CN113552856A - 工艺参数根因定位方法和相关装置 - Google Patents
工艺参数根因定位方法和相关装置 Download PDFInfo
- Publication number
- CN113552856A CN113552856A CN202111104580.5A CN202111104580A CN113552856A CN 113552856 A CN113552856 A CN 113552856A CN 202111104580 A CN202111104580 A CN 202111104580A CN 113552856 A CN113552856 A CN 113552856A
- Authority
- CN
- China
- Prior art keywords
- parameter
- correlation coefficient
- subintervals
- data
- 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.)
- Granted
Links
Images
Classifications
-
- 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], computer integrated manufacturing [CIM]
- G05B19/41865—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], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/31061—Selection of assembly process parameters
-
- 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]
Abstract
本发明的实施例提供了一种工艺参数根因定位方法和相关装置，方法包括：分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；分别针对每个第一子区间和每个第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据；对样本标签和第一参数数据进行第一处理后，得到参数趋势波动的相关系数；对样本标签、制程参数数据以及第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；基于参数趋势波动的相关系数和参数时序趋势波动的相关系数，计算得到制程参数综合指标。兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，从而有效识别可疑参数。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及工艺参数根因定位方法和相关装置。
背景技术
在工业场景中，已实现玻璃自动化生产，其生产过程中，制程设备会自动留存其制作玻璃过程中对应的制程参数实际状态值。对于相同工艺的大批量玻璃，制程设备的参数设定值保持一致，但不同程度的波动情况可能会导致产出不良玻璃。
基于生产参数实时状态记录和精心设计的算法，有效挖掘出参数波动与不良的相关关系是定位不良的设备参数根因的关键所在。
目前对于根因的确定方式，一种为基于经典的Pearson\Kendall相关系数公式，计算样本的制程参数实际状态值与标签值的相关关系。另一种为对参数时序散点图做光滑曲线拟合，包括指数平滑法和平滑样条插值拟合，计算拟合残差平方和，若散点图趋势越平滑，拟合残差越小，参数的波动趋势与玻璃不良相关性越强，说明对应参数是根因的可能性越大。
上述两种方式考虑影响根因的因素不完全，从而导致最终计算的根因不够准确。
发明内容
本发明的目的包括，例如，提供了一种工艺参数根因定位方法和相关装置，其能够兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，有效识别可疑参数。
本发明的实施例可以这样实现：
第一方面，本发明实施例提供了一种工艺参数根因定位方法，所述方法包括：
分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；
分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据；
对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数；
对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；
基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标。
通过上述技术方案，兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，从而有效识别可疑参数。
在可选的实施方式中，所述分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间的步骤，包括：
提取制程参数和所述制程参数对应的样本标签；
通过回归数最优分箱算法，将所述制程参数进行区间切分，得到多个第一子区间；
获取所述制程参数、对应的样本标签以及对应的样本产出时间；
基于所述制程参数和所述对应的样本标签，将所述样本产出时间划分为多个第二子区间。
通过上述技术方案，保证将制程参数划分的足够小，从而确保不同第一子区间对应的样本标签足够准确。
在可选的实施方式中，所述分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据的步骤，包括：
针对每个所述第一子区间，确定所述第一子区间中的第一中位数；
将所述第一中位数作为落入所述第一子区间范围参数值的匹配映射值，将匹配映射值作为变换后的第一参数数据；
针对每个所述第二子区间，确定所述第二子区间中的第二中位数；
将所述第二中位数作为落入所述第二子区间范围时间的匹配映射值，将匹配映射值作为变换后的第一时间数据。
通过上述技术方案，避免第一子区间和第二子区间中存在计算数据，影响最后结果的准确性。
在可选的实施方式中，所述对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数的步骤，包括：
将所述第一参数数据进行分组；
确定每个所述分组的组别值；
计算每个所述分组对应的标签的第一平均值；
计算所述第一平均值和所述组别值的第一pearson相关系数；
将所述第一参数数据分组的所述组别值中心化处理；
取中心化处理后的第一组别值的第一绝对值组；
计算所述第一绝对值组和每个组对应的标签的所述第一平均值的第二pearson相关系数。
通过上述技术方案，通过计算第一平均值和组别值的第一pearson相关系数，以及第一绝对值组和每个组对应的标签的第一平均值的第二pearson相关系数，可以准确判定制程参数取值范围与样本标签的好坏之间的相关强度。
在可选的实施方式中，所述对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数的步骤，包括：
将所述第一时间数据、所述制程参数以及所述样本标签，按照时间顺序排序，得到排序后的第二时间数据、第二制程参数以及第二样本标签；
将所述第二制程参数按照所述第二时间数据进行分组，确定每个分组的制程参数的第二平均值和标签的第三平均值；
计算所述第二平均值和所述第三平均值的第三pearson相关系数；
将每个分组的制程参数的第二平均值中心化处理；
取中心化处理后的第二平均值的第二绝对值组；
计算所述第二绝对值组和所述第三平均值的第四pearson相关系数。
通过上述技术方案，通过计算参数时序趋势波动与样本标签之间的相关强度。
在可选的实施方式中，所述基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标的步骤，包括：
通过以下公式计算制程参数综合指标：
其中，所述P1为第一pearson相关系数，P2为第二pearson相关系数；TP1为第三pearson相关系数，TP2为第四pearson相关系数，TPP为制程参数综合指标。
通过上述技术方案，兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，有效识别可疑参数。
在可选的实施方式中，所述方法还包括：
当所述制程参数包括多种类型时，分别计算每种类型的制程参数的类型参数综合指标；
将多个类型参数综合指标的大小降序排序。
通过上述技术方案，对不同类型的制程参数，计算参数综合指标，并进行排序，依据排序，可以准确知道那些类型的制程参数是可疑参数，为后续修正制程设备的参数指明方向。
在可选的实施方式中，在所述将多个类型参数综合指标的大小降序排序的步骤之后，所述方法还包括：
获取排序在前的参数综合指标；
确定获取的参数综合指标对应的制程参数可疑。
通过上述技术方案，确定靠前的参数综合指标对应的制程参数可疑，为后续修正制程设备的参数指明方向。
第二方面，本发明实施例还提供了一种工艺参数根因定位装置，所述装置包括：
划分模块，用于分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；
生成模块，用于分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据；
第一处理模块，用于对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数；
第二处理模块，用于对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；
计算模块，用于基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标。
第三方面，本申请实施例提供了一种电子设备，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所述工艺参数根因定位方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述工艺参数根因定位方法的步骤。
本申请具有以下有益效果：
本申请通过分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间，分别针对每个第一子区间和每个第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据，对样本标签和第一参数数据进行第一处理后，得到参数趋势波动的相关系数，对样本标签、制程参数数据以及第一时间数据进行第二处理，得到参数时序趋势波动的相关系数，基于参数趋势波动的相关系数和参数时序趋势波动的相关系数，计算得到制程参数综合指标。本申请兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，从而有效识别可疑参数。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的电子设备的方框示意图；
图2为本发明实施例提供的一种工艺参数根因定位方法的流程示意图之一；
图3为本发明实施例提供的一种工艺参数根因定位方法的流程示意图之二；
图4为本发明实施例提供的一种工艺参数根因定位方法的流程示意图之三；
图5为本发明实施例提供的一种工艺参数根因定位方法的流程示意图之四；
图6为本发明实施例提供的一种工艺参数根因定位装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
目前对于根因的确定方式，一种为基于经典的Pearson\Kendall相关系数公式，计算样本的制程参数实际状态值与标签值的相关关系。另一种为对参数时序散点图做光滑曲线拟合，包括指数平滑法和平滑样条插值拟合，计算拟合残差平方和，若散点图趋势越平滑，拟合残差越小，参数的波动趋势与玻璃不良相关性越强，说明对应参数是根因的可能性越大。
但是经过发明人大量研究发现，采用现有技术的方式，考虑影响根因的因素不完全，从而导致最终计算的根因不够准确。
有鉴于对上述问题的发现，本实施例提供了一种工艺参数根因定位方法和相关装置，能够兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，有效识别可疑参数，下面对本实施例提供的方案进行详细阐述。
本实施例提供一种可以对工艺参数根因进行定位的电子设备。在一种可能的实现方式中，所述电子设备可以为用户终端，例如，电子设备可以是，但不限于，服务器、智能手机、个人电脑(PersonalComputer，PC)、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。
该电子设备可以具有能够对艺参数根因进行定位的器件，例如，中央处理器(Central Processing Unit，CPU)、图形处理器(Graphic Processing Unit，GPU)等，从而执行本实施例提供的工艺参数根因定位方法。
在另一种可能的实现方式中，所述电子设备也可以为能够与用户终端通信的服务器。该服务器可以分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；分别针对每个所述第一子区间和每个所述第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据；对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数；对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标。
参照图1所示的该电子设备100的结构示意图。该电子设备100包括工艺参数根因定位装置110、存储器120、处理器130。
该存储器120、处理器130，各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。该工艺参数根因定位装置110包括至少一个可以软件或固件(Firmware)的形式存储于存储器120中或固化在服电子设备100的操作系统(Operating System，OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块，例如工艺参数根因定位装置110所包括的软件功能模块及计算机程序等。该工艺参数根因定位装置110中的计算机可执行指令被处理器执行时，实现该连工艺参数根因定位方法。
