CN102902838A - 基于趋势的过程控制目标设定方法和系统 - Google Patents
基于趋势的过程控制目标设定方法和系统 Download PDFInfo
- Publication number
- CN102902838A CN102902838A CN201210266686XA CN201210266686A CN102902838A CN 102902838 A CN102902838 A CN 102902838A CN 201210266686X A CN201210266686X A CN 201210266686XA CN 201210266686 A CN201210266686 A CN 201210266686A CN 102902838 A CN102902838 A CN 102902838A
- Authority
- CN
- China
- Prior art keywords
- entity
- disqualification rate
- process control
- product
- 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.)
- Pending
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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]
Abstract
本公开涉及基于趋势的过程控制目标设定方法和系统。在过程控制环境中基于过程控制观测数据确定用于实体(例如产品)的适当目标。优选实施例在设计用于使目标设定过程自动化的层次结构中组织数据;基于该数据结构得出用于各种部件的目标判断标准;应用技术以估算(在合适的情况下)结合偏差校正技术使用基于采样数量的修整的比例;并且基于组合判断标准和用于特征化部件质量的参数的置信区域得出目标。
Description
技术领域
本发明涉及计算系统,并且更具体地涉及基于过程控制观测数据的趋势计算用于在过程控制中使用的目标。
背景技术
现代企业严重依赖于使用用于过程控制的分析、测量和关键绩效指标。但是,很多时候用于评估趋势的分析和测量都采用了任意或主观的目标。例如,过程控制目标有时仅仅是基于要持续改进的组织要求,而很少或者根本没有考虑到例如自然波动、近期和/或未来对新产品的投资以及加工能力等因素。
发明内容
本发明涉及基于趋势的目标设定。在一种应用中,这包括:从多个实体中选择特定的实体;获取用于相关实体组的过程控制历史数据,该组包括选定的实体以及多个实体中的至少一个另外的实体;根据获取的过程控制历史数据确定所观测到的组内每一个实体的不合格样本数和每一个实体的样本总数;根据确定的不合格样本数和确定的样本总数计算用于组内的每一个实体的不合格率;利用算出的用于组内的每一个实体的不合格率计算用于该组的代表性不合格率;然后设定期望不合格率作为用于选定实体的过程控制目标,期望不合格率根据算出的用于组内的每一个实体的不合格率和算出的用于该组的代表性不合格率得出。
本发明各种应用的实施例可以作为方法、系统和/或计算机程序产品提供。应该注意上述内容只是概述并且因此包含有必要的简化和一般性的内容而省略了细节;本领域技术人员由此应该意识到概述只是说明性的而并不是为了以任何方式加以限制。本发明由所附权利要求确定的其他应用、创造性特征和优点将在以下给出的非限制性详细说明中变得明了。
附图简要说明
参照以下的附图来介绍本发明,其中相同的附图标记始终表示相同的元件。
图1-2(其中图2包括图2A-2B)提供的流程图示出了在实施本发明实施例时可以使用的逻辑;
图3A-3C提供的曲线图示出了置信区间和置信界限;
图4提供了本发明的实施例在评估过程控制观测数据的趋势并且根据趋势设定用于产品的目标时可以在其中使用的一组公式;
图5提供了利用采样数据以说明在确定用于产品的目标时执行的某些计算的曲线图;
图6提供了用于说明在确定产品目标时执行的某些计算的采样数据值的图表;
图7提供的流程图示出了可以在实施多级加权算法时使用的逻辑;
图8示出了适合用于存储和/或执行程序代码的数据处理系统。
具体实施方式
如前所述,传统的过程控制策略经常是基于任意或主观的目标。特定的企业目标或管理导向方案可以被用作目标,例如实现零缺陷或者设定逐年连续改进的要求。建立目标在使用常规技术时可能是最耗费精力的人工过程,并且组织目标可能在一定程度上是针对某种基准任意选择的,其中很少就特定目标是否正确或者适用于环境进行考虑或分析。当目标过于激进或过于保守时,企业就会鼓励不恰当的行为。例如零缺陷的目标在某些环境中可能是不合理和难以达到的,并且可能会导致过于狭窄地集中在特定和明显的生产质量方面的缺陷,这会阻碍或延误察觉到其他方面的突出质量问题。而且,对此类目标的坚持可能会导致雇员的挫败感并造成疏忽。在如今高速、高竞争性的企业环境中,目标应该仅被选择用于加强期望的行为。
本发明涉及基于趋势的目标设定,并且可以在过程控制环境中被用于根据过程控制观测数据得出确定可适用于环境的实际、客观的目标。正如以下更加完整介绍的那样,本发明的优选实施例包括在设计用于使目标设定过程自动化的层次结构中组织数据;基于该数据结构得出用于各种部件的目标判断标准(yardstick);应用技术以估算(在合适的情况下)结合偏差校正技术使用基于采样数量的修整的比例;并且基于组合判断标准和用于特征化部件质量的参数的置信区域得出目标。
具体的过程可以包括需要测量的大量元件,并且还可能需要同样大量的目标。以下使用的术语“产品”是指过程中的部件或实体,不过这只是作为说明而非限制,正如目标可以被设定用于实体而不是产品一样,并不背离本发明的保护范围。本发明的实施例例如以周期性的间隔循环地评估过程控制观测数据以设定修正目标。如果该评估表明修正目标不合适,那么就自动调节(也就是修正)目标并将结果值设定为修正目标。合适的目标因此是以不断发展变化的方式使用。所以在使用本发明的实施例时,可以显著改善实现性能目标的可行性,并且可以提高自动趋势分析结果的置信度。
在产品为新时,通常无法获得关于该产品如何在特定加工环境中完成的产品专用数据。传统的过程控制技术因此可以使用最佳猜测的方法设定用于新产品的目标。作为对比,本发明的实施例利用来自类似产品(在本文中也被称为相关产品)的先前观测数据建立用于新产品的基准目标。在优选的实施例中使用了产品层次,因此一种特定的产品被分类作为一个组中的一部分,并且来自其他组成员的观测数据被用于设定供该产品使用的基准目标。在一种方法中,产品是个体零件,层次对应于商品,每一种商品都由一种或更多种零件构成,并且构成一种特定商品的零件都是对应组中的成员。可以使用多级层次。例如,由零件构成的商品可以相应地是用于一种装置或其他更高级别实体的组成员。
在新生产出一种产品时,通常只有相对较少的采样数量B,也就是在过程中只能观测到用于相对少量产品样本的过程数据。根据本发明的实施例,这将会造成产品的目标更加严重地受到其组中平均值的影响(正如在以下介绍的公式中示出的那样)。随着产品的成熟,产品通常会积累更多的过程控制观测数据,并且这种产品专用数据可以促使产品目标越来越多地受到其自身历史的影响。
为了便于引用,作为一个组中成员的产品在本文中也被称为相关产品。例如,共同构成商品的一个组中的零件即被认为是相关产品。尽管本文中在讨论本发明的实施例时使用了零件/商品的关系,但这只是作为说明而非限制,并且特定组中的成员可以用其他方式关联而并不背离本发明的保护范围。例如,组成员可以根据用于相应产品的过程控制数据中的预期相似性或观测相似性来选择。
如本文中公开的那样使用过程控制观测数据用于相关产品就使得用于特定产品的目标能够以广泛的采样数据为基础。除了如上所述使用相关产品数据以设定用于新产品的基准目标以外,本发明的实施例在随后设定用于产品的修正目标时(除了考虑来自同一产品的先前观测数据以外)也会考虑相关产品的数据。来自组成员的观测数据因此会比初始(也就是基准)目标更多地影响目标。具体地,一个实施例在确定产品目标是否过于严格或过于宽松时使用来自所有组成员的观测数据,并且在评估目标的适用性时也使用来自所有组成员的观测数据。可选地,用于层次中下一个更高级别的观测数据也可以在这些计算中使用。
本文中使用的术语“不合格”是指产品样本不能符合用于该产品的过程控制目标。不合格用出现的数量、并且也用不合格率(有时也被称为产品的不良率)来进行量度。不合格率或不合格比率是通过将产品中的不合格样本数量除以产品观测样本的总数来进行计算。这种不合格率在本文中也被称为NCR。例如,过程控制目标(作为说明性的示例)可以被设定为在制造出的每1000件样品中有缺陷的样品不超过3件。因此在该示例中,目标的NCR就是0.3%或0.003。
尽管本文中的讨论主要涉及建立和评估用于产品的目标,但是本发明的实施例也可以或者可选地被用于建立和评估用于层次中更高级别实体的目标,例如商品级的目标和装置级的目标。因此,本文中涉及用于产品的目标的内容只是作为说明而非限制。
由于修正目标是计算用于产品并且根据用于产品及其相关产品的不合格观测样本进行检验,因此要就目标是否适用于产品进行自动确定。在本发明的一个实施例中,考虑提供用于修正目标适用性的容差级别的置信界限,通过比较产品的修正目标与用于该组的过程控制观测数据来评估适用性(正如以下进一步详细讨论的那样)。当适用性评估确定产品很可能优于修正目标达到阈值量以上时(例如修正目标在用于产品的置信下界以外),这就表明修正目标过于宽松,本发明的实施例就因此而自动建立更为严格的目标。另一方面,当适用性评估确定产品很可能差于修正目标达到阈值量以上时,这就表明修正目标过于严格,本发明的实施例就因此而自动建立更为宽松的目标。
现参照附图中的图示来给出更多的细节。图1-2提供的流程图示出了在实施本发明实施例时可以使用的逻辑。要注意的是公开的方法适合设定用于新产品的初始目标,并且也适合设定用于现有产品的调节目标,因此两种情况均可被认为是设定用于产品的目标。以下的讨论介绍了设定目标用于单一产品的单循环,其中该技术例如可以按设置的间隔和/或响应于预定事件B循环应用于B以评估不断发展变化的过程控制状态并因此设定产品专用的目标。
用于确定产品过程控制目标的过程通过确定整体上用于组的几个数值开始,并且在图1中示出了该过程。因此,图1中的模块110通过确定可以使用B的相关产品开始,相关产品也就是评估产品作为成员的组内的所有产品。(术语评估产品在本讨论中被用于表示被分析的目标所针对的产品,而术语相关产品和组内产品是指被分析的目标所针对的产品以及还有组中的其他成员。)在一种方法中,这可以通过查找数据结构来完成,在该数据结构中将评估产品的标识符用作检索相关产品标识符的关键字。
模块120计算用于每一种相关产品的NCR。根据本发明的实施例,这可以通过确定用于在模块110识别出的每一种相关产品的测试对象数量(也被称为采样数量)以及用于组内每一种相关产品的不合格对象观测数量来完成。在其先前建立的置信上界或下界以外完成的产品在本文中被称为不合格品或NCI。产品专用的采样数量在本文中被称为n,并且用于特定产品的NCI观测数量在本文中被称为X。因此,模块120处的计算可以被表示为图4中所示的公式400。
作为一个简单示例,假设感兴趣的产品是包含4种相关产品的组中的成员,并且对于这些产品中的每一种均可进行单次采样。进一步假设四次采样表示测试1000,10000,1000和10000个对象并且相应采样中的NCI数是1,20,5和40。因此,在模块120算出的产品专用NCR值分别是0.001,0.002,0.005和0.004。
模块130随后根据组中产品的NCR值计算平均NCR。在以上给出的简单示例中,这种计算就是(0.001+0.002+0.005+0.004)/4=0.003。也就是说,在本示例中,组内所有产品的平均不合格率为0.3%。要注意的是这种组平均值根据优选实施例被计算为直线平均值而并未根据采样数量进行加权。用这样的方式避免具有长历史和/或相对较大采样数量的组成员支配组专用的计算。但是,在一种可选方法中,产品专用NCR可以对具有较大采样数量的组成员在一定程度上更高地加权而并不背离本发明的保护范围(不过优选的是这种加权不与采样数量成正比以避免干扰组专用的计算)。
在一种可选方法中,在模块120处算出的产品专用NCR可以在模块130处取平均之前先修整而并不背离本发明的保护范围。参考以下参照模块210中的处理给出的用于说明可以如何修整产品的过程控制数据以去除异常值的修整讨论内容,由此得到更加可靠的用于产品的NCR。
模块140确定选择的置信水平,在本文中被称作β(即贝塔),将其用于建立置信区间。置信水平可以通过从资料库例如配置文件中检索预定编号获得,或者用包括提示用户或将固定值硬编码到实施例中的另一种方式B来获得。仅作为说明,本文中的讨论使用的置信水平β=0.1。该β值建立起90%的置信区间(也就是1-β=0.9)。
模块150利用来自模块140的选定置信区间以根据用于组内每一种产品的采样数量之和来计算用于组平均NCR的置信界限。用于计算置信界限的技术是已知的,并且本领域技术人员可以轻易理解如何根据可用数据计算置信界限。
再次参照示例,假设(为了便于说明)对于所有四种产品的总采样数量是10000而不是如前所述的22000。给定90%的置信区间和10000的总采样数量,那么双侧90%置信区间的界限就是(0.00216,0.00407)。因此该区间的界限是0.00216作为下界以及0.00407作为上界。换句话说,用于该采样数量10000的不合格率在0.216%到0.407%之间的置信度为90%。
图3A提供的曲线图参照曲线300示出了双侧90%置信区间的概念。如图中所示,括号310,320内的曲线区域就表示90%的置信区间。(要注意的是曲线300的形状仅提供用于说明目的而并不是为了表示由本发明实施例使用的数据。)
既然已经算出用于组平均NCR的置信区间界限(L,U),模块160就确定所述界限之间的中点。该数值在本文中也被等价地称为A和组判断标准。在置信区间为(0.00216,0.00407)的上述示例中,中点是(0.00216+0.00407)/2=0.0031。要注意的是该中点值略大于在模块130算出的在本示例中为0.003的组平均NCR。这是因为置信界限并不是精确对称的。但是,只要是非平凡(non-trivial)的采样数量,这种组判断标准的简单计算即可被认为是足够的。代表性组判断标准在用于置信区间310,320的图3A中以340示出。
在一种可选方法中,判断标准可以被计算为置信界限的加权平均值而不是简单平均值。可以根据过程控制专业人员的偏好做出是使用加权平均值还是简单平均值的选择。也可以使用其他的技术用于将判断标准计算为用于组NCR的代表性数值而并不背离本发明的保护范围。例如可以考虑关于判断标准应该置于何处的现有技术,其中该现有技术(例如)可以基于类似产品的行为以用于编程操纵判断标准的位置。这例如可以使用贝叶斯(Bayesian)技术来实现。但是,使用置信界限的优点在于即使在没有观测到故障并且用户未选择使用关于判断标准应该位于何处的任何现有信息时也能得到判断标准。
要注意的是通过在模块120第一次计算产品专用估算值并且随后在模块130将这些值不通过产品专用采样数量进行加权地取平均,即可避免具有长时间运行历史的产品支配组判断标准值。但是,也可以使用可选技术用于计算组判断标准而并不背离本发明的保护范围。
当评估产品为新时,还没有用于包括在图1过程中的过程控制观测数据;因此使用所公开的技术将来自组内其他产品的观测数据用于建立供新产品使用的初始目标。在后续的循环中,来自评估产品的观测数据就可以获得并且被包括在计算中。
在完成图1中的处理之后,组判断标准和组平均NCR均已根据过程控制观测数据算出,并且因此这些信息能够在确定评估产品应该在将来如何表现的估算值时使用。用于确定产品过程控制目标的处理因此而继续,并且图2中示出了这种处理,其中包括图2A(示出了第一种方法)和图2B(示出了第二种方法)。要注意的是图2中每一个模块的处理都会首先用高级别说明,并且随后参照可以用于完成该模块功能的特定数学计算来给出各个模块更为详细的介绍。
