CN104679972A - 应用于工厂进行生产制造的验证方法 - Google Patents

Abstract

一种应用于工厂进行生产制造的验证方法，该工厂包含一虚拟分析仪及一生产设备，该方法先通过一主方向分析法利用该虚拟分析仪的一建模数据建立一验证模型，并取得该验证模型的一管制界限；再将多个待验证测量参数输入该验证模型计算一验证统计量，利用该验证统计量与该管制界限排除该待验证测量参数中的至少一失效值以形成该制造参数；最后将该制造参数输入该虚拟分析仪进行分析并判断该制造参数有效，该生产设备依据该制造参数进行生产制造。据此，本发明得以避免该虚拟分析仪因无效的输入而预测出错误的输出结果，从而提高工厂的生产效率。

Description

应用于工厂进行生产制造的验证方法

技术领域

本发明涉及一种验证方法，尤指一种应用于工厂进行生产制造的验证方法。

背景技术

制程操作人员为了维持工厂的正常运作，包括：确保制程所生产的产品品质合乎制造规范，亦或是确保制程尾气的处理合乎环保法规，往往必须仰赖线上分析仪或是化验室分析数据作为调整操作条件的依据。当操作人员日益依赖线上分析仪作为操作时的判断标准之际，当线上分析仪存在故障或是维修而无法提供相关操作信息时，容易导致操作人员无所适从。因此，通过分析历史操作数据，建立制程操作变数（输入变数），与线上分析仪或化验室检验所分析品质变数（输出变数）之间的预测模式，称之为虚拟线上分析仪。由于输入变数的测量值，约0.1-1秒即可取样一次，相较于输出变数的取样频率，约10分钟（实体线上分析仪数据）至数个小时（化验室检验数据）可取样一次来得容易，如能建立有效的虚拟线上分析仪预测模式，利用输入变数的测量值及预测模式，可立即得知输出变数的预测值，对于制程操作人员而言，能及早修正操作条件，避免产品品质超出制造规范，或排放的制程尾气违反环保法规。

目前此领域的技术大多着重于开发虚拟分析仪预测模式的方法，例如：美国发明专利公告第6243696号的“自动建模方法（Automated methodfor building a model）”披露一种利用类神经网络模式，以及工厂操作数据建立输入与输出变数之间的预测模式。美国发明专利公告第6373033号的“模型基预测控制热处理（Model-based predictive control of thermalprocessing）”披露一种利用之前温度测量值以及类神经网络模式，建立下一个时间点的温度预测值，藉以回馈控制晶圆加热程序的热源，维持晶圆表面温度的稳定性。美国发明专利公告第7313550号的“于机器噪音和测量错误情况下人工神经网络模型的性能（Performance of artificial neuralnetwork models in the presence of instrumental noise and measurementerrors）”披露一种加入适当的高斯噪声于输入与输出变数的测量值，利用类神经网络模式拟和外加噪声之间的相关性，藉此提高预测模式的准确性。美国发明专利公告第7505949号的“工序模型错误校正方法和系统（Process model error correction method and system）”披露一种利用输入与输出变数测量值建立第一个预测模式。之后，利用输入变数测量值与第一个预测模式的误差值建立第二个预测模式。线上实作时，利用第二个预测模式的预测误差，补偿第一个预测模式的预测输出值。美国发明专利公告第8250006号的“使用三维pareto-front基因编程开发的推论传感器（Inferential sensors developed using three-dimensional pareto-front geneticprogramming）”披露一种利用基因算法建立虚拟分析仪的方法，通过准确性、复杂性以及平滑性三个面向，评估基因演化运算的适当性，藉此建立正确且稳健的预测模式。美国发明专利公告第8296107号的“用于约束经验过程的非线性逼近值的计算方法和装置（Computer method and apparatusfor constraining a non-linear approximator of an empirical process）”披露一种利用分段式趋近法，建立虚拟分析仪。首先，利用转换函数（TransferFunction）定义不同区间输入与输出变数的关系。其次，连接不同的转换函数，藉此近似全区域输入与输出变数的关系。最后，利用限制性最适化算法收敛模式参数。美国发明专利公告第8429100号的“建立适应软测量的方法（Method for building adaptive soft sensor）”披露一种利用更新区域预测模式的方法建立虚拟分析仪，通过合并既有区域类别，或是产生新的区域类别，递归式地更新预测模式，使得更新后的虚拟分析仪能描述制程新的操作行为。