其中，该存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器120用于存储程序，该处理器130在接收到执行指令后，执行该程序。
该处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
请参照图2，图2为应用于图1所示的电子设备100的一种工艺参数根因定位方法的流程图，以下将对所述方法包括各个步骤进行详细阐述：
步骤201：分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间。
步骤202：分别针对每个第一子区间和每个第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据。
步骤203：对样本标签和第一参数数据进行第一处理后，得到参数趋势波动的相关系数。
步骤204：对样本标签、制程参数数据以及第一时间数据进行第二处理，得到参数时序趋势波动的相关系数。
步骤205：基于参数趋势波动的相关系数和参数时序趋势波动的相关系数，计算得到制程参数综合指标。
制程参数为制程设备对样本进行生产时，制程设备基于不同样本具有不同的制程参数，其中，制程参数可以包括温度、气压、氧气浓度等。样本的产出时间为，制程设备对样本生产时，每个样本对应不同的产出时间。
将制程参数划分为多个第一子区间，将样本产出时间划分为多个第二子区间。
对制程参数进行区间划分，具体为：提取制程参数和制程参数对应的样本标签；通过预设算法，将制程参数进行区间切分，得到多个第一子区间。
其中，样本标签表征生产的样本的质量的好坏，例如：当样本标签为0时，表明该样本的质量为好，当样本标签为1时，则表明样本的质量为差。
提取制程参数和制程参数对应的样本标签，基于预设算法，将制程参数进行区间划分。需要说明的是，预设算法有多种，可以为回归数最优分箱算法、卡方分箱以及WOE分箱等，本发明实施例采用回归数最优分箱算法，对制程参数进行区间划分。
基于制程参数和对应的样本标签，进行区间划分后，基于样本标签，可以得到采用不同第一子区间的制程参数，得到不同的质量的样本，一些第一子区间对应的制程参数得到样本质量是好的，另一些第一子区间对应的制程参数得到的样本质量是的差的。
假设样本足够充分，可设置默认切分的最少第一子区间的数量为20，以保证第一子区间的数量足够，保证将制程参数划分的足够小，从而确保不同第一子区间对应的样本标签足够准确。
对样本产出时间进行多个子区间划有多种方式，示例性的，获取制程参数、对应的样本标签以及对应的样本产出时间；基于制程参数和对应的样本标签，将样本产出时间划分为多个第二子区间。
其中，制程参数、样本标签以及样本产出时间存在对应关系，即一个样本对应样本标签、样本产出时间以及制程参数。
制程参数以及对应的样本标签以及样本产出时间数据，查看样本产出时间的时间范围是否超过第一预设时长，若超过则按时间天为时间区间段，将样本产出时间切分为多个第二子区间，若未超过第一预设时长，则查看时间范围是否超过第二预设时长，若超过第二预时长，则按小时为时间区间段，将样本产出时长切分为多个第二子区间，若未超过第二预设时长，则按分钟为时间区间段，将样本产出时间切分为多个第二子区间。
为了避免第一子区间和第二子区间中存在计算数据，影响最后结果的准确性，则分别针对每个第一子区间和每个第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据。
对样本标签和第一参数数据进行第一处理后，得到参数趋势波动的线性相关系数和非线性相关系数。对样本标签、制程参数数据以及第一时间数据进行第二处理，得到参数时序趋势波动的线性相关系数和非线性相关系数。最终基于参数趋势波动的线性相关系数和非线性相关系数以及参数时序趋势波动的线性相关系数和非线性相关系数，确定制程参数综合指标，从而依据制程参数的综合指标，确定制程设备的可疑参数，进而确定对制程设备的修正方向。
为了保证各第一子区间存在的极端数据，不影响后续计算结果的准确性，针对上述步骤202，在本申请的另一实施例中，如图3所示，提供了一种工艺参数根因定位方法，具体包括如下步骤：
步骤202-1：针对每个第一子区间，确定第一子区间中的第一中位数。
步骤202-2：将第一中位数作为落入第一子区间范围参数值的匹配映射值，将匹配映射值作为变换后的第一参数数据。
步骤202-3：针对每个第二子区间，确定第二子区间中的第二中位数。
步骤202-4：将第二中位数作为落入第二子区间范围时间的匹配映射值，将匹配映射值作为变换后的第一时间数据。
例如：某一第一子区间为（1，2，3，4，5），则取区间中的第一中位数，即为3，将（3，3，3，3，3）作为落入第一子区间范围参数值的匹配映射值，将（3，3，3，3，3）作为变换后的第一参数数据。
对于第二子区间，采用上述同样的方式，确定第二子区间对应的第一时间数据。
确定参数趋势波动的相关系数，针对上述步骤203，在本申请的另一实施例中，如图4所示，提供了一种工艺参数根因定位方法，具体包括如下步骤：需要说明的制程参数包括多种类型，制程参数的类型可以包括温度制程参数、气压制程参数、氧气浓度制程参数，以下步骤为针对计算某一类型制程参数的参数趋势波动的相关系数的具体计算方式：
步骤203-1：将第一参数数据进行分组。
步骤203-2：确定每个分组的组别值。
步骤203-3：计算每个分组对应的标签的第一平均值。
步骤203-4：计算第一平均值和组别值的第一pearson相关系数。
步骤203-5：将第一参数数据分组的组别值中心化处理。
步骤203-6：取中心化处理后的第一组别值的第一绝对值组。
步骤203-7：计算第一绝对值组和每个组对应的标签的第一平均值的第二pearson相关系数。
示例性的，当第一参数数据为（3,3,3,4,4,4,5,5,5），将第一参数数据分组后，分组后的数据为（3,3,3）、（4,4,4）、（5,5,5），确定每个分组的组别值，分组（3,3,3）的组别值为3，分组（4,4,4）的组别值为4，分组（5,5,5）的组别值为5。
第一参数数据中每个数据均对应有样本标签，第一参数数据的样本标签为在第一参数数据未进行处理之前的制程参数数据对应的样本标签。例如：第一参数数据为（3,3,3,4,4,4,5,5,5），对应的样本标签为（1,1,1,0,0,0,1,1,1），分组（3,3,3）对应的样本标签的第一平均值为1，分组（4,4,4）对应的样本标签的第一平均值为0，分组（5,5,5）对应的样本标签的第一平均值为1。
计算
的第一pearson相关系数。Pearson相关系数（Pearson CorrelationCoefficient）是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。
将第一参数数据分组的组别值去中心化处理，即为，确定未经过处理前的制程参数的均值，将制程参数的均值分别与不同组别值与进行相减计算，取计算后的绝对值，得到第一绝对值组。计算第一绝对值组和每个组对应的标签的第一平均值的第二pearson相关系数。
确定参数时序趋势波动的相关系数，针对上述步骤204，在本申请的另一实施例中，如图5所示，提供了一种工艺参数根因定位方法，具体包括如下步骤：
以下步骤为针对计算某一类型制程参数的参数趋势波动的相关系数的具体计算方式，其中，步骤204与步骤203参与计算的制程参数类型一致。
步骤204-1：将第一时间数据、制程参数以及样本标签，按照时间顺序排序，得到排序后的第二时间数据、第二制程参数以及第二样本标签。
步骤204-2：将第二制程参数按照第二时间数据进行分组，确定每个分组的制程参数的第二平均值和标签的第三平均值。
步骤204-3：计算第二平均值和第三平均值的第三pearson相关系数。
步骤204-4：将每个分组的制程参数的第二平均值中心化处理。
步骤204-5：取中心化处理后的第二平均值的第二绝对值组。
步骤204-6：计算第二绝对值组和第三平均值的第四pearson相关系数。
确定参数时序趋势波动的相关系数的处理方式与步骤203-1至步骤203-7方式类似，不同的为，需要将先将第一时间数据、制程参数以及样本标签，按照时间顺序排序，得到排序后的第二时间数据、第二制程参数以及第二样本标签。
具体对于计算第三pearson相关系数和第四pearson相关系数的计算方式再次不再赘述。
最终基于参数趋势波动的相关系数和参数时序趋势波动的相关系数，计算得到制程参数综合指标，示例性的，通过以下公式计算制程参数综合指标：
其中，P1为第一pearson相关系数，P2为第二pearson相关系数；TP1为第三pearson相关系数，TP2为第四pearson相关系数，TPP为制程参数综合指标。
分别计算每种类型的制程参数的类型参数综合指标，将多个类型参数综合指标的大小降序排序。获取排序在前的参数综合指标；确定获取的参数综合指标对应的制程参数可疑。
本申请通过分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间，分别针对每个第一子区间和每个第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据，对样本标签和第一参数数据进行第一处理后，得到参数趋势波动的相关系数，对样本标签、制程参数数据以及第一时间数据进行第二处理，得到参数时序趋势波动的相关系数，基于参数趋势波动的相关系数和参数时序趋势波动的相关系数，计算得到制程参数综合指标。本申请兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，从而有效识别可疑参数。
请参照图6，本实施例还提供一种应用于图1所述电子设备100的工艺参数根因定位装置110，所述工艺参数根因定位装置110包括：
划分模块111，用于分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；
生成模块112，用于分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据；
第一处理模块113，用于对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数；
第二处理模块114，用于对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；
计算模块115，用于基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标。
可选地，在一些可能的实现方式中，所述划分模块111具体用于：
提取制程参数和所述制程参数对应的样本标签；
通过回归数最优分箱算法，将所述制程参数进行区间切分，得到多个第一子区间；
获取所述制程参数、对应的样本标签以及对应的样本产出时间；
基于所述制程参数和所述对应的样本标签，将所述样本产出时间划分为多个第二子区间。
可选地，在一些可能的实现方式中，所述生成模块112具体用于：
针对每个所述第一子区间，确定所述第一子区间中的第一中位数；
将所述第一中位数作为落入所述第一子区间范围参数值的匹配映射值，将匹配映射值作为变换后的第一参数数据；
针对每个所述第二子区间，确定所述第二子区间中的第二中位数；
将所述第二中位数作为落入所述第二子区间范围时间的匹配映射值，将匹配映射值作为变换后的第一时间数据。
可选地，在一些可能的实现方式中，所述第一处理模块113具体用于：
将所述第一参数数据进行分组；
确定每个所述分组的组别值；
计算每个所述分组对应的标签的第一平均值；
计算所述第一平均值和所述组别值的第一pearson相关系数；
将所述第一参数数据分组的所述组别值中心化处理；
取中心化处理后的第一组别值的第一绝对值组；
计算所述第一绝对值组和每个组对应的标签的所述第一平均值的第二pearson相关系数。
可选地，在一些可能的实现方式中，所述第二处理模块114具体用于：
将所述第一时间数据、所述制程参数以及所述样本标签，按照时间顺序排序，得到排序后的第二时间数据、第二制程参数以及第二样本标签；
将所述第二制程参数按照所述第二时间数据进行分组，确定每个分组的制程参数的第二平均值和标签的第三平均值；
计算所述第二平均值和所述第三平均值的第三pearson相关系数；
将每个分组的制程参数的第二平均值中心化处理；
取中心化处理后的第二平均值的第二绝对值组；
计算所述第二绝对值组和所述第三平均值的第四pearson相关系数。
可选地，在一些可能的实现方式中，所述计算模块115具体用于：
通过以下公式计算制程参数综合指标：
其中，所述P1为第一pearson相关系数，P2为第二pearson相关系数；TP1为第三pearson相关系数，TP2为第四pearson相关系数，TPP为制程参数综合指标。
可选地，在一些可能的实现方式中，所述计算模块115还用于：
当所述制程参数包括多种类型时，分别计算每种类型的制程参数的类型参数综合指标；
将多个类型参数综合指标的大小降序排序。
可选地，在一些可能的实现方式中，所述计算模块115还用于：
获取排序在前的参数综合指标；
确定获取的参数综合指标对应的制程参数可疑。
综上所述，本申请通过分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间，分别针对每个第一子区间和每个第二子区间，确定各第一子区间的中位数，生成第一参数数据，确定各第二子区间的中位数，生成第一时间数据，对样本标签和第一参数数据进行第一处理后，得到参数趋势波动的相关系数，对样本标签、制程参数数据以及第一时间数据进行第二处理，得到参数时序趋势波动的相关系数，基于参数趋势波动的相关系数和参数时序趋势波动的相关系数，计算得到制程参数综合指标。本申请兼顾参数趋势波动和参数时序趋势波动与标签波动的相关性分析，从而有效识别可疑参数。
本申请还提供一种电子设备100，电子设备100包括处理器130以及存储器120。存储器120存储有计算机可执行指令，计算机可执行指令被处理器130执行时，实现该工艺参数根因定位方法。
本申请实施例还提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器130执行时，实现该工艺参数根因定位方法。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种工艺参数根因定位方法，其特征在于，所述方法包括：
分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；
分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据；
对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数；
对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；
基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标。
2.根据权利要求1所述的方法，其特征在于，所述分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间的步骤，包括：
提取制程参数和所述制程参数对应的样本标签；
通过回归数最优分箱算法，将所述制程参数进行区间切分，得到多个第一子区间；
获取所述制程参数、对应的样本标签以及对应的样本产出时间；
基于所述制程参数和所述对应的样本标签，将所述样本产出时间划分为多个第二子区间。
3.根据权利要求1所述的方法，其特征在于，所述分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据的步骤，包括：
针对每个所述第一子区间，确定所述第一子区间中的第一中位数；
将所述第一中位数作为落入所述第一子区间范围参数值的匹配映射值，将匹配映射值作为变换后的第一参数数据；
针对每个所述第二子区间，确定所述第二子区间中的第二中位数；
将所述第二中位数作为落入所述第二子区间范围时间的匹配映射值，将匹配映射值作为变换后的第一时间数据。
4.根据权利要求1所述的方法，其特征在于，所述对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数的步骤，包括：
将所述第一参数数据进行分组；
确定每个所述分组的组别值；
计算每个所述分组对应的标签的第一平均值；
计算所述第一平均值和所述组别值的第一pearson相关系数；
将所述第一参数数据的分组的所述组别值中心化处理；
取中心化处理后的第一组别值的第一绝对值组；
计算所述第一绝对值组和每个组对应的标签的所述第一平均值的第二pearson相关系数。
5.根据权利要求4所述的方法，其特征在于，所述对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数的步骤，包括：
将所述第一时间数据、所述制程参数以及所述样本标签，按照时间顺序排序，得到排序后的第二时间数据、第二制程参数以及第二样本标签；
将所述第二制程参数按照所述第二时间数据进行分组，确定每个分组的制程参数的第二平均值和标签的第三平均值；
计算所述第二平均值和所述第三平均值的第三pearson相关系数；
将每个分组的制程参数的第二平均值中心化处理；
取中心化处理后的第二平均值的第二绝对值组；
计算所述第二绝对值组和所述第三平均值的第四pearson相关系数。
6.根据权利要求5所述的方法，其特征在于，所述基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标的步骤，包括：
通过以下公式计算制程参数综合指标：
其中，P1为第一pearson相关系数，P2为第二pearson相关系数；TP1为第三pearson相关系数，TP2为第四pearson相关系数，TPP为制程参数综合指标。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述制程参数包括多种类型时，分别计算每种类型的制程参数的类型参数综合指标；
将多个类型参数综合指标的大小降序排序。
8.根据权利要求7所述的方法，其特征在于，在所述将多个类型参数综合指标的大小降序排序的步骤之后，所述方法还包括：
获取排序在前的参数综合指标；
确定获取的参数综合指标对应的制程参数可疑。
9.一种工艺参数根因定位装置，其特征在于，所述装置包括：
划分模块，用于分别将制程参数和样本产出时间划分为多个子区间，得到多个第一子区间和多个第二子区间；
生成模块，用于分别针对每个所述第一子区间和每个所述第二子区间，确定各所述第一子区间的中位数，生成第一参数数据，确定各所述第二子区间的中位数，生成第一时间数据；
第一处理模块，用于对样本标签和所述第一参数数据进行第一处理后，得到参数趋势波动的相关系数；
第二处理模块，用于对所述样本标签、所述制程参数数据以及所述第一时间数据进行第二处理，得到参数时序趋势波动的相关系数；
计算模块，用于基于所述参数趋势波动的相关系数和所述参数时序趋势波动的相关系数，计算得到制程参数综合指标。
10.根据权利要求9所述的装置，其特征在于，所述划分模块具体用于：
提取制程参数和所述制程参数对应的样本标签；
通过回归数最优分箱算法，将所述制程参数进行区间切分，得到多个第一子区间；
获取所述制程参数、对应的样本标签以及对应的样本产出时间；
基于所述制程参数和所述对应的样本标签，将所述样本产出时间划分为多个第二子区间。
11.一种电子设备，其特征在于，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权利要求1-8任一项所述工艺参数根因定位方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8中任一项所述工艺参数根因定位方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111104580.5A CN113552856B (zh) | 2021-09-22 | 2021-09-22 | 工艺参数根因定位方法和相关装置 |
| PCT/CN2022/086785 WO2023045305A1 (zh) | 2021-09-22 | 2022-04-14 | 工艺参数根因定位方法和相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111104580.5A CN113552856B (zh) | 2021-09-22 | 2021-09-22 | 工艺参数根因定位方法和相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113552856A true CN113552856A (zh) | 2021-10-26 |
| CN113552856B CN113552856B (zh) | 2021-12-10 |
Family
ID=78106475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111104580.5A Active CN113552856B (zh) | 2021-09-22 | 2021-09-22 | 工艺参数根因定位方法和相关装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113552856B (zh) |
| WO (1) | WO2023045305A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023045305A1 (zh) * | 2021-09-22 | 2023-03-30 | 成都数之联科技股份有限公司 | 工艺参数根因定位方法和相关装置 |
| WO2023245511A1 (zh) * | 2022-06-22 | 2023-12-28 | 重庆康佳光电技术研究院有限公司 | 工艺参数调整方法、系统、生产系统及计算机设备 |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020059010A1 (en) * | 2000-03-27 | 2002-05-16 | Nec Corporation | Failure analyzing device for semiconductors |
| US20030009270A1 (en) * | 1995-06-07 | 2003-01-09 | Breed David S. | Telematics system for vehicle diagnostics |
| US20030139837A1 (en) * | 2000-02-22 | 2003-07-24 | Marr Edmund John | System and method for monitoring a control process in a process plant |
| US20040236528A1 (en) * | 2002-11-12 | 2004-11-25 | Erwin Steinkirchner | Method, device, computer-readable storage medium and computer program element for monitoring of a manufacturing process |
| CN1926487A (zh) * | 2004-03-03 | 2007-03-07 | 费舍-柔斯芒特系统股份有限公司 | 加工厂中的异常状况预防 |
| EP1794693A2 (en) * | 2004-10-01 | 2007-06-13 | Mentor Graphics Corporation | Feature failure correlation |
| US20080281566A1 (en) * | 2004-10-28 | 2008-11-13 | Weidong Wang | Semiconductor yield management system and method |
| CN101425449A (zh) * | 2007-11-01 | 2009-05-06 | 株式会社半导体能源研究所 | 半导体衬底的制造方法、半导体装置、及电子设备 |
| US20100317420A1 (en) * | 2003-02-05 | 2010-12-16 | Hoffberg Steven M | System and method |
| US20110054869A1 (en) * | 2008-05-05 | 2011-03-03 | Dachang Li | Modeling Dynamic Systems By Visualizing and Narrowing A Parameter Space |
| CN102520717A (zh) * | 2004-03-03 | 2012-06-27 | 费舍-柔斯芒特系统股份有限公司 | 用于在加工厂中预防异常状况的数据呈现系统 |
| US20130124113A1 (en) * | 2011-11-10 | 2013-05-16 | SpiritIT B.V. | Determining a quantity of transported fluid |
| CN103605662A (zh) * | 2013-10-21 | 2014-02-26 | 华为技术有限公司 | 一种分布式计算框架参数优化方法、装置及系统 |
| US20150331780A1 (en) * | 2013-01-14 | 2015-11-19 | International Business Machines Corporation | Defect analysis system for error impact reduction |
| US20160034305A1 (en) * | 2013-03-15 | 2016-02-04 | Advanced Elemental Technologies, Inc. | Methods and systems for purposeful computing |
| CN105656693A (zh) * | 2016-03-15 | 2016-06-08 | 南京联成科技发展有限公司 | 一种基于回归的信息安全异常检测的方法及系统 |
| US20170046499A1 (en) * | 2014-04-25 | 2017-02-16 | The Regents Of The University Of California | Recognizing predictive patterns in the sequence of superalarm triggers for predicting patient deterioration |
| CN106815462A (zh) * | 2015-11-30 | 2017-06-09 | 郑芳田 | 辨识良率损失的根本原因的系统与方法 |
| CN107037311A (zh) * | 2016-10-27 | 2017-08-11 | 国家电网公司 | 一种变压器绕组匝间绝缘故障诊断方法与装置 |
| CN107209502A (zh) * | 2014-12-05 | 2017-09-26 | 赛峰飞机发动机公司 | 在减少控制的情况下基于对统计指标的分析来制造部件的方法 |
| CN108271191A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信集团福建有限公司 | 无线网络问题根因定位方法及装置 |
| 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 |
| CN110555119A (zh) * | 2019-08-27 | 2019-12-10 | 成都数之联科技有限公司 | 一种实时场景下无人机遥感影像切片方法及系统 |
| CN110874086A (zh) * | 2018-08-31 | 2020-03-10 | 长鑫存储技术有限公司 | 基于半导体量测参数的评估方法、装置和终端设备 |
| 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 |
| CN112052151A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 故障根因分析方法、装置、设备及存储介质 |
| CN112269818A (zh) * | 2020-11-25 | 2021-01-26 | 成都数之联科技有限公司 | 一种设备参数根因定位方法及系统、装置、介质 |
| CN112306036A (zh) * | 2019-08-02 | 2021-02-02 | 中国石油化工股份有限公司 | 化工过程运行故障的诊断方法 |
| US20210064456A1 (en) * | 2019-08-29 | 2021-03-04 | Sap Se | Failure mode specific analytics using parametric models |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3705959A1 (en) * | 2019-03-04 | 2020-09-09 | ASML Netherlands B.V. | Method for determining root causes of events of a semiconductor manufacturing process and for monitoring a semiconductor manufacturing process |
| CN113552856B (zh) * | 2021-09-22 | 2021-12-10 | 成都数之联科技有限公司 | 工艺参数根因定位方法和相关装置 |
-
2021
- 2021-09-22 CN CN202111104580.5A patent/CN113552856B/zh active Active
-
2022
- 2022-04-14 WO PCT/CN2022/086785 patent/WO2023045305A1/zh unknown
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030009270A1 (en) * | 1995-06-07 | 2003-01-09 | Breed David S. | Telematics system for vehicle diagnostics |
| US20030139837A1 (en) * | 2000-02-22 | 2003-07-24 | Marr Edmund John | System and method for monitoring a control process in a process plant |
| US20020059010A1 (en) * | 2000-03-27 | 2002-05-16 | Nec Corporation | Failure analyzing device for semiconductors |
| US20040236528A1 (en) * | 2002-11-12 | 2004-11-25 | Erwin Steinkirchner | Method, device, computer-readable storage medium and computer program element for monitoring of a manufacturing process |
| US20100317420A1 (en) * | 2003-02-05 | 2010-12-16 | Hoffberg Steven M | System and method |
| CN1926487A (zh) * | 2004-03-03 | 2007-03-07 | 费舍-柔斯芒特系统股份有限公司 | 加工厂中的异常状况预防 |
| CN102520717A (zh) * | 2004-03-03 | 2012-06-27 | 费舍-柔斯芒特系统股份有限公司 | 用于在加工厂中预防异常状况的数据呈现系统 |
| EP1794693A2 (en) * | 2004-10-01 | 2007-06-13 | Mentor Graphics Corporation | Feature failure correlation |
| US20080281566A1 (en) * | 2004-10-28 | 2008-11-13 | Weidong Wang | Semiconductor yield management system and method |
| CN101425449A (zh) * | 2007-11-01 | 2009-05-06 | 株式会社半导体能源研究所 | 半导体衬底的制造方法、半导体装置、及电子设备 |
| US20110054869A1 (en) * | 2008-05-05 | 2011-03-03 | Dachang Li | Modeling Dynamic Systems By Visualizing and Narrowing A Parameter Space |
| US20130124113A1 (en) * | 2011-11-10 | 2013-05-16 | SpiritIT B.V. | Determining a quantity of transported fluid |
| US20150331780A1 (en) * | 2013-01-14 | 2015-11-19 | International Business Machines Corporation | Defect analysis system for error impact reduction |
| US20160034305A1 (en) * | 2013-03-15 | 2016-02-04 | Advanced Elemental Technologies, Inc. | Methods and systems for purposeful computing |
| CN103605662A (zh) * | 2013-10-21 | 2014-02-26 | 华为技术有限公司 | 一种分布式计算框架参数优化方法、装置及系统 |
| US20170046499A1 (en) * | 2014-04-25 | 2017-02-16 | The Regents Of The University Of California | Recognizing predictive patterns in the sequence of superalarm triggers for predicting patient deterioration |
| CN107209502A (zh) * | 2014-12-05 | 2017-09-26 | 赛峰飞机发动机公司 | 在减少控制的情况下基于对统计指标的分析来制造部件的方法 |
| CN106815462A (zh) * | 2015-11-30 | 2017-06-09 | 郑芳田 | 辨识良率损失的根本原因的系统与方法 |
| CN105656693A (zh) * | 2016-03-15 | 2016-06-08 | 南京联成科技发展有限公司 | 一种基于回归的信息安全异常检测的方法及系统 |
| CN107037311A (zh) * | 2016-10-27 | 2017-08-11 | 国家电网公司 | 一种变压器绕组匝间绝缘故障诊断方法与装置 |
| CN108271191A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信集团福建有限公司 | 无线网络问题根因定位方法及装置 |
| CN110874086A (zh) * | 2018-08-31 | 2020-03-10 | 长鑫存储技术有限公司 | 基于半导体量测参数的评估方法、装置和终端设备 |
| 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 |
| CN112306036A (zh) * | 2019-08-02 | 2021-02-02 | 中国石油化工股份有限公司 | 化工过程运行故障的诊断方法 |
| CN110555119A (zh) * | 2019-08-27 | 2019-12-10 | 成都数之联科技有限公司 | 一种实时场景下无人机遥感影像切片方法及系统 |
| US20210064456A1 (en) * | 2019-08-29 | 2021-03-04 | Sap Se | Failure mode specific analytics using parametric models |
| 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 |
| CN112052151A (zh) * | 2020-10-09 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 故障根因分析方法、装置、设备及存储介质 |
| CN112269818A (zh) * | 2020-11-25 | 2021-01-26 | 成都数之联科技有限公司 | 一种设备参数根因定位方法及系统、装置、介质 |
Non-Patent Citations (2)
| Title |
|---|
| CHUNHO KIM: "Effects of variations in design and process parameters on assembly process yield of area array solder interconnect packages", 《2002 PROCEEDINGS. 8TH INTERNATIONAL ADVANCED PACKAGING MATERIALS SYMPOSIUM (CAT. NO.02TH8617)》 * |
| 肖开发: "多维时序数据根因定位关键技术的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023045305A1 (zh) * | 2021-09-22 | 2023-03-30 | 成都数之联科技股份有限公司 | 工艺参数根因定位方法和相关装置 |
| WO2023245511A1 (zh) * | 2022-06-22 | 2023-12-28 | 重庆康佳光电技术研究院有限公司 | 工艺参数调整方法、系统、生产系统及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113552856B (zh) | 2021-12-10 |
| WO2023045305A1 (zh) | 2023-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113552856B (zh) | 工艺参数根因定位方法和相关装置 | |
| Salichos et al. | Inferring ancient divergences requires genes with strong phylogenetic signals | |
| CN107169768B (zh) | 异常交易数据的获取方法和装置 | |
| Liu et al. | A novel data structure to support ultra-fast taxonomic classification of metagenomic sequences with k-mer signatures | |
| US20190177719A1 (en) | Method and System for Generating and Comparing Reduced Genome Data Sets | |
| US10504028B1 (en) | Techniques to use machine learning for risk management | |
| Jeong et al. | PRIME: a probabilistic imputation method to reduce dropout effects in single-cell RNA sequencing | |
| CN111400126A (zh) | 网络服务异常数据检测方法、装置、设备和介质 | |
| CN115794916A (zh) | 多源数据融合的数据处理方法、装置、设备和存储介质 | |
| CN112257418A (zh) | 一种问卷数据处理方法、装置及存储介质 | |
| Sahlin | Strobemers: an alternative to k-mers for sequence comparison | |
| CN117170979B (zh) | 一种大规模设备的能耗数据处理方法、系统、设备及介质 | |
| Regueira‐Iglesias et al. | Critical review of 16S rRNA gene sequencing workflow in microbiome studies: From primer selection to advanced data analysis | |
| CN112632000A (zh) | 日志文件聚类方法、装置、电子设备和可读存储介质 | |
| CN110706773A (zh) | 患者入院管理方法及装置 | |
| Doğan et al. | Automatic identification of highly conserved family regions and relationships in genome wide datasets including remote protein sequences | |
| CN115831219A (zh) | 一种质量预测方法、装置、设备及存储介质 | |
| CN113641823B (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
| Swain et al. | Interpreting alignment-free sequence comparison: what makes a score a good score? | |
| CN113988670A (zh) | 综合性企业信用风险预警方法及系统 | |
| CN112598185A (zh) | 农业舆情分析方法、装置、设备及存储介质 | |
| CN111581499A (zh) | 一种数据归一化方法、装置、设备及可读存储介质 | |
| Huang et al. | BlockPolish: accurate polishing of long-read assembly via block divide-and-conquer | |
| US8738303B2 (en) | Identifying outliers among chemical assays | |
| CN115511014B (zh) | 信息匹配方法、装置、设备及存储介质 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |