JPH10154900A - 電子部品実装用プリント基板の故障解析方法およびシステム - Google Patents

Abstract

(57)【要約】 【課題】 故障したＰＣＢの故障部品を特定するための
解析において、複数の試験項目からなる複合的現象の積
極的な利用とともに、解析時に獲得される経験値の積極
的な利用を可能にすることにより、例えば該ＰＣＢの試
験項目に該ＰＣＢの出荷検査用に作成されたテストパタ
ーンを流用して故障解析あるいは該解析の準備に要する
工数を低減可能にした効率的な故障解析方法およびシス
テムを提供する。 【解決手段】 少なくとも入力層と出力層を有するニュ
ーラルネットワークの入力層に電子部品実装用のプリン
ト基板に対する試験結果の試験項目を対応させるととも
に、出力層にプリント基板の搭載部品の故障指標値を対
応させることにより故障した部品の推定を行なうように
した。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、電子機器装置の故
障解析方法さらには電子部品実装用プリント基板（以
下、ＰＣＢと記す）の故障解析方法およびシステムに係
り、例えば故障したＰＣＢ上の故障部品の特定および該
部品の交換によるＰＣＢの修復に利用して有効な技術に
関する。

【０００２】

【従来の技術】故障した電子部品実装プリント基板の故
障部品を特定する故障解析方法として、一般的には、Ｐ
ＣＢの設計時に該ＰＣＢ出荷検査用に作成されたテスト
パターンを利用した故障診断が用いられる。すなわち、
該テストパターンによる機能試験あるいは特性試験を行
ない、不良と判定された試験項目の機能あるいは特性を
担っている部品群を設計図面等を参照して抽出する。該
抽出された部品群について、デジタルアナライザーある
いはオシロスコープ等で端子波形を観測するなどして動
作異常の有無を調査していくことで故障部品を特定する
という方法である。

【０００３】このときに要する工数は、該試験項目と部
品との対応関係に大きく依存する。すなわち、ＰＣＢの
設計時に該ＰＣＢ出荷検査用に作成されたテストパター
ンの多くは、該ＰＣＢ全体に対して機能単位あるいは特
性単位に試験項目が設けられたものであって、必ずしも
該試験項目がＰＣＢに搭載される部品に対応するとは限
らない。しかし、テストパターンの有する試験項目がＰ
ＣＢ上の部品の個々に対応付けられていれば、該テスト
パターンの実行で故障部品が特定されるので、工数は少
なくて済む。このようなテストパターンの作成あるいは
テスト方法を容易化するためには、ＰＣＢの設計時にお
いてスキャンパス法あるいは組込み自己テスト法などの
テスト容易化設計が為される。テスト容易化設計につい
て記載された文献の例としては、平成７年１１月２５日
にオーム社より発行された「新版情報処理ハンドブッ
ク」の第２章「２・５ テスト容易化・フォールトトレ
ランス設計」などに解説されている。

【０００４】しかしながら、該文献にも記載されている
とおり、テスト容易化設計にはＰＣＢの実装面積、ある
いは機能デバイスとしてのＶＬＳＩの設計においてチッ
プ面積を犠牲にするなどの必要がありコスト的なリスク
がある。また、ＰＣＢを安価に供給する設計のためには
標準デバイスを積極的に使用する必要があるが、現状の
標準デバイスの多くはＰＣＢレベルのテスト容易化設計
がなされておらず、上述のごとく試験項目をＰＣＢ上の
部品の個々に対応付けることは事実上困難である。

【０００５】上記テスト容易化設計が施されないＰＣＢ
の故障部品を特定する別の解析方法としては、特開平３
−２４３１０６号公報に記載されるボード診断エキスパ
ートシステムがある。該ボード診断エキスパートシステ
ムは、主として、ＰＣＢの品種毎の試験項目と該試験項
目に関連付けられたＰＣＢ上の一連の部品情報（故障率
等）を格納したボード部品データベースと、部品単体の
診断方法を格納した部品データベースと、これらデータ
ベースからＰＣＢの解析手順を合成する解析手順合成手
段と、該解析手順を格納する知識ベースと、該知識ベー
スを用いて故障部品を推論する推論機構とから構成され
る。また、ボード部品データベースに格納される部品情
報には、試験項目毎に推論すべき順番を示す優先順位が
付けられている。

【０００６】上記ボード診断エキスパートシステムにお
いて、ＰＣＢの製品名および不良試験項目が入力される
と、推論機構によりチェックすべき部品が推論され該部
品のチェック方法が出力される。そして後、該チェック
方法に従い実施したチェックの結果を応答することで、
推論機構は、該部品がＰＣＢの故障原因か否かを判定し
故障原因でない場合は更に別のチェックすべき部品を推
論し該部品のチェック方法を出力する。このように、推
論機構において、推論された部品がＰＣＢの故障原因と
判断されるまで該処理を繰り返すことによってＰＣＢの
故障解析が為されるものとされる。

【０００７】このとき、ボード診断エキスパートシステ
ムにおいて推論機構が推論する部品は知識ベースに格納
された解析手順に従うものであり、さらに該解析手順は
ボード部品データベースに予め格納された試験項目に関
連付けられた一連の部品の内からやはりボード部品デー
タベースに格納された該部品の優先順位に従って故障部
品を推論するように合成されるものである。すなわち、
不良試験項目が入力されたとき、推論対象となる部品は
ボード部品データベースにおいて該不良試験項目に関連
付けられた一連の部品であり、推論される順番は該部品
に付けられた優先順位の高い順となる。