前述对于虚拟分析仪的发明专利，不外乎利用输入与输出变数的历史数据，发展能利用线上输入变数的测量值，正确且稳健地预测输出变数值。然而，当线上输入变数的测量值失效时，无论再精准的预测模式，必然受到失效测量值的影响，而预测出错误的输出值。本发明针对此一虚拟分析仪技术的缺陷，提出验证线上输入变数测量值的方法，并且排除失效测量值对于虚拟分析仪预测值的影响。

发明内容

本发明的主要目的，在于解决已知的虚拟分析仪必然受到失效测量值的影响，而产生预测错误的问题。

为达上述目的，本发明提供一种应用于工厂进行生产制造的验证方法，该工厂包含一待输入一制造参数的虚拟分析仪以及一生产设备，该方法包含以下步骤：

步骤1：通过一主方向分析法利用该虚拟分析仪的一建模数据建立一验证模型；

步骤2：以该主方向分析法取得该验证模型的一验证模型参数，该验证模型参数包含一管制界限；

步骤3：将多个待验证测量参数输入该验证模型计算一验证统计量，利用该验证统计量与该管制界限排除该待验证测量参数之中的至少一失效值以形成该制造参数；

步骤4：将该制造参数输入该虚拟分析仪进行分析；

步骤5：由该虚拟分析仪判断该制造参数有效，该生产设备依据该制造参数进行生产制造。

如此一来，本发明通过建立该验证模型，以该主方向分析法对该待验证测量参数进行验证，排除该待验证测量参数之中的失效值以形成验证后的该制造参数，防止无效的该待验证测量参数直接输入该虚拟分析仪，避免该虚拟分析仪预测出错误的输出结果。

附图说明

图1为本发明的一实施例的工业级蒸馏塔结构示意图。

图2为本发明的一实施例的验证模型的建构示意图。

图3A为本发明的一实施例的流程示意图一。

图3B为本发明的一实施例的流程示意图二。

具体实施方式

有关本发明的详细说明及技术内容，现就配合图式说明如下：

本发明为一种应用于工厂进行生产制造的验证方法，该工厂包含一待输入一制造参数的虚拟分析仪以及一生产设备，该生产设备例如可为一工业级蒸馏塔，而该制造参数可为对应该生产设备所使用的温度值，举例说明如下述，请参阅图1所示，为本发明一实施例的工业级蒸馏塔结构示意图，欲纯化的物料30（Feed）由该工业级蒸馏塔60的进料板层进料流进该工业级蒸馏塔60，位于一塔底62的一再沸器40（Reboiler）利用蒸气加热，蒸发沸点较低物质形成气相向上流动，位于一塔顶61的一冷凝器50（Condenser）利用冷却水冷凝，使得沸点较高物质形成液相向下流动。如此，液气两相的物质于该工业级蒸馏塔60内各板层充分接触，达到热力学平衡状态，使得沸点较低物质持续向塔顶流动，沸点较高物质向塔底流动，达到分离的效果，分别于该塔顶61形成一蒸馏液31（Distillate），于该塔底62形成一残余物32（Residue），该塔顶61的该蒸馏液31浓度为进行生产制造一产品的重要指针，因此配置该虚拟分析仪A对该蒸馏液31浓度进行分析，亦配置一流量计以及一流量控制阀F用以调整该蒸馏液31浓度不得超过以上限值。而为了实时得知于该塔顶61的该蒸馏液31浓度，于其塔体63的不同位置设置多个温度计（T₁、T₂、...、T_N），以测量取得不同位置的温度值，并利用各该温度值与该蒸馏液31浓度的历史数据对应关系，建立该虚拟分析仪A的一预测模式，之后，只要得知实时的该温度值，即可预测该于该塔顶的该蒸馏液31浓度，然而，一旦该温度计（T₁、T₂、...、T_N）所测量的该温度值为一错误值或是失效值，即会使得该虚拟分析仪A预测出错误的该蒸馏液31浓度，而使得该流量控制阀F产生错误动作，造成该产品于生产制造时的毁损。本发明在此范例中，即可用以验证该温度计（T₁、T₂、...、T_N）所测量的该温度值，是否符合历史数据所呈现的规则，避免错误的该制造参数影响该工厂正常的生产制造，尚需补充说明的是，以上仅以该工业级蒸馏塔60为举例说明，但并不以此为限制本发明的应用范畴，凡符合上述生产制造精神的所需的该生产设备、该制造参数以及该虚拟分析仪，皆为本发明可同理应用而欲保护的范围。

请搭配参阅图2、图3A及图3B所示，图2为本发明一实施例的验证模型的建构示意图，图3A为本发明一实施例的流程示意图一，图3B为本发明一实施例的流程示意图二，本发明的该验证方法包含以下步骤：

步骤1：通过一主方向分析法（Principal components analysis，PCA）利用该虚拟分析仪的一建模数据20建立一验证模型10，该建模数据20包含关联于该虚拟分析仪过往的一历史操作数据，该历史操作数据包含至少一输入数据21以及至少一输出数据22，该输出数据22为对应该输入数据21而产生，例如，在此实施例中，假设有N个输入数据21及M组建模数据20，则该输入据数21的数据矩阵W的大小为M×N，每个该输入数据21的M组数据经过重新尺度化，使得每个该输入数据21字段的M组数据平均值为0，标准差为1。

其中，为M组建模数据20的平均值向量，1为组成元素为1的栏向量，S为标准差的对角矩阵，S=diag[σ₁σ₂...σ_N]，σ_i为第i个变数的标准差。利用尺度化之后的数据X，计算共变异矩阵Σ的特征向量P=[P₁P₂...P_N]，将尺度化之后数据X投影到每个特征向量的投影量，称之为Score向量：T=XP。

$X=T_k{P}_k^T+T_{n-k}{P}_{n-k}^T=\hat{X}+E---\left(1\right)$

T_k、P_k分别为前k项的Score及Loading向量，T_n-k、P_n-k则为k+1至n项的Score及Loading向量。为k项特征向量描述系统主要的变化，E则是误差矩阵。当误差矩阵可被忽略不计时，即则这k项特征向量即为数据分布的主要方向（Principal Components）。由此，定义统计量Q为：

$Q=(x-\hat{x}){(x-\hat{x})}^T=x(I-P_k{P}_k^T)x^T---\left(2\right)$

其中x为重新尺度化后的一笔输入变数测量值，Q可视为利用正常操作数据所建立的PCA子空间解释新数据的误差，Q的管制界限定义如下：

$Q_a={\mathrm{\Θ}}_1{[\frac{c_a\sqrt{2{\mathrm{\Θ}}_1{h}_0^2}}{{\mathrm{\Θ}}_1}+1+\frac{{\mathrm{\Θ}}_2{h}_0(h_0-1)}{{\mathrm{\Θ}}_1^2}]}^{1/h_0}---\left(3\right)$

${\mathrm{\Θ}}_i=\underset{j=K+1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_j^i,i=\mathrm{1,2,3},h_0=\frac{2{\mathrm{\Θ}}_1{\mathrm{\Θ}}_3}{3{\mathrm{\Θ}}_2^2}$

（1-α）为发生Type（类型）I检定错误的机率，也为常态分布由c_α积分至∞的机率。另一个测量PCA与新数据之间的差异指针为统计量T²：

$T^2=x{P}_k{\mathrm{\Λ}}^{-1}{P}_k^T{x}^T---\left(4\right)$

其中Λ=diag[λ₁λ₂...λ_k]为特征值对角矩阵。T²则是测量新的数据投影至PCA的方向与之前正常数据中心的距离，它的管制界限为：

$T_a^2=\frac{k(M-1)}{M-k}{F}_{k,M-1,a}---\left(5\right)$

F_k,M-1,α为F分配函数，其自由度分别为k和M-1。验证统计量则是采用Q和T²的混和指标（Yue,H.H.;Qin,S.J.;Ind.Eng.Chem.Res.2001,40,4403.）。

其管制界限为：

$g=\frac{{\mathrm{\Θ}}_2/Q_a^2+k/{\left(T_a^2\right)}^2}{{\mathrm{\Θ}}_1/Q_a+k/T_a^2},h=\frac{{({\mathrm{\Θ}}_1/Q_a+k/T_a^2)}^2}{{\mathrm{\Θ}}_2/Q_a^2+k/{\left(T_a^2\right)}^2}$

其中为自由度h，信心水平为（1-α）×100%的卡方分布（Chi-square Distribution）。

步骤2：以该主方向分析法取得该验证模型10的一验证模型参数，该验证模型参数包含一管制界限（7a）、一输入平均值向量（7b）、一标准5差对角线矩阵（7c）、一对应特征值对角线矩阵（7d）、一特征向量矩阵以及一主方向个数，该主方向个数采用特征值大于1的个数。

$\stackrel{\‾}{W}=\left[{\stackrel{\‾}{w}}_1{\stackrel{\‾}{w}}_{2...}{\stackrel{\‾}{w}}_N\right],{\stackrel{\‾}{w}}_i=\frac{1}{M}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}---\left(5b\right)$

$\mathrm{\Σ}=\frac{1}{(M-1)}{x}^{T}x,{\mathrm{\Σp}}_i={\mathrm{\λ}}_i{p}_i,i=1...k,{\mathrm{\λ}}_k\≥1---\left(7d\right)$

步骤3：将多个待验证测量参数（x）输入该验证模型10计算一验证统计量，接着，利用该验证统计量与该管制界限排除该待验证测量参数（x）之中的至少一失效值以形成该制造参数，在此实施例中，步骤3还进一步包含步骤3（a）、步骤3（b）、步骤3（c）、步骤3（d）以及步骤3（e）。

步骤3（a）：利用该输入平均值向量以及该标准差对角线矩阵将该待验证测量参数（x）形成多个尺度化向量，再利用该特征向量矩阵，投影该尺度化向量至一主方向空间，以计算该验证统计量，即利用上述（2）、（4）及（6）式计算该验证统计量，而采用混和指标。

另外，为比较该验证统计量是否低于该管制界限，该管制界限可由该历史操作数据以及（7a）式计算而得，如果验证统计量低于管制界限，表示该待验证测量参数（x）并无存在失效值，可直接利用该虚拟分析仪预测输出值。如果该验证统计量超过该管制界限，则如下所述：

步骤3（b）：建立一失效值集合（x_f），设定测量失效值个数（n_f）为0，失效值集合（x_f）为空集合。

步骤3（c）：将该尺度化向量的其中之一放入该失效值集合（x_f），利用其余未放入该失效值集合（x_f）的该尺度化向量与特征向量矩阵，以（8）式估算位于该失效值集合（x_f）中的该尺度化向量的一对应的验证值（x*_nf），并利用该验证值（x*_nf）与其余未放入该失效集合的该尺度化向量计算一估算验证统计量，并记录该估算验证统计量相较该验证统计量的一下降值。

$x_{\mathrm{nf}}^{*}=-{\left({\mathrm{\ξ}}^T\mathrm{\φ\ξ}\right)}^{-1}{\mathrm{\ξ}}^T\mathrm{\φ}(I-\mathrm{\Γ})x---\left(8\right)$

其中 $\mathrm{\φ}\≡(I-P_k{P}_k^T)/Q_a+P_k{\mathrm{\Λ}}^{-1}{P}_k^T/T_a^2,$ 而ξ≡[ξ₁ ξ₂ … ξ_nf]，ξ_i为栏向量，第i个元素为1，其余为0。Γ为对角线矩阵，在对角线失效值位置元素值为1，反之为0。该下降值如（9）式所示，其中为利用该验证值（x*_nf）所计算的估算验证统计量。

步骤3（d）：重复步骤3（c），共（N-nf）次，直至每个该尺度化向量都评估过对应的该下降值，并将对应最大的该下降值的该尺度化向量列为该失效值而放入该失效值集合（xf）。

步骤3（e）：若为该失效值的该尺度化向量，其对应的该验证值（x*nf）所计算出的该估算验证统计量高于该管制界限，表示该尺度化向量之中仍有其他的失效值，则重复步骤3（c）至步骤3（d），以挑选出下一个该尺度化向量成为新增的失效值放入该失效值集合（xf），直至其对应计算出的该估算验证统计量低于该管制界限，而如果该估算验证统计量已低于该管制界限，为了避免将该尺度化向量误判为该失效值，重写（9）式如下：

$c_i={\left[{(x_{\mathrm{nf}}-x_{\mathrm{nf}}^{*})}^T{\left({\mathrm{\ξ}}^T\mathrm{\φ\ξ}\right)}^{0.5}{\mathrm{\ξ}}_i\right]}^2$

其中c_i为第i个失效值的下降值，下降程度越大，越可能是失效值。因此，将该下降值由大至小排序，再次筛选失效值，并依序挑选该下降值进行加总形成一下降贡献值，直至该验证统计量扣除该下降贡献值而低于该管制界限，保留足够降低该验证统计量至该管制界限的失效值的个数即可，其中，挑选的该下降值所对应的该失效值即为放入该失效值集合（x_f）的一最少验证数量。之后，将该待验证测量参数（x）之中所挑选的该失效值以对应的该验证值（x*_nf）取代，以形成该制造参数。

步骤4：将该制造参数输入该虚拟分析仪进行分析。

步骤5：由该虚拟分析仪判断该制造参数有效，该生产设备依据该制造参数进行生产制造。

综上所述，由于本发明通过建立该验证模型，以该主方向分析法对该待验证测量参数进行验证，排除该待验证测量参数之中的失效值以形成验证后的该制造参数，防止无效的该待验证测量参数直接输入该虚拟分析仪，避免该虚拟分析仪预测出错误的输出结果，据此，使工厂于制造生产上，得以提高良率以及生产效率。

Claims (8)

1.一种应用于工厂进行生产制造的验证方法，所述工厂包含一待输入一制造参数的虚拟分析仪以及一生产设备，其特征在于，所述验证方法包含以下步骤：

步骤1：通过一主方向分析法利用所述虚拟分析仪的一建模数据建立一验证模型；

步骤2：通过所述主方向分析法取得所述验证模型的一验证模型参数，所述验证模型参数包含一管制界限；

步骤3：将多个待验证测量参数输入所述验证模型以计算一验证统计量，利用所述验证统计量与所述管制界限排除所述待验证测量参数之中的至少一失效值以形成所述制造参数；

步骤4：将所述制造参数输入所述虚拟分析仪进行分析；

步骤5：由所述虚拟分析仪判断所述制造参数有效，所述生产设备依据所述制造参数进行生产制造。

2.根据权利要求1所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤1中，所述建模数据包含所述虚拟分析仪的一历史操作数据，所述历史操作数据包含至少一输入数据以及至少一对应所述输入数据的输出数据。

3.根据权利要求1所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤2中，所述验证模型参数还包含一输入平均值向量、一标准差对角线矩阵、一主方向个数、一对应特征值对角线矩阵以及一特征向量矩阵。

4.根据权利要求3所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤3中还包含：

步骤3（a）：利用所述输入平均值向量以及所述标准差对角线矩阵将所述待验证测量参数形成多个尺度化向量，再利用所述特征向量矩阵，将所述尺度化向量投影至一主方向空间，以计算所述验证统计量。

5.根据权利要求4所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤3中还包含：

步骤3（b）：建立一失效值集合；

步骤3（c）：将所述尺度化向量的其中之一放入所述失效值集合，利用其余未放入所述失效值集合的所述尺度化向量与所述特征向量矩阵，来估算位于所述失效值集合中的所述尺度化向量的一验证值，并利用所述验证值与其余未放入所述失效集合的所述尺度化向量来计算一估算验证统计量，并记录所述估算验证统计量相较所述验证统计量的一下降值；

步骤3（d）：重复步骤3（c），直至每个所述尺度化向量都评估过对应的所述下降值，并将对应于最大的所述下降值的所述尺度化向量列为所述失效值而放入所述失效值集合。

6.根据权利要求5所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤3中还包含：

步骤3（e）：若所述失效值的所述尺度化向量所对应的所述验证值计算出的所述估算验证统计量高于所述管制界限，则重复步骤3（c）至步骤3（d），以挑选出下一个所述尺度化向量成为新增的所述失效值以放入所述失效值集合，直至所述失效值对应计算出的所述估算验证统计量低于所述管制界限。

7.根据权利要求6所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤3（e）中，将已放入所述失效值集合的所述失效值各对应的所述下降值由大至小排序，并依序挑选所述下降值进行加总形成一下降贡献值，直至所述验证统计量扣除所述下降贡献值而低于所述管制界限，其中，挑选的所述下降值所对应的所述失效值即为放入所述失效值集合的一最少验证数量。

8.根据权利要求6所述的应用于工厂进行生产制造的验证方法，其特征在于，在所述步骤3中，将所述待验证测量参数之中所挑选的所述失效值以对应的所述验证值取代，以形成所述制造参数。