JPWO2019220481A1 - 判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム - Google Patents

判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム Download PDF

Info

Publication number
JPWO2019220481A1
JPWO2019220481A1 JP2020519213A JP2020519213A JPWO2019220481A1 JP WO2019220481 A1 JPWO2019220481 A1 JP WO2019220481A1 JP 2020519213 A JP2020519213 A JP 2020519213A JP 2020519213 A JP2020519213 A JP 2020519213A JP WO2019220481 A1 JPWO2019220481 A1 JP WO2019220481A1
Authority
JP
Japan
Prior art keywords
principal component
determination
dimensions
combination
data
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.)
Granted
Application number
JP2020519213A
Other languages
English (en)
Other versions
JP6992889B2 (ja
Inventor
和範 丸山
和範 丸山
貴司 山▲崎▼
貴司 山▲崎▼
添田　武志
武志 添田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of JPWO2019220481A1 publication Critical patent/JPWO2019220481A1/ja
Application granted granted Critical
Publication of JP6992889B2 publication Critical patent/JP6992889B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Development Economics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)

Abstract

製造済み製品の各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点を算出する主成分分析部と、前記主成分分析部によって算出された前記主成分得点の次元数、前記次元数分の前記主成分得点の組み合わせ、および前記組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧを判定する場合の判定精度を算出する算出部と、前記判定精度が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を判定ルールとして探索する探索部と、を備えることを特徴とする判定ルール取得装置。

Description

本件は、判定ルール取得装置、判定ルール取得方法、および判定ルール取得プログラムに関する。
出荷前の製品に性能試験を実施して、ＯＫ品かＮＧ品かを判定することで、製品の品質が管理されている。しかしながら、性能試験は、試験工数や試験設備費などのコストを要する。そこで、製造途中の製造データから異常を判定する技術が開示されている（例えば、特許文献１参照）。
特開２００４−１６５２１６号公報
しかしながら、製造データの中には、完成した製品の性能試験データとは相関が無いものも含まれる。したがって、ＯＫ／ＮＧ判定の精度が低下するおそれがある。また、製造データの項目数が多い場合には、項目の選択によっては局所的な探索となってしまうおそれもある。したがって、高精度な予測が困難となる。
１つの側面では、本件は、製造データからＯＫ／ＮＧ判定を高精度に予測することができる判定ルールを取得可能な判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラムを提供することを目的とする。
１つの態様では、判定ルール取得装置は、製造済み製品の各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点を算出する主成分分析部と、前記主成分分析部によって算出された前記主成分得点の次元数、前記次元数分の前記主成分得点の組み合わせ、および前記組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧを判定する場合の判定精度を算出する算出部と、前記判定精度が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を判定ルールとして探索する探索部と、を備える。
製造データからＯＫ／ＮＧ判定を高精度に予測することができる判定ルールを取得可能な判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラムを提供することができる。
（ａ）および（ｂ）は第１の予測手法を例示する図である。 （ａ）および（ｂ）は第２の予測手法を例示する図である。 実施形態に係る品質管理装置の全体構成を例示するブロック図である。 品質管理装置のハードウェア構成を説明するためのブロック図である。 品質管理装置による品質管理の全体処理を表すフローチャートを例示する図である。 図５のステップＳ１の詳細を表すフローチャートを例示する図である。 （ａ）はＯＫ／ＮＧ判定ルールの学習について例示する図であり、（ｂ）はＯＫ／ＮＧ判定ルールを用いた予測について例示する図である。 図５のステップＳ２の詳細を表すフローチャートを例示する図である。 （ａ）は規格化した製造データを例示する図であり、（ｂ）は予測精度を示す図である。
高度な電子機器などの製品は、仕様により定めた品質をクリアしていることが求められる。設計時には、製品の性能のシミュレーションや、それをもとに設定した特性仕様を満たす部品の選定などが行われている。しかしながら、複数の部品での特性ばらつきの組合せや、製造プロセス(例えば部品実装など)でのばらつきなどが、各製品の性能に影響することがある。
そこで、製造済みであって出荷前の製品に性能試験を実施して、仕様の範囲内（ＯＫ）か否か（ＮＧ）のＯＫ／ＮＧ判定を行うことで、製品の品質を管理することが考えられる。しかしながら、性能試験は、試験工数や試験設備費などのコストを要する。したがって、試験の効率化が求められている。そこで、製造途中の仕掛品や半製品からＯＫ／ＮＧ判定を高精度に予測できれば、予測の段階でＮＧと判定された個体について製造後に性能試験を実施すればよく、試験の効率化を実現することができる。
第１の予測手法では、製造済み製品のデータ（製造データと性能試験データ)を用いて性能の予測モデルを構築し、予測対象品のＯＫ／ＮＧを予測する。製造データには、複数の説明変数ａ１〜ａｉが含まれている。例えば、説明変数として、製品に含まれる部品の試験データ（出力電流、出力電圧、耐電圧、抵抗値など）、仕掛品や半製品の試験データ（出力電流、出力電圧、耐電圧、抵抗値など）、製造途中の環境（温度、湿度など）などが含まれる。
例えば、図１（ａ）および下記式（１）で例示するように、製造データａ１〜ａｉを説明変数として性能試験データＦの線形回帰モデルを構築する。次に、下記式（２）のように、予測対象品の製造データａ１´〜ａｉ´を線形回帰モデルに入力して性能試験データの予測値Ｆ´を得る。次に、図１（ｂ）で例示するように、予測値Ｆ´が仕様の範囲内であればＯＫと判定（予測）し、予測値Ｆ´が仕様の範囲外であればＮＧと判定（予測）する。
Ｆ＝ｋ０＋ｋ１・ａ１＋ｋ２・ａ２＋・・・＋ｋｉ・ａｉ （１）
Ｆ´＝ｋ０＋ｋ１・ａ１´＋ｋ２・ａ２´＋・・・＋ｋｉ・ａｉ´ （２）
第２の予測手法では、製造済み製品のデータ（製造データと性能試験データ）を用いてＯＫ品の製造データがばらつく範囲を学習し、予測対象品のＯＫ／ＮＧを予測することが考えられる。具体的には、ＯＫ品の製造データの各説明変数に対して、平均値と標準偏差とを用いて規格化を行う。次に、図２（ａ）で例示するように、規格化した説明変数空間におけるＯＫ品およびＮＧ品の分布からＯＫ範囲を学習する。例えば、原点からの距離に設ける判定閾値を学習する。この場合の距離は、単純な幾何学的距離としてもよいが、マハラノビス距離等としてもよい。次に、予測対象品の製造データを入力し、図２（ｂ）で例示するように、規格化した説明変数空間での位置がＯＫ範囲内か否かでＯＫ／ＮＧを判定(予測)する。
しかしながら、第１の予測手法および第２の予測手法では、製造データの中に性能試験データとの相関が高い項目がない場合には、ＯＫ／ＮＧ予測精度が低くなる。上記第１の予測手法では、予測精度の高い線形回帰モデルを構築できなくなる。上記第２の予測手法では、説明変数空間でＯＫとＮＧとの分離が困難となる。製造データ項目数が非常に多い場合、判定に使用する説明変数の選択が困難となる。また、説明変数の組合せ数が膨大になると、総当たりが困難となる。例えば、一般的な変数選択手法としてステップワイズ法を用いることが考えられるが、ステップワイズ法は説明変数(製造データ項目)が非常に多い場合には局所的な探索になるため適していない。
そこで、以下の実施形態では、製造データからＯＫ／ＮＧ判定を高精度に予測することができる判定ルールを取得可能な判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラムについて説明する。一例として、製造データに非常に多くの項目があり、かつ、製造データとＯＫ／ＮＧ判定結果との間、もしくは、製造データと性能試験データとの間に相関がない場合でも、製造データからＯＫ／ＮＧ判定を高精度に予測することができる判定ルールを取得可能な判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラムについて説明する。
（実施形態）
図３は、実施形態に係る判定ルール取得装置１００の全体構成を例示するブロック図である。図３で例示するように、判定ルール取得装置１００は、判定ルール学習部１０、予測部２０などを備える。判定ルール学習部１０は、分類部１１、主成分分析部１２、指定部１３、算出部１４、評価部１５および格納部１６を備える。予測部２０は、主成分分析部２１、判定部２２および出力部２３を備える。
図４は、判定ルール取得装置１００のハードウェア構成を説明するためのブロック図である。図４で例示するように、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４等が備わっている。ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。記憶装置１０３は、判定ルール取得プログラムを記憶している。表示装置１０４は、処理結果を表示する装置であり、液晶ディスプレイなどである。ＣＰＵ１０１が記憶装置１０３に記憶されている判定ルール取得プログラムを実行することで、判定ルール取得装置１００の各部が実現される。なお、判定ルール取得装置１００の各部は、専用の回路などのハードウェアであってもよい。
図５は、判定ルール取得装置１００による品質管理の全体処理を表すフローチャートを例示する図である。図５で例示するように、判定ルール学習部１０は、製造済み製品の製造データを用いてＯＫ／ＮＧ判定ルールを学習する（ステップＳ１）。次に、予測部２０は、予測対象品の製造データにＯＫ／ＮＧ判定ルールを適用することで、予測対象品のＯＫ／ＮＧを予測する（ステップＳ２）。次に、予測部２０は、判定結果がＯＫであるか否かを判定する（ステップＳ３）。ステップＳ３で「Ｎｏ」と判定された場合、予測部２０は、予測対象品の性能試験実施に係る情報を出力する（ステップＳ４）。それにより、ユーザは、性能試験が必要な製品を把握することができ、当該予測対象品の性能試験が実施されることになる。ステップＳ３で「Ｙｅｓ」と判定された場合、予測対象品の性能試験実施に係る情報が出力されない。それにより、当該予測対象品の性能試験は実施されない。以上の処理により、ＮＧと予測された予測対象品の性能試験だけが実施されることになる。
図６は、図５のステップＳ１の詳細を表すフローチャートを例示する図である。図６で例示するように、分類部１１は、製造済み製品の製造データを、製品ごとに学習用データと検証用データとに分類する（ステップＳ１１）。例えば、分類部１１は、ユーザによって入力される指定情報に従って、各製品の製造データを学習用データと検証用データとに分類する。また、分類部１１は、ユーザによって入力される指定情報に従って、学習用データおよび検証用データに、ＯＫまたはＮＧを指定するラベルを付す。
次に、主成分分析部１２は、学習用データの各説明変数に対して主成分分析を行うことで、固有ベクトルを算出する（ステップＳ１２）。固有ベクトルは、格納部１６に格納される。次に、指定部１３は、判定に使用する次元数ｍを指定する（ステップＳ１３）。次元数ｍとは、主成分分析の結果である目的変数（主成分得点）から選択される主成分の数のことである。次に、指定部１３は、全主成分の中から、ステップＳ１３で指定された次元数分の主成分の組み合わせを指定する（ステップＳ１４）。次に、指定部１３は、指定された組み合わせの主成分得点空間での距離についての判定閾値を指定する（ステップＳ１５）。ここでの距離とは、学習データにおいてＯＫを指定するラベルを付された製品群の主成分得点空間での重心からの距離のことである。次に、主成分分析部１２は、検証用データごとに、ステップＳ１２で算出した固有ベクトルを用いて主成分得点（ｃ１〜ｃｉ）を算出する（ステップＳ１６）。
次に、算出部１４は、ステップＳ１６で算出した主成分得点について、ステップＳ１３〜ステップＳ１５で指定した次元数ｍ、次元数分の主成分の組み合わせ、および判定閾値を用いてＯＫ／ＮＧ判定を行う。算出部１４は、当該ＯＫ／ＮＧ判定の判定精度を算出する（ステップＳ１７）。判定精度として、一例として、正解率を用いることができる。正解率とは、ＯＫのラベルが付された検証用データがＯＫと判定され、ＮＧのラベルが付された検証用データがＮＧと判定される率のことである。次に、評価部１５は、ステップＳ１７で算出された判定精度に対して、ペナルティを掛け合わせることで、評価指標を算出する（ステップＳ１８）。ペナルティは、次元数ｍの増大に応じて単調減少する係数のことであり、一例として、１／ｍである。
次に、評価部１５は、ステップＳ１８で算出された評価指標が最良であるか否かを判定する（ステップＳ１９）。例えば、最適化手法として、遺伝的アルゴリズム、焼きなまし法などの最適なアルゴリズムを用いることができる。または、ステップＳ１８で算出された評価指標が閾値を超えるか否か、などの他の所定条件を用いてもよい。ステップＳ１９で「Ｎｏ」と判定された場合、評価部１５は、指定部１３に、次元数ｍ、主成分の組み合わせ、および判定閾値の変更を指示する（ステップＳ２０）。その後、ステップＳ１３から再度実行される。この場合、ステップＳ１３〜ステップＳ１５では、次元数ｍ、主成分の組み合わせ、および判定閾値が変更されて指定される。ステップＳ１３〜ステップＳ２０が繰り返されることで最適なＯＫ／ＮＧ判定ルールが探索される。ステップＳ１９で「Ｙｅｓ」と判定された場合、評価部１５は、ステップＳ１３〜ステップＳ１５で指定された次元数ｍ、主成分の組み合わせ、および判定閾値を、ＯＫ／ＮＧ判定ルールとして出力する（ステップＳ２１）。出力されたＯＫ／ＮＧ判定ルールは、格納部１６に格納される。
図７（ａ）は、ＯＫ／ＮＧ判定ルールの学習について例示する図である。図７（ａ）で例示するように、例えば、製造済みの製品１〜製品ｎについての製造データが検証用データとして得られているものとする。製造データには、説明変数ａ１〜ａｉが含まれている。これらの検証用データに対して、学習データに対して主成分分析を行うことで得られた固有ベクトルを用いて主成分分析が行われる。それにより、各主成分（ｃ１〜ｃｉ）についての主成分得点が算出される。この結果から、所定条件を満たすＯＫ／ＮＧ判定ルールが探索される。例えば、図７（ａ）の例では、「次元数ｍが３」、「主成分の組み合わせがｃ２、ｃ３およびｃｋの３個」、ならびに「判定閾値が円の半径」、がＯＫ／ＮＧ判定ルールとして探索される。
図８は、図５のステップＳ２の詳細を表すフローチャートを例示する図である。図８で例示するように、主成分分析部２１は、予測対象品の製造データに対して、格納部１６に格納されている固有ベクトルを用いて主成分得点を算出する（ステップＳ３１）。次に、判定部２２は、ステップＳ３１で算出した主成分得点について、格納部１６に格納されているＯＫ／ＮＧ判定ルールを用いてＯＫ／ＮＧ判定を行う（ステップＳ３２）。出力部２３は、ステップＳ３２の判定結果（予測結果）を出力する（ステップＳ３３）。
図７（ｂ）は、ＯＫ／ＮＧ判定ルールを用いた予測について例示する図である。例えば、図７（ｂ）で例示するように、予測対象品の製造データ（説明変数ａ１〜ａｉ）が得られているものとする。この予測対象品の製造データに対して、学習データに対して主成分分析を行うことで得られた固有ベクトルを用いて主成分分析が行われる。それにより、各主成分（ｃ１〜ｃｉ）についての主成分得点が算出される。この結果に対して、ＯＫ／ＮＧ判定ルールを適用する。具体的には、次元数ｍの主成分の組み合わせから得られる距離が判定閾値未満であればＯＫと判定され、判定閾値以上であればＮＧと判定される。
本実施形態によれば、学習用データの各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点が算出される。算出された主成分得点の次元数ｍ、次元数分の主成分得点の組み合わせ、および当該組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧが判定され、判定精度が算出される。この判定精度が所定条件を満たすための次元数ｍ、次元数分の主成分の組み合わせ、および距離の判定閾値が判定ルールとして探索される。この構成によれば、判定精度と相関の高い製造データが選択されることになる。それにより、ＯＫ／ＮＧ判定を高精度に予測することができる判定ルールを取得することができる。また、取得された判定ルールを用いることで、高精度にＯＫ／ＮＧ判定を予測することができる。
上記判定精度に対して、次元数ｍが増加すると単調減少するペナルティを乗じることで得られる評価指標を算出し、当該評価指標が所定条件を満たすための判定ルールを探索することが好ましい。この場合、次元数ｍが少なくなるように判定ルールが探索され、大きい次元数が淘汰されていく。それにより、ＯＫ／ＮＧ予測を短時間で実施できるようになる。
上記評価指標が最大となる次元数ｍ、次元数分の主成分得点の組み合わせ、および距離の判定閾値を判定ルールとして探索することが好ましい。この場合、最適な判定ルールを探索することができるようになる。
なお、判定精度の一例として正解率を用いる場合、ＮＧのラベルが付された製品の正解率と、ＯＫのラベルが付された製品およびＮＧのラベルが付された製品の全体の正解率とを算出し、ＮＧのラベルが付された製品の正解率が１００％という拘束条件のもとで評価指標が所定条件を満たすＯＫ／ＮＧ判定ルールを探索してもよいい。この場合、ＮＧ品の見逃し判定を抑制することができる。したがって、ＮＧ品が市場に流出することを抑制しつつ、試験を効率化することができる。
次に、上記実施形態に従って、実データを基に最適なＯＫ／ＮＧ判定ルールを決定した。図９（ａ）は、規格化した製造データを例示する図である。図９（ａ）の例では、５００個のサンプル（製造済み製品）の製造データが例示されている。また、製造データの説明変数は、３００個である。製品となった後の性能試験の判定結果がＮＧとなったＮＧ品は、１０個である。図９（ａ）の例では、製品となった後の性能試験データと製造データとの間の相関係数は、−０．２〜０．２であって小さい値となっている。
図９（ａ）の製造データに対して、上記実施形態に従ってＯＫ／ＮＧ判定ルールを決定した。５００個のサンプルを、２５０個の学習用データと、２５０個の検証用データとに分類した。なお、ＮＧのラベルは、学習用データおよび検証用データのそれぞれ５個のサンプルに付した。残りのサンプルにはＯＫのラベルを付した。なお、分類はランダムとし、ランダムシートを変えた１０セットの学習用データ／検証用データを作成し、１０回の予測精度（正解率）の平均を算出した。なお、比較例として、上記第１の予測手法および上記第２の予測手法でも予測精度を算出した。上述した第１の予測手法では、変数選択としてステップワイズ法を用いた。上述した第２の予測手法では、マハラノビス距離を使用し、変数選択にステップワイズ法を用いた。
図９（ｂ）は、予測精度を示す図である。図９（ｂ）に示すように、第１の予測手法および第２の予測手法では、予測精度が低かったのに対して、上記実施形態に従ってＯＫ／ＮＧ判定ルールを決定することによって、高い予測精度が得られた。このように、上記実施形態に従ってＯＫ／ＮＧ判定ルールを決定することによって、高い予測精度を実現する結果が得られた。
上記例において、主成分分析部１２が、製造済み製品の各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点を算出する主成分分析部の一例として機能する。算出部１４が、前記主成分分析部によって算出された前記主成分得点の次元数、前記次元数分の前記主成分得点の組み合わせ、および前記組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧを判定する場合の判定精度を算出する算出部の一例として機能する。指定部１３および評価部１５が、前記判定精度が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を判定ルールとして探索する探索部の一例として機能する。予測部２０が、前記固有ベクトルを用いて予測対象品の製造データに対して主成分分析を行うことで主成分得点を算出し、算出された前記主成分得点に前記格納部が格納した前記判定ルールを適用することで、前記予測対象品のＯＫ／ＮＧを予測する予測部の一例として機能する。
以上、本発明の実施形態および実施例について詳述したが、本発明は係る特定の実施形態および実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
１０ 判定ルール学習部
１１ 分類部
１２ 主成分分析部
１３ 指定部
１４ 算出部
１５ 評価部
１６ 格納部
２０ 予測部
２１ 主成分分析部
２２ 判定部
２３ 出力部
１００ 判定ルール取得装置

Claims (9)

  1. 製造済み製品の各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点を算出する主成分分析部と、
    前記主成分分析部によって算出された前記主成分得点の次元数、前記次元数分の前記主成分得点の組み合わせ、および前記組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧを判定する場合の判定精度を算出する算出部と、
    前記判定精度が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を判定ルールとして探索する探索部と、を備えることを特徴とする判定ルール取得装置。
  2. 前記探索部は、前記判定精度に対して、前記次元数が増加すると単調減少するペナルティを乗じることで得られる評価指標を算出し、前記評価指標が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を探索することを特徴とする請求項１記載の判定ルール取得装置。
  3. 前記探索部は、前記評価指標が最大となる前記次元数、前記組み合わせ、および前記判定閾値を前記判定ルールとして探索することを特徴とする請求項２記載の判定ルール取得装置。
  4. 前記探索部は、前記ＮＧのラベルが付された前記検証用データに対するＯＫ／ＮＧの判定の正解率が１００％という条件を拘束条件として、前記次元数、前記組み合わせ、および前記判定閾値を探索することを特徴とする請求項１〜３のいずれか一項に記載の判定ルール取得装置。
  5. 前記固有ベクトルを用いて予測対象品の製造データに対して主成分分析を行うことで主成分得点を算出し、算出された前記主成分得点に前記判定ルールを適用することで、前記予測対象品のＯＫ／ＮＧを予測する予測部を備えることを特徴とする請求項１〜４のいずれか一項に記載の判定ルール取得装置。
  6. 主成分分析部が、製造済み製品の各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点を算出し、
    算出部が、前記主成分分析部によって算出された前記主成分得点の次元数、前記次元数分の前記主成分得点の組み合わせ、および前記組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧを判定する場合の判定精度を算出し、
    探索部が、前記判定精度が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を判定ルールとして探索する、ことを特徴とする判定ルール取得方法。
  7. 予測部が、前記固有ベクトルを用いて予測対象品の製造データに対して主成分分析を行うことで主成分得点を算出し、算出された前記主成分得点に前記判定ルールを適用することで、前記予測対象品のＯＫ／ＮＧを予測する、ことを特徴とする請求項６記載の判定ルール取得方法。
  8. 前記予測部によってＮＧと予測された予測対象品に対して、製造が完了した後に性能試験を行うことを特徴とする請求項７記載の判定ルール取得方法。
  9. コンピュータに、
    製造済み製品の各製造データに対して主成分分析を行うことで得られた固有ベクトルを用い、ＯＫまたはＮＧのラベルが付された検証用データの各製造データに対して主成分分析を行うことで検証用データごとに各製造データの主成分得点を算出する処理と、
    算出された前記主成分得点の次元数、前記次元数分の前記主成分得点の組み合わせ、および前記組み合わせの主成分空間での距離の判定閾値を用いて、各検証用データのＯＫ／ＮＧを判定する場合の判定精度を算出する処理と、
    前記判定精度が所定条件を満たすための前記次元数、前記組み合わせ、および前記判定閾値を判定ルールとして探索する処理と、を実行させることを特徴とする判定ルール取得プログラム。
JP2020519213A 2018-05-14 2018-05-14 判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム Active JP6992889B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/018482 WO2019220481A1 (ja) 2018-05-14 2018-05-14 判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム

Publications (2)

Publication Number Publication Date
JPWO2019220481A1 true JPWO2019220481A1 (ja) 2021-02-25
JP6992889B2 JP6992889B2 (ja) 2022-01-13

Family

ID=68540090

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020519213A Active JP6992889B2 (ja) 2018-05-14 2018-05-14 判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム

Country Status (3)

Country Link
US (1) US20210026339A1 (ja)
JP (1) JP6992889B2 (ja)
WO (1) WO2019220481A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7419955B2 (ja) * 2020-04-27 2024-01-23 横河電機株式会社 データ解析システム、データ解析方法、およびプログラム
KR102310589B1 (ko) * 2021-03-19 2021-10-13 주식회사 인피닉 스크립트를 이용한 어노테이션 결과물의 검증 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004165216A (ja) * 2002-11-08 2004-06-10 Matsushita Electric Ind Co Ltd 生産管理方法および生産管理装置
JP2011054804A (ja) * 2009-09-02 2011-03-17 Toshiba Corp 半導体製造装置の管理方法およびシステム
JP2016167205A (ja) * 2015-03-10 2016-09-15 三菱化学エンジニアリング株式会社 製造プロセスのモニタリング方法
JP2020003939A (ja) * 2018-06-26 2020-01-09 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、及び制御装置
JP2020003940A (ja) * 2018-06-26 2020-01-09 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7587296B2 (en) * 2006-05-07 2009-09-08 Applied Materials, Inc. Adaptive multivariate fault detection
FR2941802B1 (fr) * 2009-02-02 2016-09-16 Ippon Procede de detection de composants electroniques atypiques
TWI543102B (zh) * 2014-10-22 2016-07-21 財團法人工業技術研究院 異因分析與校正方法與系統
CN108303264B (zh) * 2017-01-13 2020-03-20 华为技术有限公司 一种基于云的车辆故障诊断方法、装置及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004165216A (ja) * 2002-11-08 2004-06-10 Matsushita Electric Ind Co Ltd 生産管理方法および生産管理装置
JP2011054804A (ja) * 2009-09-02 2011-03-17 Toshiba Corp 半導体製造装置の管理方法およびシステム
JP2016167205A (ja) * 2015-03-10 2016-09-15 三菱化学エンジニアリング株式会社 製造プロセスのモニタリング方法
JP2020003939A (ja) * 2018-06-26 2020-01-09 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、及び制御装置
JP2020003940A (ja) * 2018-06-26 2020-01-09 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置

Also Published As

Publication number Publication date
JP6992889B2 (ja) 2022-01-13
US20210026339A1 (en) 2021-01-28
WO2019220481A1 (ja) 2019-11-21

Similar Documents

Publication Publication Date Title
CN108805185B (zh) 人脸识别方法、装置、存储介质及计算机设备
WO2013125482A1 (ja) 文書評価装置、文書評価方法、及びコンピュータ読み取り可能な記録媒体
CA3155102A1 (en) Systems and methods for machine learning interpretability
US20200151610A1 (en) Ensemble learning predicting method and system
CN110472802B (zh) 一种数据特征评估方法、装置及设备
US20200334557A1 (en) Chained influence scores for improving synthetic data generation
JP6992889B2 (ja) 判定ルール取得装置、判定ルール取得方法および判定ルール取得プログラム
JPWO2016151620A1 (ja) シミュレートシステム、シミュレート方法およびシミュレート用プログラム
Brezocnik et al. Comparison between genetic algorithm and genetic programming approach for modeling the stress distribution
JP2019020779A (ja) 運用ルール抽出装置、運用ルール抽出システムおよび運用ルール抽出方法
US10853538B2 (en) Model generation system and model generation method
JP6617605B2 (ja) 需要量予測プログラム、需要量予測方法、及び情報処理装置
CN111026661B (zh) 一种软件易用性全面测试方法及系统
WO2017183066A1 (ja) ウインドウ評価方法および分析装置
CN115769194A (zh) 跨数据集的自动数据链接
CN108762959B (zh) 一种选取系统参数的方法、装置及设备
US20200134480A1 (en) Apparatus and method for detecting impact factor for an operating environment
CN113407680B (zh) 异质集成模型筛选方法和电子设备
US20230289657A1 (en) Computer-readable recording medium storing determination program, determination method, and information processing device
WO2022176293A1 (ja) 物性予測装置及びプログラム
WO2024091227A1 (en) A method to provide model explanations for ordinal multi-class problems
US20240045923A1 (en) Information processing device, information processing method, and computer program product
US20230288915A1 (en) Information processing device, information processing method, and computer program product
KR20240025746A (ko) 제품 수명 위치 예측 시스템 및 방법
US11710053B2 (en) Providing a recommendation to change an outcome predicted by a regression model

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200904

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: 20211109

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211122

R150 Certificate of patent or registration of utility model

Ref document number: 6992889

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150