CN109711659A - 一种工业生产的良率提升管理系统和方法 - Google Patents
一种工业生产的良率提升管理系统和方法 Download PDFInfo
- Publication number
- CN109711659A CN109711659A CN201811334483.3A CN201811334483A CN109711659A CN 109711659 A CN109711659 A CN 109711659A CN 201811334483 A CN201811334483 A CN 201811334483A CN 109711659 A CN109711659 A CN 109711659A
- Authority
- CN
- China
- Prior art keywords
- bad
- analysis
- data
- yield
- incidence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 177
- 238000009776 industrial production Methods 0.000 claims abstract description 40
- 238000013500 data storage Methods 0.000 claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 20
- 238000007726 management method Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012800 visualization Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 29
- 241000196324 Embryophyta Species 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000004220 aggregation Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000004141 dimensional analysis Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000010835 comparative analysis Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 206010065954 Stubbornness Diseases 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims 2
- 238000012913 prioritisation Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开一种工业生产的良率提升管理系统和方法，通过顽固性不良分析模块从数据储存单元中获取工厂生产数据，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；所述失效分析模块从数据储存单元中获取工厂生产数据，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员。
Description
技术领域
本发明属工业生产技术领域，特别是涉及一种工业生产的良率提升管理系统和方法。
背景技术
化工、电子等工业生产中，各工程的合格率常被称为良率，其反应了在各工程的检测环节合格产品的比例。良率直接关系到生产成本，能否在最短的时间内实现快速提高良率，很大程度上决定了能否按时收回生产成本。良率作为工厂产品的健康指标，在元件生产制造的各个环节都有应用价值，较低的良率会导致各类成本的增加，比如生产原材料投入的预算，生产工序的控制管理费用，产品质量的改进审核费用都会增加。高水平的良率是体现产品可靠性和实现产品收益的关键指标，在元件加工行业生产制造型企业中尤为重要。
传统工业生产中产品良率管理主要依靠人工、经验判定生产问题，这种方式效果差且时效慢，不能满足企业的快速发展；传统的失效分析方法在面对工业的海量数据面前呈现出查询效率慢，甚至会出现无法反馈查询结果的情况，直接影响了不良分析的效率；生产过程中发现的问题，无法直观定位，寻找问题节点往往耗费大量财力、物力和时间。
发明内容
为了解决上述问题，本发明提出了一种工业生产的良率提升管理系统和方法，能够针对工业生产过程中产生的各类不良缺陷，可以快速呈现其在不同站点、线体、设备、机台等各种别上的不良分析结果，提示异常波动，辅助人工快速判断影响良率的各类因素；通过人工智能算法自动定位导致不良缺陷发生的生产站点、线体、设备以及参数等信息；数据统计分析效率高，能够进行大量数据查询分析。
为达到上述目的，本发明采用的技术方案是：一种工业生产的良率提升管理系统，包括数据采集单元、数据储存单元和数据分析单元，所述数据采集单元连接至数据储存单元，所述数据储存单元连接至数据分析单元；
所述数据分析单元包括顽固性不良分析模块、失效分析模块及整体良率分析模块；顽固性不良分析模块、失效分析模块及整体良率分析模块分别连接至所述数据储存单元，从数据储存单元中获取工厂生产数据；
所述顽固性不良分析模块，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；
所述失效分析模块，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员；
所述整体良率分析模块，根据不同维度对工厂生产数据进行良率分析，按照不同维度分析多种类别因素对产品良率的影响情况；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
进一步的是，在所述顽固性不良分析模块中，对工业生产数据预处理并建立根因分析算法模型，从海量历史工业生产数据中挖掘出顽固性不良发生模式下的工业生产参数，分析工业生产不良缺陷和各种生产参数之间的相关性获得各类顽固性不良的分析结果，最终将各类顽固性不良的分析结果输出。
进一步的是，在所述顽固性不良分析模块中，各类顽固性不良的分析结果包括工序相关分析、线体参数分析和线体参数取值建议；
工序相关分析，确定不良发生的工序定位及线体定位；通过分析工业生产过程中产品的生产工序与不良缺陷的相关性以及相关工序下线体的不良发生率及投产量数据，根据工序不良分布实现工序定位及线体定位；
线体参数分析，确定产生影响不良的线体参数取值；通过分析不良高发线体的参数与不良的相关程度以及各参数在不同取值区间内的不良发生率及投产量数据，根据参数不良分布获取产生影响不良的线体参数；
线体参数取值建议，确定产生影响不良的线体参数取值区间；通过对不良强相关的参数进行分析，根据参数在不同取值区间不良发生率及投产量的变化情况，选取不良发生率较低的参数区间，从而针对每个参数输出取值区间。
进一步的是，在所述失效分析模块中，基于不良分析的业务流程建立不良趋势图和不良分布图，并逐步细化分析相关数据信息包括线体别、设备别、腔体别、接口别、卡夹别、停留时间和检出率，获得异常标记及异常描述，定位不良位置及不良根因；
所述不良趋势图，分析不良在时间维度范围内产品不良发生率及投产量的数据变化情况；不良趋势图的异常情况描述为不良高发的时间区间；
所述不良分布图，基于业务需求绘制等比例栅状图，标注对应栅状图并统计每个面板的不良发生率及投产量，帮助业务人员分析不良数据的分布集中性情况；栅状图采用色阶图的呈现方式，根据不良发生率的数值大小对每个面板的背景色填充不同颜色，方便用户直观定位不良集中区域；不良Map图的异常情况描述为不良集中情况；
所述线体别，平行线体对比分析各线体在检测时间范围内的不良发生率及投产量的数据情况，分析平行线体间是否存在不良高发的情况，从而定位不良发生的线体；
所述设备别，平行设备对比分析各设备在检测时间范围内的不良发生率及投产量的数据情况，分析平行设备间是否存在不良高发的情况，从而定位不良发生的设备；
所述腔体别，平行腔体分析在检测时间范围内各腔体对应的不良发生率及投产量的数据变化情况，从而定位不良发生的腔体；
所述接口别，接口趋势分析在检测时间范围内对应各接口的不良发生率及投产量的数据变化情况，分析是否存在不良集中高发，从而定位不良发生的接口；
所述卡夹别，卡夹趋势分析在检测时间范围内对应各卡夹的不良发生率及投产量的数据变化情况，分析是否存在不良集中高发，从而定位不良发生的卡夹；
所述停留时间，分析停留时间与不良发生率及投产量的数据变化情况，确定停留时间与产品不良发生率的影响关系，从而定位不良发生的停留时间段；
所述检出率，设备检出率分析是否存在设备检出率异常，从而分析是否存在设备过检或漏检。
进一步的是，在所述整体良率分析模块中，对工厂生产数据进行多维度分析确定影响产品的良率因素，所述维度包括周别、月别、季度和年度；根据各个维度分析工厂别、各站点别、各产品别对产品良率的影响情况，并拆解出对良率影响最大的产品和工厂；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
另一方面，本发明还提供了一种工业生产的良率提升管理方法，包括步骤：
通过数据采集单元收集工业生产数据，并将工业生产数据存入数据储存单元中；
所述顽固性不良分析模块从数据储存单元中获取工厂生产数据，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；
所述失效分析模块从数据储存单元中获取工厂生产数据，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员；
所述整体良率分析模块从数据储存单元中获取工厂生产数据，根据不同维度对工厂生产数据进行良率分析，按照不同维度分析多种类别因素对产品良率的影响情况，将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
进一步的是，对工业生产数据预处理并建立根因分析算法模型，从海量历史工业生产数据中挖掘出顽固性不良发生模式下的工业生产参数，分析工业生产不良缺陷和各种生产参数之间的相关性获得各类顽固性不良的分析结果，最终将各类顽固性不良的分析结果输出。
进一步的是，在所述失效分析模块中，基于不良分析的业务流程建立不良趋势图和不良分布图，并逐步细化分析相关数据信息包括线体别、设备别、腔体别、接口别、卡夹别、停留时间和检出率，获得异常标记及异常描述，定位不良位置及不良根因；所述不良趋势图，分析不良在时间维度范围内产品不良发生率及投产量的数据变化情况；不良趋势图的异常情况描述为不良高发的时间区间；
所述不良分布图，基于业务需求绘制等比例栅状图，标注对应栅状图并统计每个面板的不良发生率及投产量，帮助业务人员分析不良数据的分布集中性情况；栅状图采用色阶图的呈现方式，根据不良发生率的数值大小对每个面板的背景色填充不同颜色，方便用户直观定位不良集中区域；不良Map图的异常情况描述为不良集中情况。
进一步的是，在所述整体良率分析模块中，对工厂生产数据进行多维度分析确定影响产品的良率因素，所述维度包括周别、月别、季度和年度；根据各个维度分析工厂别、各站点别、各产品别对产品良率的影响情况，并拆解出对良率影响最大的产品和工厂；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
采用本技术方案的有益效果：
本发明能够针对工业生产过程中任一不良缺陷，快速呈现不同站点、线体、设备、机台等各种别上的不良分析结果，提示异常波动，辅助人工快速判断影响良率的各类因素；通过人工智能算法自动定位导致不良缺陷发生的生产站点、线体、设备以及参数等信息；数据统计分析效率高，能够进行大量数据查询分析；
本发明实现基于工业生产数据的不良的根因分析，给出关键因素，给出参数合理的取值建议，辅助工业生产流程优化；建设基于大数据的失效分析系统，针对任一不良影响，快速呈现设备、机台等各种别分析结果，针对特征值，按照检测位置，快速呈现检测结果；对比分析生产同类产品在不同的线体、机台室、位置等间的不良发生率差异性，精确定位出产生不良的位置；从多维度进行整体良率分析，按照时间、产品类别进行良率分析，提高了良率分析的精确度。
附图说明
图1为本发明的一种工业生产的良率提升管理系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种工业生产的良率提升管理系统，包括数据采集单元、数据储存单元和数据分析单元，所述数据采集单元连接至数据储存单元，所述数据储存单元连接至数据分析单元；
所述数据分析单元包括顽固性不良分析模块、失效分析模块及整体良率分析模块；顽固性不良分析模块、失效分析模块及整体良率分析模块分别连接至所述数据储存单元，从数据储存单元中获取工厂生产数据；
所述顽固性不良分析模块，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；
所述失效分析模块，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员；
所述整体良率分析模块，根据不同维度对工厂生产数据进行良率分析，按照不同维度分析多种类别因素对产品良率的影响情况，将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
作为上述实施例的优化方案，在所述顽固性不良分析模块中，对工业生产数据预处理并建立根因分析算法模型，从海量历史工业生产数据中挖掘出顽固性不良发生模式下的工业生产参数，分析工业生产不良缺陷和各种生产参数之间的相关性获得各类顽固性不良的分析结果，最终将各类顽固性不良的分析结果输出。
在所述顽固性不良分析模块中，各类顽固性不良的分析结果包括工序相关分析、线体参数分析和线体参数取值建议；
工序相关分析，确定不良发生的工序定位及线体定位；通过分析工业生产过程中产品的生产工序与不良缺陷的相关性以及相关工序下线体的不良发生率及投产量数据，根据工序不良分布实现工序定位及线体定位；
线体参数分析，确定产生影响不良的线体参数取值；通过分析不良高发线体的参数与不良的相关程度以及各参数在不同取值区间内的不良发生率及投产量数据，根据参数不良分布获取产生影响不良的线体参数；
线体参数取值建议，确定产生影响不良的线体参数取值区间；通过对不良强相关的参数进行分析，根据参数在不同取值区间不良发生率及投产量的变化情况，选取不良发生率较低的参数区间，从而针对每个参数输出取值区间。
作为上述实施例的优化方案，在所述失效分析模块中，基于不良分析的业务流程建立不良趋势图和不良分布图，并逐步细化分析相关数据信息包括线体别、设备别、腔体别、接口别、卡夹别、停留时间和检出率，获得异常标记及异常描述，定位不良位置及不良根因；
所述不良趋势图，分析不良在时间维度范围内产品不良发生率及投产量的数据变化情况；不良趋势图的异常情况描述为不良高发的时间区间；
所述不良分布图，基于业务需求绘制等比例栅状图，标注对应栅状图并统计每个面板的不良发生率及投产量，帮助业务人员分析不良数据的分布集中性情况；栅状图采用色阶图的呈现方式，根据不良发生率的数值大小对每个面板的背景色填充不同颜色，方便用户直观定位不良集中区域；不良Map图的异常情况描述为不良集中情况；
所述线体别，平行线体对比分析各线体在检测时间范围内的不良发生率及投产量的数据情况，分析平行线体间是否存在不良高发的情况，从而定位不良发生的线体；
所述设备别，平行设备对比分析各设备在检测时间范围内的不良发生率及投产量的数据情况，分析平行设备间是否存在不良高发的情况，从而定位不良发生的设备；
所述腔体别，平行腔体分析在检测时间范围内各腔体对应的不良发生率及投产量的数据变化情况，从而定位不良发生的腔体；
所述接口别，接口趋势分析在检测时间范围内对应各接口的不良发生率及投产量的数据变化情况，分析是否存在不良集中高发，从而定位不良发生的接口；
所述卡夹别，卡夹趋势分析在检测时间范围内对应各卡夹的不良发生率及投产量的数据变化情况，分析是否存在不良集中高发，从而定位不良发生的卡夹；
所述停留时间，分析停留时间与不良发生率及投产量的数据变化情况，确定停留时间与产品不良发生率的影响关系，从而定位不良发生的停留时间段；
所述检出率，设备检出率分析是否存在设备检出率异常，从而分析是否存在设备过检或漏检。
作为上述实施例的优化方案，在所述整体良率分析模块中，对工厂生产数据进行多维度分析确定影响产品的良率因素，所述维度包括周别、月别、季度和年度；根据各个维度分析工厂别、各站点别、各产品别对产品良率的影响情况，并拆解出对良率影响最大的产品和工厂；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
为配合本发明方法的实现，基于相同的发明构思，本发明还提供了一种工业生产的良率提升管理方法，包括步骤：
通过数据采集单元收集工业生产数据，并将工业生产数据存入数据储存单元中；
所述顽固性不良分析模块从数据储存单元中获取工厂生产数据，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；
所述失效分析模块从数据储存单元中获取工厂生产数据，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员；
所述整体良率分析模块从数据储存单元中获取工厂生产数据，根据不同维度对工厂生产数据进行良率分析，按照不同维度分析多种类别因素对产品良率的影响情况，将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
作为上述实施例的优化方案，对工业生产数据预处理并建立根因分析算法模型，从海量历史工业生产数据中挖掘出顽固性不良发生模式下的工业生产参数，分析工业生产不良缺陷和各种生产参数之间的相关性获得各类顽固性不良的分析结果，最终将各类顽固性不良的分析结果输出。
作为上述实施例的优化方案，在所述失效分析模块中，基于不良分析的业务流程建立不良趋势图和不良分布图，并逐步细化分析相关数据信息包括线体别、设备别、腔体别、接口别、卡夹别、停留时间和检出率，获得异常标记及异常描述，定位不良位置及不良根因；述不良趋势图，分析不良在时间维度范围内产品不良发生率及投产量的数据变化情况；不良趋势图的异常情况描述为不良高发的时间区间；
所述不良分布图，基于业务需求绘制等比例栅状图，标注对应栅状图并统计每个面板的不良发生率及投产量，帮助业务人员分析不良数据的分布集中性情况；栅状图采用色阶图的呈现方式，根据不良发生率的数值大小对每个面板的背景色填充不同颜色，方便用户直观定位不良集中区域；不良Map图的异常情况描述为不良集中情况。
作为上述实施例的优化方案，在所述整体良率分析模块中，对工厂生产数据进行多维度分析确定影响产品的良率因素，所述维度包括周别、月别、季度和年度；根据各个维度分析工厂别、各站点别、各产品别对产品良率的影响情况，并拆解出对良率影响最大的产品和工厂；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种工业生产的良率提升管理系统，其特征在于，包括数据采集单元、数据储存单元和数据分析单元，所述数据采集单元连接至数据储存单元，所述数据储存单元连接至数据分析单元；
所述数据分析单元包括顽固性不良分析模块、失效分析模块及整体良率分析模块；顽固性不良分析模块、失效分析模块及整体良率分析模块分别连接至所述数据储存单元，从数据储存单元中获取工厂生产数据；
所述顽固性不良分析模块，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；
所述失效分析模块，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员；
所述整体良率分析模块，根据不同维度对工厂生产数据进行良率分析，按照不同维度分析多种类别因素对产品良率的影响情况，将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
2.根据权利要求1所述的一种工业生产的良率提升管理系统，其特征在于，在所述顽固性不良分析模块中，对工业生产数据预处理并建立根因分析算法模型，从海量历史工业生产数据中挖掘出顽固性不良发生模式下的工业生产参数，分析工业生产不良缺陷和各种生产参数之间的相关性获得各类顽固性不良的分析结果，最终将各类顽固性不良的分析结果输出。
3.根据权利要求2所述的一种工业生产的良率提升管理系统，其特征在于，在所述顽固性不良分析模块中，各类顽固性不良的分析结果包括工序相关分析、线体参数分析和线体参数取值建议；
工序相关分析，确定不良发生的工序定位及线体定位；通过分析工业生产过程中产品的生产工序与不良缺陷的相关性以及相关工序下线体的不良发生率及投产量数据，根据工序不良分布实现工序定位及线体定位；
线体参数分析，确定产生影响不良的线体参数取值；通过分析不良高发线体的参数与不良的相关程度以及各参数在不同取值区间内的不良发生率及投产量数据，根据参数不良分布获取产生影响不良的线体参数；
线体参数取值建议，确定产生影响不良的线体参数取值区间；通过对不良强相关的参数进行分析，根据参数在不同取值区间不良发生率及投产量的变化情况，选取不良发生率较低的参数区间，从而针对每个参数输出取值区间。
4.根据权利要求3所述的一种工业生产的良率提升管理系统，其特征在于，在所述失效分析模块中，基于不良分析的业务流程建立不良趋势图和不良分布图，并逐步细化分析相关数据信息包括线体别、设备别、腔体别、接口别、卡夹别、停留时间和检出率，获得异常标记及异常描述，定位不良位置及不良根因；
所述不良趋势图，分析不良在时间维度范围内产品不良发生率及投产量的数据变化情况；不良趋势图的异常情况描述为不良高发的时间区间；
所述不良分布图，基于业务需求绘制等比例栅状图，标注对应栅状图并统计每个面板的不良发生率及投产量，帮助业务人员分析不良数据的分布集中性情况；栅状图采用色阶图的呈现方式，根据不良发生率的数值大小对每个面板的背景色填充不同颜色，方便用户直观定位不良集中区域；不良Map图的异常情况描述为不良集中情况；
所述线体别，平行线体对比分析各线体在检测时间范围内的不良发生率及投产量的数据情况，分析平行线体间是否存在不良高发的情况，从而定位不良发生的线体；
所述设备别，平行设备对比分析各设备在检测时间范围内的不良发生率及投产量的数据情况，分析平行设备间是否存在不良高发的情况，从而定位不良发生的设备；
所述腔体别，平行腔体分析在检测时间范围内各腔体对应的不良发生率及投产量的数据变化情况，从而定位不良发生的腔体；
所述接口别，接口趋势分析在检测时间范围内对应各接口的不良发生率及投产量的数据变化情况，分析是否存在不良集中高发，从而定位不良发生的接口；
所述卡夹别，卡夹趋势分析在检测时间范围内对应各卡夹的不良发生率及投产量的数据变化情况，分析是否存在不良集中高发，从而定位不良发生的卡夹；
所述停留时间，分析停留时间与不良发生率及投产量的数据变化情况，确定停留时间与产品不良发生率的影响关系，从而定位不良发生的停留时间段；
所述检出率，设备检出率分析是否存在设备检出率异常，从而分析是否存在设备过检或漏检。
5.根据权利要求4所述的一种工业生产的良率提升管理系统，其特征在于，在所述整体良率分析模块中，对工厂生产数据进行多维度分析确定影响产品的良率因素，所述维度包括周别、月别、季度和年度；根据各个维度分析工厂别、各站点别、各产品别对产品良率的影响情况，并拆解出对良率影响最大的产品和工厂；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
6.一种工业生产的良率提升管理方法，其特征在于，包括步骤：
通过数据采集单元收集工业生产数据，并将工业生产数据存入数据储存单元中；
所述顽固性不良分析模块从数据储存单元中获取工厂生产数据，通过机器学习算法从工厂生产数据中寻找到导致顽固性不良发生的站点、线体、设备以及具体参数，并向失效分析模块输出寻找的结果；
所述失效分析模块从数据储存单元中获取工厂生产数据，对工业生产数据进行统计分析、数据检索查询及可视化处理；检索获取工业生产数据中的缺陷检测数据和生产数据，对检索数据进行大数据分析获取不良分析结果，将分析的结果进行可视化处理后输出至业务人员；
所述整体良率分析模块从数据储存单元中获取工厂生产数据，根据不同维度对工厂生产数据进行良率分析，按照不同维度分析多种类别因素对产品良率的影响情况，将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
7.根据权利要求6所述的一种工业生产的良率提升管理方法，其特征在于，对工业生产数据预处理并建立根因分析算法模型，从海量历史工业生产数据中挖掘出顽固性不良发生模式下的工业生产参数，分析工业生产不良缺陷和各种生产参数之间的相关性获得各类顽固性不良的分析结果，最终将各类顽固性不良的分析结果输出。
8.根据权利要求7所述的一种工业生产的良率提升管理方法，其特征在于，在所述失效分析模块中，基于不良分析的业务流程建立不良趋势图和不良分布图，并逐步细化分析相关数据信息包括线体别、设备别、腔体别、接口别、卡夹别、停留时间和检出率，获得异常标记及异常描述，定位不良位置及不良根因；述不良趋势图，分析不良在时间维度范围内产品不良发生率及投产量的数据变化情况；不良趋势图的异常情况描述为不良高发的时间区间；
所述不良分布图，基于业务需求绘制等比例栅状图，标注对应栅状图并统计每个面板的不良发生率及投产量，帮助业务人员分析不良数据的分布集中性情况；栅状图采用色阶图的呈现方式，根据不良发生率的数值大小对每个面板的背景色填充不同颜色，方便用户直观定位不良集中区域；不良Map图的异常情况描述为不良集中情况。
9.根据权利要求8所述的一种工业生产的良率提升管理方法，其特征在于，在所述整体良率分析模块中，对工厂生产数据进行多维度分析确定影响产品的良率因素，所述维度包括周别、月别、季度和年度；根据各个维度分析工厂别、各站点别、各产品别对产品良率的影响情况，并拆解出对整体良率影响最大的产品和工厂；将影响最大的产品及工厂良率进行拆解，分析波动较大的不良。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811334483.3A CN109711659B (zh) | 2018-11-09 | 2018-11-09 | 一种工业生产的良率提升管理系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811334483.3A CN109711659B (zh) | 2018-11-09 | 2018-11-09 | 一种工业生产的良率提升管理系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711659A true CN109711659A (zh) | 2019-05-03 |
| CN109711659B CN109711659B (zh) | 2021-04-13 |
Family
ID=66254178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811334483.3A Active CN109711659B (zh) | 2018-11-09 | 2018-11-09 | 一种工业生产的良率提升管理系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711659B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276410A (zh) * | 2019-06-27 | 2019-09-24 | 京东方科技集团股份有限公司 | 确定不良原因的方法、装置、电子设备及存储介质 |
| CN110837717A (zh) * | 2019-11-06 | 2020-02-25 | 成都数之联科技有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
| CN111159645A (zh) * | 2019-12-19 | 2020-05-15 | 成都数之联科技有限公司 | 一种基于产品生产履历和参数的不良根因定位方法 |
| CN112183876A (zh) * | 2020-10-13 | 2021-01-05 | 上海喆塔信息科技有限公司 | 一种基于信息融合的良率损失根因分析方法 |
| CN112561723A (zh) * | 2020-07-08 | 2021-03-26 | 北京德风新征程科技有限公司 | 一种工业制造生产产品的良率提升管理系统和方法 |
| WO2021102891A1 (zh) * | 2019-11-29 | 2021-06-03 | 京东方科技集团股份有限公司 | 产品不良成因分析的系统和方法、计算机可读介质 |
| CN113552856A (zh) * | 2021-09-22 | 2021-10-26 | 成都数之联科技有限公司 | 工艺参数根因定位方法和相关装置 |
| CN113597664A (zh) * | 2020-01-14 | 2021-11-02 | 京东方科技集团股份有限公司 | 确定不良原因的方法、电子设备、存储介质及系统 |
| CN113804244A (zh) * | 2020-06-17 | 2021-12-17 | 鸿富锦精密电子(天津)有限公司 | 缺陷分析方法及装置、电子装置及计算机可读存储介质 |
| CN114022059A (zh) * | 2022-01-06 | 2022-02-08 | 锱云(上海)物联网科技有限公司 | 产品的不良原因分析方法、系统、终端设备和存储介质 |
| CN114429256A (zh) * | 2020-10-29 | 2022-05-03 | 北京中祥英科技有限公司 | 数据监测方法、装置、电子设备及存储介质 |
| CN114766023A (zh) * | 2020-10-30 | 2022-07-19 | 京东方科技集团股份有限公司 | 数据处理方法、装置及系统、电子设备 |
| WO2022227094A1 (zh) * | 2021-04-30 | 2022-11-03 | 京东方科技集团股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| US11797557B2 (en) | 2020-12-03 | 2023-10-24 | Boe Technology Group Co., Ltd. | Data management platform, intelligent defect analysis system, intelligent defect analysis method, computer-program product, and method for defect analysis |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1873677A (zh) * | 2005-05-30 | 2006-12-06 | 欧姆龙株式会社 | 工序管理装置及工序管理方法 |
| US20080021585A1 (en) * | 2006-07-13 | 2008-01-24 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and System for Providing a Selection of Golden Tools for Better Defect Density and Product Yield |
| CN101183399A (zh) * | 2007-11-16 | 2008-05-21 | 浙江大学 | 一种分析和提高半导体生产线的成品率的方法 |
| CN102446337A (zh) * | 2011-10-12 | 2012-05-09 | 上海华力微电子有限公司 | 一种缺陷通报系统 |
| CN105700490A (zh) * | 2014-11-28 | 2016-06-22 | 中芯国际集成电路制造（天津）有限公司 | 一种提高产品良率的方法及系统 |
| CN107480904A (zh) * | 2017-08-24 | 2017-12-15 | 成都海威华芯科技有限公司 | 一种化合物半导体致命缺陷分析系统和分析方法 |
| CN107767024A (zh) * | 2017-09-20 | 2018-03-06 | 彩虹集团（邵阳）特种玻璃有限公司 | 一种用于盖板玻璃生产线产品质量实时监测系统及方法 |
| CN108268892A (zh) * | 2017-12-29 | 2018-07-10 | 英特尔产品（成都）有限公司 | 生产故障管理分析方法 |
-
2018
- 2018-11-09 CN CN201811334483.3A patent/CN109711659B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1873677A (zh) * | 2005-05-30 | 2006-12-06 | 欧姆龙株式会社 | 工序管理装置及工序管理方法 |
| US20080021585A1 (en) * | 2006-07-13 | 2008-01-24 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and System for Providing a Selection of Golden Tools for Better Defect Density and Product Yield |
| CN101183399A (zh) * | 2007-11-16 | 2008-05-21 | 浙江大学 | 一种分析和提高半导体生产线的成品率的方法 |
| CN102446337A (zh) * | 2011-10-12 | 2012-05-09 | 上海华力微电子有限公司 | 一种缺陷通报系统 |
| CN105700490A (zh) * | 2014-11-28 | 2016-06-22 | 中芯国际集成电路制造（天津）有限公司 | 一种提高产品良率的方法及系统 |
| CN107480904A (zh) * | 2017-08-24 | 2017-12-15 | 成都海威华芯科技有限公司 | 一种化合物半导体致命缺陷分析系统和分析方法 |
| CN107767024A (zh) * | 2017-09-20 | 2018-03-06 | 彩虹集团（邵阳）特种玻璃有限公司 | 一种用于盖板玻璃生产线产品质量实时监测系统及方法 |
| CN108268892A (zh) * | 2017-12-29 | 2018-07-10 | 英特尔产品（成都）有限公司 | 生产故障管理分析方法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276410A (zh) * | 2019-06-27 | 2019-09-24 | 京东方科技集团股份有限公司 | 确定不良原因的方法、装置、电子设备及存储介质 |
| CN110276410B (zh) * | 2019-06-27 | 2022-06-03 | 京东方科技集团股份有限公司 | 确定不良原因的方法、装置、电子设备及存储介质 |
| CN110837717A (zh) * | 2019-11-06 | 2020-02-25 | 成都数之联科技有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
| CN110837717B (zh) * | 2019-11-06 | 2022-09-06 | 成都数之联科技股份有限公司 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
| WO2021102891A1 (zh) * | 2019-11-29 | 2021-06-03 | 京东方科技集团股份有限公司 | 产品不良成因分析的系统和方法、计算机可读介质 |
| CN113454661A (zh) * | 2019-11-29 | 2021-09-28 | 京东方科技集团股份有限公司 | 产品不良成因分析的系统和方法、计算机可读介质 |
| CN111159645A (zh) * | 2019-12-19 | 2020-05-15 | 成都数之联科技有限公司 | 一种基于产品生产履历和参数的不良根因定位方法 |
| CN111159645B (zh) * | 2019-12-19 | 2023-06-06 | 成都数之联科技股份有限公司 | 一种基于产品生产履历和参数的不良根因定位方法 |
| CN113597664A (zh) * | 2020-01-14 | 2021-11-02 | 京东方科技集团股份有限公司 | 确定不良原因的方法、电子设备、存储介质及系统 |
| CN113804244B (zh) * | 2020-06-17 | 2024-06-25 | 富联精密电子(天津)有限公司 | 缺陷分析方法及装置、电子装置及计算机可读存储介质 |
| CN113804244A (zh) * | 2020-06-17 | 2021-12-17 | 鸿富锦精密电子(天津)有限公司 | 缺陷分析方法及装置、电子装置及计算机可读存储介质 |
| CN112561723A (zh) * | 2020-07-08 | 2021-03-26 | 北京德风新征程科技有限公司 | 一种工业制造生产产品的良率提升管理系统和方法 |
| CN112183876A (zh) * | 2020-10-13 | 2021-01-05 | 上海喆塔信息科技有限公司 | 一种基于信息融合的良率损失根因分析方法 |
| CN112183876B (zh) * | 2020-10-13 | 2024-06-18 | 上海喆塔信息科技有限公司 | 一种基于信息融合的良率损失根因分析方法 |
| CN114429256A (zh) * | 2020-10-29 | 2022-05-03 | 北京中祥英科技有限公司 | 数据监测方法、装置、电子设备及存储介质 |
| CN114766023A (zh) * | 2020-10-30 | 2022-07-19 | 京东方科技集团股份有限公司 | 数据处理方法、装置及系统、电子设备 |
| US12055914B2 (en) | 2020-10-30 | 2024-08-06 | Beijing Zhongxiangying Technology Co., Ltd. | Data processing method, device and system, and electronic device |
| US11797557B2 (en) | 2020-12-03 | 2023-10-24 | Boe Technology Group Co., Ltd. | Data management platform, intelligent defect analysis system, intelligent defect analysis method, computer-program product, and method for defect analysis |
| WO2022227094A1 (zh) * | 2021-04-30 | 2022-11-03 | 京东方科技集团股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113552856B (zh) * | 2021-09-22 | 2021-12-10 | 成都数之联科技有限公司 | 工艺参数根因定位方法和相关装置 |
| WO2023045305A1 (zh) * | 2021-09-22 | 2023-03-30 | 成都数之联科技股份有限公司 | 工艺参数根因定位方法和相关装置 |
| CN113552856A (zh) * | 2021-09-22 | 2021-10-26 | 成都数之联科技有限公司 | 工艺参数根因定位方法和相关装置 |
| CN114022059A (zh) * | 2022-01-06 | 2022-02-08 | 锱云(上海)物联网科技有限公司 | 产品的不良原因分析方法、系统、终端设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711659B (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711659A (zh) | 一种工业生产的良率提升管理系统和方法 | |
| Arbesser et al. | Visplause: Visual data quality assessment of many time series using plausibility checks | |
| CN111158977A (zh) | 一种异常事件根因定位方法及装置 | |
| CN103488135B (zh) | 一种用于半导体生产加工过程监控的统计过程控制方法 | |
| CN111126824A (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
| CN110837717B (zh) | 一种基于Map图的玻璃面板多元缺陷根因分析方法 | |
| TW200905589A (en) | Work management apparatus and work management method | |
| CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
| CN105759784A (zh) | 一种基于数据包络分析的故障诊断方法 | |
| WO2022183675A1 (zh) | 半导体智能检测系统、智能检测方法及存储介质 | |
| CN105518654A (zh) | 对工具处理数据提供多变量分析的基于k最近邻法与系统 | |
| CN111752195A (zh) | 一种嵌入式工业物联网数据采集监控系统及方法 | |
| CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理系统及方法 | |
| CN109816191A (zh) | 多工作站系统的质量预测方法及其系统 | |
| CN110782324A (zh) | 一种基于云平台的电子商务商品信息管理方法及系统 | |
| Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
| CN116911386B (zh) | 基于知识脉络面向业务场景的水电设备知识图谱构建方法 | |
| CN112183876B (zh) | 一种基于信息融合的良率损失根因分析方法 | |
| CN110290203A (zh) | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 | |
| CN117349627A (zh) | 一种用于油田的能源管控系统及管控方法 | |
| TW202125136A (zh) | 分析系統 | |
| CN103575327B (zh) | 一种烟支物理指标自动化检测分析装置 | |
| CN115689126A (zh) | 数据处理方法、装置、设备及介质 | |
| CN113537356A (zh) | 一种基于Map图的不良根因分析方法 | |
| CN104915486B (zh) | 一种零件连接信息检索方法 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: No.2, 4th floor, building 1, Jule road crossing, Section 1, West 1st ring road, Chengdu, Sichuan 610000 Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190503 Assignee: Chengdu Haijixian Intelligent Technology Co.,Ltd. Assignor: Chengdu shuzhilian Technology Co.,Ltd. Contract record no.: X2024510000011 Denomination of invention: A yield improvement management system and method for industrial production Granted publication date: 20210413 License type: Common License Record date: 20240717 |