模块210计算用于评估产品的NCR的可靠估算值。该可靠估算值在本文中被称为R。计算组平均NCR的简单示例如上所述,涉及包含四种产品的组以及用于每一种产品的来自单次采样(也就是来自单个时间间隔)的数据。但是,来自单次采样的数据在某些情况下可能并不可靠。过程控制观测数据也可以包含其中观测数据具有极高和/或极低NCI数量的采样,并且这些极端值可能导致并不适用于目标设定的估算。本发明的实施例因此可调整为计算评估产品NCR的可靠估算值以避免这些问题。以下在讨论完模块270之后详细介绍一种用于计算NCR可靠估算值的方法。
如果需要,如模块220所示,可以对可靠的估算值R执行偏差校正过程。在一个实施例中,偏差校正在R的估算偏差明显不为零时执行。该偏差校正估算值在本文中被称为R(corr)。在本发明的实施例中,偏差校正过程包括使用周期性的可靠NCR值(也就是说可靠NCR值对应于进行采样的时间间隔例如星期)的副本序列供评估产品使用,然后得出对偏差进行校正的值。以下在讨论完模块270之后详细介绍一种用于执行该偏差校正的方法。(要注意的是如果NCR的可靠估算值并不是明显不为零,那么优选地应省略偏差校正过程。)
在这一点上,图2A的处理中已经计算出评估产品不合格率的偏差校正估算值并将其作为用于评估产品新目标的备选值。但是,本发明的一个实施例被调整为根据过程控制观测数据验证是否可以认为该目标适用于评估产品,并且如有必要就设定不同的目标以用于提供合适的目标。
本发明的一个实施例使用置信上界和置信下界(U,L)作为用于设定目标的准则,由此提供关于新目标可以与当前用于产品的目标如何不同的界限。因此,模块230计算置信区间(L,U)用于在模块220创建的偏差校正的可靠估算值(或者在合适的情况下用于在模块210创建的可靠估算值)。以下在讨论完模块270之后详细介绍一种用于计算该置信区间的方法。(要注意的是在模块230算出的置信区间是用于特定产品,而在模块150算出的置信区间则是用于产品组。)
模块240测试偏差校正的可靠估算值是否小于或等于组判断标准A(在图1中的模块160算出以表示用于组平均NCR的双侧置信区间的中点)。参照图3A中的曲线300,模块240处的该测试包括测试评估产品偏差校正的可靠估算值是否落在曲线300的左侧内(包括340处的中点A)。当模块240处的测试具有肯定结果时,这就表明评估产品的不合格率预期小于或等于整体上用于该组的平均不合格率。因此,控制到达模块250,其将评估模块的目标设定为(i)组判断标准A和(ii)在模块230算出的用于评估产品的置信区间的上界U中的较小者。
例如,假设用于评估产品的置信界限如图3B中的351,352所示,其中用于评估产品的置信区间(L,U)全部小于组判断标准340。这就如上所述地表明产品预计平均表现比组更好(也就是具有更低的不合格率)。因此,本发明的实施例将用于评估产品的目标设定为产品上界352,这就通过赋予其更加宽松的目标同时仍然保持目标与产品的能力相符而针对产品的良好性能有效地进行了奖励。因此,目标被认为是实际可行的。
接下来是模块250的处理,随后控制转移至以下讨论的模块270。
当模块240处的测试具有否定结果时,这就表明用于评估产品的不合格率预期大于整体上用于该组的平均不合格率(也就是大于组判断标准)。因此,控制到达模块260,其将评估模块的目标设定为(i)组判断标准A和(ii)在模块230算出的用于评估产品的置信区间的下界L中的较大者。
例如,假设用于评估产品的置信界限如图3C中的361,362所示,其中用于评估产品的置信区间全部大于组判断标准340。这就如上所述地表明产品预计平均表现比组更差(也就是具有更高的不合格率)。因此,本发明的实施例将用于评估产品的目标设定为产品下界361,这就通过赋予其更加严格的目标同时仍然保持目标与产品的能力相符而针对产品的较差性能有效地进行了惩罚。
要注意的是当评估产品的置信区间(L,U)包含组判断标准A时,模块250处的处理就导致将评估产品的目标设定为组判断标准。这一点可以实现是因为评估产品被视为干扰过大。可选地,当组判断标准并未落在评估产品的置信区间(L,U)内时,那么模块250和260处的处理就导致将评估产品的目标设定为更接近组判断标准的界限U或L。
在模块260的处理之后控制就转移至模块270。
现参照图2B,在转至对模块270的讨论之前,先介绍图2A的模块210-260中计算的一种可选方法。要注意的是通常无需首先获得估算值即可获得用于产品不合格率的置信界限(无论有没有偏差校正)。因此,图2B中示出的方法是基于产品的NCR值而不是其偏差校正的估算值。模块231因此计算用于产品NCR值的置信区间(L,U)(先前是在图1中的模块120确定)。
模块241测试产品的置信上界U是否小于组判断标准A。如果是这样,那么模块251就将产品目标设定为产品的置信上界。(这是图3B的示例中示出的情况,并且在这种情况下目标被设定为上界352。)当在模块241中的测试具有否定结果时,模块242测试产品的置信下界L是否大于组判断标准。如果是这样,那么模块252就将产品目标设定为产品的置信下界。(这是图3C的示例中示出的情况,并且在这种情况下目标被设定为下界361。)如果模块241和242中的测试都没有肯定结果,那么模块261就将产品目标设定为组判断标准的值。(这是图3A的示例中示出的情况,并且在这种情况下目标被设定为判断标准340。)
现在返回对图2A的讨论,模块270表示可以根据一种或更多种策略执行以选择性调节修正目标的可选后处理(并且在图2B中也示出了这种可选后处理)。使用的策略允许将组织目标和要求加入目标设定过程中作为对目标的改进。仅作为说明,策略可以包括:允许基于产品寿命调节产品目标的策略;允许基于产品专用准则调节特定产品目标的策略;根据阈值不合格率调节产品目标的策略;以及调节或约束用于具有低采样数量的产品的目标的策略。策略也可以根据特定环境的需求出于其他原因而使用,用于控制是否接受生成的目标或者是否要进行修改。例如,可能希望限制目标的改变频率以避免困扰与过程控制系统交互的用户。因此,本文中提供的示例仅仅是说明性的。现在就讨论几种示例性的策略。
通常,可以观察到特定产品的生命周期阶段经常会影响到涉及目标的处理(其中生命周期是从开始研发产品到产品寿命或使用结束的时间段)。例如,当产品被新引入到过程内时,该产品可能会出现相对较高的不合格率,并且这通常被认为是正常的可预期行为。某些产品在接近其生命周期结束时也会经历不合格率的上升。涉及新或相对新的产品的策略因此可以允许产品目标与更稳定的产品相比更大程度地从置信区间改变。涉及到达其生命周期终点的产品的策略例如可以允许产品不合格率的预先指定幅度的缓慢变化。
作为根据产品专用准则调节用于特定产品的目标的策略示例,假设确定过程中的某些因素导致产品编号ABC 123具有不正常的不合格率,并且研发团队正在调查该问题。可以应用改变用于该特定产品计算目标的策略,在该策略就位时,在模块270将接受的目标乘以适当的因子(作为示例例如是0.9或1.1)。
作为根据阈值不合格率调节或约束产品目标的策略示例,假设本发明实施例算出的用于特定产品的目标是0.0164或1.64%。可以由过程控制专业人员确定该目标对于该产品来说不够严格。后处理策略可以因此应用而不再允许目标高于0.01(也就是1%的不合格率)。在此情况下,用于产品的目标可以在模块270处应用策略时向下修正为0.01。
作为调节用于具有低采样数量的产品的目标的策略示例,策略可以明确如果用于组的总采样数量低于某一阈值,那么用于组内产品的目标即被设定为组判断标准。假设特定组包括四种产品,并且用于这四种产品的过程控制观测数据给出的总采样数量为69。进一步假设用于四种产品中两种的NCI数为零。这可以根据采样数量被认为是不可靠的数据。因此,用于四种产品的目标可以被设定为组判断标准。正如应该意识到的那样,例如应用这样的后处理策略应调用怎样的采样数量的策略值的确定是环境专用和产品专用的。
策略可以明确在应用策略之前必需满足的多种标准。参照上述的向下修正策略,其中例如目标被设定为1%的阈值,只有对特定产品执行这种调节或者只有在采样数量低于特定阈值时或者只有特定产品偶尔在其采样数量低于特定阈值时等诸如此类的情况下才认为是合适的。
在模块270的操作之后,这种用于评估产品的基于趋势的目标设定循环处理随之结束。
以下参照优选实施例的计算提供可以用于实现图2上述模块中的几种功能的更多细节内容。
计算可靠的估算值
参照NCR的可靠估算值,如上所述参照模块210,现在介绍可以用于该计算的一种方法。本发明的实施例分析在多次采样中观测到的过程控制数据,其中采样表示在一段时间间隔内收集数据。为了便于说明,该间隔在以下称为一个星期。采样数量相应地表示在这一星期期间测试的产品样本数量。假设流程控制观测数据在数量为N的几个星期内都可用。用于特定产品的每周采样数量可以相应表示为n(l),n(2),...,n(N),并且用于特定产品的每周不合格对象数量可以表示为X(l),X(2),...,X(N)。这些数值可以被用于计算产品的NCR,产品在本文中被称为P。用于特定产品的每周不合格率可以表示为P(1),P(2),...,P(N)。
在一种方法中,用于产品的NCR可以通过对该产品所有样本计算平均不合格率而确定,正如图4中的公式405所示。更具体地,如405所示,NCR可以通过首先对所有星期(i)到(N)的每周不合格对象数量X(i)求和,并随后将总和除以表示同样这些周的每周采样数量n(i)之和的值来计算。
尽管由公式405示出的方法给出了产品NCR的一种估算,但是这并不认为是一种可靠的估算。例如可能会出现用于产品的观测数据有时普遍波动偏离正常值的情况,由此在数据中引入异常值。异常值是在某一个星期观测到特别高或者特别低的NCI数的情况。如果例如产品处于其生命周期的早期或者具有明显质量问题,那么就有可能在一次或更多次采样中具有很高的NCI数。也可能会出现产品临时表现地明显好于正常状态的情况,并且因此在一次或更多次采样中具有很低的NCI数。根据优选实施例,这样的异常值被确定为位于产品置信区间以外的数值。因为这些异常值并不代表产品的正常波动,所以在假设有稳定的潜在不合格率的情况下,将它们包括在用于设定新目标的数据内就可能会干扰计算并导致更不可靠的目标。因此,本发明的实施例使用本文中被称为是产品不合格率的可靠估算值R,正如以上参照图2A中的模块210简要介绍的那样。
在一种方法中,模块210通过应用修整过程计算用于评估产品不合格率的可靠估算值以根据过程控制观测数据得到可靠值R。该修整过程包括去除一个或更多个表现为异常值的观测到的过程控制数据样本。在优选实施例中,该修整过程通过按周B排序P值而开始,也就是说,将表示用于每一个特定周B中评估产品的观测不合格率的值P(i)按大小以增序排列。作为示例,假设得到的序列如图4中的410所示,表示用于数量为N的几周的数据。如该序列410所示,在本示例中是在第5周观测到最低的不合格率,并且在第2周观测到最高的不合格率。在确定了P(i)值的顺序之后,就将该同样的顺序应用于排序对应的采样数量n(i)和对应的NCI数X(i)。参见图4中(分别)示出的411,412。
一旦每周数据已经如图所示排序为410-412,那么就可以从采样中丢弃异常值。在本发明的实施例中使用低修整级别和高修整级别以用于去掉具有低NCR和具有高NCR的异常值。这些修整级别在本文中分别被称为α(1)和α(2)并且表示百分比。可以使用对称的修整级别。可选地也可以使用不对称的值。作为示例,α(1)可以设定为0.1,而α(2)被设定为0.05,(在该示例中)表示总采样数量(也就是所有N周的测试总数)中最低的10%和总采样数量中最高的5%都被舍弃。因此,总采样数量中的比例α(1)和相同比例的对应NCI数X(i)就相应地从序列中的低端被舍弃,而总采样数量中的比例α(2)和相同比例的对应NCI数X(i)就相应地从序列中的高端被舍弃。
例如,假设N周的采样包含100个数据观测样本,并且这些观测样本中的10个出现在第5周,第5周就是序列的低端。在此情况下,所有的采样数量n(5)以及所有的对应NCI数X(5)就都会从采样中舍弃以满足10%的低端修整比例。但是,也可能会发生第5周只包含8个观测样本数据的情况。在此情况下,需要舍弃另外2个数据样本以满足α(1)的剩余部分。参照410处的序列,序列中下一个最低的周是第1周。如果第1周包含2个观测数据样本,那么整个采样数量n(1)以及所有的对应NCI数X(1)就也被舍弃。但是,可能会出现这一周包含多于2个观测样本的情况。这在本文中被称为边界周的情况,由此用于该周的观测样本将在修整过程中被部分舍弃而不是全部舍弃。在从边界周中舍弃观测数据时,优选实施例并不重新计算用于该周的NCR,不过要将其采样数量下调以满足低端的修整率α(1)。
用类似的方式,高端修整级别α(2)被用于从序列高端丢弃对应比例的总采样数量,这(例如)可以导致根据410的序列丢弃示例B中全部或部分的采样数量n(2)也就是最高顺序的第2周中的采样数量以及全部或部分的对应NCI数X(2)以满足5%的高端修整率。如前所述,在从边界周中舍弃观测数据时,优选实施例并不重新计算用于该周的NCR,但是要将其采样数量下调以满足高端的修整率α(2)。
通常,低端修整率促使丢弃部分数值最小的NCR值P(i),而高端修整率促使丢弃部分数值最大的NCR值P(i)。异常值由此被去除,并且模块210的处理结果因此就是利用剩余(也就是未丢弃)观测数据得到的评估产品不合格率的可靠估算值R。
计算用于可靠估算值的偏差校正值
现参照对可靠估算值R执行的偏差校正,正如以上参照图2A中的模块220简要介绍的那样,介绍一种可以用于该计算的方法。在本发明的实施例中,该偏差校正包括首先对用于评估产品的每周不合格率P(i)的一定数量B的复制序列进行仿真。例如,如果B=100,那么就建立100个序列,根据潜在的真实不合格率与参照图2A中模块210计算出的可靠估算值R相同的假设来进行仿真。还要注意的是复制序列的计算假设采样数量不变,仍未在建立可靠估算值R时使用的值n(l),n(2),...n(N)(并且因此也表示已经去除了异常值的修整采样数量,正如以上参照模块210所述的那样)。
一旦已经针对每一个序列算出可靠估算值(例如在修整以去除异常值之后,使用如上所述的可靠估算值计算),那么就可以根据仿真NCR值的大小来建立一个新的P(i)值序列。参见图4中示出的重新采样序列410a,本示例中在此排序的仿真NCR值表示用于第7周的不合格率在使用复制序列时变为最小,然后是用于第3周的不合格率,接下来是用于第6周的不合格率,等等。这种根据410a的新顺序随即被用于排序采样数量和NCI数,正如411a和412a分别示出的那样。
随后将算出的用于每一个复制序列的可靠估算值对所有B个序列求和,并且将该求和值除以B以得到根据重新采样的副本估算出的平均不合格率。该平均值在本文中被称作R(Avg)。参见图4中的公式422。在公式422中,RS表示复制序列,符号(0,i)中的0表示重新采样的NCR估算值是在假设真实NCR为R的情况下获得的;并且符号(0,i)中的i被用作复制序列的索引并因此可以取1到B的值。
随后对值R(Avg)是否严重偏离R(也就是偏离假定的不合格率可靠估算值)进行判定,并且如果是这样,那么就表示应该校正偏差。因此,图4中的公式423通过将R(Avg)除以值R(也就是在模块210算出的NCR可靠估算值)并随后从所得结果中减1来计算值r。该值r在本文中被称作偏差系数,并且表示R(Avg)中的偏差大小。要注意的是如果r值为零,那么就表示R(Avg)=R并且因此在R(Avg)中不存在偏差。
随后将偏差校正系数应用于R以校正其中可能存在的偏差。该偏差校正系数由值γ(伽马)表示,其中γ值通常是从区间[0.5,1]中选出,并且用于应用γ以校正R中偏差的公式在图4中以424示出。如其中所示,将偏差校正系数γ乘以计算出的偏差系数r,然后将所得乘积加1。然后将用于评估产品的不合格率可靠估算值R除以该和值,即可得到用于产品的偏差校正的NCR可靠估算值。该商值在本文中被称作R(corr)。
作为偏差计算过程的示例,假设用于特定产品的不合格率可靠估算值R被计算为0.125,表示每1000个该产品的样本中就有125个被评估为不合格。进一步假设值R(Avg)通过公式422被计算为0.2(仅仅是为了说明计算)。公式423随后算出(0.2/0.125)-1)=0.6。如果偏差校正系数γ被选择为1,那么公式424就计算出(0.125/(1+0.6))=1.6作为用于评估产品的偏差校正的NCR估算值R(corr)。或者,如果偏差校正系数γ在相同的情况下被选择为0.5,那么公式424就计算出(0.125/(1+(0.5*0.6)))=(1.25/1.3)=0.096作为偏差校正的NCR估算值R(corr)。
尽管公式422计算的是用于复制序列的直线平均值,但是在可选方法中也可以改为使用加权平均值。在一种方法中,较新的产品批次(例如在按周采样时更近的周)在这种加权平均中与较老的产品批次相比被赋予更高的权重。这例如可以通过人工增加对应于较新产品批次的采样数量来实现。附加地或替代性地,用于较老产品批次的采样数量也可以人工减少。(以下讨论的图5提供了在其中应用加权平均值的曲线图。)
计算用于偏差校正后的可靠估算值的置信区间
现在参照已经在以上参照图2A中模块230简要介绍过的置信区间(L,U),该置信区间被计算用于模块220处建立的偏差校正后的可靠估算值(或者在合适的情况下用于模块210处建立的可靠估算值),并且介绍一种可以用于这种计算的方法。在本发明的实施例中,获得该置信区间的置信界限使得目标设定过程能够限制新目标与当前使用的目标相比可以得到怎样的极限。过程通过计算整体的有效采样数量开始,在本文中被称作n(eff),并且反映出与修整(例如在模块210执行的用于计算NCR可靠估算值的修整)相关联的估算效率损失。用于计算n(eff)值的公式在图4中以430示出,现在就进行介绍。
对n(i)求和,其中(i)取从1到N的值,这表示对所有N周的观测样本的采样数量求和。但是,低端和高端修整级别α(1)和α(2)被用于修整一定比例的采样,正如参照模块210介绍的那样。公式430使用计算为这些修整级别平均值的值α,也就是说α=(α(1)+α(2))/2。公式430还使用值u,这是通过仿真确定的正系数,表示由修整造成的估算效率损失。如公式430所示,用1减去α和u的乘积,然后将得到的值乘以求和的采样数量以产生有效采样数量n(eff)。
关于u值,仿真可以用于经验性地(也就是根据数据)得出该值。例如,自引导重新采样分析可以被用于评估可靠估算值R相对于不可靠(但是统计意义上更加有效)的估算值P的变化扩大情况。n(eff)值可以随后根据这种变化比较进行直接估算,得到能够在公式430中使用的u的估算值。仿真也可以被用于得出用于u的可应用于大范围数据集的公式。图1的431示出了一个这样的公式示例,其中u(0)和u(1)是基于仿真研究确定的参数。
然后计算有效的NCI观测值,表示可以用修整采样数量观测到的不合格样本数的估算值。该有效NCI观测值在本文中被称作X(eff),并且如公式432所示通过将有效总体采样数量n(eff)乘以偏差校正过的可靠估算值R(corr)来计算。要注意的是X(eff)和n(eff)都可以是非整数。
函数F(x,a,b)被定义用于以参数(a,b)表示贝塔分布随机变量的累积分布,如图4中的433所示。用于不合格率的置信上界(1-β)*100%随后即可通过求解该函数获得x而确定。在该公式433中,值X(eff)+1表示比整体有效采样数量中估算的不合格样本数量多1个,并且值(n(eff)-X(eff))表示整体采样数量中合格样本的估算数量。要注意的是当X(eff)为零时,表明在全部采样中都没有不合格样本,那么下界也为零,并且上界可以利用434示出的公式进行计算。
类似地,用于不合格率的置信下界(1-β)*100%随后即可通过求解公式435获得x而确定。在该公式中,值X(eff)表示整体有效采样数量中估算的不合格样本数量,并且值(n(eff)+1-X(eff))表示比整体采样数量中合格样本的估算数量多1个。要注意的是当X(eff)=n(eff)时,表示全部采样都是不合格的,那么上界为1并且下界可以利用436示出的公式进行计算。
参照图5,提供了利用采样数据以说明在确定用于产品的目标时执行的某些计算的曲线图500。如该示例中所示,每周采样数量的累积求和在x轴上表示,并且每周观测NCI的累积求和在y轴上表示。经过交点的曲线用510处的虚线示出,并且因此示出了在给出的星期内对应于供产品使用的实际NCR观测值P的趋势。如上参照图2A中的模块210所述的那样应用修整以去除异常值,导致用虚线520示出的斜率,并且线520因此表示可靠(修整)的不合格率估算值。550处的粗实线经过530处的原点(0,0)以及540处的图形交点,表示NCR的加权(也就是不可靠)估算值。点540处的x坐标表示在所有N个星期的总采样数量,并且点540处的y坐标表示在总采样数量中的不合格样本总数。(应该注意到的是尽管线520的斜率表现为类似于图5中线550的斜率,但是斜率并不相同。)
现转至图6,示出了采样数据值的图表600,其中这些采样数据值被用于说明在确定产品目标时执行的某些计算。两级层次在图表600中作为示例进行说明,不过本发明的实施例也可以支持多于两级的层次。表600中的各列为了便于说明而编号。第一列提供了部件标识符。第二列提供了产品标识符例如零件编号。因此,表600中的7行采样数据就表示组装为2种部件AA和AB的7个零件。在示例中,部件AA包括三个零件AA1,AA2和AA3,而部件AB包括四个零件AB1到AB4。
第三列在该示例中是与一年内的周数相关的索引值,并且表示观测样本数据可用的最新周数。第四列包含用于该零件的估算NCR。第五列包含观测数据可用的总周数。第六列包含用于该零件编号的测试样本总数,并且第七列包含观测到的不合格样本总数。第八列和第九列包含用于潜在不合格率的90%置信上界和下界(L,U)。
第10列包含用于该商品的测试样本总数,并且因此包含用于特定商品中每一个零件的相同数值。第11列包含用于商品的NCR判断标准,并且也包含用于商品中每一个零件的相同数值。该判断标准与第8-9列中的置信界限(L,U)相比较以获得用于该零件的最终目标NCR,这在第12列中示出。(要注意的是如果没有不合格样本B,也就是特定商品中没有次品B,那么第11列中的值也不为零,原因在于根据优选实施例这是基于置信界限的。作为对比,用于商品NCR的估算比率在此情况下应该为零。)
正如根据本文中的讨论显而易见的那样,表600中的格式仅作为说明而不是限制,并且另外或不同的值均可使用而并不背离本发明的保护范围。作为示例,存储各种计算出的可变参数例如Nmin和Nmax的值也被视为有效。还应该注意的是表600中的数值仅仅是说明而并不表示实际计算结果。例如,尽管用于商品AA的3个零件AA1到AA3的测试对象数在第6列中被示出为(9+5592+19242),但是用于商品AA的测试对象总数在第10列中被示出为1.1672E5。
而更早的讨论说明了用于相关产品组的数据可以如何在计算产品目标NCR时使用,先介绍一种增强应用,其中来自层次中多个级别的数据可以被用于计算产品的目标NCR。假设使用的是四级层次,其中0级是最低级别并且表示单个零件;1级是下一个较高级别并且表示由零件构成的子部件;2级是下一个较高级别并且表示由子部件构成的部件;且3级是最高级别并且表示由部件构成的装置。
在这种应用中,利用关于零件编号自身的信息以及根据零件编号所属层次计算出的判断标准的组合来获得用于零件的目标。用于零件的判断标准相应地被构成为对应于各个层次的判断标准加权平均值。图7提供的流程图示出了可以在实施该过程时使用的逻辑,正如要介绍的那样。
用于层次中指定级别的判断标准被定义为某种中心量度,例如对应于该层次级别内所有元件的可靠NCR估算值的平均值。图7中的模块710因此表示在用于特定零件的遍历路径内针对每一个级别(从1级开始并且向上前进至最高级别)计算判断标准。因此,在上述四级层次的情况下,判断标准应该被计算用于1,2和3级中的每一级。例如,如果在1级中有10个子部件,那么10个子部件的判断标准即被计算用于该级别,并且如果这10个子部件被组装为级别2中的5个部件,那么就要计算这5个部件的判断标准。如果5个部件被组装为级别3中的2套装置,那么就要计算这2套装置的判断标准。
模块720在计算加权平均值时确定应将怎样的权重赋予每一个级别的判断标准。在优选方法中,计算用于特定零件编号的目标时使用的判断标准至少需要K个单元的某种阈值,其中K排除了单元编号自身所属的单元。向上遍历层次以计算建立用于零件编号的判断标准所需的权重,并且在每一个级别都以类似方式排除单元。也就是说,假设目标是被计算用于零件编号ABC,并且该零件编号被发现是在子部件DEF内,子部件DEF相应地被发现是在部件GHI内,部件GHI被发现是在装置JKL内。进一步假设在子部件DEF内有K(1)个单元,此时未计算零件编号ABC所属单元;并且在部件GHI内有K(2)个单元,此时未计算子部件DEF所属单元;并且在装置JKL内有K(3)个单元,此时未计算部件GHI所属单元。
权重被优选指定给相连的层次,并且层次中的特定级别优选地只有在该级别包括至少K个单元时才能使用整个100%的权重。否则,相对于K值优选使用按比例的权重。如果所有层次级别都已遍历而并未累积到所需数量的K个单元,那么如前所述优先为中间级别分配权重,其中为最终级别分配可累加至100%的剩余权重。
例如,假设K=100单元,并且经过用于零件编号ABC的层次(采用如上所述的层次结构)的路径中的级别1到3分别包含50,120和200个单元,此时已经如上所述排除了单元。也就是说,如果沿该路径遍历的子部件DEF包含17个单元,那么这些单元并不包括在1级中的K(1)=50个单元内,等等。因为1级仅包含50个单元而不是所需的K=100个,所以在该级别使用50/100或0.5的权重。对于2级,这50个单元被排除作为遍历路径的一部分,并且因此随后要在2级考虑剩余的120-50=70个单元。同样,这仍然小于所需的K=100单元,所以2级也不能100%地接受未分配的50%权重。相反,用于2级的权重被计算为0.5*(70/100)=0.35。也就是说,2级接受总权重的35%。剩余的15%权重随后被分配给用于3级的判断标准,因为3级已经是层次中的最后一级。
模块730对级别专用判断标准应用级别专用权重以获得用于特定零件的判断标准。通常情况下,这包括计算可以表达为将v(i)*y(i)对i=1到N求和的加权平均值,其中N是层次中的最高级别,v(i)表示用于级别(i)的权重;而y(i)表示用于级别(i)的判断标准。在示例中,用于零件编号ABC的判断标准因此被表达如下:
用于ABC的判断标准=v(1)y(1)+v(2)y(2)+v(3)y(3)=0.5y(1)+0.35y(2)+0.15y(3)
要注意的是如果下一个更高级别的层次包含与前一级别同样数量的单元,那么在建立用于该部分的判断标准时该层次级别的权重由于已讨论的排他性方法而为零。
用于选择层次权重的其他技术也可以使用而并不背离本发明的保护范围。例如,不再是排除遍历路径中的单元,这些单元可以全部用B或者部分用B加权以计算用于该级别的权重。
正如以上介绍的那样,本发明的实施例利用基于趋势的数据确定了产品的合适目标,其中基于过程控制观测数据的该目标是实际和客观的。层次数据可以如上所述被用于帮助设定供新产品使用的初始目标,由此层次用某种方式识别出类似于新产品的产品。用于相关产品的观测数据能够因此被用于设定供新产品使用的初始目标,由此避免建立在使用常规技术时经常出现的随意的组织目标。过程中的天然易变性得以减轻,并且可以考虑到例如产品寿命等因素对过程中产品的影响。
参照图8,根据本发明示出了数据处理系统的方块图。数据处理系统800例如本文中介绍的其中一种处理设备可以包括对称的多处理器(ASMP)系统或其他结构,其中包括连接至系统总线804的多个处理器802。可选地也可以使用单个处理器802。存储器控制器/缓存806也被连接至系统总线804,它提供了用于本地存储器808的接口。I/O桥810被连接至系统总线804并且提供了用于I/O总线812的接口。I/O总线可以被用于支持一条或更多条总线814以及对应设备,例如总线桥、输入输出设备(I/O设备)、存储设备、网络适配器等。网络适配器也可以被耦合至系统以使数据处理系统能够通过中介的专用网络或公用网络被耦合至其他的数据处理系统或远程打印机或存储设备。
各种设备例如图形适配器816、存储设备818和其上装有计算机可用程序代码的计算机可用存储介质820也都可以被连接至I/O总线。可以执行计算机可用程序代码从而完成如本文中已经介绍过的本发明的任何一种应用。
图8中示出的数据处理系统例如可以是IBM系统中的p7系统,这是纽约州Armonk市的国际商用机器公司的一种产品,运行的是先进交互式执行(AIX7)操作系统。面向对象的编程系统例如Java可以结合该操作系统运行并且由数据处理系统上运行的Java7程序或应用程序提供对操作系统的调用。(系统p和AIX都是国际商用机器公司在美国或其他国家的注册商标。Java是Sun微系统公司在美国或其他国家的注册商标。)
正如本领域技术人员能够理解的那样,本发明的应用可以实施为系统、方法或计算机程序产品。因此,本发明的应用可以采用完全为硬件的实施例、完全为软件的实施例(包括固件、常驻软件、微型代码等)或者组合软件和硬件应用的实施例的形式,它们基本上在本文中全都可以被称为“电路”、“模块”或“系统”。而且,本发明的应用可以采用在其上实施有计算机可读取程序代码的一种或更多种计算机可读取介质内实施的计算机程序产品的形式。
可以使用一种或更多种计算机可读取介质的任意组合。计算机可读取介质可以是计算机可读取信号介质或者计算机可读取存储介质。计算机可读取存储介质例如可以是但不局限于电、磁、光学、电磁、红外或半导体系统、装置或设备,或者是上述类型的任意适用组合。计算机可读取存储介质的更多具体示例(非穷举性列表)可以包括以下内容:具有一条或更多条线路的电连接,便携式计算机磁盘,硬盘,随机存取存储器(RAM),只读存储器(ROM),可擦除可编程只读存储器(EPROM或闪存存储器),便携光盘只读存储器(CD-ROM),DVD,光存储设备,磁存储设备或上述内容的任意适用组合。在本文献的语境中,计算机可读取存储介质可以是能够包含或者存储程序以供使用或者与指令执行系统、装置或设备结合使用的任何实体介质。
计算机可读取信号介质可以包括例如在基带中或者作为载波的一部分与其中实施的计算机可读取程序代码一起传播的数据信号。这样的传播信号可以采用多种形式中的任何一种,包括但不限于电磁信号、光信号或其任意合适的组合。计算机可读取信号介质可以是并非计算机可读取存储介质并且能够通信、传播或者输送程序以供使用或者与指令执行系统、装置或设备结合使用的任意计算机可读取介质。
在计算机可读取介质上实施的程序代码可以利用任意合适的介质传输,包括但不限于无线、有线线路、光纤光缆、射频等或者上述内容任意合适的组合。
用于实现本发明应用中操作的计算机程序代码可以用一种或更多种编程语言的任意组合编写,包括面向对象的编程语言例如Java、Smalltalk、C++等以及传统的过程编程语言例如C编程语言或类似的编程语言。程序代码可以作为单独的软件包执行,或者可以部分在用户的计算设备上执行并且部分在远程计算机上执行。远程计算机可以通过任意类型的网络被连接至用户的计算设备,包括局域网(LAN)、广域网(WAN)或者使用互联网服务供应商通过互联网连接。
以上根据本发明的实施例参照方法、装置(系统)和计算机程序产品的流程图和/或方块图来介绍本发明的各种应用。应该理解流程图和/或方块图中的每一个流程或模块以及流程图和/或方块图中的流程或模块组合都可以由计算机程序指令实现。这些计算机程序指令可以被提供给通用计算机、专用计算机或用于产生机器的其他可编程数据处理装置的处理器以使得通过计算机或其他可编程数据处理装置的处理器执行的指令建立起用于实现流程图的一个或更多个流程和/或方块图中的一个或更多个模块中列举的功能/动作的方法。
这些计算机程序指令也可以被存储在能够引导计算机、其他可编程数据处理装置或以特定方式工作的其他设备的计算机可读取介质内,以使存储在计算机可读取介质内的指令生产出的制品包括有实现了流程图的一个或更多个流程和/或方块图中的一个或更多个模块中列举的功能/动作的指令。
计算机程序指令也可以被装到计算机、其他可编程数据处理装置或其他设备上以促使在计算机、其他可编程装置或其他设备上执行一系列操作步骤,从而生成计算机实施的过程,以使得在计算机或其他可编程装置上执行的指令提供用于实施一个或更多个流程图中的流程和/或一个或更多个方块图中的方块中列出的功能/动作的过程。
本文附图中给出的流程图和/或方块图根据本发明的不同实施例示出了系统、方法和计算机程序产品的结构、功能和可以实施的操作。在这方面,流程图或方块图中的每一个流程或模块均可表示程序块、程序段或代码部分,其中包括用于实现一种或更多种特定逻辑功能的一条或更多条可执行指令。还应该注意到在某些可选的实施方式中,流程和/或模块中注明的功能可以脱离附图中标明的顺序完成。例如,相继示出的两个模块实际上可以基本上同时执行,或者这两个模块有时可以用相反的顺序执行,这取决于所涉及到的功能。还应该注意到方块图中的每一个模块和/或流程图中的每一个流程以及方块图和/或流程图中的模块组合均可通过执行特定功能或动作的基于硬件的专用系统实现,或者通过专用硬件和计算机指令的组合实现。
尽管已经介绍了本发明的实施例,但是本领域技术人员一旦学习了本发明的基本思想即可得到更多的修改和变形。因此,应该意识到所附权利要求应被解读为包括所述实施例以及落入本发明实质和保护范围内的所有这样的修改和变形。
Claims (14)
1.一种计算机实施的在过程控制环境中基于趋势的目标设定方法,包括:
从多个实体中选择特定的实体;
获取用于相关实体组的过程控制历史数据,所述组包括选定的实体以及所述多个实体中的至少一个另外的实体;
根据获取的过程控制历史数据确定所观测到的组内每一个实体的不合格样本数和每一个实体的样本总数;
根据确定的不合格样本数和确定的样本总数计算用于所述组内的每一个实体的不合格率;
利用算出的用于所述组内的每一个实体的不合格率计算用于所述组的代表性不合格率;以及
设定期望不合格率作为用于选定实体的过程控制目标,所述期望不合格率根据算出的用于组内每一个实体的不合格率和算出的用于所述组的代表性不合格率得出。
2.如权利要求1所述的方法,其中构成所述组的相关实体是层次相关的。
3.如权利要求1所述的方法,其中构成所述组的实体是以层次中的某一级别表示的产品,所述产品共同构成以所述层次中的下一个更高级别表示的商品。
4.如权利要求1所述的方法,进一步包括在一段时间内循环检测所述过程控制目标,利用趋势分析确定所述过程控制目标是否适用于选定的实体。
5.如权利要求4所述的方法,进一步包括:
响应于在一段时间内检测到用于选定实体的实际不合格率与设定作为用于选定实体的所述过程控制目标的所述期望不合格率的差异超过选定的置信区间,自动设定新的期望不合格率作为用于选定实体的所述过程控制目标,该新的期望不合格率利用所述实际不合格率和所述选定的置信区间的界限得出。
6.如权利要求5所述的方法,进一步包括:
对所述新的期望不合格率应用至少一种策略以根据预定的不合格目标准则调节所述过程控制目标。
7.如权利要求6所述的方法,其中应用至少一种策略包括:
确定实体寿命;以及
根据由实体寿命得出的不合格率的历史观测变化,调节所述过程控制目标。
8.如权利要求4所述的方法,进一步包括:
计算用于所述组的双侧置信界限的中点,所述双侧置信界限的区间包括预定值;以及
响应于在一段时间内检测到用于选定实体的实际不合格率落在所述区间以外,根据检测的实际比率更加接近所述双侧置信界限的下界和算出的中点之间的第一区间还是所述双侧置信界限和所述双侧置信界限的上界之间的第二区间,来将期望不合格率重置为落在所述第一区间或所述第二区间内。
9.一种用于在过程控制环境中基于趋势的目标设定系统,包括:
包括处理器的计算机;以及
利用处理器可执行以实现功能的指令,所述功能包括:
从多个实体中选择特定的实体;
获取用于相关实体组的过程控制历史数据,所述组包括选定的实体以及所述多个实体中的至少一个另外的实体;
根据获取的过程控制历史数据确定所观测到的组内每一个实体的不合格样本数和每一个实体的样本总数;
根据确定的不合格样本数和确定的样本总数计算用于所述组内的每一个实体的不合格率;
利用算出的用于所述组内的每一个实体的不合格率计算用于所述组的代表性不合格率;以及
设定期望不合格率作为用于选定实体的过程控制目标,所述期望不合格率根据算出的用于组内每一个实体的不合格率和算出的用于所述组的代表性不合格率得出。
10.如权利要求9所述的系统,其中:
构成所述组的相关实体是层次相关的;并且
构成所述组的实体是以层次中的某一级别表示的产品,所述产品共同构成以所述层次中的下一个更高级别表示的商品。
11.如权利要求9所述的系统,其中所述功能进一步包括:
在一段时间内循环检测所述过程控制目标,利用趋势分析确定所述过程控制目标是否适用于选定的实体;以及
响应于在一段时间内检测到用于选定实体的实际不合格率与设定作为用于选定实体的所述过程控制目标的所述期望不合格率的差异超过选定的置信区间,自动设定新的期望不合格率作为用于选定实体的所述过程控制目标,该新的期望不合格率利用所述实际不合格率和所述选定的置信区间的界限得出。
12.如权利要求11所述的系统,其中所述功能进一步包括:
对所述新的期望不合格率应用至少一种策略以根据预定的不合格目标准则调节所述过程控制目标。
13.如权利要求12所述的系统,其中应用至少一种策略包括:
确定实体寿命;以及
根据由实体寿命得出的不合格率的历史观测变化,调节所述过程控制目标。
14.如权利要求9所述的系统,其中所述功能进一步包括:
在一段时间内循环检测所述过程控制目标,利用趋势分析确定所述过程控制目标是否适用于选定的实体;
计算用于所述组的双侧置信界限的中点,所述双侧置信界限的区间包括预定值;以及
响应于在一段时间内检测到用于选定实体的实际不合格率落在所述区间以外,根据检测的实际比率更加接近所述双侧置信界限的下界和算出的中点之间的第一区间还是所述双侧置信界限和所述双侧置信界限的上界之间的第二区间,来将期望不合格率重置为落在所述第一区间或所述第二区间内。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/194,910 US20130030862A1 (en) | 2011-07-30 | 2011-07-30 | Trend-based target setting for process control |
US13/194,910 | 2011-07-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102902838A true CN102902838A (zh) | 2013-01-30 |
Family
ID=47575069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210266686XA Pending CN102902838A (zh) | 2011-07-30 | 2012-07-30 | 基于趋势的过程控制目标设定方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (2) | US20130030862A1 (zh) |
CN (1) | CN102902838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700076A (zh) * | 2019-10-07 | 2021-04-23 | 财团法人资讯工业策进会 | 数据分析装置、数据分析方法以及与其相关的品质提升系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11775897B2 (en) * | 2019-07-02 | 2023-10-03 | Adp, Inc. | Predictive modeling method and system for dynamically quantifying employee growth opportunity |
CN115274098B (zh) * | 2022-08-19 | 2023-04-07 | 北京咯咯网络科技有限公司 | 一种基于骨龄与身高来预测身高的智能系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050154628A1 (en) * | 2004-01-13 | 2005-07-14 | Illumen, Inc. | Automated management of business performance information |
CN101155678A (zh) * | 2005-04-11 | 2008-04-02 | 住友重机械工业株式会社 | 成形机监视装置、方法及程序 |
US20090192867A1 (en) * | 2008-01-24 | 2009-07-30 | Sheardigital, Inc. | Developing, implementing, transforming and governing a business model of an enterprise |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060031840A1 (en) * | 2003-08-20 | 2006-02-09 | Abb Inc. | Real time monitoring manufacturing scheduling and control |
US8073727B2 (en) * | 2008-10-23 | 2011-12-06 | Sap Ag | System and method for hierarchical weighting of model parameters |
-
2011
- 2011-07-30 US US13/194,910 patent/US20130030862A1/en not_active Abandoned
-
2012
- 2012-03-01 US US13/409,920 patent/US20130030863A1/en not_active Abandoned
- 2012-07-30 CN CN201210266686XA patent/CN102902838A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050154628A1 (en) * | 2004-01-13 | 2005-07-14 | Illumen, Inc. | Automated management of business performance information |
CN101155678A (zh) * | 2005-04-11 | 2008-04-02 | 住友重机械工业株式会社 | 成形机监视装置、方法及程序 |
US20090192867A1 (en) * | 2008-01-24 | 2009-07-30 | Sheardigital, Inc. | Developing, implementing, transforming and governing a business model of an enterprise |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700076A (zh) * | 2019-10-07 | 2021-04-23 | 财团法人资讯工业策进会 | 数据分析装置、数据分析方法以及与其相关的品质提升系统 |
Also Published As
Publication number | Publication date |
---|---|
US20130030863A1 (en) | 2013-01-31 |
US20130030862A1 (en) | 2013-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
Aytac et al. | Characterization of demand for short life-cycle technology products | |
CN106206346A (zh) | 具取样率决定机制的量测抽样方法 | |
CN109783346B (zh) | 基于关键字驱动的自动化测试方法、装置及终端设备 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
US11442847B2 (en) | Automated determination of software testing resources | |
CN109978342A (zh) | 电子装置、风险评估方法和计算机可读存储介质 | |
CN114490786B (zh) | 数据排序方法及装置 | |
CN102902838A (zh) | 基于趋势的过程控制目标设定方法和系统 | |
CN110991761B (zh) | 一种供热负荷预测方法及装置 | |
CN109376929B (zh) | 配送参数的确定方法、确定装置、存储介质和电子设备 | |
CN116205355A (zh) | 电力负荷的预测方法、装置以及存储介质 | |
CN103942403B (zh) | 一种对海量变量进行筛选的方法及设备 | |
Bettayeb et al. | Quality and exposure control in semiconductor manufacturing. Part II: Evaluation | |
CN108269004B (zh) | 产品寿命分析方法及终端设备 | |
Yang et al. | Historical load curve correction for short-term load forecasting | |
CN104217093A (zh) | 利用不良样本的缺陷地图判定问题设备的方法及其装置 | |
CN110009109B (zh) | 用于预测用户逾期还款概率的模型预测方法及相关设备 | |
CN115576850B (zh) | 数据指标测试方法、装置、电子设备及存储介质 | |
CN114355047B (zh) | 一种棒位探测器线圈测试方法、装置及电子设备 | |
CN113052582B (zh) | 一种账单校验的方法、装置、设备及计算机存储介质 | |
CN109409596B (zh) | 预测风速的处理方法、装置、设备和计算机可读存储介质 | |
CN117218180A (zh) | 一种门窗自动测量方法、系统、装置及存储介质 | |
CN116822739A (zh) | 中长期售电量预测方法、装置、终端及存储介质 | |
Malinen et al. | MS-E2177 COVID-19 impact on credit loss modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130130 |