JP7287093B2 - 学習プログラム、学習方法および学習装置 - Google Patents
学習プログラム、学習方法および学習装置 Download PDFInfo
- Publication number
- JP7287093B2 JP7287093B2 JP2019086665A JP2019086665A JP7287093B2 JP 7287093 B2 JP7287093 B2 JP 7287093B2 JP 2019086665 A JP2019086665 A JP 2019086665A JP 2019086665 A JP2019086665 A JP 2019086665A JP 7287093 B2 JP7287093 B2 JP 7287093B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- test
- ratio
- mass production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
Description
図1は、実施例1にかかる品質予測装置10を説明する図である。図1に示すように、品質予測装置10は、製造業などの工場等で生成される製品の品質を予測する学習モデル(予測モデル)を生成し、学習済みの学習モデルを用いて、品質を予測するコンピュータ装置である。
図2は、実施例1にかかる品質予測装置10の機能構成を示す機能ブロック図である。なお、各工程の加工装置と検査装置は、一般的に利用される各装置を用いることができるので、詳細な説明は省略する。図2に示すように、品質予測装置10は、通信部11、記憶部12、制御部20を有する。
ここで、図6から図10を用いて、異常値割合の算出、試験工程と量産工程との比較結果(diff)の算出、試験工程と量産工程との類似度を示す指標「Metrix」の算出、学習手法の具体例を説明する。
図6は、類似度判定のパターンAを説明する図である。図6では、品質データのパラメータX0、X1、X2、X3それぞれについて、それぞれの閾値である異常値閾値(2.3)、異常値閾値(2.4)、異常値閾値(0.5)、異常値閾値(-0.8)を用いて、異常値割合を算出した例を示している。
図7は、類似度判定のパターンBを説明する図である。図6では、図6と同様に、品質データのパラメータX0、X1、X2、X3それぞれについて、それぞれの閾値である異常値閾値(2.3)、異常値閾値(2.4)、異常値閾値(0.5)、異常値閾値(-0.8)を用いて、異常値割合を算出した例を示している。
図8は、類似度判定のパターンCを説明する図である。図Cでは、図6と同様に、品質データのパラメータX0、X1、X2、X3それぞれについて、それぞれの閾値である異常値閾値(2.3)、異常値閾値(2.4)、異常値閾値(0.5)、異常値閾値(-0.8)を用いて、異常値割合を算出した例を示している。
図9は、適用モデルの決定を説明する図である。ここでは、上記パターンA、B、Cのそれぞれに対する適用モデルの決定を説明する。図9に示すように、学習部24は、パターンAでは類似度ランクとして「2」が決定されたので、試験データの80%を用いて学習を実行する。また、学習部24は、パターンBでは類似度ランクとして「5」が決定されたので、試験データの50%を用いて学習を実行する。同様に、学習部24は、パターンCでは類似度ランクとして「8」が決定されたので、試験データの20%を用いて学習を実行する。このように、各パターンについて、類似度ランクにより試験工程へのフィット率を調整した品質判定モデルの生成が実行される。
図11は、全体的な処理の流れを示すフローチャートである。図11に示すように、品質予測装置10は、処理開始が指示されると、試験工程の異常値割合を算出し(S101)、量産工程の異常値割合を算出する(S102)。
図12は、異常割合の算出処理の流れを示すフローチャートである。この処理は、図11のS101とS102で実行される処理である。
図13は、指標算出処理の流れを示すフローチャートである。この処理は、図11のS103とS104で実行される処理である。
上述したように、品質予測装置10は、品質データの類似度に基づき、学習データに利用する試験データの割合を制御して、学習モデルの学習を実行する。このため、品質予測装置10は、試験工程と環境が異なる量産工程に対しては、学習モデルが試験工程へオーバーフィッティングすることを抑制できるので、事前の試験工程のデータで学習した学習モデルを量産工程に適用した場合でも、予測精度の劣化を抑制することができる。また、品質予測装置10は、試験工程と環境が類似する量産工程に対しては、多くの試験工程のデータを用いて学習モデルを生成することで、予測精度の劣化を抑制することができる。
上記実施例では、類似度ランクに対応する割合の試験データを用いて学習する例を説明したが、これに限定されない。例えば、品質予測装置10は、各類似度ランクに対応する割合の試験データを用いた複数の学習モデルを予め学習して用意しておく。そして、品質予測装置10は、対象の量産工程と試験工程との類似度に基づく類似度ランクを特定し、特定した類似度ランクに対応する学習モデルを、予め保持する学習モデルの中から選択することもできる。このようにすることで、品質予測装置10は、学習時間を短縮することができ、量産工程に適した学習モデルを用いた予測を迅速に実行することができる。
上記実施例では、ニューラルネットワークや線形モデルなどを利用した学習モデルを例示したが、これに限定されるものではなく、ランダムフォレストのように、ランダム性がある機械学習を用いることもできる。ランダム性がある機械学習では、同じ学習データであっても、テストデータに偏りが大きく、モデル構築毎にテストデータの選定にランダム性が発生し、大きく結果が変わる場合がある。つまり、同じ割合の試験データを学習データに用いても、精度が一律にならない。このため、品質予測装置10は、複数の精度の学習モデルから適した学習モデルを選択することができる。
上記実施例で用いたデータ例、数値例、表示例等は、あくまで一例であり、任意に変更することができる。また、入力データや学習方法などもあくまで一例であり、任意に変更することができる。なお、異常算出部21は、第1算出部と第2算出部の一例であり、指標算出部22は、第3算出部の一例であり、ランク決定部23は、変更部の一例である。
類似度の算出には、公知の様々な手法を採用することができ、例えば、主成分分析(PCA)による類似度検出を採用することができる。PCAを行うことで、パラメータを別軸に変換でき、この時のPC1、PC2、PC3の軸に含まれるパラメータの種類の一致度を平均して、類似度とする。なお、完全にデータ発生の性質が同じであれば、PC1軸、PC2軸、PC3軸それぞれに含まれるパラメータは一致する。また、変数の種類のみを対象とし、値は考慮しない。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
図15は、ハードウェア構成例を説明する図である。図15に示すように、品質予測装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図15に示した各部は、バス等で相互に接続される。
11 通信部
12 記憶部
13 試験データDB
14 量産データDB
15 モデルリストDB
16 学習結果DB
20 制御部
21 異常算出部
22 指標算出部
23 ランク決定部
24 学習部
25 品質予測部
Claims (7)
- コンピュータに、
製造物の製造を試験する試験工程において異常な製品が製造された割合を示す第1の異常値割合を算出し、
前記製造物を製造する量産工程において製造を開始してから所定時間の間に製造された製造物に基づき、異常な製品が製造された割合を示す第2の異常値割合を算出し、
前記第1の異常値割合と前記第2の異常値割合とに基づき、前記試験工程と前記量産工程の類似度を算出し、
前記試験工程で得られる試験データのうち学習モデルに学習させる学習データに利用する割合を、前記類似度に基づいて変更し、
前記割合に基づき前記学習データとして取得された複数の試験データのうち、前記試験工程における製造環境を示す加工データを説明変数、前記試験工程で製造された製造物の品質を示す品質データを目的変数として、前記学習モデルを学習する、
処理を実行させることを特徴とする学習プログラム。 - 前記変更する処理は、
各類似度に割合を対応付けたリストを参照して、算出された前記類似度に対応する前記割合を特定し、
前記学習する処理は、
特定された前記割合のデータを前記試験データから抽出し、
抽出したデータを前記学習データに用いて、前記量産工程における製造物の品質を予測する前記学習モデルを学習する、ことを特徴とする請求項1に記載の学習プログラム。 - 前記量産工程における製造環境を示す加工データを、学習済みの学習モデルに入力し、
前記学習済みの学習モデルの出力結果に基づいて、前記量産工程における製造物の品質を予測する、処理を前記コンピュータに実行させることを特徴とする請求項1に記載の学習プログラム。 - 各類似度に対応付けられる複数の割合それぞれに対応する試験データを学習データに利用して学習された複数の学習モデルを保持し、
前記各類似度に割合を対応付けたリストを参照して、算出された前記類似度に対応する前記割合を特定し、
前記複数の学習モデルのうち、特定された割合に対応付けられる学習モデルを選択し、
選択された学習モデルを用いて、前記量産工程における製造物の品質を予測する、処理を前記コンピュータに実行させることを特徴とする請求項1に記載の学習プログラム。 - 前記試験工程と前記量産工程の類似度に基づく割合の試験データを用いて、ランダム性がある機械学習により、複数の学習済みの学習モデルが学習された場合に、前記試験データのうち、前記学習済みの学習モデルに利用された試験データを除く残りの試験データを用いて、前記複数の学習済みの学習モデルの精度を検証し、
検証した結果に基づき、前記複数の学習済みの学習モデルから1つの学習モデルを選択する、処理を前記コンピュータに実行させることを特徴とする請求項1から4のいずれか一つに記載の学習プログラム。 - コンピュータが、
製造物の製造を試験する試験工程において異常な製品が製造された割合を示す第1の異常値割合を算出し、
前記製造物を製造する量産工程において製造を開始してから所定時間の間に製造された製造物に基づき、異常な製品が製造された割合を示す第2の異常値割合を算出し、
前記第1の異常値割合と前記第2の異常値割合とに基づき、前記試験工程と前記量産工程の類似度を算出し、
前記試験工程で得られる試験データのうち学習モデルに学習させる学習データに利用する割合を、前記類似度に基づいて変更し、
前記割合に基づき前記学習データとして取得された複数の試験データのうち、前記試験工程における製造環境を示す加工データを説明変数、前記試験工程で製造された製造物の品質を示す品質データを目的変数として、前記学習モデルを学習する、
処理を実行することを特徴とする学習方法。 - 製造物の製造を試験する試験工程において異常な製品が製造された割合を示す第1の異常値割合を算出し、
前記製造物を製造する量産工程において製造を開始してから所定時間の間に製造された製造物に基づき、異常な製品が製造された割合を示す第2の異常値割合を算出し、
前記第1の異常値割合と前記第2の異常値割合とに基づき、前記試験工程と前記量産工程の類似度を算出し、
前記試験工程で得られる試験データのうち、学習モデルに学習させる学習データに利用する割合を、前記類似度に基づいて変更し、
前記割合に基づき前記学習データとして取得された複数の試験データのうち、前記試験工程における製造環境を示す加工データを説明変数、前記試験工程で製造された製造物の品質を示す品質データを目的変数として、前記学習モデルを学習する、
を有することを特徴とする学習装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019086665A JP7287093B2 (ja) | 2019-04-26 | 2019-04-26 | 学習プログラム、学習方法および学習装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019086665A JP7287093B2 (ja) | 2019-04-26 | 2019-04-26 | 学習プログラム、学習方法および学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020184111A JP2020184111A (ja) | 2020-11-12 |
JP7287093B2 true JP7287093B2 (ja) | 2023-06-06 |
Family
ID=73044490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019086665A Active JP7287093B2 (ja) | 2019-04-26 | 2019-04-26 | 学習プログラム、学習方法および学習装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7287093B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006258535A (ja) | 2005-03-16 | 2006-09-28 | Omron Corp | 検査装置および検査方法 |
JP2009244933A (ja) | 2008-03-28 | 2009-10-22 | Hitachi Ltd | プラントの制御装置および火力発電プラントの制御装置 |
US20150346709A1 (en) | 2014-06-03 | 2015-12-03 | Samsung Electronics Co., Ltd. | Semiconductor process management system, semiconductor manufacturing system including the same, and method of manufacturing semiconductor |
-
2019
- 2019-04-26 JP JP2019086665A patent/JP7287093B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006258535A (ja) | 2005-03-16 | 2006-09-28 | Omron Corp | 検査装置および検査方法 |
JP2009244933A (ja) | 2008-03-28 | 2009-10-22 | Hitachi Ltd | プラントの制御装置および火力発電プラントの制御装置 |
US20150346709A1 (en) | 2014-06-03 | 2015-12-03 | Samsung Electronics Co., Ltd. | Semiconductor process management system, semiconductor manufacturing system including the same, and method of manufacturing semiconductor |
Also Published As
Publication number | Publication date |
---|---|
JP2020184111A (ja) | 2020-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8745588B2 (en) | Method for testing operation of software | |
CN107644194A (zh) | 提供监控数据的系统和方法 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN113688042A (zh) | 测试场景的确定方法、装置、电子设备及可读存储介质 | |
Lee et al. | Assessing the lifetime performance index of exponential products with step-stress accelerated life-testing data | |
US20210110304A1 (en) | Operational support system and method | |
JP2019159836A (ja) | 学習プログラム、学習方法および学習装置 | |
US20180137218A1 (en) | Systems and methods for similarity-based information augmentation | |
JP2016537702A (ja) | システムから取得される測定値を評価する方法及びシステム | |
Hirsch | Theory driven bias in ideal point estimates—a Monte Carlo study | |
JP7322962B2 (ja) | 生成方法、生成プログラムおよび情報処理装置 | |
JP7287093B2 (ja) | 学習プログラム、学習方法および学習装置 | |
CN112966778A (zh) | 针对不平衡样本数据的数据处理方法及装置 | |
CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
US20220222580A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device | |
JP2004078780A (ja) | 予測方法、予測装置、予測プログラム、および予測プログラムを記録した記録媒体 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
US8301431B2 (en) | Apparatus and method for accelerating simulations and designing integrated circuits and other systems | |
JP7205644B2 (ja) | 判定方法、判定プログラムおよび情報処理装置 | |
CN111210105B (zh) | 连续工作性能验证、装置、计算机设备和存储介质 | |
Li et al. | Stochastic accelerated degradation model involving multiple accelerating variables by considering measurement error | |
JP6795448B2 (ja) | データ処理装置、データ処理方法およびプログラム | |
JP7207566B2 (ja) | 生成方法、生成プログラムおよび情報処理装置 | |
CN111340349A (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 | |
CN112241343A (zh) | 一种慢盘检测方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20210824 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220111 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221013 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221025 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221226 |
|
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: 20230425 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7287093 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |