制造工程分析支持方法、使计算机执行该方法的程序、程序产品及记录介质

摘要

本发明提供了一种支持对制品的品质因素和特性之间的关系进行分析的作业的制造工程分析支持方法、程序产品及存储介质，使计算机从用户处接收因素的指定，将对应于与所接收的因素相关的图像数据的图像配置于与计算机连接的显示装置内的虚拟空间上(S13)，在显示装置上显示配置了图像的虚拟空间(S14)，重复进行指定接收、配置和显示，直至用户判断出所显示的图像中的相邻图像间具有类似性，根据在相邻图像间具有类似性的图像接收用户的至少一个的图像指定(S15)，自动抽出所指定的图像具有的因素中共同的因素(S16)，接收用户指定的该共同因素和制品的品质之间的关系的假设，验证该关系假设(S17)，由此支持对用户所选择的因素和品质特性之间的关系进行分析的作业，将来自制品的图像数据的特征量和来自制造作业人员的与工程相关的文本数据的特征量数值/文字化并加到因素中(S11，S12)。

说明书

技术领域

本发明涉及可在各种产业的各种工业制品的制造工程分析中使用的制造工程分析方法、使计算机执行该方法的程序、程序产品及记录介质，具体涉及在半导体制造工程、磁盘装置制造工程、显示器制造工程等中，支持在把成品的特性或中间生成品(下面，称为制品)的特性表现为图像数据时的、可能会对该制品的品质产生影响的因素和品质特性之间的关系的分析作业的制造工程分析支持方法、程序、程序产品及记录介质。

背景技术

在各种工业制品的制造工程中，存在多种可能会对制品的品质和特性产生影响的因素。人们对这些因素的相互作用并不十分清楚。作为这些因素，例如有原材料特性、装置、温度、压力、电流、粘性、速度、湿度、气压等。这些因素中包括具有可从外部进行控制的参数(控制因子)的因素和不可控制的因素(误差因子)。所谓制造工程的分析是指以提高制品的品质为目的，使这些因素和制品的特性之间的关系变明了的作业。

以往，因为很难进行因素的测定，所以根据熟练人员的经验和感觉来进行制造工程的分析，但近年来，由于检测仪器和信息处理设备的高性能化，能够容易地取得与因素和制品的特性相关的数据。因此，作为不依赖于经验和感觉、系统地进行制造工程的分析的方法，增加了如下的事例，即，使用多变量分析等的统计方法(参照：円川隆夫，宫川雅已著：SQC理論と実際  シリ一ズ「现代人の数理」，朝倉書店(1992))和数据挖掘的技术进行工程分析(参照：津田英隆，白井英大，武理一郎：“デ一タマイニングの步留り解析ヘの適用”、第3回デ一タマイニング ワ一クシヨップ論文集、日本ンフトウエア科学会デ一タマイニング研究会(2002)，以及Michael J.A.Berry and GordonLinoff：Mastering Data Mining，John Willey&Sons Inc.(2000))。

在以往的使用因子分析等的统计方法或数据挖掘技术的制造工程分析方法中，以各种因素为说明变量，以相当于品质的指标为目的变量，统计地分析说明变量对目的变量产生的影响度。然而，该方法中存在以下的课题。

(a)在制造工程中得到的数据其因素数高达数百个到数千个的情况很多，对此，一般来说对应于批量数的记录数却很少。因此，如果仅使用以往的统计方法，在记录数少的情况下很难得到有意义的结果。

(b)在制造工程中，即使得到了表示成品的特性或中间生成品的特性的图像数据或制造作业人员的注释等的与工程相关的文本数据，这些最多也只被作为参考数据来处理，不能在工程分析中直接利用。例如，有时制造作业人员观察中间生成品或成品的外观，根据以前的经验来直观地判断工程的哪部分处于怎样的状态，但在以往的统计方法中不能进行这样的分析。

(c)检查人员通过目视或利用图像识别技术，可以将外观数值化，进行统计工程分析。然而，将外观的微妙变化数值化很难，有时会由于数值化而使用于工程分析的信息丢失。

非专利文献

[1]円川隆夫，宫川雅已：SQC理論と実際  シリ一ズ「现代人の数理」，朝倉書店(1992)。

[2]津田英隆，白井英大，武理一郎：“デ一タマイニングの步留り解析ヘの適用”，第3回デ一タマイニング ワ一クシヨップ論文集，日本ソフトウエア科学会デ一タマイニング研究会(2002)。

[3]Michael J.A.Berry and Gordon Linoff：Mastering DataMining，John Willey&Sons Inc.(2000)。

[4]村尾晃平：“画像特徵量の自動抽出と類似画像検索”，勉誠出版，人文学と情報処理，Vol.28，pp.54-61，July(2000)。

http：//venus.netlaboratory.com/salon/chiteki/mur/imgsearch.html

[5]Vittorio Castelli and Lawrence D.Bergman ed.：ImageDatabases：Search and Retrieval of Digital Imagery，pp.285-372，John，Wiley&Sons(2002)。

[6]西尾他：情報の構造化と検索，pp.113-119，岩波書店(2000)。

[7]柳井晴夫：多变量デ一タ解析法  理論と応用，朝倉書店(1994)。

[8]T.コホネン著，德高他訳：自己组織化マップ，シュプリンガ一フエアラ一ク東京株式会社(1996)。

发明内容

本发明的目的是为了解决以往的制造工程分析方法所具有的上述课题，而提供一种使因素和品质特性之间的关系的分析作业变得容易的制造工程分析支持方法、程序、程序产品及记录介质，其基于这样的构想：反复选择因素直至多个制品的相邻图像变得类似之后，自动地抽出指定图像所共同的因素，即使在制品的记录数较少的情况下也能分析，而不仅仅依赖于统计方法。

另外，提供一种即使制造工程分析人员不是熟练人员，也能使分析因素和品质特性之间的关系的作业变得容易的制造工程分析支持方法、程序、程序产品及记录介质。

而且，提供一种通过使制品的图像和制造作业人员作成的与工程相关的文本成为数值/文字化因素的一部分，从而使分析因素和品质特性之间的关系的作业变得容易的制造工程分析支持方法、程序、程序产品及记录介质。

为了达成上述目的，根据本发明的第1实施方式，提供了一种制造工程分析支持方法、程序、程序产品及存储了该程序的记录介质，其支持对作为可能对制造工程中的制品的品质产生影响的因素的由数值/文字数据构成的因素与制品的品质特性之间的关系进行分析的作业。该方法具有如下步骤：显示步骤，在显示装置内的虚拟空间上显示对应于与从用户处接收的因素有关的图像数据的图像；重复进行接收来自用户的因素指定和显示步骤、直至用户判断出所显示的图像中的相邻图像间具有类似性的步骤；图像指定接收步骤，接收用户根据在相邻图像间具有类似性的图像而进行的多个图像指定；共同因素抽出步骤，自动抽出指定的图像所具有的因素中共同的因素；关系假设接收步骤，接收用户指定的共同因素和制品的品质之间的关系的假设；验证关系假设的步骤。这样对用户分析所选择的因素和品质特性之间的关系的作业进行支持。

根据该第1实施方式，分析人员在观察数据的同时，也加进知识和经验，提供用于进行分析的支持环境，所以弥补了记录数少的缺点。

具体来讲，因为在工程分析中直接处理图像数据，所以用户(即，制造工程分析者)通过一览图像，或根据各种观点重新排列这些图像，可以支持建立与可能对制品的品质产生影响的因素和制品的品质特性之间的关系有关的假设。另外，也能够容易地进行用于确认所建立的假设的确切度的验证作业。

在上述第1实施方式中，还具有如下步骤：从表示制品的品质特性的图像数据和制造作业人员所作成的与工程相关的文本数据中分别抽出特征量，将它们数值/文字化，并加到因素中，共同因素抽出步骤最好包括抽出所选择的图像中共同的图像特征、单词、因素的至少一个的步骤。

这样，因为能够简单地抽出图像和文本中共同的各种特征，所以制品的制造工程的分析变得容易。

另外，在上述第1实施方式中，指定图像接收步骤包括接收在虚拟空间内用户所指定的特定图像的步骤，显示步骤可以包括在用户指定了所指定的图像的特征量、数值和文字数据中的至少一个的情况下，列出与所指定的图像相类似的图像并在显示单元中显示的步骤。

这样，因为能够容易地抽出与所指定的图像相类似的图像，所以制品的制造工程的分析变得容易。

另外，在上述第1实施方式中，验证关系假设的步骤还可以包括验证用户所发现的因素和品质特性之间的关系的步骤。

这样，能够更可靠地把握因素和品质特性之间的关系。

另外，在上述第1实施方式中，配置步骤还可以包括利用自组织映射的步骤。

这样，可以在三维空间上显示与4维或4维以上的因素相应的图像，制品的制造工程的分析变得容易。

另外，在上述第1实施方式中，显示步骤还可以包括为了支持在虚拟空间内浏览图像的作业而变更虚拟空间内的视点的步骤。

这样，因为用户可以在虚拟空间内自由浏览，所以能够容易地把握期望的因素和其品质特性之间的关系。

另外，在上述第1实施方式中，显示步骤还可以包括通过网络在与其他计算机连接的显示装置上显示虚拟空间的步骤。

这样，能够利用客户一服务器关系中的网络，在任意的场所显示虚拟空间。

附图说明

通过参照附图说明的下述实施本发明的最佳方式，能够进一步了解上述本发明的目的和各个特征。

图1是说明本发明实施例的制造工程分析支持方法的概略的流程图。

图2是说明从图1所示的工程数据中的图像及文本中将特征量数值/文字化并抽出的方法的流程图。

图3是说明本发明实施例的制造工程分析支持方法的详细的流程图。

图4是说明本发明实施例的制造工程分析支持方法的具体例的流程图。

图5是表示图4所示的注释例的图。

图6是表示在图4的具体例中，当用户选择任意3个因素时包含在虚拟空间中显示的图像的画面例的图。

图7是表示在图4的具体例中，根据4维或4维以上的因素使用自组织映射在3维虚拟空间中显示图像的画面例的图。

图8是表示在图4的具体例中，列出并显示类似于用户所选择的一个图像的图像的画面的图。

图9是表示在图4的具体例中，显示具有用户所选择的共同因素的图像的画面的图。

图10是表示在图4的具体例中，用户抽出共同图像特征的画面的图。

图11是表示在图4的具体例中，用户抽出共同单词的画面的图。

具体实施方式

图1是说明本发明实施例的制造工程分析支持方法的概略的流程图。在该图中，对于工程数据，将可能对制品制造工程中的制品的品质产生影响的因素1到L、制品的图像1到M、制品的制造工程中制造作业人员作成的与工程有关的注释(文本数据)1到Z分别分配给制品编号P1到PN。

在图示例中，制品编号P1的因素1～L的数值/文字数据是X11～X1L，图像是I11～I1M，注释是T11到T1Z。制品编号P2的因素1～L的数值/文字数据是X₂₁～X_2L，图像是I21～I2M，注释是T21到T2Z。制品编号PN的因素1～L的数值/文字数据是X_N1～X_NL，图像是IN1～INM，注释是TN1到TNZ。

制品的各图像作为图像数据被存储在计算机内的存储装置中，各注释作为文本数据存储在计算机内的存储装置中。

<图像特征抽出步骤S11>

在步骤S11中，通过本发明从各图像的图像数据中抽出特征进行数值/文字化。在下面的描述中所谓数值/文字化是指由数值和文字中的至少一方构成的记号的集合。作为所抽出的图像特征，有颜色特征、纹理特征、频率特征(傅立叶特征或DCT特征)、形状特征(参照上述非专利文献4和5)。另外，也可以自动地将图像分割成多个区域，抽出对应于各个区域的图像特征，或者由用户指定特定区域并抽出对应于该区域的图像特征。

<文本特征抽出步骤S12>

同样在步骤S12中通过本发明从各注释的文本数据中抽出特征并进行数值/文字化。按如下所述抽出文本特征。首先，预先选择认为对文本赋予特征的单词集，使用tf-idf法(term frequency-inverse documentfrequency)，测定各单词的相对重要度，将其列举出来，从而从各文本数据中抽出具有单词的tf-idf值作为元素的矢量，作为文本特征(参照上述非专利文献6)。

图像数据被数值/文字化后的因素和文本数据被数值/文字化后的因素作为因素1～L以外的因素被追加到工程数据中。

工程数据被显示在与计算机连接的显示装置上。用户通过点击鼠标来指定所显示的工程数据中的至少一个因素。即，用户在各制品中，指定该制品的图像特征、文本特征、因素l～L中的至少一个因素。计算机接收该因素的指定。

<图像配置步骤S13>

接着在步骤S13中，计算机根据该指定，在3维或3维以下的虚拟空间中配置该制品的图像数据。表示包含图像特征和文本特征的各个因素的数值/文字数据一般是高维的矢量，不能直接在3维或3维以下的虚拟空间中配置。因此，例如为了确定3维虚拟空间内的图像的配置，有如下的方法：从各制品的数值/文字数据中选择3个数值/文字，将其分配到空间内的正交的3条坐标轴上。另外，还有使用主成分分析、多维尺度分析等统计方法将图像特征、文本特征、数值/文字数据压缩成3维的方法(参照上述非专利文献7)。而且，还可以使用作为神经网络的一种的自组织映射(Self Organizing Map：SOM)(参照上述非专利文献8)。

<虚拟空间显示步骤S14>

接着在步骤S14中，在显示装置上实际显示配置有图像的虚拟空间。图像的显示可以通过利用计算机图形技术来执行，也可以通过用户变更虚拟空间内的自身的视点，或者在空间内自由走动(走过)，或者翱翔(飞过)来执行。这样，可以支持一览众多图像，或集中观察一部分图像，或放大到特定的图像来调查其详细情况的作业。

另外，也可以通过网络在其他的装置中进行虚拟空间的显示。这种情况下，通过客户一服务器间的网络路径传输图像。

而且，用户可以在虚拟空间内移动的途中利用图像配置步骤。具体来讲，可以抽出新的种类的特征，或者变更向坐标轴分配数值/文字的方法，或者切换用于配置图像的特征的类别。这样，可以支持用户一边按照各种观点来比较图像数据，一边发现各因素和图像数据的图形之间的关系的作业。

用户在虚拟空间内移动的途中，重复进行指定接收步骤、配置步骤和显示步骤，直至用户判断出所显示的图像中的相邻图像间具有类似性。

<类似图像检索步骤S15>

接着在步骤S15中，用户通过鼠标或键盘从虚拟空间内所显示的图像中选择类似图像或者指定相邻的类似图像的范围。另外，通过利用鼠标或键盘选择特定的图像，指定该图像的被注目的特征或数值/文字数据，可以列出并显示类似的图像。这样，可以支持用户一边按照各种观点来比较图像数据，一边发现各因素和图像数据的图形之间的关系的作业。

<共同因素抽出步骤S16>

另外，在步骤S16中，通过利用鼠标或键盘在虚拟空间内选择多个图像，并且指定被注目的特征的类别或数值/文字数据，可以抽出与这些图像对应的制品所共同的图像特征、单词、因素。这样，可以支持发现用于配置的因素或特征，和所抽出的图像特征、单词、因素间的关系的作业。

<关系验证步骤S17>

最后在步骤S17中，验证在上述步骤中用户(工程分析人员)所发现的“因素和品质特性的关系”。例如，当发现了“当某因素处于特定的范围内时，具有品质特性收敛于某范围内的趋势”这样的规则作为关系时，可以对较多的数据检查该规则是否成立，定量地验证规则的妥当性。另外，当发现了“某因素和品质特性具有相关关系”这样的关系时，可以对较多的数据检查该关系在何种程度成立，定量地验证所发现的关系的妥当性。

根据本发明，也提供了使计算机执行上述方法的程序、程序产品及存储了该程序的存储介质。

并且，本说明书中的程序及程序产品包括通过网络进行发布的程序和程序产品，或存储在存储介质中的程序和程序产品。

图2是说明把图像特征和文本特征作为因素追加到图1所示的工程数据内的步骤的流程图。在该图中，在步骤S21中，判断是否结束了针对工程数据内的全部制品数据的图像特征和文本特征的抽出处理。如果没有结束，则在步骤S22中从一个制品的图像数据中抽出图像特征，作为因素追加到工程数据中。

接着在步骤S23中，从该制品的文本数据中抽出文本特征，作为因素追加到工程数据中。

接着在步骤S24中，抽出工程数据内的该制品的数值/文字数据，作为因素追加到工程数据中。

接着回到步骤S21中，判断是否结束了针对工程数据内的全部制品数据的图像特征和文本特征的抽出处理，如果没有结束则重复步骤S22到S24，如果结束了则结束向工程数据追加因素的步骤。

并且，图2所示的处理在本发明中不是必需的处理。

图3是说明本发明实施例的制造工程分析支持方法的详细步骤的流程图。

在该图中，在步骤S301中，计算机从用户处接收通过鼠标或键盘进行的工程数据中的因素的指定。

接着在步骤S302中，判断因素指定是否结束。如果没有来自用户的进一步的因素指定，则结束处理。

如果有因素指定，则进入步骤S303，根据所指定的因素作成计算机内的虚拟空间中的配置数据。

接着在步骤S304中，根据在步骤S303中作成的配置数据，在显示装置的虚拟空间中显示各制品数据内的图像，在步骤S305中变成从用户处接收因素的指定的状态，返回到步骤S302，重复步骤S303到S305直至用户判断为相邻的图像间具有类似性。上面的动作是图1中的步骤S11到S14的详细动作。

接着在步骤S306中，接收通过用户的鼠标操作或键盘操作而进行的多个图像的指定。

接着在步骤S307中，判断是否有来自用户的图像指定，如果没有则结束处理。

如果有图像指定，则在步骤S308中，计算机自动地仅取出类似于指定图像的多个图像并显示。

接着在步骤S309中，计算机从用户所指定的因素中自动抽出被取出并显示的图像所共同的因素的子集。

接着在步骤S310中，计算机接收与用户所指定的因素和制品的品质之间的关系相关的用户作成的假设。

接着在步骤S311中，通过显示比较有关系的图像，用户验证计算机所接收的关系假设。

接着，在步骤S312中，再度接收用户的至少一个图像的指定，在步骤S307中判断是否有来自用户的图像指定，如果有指定则重复步骤S308到S311。

图4是说明本发明的实施例的制造工程分析支持方法的具体例的流程图。

在该图中，与图l相同的步骤使用相同的标号。

在本具体例中，对以在建筑物的基础部分或墙壁部分制作箱形构造，在其间注入混凝土，利用混凝土所具有的特性进行凝固的“混凝土浇注”的工程为分析对象的制造工程分析支持方法进行说明。这里，以使浇注后的外观美观，并且减少因误差因素产生的偏移为目的。

本具体例的处理流程如下所示。

(1)取得数据

采用以下5个作为控制因子。

因素1：坍落度(尚未凝固的混凝土的柔软程度的指标)：单位cm

因素2：浇注速度：单位m³/h(时间)

因素3：浇注停止压力：单位kg/cm²

因素4：最大骨料尺寸：单位mm

因素5：细骨料率：单位％

另外，因为知道浇注现场的环境条件影响成品，所以把其作为误差因子。

因素6：气温：单位℃

因素7：湿度：单位％

图像数据如下所述。

图像1：浇注后的外观图像(为了简化图示，设图像中的斜线的数量越多图像越暗。实际上浇注中的泥水的影响、混凝土的注入速度的影响、雨的影响等被反映到图像上)。

文本数据如下所述。

注释1：记载了浇注中的观察结果的文章

图5是表示对应于各制品编号的注释T1、T2、…TN的例子的一部分的图。在该图中，制品编号P1的注释T1是“虽然扫去了泥浆，但还残留一部分泥水。指示用抹布擦去。”这样的注释。另外，制品编号P2的注释T2是“当向模具内一下子注入混凝土时，侧压变大，模具变得不能承受。”这样的注释。并且，制品编号PN的注释TN是“浇注开始后30分钟。雨劈劈啪啪地落下。已完成浇注的部分被盖上蓝色薄膜…”这样的注释。

将图4的步骤S11的图像数据中的特征量数值/文字化并抽出的图像特征抽出步骤按照下面来进行。

(A)颜色分布特征的抽出(参照前述的非专利文献5)

1)将图像数据的各像素值从在RGB颜色空间上的表示(r，g，b)转换成在HSI颜色空间上的表示(h，s，i)。

2)将HSI空间分割成＝N_h(H轴的分割数)×N_s(S轴的分割数)×N_i(I轴的分割数)＝N个块，列举对各块所包含的像素的数进行计数的结果，转换成N维的矢量，将其作为特征量。

(B)小波特征的抽出(参照前述的非专利文献2)

1)对图像数据进行小波变换。

2)将作为其结果得到的小波变换系数分离成图像的粗糙的形状成分、细致的图案成分、轮廓成分等。

3)将各成分组合转换成矢量，将其作为特征量。

小波变换是在保存图像的位置信息的状态下进行空间频率变换的变换，能够紧凑地描述图像的形状，大小不同的图像间可以利用相同的比例尺来比较。

(C)边缘方向柱状图特征的抽出(参照前述的非专利文献4)

1)利用Sobel滤波器等从图像数据中抽出边缘。

2)将所抽出的边缘的方向离散化，针对每个方向来计数频度。

3)排列该计数的数值除以图像整体的边缘数所得的的数值，并形成矢量，将其作为特征量。

除此之外，从图像数据中抽出傅立叶特征、DCT特征、纹理特征等各种图像特征，可以以矢量的方式来利用(参照前述的非专利文献9)。

根据以下所列举的方法，进行将图4的步骤S12的文本数据中的特征量数值/文字化的文本特征抽出步骤(参照前述的非专利文献6)。

1)首先从文本数据中抽出单词。

2)通过使用tf-idf法(term frequency-inverse documentfrequency)，测定各单词的相对重要度，将其列举出来，从而从各文本中获得具有单词的tf-idf值作为元素的矢量，并将该矢量作为文本特征。

根据以下的方法进行图4的步骤S13和S14的图像配置和3维虚拟空间显示步骤。

图6是表示在图4的具体例中，选择因素1～7、图像1～M和注释1～Z的数值/文字数据中的3个数值/文字，当将其分配到设定在虚拟空间内的正交的3条坐标轴上时在显示装置上显示的虚拟空间的图。选择包含图像和注释的因素的数值/文字数据中的3个数值/文字，将其分配到设定在虚拟空间内的正交的3条坐标轴上。例如，选择因素1(坍落度)、因素5(细骨料率)和因素6(温度)，分配到各轴上。通过使用虚拟空间显示单元，将各制品的图像数据配置到虚拟空间内，在连接到计算机的显示装置上显示。

图7是表示在图4的具体例中，根据4维或4维以上的因素，使用自组织映射，在3维虚拟空间显示图像的画面例的图。

在文本特征和图像特征的情况下，通过自组织映射(SelfOrganizing Map：SOM)(参照上述非专利文献8)将图像配置在平面上，可以配置成使这些图像的特征类似的图像集聚到附近。自组织映射是基于无教师竞争学习模型的神经网络的一种，将高维空间内的数据投影到低维空间。此时，可以将在高维空间中距离较近的各数据配置成在低维空间也尽可能相互靠近。SOM处理分为学习阶段和配置阶段二个阶段。在学习阶段中，在将单元规则地配置在平面上后，根据输入来更新分配到各单元的矢量值。作为该学习的结果，处于较近位置处的单元之间具有类似的矢量值。配置阶段是根据学习结果配置在具有与配置对象的矢量值最接近的矢量值的单元的位置上。在MIRACLES中以信息集为配置对象按照每种特征的类别来进行SOM的处理，并保存该配置结果。

通过虚拟空间显示步骤，将各制品的图像数据配置在虚拟空间内，并显示在与计算机连接的显示装置上。

从图像数据中抽出表示色调、色度、明度等的颜色分布特征(将HSV(色调饱和度值)颜色空间分割成单元，用各单元所包含的像素数除以图像整体的像素数，并将所得的值进行了排列的矢量)、表示纹理细微度的纹理特征(对小波变换系数加权而列举出的矢量)、表示规则性的频率特征(傅立叶特征和DCT特征)、表示龟裂等的形状特征(从图像中抽出边缘，使其方向离散化来计数频度，利用该数值除以图像整体的边缘数，并将所得的值进行排列的矢量)(参照前述的非专利文献4和5)。

在图6或图7所示的虚拟空间中，如图4步骤S41所示，可以进行3维虚拟空间内行走。即，用户可以在所显示的3维虚拟空间内，通过鼠标操作变更视点，通过寻找期望的图像来探索信息。也可以通过点击图像，来访问与该图像对应的制品的详细信息。

另外，在图6或图7所示的虚拟空间，如图4步骤S42所示，也可以变更图像的配置方法。即，通过切换显示分配到各轴上的因素，可以以各种观点来进行分类配置。例如，也可以选择文本特征为配置用的特征，进行配置并显示。另外，也可以变更相应图像的配置来进行显示，使得输入任意的关键字，制品的注释中所包含的文本属性越符合该关键字，则越接近用户的视点。重复该操作直至用户判断出相邻图像间具有类似性。

图8是表示在图4所示的具体例中，列出类似于用户所选择的一个图像的图像并进行显示的画面的图。在该图中，在虚拟空间内选择特定的图像81，并且通过指定注目的特征量和数值/文字数据，可以列出类似的图像82～89并进行显示。这样，可以支持用户一边以各种观点来比较图像数据，一边发现各因素和图像数据的图形间的关系的作业。

图9是表示在图4所示的具体例中，显示用户所选择的具有共同因素的图像的画面的图。在该图中，在相邻图像间具有类似性的虚拟空间内，选择多个图像，并且指定注目的特征量和数值/文字数据，由此可以抽出与这些图像对应的制品所共同的因素、单词、图像特征。这样，可以支持发现配置中使用的因素、特征量，和所抽出的因素、单词、图像特征之间的关系的作业。例如如图9所示，当使用因素1～7、图像1、注释1进行配置时，可以按照下面的步骤抽出共同因素。

·排列因素1～7、图像1及注释1，获得9维的矢量，构成2维自组织映射(三维空间内的平面)。

·使用学习后的自组织映射将图像配置于虚拟3维空间中。

·用户注视虚拟3维空间，找出具有某共同性的图像所集中的场所、具有规则性排列的场所。

例如，在图9中具有颜色不均匀的图像91～99集中在一起，利用希望的颜色框围住这些图像来进行选择。

·和图像整体上的因素的分布进行比较，利用装置计算所选择的图像的因素分布是否偏移，把有偏移的因素作为共同因素抽出。在图9，因素1和因素3作为共同因素的候选被抽出。

·这样，作为规则，例如可以发现“如果因素1的坍落度是16±1cm则容易出现颜色不均匀”这样的规则。

图10是表示在图4所示的具体例中，使用共同文本从而由用户抽出的画面的图。

当使用文本特征进行配置时，例如可以如下面所述抽出共同因素。

·利用文本特征，构成自组织映射。

·使用学习后的自组织映射将图像配置于虚拟3维空间中。

·用户注视虚拟3维空间，找出具有某共同性的图像所集中的场所、具有规则性排列的场所。例如，在图10中具有蓝色的图像集中在一起，使用黄色框围住这些图像来进行选择。在图10中，“雨”、“薄膜”、“泥浆”等注释中的多个单词作为共同单词的候选被抽出。

·因此作为规则，可以发现“当因为雨而盖上薄膜，或者土变成泥浆时容易出现蓝色”这样的规则。

图11是表示在图4所示的具体例中，用户抽出共同图像特征的画面的图。

当使用图像特征进行配置时，例如可以如下面所述抽出共同因素。

·利用纹理特征作为图像特征，构成自组织映射。

·使用学习后的自组织映射将图像配置于虚拟3维空间中。

·用户注视虚拟3维空间，找出具有某共同性的图像所集中的场所、具有规则性排列的场所。例如，在图11中橙色的图像集中在一起，使用黄色框围住这些图像来进行选择。作为共同特征，纹理特征中的具有与“方向性”对应的成分的处于一定范围内的特征作为共同图像特征的候选被抽出。

·作为规则，可以发现“如果纹理的方向成分在某范围内则容易带有橙色”这样的规则。

接着按照下面所述执行图4的步骤S17的关系验证步骤。

验证在上述的步骤中用户发现的“因素和品质特性的关系”。例如，作为关系，在发现了“当某因素处于特定的范围内时，具有品质特性收敛于某范围内的趋势”这样的规则的情况下，针对较多的制品编号的数据，对照因素和图像或注释中所表现出的品质特性来检查该规则是否成立，可以定量地验证规则的妥当性。另外，在发现了“某因素和品质特性具有相关关系”这样的关系的情况下，针对较多的制品编号的数据，对照因素和图像或注释中所表现出的品质特性来检查该关系在何种程度上成立，可以定量地验证关系的妥当性。

并且，即使因素中不包含将图像数据数值/文字化的因素或将文本数据数值/文字化的因素，也可以得到本发明的效果。

从以上的说明可以知道，如果使用本发明的工程分析支持方法、使计算机执行该方法的程序或存储了该程序的存储介质，则即使在制造工程中得到的数据的记录数(对应于制品数)很少，也可以加上分析人员的知识和经验来重复假设的建立、验证，由此可以进行关于“因素和特性间的关系”的分析。另外，可以在工程分析中直接利用表示在制造工程中得到的成品的特性或中间生成品的特性的图像数据和与制造作业人员的注释等的工程有关的文本数据。