多変量SPC入門：MSPC入門ガイド

製品概要

• 従来の制限: 単変量SPCは、プロセス変数を個別に扱い、それらの相互作用を無視するため、複雑な製造現場ではしばしば失敗する。
• 多変量解析の利点： MSPCは変数間の関係性を分析することで、標準的なチャートでは見逃してしまうような不具合を早期に検出することを可能にする。
• 主な指標： ホテリングのT²や二乗予測誤差（SPE）といった概念は、現代の故障検出の根幹を成すものである。
• テクニック： 主成分分析（PCA）と部分最小二乗法（PLS）は、膨大なデータセットを実用的な洞察へと変換します。
• 現実世界のアプリケーション: 半導体製造から医薬品のバッチ処理まで、MSPCは誤報を防ぎ、歩留まりを向上させます。

イントロダクション

現代の製造業は膨大な量のデータを生み出している。マッキンゼーの報告書（2018年）によると、データ駆動型製造は機械のダウンタイムを最大50%削減し、品質コストを最大20%削減できるという。しかし、多くの工場では依然として1世紀近く前に作成された図表に頼っている。

工場で数百ものセンサーが稼働している場合、それらを一つずつチェックしていくのはもはや効果的ではありません。それは、一本の木を見て生態系の健全性を判断しようとするようなものです。ここで、多変量​​統計的プロセス管理（SPC）の正式な入門講座が必要になります。プロセスが相互に密接に連携するにつれて、個々の変数の値よりも、変数間の関係性がはるかに重要になってきます。

エンジニアがこれらの相関関係を無視すると、実際の欠陥を見落とす（第二種過誤）か、誤報によって生じた架空の欠陥を追いかける（第一種過誤）という、二つの高額な問題に直面することになる。

シューハートチャートを超えて

従来の統計的プロセス管理（SPC）、いわゆる単変量SPCは、単純なプロセスには非常に効果的です。例えば、ピストンの直径という1つの変数があり、それを上限値と下限値と比較します。直径がその範囲内に収まっていれば、部品は良品です。

しかし、現代の工業プロセスはそれほど単純なものではない。

単変量思考の問題点

複雑なシステムでは、様々な変数が互いに影響し合います。化学反応器では、圧力が上昇すると、平衡状態を維持するために温度を上昇させる必要が生じる場合があります。

圧力チャートだけを見ると、正常に見えます。温度チャートだけを見ても、正常に見えます。しかし、圧力が高く温度が低い場合、反応が失敗する可能性があります。単変量チャートでは、製品が劣化しているにもかかわらず、緑色のランプが点灯します。

多変量統計的プロセス管理（MSPC）はこの問題を解決します。MSPCは「この変数は許容範囲内か？」と問うのではなく、「これらの変数間の関係は正常か？」と問うのです。

多変量SPCの基本概念

多変量SPCを理解するには、「変数空間」という概念に慣れる必要があります。MSPCは、データポイントを平面の線（時系列）上にプロットするのではなく、データを多次元空間にプロットします。

ホテリングのT²統計量

多変量SPC（MSPC）手法で最も一般的に用いられる指標は、ホテリングのT²です。これは、標準偏差の超高次バージョンと考えてください。

単変量グラフでは、ある点が平均値から3標準偏差（$3\sigma$）以上離れているかどうかを確認します。多変量の世界では、$T^2$は相関構造を考慮した上で、データ点と多変量平均値（データ群の中心）との距離を測定します。

数学的には、標本ベクトル$x$の場合、統計量は​​次のように計算されます。

$$T^2 = (x – \bar{x})' S^{-1} (x – \bar{x})$$

どこ：

• $x$は測定値のベクトルです。
• $\bar{x}$は平均ベクトルです。
• $S^{-1}$は共分散行列の逆行列である。

$T^2$の値が計算された制限値を超えた場合、個々のセンサーがすべて「正常」と読み取っていても、プロセスは制御不能になります。

二乗予測誤差（SPE）

$T^2$はプロセスがモデルから逸脱したかどうかを示しますが、二乗予測誤差（SPE）、または$Q$統計量と呼ばれるものは、変数間の関係が破綻したかどうかを示します。

通常、プロセスにおいて変数Aと変数Bが同期して変化するはずなのに、突然逆方向に変化した場合、SPE値が急上昇します。これは、MSPCがセンサーの故障や異常な変動を検出する主な方法です。

多変量統計的プロセス管理の実践例

半導体エッチング工程を例に、具体的な多変量統計的プロセス管理の事例を見てみましょう。

シナリオ：

プラズマエッチングチャンバーを監視しています。主な変数は以下のとおりです。

1. RFパワー
2. チャンバー圧力
3. ガス流量

単変量解析：

• RF電力: 505ワット（上限：510ワット）。状態：正常。
• 圧力： 42 mTorr（上限値：45）。状態：正常。
• ガスの流れ: 98 sccm（上限：100）。状態：正常。

標準的な制御システムでは警報は発生しない。オペレーターはウェハーが正しく処理されていると判断する。

多変量ビュー：

物理法則によれば、チャンバー内の圧力が低下すると、プラズマ密度を維持するために、通常はガス流量が増加して圧力低下を補う。

今回の運転では、圧力はわずかに42まで低下しましたが、ガス流量も98まで低下しました。これらの数値は個々には問題ありません。しかし、両方を同時に測定するとどうでしょうか？通常の運転条件下ではあり得ない値です。相関関係が崩れています。

MSPCモデルであれば、この問題を即座に検知するだろう。T^2チャートは安定したままかもしれないが、SPEチャートは警告を発する。エンジニアは装置を停止し、マスフローコントローラーの詰まりを発見する。もし単変量チャートに頼っていたら、ウェハーの入ったカセット全体を廃棄していただろう。

主要な多変量SPC（MSPC）手法

50個または100個のセンサーからのデータを処理するには、次元削減が必要です。100次元のグラフをそのまま見ることはできません。そこで、高度なアルゴリズムの出番となるのです。

主成分分析（PCA）

主成分分析（PCA）は、連続プロセスにおいて最もよく用いられるツールです。データ内の分散を説明する、相関関係のない新たな変数である「主成分」を見つけることで、データを簡素化します。

• PC1（主成分1）： 通常、変動の大部分を説明する（例：システムの全体的なエネルギーレベル）。
• PC2（主成分2）： 次に大きな部分（例えば、反応物間のバランス）について説明します。

100個の生変数ではなく、2つか3つの主成分を監視することで、見やすく分かりやすいダッシュボードが得られます。

部分最小二乗法（PLS）

PCAは入力変数（$X$）に焦点を当てるのに対し、PLSは入力（$X$）と出力（$Y$）、例えば収量や品質との関係に焦点を当てます。

品質不良の原因となっているプロセスパラメータを特定したい場合は、PLS（部分最小二乗法）が最適な手法です。PLSはプロセスデータに基づいて品質を予測するモデルを構築し、予測品質が基準値を下回った場合に警告を発します。

伝統的な産業が転換を図っている理由

多変量統計的プロセス制御の導入は加速している。IFAC（国際自動制御連盟）によると、産業システムの複雑化により、競争力のある歩留まり率を実現するにはデータ駆動型監視が必須となっている（Qin、2012）。

誤報の減少

オペレーターは、理由もなくアラームが頻繁に鳴ると、最終的にはアラームを無視するようになります。相関性の高いデータに対する単変量チャートは、膨大な量の統計的ノイズを生成します。MSPCはこのノイズを除去します。つまり、アラームが鳴ったときは、実行すべき時だということです。

故障診断

何かがうまくいかなかったと知ることは良いことだ。何がうまくいかなかったのかを知ることはもっと良いことだ。

最新のMSPCソフトウェアには「寄与度プロット」機能が搭載されています。T^2またはSPEアラームが発生すると、ソフトウェアはどの変数がアラームに最も大きく寄与したかを正確に示す棒グラフを生成します。これにより、保守チームは故障したヒーターやドリフトしているセンサーを直接特定できます。

注：システムの性能は、入力されるデータの質に左右されます。信頼性の高いMSPCを実現するには、SECS/GEM機器の適切な統合、校正済みのセンサー、そして一貫性のあるデータ履歴記録が不可欠です。

貴施設におけるMSPCの導入

多変量SPCを始めるのは難しく感じるかもしれませんが、論理的な手順を踏んで進めることができます。

1. データ収集： プロセスが順調に稼働していた期間の履歴データを収集してください。これが「ゴールデンバッチ」または参照データセットとなります。
2. モデルトレーニング： この履歴データに対して、ソフトウェアを使用してPCAまたはPLSを実行します。ソフトウェアは相関構造を定義し、管理限界を計算します。
3. 検証： 既知の故障を含むデータセットを用いてモデルをテストしてください。モデルはそれらの故障を検出できますか？
4. オンラインモニタリング: モデルをリアルタイムで実行するようにデプロイします。多くの場合、専用の SPC管理図ソフトウェア これは、実際のデータを参照モデルと比較するものです。

まずは小規模から始めるのが賢明です。プラント全体を一度にモデル化しようとしないでください。蒸留塔やCNC工作機械など、重要な単位操作を一つ選び、そこでまずその有効性を検証しましょう。

よくある課題と誤解

多変量SPCは強力なツールではあるが、魔法の杖ではない。

• ブラックボックスの恐怖： エンジニアがMSPCを拒否する理由の一つは、主成分の物理的な意味を「理解」できないことにある。ここでトレーニングが不可欠となる。チームは数学的な根拠を信頼する必要がある。
• 線形性の仮定： 標準的な主成分分析（PCA）は線形関係を前提としています。プロセスが高度に非線形である場合（例えばpH中和反応など）、カーネルPCAのような高度なバージョンが必要になる場合があります。
• 静的モデル: プロセスは変化する。工具部品は摩耗し、原材料の供給元も変わる。MSPCモデルは精度を維持するために定期的なメンテナンスが必要である。

結論

製造業は、単純な折れ線グラフの限界を超えつつあります。『多変量SPC入門』は、複雑でデータ量の多い環境における制御を取り戻すための第一歩です。変数を孤立した存在として扱うのではなく、変数間の関係性を分析することで、エンジニアは欠陥を早期に発見し、無駄を大幅に削減できます。

半導体、製薬、重工業など、どの業界であっても、MSPCへの移行は贅沢ではなく、現代の品質保証における標準となっています。