CN109213057A - 智能诊断装置和方法 - Google Patents
智能诊断装置和方法 Download PDFInfo
- Publication number
- CN109213057A CN109213057A CN201710517710.5A CN201710517710A CN109213057A CN 109213057 A CN109213057 A CN 109213057A CN 201710517710 A CN201710517710 A CN 201710517710A CN 109213057 A CN109213057 A CN 109213057A
- Authority
- CN
- China
- Prior art keywords
- index
- equipment
- model
- monitored
- data
- 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
Links
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
- G05B19/048—Monitoring; Safety
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智能诊断装置和方法,该智能诊断方法包括:根据预测指标模型对待监测设备的指标进行逐级分解,直至分解到最小单元;获得与各级指标对应的测试数据并存储;建立各级指标之间的实测模型;根据待监测设备的运行状态,预测待监测设备是否会超标,并实施补偿措施。本发明通过建立实测模型,实测模型能够识别出原预算模型没有考虑到的影响关系,实现指标重新分配,优化设计。本发明还可以预测设备是否会超标,进而可以在设备生产出不良品之前,实施补偿措施,保证设备的良好运行。
Description
技术领域
本发明涉及自动诊断领域,特别涉及一种智能诊断装置和方法。
背景技术
工业4.0的到来,要求机器都应具备自动诊断功能。基于此,西门子公司提出一种自动诊断系统,其通过在设备的产品上安装产品传感器,将产品传感器测得的数据传送给诊断装置,诊断装置根据这些数据可以统计已生产产品质量,并进一步预警可能的场景,以便产品及早干预或做出反应。
为了应对工业4.0得发展和不断提高的光刻机性能要求,目前也发展了很多改进光刻机性能和自动化诊断的方法,常见的有“一体化光刻”,即将曝光的硅片的测量结果返回给光刻机,使得光刻机在后续批次曝光时加以改进,从而提高性能。比如ASML公司提出了一种基于机器学习的在线校准方法。通过测量曝光之后的产品特性,利用机器学习的方法来对结果进行判断,并给出当前机台状态的漂移量,计算出所需要的该变量并让整机做出相应的调整。ASML公司还提出另外一种自动诊断方法,也是通过机器实时学习以改进套刻。具体为:硅片送进光刻机进行曝光后,再送到测量设备中测量,测量结束后,硅片流出,测量数据发送给套刻校准模块诊断,诊断出的数据重新输送给光刻机进行学习,以便改善之后的套刻曝光性能。
上述公司提出的自动诊断系统都揭示了通过机器的实时学习以改进机器性能,但是存在如下问题:仅统计已生产产品的质量,产品质量不合格是无法返工恢复的,且实时学习只可以改进后续产品的质量。造成产品质量不佳的原因有两种:系统误差和随机误差,随机误差可以通过上述的实时学习加以修正消除,但是系统误差需要离线校准。系统误差的校准是周期进行的,因为其影响因素会在一段时间后对产品的影响超过阈值,此时就需要进行离线校准。离线校准需要终止正常工作,这将会影响机台的正常生产。
现有技术提出一种在线补偿面形的方法,该方法通过建立反射镜面形和环境温度、压力之间的变化模型,计算校准模型中的相关系数,实现在线面形漂移的补偿。但是面形的影响因素不仅仅是理论上的温度、压力,还有长条镜的安装,在运动中导致安装松动,进而引起的真实面形变化。因此,纯粹依赖模型计算结果会导致偏离真实值,而引起失真、误导判断。
光刻机在运行过程中,随着环境的改变、运行时间的增加,其各项性能状态都会有漂移。而当系统状态漂移量还未超过指标,或者当前生产的产品要求较低时,光刻机性能表面上看是满足要求的,但是其性能已经在逐渐变差,可操作员无法察觉该渐变过程。
发明内容
本发明提供一种智能诊断装置和方法,对设备进行智能监测,进而在设备生产出不良品之前,实施补偿措施,保证设备的良好运行。
为解决上述技术问题,本发明提供一种智能诊断方法,包括:
步骤1:根据预测指标模型对待监测设备的指标进行逐级分解,直至分解到最小的影响因素单元;
步骤2:获得与各级指标对应的测试数据并存储;
步骤3:建立各级指标之间的实测模型;
步骤4:根据待监测设备的运行状态,预测待监测设备是否会超标,并实施补偿措施。
作为优选,所述步骤2中的测试数据包括:设备指标实测数据集和运行工况实测数据集,且所述设备指标实测数据集和运行工况实测数据集均包括名义值和实测数据。
作为优选,所述步骤2中,获得与各级指标对应的测试数据,包括:
判断所需的测试数据是否可以在待监测设备的现存中间数据文件中找到;
若是,读取中间数据文件并保存数据;
若否,判断所需的测试数据是否有传感器测量;
若有传感器测量,则将传感器的测量值传递至中间数据文件,读取并保存数据;
若无传感器测量,则在待监测设备中增加传感器,再提供传感器的测量值,并将传感器的测量值传递至中间数据文件,读取并保存数据。
作为优选,所述步骤2中:按照离线标准模型的数据格式存储测试数据,或者根据测试数据的采集时间存储测试数据。
作为优选,所述步骤3具体为:验证下级指标与上级指标之间的量化关系,更新指标预测模型,将更新后的指标预测模型作为实测模型。
作为优选,所述步骤1还包括,根据指标预测模型给出下级指标与上级指标之间的量化关系初值。
作为优选,所述验证下级指标与上级指标之间的量化关系步骤包括:通过对与下级指标和上级指标分别对应的测试数据进行拟合,获取下级指标与上级指标之间的相关性系数,将所述相关性系数与阈值进行比较,根据比较结果判断是否需要更新预测指标模型。
作为优选,所述步骤3还包括:获取待监测设备的离线诊断阈值和在线诊断阈值。
作为优选,所述离线诊断阈值由离线校准时测量所得,通过建立离线诊断阈值与在线诊断阈值之间的关系获取在线诊断阈值。
作为优选,建立离线诊断阈值与在线诊断阈值之间的关系的步骤包括:
在离线校准时,获取离线诊断阈值的测量值,将该测量值作为在线诊断阈值的真值;
按照在线校准的条件对上述真值进行校准,得出在线校准值;
更改可变参量,重复测量得到一系列真值和在线校准值,拟合可得:
Toff=k·Ton+b
其中:k、b为拟合系数,Toff为离线诊断阈值,Ton为在线诊断阈值。
作为优选,所述步骤4包括:
对步骤2中的所述测试数据进行校准计算,获取待监测设备的各影响因素的数值;
将影响因素的数值与各自的阈值进行对比,判断是否有影响因素超出阈值;
当某一个或者多个影响因素超出阈值时,发出警示信息,若无影响因素超出阈值,则直接进入下一步骤;
根据实测模型判断待监测设备的总影响因素是否超出阈值,若是,待监测设备停机进行离线校准,若否,则维持生产。
作为优选,所述步骤4还包括:计算获取影响因素的变化趋势,对该变化趋势进行监控,同时根据该变化趋势判别影响因素是否趋近阈值。
作为优选,当待监测设备中的多个影响因素超过阈值时,根据该多个影响因素对生产性能的影响权重以及各影响因素的发展趋势综合考虑,如果总体影响因素没有超出范围,则弹出警示信息,由操作人员判断是否继续,若无人员干预,则继续生产,不停止工作;只有在总体影响因素超出范围阈值时,才弹出建议终止目前工作的警示信息,并触发警示铃和警示灯,如无人员干预,则机台在当前硅片曝光完后自动停止工作,以避免生产废片。
作为优选,所述步骤4还包括:根据测试数据的校准计算结果,更新待监测设备的机器常数,并使之生效。
作为优选,还包括步骤5:将所述实测模型作为预测指标模型,重复执行步骤1-4。
本发明还提供一种智能诊断装置,用于对待监测设备进行智能监测,包括:数据采集单元,与所述待监测设备连接,用于将待监测设备的指标逐级分解至最小单元,并获取与各级指标对应的测试数据;数据存储单元,与数据采集单元连接,用于存储所述测试数据;拟合模型单元,与所述数据存储单元连接,用于建立各级指标之间的实测模型;以及模型应用单元,与所述拟合模型单元以及待监测设备连接,用于对待监测设备进行监测。
作为优选,所述数据存储单元包括数据配置单元和与所述数据配置单元连接的存储器。
作为优选,所述模型应用单元包括若干离线校准模块。
与现有技术相比,本发明具有以下优点:
1、本发明通过建立待监测设备的实测模型,通过实测模型判断设备的影响因素之和是否超标,如果只是部分影响因素超标,而整体不超,可以不停机,只提出警告,进而增加机台运行时间。
2、本发明可以监测影响因素在正常工作时的变化趋势,如已在恶化,则触发离线校准,使得离线校准不再按照固定周期进行,提高校准的准确性。
3、本发明将离线测校融合到诊断装置中,并将校准后的数值传递给设备,进行实时有效更新,使得后续生产在已校准的机器常数上进行,提高产品质量。
4、本发明的实测模型为动态模型,根据实测数据的变化而变化,且实测模型可以作为下次指标分解的预算模型,实现实时预测设备的性能。
附图说明
图1为本发明中智能诊断设备与待监测设备之间的关系示意图;
图2为本发明中智能诊断设备的结构示意图;
图3为本发明中设备指标体系与设备物理结构的对应示意图;
图4为本发明中设备指标体系对应的物理结构未解耦示意图;
图5为本发明中在线面形校准准确度与扫描速度的关系;
图6为本发明中智能诊断装置对待监测设备的诊断流程示意图;
图7为本发明中影响因素变化趋势图。
图中所示:100-智能诊断装置、110-数据采集单元、120-数据存储单元、121-数据配置单元、122-存储器、130-拟合模型单元、140-模型应用单元、200-待监测设备。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。需说明的是,本发明附图均采用简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示,本发明的智能诊断装置100用于对待监测设备200进行智能监测,待监测设备200将数据传递给智能诊断装置100,该智能诊断装置100返回给待检测设备200“更新机器常数”和“终止工作”的命令。当然,待监测设备200可以是任意需要智能监测的设备,因此本发明不对设备的结构做限定。
如图2所示,所述智能诊断装置100包括数据采集单元110、数据存储单元120、拟合模型单元130和模型应用单元140。
所述数据采集单元110与所述待监测设备200连接,用于根据指标预算模型将指标分解到待监测设备200的最小的影响因素单元,并确定各级指标所需的测试数据。进一步的,上述分解遵循设备的各级指标与物理结构一一对应原则,即:从设备的最终指标,通过对物理结构进行层层分析,寻找设备的影响因素,直至寻找到最小的影响因素单元。如图3所示,假设本实施例的待监测设备200有两个最终指标,对应整机设备,此为一级指标(以指标1和指标2标识),每个一级指标可以分解为多个二级指标(以指标11、指标12……和指标21、指标22标识),其分别对应各个分系统单元。同理,二级指标可进一步分解为三级指标(以指标111、指标112、指标121、指标122、指标211、指标212、指标221、指标222……标识),其分别对应各个模块单元,依次类推向下细分,各指标之间的关系也逐渐错综复杂,因此,通过对待监测设备200的指标进行逐层分解,可以尽可能多的找出待监测设备200的影响因素。
所述数据存储单元120用于对各级指标的测试数据进行存储,所述测试数据为同一批数据或者通过同一触发时钟获得。所述数据存储单元120包括数据配置单元121和与所述数据配置单元121连接的存储器122。具体地,上述各测试数据包括:设备指标实测数据集和运行工况实测数据集,设备指标实测数据集对应设备内部数据,包括每一技术单元(物理单元)的输入输出指标(名义值)和各级指标对应的所需测试数据,运行工况实测数据集对应设备用户输入,包括运行负载、当前环境、工艺条件、设备输入等。对上述测试数据,可以按照离线校准模型的数据格式进行存储,也可以如表1所示,根据测试数据的采集时间存储测试数据,其中,名义值放置在第一行,从第二行开始按照时间轴存储实测数据。
表1:数据存储示意
所述拟合模型单元130与所述数据存储单元120连接,用于建立各级指标之间的实测模型。具体为:虽然在指标分解时,遵循各级指标与物理结构一一对应的原则,但是不可避免不能做到完全解耦。如图4中所示的三级指标211,在分解指标时,只以为会影响二级指标21,实际也会影响二级指标11。因此,所述拟合模型单元130能够将指标分解时没有被识别出来的关系,通过计算量化出来,更新指标预算模型,进而建立出实测模型。换句话说,每次建立实测模型,均按照相关性高低,遍历计算所有下级指标数据与上级指标数据之间的关系,并实时更新它们之间的实测模型。较佳的,此次更新的实测模型可以作为下次智能诊断时的指标预算模型。
所述模型应用单元140与所述拟合模型单元130以及待监测设备200连接,用于对待监测设备200进行监测。进一步的,所述模型应用单元140还包括若干离线校准模块,用于对数据存储单元120中存储的测试数据进行测校计算,并将校准后的数据传回给待监测设备200,实现待监测设备200的机器常数的实时更新,同时还可以将智能诊断工作与待监测设备200分开,不影响设备的正常工作。
也即是说,本发明可以通过监控待监测设备200的运行状态,根据建立的运行状态与实测模型,预测待监测设备200是否会超标(与名义值比较),并实施补偿措施,保证设备良好运行。而通过上述实测模型能够识别出原预算模型没有考虑到的影响关系,通过反馈来调整原来的指标分解。比如,图4中指标211影响指标11,在原来指标分解中没有识别出来,通过反馈,可以提高指标11和指标1的预算,同时降低指标21和指标2的预算。当然,如果发现原先指标分解时相关性较大的两个指标实则相关性很低时,可以考虑减少其相互的指标约束,以减少冗余设计。换句话说,所述模型应用单元140可以使各级指标重新分配,以优化设计。此外,还可以根据实测模型提供的可靠的新的测试数据,根预测何时该更换相应硬件,并将更换件及时送达;此外实测模型的建立过程,可以简化为输入输出(内部对用户为黑盒)提供给用户,用于其他设备。
继续参照图1和图2,本发明还提供一种智能诊断方法,具体包括:
步骤1:根据预测指标模型对待监测设备200的指标进行逐级分解,直至分解到最小的影响因素单元,同时给出下级指标与上级指标之间的量化关系初值。当然,分解遵循设备的各级指标与物理结构一一对应原则。
步骤2:获得与各级指标对应的测试数据并存储;具体地,由于所需的数据不一定都能从目前已有的中间数据文件中获得,因此,所述步骤2具体为:
首先,判断所需的测试数据是否可以在待监测设备200的现存中间数据文件中找到;
如果所需要的测试数据可以在现存的中间数据文件中,读取中间数据文件,并按照约定好的校准模块的数据格式(离线校准模型的数据格式或者表1所示的数据格式)保存;
如果所需的数据没有保存在中间数据文件中,判断所需的测试数据是否有传感器测量;
若有传感器测量,则将传感器的测量值传递至中间数据文件,按照约定好的校准模块的数据格式保存数据;
若无传感器测量,则在待监测设备200上合适的位置处增加传感器,再提供传感器的测量值,并将传感器的测量值传递至中间数据文件,读取并保存数据。通过在待监测设备200需要测量的点处安装传感器,可以确保待监测设备的高精度性能要求。
步骤3:建立各级指标之间的实测模型。具体步骤包括:由步骤1和步骤2中获取的各级指标和与各级指标对应的测试数据,对与下级指标和上级指标分别对应的测试数据进行拟合,获取下级指标与上级指标之间的相关性系数,建立两者的实际量化关系,将实际计算获取的相关性系数与用户输入的阈值进行比较,根据比较结果判断,如果实际计算的相关性系数大于用户输入的阈值,则直接将该指标添加到对应上级指标的预测指标模型中,如果实际计算的相关性系数小于用户输入的阈值,则弹出对话框或推送提示操作员“下级指标影响上级指标”,由操作员根据实际情况做进一步的判断后再采取措施:将该指标添加到对应上级指标的预测指标模型或置之不理,更新后的指标预测模型即为实测模型。当然,所述实测模型可以用做下次智能监测时的指标预测模型。
由于在线校准(在设备正常工作时进行)可以校准随机误差,而系统误差需要离线校准(在设备停机,周期维护时进行),且系统误差受周边环境和工作场景影响较大,故离线校准的周期也会变化。例如图5所示,光刻机中干涉仪所需的面形校正,离线测试时运动台间隔1mm采集数据,但在正常工作时,工件台按照场大小进行扫描匀速运动。通过在机台上的实验,得出面形偏差(在线测量值与离线测量值的差值)与扫描速度的关系,速度越大,偏差越大,准确度越低。
因此,本实施例在所述待监测设备200正常工作的同时进行离线校准,以解决离线校准的周期变化问题。又由于在线测量与正常工作同时进行,不可能完全满足离线测校的要求,测试准确性要差于离线测校,因此,需确定在线测校的在线诊断阈值。故,所述步骤3还包括:获取离线诊断阈值,并建立离线诊断阈值与在线诊断阈值之间的关系。
具体为:在离线校准时,获取离线诊断阈值的测量值,将该测量值作为在线诊断阈值的真值;
按照在线校准的条件对上述真值进行校准,得出在线校准值;
更改可变参量,重复测量得到一系列真值和在线校准值,拟合可得:
Toff=k·Ton+b
其中:k、b为拟合系数,Toff为离线诊断阈值,Ton为在线诊断阈值。
步骤4:根据待监测设备200的运行状态,预测待监测设备200是否会超标,并实施补偿措施。
步骤5:将所述实测模型作为预测指标模型,重复执行步骤1-4。
如图6所示,所述步骤4具体包括:
首先,将步骤2中的所述测试数据导入对应的离线校准模块,由离线校准模块对该测试数据进行校准计算,获取待监测设备200的各影响因素的数值;
将影响因素的数值与各自的在线诊断阈值进行对比,判断是否有影响因素超出在线诊断阈值;
当某一个或者多个影响因素超出在线诊断阈值,但是根据预测指标模型其总体影响因素没有超出范围时,发出警示信息,由操作人员判断是否继续,若无人员干预,则继续生产,不停止工作;若无影响因素超出在线诊断阈值,则直接进入下一步骤;
根据实测模型若待监测设备200的总体影响因素超出在线诊断阈值,发出警示信息“建议终止目前工作,进行离线校准”,并触发警示铃和警示灯,如无人员干预,则待监测设备200在当前硅片曝光完后自动停止工作,以避免生产废片。若否,则维持生产。
进一步的,所述步骤4还包括:计算获取影响因素的变化趋势,对该变化趋势进行监控,同时根据该变化趋势判别影响因素是否趋近在线诊断阈值,默认显示每个机器常数在最近一段时间(比如一天,可以根据需要选择)内的变化情况。如果根据之前的检测,发现该机器常数在逐步逼近在线诊断阈值,如图7所示,或单调往同一个方向变化超过七(用户可根据实际情况设置)个数据,则也需要弹出警示信息,提醒操作员注意。
作为优选,所述步骤4还包括:根据测试数据的校准计算结果,更新待监测设备200的机器常数,并使之生效。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (18)
1.一种智能诊断方法,其特征在于,包括:
步骤1:根据预测指标模型对待监测设备的指标进行逐级分解,直至分解到最小的影响因素单元;
步骤2:获得与各级指标对应的测试数据并存储;
步骤3:建立各级指标之间的实测模型;
步骤4:根据待监测设备的运行状态,预测待监测设备是否会超标,并实施补偿措施。
2.如权利要求1所述的智能诊断方法,其特征在于,所述步骤2中的测试数据包括:设备指标实测数据集和运行工况实测数据集,且所述设备指标实测数据集和运行工况实测数据集均包括名义值和实测数据。
3.如权利要求1所述的智能诊断方法,其特征在于,所述步骤2中,获得与各级指标对应的测试数据,包括:
判断所需的测试数据是否可以在待监测设备的现存中间数据文件中找到;
若是,读取中间数据文件并保存数据;
若否,判断所需的测试数据是否有传感器测量;
若有传感器测量,则将传感器的测量值传递至中间数据文件,读取并保存数据;
若无传感器测量,则在待监测设备中增加传感器,再提供传感器的测量值,并将传感器的测量值传递至中间数据文件,读取并保存数据。
4.如权利要求1或2所述的智能诊断方法,其特征在于,所述步骤2中:按照离线标准模型的数据格式存储测试数据,或者根据测试数据的采集时间存储测试数据。
5.如权利要求1所述的智能诊断方法,其特征在于,所述步骤3具体为:验证下级指标与上级指标之间的量化关系,更新指标预测模型,将更新后的指标预测模型作为实测模型。
6.如权利要求5所述的智能诊断方法,其特征在于,所述步骤1还包括,根据指标预测模型给出下级指标与上级指标之间的量化关系初值。
7.如权利要求5所述的智能诊断方法,其特征在于,所述验证下级指标与上级指标之间的量化关系步骤包括:通过对与下级指标和上级指标分别对应的测试数据进行拟合,获取下级指标与上级指标之间的相关性系数,将所述相关性系数与阈值进行比较,根据比较结果判断是否需要更新预测指标模型。
8.如权利要求1所述的智能诊断方法,其特征在于,所述步骤3还包括:获取待监测设备的离线诊断阈值和在线诊断阈值。
9.如权利要求8所述的智能诊断方法,其特征在于,所述离线诊断阈值由离线校准时测量所得,通过建立离线诊断阈值与在线诊断阈值之间的关系获取在线诊断阈值。
10.如权利要求9所述的智能诊断方法,其特征在于,建立离线诊断阈值与在线诊断阈值之间的关系的步骤包括:
在离线校准时,获取离线诊断阈值的测量值,将该测量值作为在线诊断阈值的真值;
按照在线校准的条件对上述真值进行校准,得出在线校准值;
更改可变参量,重复测量得到一系列真值和在线校准值,拟合可得:
Toff=k·Ton+b
其中:k、b为拟合系数,Toff为离线诊断阈值,Ton为在线诊断阈值。
11.如权利要求1所述的智能诊断方法,其特征在于,所述步骤4包括:
对步骤2中的所述测试数据进行校准计算,获取待监测设备中各影响因素的数值;
将影响因素的数值与各自的阈值进行对比,判断是否有影响因素超出阈值;
当某一个或者多个影响因素超出阈值时,发出警示信息,若无影响因素超出阈值,则直接进入下一步骤;
根据实测模型判断待监测设备的总影响因素是否超出阈值,若是,待监测设备停机进行离线校准,若否,则维持生产。
12.如权利要求11所述的智能诊断方法,其特征在于,所述步骤4还包括:计算获取影响因素的变化趋势,对该变化趋势进行监控,同时根据该变化趋势判别影响因素是否趋近阈值。
13.如权利要求12所述的智能诊断方法,其特征在于,当待监测设备中的一个或多个影响因素超过阈值,根据预测指标模型,如果总体影响因素没有超出范围,则弹出警示信息,由操作人员判断是否继续,若无人员干预,则继续生产,不停止工作;只有在总体影响因素超出范围阈值时,才弹出建议终止目前工作的警示信息,并触发警示铃和警示灯,如无人员干预,则机台在当前硅片曝光完后自动停止工作,以避免生产废片。
14.如权利要求11所述的智能诊断方法,其特征在于,所述步骤4还包括:根据测试数据的校准计算结果,更新待监测设备的机器常数,并使之生效。
15.如权利要求1所述的智能诊断方法,其特征在于,还包括步骤5:将所述实测模型作为预测指标模型,重复执行步骤1-4。
16.一种智能诊断装置,用于对待监测设备进行智能监测,其特征在于,包括:
数据采集单元,与所述待监测设备连接,用于将待监测设备的指标逐级分解至最小的影响因素单元,并获取与各级指标对应的测试数据;
数据存储单元,与数据采集单元连接,用于存储所述测试数据;
拟合模型单元,与所述数据存储单元连接,用于建立各级指标之间的实测模型;
以及
模型应用单元,与所述拟合模型单元以及待监测设备连接,用于对待监测设备进行监测。
17.如权利要求16所述的智能诊断装置,其特征在于,所述数据存储单元包括数据配置单元和与所述数据配置单元连接的存储器。
18.如权利要求16所述的智能诊断装置,其特征在于,所述模型应用单元包括若干离线校准模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517710.5A CN109213057B (zh) | 2017-06-29 | 2017-06-29 | 智能诊断装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517710.5A CN109213057B (zh) | 2017-06-29 | 2017-06-29 | 智能诊断装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213057A true CN109213057A (zh) | 2019-01-15 |
CN109213057B CN109213057B (zh) | 2021-10-26 |
Family
ID=64960822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710517710.5A Active CN109213057B (zh) | 2017-06-29 | 2017-06-29 | 智能诊断装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213057B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705992A (zh) * | 2021-08-17 | 2021-11-26 | 万申科技股份有限公司 | 一种基于5g+人工神经网络的边缘控制算法及系统 |
CN114486245A (zh) * | 2022-03-31 | 2022-05-13 | 东风汽车集团股份有限公司 | 一种试验方法、装置、设备及存储介质 |
CN115547497A (zh) * | 2022-10-09 | 2022-12-30 | 湖南火眼医疗科技有限公司 | 基于多源数据的近视防控系统及方法 |
CN116246776A (zh) * | 2023-04-04 | 2023-06-09 | 曜立科技(北京)有限公司 | 一种辅助脑卒中诊断决策的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249483A1 (en) * | 2003-06-05 | 2004-12-09 | Wojsznis Wilhelm K. | Multiple-input/multiple-output control blocks with non-linear predictive capabilities |
CN101758084A (zh) * | 2008-12-26 | 2010-06-30 | 宝山钢铁股份有限公司 | 模型自适应的板形预测控制方法 |
CN104638764A (zh) * | 2015-01-22 | 2015-05-20 | 国家电网公司 | 配网设备状态智能诊断和检修系统 |
CN104700321A (zh) * | 2015-03-16 | 2015-06-10 | 国家电网公司 | 一种输变电设备状态运行趋势分析方法 |
CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
US20160370778A1 (en) * | 2015-06-18 | 2016-12-22 | Conectric, Llc | Method and system for predicting potential future energy consumption of built environment |
CN106873571A (zh) * | 2017-02-10 | 2017-06-20 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
-
2017
- 2017-06-29 CN CN201710517710.5A patent/CN109213057B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249483A1 (en) * | 2003-06-05 | 2004-12-09 | Wojsznis Wilhelm K. | Multiple-input/multiple-output control blocks with non-linear predictive capabilities |
CN101758084A (zh) * | 2008-12-26 | 2010-06-30 | 宝山钢铁股份有限公司 | 模型自适应的板形预测控制方法 |
CN104638764A (zh) * | 2015-01-22 | 2015-05-20 | 国家电网公司 | 配网设备状态智能诊断和检修系统 |
CN104700321A (zh) * | 2015-03-16 | 2015-06-10 | 国家电网公司 | 一种输变电设备状态运行趋势分析方法 |
US20160370778A1 (en) * | 2015-06-18 | 2016-12-22 | Conectric, Llc | Method and system for predicting potential future energy consumption of built environment |
CN105893700A (zh) * | 2016-04-26 | 2016-08-24 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
CN106873571A (zh) * | 2017-02-10 | 2017-06-20 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705992A (zh) * | 2021-08-17 | 2021-11-26 | 万申科技股份有限公司 | 一种基于5g+人工神经网络的边缘控制算法及系统 |
CN114486245A (zh) * | 2022-03-31 | 2022-05-13 | 东风汽车集团股份有限公司 | 一种试验方法、装置、设备及存储介质 |
CN114486245B (zh) * | 2022-03-31 | 2024-04-23 | 东风汽车集团股份有限公司 | 一种试验方法、装置、设备及存储介质 |
CN115547497A (zh) * | 2022-10-09 | 2022-12-30 | 湖南火眼医疗科技有限公司 | 基于多源数据的近视防控系统及方法 |
CN115547497B (zh) * | 2022-10-09 | 2023-09-08 | 湖南火眼医疗科技有限公司 | 基于多源数据的近视防控系统及方法 |
CN116246776A (zh) * | 2023-04-04 | 2023-06-09 | 曜立科技(北京)有限公司 | 一种辅助脑卒中诊断决策的方法及系统 |
CN116246776B (zh) * | 2023-04-04 | 2023-11-07 | 曜立科技(北京)有限公司 | 一种辅助脑卒中诊断决策的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109213057B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI672565B (zh) | 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統 | |
EP1982301B1 (en) | Method of condition monitoring | |
CN109213057A (zh) | 智能诊断装置和方法 | |
US7894926B2 (en) | Global predictive monitoring system for a manufacturing facility | |
KR20190105646A (ko) | 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성 | |
US7248939B1 (en) | Method and apparatus for multivariate fault detection and classification | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
US20110112999A1 (en) | Method for predicting and warning of wafer acceptance test value | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
KR20160094383A (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
CN112989550A (zh) | 虚拟量测方法、装置及计算机可读存储介质 | |
WO2021160380A1 (en) | Determining lithographic matching performance | |
Lee et al. | In-line predictive monitoring framework | |
US11940357B2 (en) | System for predicting anomalies of machining | |
CN111095143B (zh) | 实时建模和量化地评估眼科镜片预期总体品质水平的方法 | |
CN110889646B (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN106952842B (zh) | 取样量测系统及其取样量测方法 | |
JP2022522939A (ja) | 産業環境におけるエネルギー消費量を診断する方法、システム、及びコンピュータプログラム製品 | |
CN110532698B (zh) | 一种基于数据模型的工业设备振动特征值趋势预测方法 | |
US11237550B2 (en) | Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis | |
Dassen et al. | Detecting abnormal behavior in lithography machines | |
WO2022158066A1 (ja) | 製造条件最適化装置、プログラムおよび製造条件最適化方法 | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN116642558A (zh) | 基于神经元网络的数据处理方法、系统及雷达液位计 | |
Adaloudis | Remaining Useful Lifetime (RUL) Estimation for Predictive Maintenance in Semiconductor Manufacturing |
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 |