JPH0696053A - 製品の障害予測方法 - Google Patents

Abstract

(57)【要約】 【目的】 工場での不良データより出荷後の不良発生を
予測する。 【構成】 製造ラインでの製造検査項目、検査ラインで
の検査項目、出荷後不良発生までの時間をニューラルネ
ットワークに学習させ、製造検査項目、検査項目での不
良発生データにより、出荷後不良発生までの時間を予測
する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は製品の工場における検査
データから出荷後の障害発生を予測する製品の障害予測
方法に関する。

【０００２】

【従来の技術】工場で製品を製造する場合、製造ライン
において製造中の検査を予め定めた項目について行う。
不良が発生すればこれを直すが、直すことが不可能なも
のは廃却等の処理をし、正常な製品として、検査ライン
に引き渡す。検査ラインでも予め定めた項目について検
査を行い、不良が発生すれば、製造ラインに戻して直し
て、正常な製品として出荷する。なお、検査ラインの検
査も、製品が完成した後では検査できないような項目が
あると、製造ラインで製造中に検査も行う。このように
正常な製品として客先に出荷されるが、客先では使用中
に不良が発生する場合がある。

【０００３】

【発明が解決しようとする課題】客先へ納入した製品に
不良が発生するのか、または何時間ぐらい使用すると不
良が発生するのかということを知ることは、予備品の計
画やサービス体制を整える上で、必要なことであるが、
従来このようなことを適確に予測することができなかっ
た。

【０００４】本発明は、上述の問題点に鑑みてなされた
もので、工場での不良データを用いることにより製品の
納入後の不良発生を予測する製品の障害予測方法を提供
することを目的とする。

【０００５】

【課題を解決するための手段】上記目的を達成するた
め、ある製品を製造ラインで製造し、所定の製造検査項
目での不良件数を調べ、この不良を直した後、検査ライ
ンで所定の検査項目での不良件数を調べ、この不良を直
した後、出荷し、出荷後不良が発生するまでの時間を調
べてサンプルデータを複数作成し、この複数のサンプル
データにつき、前記製造検査項目、前記検査項目におけ
る不良件数を入力データとし、前記出荷後の不良発生ま
での時間を教師データとしてニューラルネットワークに
より学習を行い、同じ種類の製品について前記製造検査
項目、前記検査項目での不良件数を前記ニューラルネッ
トワークに入力することにより、前記同じ種類の製品の
出荷後の不良発生の有無、または不良発生までの時間を
予測するようにしたものである。

【０００６】

【作用】１つの製品について、製造ラインにおける製造
検査項目での不良発生件数およびこの不良の直した後の
検査ラインでの検査項目での不良発生件数、この不良を
直して出荷後の不良発生までの時間数の間には相関関係
が認められる。つまり製造ライン、検査ラインで不良発
生の少ないものは出荷後の不良発生までの時間が長い。
１つの製品の製造ラインの製造検査項目の不良件数、検
査ラインの検査項目の不良件数と出荷後不良発生までの
時間を調べてサンプルデータとし、これを複数個の製品
について作成し、製造検査項目、検査項目の不良件数を
入力とし、出荷後の不良発生までの時間を教師データと
してニューラルネットワークに学習をさせることによ
り、工場での製造検査項目と検査項目の不良件数をニュ
ーラルネットワークに入力すれば、出荷後不良発生まで
の時間を出力として得ることができる。ニューラルネッ
トワークは入力と出力がわかれば、これを学習データと
して学習させることにより、何故この入力からこの出力
が得られるかというアルゴリズムがわからなくても同様
の入力に対して、ほぼ正しい出力を得ることができる。

【０００７】

【実施例】以下、本発明の実施例を図面を参照して説明
する。図１は製造ライン、検査ライン、出荷後の不良発
生データをニューラルネットワークよりなる障害予測シ
ステムが、学習する状態を示す。ある製品を工場の製造
ラインで製造する場合、製造部では所定の製造検査項目
を定め、製造中これらの製造検査項目について検査を行
い、不良が出てれば、これらの記録をとると共に、この
不良部分を直して製造を進める。製造が終った時点で
は、これらの製造検査項目の検査は済み、発見された不
良部分は直して健全な製品として製造部より出て、検査
ラインに入る。検査ラインでは所定の検査項目について
検査を行い、不良が検出されれば、製造部へ戻し、直し
た後、検査記録をとり、健全な製品として出荷する。な
お、製造中でないと検査ラインで検査できないような検
査項目がある場合は、製造中に検査ラインによる検査が
行なわれる。出荷後、客先での不良が発見されるとその
不良記録をとる。製造ラインの製造検査項目と検査ライ
ンの検査項目の不良件数および出荷後何時間して不良が
発生したかを同種の複数の製品についてまとめたものを
サンプルとし、このサンプルに基づき学習を行う。学習
は、製造検査項目と検査項目の不良件数を入力とし、出
荷後の不良発生までの時間を教師信号として行なわれ
る。

【０００８】図２は図１で学習した障害予測システムを
用いて、製造ラインと検査ラインので検出された不良デ
ータに基づき、出荷後、何時間後に不良が発生するかを
予測するシステムを示す図である。図１で学習をしたと
同種の製品について、製造ラインの製造検査項目での不
良件数、検査ラインの検査項目での不良件数を障害予測
システムのニューラルネットワークに入力すると、その
製品が出荷後、何時間すると不良となるかを予測する。

【０００９】図３は図１で学習用に用いたサンプルのデ
ータと、図２で入力するデータを示す。実績データがサ
ンプルのデータを示し、当回データが出荷後の不良発生
を予測するための入力データを示す。サンプル数はＡ１
〜Ａｎまでのｎ個、当回データはＢ１〜Ｂｍのｍ個であ
る。製造ラインの変数とは製造ラインで予め定めた製造
検査項目を示し、この項目がｐ個ある。検査ラインの変
数は検査ラインで予め定めた検査項目を示し、この項目
がｑ個ある。出荷後の目的変数は、出荷後の不良項目を
示し、この項目がｒ個ある。当回データの出荷後の目的
変数を障害予測システムは予測する。

【００１０】図４は実施例のフロー図である。まず、製
造ライン、検査ライン、出荷後の製品サービス担当より
製造中の製造検査項目、検査ラインの検査項目の不良件
数のデータおよび出荷後不良が発生するまでの時間など
の実績データを収集し、蓄積ファイルに蓄積する（ステ
ップ１）。この実績データの検査項目の内から出荷後の
不良発生に関係があると思われる項目を以下の処理対象
とするため項目を選択する（ステップ２）。次に選択し
た項目の不良データにつき、検定処理を行う（ステップ
３）。これはデータの中には異常値も含まれており、こ
れらを除く処理である。不良データの発生は正規分布す
るものとし、有効データを標準偏差をσとして、１σ
（68．３％），２σ（95．４％），３σ（99．７％）な
どで指定し、これに外れたデータを除く。

【００１１】次に正規化処理を行う（ステップ４）。こ
れは全てのデータの範囲を統一するため、０〜１の範囲
でデータを表現する。次にニューラルネットワークに学
習させるために学習パターンを作成する（ステップ
５）。これは入力パターンと出力信号の見本となる教師
パターンよりなる。この学習パターンに基づき学習させ
る。学習に当っては、入力データのばらつきから出力デ
ータの許容誤差を定める誤差調整や、学習速度、目標に
収束するための振動の安定化、極小値に収束しないよう
に強制振動を行なわせるなどの学習パラメータの設定を
行い、重み調整をニューラルネットワークに行なわせ
る。このようにして学習したデータを学習済ファイルに
格納する（ステップ６）。

【００１２】次に当回データを製造ライン、検査ライン
より入力し、出荷後の不良発生に対する予測処理を学習
済のニューラルネットワークで行う（ステップ７）。予
測した結果を逆正規化処理して、出力データの単位に戻
し（ステップ８）、予測値を出力する（ステップ９）。
予測値は画面表示、プリントアウトいずれでもよい。

【００１３】図５は本実施例で使用したニューラルネッ
トワークの構成を示す。入力層は９個のユニットよりな
る。これは後述する検査項目に合せたものである。中間
層は５個のユニットで、出力層は１個のユニットであ
る。出力としては、出荷後何時間で不良を発生するか、
または不良発生するかしないかという予測なので１ユニ
ットでよい。なお、図５の各ユニットの接続は、入力層
のユニット１，中間層のユニット１のみ表わしており、
他のユニットの接続も同様である。

【００１４】図６は実績データと当回データの一例を示
した図である。製造ラインの変数名、つまり製造検査項
目は４個、検査ラインの変数名、つまり検査項目は５
個、出荷後の目的変数は１個である。製品としては高密
度実装セラミック基板ユニットを用いた。

【００１５】製品検査項目について、厚断とはセラミッ
クス基板の内層が切断している不良であり、薄断はセラ
ミックス基板上に３層の薄い膜があり、そこが断線して
いる不良、研磨は基板にメッキ後、研磨した回数を表わ
し、必ず１回は行うので最低は１である。ＣＲヒゲはス
クリーニングテスト（部品などの不良、欠点、故障など
規定の品質水準に満たないものをストレスを加えて検出
するテスト）の結果の不良をいう。なお、各数字はこれ
らの不良の個数を表わす。

【００１６】検査ラインの検査項目について、ＲＴは終
端抵抗をテストしたときの不良件数を表わし、ＩＰはイ
ンターポーザ（部品の一種）を基板に付けて抵抗テスト
したときの不良件数である。ＷＢはワイヤーボンディン
グ（部品の一種）をＩＰに付けて抵抗をテストしたとき
の不良の件数であり、ＶＩＮＴは布線（配線）の抵抗を
テストしたときの不良件数、ＮＥＴ比は基板のタイプに
より、布線の数が異なるので一番少ないタイプを１．０
とした時の比率を表わす。また出荷後の目的変数の障害
時間は出荷後、１回目の不良が発生するまでの時間であ
る。なお、時間０は不良が発生しなかったことを表す。
つまり、まず時間０か時間を表す数字が記載されている
かで、故障があったか、なかったかを表し、数字が記載
してあれば、出荷後何時間後に故障が生じたかがわか
る。

【００１７】図６に示す実績データで図５に示すニュー
ラルネットワークの学習を行い、当回データを入力し、
当回データの製品の出荷後の不良発生までの時間を予測
する。学習は２段階で行う。つまり故障が生じたか、生
じなかったかの学習を行い、次に故障が発生した場合、
出荷後何時間後に発生したかの学習を行う。

【００１８】図７はこのようにして学習したニューラル
ネットワークを使って予測した結果と実績との対比の一
例を示す。なお、シリアルは図６で示したＢ１〜Ｂ８と
は異なったＣ１〜Ｃ14についてのものを表す。製品の種
類は両者同じである。図７によればかなり精度よく、出
荷後の故障時間を予測することができる。

【００１９】

【発明の効果】以上の説明より明らかなように、本発明
は工場での不良発生データより、出荷後不良が発生する
までの時間を予測することができるので、予備品計画や
サービス体制の計画を出荷時点で行うことができる。

【図面の簡単な説明】

【図１】本発明の実施例の学習を説明する図である。

【図２】学習結果により出荷後の不良予測を説明する図
である。

【図３】学習用のデータと、不良予測を行うデータの構
成を示す図である。

【図４】本実施例の動作フロー図である。

【図５】本実施例で用いたニューラルネットワークの一
例を示す図である。

【図６】学習用データと不良予測を行うデータの具体例
を示した図である。

【図７】ニューラルネットワークによる予測結果と実績
との対比を示す図である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 ある製品を製造ラインで製造し、所定の
   製造検査項目での不良件数を調べ、この不良を直した
   後、検査ラインで所定の検査項目での不良件数を調べ、
   この不良を直した後、出荷し、出荷後不良が発生するま
   での時間を調べてサンプルデータを複数作成し、この複
   数のサンプルデータにつき、前記製造検査項目、前記検
   査項目における不良件数を入力データとし、前記出荷後
   の不良発生までの時間を教師データとしてニューラルネ
   ットワークにより学習を行い、同じ種類の製品について
   前記製造検査項目、前記検査項目での不良件数を前記ニ
   ューラルネットワークに入力することにより、前記同じ
   種類の製品の出荷後の不良発生の有無、または不良発生
   までの時間を予測することを特徴とする製品の障害予測
   方法。