準の使用条件下での余寿命Ｓ_T 〕＝ 〔有効寿命Ｌ_T 〕−〔実質使用時間Ｔ^* 〕 ……（６） 手順：余寿命Ｓ_T からフィールドの使用条件下での試
料（電子部品）の余寿命Ｓ_F を次式で計算する。

【００５６】

【数３】 また、余寿命Ｓ_F は次のようにしても計算できる。 ＜余寿命計算の別手順＞ 手順：過酷使用度αを計算する。 手順：ある基準の使用条件での有効寿命Ｌ_T と過酷使
用度αの除算を計算する。この除算の結果値がフィール
ドの使用条件下での試料（電子部品）の有効寿命Ｌ_F と
なる。

【００５７】

【数４】 手順：有効寿命Ｌ_F とフィールドでの試料（電子部
品）の実際の使用時間Ｔ_F とから、フィールドの使用条
件下での余寿命Ｓ_F を次式で計算する。 〔フィールドの使用環境下での余寿命Ｓ_F 〕＝ 〔有効寿命Ｌ_F 〕−〔実際の使用時間Ｔ_F 〕……（９） 余寿命演算手段１４は、計算した余寿命Ｓ_F （ｅ）を外
部へ出力する。また、画像識別方式劣化状態推定手段１
３も推定した「実質使用時間と劣化度」（ｄ１）を外部
へ出力する（ステップＳ８）。

【００５８】ここで、以上の説明と内容は重複するが、
理解を容易にするため、本発明の概要を図１７に基きま
とめておくこととする。

【００５９】本発明は、加速度試験により劣化則及び劣
化画像（モデル画像）とフィールドでの劣化則及び劣化
画像とを比較して余寿命を推定する方法についての提案
である。図１７（ａ）において、フィールドで使用した
電子部品に関し、既知のデータは使用時間Ｔ_F だけであ
り、通常、有効寿命Ｌ_F 、及び劣化則（経年劣化の時系
列）はブラックスボックスになっている。そこで、加速
度試験により、モデルデータ（同種のモデル電子部品の
劣化則及び画像データ）を作成し、これらのモデルと比
較・識別することで、フィールドでの有効寿命Ｌ_F を計
算し、有効寿命Ｌ_F と使用時間Ｔ_F との差をフィールド
での余寿命Ｓ_F とする。

【００６０】加速度試験では、図１７（ｂ）に示すよう
に、電子部品の劣化則Ｆ_T 、有効寿命Ｌ_T が判明する。
いま、フィールドで使用時間Ｔ_F における試料（電子部
品）の劣化画像Ｍ_F が得られたとする。この劣化画像Ｍ
_F が加速度試験で得たモデル画像Ｍ_T1〜Ｍ_T5と比較・識
別し、類似度が高いモデル画像を選定する。

【００６１】ここで、モデル画像Ｍ_T3，Ｍ_T4との類似度
が高いとすると、劣化画像Ｍ_F が示す劣化状態と同じ程
度のモデル画像はＭ_T3，Ｍ_T4を得た加速度試験時間の間
にあると考えられる。すなわち、加速度試験時間Ｔ₃ に
おけるモデル画像をＭ_T3、加速度試験時間Ｔ₄ における
モデル画像Ｍ_T4とすると、劣化画像Ｍ_F と一致するモデ
ル画像はＴ₃ 〜Ｔ₄ の区間に存在する。そこで、この区
間から劣化画像Ｍ_F と一致するモデル画像を得る加速度
試験時間Ｔ^* （実質使用時間）を推定する。この実質使
用時間Ｔ^* は、フィールド環境を加速度試験の環境上に
写像した場合の「劣化の年齢」と考えて良い。

【００６２】この実質使用時間Ｔ^* が推定できると、加
速度試験で得られた劣化則Ｆ_T にＴ^* を代入すれば、試
料（電子部品）の劣化度Ｆ_T （Ｔ^* ）が計算できる。ま
た、実質使用時間Ｔ^* とフィールドでの使用時間Ｔ_F を
比較することで、加速度試験の試験条件を基準にしたフ
ィールドの使用条件の過酷使用の割合が判明する。この
過酷使用の割合が過酷使用度αである。例えば、実質使
用時間Ｔ^* ＝３５０００時間、フィールドでの使用時間
Ｔ_F ＝７００００時間ならば、両者とも同じ劣化度Ｆ^*
であるので、フィールドでは、加速度試験の試験条件
（使用条件）より０．５倍の過酷使用（過酷使用度α＝
０．５）の条件で電子部品を使用していたことがわか
る。

【００６３】この過酷使用度が判明すれば、加速度試験
上の有効寿命Ｌ_T （または加速度試験上の余寿命Ｓ_T ）
を過酷使用度で除算した値がフィールドでの有効寿命Ｌ
_F （またはフィールド上での余寿命Ｓ_F ）となる。故
に、有効寿命Ｌ_F と使用時間Ｔ_F の差をとり、フィール
ドでの余寿命Ｓ_F が計算できる。例えば、いま、加速度
試験上の有効寿命Ｌ_T ＝１４００００時間、過酷使用度
α＝０．５であるならば、次の推定値が得られる。

【００６４】

【数５】 上記実施例によれば、次の効果を得ることができる。 ● 画像の比較による劣化状態の識別において、比較す
るモデルの画像は経年劣化の時系列上のすべての画像を
必要とせず、少数のモデルの画像との比較のみで劣化状
態が推定できるので、画像の比較回数を少なくできる。
また、計算機で自動化した場合、画像識別の処理時間が
短縮できる。 ● 画像識別を計算機で自動的に行い、試験により得た
基準モデル（モデル画像）に照らし合わせて、使用した
電子部品の劣化度を推定し、また、余寿命推定に試験デ
ータ（試験条件下での有効寿命のデータなど）を利用す
るので、モデルをベースとした論理的推定が可能にな
る。 ● 試験など、基準の使用条件で使用した場合の電子部
品のモデル画像を用意するだけで、任意の使用条件で使
用した電子部品の劣化度、その電子部品の使用条件下で
の余寿命が推定可能になる。

【００６５】また、本発明は、上述した態様の他に、次
の態様をも広く包含するものである。 本発明による画像識別方式の劣化状態推定方法によ
る劣化度の推定と同じ方法で、時間的に状態の特徴が変
化するすべての事象に対し、その変化の度合い（本発明
では劣化の程度（劣化度））を画像により推定できる。 上記実施例では、画像識別にニューラルネットワー
クを利用する方法を述べたが、特徴変数のパターンをフ
ァジー技術を用いて識別してもよい。また、単純に特徴
変数の値の大きさをしきい値判定したり、ランク別に分
けてパターンを分類する方法もある。つまり、特徴変数
のパターンが識別可能であれば、どのような画像識別方
法でもよい。

【００６６】さらに、本発明では、画像から特徴を抽出
する方法を示しているが、直接、劣化状態の画像とモデ
ル画像を比較識別してもよい（これは特徴抽出量がゼロ
の場合と解すべきである。）。この場合、画像濃度の濃
淡をドット単位、またはある基準面積単位に比較する方
法が一例として上げられる。 本発明は電子部品を対象にしているが、この「電子
部品」は、実装基板、機械部品、材料一般など、劣化画
像が得られるすべての対象を広く含むものである。 本発明で述べる「画像」には、赤外線温度解析装置
などによる温度画像又は熱画像も含まれる。ＩＣやプリ
ント基板（電子部品）は通電すると、故障部分が熱を発
する。劣化部位の劣化が進むと、その部位の抵抗が大き
く成ってくるので、発せられる熱量が大きくなり、その
部分の温度が上がる。その温度分布の画像（温度画像）
も経年劣化が進むにつれて変化（特に劣化している部分
など）する。故に、温度画像又は熱画像に対しても、本
発明が適用できる。 本発明では、劣化画像を画像識別するだけで、余寿
命を推定しているが、この余寿命推定の精度を上げるた
めに、他の情報として、電子部品の電気的特性（破壊電
圧値、破壊電界値など）、機械的特性（歪み度、破壊ま
での機械的ストレスの繰り返し回数など）及び他の物理
的・化学的特性値も、電子部品の実質使用時間推定の補
助データとしても良い。

【００６７】例えば、上記実施例で述べたニューラルネ
ットワークによる画像識別において、ニューラルネット
ワークへの入力値（画像データ）に、その劣化画像を得
た電子部品の電気的特性値も加える。すなわち、ニュー
ラルネットワークへの入力パターンが、〔劣化画像の特
徴変数データ、電気的特性値〕となる。このように、パ
ターン分類のための入力データを詳細にすることで、実
質使用時間の推定精度を上げることができる。

【００６８】

【発明の効果】以上のように、本発明によれば、電子部
品の劣化状態及び余寿命の推定を、少数のモデル画像を
用いた画像識別のみで行うことが可能な電子部品の余寿
命推定方法及び装置を実現することができる。

【図面の簡単な説明】

【図１】本発明の実施例の機能ブロック図。

【図２】図１の動作についてのフローチャート。

【図３】「電子部品」であるＩＣチップの構造を示す断
面図。

【図４】図３の平面図。

【図５】図４のＩＣチップの初期の腐食過程を示す説明
図。

【図６】図４のＩＣチップの中期の腐食過程を示す説明
図。

【図７】図４のＩＣチップの後期の腐食過程を示す説明
図。

【図８】図６の状態を画像処理した場合の説明図。

【図９】モデル画像と劣化度との対応関係を示す説明
図。

【図１０】モデル画像と劣化ランクとの対応関係を示す
説明図。

【図１１】実際に使用された電子部品の画像とモデル画
像との対応関係を示す説明図。

【図１２】実際に使用された電子部品の画像とモデル画
像との類似度を示した図表。

【図１３】図１２の類似度を得るためのニューラルネッ
トワークの構成を示す説明図。

【図１４】図１３とは異なるニューラルネットワークの
構成を示す説明図。

【図１５】実質使用時間を求めるための、類似度と使用
時間との間の特性図。

【図１６】余寿命推定の概念を示す説明図。

【図１７】本発明の概要の説明図。

【符号の説明】

１１ 劣化特徴抽出手段 １２ モデル画像データベース １３ 劣化状態推定手段 １４ 余寿命演算手段

フロントページの続き (56)参考文献 特開 昭62−195544（ＪＰ，Ａ) 特開 昭62−134568（ＪＰ，Ａ) 特開 平５−165943（ＪＰ，Ａ) 特開 平４−253284（ＪＰ，Ａ) 電子部品故障診断エキスパートシステ ム、熊丸智雄、安達健二、電気学会一般 産業研究会資料、1988、Ｖｏｌ．ＧＩＤ −88、Ｎｏ．６−10、39−48頁 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G01N 21/84 - 21/958 G01R 31/00 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】モデル電子部品についての有効寿命データ
   と、このモデル電子部品が基準使用条件で使用された場
   合における所定使用時間経過毎の劣化状態を示す複数の
   モデル画像データとを予めデータベースに格納してお
   き、 任意の使用条件で実際に使用された電子部品を撮像して
   画像データを得、この画像データから劣化特徴を表わす
   特徴変数データを抽出し、 前記特徴変数データと前記複数のモデル画像データとの
   比較に基いて、前記実際に使用された電子部品が最大に
   類似する劣化状態を求め、この劣化状態に対応する使用
   時間を実質使用時間と推定し、 前記推定された実質使用時間と、前記データベースに格
   納されたモデル電子部品についての有効寿命データとか
   ら、前記実際に使用された電子部品の余寿命を演算する
   こと、 を特徴とする電子部品の余寿命推定方法。
2. 【請求項２】請求項１記載の電子部品の余寿命推定方法
   において、 前記データベースに格納する有効寿命データ及びモデル
   画像データを、劣化の進行を加速させる加速度試験によ
   り得ること、 を特徴とする電子部品の余寿命推定方法。
3. 【請求項３】請求項１又は２記載の電子部品の余寿命推
   定方法において、 前記実際に使用された電子部品が最大に類似する劣化状
   態を、前記特徴変数データを入力値とすると共に、前記
   実際に使用された電子部品の画像データと前記モデル電
   子部品の各画像データとの類似度を出力値とするニュー
   ラルネットワークを用いて求めること、 を特徴とする電子部品の余寿命推定方法。
4. 【請求項４】請求項１乃至３のいずれかに記載の電子部
   品の余寿命推定方法において、 前記実際に使用された電子部品の余寿命の演算を、実質
   使用時間と実際の使用時間との比である過酷使用度を用
   いて行うこと、 を特徴とする電子部品の余寿命推定方法。
5. 【請求項５】モデル電子部品についての有効寿命データ
   と、このモデル電子部品が基準使用条件で使用された場
   合における所定使用時間経過毎の劣化状態を示す複数の
   モデル画像データとが予め格納されたモデル画像データ
   ベースと、 任意の使用条件で実際に使用された電子部品を撮像する
   ことにより得られた画像データから、劣化特徴を表わす
   特徴変数データを抽出する劣化特徴抽出手段と、 前記特徴変数データと前記複数のモデル画像データとの
   比較に基いて、前記実際に使用された電子部品が最大に
   類似する劣化状態を求め、この劣化状態に対応する使用
   時間を実質使用時間と推定する劣化状態推定手段と、 前記推定された実質使用時間と、前記データベースに格
   納されたモデル電子部品についての有効寿命データとか
   ら、前記実際に使用された電子部品の余寿命を演算する
   余寿命演算手段と、 を備えたことを特徴とする電子部品の余寿命推定装置。