JP6233038B2 - Assembling yield estimation apparatus, the assembly yield prediction program and assembly yield estimation method - Google Patents

Assembling yield estimation apparatus, the assembly yield prediction program and assembly yield estimation method

Info

Publication number
JP6233038B2
JP6233038B2 JP2014005813A JP2014005813A JP6233038B2 JP 6233038 B2 JP6233038 B2 JP 6233038B2 JP 2014005813 A JP2014005813 A JP 2014005813A JP 2014005813 A JP2014005813 A JP 2014005813A JP 6233038 B2 JP6233038 B2 JP 6233038B2
Authority
JP
Grant status
Grant
Patent type
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.)
Active
Application number
JP2014005813A
Other languages
Japanese (ja)
Other versions
JP2015135548A (en )
Inventor
池田 弘
弘 池田
Original Assignee
富士通株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Grant date

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Description

本発明は、組立歩留予測装置、組立歩留予測プログラムおよび組立歩留予測方法に関する。 The present invention is assembled yield estimation device, to an assembly yield prediction program and assembly yield prediction method.

製品、例えば携帯電話,スマートフォン,PDA(Personal Digital Assistants)の筐体などは、複数種類の部品を組み立てて作製される。 Products, for example, cellular phones, smart phones, etc. housing of PDA (Personal Digital Assistants) is fabricated by assembling a plurality of types of parts. 部品を製造する際には製造ばらつき(分布)があるため、各部品を設計値通りに製造することができない。 Since in making the parts have manufacturing variations (distribution), it can not be manufactured according to the design value of each component. そこで、製品の検査時には、組立後の製品に含まれる複数のチェック箇所(検査箇所)の寸法が測定される。 Therefore, at the time of product inspection, size of the plurality of check points in the product after assembly (inspection point) is measured. そして、全てのチェック箇所の寸法が予め定められた許容範囲内に入った場合、組立後の製品は良品であると判定する一方、許容範囲に入らなかった場合、組立後の製品は不良品であると判定している。 Then, if the dimensions of all the check points falls within a predetermined allowable range, while determining the product after the assembly is good, if not fall within the allowable range, product after assembly defective it is determined that there is.

ここで、チェック箇所は、図22に示すように、部品の組立によって生じる、製品の一部分で、例えば、部品と部品との隙間や、部品と部品の重なり部分である。 Here, the check points, as shown in FIG. 22, caused by the assembly of the parts, a part of the product, for example, gaps or the component and the component is overlapping portion of the components and parts. 図22は、製品の部分寸法,製品のチェック箇所および当該チェック箇所の寸法について説明する図である。 Figure 22 is a diagram partially dimensions of the product, the check point and dimensions of the check points of the products will be described. 図22に示す例において、製品Pは、2つの部品A,Bを組み立てたもので、2つのチェック箇所#1,#2を有している。 In the example shown in FIG. 22, the product P comprises two parts A, which was assembled B, two check points # 1, and a # 2. また、部品Aの部分A1,A2および部品Bの部分B1,B2は、製品Pのチェック箇所#1,#2の寸法に影響する部分である。 The portion A1, A2 and component parts B1, B2 of the B component A, the check portion of the product P # 1, a portion which affects the size of # 2. より具体的に、部分A1の寸法および部分B1の寸法は、チェック箇所#1の寸法(=部分B1の寸法−部分A1の寸法)に影響する。 More specifically, the dimensions of the dimensions and part B1 part A1, the check point # 1 of the dimension - affect (= dimension of the portion B1 dimension portion A1). また、部分A2の寸法および部分B2の寸法は、チェック箇所#2の寸法(=部分A2の寸法+部分B2の寸法)に影響する。 Further, the dimensions of the dimensions and part B2 of the portion A2 affects the size of the check point # 2 (= dimensions of + portion B2 of the portion A2).

なお、以下において、製品に含まれる全てのチェック箇所の寸法が許容範囲内に入る確率、つまり作製された製品が良品である割合を、「製品歩留」または「製品の組立歩留」という。 In the following, the probability that the dimensions of all check points in the product is within the allowable range, i.e. the proportion fabricated product is a non-defective, referred to as "product yield" or "product assembly yield."

従来、製品歩留を高く保つために、製品の設計段階では、例えば図23に示すようにチェック箇所の歩留情報や製品歩留が予測され当該予測の結果が設計に反映される。 Conventionally, in order to maintain a high product yield, at the design stage of the product, yield information or products yield of check points, as shown in FIG. 23 is a result of the predicted the prediction is reflected in the design example. また、製品の組立段階では、例えば図24に示すようにチェック箇所の歩留情報や製品歩留が算出され当該算出の結果が製造プロセスに反映される。 Further, in the assembly stage of a product, for example, the results of the the calculated yield information or products yield of check points calculated as shown in FIG. 24 is reflected in the manufacturing process. ここで、図23は製品の設計段階での歩留の予測手順の一例を示す図であり、図24は製品の組立段階での歩留の予測手順の一例を示す図である。 Here, FIG. 23 is a diagram showing an example of a yield prediction steps in the design stage of a product, Figure 24 is a diagram showing an example of a yield prediction steps in the assembly stage of the product.

図23に示す例(設計段階)では、設計データD1として、部品の部分の設計値と、当該設計値のばらつきと、製品の組立図と、チェック箇所の設計値と、チェック箇所の寸法の許容範囲とが予め取得される。 Example (design stage) shown in FIG. 23, as the design data D1, and the design value of the portion of the component, and the variation of the design value, and assembled view of the product, the design value of the check point, the size of the check points allowed range and is obtained in advance. ここで、設計段階は製品の設計をしている段階で、設計段階では未だ部品は実際に製造されていない。 Here, the design stage is the stage that the product design, still part in the design stage are not actually produced. このため、設計値のばらつき(製造ばらつき)は、過去の経験的情報あるいはシミュレーション結果から想定され、部分の一変量正規分布として得られる。 Therefore, variations in the design value (manufacturing variations) is estimated from the past empirical information or simulation results, obtained as univariate normal distribution part. また、チェック箇所の設計値は、各部分が設計値通りに製造されたものと仮定した場合の、チェック箇所の寸法である。 Further, the design value of the check point is when each portion is assumed to have been manufactured as designed, the dimension of the check point.

このとき、上述した設計データに基づき組立歩留解析が行なわれ(図23のS1参照)、製品の全てのチェック箇所#1,#2,…のそれぞれについて寸法の分布および歩留情報D2と、部品の部分寸法の変化がチェック箇所#i(i=1,2,…)の寸法に与える影響の度合いを示す感度情報D3とが得られる。 In this case, carried out assembly yield analysis based on the design data described above (see S1 in FIG. 23), all the check points # 1 product, # 2, ... and distribution and yield information D2 dimension for each, change of the component parts dimensions check point #i (i = 1,2, ...) and sensitivity information D3 indicating the degree of influence of the size is obtained. 各チェック箇所#iの歩留情報は、各チェック箇所#iの寸法の分布に基づき、各チェック箇所#iの寸法が許容範囲内に入る確率P iとして得られる。 Yield information of each check point #i, based on the distribution of the dimensions of each check point #i, obtained as the probability P i that the dimensions of each check point #i is within the allowable range. また、感度情報D3は、例えば部品の部分寸法が1mm変化した場合にチェック箇所が何mm変化するかを示す情報である。 Also, the sensitivity information D3, for example component parts dimension is information indicating whether check points when 1mm change changes nothing mm.

そして、各チェック箇所#iは独立しているものと仮定して、各チェック箇所#iの寸法が許容範囲内に入る確率P iに基づき、下式(1)によって製品歩留D4が簡易的に近似計算され予測される(図23のS2参照)。 Each check point #i is assumed to be independent, based on the probability P i that the dimensions of each check point #i is within the allowable range, short product yield D4 is by the following equation (1) is approximate calculation is predicted (see S2 in Figure 23).
製品歩留(D4)=Π ii (1) Product yield (D4) = Π i P i (1)

また、設計段階では、全てのチェック箇所の歩留(確率P i )が目標歩留をクリアしていれば、現在の設計データを用いることで設計対象の製品が目標歩留で製造されると判断され、設計を終了する。 Further, in the design phase, if all the check points yield (probability P i) it is long to clear the target yield, if the design object product by using the current design data is produced at the target yield It is determined to end the design. 一方、一箇所でも目標歩留をクリアしないチェック箇所が存在する場合は、全てのチェック箇所の歩留が目標歩留をクリアするまで、設計変更が行なわれる。 On the other hand, if the check position not clear the target yield even one point is present, the yield of all check points until clearing the target yield, the design change is made. 設計変更を行なう場合、上述した感度情報が用いられる。 When performing a design change, the above-mentioned sensitivity information is used. これにより、各部品の製造ばらつきを想定した設計が行なわれる。 Thus, the design is carried out assuming the manufacturing variations of each component.

図24に示す例(組立段階)では、実際に製品を組み立てる部品が製造されている。 Example (assembly stage) shown in FIG. 24, parts that actually assembling the product is manufactured. つまり、組立段階は工場等で製品を量産する段階で、組立段階では、設計段階と異なり、製品を組み立てる部品がすでに製造されている。 In other words, the assembly steps at the stage of mass production of products in a factory or the like, in the assembly stage, unlike the design stage, components for assembling the product has already been manufactured. このため、上述した設計段階で得られた設計データD1のほかに、実際に製造された部品の情報D5が得られる。 Therefore, in addition to the design data D1 obtained in the design stage as described above, actually manufactured component information D5 is obtained. このとき、部品の情報D5は、製造された部品のサンプル測定結果から推定されるもので、各部品の部分寸法や、部分寸法のばらつき情報(例えば平均および分散)である。 At this time, information of component D5 is intended to be estimated from the results manufactured parts sample measurements, part dimensions and the components, is a variation of the partial dimensional information (e.g., mean and variance). ここで得られるばらつき情報は、各部分寸法の分布、つまり一変量分布であって多変量分布ではない。 Variation information obtained here, the distribution of each portion size, that is not the a univariate distribution multivariate distributions.

このとき、上述した設計データと製造された部品の情報とに基づき組立歩留解析が行なわれ(図24のS3参照)、製品の全てのチェック箇所#1,#2,…のそれぞれについて寸法の分布および歩留情報D6が得られる。 At this time, the assembly yield analysis based on the information of the parts made with the design data described above is carried out (see S3 in FIG. 24), all the check points # 1 product, # 2, ... for each of the dimensions of the distribution and yield information D6 is obtained. 各チェック箇所#iの歩留情報は、各チェック箇所#iの寸法の分布に基づき、各チェック箇所#iの寸法が許容範囲内に入る確率P iとして得られる。 Yield information of each check point #i, based on the distribution of the dimensions of each check point #i, obtained as the probability P i that the dimensions of each check point #i is within the allowable range. そして、各チェック箇所#iは独立しているものと仮定して、各チェック箇所#iの寸法が許容範囲内に入る確率P iに基づき、上式(1)によって製品歩留D7が簡易的に近似計算され予測される(図24のS4参照)。 Each check point #i is assumed to be independent, based on the probability P i that the dimensions of each check point #i is within the allowable range, short product yield D7 is the above formula (1) is approximate calculation is predicted (see S4 in FIG. 24).

また、組立段階では、全てのチェック箇所の分布,歩留が設計で想定した許容範囲内に入っていれば、現状の製造プロセスによって製品が目標歩留で製造されると判断され、現状の製造プロセスによる製品製造が継続される。 Also, in the assembly stage, the distribution of all the check points, if falls within the allowable range yield was assumed in the design, it is determined that the product by current manufacturing process is produced in the target yield, current manufacturing product manufacturing by the process is continued. 一方、一箇所でも分布,歩留が許容範囲内に入っていないチェック箇所が存在する場合は、全てのチェック箇所の分布,歩留が許容範囲内に入るまで、製造プロセスの変更(例えば金型の調整)が行なわれる。 On the other hand, even one location distribution, if there is a check point to yield is not within the allowable range, the distribution of all the check points, until yield is within the allowable range, change in the manufacturing process (e.g., die of adjustment) is carried out.

特開平10−40289号公報 JP-10-40289 discloses 特開平10−105594号公報 JP 10-105594 discloses

上述した技術では、同じ部品はいつも同じ分布で製造され(製造プロセスばらつきは無い)、且つ、部品の部分間の相関は無い又は少ないので歩留に影響しないという前提で、製品の設計や組立が行なわれている。 The above-described technique, the same parts are manufactured always the same distribution (manufacturing process variation is not), and, the correlation is not or less between the parts of the portion on the assumption that does not affect the yield, the design and assembly of the product It has been carried out. このため、製品に含まれる全てのチェック箇所の高歩留を達成すれば製品歩留も高くできているものと考えられ、製品の歩留を精度よく予測することは重要視されていない。 Therefore, it believed that can increase product yield even if achieving a high yield of all check points in the product, to predict the yield of product accuracy is not important. したがって、複数のチェック箇所に影響する部品の部分があるため実際にはチェック箇所間の相関が存在するにもかかわらず、チェック箇所間の相関を無視して上式(1)により簡易的に製品歩留が算出されている。 Therefore, in practice, because of the portion of the component that affect multiple check points despite the presence of correlation between the check points, simply a product from the above equation (1) to ignore the correlation between check points the yield is calculated.

ところが、近年、製品の微細化、製造技術の限界に伴い、上記前提が崩れ、全てのチェック箇所を高歩留にすることが達成できなくなってきている。 However, in recent years, the miniaturization of products, due to the limitations of the production technology, the premise is lost, be all of the check points in high yield has become impossible to achieve. そのため、製品歩留を上げるべく、製品の歩留を精度よく予測することが重要になってくる。 Therefore, in order to increase the product yield, the yield of products can be predicted accurately becomes important. しかしながら、上述した技術では、製品における各部品の部分間やチェック箇所間の相関を考慮せず、各部分や各チェック箇所は独立しているという仮定の下で、製品歩留を予測しているため、製品歩留の予測精度が極めて悪いという課題がある。 However, in the above-described technology, without considering the correlation between parts and between the check points of each part in the product, under the assumption that each portion or each check point is independent, predicts the product yield Therefore, there is a problem that the prediction accuracy of the product yield is extremely bad.

一つの側面で、本発明は、製品の組立歩留を精度よく予測することを目的とする。 In one aspect, the present invention aims to predict accurately assembled yield of product.
なお、前記目的に限らず、後述する発明を実施するための最良の形態に示す各構成により導かれる作用効果であって、従来の技術によっては得られない作用効果を奏することも本件の他の目的の一つとして位置付けることができる。 Incidentally, the present invention is not limited to the purpose, a function and effect derived by the configurations shown in the best mode for carrying out the invention described below, other of the present possible to obtain the Never operational effects obtained by conventional techniques it can be positioned as one of the objectives.

本件の組立歩留予測装置は、複数の部品によって組み立てられる製品の組立歩留を予測するもので、取得部,多変量分布算出部および予測部を有する。 Assembling yield estimation unit of the present is intended to predict the assembly yield of products to be assembled by a plurality of components, having an acquisition unit, a multivariate distribution calculating section and the prediction section. ここで、前記取得部は、各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得する。 Here, the acquisition unit acquires the multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each component. また、前記多変量分布算出部は、前記取得部によって取得された前記部分寸法の多変量分布パラメータと前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、チェック箇所寸法の多変量分布パラメータを算出する。 Further, the multivariate distribution calculation unit, the degree of influence of change of each portion size in the multivariate distribution parameters and the respective parts of said portion size acquired by the acquisition unit has on the dimensions of the plurality of check points in the product based on the sensitivity information indicating, calculating the multivariate distribution parameter check point size. 前記チェック箇所寸法の多変量分布パラメータは、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含む。 Multivariate distribution parameters of the check point size, the correlation information change of each portion size in the same part due to affecting the dimensions of the plurality of check points occur between the dimensions of the plurality of check locations including. さらに、前記予測部は、前記多変量分布算出部によって算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する。 Furthermore, the prediction unit predicts the product assembly yield based on multivariate distribution parameter of the check point size calculated by the multivariate distribution calculation unit.

一実施形態によれば、製品の組立歩留を精度よく予測することができる。 According to one embodiment, it can be predicted accurately assembled yield of product.

本実施形態に係る組立歩留予測装置のハードウェア構成例および機能構成例を示すブロック図である。 It is a block diagram showing a hardware configuration example and a functional configuration example of the assembling yield estimation apparatus according to the present embodiment. 図1に示す歩留計算処理部の構成の一例を示すブロック図である。 Is a block diagram showing an example of yield calculation processing unit of the configuration shown in FIG. 図2に示すモンテカルロ処理部の構成の一例を示すブロック図である。 Is a block diagram showing an example of a Monte Carlo processor having the structure shown in FIG. 図2に示すモンテカルロ処理部の構成の他例を示すブロック図である。 It is a block diagram showing another example of the configuration of a Monte Carlo process unit shown in FIG. 製品の設計段階での本実施形態に係る組立歩留予測装置の動作を概略的に説明する図である。 The operation of assembling yield estimation apparatus according to the embodiment of the design phase of the product is a diagram illustrating schematically. 製品の組立段階での本実施形態に係る組立歩留予測装置の動作を概略的に説明する図である。 The operation of assembling yield estimation apparatus according to the embodiment of the assembly stage of the product is a diagram illustrating schematically. 製品の設計段階での本実施形態に係る組立歩留予測装置の動作を説明するフローチャートである。 It is a flowchart for explaining the operation of assembling yield estimation apparatus according to the embodiment of the design phase of the product. 製品の組立段階での本実施形態に係る組立歩留予測装置の動作を説明するフローチャートである。 It is a flowchart for explaining the operation of assembling yield estimation apparatus according to the embodiment of the assembly stage of the product. 図8に示すステップS22の歩留計算処理を説明するフローチャートである。 Is a flowchart illustrating the yield calculation process in step S22 shown in FIG. 図8に示すステップS24の歩留計算処理を説明するフローチャートである。 Is a flowchart illustrating the yield calculation process in step S24 shown in FIG. 図4に示すモンテカルロ処理部によって実行される高速モンテカルロ処理を説明するフローチャートである。 It is a flowchart illustrating a fast Monte Carlo process executed by the Monte Carlo process unit shown in FIG. 本実施形態の組立歩留予測装置への入力データである感度情報の一例を示す図である。 Is a diagram illustrating an example of a sensitivity information is the input data to the assembling yield estimation apparatus of the present embodiment. 本実施形態の組立歩留予測装置への入力データである設計データ(部分の設計値およびばらつき情報)の一例を示す図である。 Is a diagram illustrating an example of the input data is design data for assembling yield estimation apparatus of the present embodiment (design value and variation information portion). 本実施形態の組立歩留予測装置への入力データである設計データ(チェック箇所の設計値および許容範囲)の一例を示す図である。 Is a diagram illustrating an example of the input data is design data for assembling yield estimation apparatus of the present embodiment (design values ​​and tolerance checking portion). 本実施形態の組立歩留予測装置への入力データである部品サンプル測定情報の一例を示す図である。 Is a diagram illustrating an example of the input data component sample measurement information to the assembly yield estimation apparatus of the present embodiment. 本実施形態の組立歩留予測装置への入力データである部品サンプル測定情報の他例を示す図である。 It is a view showing another example of the input data component sample measurement information to the assembly yield estimation apparatus of the present embodiment. 本実施形態の組立歩留予測装置からの出力データであるチェック箇所の分布および歩留の一例を示す図である。 An example of the distribution and yield of the check points, which is the output data from the assembling yield estimation apparatus of the present embodiment; FIG. 本実施形態の組立歩留予測装置による処理の中間データ(部分寸法の多変量分布パラメータ)である部分の平均ベクトルおよび分散共分散行列の一例を示す図である。 It is a diagram illustrating an example of a mean vector and variance-covariance matrix of the portion which is intermediate data processing by assembling yield estimation device (multivariate distribution parameter part dimension) of the present embodiment. 図3および図4に示すモンテカルロ処理部の製品歩留計算部(第1歩留算出部)による処理手順を説明するフローチャートである。 It is a flowchart illustrating a processing procedure by the product yield calculator Monte Carlo processing unit shown in FIG. 3 and FIG. 4 (first step fraction calculator). 製造プロセスばらつきを説明する図である。 It is a diagram for explaining a manufacturing process variations. 製造プロセスばらつきを説明する図である。 It is a diagram for explaining a manufacturing process variations. 製品の部分寸法,製品のチェック箇所および当該チェック箇所の寸法について説明する図である。 Portion size of the product, is a diagram illustrating a checking location and dimensions of the check points of the product. 製品の設計段階での歩留の予測手順の一例を示す図である。 Is a diagram illustrating an example of a yield prediction steps in the design stage of the product. 製品の組立段階での歩留の予測手順の一例を示す図である。 Is a diagram illustrating an example of a yield prediction steps in the assembly stage of the product.

以下に、図面を参照し、本願の開示する組立歩留予測装置、組立歩留予測プログラムおよび組立歩留予測方法の実施形態について、詳細に説明する。 Hereinafter, with reference to the drawings, the assembly yield estimation apparatus disclosed in the present application, embodiments of the assembly yield prediction program and assembly yield estimation method will be described in detail. ただし、以下に示す実施形態は、あくまでも例示に過ぎず、実施形態で明示しない種々の変形例や技術の適用を排除する意図はない。 However, embodiments described below are merely examples and do not intend to exclude various modifications and techniques not explicitly in the embodiment. すなわち、本実施形態を、その趣旨を逸脱しない範囲で種々変形して実施することができる。 That is, the present embodiment can be modified in various ways without departing from the scope thereof. また、各図は、図中に示す構成要素のみを備えるという趣旨ではなく、他の機能を含むことができる。 Further, the figures are not the effect that include only components shown in the figure, may include other functions. そして、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Each embodiment may be appropriately combined within a range that does not contradict the processing contents.

〔1〕本実施形態の構成 まず、図1〜図4を参照しながら、本実施形態の構成について説明する。 [1] Configuration of the present embodiment First, referring to FIGS. 1 to 4, the configuration of the present embodiment.
図1は、本実施形態に係る組立歩留予測装置1のハードウェア構成例および機能構成例を示すブロック図である。 Figure 1 is a block diagram showing a hardware configuration example and a functional configuration example of the assembling yield estimation apparatus 1 according to this embodiment. 図2は、図1に示す歩留計算処理部20,412の構成の一例を示すブロック図である。 Figure 2 is a block diagram showing an example of the configuration of the yield calculation unit 20,412 shown in FIG. 図3は、図2に示すモンテカルロ処理部の構成の一例(符号22参照)を示すブロック図である。 Figure 3 is a block diagram showing an example of a configuration of a Monte Carlo process unit shown in FIG. 2 (reference numeral 22). 図4は、図2に示すモンテカルロ処理部の構成の他例(符号22′参照)を示すブロック図である。 Figure 4 is a block diagram showing another example of the configuration of a Monte Carlo process unit shown in FIG. 2 (reference numeral 22 ').

図1に示すように、組立歩留予測装置1は、例えば複数の部品A,Bによって組み立てられる製品P(図22参照)の組立歩留60,68などを予測する。 As shown in FIG. 1, the assembly yield estimation apparatus 1 predicts for example, a plurality of component A, and assembly yield 60, 68 the products P to be assembled by B (see FIG. 22). 組立歩留予測装置1は、少なくとも、CPU(Central Processing Unit),MPU(Micro-Processing Unit),コンピュータ等の処理部2と、RAM(Random Access Memory),HDD(Hard Disk Drive),SSD(Solid State Device)等の記憶部3とを有している。 Assembling yield estimation apparatus 1, at least, CPU (Central Processing Unit), MPU (Micro-Processing Unit), a processing unit 2 such as a computer, RAM (Random Access Memory), HDD (Hard Disk Drive), SSD (Solid and a storage unit 3 of the State Device) or the like.

処理部2は、記憶部3から所定のアプリケーションプログラム(組立歩留予測プログラム)を読み出して実行することで、後述する多変量分布パラメータ決定部10,歩留計算処理部20,多変量分布パラメータ推定部30および信頼区間計算部40としての機能を果たす。 Processing unit 2, by executing the storage unit 3 reads out a predetermined application program (assembled yield prediction program), the multivariate distribution parameter determination unit 10 to be described later, yield calculation processing unit 20, a multivariate distribution parameter estimation serve as parts 30 and confidence interval calculation unit 40. なお、前記所定のアプリケーションプログラムは、例えばフレキシブルディスク,CD(CD−ROM,CD−R,CD−RWなど),DVD(DVD−ROM,DVD−RAM,DVD−R,DVD−RW,DVD+R,DVD+RWなど),ブルーレイディスク等のコンピュータ読取可能な記録媒体に記録された形態で提供される。 Incidentally, the predetermined application program is, for example, a flexible disk, CD (CD-ROM, CD-R, CD-RW, etc.), DVD (DVD-ROM, DVD-RAM, DVD-R, DVD-RW, DVD + R, DVD + RW etc.), it is provided in a format recorded on a computer-readable recording medium such as a Blu-ray disc. この場合、処理部2は、当該記録媒体からプログラムを読み取って内部記憶装置または外部記憶装置としての記憶部3に転送し格納して用いる。 In this case, the processing unit 2 is used to store and transfers read the program from the recording medium in the storage unit 3 as an internal storage device or an external storage device.

記憶部3は、前記所定のアプリケーションプログラムを保存するほか、処理部2による処理に必要な各種情報等を保存する。 Storage unit 3, in addition to storing the predetermined application program, stores various information necessary for processing by the processing section 2. 例えば、記憶部3は、前記各種情報等として、部分のばらつき情報51および設計値52;部品の感度情報53;チェック箇所の設計値54および許容範囲55を、設計段階での組立歩留予測処理前に予め保存する。 For example, the storage unit 3, as such the various kinds of information, partial fluctuation information 51 and the design value 52; sensitivity information 53 parts; the design value 54 and the allowable range 55 check places, the assembly yield prediction process at the design stage in advance to save before. また、記憶部3は、前記各種情報等として、部品サンプル測定情報61を組立段階での組立歩留予測処理前に予め保存する。 The storage unit 3, as such the various kinds of information to previously stored the part sample measurement information 61 prior to assembly yield estimation process in the assembly stage. さらに、記憶部3は、前記各種情報等として、組立歩留予測装置1による予測結果である、チェック箇所歩留58,69;製品歩留60,68;チェック箇所歩留信頼区間70;製品歩留信頼区間71を保存する。 Further, the storage unit 3, as such the various kinds of information, a prediction result by assembling yield estimation apparatus 1, the check point yield 58,69; product yield 60, 68; check points yield confidence interval 70; product Ayumi to save the distillate confidence interval 71. また、記憶部3は、前記各種情報等として、組立歩留予測装置1による予測処理中に得られる情報(図1〜図17の符号56,57,59,59′,59″,62〜67,67′,72〜76参照)を一時的に保存する。 The storage unit 3, as such the various information, the information obtained during the prediction process by the assembly yield estimation apparatus 1 (reference numeral 56,57,59,59 of FIGS 17 ', 59 ", 62-67 , 67 ', to temporarily store the reference 72-76).

以下、処理部2によって実現される、多変量分布パラメータ決定部10,歩留計算処理部20,多変量分布パラメータ推定部30および信頼区間計算部40としての機能について、図1〜図4を参照しながら説明する。 Hereinafter, is realized by the processing unit 2, a multivariate distribution parameter determination unit 10, the yield calculation unit 20, the function of a multivariate distribution parameter estimation unit 30 and the confidence interval calculation unit 40, referring to FIGS. 1 to 4 It will be described with.

〔1−1〕多変量分布パラメータ決定部(取得部)10および多変量分布パラメータ推定部(取得部)30について 多変量分布パラメータ決定部(取得部)10は、製品Pの設計段階において、予め想定される製品Pの製造ばらつき51に基づき、各部品A,Bにおける複数の部分寸法間の相関情報(相関,関係性)を含む部分寸法の多変量分布パラメータ56(図2,図7参照)を決定し取得する。 [1-1] multivariate distribution parameter determination unit (acquisition unit) 10 and multivariate distribution parameter estimation unit (acquisition unit) 30 for multivariate distribution parameter determination unit (acquisition unit) 10, in the design stage of the product P, in advance based on the manufacturing variation 51 of a product P to be assumed, correlation information (correlation relation) between the plurality of portions the dimensions of each component a, B multivariate distribution parameter of the portion sizes containing 56 (see FIGS. 2 and 7) decide to get. 製造ばらつきは、製造時に確率的に生じる、設計値(符号52参照)からのずれであり、材質,温度,湿度,製造機械の違いといった様々な要因によって生じる。 Manufacturing variation occurs stochastically during manufacture, a deviation from a design value (reference numeral 52), resulting material, temperature, humidity, depending on various factors such as differences in manufacturing machinery. このため、設計段階において、製造ばらつきの情報51は、過去の経験的情報あるいはシミュレーション結果から想定される。 Therefore, at the design stage, manufacturing variation information 51 is assumed from past experience information or simulation results. なお、部品の部分の設計値52およびばらつき情報51については図13を参照しながら後述する。 Note that the design value 52 and the variation information 51 parts of the component will be described later with reference to FIG. また、部分寸法の多変量分布パラメータ56は、例えば部分寸法の多変量正規分布(同時分布)のパラメータである平均(平均ベクトル)および分散共分散行列として取得される。 The multivariate distribution parameters 56 parts dimensions are obtained as for example, the average is a parameter of the multivariate normal distribution feature sizes (simultaneous distribution) (mean vector) and variance-covariance matrix.

多変量分布パラメータ推定部(取得部)30は、製品Pの組立段階において、製造された各部品の実測値である部品サンプル測定情報61に基づき、各部品A,Bにおける複数の部分寸法間の相関情報(相関,関係性)を含む部分寸法の多変量分布パラメータ63(図2,図8,図9参照)を推定し取得する。 Multivariate distribution parameter estimation unit (acquisition unit) 30, in the assembly phase of the product P, based on the component sample measurement information 61 is a measured value of each part manufactured, among the plurality of partial dimensions of each component A, B correlation information (correlation relation) multivariate distribution parameters 63 parts size including (2, 8, see FIG. 9) to obtain estimates the. 多変量分布パラメータ推定部30は、部品サンプル測定情報61における測定サンプル数(標本数)62も出力する。 Multivariate distribution parameter estimation unit 30, the measurement sample number in the component sample measurement information 61 (number of samples) 62 also outputs. なお、部品サンプル測定情報61については、図15,図16を参照しながら後述する。 Note that the component sample measurement information 61, 15 will be described later with reference to FIG. 16. また、部分寸法の多変量分布パラメータ63も、多変量分布パラメータ56と同様、例えば、部分寸法の多変量正規分布のパラメータである平均および分散共分散行列として取得される。 The multivariate distribution parameters 63 parts dimensions, similar to the multivariate distribution parameter 56, for example, it is obtained as the mean and variance-covariance matrix, which is a parameter of the multivariate normal distribution part dimensions.

ここで、部分寸法は、例えば、図22を参照しながら前述した部分A1,A2や部分B1,B2の寸法である。 Here, part dimensions, for example, the dimension of the portion A1, A2 and partial B1, B2 described above with reference to FIG. 22. つまり、製品Pは、例えば、2つの部品A,Bを組み立てたもので、2つのチェック箇所#1,#2を有している。 In other words, the product P, for example, two parts A, which was assembled B, two check points # 1, and a # 2. また、部品Aの部分A1,A2および部品Bの部分B1,B2は、製品Pのチェック箇所#1,#2の寸法に影響する部分である。 The portion A1, A2 and component parts B1, B2 of the B component A, the check portion of the product P # 1, a portion which affects the size of # 2.

〔1−2〕歩留計算処理部20について 歩留計算処理部20は、後述するチェック箇所の多変量分布のパラメータ57,67;チェック箇所歩留58,69;製品歩留60,68を算出するもので、図2に示すようにチェック箇所計算部21とモンテカルロ処理部22(22′)とを有する。 [1-2] yield calculation processing unit 20 yield calculation processing unit 20 for the multivariate distribution parameters 57 and 67 of the check point to be described later; calculated product yield 60, 68; check points yield 58,69 intended to, and a check point as shown in FIG. 2 calculating unit 21 and Monte Carlo processor 22 (22 '). また、チェック箇所計算部21は、多変量分布計算部211とチェック箇所歩留計算部212とを有する。 Also check point calculation unit 21 includes a multivariate distribution calculation section 211 and a check point yield calculation unit 212. なお、後述する信頼区間計算部40における歩留計算処理部412も、図2に示す歩留計算処理部20と同様に構成され、後述するチェック箇所の多変量分布のパラメータ67′,チェック箇所歩留66,製品歩留65を算出する。 Incidentally, yield calculation processing unit 412 in the confidence interval calculation unit 40 to be described later, is configured similarly to the yield calculation unit 20 shown in FIG. 2, the parameters 67 of the multivariate distribution of check points, which will be described later ', the check point Ayumi fraction 66, calculates the product yield 65. ここでは、歩留計算処理部20の構成とともに歩留計算処理部412の構成についても説明する。 Here, also illustrating the configuration of the yield calculation unit 412 with the configuration of the yield calculation unit 20.

多変量分布計算部(多変量分布算出部)211は、製品Pの設計段階において、多変量分布パラメータ決定部10によって取得された部分寸法の多変量分布パラメータ56と、感度情報53と、部分の設計値52と、チェック箇所の設計値54とに基づき、チェック箇所寸法の多変量分布パラメータ57を算出する。 Multivariate distribution calculating unit (multivariate distribution calculating unit) 211, in the design stage of the product P, a multivariate distribution parameters 56 parts dimensions obtained by the multivariate distribution parameter determining section 10, the sensitivity information 53, the portion of the a design value 52, based on the design value 54 check points, calculates a multivariate distribution parameters 57 check places dimensions. また、多変量分布計算部211は、製品Pの組立段階において、多変量分布パラメータ推定部30によって取得された部分寸法の多変量分布パラメータ63と、感度情報53と、部分の設計値52と、チェック箇所の設計値54とに基づき、チェック箇所寸法の多変量分布パラメータ67を算出する。 The multivariate distribution calculating unit 211 in the assembly phase of the product P, a multivariate distribution parameters 63 of the multivariate distribution parameters portions dimension acquired by the estimating unit 30, the sensitivity information 53, the design value 52 parts, based on the design value 54 check points, it calculates a multivariate distribution parameters 67 check places dimensions. さらに、歩留計算処理部412に属する多変量分布計算部211は、図10を参照しながら後述するごとく、ブートストラップサンプル64毎にチェック箇所寸法の多変量分布パラメータ67′を算出する。 Further, the multivariate distribution calculating unit 211 belonging to the yield calculation unit 412, as will be described later with reference to FIG. 10, calculates the multivariate distribution parameters 67 'check point size for each bootstrap sample 64.

ここで、感度情報53は、前述した感度情報D3と同様、各部品における各部分寸法の変化が製品Pにおけるチェック箇所#i(i=1,2,…)の寸法に与える影響の度合い(感度,影響度)を示すものである。 Here, the sensitivity information 53, like the sensitivity information D3 described above, the degree (sensitivity effects change in each portion sizes of each component give the dimensions of the check point #i in the product P (i = 1,2, ...) , it shows the degree of influence). なお、感度情報53については、図12を参照しながら後述する。 Note that the sensitivity information 53 will be described later with reference to FIG. 12.

また、チェック箇所寸法は、例えば図22を参照しながら前述したチェック箇所#1,#2,…のそれぞれについての寸法である。 Also, check point size, for example, check points # 1 described above with reference to FIG. 22, # 2, ... it is the dimension of each. そして、チェック箇所寸法の多変量分布パラメータ57,67(67′)は、それぞれ、例えば、チェック箇所寸法の多変量正規分布のパラメータ(中間データ)である平均ベクトルおよび分散共分散行列として取得される。 Then, the multivariate distribution parameter check point sizes 57 and 67 (67 '), respectively, for example, is obtained as the mean vector and variance-covariance matrix, which is a parameter of the multivariate normal distribution check point size (intermediate data) .

このようなチェック箇所寸法の多変量分布57,67(67′)は、それぞれ、同一の部品における各部分寸法の変化が各チェック箇所#iの寸法に影響を与えることに起因して複数のチェック箇所の寸法間に生じる相関情報(相関,関係性)を含んでいる。 Multivariate distributions of such check points dimensions 57 and 67 (67 '), respectively, a plurality of check due to the change of each section dimensions in the same components affect the dimensions of each check point #i correlation information (correlation relation) that occurs between the dimensions of the portions contain. なお、チェック箇所寸法の多変量分布の分布パラメータ57,67(67′)である平均ベクトルおよび分散共分散行列については、図18を参照しながら後述する。 Note that the mean vector and variance-covariance matrix is ​​the distribution parameter of the multivariate distribution of check points dimensions 57 and 67 (67 ') will be described later with reference to FIG. 18.

チェック箇所歩留計算部(第2歩留算出部)212は、製品Pの設計段階において、多変量分布算出部211によって算出されたチェック箇所寸法の多変量分布パラメータ57と複数のチェック箇所の寸法許容範囲55とに基づき、各チェック箇所#iの組立歩留58を算出する。 Check points yield calculation section (second step distillation calculating unit) 212, at the design stage of the product P, the multivariate distribution parameters 57 and a plurality of check locations check point size calculated by the multivariate distribution calculating unit 211 Dimensions based on the allowable range 55 to calculate the assembly yield 58 of each check point #i. また、チェック箇所歩留計算部212は、製品Pの組立段階において、多変量分布算出部211によって算出されたチェック箇所寸法の多変量分布パラメータ67とチェック箇所の寸法許容範囲55とに基づき、各チェック箇所#iの組立歩留69を算出する。 Also check points yield calculation unit 212, in the assembly phase of the product P, based on the dimension tolerance 55 multivariate distribution parameters 67 and a check point for checking portion size calculated by the multivariate distribution calculating section 211, the to calculate the assembly yield 69 of the check point #i. さらに、歩留計算処理部412に属するチェック箇所歩留計算部212は、多変量分布算出部211によってブートストラップサンプル64毎に算出されたチェック箇所寸法の多変量分布パラメータ67′とチェック箇所の寸法許容範囲55とに基づき、ブートストラップ64毎に、各チェック箇所#iの組立歩留66を算出する。 Further, the check point yield calculation unit 212 belonging to the yield calculation unit 412, the dimensions of the multivariate distribution parameters 67 'and check point check point dimension multivariate distribution calculating section 211 calculated for each bootstrap sample 64 based on the allowable range 55 for each bootstrap 64 calculates the assembly yield 66 of each check point #i.

なお、チェック箇所の寸法許容範囲55は、チェック箇所の許容範囲55という場合がある。 The size tolerance 55 check places are sometimes referred tolerance 55 check points. また、チェック箇所の設計値54は、前述したように、各部分が設計値52の通りに製造されたものと仮定した場合の、チェック箇所の寸法である。 Further, the design value 54 of the check points, as described above, when each portion is assumed to have been prepared as a design value 52 is the dimension of the check point. チェック箇所の設計値54および寸法許容範囲55については、図14を参照しながら後述する。 Design values ​​54 and dimensional tolerance 55 check points will be described later with reference to FIG. 14.

モンテカルロ処理部(予測部)22または22′は、製品Pの設計段階において、多変量分布算出部211によって算出されたチェック箇所寸法の多変量分布パラメータ57に基づき製品Pの組立歩留(製品歩留)60を予測する。 Monte Carlo processor (predicting unit) 22 or 22 ', in the design stage of the product P, multivariate multivariate based on distribution parameters 57 products P assembly yield of check points dimensions calculated by the distribution calculating unit 211 (product step distillate) 60 to predict. また、モンテカルロ処理部22または22′は、製品Pの組立段階において、多変量分布算出部211によって算出されたチェック箇所寸法の多変量分布パラメータ67に基づき製品歩留68を予測する。 Also, the Monte Carlo processor 22 or 22 ', in the assembly phase of the product P, and predicting the product yield 68 based on the multivariate distribution parameters 67 check places dimensions calculated by the multivariate distribution calculating unit 211. さらに、歩留計算処理部412に属するモンテカルロ処理部22または22′は、図10を参照しながら後述するごとく、ブートストラップサンプル64毎に多変量分布算出部211によって算出される多変量分布パラメータ67′に基づき、各ブートストラップサンプル64の製品歩留65を予測する。 Furthermore, Monte Carlo processor 22 or 22 belonging to the yield calculation unit 412 'is, as described later with reference to FIG. 10, the multivariate distribution parameter is calculated by multivariate distribution calculating unit 211 for each bootstrap sample 64 67 based on ', to predict the product yield 65 of each bootstrap sample 64.

ここで、モンテカルロ処理部22は、図3に示すように、モンテカルロサンプル生成部221と製品歩留計算部222とを有する。 Here, the Monte Carlo processing unit 22, as shown in FIG. 3, and a Monte Carlo sample generating unit 221 and the product yield calculation unit 222.
モンテカルロサンプル生成部(第1サンプル生成部)221は、製品Pの設計段階において、チェック箇所寸法の多変量分布パラメータ57に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59を、モンテカルロシミュレーションによって生成する。 Monte Carlo sample generating unit (first sample generation unit) 221, in the design stage of the product P, based on the multivariate distribution parameters 57 check point size, a plurality of Monte Carlo samples 59 including a plurality of check locations dimensional data set, respectively a, generated by Monte Carlo simulation. また、モンテカルロサンプル生成部221は、製品Pの組立段階において、チェック箇所寸法の多変量分布パラメータ67に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59′を、モンテカルロシミュレーションによって生成する。 Also, the Monte Carlo sample generation unit 221, in the assembly phase of the product P, based on the multivariate distribution parameters 67 check point size, a plurality including a plurality of check locations dimensional data set respectively Monte Carlo samples 59 ', Monte Carlo simulation produced by. さらに、歩留計算処理部412に属するモンテカルロサンプル生成部221は、多変量分布算出部211によってブートストラップ64毎に算出されたチェック箇所寸法の多変量分布パラメータ67′に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59″をモンテカルロシミュレーションによって生成する。 Furthermore, the Monte Carlo sample generating unit 221 belonging to the yield calculation unit 412, based on the multivariate distribution parameter 67 'of the check point dimension multivariate distribution calculating section 211 calculated for each bootstrap 64, a plurality of check locations a plurality of Monte Carlo samples 59 "including the dimension data sets each generated by Monte Carlo simulation.

製品歩留計算部(第1歩留算出部)222は、製品Pの設計段階において、モンテカルロサンプル生成部221によって生成されたモンテカルロサンプル59に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とをそれぞれ比較し、当該比較の結果に基づき製品Pの組立歩留60を算出する。 Product yield calculation unit (first step fraction calculating unit) 222, in the design stage of the product P, a size of the plurality of check locations included in a Monte Carlo sample 59 generated by the Monte Carlo sample generation unit 221, a plurality of check locations comparing the the dimension tolerance 55 respectively, to calculate the assembly yield 60 products P based on the result of the comparison. また、製品歩留計算部222は、製品Pの組立段階において、モンテカルロサンプル生成部221によって生成されたモンテカルロサンプル59′に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とをそれぞれ比較し、当該比較の結果に基づき製品Pの組立歩留68を算出する。 Furthermore, the product yield calculation unit 222, in the assembly phase of the product P, Carlo samples and size of the plurality of check locations included in a Monte Carlo sample 59 'generated by the generator 221, the dimension tolerance 55 of the plurality of check locations preparative respectively compared to calculate the assembly yield 68 products P based on the result of the comparison. さらに、歩留計算処理部412に属する製品歩留計算部222は、モンテカルロサンプル生成部221によって生成されたモンテカルロサンプル59″に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とをそれぞれ比較し、当該比較の結果に基づき製品Pの組立歩留65を算出する。 Furthermore, the product yield calculation unit 222 belonging to the yield calculation unit 412, a size of the plurality of check locations included in a Monte Carlo sample 59 "generated by the Monte Carlo sample generation unit 221, the dimension tolerance of the plurality of check locations and 55 compared respectively to calculate the assembly yield 65 products P based on the result of the comparison.

一方、モンテカルロ処理部22′は、モンテカルロ処理部22と同様の処理をより高速に実現するためのもので、図4に示すように、正規化部223,固有ベクトル・固有値算出部224,モンテカルロサンプル生成部221′および製品歩留計算部222′を有する。 On the other hand, the Monte Carlo processor 22 'is used to realize the same processing as the Monte Carlo processor 22 more quickly, as shown in FIG. 4, the normalization unit 223, eigenvector eigenvalue calculation unit 224, the Monte Carlo sample preparation having parts 221 'and product yield calculation unit 222'.

正規化部223は、製品Pの設計段階において、チェック箇所寸法の多変量分布パラメータ57および複数のチェック箇所の寸法許容範囲55を正規化する。 Normalization unit 223, in the design stage of the product P, and normalize the multivariate distribution parameters 57 and a plurality of check locations dimensional tolerance 55 check places dimensions. また、正規化部223は、製品Pの組立段階において、チェック箇所寸法の多変量分布パラメータ67および複数のチェック箇所の寸法許容範囲55を正規化する。 Further, the normalization unit 223, in the assembly phase of the product P, and normalize the multivariate distribution parameters 67 and dimensions tolerance 55 of the plurality of check locations check point size. さらに、歩留計算処理部412に属する正規化部223は、チェック箇所寸法の多変量分布パラメータ67′および複数のチェック箇所の寸法許容範囲55を正規化する。 Furthermore, the normalization unit 223 belonging to the yield calculation unit 412 normalizes the multivariate distribution parameters 67 'and dimensional tolerance 55 of the plurality of check locations check point size.

固有ベクトル・固有値算出部224は、正規化部223によって正規化されたチェック箇所寸法の多変量正規分布(正規化後のチェック箇所の多変量正規分布の分散共分散行列74)から、複数の固有ベクトルと各ベクトルに対応する固有値75とを特異値分解によって算出する。 Eigenvector eigenvalue calculating unit 224, a multivariate normal distribution of normalized checked position dimension by normalizing unit 223 (variance-covariance matrix 74 of the multivariate normal distribution check point after normalization), and a plurality of eigenvectors calculated by singular value decomposition and eigenvalue 75 corresponding to each vector.

モンテカルロサンプル生成部(第1サンプル生成部)221′は、下記空間において、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル76を、モンテカルロシミュレーションによって生成する。 Monte Carlo sample generating unit (first sample generation unit) 221 ', in the following space, a plurality of Monte Carlo samples 76 including a plurality of check locations dimensional data set, respectively, generated by Monte Carlo simulation. 上記空間は、複数の固有ベクトルのうち、固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルによって張られる。 The space among the plurality of eigenvectors, the cumulative contribution ratio is defined by the eigenvalues ​​spanned by eigenvectors exceeding a predetermined threshold value.

製品歩留計算部(第1歩留算出部)222′は、モンテカルロサンプル生成部221′によって生成された複数のモンテカルロサンプル76に含まれる複数のチェック箇所の寸法と、正規化部223によって正規化された複数のチェック箇所の寸法許容範囲72とをそれぞれ比較する。 Product yield calculation unit (first step fraction calculating unit) 222 'is Monte Carlo sample generating unit 221' and the size of the plurality of check points included in a plurality of Monte Carlo samples 76 produced by, normalized by the normalizing unit 223 and a plurality of check locations and dimensions tolerance 72 respectively compares. そして、製品歩留計算部222′は、当該比較の結果に基づき製品Pの組立歩留60,68(65)を算出する。 The product yield calculator 222 'calculates the assembly yield 60, 68 of the product P (65) based on the result of the comparison.

〔1−3〕信頼区間計算部(第1信頼区間算出部および第2信頼区間算出部)40について 信頼区間計算部40は、第1信頼区間算出部および第2信頼区間算出部としての機能を果たす。 [1-3] confidence interval calculation section (first confidence interval calculation portion and the second confidence interval calculation unit) 40 confidence interval calculating unit 40 for a function as a first confidence interval calculation portion and the second confidence interval calculator play.
第1信頼区間算出部は、部品サンプル測定情報(実測値)61の測定サンプル数(標本数)62が少ないことに起因して、部品サンプル測定情報61から推定される部分寸法の多変量分布パラメータ63に生じる誤差を推定する。 The first confidence interval calculation unit, the component sample measurement information (found) 61 of the measurement sample number (number of samples) 62 due to a small, multivariate distribution parameters of the portion sized to be estimated from the component sample measurement information 61 to estimate the error that occurs in 63. そして、第1信頼区間算出部40は、推定された誤差と感度情報53とに基づき各チェック箇所#iの組立歩留の信頼区間70を算出する。 The first confidence interval calculation unit 40 calculates the confidence interval 70 of assembly yield of each check point #i based on the error sensitivity information 53 that has been estimated.

また、第2信頼区間算出部は、部品サンプル測定情報(実測値)61の測定サンプル数(標本数)62が少ないことに起因して、部品サンプル測定情報61から推定される部分寸法の多変量分布パラメータ63に生じる誤差を推定する。 The second confidence interval calculation unit, due to the component sample measurement information (found) 61 of the measurement sample number (number of samples) 62 is small, multivariate feature sizes deduced from the component sample measurement information 61 estimating the error occurring in the distribution parameter 63. そして、第2信頼区間算出部40は、推定された誤差と、感度情報53と、後述するブートストラップサンプル64毎に多変量分布計算部211によって算出されるチェック箇所寸法の多変量分布パラメータ67′とに基づき、製品Pの組立歩留の信頼区間71を算出する。 The second confidence interval calculation unit 40, and the estimated error, the sensitivity information 53, the multivariate distribution parameters 67 check places dimensions calculated by the multivariate distribution calculating unit 211 for each bootstrap sample 64 to be described later ' based on bets, calculates the confidence interval 71 of assembly yield of the product P. なお、信頼区間とは、歩留の値が所定確率で入る範囲のことである。 Note that the confidence intervals is that the range of values ​​of yield falls with a predetermined probability. 例えば、所定確率を95%とした場合、歩留の値が95%以上の確率で0〜0.5の範囲に入る場合、当該範囲0〜0.5を信頼区間とする。 For example, when 95% of the predetermined probability, when the value of the yield is in the range of 0 to 0.5 with a probability of 95% or more, to the range 0 to 0.5 and confidence intervals.

信頼区間計算部40は、図2に示すように、ブートストラップ歩留計算部41とチェック箇所歩留信頼区間計算部42と製品歩留信頼区間計算部43とを有する。 Confidence interval calculation unit 40, as shown in FIG. 2, and a bootstrap yield calculation unit 41 and the check point yield confidence interval calculating unit 42 and the product yield confidence interval calculation unit 43. さらに、ブートストラップ歩留計算部41は、ブートストラップサンプル生成部411と歩留計算処理部412とを有する。 Moreover, bootstrap yield calculation unit 41 includes a bootstrap sample generation unit 411 and the yield calculation unit 412.

〔1−3−1〕第1信頼区間算出部について まず、信頼区間計算部40が第1信頼区間算出部として機能する場合の、ブートストラップサンプル生成部411,歩留計算処理部(第3歩留算出部)412およびチェック箇所歩留信頼区間計算部42としての機能について説明する。 [1-3-1] For the first confidence interval calculation unit First, in the case where the confidence interval calculation unit 40 functions as a first confidence interval calculation unit, the bootstrap sample generating unit 411, the yield calculation unit (third step distillate calculating unit) 412, and the function as a check point yield confidence interval calculation unit 42 will be described.

このとき、ブートストラップサンプル生成部(第2サンプル生成部)411は、標本数62と部分寸法の多変量分布パラメータ63とに基づき、部分寸法の多変量分布パラメータ63の分布パラメータ(平均ベクトル,分散共分散行列)についてのブートストラップサンプル64を、パラメトリックブートストラップ法によって生成する。 At this time, bootstrap sample generating unit (second sample generation unit) 411, based on the multivariate distribution parameters 63 of the sample number 62 and portion size, distribution parameters (average vector of the multivariate distribution parameters 63 parts dimensions, distributed the bootstrap sample 64 for the covariance matrix), generated by parametric bootstrapping.

歩留計算処理部(第3歩留算出部)412は、図2を参照しながら前述した歩留計算処理部20と同様に構成されている。 Yield calculating section (third step distillation calculation unit) 412 is configured similarly to yield calculation processing unit 20 described above with reference to FIG. そして、歩留計算処理部412の多変量分布計算部211は、ブートストラップサンプル生成部411によって生成されたブートストラップサンプル64毎に、感度情報53に基づき、チェック箇所寸法の多変量分布のパラメータ67′を算出する。 Then, the multivariate distribution calculation unit 211 of the yield calculation unit 412, for each bootstrap sample 64 produced by the bootstrap sample generation unit 411, based on the sensitivity information 53, the multivariate distribution of check locations dimensional parameters 67 to calculate the '. また、歩留計算処理部412のチェック箇所歩留計算部212は、算出された当該チェック箇所寸法の多変量分布のパラメータ67′と複数のチェック箇所の寸法許容範囲55とに基づき、各チェック箇所#iの組立歩留66を算出する。 Also check points yield calculation unit 212 of the yield calculation unit 412, based on the parameter 67 of multivariate distributions of the calculated the check point size 'and a dimension tolerance 55 of the plurality of check locations, each check point to calculate the assembly yield 66 of #i.

チェック箇所歩留信頼区間計算部(チェック箇所歩留信頼区間算出部)42は、歩留計算処理部(第3歩留算出部)412によってブートストラップサンプル64毎に算出された各チェック箇所#iの組立歩留66に基づき、各チェック箇所#iの組立歩留の信頼区間70を算出する。 Check points yield confidence interval calculation unit (check point yield confidence interval calculation unit) 42, yield calculation processing section (third step distillation calculating unit) 412 each check point is calculated for each bootstrap sample 64 by #i based on the assembly yield 66 calculates the confidence interval 70 of assembly yield of each check point #i. なお、信頼区間70の具体的な算出手法については後述する。 It will be described later specific method of calculating confidence intervals 70.

〔1−3−2〕第2信頼区間算出部について また、信頼区間計算部40が第2信頼区間算出部として機能する場合の、ブートストラップサンプル生成部411,歩留計算処理部(第4歩留算出部)412および製品歩留信頼区間計算部43としての機能について説明する。 [1-3-2] addition for the second confidence interval calculation unit, in the case where the confidence interval calculation unit 40 functions as a second confidence interval calculation unit, the bootstrap sample generating unit 411, the yield calculation unit (fourth step distillate calculating unit) 412, and the function as a product yield confidence interval calculation unit 43 will be described.

このとき、ブートストラップサンプル生成部(第2サンプル生成部)411は、第1信頼区間算出部のブートストラップサンプル生成部411と同様にして、ブートストラップサンプル64を、パラメトリックブートストラップ法によって生成する。 At this time, bootstrap sample generating unit (second sample generation unit) 411, similarly to the bootstrap sample generation unit 411 of the first confidence interval calculation unit, the bootstrap samples 64, generated by the parametric bootstrap method.

歩留計算処理部(第4歩留算出部)412は、例えば図3を参照しながら前述したモンテカルロ処理部22を含むものである。 Yield calculation processing unit (fourth step distillation calculation unit) 412, for example, those containing a Monte Carlo process unit 22 described above with reference to FIG. この場合、歩留計算処理部412の多変量分布計算部211は、ブートストラップサンプル生成部411によって生成されたブートストラップサンプル64毎に、感度情報53に基づき、チェック箇所寸法の多変量分布のパラメータ67′を算出する。 In this case, the multivariate distribution calculation unit 211 of the yield calculation unit 412, the bootstrap sample generator for each bootstrap sample 64 generated by 411, on the basis of the sensitivity information 53, the parameters of the multivariate distribution of check points dimensions to calculate the 67 '. また、歩留計算処理部412のモンテカルロサンプル生成部221は、算出された当該チェック箇所寸法の多変量分布のパラメータ67′に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59″を、モンテカルロシミュレーションによって生成する。そして、歩留計算処理部412の製品歩留計算部222は、生成された複数のモンテカルロサンプル59″に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とをそれぞれ比較し、当該比較の結果に基づき製品Pの組立歩留65を算出する。 Also, the Monte Carlo sample generating unit 221 of the yield calculation unit 412, based on the parameter 67 'multivariate distribution of the calculated the check point size, a plurality of Monte Carlo samples comprising a plurality of check locations dimensional data set, respectively 59 "to be generated by Monte Carlo simulation. Then, the product yield calculation unit 222 of the yield calculation unit 412, a plurality of Monte Carlo samples 59 generated" and the dimensions of the plurality of check points included in a plurality of check location of a dimension tolerance range 55 compared respectively to calculate the assembly yield 65 products P based on the result of the comparison.

製品歩留信頼区間計算部(製品歩留信頼区間算出部)43は、歩留計算処理部(第4歩留算出部)412によってブートストラップサンプル64毎に算出された製品Pの組立歩留65に基づき、製品Pの組立歩留の信頼区間71を算出する。 Product yield confidence interval calculation unit (product yield confidence interval calculation unit) 43, yield calculation processor assembly yield 65 (fourth step distillation calculating unit) 412 product P calculated for each bootstrap sample 64 by based on, to calculate the confidence interval 71 of assembly yield of the product P. なお、信頼区間71の具体的な算出手法については後述する。 It will be described later specific method of calculating confidence intervals 71.

なお、歩留計算処理部(第4歩留算出部)412は、処理の高速化のために例えば図4を参照しながら前述したモンテカルロ処理部22′を含むものであってもよい。 Incidentally, the yield calculation unit (fourth step distillation calculation unit) 412, may include a Monte Carlo process unit 22 'described above with reference to FIG. 4, for example for high-speed processing. この場合も、歩留計算処理部412の多変量分布計算部211は、上述と同様、ブートストラップサンプル64毎に、感度情報53に基づき、チェック箇所寸法の多変量分布のパラメータ67′を算出する。 Again, the multivariate distribution calculation unit 211 of the yield calculation unit 412, as described above, each bootstrap sample 64, on the basis of the sensitivity information 53, calculates the parameters 67 'multivariate distribution of check points dimensions . また、正規化部223は、算出された当該チェック箇所寸法の多変量分布のパラメータ67′および複数のチェック箇所の寸法許容範囲55を正規化する。 Further, the normalization unit 223 normalizes the size tolerance 55 parameters 67 'and a plurality of check locations multivariate distributions of the calculated the check point size. さらに、固有ベクトル・固有値計算部224は、正規化されたチェック箇所寸法の多変量正規分布(正規化後のチェック箇所の多変量正規分布の分散共分散行列74)から、複数の固有ベクトルと各ベクトルに対応する固有値75とを特異値分解によって算出する。 Furthermore, eigenvector eigenvalue calculation unit 224, a multivariate normal distribution of normalized checked point size (variance-covariance matrix 74 of the multivariate normal distribution check point after normalization), the plurality of eigenvectors and each vector calculated by singular value decomposition and the corresponding eigenvalues ​​75. また、モンテカルロサンプル生成部221′は、前記空間において、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル76を、モンテカルロシミュレーションによって生成する。 Also, the Monte Carlo sample generating unit 221 ', in the space, a plurality of Monte Carlo samples 76 including a plurality of check locations dimensional data set, respectively, generated by Monte Carlo simulation. そして、製品歩留計算部222′は、生成された複数のモンテカルロサンプル76に含まれる複数のチェック箇所の寸法と、正規化された複数のチェック箇所の寸法許容範囲72とをそれぞれ比較し、当該比較の結果に基づき組立歩留65をブートストラップサンプル64毎に算出する。 The product yield calculation unit 222 'includes a size of a plurality of check points included in a plurality of Monte Carlo samples 76 produced, normalized the plurality of check locations and dimensions allowable range 72 compared respectively, the based on the results of the comparison to calculate the assembly yield 65 for each bootstrap sample 64.

〔2〕本実施形態の動作 次に、図5〜図19を参照しながら、本実施形態に係る組立歩留予測装置1の動作について説明する。 [2] Operation Next in the present embodiment, with reference to FIGS. 5 to 19, the operation of assembling yield estimation apparatus 1 according to this embodiment.
〔2−1〕組立歩留予測装置1の動作概略について まず、図5および図6を参照しながら、本実施形態に係る組立歩留予測装置1の動作概略について説明する。 [2-1] Operation outline of assembling yield estimation apparatus 1 First, referring to FIGS. 5 and 6, the operation outline of the assembling yield estimation apparatus 1 according to this embodiment. なお、図5は、製品Pの設計段階での本実施形態に係る組立歩留予測装置1の動作を概略的に説明する図である。 FIG. 5 is a diagram for explaining the operation of assembling yield estimation apparatus 1 according to this embodiment of the design phase of the product P schematically. また、図6は、製品Pの組立段階での本実施形態に係る組立歩留予測装置1の動作を概略的に説明する図である。 6 is a diagram for explaining the operation of assembling yield estimation apparatus 1 according to this embodiment of the assembly stage of the product P schematically.

図5に示すように、製品Pの設計段階において、組立歩留予測装置1は、設計データの一部(符号51,52,54,55参照)と感度情報53とに基づき、チェック箇所の分布(多変量分布パラメータ)57および歩留58と、製品歩留60とを予測算出する。 As shown in FIG. 5, in the design stage of the product P, the assembly yield estimation apparatus 1, based on the portion of the design data (reference numeral 51,52,54,55) and sensitivity information 53, the check point distribution and (multivariate distribution parameters) 57 and yield 58 predicts calculates the product yield 60. 設計データの一部としては、部品の部分の製造ばらつき51と、部品の部分の設計値52と、チェック箇所の設計値54および許容範囲(寸法許容範囲)55とが含まれる。 The part of the design data, the manufacturing variation 51 parts of the component, the design value 52 parts of the component, the design value 54 and the allowable range (dimension tolerance) check points are included and 55.

ここで、製造ばらつき51は、前述の通り、予め想定される製品Pにおける各部品の部分寸法のばらつき情報である。 Here, manufacturing variations 51, as described above, a fluctuation information of the portion size of each component in the product P in advance are assumed. 製造ばらつき51および設計値52に基づき、各部品における複数の部分寸法間の相関情報(相関,関係性)を含む部分寸法の多変量分布パラメータ56が、組立歩留予測装置1における多変量分布パラメータ決定部10によって決定される。 Based on the manufacturing variation 51 and the design value 52, the correlation information (correlation relation) between the plurality of portions the dimensions of each component multivariate distribution parameters 56 parts size including the multivariate distribution parameter in the assembly yield estimation apparatus 1 It is determined by the determining unit 10. また、感度情報53は、前述の通り、各部品における各部分寸法の変化が製品Pにおけるチェック箇所#iの寸法に与える影響の度合い(感度,影響度)を示す。 Also, the sensitivity information 53, as described above, the change of each portion size of each component indicates the degree of influence on the size of the check point #i in the product P (sensitivity, impact). なお、感度情報53は、例えば設計データに基づき組立歩留解析ツールによって取得され出力される(例えば図23のS1参照)。 Incidentally, the sensitivity information 53 is for example obtained by assembling yield analysis tool based on design data output (e.g., see S1 in FIG. 23).

そして、組立歩留予測装置1における歩留計算処理部20によって、設計値52,54と許容範囲55と部分寸法の多変量分布パラメータ56とに基づき、複数の部品によって組み立てられる製品Pの組立歩留60とチェック箇所の分布57および歩留58とが予測算出される。 Then, the assembly by yield predictor yield calculation processing unit 20 in 1, based on the multivariate distribution parameters 56 tolerance 55 and portion size and the design value 52, the assembly step of the product P to be assembled by a plurality of parts the distribution 57 and yield 58 cuts 60 and the check point is calculated predicted. チェック箇所の分布57および歩留58は、製品Pの設計変更を行なう際に用いられる。 Distribution 57 and yield 58 checks point is used when performing the design change of a product P.

このように、本実施形態の組立歩留予測装置1によれば、製品Pの設計段階において、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮しながら、製品歩留60が予測される。 In this way, according to the assembling yield estimation apparatus 1 of the present embodiment, at the design stage of the product P, taking into account the correlation between parts and between the check points of each part in the product P, product yield 60 prediction It is. このため、製品歩留60を精度よく予測することができる。 Therefore, it is possible to predict the product yield 60 accurately. したがって、設計者等は、高精度で予測された製品歩留60に基づき、製品歩留60を確実に最適化(最大化)するよう設計変更を行なうことができる。 Therefore, designers, etc., based on the product yield 60 predicted with high accuracy, it is possible to perform design change to reliably optimize the product yield 60 (maximize).

一方、図6に示すように、製品Pの組立段階において、組立歩留予測装置1は、設計データの一部(符号52,54,55参照)と感度情報53と部品サンプル測定情報61とに基づき、チェック箇所の分布(多変量分布パラメータ)67,歩留69および信頼区間70と、製品Pの組立歩留68および信頼区間71とを予測算出する。 On the other hand, as shown in FIG. 6, in the assembly phase of the product P, the assembly yield estimation apparatus 1, a part of the design data (reference numeral 52, 54, 55) and the sensitivity information 53 and the component sample measurement information 61 based, distribution of check points (multivariate distribution parameters) 67, and yield 69 and confidence interval 70, predicts calculated and assembly yield 68 and confidence interval 71 product P. 設計データの一部としては、部品の部分の設計値52と、チェック箇所の設計値54および許容範囲(寸法許容範囲)55とが含まれる。 The part of the design data, the design value 52 parts of the component, the design value 54 and the allowable range (dimension tolerance) check points are included and 55.

組立段階では、実際に製品を組み立てる部品が製造されている。 In the assembled stage, components actually assembling the product is manufactured. つまり、組立段階は工場等で製品を量産する段階で、組立段階では、設計段階と異なり、製品Pを組み立てる部品がすでに製造されている。 In other words, the assembly steps at the stage of mass production of products in a factory or the like, in the assembly stage, unlike the design stage, components for assembling the product P has already been manufactured. このため、実際に製造された部品から部品サンプル測定情報61が得られる。 Therefore, component sample measurement information 61 from the actually manufactured component is obtained. 当該部品サンプル測定情報61に基づき、各部品における複数の部分寸法間の相関情報(相関,関係性)を含む部分寸法の多変量分布パラメータ63が、組立歩留予測装置1における多変量分布パラメータ推定部30によって推定される。 Based on the component sample measurement information 61, the correlation information (correlation relation) between the plurality of portions the dimensions of each component multivariate distribution parameters 63 parts size including the multivariate distribution parameter estimation in the assembly yield estimation apparatus 1 It is estimated by section 30. このとき、部品サンプル測定情報61における測定サンプル数(標本数)62も、多変量分布パラメータ推定部30によって取得される。 In this case, the measurement sample number in the component sample measurement information 61 (number of samples) 62 is obtained by multivariate distribution parameter estimation unit 30.

そして、組立歩留予測装置1における歩留計算処理部20によって、設計値52,54と感度情報53と許容範囲55と部分寸法の多変量分布パラメータ63とに基づき、複数の部品によって組み立てられる製品Pの組立歩留68とチェック箇所の分布67および歩留69とが予測算出される。 Then, the yield calculation unit 20 in the assembling yield estimation apparatus 1, based on the multivariate distribution parameters 63 tolerance 55 and part dimensions as design values ​​52, 54 and sensitivity data 53, is assembled by a plurality of component products and P assembly yield 68 and the check point distribution 67 and yield 69 are calculated predicted. チェック箇所の分布67および歩留69は、製品Pの製造プロセスの変更(例えば金型の調整)を行なう際に用いられる。 Distribution 67 and yield 69 checks point is used when performing the change in the manufacturing process of the products P (for example adjustment of the mold).

また、組立歩留予測装置1における信頼区間計算部40によって、設計値52,54と感度情報53と許容範囲55と測定サンプル数52と部分寸法の多変量分布パラメータ63とに基づき、チェック箇所歩留69の信頼区間70と、製品歩留68の信頼区間71とが予測算出される。 Further, assembling the yield estimation apparatus confidence interval calculating unit 40 in 1, based on the multivariate distribution parameters 63 of the measurement sample number 52 and the portion size as the design value 52, 54 and the sensitivity information 53 and the allowable range 55, check point Ayumi and confidence intervals 70 cuts 69, the confidence interval 71 product yield 68 are calculated predicted.

このように、本実施形態の組立歩留予測装置1によれば、製品Pの組立段階において、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮しながら、製品歩留68が予測される。 In this way, according to the assembling yield estimation apparatus 1 of the present embodiment, in the assembly phase of the product P, taking into account the correlation between parts and between the check points of each part in the product P, product yield 68 prediction It is. このため、製品歩留68を精度よく予測することができる。 Therefore, it is possible to predict the product yield 68 accurately. したがって、設計者等は、高精度で予測された製品歩留68に基づき、製品歩留68を確実に最適化(最大化)するよう製造プロセスの変更(例えば金型の調整)を行なうことができる。 Therefore, designers, etc., based on the product yield 68 predicted with high accuracy, is possible to reliably optimize the product yield 68 changes (maximized) for such manufacturing process (e.g., adjustment of the mold) it can.

また、本実施形態の組立歩留予測装置1によれば、製品Pの組立段階において、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮しながら、チェック箇所歩留の信頼区間70や製品歩留の信頼区間71が予測される。 Further, according to the assembling yield estimation apparatus 1 of the present embodiment, in the assembly phase of the product P, taking into account the correlation between parts and between the check points of each part in the product P, the check points yield confidence interval 70 and confidence interval 71 of the product yield is expected. このため、チェック箇所歩留の信頼区間70や製品歩留の信頼区間71を精度よく予測することができる。 Therefore, it is possible to predict the confidence interval 71 confidence interval 70 and product yield of the check points yield accurately. したがって、設計者等は、高精度で予測されたチェック箇所歩留69の信頼区間70や製品歩留68の信頼区間71を参照することで、チェック箇所歩留69や製品歩留68がどの程度ぶれる可能性があるかを正確に判断することができる。 Thus, the designer or the like, by referring to the confidence interval 71 confidence interval 70 and product yield 68 check places yield 69 predicted with high accuracy, how much the check points yield 69 and product yield 68 whether there is a possibility that department can be accurately determined.

〔2−2〕設計段階での組立歩留予測装置1の動作について 次に、図7に示すフローチャート(ステップS11〜S15)に従って、製品Pの設計段階での本実施形態に係る組立歩留予測装置1の動作について説明する。 [2-2] Operation of assembly yield estimation apparatus 1 at the design stage now to the flowchart (steps S11 to S15) shown in FIG. 7, the assembly yield estimation according to the present embodiment in the design stage of the product P the operation of the apparatus 1 will be described. なお、図7に示す歩留計算処理P1は、歩留計算処理部20において実行されるステップS12〜S15の処理を含んでいる。 Incidentally, yield calculation process P1 shown in FIG 7 includes the processing of steps S12~S15 performed in yield calculation processing unit 20. また、図7に示すモンテカルロ処理P2は、モンテカルロ処理部22において実行されるステップS14およびS15の処理を含んでいる。 Also, the Monte Carlo process P2 shown in FIG 7 includes the processing of steps S14 and S15 are executed in the Monte Carlo process unit 22.

製品Pの設計段階においては、まず、予め想定される製品Pの製造ばらつき情報51と、部分の設計値52とに基づき、多変量分布パラメータ決定部10によって、部分寸法の多変量分布パラメータ56が決定される(ステップS11)。 In the design stage of the product P, first, the manufacturing variation information 51 of product P to be assumed in advance based on the design value 52 parts by multivariate distribution parameter determination unit 10, a multivariate distribution parameters 56 parts dimensions It is determined (step S11). パラメータ56は、前述した通り、例えば、部分寸法の多変量正規分布(同時分布)の平均(平均ベクトル)および分散共分散行列である。 Parameter 56, as described above, for example, the average of the multivariate normal distribution feature sizes (simultaneous distribution) (mean vector) and variance-covariance matrix.

ステップS11で決定された多変量分布パラメータ56と、部分の設計値52および感度情報53と、各チェック箇所#iの設計値54とに基づき、多変量分布計算部211によって、チェック箇所寸法の多変量分布パラメータ57が算出される(ステップS12)。 A multivariate distribution parameter 56 determined in step S11, a design value 52 and sensitivity data 53 parts, based on the design value 54 for each check point #i, multivariate distribution calculation unit 211, the check point size multi variate distribution parameters 57 are calculated (step S12). パラメータ57も、例えば、チェック箇所寸法の多変量正規分布(同時分布)の平均(平均ベクトル)および分散共分散行列である。 Parameters 57 also include, for example, the average of the multivariate normal distribution check point size (simultaneous distribution) (mean vector) and variance-covariance matrix.

そして、ステップS12で算出された多変量分布パラメータ57と、各チェック箇所#iの許容範囲55とに基づき、チェック箇所歩留計算部212によって、各チェック箇所#iの組立歩留(チェック箇所歩留)58が算出される(ステップS13)。 Then, the multivariate distribution parameter 57 calculated in step S12, based on the allowable range 55 for each check point #i, check points yield the calculator 212, the assembly yield (check point step of each check point #i distillate) 58 is calculated (step S13). このとき、各チェック箇所#iの多変量分布パラメータ57と各チェック箇所#iの許容範囲55との関係から、チェック箇所歩留58が算出される。 At this time, the relationship between the multivariate distributions parameters 57 of each check point #i and tolerance 55 of each check point #i, check locations yield 58 are calculated.

一方、モンテカルロ処理部22においては、ステップS12で算出された多変量分布パラメータ57と、各チェック箇所#iの許容範囲55とに基づき、製品Pの組立歩留(製品歩留)60が予測される(モンテカルロ処理P2参照)。 On the other hand, in the Monte Carlo processing unit 22, a multivariate distribution parameter 57 calculated in step S12, based on the allowable range 55 for each check point #i, the product P assembly yield (product yield) 60 is predicted that (see Monte Carlo processing P2). このとき、まず、モンテカルロサンプル生成部221において、各チェック箇所#iの多変量分布パラメータ57に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59がモンテカルロシミュレーションによって生成される(ステップS14)。 In this case, first, in the Monte Carlo sample generation unit 221, based on the multivariate distribution parameters 57 for each check point #i, a plurality of Monte Carlo samples 59 including a plurality of check locations dimensional data set, respectively are generated by Monte Carlo simulation (step S14).

この後、製品歩留計算部222において、モンテカルロサンプル毎に、ステップS14で生成された各モンテカルロサンプル59に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とが比較される。 Thereafter, the product yield calculation unit 222, for each Monte Carlo sample, and the dimensions of the plurality of check points, and dimensional tolerance 55 of the plurality of check points are compared included in each Monte Carlo sample 59 generated in step S14 that. 当該比較によって、モンテカルロサンプル毎に、全てのチェック箇所が許容範囲内に含まれるか否かがチェックされる。 By the comparison, for each Monte Carlo sample, whether all checks locations are included within the allowable range is checked. そして、製品歩留60が、生成された複数のモンテカルロサンプル59のうち、全てのチェック箇所寸法が許容範囲55内に含まれるモンテカルロサンプル59の割合として算出される(ステップS15)。 The product yield 60, among the plurality of Monte Carlo samples 59 produced is calculated as the ratio of the Monte Carlo sample 59 that all checks locations dimensions fall within the allowable range 55 (step S15). 当該割合は、一つのモンテカルロサンプル59において全てのチェック箇所寸法が許容範囲55内に含まれる確率に相当する。 The ratio corresponds to the probability that all the check points dimensions fall within the allowable range 55 in one Monte Carlo sample 59.

〔2−3〕組立段階での組立歩留予測装置1の動作について 次に、図8に示すフローチャート(ステップS21〜S26)に従って、製品Pの組立段階での本実施形態に係る組立歩留予測装置1の動作について説明する。 [2-3] Operation of assembly yield estimation apparatus 1 in the assembly stage now to the flowchart (steps S21 to S26) shown in FIG. 8, the assembly yield estimation according to the present embodiment of the assembly stage of the product P the operation of the apparatus 1 will be described. なお、図8に示す信頼区間計算処理P3は、信頼区間計算部40において実行されるステップS23〜S26の処理を含んでいる。 Note that the confidence interval calculation processing P3 shown in FIG. 8 includes a process of step S23~S26 performed in confidence interval calculation unit 40. また、図8に示すブートストラップ歩留計算処理P4は、ブートストラップ歩留計算部41において実行されるステップS23およびS24を含んでいる。 Moreover, bootstrap yield calculation process P4 shown in FIG. 8 includes steps S23 and S24 are executed in the bootstrap yield calculation unit 41.

製品Pの組立段階においては、まず、製造された各部品の実測値である部品サンプル測定情報61に基づき、多変量分布パラメータ推定部30によって、部分寸法の多変量分布パラメータ63が推定され取得される。 In the assembly stage of the product P, first, based on the component sample measurement information 61 is a measured value of each part made by the multivariate distribution parameter estimation unit 30, a multivariate distribution parameters 63 parts dimension is estimated acquired that. また、多変量分布パラメータ推定部30によって、部品サンプル測定情報61における測定サンプル数(標本数)62も出力される(ステップS21)。 Further, the multivariate distribution parameter estimation unit 30, the measurement sample number in the component sample measurement information 61 (number of samples) 62 is also outputted (step S21). パラメータ63は、前述した通り、例えば、部分寸法の多変量正規分布(同時分布)の平均(平均ベクトル)および分散共分散行列である。 Parameter 63, as described above, for example, the average of the multivariate normal distribution feature sizes (simultaneous distribution) (mean vector) and variance-covariance matrix.

ステップS21で推定された多変量分布パラメータ63と、部分の設計値52および感度情報53と、各チェック箇所#iの設計値54および許容範囲55とに基づき、歩留計算処理部20において、各チェック箇所#iの多変量分布パラメータ67と製品歩留68とチェック箇所歩留69とが予測算出される(ステップS22)。 A multivariate distribution parameters 63 estimated in step S21, a design value 52 and sensitivity data 53 parts, based on the design value 54 and the allowable range 55 for each check point #i, the yield calculation unit 20, each multivariate distribution parameters 67 and product yield 68 and the check point yield 69 are calculated predicted check point #i (step S22). ステップS22での歩留計算処理については、図9を参照しながら後述する。 For yield calculation processing in step S22, described later with reference to FIG.

そして、ブートストラップサンプル生成部411において、ステップS21からの標本数62および多変量分布パラメータ63に基づき、部分寸法の多変量分布パラメータ63についてのブートストラップサンプル64が、パラメトリックブートストラップ法によって生成される(ステップS23)。 Then, in the bootstrap sample generation unit 411, based on the sample number 62 and multivariate distribution parameters 63 from the step S21, the bootstrap sample 64 for the multivariate distribution parameters 63 parts dimension is generated by parametric bootstrapping (step S23).

この後、歩留計算処理部412において、ステップS23で生成されたブートストラップサンプル毎に、部分の設計値52および感度情報53と、各チェック箇所#iの設計値54および許容範囲55とに基づき、各ブートストラップサンプル64のチェック箇所歩留66および製品歩留65が算出される(ステップS24)。 Thereafter, the yield calculation unit 412, for each bootstrap sample generated in step S23, a design value 52 and sensitivity data 53 parts, based on the design value 54 and the allowable range 55 for each check point #i , check points yield 66 and product yield 65 of each bootstrap sample 64 is calculated (step S24). ステップS24での歩留計算処理については、図10を参照しながら後述する。 For yield calculation processing in step S24, described later with reference to FIG.

そして、チェック箇所歩留信頼区間計算部42においては、ステップS24でブートストラップサンプル毎に算出された各ブートストラップサンプル64のチェック箇所歩留66に基づき、各チェック箇所#iの組立歩留の信頼区間70が算出される(ステップS25)。 Then, in the check points yield confidence interval calculation unit 42, based on the check points yield 66 of each bootstrap sample 64 that is calculated for each bootstrap sample in step S24, reliable assembly yield of each check point #i section 70 is calculated (step S25). なお、信頼区間70の具体的な算出手法については後述する。 It will be described later specific method of calculating confidence intervals 70.

また、製品歩留信頼区間計算部43においては、ステップS24でブートストラップサンプル毎に算出された各ブートストラップサンプル64の製品歩留65に基づき、製品歩留の信頼区間71が算出される(ステップS26)。 Further, the product yield confidence interval calculation unit 43, based on the product yield 65 of each bootstrap sample 64 that is calculated for each bootstrap sample in step S24, the confidence interval 71 of product yield is calculated (step S26). なお、信頼区間71の具体的な算出手法については後述する。 It will be described later specific method of calculating confidence intervals 71.

〔2−3−1〕図8に示すステップS22の歩留計算処理について 次に、図9に示すフローチャート(ステップS221〜S224)に従って、図8に示すステップS22の歩留計算処理、つまり歩留計算処理部20の動作について説明する。 [2-3-1] For yield calculation process in step S22 shown in FIG. 8 Next, (steps S221~S224) shown in FIG. 9, yield calculation process in step S22 shown in FIG. 8, i.e. yield a description will be given of the operation of the calculation processor 20. なお、図9に示すモンテカルロ処理P5は、モンテカルロ処理部22において実行されるステップS223およびS224の処理を含んでいる。 Incidentally, the Monte Carlo process P5 shown in FIG. 9 includes the processes of steps S223 and S224 are executed in the Monte Carlo process unit 22.

ステップS22においては、まず、ステップS21で推定された多変量分布パラメータ63と、部分の設計値52および感度情報53と、各チェック箇所#iの設計値54とに基づき、多変量分布計算部211によって、チェック箇所寸法の多変量分布パラメータ67が算出される(ステップS221)。 In step S22, first, based on the multivariate distribution parameters 63 estimated in step S21, a design value 52 and sensitivity data 53 parts, and the design value 54 for each check point #i, the multivariate distribution calculating unit 211 the multivariate distribution parameters 67 check point size is calculated (step S221). パラメータ67も、例えば、チェック箇所寸法の多変量正規分布(同時分布)の平均(平均ベクトル)および分散共分散行列である。 Parameters 67 also include, for example, the average of the multivariate normal distribution check point size (simultaneous distribution) (mean vector) and variance-covariance matrix.

そして、ステップS221で算出された多変量分布パラメータ67と、各チェック箇所#iの許容範囲55とに基づき、チェック箇所歩留計算部212によって、各チェック箇所#iの組立歩留(チェック箇所歩留)69が算出される(ステップS222)。 Then, the multivariate distribution parameter 67 calculated in step S221, based on the allowable range 55 for each check point #i, check points yield the calculator 212, the assembly yield (check point step of each check point #i distillate) 69 is calculated (step S222). このとき、各チェック箇所#iの多変量分布パラメータ67と各チェック箇所#iの許容範囲55との関係から、チェック箇所歩留69が算出される。 At this time, the relationship between the multivariate distributions parameters 67 of each check point #i and tolerance 55 of each check point #i, check locations yield 69 are calculated.

一方、モンテカルロ処理部22においては、ステップS221で算出された多変量分布パラメータ67と、各チェック箇所#iの許容範囲55とに基づき、製品Pの組立歩留(製品歩留)68が予測される(モンテカルロ処理P5参照)。 On the other hand, in the Monte Carlo processing unit 22, a multivariate distribution parameter 67 calculated in step S221, based on the allowable range 55 for each check point #i, the product P assembly yield (product yield) 68 is predicted that (see Monte Carlo processing P5). このとき、まず、モンテカルロサンプル生成部221において、各チェック箇所#iの多変量分布パラメータ67に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59′がモンテカルロシミュレーションによって生成される(ステップS223)。 In this case, first, in the Monte Carlo sample generation unit 221, based on the multivariate distribution parameters 67 for each check point #i, a plurality of Monte Carlo samples 59 including a plurality of check locations dimensional data set, respectively 'are generated by Monte Carlo simulation that (step S223).

この後、製品歩留計算部222において、モンテカルロサンプル毎に、ステップS223で生成された各モンテカルロサンプル59′に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とが比較される。 Thereafter, the product yield calculation unit 222, for each Monte Carlo sample, and the dimensions of the plurality of check locations included in each Monte Carlo sample 59 'generated in step S223, and the dimension tolerance 55 of the plurality of check locations comparison It is. 当該比較によって、モンテカルロサンプル毎に、全てのチェック箇所が許容範囲内に含まれるか否かがチェックされる。 By the comparison, for each Monte Carlo sample, whether all checks locations are included within the allowable range is checked. そして、製品歩留68が、生成された複数のモンテカルロサンプル59′のうち、全てのチェック箇所寸法が許容範囲55内に含まれるモンテカルロサンプル59′の割合として算出される(ステップS224)。 The product yield 68 'of the Monte Carlo sample 59 that all checks locations dimensions fall within the allowable range 55' generated plurality of Monte Carlo samples 59 is calculated as the ratio of (step S224). 当該割合は、一つのモンテカルロサンプル59′において全てのチェック箇所寸法が許容範囲55内に含まれる確率に相当する。 The ratio corresponds to the probability that all the check points dimensions fall within the allowable range 55 in one Monte Carlo sample 59 '.

〔2−3−2〕図8に示すステップS24の歩留計算処理について 次に、図10に示すフローチャート(ステップS241〜S244)に従って、図8に示すステップS24の歩留計算処理、つまり歩留計算処理部(第3歩留算出部および第4歩留算出部)412の動作について説明する。 [2-3-2] For yield calculation process in step S24 shown in FIG. 8 Next, (steps S241~S244) shown in FIG. 10, yield calculation process in step S24 shown in FIG. 8, i.e. yield calculation processing unit for the operation of the (third step distillation calculating unit and the fourth step distillation calculating unit) 412 will be described. なお、図9に示すモンテカルロ処理P6は、モンテカルロ処理部22において実行されるステップS243およびS244の処理を含んでいる。 Incidentally, the Monte Carlo process P6 shown in FIG. 9 includes the processes of steps S243 and S244 are executed in the Monte Carlo process unit 22.

ステップS24の処理は、ステップS23で生成されたブートストラップサンプル毎に実行される。 The process of step S24 is executed the bootstrap samples each generated in step S23. ステップS24においては、まず、ステップS21で生成されたブートストラップサンプル64と、部分の設計値52および感度情報53と、各チェック箇所#iの設計値54とに基づき、多変量分布計算部211によって、チェック箇所寸法の多変量分布パラメータ67′が算出される(ステップS241)。 In step S24, first, a bootstrap sample 64 generated in step S21, a design value 52 and sensitivity data 53 parts, based on the design value 54 for each check point #i, multivariate distribution calculating unit 211 multivariate distribution parameters 67 'is calculated check point size (step S241). パラメータ67′も、例えば、チェック箇所寸法の多変量正規分布(同時分布)の平均(平均ベクトル)および分散共分散行列である。 Parameters 67 'also, for example, the average of the multivariate normal distribution check point size (simultaneous distribution) (mean vector) and variance-covariance matrix.

そして、ステップS241で算出された多変量分布パラメータ67′と、各チェック箇所#iの許容範囲55とに基づき、チェック箇所歩留計算部212によって、各チェック箇所#iの組立歩留(チェック箇所歩留)66が算出される(ステップS242)。 Then, the multivariate distribution parameter 67 'calculated in the step S241, based on the allowable range 55 for each check point #i, the check point yield calculation unit 212, the assembly yield (check point of each check point #i yield) 66 is calculated (step S242). このとき、各チェック箇所#iの多変量分布パラメータ67′と各チェック箇所#iの許容範囲55との関係から、各ブートストラップサンプル64のチェック箇所歩留66が算出される。 At this time, the relationship between the multivariate distributions parameter 67 'and the allowable range 55 for each check point #i of each check point #i, check points yield 66 of each bootstrap sample 64 is calculated.

一方、モンテカルロ処理部22においては、ステップS241で算出された多変量分布パラメータ67′と、各チェック箇所#iの許容範囲55とに基づき、各ブートストラップサンプル64の製品歩留65が予測される(モンテカルロ処理P6参照)。 On the other hand, in the Monte Carlo processing unit 22, a multivariate distribution parameter 67 'calculated in the step S241, based on the allowable range 55 for each check point #i, product yield 65 of each bootstrap sample 64 is expected (see Monte Carlo processing P6). このとき、まず、モンテカルロサンプル生成部221において、各チェック箇所#iの多変量分布パラメータ67′に基づき、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル59″がモンテカルロシミュレーションによって生成される(ステップS243)。 In this case, first, in the Monte Carlo sample generation unit 221, based on the multivariate distribution parameter 67 'of each check point #i, generating a plurality of Monte Carlo samples 59 including a plurality of check locations dimensional data set, respectively "it is by Monte Carlo simulation It is (step S243).

この後、製品歩留計算部222において、モンテカルロサンプル毎に、ステップS243で生成された各モンテカルロサンプル59″に含まれる複数のチェック箇所の寸法と、複数のチェック箇所の寸法許容範囲55とが比較される。当該比較によって、モンテカルロサンプル毎に、全てのチェック箇所が許容範囲内に含まれるか否かがチェックされる。そして、各ブートストラップサンプル64の製品歩留65が、生成された複数のモンテカルロサンプル59″のうち、全てのチェック箇所寸法が許容範囲55内に含まれるモンテカルロサンプル59″の割合として算出される(ステップS244)。当該割合は、一つのモンテカルロサンプル59″において全てのチェック箇所寸法が許容範囲55内に含まれる確率に相当する。 Thereafter, the product yield calculation unit 222, for each Monte Carlo sample, and the dimensions of the plurality of check locations included in each Monte Carlo sample 59 "generated in step S243, and the dimension tolerance 55 of the plurality of check locations comparison is. by the comparison, for each Monte Carlo sample, whether all checks locations are included within the allowable range is checked. the product yield 65 of each bootstrap sample 64, a plurality of generated "of all the check points dimensions Monte Carlo sample 59 contained within the acceptable range 55" Monte Carlo sample 59 is calculated as the ratio of (step S244). the ratio, all the check points in one Monte Carlo sample 59 " It corresponds to the probability that the dimensions are within the allowable range 55.

〔2−4〕高速モンテカルロ処理(モンテカルロ処理部22′の動作)について 次に、図11に示すフローチャート(S31〜S34)に従って、図4に示すモンテカルロ処理部22′によって実行される高速モンテカルロ処理について説明する。 [2-4] Fast Monte treatment (Carlo processor 22 ', the operation) Next, according to the flowchart (S31 to S34) shown in FIG. 11, Monte Carlo processor 22' shown in FIG. 4 for fast Monte Carlo process executed by explain. つまり、図7,図9,図10にそれぞれ示すモンテカルロ処理P2,P5,P6が図4に示したモンテカルロ処理部22′によって実行される場合の動作(モンテカルロ処理部22′の動作)について説明する。 That is, FIGS. 7, 9, Monte Carlo process P2, P5, P6 that respectively will be described 'operation (Carlo processor 22 when executed by' operation) Monte Carlo processing unit 22 shown in FIG. 4 in FIG. 10 .

モンテカルロ処理部22′では、上述したモンテカルロ処理部22で実行される処理を下記項目(a1)および(a2)の点について変更することで、製品歩留60,68,65の予測精度を保ちつつモンテカルロ処理P2,P5,P6の高速化を実現することができる。 In the Monte Carlo process unit 22 ', the processing performed by the Monte Carlo process unit 22 described above by changing the points of the following items (a1) and (a2), while maintaining a prediction accuracy of product yield 60,68,65 it is possible to realize high-speed Monte Carlo process P2, P5, P6.

(a1)チェック箇所#i(i=1,2,…,n;nは2以上の整数)毎の許容範囲55の大きさで、チェック箇所の分散共分散行列を調整(正規化)する。 (A1) checking point #i (i = 1,2, ..., n; n is an integer of 2 or more) the size of each of the allowable range 55, to adjust the variance-covariance matrix of the check points (normalized).
(a2)正規化されたチェック箇所の分散共分散行列の固有ベクトルのうち、固有値の大きいものから上位D個の固有ベクトルで張られる空間に、チェック箇所#iのモンテカルロサンプル76を近似的に生成する。 (A2) of the eigenvectors of the covariance matrix of the normalized checked point, the space spanned by the upper D eigenvectors from the largest eigenvalue to approximately generate Monte Carlo sample 76 check places #i. ここで、Dは、n未満の整数(D<n)で、固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルの最小数である。 Here, D is, in n an integer less than (D <n), the cumulative contribution ratio defined by the eigenvalue is the minimum number of eigenvectors exceeding a predetermined threshold value.

上述のような変更を行なったモンテカルロ処理部22′では、次元数がnからDに削減されることで、1つのモンテカルロサンプル当たりの計算量が減るため、モンテカルロ処理P2,P5,P6を高速化することができる。 In the Monte Carlo process unit 22 'such making changes as described above, since the number of dimensions is reduced from n to D, since the calculation amount per one Monte Carlo samples is reduced, speeding up a Monte Carlo process P2, P5, P6 can do. また、チェック箇所の良/不良が変化しやすい方向(歩留の感度のある方向)が固有ベクトルから特定され、感度のある領域の次元の数に応じて、生成すべきモンテカルロサンプル76の数が決定される。 Also, the check points good / bad is labile direction (direction with a sensitivity of yield) is identified from the eigenvectors, depending on the number of dimensions in the area of ​​the sensitive, the number of Monte Carlo samples 76 to be generated is determined It is. 感度のある領域の次元の数が小さいほど少ないサンプル数で精度よく製品歩留60,68,65を予測することができる。 Accurately in the smaller number of samples number is small dimension in the area of ​​the sensitive can predict the product yield 60,68,65. 以上の理由により、本実施形態のモンテカルロ処理部22′によれば、製品歩留60,68,65の予測精度を保ちつつモンテカルロ処理P2,P5,P6の高速化が実現される。 For the above reasons, according to the Monte Carlo processor 22 'of the present embodiment, while keeping the prediction accuracy of the product yield 60,68,65 speeding Monte Carlo process P2, P5, P6 are realized.

さて、図11に示すように、モンテカルロ処理部22′においては、多変量分布パラメータ57,67,67′と、各チェック箇所#iの設計値54および許容範囲55とに基づき、製品歩留60,68,65が予測される。 Now, as shown in FIG. 11, 'in the multivariate distribution parameter 57,67,67' Monte Carlo processor 22 and, based on the design value 54 and the allowable range 55 for each check point #i, product yield 60 , 68 and 65 is expected.

まず、正規化部223において、チェック箇所寸法の多変量分布パラメータ57,67,67′とチェック箇所の設計値54および寸法許容範囲55とが正規化される(ステップS31)。 First, the normalization unit 223, and a design value 54 and the dimension tolerance 55 check points and multivariate distribution parameter 57,67,67 'check point size is normalized (step S31). つまり、各チェック箇所#iの設計値54が0で且つ各チェック箇所#iの許容範囲55の大きさが1になるよう座標変換が行なわれる。 In other words, the magnitude of the allowable range 55 and each check point #i design value 54 for each check point #i is 0 is carried out coordinate conversion so as to be 1. また、多変量分布パラメータ(平均,分散共分散行列)57,67,67′も、前記座標変換後の座標系のものに変換される。 The multivariate distribution parameters (average, variance-covariance matrix) 57,67,67 'is also converted to those of the coordinate system after the coordinate transformation.

この後、固有ベクトル・固有値算出部224においては、ステップS31で正規化されたチェック箇所寸法の多変量正規分布(正規化後のチェック箇所の多変量正規分布の分散共分散行列74)から、複数の固有ベクトルと各ベクトルに対応する固有値75とが特異値分解によって算出される(ステップS32)。 Then, in the eigenvector eigenvalue calculation unit 224, a multivariate normal distribution of normalized checked point size in step S31 (variance-covariance matrix 74 of the multivariate normal distribution check point after normalization), a plurality of and eigenvalues ​​75 corresponding to eigenvectors and each vector is calculated by singular value decomposition (step S32).

そして、モンテカルロサンプル生成部221′において、ステップS31で正規化後のチェック箇所の多変量正規分布の平均73と、ステップS32で算出された固有ベクトルおよび固有値75とに基づき、チェック箇所のモンテカルロサンプル76が生成される(ステップS33)。 Then, in the Monte Carlo sample generating unit 221 ', and the average 73 multivariate normal distribution check point after normalization at step S31, based on the eigenvectors and eigenvalues ​​75 calculated in step S32, the Monte Carlo sample 76 check places It is generated (step S33).

このとき、複数の固有ベクトルのうち、固有値によって定義される累積寄与率が所定閾値を超える上記D個の固有ベクトルが抽出される。 In this case, among the plurality of eigenvectors, the D eigenvectors cumulative contribution ratio defined by the eigenvalues ​​exceeds a predetermined threshold value is extracted. 抽出されたD個の固有ベクトルによって張られる空間において、複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプル76が、モンテカルロシミュレーションによって生成される。 In the space spanned by the extracted D eigenvectors, the plurality of Monte Carlo samples 76 including a plurality of check locations dimensional data set, respectively, are generated by Monte Carlo simulation. このようにして、固有値の大きい固有ベクトルを用いてチェック箇所のサンプル76が近似的に生成される。 In this way, the sample 76 of the check point by using a large eigenvectors of the eigenvalue is approximately generated.

そして、製品歩留計算部222′において、モンテカルロサンプル毎に、ステップS31で得られたチェック箇所#iの許容範囲(正規化後)72と、ステップS33で生成されたモンテカルロサンプル76とに基づき、製品歩留60,68,65が算出される(ステップS34)。 Then, the product yield calculation unit 222 'for each Monte Carlo sample (after normalization) tolerance check point #i obtained in step S31 and 72, based on the Monte Carlo sample 76 generated in step S33, product yield 60,68,65 is calculated (step S34).

このとき、ステップS33で生成された各モンテカルロサンプル76に含まれる複数のチェック箇所の寸法と、ステップS31で正規化された複数のチェック箇所の寸法許容範囲72とがそれぞれ比較される。 In this case, the dimensions of a plurality of check locations included in each Monte Carlo sample 76 generated in step S33, and a plurality of check locations dimensional tolerance 72 normalized in step S31 are compared, respectively. 当該比較によって、モンテカルロサンプル毎に、全てのチェック箇所が許容範囲72内に含まれるか否かがチェックされる。 By the comparison, for each Monte Carlo sample, whether all checks locations are within the acceptable range 72 is checked. そして、製品歩留60,68,65が、生成された複数のモンテカルロサンプル76のうち、全てのチェック箇所寸法が許容範囲55内に含まれるモンテカルロサンプル76の割合として算出される。 The product yield 60,68,65 is, among the plurality of Monte Carlo samples 76 produced is calculated as the ratio of the Monte Carlo sample 76 that all checks locations dimensions fall within the allowable range 55. 当該割合は、一つのモンテカルロサンプル76において全てのチェック箇所寸法が許容範囲72内に含まれる確率に相当する。 The ratio corresponds to the probability that all the check points dimensions fall within the allowable range 72 in one Monte Carlo sample 76.

〔2−5〕組立歩留予測装置1の詳細について 次に、図12〜図19や数式を参照しながら、本実施形態の組立歩留予測装置1の詳細について説明する。 [2-5] Assembly yield of detail predicting device 1 next with reference to FIGS. 12 to 19 and formulas are described in detail for assembling yield estimation apparatus 1 of the present embodiment. 以下では、組立歩留予測装置1の詳細として、例えば、入力データ,出力データ,中間データの具体例や、組立歩留予測装置1の構成要素のより具体的な動作などについて説明する。 In the following, the details of assembling yield estimation apparatus 1, for example, input data, output data, and specific examples of the intermediate data will be described, such as a more specific operation of the components of the assembly yield estimation apparatus 1.

〔2−5−1〕感度情報53(入力データ)について まず、図12を参照しながら、本実施形態の組立歩留予測装置1への入力データである感度情報53の一例について説明する。 [2-5-1] sensitivity information 53 about the (input data) First, referring to FIG. 12, a description will be given of an example of a sensitivity information 53 as input data to the assembling yield estimation apparatus 1 of the present embodiment. 図12は、感度情報53の一例を示す図である。 Figure 12 is a diagram showing an example of the sensitivity information 53.

感度情報53は、前述した通り、例えば部品の部分寸法が1mm変化した場合にチェック箇所が何mm変化するかを示す値に関する情報である。 Sensitivity information 53 is information relating to the value indicating whether check points are changed anything mm when as described above, for example, a component part dimensions were 1mm changed. また、感度情報53は、全ての種類の部品における全ての部分の、全てのチェック箇所に対する感度(影響度)を含んでいる。 Also, the sensitivity information 53 of all parts of all types of parts, includes a sensitivity (influence) with respect to all of the check points. 感度情報53は、例えば図12に示すような行列によって表現される。 Sensitivity information 53 is represented by a matrix as shown in FIG. 12 for example.

図12では、製品Pが3種類の部品A,B,Cから組み立てられn個のチェック箇所を有するとともに、部品A,B,Cのそれぞれがp個,q個,r個の部分を有する場合の感度情報53が例示されている。 In Figure 12, the product P is three parts A, B, and having the assembled n-number of check points from C, if the parts A, B, and each of the C having a number p, q number, r number of partial sensitivity information 53 is illustrated. 図12に示す感度情報53はn行m列の行列であり、m=p+q+rである。 Sensitivity information 53 shown in FIG. 12 is a matrix of n rows and m columns, a m = p + q + r. また、a i,jは、部分#j(jは1〜mの整数)のチェック箇所#i(iは1〜nの整数)に対する感度である。 Further, a i, j is (i is an integer of 1 to n) checking point #i parts #j (j is an integer from 1 to m) is a sensitivity to.

〔2−5−2〕設計データ(入力データ)について 次に、図13および図14を参照しながら、本実施形態の組立歩留予測装置1への入力データである設計データについて説明する。 [2-5-2] For the design data (input data) Next, with reference to FIGS. 13 and 14, will be described the input data is design data for assembling yield estimation apparatus 1 of the present embodiment. 図13は、設計データである部分の設計値52およびばらつき情報51の一例を示す図である。 Figure 13 is a diagram showing an example of the design value 52 and the variation information 51 of the portion which is the design data. 図14は、設計データであるチェック箇所#iの設計値54および許容範囲55の一例を示す図である。 Figure 14 is a diagram showing an example of the design value 54 and the allowable range 55 check places #i is design data.

各部品A〜Cの部分#jの設計値52は、例えば図13に示すように、設計で決めた各部分#jの寸法(部分寸法)の値である。 Design value 52 parts #j of each component A~C, for example, as shown in FIG. 13, the value of the dimension (feature size) of each portion #j decided in the design. また、ばらつき51は、各部分#jの寸法の誤差の大きさを表し、図13に示すように、例えば公差、または標準偏差,分散で表現される。 Further, variation 51 represents the magnitude of the error of the dimensions of each part #j, as shown in FIG. 13, for example, tolerances or standard deviation, expressed in dispersion. ばらつき51の分布が正規分布であると仮定した場合、公差を3σとする場合が多い。 If the distribution of variation 51 is assumed to be normally distributed, often the tolerances and 3 [sigma]. ここで、1σは、仮定する正規分布の標準偏差である。 Here, 1 [sigma is the standard deviation of the assumed normal distribution. なお、ばらつき範囲を公差で表す場合、設計値52は、ばらつき範囲の真ん中の値になるように設定される。 Note that when representing a variation range in the tolerance, the design value 52 is set to be the value of the middle of the variation range. 設計値52からばらつき範囲の境界までの値が公差になる。 Value from the design value 52 to the boundary of the range of variation is the tolerance.

各チェック箇所#iの設計値54は、前述の通り、各部品A〜Cの部分#jが全て設計値通りに製造されたものと仮定した場合の、チェック箇所#iの寸法の値であり、例えば図14に示すように与えられる。 Design value 54 for each check point #i, as described above, assuming that those portions #j of each component A~C is produced in all design values, be a value of the dimension of the check point #i given example, as shown in FIG. 14. また、各チェック箇所#iの許容範囲55は、製品Pが良品となるために、各チェック箇所#iが満たすべき寸法の範囲を表すもので、例えば図14に示すように、通常、下限値と上限値とで表現される。 Further, the allowable range 55 for each check point #i, to the product P is good, represents the range of dimensions to be satisfied by each check point #i, for example, as shown in FIG. 14, usually, the lower limit value It is represented by the upper limit value.

〔2−5−3〕部品サンプル測定情報61(入力データ)について 次に、図15および図16を参照しながら、本実施形態の組立歩留予測装置1への入力データである部品サンプル測定情報61について説明する。 [2-5-3] components for sample measurement information 61 (input data) Next, with reference to FIGS. 15 and 16, parts sample measurement information as input data to the assembling yield estimation apparatus 1 of the present embodiment 61 will be described. 図15は部品サンプル測定情報61の一例を示す図であり、図16は部品サンプル測定情報61の他例を示す図である。 Figure 15 is a diagram showing an example of the component sample measurement information 61, FIG. 16 is a diagram showing another example of a component sample measurement information 61.

部品サンプル測定情報61は、例えば図15または図16に示すように、実際に製造された部品のサンプル測定結果として得られる、部品名,部分名,部分寸法,ばらつき,標本数(サンプル数)などの情報を含む。 Parts Sample measurement information 61, for example, as shown in FIG. 15 or 16, obtained as actually result manufactured parts sample measurements, part name, part name, part dimensions, variations, number of samples (number of samples) etc. including the information. 図15に示す部品サンプル測定情報61において、各部分#jの寸法やばらつきは、各部分#jの平均(平均ベクトル)と分散共分散行列とで表現される。 In component sample measurement information 61 shown in FIG. 15, the size and dispersion of each part #j is represented as an average of each portion #j (average vector) and variance-covariance matrix. また、図16に示す部品サンプル測定情報61のように、各部分#jの寸法やばらつきは、平均ベクトルおよび分散共分散行列のもととなった生の測定データ(実測値)として与えられもよい。 Also, as in the component sample measurement information 61 shown in FIG. 16, the size and dispersion of each part #j is also given as the mean vector and the raw measurement data which is the basis of the variance-covariance matrix (found) good. 図16に示す部品サンプル測定情報61で部分の測定データを表す行列においては、例えば、j番目の行が部分#jの測定データに相当し、1つの列は同じ部品(個体)の各部分の測定値に相当する。 In the component sample measurement information 61 matrix representing the measurement data portion in the shown in FIG. 16, for example, j-th row corresponds to the measurement data of the portion #j, 1 single row of each portion of the same part (individual) corresponding to the measured value.

〔2−5−4〕出力データについて 次に、本実施形態の組立歩留予測装置1からの出力データについて説明する。 [2-5-4] For the output data will be described next output data from the assembling yield estimation apparatus 1 of the present embodiment.
製品Pの組立歩留(製品歩留)60,68(65)は、本実施形態の組立歩留予測装置1からの出力データであり、一つの予測値(例えば97.5%)である。 Product P assembly yield (product yield) 60, 68 (65) is the output data from the assembling yield estimation apparatus 1 of the present embodiment, which is one of the predicted value (e.g. 97.5%).
また、チェック箇所歩留信頼区間70および製品歩留信頼区間71も、本実施形態の組立歩留予測装置1からの出力データであるが、信頼区間70,71については後述する。 Also check points yield confidence intervals 70 and product yield confidence intervals 71, but the output data from the assembling yield estimation apparatus 1 of the present embodiment will be described below confidence intervals 70 and 71.

さらに、各チェック箇所#iの分布および歩留(多変量分布パラメータ57,67(67′)やチェック箇所歩留58,69(66))も、本実施形態の組立歩留予測装置1からの出力データであり、例えば図17に示すように出力される。 Moreover, distribution and yield of each check point #i (multivariate distribution parameters 57 and 67 (67 ') and check point yield 58,69 (66)) is also from the assembly yield estimation apparatus 1 of the present embodiment the output data are outputted as shown in FIG. 17. 図17は、本実施形態の組立歩留予測装置1から出力されるチェック箇所#iの分布情報および歩留情報の一例を示す図である。 Figure 17 is a diagram showing an example of distribution information and the yield information of check points #i output from the assembly yield estimation apparatus 1 of the present embodiment.

チェック箇所#iの分布情報は、チェック箇所#iの、寸法の分布を表すパラメータである。 Distribution information check point #i is checked point #i, a parameter representing a distribution of sizes. 図17に示すように、通常、分布情報は、チェック箇所寸法の平均および分散の値である。 As shown in FIG. 17, normally, the distribution information is the value of the mean and variance of the check point size. また、チェック箇所#iの歩留情報は、チェック箇所#iの組立歩留の値、つまりチェック箇所#iの寸法が許容範囲55内に収まる確率に相当する値である。 Further, yield information check point #i, the value of assembly yield of the check point #i, that is, a value corresponding to the probability that the size of the check point #i is within the allowable range 55.

〔2−5−5〕中間データについて 次に、図18を参照しながら、本実施形態の組立歩留予測装置1による処理の中間データ(部分寸法の多変量分布パラメータ)について説明する。 [2-5-5] For the intermediate data Next, referring to FIG. 18, described intermediate data processing by assembling yield estimation apparatus 1 of the present embodiment (multivariate distribution parameter part dimension). 図18は、中間データの部分寸法の多変量分布パラメータ57,67,67′である部分の平均ベクトルおよび分散共分散行列の一例を示す図である。 Figure 18 is a diagram showing an example of a mean vector and variance-covariance matrix of the multivariate distribution part is a parameter 57,67,67 'portion size of the intermediate data.

部分寸法の多変量分布パラメータは、図18に示すように、部分の平均ベクトルX(図18中でXの上に横バーが付されているが明細書中では省略)と分散共分散行列Σ とで表現される。 Multivariate distribution parameters of parts dimensions, as shown in FIG. 18, (optional but horizontal bar is attached on the X in FIG. 18 in the specification) the mean vector X portion and variance-covariance matrix Σ It is represented by the X. このとき、多変量分布としては、正規分布が仮定される。 At this time, as the multivariate distributions, normal distribution is assumed. 図18に示すように、平均ベクトルXは、全種類の部品の全部分#1〜#mの寸法平均値を統合したものである。 As shown in FIG. 18, the mean vector X is obtained by integrating the dimension average value of all parts #. 1 to # m of all types of parts. また、分散共分散行列Σ は、全種類の部品の全部分#1〜#mの分散を統合したものである。 Also, the variance-covariance matrix sigma X is obtained by integrating the distribution of all parts #. 1 to # m of all types of parts.

〔2−5−6〕多変量分布パラメータ決定部10について 次に、本実施形態の組立歩留予測装置1における多変量分布パラメータ決定部10の、より具体的な動作について説明する。 For [2-5-6] multivariate distribution parameter determination unit 10 then multivariate distribution parameter determination unit 10 in the assembly yield estimation apparatus 1 of the present embodiment will be described in more specific operation.

(b1)部分#j(jは1〜mの整数)の寸法のばらつき情報51が公差で与えられた場合、多変量分布パラメータ決定部10は、与えられた公差から、下式(数1)で示す、部分の分散共分散行列Σ (多変量分布パラメータ56)を生成する。 (B1) When the partial #j (j is an integer of 1 to m) is given by the variation information 51 is the tolerance of the dimensions of the multivariate distribution parameter determining section 10, from a given tolerance, the following equation (Equation 1) shown in, for generating a portion of the variance-covariance matrix sigma x (multivariate distribution parameter 56).

ただし、t jは、部分#jの寸法の公差であり、上式(数1)では、公差が3σである例が示されている。 However, t j is the tolerance of the dimensions of the parts #j, the above equation (Equation 1), is shown an example tolerance is 3 [sigma].
また、多変量分布パラメータ決定部10は、部分の平均ベクトルX(多変量分布パラメータ56)を、各要素(部分#jの寸法の平均値)が対応する部分#jの設計値となるように生成する。 The multivariate distribution parameter determining section 10, a portion of the mean vector X (multivariate distribution parameters 56), (average value of the dimension of the portion #j) elements are formed so that the design value of the corresponding portion #j generated.

(b2)部分#jの寸法のばらつき情報51が各部分#jの正規分布の平均および分散で与えられた場合、多変量分布パラメータ決定部10は、与えられた分散から、下式(数2)で示す、部分の分散共分散行列Σ (多変量分布パラメータ56)を生成する。 (B2) if the partial fluctuation information 51 dimensions #j is given by the average and variance of the normal distribution of each portion #j, multivariate distribution parameter determining section 10, from a given dispersion, the following equation (Equation 2 indicated by), to generate a portion of the variance-covariance matrix sigma x (multivariate distribution parameter 56).

ただし、σ j 2は、部分#jの寸法の分散である。 However, sigma j 2 is the variance of the dimension of the portion #j.
また、多変量分布パラメータ決定部10は、部分の平均ベクトルX(多変量分布パラメータ56)を、各要素(部分#jの寸法の平均値)が対応する部分#jの正規分布の平均となるように生成する。 The multivariate distribution parameter determining section 10, a portion of the mean vector X (multivariate distribution parameter 56), the mean of the normal distribution of each element (the average value of the dimension of the portion #j) is corresponding parts #j generated as.

(b3)部分#jの寸法のばらつき情報51が部品の種類毎に正規分布の平均ベクトルおよび分散共分散行列で与えられた場合、多変量分布パラメータ決定部10は、与えられた各種類#k(kは1〜部品の種類数の整数)の分散共分散行列Σ kから、下式(数3)で示す分散共分散行列Σ (多変量分布パラメータ56)を生成する。 (B3) if the variation information 51 of the dimensions of the part #j is given by the average vector and variance-covariance matrix of the normal distribution for each type of component, the multivariate distribution parameter determining section 10, each type is given #k (k is 1 part of the number of kinds of integers) from the variance-covariance matrix sigma k of generating the following formula (equation 3) covariance matrix shown in sigma x (multivariate distribution parameter 56).

また、多変量分布パラメータ決定部10は、部分の平均ベクトルX(多変量分布パラメータ56)を、各種類#kの平均ベクトルから、下式(数4)に示すように生成する。 The multivariate distribution parameter determining section 10, a portion of the mean vector X (multivariate distribution parameter 56), the average vector of each type #k, generated as shown in the following equation (Equation 4).

〔2−5−7〕多変量分布パラメータ推定部30について 次に、本実施形態の組立歩留予測装置1における多変量分布パラメータ推定部30の、より具体的な動作について説明する。 For [2-5-7] multivariate distribution parameter estimation unit 30 then multivariate distribution parameter estimation unit 30 in the assembly yield estimation apparatus 1 of the present embodiment will be described in more specific operation.

(c1)部品サンプル測定情報61が部分の平均ベクトルと分散共分散行列とで表現されている場合(例えば図15参照)、多変量分布パラメータ推定部30は、部品サンプル測定情報61としての平均ベクトルと分散共分散行列とをそのまま多変量分布パラメータの推定値として出力する。 (C1) component when the sample measurement information 61 is expressed by the average vector of the portion and variance-covariance matrix (for example, see FIG. 15), the multivariate distribution parameter estimation unit 30, the average vector of the component sample measurement information 61 and it outputs the variance-covariance matrix as it is as an estimate of the multivariate distribution parameters. この場合、多変量分布パラメータ推定部30は、多変量分布パラメータ決定部10による上記項目(b3)の場合と同様、各部品の平均ベクトルと分散共分散行列との推定値を用いて平均ベクトルXおよび分散共分散行列Σ (多変量分布パラメータ63)を生成する。 In this case, a multivariate distribution parameter estimation unit 30, as in the case of the item (b3) by multivariate distribution parameter determining section 10, the average vector X using the estimated value of the variance-covariance matrix and mean vector of each component and generating variance-covariance matrix sigma X (the multivariate distribution parameter 63).

(c2)部品サンプル測定情報61が生のサンプル測定データである場合(例えば図16参照)、多変量分布パラメータ推定部30は、部品サンプル測定情報61としての測定結果から、標本平均ベクトルと不偏分散共分散行列とを算出する。 (C2) if a component sample measurement information 61 is the raw sample measurement data (e.g., see FIG. 16), the multivariate distribution parameter estimation unit 30, the measurement results as a component sample measurement information 61, the sample mean vector and unbiased variance calculating a covariance matrix. そして、多変量分布パラメータ推定部30は、算出した標本平均ベクトルと不偏分散共分散行列とを多変量分布パラメータ推定値とし、上記項目(c1)の場合と同様、当該推定値を用いて平均ベクトルXおよび分散共分散行列Σ (多変量分布パラメータ63)を生成する。 Then, the multivariate distribution parameter estimation unit 30, and a calculated sample mean vector and unbiased variance-covariance matrix as a multivariate distribution parameter estimates, as in the case of the item (c1), the average by using the estimated value vector generating X and variance-covariance matrix sigma X (multivariate distribution parameter 63). なお、標本平均ベクトルおよび不偏分散共分散行列は、一般的な演算手法によって算出される。 Incidentally, the sample mean vector and unbiased variance-covariance matrix is ​​calculated by a general calculation method.

〔2−5−8〕チェック箇所の多変量分布計算部211について 次に、本実施形態の組立歩留予測装置1におけるチェック箇所の多変量分布計算部211の、より具体的な動作について説明する。 [2-5-8] For the multivariate distribution calculation unit 211 of the check point then a multivariate distribution calculation unit 211 of the check points in the assembly yield estimation apparatus 1 of the present embodiment, more specific operation will be described .

チェック箇所寸法の分布は多変量正規分布であり、チェック箇所の多変量分布計算部211は、当該多変量正規分布の平均ベクトルZおよび分散共分散行列Σ (多変量分布パラメータ57,67,67′)を、部分の多変量分布パラメータ56,63(64)と感度情報53とチェック箇所の設計値54とから、下式(数5)により解析的に算出する。 Distribution of check points dimensions are multivariate normal distribution, the multivariate distribution calculation unit 211 of the check point is the mean vector Z and the variance-covariance matrix sigma Z (multivariate distribution parameter of the multivariate normal distribution 57,67,67 the '), from the portion of the multivariate distribution parameters 56 and 63 (64) and sensitivity information 53 and the check part of the design value 54, analytically calculated by the following equation (5).

ただし、平均ベクトルZは、下式(数6)で与えられる。 However, the mean vector Z is given by the following expression (6).
上式(数6)の平均ベクトルZの要素Z iは、チェック箇所#iの寸法の平均である。 Element Z i of the average vector Z in the above formula (6) is the average dimension of the check point #i. また、Yは下式(数7)で与えられる設計値ベクトルである。 Further, Y is a design value vector given by the following formula (7).

上式(数7)の設計値ベクトルYの要素Y iは、チェック箇所#iの設計値である。 Element Y i of the design value vector Y of the equation (7) is a design value of the check point #i. さらに、上式(数5)において、Aは感度行列(図12参照)、Xは部分寸法の平均ベクトル、μは部分の設計値のベクトル、Σ は部分の分散共分散行列である。 Further, in the above equation (Equation 5), A is the sensitivity matrix (see FIG. 12), X is an average vector of feature size, mu is the part of vector design values, sigma X is part of the covariance matrix.
そして、分散共分散行列Σ のi番目の対角成分Σ Z,iiがチェック箇所#iの分散となる。 Then, i-th diagonal element sigma Z covariance matrix sigma Z, ii is the variance of the check point #i.

〔2−5−9〕チェック箇所の歩留計算部212について 次に、本実施形態の組立歩留予測装置1におけるチェック箇所の歩留計算部212の、より具体的な動作について説明する。 [2-5-9] For the yield calculation unit 212 of the check point then the yield calculation unit 212 of the check points in the assembly yield estimation apparatus 1 of the present embodiment will be described in more specific operation.

チェック箇所の歩留計算部212は、解析的に算出されたチェック箇所の多変量分布パラメータ57,67,67′と、チェック箇所の許容範囲55と、正規分布の累積分布関数とを用いて、各チェック箇所#iの寸法が許容範囲55内に収まる確率を、チェック箇所歩留58,69,66として算出する。 Yield calculation unit 212 of the check points, using a multivariate distribution parameter 57,67,67 'check points calculated analytically, and the acceptable range 55 check places, and a cumulative distribution function of the normal distribution, the probability that the size of each check point #i is within the allowable range 55 is calculated as a check point yield 58,69,66. ここで、正規分布の累積分布関数は、統計処理を行なうツール等では、関数,ライブラリで通常用意されている。 Here, the cumulative distribution function of the normal distribution, the tool for performing a statistical process, function, in the library are usually prepared.

ここで、i番目のチェック箇所#iの分布は、一変数の正規分布であり、チェック箇所#iの平均は、前記平均ベクトルZのi番目の要素であり、チェック箇所#iの分散は、前記分散共分散行列Σ のi番目の対角成分である。 Here, the distribution of the i-th check point #i is a normal distribution of the one-variable, the average of the check point #i is an i-th element of the mean vector Z, the dispersion of the check point #i is wherein an i-th diagonal element of variance-covariance matrix sigma Z. これらの情報と、チェック箇所#iの許容範囲55とから、歩留計算部212は、チェック箇所#iの寸法が許容範囲55内に収まる確率、つまりチェック箇所#iの組立歩留58,69,66を算出する。 And the information, from the allowable range 55. check point #i, yield calculation unit 212, the probability that the size of the check point #i is within the allowable range 55, i.e. the assembly of the check point #i yield 58,69 , to calculate the 66.

〔2−5−10〕高速モンテカルロ処理を行なわないモンテカルロ処理部22について 次に、本実施形態の組立歩留予測装置1において高速モンテカルロ処理を行なわない場合のモンテカルロ処理部22(モンテカルロサンプル生成部221)の、より具体的な動作について説明する。 [2-5-10] Fast Monte treatment for Carlo processor 22 is not performed now, when in the assembly yield estimation apparatus 1 of the present embodiment does not perform the high-speed Monte processor Carlo processor 22 (Carlo sample generating unit 221 ) of, will be described in more specific operation.

モンテカルロサンプル生成部221は、以下の項目(d1)〜(d3)の手順に従ってM組のモンテカルロサンプル59,59′,59″を生成する。Mの値は、チェック箇所の数nに応じて変更される。例えば、M=100 とする。 Monte Carlo sample generation unit 221, the value of .M for generating M sets of Monte Carlo samples 59, 59 ', 59 "in accordance with the procedure of the following items (d1) ~ (d3), changes depending on the number n of the check points It is the. for example, an M = 100 n.

(d1)モンテカルロサンプル生成部221は、平均0かつ分散1の標準正規分布に独立に従うn×M個の乱数を生成する。 (D1) Monte Carlo sample generation unit 221 generates an average 0 and n × M pieces of random numbers according to the independent standard normal distribution variance.
(d2)モンテカルロサンプル生成部221は、上記項目(d1)で生成した乱数を要素とするn行M列の行列R を生成する。 (D2) Monte Carlo sample generation unit 221 generates a matrix R n of n rows and M columns whose elements are random numbers generated in the above item (d1).
(d3)モンテカルロサンプル生成部221は、下式(数8)に従う行列計算を行なって、各列が一組の(チェック箇所#1,…,チェック箇所#n)のサンプルになっているn行M列の行列R を生成する。 (D3) Monte Carlo sample generation unit 221 performs a matrix calculation according to the following equation (8), each column a pair of (check point # 1, ..., check point #n) n rows that is a sample of generating a matrix R a of M columns.

上式(数8)において、右辺第2項の(Z,…,Z)は、全ての列が平均ベクトルZであるn行M列の行列である。 Above formula (8), the right side of the second term (Z, ..., Z) is a matrix of n rows and M columns is all the columns mean vector Z. また、U は分散共分散行列Σ Z′の固有ベクトルu 1 ,…,u nを固有値の大きい順にならべたもの、つまりU =(u 1 ,…,u n )である。 Further, eigenvectors u 1 of U n is the variance-covariance matrix sigma Z ', ..., which arranged the u n in descending order of eigenvalue, i.e. U n = (u 1, ..., u n) it is. さらに、Λ は、下式(数9)に示すような、固有値の平方根を対角要素にもつn行n列の行列である。 Furthermore, the lambda n, such as shown in the following equation (9) is a matrix of n rows and n columns with the square root of the eigenvalues on the diagonal.

上述のように生成された行列R はM組のモンテカルロサンプル59,59′,59″として製品歩留計算部222へ出力され、製品歩留計算部222において、行列R に基づき製品歩留60,68,65が算出される。製品歩留計算部222による処理は、後述する高速モンテカルロ処理を行なうモンテカルロ処理部22′における製品歩留計算部222′による処理と同様であるので、製品歩留計算部222による処理については、図19を参照しながら後述する。 The generated matrix R A as described above M sets of Monte Carlo samples 59, 59 ', 59 "as the output to the product yield calculation unit 222, the product yield calculation unit 222, based on the matrix R A product yield 60,68,65 treatment with. product yield calculation unit 222 calculated is the same as the processing by the 'product yield calculation unit 222 in the' fast Monte Carlo process performed Monte Carlo processing unit 22 to be described later, product step the processing by the cut calculation unit 222 will be described later with reference to FIG. 19.

〔2−5−11〕正規化部223について 次に、本実施形態の組立歩留予測装置1における正規化部223のより具体的な動作、つまり高速モンテカルロ処理で行なわれる正規化処理について説明する。 [2-5-11] Normalization section 223 Next, a more specific operation of the normalization unit 223 in the assembly yield estimation apparatus 1 of the present embodiment, that is, the normalization process performed at high speed Monte Carlo process is described .

正規化部223は、下式(数10)に従って、正規化後のチェック箇所の多変量正規分布パラメータ(符号73,74)である平均ベクトルZ′と分散共分散行列Σ Z′とを算出する。 Normalizing unit 223 according to the following equation (Equation 10), calculates an average and vector Z 'and variance-covariance matrix sigma Z' is a multivariate normal distribution parameter check point after normalization (reference numeral 73 and 74) .

上式(数10)において、行列Gは、下式(数11)のように与えられる。 In the above equation (Equation 10), the matrix G is given by the following expression (Expression 11). 下式(数11)において、d はi番目のチェック箇所#iの許容範囲55の大きさである。 In the following formula (number 11), d i is the magnitude of the allowable range 55 of the i-th check point #i.

また、正規化部223は、下式(数12)のようにチェック箇所許容範囲55も正規化し、正規化後の許容範囲72を算出する。 Further, the normalization unit 223 normalizes check also places tolerance 55 by the following equation (Equation 12), to calculate the allowable range 72 after normalization. ここで、正規化前のチェック箇所#iの許容範囲の下限および上限をそれぞれLl i ,Lh iとすると、正規化部223は、正規化後のチェック箇所#iの許容範囲の下限Ll i ′および上限Lh i ′をそれぞれ下式(数12)のように算出する。 Here, Ll lower and upper limit of the allowable range of the normalized before check point #i each i, When Lh i, the normalization unit 223, the lower limit Ll tolerance checking point #i after normalization i ' and calculated by the following equation limit Lh i 'respectively (equation 12).

なお、チェック箇所によって許容範囲の大きさが異なるため、複数のチェック箇所における寸法が例えば同じ0.1mmだけずれても、良/不良への影響がチェック箇所によって異なってくる。 Since the different sizes of the allowable range by the check point, also displaced by the same 0.1mm size for example in a plurality of check locations, the effect of the good / bad varies by check point. そこで、各チェック箇所の歩留への影響が同じになるようにすることが、正規化を行なう目的である。 Accordingly, it is an object to perform the normalization effect on the yield of each check point is made to be the same.

〔2−5−12〕固有値・固有ベクトル計算部224について 次に、本実施形態の組立歩留予測装置1における固有値・固有ベクトル計算部224のより具体的な動作、つまり高速モンテカルロ処理で行なわれる固有値・固有ベクトル計算処理について説明する。 [2-5-12] eigenvalue-eigenvector calculator 224 then Eigenvalues ​​and performed in a more specific operation, i.e. fast Monte Carlo process eigenvalues ​​and eigenvectors calculator 224 in the assembly yield estimation apparatus 1 of the present embodiment It will be described eigenvector calculation processing.

固有値・固有ベクトル計算部224は、正規化後のチェック箇所の分散共分散行列Σ ′(符号74参照)から、固有ベクトルu 1 ,…,u と各固有ベクトルに対応する固有値λ 1 ,…,λ とを、特異値分解によって算出する(符号75参照)。 Eigenvalues and Eigenvectors calculation unit 224, the variance-covariance matrix sigma Z check point after normalization '(reference numeral 74), the eigenvector u 1, ..., eigenvalues lambda 1 corresponding to u n and the eigenvectors, ..., lambda and n, it is calculated by singular value decomposition (reference numeral 75). ただし、固有ベクトルu iは、固有値λ iの大きい順で並べられ、且つ、各固有ベクトルu iの大きさは1に正規化されている。 However, the eigenvectors u i are ordered in descending order of the eigenvalue lambda i, and size of each eigenvector u i are normalized to 1.

さらに、固有値・固有ベクトル計算部224は、下式(数13)によって定義される「累積寄与率C(D)」が所定閾値(例えば0.95)を超える最小の値D(Dはn未満の整数)を求め、u 1 ,…,u を各列とする、u行D列の行列U =(u 1 ,…,u )を生成する。 Further, eigenvalues ​​and eigenvectors calculator 224 is defined by the following equation (Equation 13) "cumulative contribution ratio C (D)" is the minimum value D (D exceeding a predetermined threshold value (e.g. 0.95) of less than n obtains an integer), u 1, ..., a u D and each column, the matrix U D = (u 1 u-row column D, ..., and generates a u D).

〔2−5−13〕チェック箇所のモンテカルロサンプル生成分221′について 次に、本実施形態の組立歩留予測装置1におけるチェック箇所のモンテカルロサンプル生成部221′のより具体的な動作、つまり高速モンテカルロ処理で行なわれるモンテカルロ生成処理について説明する。 [2-5-13] Monte Carlo sample generation component 221 checks positions 'for now, the Monte Carlo sample generating unit 221 of the check points in the assembly yield estimation apparatus 1' of this embodiment more specific actions, i.e. fast Monte Carlo Monte Carlo generation process will be described which is performed by the processing.

モンテカルロサンプル生成部221′は、以下の項目(e1)〜(e3)の手順に従ってM組のモンテカルロサンプル59,59′,59″を生成する。Mの値は、前述したD(<n)の値に応じて変更される。例えば、M=100 とする。 Monte Carlo sample generating unit 221 'is, M sets of Monte Carlo samples 59, 59 according to the procedures of the following items (e1) ~ (e3)' value of .M for generating, 59 "is of D (<n) described above It is changed depending on the value. for example, an M = 100 D.

(e1)モンテカルロサンプル生成部221′は、平均0かつ分散1の標準正規分布に独立に従うD×M個の乱数を生成する。 (E1) Monte Carlo sample generating unit 221 'generates a zero mean and D × M pieces of random numbers according to the independent standard normal distribution variance.
(e2)モンテカルロサンプル生成部221′は、上記項目(e1)で生成した乱数を要素とするD行M列の行列Rを生成する。 (E2) Monte Carlo sample generating unit 221 'generates a matrix R of D rows and M columns whose elements are random numbers generated in the above item (e1).
(e3)モンテカルロサンプル生成部221′は、下式(数14)に従う行列計算を行なって、各列が一組の(チェック箇所#1,…,チェック箇所#n)のサンプルになっているn行M列の行列R を生成する。 (E3) Monte Carlo sample generating unit 221 'is, n that performs a matrix calculation according to the following expression (Expression 14), each column a pair of (check point # 1, ..., check point #n) has a sample of generating a matrix R a of rows and M columns.

上式(数14)において、右辺第2項の(Z,…,Z)は、全ての列が平均ベクトルZであるn行M列の行列である。 In the above equation (Equation 14), the right side of the second term (Z, ..., Z) is a matrix of n rows and M columns is all the columns mean vector Z. また、U は、固有値・固有ベクトル計算部224で上述のごとく生成されるu行D列の行列U =(u 1 ,…,u )である。 Also, U D is the matrix U D = the u rows D sequence generated as described above with Eigenvalues and Eigenvectors calculation unit 224 (u 1, ..., u D) is. さらに、Λは、下式(数15)に示すような、固有値の平方根を対角要素にもつD行D列の行列である。 Moreover, lambda, such as shown in the following equation (equation 15), a matrix of D rows D column with the square root of the eigenvalues ​​on the diagonal.

上述のように生成された行列R はM組のモンテカルロサンプル76として製品歩留計算部222′へ出力され、製品歩留計算部222′において、行列R に基づき製品歩留60,68,65が算出される。 The generated matrix R A as described above 'is output to, product yield calculation unit 222' product yield calculation unit 222 as M sets of Monte Carlo samples 76 in, based on the matrix R A product yield 60 and 68, 65 is calculated.

〔2−5−14〕製品歩留計算部222,222′について 次に、図19を参照しながら、本実施形態の組立歩留予測装置1における製品歩留計算部222,222′の、より具体的な動作について説明する。 'For now, with reference to FIG. 19, the product yield calculation unit 222 and 222 in the assembly yield estimation apparatus 1 of the present embodiment' [2-5-14] Product yield calculation unit 222 and 222, and more It will be described specific operation. 図19は、図3および図4に示すモンテカルロ処理部22,22′の製品歩留計算部222,222′による処理手順を説明するフローチャートである。 Figure 19 is a flowchart illustrating a processing procedure by the 'product yield calculation unit 222 and 222' of the Monte Carlo process unit 22, 22 shown in FIGS. 3 and 4.

n行M列の行列R の各列は、一組の(チェック箇所#1,…,チェック箇所#n)のサンプルになっている。 each column of the matrix R A of n rows and M columns, a set of (check point # 1, ..., check point #n) has become the sample of. 製品歩留計算部222,222′は、それぞれモンテカルロサンプル生成部221,221′からのn行M列の行列R の各列(一サンプル)についてチェック箇所の許容範囲内であるか否かをチェックする。 Product yield calculation unit 222 and 222 'are each Monte Carlo sample generating unit 221, 221' whether it is within the allowable range of the check point for each column (one sample) of the matrix R A of n rows and M columns from To check. そして、製品歩留計算部222,222′は、全サンプル数Mに対する、許容範囲内であると判断されたサンプルの数の割合を、製品歩留60,68,65として算出する。 The product yield calculation unit 222 and 222 'are to the total number of samples M, the ratio of the number of samples is determined to be within the allowable range, is calculated as a product yield 60,68,65.

以下、図19に示すフローチャート(ステップS41〜S50)に従って、製品歩留計算部222,222′による製品歩留算出手順について説明する。 Hereinafter, (steps S41~S50) shown in FIG. 19 will be described product yield calculation procedure according to product yield calculation unit 222 and 222 '.
まず、製品歩留計算部222,222′は、行列R の処理対象列を示す“j”に“0”を設定するとともに、“good”に“0”を設定してから(ステップS41)、jを1インクリメントする(ステップS42)。 First, product yield calculation unit 222 and 222 'sets a "0" to "j" indicating the process target column of the matrix R A, after setting the "good" to "0" (step S41) increments the j (step S42). ここで、“good”は、全てのチェック箇所寸法が許容範囲内に入ったサンプルの数を示すパラメータである。 Here, "good" is a parameter indicating the number of samples all the check points dimension falls within the allowable range.

この後、製品歩留計算部222,222′は、jが全サンプル数(行列R の列数)Mを超えているか否かを判断する(ステップS43)。 Thereafter, product yield calculation unit 222 and 222 'are, j determines whether exceeds M (number of columns of the matrix R A) the total number of samples (step S43). jが全サンプル数Mを超えている場合つまりj>Mである場合(ステップS43のYESルート)、行列R の全サンプルに対する処理を完了しているので、製品歩留計算部222,222′は、製品歩留60,68,65として「good/M」を算出する(ステップS50)。 If j is the case that is j> M exceeds the total number of samples M (YES route of step S43), since the complete processing for all samples of the matrix R A, product yield calculation unit 222, 222 ' calculates the "good / M" as the product yield 60,68,65 (step S50).

jが全サンプル数Mを超えていない場合つまりj≦Mである場合(ステップS43のNOルート)、製品歩留計算部222,222′は、処理対象列(サンプル)#jにおけるチェック箇所を示す“i”に“0”を設定する(ステップS44)。 If j is the case that is j ≦ M does not exceed the total number of samples M (NO route of step S43), the product yield calculation unit 222 and 222 'shows a check point in the processing target sequence (samples) #j to set the "i" to "0" (step S44). この後、製品歩留計算部222,222′は、iを1インクリメントしてから(ステップS45)、処理対象列#jにおけるチェック箇所#iの要素(寸法)R A,ijとチェック箇所#iの許容範囲(下限Ll iおよび上限Lh i )とを比較する(ステップS46)。 Thereafter, product yield calculation unit 222 and 222 'are, i from incremented by 1 (step S45), the elements of the check point #i in processed column #j (dimension) R A, ij and the check point #i tolerance of (lower Ll i and upper Lh i) and comparing (step S46).

比較の結果、寸法R A,ijが許容範囲外である場合(ステップS46のNOルート)、製品歩留計算部222,222′は、今回の処理対象列#jに対する処理を終了し、ステップS42の処理へ移行し、次のサンプルに対する処理を行なう。 Result of the comparison, when the dimension R A, ij is outside the allowable range (NO route of step S46), the product yield calculation unit 222 and 222 'completes the process for the current processing target column #j, step S42 proceeds to the process, and the process for the next sample.

比較の結果、寸法R A,ijが許容範囲内である場合(ステップS46のYESルート)、製品歩留計算部222,222′は、iがチェック箇所数nに達しているか否かを判断する(ステップS47)。 Result of the comparison, when the dimension R A, ij is within the allowable range (YES route of step S46), the product yield calculation unit 222 and 222 'are, i determines whether or not reached the check point number n (step S47). iがチェック箇所数nに達していない場合(ステップS47のNOルート)、製品歩留計算部222,222′は、ステップS45の処理へ移行し、次のチェック箇所に対する処理を行なう。 If i has not reached the check point number n (NO route of step S47), the product yield calculation unit 222 and 222 ', the process proceeds to step S45, performs processing for the next check point.

iがチェック箇所数nに達している場合(ステップS47のYESルート)、製品歩留計算部222,222′は、今回の処理対象列(サンプル)の全チェック箇所が許容範囲内であったと判断し、“good”に“1”を加算する(ステップS48)。 If i has reached the check point number n (YES route of step S47), it determines that the product yield calculation unit 222 and 222 ', the total check locations of the current process target sequence (sample) is within the allowable range , and adds "1" to "good" (step S48). そして、製品歩留計算部222,222′は、jが全サンプル数Mに達しているか否かを判断する(ステップS49)。 The product yield calculation unit 222 and 222 'are, j determines whether reaches the total number of samples M (step S49).

jが全サンプル数Mに達していない場合(ステップS49のNOルート)、製品歩留計算部222,222′は、ステップS42の処理へ移行し、次のチェック箇所に対する処理を行なう。 j is not at the total number of samples M (NO route of step S49), the product yield calculation unit 222 and 222 ', the process proceeds to step S42, performs processing for the next check point. 一方、jが全サンプル数Mに達している場合(ステップS49のYESルート)、行列R の全サンプルに対する処理を完了しているので、製品歩留計算部222,222′は、製品歩留60,68,65として「good/M」を算出する(ステップS50)。 On the other hand, if j has reached the total number of samples M (YES route of step S49), since the complete processing for all samples of the matrix R A, product yield calculation unit 222 and 222 ', the product yield to calculate the "good / M" as 60,68,65 (step S50).

〔2−5−15〕ブートストラップサンプル生成部411について 次に、本実施形態の組立歩留予測装置1におけるブートストラップサンプル生成部411の、より具体的な動作について説明する。 [2-5-15] bootstrap sample generating unit 411 then bootstrap sample generation unit 411 in the assembly yield estimation apparatus 1 of the present embodiment will be described in more specific operation.

ブートストラップサンプル生成部411は、部分寸法の多変量分布パラメータ(平均,分散共分散行列)63と標本数62とから、パラメトリックブートストラップ法を用い、多変量分布パラメータ(平均ベクトル,分散共分散行列)についてのブートストラップサンプル64を生成する。 Bootstrap sample generation unit 411, the multivariate distribution parameter portion size (average, variance-covariance matrix) from 63 and the sample number 62, using the parametric bootstrap method, multivariate distribution parameters (mean vector, covariance matrix ) to generate a bootstrap sample 64 of about. ブートストラップサンプル生成部411による処理は、以下の項目(f1)〜(f5)の手順に従って行なわれる。 Treatment with bootstrap sample generation unit 411 is performed according to the procedures of the following items (f1) ~ (f5). ここで、部品種類#k(k=1,2,…)の部分寸法の多変量分布の平均ベクトルをX 、当該多変量分布の分散共分散行列をΣ 、標本数をN とする。 Here, component type #k (k = 1,2, ...) the average vector X k of the multivariate distributions parts dimensions, the variance-covariance matrix of sigma k of the multivariate distribution, the number of samples and N k . なお、パラメトリックブートストラップ法については、例えば、小西 貞則 (著), 越智 義道(著), 大森 裕浩 (著)「計算統計学の方法―ブートストラップ・EMアルゴリズム・MCMC(シリーズ予測と発見の科学 5)(朝倉書店刊)を参照。 It is to be noted that the parametric bootstrap method, for example, Konishi Sadasoku (Author), Yoshimichi Ochi (Author), Omori HiroshiHiroshi (Author) "calculation Statistics of the way - the science of discovery and boot strap · EM algorithm · MCMC (series prediction 5) see (Asakura Publishing Co., Ltd. published).

(f1)ブートストラップサンプル生成部411は、平均X および分散共分散行列Σ の多変量正規分布に独立に従う、N 組の乱数を生成する。 (F1) bootstrap sample generation unit 411, a multivariate normal distribution with mean X k and variance-covariance matrix sigma k according independently generates the N k sets of random numbers.
(f2)ブートストラップサンプル生成部411は、上記項目(f1)で生成したN 組の乱数の標本平均X および不偏分散共分散行列Σ を算出する。 (F2) bootstrap sample generation unit 411 calculates an average sample of N k sets of random numbers generated in the above item (f1) X k * and unbiased variance-covariance matrix sigma k *.
(f3)ブートストラップサンプル生成部411は、上記項目(f1),(f2)の処理を、部品の種類の数だけ繰り返し実行する。 (F3) bootstrap sample generation unit 411, the item (f1), the process of (f2), repeatedly executes the number of types of parts.
(f4)ブートストラップサンプル生成部411は、標本平均X および不偏分散共分散行列Σ (k=1,2,…)から、多変量分布パラメータ決定部10と同様の機能により、一組のブートストラップサンプル64としての平均ベクトルX および分散共分散行列Σ を決定する。 (F4) bootstrap sample generation unit 411, the sample mean X k * and unbiased variance-covariance matrix Σ k * (k = 1,2, ...) from, the same function as the multivariate distribution parameter determination unit 10, one averaging determined vectors X * and variance-covariance matrix sigma X * as a set of bootstrap sample 64.
(f5)ブートストラップサンプル生成部411は、上記項目(f1)〜(f4)の処理を、必要なブートストラップサンプル数(例えばB組;Bは2以上の整数)だけ繰り返し実行する。 (F5) bootstrap sample generation unit 411, the processing of the item (f1) ~ (f4), the required bootstrap sample size (e.g., Group B; B is an integer of 2 or more) by repeatedly executed.

〔2−5−16〕歩留計算処理部412および信頼区間計算部42,43について 次に、本実施形態の組立歩留予測装置1における歩留計算処理部412,チェック箇所歩留信頼区間計算部42および製品歩留信頼区間計算部43の具体的な動作について説明する。 [2-5-16] The yield calculation unit 412 and the confidence interval calculation unit 43 then yield calculation processing unit 412 in the assembling yield estimation apparatus 1 of the present embodiment, the check point yield confidence intervals calculated It will be described specific operation parts 42 and product yield confidence interval calculation unit 43.

歩留計算処理部412,チェック箇所歩留信頼区間計算部42および製品歩留信頼区間計算部43は、以下の項目(g1)〜(g3)の手順に従って、チェック箇所歩留信頼区間70および製品歩留信頼区間71の算出処理を行なう。 Yield calculation processing unit 412, the check point yield confidence interval calculating unit 42 and the product yield confidence interval calculation unit 43, the following items (g1) according to the procedure of ~ (g3), the check point yield confidence intervals 70 and products yield performs processing for calculating confidence intervals 71. ここで、ブートストラップサンプル生成部411によって予め用意されたB組のブートストラップサンプル64を、平均ベクトルX (b)および分散共分散行列Σ (b)(b=1,…,B)とする。 Here, the bootstrap sample generator 411 B sets of bootstrap sample 64 prepared in advance by the mean vector X * (b) and the variance-covariance matrix Σ X * (b) (b = 1, ..., B) to.

(g1)歩留計算処理部412は、b=1のブートストラップサンプルつまり平均ベクトルX (b)および分散共分散行列Σ (b)(b=1)を用いて、当該ブートストラップサンプルについての製品歩留65および各チェック箇所の歩留66を算出する。 (G1) yield calculation processing unit 412, using b = 1 bootstrap samples clogging mean vector X * (b) and the variance-covariance matrix Σ X * (b) (b = 1), the bootstrap samples calculating the product yield 65 and yield 66 of each check point for.
(g2)歩留計算処理部412は、b=2,3,…,Bのそれぞれについて、上記項目(g1)の処理を繰り返し実行する。 (G2) yield calculation processor 412, b = 2,3, ..., for each of B, repeatedly executes the processing in item (g1). これにより、全部で、B個の製品歩留とB組のチェック箇所歩留とが算出される。 Thus, in total, and B-number of product yield and Group B checks locations yield is calculated.
(g3)信頼区間計算部42,43は、予め与えられた信頼区間の割合α(例えば0.95(95%))に応じて、各チェック箇所,製品のそれぞれについて、歩留の小さい方からの割合が[(1−α)/2]から[1−(1−α)/2]までをそれぞれの歩留の信頼区間として算出する。 (G3) confidence interval calculation unit 42 and 43, in proportion to the pre-given confidence interval alpha (e.g. 0.95 (95%)), each check point, for each product, from the smaller yield proportion of is calculated as [(1-α) / 2] from [1- (1-α) / 2] each yield confidence intervals up.

〔3〕本実施形態の効果 本実施形態の組立歩留予測装置1によれば、製品Pの設計段階において、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮しながら、製品歩留60が予測される。 According [3] the assembly yield estimation apparatus 1 effects the embodiment of the present embodiment, at the design stage of the product P, taking into account the correlation between parts and between the check points of each part in the product P, the product step cut 60 is expected. このため、製品歩留60を精度よく予測することができる。 Therefore, it is possible to predict the product yield 60 accurately. したがって、設計者等は、高精度で予測された製品歩留60に基づき、製品歩留60を確実に最適化(最大化)するよう設計変更を行なうことができる。 Therefore, designers, etc., based on the product yield 60 predicted with high accuracy, it is possible to perform design change to reliably optimize the product yield 60 (maximize).

また、本実施形態の組立歩留予測装置1によれば、製品Pの組立段階において、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮しながら、製品歩留68が予測される。 Further, according to the assembling yield estimation apparatus 1 of the present embodiment, in the assembly phase of the product P, taking into account the correlation between parts and between the check points of each part in the product P, product yield 68 are predicted . このため、製品歩留68を精度よく予測することができる。 Therefore, it is possible to predict the product yield 68 accurately. したがって、設計者等は、高精度で予測された製品歩留68に基づき、製品歩留68を確実に最適化(最大化)するよう製造プロセスの変更(例えば金型の調整)を行なうことができる。 Therefore, designers, etc., based on the product yield 68 predicted with high accuracy, is possible to reliably optimize the product yield 68 changes (maximized) for such manufacturing process (e.g., adjustment of the mold) it can.

さらに、本実施形態の組立歩留予測装置1によれば、製品Pの組立段階において、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮しながら、チェック箇所歩留の信頼区間70や製品歩留の信頼区間71が予測される。 Furthermore, according to the assembling yield estimation apparatus 1 of the present embodiment, in the assembly phase of the product P, taking into account the correlation between parts and between the check points of each part in the product P, the check points yield confidence interval 70 and confidence interval 71 of the product yield is expected. このため、チェック箇所歩留の信頼区間70や製品歩留の信頼区間71を精度よく予測することができる。 Therefore, it is possible to predict the confidence interval 71 confidence interval 70 and product yield of the check points yield accurately. したがって、設計者等は、高精度で予測されたチェック箇所歩留69の信頼区間70や製品歩留68の信頼区間71を参照することで、チェック箇所歩留69や製品歩留68がどの程度ぶれる可能性があるかを正確に判断することができる。 Thus, the designer or the like, by referring to the confidence interval 71 confidence interval 70 and product yield 68 check places yield 69 predicted with high accuracy, how much the check points yield 69 and product yield 68 whether there is a possibility that department can be accurately determined.

また、本実施形態の組立歩留予測装置1によれば、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮して、チェック箇所の分布57および歩留58も精度よく予測算出される。 Further, according to the assembling yield estimation apparatus 1 of the present embodiment, in consideration of the correlation between parts and between the check points of each part in the product P, the distribution 57 and yield 58 checks locations also accurately predicted calculated that. したがって、設計者等は、高精度で予測されたチェック箇所の分布57および歩留58を参照しながら、製品歩留60,68を確実に改善するように製品Pの設計変更を行なうことができる。 Therefore, the designer or the like, with reference to the distribution 57 and yield 58 checks positions predicted with high accuracy can be performed product design changes P to reliably improve product yield 60 and 68 .

一方、本実施形態のモンテカルロ処理部22′では、次元数をnからDに削減することで、1つのモンテカルロサンプル当たりの計算量が削減され、モンテカルロ処理P2,P5,P6を高速化することができる。 On the other hand, the Monte Carlo processor 22 'of the present embodiment, by reducing the number of dimensions from n to D, reduces the amount of calculation per one Monte Carlo samples, increasing the speed of a Monte Carlo process P2, P5, P6 it can. また、チェック箇所の良/不良が変化しやすい方向が固有ベクトルから特定され、感度のある領域の次元の数に応じて、生成すべきモンテカルロサンプル76の数が決定される。 Further, the pass / fail is changed easily direction check point is identified from the eigenvectors, depending on the number of dimensions in the area of ​​the sensitive, the number of Monte Carlo samples 76 to be generated is determined. 感度のある領域の次元の数が小さいほど少ないサンプル数で精度よく製品歩留60,68,65を予測することができる。 Accurately in the smaller number of samples number is small dimension in the area of ​​the sensitive can predict the product yield 60,68,65. このため、本実施形態のモンテカルロ処理部22′によれば、製品歩留60,68,65の予測精度を保ちつつモンテカルロ処理P2,P5,P6の高速化が実現され、ひいては製品歩留60,68,65の予測の高速化も実現される。 Therefore, according to the Monte Carlo processor 22 'of the present embodiment, while keeping the prediction accuracy of the product yield 60,68,65 speeding Monte Carlo process P2, P5, P6 is realized, thus the product yield 60, speed of the prediction of 68 and 65 is also realized.

なお、近年の製品の微細化、製造技術の限界に伴い、例えば図20および図21に示すように、製造プロセスのばらつきが、部品のサイズに対して相対的に増加している。 Incidentally, the recent miniaturization of a product, with the limits of manufacturing technology, for example, as shown in FIGS. 20 and 21, variations in the manufacturing process, there was a relative increase relative to the size of the parts. このため、製造プロセスのばらつきによって、同じ種類の部品を同じように製造しようとしても同じように製造することができない。 Therefore, due to variations in manufacturing processes, it can not be produced in the same way also the same type of components in an attempt to manufacture the same. つまり、同じ種類の部品を、部品寸法の分布が同じになるよう製造することができなくなっている。 That is, the same type of component, the distribution of the component dimensions are no longer able to produce to be the same. したがって、製造時の条件(製造プロセス)によって分布に違いがあり、それらの部品の組合せ毎に製品の組立歩留を精度よく予測する必要が生じている。 Therefore, there is a difference in distribution by the production condition at the time of (production process), necessary to predict accurately the product of the assembly yield occurs in each combination of these components. 本実施形態の組立歩留予測装置1によれば、部品の製造ばらつきや、製品Pにおける各部品の部分間やチェック箇所間の相関を考慮して、製造プロセスばらつきにも対応しながら製品歩留60,68を精度よく予測することができる。 According to the assembling yield estimation apparatus 1 of the present embodiment, variations in manufacturing and parts, in consideration of the correlation between parts and between the check points of each part in the product P, product yield while also compatible with the manufacturing process variations 60, 68 can be predicted accurately. なお、図20および図21は、製造プロセスばらつきを説明する図である。 Note that FIG. 20 and FIG. 21 is a diagram for explaining a manufacturing process variations.

〔4〕その他 以上、本発明の好ましい実施形態について詳述したが、本発明は、係る特定の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲内において、種々の変形、変更して実施することができる。 [4] Others have been described in detail preferred embodiments of the present invention, the present invention is not intended to be limited to the specific embodiments, without departing from the scope and spirit of the present invention, various modifications, it can be practiced with modification.

〔5〕付記 以上の各実施形態を含む実施形態に関し、さらに以下の付記を開示する。 [5] relates to embodiments including the above embodiments note, the following additional statements are further disclosed.
(付記1) (Note 1)
複数の部品によって組み立てられる製品の組立歩留を予測する組立歩留予測装置であって、 The assembly yield prediction apparatus for predicting the assembly yield of products to be assembled by a plurality of components,
各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得する取得部と、 An acquisition unit that acquires a multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each part,
前記取得部によって取得された前記部分寸法の多変量分布パラメータと前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出する多変量分布算出部と、 Based on the sensitivity information indicating the degree of influence on the dimensions of the plurality of check points in the multivariate distribution parameters and the change in the product of each portion size of each component of the feature size obtained by the obtaining unit, the same multi changes of each portion size in the component calculates the multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations due to affecting the dimensions of the plurality of check locations and random distribution calculation unit,
前記多変量分布算出部によって算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する予測部と、 A prediction unit for predicting said product assembly yield based on multivariate distribution parameter of the check point size calculated by the multivariate distribution calculation unit,
を有する、組立歩留予測装置。 The having, assembly yield prediction device.

(付記2) (Note 2)
前記予測部は、 The prediction unit,
前記チェック箇所寸法の多変量分布パラメータに基づき、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成する第1サンプル生成部と、 Based on multivariate distribution parameter of the check point size, a plurality of Monte Carlo samples containing the plurality of check locations dimensional data set, respectively, a first sample generation unit that generates by Monte Carlo simulation,
前記第1サンプル生成部によって生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第1歩留算出部と、 And dimensions of the plurality of check points included in the plurality of Monte Carlo samples generated by said first sample generating unit, the plurality of check locations and dimensions tolerance compared respectively, said product based on the result of the comparison a first step distillation calculation unit for calculating the assembly yield,
を含む、付記1に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to Appendix 1.

(付記3) (Note 3)
前記予測部は、 The prediction unit,
前記チェック箇所寸法の多変量分布パラメータおよび前記複数のチェック箇所の寸法許容範囲を正規化する正規化部と、 A normalization unit for normalizing the multivariate distribution parameters and dimensions allowable range of the plurality of check points of the check point size,
前記正規化部によって正規化された前記チェック箇所寸法の多変量分布パラメータから、複数の固有ベクトルと各ベクトルに対応する固有値とを特異値分解によって算出する固有ベクトル・固有値算出部と、 Multivariate distribution parameters of the check point size normalized by the normalization unit, and the eigenvector eigenvalue calculating unit that calculates the singular value decomposition and eigenvalue corresponding to a plurality of eigenvectors and each vector,
前記複数の固有ベクトルのうち、前記固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルによって張られる空間において、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成する第1サンプル生成部と、 Among the plurality of eigenvectors, in the space cumulative contribution ratio defined by the eigenvalues ​​spanned by eigenvectors exceeding a predetermined threshold value, a plurality of Monte Carlo samples containing the plurality of check locations dimensional data set, respectively, by Monte Carlo simulation a first sample generation unit that generates,
前記第1サンプル生成部によって生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記正規化部によって正規化された前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第1歩留算出部と、 And dimensions of the plurality of check points included in the plurality of Monte Carlo samples generated by said first sample generating unit, and a size tolerance of the plurality of check points, which is normalized by the normalization unit compares each a first step distillation calculation unit for calculating an assembly yield of the product based on the result of the comparison,
を含む、付記1に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to Appendix 1.

(付記4) (Note 4)
前記多変量分布算出部によって算出された前記チェック箇所寸法の多変量分布パラメータと前記複数のチェック箇所の寸法許容範囲とに基づき前記複数のチェック箇所それぞれの組立歩留を算出する第2歩留算出部をさらに有する、付記1〜付記3のいずれか一項に記載の組立歩留予測装置。 The second step distillation calculation for calculating the multivariate distributions multivariate distribution parameters and said plurality of checking points each assembly yield based on the dimension tolerance of the plurality of check points of the check point size calculated by the calculating section part further comprising a, assembling yield estimation apparatus according to any one of appendices 1 to Appendix 3.

(付記5) (Note 5)
前記取得部は、予め想定される前記製品の製造ばらつきに基づき、前記部分寸法の多変量分布パラメータを取得する、付記1〜付記4のいずれか一項に記載の組立歩留予測装置。 The acquisition unit, based on manufacturing variation of the product to be assumed in advance to obtain the multivariate distribution parameters of the feature size, the assembly yield estimation apparatus according to any one of Appendices 1 to Appendix 4.

(付記6) (Note 6)
前記取得部は、製造された各部品の実測値に基づき、前記部分寸法の多変量分布パラメータを取得する、付記1〜付記4のいずれか一項に記載の組立歩留予測装置。 The acquisition unit, based on the measured value of each part manufactured, to obtain a multivariate distribution parameters of the feature size, the assembly yield estimation apparatus according to any one of Appendices 1 to Appendix 4.

(付記7) (Note 7)
前記実測値の標本数に起因して前記部分寸法の多変量分布パラメータに生じる誤差を推定し、推定された誤差と前記感度情報とに基づき前記複数のチェック箇所それぞれの組立歩留の信頼区間を算出する第1信頼区間算出部をさらに有する、付記6に記載の組立歩留予測装置。 Due to the number of samples of the measured values ​​to estimate the error occurring in the multivariate distribution parameter of the portion sizes, the confidence interval of the estimated error and the sensitivity information and the plurality of check locations each assembly yield based on further comprising a first confidence interval calculation unit for calculating, assembling yield estimation apparatus according to note 6.

(付記8) (Note 8)
前記第1信頼区間算出部は、 Said first confidence interval calculation unit,
前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成する第2サンプル生成部と、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, and a second sample generator for generating the parametric bootstrap method,
前記第2サンプル生成部によって生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータと前記複数のチェック箇所の寸法許容範囲とに基づき前記複数のチェック箇所それぞれの組立歩留を算出する第3歩留算出部と、 For each of the bootstrap samples generated by said second sample generator, wherein based on the sensitivity information, a change in the feature size in the same part due to affecting the dimensions of the plurality of check locations calculating a multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations, based multivariate distribution parameters of the calculated the check point dimensions and on the dimensions allowable range of the plurality of check locations a third step distillation calculation unit for calculating a plurality of check locations each assembly yield,
前記第3歩留算出部によって前記ブートストラップサンプル毎に算出された前記複数のチェック箇所それぞれの組立歩留に基づき、前記複数のチェック箇所それぞれの組立歩留の信頼区間を算出するチェック箇所歩留信頼区間算出部と、 The third step distillation by the calculating unit on the basis of the bootstrap samples every calculated the said respective plurality of check locations assembling yield, check point yield for calculating a plurality of check locations confidence interval for each assembly yield and the confidence interval calculation unit,
を含む、付記7に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to note 7.

(付記9) (Note 9)
前記実測値の標本数に起因して前記部分寸法の多変量分布パラメータに生じる誤差を推定し、推定された誤差と、前記感度情報と、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータとに基づき、前記製品の組立歩留の信頼区間を算出する第2信頼区間算出部をさらに有する、付記6に記載の組立歩留予測装置。 Due to the number of samples of the measured values ​​to estimate the error occurring in the multivariate distribution parameter of the portion sizes, the estimated error, the sensitivity information and check the change in the feature size in the same part of the plurality based on the multivariate distribution parameters of check points dimensions due to affecting the size of the portion including the correlation information generated between the dimensions of the plurality of check points, calculates the confidence interval of assembly yield of the product further comprising a second confidence interval calculation unit, the assembly yield estimation apparatus according to note 6.

(付記10) (Note 10)
前記第2信頼区間算出部は、 Said second confidence interval calculation unit,
前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成する第2サンプル生成部と、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, and a second sample generator for generating the parametric bootstrap method,
前記第2サンプル生成部によって生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータに基づき、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第 For each of the bootstrap samples generated by said second sample generator, wherein based on the sensitivity information, a change in the feature size in the same part due to affecting the dimensions of the plurality of check locations calculating a multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations, based on the multivariate distribution parameters of the calculated the check point size, a set of dimension data of the plurality of check locations a plurality of Monte Carlo samples containing respectively, generated by Monte Carlo simulation, the dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, and a dimension tolerance of the plurality of check points respectively compared, the calculating the assembly yield of the product based on the result of the comparison 歩留算出部と、 And the yield calculation unit,
前記第4歩留算出部によって前記ブートストラップサンプル毎に算出された前記製品の組立歩留に基づき、前記製品の組立歩留の信頼区間を算出する製品歩留信頼区間算出部と、 And product yield confidence interval calculation unit based on the assembly yield of the products calculated for each of said bootstrap sample by the fourth step distillation calculation unit calculates the confidence interval of assembly yield of the product,
を含む、付記9に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to note 9.

(付記11) (Note 11)
前記第2信頼区間算出部は、 Said second confidence interval calculation unit,
前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成する第2サンプル生成部と、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, and a second sample generator for generating the parametric bootstrap method,
前記第2サンプル生成部によって生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータおよび前記複数のチェック箇所の寸法許容範囲を正規化し、正規化された前記チェック箇所寸法の多変量分布パラメータから、複数の固有ベクトルと各ベクトルに対応する固有値とを特異値分解によって算出し、前記複数の固有ベクトルのうち、前記固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルによって張られる空間において、前記複数 For each of the bootstrap samples generated by said second sample generator, wherein based on the sensitivity information, a change in the feature size in the same part due to affecting the dimensions of the plurality of check locations calculating a multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations, the multivariate distribution parameters and dimensions allowable range of the plurality of check points of the calculated the checked locations dimensional normalized from multivariate distributions parameters of the check point a dimension normalized, the eigenvalues ​​corresponding to the plurality of eigenvectors and the vector calculated by singular value decomposition, among the plurality of eigenvectors, the cumulative contribution as defined by the eigenvalues in the space rate is spanned by eigenvectors exceeding a predetermined threshold value, said plurality チェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、正規化された前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第4歩留算出部と、 A plurality of Monte Carlo samples containing the check points of the dimension data sets respectively, generated by Monte Carlo simulation, the dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, said plurality of check normalized a fourth step distillation calculation unit and a size tolerance of locations compared respectively to calculate the assembly yield of the product based on the result of the comparison,
前記第4歩留算出部によって前記ブートストラップサンプル毎に算出された前記製品の組立歩留に基づき、前記製品の組立歩留の信頼区間を算出する製品歩留信頼区間算出部と、 And product yield confidence interval calculation unit based on the assembly yield of the products calculated for each of said bootstrap sample by the fourth step distillation calculation unit calculates the confidence interval of assembly yield of the product,
を含む、付記9に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to note 9.

(付記12) (Note 12)
複数の部品によって組み立てられる製品の組立歩留を予測するコンピュータに、 A computer for predicting the assembly yield of products to be assembled by a plurality of components,
各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得し、 Get the multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each part,
取得された前記部分寸法の多変量分布パラメータと前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、 Based on the sensitivity information indicating the degree of influence on the dimensions of the plurality of check points in the acquired multivariate distribution parameters and the change in the product of each portion size of each component of the feature size, each part of the same part dimensional change is calculated multivariate distribution parameter check point dimensions including correlation information due generated between the dimensions of the plurality of check points in influencing the dimensions of the plurality of check locations,
算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する、 Based on multivariate distribution parameters of the calculated the check point size to predict the assembly yield of the product,
処理を実行させる、組立歩留予測プログラム。 To execute processing, assembling yield prediction program.

(付記13) (Supplementary Note 13)
前記コンピュータに、さらに、 To the computer, further,
前記チェック箇所寸法の多変量分布パラメータに基づき、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、 Based on multivariate distribution parameter of the check point size, a plurality of Monte Carlo samples containing the plurality of check locations dimensional data set, respectively, generated by Monte Carlo simulation,
生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する、 And dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, the compared plurality of check locations and dimensions allowable range respectively, and calculates the assembly yield of the product based on the result of the comparison ,
処理を実行させる、付記12に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program of statement 12.

(付記14) (Note 14)
前記コンピュータに、さらに、 To the computer, further,
前記チェック箇所寸法の多変量分布パラメータおよび前記複数のチェック箇所の寸法許容範囲を正規化し、 Multivariate distribution parameters and dimensions allowable range of the plurality of check points of the check point size normalized,
正規化された前記チェック箇所寸法の多変量分布パラメータから、複数の固有ベクトルと各ベクトルに対応する固有値とを特異値分解によって算出し、 Multivariate distribution parameters of normalized the check point size is calculated by singular value decomposition and eigenvalue corresponding to a plurality of eigenvectors and each vector,
前記複数の固有ベクトルのうち、前記固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルによって張られる空間において、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、 Among the plurality of eigenvectors, in the space cumulative contribution ratio defined by the eigenvalues ​​spanned by eigenvectors exceeding a predetermined threshold value, a plurality of Monte Carlo samples containing the plurality of check locations dimensional data set, respectively, by Monte Carlo simulation generated,
生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、正規化された前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する、 And dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, normalized the plurality of check locations and dimensions tolerance compared respectively, assembling step of the product based on the result of the comparison to calculate the fraction,
処理を実行させる、付記12に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program of statement 12.

(付記15) (Note 15)
前記コンピュータに、 To the computer,
製造された各部品の実測値に基づき、前記部分寸法の多変量分布パラメータを取得する、 Based on the measured value of each part manufactured, to obtain a multivariate distribution parameters of said portion size,
処理を実行させる、付記12〜付記14のいずれか一項に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program according to any one of Appendices 12 Appendix 14.

(付記16) (Supplementary Note 16)
前記コンピュータに、さらに、 To the computer, further,
前記実測値の標本数に起因して前記部分寸法の多変量分布パラメータに生じる誤差を推定し、推定された誤差と前記感度情報とに基づき前記複数のチェック箇所それぞれの組立歩留の信頼区間を算出する、 Due to the number of samples of the measured values ​​to estimate the error occurring in the multivariate distribution parameter of the portion sizes, the confidence interval of the estimated error and the sensitivity information and the plurality of check locations each assembly yield based on calculate,
処理を実行させる、付記15に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program according to supplementary note 15.

(付記17) (Note 17)
前記コンピュータに、 To the computer,
前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成し、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, generated by parametric bootstrapping,
生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータと前記複数のチェック箇所の寸法許容範囲とに基づき前記複数のチェック箇所それぞれの組立歩留を算出し、 For each produced the bootstrap sample, based on said sensitivity information, change of each portion size in the same part due to affecting the dimensions of the plurality of check points between the dimensions of the plurality of check locations multivariate distribution parameters of check points dimensions including correlation information calculated occurring, calculated the checked locations dimensional multivariate distribution parameters and said plurality of checking locations dimensional tolerance and the basis of each of the plurality of check locations to calculate the assembly yield,
前記ブートストラップサンプル毎に算出された前記複数のチェック箇所それぞれの組立歩留に基づき、前記複数のチェック箇所それぞれの組立歩留の信頼区間を算出する、 Based on said bootstrap samples the plurality of check points in each assembly yield calculated for each to calculate a plurality of check locations confidence interval for each assembly yield,
処理を実行させる、付記16に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program of statement 16.

(付記18) (Note 18)
前記コンピュータに、さらに、 To the computer, further,
前記実測値の標本数に起因して前記部分寸法の多変量分布パラメータに生じる誤差を推定し、推定された誤差と、前記感度情報と、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータとに基づき、前記製品の組立歩留の信頼区間を算出する、 Due to the number of samples of the measured values ​​to estimate the error occurring in the multivariate distribution parameter of the portion sizes, the estimated error, the sensitivity information and check the change in the feature size in the same part of the plurality based on the multivariate distribution parameters of check points dimensions due to affecting the size of the portion including the correlation information generated between the dimensions of the plurality of check points, calculates the confidence interval of assembly yield of the product ,
処理を実行させる、付記15に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program according to supplementary note 15.

(付記19) (Note 19)
前記コンピュータに、 To the computer,
前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成し、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, generated by parametric bootstrapping,
生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータに基づき、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出し、 For each produced the bootstrap sample, based on said sensitivity information, change of each portion size in the same part due to affecting the dimensions of the plurality of check points between the dimensions of the plurality of check locations a plurality of Monte Carlo samples multivariate distribution parameter check point dimensions including correlation information is calculated, based on the multivariate distribution parameter of the check point size is calculated, including the plurality of check locations dimensional data set respectively occurring the, generated by Monte Carlo simulation, the dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, said plurality of check locations and dimensions tolerance compared respectively, based on the result of the comparison the to calculate the product of the assembly yield,
前記ブートストラップサンプル毎に算出された前記製品の組立歩留に基づき、前記製品の組立歩留の信頼区間を算出する、 Based on the bootstrap sample assembly yield of the products calculated for each, to calculate the confidence interval of assembly yield of the product,
処理を実行させる、付記18に記載の組立歩留予測プログラム。 To execute processing, assembling yield estimation program of statement 18.

(付記20) (Note 20)
複数の部品によって組み立てられる製品の組立歩留を予測するコンピュータが、 Computer to predict the assembly yield of products to be assembled by a plurality of components,
各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得し、 Get the multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each part,
取得された前記部分寸法の多変量分布パラメータと前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、 Based on the sensitivity information indicating the degree of influence on the dimensions of the plurality of check points in the acquired multivariate distribution parameters and the change in the product of each portion size of each component of the feature size, each part of the same part dimensional change is calculated multivariate distribution parameter check point dimensions including correlation information due generated between the dimensions of the plurality of check points in influencing the dimensions of the plurality of check locations,
算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する、組立歩留予測方法。 Based on multivariate distribution parameters of the calculated the check point size to predict the assembly yield of the product, the assembly yield prediction method.

1 組立歩留予測装置 2 処理部(CPU,コンピュータ) 1 assembled yield estimation device 2 processor (CPU, Computer)
3 記憶部(メモリ) 3 storage unit (memory)
10 多変量分布パラメータ決定部(取得部) 10 multivariate distribution parameter determination unit (acquisition unit)
20 歩留計算処理部 21 チェック箇所計算部 211 多変量分布計算部(多変量分布算出部) 20 yield calculation processing section 21 checks location calculation part 211 multivariate distribution calculating unit (multivariate distribution calculation section)
212 チェック箇所歩留計算部(第2歩留算出部) 212 check points yield calculation section (second step distillation calculator)
22,22′ モンテカルロ処理部(予測部) 22, 22 'Monte Carlo processing unit (prediction unit)
221,221′ モンテカルロサンプル生成部(第1サンプル生成部) 221, 221 'Monte Carlo sample generating unit (first sample generator)
222,222′ 製品歩留計算部(第1歩留算出部) 222, 222 'Product yield calculation unit (first step fraction calculator)
223 正規化部 224 固有ベクトル・固有値算出部 30 多変量分布パラメータ推定部(取得部) 223 normalization unit 224 eigenvector eigenvalue calculation unit 30 a multivariate distribution parameter estimation unit (acquisition unit)
40 信頼区間計算部(第1信頼区間算出部,第2信頼区間算出部) 40 confidence interval calculation section (first confidence interval calculation unit, the second confidence interval calculation unit)
41 ブートストラップ歩留計算部 411 ブートストラップサンプル生成部(第2サンプル生成部) 41 Bootstrap yield calculation unit 411 bootstrap samples generating unit (second sample generator)
412 歩留計算処理部(第3歩留算出部,第4歩留算出部) 412 yield calculation processing section (third step distillation calculator, the fourth step distillation calculator)
42 チェック箇所歩留信頼区間計算部(チェック箇所歩留信頼区間算出部) 42 check places yield confidence interval calculation unit (check point yield confidence interval calculation unit)
43 製品歩留信頼区間計算部(製品歩留信頼区間算出部) 43 product yield confidence interval calculation unit (product yield confidence interval calculation unit)
51 部分のばらつき情報(製品の製造ばらつき) 51 parts of the variation information (manufacturing variations of a product)
52 部分の設計値 53 部品の感度情報(影響度) 52 partial design value 53 parts sensitivity information (influence)
54 チェック箇所の設計値 55 チェック箇所の許容範囲(チェック箇所の寸法許容範囲) Tolerance of a design value 55 check points of 54 check points (dimension tolerance of check points)
56,63 部分の多変量分布のパラメータ(部分寸法の多変量分布パラメータ) 56 and 63 parts of multivariate distributions parameters (multivariate distribution parameter portion size)
57,67,67′ チェック箇所の多変量分布のパラメータ(チェック箇所寸法の多変量分布パラメータ) 57,67,67 'parameter of the multivariate distribution of check points (multivariate distribution parameters of the check point size)
58,69 チェック箇所歩留(チェック箇所の組立歩留) 58,69 check point yield (assembly of the check point yield)
59,59′,59″,76 チェック箇所のモンテカルロサンプル 60,68 製品歩留(製品の組立歩留) 59, 59 ', 59 ", 76 check points of the Monte Carlo samples 60, 68 product yield (product of the assembly yield)
61 部品サンプル測定情報(実測値) 61 parts sample measurement information (found)
62 部品の標本数(サンプル数) 62 specimen number of parts (number of samples)
64 ブートストラップサンプル 65 ブートストラップサンプルの製品歩留(製品の組立歩留) 64 bootstrap sample 65 bootstrap samples of the product yield (product of the assembly yield)
66 ブートストラップサンプルのチェック箇所歩留 70 チェック箇所歩留信頼区間 71 製品歩留信頼区間 72 チェック箇所の許容範囲(正規化後) 66 bootstrap samples check locations yield 70 check places yield CI 71 product yield confidence interval 72 check places tolerance (after normalization)
73 正規化後のチェック箇所の多変量分布の平均 74 正規化後のチェック箇所の多変量分布の分散共分散行列 75 固有ベクトルおよび固有値 73 covariance matrix of a multivariate distribution of check points of the averaged 74 normalized multivariate distribution of check points after normalization 75 eigenvectors and eigenvalues

Claims (12)

  1. 複数の部品によって組み立てられる製品の組立歩留を予測する組立歩留予測装置であって、 The assembly yield prediction apparatus for predicting the assembly yield of products to be assembled by a plurality of components,
    各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得する取得部と、 An acquisition unit that acquires a multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each part,
    前記取得部によって取得された前記部分寸法の多変量分布と前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出する多変量分布算出部と、 Based on the sensitivity information indicating the degree of influence on the dimensions of the plurality of check points in the multivariate distribution and the change in the product of each portion size of each component of the feature size obtained by the obtaining unit, the same parts multivariate changes in each part dimensions to calculate the multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations due to affecting the dimensions of the plurality of check points in and the distribution calculation unit,
    前記多変量分布算出部によって算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する予測部と、 A prediction unit for predicting said product assembly yield based on multivariate distribution parameter of the check point size calculated by the multivariate distribution calculation unit,
    を有する、組立歩留予測装置。 The having, assembly yield prediction device.
  2. 前記予測部は、 The prediction unit,
    前記チェック箇所寸法の多変量分布パラメータに基づき、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成する第1サンプル生成部と、 Based on multivariate distribution parameter of the check point size, a plurality of Monte Carlo samples containing the plurality of check locations dimensional data set, respectively, a first sample generation unit that generates by Monte Carlo simulation,
    前記第1サンプル生成部によって生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第1歩留算出部と、 And dimensions of the plurality of check points included in the plurality of Monte Carlo samples generated by said first sample generating unit, the plurality of check locations and dimensions tolerance compared respectively, said product based on the result of the comparison a first step distillation calculation unit for calculating the assembly yield,
    を含む、請求項1に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to claim 1.
  3. 前記予測部は、 The prediction unit,
    前記チェック箇所寸法の多変量分布パラメータおよび前記複数のチェック箇所の寸法許容範囲を正規化する正規化部と、 A normalization unit for normalizing the multivariate distribution parameters and dimensions allowable range of the plurality of check points of the check point size,
    前記正規化部によって正規化された前記チェック箇所寸法の多変量分布パラメータから、複数の固有ベクトルと各ベクトルに対応する固有値とを特異値分解によって算出する固有ベクトル・固有値算出部と、 Multivariate distribution parameters of the check point size normalized by the normalization unit, and the eigenvector eigenvalue calculating unit that calculates the singular value decomposition and eigenvalue corresponding to a plurality of eigenvectors and each vector,
    前記複数の固有ベクトルのうち、前記固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルによって張られる空間において、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成する第1サンプル生成部と、 Among the plurality of eigenvectors, in the space cumulative contribution ratio defined by the eigenvalues ​​spanned by eigenvectors exceeding a predetermined threshold value, a plurality of Monte Carlo samples containing the plurality of check locations dimensional data set, respectively, by Monte Carlo simulation a first sample generation unit that generates,
    前記第1サンプル生成部によって生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記正規化部によって正規化された前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第1歩留算出部と、 And dimensions of the plurality of check points included in the plurality of Monte Carlo samples generated by said first sample generating unit, and a size tolerance of the plurality of check points, which is normalized by the normalization unit compares each a first step distillation calculation unit for calculating an assembly yield of the product based on the result of the comparison,
    を含む、請求項1に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to claim 1.
  4. 前記多変量分布算出部によって算出された前記チェック箇所寸法の多変量分布パラメータと前記複数のチェック箇所の寸法許容範囲とに基づき前記複数のチェック箇所それぞれの組立歩留を算出する第2歩留算出部をさらに有する、請求項1〜請求項3のいずれか一項に記載の組立歩留予測装置。 The second step distillation calculation for calculating the multivariate distributions multivariate distribution parameters and said plurality of checking points each assembly yield based on the dimension tolerance of the plurality of check points of the check point size calculated by the calculating section part further comprising a, assembling yield estimation apparatus according to any one of claims 1 to 3.
  5. 前記取得部は、製造された各部品の実測値に基づき、前記部分寸法の多変量分布パラメータを取得する、請求項1〜請求項4のいずれか一項に記載の組立歩留予測装置。 The acquisition unit, based on the measured value of each part manufactured, to obtain a multivariate distribution parameters of the feature size, the assembly yield estimation apparatus according to any one of claims 1 to 4.
  6. 前記実測値の標本数に起因して前記部分寸法の多変量分布パラメータに生じる誤差を推定し、推定された誤差と前記感度情報とに基づき前記複数のチェック箇所それぞれの組立歩留の信頼区間を算出する第1信頼区間算出部をさらに有する、請求項5に記載の組立歩留予測装置。 Due to the number of samples of the measured values ​​to estimate the error occurring in the multivariate distribution parameter of the portion sizes, the confidence interval of the estimated error and the sensitivity information and the plurality of check locations each assembly yield based on further comprising a first confidence interval calculation unit for calculating, assembling yield estimation apparatus according to claim 5.
  7. 前記第1信頼区間算出部は、 Said first confidence interval calculation unit,
    前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成する第2サンプル生成部と、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, and a second sample generator for generating the parametric bootstrap method,
    前記第2サンプル生成部によって生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータと前記複数のチェック箇所の寸法許容範囲とに基づき前記複数のチェック箇所それぞれの組立歩留を算出する第3歩留算出部と、 For each of the bootstrap samples generated by said second sample generator, wherein based on the sensitivity information, a change in the feature size in the same part due to affecting the dimensions of the plurality of check locations calculating a multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations, based multivariate distribution parameters of the calculated the check point dimensions and on the dimensions allowable range of the plurality of check locations a third step distillation calculation unit for calculating a plurality of check locations each assembly yield,
    前記第3歩留算出部によって前記ブートストラップサンプル毎に算出された前記複数のチェック箇所それぞれの組立歩留に基づき、前記複数のチェック箇所それぞれの組立歩留の信頼区間を算出するチェック箇所歩留信頼区間算出部と、 The third step distillation by the calculating unit on the basis of the bootstrap samples every calculated the said respective plurality of check locations assembling yield, check point yield for calculating a plurality of check locations confidence interval for each assembly yield and the confidence interval calculation unit,
    を含む、請求項6に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to claim 6.
  8. 前記実測値の標本数に起因して前記部分寸法の多変量分布パラメータに生じる誤差を推定し、推定された誤差と、前記感度情報と、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータとに基づき、前記製品の組立歩留の信頼区間を算出する第2信頼区間算出部をさらに有する、請求項5に記載の組立歩留予測装置。 Due to the number of samples of the measured values ​​to estimate the error occurring in the multivariate distribution parameter of the portion sizes, the estimated error, the sensitivity information and check the change in the feature size in the same part of the plurality based on the multivariate distribution parameters of check points dimensions due to affecting the size of the portion including the correlation information generated between the dimensions of the plurality of check points, calculates the confidence interval of assembly yield of the product further comprising a second confidence interval calculation unit, the assembly yield estimation apparatus according to claim 5.
  9. 前記第2信頼区間算出部は、 Said second confidence interval calculation unit,
    前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成する第2サンプル生成部と、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, and a second sample generator for generating the parametric bootstrap method,
    前記第2サンプル生成部によって生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータに基づき、前記複数のチェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第 For each of the bootstrap samples generated by said second sample generator, wherein based on the sensitivity information, a change in the feature size in the same part due to affecting the dimensions of the plurality of check locations calculating a multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations, based on the multivariate distribution parameters of the calculated the check point size, a set of dimension data of the plurality of check locations a plurality of Monte Carlo samples containing respectively, generated by Monte Carlo simulation, the dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, and a dimension tolerance of the plurality of check points respectively compared, the calculating the assembly yield of the product based on the result of the comparison 歩留算出部と、 And the yield calculation unit,
    前記第4歩留算出部によって前記ブートストラップサンプル毎に算出された前記製品の組立歩留に基づき、前記製品の組立歩留の信頼区間を算出する製品歩留信頼区間算出部と、 And product yield confidence interval calculation unit based on the assembly yield of the products calculated for each of said bootstrap sample by the fourth step distillation calculation unit calculates the confidence interval of assembly yield of the product,
    を含む、請求項8に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to claim 8.
  10. 前記第2信頼区間算出部は、 Said second confidence interval calculation unit,
    前記標本数と前記部分寸法の多変量分布パラメータとに基づき、前記部分寸法の多変量分布パラメータについてのブートストラップサンプルを、パラメトリックブートストラップ法によって生成する第2サンプル生成部と、 Based on the multivariate distribution parameters of the portion size and the number of samples, the bootstrap samples for multivariate distribution parameters of the feature size, and a second sample generator for generating the parametric bootstrap method,
    前記第2サンプル生成部によって生成された前記ブートストラップサンプル毎に、前記感度情報に基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、算出された当該チェック箇所寸法の多変量分布パラメータおよび前記複数のチェック箇所の寸法許容範囲を正規化し、正規化された前記チェック箇所寸法の多変量分布パラメータから、複数の固有ベクトルと各ベクトルに対応する固有値とを特異値分解によって算出し、前記複数の固有ベクトルのうち、前記固有値によって定義される累積寄与率が所定閾値を超える固有ベクトルによって張られる空間において、前記複数 For each of the bootstrap samples generated by said second sample generator, wherein based on the sensitivity information, a change in the feature size in the same part due to affecting the dimensions of the plurality of check locations calculating a multivariate distribution parameter check point dimensions including correlation information generated between the dimensions of the plurality of check locations, the multivariate distribution parameters and dimensions allowable range of the plurality of check points of the calculated the checked locations dimensional normalized from multivariate distributions parameters of the check point a dimension normalized, the eigenvalues ​​corresponding to the plurality of eigenvectors and the vector calculated by singular value decomposition, among the plurality of eigenvectors, the cumulative contribution as defined by the eigenvalues in the space rate is spanned by eigenvectors exceeding a predetermined threshold value, said plurality チェック箇所の寸法データの組をそれぞれ含む複数のモンテカルロサンプルを、モンテカルロシミュレーションによって生成し、生成された前記複数のモンテカルロサンプルに含まれる前記複数のチェック箇所の寸法と、正規化された前記複数のチェック箇所の寸法許容範囲とをそれぞれ比較し、当該比較の結果に基づき前記製品の組立歩留を算出する第4歩留算出部と、 A plurality of Monte Carlo samples containing the check points of the dimension data sets respectively, generated by Monte Carlo simulation, the dimensions of the plurality of check locations included in the generated plurality of Monte Carlo samples, said plurality of check normalized a fourth step distillation calculation unit and a size tolerance of locations compared respectively to calculate the assembly yield of the product based on the result of the comparison,
    前記第4歩留算出部によって前記ブートストラップサンプル毎に算出された前記製品の組立歩留に基づき、前記製品の組立歩留の信頼区間を算出する製品歩留信頼区間算出部と、 And product yield confidence interval calculation unit based on the assembly yield of the products calculated for each of said bootstrap sample by the fourth step distillation calculation unit calculates the confidence interval of assembly yield of the product,
    を含む、請求項8に記載の組立歩留予測装置。 Including, assembling yield estimation apparatus according to claim 8.
  11. 複数の部品によって組み立てられる製品の組立歩留を予測するコンピュータに、 A computer for predicting the assembly yield of products to be assembled by a plurality of components,
    各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得し、 Get the multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each part,
    取得された前記部分寸法の多変量分布パラメータと前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、 Based on the sensitivity information indicating the degree of influence on the dimensions of the plurality of check points in the acquired multivariate distribution parameters and the change in the product of each portion size of each component of the feature size, each part of the same part dimensional change is calculated multivariate distribution parameter check point dimensions including correlation information due generated between the dimensions of the plurality of check points in influencing the dimensions of the plurality of check locations,
    算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する、 Based on multivariate distribution parameters of the calculated the check point size to predict the assembly yield of the product,
    処理を実行させる、組立歩留予測プログラム。 To execute processing, assembling yield prediction program.
  12. 複数の部品によって組み立てられる製品の組立歩留を予測するコンピュータが、 Computer to predict the assembly yield of products to be assembled by a plurality of components,
    各部品における複数の部分寸法間の相関情報を含む部分寸法の多変量分布パラメータを取得し、 Get the multivariate distribution parameters of the portion sizes containing correlation information between a plurality of feature sizes in each part,
    取得された前記部分寸法の多変量分布パラメータと前記各部品における各部分寸法の変化が前記製品における複数のチェック箇所の寸法に与える影響の度合いを示す感度情報とに基づき、同一の部品における各部分寸法の変化が前記複数のチェック箇所の寸法に影響を与えることに起因して前記複数のチェック箇所の寸法間に生じる相関情報を含むチェック箇所寸法の多変量分布パラメータを算出し、 Based on the sensitivity information indicating the degree of influence on the dimensions of the plurality of check points in the acquired multivariate distribution parameters and the change in the product of each portion size of each component of the feature size, each part of the same part dimensional change is calculated multivariate distribution parameter check point dimensions including correlation information due generated between the dimensions of the plurality of check points in influencing the dimensions of the plurality of check locations,
    算出された前記チェック箇所寸法の多変量分布パラメータに基づき前記製品の組立歩留を予測する、組立歩留予測方法。 Based on multivariate distribution parameters of the calculated the check point size to predict the assembly yield of the product, the assembly yield prediction method.
JP2014005813A 2014-01-16 2014-01-16 Assembling yield estimation apparatus, the assembly yield prediction program and assembly yield estimation method Active JP6233038B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014005813A JP6233038B2 (en) 2014-01-16 2014-01-16 Assembling yield estimation apparatus, the assembly yield prediction program and assembly yield estimation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014005813A JP6233038B2 (en) 2014-01-16 2014-01-16 Assembling yield estimation apparatus, the assembly yield prediction program and assembly yield estimation method

Publications (2)

Publication Number Publication Date
JP2015135548A true JP2015135548A (en) 2015-07-27
JP6233038B2 true JP6233038B2 (en) 2017-11-22

Family

ID=53767350

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014005813A Active JP6233038B2 (en) 2014-01-16 2014-01-16 Assembling yield estimation apparatus, the assembly yield prediction program and assembly yield estimation method

Country Status (1)

Country Link
JP (1) JP6233038B2 (en)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5301118A (en) * 1991-11-18 1994-04-05 International Business Machines Corporation Monte carlo simulation design methodology
US5581466A (en) * 1994-05-12 1996-12-03 Texas Instruments Incorporated Tolerance analysis system and method
JPH11175577A (en) * 1997-12-10 1999-07-02 Hitachi Ltd Virtual manufacture support design method and virtual manufacture support design system
JP2002082995A (en) * 2000-09-07 2002-03-22 Hitachi Ltd Information processor and recording medium with program executed by the same stored therein
US7289937B2 (en) * 2002-11-14 2007-10-30 General Electric Company Method and apparatus for machine vector loop extraction
JP2006023238A (en) * 2004-07-09 2006-01-26 Fujitsu Ten Ltd Assembly quality evaluation method and system
WO2007020679A1 (en) * 2005-08-12 2007-02-22 Fujitsu Limited Dimensional tolerance calculator, dimensional tolerance calculating method, and computer readable recording medium recording dimensional tolerance calculating program
US8041527B2 (en) * 2007-06-01 2011-10-18 The Boeing Company System and method for translating variation information between computer 3D variation models and geometric dimensioning and tolerancing callouts
JP2013122644A (en) * 2011-12-09 2013-06-20 Fujitsu Ltd Design assisting apparatus, design assisting method, and design assisting program

Also Published As

Publication number Publication date Type
JP2015135548A (en) 2015-07-27 application

Similar Documents

Publication Publication Date Title
Ramalho et al. Fractional regression models for second stage DEA efficiency analyses
US20080195359A1 (en) Multidimensional Process Corner Derivation Using Surrogate Based Simultaneous Yield Analysis
Zi Sensitivity analysis approaches applied to systems biology models
Hurn et al. Seeing the wood for the trees: A critical evaluation of methods to estimate the parameters of stochastic differential equations
Srivastava et al. Statistical analysis and optimization for VLSI: timing and power
US7243320B2 (en) Stochastic analysis process optimization for integrated circuit design and manufacture
US20040002844A1 (en) System and method for statistical modeling and statistical timing analysis of integrated circuits
Deraemaeker et al. Vibration-based structural health monitoring using output-only measurements under changing environment
US7484132B2 (en) Clustering process for software server failure prediction
Bams et al. An evaluation framework for alternative VaR-models
Eghbalnia et al. Protein energetic conformational analysis from NMR chemical shifts (PECAN) and its use in determining secondary structural elements
Ninness et al. Variance error quantifications that are exact for finite-model order
Elsas et al. Dynamic capital structure adjustment and the impact of fractional dependent variables
US20080059143A1 (en) Hierarchical stochastic analysis process optimization for integrated circuit design and manufacture
US20040236560A1 (en) Power estimation using functional verification
Enot et al. Preprocessing, classification modeling and feature selection using flow injection electrospray mass spectrometry metabolite fingerprint data
Hurvich et al. The local Whittle estimator of long-memory stochastic volatility
US20070136705A1 (en) Timing analysis method and device
Cerra et al. The monetary model strikes back: Evidence from the world
Oliveira et al. Inexact bundle methods for two-stage stochastic programming
Bagnall et al. Time-series classification with COTE: the collective of transformation-based ensembles
Wang Informativeness of genetic markers for pairwise relationship and relatedness inference
JP2003216658A (en) Design support method and program
US7289859B2 (en) Method for determining parameter of product design and its supporting system
Nguyen et al. A constrained regression technique for COCOMO calibration

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160905

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170919

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: 20170926

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20171009

R150 Certificate of patent or registration of utility model

Ref document number: 6233038

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150