CN111061148A - 智能型预诊断和健康管理系统与方法 - Google Patents

Abstract

本发明关于一种智能型预诊断和健康管理系统与方法，该系统包括分析引擎服务管理模块、智能预测及健康管理对象分析树模块、机器学习库模块、以及文件系统模块，先以该分析引擎服务管理模块根据待监控机台的组件定义出分析树后，智能预测及健康管理对象分析树模块受到分析引擎服务管理模块控管而取得待监控机台的监控数据，并在系统预设的参考假说模型集间选择相似度最高者进行建模，据此快速完成模型选择与布署。

Description

智能型预诊断和健康管理系统与方法

技术领域

本发明关于一种预诊断系统及方法，尤指一种建立对象分析树来进行机台管理同时可根据新机台特性以适性化方法挑选预测模型的智能型预诊断和健康管理系统以及方法。

背景技术

制造业为了确保生产机台的工艺稳定并且提高稼动率，必须要对生产机台的操作状态进行严密的品质监控。

现有技术中为了达到品质要求，对于关键工艺参数有严密的监控与观察。所谓「关键工艺参数」指的是与设备故障最相关的因素，实务上会对这些因素进行监控以作为设备维护预诊断的重要指标。为提升预诊断的精准性，已有许多公开技术提出各式改良，包括申请人在美国专利申请号US16/001,520中提出一种领先辅助参数的选择方法以及结合关键参数及领先辅助参数进行设备维护预诊断的方法，将感测器搜集到的数据进行筛选并区分为关键参数(critical parameters,CP)集合以及其他特征参数集合后，再从特征参数集合中鉴定出提前影响关键参数时间最早者作为领先辅助参数(leading associatedparameters,LAP)，并进一步利用关键参数(CP)集合及该领先辅助参数(LAP)建立一种有效提升提前预警能力的设备维护预诊断模型。

此外，现有技术需针对每一个机台个别建构各自的特征数据库以建构预测模型，如此一来，当复数类与异质性机台导入机台预诊断及健康管理系统时，除了增加系统的复杂度之外，还会耗费大量的资源与成本。

因此，需要开发出一种智能型预诊断和健康管理系统以及方法以解决上述导入大量同一类型或不同类型的生产机台的时候面临的预诊断及健康管理系统维护与管理问题。

发明内容

本发明的主要目的，在于解决现有技术在导入大量同一类型或不同类型的生产机台的时候面临的预诊断及健康管理系统难以维护及管理的缺点。

为了达到上述目的，本发明提供一种智能型预诊断和健康管理系统，包括：一分析引擎服务管理(analytic engine service manager,AESM)模块；一智能预测及健康管理对象分析树(SMART prognostics and health management object analytics tree,SPHM-OAT)模块、一机器学习库模块、以及一文件系统模块，其中，该智能预测及健康管理对象分析树模块(SPHM-OAT)连结该分析引擎服务管理模块(AESM)且该智能预测及健康管理对象分析树模块(SPHM-OAT)包括多个分析树(OAT)，且每一分析树包括多个分析树节点(SPHM-object)以取得一待监控机台的监控数据；该机器学习库模块连结该智能预测及健康管理对象分析树模块以提供至少一演算法予该智能预测及健康管理对象分析树模块(SPHM-OAT)；以及该文件系统模块连结该智能预测及健康管理对象分析树模块(SPHM-OAT)以提供该智能预测及健康管理对象分析树模块一参考假说模型与相应的特征样本数据。

本发明并提供一种智能型预诊断和健康管理方法，该方法包括一新树建立及相似度分析步骤、以及一建模步骤：

该新树建立及相似度分析步骤是根据一待监控机台的组件定义出至少一分析树(OAT)，该分析树(OAT)包括多个分析树节点(SPHM-object)并内建各分析树节点的参考假说模型与相应的特征数据的一存储指标，根据该存储指标以向一文件系统取得一待监控机台的监控数据，并将该监控数据与预设的这些参考假说模型的特征样本数据进行一相似度分析；且该建模步骤为下述步骤S1或步骤S2中择一进行，其中：

步骤S1：当该相似度超过一门槛值时，从预设的这些参考假说模型中挑选出一相似度最高的参考假说模型以对该监控数据进行建模；

步骤S2：当该相似度分未超过该门槛值时，通过一扩充模块导入一外部假说模型以对该监控数据进行建模。

是以，本发明相较于现有技术所能达到的效果在于：

(1)通过分析树(OAT)反映待监控机台预诊断及健康管理系统的树状结构，从分析树节点出发，向上传递末端零组件设备的监控点的信息，通过量化每个分析树节点的监控状态，以递回的方式自下而上(bottom up)地逐步分析每一个分析树节点的健康状态，最终汇集到顶部以形成描述完整单一特定机台设备健康状态的分析树，并由多个分析树组成为智能预测及健康管理对象分析树模块。本发明的系统架构可通用在任何的系统机台设备，不仅可简化预诊断和健康管理系统的导入流程，还能有效地利用各种计算资源，快速地完成假说模型并且完成布署。

(2)本发明的智能型预诊断和健康管理系统中导入新机台时，该分析引擎服务管理模块将会根据该新机台的特征数据进行相似度的分析，依智能预测及健康管理对象分析树模块中多个预设的参考假说模型集指标，从文件系统模块中适性化挑选合适的假说模型进行预测模型，以节省系统管理与假说模型布署时间。

(3)倘若导入的新机台的监控数据与本发明系统中预设的参考假说模型所属的特征集相似度低于指定门槛值时，则可通过扩充模块导入外部假说模型以在该智能预测及健康管理对象分析树模块中建立假说模型，保持建模过程中的弹性及可扩充性。

附图说明

图1A为本发明一实施例的智能型预诊断和健康管理系统架构示意图。

图1B为本发明一实施例中，智能预测及健康管理对象分析树模块的工作流程架构示意图。

图2为本发明一实施例的智能型预诊断和健康管理系统的操作流程示意图。

图3为本发明一实施例的生态架构示意图。

具体实施方式

涉及本发明的详细说明及技术内容，现就配合图式说明如下：

本发明提供一种系统架构的设计模式与方法，用来建立或更新一智能预测及健康管理对象分析树模块(SPHM-OAT)以进行设备健康管理。本发明的系统及方法可通用在如风力发电机、碎煤机、有机金属化学气相沉积系统(MOCVD)、电浆辅助化学气相沉积系统(PECVD)等各类型机台设备。

图1A为本发明一实施例的智能型预诊断和健康管理系统10架构示意图，主要包括一分析引擎服务管理(analytic engine service manager,AESM)模块20、一智能预测及健康管理对象分析树(SPHM-OAT)模块30、一机器学习库模块40、以及一文件系统模块50。且为了使本发明的系统的应用更具扩展性，本发明的智能型预诊断和健康管理系统10可进一步包括一扩充模块，该扩充模块连结该智能预测及健康管理对象分析树模块30，且该扩充模块可包括一第一可交换应用程序接口60a、一第二可交换应用程序接口60b、以及一可交换驱动程序接口60c，其中该第一可交换应用程序接口60a用以连接一外部机器学习模块70，该第二可交换应用程序接口60b用以连接一外部参考模型模块80，而该可交换驱动程序接口60c则用以连接一外部数据收集驱动装置(EDCD)90来取得设置在一待监控机台的数据库91的原始数据。

该分析引擎服务管理模块20为本发明智能型预诊断和健康管理系统10的核心，可控管该智能预测及健康管理对象分析树(SPHM-OAT)模块30中各部件的状态。

请搭配参考图1B，该智能预测及健康管理对象分析树模块30连结该分析引擎服务管理模块20，并包括多个分析树31，每一分析树31包括多个分析树节点33、34，每一分析树节点33、34则分别对应一关键参数(CP)以及多个相关参数(AP)。这些关键参数(CP)以及相关参数(AP)的数据来源可为感应器取得的信息、也可为由子节点的关键参数(CP)及其他相关参数(AP)聚合而成。每一分析树节点33、34由一对象控制表(OCB)与之连结，这些对象控制表是用来储存对应的该分析树节点在分析过程中的运算结果，并且具有定期备份以及还原的效果。如此一来，若在分析过程中发生灾难事件，通过这些对象控制表即可快速进行回复作业，从上一次的检查点取得该分析树节点的状态，再以递回的方式，从兄弟节点(sibling node)往父节点(parent node)，由下而上地持续进行阶层式集成运算分析直到位在最高阶层的分析树节点(即，根(root))分析完成为止。关于上述的兄弟节点及父节点，譬如，对于某一分析树节点34而言，其他的这些分析树节点34即为其兄弟节点，而这些分析树节点33则为其父节点。

据此，在监控数据来源正确且关键参数(CP)及相关参数(AP)的选择也正确的前提下，本发明的智能型预诊断和健康管理系统10可通过这些分析树节点33、34适时地反映这些分析树节点33、34的健康状态，做好提前预警与健康管理。

该智能预测及健康管理对象分析树(SPHM-OAT)模块30除了管理上述代表着对应复数类机台的这些分析树31外，也负责这些分析树节点33、34上的工作流程(workflow)管理。所谓的「工作流程」是由一映射表35负责管理，且可包括堆迭而成的数据前处理层(datapreprocessing layer)36a、数据假说层(data hypothesis layer)36b、以及数据整体学习层(data ensemble layer)36c，该工作流程的层次、顺序与实际工作内容可根据需求而调整，并不仅限于上述内容。

该映射表35通过表格驱动(table driven)机制操作，从表格中依预先设定的工作方法，从与该智能预测及健康管理对象分析树模块30连结的该机器学习库模块40中挑选出至少一种适当的演算法给上述如数据前处理层36a、数据假说层36b、或数据整体学习层36c等工作流程使用。举例来说，适用在数据前处理层36a的演算法可包括特征选取(featureselection)演算法或特征萃取(feature extraction)演算法等具备特征挑选能力的演算法；适用在数据假说层36b的演算法可包括回归(regression)演算法、自回归移动平均模型(autoregressive integrated moving average model,ARIMA)演算法、相对强弱指数(relative strength index,RSI)演算法或其他具备预测能力的演算法；而数据整体学习层36c的工作方法则是通过构建一组由该映射表35指定的多个假说模型来进行投票、或依照当前该分析树指定的阶层式集成运算。除此之外，该分析引擎服务管理模块20亦根据该映射表35的机制以对每个分析树的该工作流程进行控制。

本实施例中的该文件系统模块50可作为系统将文件写回及/或储存文件的场所，上述的「文件」，举例可包括该智能预测及健康管理对象分析树模块30中这些分析树31生命周期的量化分析信息、或者预设的参考假说模型集在建模前的特征样本数据集、或者计算过程中系统发生故障时的备援数据、或者各分析树节点所属的参考假说，以在必要时提供该智能预测及健康管理对象分析树模块30所要求的信息。

必要时本发明的系统可通过该扩充模块连接外部装置进行扩充，举例来说，当现有的该机器学习库模块40的数据不足时，可通过该扩充模块的该第一可交换应用程序接口60a连接该外部机器学习模块70以扩充既有的机器学习库功能；或者，可通过该扩充模块的该第二可交换应用程序接口60b连接该外部参考模型模块80以扩充该智能预测及健康管理对象分析树模块30的该映射表35的假说模型并参与手动模式的一外部假说模型的选择与布署；又可通过该扩充模块的该可交换驱动程序接口60c以连接一外部数据收集驱动装置90，该外部数据收集驱动装置90连接该外部数据库91，故可通过该外部数据收集驱动装置90取得储存在该待监控机台的该外部数据库91的原始数据。

请续搭配参考图2，为本发明一实施例的智能型预诊断和健康管理系统10的操作流程示意图，主要包括一新树建立及相似度分析步骤以及一建模步骤。

关于该新树建立及相似度分析步骤，首先，可先以手动方式建立新树，并通过该分析引擎服务管理模块20将相关建树信息传递至该智能预测及健康管理对象分析树模块30而建立一个新的分析树。其次，利用该外部数据收集器90进一步收集该分析树所需的数据，这些数据包含该待监控机台各末端元件的监控点的前n笔原始数据(S110)。这里的「手动方式」指的是工程人员根据该待监控机台中各零组件之间的上、下、先、后的从属关系来分类第一级设备、第二级设备及第三级设备等，据此决定层数以定义出专属于该待监控机台生态架构的分析树。

接着，该分析引擎服务管理员20对收集到的原始数据开始进行相似度分析(S120)，先通过该智能预测及健康管理对象分析树模块30依该智能预测及健康管理对象分析树模块30中内存的各分析树节点的参考假说模型指标与相应的特征数据的存储指标所指定位置对该文件系统模块50提出要求(S130)并取得建立参考假说模型的特征样本的数据矩阵(S131)，再检查所取得的该待监控机台的样本特征与该文件系统模块50提供的参考模型假说建模前的样本特征相似度(S140)。当相似度超过门槛值且最高时则取用该假说模型作为一基线模型假说模型，并以该基线模型假说模型选定的工作流程作为预设基本工作流程(S160)。

该分析引擎服务管理员20在收到由该智能预测及健康管理对象分析树模块30传送来的工作流程相关信息后(S170)，即通过该智能预测及健康管理对象分析树模块30的该映射表35，从该机器学习库模块40中选择需要的演算法并完成自动建模设定(S180)，再由该智能预测及健康管理对象分析树模块30添加适合该待监控机台的假说模型指标与工作流程到该映射表35中(S190)，同时将新的假说模型与特征数据存入该文件系统模块50而完成模型移植(S200)，最后再由该文件系统模块50通知该智能预测及健康管理对象分析树模块30更新该映射表35中新的待监控机台的假说分析模块设定，同时通知该分析引擎服务管理模块20移植完成(S210)。

倘若该智能预测及健康管理对象分析树模块30在该文件系统模块50找不到相似度高的特征样本时，譬如，当待监控机台的前n笔特征数据与既有参考模型假说集建模前的特征数据间相似度指标值皆低于指定门槛值的时候，则先由该智能预测及健康管理对象分析树模块30通知该分析引擎服务管理员20(S230)，先提示工程人员需进行外部扩充指令。再由该分析引擎服务管理模块20指示该智能预测及健康管理对象分析树模块30通过该扩充模块由工程人员从外部手动插入(plugin)适当的参考假说模型指标、特征数据集指标、以及对应的工作流程设定至该智能预测及健康管理对象分析树模块30(S240)。接下来，该智能预测及健康管理对象分析树模块30自该机器学习库模块40调用外部插件工作流程所需要的演算法后(S250)，完成一手动建模设定(S260)，再将外部插件信息与建模信息写回，如上的参考假说模型指标、特征数据集指标指定该文件系统模块50(S270)的储存位置，并通知该分析引擎服务管理员20完成假说模型扩充(S280)。

上述「相似度」是为了了解本发明的系统中预设的这些参考假说模型集中是否存在有合适分析该待监控机台的假说模型。具体的比较方式，举例来说，可以比较系统中预设的这些参考假说模型在建模前的特征集与该待监控机台的前n笔原始数据转换为同一特征空间后的距离相似度。若两者之间的特征相对距离愈小，则相似度愈高；反之则相似度愈低。常见的相似度计算方法可利用如欧基里德距离(euclidean distance)、马哈拉诺比斯距离(mahalanobis distance)、曼哈顿距离(manhattan distance)、马可夫斯基距离(minkowski distance)、余弦相似度(cosine similarity)等。通过上述的相似度量化计算，即可从预设的参考假说模型集中挑选合适的假说模型作为该待监控机台的基线预测模型。

在下文中，将本发明的系统应用在监控一有机金属化学气相沉积(MOCVD)机台作为实例加以说明，请参照图3并搭配图1A和图1B、图2。

在此实例中，先依阶层式架构定义所有MOCVD设备零组件与一分析树节点的关系，图3中，每一分析树节点对应一个关键参数(CP)与多个相关参数(AP)，并由指定的一健康指标(SPHM Health Indicator,SPHM-HI)适时地反映分析树各节点的健康状态，做好提前预警与健康管理。

该健康指标(SPHM-HI)为可扩充式，基本项目举例可包括故障预防与判断功能(Next N-Run Fail,NRF)指标、设备关键零组件剩余寿命估计(Remaining Useful Life,RUL)指标、一般健康指标(Health Indicator,HI)、以及其他类似相关的健康指标，由于这些健康指标的功能、种类、实际量化与分析方式为熟悉此技艺的人士所熟知，故不在此赘述。

接下来，该分析引擎服务管理模块20从一分析树节点32开始向下分支，依MOCVD设备内各零组间之间的上、下、先、后的从属关系，定义一专属于MOCVD机台生态架构(Ecological Hierarchy)的智能预测及健康管理对象分析树模块30。其中，树根(root)代表MOCVD机台(即，该分析树节点32)，连结到一个或数个子节点上(即，次级设备，该分析树节点33)，再由这些子节点继续连结到一个或数个新的子节点上(即，第三级设备，该分析树节点34)。如此反复连结，就好像树根般地慢慢向下长，从而形成一完整的智能预测及健康管理对象分析树模块30(S100)。补充说明的是，在此仅以第一级设备、第二级设备以及第三级设备的三层设定进行说明，但在其他的实施例中，亦可视实际情况及需求增减层数，本发明对此并无限制。

续搭配图2及图1A和图1B，该智能预测及健康管理对象分析树模块30建立完成后，即从叶节点(terminal node，即，该分析树节点33、34)出发，开始数据收集(S110)，并将这些数据汇聚在该外部数据库91。这些叶节点(terminal node，即，该分析树节点33、34)代表的是MOCVD机台的末端设备零组件的监控状态，其数据来源为监控点CK1、CK2、CK3、CK4、CK5。

接着，该智能预测及健康管理对象分析树模块30从该外部数据库91取得末端监控点的原始数据并开始进行相似度分析(S120)：首先，该智能预测及健康管理对象分析树模块30根据该映射表35找出预设的参考假说模型集，并依据每一参考假说模型建构前的数据特征样本(S130与S131)，与MOCVD末端监控点收集之前n笔原始数据转换为特征型态后进行相似度比对(S140)。当相似度高于一指定门槛值时，挑选相似度最高的该参考假说集设定为该基线预测模型假说(S150)。

接着指定该基线预测模型假说的工作流程，从该机器学习库模块40中引入相关的演算法(S160、S170与S180)，并于该智能预测及健康管理对象分析树模块30的该映射表35中，新增上述该相似度最高的参考假说模型集指标与特征数据集指标至该智能预测及健康管理对象分析树模块30的该映射表35，如此即可完成专属MOCVD机台的建模设定(S190)。最后，将上述移植的该基线预测模型存入该文件系统模块50(S200)并通知该分析引擎服务管理20完成自动模型移植(S210)。

然当相似度低于一指定门槛值时，则由该智能预测及健康管理对象分析树模块30通知该分析引擎服务管理20找不到相似的特征数据及对应的假说模型(S230)。该分析引擎服务管理20遂通过该扩充模块的该第二可交换应用程序接口60b连接该外部参考模型模块80，以手动方式从该外部参考模型模块80导入适用于MOCVD机台的假说模型并新增指标至该智能预测及健康管理对象分析树模块30的该映射表35中(S240)，同时从该机器学习库模块40调用建模需要的演算法(S250)。待建模完成后，即写入该文件系统模块50，并通知该分析引擎服务管理模块20完成该手动模型扩充(S280)。

最后终如图3所示，当本发明的智能型预诊断和健康管理系统10开始针对MOCVD机台进行预诊断分析时，该智能预测及健康管理对象分析树模块30即根据每一节点在该映射表35中指定的工作流程，依关键参数(CP)与相关参数(AP)的特性，通过阶层式集成运算，以递回的方式自下而上地量化分析各节点的健康状态，最终汇聚到顶部(root)。同样的也可以应用在其他诸如PECVD等机台的预诊断分析。

本发明所强调的「树状结构」为计算机科学中的一种数据概念。依本发明的实施例，该智能预测及健康管理对象分析树模块30具有以下特性：(1)一棵树只有一个最高阶层的节点称为「根(root)」32，可视为一待监控机台最上层的现况；(2)每一个节点可以衍生一个以上的子节点。如果所有节点所衍生的子节点都在两个以内，则称为二元树；(3)底层最末端的节点称为「叶(leaf)」或可称为「终端节点(terminal node)」(譬如分析树节点33、34)，可视为该待监控机台的末端元件，包括末端元件的数据来源的监控点CK1、CK2、CK3、CK4、CK5；(4)没有相连的很多子树称为「森林(forest)」，可视为同时管理的多个待监控机台。由以上说明可知，「树状结构」为阶层式结构，一新的待监控机台从「根」开始，连结到一个或数个子节点上(secondary level equipment，第二级设备，譬如分析树节点33)，再由这些子节点继续连结到一个或数个新的子节点上(third level equipment，第三级设备，譬如分析树节点34)。如此反复连结，就如同树根般地慢慢成长形成一棵完整的分析树(OAT)。树状结构的优点在于层次分明并且有条理，可以清楚表示出该待监控机台内各零组件之间的上、下、先、后的从属关系。因此适合用来进行复数类设备预诊断和健康管理。

如此一来，除了可降低复数类与异质性机台导入机台预诊断及健康管理系统的管理复杂度与人力成本外，并可维持系统具备一定的精度，进一步搭配自动选模机制，不仅简化了预诊断和健康管理系统的导入流程，还能有效率地利用计算资源，快速完成预测模型选择与布署。

以上已将本发明做一详细说明，惟以上所述者，仅为本发明的一优选实施例而已，当不能限定本发明实施的范围。即凡依本发明申请范围所作的均等变化与修改等，皆应仍属本发明的专利涵盖范围内。

Claims (10)

1.一种智能型预诊断和健康管理系统，其特征在于包括：

一分析引擎服务管理模块；

一智能预测及健康管理对象分析树模块，该智能预测及健康管理对象分析树模块连结该分析引擎服务管理模块且该智能预测及健康管理对象分析树模块包括多个分析树，每一分析树包括多个分析树节点以取得一待监控机台的监控数据；

一机器学习库模块，该机器学习库模块连结该智能预测及健康管理对象分析树模块以提供至少一演算法予该智能预测及健康管理对象分析树模块；以及

一文件系统模块，该文件系统模块连结该智能预测及健康管理对象分析树模块以提供该智能预测及健康管理对象分析树模块一参考假说模型与相应的特征样本数据。

2.如权利要求1所述的智能型预诊断和健康管理系统，其特征在于，还包括一扩充模块，该扩充模块连结该智能预测及健康管理对象分析树模块，并包括一第一可交换应用程序接口、一第二可交换应用程序接口、以及一可交换驱动程序接口，其中该第一可交换应用程序接口用以连接一外部机器学习模块，该第二可交换应用程序接口用以连接一外部参考模型模块，而该可交换驱动程序接口则用以连接一外部数据收集驱动装置以取得设置在该待监控机台的一数据库的原始数据。

3.如权利要求1所述的智能型预诊断和健康管理系统，其特征在于，该智能预测及健康管理对象分析树模块包括一映射表。

4.如权利要求3所述的智能型预诊断和健康管理系统，其特征在于，该分析引擎服务管理模块基于该智能预测及健康管理对象分析树模块中的该映射表以控制多个所述分析树节点的工作流程。

5.如权利要求1所述的智能型预诊断和健康管理系统，其特征在于，每一该分析树节点对应一关键参数以及多个相关参数。

6.一种智能型预诊断和健康管理方法，其特征在于，该方法包括一新树建立及相似度分析步骤、以及一建模步骤：

该新树建立及相似度分析步骤是根据一待监控机台的组件定义出至少一分析树，该分析树包括多个分析树节点并内建各分析树节点的参考假说模型与相应的特征数据的一存储指标，以向一文件系统取得一待监控机台的监控数据，并将该监控数据与预设的多个所述参考假说模型的特征样本数据进行一相似度分析；且

该建模步骤为下述步骤S1或步骤S2中择一进行，其中：

步骤S1：当相似度超过一门槛值时，从预设的多个所述参考假说模型中挑选出一相似度最高的参考假说模型以对该监控数据进行建模；

步骤S2：当该相似度未超过该门槛值时，通过一扩充模块导入一外部假说模型以对该监控数据进行建模。

7.如权利要求6所述的智能型预诊断和健康管理方法，其特征在于，该相似度分析是通过将该待监控机台的前n笔原始数据转换为与预设的多个所述参考假说模型在建模前的特征集同一特征空间之后并进行距离相似度的比较而进行。

8.如权利要求6所述的智能型预诊断和健康管理方法，其特征在于，在该新树建立及相似度分析步骤中，利用一分析引擎服务管理模块根据该待监控机台的组件，在一智能预测及健康管理对象分析树模块中定义出该分析树。

9.如权利要求8所述的智能型预诊断和健康管理方法，其特征在于，在该新树建立及相似度分析步骤中，通过该智能预测及健康管理对象分析树模块将多个所述监控数据与预设的多个所述参考假说模型的特征样本数据进行该相似度分析。

10.如权利要求8所述的智能型预诊断和健康管理方法，其特征在于，该智能预测及健康管理对象分析树模块包括一映射表，该映射表从与该智能预测及健康管理对象分析树模块连结的一机器学习库模块中挑选出至少一演算法予多个所述分析树节点进行一工作流程管理。

Images