【０００８】

【発明が解決しようとする課題】しかしながら、上記し
たボード診断エキスパートシステムでは、不良である試
験項目の個々について独立に故障解析が実施されるもの
であって、故障解析に係る試験項目の有効利用について
考慮されず、複数の試験項目の良／不良の組み合わせか
らなる複合的現象を用いた効率的な故障解析が為されな
いとともに、各製品（ボード）毎に最適な解析手順を用
意しておかねばならず設計者に対する負担が非常に大き
いといった問題がある。

【０００９】また、上記したボード診断エキスパートシ
ステムでは、解析の手順となる故障部品の推論の順番は
予めボード部品データベースに格納された部品情報から
決定されたものであって、システム運営時における解析
に有益な情報（経験値）の取得について考慮されず、故
障頻度が高い部品であっても該部品情報に示された優先
順位が低く設定された場合には解析が非効率であるとと
もに、柔軟性が低いといった問題がある。

【００１０】さらに、上記したような従来技術では、試
験項目をＰＣＢ上の部品の個々に対応付けることが事実
上困難である現状において、ＰＣＢの出荷検査用に作成
されたテストパターンを流用した故障診断結果から即座
に故障部品を特定することが困難であり、このことは、
上記したボード診断エキスパートシステムにおいて、試
験項目とＰＣＢに搭載される部品とを関連付けるボード
部品データベースの作成に多大な工数を要するといった
問題のあることが本発明者によって明らかとされた。

【００１１】本発明の第１の目的は、故障したＰＣＢの
故障部品を特定する解析において、複数の試験項目から
なる複合的現象の積極的な利用とともに、解析時に獲得
される経験値の積極的な利用を可能にすることにより、
例えば該ＰＣＢの試験項目に該ＰＣＢの出荷検査用に作
成されたテストパターンを流用して故障解析あるいは該
解析の準備に要する工数を低減可能にした、効率的な故
障解析方法およびシステムを提供することにある。

【００１２】本発明の第２の目的は、種々のＰＣＢに対
応可能な柔軟性の高い故障解析システムを提供すること
にある。

【００１３】本発明の前記並びにその他の目的と新規な
特徴は本明細書の記述および添付図面から明らかになる
であろう。

【００１４】

【課題を解決するための手段】本願において開示される
発明のうち代表的なものの概要を簡単に説明すれば下記
の通りである。

【００１５】すなわち、少なくとも入力層と出力層を有
するニューラルネットワーク（神経細胞模倣回路網）の
上記入力層に電子部品実装用のプリント基板に対する試
験結果の試験項目を対応させるとともに、上記出力層に
上記プリント基板の搭載部品の故障指標値を対応させる
ことにより故障した部品を推定を行なうようにしたもの
である。

【００１６】具体的なシステムとしては、少なくとも入
力層と出力層を有するニューラルネットワークと、解析
対象となるＰＣＢの試験結果を入力する手段と、該ＰＣ
Ｂの故障原因となり得る搭載部品リスト情報を記憶する
手段とを設け、該試験結果を入力および該搭載部品リス
ト情報を出力とするニューラルネットワークにより故障
解析システムを構成するようにしたものである。

【００１７】上記した手段によれば、多入力多出力のニ
ューラルネットワークによって、複数の試験項目からな
る複合的現象から、１つあるいは複数の故障原因として
の故障部品を特定可能なように作用する。このことが、
複数の試験項目からなる複合的現象の積極的な利用を可
能にする。

【００１８】また、上記ニューラルネットワークの学習
方法としては、入力した試験結果に対して故障が判明し
た部品を入力する手段と、該試験結果と故障部品の関係
を累積して記憶する手段とを設け、該累積して記憶した
試験結果と故障部品の関係を教師パターンとしてニュー
ラルネットワークを学習させるようにする。さらに、上
記ＰＣＢの試験の項目数と、上記搭載部品リスト情報を
登録する手段とを設けるようにする。

【００１９】これによって、ニューラルネットワークの
初期学習が可能となるばかりか、解析中に判明した故障
部品を追加的に学習することを可能し、このことが、解
析時に獲得される経験値の積極的な利用を可能にする。

【００２０】一般的に、ニューラルネットワークは、自
己組織化能力を有するものとされる。そのため、前記初
期学習に用いる試験結果と故障部品の組み合わせの全て
が与えられない場合であっても、与えられた該組み合わ
せの中から内に潜む相関をネットワークの中に組織化す
るように作用し、さらに、解析中の事例を追加的に学習
することによって該相関の組織化は、該ＰＣＢの故障解
析により有効なものとなるように作用する。これによっ
て、例えば該ＰＣＢの試験項目に該ＰＣＢの出荷検査用
に作成されたテストパターンを流用した場合であって
も、該テストパターン試験項目の試験結果と故障部品の
関係を上記自己組織化能力によって補完することが可能
となるため、解析あるいは該解析の準備に要する工数を
低減可能にした、効率的な故障解析方法およびシステム
を提供するという本発明の第１の目的が達成される。

【００２１】また、上記ＰＣＢの試験の項目数と上記搭
載部品リスト情報を登録する手段を設けることによっ
て、ニューラルネットワークのモデルを決定して該ニュ
ーラルネットワークを自動生成することが可能となると
ともに、上記したニューラルネットワークの学習によっ
て精度の高い故障解析が可能となる。これによって、種
々のＰＣＢに対応可能な故障解析システムを提供すると
いう本発明の第２の目的が達成される。

【００２２】

【発明の実施の形態】以下、本発明の一実施例を図を用
いて説明する。初めに、本発明によるＰＣＢ故障解析方
法について図１および図２に示す実施例を用いて説明す
る。

【００２３】図１には本発明の一実施例としてのＰＣＢ
故障解析実行実行部100が示されている。同図におい
て、ニューラルネットワーク110は、神経回路網を工学
的に模倣した情報処理手段であり、コンピュータのソフ
トウェアによって構築される。101は被解析ＰＣＢに対
して予め用意された全試験項目を試験した結果の一覧を
示すＰＣＢ試験結果リスト、120は被解析ＰＣＢに搭載
された全部品と該部品の故障指標値の一覧を示すリスト
である。

