CN104238543A - 时间序列形式的传感数据的不良图案检验方法及其装置 - Google Patents

时间序列形式的传感数据的不良图案检验方法及其装置 Download PDF

Info

Publication number
CN104238543A
CN104238543A CN201410261840.3A CN201410261840A CN104238543A CN 104238543 A CN104238543 A CN 104238543A CN 201410261840 A CN201410261840 A CN 201410261840A CN 104238543 A CN104238543 A CN 104238543A
Authority
CN
China
Prior art keywords
time series
sensing data
similarity
bad pattern
product
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.)
Granted
Application number
CN201410261840.3A
Other languages
English (en)
Other versions
CN104238543B (zh
Inventor
申启荣
安大中
徐大弘
郑宇永
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.)
Samsung SDS Co Ltd
Original Assignee
Samsung SDS 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 Samsung SDS Co Ltd filed Critical Samsung SDS Co Ltd
Publication of CN104238543A publication Critical patent/CN104238543A/zh
Application granted granted Critical
Publication of CN104238543B publication Critical patent/CN104238543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G06F11/076—Error or fault detection not based on redundancy by exceeding limits by exceeding a count or rate limit, e.g. word- or bit count limit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0772—Means for error signaling, e.g. using interrupts, exception flags, dedicated error registers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/317—Testing of digital circuits
    • G01R31/31708—Analysis of signal quality
    • G01R31/3171—BER [Bit Error Rate] test
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/01—Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/015—Simulation or testing of codes, e.g. bit error rate [BER] measurements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Factory Administration (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种能够检验由传感器测量的时间序列形式的传感数据的不良图案的装置及方法。本发明的时间序列形式的传感数据的不良图案检验方法包括以下步骤：获得适用于可疑传感器的时间序列形式的传感数据的不良图案信息；访问在检验对象期间由所述可疑传感器生成的各产品的时间序列形式的传感数据；按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度；基于所述相似度计算所述不良图案的错误率。

