CN113537642A - 产品品质预测方法、装置、电子设备及存储介质 - Google Patents
产品品质预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113537642A CN113537642A CN202110960036.4A CN202110960036A CN113537642A CN 113537642 A CN113537642 A CN 113537642A CN 202110960036 A CN202110960036 A CN 202110960036A CN 113537642 A CN113537642 A CN 113537642A
- Authority
- CN
- China
- Prior art keywords
- process parameter
- product
- predicted
- parameter information
- sample
- 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
Links
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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了产品品质预测方法、装置、电子设备及存储介质。采用随机森林模型作为产品预测模型,随机森林模型中的多个决策树模型分别进行独立预测结果,并且最终将所有决策树模型的预测值平均作为预测产品信息,其不仅可自动进行参数筛选,无回归中的共线性问题,并且可避免因为单一模型产生过度配适(overfitting),可以增加预测准确度。采用孤立森林模型作为工艺参数异常判定模型,根据数据的离散程度检测出异常点,异常点通常会离群,使其在孤立树中的深度较浅,很快就会被检测孤立出来,并且孤立森林模型中的多个孤立树分别进行独立异常判定结果,并由模型投票机制最终得到异常判定结果,相对比统计以单变量判定为基础更加客观。
Description
技术领域
本公开涉及半导体技术领域,具体涉及产品品质预测方法、装置、电子设备及存储介质。
背景技术
半导体产业的投资规模庞大,必须大量生产才能提高经济效益,因此如何让生产设备每天24小时正常地运转和提高产品良率,成为业界获利的主要关键。若要完成全检之目标,就必须购置大量的量测设备,且须耗费大量的量测时间。一般为节省成本,可能采取抽检的方式来进行质量监测,无法达到全方位品质管控。
为达到全面质量管控目标,就必须研发虚拟量测技术,虚拟量测技术可大致上分为产品质量预测模型与工艺参数异常检测模型两个部分,现有的产品质量预测模型为单一统计回归预测模型及简单类神经网络,其中统计回归模型需先进行工艺参数筛选,而工艺参数间若具有高度相关性会产生共线性(collinearity)导致预测值发散,产生预测值失准的现象。简单类神经网络为了使训练模型预测误差最小化,产生过度配适(overfitting)现象,导致预测失准。现有的工艺参数异常检测模型以统计为基础进行,对于多个工艺参数同时发生的微变化敏感性低。
发明内容
本公开提出了产品品质预测方法、装置、电子设备及存储介质。
第一方面,本公开提供了一种产品品质预测方法,该方法包括:
获取至少一个待预测工艺参数信息,所述待预测工艺参数信息包括工艺参数及参数值;
将所述至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照所述待预测工艺参数信息制备出的产品的预测产品信息;
将所述至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示所述至少一个待预测工艺参数信息是否异常的异常判定结果;
基于所述预测产品信息和所述异常判定结果,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在一些可选的实现方式中,所述产品预测模型为随机森林模型,所述随机森林模型包括至少两棵决策树;以及
所述将所述至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照所述待预测工艺参数信息制备出的产品的预测产品信息,包括:
将所述至少一个待预测工艺参数信息输入每棵决策树,分别得到对应的预测产品输出结果;
将与各所述决策树对应的预测产品参数输出结果的预测值均值作为所述预测产品信息。
在一些可选的实现方式中,所述工艺参数异常判定模型为孤立森林模型,所述孤立森林模型包括至少两棵孤立树;以及
所述将所述至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示所述至少一个待预测工艺参数信息是否异常的异常判定结果,包括:
将所述至少一个待预测工艺参数信息输入每棵孤立树,分别得到对应的异常判定输出结果;
将与各所述孤立树对应的异常判定输出结果的众数作为所述异常判定结果。
在一些可选的实现方式中,所述产品预测模型是通过如下第一训练步骤预先训练得到的:
获取第一样本集,第一样本包括至少一个样本工艺参数信息以及按照所述样本工艺参数信息制备出的产品的产品信息,所述样本工艺参数信息包括样本工艺参数及样本参数值;
重复执行第一抽样操作,确定出至少两个第一训练子集,所述第一抽样操作包括:从所述第一样本集中有放回的随机抽取N个第一样本,得到第一训练子集;
基于每个所述第一训练子集,构造与该第一训练子集对应的决策树;
将与各所述第一训练子集对应的决策树确定为所述产品预测模型。
在一些可选的实现方式中,基于每个所述第一训练子集,构造与该第一训练子集对应的决策树,包括:
将所述第一训练子集中的第一样本的样本工艺参数信息作为输入,将对应的样本产品作为期望输出,构造与该第一训练子集对应的决策树。
在一些可选的实现方式中,所述工艺参数异常判定模型是通过如下第二训练步骤得到的:
获取第二样本集,第二样本包括至少一个样本工艺参数信息,所述样本工艺参数信息包括样本工艺参数及样本参数值;
重复执行第二抽样操作,确定出至少两个第二训练子集,所述第二抽样操作包括:从所述第二样本集中有放回的随机抽取N个第二样本,得到第二训练子集;
对于每个所述第二训练子集进行二叉划分以构建与该第二训练子集对应的孤立树;
将与各所述第二训练子集对应的孤立树确定为所述工艺参数异常判定模型。
在一些可选的实现方式中,所述第一样本集是通过如下步骤得到的:
获取历史数据集,历史数据包括至少一个历史工艺参数信息以及对应所述历史参数信息的历史产品测量值,所述历史工艺参数信息包括历史工艺参数和历史参数值;
对所述历史数据集中的每个历史工艺参数信息和每个历史产品参数测量值进行统计标准化处理,得到标准历史数据集;
从标准历史数据集中筛选出符合预设相关性阈值的标准历史数据,作为第一样本集。
在一些可选的实现方式中,在所述获取历史数据集之前,所述方法还包括:
收集目标生产设备的多条处理数据;
检测每个所述处理数据在至少一个预设工艺参数中的任一工艺参数有参数值异常或缺失时,从所述多条数据中删除该数据,得到历史数据集。
在一些可选的实现方式中,所述方法还包括:
基于所述预测产品信息和预先设置的产品预测模型的模型误差,确定所述产品预测模型的预测区间;
基于所述预测区间以及预先的置信区间,确定为所述产品预测模型的信任指标。
在一些可选的实现方式中,所述基于所述预测产品信息和所述异常判定结果,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果,包括:
将所述预测产品信息与预设产品参数测量阈值进行对比,和/或将所述异常判定结果与预设异常判定阈值进行对比,和/或将所述产品预测模型的信任指标与预先设置的信任指标阈值进行对比,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在一些可选的实现方式中,所述方法还包括:响应于确定所述品质预测结果为不合格时,控制报警指示灯呈现报警提示光,和/或控制报警蜂鸣器呈现报警提示音。
第二方面,本公开提供了一种产品品质装置,该装置包括:
获取单元,被配置为获取至少一个待预测工艺参数信息,所述待预测工艺参数信息包括工艺参数及参数值;
第一输出单元,被配置为将所述至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照所述待预测工艺参数信息制备出的产品的预测产品信息;
第二输出单元,被配置为将所述至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示所述至少一个待预测工艺参数信息是否异常的异常判定结果;
确定单元,被配置为基于所述预测产品信息和所述异常判定结果,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在一些可选的实现方式中,所述产品预测模型为随机森林模型,所述随机森林模型包括至少两棵决策树;以及
所述第一输出单元,进一步被配置为:将所述至少一个待预测工艺参数信息输入每棵决策树,分别得到对应的预测产品参数输出结果;
将与各所述决策树对应的预测产品参数输出结果的预测值均值作为所述预测产品信息。
在一些可选的实现方式中,所述工艺参数异常判定模型为孤立森林模型,所述孤立森林模型包括至少两棵孤立树;以及
所述第二输出单元,进一步被配置为:将所述至少一个待预测工艺参数信息输入每棵孤立树,分别得到对应的异常判定输出结果;
将与各所述孤立树对应的异常判定输出结果的众数作为所述异常判定结果。
在一些可选的实现方式中,所述产品预测模型是通过如下第一训练步骤预先训练得到的:
获取第一样本集,第一样本包括至少一个样本工艺参数信息以及按照所述样本工艺参数信息制备出的产品的产品信息,所述样本工艺参数信息包括样本工艺参数及样本参数值;
重复执行第一抽样操作,确定出至少两个第一训练子集,所述第一抽样操作包括:从所述第一样本集中有放回的随机抽取N个第一样本,得到第一训练子集;
基于每个所述第一训练子集,构造与该第一训练子集对应的决策树;
将与各所述第一训练子集对应的决策树确定为所述产品预测模型。
在一些可选的实现方式中,基于每个所述第一训练子集,构造与该第一训练子集对应的决策树,包括:
将所述第一训练子集中的第一样本的样本工艺参数信息作为输入,将对应的样本产品值作为期望输出,构造与该第一训练子集对应的决策树。
在一些可选的实现方式中,所述工艺参数异常判定模型是通过如下第二训练步骤得到的:
获取第二样本集,第二样本包括至少一个样本工艺参数信息,所述样本工艺参数信息包括样本工艺参数及样本参数值;
重复执行第二抽样操作,确定出至少两个第二训练子集,所述第二抽样操作包括:从所述第二样本集中有放回的随机抽取N个第二样本,得到第二训练子集;
对于每个所述第二训练子集进行二叉划分以构建与该第二训练子集对应的孤立树;
将与各所述第二训练子集对应的孤立树确定为所述工艺参数异常判定模型。
在一些可选的实现方式中,所述第一样本集是通过如下步骤得到的:
获取历史数据集,历史数据包括至少一个历史工艺参数信息以及对应所述历史参数信息的历史产品测量值,所述历史工艺参数信息包括历史工艺参数和历史参数值;
对所述历史数据集中的每个历史工艺参数信息和每个历史产品测量值进行标准化处理,得到标准历史数据集;
从标准历史数据集中筛选出符合预设相关性阈值的标准历史数据,作为第一样本集。
在一些可选的实现方式中,在所述获取历史数据集之前,还包括:
收集目标生产设备的多条处理数据;
检测每个所述处理数据在至少一个预设工艺参数中的任一工艺参数有参数值异常或缺失时,从所述多条数据中删除该数据,得到历史数据集。
在一些可选的实现方式中,所述装置还包括:
第一确定单元,被配置为基于所述预测产品信息和预先设置的产品预测模型的模型误差,确定所述产品预测模型的预测区间;
第二确定单元,被配置为基于所述预测区间以及预先的置信区间,确定为所述产品预测模型的信任指标。
在一些可选的实现方式中,所述确定单元进一步被配置为:
将所述预测产品信息与预设产品参数测量阈值进行对比,和/或将所述异常判定结果与预设异常判定阈值进行对比,和/或将所述产品预测模型的信任指标与预先设置的信任指标阈值进行对比,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在一些可选的实现方式中,所述装置还包括:
报警单元,被配置为响应于确定所述品质预测结果为不合格时,控制报警指示灯呈现报警提示光,和/或控制报警蜂鸣器呈现报警提示音。
第三方面,本公开提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第一方面中任一实现方式描述的方法。
为了解决神经网络的共线性或过拟合问题以及统计检测异常灵敏度低问题,本公开提供了产品品质预测方法、装置、电子设备及存储介质,采用随机森林模型作为产品预测模型,随机森林模型中的多个决策树模型分别进行独立预测结果,并且最终将所有决策树模型的预测值平均值作为预测产品信息,其不仅可自动进行参数筛选,无回归中的共线性问题,并且可避免因为单一模型产生过度配适(overfitting),可以增加预测准确度。采用孤立森林模型作为工艺参数异常判定模型,根据数据的离散程度检测出异常点,异常点通常会离群,使其在孤立树中的深度较浅,很快就会被检测孤立出来,并且孤立森林模型中的多个孤立树分别进行独立异常判定结果,并由模型投票机制最终得到异常判定结果,相对比统计以单变量判定为基础更加客观。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的产品品质预测方法的一个实施例的流程图;
图3是根据本公开的模型训练的架构图;
图4是根据本公开的第一训练步骤的流程图;
图5根据本公开的第二训练步骤的流程图;
图6是根据本公开的产品品质预测装置的一个实施例的结构示意图;
图7是适于用来实现本公开的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的产品品质预测方法或产品品质预测装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用,例如生产设备工艺参数监测类应用、产品预测类应用、生产设备工艺参数异常检测应用、网页浏览器应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是具有显示屏并且支持文本输入的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供按照待预测工艺参数信息制备出的产品的品质预测服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对终端设备101发送的待预测工艺参数信息提供按照待预测工艺参数信息制备出的产品的品质预测服务的后台服务器。后台服务器可以对接收到的待预测工艺参数信息进行分析等处理,并将处理结果(例如按照该待预测工艺参数信息制备出的产品的品质预测结果)反馈给终端设备。
在一些情况下,本公开所提供的产品品质预测方法可以由终端设备101和服务器103共同执行,例如,“获取至少一个待预测工艺参数信息”的步骤可以由终端设备101执行,其余步骤可以由服务器103执行。本公开对此不做限定。相应地,产品品质预测装置也可以分别设置于终端设备101和服务器103中。
在一些情况下,本公开所提供的产品品质预测方法可以由服务器103执行,相应地,产品品质预测装置也可以设置于服务器103中,这时,系统架构100也可以不包括终端设备101。
在一些情况下,本公开所提供的产品品质预测方法可以由终端设备101执行,相应地,产品品质预测装置也可以设置于终端设备101中,这时,系统架构100也可以不包括服务器103。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供按照待预测工艺参数信息制备出的产品的品质预测服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的产品品质预测方法的一个实施例的流程200。该产品品质预测方法,包括以下步骤:
步骤201,获取至少一个待预测工艺参数信息。
在本实施例中,产品品质预测方法的执行主体(例如,图1所示的服务器103)可以从本地或者远程地从与上述执行主体网络连接的其他电子设备获取至少一个待预测工艺参数信息。例如可以从生产设备监控系统所收集的生产设备在生产过程中的工艺参数信息中获取至少一个待预测工艺参数信息。至少一个待预测工艺参数信息可以是某个生产阶段对应的生产设备的实际参数设置。待预测工艺参数信息可以包括工艺参数及参数值。例如工艺参数为温度,对应的参数值为200度。例如工艺参数为时间,参数值为1小时。
步骤202,将至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照待预测工艺参数信息制备出的产品的预测产品信息。
在本实施例中,产品预测模型可以用于预测按照至少一个待预测工艺参数信息制备出的产品的参数信息。预测产品信息可以是产品的某种特征值,例如厚度10微米。
在一些可选的实现方式中,产品预测模型可以为随机森林模型,随机森林模型包括至少两棵决策树。步骤202可以进一步包括:将至少一个待预测工艺参数信息输入每棵决策树,分别得到对应的预测产品参数输出结果。将与各决策树对应的预测产品参数输出结果的预测值均值作为预测产品信息。
在该实现方式中,随机森林模型中的每棵决策树可以得到预测产品参数输出结果,然后将所有决策树的产品参数输出结果的平均值作为预测产品信息。例如随机森林模型中有3棵决策树,第一棵决策树的预测产品参数输出结果为厚度10微米,第二棵决策树的预测产品参数输出结果为厚度12微米,第三棵决策树的预测产品参数输出结果为厚度11微米,那么所有决策树的产品参数输出结果的平均值为(10+12+11)/3=11微米,即按照至少一个待预测工艺参数信息制备出的产品的参数信息为厚度11微米。
从该实现方式可以看出,产品预测模型可以为随机森林模型,而随机森林模型中的多个决策树模型分别进行独立预测结果,并且最终将所有决策树模型的平均作为预测产品信息,其不仅可自动进行参数筛选,无回归中的共线性问题,并且可避免因为单一模型产生过度配适(overfitting),可以增加预测准确度。
步骤203,将至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示至少一个待预测工艺参数信息是否异常的异常判定结果。
在本实施例中,工艺参数异常判定模型可以用于判定至少一个待预测工艺参数信是否异常。异常判定结果可以是预先设置的用于指示至少一个待预测工艺参数信息是否异常的信息,例如可以将“1”表示“异常”,将“0”表示“正常”。例如当异常判断结果为“1”时,表示至少一个待预测工艺参数信息异常。
在一些可选的实现方式中,工艺参数异常判定模型可以为孤立森林模型,孤立森林模型包括至少两棵孤立树。步骤203可以进一步包括:将至少一个待预测工艺参数信息输入每棵孤立树,分别得到对应的异常判定输出结果。将与各孤立树对应的异常判定输出结果的众数作为异常判定结果。
在该实现方式中,孤立森林模型中的每棵孤立树可以得到异常判定输出结果,然后将所有孤立树的异常判定输出结果的众数作为异常判定结果。例如孤立森林模型中有5棵孤立树,第一棵孤立树的异常判定输出结果为“正常”,第二棵孤立树的异常判定输出结果为“异常”,第三棵孤立树的异常判定输出结果为“异常”,第四棵孤立树的异常判定输出结果为“异常”,第五棵孤立树的异常判定输出结果为“异常”,那么所有孤立树的异常判定输出结果为一次“正常”,四次“异常”,即至少一个待预测工艺参数信息为“异常”。
从该实现方式可以看出,工艺参数异常判定模型可以为孤立森林模型,采用孤立森林模型作为工艺参数异常判定模型,根据数据的离散程度检测出异常点,并且孤立森林模型中的多个孤立树分别进行独立异常判定结果,并由模型投票机制最终得到异常判定结果,相对比统计以单变量判定为基础更加客观。
步骤204,基于预测产品信息和异常判定结果,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在本实施例中,上述执行主体可以判断预测产品信息是否符合预设的产品参数标准,判断异常判定结果是异常或正常,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果。例如,当预测产品信息符合预设的产品参数标准,和/或异常判定结果为正常的情况下,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果为合格,即按照至少一个待预测工艺参数信息制备出的产品是合格的。
在一些可选的实现方式中,产品品质预测的方法还可以包括:基于预测产品信息和预先设置的产品预测模型的模型误差,确定产品预测模型的预测区间。基于预测区间以及预先的置信区间,确定为产品预测模型的信任指标。
在该可选的实现方式中,信任指标越高,表示产品预测模型所得到的预测产品信息的可靠程度越高,准确程度越高。
在一些可选的实现方式中,步骤204进一步可以包括:将预测产品信息与预设产品参数测量阈值进行对比,和/或将异常判定结果与预设异常判定阈值进行对比,和/或将产品预测模型的信任指标与预先设置的信任指标阈值进行对比,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在该可选的实现方式中,从三个角度综合确定产品的品质预测结果,提高的预测结果的可靠性和准确性。
在一个实际场景中,在判断按照至少一个待预测工艺参数信息制备出的一批产品是否合格是否能出厂的情况下,当产品的品质预测结果为合格时,表示这批样品合格可以出厂。当产品的品质预测结果为不合格时,应当对这批产品抽样进行量测或者全部质检,确认这批样品是否合格,并且应当及时停止制备这批产品的生产设备,对生产设备以及制程参数进行检查。
在一个实际场景中,响应于确定品质预测结果为不合格时,控制报警指示灯呈现报警提示光,和/或控制报警蜂鸣器呈现报警提示音。可以提示工作人员采取应对措施。
本公开的上述实施例提供的方法,不仅通过利用生产设备工艺参数预测其所生产产品的质量进行实时的产品质量预测,而且进行实时的工艺参数异常检测,以实时发现异常,避免重大损失。
图3示出了根据本公开的模型训练的架构图。如图3所示,工艺参数数据库301可以储存生产过程中的历史处理信息(例如温度、压力、所使用的化学品、处理时间等等),历史处理信息可以是生产设备监控系统收集的。产品参数数据库302可以存储对产品进行量测所得到的量测数据,量测数据可以是量测设备收集的。工艺参数&产品参数数据库303可以存储工艺参数数据库301和产品参数数据库302中配对的数据,即工艺参数以及按照该工艺参数制备出的产品的参数。
对工艺参数&产品参数数据库303中数据进行标准化处理,将标准化后的工艺参数&产品参数数据作为第一训练样本,基于第一训练样本训练得到产品预测模型304与模型306,基于产品预测模型304的模型误差、产品预测模型304得出的预测值以及预设的置信区间,得到信任指标305。
在一些可选的实现方式中,步骤202中记载的产品预测模型可以是通过如图4所示的第一训练步骤预先训练得到的。
请参考图4,图4示出了根据本公开的第一训练步骤的流程图。该第一训练步骤包括以下步骤401和步骤402:
这里,第一训练步骤的执行主体可以与产品品质预测方法的执行主体相同。这样,第一训练步骤的执行主体可以在预先得到产品预测模型后,将产品预测模型存储在上述执行主体本地,并在产品品质预测方法过程中获取上述产品预测模型。
这里,第一训练步骤的执行主体可以与产品品质预测方法的执行主体不同。这样,第一训练步骤的执行主体可以在预先得到产品预测模型后,将产品预测模型发送给第一训练步骤的执行主体,并在产品品质预测方法过程中获取上述从第一训练步骤的执行主体接收到的上述产品预测模型。
步骤401,获取第一样本集,第一样本包括至少一个样本工艺参数信息以及按照样本工艺参数信息制备出的产品的产品信息,样本工艺参数信息包括样本工艺参数及样本参数值。
这里,第一训练步骤的执行主体可以首先获取第一样本集。第一样本集例如可以从图3中的工艺参数&产品参数数据库303中获取的。
步骤402,重复执行第一抽样操作,确定出至少两个第一训练子集,第一抽样操作包括:从第一样本集中有放回的随机抽取N个第一样本,得到第一训练子集。
这里,有放回的取样,这样产生的第一子训练集才相互独立,并且可以减少各第一样本之间的相关性。
步骤403,基于每个第一训练子集,构造与该第一训练子集对应的决策树。
这里,第一训练步骤的执行主体可以将第一训练子集中的第一样本的样本工艺参数信息作为输入,将对应的样本产品数值作为期望输出,构造与该第一训练子集对应的决策树。
步骤404,将与各第一训练子集对应的决策树确定为产品预测模型。
通过该实现方式,在构造决策树的过程中,主要依靠了其中三个随机过程,即产生决策树的样本是随机生成,构建决策树的特征值是随机选取,决策树产生过程中裂变的时候是选择N个最佳方向中的随机一个裂变的,能够自动搜索重要参数,由此可以避免过拟合现象,增强模型的泛化能力。
在一些可选的实现方式中,步骤203中记载的工艺参数异常判定模型可以是通过如图5所示的第二训练步骤预先训练得到的。请参考图5,图5示出了根据本公开的第二训练步骤的流程图。该第二训练步骤包括以下步骤501和步骤502:
这里,第二训练步骤的执行主体可以与产品品质预测方法的执行主体相同。这样,第二训练步骤的执行主体可以在预先得到工艺参数异常判定模型后,将工艺参数异常判定模型存储在上述执行主体本地,并在产品品质预测方法过程中获取上述工艺参数异常判定模型。
这里,第二训练步骤的执行主体可以与产品品质预测方法的执行主体不同。这样,第二训练步骤的执行主体可以在预先得到工艺参数异常判定模型后,将工艺参数异常判定模型发送给第二训练步骤的执行主体,并在产品品质预测方法过程中获取上述从第二训练步骤的执行主体接收到的上述工艺参数异常判定模型。
步骤501,获取第二样本集,第二样本包括至少一个样本工艺参数信息,样本工艺参数信息包括样本工艺参数及样本参数值。
这里,第二训练步骤的执行主体可以首先获取第二样本集。第二样本集例如可以从图3中的工艺参数&产品参数数据库303中获取的。
步骤502,重复执行第二抽样操作,确定出至少两个第二训练子集,第二抽样操作包括:从第二样本集中有放回的随机抽取N个第二样本,得到第二训练子集。
步骤503,对于每个第二训练子集进行二叉划分以构建与该第二训练子集对应的孤立树。
在构建每棵孤立树的过程中,在第二训练子集中随机选一个特征,并在这个特征的所有值范围内(最小值与最大值之间)随机选一个值,对样本进行二叉划分,将样本中小于该值的划分到节点的左边,大于等于该值的划分到节点的右边。由此得到一个分裂条件和左、右两边的数据集,然后分别在左右两边的数据集上重复上面的过程,直到第二训练子集只有一条样本或者达到了树的限定高度(max_depth)。
步骤504,将与各第二训练子集对应的孤立树确定为工艺参数异常判定模型。
通过该实现方式,在构造孤立树的过程中,异常点占总样本量的比例很小,异常点的特征值与正常点的差异很大,在多元分支点上异常点通常会离群,使其在孤立树中的深度较浅,很快就会被检测孤立出来,即异常样本相较普通样本可以通过较少次数的随机特征分割被孤立出来。以整体参数的离散度保留模型所需要的重要异常信息。
在一些可选的实现方式中,第一样本集和第二样本集可以是通过以下步骤得到的:收集目标生产设备的多条历史处理数据。检测每个历史处理数据在至少一个预设工艺参数中的任一工艺参数有参数值异常或缺失时,从多条数据中删除该数据,然后将至少一个历史工艺参数信息以及对应历史参数信息的历史产品测量值作为历史数据集。对历史数据集中的每个历史工艺参数信息和每个历史产品测量值进行标准化处理,得到标准历史数据集。从标准历史数据集中筛选出符合预设相关性阈值的标准历史数据,作为第一样本集。
这里,在判断每个历史处理数据在至少一个预设工艺参数中的任一工艺参数有参数值异常或缺失时,例如可以通过预先设置工艺参数完整收集的条件(例如收集时间条件),将不满足该条件的数据删除,以免产生不必要是错误信息。
这里,可以采用z-score标准化处理,Z-Score通过(x-μ)/σ将两组或多组数据转化为无单位的Z-Score分值,其中,x为原始数值,μ为平均值,σ为标准差,最终标准化为【-3,3】区间的数值。采用z-score标准化处理,可以去除数据的单位限制,将不同的数据转化为无量纲的纯数值,统一数据间的量级,便于不同单位或量级的指标能够进行比较。
这里,可以筛选出标准历史参数信息与标准产品测量值的比值在相关度阈值区间内的,例如[-1,-0.3]、[0.3,1],即筛选出中高度相关的参数。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种产品品质预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的产品品质预测装置600包括:获取单元601,被配置为获取至少一个待预测工艺参数信息,待预测工艺参数信息包括工艺参数及参数值。第一输出单元602,被配置为将至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照待预测工艺参数信息制备出的产品的预测产品信息。第二输出单元603,被配置为将至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示至少一个待预测工艺参数信息是否异常的异常判定结果。确定单元604,被配置为基于预测产品信息和异常判定结果,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在本实施例中,产品品质预测装置600的获取单元601、第一输出单元602、第二输出单元603和确定单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在一些可选的实现方式中,产品预测模型为随机森林模型,随机森林模型包括至少两棵决策树;以及
第一输出单元602可以进一步被配置为:将至少一个待预测工艺参数信息输入每棵决策树,分别得到对应的预测产品参数输出结果;
将与各决策树对应的预测产品参数输出结果的预测值均值作为预测产品信息。
在一些可选的实现方式中,工艺参数异常判定模型为孤立森林模型,孤立森林模型包括至少两棵孤立树;以及第二输出单元603可以进一步被配置为:将至少一个待预测工艺参数信息输入每棵孤立树,分别得到对应的异常判定输出结果;将与各孤立树对应的异常判定输出结果的众数作为异常判定结果。
在一些可选的实现方式中,产品预测模型是通过如下第一训练步骤预先训练得到的:获取第一样本集,第一样本包括至少一个样本工艺参数信息以及按照样本工艺参数信息制备出的产品的产品信息,样本工艺参数信息包括样本工艺参数及样本参数值;重复执行第一抽样操作,确定出至少两个第一训练子集,第一抽样操作包括:从第一样本集中有放回的随机抽取N个第一样本,得到第一训练子集;基于每个第一训练子集,构造与该第一训练子集对应的决策树;将与各第一训练子集对应的决策树确定为产品预测模型。
在一些可选的实现方式中,基于每个第一训练子集,构造与该第一训练子集对应的决策树,包括:将第一训练子集中的第一样本的样本工艺参数信息作为输入,将对应的样本产品数值作为期望输出,构造与该第一训练子集对应的决策树。
在一些可选的实现方式中,工艺参数异常判定模型是通过如下第二训练步骤得到的:获取第二样本集,第二样本包括至少一个样本工艺参数信息,样本工艺参数信息包括样本工艺参数及样本参数值;重复执行第二抽样操作,确定出至少两个第二训练子集,第二抽样操作包括:从第二样本集中有放回的随机抽取N个第二样本,得到第二训练子集;对于每个第二训练子集进行二叉划分以构建与该第二训练子集对应的孤立树;将与各第二训练子集对应的孤立树确定为工艺参数异常判定模型。
在一些可选的实现方式中,第一样本集可以是通过如下步骤得到的:获取历史数据集,历史数据包括至少一个历史工艺参数信息以及对应历史参数信息的历史产品测量值,历史工艺参数信息包括历史工艺参数和历史参数值;对历史数据集中的每个历史工艺参数信息和每个历史产品测量值进行标准化处理,得到标准历史数据集;从标准历史数据集中筛选出符合预设相关性阈值的标准历史数据,作为第一样本集。
在一些可选的实现方式中,在获取历史数据集之前,还可以包括:收集目标生产设备的多条处理数据;检测每个处理数据在至少一个预设工艺参数中的任一工艺参数有参数值异常或缺失时,从多条数据中删除该数据,得到历史数据集。
在一些可选的实现方式中,该装置还可以包括:第一确定单元,被配置为基于预测产品信息和预先设置的产品值预测模型的模型误差,确定产品预测模型的预测区间;第二确定单元,被配置为基于预测区间以及预先的置信区间,确定为产品预测模型的信任指标。
在一些可选的实现方式中,确定单元604可以进一步被配置为:将预测产品信息与预设产品测量阈值进行对比,和/或将异常判定结果与预设异常判定阈值进行对比,和/或将产品预测模型的信任指标与预先设置的信任指标阈值进行对比,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果。
在一些可选的实现方式中,该装置还可以包括:报警单元(图中未示出),被配置为响应于确定品质预测结果为不合格时,控制报警指示灯呈现报警提示光,和/或控制报警蜂鸣器呈现报警提示音。
需要说明的是,本公开提供的产品品质预测装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU,Central Processing Unit)701,其可以根据存储在只读存储器(ROM,Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM,Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O,Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705:包括触控屏、手写板、键盘或鼠标等的输入部分706;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid CrystalDisplay)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本公开的方法中限定的上述功能。需要说明的是,本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程序程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一输出单元、第二输出单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取至少一个待预测工艺参数信息”。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取至少一个待预测工艺参数信息,待预测工艺参数信息包括工艺参数及参数值;将至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照待预测工艺参数信息制备出的产品的预测产品信息;将至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示至少一个待预测工艺参数信息是否异常的异常判定结果;基于预测产品信息和异常判定结果,确定按照至少一个待预测工艺参数信息制备出的产品的品质预测结果。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种产品品质预测方法,包括:
获取至少一个待预测工艺参数信息,所述待预测工艺参数信息包括工艺参数及参数值;
将所述至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照所述待预测工艺参数信息制备出的产品的预测产品信息;
将所述至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示所述至少一个待预测工艺参数信息是否异常的异常判定结果;
基于所述预测产品信息和所述异常判定结果,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
2.根据权利要求1所述的方法,其中,所述产品预测模型为随机森林模型,所述随机森林模型包括至少两棵决策树;以及
所述将所述至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照所述待预测工艺参数信息制备出的产品的预测产品信息,包括:
将所述至少一个待预测工艺参数信息输入每棵决策树,分别得到对应的预测产品参数输出结果;
将与各所述决策树对应的预测产品参数输出结果的预测值均值作为所述预测产品信息。
3.根据权利要求1所述的方法,其中,所述工艺参数异常判定模型为孤立森林模型,所述孤立森林模型包括至少两棵孤立树;以及
所述将所述至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示所述至少一个待预测工艺参数信息是否异常的异常判定结果,包括:
将所述至少一个待预测工艺参数信息输入每棵孤立树,分别得到对应的异常判定输出结果;
将与各所述孤立树对应的异常判定输出结果的众数作为所述异常判定结果。
4.根据权利要求1所述的方法,其中,所述产品预测模型是通过如下第一训练步骤预先训练得到的:
获取第一样本集,第一样本包括至少一个样本工艺参数信息以及按照所述样本工艺参数信息制备出的产品的产品信息,所述样本工艺参数信息包括样本工艺参数及样本数值;
重复执行第一抽样操作,确定出至少两个第一训练子集,所述第一抽样操作包括:从所述第一样本集中有放回的随机抽取N个第一样本,得到第一训练子集;
基于每个所述第一训练子集,构造与该第一训练子集对应的决策树;
将与各所述第一训练子集对应的决策树确定为所述产品预测模型。
5.根据权利要求4所述的方法,其中,基于每个所述第一训练子集,构造与该第一训练子集对应的决策树,包括:
将所述第一训练子集中的第一样本的样本工艺参数信息作为输入,将对应的样本产品数值作为期望输出,构造与该第一训练子集对应的决策树。
6.根据权利要求1所述的方法,其中,所述工艺参数异常判定模型是通过如下第二训练步骤得到的:
获取第二样本集,第二样本包括至少一个样本工艺参数信息,所述样本工艺参数信息包括样本工艺参数及样本参数值;
重复执行第二抽样操作,确定出至少两个第二训练子集,所述第二抽样操作包括:从所述第二样本集中有放回的随机抽取N个第二样本,得到第二训练子集;
对于每个所述第二训练子集进行二叉划分以构建与该第二训练子集对应的孤立树;
将与各所述第二训练子集对应的孤立树确定为所述工艺参数异常判定模型。
7.根据权利要求4所述的方法,其中,所述第一样本集是通过如下步骤得到的:
获取历史数据集,历史数据包括至少一个历史工艺参数信息以及对应所述历史参数信息的历史产品测量值,所述历史工艺参数信息包括历史工艺参数和历史测量值;
对所述历史数据集中的每个历史工艺参数信息和每个历史产品测量值进行统计标准化处理,得到标准化历史数据集;
从标准历史数据集中筛选出符合预设相关性阈值的标准历史数据,作为第一样本集。
8.根据权利要求7所述的方法,其中,在所述获取历史数据集之前,所述方法还包括:
收集目标生产设备的多条处理数据;
检测每个所述处理数据在至少一个预设工艺参数中的任一工艺参数有参数值异常或缺失时,从所述多条数据中删除该数据,得到历史数据集。
9.根据权利要求1所述的方法,其中,所述方法还包括:
基于所述预测产品信息和预先设置的产品预测模型的模型误差,确定所述产品预测模型的预测区间;
基于所述预测区间以及预先的置信区间,确定为所述产品预测模型的信任指标。
10.根据权利要求9所述的方法,其中,所述基于所述预测产品信息和所述异常判定结果,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果,包括:
将所述预测产品信息与预设产品测量阈值进行对比,和/或将所述异常判定结果与预设异常判定阈值进行对比,和/或将所述产品预测模型的信任指标与预先设置的信任指标阈值进行对比,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
11.根据权利要求1所述的方法,其中,所述方法还包括:响应于确定所述品质预测结果为不合格时,控制报警指示灯呈现报警提示光,和/或控制报警蜂鸣器呈现报警提示音。
12.一种产品品质预测装置,包括:
获取单元,被配置为获取至少一个待预测工艺参数信息,所述待预测工艺参数信息包括工艺参数及参数值;
第一输出单元,被配置为将所述至少一个待预测工艺参数信息输入预先设置的产品预测模型,得到按照所述待预测工艺参数信息制备出的产品的预测产品信息;
第二输出单元,被配置为将所述至少一个待预测工艺参数信息输入预先设置的工艺参数异常判定模型,得到用于指示所述至少一个待预测工艺参数信息是否异常的异常判定结果;
确定单元,被配置为基于所述预测产品信息和所述异常判定结果,确定按照所述至少一个待预测工艺参数信息制备出的产品的品质预测结果。
13.一种电子设备,包括:
存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-11中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960036.4A CN113537642A (zh) | 2021-08-20 | 2021-08-20 | 产品品质预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960036.4A CN113537642A (zh) | 2021-08-20 | 2021-08-20 | 产品品质预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537642A true CN113537642A (zh) | 2021-10-22 |
Family
ID=78091886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960036.4A Pending CN113537642A (zh) | 2021-08-20 | 2021-08-20 | 产品品质预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537642A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822379A (zh) * | 2021-11-22 | 2021-12-21 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
CN114872290A (zh) * | 2022-05-20 | 2022-08-09 | 深圳市信润富联数字科技有限公司 | 一种注塑件的自适应生产异常监测方法 |
CN115796707A (zh) * | 2023-02-02 | 2023-03-14 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
CN115984992A (zh) * | 2022-12-22 | 2023-04-18 | 云控智行(上海)汽车科技有限公司 | 一种车辆运行数据的检测方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083849A (zh) * | 2018-01-25 | 2019-08-02 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造设备的软测量方法、计算机和计算机可读介质 |
CN110796485A (zh) * | 2019-10-11 | 2020-02-14 | 上海上湖信息技术有限公司 | 一种提高预测模型的预测精度的方法及装置 |
CN111242387A (zh) * | 2020-01-21 | 2020-06-05 | 河北工业大学 | 一种人才离职预测方法、装置、电子设备及存储介质 |
WO2020140678A1 (zh) * | 2019-01-04 | 2020-07-09 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备和存储介质 |
CN111565171A (zh) * | 2020-03-31 | 2020-08-21 | 北京三快在线科技有限公司 | 异常数据的检测方法、装置、电子设备及存储介质 |
WO2020258657A1 (zh) * | 2019-06-28 | 2020-12-30 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-20 CN CN202110960036.4A patent/CN113537642A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083849A (zh) * | 2018-01-25 | 2019-08-02 | 中芯国际集成电路制造(上海)有限公司 | 半导体制造设备的软测量方法、计算机和计算机可读介质 |
WO2020140678A1 (zh) * | 2019-01-04 | 2020-07-09 | 深圳壹账通智能科技有限公司 | 异常申请检测方法、装置、计算机设备和存储介质 |
WO2020258657A1 (zh) * | 2019-06-28 | 2020-12-30 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN110796485A (zh) * | 2019-10-11 | 2020-02-14 | 上海上湖信息技术有限公司 | 一种提高预测模型的预测精度的方法及装置 |
CN111242387A (zh) * | 2020-01-21 | 2020-06-05 | 河北工业大学 | 一种人才离职预测方法、装置、电子设备及存储介质 |
CN111565171A (zh) * | 2020-03-31 | 2020-08-21 | 北京三快在线科技有限公司 | 异常数据的检测方法、装置、电子设备及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822379A (zh) * | 2021-11-22 | 2021-12-21 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
CN113822379B (zh) * | 2021-11-22 | 2022-02-22 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
CN114872290A (zh) * | 2022-05-20 | 2022-08-09 | 深圳市信润富联数字科技有限公司 | 一种注塑件的自适应生产异常监测方法 |
CN114872290B (zh) * | 2022-05-20 | 2024-02-06 | 深圳市信润富联数字科技有限公司 | 一种注塑件的自适应生产异常监测方法 |
CN115984992A (zh) * | 2022-12-22 | 2023-04-18 | 云控智行(上海)汽车科技有限公司 | 一种车辆运行数据的检测方法、装置及设备 |
CN115796707A (zh) * | 2023-02-02 | 2023-03-14 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
CN115796707B (zh) * | 2023-02-02 | 2023-05-05 | 浪潮通用软件有限公司 | 一种pvb树脂产品质量指标预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537642A (zh) | 产品品质预测方法、装置、电子设备及存储介质 | |
CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
CN108228428B (zh) | 用于输出信息的方法和装置 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
US11300481B2 (en) | Method and system for predicting failures in diverse set of asset types in an enterprise | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112818066A (zh) | 一种时序数据异常检测方法、装置及电子设备和存储介质 | |
WO2022121337A1 (zh) | 数据探查方法、装置、电子设备以及存储介质 | |
CN112037007A (zh) | 针对小微企业信贷审批的方法及电子设备 | |
CN111708687B (zh) | 一种设备异常指标确定方法、装置、设备和存储介质 | |
CN113033639A (zh) | 一种异常数据检测模型的训练方法、电子设备及存储介质 | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN117149565A (zh) | 云平台关键性能指标的状态检测方法、装置、设备及介质 | |
CN115277261B (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN116032602A (zh) | 一种自动识别威胁数据的方法、装置、设备及存储介质 | |
CN113360359B (zh) | 指标异常数据溯源方法、装置、设备及存储介质 | |
CN115426161A (zh) | 异常设备识别方法、装置、设备、介质和程序产品 | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
CN113656391A (zh) | 数据检测方法及装置、存储介质及电子设备 | |
CN113961441A (zh) | 告警事件处理方法、审计方法、装置、设备、介质和产品 | |
CN115427986A (zh) | 用于从大容量、高速流式数据动态生成预测分析的算法学习引擎 | |
CN112579429A (zh) | 一种问题定位方法和装置 | |
CN116319386A (zh) | 可用性及故障预测方法、装置、电子设备和介质 | |
CN117691733A (zh) | 一种配电自动化系统信息安全防护的评估方法及装置 | |
CN116304814A (zh) | 一种基于分类算法的监测对象工况分析方法和系统 |
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 |