JP6285494B2 - サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品 - Google Patents

Description

本発明は、サンプリングレート決定機構付きの測定サンプリング法に関し、特に、ワークピースのサンプリングレートを自動的に調整し、抽出測定レートを低下させることのできる測定サンプリング法に関する。

現在、半導体及びＴＦＴ−ＬＣＤ工場では、生産機械の製品、又は半導体業界のウェーハやＴＦＴ−ＬＣＤ業界のガラス基板のようなワークピース（Ｗｏｒｋｐｉｅｃｅ）に対する品質監視方法として、殆ど抽出測定の方式が採用されている。一般的に、製造システムでは、ワークピースのサンプリングレート１／Ｎが設定されており、加工機械がＮ個（例えば、２５個）のワークピースを処理するごとに、所望の被測定ワークピースとして第Ｎ個のワークピースを指定し、即ち、抽出測定レートが１／Ｎとして特定される。加工機械の生産品質を点検するために、この所望の被測定ワークピースは、測定機械に送られて測定される。このような従来のサンプリング法は、加工機械の加工品質が突然に異常にならないことを仮定するため、被抽出測定の製品又はワークピースの測定結果に基づいて、同じバッチのワークピースの品質を推断することができる。ワークピースの実際測定に必要な測定時間及び測定ツールにより、生産サイクル時間（Ｃｙｃｌｅ Ｔｉｍｅ）及び生産コストが増える場合がある。従って、生産サイクル時間及び生産コストを減少するために、如何に抽出測定レートをできる限りに低下させるかは、生産者の重要な課題である。また、従来のワークピースのサンプリングレート１／Ｎの数値の選択は、製造システムの経験値によるものであり、他の技術的基礎はないため、ワークピースのサンプリングレート１／Ｎの数値を効果的に調整することはできない。

一方、仮想測定技術を利用すれば、ワークピースの実際測定の頻度を減少し、抽出測定レートを低下させることができる。しかしながら、被測定ワークピースの生産途中の変異を前もって考慮しないと、この変異が生じる期間中に仮想測定モデルを更新するための実際測定データがないので、仮想測定の予測精度が不良となる結果になってしまう。従って、如何に適当なワークピースを適時に抽出測定するかは、仮想測定モデルの予測精度に関っている。

従って、上記の従来技術の欠点を解決した測定サンプリング法を提供しなければならない。

本発明の目的は、ワークピースのサンプリングレートを自動的に調整し、ワークピース測定の抽出測定レートを低下させるために、サンプリングレート決定機構付きの測定サンプリング法を提供することにある。

本発明の更に他の目的は、適時にワークピースの実際測定値を提供し、仮想測定モデルを校正する又は改めて訓練して、仮想測定の精度を確保するために、サンプリングレート決定機構付きの測定サンプリング法を提供することにある。

本発明の一態様によると、加工機械が複数の履歴ワークピースを処理する複数組の履歴加工データ、及び履歴加工データに対応する履歴ワークピースの複数の履歴測定値を収集する工程と、履歴加工パラメータデータ及び履歴測定値を使用して、推定アルゴリズムによって推定モデルを作成することを含むモデリング工程を行う工程と、加工機械がＮ個のワークピースを処理するごとに所望の被測定ワークピースとして選び取られた第Ｎ個のワークピースのサンプリングレート１／Ｎを初期化する工程と、ワークピースを決定的サンプル集合に加える工程と、加工機械が処理するこのワークピースの１組の加工データ、及びこの組の加工データに対応する前記ワークピースの実際測定値を取得する工程と、この組の加工データを推定モデルに入力し、このワークピースの仮想測定値を算出する工程と、このワークピースの仮想測定値の絶対誤差比率を算出し、この絶対誤差比率が加工機械の最大寸法比率より大きいかを判断して、第１の結果を取得する工程と、第１の結果がＹＥＳである場合、オーバースペック（ｏｖｅｒ−ｓｐｅｃｉｆｉｃａｔｉｏｎ）計数に１を足す工程と、第１の結果がＮＯである場合、決定的サンプル集合における全てのワークピースの仮想測定値の平均絶対誤差率（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ；ＭＡＰＥ）を算出して、この平均絶対誤差率が平均絶対誤差率の規制上限以上になるかを判断して、第２の結果を取得する工程と、第２の結果がＹＥＳである場合、ワークピースのサンプリングレート１／Ｎを増やし、決定的サンプル集合をクリアしオーバースペック計数を０にする工程と、第２の結果がＮＯである場合、決定的サンプル集合におけるワークピース数量が決定的サンプル数量の閾値以上になるかを判断して、第３の結果を取得する工程と、を備える測定サンプリング法を提出する

第３の結果がＮＯである場合、ワークピースのサンプリングレート１／Ｎをそのまま維持する。第３の結果がＹＥＳである場合、決定的サンプル集合における全てのワークピースの仮想測定値の最大絶対誤差比率（Ｍａｘ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ；ＭａｘＥｒｒ）を算出し、この最大絶対誤差比率が最大絶対誤差比率の規制上限より小さいかを判断して、第４の結果を取得する。第４の結果がＹＥＳである場合、ワークピースのサンプリングレート１／Ｎを減少し、決定的サンプル集合をクリアしオーバースペック計数を０にする。第４の結果がＮＯである場合、決定的サンプル集合における最古のワークピースを廃棄し、ワークピースのサンプリングレート１／Ｎをそのまま維持する。

本発明の実施例によれば、第１の結果がＹＥＳである場合、オーバースペック計数がオーバースペック閾値以上になるかを判断して、第５の結果を取得する。第５の結果がＹＥＳである場合、ワークピースのサンプリングレート１／Ｎを増やし決定的サンプル集合をクリアして、オーバースペック計数を０にする。

本発明の実施例によれば、上記の測定サンプリング法において、加工機械の最小履歴ワークピースのサンプリングレート１／Ｎ_ｍａｘ及びプリセットワークピースのサンプリングレート１／Ｎ_{ｄｅｆａｕｌｔ}を取得する。次に、０を超え１以下である保守的要素（Ｃｏｎｓｅｒｖａｔｉｖｅ Ｆａｃｔｏｒ）にＮ_ｍａｘをかけて算出し、テスト値を取得する。このテスト値がＮ_{ｄｅｆａｕｌｔ}より大きいかを判断して、第６の結果を取得する。第６の結果がＹＥＳである場合、Ｎ_{ｄｅｆａｕｌｔ}をこのテスト値に等しくようにする。

本発明の実施例によれば、上記の測定サンプリング法において、加工機械の状態が変わったかを検査するために、第１の検査工程を行って、第１の検査結果を取得する。第１の検査結果がＹＥＳである場合、決定的サンプル集合をクリアして、オーバースペック計数を０にし、ＮがＮ_{ｄｅｆａｕｌｔ}より大きいかを検査するために、第２の検査工程を行って、第２の検査結果を取得する。第２の検査結果がＹＥＳである場合、ＮをＮ_{ｄｅｆａｕｌｔ}にする。

本発明の実施例によれば、上記の測定サンプリング法において、更にモデリング工程を行って、履歴加工データに基づいてＤＱＩ_Ｘ（Ｐｒｏｃｅｓｓ Ｄａｔａ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ；加工データ品質指標）モデル及びＧＳＩ（Ｇｌｏｂａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ；全体的類似度指標）モデルを作成し、ＤＱＩ_Ｘ閾値及びＧＳＩ閾値を算出する。次に、測定ワークピースのサンプリング工程を行う。測定ワークピースのサンプリング工程において、上記のワークピースの加工データをＤＱＩ_Ｘモデル及びＧＳＩモデルに入力して、上記のワークピースの前記組の加工データのＤＱＩ_Ｘ値及びＧＳＩ値を取得する。次に、ワークピース計数に１を足す。第１の検査結果がＮＯである場合、上記のワークピースのＤＱＩ_Ｘ値がＤＱＩ_Ｘ閾値以下になるかを検査するために、第３の検査工程を行って、第３の検査結果を取得する。第３の検査結果がＮＯである場合、上記のワークピースに対して測定を行わない。第３の検査結果がＹＥＳである場合、上記のワークピース計数がＮ以上になるかを検査するために、第４の検査工程を行って、第４の検査結果を取得する。第４の検査結果がＹＥＳである場合、上記のワークピースに対して測定を行い、ワークピース計数を０にする。第４の検査結果がＮＯである場合、上記のワークピースのＧＳＩ値がＧＳＩ閾値以下になるかを検査するために、第５の検査工程を行って、第５の検査結果を取得する。第５の検査結果がＹＥＳである場合、上記のワークピースに対して測定を行わない。

本発明の実施例によれば、測定サンプリング法において、履歴加工パラメータデータ及び履歴測定データを使用して、参照予測アルゴリズムによって参照モデルを作成し、上記の推定アルゴリズムと参照予測アルゴリズムが異なり、履歴測定値と最大許容可能誤差上限に基づいてＲＩ（Ｒｅｌｉａｎｃｅ Ｉｎｄｅｘ；リライアンス指標）閾値を算出する。上記のワークピースの加工データを参照モデルに入力し、上記のワークピースの参照予測値を算出する。それぞれ上記のワークピースの仮想測定値の配布（Ｄｉｓｔｒｉｂｕｔｉｏｎ）と参照予測値の配布との重なり面積による前記ワークピースのＲＩ値を算出する。上記の第４の検査結果がＮＯである場合、上記のワークピースのＲＩ値がＲＩ閾値以上になるかを検査するために、第６の検査工程を行って、第６の検査結果を取得する。第６の検査結果がＹＥＳである場合、上記のワークピースに対して測定を行わない。

本発明の実施例によれば、上記の第５の検査結果又は前記六検査結果がＮＯであり、且つ、上記のワークピースのｋ個のワークピースのＧＳＩ値がＧＳＩ閾値より大きく、又は上記のワークピースの最初のｋ個のワークピースのＲＩ値がＲＩ閾値より小さい場合、上記のワークピースに対して測定を行い、前記ワークピース計数を０にし、その中ｋが正の整数である。

本発明の上記目的によれば、コンピュータにロードされて実行されると、上記のような測定サンプル抽出の方法を達成する内蔵式の測定サンプル抽出用のコンピュータプログラム製品を更に提出する。

従って、本発明の実施例を適用する場合、効果的にワークピースのサンプリングレートを自動的に調整し、仮想測定の精度を確保し、ワークピース測定の抽出測定レートを大幅に低下させることができる。

添付図面に合わせた下記の簡単な説明は、実施例及びそのメリットをより分かりやすくするためのものである。
本発明の実施例のリライアンス指標値を説明する模式図である。 本発明の実施例のリライアンス指標閾値を説明する模式図である。 本発明の実施例に係るサンプリングレート決定機構付きの測定サンプリング法を示すフロー模式図である。 本発明の実施例に係るワークピースのサンプリングレートの調整工程を説明する模式図である。 本発明の実施例に係るワークピースのサンプリングレートの調整工程を説明する模式図である。 本発明の実施例に係るワークピースのサンプリングレートの調整工程を説明する模式図である。 本発明の実施例に係るワークピースのサンプリングレートの調整工程を示すフロー模式図である。 本発明の実施例に係るワークピースのサンプリングレートの調整工程を示すフロー模式図である。 本発明の実施例の測定ワークピースのサンプリング工程のフローを示す模式図である。 本発明の実施例の仮想測定方法を示すフロー模式図である。

以下、本発明の実施例を詳しく検討する。しかしながら、実施例では、多様な特定の内容に実施できる、数多くの適用可能な発明概念が提供されることは理解すべきである。検討される特定の実施例は、説明するためのものだけであるが、本発明の範囲を限定するためのものではない。

本発明の実施例では、決定的サンプル（Ｄｅｔｅｒｍｉｎａｔｉｖｅ Ｓａｍｐｌｅｓ；ＤＳ）集合における全てのワークピースの仮想測定値の平均絶対誤差率（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ；ＭＡＰＥ_ＤＳ）及び最大絶対誤差比率（Ｍａｘ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ；ＭａｘＥｒｒ_ＤＳ）に基づいて、ワークピースのサンプリングレートを調整する。この測定サンプリング法では、加工機械の生産途中の各種の状態変化（例えば、機械保全、機械部品交換、機械パラメータ調整等の実行）又は機械情報の異常（例えば、加工データの品質不良、機械パラメータ値のドリフト、測定データの品質不良等）を検知可能な様々な指標値に組み合わせて、自動サンプリング決断（Ａｕｔｏｍａｔｅｄ Ｓａｍｐｌｉｎｇ Ｄｅｃｉｓｉｏｎ；ＡＳＤ）機構を開発する。これらの指標値は、リライアンス指標（Ｒｅｌｉａｎｃｅ Ｉｎｄｅｘ；ＲＩ）値、全体的類似度指標（Ｇｌｏｂａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ；ＧＳＩ）値、加工データ品質指標（Ｐｒｏｃｅｓｓ Ｄａｔａ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ；ＤＱＩ_Ｘ）値、及び測定データ品質指標（Ｍｅｔｒｏｌｏｇｙ Ｄａｔａ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ；ＤＱＩ_ｙ）値を含む。本発明の実施例に用いられるＲＩ値、ＧＳＩ値、ＤＱＩ_Ｘ値、ＤＱＩ_ｙ値については、中華民国特許公報案第Ｉ３４９８６７号を参照されたい。本発明の実施例は、前記中華民国特許公報案で作成された仮想測定システムに組み合わせられてもよい。即ち、本発明の実施例では、前記中華民国特許公報案の関連規定（Ｉｎｃｏｒｐｏｒａｔｅｄ ｂｙ ｒｅｆｅｒｅｎｃｅ）を引用する。ＲＩ値は、仮想測定値の信頼性を評価することに用いられる。ＧＳＩ値は、今まで入力された加工パラメータデータと、推定モデルにおけるモデリングを訓練するための全ての加工パラメータデータとの類似程度を評価することに用いられ、またＲＩ値を補助して仮想測定システムのリライアンス度を判断することに用いられる。ＤＱＩ_Ｘ値は、生産ワークピースの加工データが異常になるかを評価することに用いられる。ＤＱＩ_ｙ値は、ワークピースの測定データが異常になるかを評価することに用いられる。

以下、先にリライアンス指標値（ＲＩモデル）、全体的類似度指標値（ＧＳＩモデル）、加工データ品質指標値（ＤＱＩ_Ｘ）モデル及び測定データ品質指標値（ＤＱＩ_ｙモデル）に関連する理論基礎を説明する。

リライアンス指標（ＲＩ）及び全体的類似度指標（ＧＳＩ）は、仮想測定値が信頼できるかをリアルタイムに確かめるためのものである。リライアンス指標モデルは、加工装置の加工データを分析することで、仮想測定の結果が信頼できるかを判断するための、０と１の間にあるリライアンス値（リライアンス指標値）を算出する。類似度指標モデルは、加工の全体的類似度指標値を算出するためのものである。全体的類似度指標値は、今まで入力された加工データと、仮想測定の推定モデルにおけるモデリングを訓練するための全体パラメータデータとの類似程度として定義される。

以下、ＲＩモデルの作成方法を説明する。表１に示すように、仮に、今まで加工データ（Ｘ_ｉ，ｉ＝１，２，…，ｎ）及びそれに対応する実際測定値データ（ｙ_ｉ，ｉ＝１，２，…，ｎ）を含むｎ組の測定データを集めたとし、その中、複数組の加工データの各々がｐ個のパラメータ（パラメータ１〜パラメータｐ）を含み、即ち、Ｘ_ｉ＝［Ｘ_ｉ，１，Ｘ_ｉ，２，…，Ｘ_ｉ，ｐ］^Ｔである。また、（ｍ−ｎ）口の実際生産時の加工データを集めたが、ｙ_ｎ＋１の以外、実際測定値データはなかった。即ち、（ｍ−ｎ）口の実際生産のワークピースにおいて、例えば、第１口のワークピースだけを抽出測定して実際測定を行ってから、その実際測定に基づいて他の（ｍ−ｎ−１）口のワークピースの品質を推断する。

表１において、ｙ_１、ｙ_２、…、ｙ_ｎは履歴測定値であり、ｙ_ｎ＋１は生産途中のワークピースのバッチにおける第１個のワークピースの実際測定値である。一般的に、１組の実際測定値（ｙ_ｉ，ｉ＝１，２，…，ｎ）は、平均数μ、標準差σを有する正規分布であり、即ち、ｙ_ｉ〜Ｎ（μ，σ^２）である。

サンプル群（ｙ_ｉ，ｉ＝１，２，…，ｎ）の平均数と標準差に基づいて、全体実際測定値データを標準化してから、Ｚ_ｙ１、Ｚ_ｙ２、…、Ｚ_ｙｎ（ｚ分数（ｚ Ｓｃｏｒｅｓ）とも言う）が得られ、その中、各ｚ分数の各々の平均数が０であり、標準差が１であり、即ち、Ｚ_ｙｉ〜Ｎ（０，１）であった。実際測定データについて、Ｚ_ｙｉが０に近いほど、測定データが標準中心値に近いことを示す。その標準化の公式は、以下の通りである。

ここの説明としては、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＮＮ）アルゴリズムの推定アルゴリズムによって、仮想測定を行う推定モデルを作成し、また、例えば重回帰アルゴリズムの参照予測アルゴリズムによって、この推定モデルを検証する参照モデルを作成する。しかしながら、本発明は、推定アルゴリズム又は参照予測アルゴリズムとして、例えば、バックプロパゲーションニューラルネットワーク（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＢＰＮＮ）、一般回帰ニューラルネットワーク（Ｇｅｎｅｒａｌ Ｒｅｇｒｅｓｓｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＧＲＮＮ）、放射基底関数ニューラルネットワーク（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＲＢＦＮＮ）、単純再帰ネットワーク（Ｓｉｍｐｌｅ Ｒｅｃｕｒｒｅｎｔ Ｎｅｔｗｏｒｋ；ＳＲＮ）、サポートベクトルデータ記述（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｄａｔａ Ｄｅｓｃｒｉｐｔｉｏｎ；ＳＶＤＤ）、サポートベクトルマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ；ＳＶＭ）、重回帰アルゴリズム（Ｍｕｌｔｉｐｌｅ Ｒｅｇｒｅｓｓｉｏｎ；ＭＲ）；部分最小二乗法（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ；ＰＬＳ）、非線形反復部分最小二乗法（Ｎｏｎｌｉｎｅａｒ Ｉｔｅｒａｔｉｖｅ Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ；ＮＩＰＡＬＳ）又は一般化線形モデル（Ｇｅｎｅｒａｌｉｚｅｄ Ｌｉｎｅａｒ Ｍｏｄｅｌｓ；ＧＬＭｓ）等の他のアルゴリズムを使用してもよい。参照予測アルゴリズムが推定アルゴリズムと異なればよいので、本発明はこれに限定されない。

ニューラルネットワークアルゴリズム及び重回帰アルゴリズムを適用する場合、その収束条件の何れも二乗誤差和（Ｓｕｍ ｏｆ Ｓｑｕａｒｅ Ｅｒｒｏｒ；ＳＳＥ）が最小となる条件であり、且つ、ｎ→∞となる場合、この２つのモードのそれぞれの標準化された実際測定値をＺ_ｙＮｉ、Ｚ_ｙｒｉとして定義すると、その何れも真の標準化された実際測定値と同じである。つまり、ｎ→∞となる場合、Ｚ_ｙｉ＝Ｚ_ｙＮｉ＝Ｚ_ｙｒｉの何れも、標準化された実際測定値を示すが、異なるモードの目的に応じて名称が変わる。

