CN111932394A - 一种基于关联规则挖掘的不良根因路径分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于关联规则挖掘的不良根因路径分析方法及系统，涉及智能制造与人工智能技术领域，本发明对关联规则挖掘算法做定制化的设计，基于改良的关联规则挖掘算法遍历所有可能设备路径组合，在满足设备路径样本量约束条件下，自动快速找到不良样本最为集中的设备路径，定位不良根因。本发明能够快速自动定位真正的根因，提升产品良率，且无需人工经验干预。

Description

一种基于关联规则挖掘的不良根因路径分析方法及系统

技术领域

本发明涉及智能制造与人工智能技术领域，具体地，涉及一种基于关联规则挖掘的不良根因路径分析方法及系统。

背景技术

当前传统面板制造生产过程通常包含Array、CF、Cell和模组等流程，加工流程为在玻璃Glass基板上通过逐层叠加实现控制单元的生产，并通过RGB单元实现色彩的控制，然后将大的Glass板进行切割得到最终的Panel板，即最终面向客户的手机、电视屏幕，最后通过模组段来添加PCB控制等相关部件。

在每个生产过程或阶段中，工厂均会通过电学检测或光学检测来识别产品的缺陷信息，并对缺陷进行汇总分类，即定义出缺陷的Code类别。当某种缺陷高发时，工厂会基于缺陷Code以及产品的生产履历、参数、特性值等信息定位问题根因，以实现不良问题的改善，提升产品良率。目前最新生产工艺当属OLED生产，区别于传统的CF板制造，具有更高的科技复杂度与成本投入，同时也更容易产生不良.提升产品良率的需求更加迫切。

在路径分析方面，传统的分析方法是基于经验找到最可能发生缺陷的工艺段范围，在该范围内，分析最容易导致玻璃发生不良的设备路径组合。综合考虑经过路径的样本不能太少，同时要求不良样本比较集中，在这些设备路径组合中，按经验抽出几个作对比分析。传统方法很大程度上依赖经验做范围缩小，一方面过于依赖人员分析，当面对海量数据和不良code时，效率很低，另一方面只将可能路径组合中的很少部分拿出来做了对比分析，难以有效找到真正的根因。

发明内容

本发明针对不良根因路径分析的工厂场景，对关联规则挖掘算法做定制化的设计，基于改良的关联规则挖掘算法遍历所有可能设备路径组合，在满足设备路径样本量约束条件下，自动快速找到不良样本最为集中的设备路径，定位不良根因。本发明能够快速自动定位真正的根因，且无需人工经验干预，能够提升产品良率。

为实现上述目的，本发明一方面提供了一种基于关联规则挖掘的不良根因路径分析方法，所述方法包括：

采集样本产品生产数据；

剔除样本产品生产数据中无识别能力和不具有分析意义的站点子设备，得到待分析的站点子设备集合A；

针对集合A中的每个站点子设备，计算经过该站点子设备的不良产品占全部检出不良产品数量的比例K，若比例K的值超过预设阈值，则将该站点子设备加入候选设备集S；

基于候选设备集S搜索设备路径组合，得到设备路径组合搜索结果；

计算设备路径组合搜索结果中所有组合的提升度，按提升度降序排序，获得每个设备路径深度的最大提升度，计算相邻设备路径深度最大提升度的差值，获得相邻设备路径深度最大提升度的增长幅度，其中，相邻的设备路径深度是指深度的值相邻，比如记录结果的字典表中，深度值为2与深度值1、3两个相邻；

基于相邻设备路径深度最大提升度的增长幅度，获得相邻设备路径深度最大提升度的最大增长幅度对应的深度L；

利用深度L对应的设备路径组合中最大提升度对应的设备路径获得不良根因路径分析结果。

其中，本发明通过对产品的加工设备路径进行分析，定制化调整设计关联规则挖掘算法，能够快速有效的定位真正的不良根因，解决传统分析依赖人工经验以及分析不足，分析效率低，难以有效找到真正根因的问题。

优选的，考虑到一定的样本误差，当比例超过一定的比例时，则认为所有产品都经过了该子设备，则该子设备无识别能力需要剔除该子设备相关记录不做分析。

剔除样本产品生产数据中无识别能力的站点子设备包括：

遍历样本产品生产数据中的所有站点子设备，计算经过站点子设备的产品数量占全部样本产品数量的比例Q，当Q大于或等于预设比例值时，则剔除该站点子设备相关生产数据。

剔除样本产品生产数据中不具有分析意义的站点子设备包括：若Q小于检出不良率P的预设百分比，则剔除该站点子设备相关生产数据。

优选的，本发明采用了改进型关联规则挖掘算法进行设备路径组合搜索，其中，基于候选设备集S搜索设备路径组合得到设备路径组合搜索结果，具体包括：

候选设备集S中具有N个站点子设备；

最多执行N次搜索，执行第一次搜索时，基于候选设备集S，获得深度为1的设备路径组合搜索结果；

执行第M次搜索时，M大于或等于2，且M小于或等于N，判断深度为M-1的设备路径组合结果中设备路径数量是否大于或等于2，若否则退出搜索，获得深度为M-1的设备路径组合搜索结果；若是则分别判断S中的每个站点子设备是否在深度为M-1的设备路径中，若某个站点子设备不在深度为M-1的设备路径中，则将该站点子设备加入深度为M-1的设备路径中生成新的设备路径，计算从新的设备路径输出的不良产品占全部产品样本的比例T，若比例T低于检出不良率P的预设百分比，则剔除当前新生成的路径。若当前新生成的路径均被剔除则退出搜索，否则更新输出设备路径组合，获得深度为M的设备路径组合搜索结果；

基于获得深度为1至深度为N的设备路径组合搜索结果得到最终的设备路径组合搜索结果。

其中，本发明还包括将更新后的设备路径组合存入字典表，存储主键为深度，值为设备组合路径结果，得到设备路径组合搜索结果。算法要求分别对不同深度的设备组合按提升度排序，且不同深度设备组合数量不固定，以字典结构存储数据最方便，方便快速查看对比。

优选的，本发明中的所述方法还包括计算设备路径组合搜索结果的过片量，过片量为经过当前设备路径组合的产品数量。过片量代表当前统计结果所依赖的样本数量，只有在样本量较为充分时，结果才更可靠，具有参考性。

优选的，本发明中所述方法还包括计算设备路径组合搜索结果的支持度，支持度为经过当前设备路径不良产品数量占全部产品样本的比例。支持度代表当前路径组合是否是不良产品的频繁路径，极少经过的路径自然不会是导致产品发生不良的路径，需要剔除这种路径。

优选的，本发明中所述方法还包括计算设备路径组合搜索结果的解释度，解释度为当前不良产品数量占全部检出不良产品的比例。解释度代表了当前路径组合的重要程度，值越大，说明越有更多的不良从这个路径中产生，这个路径就更可疑。

另一方面，本发明还提供了一种基于关联规则挖掘的不良根因路径分析系统，所述系统包括：

样本产品生产数据采集单元，用于采集样本产品生产数据；

样本产品生产数据处理单元，用于剔除样本产品生产数据中无识别能力和不具有分析意义的站点子设备，得到待分析的站点子设备集合A；

候选设备集获得单元，用于针对集合A中的每个站点子设备，计算经过该站点子设备的不良产品占全部检出不良产品数量的比例K，若比例K的值超过预设阈值，则将该站点子设备加入候选设备集S；

设备路径组合搜索单元，用于基于候选设备集S搜索设备路径组合，得到设备路径组合搜索结果；

计算单元，用于计算设备路径组合搜索结果中所有组合的提升度，按提升度降序排序，得到每个设备路径深度的最大提升度，计算相邻设备路径深度最大提升度的差值，得到相邻设备路径深度最大提升度的增长幅度；

不良根因路径分析单元，用于基于相邻设备路径深度最大提升度的增长幅度，得到相邻设备路径深度最大提升度的最大增长幅度对应的深度L；利用深度L对应的设备路径组合中最大提升度对应的设备路径得到不良根因路径分析结果。

本发明还提供了一种基于关联规则挖掘的不良根因路径分析处理装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于关联规则挖掘的不良根因路径分析方法的步骤。

本发明还提供了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计算机程序，所述计算机程序被处理器执行时实现所述基于关联规则挖掘的不良根因路径分析方法的步骤。

本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过基于关联规则挖掘的不良根因路径分析方法及系统可以快速自动过滤大量不具有可疑性的站点设备,自动缩小分析范围,无需额外输入经验知识人工干预；并且本发明遍历全部可能站点设备组合,按提升度降序排序,在大量可能路径组合中自动将最可疑组合靠前突出显示,能够辅助工作人员快速定位导致不良根因发生的站点设备路径。

通过设置关联规则挖掘算法阈值，可以灵活控制分析设备范围，关联规则挖掘算法自动快速给出参考结果，使用方便灵活，有效辅助不良根因定位。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；

图1是本发明中基于关联规则挖掘的不良根因路径分析方法的流程示意图；

图2是本发明中基于关联规则挖掘的不良根因路径分析系统的组成示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例一

本发明实施例一以面板制造领域为例进行介绍，产品为对应的玻璃，对于其他制造领域或其他产品的不良路径分析均可以应用本发明的技术方案，本发明对具体的应用制造领域或产品均不进行相应的限定，均在本发明的保护范围内。

请参考图1，本发明提供了一种基于关联规则挖掘的不良根因路径分析方法，所述方法包括：

步骤1，在进行分析前,需要先检查输入数据,确认生产玻璃历史中流经的工艺站点\设备\子设备以及产出玻璃检测出的不良标签(良标记0,不良标记1)

步骤2,遍历子设备,计算经过子设备的玻璃数量占全部样本数量的比例,考虑到一定的样本误差,当比例超过95％时,认为所有玻璃都经过了该子设备,无识别能力,剔除这些设备相关记录,不做分析.

步骤3,继续使用第二步计算的比例,如果比例低于检出不良率(在检出站点检出玻璃为不良占全部样本的比例)的三分之一,认为经过当前子设备的玻璃数量过低,甚至低于总不良样本的三分之一,不具有分析意义,剔除这些设备相关记录,不做分析

步骤4,进入设备路径组合搜索的第一步,遍历当前所有待分析的子设备,计算经过某个子设备的不良玻璃占全部检出不良玻璃数量的比例,若比例值超过给定阈值(默认0.5)，则认为当前子设备具有一定的不良聚集性,可纳入后续分析,存入候选设备集S,若比例值小于或等于给定阈值(默认0.5)，则删除该子设备，遍历完成后获得最终候选设备集S，同时候选设备集S作为设备路径组合搜索的第一步即单设备路径搜索结果；

步骤5,进入设备路径组合搜索的下一步,查看上一步的设备路径组合搜索结果中,设备路径数量是否大于或等于2,若否则退出搜索，并执行步骤7；若是则遍历S取出子设备，遍历上一步的搜索结果取出路径，若子设备不在当前路径中则加入路径；遍历完成后，对新生成的路径计算从该路径输出的不良玻璃占全部玻璃样本的比例，若比例低于检出不良率的三分之一则剔除该路径结果，更新输出设备路径组合；其中，在存储路径组合的字典表里，每一个深度都对应历史搜索步的结果，比如深度为1对应第一步，深度为2对应第二步以此类推。从字典表里读取上一步的设备路径组合结果，统计记录表中不同路径组合的数量即可。

步骤6，输出路径组合搜索作为当前步的结果，并存入字典表，存储主键为路径长，值为设备组合路径结果，搜索步数加一，进入步骤5，如果当前结果为空(即没有路径组合)，则执行步骤7；

步骤7，就以上设备路径组合搜索的所有结果中都计算如下量化指标，过片量即经过当前路径组合的玻璃数量，支持度即经过当前路径不良玻璃数量占全部玻璃样本的比例，解释度即当前不良玻璃数量占全部检出不良玻璃的比例，置信度即经过当前路径不良玻璃数量占经过当前路径玻璃数量的比例，提升度即置信度与检出不良率的比例。

步骤8，对设备路径组合，考虑到不良路径一旦呈现，后续持续延长路径也不会提高提升度以及超长路径组合导致不良出现的可能性很低，默认限制最长组合路径的长度为10，每个长度的路径组合按提升度降序排序，提升度越大当前深度的路径组合越可疑；深度是指设备组合路径中所含设备的数量，比如深度值为1，索引字典表结果，则输出只有一台设备组成的路径；深度值为2，索引字典表结果，则输出只有两台设备组成的路径，以此类推；

步骤9，从一步设备组合路径开始，提升度最大值是否在大幅度增加，到一定深度后，前后步的最大提升度增幅比例降低时，当前深度为导致不良的最可疑设备组合数量，最大提升度对应的设备组合路径为最可疑站点设备路径。

实施例二

请参考图2，本发明实施例二提供了一种基于关联规则挖掘的不良根因路径分析系统，所述系统包括：

样本产品生产数据采集单元，用于得到样本产品生产数据；

样本产品生产数据处理单元，用于剔除样本产品生产数据中无识别能力和不具有分析意义的站点子设备，得到待分析的站点子设备集合A；

候选设备集获得单元，用于针对集合A中的每个站点子设备，计算经过该站点子设备的不良产品占全部检出不良产品数量的比例K，若比例K的值超过预设阈值，则将该站点子设备加入候选设备集S；

设备路径组合搜索单元，用于基于候选设备集S搜索设备路径组合，得到设备路径组合搜索结果；

计算单元，用于计算设备路径组合搜索结果中所有组合的提升度，按提升度降序排序，得到每个设备路径深度的最大提升度，计算相邻设备路径深度最大提升度的差值，得到相邻设备路径深度最大提升度的增长幅度；

不良根因路径分析单元，用于基于相邻设备路径深度最大提升度的增长幅度，得到相邻设备路径深度最大提升度的最大增长幅度对应的深度L；利用深度L对应的设备路径组合中最大提升度对应的设备路径获得不良根因路径分析结果。

实施例三

本发明实施例三提供了一种基于关联规则挖掘的不良根因路径分析处理装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于关联规则挖掘的不良根因路径分析方法的步骤。

本发明实施例三提供了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计算机程序，所述计算机程序被处理器执行时实现所述基于关联规则挖掘的不良根因路径分析方法的步骤。

所述基于关联规则挖掘的不良根因路径分析处理装置可以是桌上型计算机、笔记本、掌上电脑以及云端服务器等计算设备。所述装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述装置还可以包括输入输出设备、网络接入设备、总线等。

所述处理器可以是中央处理器(CPU，Central Processing Unit)，还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(ApplicationSpecific Integrated Circuit)、现成可编程门阵列(Fieldprogrammable gate array)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该处理器也可以是任何常规的处理器等，所述处理器是所述基于关联规则挖掘的不良根因路径分析处理装置的控制中心，利用各种接口和线路连接整个装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现所述基于关联规则挖掘的不良根因路径分析处理装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外，存储器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，安全数字卡，闪存卡、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。

所述基于关联规则挖掘的不良根因路径分析处理装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于一计算机可读存介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本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，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于关联规则挖掘的不良根因路径分析方法，其特征在于，所述方法包括：

采集样本产品生产数据；

剔除样本产品生产数据中无识别能力和不具有分析意义的站点子设备，得到待分析的站点子设备集合A；

针对集合A中的每个站点子设备，计算经过该站点子设备的不良产品占全部检出不良产品数量的比例K，若比例K的值超过预设阈值，则将该站点子设备加入候选设备集S；

基于候选设备集S搜索设备路径组合，得到设备路径组合搜索结果；

计算设备路径组合搜索结果中所有组合的提升度，按提升度降序排序，获得每个设备路径深度的最大提升度，计算相邻的设备路径深度最大提升度的差值，获得相邻设备路径深度最大提升度的增长幅度；

基于相邻设备路径深度最大提升度的增长幅度，获得相邻设备路径深度最大提升度的最大增长幅度对应的深度L；

利用深度L对应的设备路径组合中最大提升度对应的设备路径获得不良根因路径分析结果。

2.根据权利要求1所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，剔除样本产品生产数据中无识别能力的站点子设备包括：

遍历样本产品生产数据中的所有站点子设备，计算经过站点子设备的产品数量占全部样本产品数量的比例Q，当Q大于或等于预设比例值时，则剔除该站点子设备相关生产数据。

3.根据权利要求2所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，剔除样本产品生产数据中不具有分析意义的站点子设备包括：若Q小于检出不良率P的预设百分比，则剔除该站点子设备相关生产数据。

4.根据权利要求1-3中任意一个所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，基于候选设备集S搜索设备路径组合，得到设备路径组合搜索结果，具体包括：

候选设备集S中具有N个站点子设备；

最多执行N次搜索，执行第一次搜索时，基于候选设备集S，获得深度为1的设备路径组合搜索结果；

执行第M次搜索时，M大于或等于2，且M小于或等于N，判断深度为M-1的设备路径组合结果中设备路径数量是否大于或等于2，若否则退出搜索，获得深度为M-1的设备路径组合搜索结果；若是则分别判断S中的每个站点子设备是否在深度为M-1的设备路径中，若某个站点子设备不在深度为M-1的设备路径中，则将该站点子设备加入深度为M-1的设备路径中生成新的设备路径，计算从新的设备路径输出的不良产品占全部产品样本的比例T，若比例T低于检出不良率P的预设百分比，则剔除当前新生成的路径；若当前新生成的路径均被剔除则退出搜索，否则更新输出设备路径组合，获得深度为M的设备路径组合搜索结果；

基于深度为1至深度为N的设备路径组合搜索结果得到最终的设备路径组合搜索结果。

5.根据权利要求4所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，将更新后的设备路径组合存入字典表，存储主键为深度长，值为设备组合路径结果，得到设备路径组合搜索结果。

6.根据权利要求1所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，所述方法还包括计算设备路径组合搜索结果的过片量，过片量为经过当前设备路径组合的产品数量。

7.根据权利要求1所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，所述方法还包括计算设备路径组合搜索结果的支持度，支持度为经过当前设备路径不良产品数量占全部产品样本的比例。

8.根据权利要求1所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，所述方法还包括计算设备路径组合搜索结果的解释度，解释度为经过当前设备路径的不良产品数量占全部检出不良产品的比例。

9.根据权利要求1所述的基于关联规则挖掘的不良根因路径分析方法，其特征在于，样本产品生产数据，包括样本产品生产过程中流经的工艺站点、设备、子设备以及产品的不良标签。

10.一种基于关联规则挖掘的不良根因路径分析系统，其特征在于，所述系统包括：

样本产品生产数据采集单元，用于采集样本产品生产数据；

样本产品生产数据处理单元，用于剔除样本产品生产数据中无识别能力和不具有分析意义的站点子设备，得到待分析的站点子设备集合A；

候选设备集获得单元，用于针对集合A中的每个站点子设备，计算经过该站点子设备的不良产品占全部检出不良产品数量的比例K，若比例K的值超过预设阈值，则将该站点子设备加入候选设备集S；

设备路径组合搜索单元，用于基于候选设备集S搜索设备路径组合，得到设备路径组合搜索结果；

计算单元，用于计算设备路径组合搜索结果中所有组合的提升度，按提升度降序排序，得到每个设备路径深度的最大提升度，计算相邻设备路径深度最大提升度的差值，得到相邻设备路径深度最大提升度的增长幅度；

不良根因路径分析单元，用于基于相邻设备路径深度最大提升度的增长幅度，得到相邻设备路径深度最大提升度的最大增长幅度对应的深度L；利用深度L对应的设备路径组合中最大提升度对应的设备路径得到不良根因路径分析结果。

Images