Description

时间序列形式的传感数据的不良图案检验方法及其装置
技术领域
本发明涉及一种时间序列形式的传感(sensing)数据的不良图案检验方法及其装置。更详细地，通过计算出能够适用于由规定设备中具备的规定传感器所测量及生成的时间序列形式的传感数据的不良图案的错误率来检验所述不良图案的方法及其装置。
背景技术
在制品生产中，制品的品质维持和实现成品率(yield)非常重要。因此，为了提高优质制品的生产成品率，需要早期发现并诊断工序进行或设备的异常情况。为此，介绍以下方法：监测工序的状态来发现有可能产生的异常并区分异常类型的FDC(故障检测与分类，Fault Detection&Classification)。
专利文献：美国公开专利第2010-00268501号
发明内容
本发明所要解决的技术问题是提供一种能够检验时间序列形式的传感数据不良图案的装置及方法。
本发明所要解决的另一技术问题是提供一种将规定的不良图案和在各产品的生产中以时间序列形式产生的传感数据进行比较，并通过计算所述不良图案的错误率来检验所述不良图案的可靠度的方法及装置。
本发明所要解决的又一技术问题是提供一种对制品生产过程中所产生的以时间序列形式测量的传感数据适用与专业化的不良图案的相似度计算方法的不良图案检验方法及其装置。
本发明所要解决的又一技术问题是提供一种以产品的不良判断比率为基础计算所述不良图案的错误率的不良图案检验方法及其装置，其中，该产品具有被判断成与不良图案相似的以时间序列形式测量的传感数据。
本发明所要解决的又一技术问题是提供一种用于判断是否产生异常的设备及其是否产生异常的判断方法，该设备及方法将规定的不良图案和由内部具备的传感器测量的时间序列形式的传感数据的相似度进行比较，从而判断是否产生异常。
本发明所要解决的又一技术问题是提供一种在具备一个以上的传感器的生产设备中，实时判断从所述传感器生成的时间序列形式的传感数据与已指定的不良图案之间的相似与否，并且根据所述判断结果生成警告信号的生产设备。
本发明所要解决的又一技术问题是提供一种在具备一个以上的传感器的生产设备中，实时判断从所述传感器以时间序列形式测量的传感数据与已指定的不良图案之间的相似与否，并且根据所述判断结果生成警告信号的生产设备及生产设备的传感器测量值监测方法。
本发明所要解决的又一技术问题是提供一种获得从具备一个以上的传感器的生产设备测量的时间序列形式的传感数据，实时判断所述接收的时间序列形式的传感数据与已指定的不良图案之间的相似与否，并且根据所述判断结果生成警告信号的不良图案探测装置及其方法。
本发明的技术问题并不限定于上述所涉及的技术问题，本领域技术人员从下述的记载能明确理解本发明没有提及到的其他技术问题。
为了实现上述技术问题，本发明的一实施方式(aspect)的传感器测量值时间序列数据的不良图案检验方法包括以下步骤：获得适用于由可疑传感器测量的时间序列形式的传感数据的不良图案信息；访问(access)在检验对象期间由所述可疑传感器生成的各产品的制造时所测量的时间序列性的传感数据；按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度；以及基于所述相似度计算所述不良图案的错误率。
根据一实施例，按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度的步骤可包括：将所述各产品的时间序列形式的传感数据的时间轴分割成规定个数W的区间，按已分割的各区间计算传感数据代表值，并且存储计算出的传感数据代表值；利用已存储的传感数据代表值的均值及方差对所述已存储的传感数据代表值进行归一化；对各个经归一化的传感数据代表值赋予按区间分配的符号，将所述各产品的测量值时间序列数据变换成符号数组(symbol array)；以及按各产品计算所述不良图案信息的符号数组与所述各产品的符号数组之间的相似度。
根据一实施例，按各产品计算所述不良图案信息的符号数组与所述各产品的符号数组的相似度的步骤可包括：相对于所述不良图案信息的所述符号数组和所述各产品的符号数组计算表示从之前区间的符号值是否增加/减少的符号增减索引数组；以及按各产品计算所述不良图案信息的所述符号增减索引数组与所述各产品的符号增减索引数组的相似度。
根据一实施例，按各产品计算所述不良图案信息的符号数组与所述各产品的符号数组的相似度的步骤进一步可包括：按各产品进一步计算所述不良图案信息的符号数组与所述各产品的符号数组的欧式距离相似度；以及按各产品进一步计算所述不良图案信息的符号数组与所述各产品的符号数组的相关系数。
根据一实施例，计算所述不良图案的错误率的步骤可包括：查询所述各产品的不良判断信息；以及将所述各产品的不良判断信息和计算出的相似度进行比较来计算所述不良图案的错误率。此时，按各产品计算根据所述不良图案信息的不良图案与所述传感数据之间的相似度的步骤进一步可包括：按各产品计算第一相似度和第二相似度，所述第一相似度依据根据所述不良图案信息的不良图案与所述测量值时间序列数据之间的第一基准，并且所述第二相似度依据根据所述不良图案信息的不良图案与所述测量值时间序列数据之间的第二基准。此时，所述第一相似度和所述第二相似度具有意味着非相似的0至意味着相同的1之间的值。此外，将所述各产品的不良判断信息和所述计算出的相似度进行比较来计算所述不良图案的错误率的步骤可包括：在特定产品的所述第一相似度和所述第二相似度中一个以上为1，并且所述不良判断信息表示所述特定产品被赋予优良品判断的情况下，将所述特定产品选择为所述不良图案信息的错误情况；以及以所述错误情况的件数为基础计算所述错误率。
根据一实施例，访问所述各产品的测量值时间序列数据的步骤可包括：访问在规定期间由所述可疑传感器生成的FDC(故障检测与分类，Fault Detection&Classification)数据即各产品的测量值时间序列数据。即，根据本实施例，具有能够利用作为检测并分类缺陷的用途使用的数据来检验不良图案的效果。
为了实现上述技术问题，本发明的另一实施方式的不良图案检验装置可包括：检验参数接收部，接收包括适用于可疑传感器的测量值时间序列数据的不良图案信息及检验方法信息的检验参数；时间序列数据提取部，访问在根据所述检验方法信息的检验对象期间由所述可疑传感器生成的、各产品的测量值时间序列数据；相似度计算部，按各产品计算根据所述不良图案信息的不良图案与所述测量值时间序列数据之间的相似度；以及不良图案检验部，基于所述相似度计算所述不良图案的错误率。
根据一实施例，所述不良图案检验装置进一步可包括：前处理部，从所述时间序列数据提取部获得所述各产品的时间序列形式的传感数据，并且在对所述各产品的时间序列性的传感数据适用前处理工序之后向所述相似度计算部提供。此时，所述前处理部可包括：传感数据分割压缩模块，将所述各产品的时间序列形式的传感数据的时间轴分割成规定个数W的区间，按已分割的各区间计算传感数据代表值，并且存储计算出的传感数据代表值；归一化模块，利用已存储的传感数据代表值的均值及方差来对所述已存储的传感数据代表值进行归一化；和SAX变换模块，对经归一化的各个传感数据代表值赋予按传感数据区间分配的符号，将所述各产品的时间序列形式的传感数据SAX(符号聚集近似，Symbolic Aggregate Approximation)变换成符号数组(symbolarray)并向所述相似度计算部提供。
为了实现上述技术问题，本发明的又一实施方式的生产设备的传感数据图案监测方法可包括以下步骤：获得适用于由监测对象传感器测量的时间序列数据的不良图案信息；获得从所述监测对象传感器测量的时间序列数据；计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的欧式距离相似度、相关系数及趋势相似度，所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的0至意味着相同的1之间的值；和在所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号。此时，所述趋势相似度为测量值的随时间推移的增减图案的相似度。
为了实现上述技术问题，本发明的又一实施方式的生产设备包括：一个以上的传感器，生成时间序列形式的传感数据；时间序列数据流接收部，从所述一个以上的传感器获得测量的时间序列数据流；不良图案信息接收部，获得适用于从各传感器生成的时间序列形式的传感数据的不良图案信息；相似度计算部，对各传感器计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的欧式距离相似度、相关系数及趋势相似度，并且所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的“0”至意味着相同的“1”之间的值；和警告信号输出部，在由所述相似度计算部计算出的所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号。
为了实现上述技术问题，本发明的又一实施方式的基准图案探测装置包括：时间序列数据流接收部，获得由一个以上的传感器测量的时间序列形式的传感数据；基准图案信息接收部，获得适用于各传感器的测量值时间序列数据的基准图案信息；相似度计算部，对各传感器计算根据所述基准图案信息的基准图案与所述时间序列形式的传感数据之间的欧式距离相似度、相关系数及趋势相似度，所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的0至意味着相同的1之间的值。
所述基准图案探测装置进一步可包括：警告信号输出部，在由所述相似度计算部计算出的所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号。
所述基准图案探测装置与建筑能量管理系统(Building Energy ManagementSystem)联动地使用，或可以作为建筑能量管理系统的结构要素来使用。此时，所述一个以上的传感器可包括测量建筑物的能源消耗量的第一传感器。
根据一实施例，所述一个以上的传感器可包括测量建筑物的能源消耗量的第一传感器和测量建筑物内部环境的第二传感器。此时，所述基准图案信息接收部获得适用于所述第一传感器的第一基准图案信息和适用于所述第二传感器的第二基准图案信息，所述相似度计算部计算并输出根据所述第一基准图案信息的第一基准图案与所述第一传感器的传感数据之间的欧式距离相似度、相关系数及趋势相似度，并且计算并输出根据所述第二基准图案信息的第二基准图案与所述第二传感器的传感数据之间的欧式距离相似度、相关系数及趋势相似度，所述警告信号输出部在所述第一传感器的欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1，并且所述第二传感器的欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下能够生成并输出警告信号。
根据如上所述的本发明，通过利用实际生产结果检验已确定的不良图案的可靠度，具有能够确保具备高可靠度的不良图案的效果。
此外，由于通过分析从一个以上的传感器分别生成的时间序列形式的传感数据来判断是否与已指定的不良图案一致，并且在一致的情况下生成警告，从而不仅能够判断从传感器测量的传感数据的值是否在规定范围内，而且具有还能够监测是否表示规定的不良图案的效果。
此外，具有在对生产设备的监测过程中检测到与所述不良图案相似的时间序列形式的传感数据的产生的情况下能够采取适当的措施的效果。
附图说明
图1是本发明的一实施例的由传感器测量的时间序列形式的传感数据的不良图案检验方法的流程图。
图2a至图2i是时间序列形式的传感数据的不良图案示例。
图3是用于例示在图1所示的时间序列形式的传感数据的不良图案检验方法中检验不良图案所使用的各产品的时间序列形式的传感数据的概念图。
图4是用于说明在图1所示的时间序列形式的传感数据的不良图案检验方法中计算不良图案的错误率的方法的概念图。
图5是用于说明对在图1所示的时间序列形式的传感数据的不良图案检验方法中检验不良图案所使用的各产品的时间序列形式的传感数据进行前处理的方法的流程图。
图6是用于说明图5所示的前处理方法中的分割压缩方法的概念图。
图7是用于说明图5所示的前处理方法中的归一化方法的概念图。
图8a至图8b是用于说明图5所示的前处理方法中的符号化方法的概念图。
图9是根据图1所示的传感器时间序列形式的传感数据的不良图案检验方法的检验结果示意图。
图10是本发明的另一实施例的不良图案检验系统的结构图。
图11是本发明的又一实施例的不良图案检验装置的方框图。
图12是与图11的所述不良图案检验装置不同的另一结构图。
图13a至图13b是用于说明本发明的又一实施例的生产设备的传感数据监测方法的监测结果的图。
图14是由本发明的又一实施例的生产设备的传感器产生的传感数据的监测方法的流程图。
图15是本发明的又一实施例的生产设备的方框结构图。
图16是本发明的又一实施例的基准图案检测系统的结构图。
图17是本发明的又一实施例的基准图案检测系统的结构图。
图18是本发明的又一实施例的基准图案探测装置的第一方框结构图。
图19是本发明的又一实施例的基准图案探测装置的第二方框结构图。
附图标记说明
210：生产设备
220：传感器测量值存储装置
230：可疑不良图案选择装置
240：不良图案检验装置
270：制品检查数据存储装置
具体实施方式
下面，参照附图，对本发明的优选实施例进行详细说明。参照附图的同时参照详细地后述的实施例，将会明确本发明的优点及特征，以及实现这些的方法。但是，本发明并不限定于以下所公开的实施例，而是能够以彼此不同的多种方式实现，本实施例仅仅使本发明的公开全面，并且是为了给本发明所属技术领域的技术人员告知本发明的范围而提供的，本发明仅由权利要求的范围定义。在说明书全文中相同附图标记指相同的结构要素。
如果没有其他定义，则在本说明书中所使用的所有用语(包括技术用语及科技用语)能够以本发明所属技术领域的技术人员共同理解的含义使用。另外，一般来讲，在所使用的词典中定义的用语只要没有被明确地特别定义，就不异常地或过度地解释。
在本说明书中“生产设备(production equipment)”可以指特定工序内的特定设备。例如，当经光刻(PHOTO)工艺、干式(DRY)工艺和沉积(DEPOSITION)工艺生产某产品时，能够使各个产品指定通过工序内的多个设备之一，或指定通过多个设备被依次配置的工序内的多个生产线之一。所述生产设备是指构成各工序的多个设备之一。
此外，在本说明书中“时间序列数据(time series)”表示例如由所述生产设备内具备的传感器生成的测量值随着时间的推移而被连续地记录的数据。
图1是本发明的一实施例的传感器测量值时间序列数据的不良图案检验方法的流程图。
首先，从用户终端等接收检验参数(parameter for verification)(S100)。所述检验参数包括检验所需的信息。例如，所述检验参数可包括关于不良图案的数据、表示所述不良图案所适用的可疑设备及可疑传感器的信息、提取对用于检验所述不良图案的时间序列形式的传感数据的检验期间的信息以及对用于检验所述不良图案的时间序列形式的传感数据进行前处理时所使用的信息中的至少之一。所述“可疑”设备或“可疑”传感器在被怀疑引起不良的方面被称为“可疑”设备或“可疑”传感器。
关于所述不良图案的数据可以是不良图案的时间序列数据自身，或可访问不良图案的时间序列数据的地址信息，或对不良图案的时间序列数据进行前处理后的数据。
暂且参照图2a至图2i，对本说明书的“不良图案”进行说明。在生产设备中所产生的暂时的或长期的异常或者在特定条件下产生的异常可以反映到所述生产设备所具备的传感器的测量值中，并且所述测量值的时间序列数据可以通过一定图案表示所述异常。图2a表示特定设备所具备的特定传感器的正常的时间序列数据图案，图2b至图2i表示产生彼此不同种类的异常时的“不良图案”。图2b表示由快速进行引起的工序的早期结束。图2c表示由慢速进行引起的工序的延迟结束。图2c表示工序的慢速开始和快速结束。图2d表示工序的慢速开始和慢速进行/结束(shift)。图2f表示总体工序延迟的情况。图2g表示虽然工序时间正常，但传感器测量值总体向上/向下漂移(drift)的情况。图2h表示在工序内特定时刻传感器测量值短期脱离正常范围的情况。图2i表示在工序内特定时刻传感器测量值长期脱离正常范围的情况。
本说明书的“不良图案”表示指生产设备中所产生的暂时的异常或长期的异常或者在特定条件下产生的异常且由生产设备内传感器测量的时间序列形式的传感数据图案。例如，所述“不良图案”可具有由图2b至图2i所示的不良图案中的一个或两个以上不良图案所合成的形式。
再次返回到图1进行说明，则在接收所述检验参数之后，提取关于可疑设备的可疑传感器的时间序列数据(S110)。在所述检验参数中只指定特定可疑设备而没有指定特定可疑传感器的情况下，提取关于所述特定可疑设备内所具备的所有传感器的时间序列数据。暂且参照图3，对要提取的时间序列数据进行说明。例如，可从FDC(故障检测与分类，Fault Detection&Classification)数据中提取所述时间序列数据。
图3是用于例示在图1所示的时间序列形式的传感数据的不良图案检验方法中检验不良图案所使用的各产品的时间序列形式的传感数据的概念图。如图3所示，一个产品可经过进厂(Fab-in)至出厂(Fab-out)的多个工序而被生产。其中，在负责特定工序的设备被指定为可疑设备的情况下，可在规定期间汇集由所述可疑设备生成的时间序列形式的传感数据而以不良图案检验用途使用。图3例示了汇集从现在起一个月前至一个月后的由0405号工序的可疑设备所具备的传感器生成的时间序列形式的传感数据的过程。在所汇集的时间序列形式的传感数据中可包括每当进行各产品通过所述可疑设备的工序时所测量的时间序列数据。所述时间序列形式的传感数据的提取基准起点可依据关于提取所述检验参数中所包括的用于检验所述不良图案的时间序列形式的传感数据的检验期间的信息。
再次返回到图1进行说明。如果完成时间序列数据的提取(S110)，则可执行用于计算已提取的时间序列数据与不良图案的相似度的前处理(pre-processing)(S120)。不良图案及已提取的时间序列数据应经过相同方式的前处理。因此，所述检验参数中所包括的不良图案的信息并不表示已完成前处理的不良图案的情况下，对所述不良图案也执行与所述已提取的时间序列数据的前处理相同的前处理。稍后参照图5，进一步详细说明本发明的前处理方法。
在前处理(S120)之后，计算不良图案与前处理后的已提取的时间序列形式的传感数据之间的相似度(S130)。例如，提取特定可疑设备的最近一个月期间的FDC数据，在最近一个月期间通过所述可疑设备的产品为1000个的情况下，有可能存在关于1000个产品的每一个的时间序列形式的传感数据，并且对1000个时间序列数据的每一个计算与所述不良图案的相似度。可以所述相似度为基准排列1000个时间序列数据的每一个。
在完成相似度计算之后(S130)，访问与每个时间序列数据对应的产品的不良判断信息，能够按各时间序列数据比较各时间序列数据与不良图案的相似度和优良/不良(Good/Bad)判断(S140)。即，能够检查存在多少尽管是被判断为优良品的产品但关于所述产品的时间序列数据被计算为与所述不良图案相似的情况。
反映各产品的每个时间序列数据的相似度与不良判断之间的比较(S140)结果而计算不良图案的错误率(S150)。所述错误率可被计算为将尽管被判断为与所述不良图案相似但获得优良品判断的产品的个数除以具有被判断为与所述不良图案相似的时间序列形式的传感数据的产品的个数的值。
图4是用于说明在图1所示的时间序列形式的传感数据的不良图案检验方法中计算不良图案的错误率的方法的概念图。如图4所示，提取关于总计9个产品的时间序列形式的传感数据，其中存在5个(2号、5号、6号、8号和9号时间序列数据)与不良图案相似的时间序列形式的传感数据的情况下，由于存在一个获得优良品判断的产品(5号时间序列数据)，因此能够以1/5＝20％计算所述错误率。
即，根据本实施例，通过计算尽管产生与被怀疑为引起不良的图案的所述不良图案相似的图案但获得优良品判断的产品的比率即所述错误率，具有能够将实际生产时所产生的传感器测量值时间序列数据作为检验数据使用并对所述不良图案的可靠度进行数值化而计算的效果。
为了正确计算所述错误率，重点在于正确计算所述不良图案与各产品的时间序列形式的传感数据的相似度。此外，为了正确计算所述不良图案与各产品的时间序列形式的传感数据的相似度，应伴随适当的前处理(pre-processing)。以下，参照图5至图8b，对本实施例的前处理方法进行说明。
图5是用于说明对在图1所示的时间序列形式的传感数据的不良图案检验方法中检验不良图案所使用的各产品的时间序列形式的传感数据进行前处理的方法的流程图。如图5所示，可经过分割压缩(S122)、归一化(S124)及符号化(S126)过程对所述时间序列形式的传感数据进行前处理。
首先，虽然在图5中没有图示，但可在执行分割压缩(S122)以前执行缺测值修正。由于在测量值时间序列数据的中间具有不存在测量值的部分，因此可利用插值法(interpolation)由另一测量值补偿。
分割压缩时间序列形式的传感数据(S122)表示例如将由如秒单位那样短的时间单位构成的测量值数据分割成指定个数W的区间，并且在各区间仅存储一个代表值。例如，在将包括10个测量值数据的时间区间压缩成一个区间的情况下，所述测量值时间序列数据可被压缩成十分之一大小的数据尺寸。
各区间的代表值可以是区间内测量值的平均值。
区间个数W可以是所述检验参数中所包括的值。
如果已分割的区间为C1、C2、…、Cw，并且D1、…、Dn为传感器(Sensor)的时间序列数据(值)(time series data(value))，则可以如以下数学式1定义分割区间。
[数学式1]
下面的表1是表示将包括10个测量值数据的时间序列数据分为6个区间的情况(表1)和分为3个区间的情况(表2)的表。
【表1】
【表2】
此外，可以如以下数学式2计算已分割的区间Ci的平均值。
[数学式2]
其中表示四舍五入值
图6是用于说明分割压缩方法(S122)的概念图。如图6所示，在所述检验参数中所包括的区间个数W为5的情况下，时间序列数据的时间轴被分割成5个区间。此外，按各区间计算时间序列数据10的平均值(11，12，13，14，15)。由于在分割压缩之后，只存储每个区间的平均值(11，12，13，14，15)而非时间序列数据10总体，因此能够实现数据压缩效果。此外，由于按各区间只存储平均值，因此能够在平均化处理局部噪声值的方面实现噪声去除效果。
图7是用于说明图5所示的前处理方法中的归一化方法(S124)的图。为了优良/不良(Good/bad)组之间的有效比较，可利用各区间平均值的均值及方差对执行参照图6而进行说明的分割压缩方法之后的时间序列形式的传感数据进行归一化(S124)。图7的上方侧图表是进行归一化之前的已分割压缩的时间序列形式的传感数据，图7的下方侧图表是进行归一化之后的时间序列形式的传感数据。
图8a至图8b是用于说明图5所示的前处理方法中的符号化方法(S126)的概念图。执行参照图7而进行说明的归一化之后的时间序列数据可通过SAX(符号聚集近似，Symbolic Aggregate approXimation)等符号化方法，以传感数据的临界值为基准变换成符号。此时，符号个数α可包括在所述检验参数中。在由α个符号对测量值时间序列数据进行符号化的情况下，可以如以下数学式3计算成为符号分配的基准的临界值yi。
[数学式3]
(其中，i＝1，2，…，α-1/Φ-1(·)为标准正态分布的反函数)
图8a表示用四个符号(α＝4)A、B、C和D进行符号化的示例。图8a的时间序列数据被变换成符号化的结果“ACDBBDCA”。
如图8b所示，符号化还可以包括代替字母等文字变换成数字的情况。图8b表示符号化为5个符号(α＝5)1、2、3、4和5的示例。即，在经归一化的测量值为y1以下的情况下，该区间被符号化为“1”，在y1与y2之间的情况下，该区间被符号化为“2”，在y2与y3之间的情况下，该区间被符号化为“3”，在y3与y4之间的情况下，该区间被符号化为“4”，在y4以上的情况下，该区间被符号化为“5”。
图8b是表示在生产晶片0310时所生成的传感器测量值时间序列数据被变换成符号化结果“43245”，在生产晶片0314时所生成的传感器测量值时间序列数据被变换成符号化结果“24345”，在生产晶片0320时所生成的传感器测量值时间序列数据被变换成符号化结果“34245”的图。
到现在为止说明了对生产各产品时所生成的传感器测量值时间序列数据进行前处理的过程。图5中图示了按分割压缩(S122)、归一化(S124)和符号化(S126)的顺序执行前处理，但应注意根据本发明的一实施例可按顺序只执行归一化(S124)及符号化(S126)而不执行分割压缩(S122)。
下面，参照图9，对图1所示的传感器测量值时间序列数据的不良图案检验方法的检验结果进行说明。
在图9中用“65 67 68 65 65 ”表示不良图案的符号化结果。在图9中图示了在存在总计五个的通过所述检验参数满足指定的可疑设备、可疑传感器及检验期间的产品(玻璃(Glass))的情况下，在对生产各个产品时所生成的传感器测量值时间序列数据进行前处理之后计算符号数组(经符号聚集近似的传感器数据(SAXed SensorData))。
根据本发明的一实施例，可计算不良图案的符号数组与传感器测量值时间序列数据的符号数组之间的三种相似度(第一相似度，第二相似度，第三相似度)。各个相似度的相同点在于所有相似度具有0至1之间的值，而不同点在于在彼此不同的观点评价两个符号数组之间的相似度。为了计算所述相似度，将在各符号中匹配有规定的数字，或者各符号由数字构成作为前提。
所述第一相似度是所述不良图案的符号数组与所述测量值时间序列数据的符号数组之间的欧式距离相似度。可以如以下数学式4计算所述第一相似度。
[数学式4]
X＝(x1,x2,…,xn)， Y 1 = ( y 1 1 , y 2 1 , · · · , y n 1 ) , Y 2 = ( y 1 2 , y 2 2 , · · · , y n 2 ) , Y m = ( y 1 m , y 2 m , · · · , y n m )
，X为不良图案符号数组，Yk为产品k的测量值时间序列数据的符号数组
其中 d k = Σ i = 1 n ( x i - y i k ) 2
例如，在X＝(1，3，5，5，1)，Y1＝(4，3，6，6，0)和Y2＝(4，2，4，4，7)的情况下，d1＝3.4641，d2＝6.9282，因此X和Y1的欧式距离相似度为0.5，并且X和Y2的欧式距离相似度应为0。
所述第二相似度可以是所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的相关系数r。由于众所周知求解两个变量之间的相关关系的方法，因此在本发明的说明书中省略详细说明。
所述第三相似度可以是所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的趋势相似度。所述趋势相似度是表示来自符号数组的时间轴上的之前区间的符号值是否增加/减少的符号增减索引数组之间的相似度。
可以如以下数学式5计算不良图案的符号数组X＝(x1，x2，…，xn)与时间序列形式的传感数据的符号数组Y＝(y1，y2，…，yn)之间的趋势相似度。
[数学式5]
1.计算 Δ x i = x i + 1 - x i Δ y i = y i + 1 - y i
2.计算(Δxi,Δyi)的Sign值来计算
例如，在不良图案的符号数组为X＝(1，3，5，5，1)和测量值时间序列数据的符号数组为Y＝(4，3，6，6，0)的情况下，ΔXi＝(2，2，0，-4)，ΔYi＝(2，2，0，-4)，ΔXYi＝(0，1，1，1)，因此趋势相似度为0.75。
根据本实施例，在关于特定产品的测量值时间序列数据的所述第一相似度至第三相似度中的至少一个为1的情况下，所述测量值时间序列数据被判断为与不良图案相似，并且检查是否对所述特定产品进行了不良判断。尽管特定产品的测量值时间序列数据被判断为与不良图案相似但所述特定产品获得了优良品判断，则这种情况越多所述不良图案的错误率会越高。
根据本实施例，所述不良图案的错误率可定义为第一相似度至第三相似度中的一个以上相似度为1的产品中的获得优良品判断的产品的比率。例如，在图9所示的情况下，产品y2和y1的测量值时间序列符号数组被判断为与不良图案符号数组相似，并且其中不存在获得优良品判断的产品，因此所述不良图案的错误率为0。
下面，参照图10，对本发明的另一实施例的不良图案检验系统的结构及动作进行说明。如图10所示，本实施例的不良图案检验系统200可包括可疑不良图案选择装置230和不良图案检验装置240。
可疑不良图案选择装置230通过在各个产品通过设备210时由设备210中所具备的传感器生成测量值之后，将存储在传感器测量值存储装置220中的时间序列形式的传感数据与存储在制品检查数据存储装置270中的产品检查信息进行联系并分析，选择被预测为引发特定不良的可疑设备、可疑传感器和不良图案。
用户终端260根据管理者的操作生成检验参数并且向不良图案检验装置240提供所述检验参数，所述检验参数使得生成针对由不良图案选择装置230选择的可疑设备、可疑传感器和不良图案的检验工序。
不良图案检验装置240获得适用于可疑传感器的时间序列形式的传感数据的不良图案信息，并且访问在检验对象期间由所述可疑传感器生成并存储在传感器测量值存储装置220中的各产品的时间序列形式的传感数据，按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度，并且基于所述相似度计算所述不良图案的错误率。不良图案检验装置240可向用户终端260提供所述计算出的不良图案的错误率。
下面，参照图11，对本发明的又一实施例的不良图案检验装置的结构及动作进行说明。如图11所示，本实施例的不良图案检验装置240可包括检验参数接收部241、时间序列数据提取部242、前处理部243、相似度计算部244、判断信息接收部245及不良图案检验部246。
检验参数接收部241接收包括适用于可疑传感器的测量值时间序列数据的不良图案信息及检验方法信息的检验参数。可从用户终端260接收所述检验参数。所述检验方法信息可包括检验对象期间信息及在分割压缩过程中所使用的区间个数W和在符号化过程中所使用的符号个数α。
时间序列数据提取部242访问在根据所述检验方法信息的检验对象期间由所述可疑传感器生成的各产品的时间序列形式的传感数据。
前处理部243以由时间序列数据提取部242提取的各产品的时间序列形式的传感数据为对象执行前处理(pre-processing)。前处理部243可执行参照图5至图8b而进行说明的前处理工序。例如，可依次执行分割压缩(S122)、利用方差及平均值的归一化(S124)以及SAX方式的符号变换(S126)。
相似度计算部244按各产品计算所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的第一相似度、第二相似度及第三相似度。此时，所述第一相似度至第三相似度具有意味着非相似的0至意味着相同的1之间的值。
所述第一相似度可以为所述不良图案的符号数组与所述测量值时间序列数据的符号数组之间的欧式距离相似度，所述第二相似度可以为所述不良图案的符号数组与所述测量值时间序列数据的符号数组之间的相关系数，所述第三相似度可以为所述不良图案的符号数组与所述测量值时间序列数据的符号数组之间的趋势相似度。所述趋势相似度为表示从符号数组的时间轴上的之前区间的符号值是否增加/减少的符号增减索引数组之间的相似度。
不良图案检验部246基于由相似度计算部244计算出的所述相似度计算所述不良图案的错误率。不良图案检验部246可从查询各产品的不良判断信息的判断信息接收部245获得所述不良判断信息，计算在所述第一相似度至第三相似度中的至少一个值为1的产品中的获得优良品判断的产品的个数，并且利用所述获得优良品判断的产品的个数计算所述错误率。
图12是与图11不同的所述不良图案检验装置的另一结构图。不良图案检验装置240也可具备图12所示的结构。不良图案检验装置240可包括执行命令的处理器43、存储不良图案检验程序数据的存储器41、内存42、用于与外部装置的数据收发的网络接口42及连接于存储器41、网络接口42、处理器43及内存44并为数据移动通道的数据总线40。
在存储器41中可存储有所述不良图案检验程序数据。所述不良图案检验程序可包括获得适用于可疑传感器的测量值时间序列数据的不良图案信息的模块、访问在检验对象期间由所述可疑传感器生成的各产品的测量值时间序列数据的模块、按各产品计算根据所述不良图案信息的不良图案与所述测量值时间序列数据之间的相似度的模块和基于所述相似度计算所述不良图案的错误率的模块。
图13a至图13b是用于说明本发明的又一实施例的生产设备的传感器中所产生的时间序列形式的传感数据图案监测方法的监测结果的图。根据现有生产设备监测方法，仅对生产设备中所具备的传感器的测量值指定上限线及下限线来进行管理，即使产生不良图案，只要所述不良图案位于上限线及下限线之间，则无法检测所述不良图案的产生，并且也无法阻止由所述不良图案的产生引起的不良品的产生。图13a图示了这种现有技术的问题点。
相反，根据本发明的生产设备的传感数据图案监测方法，能够检测预先输入的传感数据的不良图案，因此能够在检测到不良图案的情况下生成警告信号。图13b图示了这种本实施例的效果。
图14是本实施例的生产设备的传感数据图案监测方法的流程图。可由生产设备执行图14所图示的传感数据的图案监测方法。
首先，接收适用于由监测对象传感器测量的时间序列数据的不良图案信息(S200)。此时，不仅接收所述不良图案信息，而且还可以接收关于时间序列数据的前处理方法的信息，例如分割压缩中的区间个数W和在适用符号化时所使用的符号的个数α。
其次，从所述监测对象传感器获得随着运行所述生产设备而产生的时间序列形式的传感数据(S210)。
其次，对所述时间序列形式的传感数据执行前处理(S220)。所述前处理可利用参照图5至图8b进行说明的前处理方法。
其次，计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的欧式距离相似度、相关系数及趋势相似度(S230)。此时，所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的0至意味着相同的1之间的值。
其次，在根据所述不良图案信息的不良图案和所述时间序列形式的传感数据的图案被判断为相似的情况下，输出警告信号(S240)。根据一实施例，在根据所述不良图案信息的不良图案和所述时间序列形式的传感数据图案被判断为相似的情况下，不仅输出警告信号，还可以自动中断生产工序。
根据一实施例，在所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下，可将根据所述不良图案信息的不良图案和所述时间序列图案判断为相似。
所述趋势相似度表示测量值的随时间推移的增减图案的相似度。计算所述趋势相似度的方法参照所述数学式5。
图15是本发明的又一实施例的生产设备的方框结构图。如图15所示，本实施例的生产设备210可包括一个以上的传感器211和分析从传感器211提供的FDC时间序列数据来计算与不良图案的相似度并且以计算出的相似度值为基础输出警告信号的模块。
首先，时间序列数据流接收部212获得由一个以上的传感器测量的时间序列数据流。时间序列数据流接收部212将所述时间序列形式的传感数据流传递到前处理部213。前处理部213以所述时间序列形式的传感数据流为对象执行前处理(pre-processing)。前处理部213可执行参照图5至图8b而进行说明的前处理工序。例如，可依次执行分割压缩(S122)、利用方差及平均值的归一化(S124)及SAX方式的符号变换(S126)。
不良图案信息接收部214接收包括作为检测对象的不良图案信息及检测方法信息的检测参数。可从用户终端260接收所述检测参数。所述检测方法信息可包括检验对象期间信息及分割压缩过程中所使用的区间个数W和在符号化过程中所使用的符号个数α。根据所述不良图案信息的时间序列数据的图案可以为测量值包括在已指定的测量值上限值及下限值的范围内的图案。即，本实施例的生产设备可以检测由不超过已指定的上限值及下限值的范围的测量值构成的不良图案。
相似度计算部244按各产品计算所述不良图案的符号数组与所述测量值时间序列数据的符号数组之间的第一相似度、第二相似度及第三相似度。此时，所述第一相似度至第三相似度具有意味着非相似的0至意味着相同的1之间的值。
警告信号输出部216在由相似度计算部215计算出的所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号。
本实施例的生产设备可进一步包括从警告信号输出部216获得所述警告信号来生成中断生产动作的控制信号的停止控制部217。
图16是本发明的又一实施例的基准图案检测系统的结构图。本实施例的基准图案检测系统可从一个以上的传感器获得时间序列形式的传感数据来检测是否产生基准图案。“基准图案”与“不良图案”不同，并不限定于表示生产设备中所产生的暂时的异常、长期的异常或者在特定条件下产生的异常，而广泛表示想在从传感器接收的时间序列形式的传感数据中找出的时间序列数据图案。因此，“基准图案”包括“不良图案”。
如图16所示，本实施例的基准图案检测系统可包括基准图案探测装置280，该基准图案探测装置280从一个以上的生产设备210获得时间序列形式的传感数据来检测是否产生不良图案，并且在检测到不良图案的产生的情况下输出警告信号。
基准图案探测装置280可从通过网络250连接的基准图案提供装置290获得不良图案信息及作为所述不良图案的适用对象的设备210及传感器信息。
由不良图案探测装置280生成的警告信号例如可被实时发送到生产管理者的移动终端261。
如图17所示，本实施例的基准图案检测系统可进一步包括基准图案探测装置280，该基准图案探测装置280从设置于建筑物211的环境测量传感器或能源消耗量测量传感器中的至少一个传感器获得时间序列形式的传感数据来检测是否产生基准图案，并且在检测到基准图案的产生的情况下输出警告信号。本实施例的基准图案检测系统与建筑能量管理系统(Building Energy Management System，BEMS)交互，或可以作为建筑能量管理系统的一结构要素来使用。
基准图案探测装置280能够从通过网络250连接的基准图案提供装置290获得意味着异常状况的产生的环境测量传感器用基准图案信息及能源消耗量测量传感器用基准图案信息。
根据一实施例，规定的“异常状况”可被定义为环境测量传感器用基准图案和能源消耗量测量传感器用基准图案都被检测到的情况下产生。基准图案探测装置280可通过监测从环境测量传感器提供的传感数据来检测是否产生环境测量传感器用基准图案，并且监测从能源消耗量测量传感器提供的传感数据来检测是否产生能源消耗量测量传感器用基准图案，从而判断是否产生所述“异常状况”。
图18是本发明的又一实施例的基准图案探测装置的方框结构图。如图18所示，本实施例的基准图案探测装置280可包括时间序列数据流接收部212、前处理部213、相似度计算部215和基准图案信息接收部214。
首先，时间序列数据流接收部212从通过网络连接的一个以上的传感器获得测量的时间序列数据流。时间序列数据流接收部212向前处理部213传递所述测量的时间序列数据流。前处理部213将所述已测量的时间序列数据流为对象执行前处理(pre-processing)。前处理部213可执行参照图5至图8b而进行说明的前处理工序。例如，可依次执行分割压缩(S122)、利用方差及平均值的归一化(S124)及SAX方式的符号变换(S126)。
基准图案信息接收部214接收包括作为检测对象的基准图案信息及检测方法信息的检测参数。可从用户终端260接收所述检测参数。所述检测方法信息可包括检测对象期间信息及分割压缩过程中所使用的区间个数W和在符号化过程中所使用的符号个数α。
所述基准图案信息还可以表示所述“不良图案”。所述不良图案可以为测量值包括在已指定的测量值上限值及下限值的范围内的图案。即，本实施例的基准图案探测装置280还可以检测由不超过已指定的上限值及下限值的范围的测量值构成的不良图案。
相似度计算部244按各传感器计算并输出所述基准图案的符号数组与所述测量值时间序列数据的符号数组之间的第一相似度、第二相似度及第三相似度。此时，所述第一相似度至第三相似度具有意味着非相似的0至意味着相同的1之间的值。
本实施例的基准图案探测装置280与建筑能量管理系统(BEMS)交互，或可以作为建筑能量管理系统的一结构要素来使用。此时，所述一个以上的传感器可包括测量建筑物的能源消耗量的第一传感器。此时，所述基准图案可以是适用于所述第一传感器的、表示产生特定状况的图案。
如图19所示，本发明的又一实施方式的基准图案探测装置可进一步包括警告信号输出部216。
警告信号输出部216在由相似度计算部215计算出的所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号。可通过网络向检测到所述不良图案的生产设备提供所述警告信号。
根据一实施例，当产生在环境测量传感器用基准图案和能源消耗量测量传感器用基准图案都被检测到的情况下产生的规定的“异常状况”时，基准图案探测装置还能够生成并输出警告信号。此时，所述一个以上的传感器包括测量建筑物的能源消耗量的第一传感器和测量建筑物内部的环境的第二传感器，基准图案信息接收部214获得适用于所述第一传感器的第一基准图案信息和适用于所述第二传感器的第二基准图案信息，相似度计算部215计算并输出根据所述第一基准图案信息的第一基准图案与所述第一传感器的传感数据之间的欧式距离相似度、相关系数及趋势相似度，并且计算并输出根据所述第二基准图案信息的第二基准图案与所述第二传感器的传感数据之间的欧式距离相似度、相关系数及趋势相似度，警告信号输出部216可在所述第一传感器的欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1，同时所述第二传感器的欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下能够生成并输出警告信号。
以上参照附图对本发明的实施例进行了说明，但本发明所属技术领域的技术人员应能理解，本发明能够不变更本发明的技术思想或必要特征而以其他具体方式实施。因此，应理解为以上所述的实施例在所有方面为示例性的并非限定性的。

