CN111861050A - 生产制程管控装置、方法及计算机可读存储介质 - Google Patents
生产制程管控装置、方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111861050A CN111861050A CN201910340297.9A CN201910340297A CN111861050A CN 111861050 A CN111861050 A CN 111861050A CN 201910340297 A CN201910340297 A CN 201910340297A CN 111861050 A CN111861050 A CN 111861050A
- Authority
- CN
- China
- Prior art keywords
- parameter
- preset
- production stage
- value
- parameter value
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title claims abstract description 200
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 169
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 82
- 238000007726 management method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 230000004907 flux Effects 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0426—Programming the control sequence
Abstract
一种生产制程管控方法,包括:获取预设产品的历史生产阶段的生产制程信息;从生产制程信息中提取符合预设规则的制程信息并基于该制程信息训练得到第一参数关联第二参数的匹配模型及制程能力预测模型;将当前生产阶段配置的第一参数值输入至匹配模型得到与第一参数值最优匹配的第二参数值;将第一参数值及最优匹配的第二参数值输入至制程能力预测模型得到制程能力指标;判断制程能力指标是否达到预设标准;若达到,则根据第一参数值及最优匹配的第二参数值调整当前生产阶段的制程。本发明还提供一种生产制程管控装置及计算机可读存储介质。上述生产制程管控装置、方法及计算机可读存储介质,可实现智能化制程管控,降低生产不良与人工检测成本。
Description
技术领域
本发明涉及工业大数据技术领域,尤其涉及一种生产制程管控装置、方法及计算机可读存储介质。
背景技术
随着工业4.0技术的兴起,智能制造技术越来越得到实体工厂的重视,智能制造技术是基于新一代信息通信技术与先进制造技术深度融合,可贯穿于产品设计、生产、管理等制造活动的各个环节,但目前制造业尚处于机械化、电气化、自动化、数字化,其智能化尚在启蒙阶段。现有的车间制程管理一般都是在生产前按照制程管控人员的设定导入至产品生产阶段,不具有生产制程AI管控能力,无法实现制程智能化设定与智能调控。
发明内容
有鉴于此,有必要提供一种生产制程管控装置、方法及计算机可读存储介质,可实现智能化制程管控,降低生产不良与人工检测成本。
本发明一实施方式提供一种生产制程管控方法,所述方法包括:
获取预设产品的历史生产阶段的第一生产制程信息,其中所述第一生产制程信息包括第一参数及第二参数;
从所述第一生产制程信息中提取符合预设规则的第二生产制程信息,其中所述预设规则为所述预设产品的品质测试结果符合预设品质要求;
根据所述第二生产制程信息中包含的第一参数与第二参数建立并训练得到第一参数关联第二参数的匹配模型及基于所述第一参数与所述第二参数进行制程能力预测的制程能力预测模型;
将所述预设产品的当前生产阶段计划配置的第一参数值输入至所述匹配模型,以得到与所述第一参数值最优匹配的第二参数值;
将所述第一参数值及与所述第一参数值最优匹配的第二参数值输入至所述制程能力预测模型,以计算得到一制程能力指标;
判断所述制程能力指标是否达到预设制程能力标准;及
当所述制程能力指标达到所述预设制程能力标准时,根据所述第一参数值及与所述第一参数值最优匹配的第二参数值调整所述预设产品的当前生产阶段计划配置的制程参数。
优选地,所述第一参数为以下参数中的任意一种或多种组合:生产环境参数、产品物料参数、产品测试参数,所述第二参数为生产设备运行参数。
优选地,所述获取预设产品的历史生产阶段的第一生产制程信息的步骤包括:
从预设数据库中获取所述预设产品的历史生产阶段的第一生产制程信息。
优选地,所述匹配模型及所述制程能力预测模型均基于BP神经网络模型训练得到。
优选地,所述方法还包括:
监测所述预设产品的当前生产阶段的品质测试结果是否符合所述预设品质要求;及
当所述预设产品的当前生产阶段的品质测试结果不符合所述预设品质要求,输出品质异常提醒信息,以根据所述品质异常提醒信息调整所述预设产品的当前生产阶段的制程参数。
优选地,所述方法还包括:
监测所述预设产品的当前生产阶段的制程参数是否发生异常变动;
当所述预设产品的当前生产阶段的制程参数发生异动时,获取所述第一参数的当前值及所述第二参数的当前值;
将所述第一参数的当前值及与所述第二参数的当前值输入至所述制程能力预测模型,以重新计算得到一制程能力指标;
判断重新计算得到的制程能力指标是否达到所述预设制程能力标准;及
当所述重新计算得到的制程能力指标未达到所述预设制程能力标准时,输出制程参数异常变动的提醒信息,以根据所述制程参数异常变动的提醒信息调整所述预设产品的当前生产阶段的制程参数。
优选地,所述监测所述预设产品的当前生产阶段的制程参数是否发生异常变动的步骤包括:
监测并判断所述预设产品的当前生产阶段的制程参数的变化值是否超过预设变化范围;及
当所述预设产品的当前生产阶段的制程参数的变化值超过所述预设变化范围时,判定所述预设产品的当前生产阶段的制程参数发生异常变动。
优选地,所述判断所述制程能力指标是否达到预设制程能力标准的步骤之后还包括:
当所述制程能力指标未达到所述预设制程能力标准时,输出参数配置异常的提醒信息,以根据所述参数配置异常的提醒信息调整所述预设产品的当前生产阶段计划配置的第一参数值和/或第二参数值。
本发明一实施方式提供一种生产制程管控装置,所述生产制程管控装置包括处理器及存储器,所述存储器上存储有生产制程管控程序,所述处理器用于执行所述存储器中存储的生产制程管控程序时实现上述的生产制程管控方法的步骤。
本发明一实施方式提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,多条所述指令可被一个或者多个处理器执行,以实现上述的生产制程管控方法的步骤。
与现有技术相比,上述生产制程管控装置、方法及计算机可读存储介质,通过采集并提取出高品质制程样本信息来进行模型训练得到制程内部参数关联的匹配模型及制程能力预测模型,使得制程管理人员可以根据该些模型评估当前生产阶段配置的制程信息是否可满足生产要求,并且在生产过程中会持续监测与调适当前生产阶段配置的制程信息,以实现稳定高质量产出,降低生产不良与人工检测成本。
附图说明
图1是本发明一实施方式的生产制程管控装置的运用环境图。
图2是本发明一实施方式的生产制程管控装置的架构示意图。
图3是本发明一实施方式的生产制程管控系统的功能模块图。
图4是本发明另一实施方式的生产制程管控系统的功能模块图。
图5是本发明一实施方式的生产制程管控方法的流程图。
主要元件符号说明
具体实施方式
如下具体实施方式将结合上述附图进一步说明本发明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
进一步需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
请参阅图1,为本发明生产制程管控装置较佳实施例的运行环境示意图。
生产制程管控装置100可以通过网络来与一个或者多个生产设备200进行通信,比如通过工厂内部的局域网与来与一个或者多个生产设备200通信,所述生产设备200可以是车间的产品加工设备,用以生产预设产品,所述预设产品比如可以是塑料产品、金属产品、电子产品等等。所述生产制程管控装置100还可以通过网络将所述生产设备200的制程管控信息及异常信息反馈至监控设备300,以实现实时通知制程监管人员。所述生产制程管控装置100可以是计算机、服务器等计算设备。所述监控设备300可以是制程监管人员所使用的办公电脑、手机等设备。所述数据库400可以存储有所述生产设备200的制程相关信息,所述生产制程管控装置100可以与所述数据库400进行通信来读取存储在所述数据库400中的制程相关信息,并进行运算分析以实现对所述生产设备200进行制程管控。
请参阅图2,为本发明生产制程管控装置较佳实施例的结构示意图。
所述生产制程管控装置100包括存储器10、处理器20、存储在所述存储器10中并可在所述处理器20上运行的生产制程管控系统30,所述生产制程管控系统30优选为计算机程序。所述处理器20执行所述计算机程序时可以实现生产制程管控方法实施例中的步骤,例如图5所示的步骤S500~S512。或者,所述处理器20执行所述计算机程序时实现生产制程管控系统30实施例中各模块的功能,例如图3中的模块101~107或者图4中的模块101~109。
所述生产制程管控系统30可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器10中,并由所述处理器20执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述生产制程管控系统30在所述生产制程管控装置100中的执行过程。例如,所述生产制程管控系统30可以被分割成图3中的获取模块101、提取模块102、建立模块103、第一计算模块104、第二计算模块105、判断模块106及调整模块107或者可以被分割成图4中的获取模块101、提取模块102、建立模块103、第一计算模块104、第二计算模块105、判断模块106、调整模块107、监测模块108及输出模块109。各模块具体功能参见生产制程管控系统实施例中各模块的功能。
可以理解的,所述示意图仅是生产制程管控装置100的示例,并不构成对生产制程管控装置100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述生产制程管控装置100还可以包括网络接入设备(图未示)、通信总线(图未示)等。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器20也可以是任何常规的处理器等,所述处理器20可以利用各种接口和线路连接生产制程管控装置100的其他各个部分。
所述存储器10可用于存储所述生产制程管控系统30和/或模块,所述处理器20通过运行或执行存储在所述存储器10内的生产制程管控系统30和/或模块,以及调用存储在存储器10内的数据,实现所述生产制程管控装置100的各种功能。所述存储器10可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
图3为本发明生产制程管控系统较佳实施例的功能模块图。
参阅图3所示,所述生产制程管控系统30可以包括获取模块101、提取模块102、建立模块103、第一计算模块104、第二计算模块105、判断模块106及调整模块107。可以理解的是,在其他实施方式中,上述模块也可为固化于所述处理器20中的程序指令或固件(firmware)。
所述获取模块101用于获取预设产品的历史生产阶段的第一生产制程信息,其中所述第一生产制程信息包括第一参数及第二参数。
在一实施方式中,所述第一生产制程信息可以是所述生产设备200在历史生产阶段生产所述预设产品的生产制程信息,所述历史生产阶段的起始时间与终止时间的选取可以根据实际使用情况进行确定,比如所述历史生产阶段可以设定为2018年1月1日至2018年12月31日。所述生产制程信息可以包括生产环境参数、产品物料参数、产品测试参数及生产设备运行参数。所述生产环境参数可以是所述生产设备200所处的环境信息,比如车间温度、车间湿度等。所述产品物料参数可以是用于生产所述预设产品的物料信息,比如该物料的材质参数(材质热传导系数、密度、比热等)。所述产品测试参数可以是所述预设产品的品质测试数据。所述生产设备运行参数可以是所述生产设备200的运行参数,比如工作电压、工作电流、压力、刀具切割角度、内部温度等。
在一实施方式中,所述获取模块101可以从所述数据库400中获取预设产品的历史生产阶段的第一生产制程信息。所述第一参数优选为生产环境参数、产品物料参数、产品测试参数中的一种或多种,所述第二参数优选为生产设备运行参数。
所述提取模块102用于从所述第一生产制程信息中提取符合预设规则的第二生产制程信息,其中所述预设规则为所述预设产品的品质测试结果符合预设品质要求。
在一实施方式中,由于所述第一生产制程信息是一历史生产阶段的生产制程信息,可能包括出现不良品较多的生产制程信息,该些不符合品质要求的生产制程信息不适合做模型的训练样本数据,需剔除。所述预设规则优选为所述预设产品的品质测试结果符合预设品质要求,进而可以使得所述提取模块102提取的第二生产制程信息均是产品品质符合要求的制程信息,以实现基于生产高品质产品的制程样本数据进行后续的模型训练。
可以理解的,所述第二生产制程信息同样包括有第一参数及第二参数。
所述建立模块103用于根据所述第二生产制程信息中包含的第一参数与第二参数建立并训练得到第一参数关联第二参数的匹配模型及基于所述第一参数与所述第二参数进行制程能力预测的制程能力预测模型。
在一实施方式中,所述匹配模型及所述制程能力预测模型优选是基于BP(Backpropagation,反向传播)神经网络模型训练得到。所述BP神经网络模型包括输入层、多个隐藏层及输出层。所述输入层可以用于接收多个训练特征,每一隐藏层包括多个节点(神经元),每一隐藏层中的每一节点被配置成对来自该模型中的相邻下层的至少一个节点的输出执行线性或非线性变换。其中,上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出,每个隐藏层具有对应的权值。在对模型进行训练时,可以通过利用有监督的学习过程来进行模型的训练,得到各个隐藏层的初始权值。可以通过BP算法来对各隐藏层的权值的进行调节,所述输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中,所述建立模块103可以根据所述第二生产制程信息中包含的第一参数与第二参数来建立并训练得到第一参数关联第二参数的匹配模型,当模型训练完成后,输入第一参数至所述匹配模型时,可以输出得到与该第一参数最佳匹配的第二参数。
可以理解的是,所述第二生产制程信息可以包括多个生产批次的制程信息,每个生产批次的制程信息均包括第一参数与第二参数,每个生产批次生产的预设产品可以统计得到一产品良率。当输入第一参数至所述匹配模型时,可以输出得到与该第一参数最佳匹配的第二参数。即在该第一参数固定的情况下,为了得到最优的产品良率,通过该匹配模型计算得出与该第一参数最佳匹配的第二参数。
以SMT(表面贴装技术)生产制程为例,所述第一参数包括车间温度、车间湿度、焊剂含量、焊剂熔点。所述第二参数为刮刀角度、刮刀速度、刮刀压力及基板与钢板间距。当匹配模型训练完成后,输入第一参数的值,可以输出得到与当前第一参数值最优匹配的刮刀角度值、刮刀速度值、刮刀压力值及基板与钢板间距值。
在一实施方式中,可以预先计算得到每个生产批次的CPK(Complex ProcessCapability index,制造过程能力指标)值,即在历史生产阶段,每个生产批次的CPK值对应有一组第一参数与第二参数。所述建立模块103可以根据所述第一参数与所述第二参数训练得到制程能力预测模型。所述制程能力预测模型可以基于所述第一参数与所述第二参数进行制程能力预测。比如,当制程能力预测模型训练完成后,可以输入当前的车间温度、车间湿度、焊剂含量、焊剂熔点、刮刀角度、刮刀速度、刮刀压力、基板与钢板间距至所述制程能力预测模型,进而可以得到一CPK值。
所述第一计算模块104用于将所述预设产品的当前生产阶段计划配置的第一参数值输入至所述匹配模型,以得到与所述第一参数值最优匹配的第二参数值。
在一实施方式中,当根据历史生产阶段的生产制程信息建立并训练得到所述匹配模型后,可以将所述预设产品的当前生产阶段配置的第一参数值输入至所述匹配模型,进而可以得到与所述第一参数值最优匹配的第二参数值。比如所述第一参数为生产环境参数,当前生产阶段计划配置的第一参数值即可以是当前车间温度及当前车间的湿度。所述第二参数为生产设备运行参数,当前生产阶段计划配置的第二参数可以是生产该预设产品设备使用人员根据历史经验对生产设备200配置的运行参数或者客户所要求的运行参数。为了得到与所述第一参数值最优匹配的第二参数值,可以将当前生产阶段的车间温度、车间湿度输入至所述匹配模型,该匹配模型的输出即是与当前车间温度、车间湿度最优匹配的生产设备运行参数。
在一实施方式中,若第一参数包括多个子参数,且每个子参数的值是已知的,第二参数包括多个子参数,但存在一个或多个子参数值未知,可以通过所述第一计算模块104实现将第二参数中未知的子参数值补充完整。举例而言,第一参数包括车间温度及车间湿度,所述车间温度为23度,所述车间湿度为45%,第二参数包括刮刀角度、刮刀速度、压力、基板与钢板间距。其中,刮刀角度、刮刀速度未知,压力为0.04Mpa,基板与钢板间距为400um。输入第一参数至所述第一计算模块104可以计算得到刮刀角度、刮刀速度。比如,通过所述第一计算模块104计算得到刮刀角度为45度、刮刀速度为5rpm。
可以理解的是,所述建立模块103还可以根据所述第二生产制程信息中包含的第一参数与第二参数建立并训练得到第二参数关联第一参数的匹配模型,进而可以通过所述第一计算模块104实现将第一参数中未知的子参数值补充完整(第二参数中的每个子参数均已知)。
所述第二计算模块105用于将所述第一参数值及与所述第一参数值最优匹配的第二参数值输入至所述制程能力预测模型,以计算得到一制程能力指标。
在一实施方式中,当根据历史生产阶段的生产制程信息建立并训练得到所述制程能力预测模型后,可以将所述第一参数值及与所述第一参数值最优匹配的第二参数值输入至所述制程能力预测模,进而可以计算得到一CPK值。比如输入当前的车间温度值、车间湿度值、焊剂含量、焊剂熔点值、刮刀角度值、刮刀速度值、刮刀压力值、基板与钢板间距值至所述制程能力预测模型,进而所述制程能力预测模型可以输出一CPK值。根据该CPK值可以得知,在当前生产阶段且所述第一参数的值为所述第一参数值、所述第二参数的值为与所述第一参数值最优匹配的第二参数值时的制程能力。
所述判断模块106判断所述制程能力指标是否达到预设制程能力标准。
在一实施方式中,所述预设制程能力标准可以根据实际使用需求进行设定,比如所述预设制程能力标准可以设定为CPK值大于1.3。所述判断模块106可以将所述第二计算模块105计算得到的CPK值与预设制程能力标准进行比较,来判断所述制程能力指标是否达到预设制程能力标准。举例而言,若所述第二计算模块105计算得到CPK值等于1.34,由于第二计算模块105计算得到CPK值大于1.3,进而所述判断模块106可以判断所述制程能力指标达到所述预设制程能力标准。若所述第二计算模块105计算得到CPK值等于1.25,由于第二计算模块105计算得到CPK值小于1.3,进而所述判断模块106可以判断所述制程能力指标未达到所述预设制程能力标准。
所述调整模块107用于在所述制程能力指标达到所述预设制程能力标准时,根据所述第一参数值及与所述第一参数值最优匹配的第二参数值调整所述预设产品的当前生产阶段计划配置的制程参数。
在一实施方式中,当所述制程能力指标达到所述预设制程能力标准时,表明可以以所述第一参数值及与所述第一参数值最优匹配的第二参数值来设定当前生产阶段的第一参数及第二参数。即可以将当前生产阶段配置的第二参数调整为与所述第一参数值最优匹配的第二参数值,进而进行预设产品的生产。
举例而言,在进行所述预设产品的生产前,生产人员根据历史生产经验(或者客户要求)在当前生产阶段预先配置有第一参数值及第二参数值,当通过所述第一计算模块104得到与所述第一参数值最优匹配的第二参数值后,且基于所述第一参数值及与所述第一参数值最优匹配的第二参数值得到制程能力指标达到预设制程能力标准时,表明调整后的第二参数值符合生产需求,可以将当前生产阶段预先配置的第二参数值调整为与所述第一参数值最优匹配的第二参数值,再进行所述预设产品生产。
在一实施方式中,当所述制程能力指标未达到所述预设制程能力标准时,表明当前的第一参数值及与第一参数值最优匹配的第二参数值不符合生产要求,所述生产制程管控装置100可以输出一参数配置异常的提醒信息,以提醒生产管控人员,进而生产管控人员可以根据所述参数配置异常的提醒信息调整准备对当前生产阶段配置的第一参数值和/或第二参数值。所述参数配置异常的提醒信息可以是以短消息、邮件、或者直接以灯光的形式输出。
请同时参阅图4,图4示出了生产制程管控系统在另一较佳实施例的功能模块图。图4示出的生产制程管控系统30与图3所示的基本相同,不同之处在于,生产制程管控系统30还包括监测模块108及输出模块109。
所述监测模块108用于监测所述预设产品的当前生产阶段的品质测试结果是否符合所述预设品质要求。
在一实施方式中,当所述当前生产阶段完成生产制程信息设定并在进行所述预设产品的生产时,所述监测模块108用于监测所述预设产品的当前生产阶段的品质测试结果是否符合所述预设品质要求,进行实现在生产过程中持续监测产品生产。
在一实施方式中,当在对所述预设产品进行生产的过程中,可以统计得到当前生产阶段的品质测试结果,所述监测模块108可以将当前生产阶段的品质测试结果与所述预设品质要求进行比对来判断当前生产阶段生产的预设产品的品质测试结果是否符合所述预设品质要求。
所述输出模块109用于在所述预设产品的当前生产阶段的品质测试结果不符合所述预设品质要求,输出品质异常提醒信息,以根据所述品质异常提醒信息调整所述预设产品的当前生产阶段的制程参数。
在一实施方式中,当所述预设产品的当前生产阶段的品质测试结果不符合所述预设品质要求时,表明当前生产制程需要进行改善,所述输出模块109输出品质异常提醒信息,以提醒生产管控人员,进而生产管控人员可以根据所述品质异常提醒信息调整所述预设产品的当前生产阶段的制程参数。比如调整在所述预设产品本次生产过程中所配置的第一参数和/或第二参数。可以理解的是,所述品质异常提醒信息可以是以短消息、邮件、或者直接以灯光的形式输出。
当所述监测模块108监测到所述预设产品的当前生产阶段的品质测试结果符合所述预设品质要求时,表明当前生产制程无需进行改善,可以继续进行预设产品的生产。
在一实施方式中,在完成当前生产阶段的制程信息配置并进行所述预设产品的生产后,所述制程信息也可能发生异动而导致后续的产品生产品质发生变动。所述监测模块108还用于监测所述预设产品的当前生产阶段的制程参数是否发生异常变动,当所述预设产品的当前生产阶段的制程参数发生异动时,所述获取模块101获取所述第一参数的当前值及所述第二参数的当前值,所述第二计算模块105将所述第一参数的当前值及与所述第二参数的当前值输入至所述制程能力预测模型,以重新计算得到一制程能力指标。所述判断模块106判断重新计算得到的制程能力指标是否达到所述预设制程能力标准,当所述重新计算得到的制程能力指标未达到所述预设制程能力标准时,所述输出模块109输出制程参数异常变动的提醒信息,以提醒生产管控人员,进而生产管控人员可以根据所述制程参数异常变动的提醒信息调整所述预设产品的当前生产阶段的制程参数。可以理解的是,所述参数异常变动的提醒信息同样可以是以短消息、邮件、或者直接以灯光的形式输出。
举例而言,所述预设产品在当前生产阶段进行生产时的第一参数包括车间温度24~26度,湿度为45%~50%,若在生产该预设产品3小时后,所述监测模块108监测到车间温度为30度,湿度为48%,第二参数无变化,即所述监测模块108监测所述预设产品的当前生产阶段的制程参数中的第一参数发生异常变动,所述第二计算模块105将所述第一参数的当前值(车间温度30度,湿度为48%)及第二参数值输入至所述制程能力预测模型重新计算得到一制程能力指标。所述判断模块106判断重新计算得到的制程能力指标是否达到所述预设制程能力标准,当所述重新计算得到的制程能力指标未达到所述预设制程能力标准时,所述输出模块109输出制程参数异常变动的提醒信息。当所述重新计算得到的制程能力指标达到所述预设制程能力标准时,可以继续进行预设产品的生产,忽略本次异常变动。
在一实施方式中,所述监测模块108可以通过以下方式来实现监测并判断所述预设产品的当前生产阶段的制程参数是否发生异常变动:所述监测模块108监测并判断所述预设产品的当前生产阶段的制程参数的变化值是否超过预设变化范围,当所述预设产品的当前生产阶段的制程参数的变化值超过所述预设变化范围时,所述监测模块108判定所述预设产品的当前生产阶段的制程参数发生异常变动。生产制程管控装置100通过上述模块101~109可实现自感知、自学习、自决策、自执行、自适应的AI制程管控方式。
图5为本发明一实施方式中生产制程管控方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S500,所述获取模块101获取预设产品的历史生产阶段的第一生产制程信息,其中所述第一生产制程信息包括第一参数及第二参数。
步骤S502,所述提取模块102从所述第一生产制程信息中提取符合预设规则的第二生产制程信息,其中所述预设规则为所述预设产品的品质测试结果符合预设品质要求。
步骤S504,所述建立模块103根据所述第二生产制程信息中包含的第一参数与第二参数建立并训练得到第一参数关联第二参数的匹配模型及基于所述第一参数与所述第二参数进行制程能力预测的制程能力预测模型。
步骤S506,所述第一计算模块104将所述预设产品的当前生产阶段配置的第一参数值输入至所述匹配模型,以得到与所述第一参数值最优匹配的第二参数值。
步骤S508,所述第二计算模块105将所述第一参数值及与所述第一参数值最优匹配的第二参数值输入至所述制程能力预测模型,以计算得到一制程能力指标。
步骤S510,所述判断模块106判断所述制程能力指标是否达到预设制程能力标准。
步骤S512,当所述制程能力指标达到所述预设制程能力标准时,所述调整模块107根据所述第一参数值及与所述第一参数值最优匹配的第二参数值调整所述预设产品的当前生产阶段的制程参数。
步骤S514,当所述制程能力指标未达到所述预设制程能力标准时,所述输出模块109输出参数配置异常的提醒信息。
上述生产制程管控装置、方法及计算机可读存储介质,通过采集并提取出高品质制程样本信息来进行模型训练得到制程内部参数关联的匹配模型及制程能力预测模型,使得制程管理人员可以根据该些模型评估当前生产阶段配置的制程信息是否可满足生产要求,并且在生产过程中会持续监测与调适当前生产阶段配置的制程信息,以实现稳定高质量产出,降低生产不良与人工检测成本。
对本领域的技术人员来说,可以根据本发明的发明方案和发明构思结合生产的实际需要做出其他相应的改变或调整,而这些改变和调整都应属于本发明所公开的范围。
Claims (10)
1.一种生产制程管控方法,其特征在于,所述方法包括:
获取预设产品的历史生产阶段的第一生产制程信息,其中所述第一生产制程信息包括第一参数及第二参数;
从所述第一生产制程信息中提取符合预设规则的第二生产制程信息,其中所述预设规则为所述预设产品的品质测试结果符合预设品质要求;
根据所述第二生产制程信息中包含的第一参数与第二参数建立并训练得到第一参数关联第二参数的匹配模型及基于所述第一参数与所述第二参数进行制程能力预测的制程能力预测模型;
将所述预设产品的当前生产阶段计划配置的第一参数值输入至所述匹配模型,以得到与所述第一参数值最优匹配的第二参数值;
将所述第一参数值及与所述第一参数值最优匹配的第二参数值输入至所述制程能力预测模型,以计算得到一制程能力指标;
判断所述制程能力指标是否达到预设制程能力标准;及
当所述制程能力指标达到所述预设制程能力标准时,根据所述第一参数值及与所述第一参数值最优匹配的第二参数值调整所述预设产品的当前生产阶段计划配置的制程参数。
2.如权利要求1所述的方法,其特征在于,所述第一参数为以下参数中的任意一种或多种组合:生产环境参数、产品物料参数、产品测试参数,所述第二参数为生产设备运行参数。
3.如权利要求1所述的方法,其特征在于,所述获取预设产品的历史生产阶段的第一生产制程信息的步骤包括:
从预设数据库中获取所述预设产品的历史生产阶段的第一生产制程信息。
4.如权利要求1所述的方法,其特征在于,所述匹配模型及所述制程能力预测模型均基于BP神经网络模型训练得到。
5.如权利要求1-4任意一项所述的方法,其特征在于,所述方法还包括:
监测所述预设产品的当前生产阶段的品质测试结果是否符合所述预设品质要求;及
当所述预设产品的当前生产阶段的品质测试结果不符合所述预设品质要求,输出品质异常提醒信息,以根据所述品质异常提醒信息调整所述预设产品的当前生产阶段的制程参数。
6.如权利要求1-4任意一项所述的方法,其特征在于,所述方法还包括:
监测所述预设产品的当前生产阶段的制程参数是否发生异常变动;
当所述预设产品的当前生产阶段的制程参数发生异动时,获取所述第一参数的当前值及所述第二参数的当前值;
将所述第一参数的当前值及与所述第二参数的当前值输入至所述制程能力预测模型,以重新计算得到一制程能力指标;
判断重新计算得到的制程能力指标是否达到所述预设制程能力标准;及
当所述重新计算得到的制程能力指标未达到所述预设制程能力标准时,输出制程参数异常变动的提醒信息,以根据所述制程参数异常变动的提醒信息调整所述预设产品的当前生产阶段的制程参数。
7.如权利要求6所述的方法,其特征在于,所述监测所述预设产品的当前生产阶段的制程参数是否发生异常变动的步骤包括:
监测并判断所述预设产品的当前生产阶段的制程参数的变化值是否超过预设变化范围;及
当所述预设产品的当前生产阶段的制程参数的变化值超过所述预设变化范围时,判定所述预设产品的当前生产阶段的制程参数发生异常变动。
8.如权利要求1所述的方法,其特征在于,所述判断所述制程能力指标是否达到预设制程能力标准的步骤之后还包括:
当所述制程能力指标未达到所述预设制程能力标准时,输出参数配置异常的提醒信息,以根据所述参数配置异常的提醒信息调整所述预设产品的当前生产阶段计划配置的第一参数值和/或第二参数值。
9.一种生产制程管控装置,所述生产制程管控装置包括处理器及存储器,其特征在于,所述存储器上存储有生产制程管控程序,所述处理器用于执行所述存储器中存储的生产制程管控程序时实现如权利要求1-8任一项所述的生产制程管控方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,多条所述指令可被一个或者多个处理器执行,以实现如权利要求1-8任一项所述的生产制程管控方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340297.9A CN111861050B (zh) | 2019-04-25 | 2019-04-25 | 生产制程管控装置、方法及计算机可读存储介质 |
TW108114899A TWI721408B (zh) | 2019-04-25 | 2019-04-29 | 生產製程管控裝置、方法及電腦可讀取存儲介質 |
US16/512,757 US11243527B2 (en) | 2019-04-25 | 2019-07-16 | Production process control method and production process control device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340297.9A CN111861050B (zh) | 2019-04-25 | 2019-04-25 | 生产制程管控装置、方法及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861050A true CN111861050A (zh) | 2020-10-30 |
CN111861050B CN111861050B (zh) | 2024-02-20 |
Family
ID=72921725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910340297.9A Active CN111861050B (zh) | 2019-04-25 | 2019-04-25 | 生产制程管控装置、方法及计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11243527B2 (zh) |
CN (1) | CN111861050B (zh) |
TW (1) | TWI721408B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112544949A (zh) * | 2020-12-10 | 2021-03-26 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN112613686A (zh) * | 2020-12-31 | 2021-04-06 | 广州兴森快捷电路科技有限公司 | 制程能力预测方法、系统、电子设备及存储介质 |
CN113221390A (zh) * | 2021-06-24 | 2021-08-06 | 北京京东方技术开发有限公司 | 一种排产模型的训练方法和装置 |
CN113419585A (zh) * | 2021-07-22 | 2021-09-21 | 江阴市欧莱特彩印有限公司 | 印刷车间温湿度动态调整生产工艺参数的方法、系统以及设备 |
CN114326620A (zh) * | 2021-12-25 | 2022-04-12 | 北京国控天成科技有限公司 | 一种全流程自动控制方法、装置及电子设备 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11128937B2 (en) * | 2019-08-20 | 2021-09-21 | Blackberry Limited | Apparatus and method for maintaining parameter ranges for remote sensing devices |
CN112582034A (zh) * | 2020-11-24 | 2021-03-30 | 包头钢铁(集团)有限责任公司 | 一种热轧q235a、q235b、ss400集约柔性化生产方法 |
CN113721568B (zh) * | 2021-08-19 | 2022-04-15 | 扬州美德莱医疗用品有限公司 | 一种注射针加工流程的多重智能报警方法及系统 |
CN114201905B (zh) * | 2021-11-19 | 2022-12-09 | 苏州美昱高分子材料有限公司 | 一种改性粒子的生产方法和装置 |
CN114997605B (zh) * | 2022-05-16 | 2023-09-12 | 南京惠若化工科技有限公司 | 一种可降解树脂生产路线的智能规划方法及系统 |
CN115239227B (zh) * | 2022-06-23 | 2023-06-30 | 深圳市宇航软件股份有限公司 | 一种生产工位监测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030036933A1 (en) * | 2001-06-27 | 2003-02-20 | Honeywell International Inc. | System and method for business goal-optimization when customer demand cannot be satisfied |
CN1521824A (zh) * | 2003-01-28 | 2004-08-18 | 力晶半导体股份有限公司 | 在线品质检测参数分析方法 |
CN1685492A (zh) * | 2002-09-30 | 2005-10-19 | 先进微装置公司 | 根据产品设计及产率反馈系统的综合性集成光刻制程控制系统 |
US20070203864A1 (en) * | 2006-01-31 | 2007-08-30 | Caterpillar Inc. | Process model error correction method and system |
CN103543719A (zh) * | 2013-10-17 | 2014-01-29 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
CN105223914A (zh) * | 2014-06-30 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 管控机台生产数据的系统及其方法 |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
TW201605602A (zh) * | 2014-08-12 | 2016-02-16 | Nat Univ Chin Yi Technology | 以類神經網路結合基因演算法建構逆向模型處理系統 |
CN106295995A (zh) * | 2016-08-10 | 2017-01-04 | 曼威网络科技(上海)有限公司 | 一种用于确定生产计划的数据分析方法与设备 |
CN107909204A (zh) * | 2017-11-14 | 2018-04-13 | 中铝视拓智能科技有限公司 | 一种生产工艺参数优化方法及装置 |
CN108090620A (zh) * | 2017-12-27 | 2018-05-29 | 国网北京市电力公司 | 充电设施市场需求预测方法及装置 |
CN108734368A (zh) * | 2017-04-25 | 2018-11-02 | 鸿富锦精密电子(天津)有限公司 | 风险预警管控系统及方法 |
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
CN109472397A (zh) * | 2018-10-19 | 2019-03-15 | 东华大学 | 基于粘度变化的聚合工艺参数调节方法 |
CN109523086A (zh) * | 2018-11-26 | 2019-03-26 | 浙江蓝卓工业互联网信息技术有限公司 | 基于随机森林的化工产品的质量预测方法及系统 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539597B2 (en) * | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US8417360B2 (en) * | 2001-08-10 | 2013-04-09 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
AT412678B (de) * | 2002-09-30 | 2005-05-25 | Gerhard Dr Kranner | Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme |
CA2535356A1 (en) * | 2003-08-13 | 2005-03-03 | Cargill, Incorporated | Computer-aided modeling and manufacture of products |
US7356377B2 (en) * | 2004-01-29 | 2008-04-08 | Applied Materials, Inc. | System, method, and medium for monitoring performance of an advanced process control system |
TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
US7937177B2 (en) * | 2007-06-27 | 2011-05-03 | International Business Machines Corporation | Manufacturing work in process management system |
US8594828B2 (en) * | 2008-09-30 | 2013-11-26 | Rockwell Automation Technologies, Inc. | System and method for optimizing a paper manufacturing process |
TWI385492B (zh) * | 2008-12-16 | 2013-02-11 | Ind Tech Res Inst | 機台設備的維護分析系統及其方法 |
TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
TWI537848B (zh) * | 2014-12-26 | 2016-06-11 | 財團法人工業技術研究院 | 連續性製程的預測系統及方法 |
US10152879B2 (en) * | 2015-11-10 | 2018-12-11 | Industrial Technology Research Institute | Method, apparatus, and system for monitoring manufacturing equipment |
KR101917006B1 (ko) * | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
JP6962539B2 (ja) * | 2017-02-24 | 2021-11-05 | 株式会社レクサー・リサーチ | 業務計画最適化方法 |
-
2019
- 2019-04-25 CN CN201910340297.9A patent/CN111861050B/zh active Active
- 2019-04-29 TW TW108114899A patent/TWI721408B/zh active
- 2019-07-16 US US16/512,757 patent/US11243527B2/en active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030036933A1 (en) * | 2001-06-27 | 2003-02-20 | Honeywell International Inc. | System and method for business goal-optimization when customer demand cannot be satisfied |
CN1685492A (zh) * | 2002-09-30 | 2005-10-19 | 先进微装置公司 | 根据产品设计及产率反馈系统的综合性集成光刻制程控制系统 |
CN1521824A (zh) * | 2003-01-28 | 2004-08-18 | 力晶半导体股份有限公司 | 在线品质检测参数分析方法 |
US20070203864A1 (en) * | 2006-01-31 | 2007-08-30 | Caterpillar Inc. | Process model error correction method and system |
CN103543719A (zh) * | 2013-10-17 | 2014-01-29 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
CN105223914A (zh) * | 2014-06-30 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 管控机台生产数据的系统及其方法 |
TW201605602A (zh) * | 2014-08-12 | 2016-02-16 | Nat Univ Chin Yi Technology | 以類神經網路結合基因演算法建構逆向模型處理系統 |
CN106295995A (zh) * | 2016-08-10 | 2017-01-04 | 曼威网络科技(上海)有限公司 | 一种用于确定生产计划的数据分析方法与设备 |
CN108734368A (zh) * | 2017-04-25 | 2018-11-02 | 鸿富锦精密电子(天津)有限公司 | 风险预警管控系统及方法 |
CN107909204A (zh) * | 2017-11-14 | 2018-04-13 | 中铝视拓智能科技有限公司 | 一种生产工艺参数优化方法及装置 |
CN108090620A (zh) * | 2017-12-27 | 2018-05-29 | 国网北京市电力公司 | 充电设施市场需求预测方法及装置 |
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
CN109472397A (zh) * | 2018-10-19 | 2019-03-15 | 东华大学 | 基于粘度变化的聚合工艺参数调节方法 |
CN109222208A (zh) * | 2018-10-30 | 2019-01-18 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
CN109523086A (zh) * | 2018-11-26 | 2019-03-26 | 浙江蓝卓工业互联网信息技术有限公司 | 基于随机森林的化工产品的质量预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
ANDRÁS PFEIFFER等: "PRODUCTION LOG DATA ANALYSIS FOR REJECT RATE PREDICTION AND WORKLOAD ESTIMATION", 《 2018 WINTER SIMULATION CONFERENCE (WSC)》 * |
VANCE VANDOREN;陆婷婷;: "可平衡冲突对象的多变量控制器", 软件, no. 01 * |
朱玲利;张涛;乔斌;栗继魁;: "神经网络的石灰回转窑质量控制模型研究", 机械设计与制造, no. 05, pages 276 - 280 * |
韩淑华;侯学元;李文卿;: "改进PSO-BP注塑成型工艺参数优化研究", 机械设计与制造, no. 10 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112544949A (zh) * | 2020-12-10 | 2021-03-26 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN112544949B (zh) * | 2020-12-10 | 2022-10-11 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN112613686A (zh) * | 2020-12-31 | 2021-04-06 | 广州兴森快捷电路科技有限公司 | 制程能力预测方法、系统、电子设备及存储介质 |
CN113221390A (zh) * | 2021-06-24 | 2021-08-06 | 北京京东方技术开发有限公司 | 一种排产模型的训练方法和装置 |
CN113419585A (zh) * | 2021-07-22 | 2021-09-21 | 江阴市欧莱特彩印有限公司 | 印刷车间温湿度动态调整生产工艺参数的方法、系统以及设备 |
CN114326620A (zh) * | 2021-12-25 | 2022-04-12 | 北京国控天成科技有限公司 | 一种全流程自动控制方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
TW202040410A (zh) | 2020-11-01 |
US11243527B2 (en) | 2022-02-08 |
TWI721408B (zh) | 2021-03-11 |
US20200341460A1 (en) | 2020-10-29 |
CN111861050B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861050A (zh) | 生产制程管控装置、方法及计算机可读存储介质 | |
US10585425B2 (en) | Controlling multi-stage manufacturing process based on internet of things (IOT) sensors and cognitive rule induction | |
Arey et al. | Lean industry 4.0: a digital value stream approach to process improvement | |
JP6678824B2 (ja) | 非定常検出装置、非定常検出システム、および非定常検出方法 | |
EP3270307A3 (en) | Cell processing system and method with centralized data management, monitoring and/or control | |
CN107491821B (zh) | 工厂现场巡查方法及系统 | |
CN113486585A (zh) | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 | |
CN111950577A (zh) | 一种点检方法及装置 | |
CN113313280A (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、系统及存储介质 | |
CN112486106A (zh) | 生产监测方法、装置及计算机可读存储介质 | |
US10360249B2 (en) | System and method for creation and detection of process fingerprints for monitoring in a process plant | |
CN108052087A (zh) | 基于信息熵的制造过程多元质量诊断分类器 | |
US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
Wang et al. | Broad learning system based visual fault diagnosis for electrical equipment thermography images | |
CN108037744A (zh) | 基于统计方法的制造过程多元质量诊断分类器 | |
Baier et al. | Identifying failure root causes by visualizing parameter interdependencies with spectrograms | |
CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
CN114384885A (zh) | 基于异常工况的工艺参数调整方法、装置、设备和介质 | |
TW201812586A (zh) | 機台保養預測系統及其方法 | |
KR20220080983A (ko) | 실시간 생산현황 모니터링을 위한 IoT 엣지 컴퓨팅 시스템 | |
CN113011745A (zh) | 电网安全运维中的异常检测方法、装置、设备和介质 | |
CN110688273A (zh) | 分类模型的监控方法、装置、终端以及计算机存储介质 | |
KR20210056526A (ko) | 뿌리산업을 위한 스마트 공장의 수직형 통합 패키지 운영 시스템 및 방법 | |
Korobiichuk et al. | Control of the operation mode of the production facility based on the relevant characteristics of the technological process |
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 | ||
CB02 | Change of applicant information |
Address after: No. 36, North Street, West District, economic and Technological Development Zone, Binhai New Area, Tianjin Applicant after: Fulian precision electronics (Tianjin) Co.,Ltd. Address before: No.80 Haiyun street, Binhai New Area Economic and Technological Development Zone, Tianjin 300457 Applicant before: HONGFUJIN PRECISION ELECTRONICS (TIANJIN) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |