JP7281708B2 - 不良品の発生に寄与する装置特定のための製造条件計算装置、製造条件計算方法及び製造条件計算プログラム - Google Patents

Description

本発明は、化学プラント、製鉄プラント、半導体製造設備、一般工業製品製造設備等の生産過程において、不良品の発生に寄与する装置特定のための製造条件計算装置、製造条件計算方法及び製造条件計算プログラムに関するものである。

化学プラントでは、複数の装置（反応炉等）を使用して同一の製品を生産することが多い。この場合、生産される製品特性が均一あるいは均一でなくとも良品基準の範囲内となるように、各装置の稼動条件を適切に設定することが必要である。
しかしながら、装置内におけるプロセスの進行と共に、プロセスの特性が変化することがある。また、複数の装置を並列で運転している場合に、それぞれの装置のカタログスペックが同一でも、実際には個体差があることもある。このような変化や装置個体差の結果として、良品基準の範囲外となるような製品を生産する装置を精度よく特定したり、各装置の適切な稼働条件を精度よく予測したりすることは難しい。

同様の問題は、化学プラントに限らず、半導体製造設備、金属精錬プラント、水処理施設、及びガスプラント等でも生じる。また、何らかのものを製造する施設だけではなく、発電・変電施設のように非有体物の特性を変化させるための施設でも、こうした問題は生じ得る。以下、本明細書では、何らかのものを製造する施設だけでなく、非有体物の特性を変化させる施設をも含めて「プラント」と呼ぶ。また、複合的な施設だけでなく、単独の設備であって、稼動条件によって異なる挙動を示すものも、ここでいう「プラント」に含めるものとする。

従来のプラント制御情報生成装置では、過去のサンプル間の関係を用いて、プラントの制御が行われている。
より具体的には、特許文献１には、プラント制御情報生成装置及び方法、並びにそのためのコンピュータプログラムが開示されている。
図１２に、統計的モデル構築プログラムのフローチャートを示し、図１３に、最終的な製品分子量を推定するプログラムのフローチャートを示す。

図１２に示すように、統計的モデル構築プログラムは、ステップＳ１８０で、コンピュータ内に構築されたデータベースに実測データを追加する。次に、ステップＳ１８２で、当該データベース内の実測データに対して主成分分析を行って、クラスタリングするための次元数を削減する。
次いで、ステップＳ１８４で、プラントの稼動条件と実測値とからなる複数個の実測サンプルをクラスタリングする。なお、ステップＳ１８４は、行列算出部と、クラスタリング部とによって行われる。行列算出部は、複数個の実測サンプルの任意の２個の間の相関の程度を成分とする行列を、データベースに記憶された実測サンプルから算出する。クラスタリング部は、算出された行列を類似度行列としてスペクトル・クラスタリングを行なう。次に、ステップＳ１８６で、上記ステップＳ１８４においてクラスタリングされた各クラスに対して統計的モデルを構築する。その後、ステップＳ１８８で、各クラスの統計的モデルをＨＤＤに保存して処理を終了する。

次いで、図１３に示すように、最終的な製品分子量を推定するプログラムは、ステップＳ２００で、新たな稼動条件が与えられたことに応答して、ステップＳ１８２での主成分分析の結果に従って主成分スコアを算出する。次に、ステップＳ２０２で、この主成分スコアに基づき新たなサンプルがどのクラスに属するかを推定する。その後、ステップＳ２０４で、ステップＳ２０２において推定されたクラスに対する統計的モデルをＨＤＤから読出し、新たなサンプルを当該統計的モデルに適用する。
そして、サンプル間の相関関係を用いて、スペクトラル・クラスタリング手法によりクラスタリングすることで、プラントを精度よく制御することを特徴とする。

特開２０１１－００８５６２号公報

しかしながら、前記従来の構成では、どのような製品特性であれば不良が発生しやすいかを特定するために、製造プロセスを決定するパラメータが網羅的に計測されている必要がある。このため、製造プロセスを決定するパラメータが網羅的に計測されていない生産過程においては、不良発生要因となる製造設備の特定が困難になるという課題を有している。

本発明は、不良品の発生に寄与する装置を容易に特定できる製造条件計算装置、製造条件計算方法及び製造条件計算プログラムを提供することを目的とする。

上記目的を達成するために、本発明の製造条件計算装置は、製品の製造に用いる装置及び単位解析期間の製造結果を含む実測データに基づいて、各装置の不良品の発生に対する寄与度を算出する寄与度算出部と、前記単位解析期間毎の各装置の集計不良率を算出する不良率集計部と、前記各装置の前記集計不良率と前記集計不良率の代表不良率との大小関係に基づいて、前記集計不良率に対応する前記寄与度にメンテナンスの優先度を付加する優先度付加部と、を有する。

本発明の製造条件計算方法は、製品の製造に用いる装置及び単位解析期間の製造結果を含む実測データに基づいて、各装置の不良品の発生に対する寄与度を算出する寄与度算出工程と、前記単位解析期間毎の各装置の集計不良率を算出する不良率集計工程と、前記各装置の前記集計不良率と前記集計不良率の代表不良率との大小関係に基づいて、前記集計不良率に対応する前記寄与度にメンテナンスの優先度を付加する優先度付加工程と、を有する。

本発明の製造条件計算プログラムは、コンピュータに、製品の製造に用いる装置及び単位解析期間の製造結果を含む実測データに基づいて、各装置の不良品の発生に対する寄与度を算出する寄与度算出工程と、前記単位解析期間毎の各装置の集計不良率を算出する不良率集計工程と、前記各装置の前記集計不良率と前記集計不良率の代表不良率との大小関係に基づいて、前記集計不良率に対応する前記寄与度にメンテナンスの優先度を付加する優先度付加工程と、を実行させる。

以上のように、本発明の製造条件計算装置、製造条件計算方法及び製造条件計算プログラムによれば、不良品の発生に寄与する装置を容易に特定できる。

本発明の実施の形態１に係る製造条件計算装置のブロック図 実施の形態１に係る製造条件計算装置の処理部のブロック図 実施の形態１に係る製造条件計算装置の処理を示すフローチャート 実施の形態１に係る要素統計モデルをもとに製造装置毎の寄与度としてデータベースに登録するデータの一例を示す図 実施の形態１に係る装置毎の寄与度を棒グラフで視覚化する一例を示す図 実施の形態１に係る不良項目毎の集計不良率を通過製造装置毎に算出してデータベースに登録するデータの一例を示す図 実施の形態１に係る通過製造装置毎の集計不良率を棒グラフで視覚化する一例を示す図 実施の形態１に係る各装置毎の寄与度と集計不良率の関係を散布図で視覚化する一例を示す図 実施の形態１に係る散布図に正負の符号を付加する一例を示す図 実施の形態１に係るデータベースに登録した装置毎の寄与度に正負の符号を付加する一例を示す図 本発明の実施の形態２に係る製造条件計算装置の処理部のブロック図 実施の形態２に係る製造条件計算装置の処理を示すフローチャート 実施の形態２に係るカイ二乗検定で用いる分割表の一例を示す図 実施の形態２に係る各装置毎の寄与度と集計不良率の関係を視覚化した散布図において、仮説検定で有意となった装置の寄与度を０にする一例を示す図 実施の形態２に係るデータベースに登録した装置毎の寄与度に正負の符号を付加し、仮説検定で有意となった装置の寄与度を０にする一例を示す図 従来の製造条件計算装置の処理を示すフローチャート 従来の製造条件計算装置の一実施の形態において、新たなサンプルにしたがってバッチプロセスで産生される製品の分子量を推定するプログラムの制御構造を示す図

（実施の形態１）
図１は、本発明の実施の形態１に係る製造条件計算装置１のブロック図である。図２は、製造条件計算装置１の処理部１６６のブロック図である。実施の形態１に係る製造条件計算装置１は、コンピュータシステムハードウェア及びコンピュータシステム上で実行されるプログラムによって実現され得る。なお、ここで示す製造条件計算装置１は単なる例であって、他の構成も利用可能である。

＜装置＞
図１に示すように、製造条件計算装置１は、コンピュータ１２０と、全てコンピュータ１２０に接続された、モニタ１２２と、プリンタ１２４と、キーボード１２６と、マウス１２８と、を含む。

コンピュータ１２０は、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ－Ｏｎｌｙ－Ｍｅｍｏｒｙ：ディジタル多用途ディスク読出専用メモリ）のドライブ１５０と、半導体メモリポート１５２とを含む。さらに、コンピュータ１２０は、ＤＶＤ－ＲＯＭドライブ１５０と半導体メモリポート１５２とに接続されたバス１４２と、全てバス１４２に接続された、ＣＰＵ１４０と、コンピュータ１２０のブートアッププログラムを記憶するＲＯＭ１４４とを含む。また、コンピュータ１２０は、ＲＡＭ１４６と、ハードディスクドライブ１４８と、ネットワークインターフェイス１５４とを含む。ＲＡＭ１４６は、ＣＰＵ１４０によって使用される作業領域を提供するとともにＣＰＵ１４０によって実行されるプログラムの記憶領域である。ハードディスクドライブ１４８は、音声データ、音響モデル、言語モデル、レキシコン、及びマッピングテーブルを記憶する。ネットワークインターフェイス１５４は、ネットワーク１６４への接続を提供する。

図２に示すように、製造条件計算装置１は、ＣＰＵ１４０がプログラムを実行することにより構成される処理部１６６を含む。処理部１６６は、実測データ記録部１６８と、解析期間設定部１７０と、統計モデル解析部１７２と、寄与度算出部１７４と、不良率集計部１７６と、優先度付加部１７８と、計算結果提示部１８０とを含む。

本実施の形態１に係る製造条件計算装置１の処理部１６６を実現するソフトウェアは、ＤＶＤ－ＲＯＭ１６２又は半導体メモリ１６０等の媒体に記録されたオブジェクトコード又はスクリプトの形で流通し、ＤＶＤ－ＲＯＭドライブ１５０又は半導体メモリポート１５２等の読出装置を介してコンピュータ１２０に提供され、ハードディスクドライブ１４８に記憶される。ＣＰＵ１４０がプログラムを実行する際には、プログラムはハードディスクドライブ１４８から読出されてＲＡＭ１４６にロードされる。そして、図示しないプログラムカウンタによって指定されたアドレスから命令がフェッチされ、その命令が実行される。また、ＣＰＵ１４０は、ハードディスクドライブ１４８から処理すべきデータを読出し、処理の結果をこれもまたハードディスクドライブ１４８に記憶する。推定された製品分子量のハードコピーが、プリンタ１２４により出力される。
コンピュータ１２０の一般的動作は周知であるので、詳細な説明は省略する。

ソフトウェアの流通方法に関して、ソフトウェアは必ずしも記憶媒体に記録されたものでなくてもよい。例えば、ソフトウェアはネットワークに接続された別のコンピュータから分配されてもよい。また、ソフトウェアの一部がハードディスクドライブ１４８に記憶され、ソフトウェアの残りの部分についてはネットワークを介してハードディスクドライブ１４８に取込み、実行の際に統合する様にしてもよい。
また、ソフトウェアの流通形態はオブジェクトコードには限らない。前述したようにスクリプト形式でもよいし、ソースプログラムの形で供給され、コンピュータ１２０にインストールされた適切なコンパイラでオブジェクトコードに変換されるという流通形態もあり得る。

典型的には、現代のコンピュータは、オペレーティングシステム（ＯＳ）によって提供される一般的な機能を利用し、所望の目的にしたがって制御された態様で機能を達成する。したがって、ＯＳ又はサードパーティから提供されうる一般的な機能を含まず、一般的な機能の実行順序の組合せのみを指定したプログラムであっても、そのプログラムが全体として所望の目的を達成する制御構造を有する限り、そのプログラムがこの発明の範囲に包含されることは明らかである。

＜フロー＞
次に、製造条件計算装置１におけるデータ解析処理のフローチャートについて、図３に基づいて説明する。

＜Ｓ１＞
まず、ステップＳ１において、処理部１６６の実測データ記録部１６８は、実測データをコンピュータ１２０内に構築されたデータベース（以下単に「ＤＢ」と呼ぶ。）に追加する。被製造個体単位で登録する場合の実測データは、被製造個体の品種やシリアル番号及び各製造工程における製造時間・製造装置・製造ヘッド・製造結果を含む。
なお、製造結果とは、各製造工程において良品もしくは不良品のどちらであったか、不良品だった場合はどの検査項目として不良だったかを示すものである。

また、被製造個体を一定数、例えば１００個や１０，０００個もしくは１時間での製造数でまとめたロットで登録する場合の実測データは、被製造ロットの品種やロット番号及び各製造工程における製造開始時間・製造終了時間・製造装置・製造結果を含む。
なお、ロットで登録する場合の製造結果は、対象ロットにおける良品数・各不良項目における不良数・各不良項目数をロットに含まれる被製造個体数で割った不良率、を含む。以下の説明においては、ロットで登録されたデータを想定して説明する。

＜Ｓ２＞
次いで、ステップＳ２において、解析期間設定部１７０は、解析の対象・データ・評価候補をもとに、単位解析期間を例えば３日間に設定する。

＜Ｓ３＞
次いで、ステップＳ３において、統計モデル解析部１７２は、単位解析期間毎に実測データを分割し、データ毎に統計モデルを解析して要素統計モデルを構築する。実測データが単位解析期間に入るか否かは、製造開始時間や製造終了時間あるいは実測データがＤＢい追加された時間等に基づき判断することができる。
具体的には、複数の弱学習器を組み合わせるアンサンブル学習の一つであり、逐次的に弱学習器を構築していく手法として、勾配ブースティングという手法を用いることで、概ね良好な結果が得られることが多い。なお、勾配ブースティングの代わりに、決定木やランダムフォレストといった手法を用いてもよい。ここで学習器とは、考えられる分岐候補においてエントロピーを基準として当てはめを行うものである。

勾配ブースティングにおいては、最初の層を当てはめ、葉に含まれるデータの実力予測値を減算して残差を求める。次に、求められた残差に対して新たなツリーを当てはめていき、加法的な大きなモデルを構築していく。そして、指定した層数に達するまで、残差の当てはめを繰り返していく。
該当のパラメータによる尤度比カイ二乗（Ｇ^２）を合計したものを、不良品に対する寄与度として算出できる。尤度比カイ二乗は、エントロピーに２を乗算することで求まる。
結果として算出される要素統計モデルは、単位解析期間毎に、製造装置における集計不良率を説明もしくは予測できるものであり、詳細には、製造装置によって分岐させた場合の不良数変化を樹木状に展開したものである。ただし、集計不良率とは、ある項目で層別した後、その項目に該当する製品の不良数を、その項目に該当する製品の投入数で割った不良率とする。

＜Ｓ４＞
次いで、ステップＳ４において、寄与度算出部１７４は、要素統計モデルで算出された不良品の発生に対する各装置の寄与度を算出して、ＤＢに登録する。図４Ａに、工程１０で検出される不良１００１に対して製造期間毎に実測データを抽出し、ステップＳ３で示した要素統計モデルをもとに、製造装置毎の寄与度をＤＢに登録したデータの一例を示す。

左半分の解析対象とは解析の目的対象であり、実施の形態１ではある対象工程・対象不良・期間で目的対象を限定している。

まず、対象工程とは被製造個体を材料から完成形へ加工していく過程であり、例えば電池の製造工程では、混錬・塗布・巻取・缶挿入・溶接・注液・封口・初期検査・エージング・出荷検査といった過程を示すものである。本実施の形態１では、工程１から工程１０で構成される製造工程を想定している。

次に、対象不良は、各工程の検査によって検出されるものであり、例えば巻取検査時に検出される巻取工程起因の巻きずれ不良であったり、出荷検査時に検出される前工程全般にわたって要因が発生しうる軽ショート不良といった不良を示すものである。本実施の形態１では、工程０１で発生する不良は不良０１ＸＸ、工程１０で発生する不良は不良１０ＸＸと記載しており、例えば不良０３０１は巻きずれ不良、不良１００１は軽ショート不良、と前半２文字の工程が異なる場合は、後半２文字が同じでも違う不良を示す。

期間は、前記対象不良が検出された時間の範囲を限定するものであり、被製造個体の前工程での製造時間や完成時間を限定するものではない。

また、右半分の解析結果とは前記解析対象で限定した目的対象に対して、要素統計モデルを算出して得られた結果である。この要素統計モデルで得られる結果は、工程・装置・寄与度で構成される。

例えば４月１日から３日の期間で、工程１０において検出された不良１００１の要因として、実施の形態１では工程１０の装置１００４、工程０９の装置０９０２および工程０９の装置０９０１と自工程及び前工程の３装置を記載している。不良の要因は、自工程だけでなく前工程も抽出され、なおかつ複数装置で構成されることが一般的である。また前記要因として出力された装置は、目的対象に対する要素統計モデル内の影響度が異なる。この影響度については、要素統計モデル内の各装置による分岐部の平方和を合計するなどして、寄与度として算出される。
図４Ｂは、前記解析対象で限定した対象工程・対象不良・期間に対して、要素統計モデルで算出された各装置に対する寄与度を棒グラフで表示した一例である。

＜Ｓ５＞
次いで、ステップＳ５において、不良率集計部１７６は、単位解析期間毎及び装置毎の集計不良率を算出する。具体的には、不良品数を製品数で除した値を集計不良率として算出する。
図５Ａに、工程１０で検出される不良１００１に対して、製造期間毎に実測データを抽出し、算出した集計不良率をＤＢに登録したデータの一例を示す。

左半分の集計対象は、集計の目的対象であり、実施の形態１では対象工程・対象不良・期間で目的対象を限定しており、それらは図４Ａについて説明したのと同様のものを想定している。

また、右半分の集計結果とは、集計対象で限定した目的対象に対して、工程及び装置毎の集計不良率を記したものである。
図５Ｂは、限定した対象期間・不良項目に対する対象工程・装置ごとの集計不良率を棒グラフで表示した一例である。

＜Ｓ６＞
次いで、ステップＳ６において、優先度付加部１７８は、ステップＳ５における集計不良率に応じてステップＳ４の寄与度にメンテナンスの優先度を付加する。具体的には、優先度付加部１７８は、寄与度に正負の符号を付加する。図６Ａ及び図６Ｂに符号を付加したデータの一例を示す。

具体的には、まず、優先度付加部１７８は、図６Ａのように各装置に対して、寄与度を縦軸、集計不良率を横軸にとった散布図にデータをプロットする。なお便宜上、図６Ａにおいて、正常装置を中抜きの丸で示し、異常装置を黒い丸で示すことで、正常装置と異常装置とをマーカーで区別しているが、実際はこれらの分類は未知である。
次いで、優先度付加部１７８は、各装置の集計不良率の平均値等の代表値を、代表不良率として算出する。そして、優先度付加部１７８は、図６Ｂのように、集計不良率が代表不良率より大きい装置の寄与度には、正の符号を付加する。同様に、集計不良率が代表不良率より小さい装置の寄与度には、負の符号を付加する。符号付きの寄与度は、その値が大きいほど、メンテナンスの優先度が高いことを表す。

＜Ｓ７＞
次いで、ステップＳ７において、計算結果提示部１８０は、符号付き寄与度の値の大きいものから順に、つまり優先度が高い順に、製造現場のオペレータに提示する。図７は、ステップＳ６の結果をもとに、図４Ａの寄与度に正負の符号を付加させたものである。
例えば対象工程１０、対象不良１００１、対象期間４月３日から５日においては、工程０９装置０９０２（寄与度２４０，０００）、工程１０装置１００４（寄与度２００，０００）、工程１０装置０９０１（寄与度５０，０００）という情報が得られる。前記情報と過去経験を勘案し、装置０９０２内のローラーＢを交換すべき、といった改善案を抽出する。

このようなフローを経る過程で、製品が通過した装置及び製造結果に関する実測データのみから不良品の発生要因となる装置を特定し、不良品の発生に寄与する装置に対するメンテナンスの優先度を付加して、製造現場に提供することができる。したがって、不良品発生に寄与する装置の特定を定量的に実施することが可能となる。なお、本発明は前記実施形態に限定されるものではなく、その他種々の態様で実施できる。

（実施の形態２）
本発明の実施の形態２に関して説明する。図８は、製造条件計算装置１の処理部１６６Ａのブロック図である。なお、説明しない事項は、実施の形態１と同様である。

＜装置＞
図８に示すように、製造条件計算装置１の処理部１６６Ａは、実施の形態１の構成に加えて、有意差検証部１８２をさらに備えている。

＜フロー＞
次に、製造条件計算装置１におけるデータ解析処理のフローチャートについて、図９に基づいて説明する。なお、実施の形態２のフローは、ステップＳ６までは実施の形態１と同様である。

＜Ｓ１１＞
ステップＳ６の処理が行われた後、ステップＳ１１において、有意差検証部１８２は、統計的仮説検定を行い、有意でないと判定された装置に対する寄与度を０にする。以下で詳細を説明する。

図１０Ａは、装置０９０１を通過した製品のうち良品及び不良品となったものの個数、並びに装置０９０１を通過しなかった製品のうち良品及び不良品となったものの個数を表示し、各合計値を記載した２×２分割表の一般例である。仮説検定の一種であるカイ二乗検定では、以下の式（１）～（５）で表される検定統計量Ｔを算出する。

このように、自由度１のカイ二乗分布に従うことを利用し、有意水準におけるカイ二乗分布の値と比較することで、装置０９０１を通過した製品の不良品の出やすさが他の装置と比べて有意かどうかが判定される。具体的には、装置０９０１に関して算出した検定統計量Ｔがカイ二乗分布の値より大きければ有意、つまり装置０９０１は他の装置に比べて不良品が出やすいと判定される。一方、Ｔがカイ二乗分布の値より小さければ有意でないと判定される。

そして、有意差検証部１８２は、有意と判定された装置に対する寄与度はそのままにし、有意でないと判定された装置に対する寄与度を０に修正する。なお、有意でないと判定された装置に対する寄与度を０にしないで、小さくしてもよい。図４Ｂにおいて修正した寄与度でプロットした散布図を図１０Ｂに示す。また、図４Ａにおいて修正した寄与度を格納したものを図１１に示す。このような有意差検証部１８２の処理によって、統計的な性質を利用して、不良品の出やすさを定量的に評価できる。

＜Ｓ１２＞
次いで、ステップＳ１２において、計算結果提示部１８０は、図１１の寄与度の正側の絶対値の大きいものから順に、つまり優先度が高い順に、製造現場のオペレータに提示する。例えば対象工程１０、対象不良１００１、対象期間４月３日から５日においては、工程０９の装置０９０２（寄与度２４０，０００）、工程１０の装置１００４（寄与度２００，０００）という情報が得られる。計算結果提示部１８０は、前記情報と過去経験を勘案し、装置０９０２内のローラーＢを交換すべき、といった改善案を抽出する。

このようなフローを経る過程で、有意差検証部１８２で有意と判定された装置のうち優先度が高い順にメンテナンス指示を行うことで、不良品の発生に寄与する装置の特定を定量的に実施することが可能となる。なお、本発明は前記実施形態に限定されるものではなく、その他種々の態様で実施できる。

本発明の不良発生に寄与する装置特定のための製造条件計算装置、製造条件計算方法及び製造条件計算プログラムは、製造プロセスを決定するパラメータが網羅的に計測されていないような一般加工設備・ラインにおいても、不良品の発生に寄与する装置を定量的に評価して不良対策の優先度を提供できる特徴を有し、加工設備に限らず一般工場等における不良要因特定の用途にも適用できる。

１ 製造条件計算装置
１２０ コンピュータ
１２２ モニタ
１２４ プリンタ
１２６ キーボード
１２８ マウス
１４０ ＣＰＵ
１４２ バス
１４４ ＲＯＭ
１４６ ＲＡＭ
１４８ ハードディスクドライブ
１５０ ＤＶＤ－ＲＯＭドライブ
１５２ 半導体メモリポート
１５４ ネットワークインターフェイス
１６０ 半導体メモリ
１６２ ＤＶＤ－ＲＯＭ
１６４ ネットワーク
１６６，１６６Ａ 処理部
１６８ 実測データ記録部
１７０ 解析期間設定部
１７２ 統計モデル解析部
１７４ 寄与度算出部
１７６ 不良率集計部
１７８ 優先度付加部
１８０ 計算結果提示部
１８２ 有意差検証部

Claims (8)

1. 製品の製造に用いる装置及び単位解析期間の製造結果を含む実測データに基づいて、各装置の不良品の発生に対する寄与度を算出する寄与度算出部と、
   前記単位解析期間毎の各装置の集計不良率を算出する不良率集計部と、
   前記各装置の前記集計不良率と前記集計不良率の代表不良率との大小関係に基づいて、前記集計不良率に対応する前記寄与度にメンテナンスの優先度を付加する優先度付加部と、を有し、
   前記単位解析期間で分割した前記実測データ毎に、勾配ブースティングを用いて要素統計モデルを構築する統計モデル解析部をさらに有し、
   前記寄与度算出部は、前記要素統計モデルに基づいて、寄与度を算出する、製造条件計算装置。
2. 前記代表不良率は、前記各装置の集計不良率の平均値である、請求項１に記載の製造条件計算装置。
3. 統計的仮説検定を行うことで、所定の装置における不良品の出やすさが他の装置と比べて有意か否かを判定し、有意であると判定された装置の前記寄与度を維持し、有意でないと判定された装置の前記寄与度を小さくする有意差検証部をさらに有する、請求項１または２に記載の製造条件計算装置。
4. 前記有意差検証部は、分割表を用いたカイ二乗検定を用いて、前記不良品の出やすさを判定する、請求項３に記載の製造条件計算装置。
5. 製品の製造に用いる装置及び単位解析期間の製造結果を含む実測データに基づいて、各装置の不良品の発生に対する寄与度を算出する寄与度算出工程と、
   前記単位解析期間毎の各装置の集計不良率を算出する不良率集計工程と、
   前記各装置の前記集計不良率と前記集計不良率の代表不良率との大小関係に基づいて、前記集計不良率に対応する前記寄与度にメンテナンスの優先度を付加する優先度付加工程と、を有し、
   前記単位解析期間で分割した前記実測データ毎に、勾配ブースティングを用いて要素統計モデルを構築する統計モデル解析行程をさらに有し、
   前記寄与度算出工程は、前記要素統計モデルに基づいて、寄与度を算出する、製造条件計算方法。
6. 統計的仮説検定を行うことで、所定の装置における不良品の出やすさが他の装置と比べて有意か否かを判定し、有意であると判定された装置の前記寄与度を維持し、有意でないと判定された装置の前記寄与度を小さくする有意差検証工程を有する、請求項５に記載の製造条件計算方法。
7. コンピュータに、
   製品の製造に用いる装置及び単位解析期間の製造結果を含む実測データに基づいて、各装置の不良品の発生に対する寄与度を算出する寄与度算出工程と、
   前記単位解析期間毎の各装置の集計不良率を算出する不良率集計工程と、
   前記各装置の前記集計不良率と前記集計不良率の代表不良率との大小関係に基づいて、前記集計不良率に対応する前記寄与度にメンテナンスの優先度を付加する優先度付加工程と、
   前記単位解析期間で分割した前記実測データ毎に、勾配ブースティングを用いて要素統計モデルを構築する統計モデル解析行程と、を実行させ、
   前記寄与度算出工程は、前記要素統計モデルに基づいて、寄与度を算出する、製造条件計算プログラム。
8. 前記コンピュータに、
   統計的仮説検定を行うことで、所定の装置における不良品の出やすさが他の装置と比べて有意か否かを判定し、有意であると判定された装置の前記寄与度を維持し、有意でないと判定された装置の前記寄与度を小さくする有意差検証工程を実行させる、請求項７に記載の製造条件計算プログラム。

Images