Claims (19)

1.一种时间序列形式的传感数据的不良图案检验方法，包括以下步骤：
获得适用于由可疑传感器测量的时间序列形式的传感数据的不良图案信息；
访问在检验对象期间由所述可疑传感器生成的各产品的时间序列形式的传感数据；
按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度；以及
基于所述相似度计算所述不良图案的错误率。
2.根据权利要求1所述的时间序列形式的传感数据的不良图案检验方法，其中，
按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度的步骤包括：
将所述各产品的时间序列形式的传感数据的时间轴分割成规定个数的区间，按已分割的各区间计算测量值代表值，并且存储计算出的测量值代表值；
利用已存储的传感数据代表值的均值及方差对所述已存储的传感数据代表值进行归一化；
对各个经归一化的传感数据代表值赋予按测量值区间分配的符号，将所述各产品的时间序列形式的传感数据变换成符号数组；以及
按各产品计算所述不良图案信息的所述符号数组与所述各产品的符号数组之间的相似度。
3.根据权利要求2所述的时间序列形式的传感数据的不良图案检验方法，其中，
按各产品计算所述不良图案信息的符号数组与所述各产品的符号数组的相似度的步骤包括：
相对于所述不良图案信息的符号数组和所述各产品的符号数组计算表示从之前区间的符号值是否增加/减少的符号增减索引数组；以及
按各产品计算所述不良图案信息的所述符号增减索引数组与所述各产品的符号增减索引数组的相似度。
4.根据权利要求3所述的时间序列形式的传感数据的不良图案检验方法，其中，
按各产品计算所述不良图案信息的符号数组与所述各产品的符号数组的相似度的步骤进一步包括：
按各产品进一步计算所述不良图案信息的符号数组与所述各产品的符号数组的欧式距离相似度；以及
按各产品进一步计算所述不良图案信息的符号数组与所述各产品的符号数组的相关系数。
5.根据权利要求1所述的时间序列形式的传感数据的不良图案检验方法，其中，
计算所述不良图案的错误率的步骤包括：
查询所述各产品的不良判断信息；以及
将所述各产品的不良判断信息和计算出的相似度进行比较来计算所述不良图案的错误率。
6.根据权利要求5所述的时间序列形式的传感数据的不良图案检验方法，其中，
按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度的步骤包括：
按各产品计算第一相似度和第二相似度，所述第一相似度依据根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的第一基准，并且所述第二相似度依据根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的第二基准，并且所述第一相似度和所述第二相似度具有意味着非相似的0至意味着相同的1之间的值，
将所述各产品的不良判断信息和所述计算出的相似度进行比较来计算所述不良图案的错误率的步骤包括：
在特定产品的所述第一相似度和所述第二相似度中一个以上为1，并且所述不良判断信息表示所述特定产品被赋予优良品判断的情况下，将所述特定产品选择为所述不良图案信息的错误情况；以及
以所述错误情况的件数为基础计算所述错误率。
7.根据权利要求1所述的时间序列形式的传感数据的不良图案检验方法，其中，
访问所述各产品的时间序列形式的传感数据的步骤包括：
访问在规定期间由所述可疑传感器生成的故障检测与分类数据即各产品的时间序列形式的传感数据。
8.一种不良图案检验装置，包括：
检验参数接收部，接收包括适用于可疑传感器的时间序列形式的传感数据的不良图案信息及检验方法信息的检验参数；
时间序列数据提取部，访问在根据所述检验方法信息的检验对象期间由所述可疑传感器生成的、各产品的时间序列形式的传感数据；
相似度计算部，按各产品计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的相似度；以及
不良图案检验部，基于所述相似度计算所述不良图案的错误率。
9.根据权利要求8所述的不良图案检验装置，其中，进一步包括：
前处理部，从所述时间序列数据提取部获得所述各产品的时间序列形式的传感数据，并且在对所述各产品的时间序列形式的传感数据适用前处理工序之后向所述相似度计算部提供，
所述前处理部包括：
传感数据分割压缩模块，将所述各产品的时间序列形式的传感数据的时间轴分割成规定个数的区间，按已分割的各区间计算传感数据代表值，并且存储计算出的传感数据代表值；
归一化模块，利用已存储的传感数据代表值的均值及方差来对所述已存储的传感数据代表值进行归一化；以及
符号聚集近似变换模块，对经归一化的各个传感数据代表值赋予按传感数据区间分配的符号，将所述各产品的时间序列形式的传感数据符号聚集近似变换成符号数组并向所述相似度计算部提供。
10.根据权利要求9所述的不良图案检验装置，其中，
所述前处理部将根据所述不良图案信息的时间序列数据符号聚集近似变换成符号数组，
所述相似度计算部按各产品计算所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的第一相似度、第二相似度和第三相似度，
所述第一相似度至第三相似度具有意味着非相似的0至意味着相同的1之间的值，
所述第一相似度为所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的欧式距离相似度，
所述第二相似度为所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的相关系数，
所述第三相似度为所述不良图案的符号数组与所述时间序列形式的传感数据的符号数组之间的趋势相似度，
所述趋势相似度为表示从符号数组的时间轴上的之前区间的符号值是否增加/减少的符号增减索引数组之间的相似度。
11.根据权利要求10所述的不良图案检验装置，其中，进一步包括：
判断信息接收部，查询所述各产品的不良判断信息，
所述相似度计算部从所述判断信息接收部获得所述不良判断信息，计算在所述第一相似度至第三相似度中的至少一个值为1的产品中获得优良品判断的产品的个数，并且利用获得所述优良品判断的产品的个数来计算所述错误率。
12.一种生产设备的传感数据监测方法，包括以下步骤：
获得适用于由监测对象传感器测量的时间序列形式的传感数据的不良图案信息；
获得由所述监测对象传感器产生的时间序列数据；
计算根据所述不良图案信息的不良图案与所述时间序列数据之间的欧式距离相似度、相关系数及趋势相似度，所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的0至意味着相同的1之间的值；以及
在所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号，
所述趋势相似度为测量值的随时间流动的增减图案的相似度。
13.一种生产设备，包括：
一个以上的传感器，生成时间序列形式的传感数据；
时间序列数据流接收部，从所述一个以上的传感器获得测量的时间序列数据流；
不良图案信息接收部，获得适用于由各传感器测量的时间序列形式的传感数据的不良图案信息；
相似度计算部，对各传感器计算根据所述不良图案信息的不良图案与所述时间序列形式的传感数据之间的欧式距离相似度、相关系数及趋势相似度，所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的0至意味着相同的1之间的值；
以及
警告信号输出部，在由所述相似度计算部计算出的所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成警告信号。
14.根据权利要求13所述的生产设备，其中，进一步包括：
停止控制部，从所述警告信号输出部获得所述警告信号来生成中断生产动作的控制信号。
15.根据权利要求13所述的生产设备，其中，
根据所述不良图案信息的时间序列数据的图案为测量值包括在已指定的测量值上限值及下限值的范围内的图案。
16.一种基准图案探测装置，包括：
时间序列数据流接收部，获得由一个以上的传感器测量的时间序列形式的传感数据；
基准图案信息接收部，获得适用于由各传感器产生的时间序列形式的传感数据的基准图案信息；以及
相似度计算部，对各传感器计算并输出根据所述基准图案信息的基准图案与所述时间序列形式的传感数据之间的欧式距离相似度、相关系数及趋势相似度，所述欧式距离相似度、相关系数及趋势相似度具有意味着非相似的0至意味着相同的1之间的值。
17.根据权利要求16所述的基准图案探测装置，其中，包括：
警告信号输出部，在由所述相似度计算部计算出的所述欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成并输出警告信号。
18.根据权利要求16所述的基准图案探测装置，其中，
所述一个以上的传感器包括测量建筑物的能源消耗量的第一传感器。
19.根据权利要求17所述的基准图案探测装置，其中，
所述一个以上的传感器包括测量建筑物的能源消耗量的第一传感器和测量建筑物内部环境的第二传感器，
所述基准图案信息接收部获得适用于所述第一传感器的第一基准图案信息和适用于所述第二传感器的第二基准图案信息，
所述相似度计算部计算并输出根据所述第一基准图案信息的第一基准图案与所述第一传感器的传感数据之间的欧式距离相似度、相关系数及趋势相似度，并且计算并输出根据所述第二基准图案信息的第二基准图案与所述第二传感器的传感数据之间的欧式距离相似度、相关系数及趋势相似度，
所述警告信号输出部在所述第一传感器的欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1，并且所述第二传感器的欧式距离相似度、相关系数及趋势相似度中的至少一个值被计算为1的情况下生成并输出警告信号。
CN201410261840.3A 2013-06-18 2014-06-12 时间序列形式的传感数据的不良图案检验方法及其装置 Active CN104238543B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020130069678A KR101554216B1 (ko) 2013-06-18 2013-06-18 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치
KR10-2013-0069678 2013-06-18

Publications (2)

Publication Number Publication Date
CN104238543A true CN104238543A (zh) 2014-12-24
CN104238543B CN104238543B (zh) 2018-02-27

Family

ID=52020342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410261840.3A Active CN104238543B (zh) 2013-06-18 2014-06-12 时间序列形式的传感数据的不良图案检验方法及其装置

Country Status (4)

Country Link
US (2) US9547544B2 (zh)
KR (1) KR101554216B1 (zh)
CN (1) CN104238543B (zh)
WO (1) WO2014204179A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113302568A (zh) * 2019-01-17 2021-08-24 日本电气株式会社 工序改进支持设备、工序改进支持方法和存储工序改进支持程序的记录介质

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2916260A1 (en) * 2014-03-06 2015-09-09 Tata Consultancy Services Limited Time series analytics
US11200529B2 (en) * 2015-08-06 2021-12-14 Ns Solutions Corporation Information processing apparatus, information processing system, information processing method and non-transitory computer readable recording medium
KR102456898B1 (ko) * 2016-03-17 2022-10-19 삼성에스디에스 주식회사 데이터 신호의 표준 패턴 생성 방법 및 그 장치
US10901407B2 (en) * 2016-05-31 2021-01-26 Applied Materials, Inc. Semiconductor device search and classification
US10476903B2 (en) * 2016-06-20 2019-11-12 Ashley Duane Wilson Systems and related methods for detection, tiered correlation, and notification of radio frequency (RF) anomalies
US10337753B2 (en) * 2016-12-23 2019-07-02 Abb Ag Adaptive modeling method and system for MPC-based building energy control
DE102017104884B4 (de) * 2017-03-08 2019-02-14 Mts Consulting & Engineering Gmbh System und Verfahren zum Bestimmen von Fehlerbildern aus Sensordaten in Produktvalidierungs- und Fertigungsprozessen
KR101971553B1 (ko) * 2017-03-21 2019-04-23 (주)심플랫폼 사물인터넷 기반 기기 관리 시스템 및 방법
US11360468B2 (en) * 2017-10-06 2022-06-14 Johnson Controls Tyco IP Holdings LLP Building management system with cloud-based timeseries service
KR102575917B1 (ko) * 2018-05-08 2023-09-08 주식회사 심플비트 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템
KR102472637B1 (ko) * 2018-10-25 2022-11-29 삼성에스디에스 주식회사 시계열 데이터 분석 방법, 주영향 변수 결정 방법 및 그 방법들을 지원하는 장치
KR102385007B1 (ko) * 2019-12-17 2022-04-08 국방기술품질원 산업용 측정장비 상태 정보(시계열 자료) 신뢰수준 기반 교정 시점 예측 장치 및 방법
CN111367777B (zh) * 2020-03-03 2022-07-05 腾讯科技（深圳）有限公司 告警处理的方法、装置、设备及计算机可读存储介质
US11656927B1 (en) 2021-12-03 2023-05-23 International Business Machines Corporation Localizing faults in multi-variate time series data

