CN108470699B - 一种半导体制造设备和工艺的智能控制系统 - Google Patents

一种半导体制造设备和工艺的智能控制系统 Download PDF

Info

Publication number
CN108470699B
CN108470699B CN201810270121.6A CN201810270121A CN108470699B CN 108470699 B CN108470699 B CN 108470699B CN 201810270121 A CN201810270121 A CN 201810270121A CN 108470699 B CN108470699 B CN 108470699B
Authority
CN
China
Prior art keywords
data
semiconductor manufacturing
clustering
manufacturing equipment
unit
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.)
Expired - Fee Related
Application number
CN201810270121.6A
Other languages
English (en)
Other versions
CN108470699A (zh
Inventor
李健斌
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.)
Xinyi Wayao Industrial Park Co. Ltd.
Original Assignee
Xinyi Wayao Industrial Park 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 Xinyi Wayao Industrial Park Co Ltd filed Critical Xinyi Wayao Industrial Park Co Ltd
Priority to CN201810270121.6A priority Critical patent/CN108470699B/zh
Publication of CN108470699A publication Critical patent/CN108470699A/zh
Application granted granted Critical
Publication of CN108470699B publication Critical patent/CN108470699B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种半导体制造设备和工艺的智能控制系统，包括数据预处理单元、离群点检测单元、支持向量机训练单元、智能监控单元和持续学习单元；其中数据预处理单元包括预处理模块和聚类处理模块，预处理模块用于对半导体制造设备和工艺采集的数据采集的数据进行预处理，聚类处理模块通过全局K‑均值聚类算法对预处理模块预处理后的数据进行聚类处理；离群点检测单元对聚类处理后的数据进行离群点检测，得到离群点集。

