[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

TW201945987A - 製程異常狀態預判方法及預判系統 - Google Patents

製程異常狀態預判方法及預判系統 Download PDF

Info

Publication number
TW201945987A
TW201945987A TW107142649A TW107142649A TW201945987A TW 201945987 A TW201945987 A TW 201945987A TW 107142649 A TW107142649 A TW 107142649A TW 107142649 A TW107142649 A TW 107142649A TW 201945987 A TW201945987 A TW 201945987A
Authority
TW
Taiwan
Prior art keywords
prediction
abnormal
analysis result
data
abnormal state
Prior art date
Application number
TW107142649A
Other languages
English (en)
Inventor
蔡昀霖
羅雅芳
徐佳唯
黎雯雯
麻利軍
吳信威
高子龍
張雲
Original Assignee
大陸商深圳富桂精密工業有限公司
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 大陸商深圳富桂精密工業有限公司 filed Critical 大陸商深圳富桂精密工業有限公司
Publication of TW201945987A publication Critical patent/TW201945987A/zh

Links

Classifications

    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一種製程異常狀態預判方法及製程異常狀態預判系統，所述製程異常狀態預判方法包括：獲取製程的資料記錄；根據預定規則從所述資料記錄提取預測樣本並記錄取樣時段；利用人工智慧系統學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，其中，所述人工智慧系統學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果及存儲所述正常或異常的預測分析結果，以提高製程異常的預判能力。

Description

製程異常狀態預判方法及預判系統
本發明涉及一種製程異常狀態預判方法及製程異常狀態預判系統。
由於電子產品不斷推陳出新,而使電子產品更新週期不斷地縮短。為了提升產品製程的良率與效率，降低產品製程設備的故障率具有重要意義。如果能夠於製程設備故障前，預先偵測出異常的徵兆而預先排除，將得以有效降低故障事件突發的風險。在現有技術中，生產線上各個機台通常獨立運作，經由產線逐站的生產步驟而完成電子產品的製造，整個製造的過程欠缺自動化的資料的前後統整及智慧應用，而需要耗費人力進行調機。一旦產線更新換代或料源更新，每次調機必須由人工從頭做起。以現有的光學檢測機台為例，當更換不同的廠商料件時，就必須人工添加樣本圖像至資料庫進行建檔，機台才能正常運作。
有鑑於此，有必要提供一種製程異常狀態預判方法及製程異常狀態預判系統，提高製程異常的預判能力。
一種製程異常狀態預判方法，包括：
獲取製程的資料記錄；
根據預定規則從所述資料記錄提取預測樣本並記錄取樣時段；
利用人工智慧系統學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，其中，所述人工智慧系統學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果；及
存儲所述正常或異常的預測分析結果。
作為優選，所述資料記錄包括製程的機台資料、環境資料、檢測資料中的一種或多種。
作為優選，所述製程異常狀態預判方法還包括：
根據所述預測分析結果及預定規則做出關於所述製程的決策；及
將所述預測分析結果及所述決策中的至少一項回饋至所述製程的對應環節。
作為優選，在基於所述預測樣本及所述預測模型產生關於預測目標的預測結果前，還包括：
判斷所述資料樣本的資料類型；
根據所述資料類型及預定規則選擇對應的預測模型。
作為優選，根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件包括：
從所述預測樣本中計算取樣參數；
將所述取樣參數與所述預設參考值比較並判斷所述取樣參數是否超出所述預設參考值；
當所述取樣參數超出所述預設參考值時統計異常次數；
當所述取樣時段內異常次數大於預定閾值時輸出異常的預測分析結果。
一種製程異常狀態預判系統，用於連接製程設備，包括人工智慧系統及存儲裝置，所述人工智慧系統包括處理器，所述存儲裝置存儲有多條指令，所述指令適於由所述處理器載入並執行：
獲取製程的資料記錄；
根據預定規則從所述資料記錄提取預測樣本並記錄取樣時段；
利用人工智慧系統學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，其中，所述人工智慧系統學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果；及
存儲所述正常或異常的預測分析結果。
作為優選，所述資料記錄包括製程的機台資料、環境資料、檢測資料中的一種或多種。
作為優選，所述製程異常狀態預判方法還包括：
根據所述預測分析結果及預定規則做出關於所述製程的決策；及
將所述預測分析結果及所述決策中的至少一項回饋至所述製程的對應環節。
作為優選，在基於所述預測樣本及所述預測模型產生關於預測目標的預測結果前，還包括：
判斷所述資料樣本的資料類型；
根據所述資料類型及預定規則選擇對應的預測模型。
作為優選，根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件包括：
從所述預測樣本中計算取樣參數；
將所述取樣參數與所述預設參考值比較並判斷所述取樣參數是否超出所述預設參考值；
當所述取樣參數超出所述預設參考值時統計異常次數；
當所述取樣時段內異常次數大於預定閾值時輸出異常的預測分析結果。
上述製程異常狀態預判方法及製程異常狀態預判系統中，利用人工智慧系統學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，所述人工智慧系統學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果，藉此可提高製程異常的預判能力。
如圖1及圖2所示，製程異常狀態預判系統500可包括人工智慧系統200、處及存儲裝置300。所述製程異常狀態預判系統500用於連接製程設備100並用於對所述製程設備100的製程進行異常狀態預判。所述人工智慧系統200可包括一處理器210。
所述製程設備100、人工智慧系統200及所述存儲裝置300之間通信連接，從而傳遞資料及產生交互。
同時參閱圖3所示，所述存儲裝置300存儲有多條指令，所述指令適於由所述處理器210載入並執行如下步驟。
S101.獲取製程的資料記錄。
所述資料記錄包括製程的機台資料、環境資料、檢測資料中的一種或多種。例如，所述資料記錄可包括振動、聲音、電量、光、溫度、濕度、壓力等與機台的運行狀態相關的參數中的一種或多種。
獲取的資料記錄可存儲在所述存儲裝置300中以備調用。
S102.根據預定規則從所述資料記錄提取預測樣本並記錄取樣時段。即，在對所述資料記錄進行分析前，先根據預定的時間間隔從所述資料記錄中提取樣本。例如，每間隔1分鐘、5分鐘或10分鐘對所述資料記錄進行一次取樣，作為預測樣本使用，同時記錄提取的預測樣本對應的時段，以為後續分析提供依據。
S105.利用人工智慧系統200學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果。
其中，所述人工智慧系統200學習預測模型可被訓練為執行如下步驟。
S115.比對預測樣本、預設參考值；
S125.並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件。
如果所述預測樣本不符合所述異常判斷條件，可認為所述製程在預測時段內無發生異常的趨勢，此時繼續執行步驟S107。如果所述預測樣本符合所述異常判斷條件，可認為所述製程在預測時段內有發生異常的趨勢，此時繼續執行步驟S106。
S106.輸出異常的預測分析結果。
S107.輸出正常的預測分析結果。
S110.存儲所述正常或異常的預測分析結果。
在一優選實施方式中，在基於所述預測樣本及所述預測模型產生關於預測目標的預測結果前，還可以包括如下步驟。
S102.判斷所述資料樣本的資料類型；
S103.根據所述資料類型及預定規則選擇對應的預測模型。
在另一優選實施方式中，所述製程異常狀態預判方法還可以包括如下步驟。
S108.根據所述預測分析結果及預定規則做出關於所述製程的決策；及
S109.將所述預測分析結果及所述決策中的至少一項回饋至所述製程的對應環節。
在另一優選實施方式中，根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件可通過如下方式實現。
從所述預測樣本中計算取樣參數，作為比對的指標；
將所述取樣參數與所述預設參考值比較並判斷所述取樣參數是否超出所述預設參考值；
當所述取樣參數超出所述預設參考值時統計異常次數；
當所述取樣時段內異常次數大於預定閾值時輸出異常的預測分析結果。當所述取樣時段內異常次數不大於預定閾值時，則認為所述異常次數在容差範圍之內，此時對應輸出正常的預測分析結果。
上述製程異常狀態預判方法及製程異常狀態預判系統500中，利用人工智慧系統200學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，所述人工智慧系統200學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果，藉此可提高製程異常的預判能力。
以上所述僅為本發明的較佳實施例而已，並不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護範圍之內。
100‧‧‧製程設備
200‧‧‧人工智慧系統
210‧‧‧處理器
300‧‧‧存儲裝置
500‧‧‧製程異常狀態預判系統
圖1為製程異常狀態預判系統在一較優實施例中的邏輯結構示意圖。
圖2為圖1的製程異常狀態預判系統的資料交互示意圖。
圖3為製程異常狀態預判方法在一較優實施例中的流程示意圖。
無

Claims (10)

  1. 一種製程異常狀態預判方法，包括： 獲取製程的資料記錄； 根據預定規則從所述資料記錄提取預測樣本並記錄取樣時段； 利用人工智慧系統學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，其中，所述人工智慧系統學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果；及 存儲所述正常或異常的預測分析結果。
  2. 如請求項1所述的製程異常狀態預判方法，其中，所述資料記錄包括製程的機台資料、環境資料、檢測資料中的一種或多種。
  3. 如請求項1所述的製程異常狀態預判方法，其中，所述製程異常狀態預判方法還包括： 根據所述預測分析結果及預定規則做出關於所述製程的決策；及 將所述預測分析結果及所述決策中的至少一項回饋至所述製程的對應環節。
  4. 如請求項1所述的製程異常狀態預判方法，其中，在基於所述預測樣本及所述預測模型產生關於預測目標的預測結果前，還包括： 判斷所述資料樣本的資料類型； 根據所述資料類型及預定規則選擇對應的預測模型。
  5. 如請求項1所述的製程異常狀態預判方法，其中，根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件包括： 從所述預測樣本中計算取樣參數； 將所述取樣參數與所述預設參考值比較並判斷所述取樣參數是否超出所述預設參考值； 當所述取樣參數超出預定閾值時輸出異常的預測分析結果。
  6. 一種製程異常狀態預判系統，用於連接製程設備，包括人工智慧系統及存儲裝置，所述人工智慧系統包括處理器，所述存儲裝置存儲有多條指令，所述指令適於由所述處理器載入並執行： 獲取製程的資料記錄； 根據預定規則從所述資料記錄提取預測樣本並記錄取樣時段； 利用人工智慧系統學習預測模型，基於所述預測樣本及所述預測模型產生關於預測目標的預測結果，其中，所述人工智慧系統學習預測模型被訓練為比對預測樣本、預設參考值，並根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件，若否，則輸出正常的預測分析結果，若是，則輸出異常的預測分析結果；及 存儲所述正常或異常的預測分析結果。
  7. 如請求項6所述的製程異常狀態預判系統，其中，所述資料記錄包括製程的機台資料、環境資料、檢測資料中的一種或多種。
  8. 如請求項6所述的製程異常狀態預判系統，其中，所述製程異常狀態預判方法還包括： 根據所述預測分析結果及預定規則做出關於所述製程的決策；及 將所述預測分析結果及所述決策中的至少一項回饋至所述製程的對應環節。
  9. 如請求項6所述的製程異常狀態預判系統，其中，在基於所述預測樣本及所述預測模型產生關於預測目標的預測結果前，還包括： 判斷所述資料樣本的資料類型； 根據所述資料類型及預定規則選擇對應的預測模型。
  10. 如請求項6所述的製程異常狀態預判系統，其中，根據預設的異常判斷條件判斷所述預測樣本是否符合所述異常判斷條件包括： 從所述預測樣本中計算取樣參數； 將所述取樣參數與所述預設參考值比較並判斷所述取樣參數是否超出所述預設參考值； 當所述取樣參數超出預定閾值時輸出異常的預測分析結果。
TW107142649A 2018-04-25 2018-11-29 製程異常狀態預判方法及預判系統 TW201945987A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810381234.3A CN110399996A (zh) 2018-04-25 2018-04-25 制程异常状态预判方法及预判系统
CN201810381234.3 2018-04-25

Publications (1)

Publication Number Publication Date
TW201945987A true TW201945987A (zh) 2019-12-01

Family

ID=68320111

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107142649A TW201945987A (zh) 2018-04-25 2018-11-29 製程異常狀態預判方法及預判系統

Country Status (2)

Country Link
CN (1) CN110399996A (zh)
TW (1) TW201945987A (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110808222A (zh) * 2019-11-15 2020-02-18 深圳市华星光电半导体显示技术有限公司 一种制程设备的控制方法及装置
CN110940875B (zh) * 2019-11-20 2022-02-01 深圳市华星光电半导体显示技术有限公司 设备异常检测方法、装置、存储介质及电子设备
CN112581181A (zh) * 2020-12-25 2021-03-30 同方威视科技江苏有限公司 申报价格的异常挖掘方法、装置、电子设备及可读介质
CN115623872A (zh) * 2021-04-30 2023-01-17 京东方科技集团股份有限公司 数据处理方法、装置、设备及存储介质
CN113095606B (zh) * 2021-06-09 2021-08-31 北矿智云科技(北京)有限公司 设备维修的预判方法、装置及系统
TWI814201B (zh) * 2022-01-07 2023-09-01 友達光電股份有限公司 機台控制方法及控制系統

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787584B (zh) * 2016-01-28 2020-03-10 华北电力大学（保定） 一种基于云平台的风电机群故障预警方法
CN107341444A (zh) * 2017-06-07 2017-11-10 北京星网锐捷网络技术有限公司 数据异常预警方法及装置
CN107742168B (zh) * 2017-10-20 2021-04-02 西北工业大学 一种基于物联技术的生产车间动态瓶颈预测方法

Also Published As

Publication number Publication date
CN110399996A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
TW201945987A (zh) 製程異常狀態預判方法及預判系統
JP6817426B2 (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
CN112384924B (zh) 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统
CN111461555B (zh) 一种生产线质量监测方法、装置及系统
TWI385492B (zh) 機台設備的維護分析系統及其方法
CN106598791B (zh) 一种基于机器学习的工业设备故障预防性识别方法
JP7297831B2 (ja) 製造条件出力装置、品質管理システム及びプログラム
JP7102941B2 (ja) 情報処理方法、情報処理装置、及びプログラム
KR102627062B1 (ko) 비정상 장비 트레이스 검출 및 분류
KR20210118243A (ko) 센서 계측 데이터 통합
JP2017504872A (ja) 製造プロセスを学習及び／又は最適化するためのシステム並びに方法
CN117542169B (zh) 基于大数据分析的自动化设备温度异常预警方法
JP6880560B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
JP2012226511A (ja) 歩留まり予測システムおよび歩留まり予測プログラム
US11521120B2 (en) Inspection apparatus and machine learning method
JP7156975B2 (ja) 運営評価装置、運営評価方法、およびプログラム
CN115358155A (zh) 一种电力大数据异常预警方法、装置、设备及可读存储介质
CN115373370A (zh) 一种可编程控制器运行状态监测方法及系统
CN115033724B (zh) 基于多模态调制算法的电熔镁炉异常工况识别方法
JP2020042668A (ja) 検査装置及び機械学習方法
CN111814557A (zh) 动作流检测方法、装置、设备及存储介质
CN115147236A (zh) 一种处理方法、处理装置和电子设备
KR102110319B1 (ko) 학습 데이터 생성 시스템
CN118395126A (zh) 一种设备旋转状态分析的故障诊断方法、系统和存储介质
CN117952254B (zh) 一种基于人工智能的水处理工艺优化全流程模型系统