JP3633959B2 - 品質分析方法 - Google Patents
品質分析方法 Download PDFInfo
- Publication number
- JP3633959B2 JP3633959B2 JP16165594A JP16165594A JP3633959B2 JP 3633959 B2 JP3633959 B2 JP 3633959B2 JP 16165594 A JP16165594 A JP 16165594A JP 16165594 A JP16165594 A JP 16165594A JP 3633959 B2 JP3633959 B2 JP 3633959B2
- Authority
- JP
- Japan
- Prior art keywords
- defect
- data
- feature extraction
- mounting
- equipment
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Description
【０００１】
【産業上の利用分野】
本発明は、１又は複数台の設備を有する製造工程において、設備稼働あるいは製品品質のデータから製品の不良要因あるいは設備のメンテナンス情報を求める品質分析方法に関するものである。
【０００２】
【従来の技術】
従来、製造工程の製品不良の要因を特定し、製造工程のメンテナンス指示を与える方法としては、以下のような手法が取られている。
【０００３】
図５において、設備３１の設備稼働状態あるいは製品品質を管理する品質管理データは定期的に通信手段３２を用いて品質管理データベース３３に収録・管理されている。例えば、品質管理データベース３３の内容として、設備を認識する設備番号４１、工程を流れる製品の製品番号４２、製品の特定位置に発生した不良を特定するための検査位置番号４３、不良コード４４、また製品を計測管理する必要のある場合には計測値４５と計測時刻４６が表として管理されている。
【０００４】
また品質管理データベース３３の内容は、各種管理図表、例えば不良発生頻度の大なる順番にパレート図に表現したり、時系列に不良発生頻度を見ることができるようにしている。
【０００５】
製造管理者は、各種管理図表から不良要因を経験的に求め、各種設備のメンテナンスを行っている。
【０００６】
しかしながら、半導体プロセス工程、実装工程のように多数の設備とプロセスを有する場合、管理者は多くの分析・判断をする必要があり、メンテナンスが後追いになってしまい、不良を発生してしまう。そこで、最新の品質管理方法では専門の管理者を必要とせず、要因の絞り込み、メンテナンス指示を自動で出力できるようになっている。
【０００７】
図６に一般的な自動要因絞り込み・メンテナンス指示の方法を示す。品質管理データベースより時刻毎あるいは製品ロット毎等で集計した管理データを読み取り、データを各種条件群５１にて判定し、具体的な不良要因あるいはメンテナンス表５２を出力する。その条件群５１は、あらかじめｉｆ〜ｔｈｅｎ〜ルールで知識ベースに登録しておけば、プログラムのフローを変更する必要はない。また、ルールの追加・変更・削除等も容易に行うことができる。このような方法を用いたものは、エキスパートシステムと呼ばれ、良く知られている。
【０００８】
【発明が解決しようとする課題】
しかしながら、上記エキスパートシステムには次のような問題がある。
【０００９】
第１に、あらかじめ不良発生とその要因の関係を明確にルールに記述する必要がある。ところが、複雑な工程において不良の因果関係を分析して求めるのは困難な場合が多い。
【００１０】
第２に、通常品質管理データベース３３のデータ容量は大であり、条件群５１が多くなるとメンテナンス表５２を出力するのに多大な時間を必要とする。
【００１１】
第３に、条件群５１は注意深くルールの整合性を考慮して追加しないと間違ったメンテナンス表５２を出力してしまうことになり、条件が多くなると条件を管理する知識ベースの管理が複雑になってしまう。
【００１２】
本発明は、上記従来の問題点に鑑み、１又は複数台の設備を有する製造工程において、製品の不良要因あるいは設備のメンテナンス情報を容易に求めることができる品質分析方法を提供することを目的としている。
【００１３】
【課題を解決するための手段】
本発明の品質分析方法は、設備稼働及び製品品質のデータを収録し、そのデータより設備稼動条件と不良項目を対応させて不良発生件数や不良の程度を表した設備稼動条件・不良表を作成し、その中から不良の特徴を明確に表現したマトリックス状の不良特徴抽出データを抽出する第１工程と、既知の典型的不良のマトリックス状の不良特徴抽出データとそれに対応する不良要因あるいは不良に対する設備のメンテナンス情報の関係を表現したデータと第１工程のマトリックス状の不良特徴抽出データを照合し、不良要因あるいは設備のメンテナンス情報を出力する第２工程とから成ることを特徴とする。
【００１４】
電子部品の実装工程においては、実装設備の稼働及びプリント基板の品質のデータを用いて、上記方法により実装不良の要因あるいは実装設備のメンテナンス情報を出力する。
【００１５】
上記第２工程においては、マトリックス状の不良特徴抽出データをニューラルネットワークの入力層に入力し、それに対応する既知の不良要因あるいは設備のメンテナンス情報を出力層の出力となるように予めネットワークパラメータを自動学習させておき、このニューラルネットワークの入力層に不良特徴抽出データを入力して不良要因あるいは設備のメンテナンス情報を出力層から出力するのが好適である。
【００１６】
【作用】
本発明の品質分析方法によれば、時々刻々変化する不良の特徴となるデータのみを抽出した不良特徴抽出データに基づいて製品不良の不良要因あるいはメンテナンス情報を照合して出力するので、あらかじめ不良と不良要因の関係を明確にルール化する必要がなく、不良に対応する不良特徴抽出データと不良要因あるいはメンテンナンス情報の対応関係のデータを持っているだけでよく、また照合するだけでよいので処理時間もほぼ一定となる。
【００１７】
また、照合方法として、既知の不良に対するメンテナンス情報をニューラルネットワークの教師データとすることで、ネットワークパラメータにて対応関係を管理できるため、知識ベースの管理が不要となる。
【００１８】
【実施例】
以下、本発明を電子部品の実装工程に適用した一実施例について図１〜図３を参照しながら説明する。
【００１９】
図１において、実装ライン１の各実装機あるいは検査機の稼働データや品質データが品質管理データベース２に常時収録されている。第１工程で、これらのデータは、実装条件・不良表３に加工される。図２に実装条件・不良表３の具体例を示す。実装条件・不良表３の構成として、縦軸に実装条件の項目１１、横軸に各実装機や検査機の不良項目１２を設け、一定期間内の不良発生件数を取る。この実装条件・不良表３は、品質管理データベース２より一般的なリレーショナルデータベースの検索あるいは結合命令で容易に作成できる。また、この表は通信手段４より転送されたデータで直接作成することもできる。
【００２０】
次に、図２に示すように、実装条件・不良表３の一部又は全部を抽出部１３として取り出し、不良の特徴を明確に表現した不良特徴抽出表５を作成する。不良特徴抽出表５の作成方法は、例えば期間内の不良数を大、中、小、０の４段階の大きさで表現する。不良の絶対数が小であっても重大なる不良の場合には大にする必要があるため、メンバシップ関数を用いたファジィ数で表現してもよい。また、上記例では大きさを４段階にしているが、後の処理時間に応じて任意に決定できる。
【００２１】
又、不良特徴抽出表５にて特定される不良パターンの典型例とこれに対して発見された不良要因と実際に行ったメンテナンスの対応関係を対応表データベース６にあらかじめ登録しておく。
【００２２】
照合処理部７では、不良特徴抽出表５を入力データとして対応表データベース６の検索を行い、不良特徴抽出表５に対応する不良要因とメンテナンス情報を作成し、不良要因・メンテナンス表８として出力する。これらの一連の処理を繰り返し実施することでリアルタイムに品質管理ができる。
【００２３】
照合処理の方法として既知のニューラルネットワーク処理を用いる方法もある。不良特徴抽出表５は、図２に示すように、０、小、中、大に対応する値０、１、２、３を持つ抽出マトリックス１５として表現できる。抽出マトリックス１５は、図３のニューラルネットワークの入力層２１に対する入力データとして並べ替えることが可能である。その際、図４に示すように、マトリックスの要素ａｉｊは、０、１の値を有するニューロンａ１ 、ａ２ に分解することができ、これを入力データとする。このようにしてａｉｊのニューロン列は不良特徴抽出表５を反映できる。
【００２４】
入力層２１に入力された入力データａｉｊは、あらかじめニューラルネットワーク処理で学習されていたニューロン間の荷重Ｗｉｊ、しきい値θｋ のネットワークパラメータに基づき中間層２２を通り、出力層２３へと順次計算される。出力層２３には、各ニューロンに対応した不良要因・メンテナンス表８が設定されているため、入力層２１への入力データの変換結果として出力層２３には不良要因・メンテナンス表８の出力が得られる。
【００２５】
ネットワークパラメータは、以下の手順で自動学習することができる。既知の不良特徴抽出表５に対応する不良要因・メンテナンス表８をＮ通り用意する。先の例で不良特徴抽出表５と不良要因・メンテナンス表８は、各々入力層２１、出力層２３のデータとして定義することができるので、ある不良要因・メンテナンス表８に対応する出力層２３を教師データとし、対応する不良特徴抽出表５の入力パターンを入力層２１に入力し、教師データと出力層２３の結果が同一になるように荷重Ｗｉｊ、しきい値θｋ を計算する。これを対応する表が存在するＮ通りのすべてについて実施する。また、新たな対応関係を追加した場合も同様の処理をすれば良い。
【００２６】
なお、ニューラルネットワークの処理は、ソフトウエア手続きのみでも実現できるが、ハードウエアにて実現すれば高速の処理が可能となる。
【００２７】
【発明の効果】
本発明の品質分析方法によれば、以上の説明から明らかなように、不良の特徴となるデータのみを抽出した不良特徴抽出データに基づいて不良要因あるいはメンテナンス情報を照合して出力するので、あらかじめ不良と不良要因の関係を明確にルール化する必要がなく、不良に対応する不良特徴抽出データと不良要因あるいはメンテンナンス情報の対応関係データを持っているだけでよく、また照合するだけでよいので処理時間もほぼ一定となる。
【００２８】
また、照合方法として、既知の不良に対するメンテナンス情報をニューラルネットワークの教師データとすることで、ネットワークパラメータにて対応関係を管理できるため、知識ベースの管理が不要となる。
【図面の簡単な説明】
【図１】本発明の一実施例の品質分析方法の説明図である。
【図２】同実施例における特徴抽出データの作成方法の説明図である。
【図３】同実施例におけるニューラルネットワークの説明図である。
【図４】同実施例における抽出マトリックスの要素をニューロンに分解する例の説明図である。
【図５】従来例の品質分析方法の説明図である。
【図６】従来例のエキスパートシステムの説明図である。
【符号の説明】
１ 実装ライン
２ 品質管理データベース
３ 実装条件・不良表
５ 不良特徴抽出表
６ 対応表データベース
７ 照合処理部
８ 不良要因・メンテナンス表
２０ ニューラルネットワーク
２１ 入力層
２３ 出力層
【産業上の利用分野】
本発明は、１又は複数台の設備を有する製造工程において、設備稼働あるいは製品品質のデータから製品の不良要因あるいは設備のメンテナンス情報を求める品質分析方法に関するものである。
【０００２】
【従来の技術】
従来、製造工程の製品不良の要因を特定し、製造工程のメンテナンス指示を与える方法としては、以下のような手法が取られている。
【０００３】
図５において、設備３１の設備稼働状態あるいは製品品質を管理する品質管理データは定期的に通信手段３２を用いて品質管理データベース３３に収録・管理されている。例えば、品質管理データベース３３の内容として、設備を認識する設備番号４１、工程を流れる製品の製品番号４２、製品の特定位置に発生した不良を特定するための検査位置番号４３、不良コード４４、また製品を計測管理する必要のある場合には計測値４５と計測時刻４６が表として管理されている。
【０００４】
また品質管理データベース３３の内容は、各種管理図表、例えば不良発生頻度の大なる順番にパレート図に表現したり、時系列に不良発生頻度を見ることができるようにしている。
【０００５】
製造管理者は、各種管理図表から不良要因を経験的に求め、各種設備のメンテナンスを行っている。
【０００６】
しかしながら、半導体プロセス工程、実装工程のように多数の設備とプロセスを有する場合、管理者は多くの分析・判断をする必要があり、メンテナンスが後追いになってしまい、不良を発生してしまう。そこで、最新の品質管理方法では専門の管理者を必要とせず、要因の絞り込み、メンテナンス指示を自動で出力できるようになっている。
【０００７】
図６に一般的な自動要因絞り込み・メンテナンス指示の方法を示す。品質管理データベースより時刻毎あるいは製品ロット毎等で集計した管理データを読み取り、データを各種条件群５１にて判定し、具体的な不良要因あるいはメンテナンス表５２を出力する。その条件群５１は、あらかじめｉｆ〜ｔｈｅｎ〜ルールで知識ベースに登録しておけば、プログラムのフローを変更する必要はない。また、ルールの追加・変更・削除等も容易に行うことができる。このような方法を用いたものは、エキスパートシステムと呼ばれ、良く知られている。
【０００８】
【発明が解決しようとする課題】
しかしながら、上記エキスパートシステムには次のような問題がある。
【０００９】
第１に、あらかじめ不良発生とその要因の関係を明確にルールに記述する必要がある。ところが、複雑な工程において不良の因果関係を分析して求めるのは困難な場合が多い。
【００１０】
第２に、通常品質管理データベース３３のデータ容量は大であり、条件群５１が多くなるとメンテナンス表５２を出力するのに多大な時間を必要とする。
【００１１】
第３に、条件群５１は注意深くルールの整合性を考慮して追加しないと間違ったメンテナンス表５２を出力してしまうことになり、条件が多くなると条件を管理する知識ベースの管理が複雑になってしまう。
【００１２】
本発明は、上記従来の問題点に鑑み、１又は複数台の設備を有する製造工程において、製品の不良要因あるいは設備のメンテナンス情報を容易に求めることができる品質分析方法を提供することを目的としている。
【００１３】
【課題を解決するための手段】
本発明の品質分析方法は、設備稼働及び製品品質のデータを収録し、そのデータより設備稼動条件と不良項目を対応させて不良発生件数や不良の程度を表した設備稼動条件・不良表を作成し、その中から不良の特徴を明確に表現したマトリックス状の不良特徴抽出データを抽出する第１工程と、既知の典型的不良のマトリックス状の不良特徴抽出データとそれに対応する不良要因あるいは不良に対する設備のメンテナンス情報の関係を表現したデータと第１工程のマトリックス状の不良特徴抽出データを照合し、不良要因あるいは設備のメンテナンス情報を出力する第２工程とから成ることを特徴とする。
【００１４】
電子部品の実装工程においては、実装設備の稼働及びプリント基板の品質のデータを用いて、上記方法により実装不良の要因あるいは実装設備のメンテナンス情報を出力する。
【００１５】
上記第２工程においては、マトリックス状の不良特徴抽出データをニューラルネットワークの入力層に入力し、それに対応する既知の不良要因あるいは設備のメンテナンス情報を出力層の出力となるように予めネットワークパラメータを自動学習させておき、このニューラルネットワークの入力層に不良特徴抽出データを入力して不良要因あるいは設備のメンテナンス情報を出力層から出力するのが好適である。
【００１６】
【作用】
本発明の品質分析方法によれば、時々刻々変化する不良の特徴となるデータのみを抽出した不良特徴抽出データに基づいて製品不良の不良要因あるいはメンテナンス情報を照合して出力するので、あらかじめ不良と不良要因の関係を明確にルール化する必要がなく、不良に対応する不良特徴抽出データと不良要因あるいはメンテンナンス情報の対応関係のデータを持っているだけでよく、また照合するだけでよいので処理時間もほぼ一定となる。
【００１７】
また、照合方法として、既知の不良に対するメンテナンス情報をニューラルネットワークの教師データとすることで、ネットワークパラメータにて対応関係を管理できるため、知識ベースの管理が不要となる。
【００１８】
【実施例】
以下、本発明を電子部品の実装工程に適用した一実施例について図１〜図３を参照しながら説明する。
【００１９】
図１において、実装ライン１の各実装機あるいは検査機の稼働データや品質データが品質管理データベース２に常時収録されている。第１工程で、これらのデータは、実装条件・不良表３に加工される。図２に実装条件・不良表３の具体例を示す。実装条件・不良表３の構成として、縦軸に実装条件の項目１１、横軸に各実装機や検査機の不良項目１２を設け、一定期間内の不良発生件数を取る。この実装条件・不良表３は、品質管理データベース２より一般的なリレーショナルデータベースの検索あるいは結合命令で容易に作成できる。また、この表は通信手段４より転送されたデータで直接作成することもできる。
【００２０】
次に、図２に示すように、実装条件・不良表３の一部又は全部を抽出部１３として取り出し、不良の特徴を明確に表現した不良特徴抽出表５を作成する。不良特徴抽出表５の作成方法は、例えば期間内の不良数を大、中、小、０の４段階の大きさで表現する。不良の絶対数が小であっても重大なる不良の場合には大にする必要があるため、メンバシップ関数を用いたファジィ数で表現してもよい。また、上記例では大きさを４段階にしているが、後の処理時間に応じて任意に決定できる。
【００２１】
又、不良特徴抽出表５にて特定される不良パターンの典型例とこれに対して発見された不良要因と実際に行ったメンテナンスの対応関係を対応表データベース６にあらかじめ登録しておく。
【００２２】
照合処理部７では、不良特徴抽出表５を入力データとして対応表データベース６の検索を行い、不良特徴抽出表５に対応する不良要因とメンテナンス情報を作成し、不良要因・メンテナンス表８として出力する。これらの一連の処理を繰り返し実施することでリアルタイムに品質管理ができる。
【００２３】
照合処理の方法として既知のニューラルネットワーク処理を用いる方法もある。不良特徴抽出表５は、図２に示すように、０、小、中、大に対応する値０、１、２、３を持つ抽出マトリックス１５として表現できる。抽出マトリックス１５は、図３のニューラルネットワークの入力層２１に対する入力データとして並べ替えることが可能である。その際、図４に示すように、マトリックスの要素ａｉｊは、０、１の値を有するニューロンａ１ 、ａ２ に分解することができ、これを入力データとする。このようにしてａｉｊのニューロン列は不良特徴抽出表５を反映できる。
【００２４】
入力層２１に入力された入力データａｉｊは、あらかじめニューラルネットワーク処理で学習されていたニューロン間の荷重Ｗｉｊ、しきい値θｋ のネットワークパラメータに基づき中間層２２を通り、出力層２３へと順次計算される。出力層２３には、各ニューロンに対応した不良要因・メンテナンス表８が設定されているため、入力層２１への入力データの変換結果として出力層２３には不良要因・メンテナンス表８の出力が得られる。
【００２５】
ネットワークパラメータは、以下の手順で自動学習することができる。既知の不良特徴抽出表５に対応する不良要因・メンテナンス表８をＮ通り用意する。先の例で不良特徴抽出表５と不良要因・メンテナンス表８は、各々入力層２１、出力層２３のデータとして定義することができるので、ある不良要因・メンテナンス表８に対応する出力層２３を教師データとし、対応する不良特徴抽出表５の入力パターンを入力層２１に入力し、教師データと出力層２３の結果が同一になるように荷重Ｗｉｊ、しきい値θｋ を計算する。これを対応する表が存在するＮ通りのすべてについて実施する。また、新たな対応関係を追加した場合も同様の処理をすれば良い。
【００２６】
なお、ニューラルネットワークの処理は、ソフトウエア手続きのみでも実現できるが、ハードウエアにて実現すれば高速の処理が可能となる。
【００２７】
【発明の効果】
本発明の品質分析方法によれば、以上の説明から明らかなように、不良の特徴となるデータのみを抽出した不良特徴抽出データに基づいて不良要因あるいはメンテナンス情報を照合して出力するので、あらかじめ不良と不良要因の関係を明確にルール化する必要がなく、不良に対応する不良特徴抽出データと不良要因あるいはメンテンナンス情報の対応関係データを持っているだけでよく、また照合するだけでよいので処理時間もほぼ一定となる。
【００２８】
また、照合方法として、既知の不良に対するメンテナンス情報をニューラルネットワークの教師データとすることで、ネットワークパラメータにて対応関係を管理できるため、知識ベースの管理が不要となる。
【図面の簡単な説明】
【図１】本発明の一実施例の品質分析方法の説明図である。
【図２】同実施例における特徴抽出データの作成方法の説明図である。
【図３】同実施例におけるニューラルネットワークの説明図である。
【図４】同実施例における抽出マトリックスの要素をニューロンに分解する例の説明図である。
【図５】従来例の品質分析方法の説明図である。
【図６】従来例のエキスパートシステムの説明図である。
【符号の説明】
１ 実装ライン
２ 品質管理データベース
３ 実装条件・不良表
５ 不良特徴抽出表
６ 対応表データベース
７ 照合処理部
８ 不良要因・メンテナンス表
２０ ニューラルネットワーク
２１ 入力層
２３ 出力層
Claims (3)
- 設備稼働及び製品品質のデータを収録し、そのデータより設備稼動条件項目と不良項目を対応させて不良発生件数や不良の程度を表した設備稼動条件・不良表を作成し、その中から不良の特徴を明確に表現したマトリックス状の不良特徴抽出データを抽出する第１工程と、既知の典型的不良のマトリックス状の不良特徴抽出データとそれに対応する不良要因あるいは不良に対する設備のメンテナンス情報の関係を表現したデータと第１工程のマトリックス状の不良特徴抽出データを照合し、不良要因あるいは設備のメンテナンス情報を出力する第２工程とから成ることを特徴とする品質分析方法。
- 電子部品の実装工程において、実装設備の稼働及びプリント基板の品質のデータを収録し、そのデータより実装条件項目と不良項目を対応させて不良発生件数や不良の程度を表した実装条件・不良表を作成し、その中から不良の特徴を明確に表現したマトリックス状の不良特徴抽出データを抽出する第１工程と、既知の典型的不良のマトリックス状の不良特徴抽出データとそれに対応する実装不良の要因あるいは不良に対する実装設備のメンテナンス情報の関係を表現したデータと第１工程のマトリックス状の不良特徴抽出データを照合し、実装不良の要因あるいは実装設備のメンテナンス情報を出力する第２工程とから成ることを特徴とする品質分析方法。
- 第２工程において、マトリックス状の不良特徴抽出データをニューラルネットワークの入力層に入力し、それに対応する既知の不良要因あるいは設備のメンテナンス情報を出力層の出力となるように予めネットワークパラメータを自動学習させておき、このニューラルネットワークの入力層に不良特徴抽出データを入力して不良要因あるいは設備のメンテナンス情報を出力層から出力することを特徴とする請求項１又は２記載の品質分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16165594A JP3633959B2 (ja) | 1994-07-14 | 1994-07-14 | 品質分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16165594A JP3633959B2 (ja) | 1994-07-14 | 1994-07-14 | 品質分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0832281A JPH0832281A (ja) | 1996-02-02 |
| JP3633959B2 true JP3633959B2 (ja) | 2005-03-30 |
Family
ID=15739315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16165594A Expired - Fee Related JP3633959B2 (ja) | 1994-07-14 | 1994-07-14 | 品質分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3633959B2 (ja) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4693225B2 (ja) | 2000-11-06 | 2011-06-01 | 株式会社東芝 | 製造ラインの自動品質制御方法及びその装置並びに記憶媒体、自動品質制御プログラム |
| US20110178967A1 (en) * | 2001-05-24 | 2011-07-21 | Test Advantage, Inc. | Methods and apparatus for data analysis |
| US20160026915A1 (en) | 2001-01-05 | 2016-01-28 | In-Depth Test Llc | Methods and Apparatus for Data Analysis |
| US8417477B2 (en) | 2001-05-24 | 2013-04-09 | Test Acuity Solutions, Inc. | Methods and apparatus for local outlier detection |
| US20070219741A1 (en) | 2005-05-20 | 2007-09-20 | Emilio Miguelanez | Methods and apparatus for hybrid outlier detection |
| JP4933198B2 (ja) * | 2006-08-22 | 2012-05-16 | 株式会社日立ハイテクノロジーズ | 自動分析装置 |
| JP2010262949A (ja) * | 2009-04-28 | 2010-11-18 | Hitachi High-Tech Instruments Co Ltd | 電子部品装着方法及び電子部品実装システム |
| JP5158018B2 (ja) * | 2009-05-26 | 2013-03-06 | 新日鐵住金株式会社 | 生産システムの設備診断装置および設備診断方法、並びに設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体 |
| JP7230546B2 (ja) * | 2018-07-25 | 2023-03-01 | 株式会社ジェイテクト | 研削盤の動作指令データ調整モデル生成装置および研削盤の動作指令データ更新装置 |
| JP7388528B2 (ja) * | 2018-07-25 | 2023-11-29 | 株式会社ジェイテクト | 研削品質推定モデル生成装置、研削品質推定装置、不良品質発生要因推定装置、および、研削盤の動作指令データ更新装置 |
| JP2021152762A (ja) * | 2020-03-24 | 2021-09-30 | 株式会社Ｓｃｒｅｅｎホールディングス | 学習済みモデル生成方法、学習済みモデル、異常要因推定装置、基板処理装置、異常要因推定方法、学習方法、学習装置、及び、学習データ作成方法 |
-
1994
- 1994-07-14 JP JP16165594A patent/JP3633959B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0832281A (ja) | 1996-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chien et al. | A system for online detection and classification of wafer bin map defect patterns for manufacturing intelligence | |
| JP3633959B2 (ja) | 品質分析方法 | |
| CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
| DE102019218138A1 (de) | Ein proaktives und automatisiertes System und Verfahren davon zum Reparieren eines suboptimalen Betriebs einer Maschine | |
| EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
| CN111256965B (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
| DE102019217613A1 (de) | Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür | |
| Tan et al. | Quality analytics in a big data supply chain: commodity data analytics for quality engineering | |
| CN114746815A (zh) | 用于创建设施或装置的数字孪生的方法 | |
| CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
| KR101888637B1 (ko) | 제조 특화형 알고리즘 템플릿 기반 데이터 분석 방법 및 플랫폼 구조 시스템 | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| CN115380294A (zh) | 针对工业机器学习的数据处理 | |
| CN117272646A (zh) | 一种基于孪生神经网络的仿真软件自动操作优化方法 | |
| CN112347069B (zh) | 一种基于制造大数据的制造企业预测型维修服务方法 | |
| CN112416920B (zh) | 一种面向mes的数据清洗方法及系统 | |
| EP4150422A1 (de) | System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger | |
| CN114969074A (zh) | 一种基于互联网ai外呼的数据库更新方法、系统及装置 | |
| CN116627093B (zh) | 一种丁腈手套加工控制方法、系统、设备及存储介质 | |
| CN112149969B (zh) | 特高压直流控制保护合并单元运行状态评价方法及系统 | |
| Iwata et al. | A knowledge-based production control system to accommodate unscheduled disruptions in the manufacturing process | |
| TWI230349B (en) | Method and apparatus for analyzing manufacturing data | |
| CN116431833A (zh) | 一种知识图谱动态更新的方法 | |
| Young et al. | Symbolic representation of knowledge for the development of industrial fault detection systems | |
| CN117746090A (zh) | 一种基于图卷积神经网络的电力系统自组织临界性辨识方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040819 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040914 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041115 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041207 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041222 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080107 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090107 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100107 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |