CN112579640A - 用于生产异常检测的方法和设备 - Google Patents

用于生产异常检测的方法和设备 Download PDF

Info

Publication number
CN112579640A
CN112579640A CN201910939830.3A CN201910939830A CN112579640A CN 112579640 A CN112579640 A CN 112579640A CN 201910939830 A CN201910939830 A CN 201910939830A CN 112579640 A CN112579640 A CN 112579640A
Authority
CN
China
Prior art keywords
production
normal
paths
abnormal
path
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.)
Pending
Application number
CN201910939830.3A
Other languages
English (en)
Inventor
汤玥
王洪
柴栋
吴昊晗
阚雪峰
兰天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910939830.3A priority Critical patent/CN112579640A/zh
Priority to PCT/CN2020/116773 priority patent/WO2021057707A1/zh
Priority to US17/297,723 priority patent/US11809438B2/en
Publication of CN112579640A publication Critical patent/CN112579640A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31356—Automatic fault detection and isolation
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31455—Monitor process status
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32368—Quality control
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开实施例提供了用于生产异常检测的方法、设备和计算机可读存储介质。该方法包括：基于生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常；以及至少部分基于所述多条生产路径在一个或多个生产批次中是否正常，将所述多条生产路径中的至少一条生产路径确定为异常。

Description

用于生产异常检测的方法和设备
技术领域
本公开大体上涉及数据挖掘领域，且更具体地涉及用于生产异常检测的方法和设备。
背景技术
近年来，随着机器学习和计算机软硬件的快速发展，计算机智能学习技术在制造业的各个领域得到了广泛的应用，如设备检查等领域。
在例如液晶面板之类的产品生产制造过程中，各种产品不良的产生往往是不可避免的。导致产品不良的因素多种多样，可能涉及到生产线上的各个环节、各个节点，因此需要一种方法能够准确、快速、高效地确定生产线中导致产品不良的工作路径乃至工作节点。
发明内容
为了至少部分解决或减轻上述问题，提供了根据本公开的用于生产异常检测的方法、设备和计算机可读存储介质。
根据本公开的第一方面，提供了一种用于生产异常检测的方法。该方法包括：基于生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常；以及至少部分基于所述多条生产路径在一个或多个生产批次中是否正常，将所述多条生产路径中的至少一条生产路径确定为异常。
在一些实施例中，至少部分基于所述多条生产路径在一个或多个生产批次中是否正常，将所述多条生产路径中的至少一条生产路径确定为异常的步骤包括：基于所述多条生产路径在一个或多个生产批次中是否正常来确定所述多条生产路径对其产品是否正常的影响分数；以及至少部分基于所述多条生产路径的影响分数，将所述多条生产路径中的至少一条生产路径确定为异常。
在一些实施例中，基于生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常的步骤包括：基于所述生产记录数据来计算所述多条生产路径中每条生产路径在所述一个或多个生产批次中的每个生产批次中的产品不良率；以及基于所述多条生产路径在所述一个或多个生产批次中的产品不良率来确定每条生产路径在每个生产批次中是否正常。
在一些实施例中，基于所述多条生产路径在所述一个或多个生产批次中的产品不良率来确定每条生产路径在每个生产批次中是否正常的步骤包括：计算所述多条生产路径在所述一个或多个生产批次中的产品不良率的均值μ和标准差σ；以及针对在每个生产批次中的每条生产路径，当其产品不良率在区间(μ-3σ，μ+3σ)之外时，将其确定为不正常，否则将其确定为正常。
在一些实施例中，基于所述多条生产路径在一个或多个生产批次中是否正常来确定所述多条生产路径对其产品是否正常的影响分数的步骤包括：针对每条生产路径，将以下各项之一或一项或多项的任意组合确定为其影响分数：支持度；置信度；提升度；以及提升度与该条生产路径被确定为正常或异常的生产批次的数量的调和平均数。
在一些实施例中，针对被确定为正常的每条生产路径，通过以下公式来计算被确定为所述影响分数的所述调和平均数：
Figure BDA0002221372840000021
其中，F1代表该条正常生产路径对产品正常的影响分数，lift1代表该条正常生产路径对产品正常的提升度，以及count1代表该条正常生产路径被确定为正常的生产批次的数量。
在一些实施例中，针对被确定为异常的每条生产路径，通过以下公式来计算被确定为所述影响分数的所述调和平均数：
Figure BDA0002221372840000022
其中，F2代表该条异常生产路径对产品异常的影响分数，lift2代表该条异常生产路径对产品异常的提升度，以及count2代表该条异常生产路径被确定为异常的生产批次的数量。
在一些实施例中，所述提升度是根据如下公式来计算的：
Figure BDA0002221372840000031
i＝1或2
其中，n表示该条生产路径被确定为正常或异常的生产批次的数量，m表示通过该条生产路径的生产批次的数量，N表示所有生产路径被确定为正常或异常的生产批次的数量，以及M表示所有生产路径的生产批次的数量。
在一些实施例中所述支持度supporti和所述置信度confidencei是根据如下公式来计算的：
Figure BDA0002221372840000032
i＝1或2
Figure BDA0002221372840000033
i＝1或2。
在一些实施例中，至少部分基于所述多条生产路径的影响分数，将所述多条生产路径中的至少一条生产路径确定为异常的步骤包括：对所述多条生产路径的影响分数排序；以及将所述多条生产路径中影响分数排在前列的第一数目的生产路径确定为异常。
在一些实施例中，至少部分基于所述多条生产路径的影响分数，将所述多条生产路径中的至少一条生产路径确定为异常的步骤包括：对所述多条生产路径的影响分数排序；针对所述多条生产路径中影响分数排在前列的第一数目的生产路径所包括的节点进行关联规则分析，以确定节点的频繁集；以及将所述频繁集中的至少一个节点确定为异常节点。
在一些实施例中，所述方法还包括：基于所述多条生产路径在一个或多个生产批次中是否正常来计算每个节点的证据权重；基于所述证据权重来计算该节点的信息值；以及将信息值排序在前的第二数目的节点确定为所述异常节点。
在一些实施例中，基于所述多条生产路径在一个或多个生产批次中是否正常来计算每个节点的证据权重的步骤包括：针对每个节点，执行以下操作来确定其证据权重，将所述多条生产路径按包括或不包括该节点分为两组；按如下公式来计算该节点在各组的证据权重：
Figure BDA0002221372840000041
i＝1或2
其中，WOEi表示相应节点在包括该节点在内的生产路径组和不包括该节点在内的生产路径组的证据权重，ln(·)表示自然对数函数，Gi表示相应生产路径组的异常的生产批次的数量，Gtotal表示异常的生产批次的总数量，Bi表示相应生产路径组的正常的生产批次的数量，以及Btotal表示正常的生产批次的总数量。
在一些实施例中，基于所述证据权重来计算该节点的信息值的步骤包括：
Figure BDA0002221372840000042
Figure BDA0002221372840000043
其中，IV表示该节点的信息值，以及IVi是该节点在相应组中的信息值。
根据本公开的第二方面，提供了一种用于生产异常检测的设备。该设备包括：处理器；存储器，其上存储有指令，所述指令在由所述处理器执行时使得所述处理器执行根据前述第一方面所述的方法。
根据本公开的第三方面，提供了一种存储指令的计算机可读存储介质，所述指令在由处理器执行时使得所述处理器执行根据本公开第一方面所述的方法。
通过使用本公开的方法、设备和/或计算机可读存储介质，可以在产品不良出现时，通过分析产品不良与生产路径、生产节点(例如，生产设备)的相关性，从而快速、准确地定位产生不良的生产路径、生产节点，进而可以降低不良发生率并提高生产效率和企业效益。
附图说明
通过下面结合附图说明本公开的优选实施例，将使本公开的上述及其它目的、特征和优点更加清楚，其中：
图1是示出了可以应用根据本公开实施例的用于生产异常检测的方法的示例生产线的示意图。
图2是示出了根据本公开实施例的用于确定生产线异常的示例方法的流程图。
图3是示出了图2所示的一个步骤的示例实现的流程图。
图4是示出了图2所示的另一个步骤的示例实现的流程图。
图5是示出了图2所示的又一个步骤的示例实现的流程图。
图6是示出了根据本公开实施例的用于生产异常检测的示例设备的硬件布置图。
具体实施方式
下面参照附图对本公开的部分实施例进行详细说明，在描述过程中省略了对于本公开来说是不必要的细节和功能，以防止对本公开的理解造成混淆。在本说明书中，下述用于描述本公开原理的各种实施例只是说明，不应该以任何方式解释为限制公开的范围。参照附图的下述描述用于帮助全面理解由权利要求及其等同物限定的本公开的示例性实施例。下述描述包括多种具体细节来帮助理解，但这些细节应认为仅仅是示例性的。因此，本领域普通技术人员应认识到，在不脱离本公开的范围和精神的情况下，可以对本文中描述的实施例进行多种改变和修改。此外，为了清楚和简洁起见，省略了公知功能和结构的描述。此外，贯穿附图，相同的附图标记用于相同或相似的功能、器件和/或操作。此外，在附图中，各部分并不一定按比例来绘制。换言之，附图中的各部分的相对大小、长度等并不一定与实际比例相对应。此外，在本公开一些实施例中描述的全部或部分特征也可被应用于其他实施例中以形成依然落入本申请范围内的新的实施例。
本公开并不局限于设备的具体操作系统，可以包括(但不限于)Windows、Linux、MacOS、UNIX、Solaris、iOS、Windows Phone、Symbian(塞班)、Android(安卓)等，不同的设备可以采用相同的操作系统，也可以采用不同的操作系统。
尽管下文中将主要在液晶显示器生产线的具体场景中说明根据本公开实施例的用于确定生产线异常的方案，然而本公开不限于此。事实上，本公开的实施例在经过恰当的调整和修改的情况下，也可以适用于其他各种需要检测具有异常模式或其它模式的节点/路径的情况，例如检测导致超低产品不良率的高效节点等。换言之，只要是需要确定各个节点之间在某个方面的影响的差异的场景，都可以使用根据本公开实施例的方案。
此外，更一般地，本公开的一些实施例还可适用于确定在其它工作流中的异常的场景。例如，在电子商务网站的导购页面中，不同的导购工作流(例如，不同的结账页面、购物页面、推荐页面、推荐顺序、结账顺序等)可能导致同样的消费者最终作出不同的购买决定，甚至导致消费者放弃购买，在这种情况下，可以采用根据本公开实施例的异常检测方案来帮助确定导购工作流中影响产品销售的路径/节点。
首先，将结合图1来详细介绍可以应用根据本公开的一些实施例的方法的示例场景。图1是示出了可以应用根据本公开实施例的生产异常检测方法的示例生产线10的示意图。
如图1所示，生产线10可由多个工序构成，且每个工序可由提供相同服务或制造相同中间产品的节点构成。在图1所示实施例中，生产线10可包括4道工序：工序1、工序2、工序3和工序4。同一道工序可由不同的节点之一来实现，以实现并行的大规模标准化生产。例如，如图1所示，工序1可由4个节点(即节点1-1～节点1-4)分别来实现，工序2可由2个节点(即节点2-1～节点2-2)分别来实现，工序3可由3个节点(即节点3-1～节点3-3)分别来实现，以及工序4可由4个节点(即节点4-1～节点4-4)分别来实现。然而，需要注意的是：工序的数目以及每个工序中节点的数目不限于图1所示实施例，而是可以根据实际生产需要来设置。
例如，假定该生产线10是一条液晶面板生产线，且工序1是例如制备阵列基板中的源漏光刻胶图案的工序，工序2是例如制备像素电极光刻胶图案的工序，工序3是例如通过蚀刻来形成像素电极图案的工序，以及工序4是例如制备钝化层图案的工序，且各个节点是完成相应工序的设备，例如光刻机、真空蒸镀机、旋涂机等等。然而，需要注意的是，这些工序仅是用于举例之用，本公开不限于此，且实际生产线中可具有更多、更少或不同的其它工序。
通常，在完成同一道工序之后的中间产品可被下一道工序中的任何节点来接收处理。例如，如图1所示，经节点2-1处理的产品可被分发到工序3中的节点3-1或节点3-2之一，以例如并行化生产，从而提高生产效率。因此，可以在生产线10中形成多条生产路径，例如图1所示的生产路径1～生产路径4。
如图1所示，生产路径1可包含工序1的节点1-1、工序2的节点2-2、工序3的节点3-3和工序4的节点4-1，生产路径2可包含工序1的节点1-2、工序2的节点2-1、工序3的节点3-1和工序4的节点4-2，生产路径3可包含工序1的节点1-3、工序2的节点2-2、工序3的节点3-3和工序4的节点4-4，以及生产路径4可包含工序1的节点1-4、工序2的节点2-1、工序3的节点3-2和工序4的节点4-3。如图1所示，生产路径1～4之间可具有部分相同的节点。例如生产路径1和生产路径4共享节点2-2和节点3-3，且生产路径2和生产路径3共享节点2-1。此外，尽管图1中未示出，但在另一些实施例中，有些生产路径也可以跳过某道工序。例如，某条生产路径可以包含工序1的节点1-1、工序3的节点3-3和工序4的节点4-1，而没有工序2的任何节点，即从节点1-1出来的中间产品可以直接去往节点3-3，而无需经过工序2。此外，在另一些实施例中，例如在涉及电子商务之类的实施例中，不同生产路径之间可以具有完全相同的节点，区别仅在于节点之间的排列顺序不同。
如图1所示，经过各道工序之后，可生产出最终产品，例如液晶面板。然而，需要注意的是：由于例如节点和/或路径之间的差异(例如，品牌、型号、工艺技术、使用年限、操作人员等)，因此在最终产品的良率或不良率方面，各条生产路径会有不同。例如，可能通过生产路径1所生产的产品的良率较高，而可能通过生产路径2所生产的产品的良率较低。因此，为了提高生产效率、降低生产成本，需要能够鉴别出生产线中容易导致产品不良的生产路径乃至节点的方法，从而能够减少该条生产路径或该节点的生产任务，或对其进行相应修理、改进或其他处置。另一方面，也需要能够鉴别出生产线中更容易导致产品良率更高的生产路径乃至节点的方法，从而可以将生产任务尽可能多地分配给该生产路径乃至节点。
此外，如前所述，在考虑到操作人员的情况下，也可以将同一台设备与不同操作人员的组合视为不同的节点，从而可以进一步鉴别出能够提升生产率的设备/人员组合。例如，可将图1所示的工序1中一个设备与一个操作人员的组合视为节点1-1，可将该设备与另一个操作人员的组合视为节点1-2等等。
此外，在实际生产中还会涉及到多个生产批次的情况。因此，在一些实施例中，同一条生产路径在不同生产批次中可能会由于原料、时间等因素的不同而产生不同的良率，且因此下文中也将生产批次作为因素之一考虑在内。
此外，尽管图1中仅示出了4条生产路径，然而本公开不限于此。事实上，在实际生产中，例如在液晶面板的生产线中，所涉及到的工序可多达上百道，每道工序中可涉及几十、几百、乃至上千的节点(例如，设备和/或人员等)。因此，需要一种能够在这海量数据中发现并识别对产品良率或不良率影响最大的生产路径和/或节点的方案。以下，将结合图2～图5来详细描述这样一种方案。
图2是示出了根据本公开实施例的用于生产异常检测的示例方法200的流程图。
如图2所示，方法200可以从可选的步骤S210处开始。在步骤S210处，可以首先对生产记录数据进行预处理，以方便后续的数据分析、挖掘等操作。
例如，在液晶面板生产领域中，垂直黑白线是液晶面板生产中经常出现的一种产品不良。然而本公开不限于此，事实上产品不良可以包括(但不限于)例如：漏光、黑屏、坏点、热点、黑斑、白斑、画面抖动、颜色异常、液晶外泄、液晶气泡、其它物理损伤、无背光、或其他任何影响产品使用的不良。在例如电子商务之类的其它实施例中，不良可以包括(但不限于)：交易中止、用户退货、支付失败、或任何影响产品/服务销售等不良。
在以垂直黑白线不良为例的情况下，可以选取阵列基板生产阶段和对盒阶段这两个阶段的部分节点设备的数据，如下表1和表2所示。
[表1]阵列基板生产阶段
Figure BDA0002221372840000091
[表2]对盒阶段
Figure BDA0002221372840000092
Figure BDA0002221372840000101
此外，由于生产中可能存在返工现象，因此在上述生产记录数据中同一个批次ID或玻璃基板ID可能会对应有多条记录。在一些实施例中，可以将旧的历史数据删除，而仅保留最后一条最新的生产记录数据。
此外，由于在两个不同生产阶段中分别按批次ID和玻璃基板ID来记录数据，因此可以对对盒阶段的记录数据进行截断(例如，将与相应玻璃基板ID相对应的记录数据分别划分到相应批次ID的记录数据中)，以得到按批次的信息，并将其与阵列基板生产阶段的数据进行串联，从而得到如下表3。
[表3]总合生产记录数据
Figure BDA0002221372840000102
然而，需要注意的是：本公开不限于上面给出的表格的各个数据，也可以包括更多、更少或其他类型的数据。例如，可以将不良率替换为良率，或在电子商务的场景中，可以将不良率等替换为成交率、成交金额等等。此外，还需要注意的是：该步骤S210可以是可选的，且因此在例如可以直接使用生产记录数据的情况下，无需采用步骤S210。
在本文中，术语“生产记录数据”可以指代与生产线、生产路径、生产设备、生产人员、或生产原料、生产产品相关的各种数据，包括例如(但不限于)：进料表、设备日志、生产日志、生产计划、产品统计数据、销售数据等等。
回到图2，在进行过可选的数据预处理步骤S210之后，方法200可以进行至步骤S220。在步骤S220中，可以基于(经预处理的)生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常。
例如，在上面表格的实施例中，针对与批次L1相对应的生产路径Z2-U1-Y1-V1，可以确定其在产品生产方面是否正常。在一些实施例中，可以简单地将该生产路径Z2-U1-Y1-V1在批次L1的不良率与预定阈值进行比较，以确定其是否正常。如果该不良率大于或等于预定阈值(例如(但不限于)，2.0％)，则认为其异常，否则认为其正常。在采用阈值2.0％的情况下，具有不良率0.0％的生产路径Z2-U1-Y1-V1在批次L1的生产中明显是正常的。与此相对地，具有不良率2.4％的同一条生产路径Z2-U1-Y1-V1在批次L7的生产中就是异常的。
此外，也可以采用更复杂且细致的方式来确定某条生产路径是否正常。例如，下面将结合图3所示的实施例来详细描述步骤S220的一种实施方式。
图3是示出了图2所示的步骤S220的示例实现的流程图。如图3所示，步骤S220可以包括三个子步骤S310、S320和S330。在步骤S310中，可以基于生产记录数据来计算多条生产路径中每条生产路径在一个或多个生产批次中的每个生产批次中的产品不良率。例如，如上面表3所示，可以计算每条生产路径在其各批次中的产品不良率。然后，在步骤S320中，可以计算多条生产路径在一个或多个生产批次中的产品不良率的均值μ和标准差σ。之后，在步骤S330中，可以针对在每个生产批次中的每条生产路径，当其产品不良率在区间(μ-3σ，μ+3σ)之外时，将其确定为不正常(或异常)，否则将其确定为正常。换言之，在步骤S320和步骤S330中，可以基于多条生产路径在一个或多个生产批次中的产品不良率来确定每条生产路径在每个生产批次中是否正常。
这是因为，根据统计学原理，在假定产品质量处于正态分布的情况下，区间(μ-3σ，μ+3σ)将涵盖大约99.7％的不良率数值，凡超出这个区间的误差，通常就不属于随机误差，而是粗大误差。此外，在另一些实施例中，也可以采用区间(μ-2σ，μ+2σ)或(μ-σ，μ+σ)作为判断区间。然而，由于它们在正态分布的情况下仅分别覆盖95.5％和68.3％的不良率数值，且因此从统计学角度来说将大概率导致最后的结果出现系统性误差。
回到图3，通过采用区间(μ-3σ，μ+3σ)，可以将几乎全部正常生产的生产路径的不良率数值囊括在内。换言之，一旦出现具有超出该区间的不良率的生产路径，那么基本可以认定其中必然存在显著的生产问题(例如，设备故障等)。具体到表3所示实施例中，平均值μ约为1.04％，且标准差σ约为0.93％，且因此区间(μ-3σ，μ+3σ)约为(-1.75％，3.84％)。在本实施例中，考虑到不良率不应当取负值，因此可以将区间等价地视为[0，3.84％)。换言之，具有落入该区间的不良率的生产路径在对应批次中应被视为正常，否则被视为不正常。在采用该方法的情况下，表3中的所有生产路径在所有生产批次中都可被视为正常。然而，需要注意的是表3的数据仅为示例之用，本公开不限于此。
回到图2，在步骤S220中确定了各条生产路径在各自的生产批次中是否正常之后，则可以在步骤S230中至少部分基于多条生产路径在一个或多个生产批次中是否正常，将多条生产路径中的至少一条生产路径的至少一个节点确定为异常节点。
例如，在一些简单的实施例中，针对每条生产路径，可以将其被确定为异常的生产批次的数量与预定阈值进行比较，如果数量高于预定阈值，则可以将该生产路径确定为异常，否则确定为正常。当然，在另一些实施例中，也可以采用更为复杂的异常确定方式。例如，可以结合图4来详细描述实现步骤S230的确定异常生产路径的实施例。
图4是示出了图2所示的另一个步骤S230的示例实现的流程图。如图4所示，步骤S230可以包括子步骤S410和S420。
在步骤S410中，可基于多条生产路径在一个或多个生产批次中是否正常来进一步确定多条生产路径对其产品是否正常的影响分数。
在本文中，术语“影响分数”用于指示生产路径对通过其生产的产品是否合格的影响力。直观来说，一条生产路径的不良率越高，其对产品不合格的影响力越大，相反一条生产路径的不良率越低，其对产品合格的影响力越大。此外，也可以考虑所有生产路径的整体不良率如何。例如如果在采用特定生产线的情况下，不管哪条生产路径，产品不良率都很高，则可以说明“生产路径”这一因素对产品的不良率变化的影响力较低。相对地，如果大部分生产路径的产品不良率都很高，但只有某条特定的生产路径的不良率很低，则可以直观上认为该条生产路径对产品的不良率(或良率)造成了实质的影响。
为了表征这些考虑因素，提出了以下若干概念“支持度”、“置信度”以及“提升度”。在一些实施例中，一条生产路径的影响分数可以是其支持度、置信度、提升度、提升度与该条生产路径被确定为正常或异常的生产批次的数量的调和平均数中的任何一项或任何多项的任意组合。
在本文中，术语“支持度”可指示在所有记录数据中，通过该条生产路径且该生产路径在步骤S220中被确定为正常(或异常)的统计概率。例如，假定n表示一条生产路径被确定为正常(或异常)的生产批次的数量，m表示通过该条生产路径的生产批次的数量，N表示所有生产路径被确定为正常(或异常)的生产批次的数量，以及M表示所有生产路径的生产批次的数量。则该条生产路径的支持度可如下计算：
Figure BDA0002221372840000131
其中，support1可例如表示该条生产路径对于产品正常的支持度，而support2可例如表示该条生产路径对于产品异常的支持度。换言之，支持度体现了该条生产路径正常(或异常)在所有记录数据中的占比。因此，当该占比过低时，可以认为其相应地对于最终判定结果的影响较低。因此，在一些实施例中，当例如计算出来的支持度低于某一阈值(例如，支持度阈值0.15(本公开不限于此))时，可以不考虑该条生产路径对产品正常(或异常)的影响力。
此外，在本文中，术语“置信度”可指示在与所考察的生产路径有关的记录数据中，通过该条路径且该路径在步骤S220中被确定为正常(或异常)的统计概率。则该条生产路径的置信度可如下计算：
Figure BDA0002221372840000141
其中，confidence1可例如表示该条生产路径对于产品正常的置信度，而confidence2可例如表示该条生产路径对于产品异常的置信度。换言之，置信度体现了通过该条生产路径的产品有多大可能是正常(或异常)。与支持度相类似地，在一些实施例中，当例如计算出来的置信度低于某一阈值(例如，置信度阈值0.5(本公开不限于此))时，可以不考虑该条生产路径对产品正常(或异常)的影响力。
在一些实施例中，可以基于具有大于或等于支持度阈值和/或置信度阈值的支持度和/或置信度的生产路径的影响分数，将多条生产路径中的至少一条生产路径确定为异常。例如，在一些实施例中，可以将满足支持度阈值和置信度阈值的所有生产路径都确定为异常。在另一些实施例中，也可以如图5所示基于例如证据权重(WoE)和信息值(IV)将这些生产路径中的部分节点确定为异常节点。
需要注意的是：对上述支持度阈值和置信度阈值的使用是可选的，而并不是必需的。在一些实施例中，它们可以用于减少后续计算的数量，且因此并不是强制的。
此外，在本文中，术语“提升度”可指示所考察的生产路径相对于所有生产路径而言对于产品是否正常(或异常)的提升度。因此，该条生产路径的置信度可如下计算：
Figure BDA0002221372840000142
其中，lift1可例如表示该条生产路径对于产品正常的提升度，而lift2可例如表示该条生产路径对于产品异常的提升度。换言之，提升度体现了通过该条生产路径的产品相对于通过其他生产路径的产品是正常(或异常)的提升程度。
一般来说，当提升度大于1时，可以指示该条生产路径对于产品正常或异常存在提升，当提升度等于1时，可以指示该条生产路径对于产品正常或异常没有提升也没有降低，当提升度小于1时，可以指示该条生产路径对于产品正常或异常存在降低。因此，当提升度越大时，可以认为相应生产路径对于产品是正常(或异常)的提升效果越明显，并可作为一种影响分数。
此外，对于生产路径来说，除了体现其提升度方面的影响力之外，还应当考虑到其在记录数据中实际出现的数量。换言之，在例如表3的记录数据中，路径Z2-U1-Y1-V1在表3中出现了4次，且因此其影响力相对于其它生产路径应当被相应提高。因此，在一些实施例中，可以考虑使用生产路径的提升度和其被确定为正常或异常的记录数据数量的加权调和平均值来体现其对产品正常或异常的影响力。
例如，在图4所示实施例中，在步骤S412中，可以针对被确定为正常的每条生产路径，通过以下公式来确定其在相应生产批次中对产品正常的影响分数(例如，调和平均数)：
Figure BDA0002221372840000151
其中，F1代表该条正常生产路径对产品正常的影响分数，lift1代表该条正常生产路径对产品正常的提升度，以及count1代表该条正常生产路径被确定为正常的生产批次的数量，且β代表lift1相对于count1的权重因子。在一些实施例中，当β＝1时，则上面的公式可以简化为：
Figure BDA0002221372840000152
即，在一些实施例中，影响分数可以是提升度和数量的调和平均数。
类似地，在图4所示实施例中，在步骤S414中，可以针对被确定为异常的每条生产路径，通过以下公式来确定其在相应生产批次中对产品异常的影响分数(例如，调和平均数)：
Figure BDA0002221372840000161
其中，F2代表该条异常生产路径对产品异常的影响分数，lift2代表该条异常生产路径对产品异常的提升度，以及count2代表该条异常生产路径被确定为异常的生产批次的数量，且β代表lift2相对于count2的权重因子。在一些实施例中，当β＝1时，则上面的公式可以简化为：
Figure BDA0002221372840000162
即，在一些实施例中，影响分数也可以是提升度和数量的调和平均数。
如上所述，可以在步骤S410(步骤S412和/或步骤S414)中，分别计算被确定为正常或异常的生产路径对相应的产品正常或产品异常的影响分数，该影响分数表明了生产路径对产品质量的影响力。此外，在另一些实施例中，也可以针对被确定为正常的生产路径来计算其对产品异常的影响分数或针对被确定为异常的生产路径来计算其对产品正常的影响分数。
接下来，在步骤S420中，可以至少部分基于多条生产路径的影响分数，将多条生产路径中的至少一条生产路径确定为异常。例如，在一些简单的实施例中，可以对多条生产路径的影响分数排序，并将该多条生产路径中影响分数排在前列的第一数目的生产路径确定为异常。例如，可以将对产品不良的影响分数排在前三、前五或前十的生产路径都确定为异常(差)，并在后续生产中尽量避免使用这些生产路径。相对地，可以将对产品优良的影响分数排在前三、前五或前十(但不限于此)的生产路径都确定为异常(好)，并在后续生产中尽量多地使用这些生产路径。
此外，在另一些实施例中，可以对多条生产路径的影响分数排序，然后针对该多条生产路径中影响分数排在前列的第一数目(例如，前三、前五或前十，但不限于此)的生产路径所包括的节点进行关联规则分析，以确定节点的频繁集，然后将该频繁集中的至少一个节点确定为异常节点。
关联规则分析处理可以用于确定记录数据中最常出现的节点组合。以下以简单示例来说明该关联规则分析处理。令记录数据中被确定为异常的生产路径的多个条目是例如：{1，2，3，4}、{1，2，4}、{1，2}、{2，3，4}、{2，3}、{3，4}和{2，4}。其中，每个条目代表一条生产路径中所包括节点，例如{1，2，3，4}表示该生产路径包括节点1、2、3和4。则可以如下来确定最常见的频繁项集或频繁集。
首先分别统计每个节点的出现次数，例如，针对上述记录数据，可以得到如下结果：
节点 出现次数
1 3
2 6
3 4
4 5
针对某一节点，假定需要满足特定出现次数阈值(例如，3)才可以继续进行后续步骤。此时，可以看到上述节点1、2、3和4的出现次数都满足该阈值。
接下来，需要生成所有的频繁项的二元对的列表。例如，
节点二元对 出现次数
{1，2} 3
{1，3} 1
{1，4} 2
{2，3} 3
{2，4} 4
{3，4} 3
同样地，针对每个二元对，检查其出现次数是否满足阈值。由于二元对{1，2}、{2，3}、{2，4}和{3，4}满足，而二元对{1，3}和{1，4}不满足，因此针对二元对{1，3}和{1，4}或包括这两个二元对的所有k元对，都不继续其后续处理。
类似地，生成所有的频繁项的三元对的列表。例如，
Figure BDA0002221372840000171
Figure BDA0002221372840000181
这里，由于三元对{1，2，3}和{1，2，4}分别包括前一轮中被排除的{1，3}和{1，4}，且因此它们未出现在后续的列表中。此外，由于三元对{2，3，4}的出现次数为2，不满足阈值3的要求，因此不存在频繁项的三元对。从而，该关联规则处理可以找到记录数据中对产品异常或正常造成影响的频繁出现节点组合(k元对)。在一些实施例中，可以将找到的所有节点组合视为异常节点。在另一些实施例中，可以将找到的最大节点组合(即，包括最多数目节点的满足出现次数阈值的节点n元对)视为异常。
此外，在一些实施例中，针对频繁项集中的一个或多个节点组合，可以将其全部或部分确定为异常。在将部分节点组合确定为异常的实施例中，判断是否异常的标准可以是例如前述支持度、置信度、提升度、调和平均数或前述各项的任意组合。此外，节点组合的支持度、置信度、提升度的定义可以类似于生产路径的支持度、置信度、提升度，即根据产品是否通过该节点组合(而非生产路径)来相应计算。
此外，图2所示的方法200还可以包括如下面结合图5所描述的方式基于证据权重和信息值来确定异常节点的步骤。图5是示出了图2所示的另一个步骤的示例实现的流程图。
在如图5所示实施例中，方法200还可以包括步骤S510、S520和S530。在步骤S510中，可以针对前述生产线中的每一个节点、前述影响分数排在前列的生产路径中的每一个节点、或前述频繁集中的每一个节点，基于生产记录数据来计算该节点的证据权重。在步骤S520中，可以基于证据权重来计算该节点的信息值。在步骤S530中，可以将信息值排序在前的第二数目(例如，前三、前五、前十或任何其他恰当数目)的节点确定为异常节点。
然而，需要注意的是：在上述实施例中的步骤S510中，可以针对前述生产线中的每一个节点、前述影响分数排在前列的生产路径中的每一个节点、或前述频繁集中的每一个节点来进行后续操作，但本公开不限于此。事实上，完全可以针对全部或部分生产路径中的全部或部分节点来执行该操作，以获得类似处理结果。
此外，在步骤S510中，可以针对前述任何一个节点集合中的每个节点，执行以下操作来确定其证据权重。首先，可以将多条生产路径按包括或不包括该节点分为两组。
然后按如下公式来计算该节点在各组的证据权重：
Figure BDA0002221372840000191
其中，WOEi表示相应节点在包括该节点在内的生产路径组和不包括该节点在内的生产路径组的证据权重，ln(·)表示自然对数函数，Gi表示相应生产路径组的异常的生产批次的数量，Gtotal表示异常的生产批次的总数量，Bi表示相应生产路径组的正常的生产批次的数量，以及Btotal表示正常的生产批次的总数量。
此外，在步骤S520中，可以根据下述公式来计算信息值：
IV＝∑iIVi，i＝1或2 (9)
Figure BDA0002221372840000192
其中，IV表示该节点的信息值，以及IVi是该节点在第i组中的信息值。
术语“证据权重(WOE)”在统计学中用于表示发生“非事件”的概率与发生“事件”的概率之比的自然对数，其可用于衡量这两种事件的分布。术语“信息值(IV)”在统计学中通常用于对被选择进入统计模型的自变量进行筛选，以找到入模变量，其通常可以用于表征一个变量对于判断结果所能提供的信息量。换言之，如果一个变量的信息值越高，则认为其对于最终判断结果所能提供的信息越多，也就是说与最终判断结果越相关。具体到本公开的实施例中，其可以用于衡量一个节点对于最终产品正常还是异常所作出的贡献。因此，在图4所示实施例中，使用信息值来帮助确定节点是否与产品异常更相关。
此外，在步骤S530中，可以对节点的信息值进行排序，以对信息值排在前列的第二数目(例如，前三、前五、前十或任何其他数目)的节点确定为异常节点。在确定异常节点之后，可以对其采取相应的操作。例如，将其排除在生产调度之外，对其进行修理校准、修理以提升其产品良率等等。
这样通过使用本公开的结合图2～图5所描述的方法，可以在产品不良出现时，通过分析产品不良与生产路径、生产节点(例如，生产设备)的相关性，从而快速、准确地定位产生不良的生产路径、生产节点，进而可以降低不良发生率并提高生产效率和企业效益。
图6是示出了根据本公开实施例的用于生产异常检测的示例设备600的硬件布置图。硬件布置600包括处理器606(例如，数字信号处理器(DSP))。处理器606可以是用于执行本文描述的流程的不同动作的单一处理单元或者是多个处理单元。布置600还可以包括用于从其他实体接收信号的输入单元602、以及用于向其他实体提供信号的输出单元604。输入单元602和输出单元604可以被布置为单一实体或者是分离的实体。
此外，布置600可以包括具有非易失性或易失性存储器形式的至少一个可读存储介质608，例如是电可擦除可编程只读存储器(EEPROM)、闪存、和/或硬盘驱动器。可读存储介质608包括计算机程序610，该计算机程序610包括代码/计算机可读指令，其在由布置600中的处理器606执行时使得硬件布置600和/或包括硬件布置600在内的设备可以执行例如上面结合图2～图5所描述的流程及其任何变形。
计算机程序610可被配置为具有例如计算机程序模块610A～610B架构的计算机程序代码。因此，布置600的计算机程序中的代码包括：模块610A，用于基于生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常。计算机程序中的代码还包括：模块610B，用于至少部分基于多条生产路径在一个或多个生产批次中是否正常，将多条生产路径中的至少一条生产路径确定为异常。
计算机程序模块实质上可以执行图2～图5中所示出的流程中的各个动作，以模拟任何硬件实现。换言之，当在处理器606中执行不同计算机程序模块时，它们可以对应于任何硬件实现中的不同单元。
尽管上面结合图6所公开的实施例中的代码手段被实现为计算机程序模块，其在处理器606中执行时使得硬件布置600执行上面结合图2～图5所描述的动作，然而在备选实施例中，该代码手段中的至少一项可以至少被部分地实现为硬件电路。
处理器可以是单个CPU(中央处理单元)，但也可以包括两个或更多个处理单元。例如，处理器可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))。处理器还可以包括用于缓存用途的板载存储器。计算机程序可以由连接到处理器的计算机程序产品来承载。计算机程序产品可以包括其上存储有计算机程序的计算机可读介质。例如，计算机程序产品可以是闪存、随机存取存储器(RAM)、只读存储器(ROM)、EEPROM，且上述计算机程序模块在备选实施例中可以用设备内的存储器的形式被分布到不同计算机程序产品中。
至此已经结合优选实施例对本公开进行了描述。应该理解，本领域技术人员在不脱离本公开的精神和范围的情况下，可以进行各种其它的改变、替换和添加。因此，本公开的范围不局限于上述特定实施例，而应由所附权利要求所限定。
此外，在本文中被描述为通过纯硬件、纯软件和/或固件来实现的功能，也可以通过专用硬件、通用硬件与软件的结合等方式来实现。例如，被描述为通过专用硬件(例如，现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)来实现的功能，可以由通用硬件(例如，中央处理单元(CPU)、数字信号处理器(DSP))与软件的结合的方式来实现，反之亦然。

Claims (17)

1.一种用于生产异常检测的方法，包括：
基于生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常；以及
至少部分基于所述多条生产路径在一个或多个生产批次中是否正常，将所述多条生产路径中的至少一条生产路径确定为异常。
2.根据权利要求1所述的方法，其中，至少部分基于所述多条生产路径在一个或多个生产批次中是否正常，将所述多条生产路径中的至少一条生产路径确定为异常的步骤包括：
基于所述多条生产路径在一个或多个生产批次中是否正常来确定所述多条生产路径对其产品是否正常的影响分数；以及
至少部分基于所述多条生产路径的影响分数，将所述多条生产路径中的至少一条生产路径确定为异常。
3.根据权利要求2所述的方法，其中，基于生产记录数据来确定生产线中的多条生产路径在一个或多个生产批次中是否正常的步骤包括：
基于所述生产记录数据来计算所述多条生产路径中每条生产路径在所述一个或多个生产批次中的每个生产批次中的产品不良率；以及
基于所述多条生产路径在所述一个或多个生产批次中的产品不良率和产品不良率的阈值区间来确定每条生产路径在每个生产批次中是否正常。
4.根据权利要求3所述的方法，其中，基于所述多条生产路径在所述一个或多个生产批次中的产品不良率和产品不良率的阈值区间来确定每条生产路径在每个生产批次中是否正常的步骤包括：
计算所述多条生产路径在所述一个或多个生产批次中的产品不良率的均值μ和标准差σ；以及
针对在每个生产批次中的每条生产路径，当其产品不良率在阈值区间(μ-3σ，μ+3σ)之外时，将其确定为不正常，否则将其确定为正常。
5.根据权利要求2所述的方法，其中，基于所述多条生产路径在一个或多个生产批次中是否正常来确定所述多条生产路径对其产品是否正常的影响分数的步骤包括：针对每条生产路径，将以下各项之一或以下多项的任意组合确定为其影响分数：
支持度；
置信度；
提升度；以及
提升度与该条生产路径被确定为正常或异常的生产批次的数量的调和平均数。
6.根据权利要求5所述的方法，其中，针对被确定为正常的每条生产路径，通过以下公式来计算被确定为所述影响分数的所述调和平均数：
Figure FDA0002221372830000021
其中，F1代表该条正常生产路径对产品正常的影响分数，lift1代表该条正常生产路径对产品正常的提升度，以及count1代表该条正常生产路径被确定为正常的生产批次的数量。
7.根据权利要求5所述的方法，其中，针对被确定为异常的每条生产路径，通过以下公式来计算被确定为所述影响分数的所述调和平均数：
Figure FDA0002221372830000022
其中，F2代表该条异常生产路径对产品异常的影响分数，lift2代表该条异常生产路径对产品异常的提升度，以及count2代表该条异常生产路径被确定为异常的生产批次的数量。
8.根据权利要求6或7所述的方法，其中，所述提升度是根据如下公式来计算的：
Figure FDA0002221372830000031
其中，n表示该条生产路径被确定为正常或异常的生产批次的数量，m表示通过该条生产路径的生产批次的数量，N表示所有生产路径被确定为正常或异常的生产批次的数量，以及M表示所有生产路径的生产批次的数量。
9.根据权利要求8所述的方法，其中，所述支持度supporti和所述置信度confidencei是根据如下公式来计算的：
Figure FDA0002221372830000032
Figure FDA0002221372830000033
10.根据权利要求2所述的方法，其中，至少部分基于所述多条生产路径的影响分数，将所述多条生产路径中的至少一条生产路径确定为异常的步骤包括：
对所述多条生产路径的影响分数排序；以及
将所述多条生产路径中影响分数排在前列的第一数目的生产路径确定为异常。
11.根据权利要求2所述的方法，其中，至少部分基于所述多条生产路径的影响分数，将所述多条生产路径中的至少一条生产路径确定为异常的步骤包括：
对所述多条生产路径的影响分数排序；
针对所述多条生产路径中影响分数排在前列的第一数目的生产路径所包括的节点进行关联规则分析，以确定节点的频繁集；以及
将所述频繁集中的一个或多个节点组合确定为异常。
12.根据权利要求11所述的方法，其中，将所述频繁集中的一个或多个节点组合确定为异常的步骤包括：
针对所述频繁项集中的每个节点组合，基于该节点组合在一个或多个生产批次中是否正常来确定该节点组合对其产品是否正常的影响分数；以及
至少部分基于所述频繁项集中的每个节点组合的影响分数，将其中一个或多个节点组合确定为异常。
13.根据权利要求1所述的方法，还包括：
基于所述多条生产路径在一个或多个生产批次中是否正常来计算每个节点的证据权重；
基于所述证据权重来计算该节点的信息值；以及
将信息值排序在前的第二数目的节点确定为所述异常节点。
14.根据权利要求13所述的方法，其中，基于所述多条生产路径在一个或多个生产批次中是否正常来计算每个节点的证据权重的步骤包括：
针对每个节点，执行以下操作来确定其证据权重：
将所述多条生产路径按包括或不包括该节点分为两组；
按如下公式来计算该节点在各组的证据权重：
Figure FDA0002221372830000041
其中，WOEi表示相应节点在包括该节点在内的生产路径组和不包括该节点在内的生产路径组的证据权重，ln(·)表示自然对数函数，Gi表示相应生产路径组的异常的生产批次的数量，Gtotal表示异常的生产批次的总数量，Bi表示相应生产路径组的正常的生产批次的数量，以及Btotal表示正常的生产批次的总数量。
15.根据权利要求14所述的方法，其中，基于所述证据权重来计算该节点的信息值的步骤包括：
Figure FDA0002221372830000042
Figure FDA0002221372830000043
其中，IV表示该节点的信息值，以及IVi是该节点在相应组中的信息值。
16.一种用于生产异常检测的设备，包括：
处理器；
存储器，其上存储有指令，所述指令在由所述处理器执行时使得所述处理器执行根据权利要求1～15中任一项所述的方法。
17.一种存储指令的计算机可读存储介质，所述指令在由处理器执行时使得所述处理器执行根据权利要求1～15中任一项所述的方法。
CN201910939830.3A 2019-09-29 2019-09-29 用于生产异常检测的方法和设备 Pending CN112579640A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910939830.3A CN112579640A (zh) 2019-09-29 2019-09-29 用于生产异常检测的方法和设备
PCT/CN2020/116773 WO2021057707A1 (zh) 2019-09-29 2020-09-22 用于生产异常检测的方法和设备
US17/297,723 US11809438B2 (en) 2019-09-29 2020-09-22 Method and device of detecting fault in production

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910939830.3A CN112579640A (zh) 2019-09-29 2019-09-29 用于生产异常检测的方法和设备

Publications (1)

Publication Number Publication Date
CN112579640A true CN112579640A (zh) 2021-03-30

Family

ID=75116492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910939830.3A Pending CN112579640A (zh) 2019-09-29 2019-09-29 用于生产异常检测的方法和设备

Country Status (3)

Country Link
US (1) US11809438B2 (zh)
CN (1) CN112579640A (zh)
WO (1) WO2021057707A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935663A (zh) * 2021-12-16 2022-01-14 成都数之联科技有限公司 一种面板产品的设备组合分析方法、装置、设备及介质
CN115600773A (zh) * 2022-12-13 2023-01-13 合肥喆塔科技有限公司（Cn） 一种基于序列模式挖掘的生产路径分析方法及系统
TWI802417B (zh) * 2022-05-19 2023-05-11 中華精測科技股份有限公司 少量抽樣下以統計模擬分析終端製程不良率方法
CN117649249A (zh) * 2024-01-30 2024-03-05 湖南郭记农业科技股份有限公司 基于区块链的食品生产溯源管理方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210325860A1 (en) * 2020-04-17 2021-10-21 Primeconcept S.R.L. Quality control system for series production

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1474328A (zh) * 2002-08-09 2004-02-11 英新达股份有限公司 生产信息实时管理方法以及系统
KR20080070543A (ko) * 2007-01-26 2008-07-30 주식회사 신영 자동화 생산라인의 불량예측 조기 경보 방법
JP2011065337A (ja) * 2009-09-16 2011-03-31 Fuji Electric Holdings Co Ltd トレーサビリティシステムおよび製造工程異常検出方法
CN104063984A (zh) * 2013-03-21 2014-09-24 英华达（南京）科技有限公司 不良品超标的自动警报方法
CN105940354A (zh) * 2014-02-10 2016-09-14 欧姆龙株式会社 品质管理装置及其控制方法
CN109976291A (zh) * 2019-04-25 2019-07-05 伟创力电子设备(深圳)有限公司 生产监控方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9020625B2 (en) * 2011-01-17 2015-04-28 DataNet Quality Systems Process cost analysis system
CA2878012A1 (en) * 2012-07-10 2014-01-16 Matitiahu Tiano A modular system for real-time evaluation and monitoring of a machining production-line overall performances calculated from each given workpiece, tool and machine
CN104407589B (zh) 2014-11-26 2017-01-25 西北工业大学 面向车间制造过程的实时生产性能主动感知与异常分析方法
US11010806B2 (en) * 2016-11-10 2021-05-18 Gerald McLaughlin Method and system for distributed manufacturing
DE202017005070U1 (de) 2017-10-02 2017-11-12 Usu Software Ag Computersystem und Computerprogramm zur computerimplementierten Erkennung von Anomalien in Ereignisströmen
CN110083797B (zh) 2019-04-19 2023-03-31 大禹节水集团股份有限公司 一种滴灌管生产线异常实时监测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1474328A (zh) * 2002-08-09 2004-02-11 英新达股份有限公司 生产信息实时管理方法以及系统
KR20080070543A (ko) * 2007-01-26 2008-07-30 주식회사 신영 자동화 생산라인의 불량예측 조기 경보 방법
JP2011065337A (ja) * 2009-09-16 2011-03-31 Fuji Electric Holdings Co Ltd トレーサビリティシステムおよび製造工程異常検出方法
CN104063984A (zh) * 2013-03-21 2014-09-24 英华达（南京）科技有限公司 不良品超标的自动警报方法
CN105940354A (zh) * 2014-02-10 2016-09-14 欧姆龙株式会社 品质管理装置及其控制方法
CN109976291A (zh) * 2019-04-25 2019-07-05 伟创力电子设备(深圳)有限公司 生产监控方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935663A (zh) * 2021-12-16 2022-01-14 成都数之联科技有限公司 一种面板产品的设备组合分析方法、装置、设备及介质
TWI802417B (zh) * 2022-05-19 2023-05-11 中華精測科技股份有限公司 少量抽樣下以統計模擬分析終端製程不良率方法
CN115600773A (zh) * 2022-12-13 2023-01-13 合肥喆塔科技有限公司（Cn） 一种基于序列模式挖掘的生产路径分析方法及系统
CN117649249A (zh) * 2024-01-30 2024-03-05 湖南郭记农业科技股份有限公司 基于区块链的食品生产溯源管理方法及系统
CN117649249B (zh) * 2024-01-30 2024-04-26 湖南郭记农业科技股份有限公司 基于区块链的食品生产溯源管理方法及系统

Also Published As

Publication number Publication date
US20220043812A1 (en) 2022-02-10
US11809438B2 (en) 2023-11-07
WO2021057707A1 (zh) 2021-04-01

Similar Documents

Publication Publication Date Title
CN112579640A (zh) 用于生产异常检测的方法和设备
JP4394728B2 (ja) 影響要因特定装置
CN110134797A (zh) 一种基于事理图谱和多因子模型研判金融市场变化的方法
CN105700490B (zh) 一种提高产品良率的方法及系统
US20190354094A1 (en) System and method that consider tool interaction effects for identifying root causes of yield loss
US20100256985A1 (en) Methods and apparatus for queue-based cluster analysis
CN110322335A (zh) 一种基于woe转换通过机器学习的信贷客户资质分类方法
CN108830492B (zh) 一种基于大数据的确定抽检商家的方法
Chien et al. A UNISON framework for analyzing alternative strategies of IC final testing for enhancing overall operational effectiveness
US8340800B2 (en) Monitoring a process sector in a production facility
CN112037006A (zh) 小微企业的信用风险识别方法及装置
JP6975086B2 (ja) 品質評価方法および品質評価装置
TWI253550B (en) A system and method for identifying semiconductor process steps for queue-time control and abnormality detection
CN111330871A (zh) 一种品质分类方法及装置
US11935075B2 (en) Card inactivity modeling
CN115587333A (zh) 一种基于多分类模型的失效分析故障点预测方法及系统
TW202328665A (zh) 分析缺陷的方法
JP2008071790A (ja) 不良工程推定方法、不良工程推定装置、プログラム、並びに記録媒体
CN112907299A (zh) 一种电商推广方案自动生成方法
CN114418776A (zh) 一种数据处理方法、装置、终端设备及介质
Yu et al. The optimal production and quality policy for the vendor in a trade
JP2005235130A (ja) 製造・開発情報のデータトレースシステム
CN110675112A (zh) 一种基于供应链管理的电子商务系统
CN115187387B (zh) 一种风险商家的识别方法及设备
TWI754304B (zh) 缺陷分析方法及裝置、電子裝置及電腦可讀存儲介質

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