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209820A1 (en) * 2004-03-10 2005-09-22 International Business Machines Corporation Diagnostic data detection and control
CN101027617A (zh) * 2004-08-13 2007-08-29 新卡特彼勒三菱株式会社 数据处理方法，数据处理设备，诊断方法和诊断设备
CN100365648C (zh) * 2002-11-01 2008-01-30 三菱电机株式会社 未知多维数据中发现模式的计算方法
US20080228306A1 (en) * 2004-07-07 2008-09-18 Sensarray Corporation Data collection and analysis system
US20120166142A1 (en) * 2009-09-07 2012-06-28 Hitachi, Ltd. Anomaly Detection and Diagnosis/Prognosis Method, Anomaly Detection and Diagnosis/Prognosis System, and Anomaly Detection and Diagnosis/Prognosis Program
CN102539443A (zh) * 2011-12-29 2012-07-04 天津普达软件技术有限公司 基于机器视觉的瓶身缺陷自动检测装置及方法
WO2013027970A1 (ko) * 2011-08-19 2013-02-28 고려대학교 산학협력단 네트워크의 이상증후를 탐지하는 장치 및 방법

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5835507A (en) * 1995-07-21 1998-11-10 Chaw Khong Co., Ltd. Error sensing method for improving error control capability in data communications
US5661763A (en) * 1995-07-28 1997-08-26 Adtran, Inc. Apparatus and method for detecting programmable length bit pattern in serial digital data stream
DE19715829A1 (de) * 1997-04-16 1998-10-22 Deutsche Telekom Ag Bitfehlerstruktur-Erfassungsschaltung
US6629097B1 (en) * 1999-04-28 2003-09-30 Douglas K. Keith Displaying implicit associations among items in loosely-structured data sets
US7539597B2 (en) * 2001-04-10 2009-05-26 Smartsignal Corporation Diagnostic systems and methods for predictive condition monitoring
US6714868B2 (en) 2001-06-28 2004-03-30 The United States Of America As Represented By The Secretary Of The Navy Similarity transformation method for data processing and visualization
US6871201B2 (en) * 2001-07-31 2005-03-22 International Business Machines Corporation Method for building space-splitting decision tree
US7734420B2 (en) * 2002-10-15 2010-06-08 The Regents Of The University Of California Methods and systems to identify operational reaction pathways
US8203607B2 (en) * 2005-06-22 2012-06-19 Siemens Medical Solutions Usa, Inc. Incorporating prior information from pre aligned image pairs into EMST-based image registration
US7603222B2 (en) * 2005-11-18 2009-10-13 General Electric Company Sensor diagnostics using embedded model quality parameters
TWI416361B (zh) 2009-04-15 2013-11-21 Inotera Memories Inc 評估用以分析生產良率的資料價值之方法
JP5439265B2 (ja) * 2010-04-20 2014-03-12 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8280887B1 (en) * 2011-03-07 2012-10-02 Sandia Corporation Hierarchical clustering using correlation metric and spatial continuity constraint
US8706458B2 (en) * 2011-10-05 2014-04-22 International Business Machines Corporation Traffic sensor management
US8566320B2 (en) * 2011-11-21 2013-10-22 Microsoft Corporation System and method for selectively providing an aggregated trend
US9218570B2 (en) * 2013-05-29 2015-12-22 International Business Machines Corporation Determining an anomalous state of a system at a future point in time

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100365648C (zh) * 2002-11-01 2008-01-30 三菱电机株式会社 未知多维数据中发现模式的计算方法
US20050209820A1 (en) * 2004-03-10 2005-09-22 International Business Machines Corporation Diagnostic data detection and control
US20080228306A1 (en) * 2004-07-07 2008-09-18 Sensarray Corporation Data collection and analysis system
CN101027617A (zh) * 2004-08-13 2007-08-29 新卡特彼勒三菱株式会社 数据处理方法，数据处理设备，诊断方法和诊断设备
US20120166142A1 (en) * 2009-09-07 2012-06-28 Hitachi, Ltd. Anomaly Detection and Diagnosis/Prognosis Method, Anomaly Detection and Diagnosis/Prognosis System, and Anomaly Detection and Diagnosis/Prognosis Program
WO2013027970A1 (ko) * 2011-08-19 2013-02-28 고려대학교 산학협력단 네트워크의 이상증후를 탐지하는 장치 및 방법
CN102539443A (zh) * 2011-12-29 2012-07-04 天津普达软件技术有限公司 基于机器视觉的瓶身缺陷自动检测装置及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113302568A (zh) * 2019-01-17 2021-08-24 日本电气株式会社 工序改进支持设备、工序改进支持方法和存储工序改进支持程序的记录介质

Also Published As

Publication number Publication date
KR101554216B1 (ko) 2015-09-18
US20140372813A1 (en) 2014-12-18
CN104238543B (zh) 2018-02-27
US20170060664A1 (en) 2017-03-02
WO2014204179A1 (en) 2014-12-24
US9547544B2 (en) 2017-01-17
KR20140146850A (ko) 2014-12-29

Similar Documents

Publication Publication Date Title
CN104238543A (zh) 时间序列形式的传感数据的不良图案检验方法及其装置
CN103267932B (zh) 一种gis局部放电检测系统及方法
CN108981781B (zh) 用于分析和检测机器传感器故障的预测分析系统和方法
US5987399A (en) Ultrasensitive surveillance of sensors and processes
CN111123188A (zh) 基于改进最小二乘法的电能表综合检定方法及系统
EP2857917A1 (en) State diagnosing method and state diagnosing apparatus
US20220099460A1 (en) Method for monitoring at least two redundant sensors
RU2684225C2 (ru) Инструмент валидации системы мониторинга авиационного двигателя
CN115630847B (zh) 一种基于数据预测的收发组件检测方法、系统及存储介质
US8756028B2 (en) Fault detection method of semiconductor manufacturing processes and system architecture thereof
CN109190272B (zh) 基于弹性波和机器学习的混凝土结构缺陷检测方法
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN105116872A (zh) 一种工业过程中基于度量学习与时间序列的故障诊断方法
CN105702595B (zh) 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法
CN105319487A (zh) 变电站局部放电信号检测和定位系统及方法
CN108959795A (zh) 一种试验场载荷谱标准化方法
CN115290286B (zh) 一种亚跨超声速风洞流场稳定性的集成学习评估系统
CN113232462B (zh) 胎压管理方法、装置及计算机存储介质
CN104537251A (zh) 一种风机叶片的冲击载荷识别方法
CN113906464B (zh) 工艺监控方法、数据处理设备、计算机可读介质以及工艺监控设备
US8271233B2 (en) Method of multi-level fault isolation design
CN110486350B (zh) 电液伺服阀故障诊断方法及装置、存储介质和电子设备
CN109556861B (zh) 一种基于案例推理的轴承实时故障诊断系统
CN101192253A (zh) 用于燃气轮机性能诊断的状态初始化
CN116520068A (zh) 一种电力数据的诊断方法、装置、设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant