WO2019220481A1 - 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
WO2019220481A1
WO2019220481A1 PCT/JP2018/018482 JP2018018482W WO2019220481A1 WO 2019220481 A1 WO2019220481 A1 WO 2019220481A1 JP 2018018482 W JP2018018482 W JP 2018018482W WO 2019220481 A1 WO2019220481 A1 WO 2019220481A1
Authority
WO
WIPO (PCT)
Prior art keywords
principal component
determination
combination
dimensions
data
Prior art date
Application number
PCT/JP2018/018482
Other languages
English (en)
French (fr)
Inventor
丸山和範
山▲崎▼貴司
添田武志
Original Assignee
富士通株式会社
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 富士通株式会社 filed Critical 富士通株式会社
Priority to PCT/JP2018/018482 priority Critical patent/WO2019220481A1/ja
Priority to JP2020519213A priority patent/JP6992889B2/ja
Publication of WO2019220481A1 publication Critical patent/WO2019220481A1/ja
Priority to US17/065,551 priority patent/US20210026339A1/en

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]

Definitions

  • This case relates to a determination rule acquisition device, a determination rule acquisition method, and a determination rule acquisition program.
  • the quality of the product is managed by conducting a performance test on the product before shipment and determining whether the product is OK or NG.
  • the performance test requires costs such as test man-hours and test equipment costs. Therefore, a technique for determining an abnormality from manufacturing data during manufacturing is disclosed (for example, see Patent Document 1).
  • the manufacturing data includes data that has no correlation with the performance test data of the finished product. Therefore, the accuracy of OK / NG determination may be reduced.
  • the number of items of manufacturing data is large, there is a possibility that local search may be performed depending on selection of items. Therefore, highly accurate prediction becomes difficult.
  • the present object is to provide a determination rule acquisition device, a determination rule acquisition method, and a determination rule acquisition program that can acquire a determination rule that can predict OK / NG determination with high accuracy from manufacturing data.
  • the determination rule acquisition device uses each eigenvector obtained by performing principal component analysis on each manufacturing data of a manufactured product, and manufactures each verification data labeled OK or NG.
  • a principal component analysis unit that calculates a principal component score of each manufacturing data for each verification data by performing principal component analysis on the data, and the number of dimensions of the principal component score calculated by the principal component analysis unit,
  • a calculation unit that calculates a determination accuracy when determining OK / NG of each verification data using a combination of the principal component scores for the number of dimensions and a determination threshold of a distance in the principal component space of the combination;
  • a search unit that searches the number of dimensions for satisfying a predetermined condition, the combination, and the determination threshold as a determination rule.
  • (A) And (b) is a figure which illustrates the 1st prediction method.
  • (A) And (b) is a figure which illustrates the 2nd prediction method.
  • It is a block diagram which illustrates the whole structure of the quality control apparatus which concerns on embodiment. It is a block diagram for demonstrating the hardware constitutions of a quality control apparatus.
  • It is a figure which illustrates the flowchart showing the whole process of the quality control by a quality control apparatus.
  • It is a figure which illustrates the flowchart showing the detail of step S1 of FIG. (A) is a figure which illustrates about learning of an OK / NG determination rule
  • (b) is a figure which illustrates about the prediction using an OK / NG determination rule.
  • (b) is a figure which shows prediction accuracy.
  • Advanced electronic devices and other products are required to meet the quality defined by the specifications.
  • simulation of product performance and selection of parts that satisfy the characteristic specifications set based on the simulation are performed.
  • a combination of characteristic variations among a plurality of components and variations in a manufacturing process may affect the performance of each product.
  • a performance prediction model is constructed using data of manufactured products (manufacturing data and performance test data), and OK / NG of a prediction target product is predicted.
  • the manufacturing data includes a plurality of explanatory variables a 1 to a i .
  • explanatory variables test data for parts included in the product (output current, output voltage, withstand voltage, resistance value, etc.), test data for work in process and semi-finished products (output current, output voltage, withstand voltage, resistance value, etc.) ), Manufacturing environment (temperature, humidity, etc.).
  • a linear regression model of the performance test data F is constructed with manufacturing data a 1 to a i as explanatory variables.
  • the production data a 1 ′ to a i ′ of the prediction target product are input to the linear regression model to obtain the predicted value F ′ of the performance test data.
  • F ′ k 0 + k 1 ⁇ a 1 ′ + k 2 ⁇ a 2 ′ +... + K i ⁇ a i ′ (2)
  • the second prediction method it is conceivable to learn the range in which the manufacturing data of OK products varies using the data of manufactured products (manufacturing data and performance test data) and predict OK / NG of the prediction target product. Specifically, normalization is performed for each explanatory variable of manufacturing data of OK products using an average value and a standard deviation.
  • an OK range is learned from the distribution of OK products and NG products in a standardized explanatory variable space. For example, a determination threshold provided at a distance from the origin is learned. The distance in this case may be a simple geometric distance or may be a Mahalanobis distance or the like.
  • manufacturing data of the prediction target product is input, and OK / NG is determined (predicted) depending on whether or not the position in the standardized explanatory variable space is within the OK range, as illustrated in FIG. .
  • the OK / NG prediction accuracy is low.
  • a linear regression model with high prediction accuracy cannot be constructed.
  • the number of manufacturing data items is very large, it is difficult to select an explanatory variable used for determination.
  • brute force becomes difficult.
  • a determination rule acquisition device a determination rule acquisition method, and a determination rule acquisition program that can acquire a determination rule that can predict OK / NG determination with high accuracy from manufacturing data
  • the manufacturing data is OK.
  • a determination rule acquisition device, a determination rule acquisition method, and a determination rule acquisition program that can acquire a determination rule that can predict / NG determination with high accuracy will be described.
  • FIG. 3 is a block diagram illustrating the overall configuration of the determination rule acquisition apparatus 100 according to the embodiment.
  • the determination rule acquisition device 100 includes a determination rule learning unit 10, a prediction unit 20, and the like.
  • the determination rule learning unit 10 includes a classification unit 11, a principal component analysis unit 12, a designation unit 13, a calculation unit 14, an evaluation unit 15, and a storage unit 16.
  • the prediction unit 20 includes a principal component analysis unit 21, a determination unit 22, and an output unit 23.
  • FIG. 4 is a block diagram for explaining a hardware configuration of the determination rule acquisition apparatus 100.
  • a CPU 101 Central Processing Unit
  • RAM 102 Random Access Memory
  • storage device 103 is a nonvolatile storage device.
  • ROM Read Only Memory
  • SSD solid state drive
  • the storage device 103 stores a determination rule acquisition program.
  • the display device 104 is a device that displays a processing result, and is a liquid crystal display or the like.
  • each unit of the determination rule acquisition device 100 is realized.
  • each unit of the determination rule acquisition apparatus 100 may be hardware such as a dedicated circuit.
  • FIG. 5 is a diagram illustrating a flowchart representing the overall processing of quality management by the determination rule acquisition apparatus 100.
  • the determination rule learning unit 10 learns an OK / NG determination rule using manufacturing data of manufactured products (step S ⁇ b> 1).
  • the prediction unit 20 predicts OK / NG of the prediction target product by applying the OK / NG determination rule to the manufacturing data of the prediction target product (step S2).
  • the prediction unit 20 determines whether or not the determination result is OK (step S3).
  • the prediction part 20 outputs the information which concerns on performance test implementation of a prediction object product (step S4). Thereby, the user can grasp the product that needs the performance test, and the performance test of the prediction target product is performed.
  • step S3 When it determines with "Yes” at step S3, the information which concerns on performance test implementation of a prediction object product is not output. As a result, the performance test of the prediction target product is not performed. Through the above processing, only the performance test of the prediction target product predicted as NG is performed.
  • FIG. 6 is a diagram illustrating a flowchart representing details of step S1 in FIG.
  • the classification unit 11 classifies the manufacturing data of manufactured products into learning data and verification data for each product (step S11). For example, the classification unit 11 classifies the manufacturing data of each product into learning data and verification data according to the designation information input by the user. Further, the classification unit 11 attaches a label for specifying OK or NG to the learning data and the verification data according to the specification information input by the user.
  • the principal component analysis unit 12 calculates an eigenvector by performing principal component analysis on each explanatory variable of the learning data (step S12).
  • the eigenvector is stored in the storage unit 16.
  • the designating unit 13 designates the number of dimensions m to be used for determination (step S13).
  • the dimension number m is the number of principal components selected from objective variables (principal component scores) that are the results of principal component analysis.
  • the designation unit 13 designates combinations of principal components for the number of dimensions designated in step S13 from all the principal components (step S14).
  • the designation unit 13 designates a determination threshold value for the distance in the principal component score space of the designated combination (step S15).
  • the distance here is the distance from the center of gravity in the principal component score space of the product group labeled with OK in the learning data.
  • the principal component analysis unit 12 calculates principal component scores (c 1 to c i ) using the eigenvector calculated in step S12 for each verification data (step S16).
  • the calculation unit 14 performs OK / NG determination on the principal component score calculated in step S16, using the number of dimensions m specified in steps S13 to S15, the combination of principal components for the number of dimensions, and a determination threshold. Do.
  • the calculation unit 14 calculates the determination accuracy of the OK / NG determination (step S17).
  • the accuracy rate can be used as the determination accuracy.
  • the correct answer rate is a rate at which verification data labeled OK is determined to be OK, and verification data labeled NG is determined to be NG.
  • the evaluation unit 15 calculates an evaluation index by multiplying the determination accuracy calculated in step S17 by a penalty (step S18).
  • the penalty is a coefficient that monotonously decreases as the number of dimensions m increases. As an example, the penalty is 1 / m.
  • the evaluation unit 15 determines whether or not the evaluation index calculated in step S18 is the best (step S19). For example, as an optimization method, an optimal algorithm such as a genetic algorithm or an annealing method can be used. Alternatively, other predetermined conditions such as whether or not the evaluation index calculated in step S18 exceeds a threshold value may be used.
  • the evaluation unit 15 instructs the designation unit 13 to change the number of dimensions m, the combination of principal components, and the determination threshold (step S20). Thereafter, the process is executed again from step S13. In this case, in steps S13 to S15, the dimension number m, the combination of principal components, and the determination threshold are changed and specified.
  • the evaluation unit 15 outputs the number of dimensions m, the combination of principal components, and the determination threshold value specified in steps S13 to S15 as an OK / NG determination rule (step S13). S21).
  • the output OK / NG determination rule is stored in the storage unit 16.
  • FIG. 7A is a diagram illustrating learning of an OK / NG determination rule.
  • manufacturing data for manufactured products 1 to n is obtained as verification data.
  • the manufacturing data includes explanatory variables a 1 to a i .
  • principal component analysis is performed using eigenvectors obtained by performing principal component analysis on learning data.
  • a principal component score for each principal component (c 1 to c i ) is calculated.
  • an OK / NG determination rule that satisfies a predetermined condition is searched. For example, in the example of FIG. 7A, “the number of dimensions m is 3,” “the combination of the principal components is c 2 , c 3 and kk ”, and “the determination threshold is the radius of the circle” are OK. Searched as / NG determination rule.
  • FIG. 8 is a diagram illustrating a flowchart showing details of step S2 in FIG.
  • the principal component analysis unit 21 calculates a principal component score using the eigenvector stored in the storage unit 16 for the manufacturing data of the prediction target product (step S ⁇ b> 31).
  • the determination unit 22 performs OK / NG determination on the principal component score calculated in step S31 using the OK / NG determination rule stored in the storage unit 16 (step S32).
  • the output unit 23 outputs the determination result (prediction result) in step S32 (step S33).
  • FIG. 7B is a diagram illustrating an example of prediction using an OK / NG determination rule.
  • manufacturing data explanatory variables a 1 to a i
  • Principal component analysis is performed on the manufacturing data of the prediction target product using eigenvectors obtained by performing principal component analysis on the learning data.
  • a principal component score for each principal component is calculated.
  • An OK / NG determination rule is applied to this result. Specifically, if the distance obtained from the combination of the principal components having the dimension number m is less than the determination threshold, it is determined to be OK, and if the distance is not less than the determination threshold, it is determined to be NG.
  • the eigenvector obtained by performing the principal component analysis on each manufacturing data of the learning data is used, and each manufacturing data of the verification data labeled OK or NG is used.
  • the principal component score of each manufacturing data is calculated for each verification data by performing the principal component analysis.
  • the OK / NG of each verification data is determined using the calculated dimension number m of the principal component score, the combination of the principal component scores for the number of dimensions, and the determination threshold value of the distance in the principal component space of the combination, Determination accuracy is calculated.
  • the number m of dimensions for which the determination accuracy satisfies a predetermined condition, a combination of principal components corresponding to the number of dimensions, and a distance determination threshold are searched as determination rules.
  • manufacturing data having a high correlation with the determination accuracy is selected.
  • the determination rule which can predict OK / NG determination with high precision is acquirable.
  • the acquired determination rule it is possible to predict the OK / NG determination with high accuracy.
  • the determination rule is searched so that the dimension number m decreases, and the larger dimension number is deceived.
  • OK / NG prediction can be performed in a short time.
  • the optimum determination rule can be searched.
  • the accuracy rate of the product with the NG label and the overall accuracy rate of the product with the OK label and the product with the NG label are expressed as follows. It is also possible to search for an OK / NG determination rule where the evaluation index satisfies a predetermined condition under the constraint that the accuracy rate of the product with the NG label is 100%. In this case, it is possible to suppress an NG product overlook determination. Therefore, it is possible to improve the efficiency of the test while suppressing the outflow of NG products to the market.
  • FIG. 9A is a diagram illustrating standardized manufacturing data.
  • manufacturing data of 500 samples manufactured products
  • 300 explanatory variables for manufacturing data there are 10 NG products for which the judgment result of the performance test after becoming a product is NG.
  • the correlation coefficient between the performance test data and the manufacturing data after becoming a product is ⁇ 0.2 to 0.2, which is a small value.
  • an OK / NG determination rule was determined according to the above embodiment. 500 samples were classified into 250 learning data and 250 verification data. The NG label was attached to each of five samples of learning data and verification data. The remaining samples were labeled OK. The classification was random, 10 sets of learning data / validation data with different random sheets were created, and the average of 10 prediction accuracy (correct answer rate) was calculated. As a comparative example, the prediction accuracy was also calculated using the first prediction method and the second prediction method. In the first prediction method described above, the stepwise method is used for variable selection. In the second prediction method described above, the Mahalanobis distance is used, and the stepwise method is used for variable selection.
  • FIG. 9B is a diagram showing the prediction accuracy. As shown in FIG. 9 (b), the first prediction method and the second prediction method have a low prediction accuracy, but a high prediction is obtained by determining an OK / NG determination rule according to the above embodiment. Accuracy was obtained. Thus, the result which implement
  • the principal component analysis unit 12 uses the eigenvectors obtained by performing the principal component analysis on each manufacturing data of the manufactured product, and manufactures each verification data labeled OK or NG. It functions as an example of a principal component analysis unit that calculates a principal component score of each manufacturing data for each verification data by performing principal component analysis on the data.
  • the calculation unit 14 uses the number of dimensions of the principal component score calculated by the principal component analysis unit, the combination of the principal component scores for the number of dimensions, and the determination threshold of the distance in the principal component space of the combination. It functions as an example of a calculation unit that calculates the determination accuracy when determining OK / NG of each verification data.
  • the designation unit 13 and the evaluation unit 15 function as an example of a search unit that searches for the number of dimensions, the combination, and the determination threshold for determining accuracy as a determination rule.
  • the prediction unit 20 calculates a principal component score by performing principal component analysis on manufacturing data of a prediction target product using the eigenvector, and the determination rule stored in the storage unit in the calculated principal component score Is applied to function as an example of a prediction unit that predicts OK / NG of the prediction target product.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • 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)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (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

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
　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。
PCT/JP2018/018482 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 WO2019220481A1 (ja)

Priority Applications (3)

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
JP2020519213A 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
US17/065,551 US20210026339A1 (en) 2018-05-14 2020-10-08 Information processing device, determination rule acquisition method, and computer-readable recording medium recording determination rule acquisition program

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

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/065,551 Continuation US20210026339A1 (en) 2018-05-14 2020-10-08 Information processing device, determination rule acquisition method, and computer-readable recording medium recording determination rule acquisition program

Publications (1)

Publication Number Publication Date
WO2019220481A1 true WO2019220481A1 (ja) 2019-11-21

Family

ID=68540090

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (3)

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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021174319A (ja) * 2020-04-27 2021-11-01 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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102310589B1 (ko) * 2021-03-19 2021-10-13 주식회사 인피닉 스크립트를 이용한 어노테이션 결과물의 검증 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Family Cites Families (9)

* 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
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
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
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
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
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
JP6549760B1 (ja) * 2018-06-26 2019-07-24 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
JP6481916B1 (ja) * 2018-06-26 2019-03-13 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHAJI KRISHNAN: "A Robust Metric for Screening Outliers from Analogue Product Manufacturing Tests Responses", 2012 17TH IEEE EUROPEAN TEST SYMPOSIUM (ETS, 28 May 2012 (2012-05-28) - 9 July 2012 (2012-07-09), pages 1 - 6, XP032454567 *
YURUKI DAICHI ET AL.: "An approach to performance improvement of machine learning based fail chip discrimination", IEICE TECHNICAL REPORT, vol. 116, no. 466, 14 February 2017 (2017-02-14), pages 17 - 22 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021174319A (ja) * 2020-04-27 2021-11-01 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
CN113642823A (zh) * 2020-04-27 2021-11-12 横河电机株式会社 数据分析系统、数据分析方法和非暂时性计算机可读介质
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
CN113642823B (zh) * 2020-04-27 2024-04-30 横河电机株式会社 数据分析系统、数据分析方法和非暂时性计算机可读介质
US11978194B2 (en) 2020-04-27 2024-05-07 Yokogawa Electric Corporation Data analysis system, data analysis method, and non-transitory computer-readable medium

Also Published As

Publication number Publication date
US20210026339A1 (en) 2021-01-28
JPWO2019220481A1 (ja) 2021-02-25
JP6992889B2 (ja) 2022-01-13

Similar Documents

Publication Publication Date Title
US11216741B2 (en) Analysis apparatus, analysis method, and non-transitory computer readable medium
US9727035B2 (en) Computer apparatus and method using model structure information of model predictive control
US9249287B2 (en) Document evaluation apparatus, document evaluation method, and computer-readable recording medium using missing patterns
US11210555B2 (en) High-dimensional image feature matching method and device
US20130179129A1 (en) Diagnostic algorithm parameter optimization
CN104952753A (zh) 测量抽样方法
CA3155102A1 (en) Systems and methods for machine learning interpretability
US20190377027A1 (en) Tester and method for testing a device under test and tester and method for determining a single decision function
WO2019220481A1 (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
Stoyanov et al. Predictive analytics methodology for smart qualification testing of electronic components
WO2016151620A1 (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
CN111178537A (zh) 一种特征提取模型训练方法及设备
Dewancker et al. Interactive preference learning of utility functions for multi-objective optimization
CA3196321A1 (en) A computer-implemented method for deriving a data processing and inference pipeline
CN112241832B (zh) 一种产品质量分级评价标准设计方法及系统
CN113010687B (zh) 一种习题标签预测方法、装置、存储介质以及计算机设备
JP7272582B2 (ja) 類似材料検索システム、試験装置およびコンピュータプログラム
CN111026661B (zh) 一种软件易用性全面测试方法及系统
US20200134480A1 (en) Apparatus and method for detecting impact factor for an operating environment
Viharos et al. Support Vector Machine (SVM) based general model building algorithm for production control
US20240320554A1 (en) Model setting support device, model setting support method, and storage medium
CN113407680B (zh) 异质集成模型筛选方法和电子设备
US20230288915A1 (en) Information processing device, information processing method, and computer program product
Kafabihi Predicting Laptop Prices Based on Specifications Using Machine Learning Techniques: An Empirical Study
Adesiyan Performance prediction of production lines using machine learning algorithm

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18919094

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2020519213

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18919094

Country of ref document: EP

Kind code of ref document: A1