Description

一种半导体制造设备和工艺的智能控制系统
技术领域
本发明涉及半导体制造设备和工艺控制技术领域，具体涉及一种半导体制造设备和工艺的智能控制系统。
背景技术
在半导体制造和生产过程中，半导体器件的质量异常问题很难与半导体制造设备和工艺的行为直接建立联系，现有技术中，通常只能在半导体器件的质量出现异常后由技术人员检查与判断后制定下一步的处理措施，每一次检查与判断半导体器件的异常都是一个推测、验证的迭代过程，并且技术人员仅仅在半导体器件的质量发生异常时才查阅有关的半导体制造设备和工艺测量数据，找出问题原因，这种模式造成以下问题：
(1)人为因素影响大：在上述模式下，导体制造设备和工艺的检测数据的使用方法和效果由技术人员本身熟知的经验及判断而决定的，因此造成异常事件发生后的工艺结果差异非常大，且不同的工程师彼此亦存在不同的差异，特别是经验较浅与经验较深的工程师之间的工艺结果差异非常大；
(2)缺乏连贯学习机制：每一次异常事件的处理也是一个学习机会，可以为未来处理相关事件提供帮助，但是由于缺乏系统支持，每一次异常事件处理的历史数据，包括异常事件现象分析、处理意见和执行效果分散在不同的空间，不能形成持续学习的机制；
(3)手动处理数据耗费时间长：技术人员在一适当控制参数的决定上可能要花费数小时的时间，严重降低产能；
(4)没有异常行为预测功能：只有当半导体材料和器件出现问题和偏离时才启动问题检测模式，不能在问题出现的初期，采取预防，从而避免产品质量问题。
发明内容
针对上述问题，本发明提供一种半导体制造设备和工艺的智能控制系统。
本发明的目的采用以下技术方案来实现：
提供了一种半导体制造设备和工艺的智能控制系统，包括数据预处理单元、离群点检测单元、支持向量机训练单元、智能监控单元和持续学习单元；
数据预处理单元包括预处理模块和聚类处理模块，预处理模块用于对半导体制造设备和工艺采集的数据采集的数据进行预处理，聚类处理模块通过全局K-均值聚类算法对预处理模块预处理后的数据进行聚类处理；
离群点检测单元对聚类处理后的数据进行离群点检测，得到离群点集；
支持向量机训练单元将离群点集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；
所述智能监控单元用于利用支持向量机训练单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；
所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。
优选地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数。
优选地，所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。
本发明的有益效果为：本发明对半导体制造设备和工艺采集的海量数据进行挖掘，充分利用所述数据资源实现对半导体设备和工艺进行智能控制，保证了半导体材料和器件生产质量，当半导体材料和器件的质量发生异常时能够更高效率的找到异常发生的原因，并具有持续学习的机制，解决了现有技术中因技术人员自身经验限制造成的工艺结果差异；并且利用所述智能控制系统的持续学习功能，还解决了现有技术中因缺乏连贯学习机制造成的异常事件处理经验的丢失；还提高了异常事件处理效率，提高产能。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明一个示例性实施例的系统结构示意框图；
图2是本发明一个示例性实施例的数据预处理单元的结构示意框图。
附图标记：
数据预处理单元10、离群点检测单元20、支持向量机训练单元30、智能监控单元40、持续学习单元50、预处理模块100、聚类处理模块200。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2，本实施例提供的一种半导体制造设备和工艺的智能控制系统，包括数据预处理单元10、离群点检测单元20、支持向量机训练单元30、智能监控单元40和持续学习单元50；
数据预处理单元10包括预处理模块100和聚类处理模块200，预处理模块100用于对半导体制造设备和工艺采集的数据采集的数据进行预处理，聚类处理模块200通过全局K-均值聚类算法对预处理模块100预处理后的数据进行聚类处理；
离群点检测单元20对聚类处理后的数据进行离群点检测，得到离群点集；
支持向量机训练单元30将离群点集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元40；
所述智能监控单元40用于利用支持向量机训练单元30输出的最终数据训练参数监测和控制半导体制造设备和工艺；
所述持续学习单元50用于当智能监控单元40监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元40，对智能监控单元40进行参数更新。
优选地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中，半导体制造设备检测和控制的宏观参数和微观参数。
优选地，所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。
本发明上述实施例对半导体制造设备和工艺采集的海量数据进行挖掘，充分利用所述数据资源实现对半导体设备和工艺进行智能控制，保证了半导体材料和器件生产质量，当半导体材料和器件的质量发生异常时能够更高效率的找到异常发生的原因，并具有持续学习的机制，解决了现有技术中因技术人员自身经验限制造成的工艺结果差异；并且利用所述智能控制系统的持续学习功能，还解决了现有技术中因缺乏连贯学习机制造成的异常事件处理经验的丢失；还提高了异常事件处理效率，提高产能。
在一个实施例中，所述对半导体制造设备和工艺采集的数据进行预处理，具体为：对半导体制造设备和工艺采集的数据依采集时间顺序进行检测，将数据ya与其前一数据ya-1进行比较，计算数据ya是否满足数据合并条件，若数据ya满足下列数据合并条件，则将数据ya剔除，继续对下一个数据进行检测：
式中，θ为设定的变化率阈值。
本实施例对半导体制造设备和工艺采集的数据进行预处理，将变化率较小的数据进行剔除，能够在保障数据本身精度的前提下减少数据处理的数量，有益于节约半导体制造设备和工艺的智能控制系统的存储空间，降低数据聚类处理单元的计算量，提高数据聚类处理的效率。
在一个实施例中，所述的全局K-均值聚类算法为改进的全局K-均值聚类算法，该改进的全局K-均值聚类算法具体包括：
(1)提取预处理后的设定时间段的数据作为一个数据集，设为Y；
(2)将数据集Y中的数据按照从小到大进行排序，选取其中的中位数作为数据集Y的聚类中心且令λ＝1；
(3)令λ＝λ+1，若λ>M，M为设定的迭代次数阈值，则算法终止；
(4)取前λ-1次的初始聚类中心Q1,Q2,…,Qλ-1，并取数据集中的数据yi作为第λ个初始聚类中心，yi∈Y,i＝1,…,N，N为数据集Y具有的数据量，按照下列公式计算Hi，选择使得Hi取值最大的一组聚类中心作为最优初始聚类中心：
式中，yj∈Y，Hi用于测量在yi处加入一个聚类中心后聚类误差减少的量，表示yj到在Q1,Q2,…,Qλ-1中距离最近的初始聚类中心的距离平方；
(5)对最优初始聚类中心应用K-均值算法进行聚类，并保存聚类结果，记它们的初始聚类中心为Z1,Z2,…,Zλ；
(6)若得到的聚类结果有只包含一个数据的簇，则令此簇对应的Hi为0，转到(4)；否则转到(7)；
(7)令Qk＝Zk,k＝1,…,λ，转步骤(3)。
其中，所述的K-均值算法为现有的算法，该算法通过使聚类误差最小进行簇的划分。
本实施例通过改进的全局K-均值聚类算法对数据预处理单元10预处理后的数据进行聚类处理，并创新性地提出了改进的全局K-均值聚类算法，该算法能够避免出现单独一个数据作为一个簇的情形，且利用Hi来测量在yi处加入一个聚类中心后聚类误差减少的量，优化了聚类问题的求解效率，从而使得本实施例提出的改进的全局K-均值聚类算法，相对于现有的全局K-均值聚类算法具有更优的聚类效果，并且能够适用于较大的数据集。
在一个实施例中，所述对聚类处理后的数据进行离群点检测，具体包括：
(1)对同一个簇的数据按照从小到大的顺序进行排序，获取其中的中位数ymed；
(2)若数据yi满足离群条件，则将该数据yi视为离群点，归入离群点集；
其中，所述的离群条件为：
式中，yT1为区间[y1,ymed]的中位数，yT2为区间[ymed,yn]的中位数，yi∈{y1,y2,…,yn}，n为yi所在簇的数据数量，为数据yi到其簇的聚类中心的距离，LT为设定的距离阈值；
为设定的判断取值函数，当时，当时，
在一个可选的方式中，将所述LT设定为yi所在簇内数据到聚类中心的距离的平均值。
本实施例对聚类处理后的数据进行离群点检测，从中创新性地提出了用于检测数据是否为离群点的离群条件，该离群条件根据数据与聚类中心的距离以及数据与所在簇数据集合的大小关系来判断该数据是否为离群点，由于利用中位数来判断数据与所在簇数据集合的大小关系，能够使得检测不受到簇内数据分布的限制，具备一定的鲁棒性，检测方式简单有效。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.一种半导体制造设备和工艺的智能控制系统，其特征是，包括数据预处理单元、离群点检测单元、支持向量机训练单元、智能监控单元和持续学习单元；
数据预处理单元包括预处理模块和聚类处理模块，预处理模块用于对半导体制造设备和工艺采集的数据采集的数据进行预处理，聚类处理模块通过全局K-均值聚类算法对预处理模块预处理后的数据进行聚类处理；
离群点检测单元对聚类处理后的数据进行离群点检测，得到离群点集；
支持向量机训练单元将离群点集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；
所述智能监控单元用于利用支持向量机训练单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；
所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新训练样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新；
所述的全局K-均值聚类算法为改进的全局K-均值聚类算法，该改进的全局K-均值聚类算法具体包括：
(1)提取预处理后的设定时间段的数据作为一个数据集，设为Y；
(2)将数据集Y中的数据按照从小到大进行排序，选取其中的中位数作为数据集Y的聚类中心且令λ＝1；
(3)令λ＝λ+1，若λ>M，M为设定的迭代次数阈值，则算法终止；
(4)取前λ-1次的初始聚类中心Q1,Q2,…,Qλ-1，并取数据集中的数据yi作为第λ个初始聚类中心，yi∈Y,i＝1,…,N，N为数据集Y具有的数据量，按照下列公式计算Hi，选择使得Hi取值最大的一组聚类中心作为最优初始聚类中心：
式中，yj∈Y，Hi用于测量在yi处加入一个聚类中心后聚类误差减少的量，表示yj到在Q1,Q2,…,Qλ-1中距离最近的初始聚类中心的距离平方；
(5)对最优初始聚类中心应用K-均值算法进行聚类，并保存聚类结果，记它们的初始聚类中心为Z1,Z2,…,Zλ；
(6)若得到的聚类结果有只包含一个数据的簇，则令此簇对应的Hi为0，转到(4)；否则转到(7)；
(7)令Qk＝Zk,k＝1,…,λ，转步骤(3)。
2.根据权利要求1所述的一种半导体制造设备和工艺的智能控制系统，其特征是，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中，半导体制造设备检测和控制的宏观参数和微观参数。
3.根据权利要求2所述的一种半导体制造设备和工艺的智能控制系统，其特征是，所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。
4.根据权利要求1-3任一项所述的一种半导体制造设备和工艺的智能控制系统，其特征是，所述对半导体制造设备和工艺采集的数据进行预处理，具体为：对半导体制造设备和工艺采集的数据依采集时间顺序进行检测，将数据ya与其前一数据ya-1进行比较，计算数据ya是否满足数据合并条件，若数据ya满足下列数据合并条件，则将数据ya剔除，继续对下一个数据进行检测：
式中，θ为设定的变化率阈值。
CN201810270121.6A 2018-03-29 2018-03-29 一种半导体制造设备和工艺的智能控制系统 Expired - Fee Related CN108470699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810270121.6A CN108470699B (zh) 2018-03-29 2018-03-29 一种半导体制造设备和工艺的智能控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810270121.6A CN108470699B (zh) 2018-03-29 2018-03-29 一种半导体制造设备和工艺的智能控制系统

Publications (2)

Publication Number Publication Date
CN108470699A CN108470699A (zh) 2018-08-31
CN108470699B true CN108470699B (zh) 2019-12-06

Family

ID=63262275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810270121.6A Expired - Fee Related CN108470699B (zh) 2018-03-29 2018-03-29 一种半导体制造设备和工艺的智能控制系统

Country Status (1)

Country Link
CN (1) CN108470699B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6830464B2 (ja) * 2018-09-26 2021-02-17 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ 基板処理装置、半導体装置の製造方法および記録媒体。
US20220284342A1 (en) * 2021-03-04 2022-09-08 Applied Materials, Inc. Systems and methods for process chamber health monitoring and diagnostics using virtual model
CN117292709B (zh) * 2023-11-23 2024-02-09 中瑞恒（北京）科技有限公司 一种暖通机房异常音频识别方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488538A (zh) * 2015-12-15 2016-04-13 云南电网有限责任公司电力科学研究院 一种基于改进k均值聚类算法的天空图像云空辨识方法
CN107423636A (zh) * 2017-07-06 2017-12-01 北京航空航天大学 一种基于MapReduce的差分隐私K均值聚类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176701A (zh) * 2011-02-18 2011-09-07 哈尔滨工业大学 一种基于主动学习的网络数据异常检测方法
CN104463221A (zh) * 2014-12-22 2015-03-25 江苏科海智能系统有限公司 适用于支持向量机训练的不平衡样本加权方法
CN106483942B (zh) * 2016-09-20 2019-06-04 孙敬玺 一种半导体制造设备和工艺的智能控制系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488538A (zh) * 2015-12-15 2016-04-13 云南电网有限责任公司电力科学研究院 一种基于改进k均值聚类算法的天空图像云空辨识方法
CN107423636A (zh) * 2017-07-06 2017-12-01 北京航空航天大学 一种基于MapReduce的差分隐私K均值聚类方法

Also Published As

Publication number Publication date
CN108470699A (zh) 2018-08-31

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
CN102393882B (zh) 在线监控和诊断室内空气质量传感器的方法
CN108470699B (zh) 一种半导体制造设备和工艺的智能控制系统
CN106845526B (zh) 一种基于大数据融合聚类分析的关联参数故障分类方法
CN109255440B (zh) 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法
CN103473540B (zh) 智能交通系统车辆轨迹增量式建模与在线异常检测方法
WO2018071005A1 (en) Deep long short term memory network for estimation of remaining useful life of the components
US20120296605A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
CN108664009B (zh) 基于相关分析的阶段划分和故障检测方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN106249709B (zh) 动态的过程质量控制图和定龄维修联合设计优化控制方法
CN101403923A (zh) 基于非高斯成分提取和支持向量描述的过程监控方法
CN105930629B (zh) 一种基于海量运行数据的在线故障诊断方法
CN109670549B (zh) 火电机组的数据筛选方法、装置以及计算机设备
US20230213926A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
CN111209967A (zh) 一种基于支持向量机的轧制过程板凸度预测方法
CN108334898A (zh) 一种多模态工业过程模态辨识与故障分类方法
CN105511445A (zh) 基于局部近邻标准化矩阵的多模态过程故障检测方法
KR20170078256A (ko) 시계열의 데이터를 예측 하는 방법 및 그 장치
CN115096627B (zh) 一种液压成形智能装备制造过程故障诊断与运维方法及系统
CN110757510A (zh) 一种机器人剩余寿命预测方法及系统
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN111198979A (zh) 一种用于对输变电可靠性评估大数据进行清洗的方法及系统
CN112257745A (zh) 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置
CN106354125A (zh) 一种利用分块pca检测化工过程故障的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191115

Address after: 221400 Jiangsu city of Xuzhou province Xinyi city government Wayao Town Road No. 1

Applicant after: Xinyi Wayao Industrial Park Co. Ltd.

Address before: 518000 West Tower 1708, Nanshan Software Park, Nanshan Digital Culture Industry Base, 10128 Shennan Avenue, Nanshan Street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen City Creative Industry Technology Co. Ltd.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191206

Termination date: 20200329