リライアンス指標値は、仮想測定値の信頼性を判断するために設計されるため、仮想測定値の統計配布と実際測定値の統計配布との類似程度を考えるべきである。しかしながら、仮想測定を適用する場合、仮想測定値の信頼性を評価するための実際測定値はない（実際測定値を取得すると、仮想測定を必要としないことは明らかである）。

ＮＮ推定モデルのモデリングを行う前に、先に加工データの標準化工程を行う必要がある。ＮＮ推定モデルの加工データの標準化公式は、以下の通りである。

リライアンス指標値（ＲＩ）を取得した後で、１つのリライアンス指標閾値（ＲＩ_Ｔ）を決定しなければならない。ＲＩ≧ＲＩ_Ｔになると、仮想測定値の確実性は受けられる。以下、リライアンス指標閾値（ＲＩ_Ｔ）の決定方法を説明する。
リライアンス指標閾値（ＲＩ_Ｔ）を決定する前に、まず、最大許容可能誤差上限（Ｅ_Ｌ）を決定する必要がある。

以下、ＧＳＩモデルの作成方法を説明する。上記のように、仮想測定を適用する場合、仮想測定値の精確度を検証するための実際測定値はない。従って、標準化された実際測定値Ｚ_ｙｉの代わりに、標準化された重回帰見積値によって、リライアンス指標値（ＲＩ）を算出する。しかしながら、このようにすれば、リライアンス指標値（ＲＩ）の誤差を引き起こす可能性がある。このような状況を補償するために、本発明では、仮想測定の確実性に対する判断に寄与する、加工の全体的類似度指標（ＧＳＩ）を提出する。

本発明に提出されるＧＳＩの概念は、今まで仮想測定システムに入力された設備加工データとモデリング時の全部履歴パラメータデータとを比べて、入力された加工データと全部履歴パラメータデータとの類似程度指標を得るものである。

本発明では、統計距離アルゴリズム（例えば、マハラノビス距離（Ｍａｈａｌａｎｏｂｉｓ Ｄｉｓｔａｎｃｅ）アルゴリズム、ユークリッド距離アルゴリズム（Ｅｕｃｌｉｄｅａｎ Ｄｉｓｔａｎｃｅ）又は中心法（Ｃｅｎｔｒｏｉｄ Ｍｅｔｈｏｄ）等）の様々な異なる方法によって、類似度を定量化してよい。マハラノビス距離とは、Ｐ．Ｃ．Ｍａｈａｌａｎｏｂｉｓが公元１９３６年に紹介された統計距離アルゴリズムである。このような技術手段は、変数間の関連性に基づいて、異なるサンプル群の形を識別及び分析する。マハラノビス距離は、未知サンプル群と既知サンプル群との類似度を決定する方法であり、データ組間の関連性を考え、スケール不変性（Ｓｃａｌｅ Ｉｎｖａｒｉａｎｃｅ）を有し、即ち、測定値のサイズに関らない。データが高い類似度を有すれば、算出されたマハラノビス距離は小さくなる。

本発明では、算出されたＧＳＩ（マハラノビス距離）のサイズによって、新たな加工データがモデリングの全ての加工データと類似するかを見分ける。算出されたＧＳＩが小さいと、新たな加工データがモデリングの加工データと類似することを示すため、新たな加工データ（高い類似度）の仮想測定値は正確である。逆に、算出されたＧＳＩが大き過ぎると、新たな加工データとモデリングの加工データとは異なる。従って、新たな加工データ（低い類似度）の仮想測定値の正確性のリライアンス度は低い。

ＧＳＩ値を取得した後で、ＧＳＩ閾値（ＧＳＩ_Ｔ）を定義すべきである。ＧＳＩ閾値（ＧＳＩ_Ｔ）の公式は、以下の通りである。
「リーブワンアウト（Ｌｅａｖｅ−Ｏｎｅ−Ｏｕｔ；ＬＯＯ）原理」とは、全てのモデリングサンプルから、アナログオンラインとしてテストサンプルを１口取って、更に他のサンプルによってＧＳＩモデルを作成し、次にこの新規のＧＳＩモデルを利用して、この口のアナログオンラインのテストサンプルに対してそのＧＳＩ値を算出し、この値をＧＳＩ_ＬＯＯで示す。続いて、モデリングサンプルにおける各口のサンプルの何れに対応するＧＳＩ_ＬＯＯも算出されるまで、上記工程を繰り返す。従って、公式（２６）において、
は、ＬＯＯ原理によって全てのモデリングサンプルから算出されたＧＳＩ_ＬＯＯ全体の例えば９０％のトリム平均数（Ｔｒｉｍｍｅｄ Ｍｅａｎ）を示す。公式（２６）のａ値は、２〜３の間にあり、実際状況に応じて僅かに調整すればよく、ａのプリセット値は３である。

以下、ＤＱＩ_Ｘモデルの作成方法を説明する。仮に、ＤＱＩ_Ｘモデルを作成するにはｎ組の履歴加工データを収集し、その中、複数組の各々の履歴加工データはｐ個のパラメータからなる。主成分分析法によってこのｎ組の履歴加工データを適用することで、対応する降順となる固有値（Ｅｉｇｅｎｖａｌｕｅｓ）λ_１≧λ_２…≧λ_ｐを有するｐ個の固有ベクトル（Ｅｉｇｅｎｖｅｃｔｏｒｓ）を発生させる。次に、ｋ個の重要な固有値（λ≧１）を１組選択して、特徴抽出マトリックスＭを以下のように作成する。
以下、ＤＱＩ_Ｘ値の算出方法を説明する。まず、公式（２８）に基づいて、入力された第ｉ個の加工データＸ_ｉをｋ個のデータ特徴変数Ａ_ｉ＝［ａ_１，ａ_２，…，ａ_ｋ］に転換する。

続いて、ｋ個のデータ特徴変数を標準化された１組のｚ分数ＺＡ＝［Ｚ_ａ１，Ｚ_ａ２，…，Ｚ_ａｋ］に転換し、更にユークリッド距離（ＥＤ）によってこの組のｚ分数をＤＱＩ_Ｘ値に転換する。

同時に、クロスバリデーション（Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ）におけるリーブワンアウト（Ｌｅａｖｅ−Ｏｎｅ−Ｏｕｔ；ＬＯＯ）原理により、加工データ品質閾値（ＤＱＩ_ＸＴ）を決定し、その公式は、以下の通りである。
「ＬＯＯ原理」とは、全てのモデリングサンプルから、アナログオンラインとしてテストサンプルを１口取って、更に他のサンプルによってＤＱＩ_Ｘモデルを作成し、次にこの新規のＤＱＩ_Ｘモデルを利用してこの口のアナログオンラインのテストサンプルに対してそのＤＱＩ_Ｘ値を算出し、この値をＤＱＩ_ＸＬＯＯで示す。続いて、モデリングサンプルにおける各口のサンプルの何れもに対応するＤＱＩ_ＸＬＯＯも算出されるまで、上記工程を繰り返す。従って、公式（３１）の
は、ＬＯＯ原理によって全てのモデリングサンプルから算出されるＤＱＩ_ＸＬＯＯ全体の例えば９０％のトリム平均数（Ｔｒｉｍｍｅｄ Ｍｅａｎ）を示す。公式（３１）のａ値は、２〜３の間にあり、実際状況に応じて僅かに調整すればよく、ａのプリセット値は３である。

注意すべきなのは、特徴抽出マトリックスＭと加工データ品質閾値（ＤＱＩ_ＸＴ）とは、共にＤＱＩ_Ｘモデルを構成する。続いて、履歴加工データのｚ分数（ｚ Ｓｃｏｒｅｓ）を算出する。次に、標準化変異及びクラスタ化アルゴリズムによりＤＱＩ_ｙモデルを作成する。このクラスタ化アルゴリズムとしては、適応共鳴理論２、ファジィ適応共鳴理論（Ｆｕｚｚｙ Ａｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ；Ｆｕｚｚｙ ＡＲＴ）、又はｋ−平均数（Ｋ−ｍｅａｎｓ）クラスタ化法等であってもよい。本実施例のＤＱＩ_ｙモデルは、ｍ個の類似パターン（Ｓｉｍｉｌａｒ Ｐａｔｔｅｒｎｓ）からなる。本実施例は、適応共鳴理論２（ＡＲＴ２）を適用してρ＝０．９８の条件で、ｎ組の履歴加工データのｚ分数から類似パターン｛Ｐ_１、Ｐ_２、…、Ｐ_ｍ｝を選別（Ｓｏｒｔｉｎｇ）する。

以下、ＤＱＩ_ｙ値の算出方法を説明する。まず、新たな実際測定値ｙ_ｊを収集すると、適応共鳴理論２（ＡＲＴ２）により、実際測定値ｙ_ｊに対応する加工データのｚ分数Ｚ_ＸＧｊを適用し、類似パターン群｛Ｐ_１、Ｐ_２、…、Ｐ_ｍ｝から最も類似するパターンＰ_ｑ＝［Ｘ_ｑ，１，Ｘ_ｑ，２，…，Ｘ_ｑ，ν］を捜す。次に、Ｐ_ｑにおけるｖ個のサンプル及びそれに対応するｖ個の実際測定値Ｙ_ｑ＝［Ｙ_ｑ，１，Ｙ_ｑ，２，…，Ｙ_ｑ，ν］及びこの新たな実際測定値ｙ_ｊを適用して、ＤＱＩ_ｙｉ及びＤＱＩ_ｙの閾値（ＤＱＩ_ｙＴ）を算出する。ｙ_ｊのＤＱＩ_ｙｉ値は、標準化変異（ＮＶ）で示す。

あるパターンＰ_ｑのＤＱＩ_ｙＴは、Ｐ_ｑの最大許容可能な変異として定義される。ｙ_ｔを最大許容可能な測定値とすると、それがＰ_ｑの最大許容可能な変異を有すれば、ｙ_ｔが以下のものとして示されてもよい。
その中、Ｒ_ｐｉ，ｉ＝１，２，…，ｍは類似パターンＰ_ｉの範囲（Ｒａｎｇｅ）であり、ｍは全ての類似パターン群組の総数である。ｙ_ｔを類似パターンＰ_ｑに入れることで、ＤＱＩ_ｙＴを以下のように取得する。
ＤＱＩ_ｙｉ及びＤＱＩ_ｙＴを取得した後で、ＤＱＩ_ｙｉ＞ＤＱＩ_ｙＴになると、実際測定値が異常であることを示し、逆の場合、正常であることを示す。

以上のような主成分分析法、リーブワンアウト（ＬＯＯ）原理、適応共鳴理論２（ＡＲＴ２）、ｚ分数、ユークリッド距離等の何れも、当業者に熟知されるものであるので、ここで説明しない。

図３を参照されたい。図３は、本発明の実施例のサンプリングレート決定機構付きの測定サンプリング法を示すフロー模式図である。まず、加工機械がＮ個のワークピースを処理するごとに所望の被測定ワークピースとして選び取られた第Ｎ個のワークピースのサンプリングレート１／Ｎを初期化する（工程１１０）。例えば、従来のワークピースのサンプリングレートとしては、加工機械が２５個のワークピース（ワークピース計数＝２５）を処理するごとに、第２５個のワークピースを選び取って測定を行い、この場合、Ｎ＝２５である。本発明の実施例では、「ワークピース計数」によってワークピースのサンプリングレートを実現し、その初始値が０である。工程１１０において、Ｎは、１又は従来の製造システムにより設定された数値として初期化されてもよく、理論上、ワークピース計数がＮであるワークピースは、所望の被測定ワークピースとして選び取られる。次に、加工機械が複数の履歴ワークピースを処理することに用いられる複数組の履歴加工データ、及びこれら履歴ワークピースの複数の履歴測定値を収集する（工程１２０）。続いて、ＲＩモデル（ワークピースの仮想測定値を算出するための推定モデル、及び参照予測モデル）、ＤＱＩ_Ｘモデル、ＤＱＩ_ｙモデル、ＧＳＩモデルを作成し、ＲＩ閾値、ＤＱＩ_Ｘ閾値、ＤＱＩ_ｙ閾値及びＧＳＩ閾値を算出するために、これら履歴測定値及びこれら組履歴加工データに基づいてモデリング工程１３０を行う。モデリング工程１３０の内容については、上記のように詳しく説明した。モデリング工程１３０の完成後、ワークピースのサンプリングレートのＮ値を調整するための、ワークピースのサンプリングレートの調整工程１４０を行ってもよい。Ｎ値を自動的に調整した後で、ワークピース測定の抽出測定レートを更に低下させるために、また測定ワークピースのサンプリング工程１５０を行ってもよい。ワークピースのサンプリングレートの調整工程１４０では、仮想測定モデルの精確度に基づいてＮ値を調整し、仮想測定の精確度が不良である時にワークピースのサンプリングレート（Ｎ値を減少）を増やし、仮想測定の精確度がよい時にワークピースのサンプリングレート（Ｎ値を増やし又は維持）を減少し又は保持する。従って、ワークピースのサンプリングレートの調整工程１４０を行った後で、既にワークピース測定の抽出測定レートを適当に調整することができる。最後に、使用者は、上記抽出測定レートに基づいて、測定ワークピースのサンプリング工程１５０を行ってもよい。

以下、ワークピースのサンプリングレートの調整工程１４０の技術原則を説明する。本実施例において、仮想測定モデルの精確度を判断するために、複数のワークピースの各々を決定的サンプル（ＤＳ）集合に加えてから、この決定的サンプル集合の平均絶対誤差率（ＭＡＰＥ_ＤＳ）及び最大絶対誤差比率（ＭａｘＥｒｒ_ＤＳ）を算出する。平均絶対誤差率（ＭＡＰＥ）及び最大絶対誤差比率（Ｍａｘ Ｅｒｒｏｒ）の公式は、以下の通りである。
決定的サンプル集合は、その中のワークピース数が十分に多くなければ、代表的なものにはならないが、その中のワークピース数が多すぎると、かなり時間がかかる。従って、決定的サンプル数量の閾値（Ｔ_ＤＳ）は、適当な数値でなければならない。ＭＡＰＥ、Ｍａｘ Ｅｒｒｏｒが０に近いほど、仮想測定モデルの精確度は高い。本実施例において、加工機械の最大寸法比率（ＳＰＥＣ_Ｍａｘ）、最大絶対誤差比率の規制上限（ＵＣＬ_Ｍａｘ）及び平均絶対誤差率の規制上限（ＵＣＬ_ＭＡＰＥ）に基づいて、ワークピースのサンプリングレートを調整するかを決定する。最大絶対誤差比率の規制上限（ＵＣＬ_Ｍａｘ）及び平均絶対誤差率の規制上限（ＵＣＬ_ＭＡＰＥ）の公式は、以下の通りである。
最大寸法比率（ＳＰＥＣ_Ｍａｘ）は、加工機械の物理特性によって異なる場合がある。αは第１の保守的要素（Ｃｏｎｓｅｒｖａｔｉｖｅ Ｆａｃｔｏｒ）であり、βは第２の保守的要素であり、０＜α、β≦１、α＞βである。上記のＴ_ＤＳ、α、βは、感度分析法（Ｓｅｎｓｉｔｉｖｉｔｙ Ａｎａｌｙｓｉｓ Ｍｅｔｈｏｄ）によって決定される。プラズマ化学気相成長（ＰＥＣＶＤ）による加工機械を例として、Ｔ_ＤＳが５、ＳＰＥＣ_Ｍａｘが１．０８％、αが０．８５、βが０．６５であってもよいので、ＵＣＬ_Ｍａｘは０．９２％であり、ＵＣＬ_ＭＡＰＥは０．７０％である。

図４Ａ〜図４Ｃを参照されたい。図４Ａ〜図４Ｃは、本発明の実施例に係るワークピースのサンプリングレートの調整工程１４０を説明するための模式図である。「○」は、決定的サンプル集合の平均絶対誤差率（ＭＡＰＥ_ＤＳ）を示す。「□」は、決定的サンプル集合の最大絶対誤差比率（ＭａｘＥｒｒ_ＤＳ）を示す。「○」及び「□」における「１−３」は、順次に加工機械に送られて処理される（決定的サンプル集合）第１個のワークピース〜第３個のワークピースを示す。「○」及び「□」における「２−６」は、順次に加工機械に送られ処理される（決定的サンプル集合）第２個のワークピース〜第６個のワークピースを示す。「○」及び「□」における「３−７」は、順次に加工機械に送られ処理される（決定的サンプル集合）第３個のワークピース〜第７個のワークピースを示す。「◎」は、オーバースペック（Ｏｕｔ Ｏｆ Ｓｐｅｃ；ＯＯＳ）イベントの発生を示す。

図４Ａは、前記ワークピースのサンプリングレート１／Ｎをそのまま維持する状況を示す。図４Ａに示すように、決定的サンプル（ワークピース）を収集する途中、収集された決定的サンプルの数がＴ_ＤＳより小さい場合、ＭＡＰＥ_ＤＳは、今までのワークピース測定の抽出測定レート１／Ｎを変える必要があるかを検査することに用いられる。本実施例において、Ｔ_ＤＳを５とする。最初の４個のワークピースのＭＡＰＥ_ＤＳ（「１」、「１−２」、「１−３」、「１−４」）の何れもＵＣＬ_ＭＡＰＥより小さい場合、前記ワークピースのサンプリングレート１／Ｎをそのまま維持する。収集された決定的サンプルの数がＴ_ＤＳ（５）に等しい場合、ＭＡＰＥ_ＤＳに加えてＭａｘＥｒｒ_ＤＳを採用して、ワークピース測定の抽出測定レート１／Ｎを決定する。図４Ａの右半部に示すように、第１個のワークピース〜第５個のワークピースのＭａｘＥｒｒ_ＤＳがＵＣＬ_Ｍａｘを超える場合、第１個のワークピース〜第５個のワークピースのＭＡＰＥ_ＤＳが依然としてＵＣＬ_ＭＡＰＥより小さいとは、仮想測定の精確度が中等であることを意味するため、ワークピースのサンプリングレート１／Ｎをそのまま維持してよい。次に、決定的サンプル集合におけるワークピース数が多すぎることであまり時間をかからないように、決定的サンプル集合における最古のワークピース（工程２７４）を廃棄する。

図４Ｂは、ワークピースのサンプリングレート１／Ｎを減少する（即ち、Ｎを増やす）状況を示す。図４Ｂに示すように、本実施例において、Ｔ_ＤＳを５とする。収集された決定的サンプルの数がＴ_ＤＳ（５）に等しく、第１個のワークピース〜第５個のワークピース（「１−５」）のＭＡＰＥ_ＤＳがＵＣＬ_ＭＡＰＥより小さく、且つＭａｘＥｒｒ_ＤＳもＵＣＬ_Ｍａｘより小さいとは、仮想測定の精確度が優れ、仮想測定値が実際測定値を十分に代表できることを意味するため、ワークピースのサンプリングレート１／Ｎを減少することができる。次に、前記決定的サンプル集合をクリアして、オーバースペック計数を０とする（工程２８６）。「オーバースペック計数」の効用については、後で説明する。決定的サンプル集合をクリアすることは、決定的サンプルを改めて収集することを代表し、即ち、決定的サンプル集合におけるワークピース数量（ＳＩＺＥ_ＤＳ）が０である。オーバースペック計数が０であることは、ＯＯＳ発生の回数を改めて算出することを示す。

図４Ｃの左半部に示すように、ワークピースのサンプリングレート１／Ｎを増やす（即ち、Ｎを減少する）状況を示す。収集された決定的サンプルの数がＴ_ＤＳより小さく、且つＭＡＰＥ_ＤＳがＵＣＬ_ＭＡＰＥ以上になる場合、仮想測定の精確度がよくなく、仮想測定値がワークピースの実際測定値を代表できないことを意味するため、ワークピースのサンプリングレート１／Ｎを増やす必要がある。次に、決定的サンプル集合をクリアして、オーバースペック計数を０にする（工程２８６）。

図４Ｃの右半部に示すように、ワークピースの仮想測定値の絶対誤差比率が加工機械のＳＰＥＣ_Ｍａｘより大きい場合、仮想測定値の誤差が非常に大きく、又は仮想測定の精確度が速く低下して、オーバースペック（ＯＯＳ）イベントの発生があることを意味する。常に又は速すぎでワークピースのサンプリングレート１／Ｎを調整することを避けるために、本実施例は、「オーバースペック計数」を導入してＯＯＳ発生の回数を算出する。オーバースペック計数がオーバースペック閾値（例えば、２）以上になる場合、ワークピースのサンプリングレート１／Ｎを増やす。次に、前記決定的サンプル集合をクリアして、オーバースペック計数を０にする（工程２８６）。

加工機械の状態が機械保全、メンテナンス又は調合方式の調整により変更する場合、製造実行システムは、機械状態変更のイベント通知を出す。この場合、今までのＮ値は、加工特性変更により既に適用できなくなることがある。本実施例は、加工機械の最小履歴ワークピースのサンプリングレート１／Ｎ_ｍａｘ及びプリセットワークピースのサンプリングレート１／Ｎ_{ｄｅｆａｕｌｔ}を取得して改めてＮ値を設定し、Ｎ_{ｄｅｆａｕｌｔ}はＮのプリセット値であり、Ｎ_ｍａｘはＮの最大値である。（γ×Ｎ_ｍａｘ）がより大きいＮ_{ｄｅｆａｕｌｔ}場合、Ｎ_{ｄｅｆａｕｌｔ}を（γ×Ｎ_ｍａｘ）とし、その中、γが第３の保守的要素であり、０＜γ≦１である。一実施例において、（γ×Ｎ_ｍａｘ）は、γ×Ｎ_ｍａｘとなる後で無条件で整数に桁を進める結果であってもよい。プラズマ化学気相成長（ＰＥＣＶＤ）による加工機械を例として、γは２／３であってもよいため、Ｎ_ｍａｘが６である場合、Ｎ_{ｄｅｆａｕｌｔ}は４である。加工機械の状態が変更され且つ今までのワークピースのサンプリングレート１／Ｎ（例えば、Ｎ＝５）が１／Ｎ_{ｄｅｆａｕｌｔ}（Ｎ＞Ｎ_{ｄｅｆａｕｌｔ}）より小さい場合、ワークピースのサンプリングレート１／Ｎを１／Ｎ_{ｄｅｆａｕｌｔ}（Ｎ＝Ｎ_{ｄｅｆａｕｌｔ}）として、逆に（例えば、Ｎ＝２）、今までのワークピースのサンプリングレート１／Ｎをそのまま維持する。

以下、本発明の実施例の、図５Ａ及び図５Ｂに示すサンプリングレート調整工程２００を含むワークピースのサンプリングレートの調整工程１４０（図３に示す）のフローを説明する。サンプリングレート調整工程２００において、まず、加工機械が当時に処理するワークピースの１組の加工データ、及びこの組の加工データに対応するこのワークピースの実際測定値を取得する。次に、このワークピースのＤＱＩ_ｙ値、ＤＱＩ_Ｘ値、ＧＳＩ値又はＲＩ値がそれぞれの閾値の規定に合致するか、即ち、ＲＩ≧ＲＩ_Ｔ、ＧＳＩ≦ＧＳＩ_Ｔ、ＤＱＩ_Ｘ≦、ＤＱＩ_ｙ≦（工程２１０）となるかを選択的に検査する。工程２１０の結果がＮＯである場合、このワークピースの加工データ及び／又は実際測定値が不確実であり、サンプリングレート調整工程２００ができないことを代表するため、ワークピースのサンプリングレート１／Ｎをそのまま維持する（即ち、Ｎ値が変わらない）工程２８０を行う。工程２１０の結果がＹＥＳである場合、このワークピースの加工データと実際測定値が確実であり、続き工程２２０を行うことができることを代表して、このワークピースを決定的サンプル集合に加える。次に、この組の加工データをモデリング工程１３０（図３に示す）による推定モデルに入力して、この決定的サンプル集合の平均絶対誤差率（ＭＡＰＥ_ＤＳ）、最大絶対誤差比率（ＭａｘＥｒｒ_ＤＳ）とこのワークピースの仮想測定値の絶対誤差比率を算出する（工程２３０）。

次に、この仮想測定値の絶対誤差比率が加工機械の最大寸法比率（ＳＰＥＣ_Ｍａｘ）より大きいかを判断して、第１の結果を取得する工程２４０を行う。第１の結果がＹＥＳである場合、オーバースペック計数に１を足す。第１の結果がＮＯである場合、決定的サンプル集合における全てのワークピースの仮想測定値の平均絶対誤差率（ＭＡＰＥ_ＤＳ）が平均絶対誤差率の規制上限（ＵＣＬ_ＭＡＰＥ）以上になるかを算出し判断して、第２の結果を取得する工程２６０を行う。前記第２の結果がＹＥＳである場合、ワークピースのサンプリングレート１／Ｎを増やす（即ち、Ｎ値を減少し、例えば、Ｎ値から１を引く）工程２８４を行う。続いて、決定的サンプル集合をクリアし、オーバースペック計数を０にし、即ち、決定的サンプル集合におけるワークピース数量（ＳＩＺＥ_ＤＳ）が０である工程２８６を行う。第２の結果がＮＯである場合、ＳＩＺＥ_ＤＳが決定的サンプル数量の閾値（Ｔ_ＤＳ）以上になるかを判断して、第３の結果を取得する工程２７０を行う。

第３の結果がＮＯである場合、ワークピースのサンプリングレート１／Ｎをそのまま維持する（工程２８０）。第３の結果がＹＥＳである場合、決定的サンプル集合における全てのワークピースの仮想測定値の最大絶対誤差比率（ＭａｘＥｒｒ_ＤＳ）が最大絶対誤差比率の規制上限（ＵＣＬ_Ｍａｘ）より小さいかを算出し判断して、第４の結果を取得する工程２７２を行う。第４の結果がＹＥＳである場合、ワークピースのサンプリングレート１／Ｎを減少する（即ち、Ｎ値を増やし、例えば、Ｎ値に１を足す）工程２８２を行う。次に、決定的サンプル集合をクリアして、オーバースペック計数を０にする（工程２８６）。前記第４の結果がＮＯである場合、決定的サンプル集合における最古のワークピース（工程２７４）を廃棄し、ワークピースのサンプリングレート１／Ｎをそのまま維持する（工程２８０）。

前記第１の結果がＹＥＳである場合、オーバースペック計数がオーバースペック閾値以上になるか（例えば、２）を判断して、第５の結果を取得する工程２５０を行う。第５の結果がＹＥＳである場合、ワークピースのサンプリングレート１／Ｎを増やす（即ち、Ｎ値を減少し、例えば、Ｎ値から１を引く）工程２８４を行う。続いて、オーバースペック計数を０にし、決定的サンプル集合をクリアする工程２８６を行う。

工程２８０又は２８６を行ってから、加工機械の最小履歴ワークピースのサンプリングレート１／Ｎ_ｍａｘ及びプリセットワークピースのサンプリングレート１／Ｎ_{ｄｅｆａｕｌｔ}を取得し、その中、Ｎ_ｍａｘが加工機械操作履歴に採用される最大Ｎ値である。次に、（γ×Ｎ_ｍａｘ）がＮ_{ｄｅｆａｕｌｔ}より大きいかを判断して、第６の結果を取得し、その中、γが第３の保守的要素であり、０＜γ≦１である工程２９０を行う。一実施例において、（γ×Ｎ_ｍａｘ）は、γ×Ｎ_ｍａｘとなる後で無条件で整数に桁を進める結果であってもよい。第６の結果がＹＥＳである場合、Ｎ_{ｄｅｆａｕｌｔ}を（γ×Ｎ_ｍａｘ）にする工程２９２を行う。また、図６に示す工程３４０、３４２、３４４と３４６において、加工機械の状態が変更（工程３４０）し且つこの時のワークピースのサンプリングレート１／Ｎが１／Ｎ_{ｄｅｆａｕｌｔ}（Ｎ≧Ｎ_{ｄｅｆａｕｌｔ}）より小さい場合（工程３４４）、ワークピースのサンプリングレート１／Ｎを１／Ｎ_{ｄｅｆａｕｌｔ}（Ｎ＝Ｎ_{ｄｅｆａｕｌｔ}）にする（工程３４６）。

以下、測定ワークピースのサンプリング工程１５０機構で考えられる５つの状態を説明する。

状態１：安定した加工する場合。加工機械の状態に如何なる変化もなく且つ複数のワークピースのＲＩ値、ＧＳＩ値、ＤＱＩ_Ｘ値及びＤＱＩ_ｙ値の何れもそれぞれの閾値の規定に合致する場合、即ち、ＲＩ≧ＲＩ_Ｔ、ＧＳＩ≦ＧＳＩ_Ｔ、ＤＱＩ_Ｘ≦、ＤＱＩ_ｙ≦となる場合、仮想測定モデルを更新するための実際測定データを必要としない。ＡＳＤ機構は、仮想測定モデルの精度に影響を与えずに、Ｎを大きい数（低いワークピースのサンプリングレート）することができる。

状態２：加工機械の状態が変更する場合。加工機械の状態は、機械保全、メンテナンス又は調合方式の調整により変更することがある。この場合、本発明の実施例は、即時に加工機械状態の変更時に処理するワークピースに対して実際測定を行い、改めてワークピース計数を０にすることを要求する。例えば、もとの所望の被測定ワークピースが第２５個のワークピースであったが、加工機械の状態が第２個のワークピースの時に変化する場合、本発明の実施例では、第２個のワークピースに対して実際測定を行い、次の所望の被測定ワークピースが第２７個のワークピースである。

状態３：ワークピースのＤＱＩ_Ｘ値が異常（ＤＱＩ_Ｘ＞ＤＱＩ_ＸＴ）である場合。ＤＱＩ_Ｘ値の機能は、加工機械のワークピースに対する処理に用いられる加工データの品質を検査することである。ＤＱＩ_Ｘ値の異常になる加工データにより仮想測定モデルが悪くならないように、ＤＱＩ_Ｘ値の異常になるワークピースを選択して実際測定を行ってはいけない。即ち、本発明の実施例は、ＤＱＩ_Ｘ値の異常になるワークピースを飛ばして、実際測定を行う。このＤＱＩ_Ｘ値の異常になるワークピースがもとの測定される予期（予定）のあるワークピース（この時にワークピースサンプリングのワークピース計数をＮに制御することに用いられる）であると、本発明の実施例は、このＤＱＩ_Ｘ値の異常になるワークピースに対して測定を行わなく、次のワークピースを測定するように要求する。次のワークピースのＤＱＩ_Ｘ値が正常となる場合（この時にワークピースサンプリングに対する制御のためのワークピース計数は既にＮより大きい）、この次のワークピースに対して測定を行う。この次のワークピースのＤＱＩ_Ｘ値が依然として異常になる場合、またこの次のワークピースを飛ばして、実際測定を行う。次に、同じように順次に別の次のワークピースを考える。

状態４：ワークピースのＧＳＩ値（ＧＳＩ＞ＧＳＩ_Ｔ）又はＲＩ値（ＲＩ＜ＲＩ_Ｔ）が異常である場合。ＲＩ値の目的は、仮想測定値のリライアンス度に対する検証に用いられることである。ワークピースのＲＩ値（ＲＩ＜ＲＩ_Ｔ）が異常になる場合、仮想測定値の確実性が低く、仮想測定モデルを校正し又は改めて訓練するようにワークピースの実際測定値を必要とすることを示す。ＧＳＩ値の目的は、ワークピースの加工データの偏差程度に対する評価に用いられることである。ワークピースの加工データの偏差は、それに対応する測定値が正常値からずれることを引き起こすため、ＧＳＩ値の異常になるワークピースを検査しなければならない。しかしながら、ＲＩ値又はＧＳＩ値の異常が一回だけ発生すれば、それは、データ騒音又はその他の因素によるフォールスアラームである可能性があるため、本発明の実施例は、連続したいくつか（例えば、２個又は４個）のワークピースのＧＳＩ値又はＲＩ値の異常になる時のみに、第２個又は第４個のワークピースに対して実際測定を行う。

状態５：ワークピースのＤＱＩ_ｙ値は異常になる場合（ＤＱＩ_ｙ＞）。ＤＱＩ_ｙ値の機能は、ワークピースの実際測定値の品質を検査することである。ワークピースの実際測定値の品質が不良である場合、仮想測定モデルを校正し又は改めて訓練することに用いられることができない。ワークピースの実際測定値の品質が不良である場合、本発明の実施例は、即時に次のワークピースを測定するように要求する。

以下、本発明の実施例の測定ワークピースのサンプリング工程１５０のフローを説明する。測定ワークピースのサンプリング工程１５０は、図６に示すサンプリング工程３００、及び図７に示す工程３０１を含む。

サンプリング工程３００において、まず、ワークピースを、このワークピースを処理する１組の加工データを有する加工機械に提供する（工程３０２）。このワークピースの加工データをＤＱＩ_Ｘモデル及びＧＳＩモデルに入力して、このワークピースの加工データのＤＱＩ_Ｘ値及びＧＳＩ値を取得する（工程３０４）。工程３０４において、このワークピースの１組の加工データを推定モデルに入力して、このワークピースの仮想測定値を算出し、このワークピースの加工パラメータデータを参照モデルに入力して、このワークピースの参照予測値を算出する。次に、それぞれこのワークピースの仮想測定値の配布（Ｄｉｓｔｒｉｂｕｔｉｏｎ）と参照予測値の配布との重なり面積によるこのワークピースのＲＩ値を算出し、その中、重なり面積が大きいほど、ＲＩ値が高く、仮想測定値に対応する信頼性が高いことを示す。

次に、加工機械が暫く停止したか（例えば、１日以上停止）を検査するために、工程３１０を行う。工程３１０の検査結果がＹＥＳである場合、このワークピースが停止後の第１個のワークピースと見なされるので、工程３９２を行わなければならなく、測定機械によりこのワークピースに対して測定を行い、ワークピース計数を０にして、加工機械が正常であるかを確認する。工程３１０の検査結果がＮＯである場合、ワークピース計数に１を足す（工程３２０）。次に、加工機械の状態が変わったか（例えば、機械保全、機械部品交換、機械パラメータ調整等の実行）を検査するために、工程３４０を行う。工程３４０の検査結果がＹＥＳである場合、決定的サンプル集合をクリアして、オーバースペック計数を０にし（工程３４２）、ＮがＮ_{ｄｅｆａｕｌｔ}より大きいかを検査するために、工程３４４を行う。工程３４４の検査結果がＹＥＳである場合、ＮをＮ_{ｄｅｆａｕｌｔ}にする（工程３４６）。工程３４４の検査結果がＮＯである場合、を工程３９２行って、このワークピースに対して測定を行い、ワークピース計数を０にする。工程３４６を行ってから、工程３９２も行って、加工機械の生産品質が正常であるかを確認する。

工程３４０の検査結果がＮＯである場合、このワークピースのＤＱＩ_Ｘ値の良さを検査する工程３５０を行う。ＤＱＩ_Ｘ値がＤＱＩ_Ｘ閾値より大きい場合、このワークピースの加工データの品質（ＤＱＩ_Ｘ値）が不良である（工程３５０の検査結果が悪い）ことを示して、ＤＱＩ_Ｘ値の異常になる加工データによるワークピースの実際測定値が不確実となるため、このワークピースに対して測定を行わない（工程３９０）。ＤＱＩ_Ｘ値がＤＱＩ_Ｘ閾値以下になる場合、このワークピースのＤＱＩ_Ｘ値の品質が優れる（工程３５０の検査結果がよい）ことを示し、この時のワークピース計数がＮ以上になるかを検査する工程３６０を行う。工程３６０の検査結果がＹＥＳである場合、このワークピースが、所望の被測定ワークピースであることを示し、このワークピースに対して測定ワークピースを行い計数を０にするべきである（工程３９２）。

工程３６０の検査結果がＮＯである場合、このワークピースのＧＳＩ値及びＲＩ値の良さを検査する工程３７０を行う。このワークピースのＧＳＩ値がＧＳＩ閾値以下であり、且つこのワークピースのＲＩ値がＲＩ閾値以上になる場合、このワークピースの加工データに推定される仮想測定値の信頼性が優れる（工程３７０の検査結果がよい）ことを示すため、このワークピースに対して測定を行う必要がない（工程３９０）。このワークピースのＧＳＩ値がＧＳＩ閾値より大きく、又はこのワークピースのＲＩ値がＲＩ閾値より小さい場合、このワークピースの加工データに推定される仮想測定値の信頼性が低い（工程３７０の検査結果が悪い）ことを示し、このワークピースに対して測定を行う必要がある可能性がある。しかしながら、ＲＩ値又はＧＳＩ値の異常が一回だけ発生すれば、それは、データ騒音又はその他の因素によるフォールスアラームである可能性があるため、本発明の実施例は、連続したいくつか（例えば、２個又は４個）のワークピースのＧＳＩ値又はＲＩ値の異常になる時のみに、第２個又は第４個のワークピースに対して実際測定を行う。つまり、工程３７０の検査結果が悪い場合、工程３８０を行って、このワークピースの最初のｋ個のワークピース（例えば、最初の１個又は最初の３個）のＧＳＩ値がＧＳＩ閾値より大きいか、又はこのワークピースの最初のｋ個のワークピースのＲＩ値がＲＩ閾値より小さいかを検査し、ｋが正の整数である。工程３８０の検査結果がＹＥＳである場合、測定機械によりこのワークピースに対して測定を行いこのワークピース計数を０にする（工程３９２）。工程３８０の検査結果がＮＯである場合、このワークピースに対して測定を行わない（工程３９０）。注意すべきなのは、工程３７０は、このワークピースのＧＳＩ値の良さのみを検査してもよい。このワークピースのＧＳＩ値が大きすぎると、このワークピースの加工データとモデリングの加工データとがわずか異なって、このワークピースの品質が異常になる可能性があるため、実際測定を行う必要がある。上記から分かるように、本発明の実施例を適用して、使用者は、加工機械が複数のワークピースを処理してからワークピースを選び取り測定を行うだけで、Ｎを増やしてワークピースのサンプリングレート（１／Ｎ）を低下させることができ、前記測定されるべきな異常ワークピースを逸する心配はない。従って、本発明の実施例は、効果的にワークピース測定の抽出測定レートを低下させることができる。しかしながら、本発明の更に他の実施例において、工程３５０（このワークピースのＤＱＩ_Ｘ値を検査する）、工程３６０（このワークピースが所望の被測定ワークピースであるかを検査する）、工程３７０（このワークピースのＧＳＩ値及びＲＩ値を検査し、又はこのワークピースのＧＳＩ値のみを検査する）のみを行っても、ワークピース測定の抽出測定レートを効果的に低下させることもできる。

以上に説明された図５Ａと図５Ｂに用いられる第１〜第６の「結果」と、図６に用いられる（第１〜第７の）「検査結果」とは、明細書と特許請求範囲における各関連工程の判断結果を便利に説明するためのものであり、前後の順序等の特定な意味がない。

また、図７の工程３０１に示すように、このワークピースが実際測定を行ってから、測定ワークピースのサンプリング工程１５０がこのワークピースの測定データ品質指標（ＤＱＩ_ｙ）値に対しても評価を行う。まず、このワークピースの実際測定値及び実際測定値と対応する加工データを収集する。この組の加工データを１組のｚ分数に転換し生産する。ｚ分数と実際測定値をＤＱＩ_ｙモデルに入力して、このワークピースの実際測定値のＤＱＩ_ｙ値を算出する。このワークピースのＤＱＩ_ｙ値がＤＱＩ_ｙ閾値より大きい場合この実際測定値が異常になることを示し、即ち、この実際測定値は、校正又はモデル交換作業に採用されることができなく、この不足を補償するために、当時に生産されるワークピースを測定するように要求する（即ち、ワークピース計数をＮとする）。

理解すべきなのは、本発明の測定サンプリング法は、以上に記載の実施工程であり、本発明の内蔵式の測定サンプル抽出用のコンピュータプログラム製品は、上記のような測定サンプル抽出を完成する方法である。上記実施例に説明される各実施工程の順序は、実際のニーズに応じて調整、結合又は省略してもよい。上記実施例は、複数のコマンドをストレージする機械可読媒体を含むコンピュータプログラム製品により実現でき、これらコマンドがコンピュータをプログラミング（ｐｒｏｇｒａｍｍｉｎｇ）して上記実施例における工程を行うことができる。機械可読媒体はフロッピーディスク、光ディスク、読み出し専用光ディスク、光磁気ディスク、読み出し専用メモリ、ランダムアクセスメモリ、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ）、電子的消去可能プログラマブル読み出し専用メモリ（ＥＥＰＲＯＭ）、光カード（ｏｐｔｉｃａｌ ｃａｒｄ）又は磁気カード、フラッシュメモリ、或いはいかなる電子コマンドのストレージに適する機械可読媒体であってもよいがこれに限定されない。なお、本発明の実施例は、コンピュータプログラム製品としてダウンロードしてもよく、それが通信接続（例えば、ネットワーク接続のような接続）によるデータ信号を使ってリモートコンピュータから本発明のコンピュータプログラム製品を請求コンピュータに転移する。

また、注意すべきなのは、本発明は、製造システムのコンテキスト（Ｃｏｎｔｅｘｔ）に記述されてもよい。本発明は、施加在半導体製造中、これに制限されなく、他の製造業界に適用されてもよい。製造システムは、ワークや製品を製造するように配置される。これらのワークや製品は、マイクロプロセッサ、記憶装置、デジタルシグナルプロセッサ、特定用途向け集積回路（ＡＳＩＣ）素子又は他の同様な素子を含むがそれらに制限さない。本発明は、例えば、リム、ねじ等の半導体装置以外のワークや製造された製品に適用されてもよい。製造システムは、１つ又は複数の製品又はワーク（例えば、ウェハ）の上又はその中の一部を形成するための、１つ又は複数の加工（プロセス）機器を含む。上記実施例において、加工（プロセス）機器は、単一の実体として示される。しかしながら、当業者であれば、加工（プロセス）機器は、リソグラフィ機器、沈積機器、エッチング機器、研磨機器、焼き戻し機器、工作機械や他の同様な機器を含む、如何なる形態の如何なる数の実体として配置されてもよいことは理解すべきである。実施例において、製造システムは、例えば、散乱計、エリプソメーター、走査電子顕微鏡や他の同様な設備等の、１つ又は複数の測定機器を含む。

製造システムは、本発明の実施例によるサンプリングレート決定機構付きの測定サンプリング法を行うために、加工（プロセス）機器及び測定機器に通信的に接続されたサンプル選用ユニットを更に含む。当業者であれば、製造システムを配置して、加工（プロセス）機器、測定機器及びサンプル選用ユニット同士を通信的に接続させるための、所望のインターコネクションを提供することができる。各種の実施例において、サンプル選用ユニットは、デスクトップコンピューター、ノートパソコン又は他の同様なコンピューター装置に配置されてよい。しかしながら、当業者であれは、他の実施例において、サンプル選用ユニットの各部は、如何なる数の装置又は位置に配置されてもよいことは理解すべきである。

一方、本発明の実施例の測定サンプリング法は、例えば、中華民国特許公報案第Ｉ３４９８６７号に開示される自動化型仮想測定方法のような仮想測定技術に合わせてもよい。図７を参照されたい。図７は、本発明の実施例の仮想測定方法を示すフロー模式図である。第１の段階の仮想測定の工程全体を完成すると、図６に示すサンプリング工程３００を行って、ワークピースが実際測定される必要があるかを決定する。第２の段階の仮想測定の工程全体を完成すると、図５Ａ及び図５Ｂに示すサンプリングレート調整工程２００を行って、サンプリング工程３００の使用に供するように、Ｎ値を調整する。第２の段階の仮想測定において、あるワークピースの実際測定値を取得する場合、ワークピースのＤＱＩ_ｙ値を検査する。このワークピースのＤＱＩ_ｙ値がＤＱＩ_ｙ閾値より大きい場合、工程３０１を行って、同時に生産されるワークピースを測定するように要求する（即ち、ワークピース計数をＮとする）。本発明の実施例の測定サンプリング法と仮想測定方法とが結びついた後で、適時にワークピースの実際測定値を取得して仮想測定モデルを校正又は改めて訓練して、仮想測定の精度を確保する。

上記の本発明の実施形態から分かるように、この測定サンプリング法は、決定的サンプル集合における全てのワークピースの仮想測定値の平均絶対誤差率及び最大絶対誤差比率によりワークピースのサンプリングレートを調整し、加工機械の生産途中の状態変更又は機械情報の異常を示す各式の指標値に組み合わせて自動サンプリング決断（ＡＳＤ）機構を作成して、効果的にワークピースのサンプリングレートを自動的に調整し、仮想測定の精度を確保し、ワークピース測定の抽出測定レートを大幅に低下させることができる。

本発明の実施形態を前述の通りに開示したが、これは、本発明を限定するものではなく、当業者なら、本発明の精神と範囲から逸脱しない限り、多様の変更や修正を加えることができ、したがって、本発明の保護範囲は、下記の特許請求の範囲で指定した内容を基準とする。

１１０ ワークピースのサンプリングレート１／Ｎを初期化する
１２０ 履歴ワークピースの履歴測定値及び履歴加工データを収集する
１３０ モデリング工程を行う
１４０ ワークピースのサンプリングレートの調整工程を行う
１５０ 測定ワークピースのサンプリング工程を行う
２００ サンプリングレート調整工程
２１０ ＤＱＩ_ｙ値、ＤＱＩ_Ｘ値、ＧＳＩ値又はＲＩ値が閾値に合致するか
２２０ ワークピースを決定的サンプル集合に加える
２３０ ＭＡＰＥ_ＤＳ、ＭａｘＥｒｒ_ＤＳと前記ワークピースとの仮想測定絶対誤差比率を算出する
２４０ このワークピースの仮想測定の絶対誤差比率＞ＳＰＥＣ_Ｍａｘ？
２５０ オーバースペック計数≧オーバースペック閾値？
２６０ ＭＡＰＥ_ＤＳ≧ＵＣＬ_ＭＡＰＥ？
２７０ ＳＩＺＥ_ＤＳ≧Ｔ_ＤＳ？
２７２ ＭａｘＥｒｒ_ＤＳ＜ＵＣＬ_Ｍａｘ？
２７４ 決定的サンプル集合における最古のワークピースを廃棄する
２８０ ワークピースのサンプリングレート１／Ｎをそのまま維持する
２８２ ワークピースのサンプリングレート１／Ｎを減少する
２８４ ワークピースのサンプリングレート１／Ｎを増やす
２８６ 決定的サンプル集合をクリアしオーバースペック計数を０にする
２９０ （γ×Ｎ_ｍａｘ）＞Ｎ_{ｄｅｆａｕｌｔ}？
２９２ Ｎ_{ｄｅｆａｕｌｔ}を（γ×Ｎ_ｍａｘ）にする
３００ サンプリング工程
３０１ 当時に生産されるワークピースを測定するように要求する
３０２ ワークピースを加工機械に提供する
３０４ ワークピースのＤＱＩ_Ｘ値、ＧＳＩ値及びＲＩ値を取得する
３１０ 加工機械が暫く停止したか？
３２０ ワークピース計数に１を足す
３４０ 加工機械状態が変わったか？
３４２ 決定的サンプル集合をクリアしオーバースペック計数を０にする
３４４ Ｎ＞Ｎ_{ｄｅｆａｕｌｔ}？
３４６ ＮをＮ_{ｄｅｆａｕｌｔ}にする
３５０ このワークピースのＤＱＩ_Ｘ値を検査する
３６０ ワークピース計数がＮ以上になるか？
３７０ このワークピースのＧＳＩ値及びＲＩ値を検査する
３８０ このワークピースの最初のｋ個のワークピースのＧＳＩ値又はＲＩ値が異常になるか？
３９０ このワークピースに対して測定を行わない
３９２ このワークピースに対して測定を行い、ワークピース計数を０にする

Claims (10)

1. 加工機械が複数の履歴ワークピースを処理する複数組の履歴加工データ、及び前記複数組の履歴加工データに対応する前記履歴ワークピースの複数の履歴測定値を収集する工程と、
   前記複数組の履歴加工データ及び前記履歴測定値を使用して、推定アルゴリズムによって推定モデルを作成することを含むモデリング工程を行う工程と、
   前記加工機械がＮ個のワークピースを処理するごとに所望の被測定ワークピースとして選び取られた第Ｎ個のワークピースのサンプリングレート１／Ｎを初期化する工程と、
   サンプリングワークピースを決定的サンプル集合に加える工程と、
   前記加工機械が処理する前記サンプリングワークピースの１組の加工データ、及び前記１組の加工データに対応する前記ワークピースの実際測定値を取得する工程と、
   前記サンプリングワークピースの前記１組の加工データを前記推定モデルに入力し、前記サンプリングワークピースの仮想測定値を算出する工程と、
   前記サンプリングワークピースの前記仮想測定値と前記実際測定値との間の絶対誤差比率を算出する工程と、
   前記仮想測定値の前記絶対誤差比率が前記加工機械の最大寸法比率より大きいかを判断して、第１の結果を取得する工程と、
   前記第１の結果がＹＥＳである場合、オーバースペック計数に１を足す工程と、
   前記第１の結果がＮＯである場合、前記決定的サンプル集合における全てのサンプリングワークピースの絶対誤差比率の平均絶対誤差率（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ；ＭＡＰＥ）を算出して、前記平均絶対誤差率が平均絶対誤差率の規制上限以上になるかを判断して、第２の結果を取得する工程と、
   前記第２の結果がＹＥＳである場合、前記ワークピースのサンプリングレート１／Ｎを増やし、前記決定的サンプル集合をクリアし前記オーバースペック計数を０にする工程と、
   前記第２の結果がＮＯである場合、前記決定的サンプル集合におけるサンプリングワークピース数量が決定的サンプル数量の閾値以上になるかを判断して、第３の結果を取得する工程と、
   前記第３の結果がＮＯである場合、前記ワークピースのサンプリングレート１／Ｎをそのまま維持する工程と、
   前記第３の結果がＹＥＳである場合、前記決定的サンプル集合における全てのサンプリングワークピースの絶対誤差比率の最大絶対誤差比率（Ｍａｘ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ；ＭａｘＥｒｒ）を算出して、前記最大絶対誤差比率が最大絶対誤差比率の規制上限より小さいかを判断して、第４の結果を取得する工程と、
   前記第４の結果がＹＥＳである場合、前記ワークピースのサンプリングレート１／Ｎを減少し、前記決定的サンプル集合をクリアし前記オーバースペック計数を０にする工程と、
   前記第４の結果がＮＯである場合、前記決定的サンプル集合における最古のサンプリングワークピースを廃棄し、前記ワークピースのサンプリングレート１／Ｎをそのまま維持する工程と、
   を備える測定サンプリング法。
2. 前記最大絶対誤差比率の規制上限は、第１の保守的要素（Ｃｏｎｓｅｒｖａｔｉｖｅ Ｆａｃｔｏｒ）に前記最大寸法比率をかけたものであり、前記平均絶対誤差率の規制上限は、第２の保守的要素に前記最大寸法比率をかけたものであり、前記第１の保守的要素及び前記第２の保守的要素は０を超え１以下であり、前記第１の保守的要素は前記第２の保守的要素より大きい請求項１に記載の測定サンプリング法。
3. 前記第１の結果がＹＥＳである場合、前記測定サンプリング法は、
   前記オーバースペック計数がオーバースペック閾値以上になるかを判断して、第５の結果を取得する工程と、
   前記第５の結果がＹＥＳである場合、前記ワークピースのサンプリングレート１／Ｎを増やし前記決定的サンプル集合をクリアし、前記オーバースペック計数を０にする工程と、
   を更に備える請求項１〜２の何れか１項に記載の測定サンプリング法。
4. 前記オーバースペック閾値は、２である請求項３に記載の測定サンプリング法。
5. 前記加工機械の最小履歴ワークピースのサンプリングレート１／Ｎｍａｘ及びプリセットワークピースのサンプリングレート１／Ｎｄｅｆａｕｌｔを取得し、ＮｄｅｆａｕｌｔはＮのプリセット値であり、ＮｍａｘはＮの最大値である工程と、
   ０を超え１以下である第３の保守的要素にＮｍａｘをかけて算出し、テスト値を取得する工程と、
   前記テスト値がＮｄｅｆａｕｌｔより大きいかを判断して、第６の結果を取得する工程と、
   前記第６の結果がＹＥＳである場合、Ｎｄｅｆａｕｌｔを前記テスト値に等しくようにする工程と、
   前記加工機械の状態が変わったかを検査するために、第１の検査工程を行って、第１の検査結果を取得する工程と、
   前記第１の検査結果がＹＥＳである場合、前記決定的サンプル集合をクリアし、前記オーバースペック計数を０にし、ＮがＮｄｅｆａｕｌｔより大きいかを検査するために、第２の検査工程を行って、第２の検査結果を取得する工程と、
   前記第２の検査結果がＹＥＳである場合、ＮをＮｄｅｆａｕｌｔにする工程と、
   を更に備える請求項１〜３の何れか１項に記載の測定サンプリング法。
6. 前記複数組の履歴加工データに基づいてＤＱＩＸ（Ｐｒｏｃｅｓｓ Ｄａｔａ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ；加工データ品質指標）モデル及びＧＳＩ（Ｇｌｏｂａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ；全体的類似度指標）モデルを作成し、ＤＱＩＸ閾値及びＧＳＩ閾値を算出する工程を更に含む前記モデリング工程と、
   前記ワークピースの加工に使用される１組の加工データを有する前記加工機械にワークピースを供給するステップと、
   前記１組の加工データを前記ＤＱＩＸモデル及び前記ＧＳＩモデルに入力して、前記ワークピースの前記１組の加工データのＤＱＩＸ値及びＧＳＩ値を取得する工程と、ワークピース計数に１を足す工程と、前記第１の検査結果がＮＯである場合、前記ワークピースの前記ＤＱＩＸ値が前記ＤＱＩＸ閾値以下になるかを検査するために、第３の検査工程を行って、第３の検査結果を取得する工程と、前記第３の検査結果がＮＯである場合、前記ワークピースに対して測定を行わない工程と、前記第３の検査結果がＹＥＳである場合、前記ワークピース計数がＮ以上になるかを検査するために、第４の検査工程を行って、第４の検査結果を取得する工程と、前記第４の検査結果がＹＥＳである場合、前記ワークピースに対して測定を行い、前記ワークピース計数を０にする工程と、前記第４の検査結果がＮＯである場合、前記ワークピースの前記ＧＳＩ値が前記ＧＳＩ閾値以下になるかを検査するために、第５の検査工程を行って、第５の検査結果を取得する工程と、前記第５の検査結果がＹＥＳである場合、前記ワークピースに対して測定を行わない工程と、を含む測定ワークピースのサンプリング工程と、
   を更に備える請求項５に記載の測定サンプリング法。
7. 前記複数組の履歴加工データ及び前記履歴測定値を使用して、前記推定アルゴリズムと異なる参照予測アルゴリズムによって参照モデルを作成する工程と、
   前記履歴測定値と最大許容可能誤差上限に基づいてＲＩ（Ｒｅｌｉａｎｃｅ Ｉｎｄｅｘ；リライアンス指標）閾値を算出する工程と、
   前記１組の加工データを前記参照モデルに入力し、前記ワークピースの参照予測値を算出する工程と、
   それぞれ前記ワークピースの前記仮想測定値の配布（Ｄｉｓｔｒｉｂｕｔｉｏｎ）と前記参照予測値の配布との重なり面積による前記ワークピースのＲＩ値を算出する工程と、
   前記第４の検査結果がＮＯである場合、前記ワークピースの前記ＲＩ値が前記ＲＩ閾値以上になるかを検査するために、第６の検査工程を行って、第６の検査結果を取得する工程と、
   前記第６の検査結果がＹＥＳである場合、前記ワークピースに対して測定を行わない工程と、
   を更に備える請求項６に記載の測定サンプリング法。
8. 前記第５の検査結果又は前記第６の検査結果がＮＯである場合、且つ、前記ワークピースの最初のｋ個のワークピースのＧＳＩ値が前記ＧＳＩ閾値より大きく、又は前記ワークピースの最初のｋ個のワークピースのＲＩ値が前記ＲＩ閾値より小さい場合、前記ワークピースに対して測定を行い、前記ワークピース計数を０にし、ｋを正の整数とする請求項７に記載の測定サンプリング法。
9. 前記ワークピース計数に１を足す工程の前に、前記加工機械が暫く停止したかを検査するために、第７の検査工程を行って、第７の検査結果を取得する工程と、
   前記第７の検査結果がＹＥＳである場合、前記ワークピースに対して測定を行い、前記ワークピース計数を０にする工程と、
   を更に備える請求項６に記載の測定サンプリング法。
10. コンピュータにロードされて実行されると、請求項１〜９の何れか１項に記載の測定サンプリング法を達成する内蔵式の測定サンプル抽出用のコンピュータプログラム製品。