CN112183876A - 一种基于信息融合的良率损失根因分析方法 - Google Patents
一种基于信息融合的良率损失根因分析方法 Download PDFInfo
- Publication number
- CN112183876A CN112183876A CN202011088294.XA CN202011088294A CN112183876A CN 112183876 A CN112183876 A CN 112183876A CN 202011088294 A CN202011088294 A CN 202011088294A CN 112183876 A CN112183876 A CN 112183876A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- rule
- value
- method based
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012313 Kruskal-Wallis test Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 3
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000007794 visualization technique Methods 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于信息融合的良率损失根因分析方法,涉及OLED、显示器、面板及半导体制造业技术领域。本发明针对良率损失的根因分析,构建了一种基于信息融合的问题参数快速自动定位方法和因子水平自动划分方法,解决了传统分析方法自动化程度低,数据信息利用率低,问题定位精度低的问题。本发明对数据进行了标签化和分组,提高了数据的针对性,同时设计了不同的规则组合,融合了不良率数据和参数数据各方面的信息,综合而全面的考虑两者之间的关系,使得问题参数的定位分析更加准确,高效。同时,为了确定问题参数的异常波动范围,提出了基于聚类的参数水平划分方法,解决了现有划分方法速度慢精度低,不利于大数据分析的问题。
Description
技术领域
本发明属于显示面板,OLED,TFT-LCD,半导体制造业技术领域,具体为一种基于信息融合的良率损失根因分析方法。
背景技术
半导体,面板领域的生产制造过程涉及的工艺复杂,制程繁多,每道工艺和制程涉及到不同的站点、机组、机台、工具等,而这些生产设备又对应很多相关的参数,一般可达上万个,且数据量巨大。当良率问题发生时,需要快速定位引起良率损失的机台及其对应的参数;对异常参数进行调整,保证机台正常运行,解决良率损失问题。目前,对良率问题的问题参数查找及分析方法,主要依赖于有经验的工程师从数据库中挑出问题产品的不良率数据及参数数据,进行参数相关性分析及问题排查,属于事后静态分析,自动化程度低,存在较大的时间滞后,定位精度较粗糙,且效率低下,费时费力。随着设备自动化程度的提高,各种生成过程参数的自动采集,上传和存储,利用大数据分析和数据挖掘算法,实现自动分析不良率数据和参数数据,快速准确定位问题参数,识别因子的异常波动水平,对于设备预测维护,缩短故障发生时排查时间,提高产品良率,降低生产成本,提高生产制造商的竞争力,具有非常现实的意义。
发明内容
(一)解决的技术问题
本发明的发明目的是:为了辅助人工实现快速自动查找和定位引起生产过程良率损失的异常参数因子及因子波动异常水平,提出了一种基于信息融合的良率损失根因分析方法。
(二)技术方案
本发明的技术方案为:一种基于信息融合的良率损失根因分析方法,包括以下步骤:
S1、获取产品不良率数据和参数数据;这里产品是指经整个生产制造过程加工后的输出单元,一般是单片glass、half-glass或single-cell,每个产品具有唯一的产品id以区别不同产品;不良率是产品生产完成后或生产过程中,对其尺寸上采样不同点位进行电学、光学、外观等性能测试,测试未通过点位数量同总的测试点位数量的比值。参数数据是产品流经整个生产制造过程中,各个站点、设备、工具、环境对应的各种参数数据。一笔数据由产品id、产品不良率、站点名、设备名、参数名及对应参数取值组成,是一个高维数据;获取产品数据由程序定时自动查取最近一段时间内生产的产品数据。
S2、对S1中获取的数据进行预处理,步骤包括数据中的缺失值的处理,其方法根据参数取值中数据缺失率不同区别处理,如果某个参数缺失率大于50%,则剔除该参数,否则采用插值的方式插入参数均值;对数据中冗余数据列进行剔除;对稳定值的处理,其方法通过计算参数取不同值的个数,如果参数只取得1个值,将该参数剔除;对参数离群值进行处理,其方法是计算参数取值的上限阈值,将超过上限阈值的参数剔除;对参数数据量进行控制,其方法是对某个参数,其数据量需要大于一定阈值,将小于阈值数量的参数剔除。
优选的,所述S2中对离群值的处理,其阈值公式为:
Bond=Q3+20*IQR,IQR=Q3-Q1
其中Bond为阈值,Q1,Q3分别为不良率取值的1/4和3/4分位数。
可选的,所述S2中参数数据量控制所采用的阈值设置为20。
S3、数据打标签,对所有数据按不良率取值计算出一个阈值,对每一笔数据将高于阈值的数据标签设为Bad,标记为0,将低于阈值的数据标签设置为Good,标记为1;
优选的,所述S3中的阈值公式为:
Bond=Q3+N*IQR,IQR=Q3-Q1
其中Bond为阈值,Q1,Q3分别为不良率取值的1/4和3/4分位数,N为控制因子,可以调节控制Bond的大小。
S4、对S3预处理后的数据分组,其方法是将数据按站点、设备、参数、标签进行分组,分组完成后,同一个站点-设备-参数的产品数据归为一类,同一类数据又按标签分为Good和Bad两组数据,每组数据包括两部分,一部分是不良率数据组成的列表1,一部分是参数取值组成的列表2;列表1中数据表示归属于同一参数和标签下各个产品不良率的取值列表;列表2中数据表示归属于同一参数和标签下各个产品对应该参数的参数取值列表。
S5、数据规则设计,其步骤为分别设计规则1衡量同一参数归为Good组的参数值列表同Bad组的参数值列表差异性大小的规则P_Value;规则2衡量同一参数归为Good组的参数值列表同Bad组的参数值列表距离尺度的规则D_Value;规则3衡量参数值列表同不良率取值列表相关性大小的规则C_Value;规则4衡量同一参数归为Good组的参数值列表同Bad组的参数值列表数据量尺度的N_Value;规则5衡量参数数值取值分布范围的规则L_Value。
优选的,S5中规则1中P_Value的计算采用基于秩序的假设检验的方法,这里使用Kruskal-Wallis检验(KW检验),包括但不限于其他类似的假设检验方法;
规则2中D_Value的计算采用计算Good组中参数列表的均值Avg_G,Bad组中参数列表的均值Avg_B,D_Value=|(Avg_B-Avg_G)/Avg_G|;
规则3中C_Value的计算采用相关性计算的方法,包括但不限于皮尔逊相关系数或线性回归的方法;
规则4中N_Value的计算公式为:
N_Value=N_Bad/(N_Bad+N_Good),其中,N_Bad是对某一参数,归为Bad组的参数值列表中的数据项个数;N_Good是对某一参数,归为Good组的参数值列表中的数据项个数;
可选的,S5中的规则是可以扩展的,可以设计增加更多指标。
S6、参数规则计算及融合,其方法是将S4中分组后的数据,对其中每个参数,按照S5中设计的规则,分别计算对应的规则指标取值结果;将规则结果加权求和作为该参数规则融合后的得分Score,每个参数对应于一个得分;S6输出为一个规则得分表,每一行对应一个站点,设备,参数及规则得分。
S7、参数定位,其方法是将S6中计算后的规则得分表按得分由高到底降序排序,排名靠前的即对应要定位的站点设备参数;可以取排名前5或前10的参数作为定位参数,作为定位结果。
S8、对S7定位出的参数进行因子波动范围的水平划分,计算出可能的异常取值区间,其步骤是对定位的参数,根据S4分组的结果,找到该参数归于Bad组中参数取值列表;对列表中的数据进行聚类分析,将列表中样本划分为多个类;选择数据量最大的一个类作为目标类;挑选出目标类中的最小值和最大值作为参数水平。
优选的,S8中聚类算法选择DBSCAN密度聚类。
(三)有益效果
本发明提供了一种基于信息融合的良率损失根因分析方法。具备以下有益效果:
(1)、现有的根因参数方法,均是在良率损失发生后进行的手动或半自动的相关分析方法,本发明实现的方法是一种可进行自动分析的方法,可以定时执行本方法进行自动的、预测性的根因定位分析。
(2)、目前已有的文献中,分析方法均是直接用产品数据的不良率和参数进行相关性分析,其结果往往受到大量Good产品数据的干扰,本方法使用的数据按标签分组的方法,对产品数据根据不良率打标签分组后进行分析,克服了该缺点;
(3)在已有文献中,根因参数的定位主要采用参数同不良率的相关性分析,这种方法仅仅考虑了数据之间的相关性,其缺点是数据量很大时,相关性结果往往表现很差,并不能真实反映参数同不良率之间的关系,并且只使用了数据的少量信息。为此,本发明采用设计了多种规则打分的方法,融合了数据间的相关性,差异性,数据统计量之间的距离,数据量及数据分布的综合信息,克服了上述方法的缺点,信息融合使得数据利用率更高;根据融合后的信息进行参数定位,使得根因参数定位更加准确、实用和高效;
(4)现有的参数因子波动水平划分,主要是通过可视化的方法,将参数因子分布绘图后,通过观察进行水平划分,非常低效,划分区间模糊,精度低,无法进行自动化操作。本方法使用的密度聚类进行划分的方法,可以自动的,快速的对参数因子进行波动区间水平划分,划分结果更加准确,对于快速改进参数指标,提升良率有显著的提升效果。
附图说明
图1为本发明的流程图;
图2为本发明涉及的数据预处理模块;
图3为本发明涉及的规则计算过程示意图;;
图4为一个可参考的规则计算结果表;
图5为一个可参考的参数水平划分示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提供一种技术方案:一种基于信息融合的良率损失根因分析方法,如图1所示,包括以下步骤:
S1:获取一段时间内生产产品的不良率及其过程参数数据。
S2:对应图2所示,对获取的数据进行预处理,步骤包括数据中的缺失值的处理,统计每个参数取值缺失的数量,计算每个参数取值的均值,如果某个参数缺失率大于50%时,则剔除该参数,否则采用插值的方式插入参数的均值;对冗余数据项进行剔除;对稳定值的处理,统计参数取不同值的个数,如果参数只取得1个值,则将该参数剔除;对参数离群值进行处理,计算参数取值的上限阈值,超过阈值的参数判断为的错误数据,剔除;对参数数据量进行控制,统计每个参数对应的数据量,将数据量大于阈值20的参数保留,否则剔除。
对离群值的处理,其阈值公式为:
Bond=Q3+20*IQR,IQR=Q3-Q1
其中Bond为阈值,Q1,Q3分别为不良率取值的1/4和3/4分位数,N为控制因子,可以调节控制bond的大小。
S3:对预处理后的数据打标签,根据不良率取值范围设置一个不良阈值,将高于阈值的数据标签设为Bad,标记0,将低于阈值的数据标签设置为Good,标记1;
阈值计算公式为:
Bond=Q3+N*IQR,IQR=Q3-Q1
其中Bond为阈值,Q1,Q3分别为不良率取值的1/4和3/4分位数,N取为1。
S4:数据分组,将步骤三处理的数据按站点,设备,参数,标签进行分组,分组完成后,同一个站点-设备-参数的产品数据归为一类,同一类数据又分为Good和Bad两组数据,每组数据包括两部分,一部分是不良率数据组成的表1,一部分是参数取值组成的表2;
S5:数据规则设计,分别设计5个规则,包括规则1衡量同一参数归为Good组的参数值列表同Bad组的参数值列表差异性大小的规则;规则2衡量同一参数归为Good组的参数值列表同Bad组的参数值列表距离尺度的规则;规则3衡量参数值列表同不良率取值列表相关性大小的规则;规则4衡量衡量同一参数归为Good组的参数值列表同Bad组的参数值列表数据量尺度的规则;衡量参数值取值范围的规则。
S6:如图3所示,对第四步分组后的数据按第五步设计的参数规则进行计算和融合,对其中每个参数,分别计算5个规则指标结果;将结果加权求和作为该参数的得分Score,每个参数对应于一个得分;得到一个参数的规则得分表,每一行对应一个站点,设备,参数名及规则得分
S7:参数定位,对第六步计算后的规则得分表按规则得分由高到底降序排序,排名靠前的即对应要定位的站点设备参数;取排名前5的参数作为定位参数,结果参考图4。
S8:对第七步定位出的参数进行因子波动范围的水平划分,自动划分出异常取值区间,根据第四步分组的结果,找到参数对应的分组数据,取出归于Bad组中参数取值表;对列表中的数据进行DBSCAN密度聚类分析,将列表中样本划分为多个类;选择数据量最大的一个类作为目标类;挑选出目标类中的参数数据的最小值和最大值作为参数水平,可参考图5。
本发明针对良率损失的根因分析,构建了一种基于信息融合的根因参数快速定位方法,传统的方法仅从参数同不良率之间的相关性或者单一的数据维度进行分析,数据利用率低,参数定位精度低,且无法自动化操作。为此,本发明对数据进行了标签化和分组,提高了数据分析的针对性,同时设计了不同的规则组合,融合了不良率数据和参数数据各方面的特性和信息,能够综合而全面的考虑两者之间的关系,从而使问题参数的定位更加准确。同时,为了确定问题参数的异常波动范围,提出了基于聚类的因子水平划分方法,相较于现有的可视化判定的方法,可以实现自动化分析。相较于现有的问题参数定位和因子水平划分技术,本发明是一种自动、高效、准确的根因参数定位和因子水平划分方法。
以上所述仅为本发明较佳的一个具体实施案例,对于本领域技术人员而言,可以显见的,本发明不限于上述示范性实施例的细节,而且在不背离本发明精神或基本特征的情况下,能够以其他具体的形式实现本发明。因此,无论从哪一点看,均应将实施例看做示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将所有落在权利要求的等同要件的含义和范围内的所有变化均囊括在本发明的范围之内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。此外不应将权利要求及实施例中所有附图标记视为限制所涉及的权利要求。
Claims (4)
1.一种基于信息融合的良率损失根因分析方法,其特征在于:包括以下步骤:
S1、获取产品不良率数据和参数数据;
S2、对获取数据进行预处理,包括对缺失值,单一值,冗余值,离群值的处理,以及对数据量的控制;
S3、数据打标签,根据不良率的取值计算阈值,根据不良率同阈值的关系来打标签;
S4、数据分组;
S5、规则设计,设计了五种不同的规则,包括差异性规则,距离尺度规则,相关性规则,数据量尺度规则,数据取值范围规则,其中差异性规则使用了基于秩序的Kruskal-Wallis检验方法;
S6、规则计算及整合,使用加权和的方式整合各规则计算的结果;
S7、问题参数定位;
S8、参数水平的划分,采用聚类的方法划分参数区间。
2.根据权利要求1所述的一种基于信息融合的良率损失根因分析方法,其特征在于:所述S2中离群值的处理采用如下公式:
Bond=Q3+20*IQR,IQR=Q3-Q1。
3.根据权利要求1所述的一种基于信息融合的良率损失根因分析方法,其特征在于:所述S3中数据打标签的公式:
Bond=Q3+N*IQR,IQR=Q3-Q1
N为控制因子,可以调节控制bond的大小。
4.根据权利要求1所述的一种基于信息融合的良率损失根因分析方法,其特征在于:所述S5中设计的规则数量是可扩展的,可以增加其他用于参数定位的统计指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088294.XA CN112183876B (zh) | 2020-10-13 | 2020-10-13 | 一种基于信息融合的良率损失根因分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088294.XA CN112183876B (zh) | 2020-10-13 | 2020-10-13 | 一种基于信息融合的良率损失根因分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183876A true CN112183876A (zh) | 2021-01-05 |
CN112183876B CN112183876B (zh) | 2024-06-18 |
Family
ID=73951071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011088294.XA Active CN112183876B (zh) | 2020-10-13 | 2020-10-13 | 一种基于信息融合的良率损失根因分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183876B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793049A (zh) * | 2021-09-18 | 2021-12-14 | 成都数之联科技有限公司 | 产品生产过程中的不良根因定位方法、装置、设备及介质 |
CN115293282A (zh) * | 2022-08-18 | 2022-11-04 | 昆山润石智能科技有限公司 | 制程问题分析方法、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707537A (zh) * | 2009-11-18 | 2010-05-12 | 华为技术有限公司 | 故障链路定位方法、告警根因分析方法及设备、系统 |
JP2018180732A (ja) * | 2017-04-06 | 2018-11-15 | 株式会社日立ソリューションズ東日本 | 品質データ分析装置、および品質データ分析方法 |
CN109711659A (zh) * | 2018-11-09 | 2019-05-03 | 成都数之联科技有限公司 | 一种工业生产的良率提升管理系统和方法 |
US20190164101A1 (en) * | 2017-11-30 | 2019-05-30 | Hitachi, Ltd. | Data Analysis System and Data Analysis Apparatus |
CN110019545A (zh) * | 2017-10-19 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 工业数据的处理及分析方法、工业数据的处理装置及数据仓库 |
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 |
CN111198924A (zh) * | 2018-11-19 | 2020-05-26 | 长鑫存储技术有限公司 | 产品失效知识库建立方法与失效分析方法、装置、介质 |
-
2020
- 2020-10-13 CN CN202011088294.XA patent/CN112183876B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707537A (zh) * | 2009-11-18 | 2010-05-12 | 华为技术有限公司 | 故障链路定位方法、告警根因分析方法及设备、系统 |
JP2018180732A (ja) * | 2017-04-06 | 2018-11-15 | 株式会社日立ソリューションズ東日本 | 品質データ分析装置、および品質データ分析方法 |
CN110019545A (zh) * | 2017-10-19 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 工业数据的处理及分析方法、工业数据的处理装置及数据仓库 |
US20190164101A1 (en) * | 2017-11-30 | 2019-05-30 | Hitachi, Ltd. | Data Analysis System and Data Analysis Apparatus |
CN109711659A (zh) * | 2018-11-09 | 2019-05-03 | 成都数之联科技有限公司 | 一种工业生产的良率提升管理系统和方法 |
CN111198924A (zh) * | 2018-11-19 | 2020-05-26 | 长鑫存储技术有限公司 | 产品失效知识库建立方法与失效分析方法、装置、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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793049A (zh) * | 2021-09-18 | 2021-12-14 | 成都数之联科技有限公司 | 产品生产过程中的不良根因定位方法、装置、设备及介质 |
CN113793049B (zh) * | 2021-09-18 | 2023-11-07 | 成都数之联科技股份有限公司 | 产品生产过程中的不良根因定位方法、装置、设备及介质 |
CN115293282A (zh) * | 2022-08-18 | 2022-11-04 | 昆山润石智能科技有限公司 | 制程问题分析方法、设备及存储介质 |
CN115293282B (zh) * | 2022-08-18 | 2023-08-29 | 昆山润石智能科技有限公司 | 制程问题分析方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112183876B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
US8607169B2 (en) | Intelligent defect diagnosis method | |
CN112183876B (zh) | 一种基于信息融合的良率损失根因分析方法 | |
US20240061409A1 (en) | Part, sensor, and metrology data integration | |
CN113537356A (zh) | 一种基于Map图的不良根因分析方法 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN115269958A (zh) | 互联网可靠性数据信息采集分析系统 | |
CN112434023B (zh) | 工艺数据分析方法及装置、存储介质及计算机设备 | |
US7254462B2 (en) | Method and system for measuring a figure of a workpiece | |
CN1521824A (zh) | 在线品质检测参数分析方法 | |
US7085612B2 (en) | System and method for identifying semiconductor process steps for queue-time control and abnormality detection | |
US6828776B2 (en) | Method for analyzing defect inspection parameters | |
CN111091292A (zh) | 一种核电站实时风险动态建模分析系统 | |
CN113159564B (zh) | 一种基于mes与cmms大数据的自动化生产线综合效能评价方法 | |
CN110941910A (zh) | 一种电网三维设计评审智能辅助方法及系统 | |
CN116339260A (zh) | 一种黑灯工厂柔性制造的生产时间调节分析方法及系统 | |
CN1298035C (zh) | 晶片测试参数分析方法 | |
CN115796836A (zh) | 一种用于三相异步电动机维护的备件管理方法 | |
CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 | |
JP2004227184A (ja) | 品質データ管理方法およびその装置 | |
US20070142951A1 (en) | Method to identify machines causing excursion in semiconductor manufacturing | |
CN113408145B (zh) | 一种面向可逆恢复故障的车间关键制造资源sis识别方法 | |
Prasad et al. | Productivity enhancement through production monitoring system | |
JP4172042B2 (ja) | ランダムトレーサビリティ層別平均対照原因分析システムとプログラム |
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 |