JP7502345B2 - 製品不良要因を分析するシステム及び方法、コンピュータ可読媒体 - Google Patents

製品不良要因を分析するシステム及び方法、コンピュータ可読媒体 Download PDF

Info

Publication number
JP7502345B2
JP7502345B2 JP2021572044A JP2021572044A JP7502345B2 JP 7502345 B2 JP7502345 B2 JP 7502345B2 JP 2021572044 A JP2021572044 A JP 2021572044A JP 2021572044 A JP2021572044 A JP 2021572044A JP 7502345 B2 JP7502345 B2 JP 7502345B2
Authority
JP
Japan
Prior art keywords
analyzed
relevance
defect
determining
group
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021572044A
Other languages
English (en)
Other versions
JP2023511464A (ja
Inventor
天 ▲蘭▼
洪 王
▲棟▼ 柴
昊▲ハン▼ ▲呉▼
国梁 沈
▲偉▼赫 ▲劉▼
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Publication of JP2023511464A publication Critical patent/JP2023511464A/ja
Application granted granted Critical
Publication of JP7502345B2 publication Critical patent/JP7502345B2/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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G06F3/147—Digital output to display device ; Cooperation and interconnection of the display device with other functional units using display panels
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31314—Store in workpiece detected defects
    • 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
    • G05B2219/32221—Correlation between defect and measured parameters to find origin of defect
    • 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
    • G05B2219/32222—Fault, defect detection of origin of fault, defect of product

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明の実施例は、表示パネルの製造分野に関し、特に製品不良要因を分析するシステム及び方法、コンピュータ可読媒体に関する。
言うまでもないが、表示パネルはその製造工程において複数のプロセス装置によって順に処理される。また、表示パネルの最終製品に一定の確率で様々な不良が存在することは避けられず、不良は本質的にプロセス装置に起因する。
したがって、プロセス装置と不良との関連性を決定することには、不良を特定し、生産フローを調整する等にあたって重要な意義がある。
本発明の実施例は、製品不良要因を分析するシステム及び方法、コンピュータ可読媒体を提供する。
第１の態様において、本発明の実施例は、分散型メモリ装置、分析装置及び表示装置を含む製品不良要因を分析するシステムであって、
前記分散型メモリ装置は、プラント装置が生成する生産データを記憶するように構成され、
前記分析装置は、
前記分散型メモリ装置に記憶された前記生産データの中から生産記録を取得し、前記生産記録には、複数の製品が製造工程において通過するプロセス装置の情報及び不良発生情報が含まれ、各前記製品は、製造工程において複数の前記プロセス装置を通過し、各前記プロセス装置は前記複数の製品のうちの一部製品の製造工程のみに関わり、
前記生産記録に基づき、複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定する動作を実行するように構成された１つ又は複数のプロセッサを備え、
前記表示装置は、前記分析装置の分析結果を表示するように構成された、製品不良要因を分析するシステムを提供する。
いくつかの実施例において、複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定することは、
前記分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとし、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定する。
いくつかの実施例において、第ｉグループのサブ関連性重みＱｉは次式によって計算され、
Figure 0007502345000001
ここで、ｉは、１又は２であり、Ｇｉは、第ｉグループにおいて前記分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、前記分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて前記分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、前記分析対象となる不良が発生していない全製品の数である。
いくつかの実施例において、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みの和に基づき、当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含む。
いくつかの実施例において、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みに基づきその価値パラメータを決定し、前記価値パラメータに基づき当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含む。
いくつかの実施例において、前記価値パラメータＪは、次式により計算され、
Figure 0007502345000002
ここで、Ｑｉは、第ｉグループのサブ関連性重みであり、ｉは１又は２であり、ＤＧｉは、前記分析対象となる不良が発生した全製品に占める前記分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、前記分析対象となる不良が発生していない全製品に占める前記分析対象となる不良が発生していない第ｉグループの製品の割合を示す。
いくつかの実施例において、複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定することは、
予め設定された対応関係に基づき、少なくとも一部の前記プロセス装置が前記分析対象となる不良に対応する分析対象となるプロセス装置であると決定することを含む。
いくつかの実施例において、前記生産記録は、製品が製造工程において通過する少なくとも一部の前記プロセス装置が当該製品を処理するときに用いられる少なくとも一部の工程パラメータのパラメータ値をさらに含み、
前記分散型メモリ装置に記憶された生産データの中から生産記録を取得した後、さらに、前記生産記録に基づき、予め設定された機械学習モデルによって、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することを含む。
いくつかの実施例において、前記機械学習モデルは、ランダムフォレストモデル、勾配ブースティング木モデル、及びＸＧＢｏｏｓｔモデルのいずれか１つを含む。
いくつかの実施例において、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することは、前記関連性重みに基づき前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定する際に行われ、
少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することは、前記分析対象となる不良との関連性が第１の所定値より大きいか、又は前記分析対象となる不良との関連性が第１の所定位置より前に順位付けされた前記分析対象となるプロセス装置を重点的な分析対象となるプロセス装置であると決定し、前記重点的な分析対象となるプロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性のみを決定することを含む。
いくつかの実施例において、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定した後、
前記工程パラメータと前記分析対象となる不良との関連性に基づき、少なくとも一部の前記工程パラメータの推奨パラメータ値の範囲を決定することをさらに含む。
いくつかの実施例において、少なくとも一部の前記工程パラメータの推奨パラメータ値の範囲を決定することは、
前記分析対象となる不良との関連性が第２の所定値より大きいか、又は前記分析対象となる不良との関連性が第２の所定位置より前に順位付けされた工程パラメータを重点工程パラメータであると決定し、前記重点工程パラメータの推奨パラメータ値の範囲のみを決定することを含む。
いくつかの実施例において、前記製品は表示パネルである。
第２の態様において、本発明の実施例は、
生産記録に基づき、複数のプロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含み、前記生産記録には、複数の製品が製造工程において通過するプロセス装置の情報及び不良発生情報が含まれ、各前記製品は、製造工程において複数の前記プロセス装置を通過し、各前記プロセス装置は前記複数の製品のうちの一部製品の製造工程のみに関わる、製品不良要因を分析する方法を提供する。
いくつかの実施例において、複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
前記分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとすることと、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定することと、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みの和に基づき、当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することとを含む。
いくつかの実施例において、第ｉグループのサブ関連性重みＱｉは次式によって計算され、
Figure 0007502345000003
ここで、ｉは、１又は２であり、Ｇｉは、第ｉグループにおいて前記分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、前記分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて前記分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、前記分析対象となる不良が発生していない全製品の数である。
いくつかの実施例において、複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
前記分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとすることと、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定することと、
前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みに基づきその価値パラメータを決定し、前記価値パラメータに基づき当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することとを含み、
前記価値パラメータＪは、次式により計算され、
Figure 0007502345000004
ここで、Ｑｉは、第ｉグループのサブ関連性重みであり、ｉは１又は２であり、ＤＧｉは、前記分析対象となる不良が発生した全製品に占める前記分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、前記分析対象となる不良が発生していない全製品に占める前記分析対象となる不良が発生していない第ｉグループの製品の割合を示す。
いくつかの実施例において、前記生産記録は、製品が製造工程において通過する少なくとも一部の前記プロセス装置が当該製品を処理するときに用いられる少なくとも一部の工程パラメータのパラメータ値をさらに含み、
前記生産記録に基づき、予め設定された機械学習モデルによって、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することをさらに含む。
いくつかの実施例において、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定した後、
前記工程パラメータと前記分析対象となる不良との関連性に基づき、少なくとも一部の前記工程パラメータの推奨パラメータ値の範囲を決定することをさらに含む。
第３の態様において、本発明の実施例は、プロセッサにより実行されると上述の製品不良要因を分析する方法を実行するコンピュータプログラムが記憶されたコンピュータ可読媒体を提供する。
図面は、本発明の実施例をさらに理解するために提供され、明細書の一部を構成し、本発明の実施例とともに本発明を説明するために用いられるものであって、本発明を制限するものではない。以上の特徴及び利点並びにその他の特徴及び利点は、図面を参照しつつ詳しい実施例を説明することにより、当業者にさらに自明となろう。
本発明の実施例に係る製品不良要因を分析するシステムの構成ブロック図である。 本発明の実施例に係る製品不良要因を分析するシステムの分析装置の構成ブロック図である。 本発明の実施例に係る製品不良要因を分析するシステムにおけるデータの流れの模式図である。 本発明の実施例に係る製品不良要因を分析するシステムにおいて分析装置が行う動作のフローチャートである。 本発明の実施例に係る別の製品不良要因を分析するシステムにおいて分析装置が行う動作のフローチャートである。 本発明の実施例に係る別の製品不良要因を分析するシステムにおいて分析装置が行う動作のフローチャートである。 本発明の実施例に係る一部プロセス装置の価値パラメータの模式図である。 本発明の実施例に係る一部工程パラメータと分析対象となる不良との関連性を示した模式図である。 本発明の実施例に係るある工程パラメータが異なる所定範囲を用いるときの統計的確率の模式図である。 本発明の実施例に係る製品不良要因を分析する方法のフローチャートである。 本発明の実施例に係る別の製品不良要因を分析する方法のフローチャートである。 本発明の実施例に係る別の製品不良要因を分析する方法のフローチャートである。 本発明の実施例に係るコンピュータ記憶媒体の構成ブロック図である。
本発明の実施例の技術案を当業者がよりよく理解できるように、以下では図面を参照しながら本発明の実施例に係る製品不良要因を分析するシステム及び方法、コンピュータ可読媒体について詳しく説明する。
以下、図面を参照して本発明の実施例についてより十分に説明するが、本明細書に示す実施例は異なる態様により体現することができ、本発明で述べる実施例を限定するものと理解すべきではない。むしろ、これらの実施例を提供する目的は、本発明を完全なものとするとともに、本発明の範囲を当業者が十分理解できるようにすることにある。
本発明の望ましい模式図を用いて、平面図及び／又は断面図を参照しながら本発明の実施例を説明する場合もある。したがって、製造技術及び／又は許容範囲に基づき例示的な図示を変更することができる。
本発明の各実施例及び実施例における各特徴は、矛盾しない限り、互いに組み合わせることができる。
本発明で用いる用語は、特定の実施例を説明するためのものにすぎず、本発明を制限することを意図するものではない。本発明において「及び／又は」という用語は、関連して列挙された１つ又は複数の項目の任意の又はすべての組み合わせを含む。文脈上他の意味であることが明らかでない限り、本発明において「１つ」又は「当該」という単数形には複数形も含むことが意図される。本発明において「含む」、「……からなる」という用語は、前出の特徴、全体、ステップ、動作、要素及び／又は構成要素が存在することを示すが、１つ又は複数のその他の特徴、全体、ステップ、動作、要素、構成要素及び／又はそのグループが存在するか又は追加されることを排除するものではない。
別に限定しない限り、本発明で用いる用語（技術及び科学用語）はすべて、当業者によって通常理解されるものと同じ意味を持つ。本発明で特に限定されない限り、常用される辞典で限定されるような用語は、関連技術及び本発明の背景下で用いられる場合と同じ意味を有すると解釈すべきであって、理想化されたか又は過度に形式的な意味を有すると解釈してはならないことがさらに理解される。
本発明の実施例は図面に示す実施例に限定されず、製造工程に基づき形成される配置の変更を含む。したがって、図面に例示した領域は概略的な属性を有し、図に示した領域の形状は要素の領域の具体的な形状を例示したものであるが、本発明を制限することを意図するものではない。
表示パネル等の多くの製品は生産ラインによって生産され、各生産ラインは複数の工程ステーションを含み、各工程ステーションでは半製品を含む製品に対し一定の処理（洗浄、堆積、露光、エッチング、液晶セルの配向、検査等）を行う。また、各工程ステーションには、同様の処理を行うためのプロセス装置が複数あることが一般的である。もちろん、行われる処理は理論上同じではあるが、プロセス装置が異なれば、機種、状態等も異なるため、実際の処理効果は全く同じではない。
各製品の製造工程は、複数の工程ステーションを通過する必要がある上、製造工程において通過する工程ステーションは製品によって異なる場合がある。また、同一の工程ステーションで処理された製品であってもそのうちの異なるプロセス装置によって処理される場合がある。したがって、１本の生産ラインにおいて、各プロセス装置とも、一部製品の製造工程に関わるが、全製品の製造工程には関わらず、即ち、各プロセス装置のいずれも一部製品の製造工程にのみ関わる。
第１の態様において、本発明の実施例は、製品不良要因を分析するシステムを提供する。
本発明の実施例のシステムは、不良を特定し、生産フロー等を調整できるように、生産ラインにおける各プロセス装置と製品の様々な不良との関連性、即ち製品不良の要因を決定することができる。
「不良」とは、製品の品質低下やひいては廃棄につながったり、製品の手戻りや修理が必要となったりするような製品の品質欠陥をいう。
不良は、必要に応じて異なる種類に分類される。例えば、製品性能に対する不良の直接的影響（輝線不良、暗線不良、ホットスポット（ｈｏｔ ｓｐｏｔ）等）によって分類してもよいし、不良の具体的要因（ゲート線とデータ線の短絡不良、位置合わせ不良等）によって分類してもよいし、不良の一般的要因（アレイ工程の不良、カラーフィルタ工程の不良等）によって分類してもよいし、不良の度合い（廃棄につながる不良、品質低下につながる不良等）によって分類してもよいし、不良の種類を分けずに、製品に何らかの不良があれば不良あり、不良が何もなければ不良なしとしてもよい。
もちろん、以上の関連性は「１種類」の不良に関するものであり、即ち、同一のプロセス装置であっても、不良の種類が異なれば関連性も異なるものとなる。
「プロセス装置とある種の不良との関連性」とは、当該プロセス装置が関わることが、製品にそのような不良が発生する確率に及ぼす影響度をいう。
図１を参照すると、本発明の実施例に係る製品不良要因を分析するシステムは、分散型メモリ装置、分析装置及び表示装置を含む。
分散型メモリ装置は、プラント装置が生成する生産データを記憶するように構成されている。
分析装置は、関連性を決定する動作を実行するように構成された１つ又は複数のプロセッサを含む。
表示装置は、分析装置の分析結果を表示するように構成されている。
分散型メモリ装置には、プラント装置からの生産データが記憶されている。プラント装置とは、各工場におけるあらゆる装置を指し、各工程ステーションにおけるプロセス装置を含んでもよいし、工場で生産ラインの管理に用いる管理装置等を含んでもよい。また、生産データとは生産に関連するあらゆる情報を指し、各生産ラインにおける各プロセス装置がどの製品の製造工程に関わったか、各製品に最終的に不良があったか、どのような不良があったか等を含む。
図２を参照すると、分析装置は、データ処理能力を有するプロセッサ（例えば、ＣＰＵ）を含み、必要なプログラムが記憶されたメモリ（例えば、ハードディスク）をさらに有してもよく、プロセッサとメモリは、Ｉ／Ｏを介して接続されて情報のやり取りを実現し、これによってプロセッサはメモリに記憶されたプログラムに従って必要な演算を行って関連性を決定する動作を実現することができる。
表示装置は表示機能を有し、分析装置が算出した分析結果（例えば、関連性）を表示するのに用いられる。
分散型メモリ装置には、相対的に完全なデータ（例えば１つのデータベース）が記憶されており、加えて、分散型メモリ装置は、複数のハードウェアのメモリを含み、異なるハードウェアメモリは、異なる物理的位置（例えば、異なる工場又は異なる生産ライン）に分布するとともに、ネットワークを介して情報の相互伝達を実現し、これによって、そのデータは分散関係にありながら、論理上は１つのビッグデータ技術に基づくデータベースを構成する。
図３を参照すると、大量の異なるプラント装置の生データは、ＹＭＳ（Ｙｉｅｌｄ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ，歩留まり管理システム）、ＦＤＣ（Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ ＆ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ、不良検知分類）、ＭＥＳ（Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｅｘｅｃｕｔｉｏｎ Ｓｙｓｔｅｍ，製造実行システム）等のシステムのリレーショナルデータベース（例えば、Ｏｒａｃｌｅ、Ｍｙｓｑｌ等）等の対応する生産製造システムに記憶され、これら生データについて、データ抽出ツール（例えば、Ｓｑｏｏｐ、ｋｅｔｔｌｅ等）により生テーブルを抽出して分散型メモリ装置（例えば、Ｈａｄｏｏｐ Ｄｉｓｔｒｉｂｕｔｅｄ Ｆｉｌｅ Ｓｙｓｔｅｍ，ＨＤＦＳＨａｄｏｏｐ Ｄｉｓｔｒｉｂｕｔｅｄ Ｆｉｌｅ Ｓｙｓｔｅｍ，ＨＤＦＳ）に伝送して、プラント装置及び生産製造システムに対する負荷を低減し、後に分析装置によるデータの読み取りをしやすくしてもよい。
分散型メモリ装置内のデータは、Ｈｉｖｅツール又はＨｂａｓｅデータベースの形式で記憶してもよい。例えば、Ｈｉｖｅツールによれば、以上の生データをまずデータレイクに記憶した後、続いてＨｉｖｅツールでデータの適用テーマ、シーン等に応じてデータクレンジング、データ変換等の前処理を行って、異なるテーマ（例えば、生産履歴のテーマ、検査データのテーマ、装置データのテーマ）のデータリポジトリ、及び異なるシーン（例えば、装置分析のシーン、パラメータ分析のシーン）のデータマートを取得してもよい。以上のデータマートは、これらの装置とのデータのやり取りを実現できるように、異なるＡＰＩインターフェースを介して、表示装置、分析装置等に接続されてもよい。
複数の工場の複数のプラント装置に関わるため、以上の生データのデータ量は大きい。例えば、すべてのプラント装置が毎日生成する生データは数百Ｇの可能性があり、１時間あたりのデータ生成量も数十Ｇである可能性がある。
大容量の構造化データの記憶及び計算を実現する方式には、グリッドコンピューティング方式であるリレーショナルデータベース管理システム（Ｒｅｌａｔｉｏｎａｌ Ｄａｔａｂａｓｅ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ，ＲＤＢＭＳ）及びビッグデータ方式である分散ファイル管理システム（Ｄｉｓｔｒｉｂｕｔｅｄ Ｆｉｌｅ Ｓｙｓｔｅｍ，ＤＦＳ）の２つがある。
ＲＤＢＭＳのグリッドコンピューティングは、膨大な計算能力を要する問題を多くの小さな部分に分割してから、これらの部分を多くのコンピュータに割り当ててそれぞれ処理し、最終的にそれらの計算結果を総合する。例えば、具体例として、Ｏｒａｃｌｅ ＲＡＣ（リアルアプリケーションクラスタ）は、Ｏｒａｃｌｅデータベースがサポートするグリッドコンピューティングの核心技術であり、そのうちの全サーバがデータベース内の全データに直接アクセス可能である。しかし、ＲＤＢＭＳのグリッドコンピューティングのアプリケーションシステムは、データ量が大きいとユーザの要求を満たすことができない。例えば、ハードウェアの拡張空間は限られているため、データが大変大きいオーダーまで増えると、ハードディスクの入出力のボトルネックのために処理データの効率が非常に低くなる。
分散ファイル管理に基づくビッグデータ技術は、大容量データを処理するために、複数の安価なハードウェア装置を用いて大型クラスタを構築することを可能にする。例えば、Ｈｉｖｅツールは、Ｈａｄｏｏｐに基づくデータリポジトリツールであって、データの抽出、変換、ロード（ＥＴＬ）に用いることができ、簡単なＳＱＬ様問い合わせ言語を定義するとともに、デフォルトツールでは完成できない複雑な分析作業をカスタマイズされたＭａｐＲｅｄｕｃｅのｍａｐｐｅｒ及びｒｅｄｕｃｅｒによって可能にする。Ｈｉｖｅツールには、専用のデータ記憶形式がなく、データ用のインデックスも構築されておらず、ユーザは、その中のテーブルを自由に組んでデータベース内のデータを処理することができる。このように、分散ファイル管理の並行処理によって大容量データの記憶及び処理要求を満たすことができ、ユーザは、ＳＱＬクエリによって簡単なデータを処理することができ、複雑な処理を行う場合には、カスタマイズ関数を用いて実現できる。したがって、工場の大容量データを分析する際には、工場のデータベースのデータを分散ファイルシステムに抽出する必要があるが、こうすることで生データが損なわれず、その一方でデータの分析効率が向上する。
表示装置は、表示機能を有する１つ又は複数の端末等の１つ又は複数のディスプレイを含んでもよく、これによって、分析装置は、それが分析して得た関連性を表示装置に送信してから、表示装置でそれを表示できる。
いくつかの実施例において、「対話型インターフェース」を表示するのにも表示装置を用いてもよく、当該対話型インターフェースは、分析結果（例えば、関連性）を表示するサブインターフェース、当該製品不良要因を分析するシステムを制御して必要な作業（例えば、タスク設定）を行うサブインターフェース、及び各プロセス装置に対する制御（例えば、その工程パラメータの設定）を行うサブインターフェース等を含んでもよい。
つまり、当該表示装置の「対話型インターフェース」によって、ユーザと製品不良要因を分析するシステムとの完全な対話（結果の制御及び受信）を実現することができる。
本発明の実施例において、分散型メモリ装置は、複数のプラント装置の生データの收集及び前処理をビッグデータ方式で効率よく実現することができ、分析装置は、分散型メモリ装置から必要なデータを簡便に取得して、プロセス装置と不良との関連性を算出するとともに、表示装置に提供して表示することができる。これによって、本発明の実施例は、製品不良要因を自動的に分析して、不良を特定し、生産フロー等を調整することができる。
いくつかの実施例において、製品は表示パネルである。
本発明の実施例は、表示パネル（例えば、液晶表示パネル、有機発光ダイオード表示パネル等）の製造工程において表示パネルの生産ラインの各プロセス装置と不良との関連性を決定するのに用いることができる。
もちろん、本発明の実施例をその他の製品にも用いてもよい。
図４を参照すると、いくつかの実施例において、以上の分析装置の１つ又は複数のプロセッサが実行する関連性を決定する動作は、以下のステップを含んでもよい。
Ｓ１０１において、分散型メモリ装置に記憶された生産データの中から生産記録を取得する。
生産記録には、複数の製品が製造工程において通過するプロセス装置の情報及び不良の発生に関する情報が含まれ、各製品は、製造工程において複数のプロセス装置を通過し、各プロセス装置は複数の製品のうちの一部製品の製造工程のみに関わる。
分散型メモリ装置に記憶された生産データの中から一部分を取得して生産記録とする。当該生産記録には、複数の製品（例えば、同一の生産ラインで生産された製品）が製造工程においてどのプロセス装置を通過し（製造工程において製品が通過したプロセス装置の情報）、これらの製品に不良があるか否か及びどのような不良があるか（製品不良発生情報）が含まれる。
前述のとおり、生産ラインの特徴に基づき、以上の生産記録における各プロセス装置はいずれもそのうちの一部の製品の製造工程に関わるはずであるが、そのうちの全製品の製造工程には関わらない。
一例として、生産記録の一部情報は以下のように示してもよい。
Figure 0007502345000005
各製品に対応するあるプロセス装置のテーブルエントリが１であることは、当該製品が製造工程において当該プロセス装置を通過したことを意味し、０であることは、当該製品が製造工程において当該プロセス装置を通過しなかったことを意味する。各製品に対応するある不良のテーブルエントリが１であることは、当該製品にこのような不良があることを意味し、０であることは、当該製品にこのような不良がないことを意味する。
いくつかの実施例において、上述の生産記録を予めデータクレンジングしてもよい。
データクレンジングを行うことで、関連アルゴリズムの入力データの完全性及び正確性が保証され、後の計算プロセスに有利である。一例として、データクレンジングには、欠落値処理、無効列の削除等が含まれるがこれらに限定されず、データ中に存在する欠落、冗長等の問題を解決するのに用いてもよい。
具体的には、以上のデータクレンジングは、分析装置でデータを抽出してから行ってもよいし、分散型メモリ装置によってそのデータマート中のデータに対して行ってもよい。
いくつかの実施例において、生産記録には、製品が製造工程において通過する少なくとも一部のプロセス装置が当該製品を処理するときに用いられる少なくとも一部の工程パラメータのパラメータ値がさらに含まれる。
つまり、温度パラメータの温度値、気圧パラメータの圧力値、電力パラメータの電力値等の各プロセス装置が各製品を処理するときに用いられる工程パラメータのパラメータ値を記録してもよい。
一例として、生産記録の一部情報は以下のように示してもよい。
Figure 0007502345000006
Ｓ１０２において、生産記録に基づき、複数のプロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、関連性重みに基づき、分析対象となるプロセス装置と分析対象となる不良との関連性を決定する。
生産記録を得た後、そのうちの少なくとも一部のプロセス装置を関連性の決定を必要とする分析対象となるプロセス装置として選択し、これらの分析対象となるプロセス装置に対応する特定の種類の分析対象となる不良の関連性重みを計算して、最終的に、分析対象となるプロセス装置と分析対象となる不良との関連性を得る。
このステップにおいて、ある特定の分析対象となる不良に対するプロセス装置の関連性を毎回計算し、ある分析対象となる不良の関連性を計算する際、用いるデータ中の「不良」はいずれもこのような分析対象となる不良を指す（即ち、他の種類の不良は不良とみなさない）。よって、様々な不良に対するプロセス装置の関連性を計算しようとする場合には、様々な不良のデータをそれぞれ使用し、このステップを何度も実行する必要がある。
「分析対象となるプロセス装置に対応する分析対象となる不良の関連性重み」とは、当該分析対象となるプロセス装置が処理に関わる製品及び関わらない製品のうち、このような分析対象となる不良がある製品及びこのような不良がない製品の数に基づき算出され、当該分析対象となるプロセス装置がこのような分析対象となる不良の発生確率に及ぼす影響の重み属性を指すことができ、分析対象となるプロセス装置と分析対象となる不良との関連性に関連する。
また、「分析対象となるプロセス装置と分析対象となる不良との関連性」とは、当該分析対象となるプロセス装置が関わることが、このような分析対象となる不良が製品に発生するか否かの確率への影響度を指す。
いくつかの実施例において、図５、図６を参照すると、このステップ（Ｓ１０２）は、次のステップを含んでもよい。
Ｓ１０２１において、分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとする。
各分析対象となるプロセス装置に対し、それが製造工程に関わったか否かに基づきすべての製品を２つのグループに分け、第１グループの製品はいずれも当該分析対象となるプロセス装置により処理されているが、第２グループの製品はいずれも当該分析対象となるプロセス装置により処理されていない。
Ｓ１０２２において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定する。
以上の両グループのデータに基づき、両グループのサブ関連性重みをそれぞれ算出する。
いくつかの実施例において、以上の第ｉグループのサブ関連性重みＱｉは次式によって計算される。
Figure 0007502345000007
ここで、ｉは、グループ番号が１又は２であること、即ち、第１グループ又は第２グループに対応することを示し、ＤＧｉは、分析対象となる不良が発生した全製品に占める分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、分析対象となる不良が発生していない全製品に占める分析対象となる不良が発生していない第ｉグループの製品の割合を示し、Ｇｉは、第ｉグループにおいて分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、分析対象となる不良が発生していない全製品の数である。
以上のサブ関連性重みＱｉによって関連性重みを算出することができ、関連性重みは、変数（例えば、プロセス装置が製品の製造工程に関わるか否か）の結果（例えば、製品に不良があるか否か）に与える影響力を表すことができ、具体的には、その絶対値（関連性重み自体は正又は負であってよい）が大きいほど影響力が大きいことを示す。
具体的には、本発明の実施例における関連性重みは、分析対象となるプロセス装置の分析対象となる不良に与える影響力を表すことができる。これによって、各分析対象となるプロセス装置の関連性重みの絶対値を順序付けすることによって、そのうちのどの分析対象となるプロセス装置が以上の分析対象となる不良をより引き起こしやすいかを決定することができ、不良を特定し、生産フロー等を調整することが容易となる。
サブ関連性重みを計算する際、まず状況に応じて生データをグループ分けしてから、各グループのサブ関連性重みを計算する必要がある。
いくつかの実施例において、図５を参照すると、Ｓ１０２２ステップの後に、さらに次のステップを含む。
Ｓ１０２３において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みの和に基づき、当該分析対象となるプロセス装置と分析対象となる不良との関連性を決定する。
つまり、続いて以上の両グループのサブ関連性重みの和
Figure 0007502345000008
 を計算し、当該関連性重みの合計を、分析対象となるプロセス装置と分析対象となる不良との関連性を表わすパラメータとするとともに、表示装置に出力してもよい。
いくつかの実施例において、別の可能な形態として、図６を参照すると、Ｓ１０２２ステップの後に、次のステップをさらに含む。
Ｓ１０２４において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みに基づきその価値パラメータを決定し、価値パラメータに基づき当該分析対象となるプロセス装置と分析対象となる不良との関連性を決定する。
つまり、以上のサブ関連性重みに基づき、分析対象となるプロセス装置の分析対象となる不良に対する影響を特徴づける価値パラメータをさらに計算し、当該価値パラメータを分析対象となるプロセス装置と分析対象となる不良との関連性を表すパラメータとするとともに、表示装置に出力してもよい。
いくつかの実施例において、価値パラメータＪは、次式により計算される。
Figure 0007502345000009
ここで、Ｑｉは、第ｉグループのサブ関連性重みであり、ｉは１又は２であり、ＤＧｉは、分析対象となる不良が発生した全製品に占める分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、分析対象となる不良が発生していない全製品に占める分析対象となる不良が発生していない第ｉグループの製品の割合を示し、Ｇｉは、第ｉグループにおいて分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、分析対象となる不良が発生していない全製品の数である。
以上の価値パラメータは、各グループのサブ関連性重みＱｉからさらに算出することができる（もちろん、本質的にＧｉ、Ｇｔｏｔａｌ、Ｂｉ、Ｂｔｏｔａｌに基づいても得られる）。
価値パラメータも変数（例えば、プロセス装置が製品の製造工程に関わるか否か）が結果（例えば、製品に不良があるか否か）に与える影響力を表すことができ、具体的には、その値が大きいほど影響力が大きいことを示す。
工場の実際の生産環境下において、製品数は数千から数十万と異なる可能性があるが、工場のニーズから言えば、製品の実際の数がどのようなオーダーであろうとその不良要因を分析することは大変重要であるため、多くの場合、関連性重みを用いて関連性を表すことができる。
価値パラメータは、関連性重みより異なるデータ量に対応しやすいため、関連性重みの補完としてもよい。
例えば、価値パラメータは、２つの分析対象となるプロセス装置の関連性重みが同一又は近似する場合に、これら２つの分析対象となるプロセス装置のいずれの関連性が大きいかを判断するさらなる根拠とすることができる。
例示的には、一部の分析対象となるプロセス装置の価値パラメータは、図７のとおりであってもよい。
いくつかの実施例において、このステップ（Ｓ１０２）は、予め設定された対応関係に基づき、少なくとも一部のプロセス装置が分析対象となる不良に対応する分析対象となるプロセス装置であると決定することを含む。
ある種類の不良が、あるプロセス装置によってのみ引き起こされ、その他のプロセス装置とは無関係か又は関連性が低いことは明らかである。例えば、表示パネルのカラーフィルタ工程の不良が、アレイ工程用のプロセス装置（例えば、データ線のエッチングを行うプロセス装置）に起因することはない。つまり、一部のプロセス装置と一部の不良には関連性がない（関連性が０である）と考えられるため、これらのプロセス装置とこれらの不良との関連性を分析することには意味がない。
このため、対応関係を予め設定してもよく（例えば、専門家の意見に従って設定する）、当該対応関係には、様々な不良及び様々な不良に関係するプロセス装置が含まれる。これによって、ある特定の不良（分析対象となる不良）を分析しようとするときには、当該対応関係に基づき、当該分析対象となる不良に関係する可能性のあるプロセス装置を分析対象となるプロセス装置であると決定し、これらの分析対象となるプロセス装置のみを分析することで、演算量を低減することができる。
図５、図６を参照すると、いくつかの実施例において、分散型メモリ装置に記憶された生産データの中から生産記録を取得した（Ｓ１０１）後、さらに次のステップを含む。
Ｓ１０３において、生産記録に基づき、予め設定された機械学習モデルによって、少なくとも一部のプロセス装置の少なくとも一部の工程パラメータと分析対象となる不良との関連性を決定する。
生産記録が以上の工程パラメータを含む場合、さらに機械学習モデルによってプロセス装置の工程パラメータと分析対象となる不良との関連性を分析することができ、即ち、各工程パラメータを変数とし、その値（パラメータ値）が変化したときに、対象となる不良が製品に発生する確率への影響度を分析するとともに、工程パラメータと分析対象となる不良との関連性も表示装置に送信する。
一例として、一部の工程パラメータの関連性は、図８のとおりであってもよい。同図において「関連性を示す数値」とは、機械学習モデルが算出する、関連性の相対的な大きさを表す結果にすぎず、必ずしも実際の確率等ではないことが理解される。
「機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）」とは人工知能技術の１つであり、初期設定されたモデルに対し機械学習（トレーニング）を行うことにより、機械学習モデルを得るとともに、機械学習モデルを用いて特定の問題を処理する。
いくつかの実施例において、機械学習モデルを得るプロセスには、フィーチャーエンジニアリング、モデルの選択、モデルパラメータの調整、モデルの評価等を含んでもよい。
フィーチャーエンジニアリングは、モデルに対応させるために生データの前処理を行うプロセスであり、一例として、それに具体的に用いることのできるアルゴリズムには、ダミー（冗長）符号化、数値カテゴリデータ正規化、ピアソン相関分析等が含まれるがこれらに限定されない。
モデルの選択とは、適切なカテゴリのモデルを選択することを指し、いくつかの実施例において、機械学習モデルは、ランダムフォレストモデル、勾配ブースティング木（ＧＢＤＴ）モデル、ＸＧＢｏｏｓｔ（ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ、ＸＧ ブースティング）モデルのいずれか１つを含む。
モデルパラメータの調整は「トレーニング」とも呼ばれ、既存のデータをモデルに入力して処理し、処理結果に基づきモデル中のパラメータを調整するプロセスを指す。一例として、パラメータを調整するのに具体に用いることのできるアルゴリズムには、Ｇｒｉｄ Ｓｅａｒｃｈ（グリッドサーチ）、Ｒａｎｄｏｍ Ｓｅａｒｃｈ（ランダムサーチ）等の自動化されたパラメータサーチ方法が含まれるがこれらに限定されない。
モデルの評価は、トレーニングされたモデルを評価することにより、要求を満たし実際に応用できるか否かを決定するプロセスである。
このステップ（Ｓ１０３）は生産記録を取得するステップ（Ｓ１０１）の後で行えばよく、Ｓ１０２ステップとの間に必然的な順序関係はないことが理解される。
いくつかの実施例において、このステップ（Ｓ１０３）は、分析対象となる不良との関連性が第１の所定値より大きいか、又は分析対象となる不良との関連性が第１の所定位置より前に順位付けされた分析対象となるプロセス装置を重点的な分析対象となるプロセス装置であると決定し、重点的な分析対象となるプロセス装置の少なくとも一部の工程パラメータと分析対象となる不良との関連性のみを決定することを含む。
分析対象となるプロセス装置と分析対象となる不良との関連性を決定した（Ｓ１０２）後、分析対象となる不良との関連性が比較的高い一部の分析対象となるプロセス装置（例えば、価値パラメータが所定値より大きいか、又は所定位置より前に順位付けされた分析対象となるプロセス装置）を重点的な分析対象となるプロセス装置として選択してもよく、これによって、これらの重点的な分析対象となるプロセス装置と分析対象となる不良との関連性のみを分析して、演算量を低減することができる。
本発明の実施例においては、図５、図６を参照すると、Ｓ１０３ステップの後に、さらに次のステップを含む。
Ｓ１０４において、工程パラメータと分析対象となる不良との関連性に基づき、少なくとも一部の工程パラメータの推奨パラメータ値の範囲を決定する。
いくつかの実施例において、工程パラメータと分析対象となる不良との関連性を決定した後、さらに続いて工程パラメータの値がどの範囲内にあるときに分析対象となる不良を引き起こす確率が比較的低くなるかを分析して、当該範囲を推奨パラメータ値の範囲とし、ユーザが工程パラメータを最適化できるように、当該推奨パラメータ値の範囲を表示装置に提供してもよい。
いくつかの実施例において、このステップ（Ｓ１０４）は、分析対象となる不良との関連性が第２の所定値より大きいか、又は分析対象となる不良との関連性が第２の所定位置より前に順位付けされた工程パラメータを重点工程パラメータであると決定し、重点工程パラメータの推奨パラメータ値の範囲のみを決定することを含む。
つまり、工程パラメータと分析対象となる不良との関連性に基づき、分析対象となる不良との関連性が比較的高い一部の工程パラメータ（例えば、関連性が所定値より大きいか、又は所定位置より前に順位付けされた工程パラメータ）を重点工程パラメータとして選択してもよく、これによって、これらの重点工程パラメータと分析対象となる不良との関連性のみを分析して、演算量を低減することができる。
いくつかの実施例において、このステップ（Ｓ１０４）は、推奨パラメータ値の範囲を決定する必要がある工程パラメータの各々について、当該工程パラメータのパラメータ値が複数の所定範囲内にあるときに、製造工程において当該工程パラメータに対応するプロセス装置を通過する製品に分析対象となる不良が発生する統計確率をそれぞれ統計し、最小の統計確率に対応する所定範囲を当該工程パラメータの推奨パラメータ値の範囲であると決定することを含む。
推奨パラメータ値の範囲を見つけるため、各工程パラメータの可能値の範囲から複数の所定範囲を選択し、工程パラメータの値がこれらの所定範囲にあるときに、プロセス装置が処理する製品に分析対象となる不良が発生する確率（統計確率）をそれぞれ統計して、統計確率が最低である所定範囲を当該工程パラメータの推奨パラメータ値の範囲とすることができる。
いくつかの実施例において、各工程パラメータの複数の所定範囲は重複しなくてもよいが、複数の所定範囲の和集合は当該工程パラメータの可能値の範囲に等しい。例えば、ある工程パラメータの可能値の範囲が［Ａ，Ｃ］（単位は図示せず）である場合、それに対応する複数の所定範囲は［Ａ，Ｂ１）、［Ｂ１，Ｂ２）、［Ｂ２，Ｂ３）……［Ｂｎ，Ｃ］であってもよい。一例として、以上の複数の所定範囲は、工程パラメータの可能値の範囲を等分したものであっても、人為的に設定されたものであってもよい。
例えば、図９を参照すると、あるプロセス装置のある工程パラメータの値が各所定範囲内にあるとき、それが処理する製品に分析対象となる不良が発生する統計確率が示されている。このように、図９によれば、当該工程パラメータ値が［４３，４６）（単位は図示せず）であるとき、統計確率は最低であるため、［４３，４６）を推奨パラメータ値の範囲として用いることができる。
もちろん、その他の方式によって推奨パラメータ値の範囲を決定してもよい。例えば、特定の機械学習モデルを選択することによって、機械学習モデルによって推奨パラメータ値の範囲が直接与えられるようにしてもよい。
第２の態様において、図１０を参照すると、本発明の実施例は製品不良要因を分析する方法を提供し、次のステップを含む。
Ｓ２０１において、生産記録に基づき、複数のプロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、関連性重みに基づき、分析対象となるプロセス装置と分析対象となる不良との関連性を決定する。生産記録には、複数の製品が製造工程において通過するプロセス装置の情報及び不良の発生に関する情報が含まれ、各製品は、製造工程において複数のプロセス装置を通過し、各プロセス装置は複数の製品のうちの一部製品の製造工程のみに関わる。
いくつかの実施例において、図１１を参照すると、複数のプロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、関連性重みに基づき、分析対象となるプロセス装置と分析対象となる不良との関連性を決定するステップ（Ｓ２０１）は、次のステップを含む。
Ｓ２０１１において、分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとする。
Ｓ２０１２において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定する。
Ｓ２０１３において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みの和に基づき、当該分析対象となるプロセス装置と分析対象となる不良との関連性を決定する。
いくつかの実施例において、第ｉグループのサブ関連性重みＱｉは次式によって計算される。
Figure 0007502345000010
ここで、ｉは、１又は２であり、Ｇｉは、第ｉグループにおいて分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、分析対象となる不良が発生していない全製品の数である。
いくつかの実施例において、図１２を参照すると、本発明の実施例の別の形態として、複数のプロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、関連性重みに基づき、分析対象となるプロセス装置と分析対象となる不良との関連性を決定するステップ（Ｓ２０１）は、次のステップを含む。
Ｓ２０１４において、分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとする。
Ｓ２０１５において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定する。
Ｓ２０１６において、分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みに基づきその価値パラメータを決定し、価値パラメータに基づき当該分析対象となるプロセス装置と分析対象となる不良との関連性を決定する。
価値パラメータＪは、次式により計算される。
Figure 0007502345000011
ここで、Ｑｉは、第ｉグループのサブ関連性重みであり、ｉは１又は２であり、ＤＧｉは、分析対象となる不良が発生した全製品に占める分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、分析対象となる不良が発生していない全製品に占める分析対象となる不良が発生していない第ｉグループの製品の割合を示す。
いくつかの実施例において、生産記録には、製品が製造工程において通過する少なくとも一部のプロセス装置が当該製品を処理するときに用いられる少なくとも一部の工程パラメータのパラメータ値がさらに含まれる。
いくつかの実施例において、図１１及び図１２を参照すると、この方法は次のステップをさらに含む。
Ｓ２０２において、生産記録に基づき、予め設定された機械学習モデルによって、少なくとも一部のプロセス装置の少なくとも一部の工程パラメータと分析対象となる不良との関連性を決定する。
いくつかの実施例において、図１１及び図１２を参照すると、いくつかの実施例において、少なくとも一部のプロセス装置の少なくとも一部の工程パラメータと分析対象となる不良との関連性を決定した（Ｓ２０２）後、次のステップをさらに含む。
Ｓ２０３において、工程パラメータと分析対象となる不良との関連性に基づき、少なくとも一部の工程パラメータの推奨パラメータ値の範囲を決定する。
第３の態様において、図１３を参照すると、本発明の実施例は、プロセッサにより実行されると上述のいずれかの製品不良要因を分析する方法を実行するコンピュータプログラムが記憶されたコンピュータ可読媒体を提供する。
以上で公開した全部又は一部のステップ、システム、装置における機能モジュール／ユニットを、ソフトウェア、ファームウェア、ハードウェア及びそれらの適切な組み合わせとして実施してもよいことが当業者には理解される。
ハードウェアの実施形態において、以上の説明で述べた機能モジュール／ユニットの間の区分は物理的構成要素の区分に必ずしも対応しない。例えば、１つの物理的構成要素が複数の機能を有してもよいし、１つの機能若しくはステップが若干の物理的構成要素によって協働して実行されてもよい。
一部の物理的構成要素又はすべての物理的構成要素は、中央処理装置（ＣＰＵ）、デジタルシグナルプロセッサ又はマイクロプロセッサ等のプロセッサによって実行されるソフトウェアとして実施されてもよいし、ハードウェアとして実施されてもよいし、特定用途向け集積回路等の集積回路として実施されてもよい。このようなソフトウェアは、コンピュータ可読媒体に分布してもよく、コンピュータ可読媒体には、コンピュータ記憶媒体（又は一時的でない媒体）及び通信媒体（又は一時的な媒体）を含んでもよい。当業者に公知であるように、コンピュータ記憶媒体という用語は、情報（例えば、コンピュータ可読命令、データ構造、プログラムモジュール又はその他のデータ）を記憶するための任意の方法又は技術において実施される揮発性及び不揮発性、リムーバブルな及びリムーバブルでない記録媒体を含む。コンピュータ記憶媒体には、ランダムアクセスメモリ（ＲＡＭ、より具体的にはＳＤＲＡＭ、ＤＤＲ等）、リードオンリーメモリ（ＲＯＭ）、電気的消去可能プログラマブルリードオンリーメモリ（ＥＥＰＲＯＭ）、フラッシュメモリ（ＦＬＡＳＨ（登録商標））又はその他の磁気メモリ、コンパクトディスク（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）又はその他の光ディスクメモリ、磁気カセット、磁気テープ、磁気ディスクメモリ又はその他の磁気メモリ、所望の情報を記憶可能であり、コンピュータによりアクセス可能なあらゆるその他の媒体が含まれるがこれらに限定されない。また、当業者に公知であるように、通信媒体は、通常、コンピュータ可読命令、データ構造、プログラムモジュール、又は、例えば、搬送波その他の伝送機構といった変調データ信号中のその他のデータを含むとともに、任意の情報配信媒体を含むことができる。
本発明は例示的な実施例を公開しており、具体的な用語を用いたが、それらは一般的な例示的な意味にのみ用いられ、かかる意味にのみ解釈されるべきであり、限定を目的としたものではない。いくつかの実施例においては、特に明記しない限り、特定の実施例と組み合わせて説明した特徴、特性及び／又は元素を単独で用いてもよいし、その他の実施例と組み合わせて説明した特徴、特性及び／又は元素と組み合わせて用いてもよいことは当業者にとって明らかである。したがって、添付の特許請求の範囲に示す本発明の範囲を逸脱することなく、形態及び詳細を様々に変更できることが当業者には理解される。

Claims (18)

  1. 製品不良要因を分析するシステムであって、
    分散型メモリ装置、分析装置及び表示装置を含み、
    前記分散型メモリ装置は、プラント装置が生成する生産データを記憶するように構成され、
    前記分析装置は、
    前記分散型メモリ装置に記憶された前記生産データの中から生産記録を取得し、前記生産記録には、複数の製品が製造工程において通過するプロセス装置の情報及び不良発生情報が含まれ、各前記製品は、製造工程において複数の前記プロセス装置を通過し、各前記プロセス装置は前記複数の製品のうちの一部製品の製造工程のみに関わり、
    前記生産記録に基づき、複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定する動作を実行するように構成された１つ又は複数のプロセッサを含み、
    前記表示装置は、前記分析装置の分析結果を表示するように構成され、
    複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定することは、
    前記分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとし、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定する、システム。
  2. 第ｉグループのサブ関連性重みＱｉは次式によって計算され、
    ここで、ｉは、１又は２であり、Ｇｉは、第ｉグループにおいて前記分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、前記分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて前記分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、前記分析対象となる不良が発生していない全製品の数である、請求項１に記載のシステム。
  3. 前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みの和に基づき、当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含む、請求項１に記載のシステム。
  4. 前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みに基づきその価値パラメータを決定し、前記価値パラメータに基づき当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含み
    前記価値パラメータがＪであるとすると、前記Ｊは、次式により計算され、
    ここで、Ｑｉは、第ｉグループのサブ関連性重みであり、ｉは１又は２であり、ＤＧｉは、前記分析対象となる不良が発生した全製品に占める前記分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、前記分析対象となる不良が発生していない全製品に占める前記分析対象となる不良が発生していない第ｉグループの製品の割合を示す、請求項１に記載のシステム。
  5. 複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定することは、
    予め設定された対応関係に基づき、少なくとも一部の前記プロセス装置が前記分析対象となる不良に対応する分析対象となるプロセス装置であると決定することを含む、請求項１に記載のシステム。
  6. 前記生産記録は、製品が製造工程において通過する少なくとも一部の前記プロセス装置が当該製品を処理するときに用いられる少なくとも一部の工程パラメータのパラメータ値をさらに含み、
    前記分散型メモリ装置に記憶された生産データの中から生産記録を取得した後、さらに、前記生産記録に基づき、予め設定された機械学習モデルによって、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することを含む、請求項１に記載のシステム。
  7. 前記機械学習モデルは、ランダムフォレストモデル、勾配ブースティング木モデル、及びＸＧＢｏｏｓｔモデルのいずれか１つを含む、請求項６に記載のシステム。
  8. 少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することは、前記関連性重みに基づき前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定する際に行われ、
    少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することは、
    前記分析対象となる不良との関連性が第１の所定値より大きいか、又は前記分析対象となる不良との関連性が第１の所定位置より前に順位付けされた前記分析対象となるプロセス装置を重点的な分析対象となるプロセス装置であると決定し、前記重点的な分析対象となるプロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性のみを決定することを含む、請求項６に記載のシステム。
  9. 少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定した後、
    前記工程パラメータと前記分析対象となる不良との関連性に基づき、少なくとも一部の前記工程パラメータの推奨パラメータ値の範囲を決定することをさらに含む、請求項６に記載のシステム。
  10. 少なくとも一部の前記工程パラメータの推奨パラメータ値の範囲を決定することは、
    前記分析対象となる不良との関連性が第２の所定値より大きいか、又は前記分析対象となる不良との関連性が第２の所定位置より前に順位付けされた工程パラメータを重点工程パラメータであると決定し、前記重点工程パラメータの推奨パラメータ値の範囲のみを決定することを含む、請求項９に記載のシステム。
  11. 前記製品は、表示パネルである、請求項１に記載のシステム。
  12. 製品不良要因を分析する方法であって、
    生産記録に基づき、複数のプロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含み、前記生産記録には、複数の製品が製造工程において通過するプロセス装置の情報及び不良発生情報が含まれ、各前記製品は、製造工程において複数の前記プロセス装置を通過し、各前記プロセス装置は前記複数の製品のうちの一部製品の製造工程のみに関わり、
    複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定することは、
    前記分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとし、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定することを含む、方法。
  13. 前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みの和に基づき、当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することを含む、請求項１２に記載の方法。
  14. 第ｉグループのサブ関連性重みＱｉは次式によって計算され、
    ここで、ｉは、１又は２であり、Ｇｉは、第ｉグループにおいて前記分析対象となる不良が発生した製品の数であり、Ｇｔｏｔａｌは、前記分析対象となる不良が発生した全製品の数であり、Ｂｉは、第ｉグループにおいて前記分析対象となる不良が発生していない製品の数であり、Ｂｔｏｔａｌは、前記分析対象となる不良が発生していない全製品の数である、請求項１３に記載の方法。
  15. 複数の前記プロセス装置のうちの分析対象となるプロセス装置に対応する分析対象となる不良の関連性重みを決定し、前記関連性重みに基づき、前記分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することは、
    前記分析対象となるプロセス装置の各々に対し、製造工程において当該分析対象となるプロセス装置を通過した製品を第１グループとし、製造工程において当該分析対象となるプロセス装置を通過していない製品を第２グループとすることと、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みを決定することと、
    前記分析対象となるプロセス装置の各々に対し、その第１グループのサブ関連性重み及び第２グループのサブ関連性重みに基づきその価値パラメータを決定し、前記価値パラメータに基づき当該分析対象となるプロセス装置と前記分析対象となる不良との関連性を決定することとを含み、
    前記価値パラメータがＪであるとすると、前記Ｊは、次式により計算され、
    ここで、Ｑｉは、第ｉグループのサブ関連性重みであり、ｉは１又は２であり、ＤＧｉは、前記分析対象となる不良が発生した全製品に占める前記分析対象となる不良が発生した第ｉグループの製品の割合を示し、ＤＢｉは、前記分析対象となる不良が発生していない全製品に占める前記分析対象となる不良が発生していない第ｉグループの製品の割合を示す、請求項１２に記載の方法。
  16. 前記生産記録は、製品が製造工程において通過する少なくとも一部の前記プロセス装置が当該製品を処理するときに用いられる少なくとも一部の工程パラメータのパラメータ値をさらに含み、
    前記生産記録に基づき、予め設定された機械学習モデルによって、少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定することをさらに含む、請求項１２に記載の方法。
  17. 少なくとも一部の前記プロセス装置の少なくとも一部の工程パラメータと前記分析対象となる不良との関連性を決定した後、
    前記工程パラメータと前記分析対象となる不良との関連性に基づき、少なくとも一部の前記工程パラメータの推奨パラメータ値の範囲を決定することをさらに含む、請求項１６に記載の方法。
  18. プロセッサにより実行されると請求項１２から１７のいずれか一項に記載の方法を実行するコンピュータプログラムが記憶されたコンピュータ可読媒体。
JP2021572044A 2019-11-29 2019-11-29 製品不良要因を分析するシステム及び方法、コンピュータ可読媒体 Active JP7502345B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/121907 WO2021102891A1 (zh) 2019-11-29 2019-11-29 产品不良成因分析的***和方法、计算机可读介质

Publications (2)

Publication Number Publication Date
JP2023511464A JP2023511464A (ja) 2023-03-20
JP7502345B2 true JP7502345B2 (ja) 2024-06-18

Family

ID=76129770

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021572044A Active JP7502345B2 (ja) 2019-11-29 2019-11-29 製品不良要因を分析するシステム及び方法、コンピュータ可読媒体

Country Status (6)

Country Link
US (1) US20210364999A1 (ja)
EP (1) EP4068173A4 (ja)
JP (1) JP7502345B2 (ja)
KR (1) KR20220107118A (ja)
CN (1) CN113454661A (ja)
WO (1) WO2021102891A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537751B (zh) * 2021-07-09 2024-05-17 联通(浙江)产业互联网有限公司 影响磨加工产品质量要素的确定方法和装置
CN116724321A (zh) * 2022-01-06 2023-09-08 京东方科技集团股份有限公司 数据处理方法、***、计算机可读存储介质
CN114418011B (zh) * 2022-01-21 2023-05-12 京东方科技集团股份有限公司 一种产品不良成因分析的方法、设备及***、存储介质
CN114444986B (zh) * 2022-04-11 2022-06-03 成都数之联科技股份有限公司 产品分析方法及***及装置及介质
US20240020105A1 (en) * 2022-07-12 2024-01-18 At&T Intellectual Property I, L.P. Targeted software and hardware updates for user equipment based on specific user profiles related to their usage

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008282083A (ja) 2007-05-08 2008-11-20 Sharp Corp 不良要因推定方法、不良要因推定装置、プログラム、および、記録媒体
WO2018105296A1 (ja) 2016-12-07 2018-06-14 株式会社日立製作所 品質管理装置及び品質管理方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060048010A1 (en) * 2004-08-30 2006-03-02 Hung-En Tai Data analyzing method for a fault detection and classification system
US9002072B2 (en) * 2011-02-24 2015-04-07 3M Innovative Properties Company System for detection of non-uniformities in web-based materials
CN104123298B (zh) * 2013-04-26 2017-09-29 华为技术有限公司 产品缺陷的分析方法和设备
CN103530467B (zh) * 2013-10-23 2016-08-17 中国兵器科学研究院 一种基于缺陷概率的工艺分析与优化设计方法
US11347191B2 (en) * 2015-07-29 2022-05-31 Illinois Tool Works Inc. System and method to facilitate welding software as a service
TWI584134B (zh) * 2015-11-03 2017-05-21 財團法人工業技術研究院 製程異因分析方法與製程異因分析系統
CN107295068A (zh) * 2017-05-27 2017-10-24 镇江苏仪德科技有限公司 一种基于以太网的产品质量监测***
CN109711659B (zh) * 2018-11-09 2021-04-13 成都数之联科技有限公司 一种工业生产的良率提升管理***和方法
WO2020110224A1 (ja) * 2018-11-28 2020-06-04 Eizo株式会社 情報処理方法及びコンピュータプログラム
TWI759669B (zh) * 2019-12-23 2022-04-01 中強光電股份有限公司 顯示畫面檢測方法與顯示畫面檢測系統

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008282083A (ja) 2007-05-08 2008-11-20 Sharp Corp 不良要因推定方法、不良要因推定装置、プログラム、および、記録媒体
WO2018105296A1 (ja) 2016-12-07 2018-06-14 株式会社日立製作所 品質管理装置及び品質管理方法

Also Published As

Publication number Publication date
CN113454661A (zh) 2021-09-28
EP4068173A1 (en) 2022-10-05
WO2021102891A1 (zh) 2021-06-03
EP4068173A4 (en) 2022-11-16
JP2023511464A (ja) 2023-03-20
KR20220107118A (ko) 2022-08-02
US20210364999A1 (en) 2021-11-25

Similar Documents

Publication Publication Date Title
JP7502345B2 (ja) 製品不良要因を分析するシステム及び方法、コンピュータ可読媒体
US10445657B2 (en) General framework for cross-validation of machine learning algorithms using SQL on distributed systems
US8880446B2 (en) Predictive analytics factory
US10706077B2 (en) Performance of distributed databases and database-dependent software applications
CN107168995B (zh) 一种数据处理方法及服务器
WO2014204970A1 (en) Data intelligence using machine learning
US11288266B2 (en) Candidate projection enumeration based query response generation
WO2023226423A1 (zh) 一种芯片辅助设计方法、装置、设备及非易失性存储介质
US20220179873A1 (en) Data management platform, intelligent defect analysis system, intelligent defect analysis method, computer-program product, and method for defect analysis
CN112434024A (zh) 面向关系型数据库的数据字典生成方法、装置、设备及介质
WO2022116107A1 (en) Data management platform, intelligent defect analysis system, intelligent defect analysis method, computer-program product, and method for defect analysis
CN110377519B (zh) 大数据***的性能容量测试方法、装置、设备及存储介质
CN111125199B (zh) 一种数据库访问方法、装置及电子设备
CN110287272A (zh) 一种可配置实时特征提取方法、装置及***
WO2022116111A1 (en) Computer-implemented method for defect analysis, computer-implemented method of evaluating likelihood of defect occurrence, apparatus for defect analysis, computer-program product, and intelligent defect analysis system
WO2017008734A1 (en) System and method for predicate pushdown and partition pruning in a distributed database
US20240104421A1 (en) Correlation-based dimensional reduction of synthesized features
US11703837B2 (en) System and method for recommending maximum quantity of work in process, and computer readable medium
CN114868092B (zh) 数据管理平台、缺陷分析***、缺陷分析方法、计算机存储介质和用于缺陷分析的方法
CN117453805B (zh) 一种不确定性数据的可视化分析方法
WO2022198680A1 (zh) 数据处理方法及装置、电子设备、存储介质
WO2024055281A1 (zh) 异常根因分析方法及装置
CN118195379A (zh) 指标模型构建方法、装置、设备、存储介质和程序产品
Sud Machine Learning Approach For Predicting The SQL Query Resource Usage
CN117349721A (zh) 数据质量的核查方法及***

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221122

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231031

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231204

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240304

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: 20240527

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240606

R150 Certificate of patent or registration of utility model

Ref document number: 7502345

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150