【００２４】先ず、ニューラルネットワーク110からな
る情報処理手段について説明する。この実施例のニュー
ラルネットワーク110は、神経細胞を工学的に模倣した
ニューロン114〜116を情報処理単位として、特に制限さ
れないが例えば入力層111、中間層112、出力層113から
なる階層型フィードフォワード・ネットワークで構成さ
れる。

【００２５】入力層111をなす各ニューロン111は、特に
演算を必要としないため中間層112や出力層113を構成す
るニューロンと同一機能を有するものでなくてもよく、
入力をそのまま中間層112を構成する複数のニューロン1
15へ分配する機能を備えていればよい。中間層112およ
び出力層113を構成する各ニューロン115および116は、
特に制限されないが、図２に示される工学的モデルで神
経回路の動作をそれぞれ独立に模倣した演算が為され
る。すなわち、該ニューロンは、各々の入力信号Ｘ0〜
Ｘnについて式３で示す膜電位Ｕを計算する。ただし、
Ｗ0〜Ｗnは入力信号Ｘ0〜Ｘnにそれぞれ対応する重み値
（シナプス荷重）であり、θはしきい値である。そし
て、得られた膜電位Ｕについて式１の関数ｆを用いた非
線形変換により出力信号Ｙを算出する。ただし、関数ｆ
は式２で示すシグモイド関数であり、式２のεは温度係
数と呼ばれる定数である。シグモイド関数を用いること
により、ステップ関数を用いる場合と異なり、０．１〜
０．９の範囲で任意の値を出力することができる。０．
１以下および０．９以上の値を出力しないことで、誤っ
て良または不良であるとの判定が行われるのを回避する
ことができる。

【００２６】上記ニューラルネットワーク110は、入力
層111をなすニューロン114の個々への入力値（以下、入
力パターンと呼ぶ）が与えられると、中間層112、出力
層113の順に内含するニューロンの演算がなされ、出力
値を出力層113をなすニューロン116の個々の出力（以
下、出力パターンと呼ぶ）に得るものであり、ニューロ
ン115〜116の個々が持つ重み値Ｗ0〜Ｗnおよびしきい値
θを変更することで入出力関係を変更することができる
ようになっている。なお、上記出力を得るニューラルネ
ット110の一連の処理を前向き計算（フィードフォワー
ド計算）と呼ぶ。

【００２７】また、上記ニューラルネットワーク110
は、入力パターンに対する所望の出力パターン（以下、
期待値パターンと呼ぶ）を出力層113に与えることによ
って、特に制限しないが既成のニューラルネット学習ア
ルゴリズムとしての例えばバックプロパゲーション法
（逆誤差伝播法）を用いて、該入出力関係を満足する
（すなわち、出力パターンと期待値パターンとを許容範
囲内の誤差で一致させる）ようにニューロン115〜116の
個々が持つ重み値Ｗ0〜Ｗnおよびしきい値θを修正する
ようになっている。なお、上記重み値Ｗ0〜Ｗnおよびし
きい値θを修正して所望の入出力関係を満足するニュー
ラルネットワーク110の一連の処理を学習と呼び、学習
を行なうための入力パターンと期待値パターンの組み合
わせを教師パターンと呼ぶ。

【００２８】次に、ニューラルネットワーク110、ＰＣ
Ｂ試験結果リスト101およびＰＣＢ解析部品リスト120の
構成について説明する。

【００２９】ＰＣＢ試験結果リスト101において、項目
欄102には被解析ＰＣＢに対して予め用意された全試験
項目が示され、結果欄103には、特に制限されないが試
験項目欄102に対応する試験が実施された結果が良（す
なわち異常なし）であった場合は“○”、不良（すなわ
ち異常あり）であった場合“×”が入力されるように構
成される。

【００３０】ＰＣＢ解析部品リスト120において、番号
欄121には図１２に示すような被解析ＰＣＢに搭載され
ているトランジスタやＩＣまたはＬＳＩ、抵抗、コンデ
ンサ等の全部品ＴＲ１，ＴＲ２・・・；ＩＣ１，ＩＣ
２，・・・；Ｒ１，Ｒ２，・・・；Ｃ１，Ｃ２，・・・
に対して与えられた通し番号が記述され、部品名欄122
には該通し番号に相当する部品の名称が記述され、故障
指標欄123は該部品の故障の疑いの高さを示す値が記述
されるもので、この故障指標値は学習の際には0.0〜1.0
の範囲でニューラルネットワークへ入力され、ＰＣＢ解
析時には本実施例のようにニューロンにおいて行なわれ
る演算の式としてシグモイド関数を使用するバックプロ
パゲーション法を採用した場合には0.1〜0.9の範囲で出
力されるように構成されている。

【００３１】ニューラルネットワーク110において、入
力層111をなすニューロン114の各々はＰＣＢ試験結果リ
スト101の項目欄102の各項目と１対１に対応付けられ、
ニューラルネットワーク110の出力層113をなすニューロ
ン116の各々はＰＣＢ解析部品リスト120の番号欄121の
各番号と１対１に対応付けられている。

【００３２】次に、ニューラルネットワーク110を学習
させる動作について説明する。試験結果リスト101にお
いて、故障部品が理論的あるいは経験的に明らかである
試験項目102の結果103に関しては、“○”の試験項目は
0.0の数値に、“×”の試験項目は1.0の数値に変換した
入力パターンを生成してニューラルネットワーク110に
入力する。ＰＣＢ解析部品リスト120に関しては、該試
験項目102の結果103に対し理論的あるいは経験的に明ら
かな１つあるいは複数の故障部品について故障指標値12
3が与えられると、結果が不明な部品の故障指標値123に
ついては0.1の数値として全故障指標値123から期待値パ
ターンが生成され、ニューラルネットワーク110に入力
される。ニューラルネットワーク110では、該入力パタ
ーンから該期待値パターンが出力されるように学習が行
なわれる。学習に使用された期待値パターンは後述の累
積事例ファイル３０８（図３参照）に登録され、学習の
結果得られた各ニューロンの重み値やしきい値は後述の
ニューラルネットワーク情報ファイル３０７に登録され
る。

【００３３】次に、非解析ＰＣＢの解析の動作について
説明する。ＰＣＢ試験結果リスト101の全試験項目102に
対する結果103が与えられると、“○”の試験項目は0.0
の数値に、“×”の試験項目は1.0の数値にそれぞれ変
換されて、ニューラルネットワーク110に入力される。
ニューラルネットワーク110では、該入力パターンを入
力層111の各試験項目に対応するニューロン114にそれぞ
れ取り込み、中間層１１２を構成するニューロン１１５
で前向き計算を行ない、出力層１１３を構成するニュー
ロン１１６を経て出力パターンをＰＣＢ解析部品リスト
120に出力する。

【００３４】なお、このときの出力パターンの個々の数
値の範囲は0.1〜0.9となる。ＰＣＢ解析部品リスト120
では、該出力パターンの個々の数値をそれぞれ対応する
故障指標値123に示すことで非解析ＰＣＢの解析が為さ
れる。ここにおいて、故障被疑部品を１つに特定する場
合には、故障指標値123の内で最も高い数値を示すもの
に対応する番号121と部品名称122を故障被疑部品として
出力すればよい。

【００３５】以下、上記したＰＣＢ故障解析方法を用い
て実現されるＰＣＢ故障解析システムの実施例について
説明する。

【００３６】図３には、本発明の実施例としての故障解
析システムが示される。同図において、入力部301は特
に制限されないが例えばキーボードあるいはマウス等の
既成技術としての入力手段、また、出力部305は特に制
限されないが例えばディスプレイ等の既成技術としての
出力手段であり、例えばＧＵＩ（グラフィカル・ユーザ
・インターフェイス）を提供してＰＣＢ解析システム30
0を操作あるいは結果を出力するためのマン−マシン・
インタフェースである。解析制御部302は、入力部301の
操作に応じてＰＣＢ解析システム300全体を制御し、必
要に応じた情報を出力部305に出力するように構成され
る。

【００３７】ＰＣＢ製品登録部303は、解析制御部302を
介して入力部301からの新規ＰＣＢ製品の登録要求を受
け、該ＰＣＢの試験項目数、搭載部品数、搭載部品個々
の名称およびニューラルネットワークのモデルについて
の情報を基に、新規ＰＣＢ製品の情報をファイル306〜3
08に登録するように構成される。ＰＣＢ事例追加部304
は、解析制御部302を介して入力部301からの登録済みＰ
ＣＢに関する事例追加要求を受け、該ＰＣＢについて、
理論的あるいは経験的に明らかな試験結果と故障部品の
関係を累積事例ファイル308に追加（あるいは削減）す
るように構成される。ＰＣＢ故障解析実行部100は、解
析制御部302を介して入力部301からの登録済みＰＣＢに
関する故障解析要求を受け、該ＰＣＢについて、実施さ
れた試験結果からニューラルネットワーク110の前向き
計算を行ない被疑部品を推定し、解析制御部302を介し
て出力部305に出力するように構成される。

【００３８】さらに、該試験結果に対する実際の故障部
品を解析制御部302を介して入力部301から受け取ること
により該関係を累積事例ファイル308に追加するように
構成される。そして、このような実際の故障部品の事例
追加、あるいは上記したＰＣＢ事例追加部304による事
例追加によって累積事例ファイル308が変更されると、
ＰＣＢ故障解析実行部100は、対象としたＰＣＢについ
てニューラルネット110の学習を行ないニューラルネッ
トワーク情報ファイル307を更新するように構成され
る。

【００３９】図４には、ＰＣＢ情報ファイル306が示さ
れる。同図に示されるように、ＰＣＢ情報ファイル306
には、ＰＣＢ製品名400毎に、試験項目数401、搭載部品
数402、搭載部品番号403および搭載部品名404が記憶さ
れる。ここにおいて、ＰＣＢ製品名400は、登録したＰ
ＣＢの製品名称である。試験項目数401は、該ＰＣＢの
解析のために予め用意された試験の項目数である。搭載
部品数402は、該ＰＣＢに搭載される部品の内、故障解
析の対象となる部品の数である。搭載部品番号403は、
該故障解析の対象となる部品に付けられた通し番号の全
てである。搭載部品名404は、該搭載部品番号403のそれ
ぞれの部品名称である。

【００４０】図５には、ニューラルネットワーク情報フ
ァイル307が示される。同図に示されるように、ニュー
ラルネットワーク情報ファイル307には、ＰＣＢ製品名5
00毎に、ニューラルネットワークのモデル501、ニュー
ロン番号502、しきい値503および重み値504が記憶され
る。ここにおいて、ＰＣＢ製品名500は、登録したＰＣ
Ｂの製品名称である。ニューラルネットワークのモデル
501は、特に制限されないが該ＰＣＢを解析するニュー
ラルネットワークのモデルを示す記号であり、この例で
は階層型フィードフォワードネットワークを示す“S”
と、入力層ニューロン数が５０個、中間層ニューロン数
が２５６個および出力層ニューロン数が２５６個の３層
からなることを示す“50-256-256”とがハイフンで区切
られて表現されている。ニューロン番号502は、該ニュ
ーラルネットワークの内、演算を必要とする中間層およ
び出力層ニューロンの通し番号である。しきい値503
は、該ニューロン番号502のニューロンが持つしきい値
である。重み値504は、該ニューロン番号502のニューロ
ンの持つ全ての重み値である。

【００４１】図６には、累積事例ファイル308が示され
る。同図に示されるように、累積事例ファイル308に
は、ＰＣＢ製品名600毎に、発生回数602と項目603から
なる試験結果601および部品故障回数604が記憶される。
ここにおいて、ＰＣＢ製品名600は、登録したＰＣＢの
製品名称である。試験結果601は、該ＰＣＢの試験結果
としてこれまでに入力された項目603における“○”お
よび“×”のパターン種類と、該パターン種類の発生回
数602が累積して記憶されたものである。部品故障回数6
04は、該試験結果601のパターン種類に対して故障部品
であった回数が部品毎に累積して記憶されたものであ
る。

【００４２】以下、上記したＰＣＢ故障解析システム30
0において為される処理について、図７〜１０に示すＰ
ＡＤ（Problem Analysis Diagram：問題解析図）形式の
フローチャートを用いて説明する。

【００４３】図７には、主に解析制御部302で実現され
る処理が示される。ＰＣＢ故障解析システム300が起動
すると、処理ステップ700において、解析制御部302は、
ＰＣＢの製品名を出力部305および入力部301を用いて対
話的に入力する。処理ステップ701において、解析制御
部302は、該ＰＣＢ製品名がＰＣＢ情報ファイル306のＰ
ＣＢ製品名400に登録されているか調べ、登録されてい
ない場合のみＰＣＢ製品登録702を処理する。ＰＣＢ製
品登録702については後述する。処理ステップ703におい
て、解析制御部302は、処理ステップ700で入力したＰＣ
Ｂ製品名に対応したニューラルネットワーク情報ファイ
ル307内のＰＣＢ製品名500からニューラルネットワーク
の情報を読み出し、ＰＣＢ故障解析実行部100にニュー
ラルネットワーク110の設定を行なう。

【００４４】処理ステップ704において、解析制御部302
は、引き続き実行される処理ステップ705〜708の一連の
処理を、処理ステップ705で終了が選択されるまで繰り
返す。処理ステップ705において、解析制御部302は、Ｐ
ＣＢに対するＰＣＢ故障解析システム300の処理が事例
追加、解析実行あるいは終了のいずれかの選択を出力部
305および入力部301を用いて対話的に入力する。処理ス
テップ706において、解析制御部302は、該選択が事例追
加であるときＰＣＢ事例追加707を処理し、解析実行で
あるときＰＣＢ解析実行708を処理し、終了であるとき
処理ステップ704を介してＰＣＢ故障解析システム300を
終了する。ＰＣＢ事例追加707およびＰＣＢ解析実行708
については後述する。

【００４５】図８には、解析制御部302が主にＰＣＢ製
品登録部303を制御して実現するＰＣＢ製品登録702の処
理が示される。処理ステップ800〜804において、ＰＣＢ
製品登録部303は、処理ステップ700で入力したＰＣＢ製
品名について、試験項目、搭載部品数、搭載部品名およ
びニューラルネットワークのモデルを、解析制御部302
を介して出力部305および入力部301を用いて対話的に入
力する。

【００４６】処理ステップ805において、ＰＣＢ製品登
録部303は、ＰＣＢ情報ファイル306に処理ステップ700
で入力したＰＣＢ製品名400の欄を追加し、処理ステッ
プ800で入力した試験項目数401、処理ステップ801で入
力した搭載部品数402および処理ステップ802〜803で入
力した搭載部品番号403と搭載部品名404を登録する。

【００４７】処理ステップ806において、ＰＣＢ製品登
録部303は、累積事例ファイル308に処理ステップ700で
入力した ＰＣＢ製品名600の欄に、処理ステップ800で
入力した試験項目数および処理ステップ801で入力した
搭載部品数を追加し、とりあえず、項目603の全てを
“○”、発生回数602を1、部品故障回数604の全てを0と
して追加する。処理ステップ807において、ＰＣＢ製品
登録部303は、ニューラルネットワーク情報ファイル307
に処理ステップ700で入力したＰＣＢ製品名500の欄を追
加し、処理ステップ804で入力したニューラルネットワ
ークのモデル501を書き込み、該ニューラルネットワー
クのモデルに応じたニューロン番号502、しきい値503、
および重み値504に適当な乱数を書き込む。

【００４８】図９には、解析制御部302が主にＰＣＢ事
例追加部304を制御して実現するＰＣＢ事例追加707の処
理が示される。

【００４９】処理ステップ900において、ＰＣＢ解析制
御部302は、引き続き実行される処理ステップ901〜904
の一連の処理を、処理ステップ904で事例追加終了が選
択されるまで繰り返す。処理ステップ901において、Ｐ
ＣＢ事例追加部304は、処理ステップ700で入力したＰＣ
Ｂ製品名について、ＰＣＢ情報ファイル306より試験項
目数401を参照し、ＰＣＢ試験結果リスト101を解析制御
部302を介して出力部305に出力することで、故障部品が
理論的あるいは経験的に明らかな試験結果について、入
力部301を用いて対話的に入力する。処理ステップ902に
おいて、ＰＣＢ事例追加部304は、処理ステップ700で入
力したＰＣＢ製品名について、ＰＣＢ情報ファイル306
より搭載部品番号403および搭載部品名405を参照し、Ｐ
ＣＢ解析部品リスト120を解析制御部302を介して出力部
305に出力することで、処理ステップ901で入力された試
験結果に該当する１つまたは複数の故障部品について、
入力部301を用いて対話的に入力する。

【００５０】処理ステップ903において、ＰＣＢ事例追
加部304は、処理ステップ700で入力した ＰＣＢ製品名
について累積事例ファイル308内の試験結果601を調べ、
処理ステップ901で入力された試験結果と同じ項目603に
おける“○”および“×”のパターン種類がある場合に
は当該発生回数602を１加算し、処理ステップ902で入力
した１つまたは複数の故障部品について該当する部品故
障回数604を１加算する。処理ステップ901で入力された
試験結果と同じ項目603における“○”および“×”の
パターン種類がない場合には、該試験結果をＰＣＢ製品
名に対応付けて新たに追加し当該発生回数602を１と
し、処理ステップ902で入力した１つまたは複数の故障
部品について該当する部品故障回数604を１、それ以外
を０とする。

【００５１】なお、処理ステップ903において、入力部3
01では、処理ステップ901で入力された試験結果と同じ
項目603における“○”および“×”のパターン種類が
ある場合にのみ事例削減を選択することも可能であり、
このとき、当該発生回数602を１減算し、処理ステップ9
02で入力した１つまたは複数の故障部品について該当す
る部品故障回数604を１減算する。ただし、減算によっ
て部品故障回数604が負数になる場合は０にする。処理
ステップ904において、解析制御部302は、事例追加を終
了するか否かの選択を出力部305および入力部301を用い
て対話的に入力する。

【００５２】処理ステップ905において、ＰＣＢ故障解
析実行部100は、処理ステップ700で入力した ＰＣＢ製
品名の累積事例ファイル308内の全試験結果601について
同時に満足する（全パターンの平均２乗誤差が許容誤差
範囲内となる）ように学習を行なう。このとき、各試験
結果の期待値パターンである故障指標値123は、解析制
御部302が式４で予め算出する。

【００５３】 Xpn＝0.5 + （0.4×Kpn）／Tp …Kpn≠０ （式４） Xpn＝０ … Kpn＝０ ただし、Xpnは試験結果pにおける部品nの故障指標値12
3、Kpnは該故障指標値123に対応する部品の故障回数60
4、Tpは試験結果pの発生回数である。

【００５４】処理ステップ906において、ＰＣＢ故障解
析実行部100は、処理ステップ905で学習したニューラル
ネットワーク110について、ニューラルネットワーク情
報ファイル307を更新する。

【００５５】図１０には、解析制御部302が主にＰＣＢ
故障解析実行部100を制御して実現するＰＣＢ解析実行7
08の処理が示される。処理ステップ1000において、ＰＣ
Ｂ故障解析実行部100は、処理ステップ700で入力したＰ
ＣＢ製品名について、ＰＣＢ情報ファイル306より試験
項目数401を参照し、ＰＣＢ試験結果リスト101を解析制
御部302を介して出力部305に出力することで、被解析Ｐ
ＣＢの試験結果を入力部301を用いて対話的に入力す
る。処理ステップ1001において、ＰＣＢ故障解析実行部
100は、解析（前向き計算）を行ない、各部品の故障指
標値123を求める。処理ステップ1002において、解析制
御部302は、被疑部品の出力順序を示す変数kouhoを１、
解析の終了を示すフラグquitFlagを０クリアする。

【００５６】処理ステップ1003において、解析制御部30
2は、引き続き処理される処理ステップ1004〜1013につ
いてフラグquitFlagが１になるまで繰り返す。処理ステ
ップ1004において、解析制御部302は、処理ステップ100
1で求められた各部品の故障指標値123を調べ、故障指標
値123の高いものから変数kouhoで示された順番の部品に
ついて、例えば0.5以上か否かを判定する。そして、0.5
以上であるときには、被疑部品解析可能として処理ステ
ップ1005〜1010を実行する。一方、0.5未満のときに
は、被疑部品解析不可能として処理ステップ1011〜1013
を実行する。

【００５７】処理ステップ1005において、解析制御部30
2は、故障指標値123の高いものから変数kouhoで示され
た順番の部品を出力部305に出力する。処理ステップ100
6において、解析制御部302は、処理ステップ1005で出力
した被疑部品の検査結果として該被疑部品が故障してい
たか否かを入力部301より入力する。処理ステップ1007
において、解析制御部302は、被疑部品が故障していた
場合、処理ステップ1008で該部品の番号を変数kosyouNo
に代入して処理ステップ1009、1003を介して処理ステッ
プ1014に移行する。被疑部品が故障していなかった場
合、処理ステップ1010で変数kouhoを１加算して処理ス
テップ1004以降の処理を繰り返す。

【００５８】一方、処理ステップ1011において、解析制
御部302は、解析不能であることを出力部305に出力す
る。処理ステップ1012において、解析制御部302は、人
手等で解析され判明した故障部品を入力部301より入力
し、該部品の番号を変数kosyouNoに代入して処理ステッ
プ1013、1003を介して処理ステップ1014に移行する。

【００５９】処理ステップ1014において、ＰＣＢ故障解
析実行部100は、処理ステップ700で入力した ＰＣＢ製
品名について累積事例ファイル308内の試験結果601を調
べ、処理ステップ1000で入力された試験結果と同じ項目
603における“○”および“×”のパターン種類がある
場合には、当該発生回数602を１加算し、変数kosyouNo
に代入された番号の故障部品について該当する部品故障
回数604を１加算する。処理ステップ1000で入力された
試験結果と同じ項目603における“○”および“×”の
パターン種類がない場合には、該試験結果をＰＣＢ製品
名に対応付けて新たに追加し当該発生回数602を１と
し、変数kosyouNoに代入された番号に該当する部品故障
回数604を１、それ以外を０とする。

【００６０】処理ステップ1015において、ＰＣＢ故障解
析実行部100は、処理ステップ700で入力した ＰＣＢ製
品名の累積事例ファイル308内の全試験結果601について
同時に満足する（全パターンの平均２乗誤差が許容誤差
範囲内となる）ように学習を行なう。このとき、各試験
結果の期待値パターンである故障指標値123は、解析制
御部302が式４で予め算出する。処理ステップ1016にお
いて、ＰＣＢ故障解析実行部100は、処理ステップ1015
で学習したニューラルネットワーク110について、ニュ
ーラルネットワーク情報ファイル307を更新する。

【００６１】以下、上記したＰＣＢ故障解析システムを
用いて行なわれる故障ＰＣＢの修復手順について、図１
１のフローチャートを用いて説明する。

【００６２】図１１には本発明による故障ＰＣＢの修復
手順が示される。同図において、先ず、手順1100では、
特に制限されないが例えば被解析ＰＣＢの設計時に該Ｐ
ＣＢ出荷検査用に作成されたテストパターンを流用した
機能試験（例えばＰＣＢを構成するレジスタやタイマ等
の回路が所望の論理動作を行なうか）あるいは特性試験
（例えば消費電力がどの位かあるいは出力電圧が所望の
許容範囲に入っているか等）を実施する。かかる試験
は、図１２に示すようなＰＣＢの縁部に設けられている
端子列131やコネクタ132から、テスタ（試験装置）を使
用してテストパターンや適当な電圧を与えて、端子列13
1やコネクタ132より出力される信号の論理値（０または
１）を適当なしきい値で判定したり、出力電圧を測定し
たりすることによって行なわれる。

【００６３】手順1101ではＮＧ試験項目（不良試験項
目）があるか否かが判定される。手順1102では、手順11
00で行なわれたＮＧ試験項目を含む試験結果から、ＰＣ
Ｂ故障解析システム300によって故障解析が為される。
手順1103では、手順1102で特定された故障部品を交換す
る。そして手順1100に戻り、該手順1100〜1103の一連の
手順を繰り返し、手順1101で、ＮＧ試験項目がなくなっ
たと判断されると、該ＰＣＢは修復されたと判断され、
修復作業は終了される。

【００６４】以上、本発明を一実施例に基づいて説明し
たが、本発明はこの一実施例に限定されることはなく、
その要旨を逸脱しない範囲において種々の変更が可能で
あることはいうまでもない。例えば、ニューラルネット
ワーク110のモデルとしての階層型フィードフォワード
ネットワークをカスケード型ネットワークやリカレント
ネットワークなどの他のニューラルネットワークのモデ
ルとしてもよい。また、本実施例では、試験項目の試験
結果を“○”および“×”の２値で示したが、例えば
“良好”、“どちらでもない”および“不良”としてニ
ューラルネットワーク110への入力値をそれぞれ0.0、0.
5、1.0とした３値とする等の多値としてもよい。本発明
は、少なくとも故障したＰＣＢを予め用意した試験項目
で試験してその結果から故障原因を解析するようなＰＣ
Ｂ解析システムに適用することができる。

【００６５】

【発明の効果】本願において開示された発明によれば、
少なくとも入力層と出力層を有するニューラルネットワ
ークの上記入力層に電子部品実装用のプリント基板に対
する試験結果の試験項目を対応させるとともに、上記出
力層に上記プリント基板の搭載部品の故障指標値を対応
させることにより故障した部品を推定を行なうようにし
たので、複数の試験項目の試験結果の組み合わせで故障
部品を推定することが可能となり、試験項目数の有効利
用が図れる。また、このようなニューラルネットワーク
の学習方法に関して、事例を累積した試験結果と故障部
品の関係を学習する手段を設け、ニューラルネットワー
ク自身が持つ自己組織化能力で入出力関係を補完するこ
とで、例えば被解析ＰＣＢの製品出荷時に作成されたテ
ストパターンのような試験結果と故障部品の関係の全て
が明らかでない場合にも適用ができ、故障解析あるいは
該解析の準備に要する工数の低減可能が図れる。

【００６６】さらに、システム運営中において事例を経
験として学習することで、システムの的中率（被疑部品
が故障原因である割合）の動的な向上が図れる。また、
そのようなニューラルネットの学習における期待値パタ
ーン（故障指標値）の生成方法として前記式４の演算を
用い、解析毎に試験結果に対する実際の故障部品を学習
するようにすることで、解析時に故障指標値が0.5以上
の部品を調べれば過去の事例が必ず参照され、さらに、
前記ニューラルネットワークの自己組織化能力によって
未知の試験結果パターンでも解析が為されるので、従来
法のデータベースを基本とするエキスパートシステムと
同等以上の的中率の実現が図れる。また、ＰＣＢ新規製
品の登録を可能とすることで、種々のＰＣＢに対応可能
としたＰＣＢ故障解析システムの構築が図れる。

【図面の簡単な説明】

【図１】本発明の実施例としてのＰＣＢ故障解析方法を
実現するＰＣＢ故障解析実行部の構成例を示す説明図で
ある。

【図２】本発明の実施例で用いた、神経回路を模倣した
工学的モデルとしてのニューロンを示す模式図である。

【図３】本発明の実施例としての故障解析システムを示
すブロック図である。

【図４】本発明の実施例としての故障解析システムにお
いて、登録したＰＣＢの情報を記憶するＰＣＢ情報ファ
イルの内容を示すファイル構成図である。

【図５】本発明の実施例としての故障解析システムにお
いて、登録したＰＣＢを解析するためのニューラルネッ
トワークの情報を記憶するニューラルネットワーク情報
ファイルの内容を示すファイル構成図である。

【図６】本発明の実施例としての故障解析システムにお
いて、登録したＰＣＢを解析したあるいは経験的に明ら
かな試験結果と故障部品の発生回数あるいは登録回数を
事例として記憶する累積事例ファイルの内容を示すファ
イル構成図である。

【図７】本発明の実施例としての故障解析システムにお
いて、主に解析制御部で実現される処理を示したＰＡＤ
である。

【図８】本発明の実施例としての故障解析システムにお
いて、解析制御部が主にＰＣＢ製品登録部を制御して実
現するＰＣＢの製品登録に係る処理を示したＰＡＤであ
る。

【図９】本発明の実施例としての故障解析システムにお
いて、解析制御部が主にＰＣＢ事例追加部を制御して実
現するＰＣＢの故障事例追加に係る処理を示したＰＡＤ
である。

【図１０】本発明の実施例としての故障解析システムに
おいて、解析制御部が主にＰＣＢ解析実行部を制御して
実現するＰＣＢの故障解析に係る処理を示したＰＡＤで
ある。

【図１１】本発明の実施例としての故障解析システムを
用いて為される故障したＰＣＢの修復手順を示すフロー
チャートである。

【図１２】本発明のＰＣＢ故障解析方法の解析対象とな
るＰＣＢの構成例を示す概略図である。

【符号の説明】

１００ ＰＣＢ故障解析実行部 １０１ ＰＣＢ試験結果リスト １０２ 試験項目欄 １０３ 試験結果欄 １１０ ニューラルネットワーク １１１ 入力層 １１２ 中間層 １１３ 出力層 １１４，１１５，１１６ ニューロン １２０ ＰＣＢ解析部品リスト １２１ 部品番号欄 １２２ 部品名欄 １２３ 故障指標値欄 １３１ 端子列 １３２ コネクタ ＩＣ１，ＩＣ２ 搭載部品（ＩＣまたはＬＳＩ） ＴＲ１，ＴＲ２ 搭載部品（トランジスタ） Ｒ１，Ｒ２ 搭載部品（抵抗） Ｃ１，Ｃ２ 搭載部品（コンデンサ）

───────────────────────────────────────────────────── フロントページの続き (72)発明者 山田 祐 神奈川県横浜市戸塚区戸塚町216番地 株 式会社日立製作所情報通信事業部内 (72)発明者 桑原 良博 東京都小平市上水本町５丁目22番１号 株 式会社日立マイコンシステム内 (72)発明者 茂木 啓次 東京都小平市上水本町５丁目22番１号 株 式会社日立マイコンシステム内

Claims (9)

【特許請求の範囲】
1. 【請求項１】 少なくとも入力層と出力層を有するニュ
   ーラルネットワーク（神経細胞模倣回路網）の上記入力
   層に電子部品実装用のプリント基板に対する試験結果の
   試験項目を対応させるとともに、上記出力層に上記プリ
   ント基板の搭載部品の故障指標値を対応させることによ
   り故障した部品を推定を行なうようにしたことを特徴と
   する電子部品実装用プリント基板の故障解析方法。
2. 【請求項２】 上記プリント基板に実装する部品の故障
   と、該故障によって起こる試験結果に既知である組み合
   わせがあるとき、該組み合わせを教師パターンとしてニ
   ューラルネットワークに入力して初期学習を行なわせる
   ようにしたことを特徴とする請求項１に記載の電子部品
   実装用プリント基板の故障解析方法。
3. 【請求項３】 故障したプリント基板の解析により試験
   結果と該試験結果において判明した故障部品の組み合わ
   せを事例として累積する記憶手段を設け、該累積した組
   み合わせを教師パターンとしてニューラルネットワーク
   の学習を行なうようにしたことを特徴とする請求項１ま
   たは請求項２に記載の電子部品実装用プリント基板の故
   障解析方法。
4. 【請求項４】 上記学習に際して、部品nの故障回数をK
   pn、試験結果pの発生回数をTpとしたとき、上記故障指
   標値Xpnを、次式 Xpn＝0.5 + （0.4×Kpn）／Tp …Kpn≠０ Xpn＝０ … Kpn＝０ を用いて算出することを特徴とする請求項１、請求項２
   または請求項３に記載の電子部品実装用プリント基板の
   故障解析方法。
5. 【請求項５】 上記ニューラルネットワークは、階層型
   フィードフォワード方式のネットワークであることを特
   徴とする請求項１、請求項２、請求項３または請求項４
   に記載の電子部品実装用プリント基板の故障解析方法。
6. 【請求項６】 上記ニューラルネットワークの中間層も
   しくは出力層を構成するニューロンは、シグモイド関数
   を用いて出力信号を算出することを特徴とする請求項
   １、請求項２、請求項３、請求項４または請求項５に記
   載の電子部品実装用プリント基板の故障解析方法。
7. 【請求項７】 少なくとも入力層と出力層を有するニュ
   ーラルネットワークと、電子部品実装用のプリント基板
   に対する試験結果を試験項目単位で上記ニューラルネッ
   トワークに入力する手段と、上記プリント基板の故障原
   因となり得る搭載部品リスト情報から故障原因を特定し
   て出力する手段とを備えたことを特徴とする電子部品実
   装用プリント基板の故障解析システム。
8. 【請求項８】 故障したプリント基板の解析により試験
   結果と該試験結果において判明した故障部品の組み合わ
   せを事例として累積する記憶手段を備えたことを特徴と
   する請求項７に記載の電子部品実装用プリント基板の故
   障解析システム。
9. 【請求項９】 プリント基板の試験項目数および故障原
   因となり得る搭載部品リスト情報を該プリント基板の識
   別名称に対応付けて登録可能な記憶手段を備えたことを
   特徴とする請求項７または請求項８に記載の電子部品実
   装用プリント基板の故障解析システム。