CN113671904B - 机台监测方法、装置、机台、可读存储介质及终端设备 - Google Patents
机台监测方法、装置、机台、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN113671904B CN113671904B CN202010400383.7A CN202010400383A CN113671904B CN 113671904 B CN113671904 B CN 113671904B CN 202010400383 A CN202010400383 A CN 202010400383A CN 113671904 B CN113671904 B CN 113671904B
- Authority
- CN
- China
- Prior art keywords
- machine
- sample
- sample data
- factor set
- learning model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012797 qualification Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 128
- 230000008569 process Effects 0.000 description 30
- 239000011521 glass Substances 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000348 solid-phase epitaxy Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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] or computer integrated manufacturing [CIM]
- G05B19/41885—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 modeling, simulation of the manufacturing 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请属于生产监测技术领域,尤其涉及一种机台监测方法、机台监测装置、机台、计算机可读存储介质及终端设备。所述方法从机台的若干工序中采集关键因子集合;使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值,其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,所述样本数据中包括所述机台的样本关键因子集合和所述样本关键因子集合对应的运行状态;根据所述评估值确定所述机台的运行状态。本申请提高了整体的生产合格率,极大降低了生产成本。
Description
技术领域
本申请属于生产监测技术领域,尤其涉及一种机台监测方法、机台监测装置、机台、计算机可读存储介质及终端设备。
背景技术
在生产玻璃面板的过程中,若机台的运行状态出现异常,则会导致生产出的玻璃面板不合格。例如,玻璃面板会在机台的腔室内接受各种工序,腔室的底座会有若干个针状的升举针(Lift Pin,为便于叙述,本申请中将其均简称为PIN)支撑着玻璃面板。然而随着时间的推移,这些起支撑作用的PIN的头部可能出现磨损断裂,从而导致其上的玻璃出现倾斜,进而导致生产出的玻璃面板不合格。为了不影响产能,生产玻璃面板的过程是不间断的,直到后续抽检量测时发现问题才会停下机台。等到发现机台的运行状态出现异常时,往往已经有大量不合格的玻璃面板生产出来,极大增加了生产成本。
因此,目前的机台监测方法、机台监测装置、机台、计算机可读存储介质及终端设备,仍有待改进。
发明内容
有鉴于此,本申请实施例提供了一种机台监测方法、机台监测装置、机台、计算机可读存储介质及终端设备,以解决现有技术中无法及时对机台的运行状态进行监测,从而导致生产成本增加的问题。
本申请实施例的第一方面提供了一种机台监测方法,可以包括:
从机台的若干工序中采集关键因子集合;
使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值,其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,所述样本数据中包括所述机台的样本关键因子集合和所述样本关键因子集合对应的运行状态;根据所述评估值确定所述机台的运行状态。
进一步地,所述方法还可以包括:
在对一个批次的生产任务完成所述机台监测后,根据该批次中的样本数据重新进行建模,生成更新后的无监督学习模型;
使用所述更新后的无监督学习模型对下一个批次的生产任务进行所述机台监测。
进一步地,所述关键因子集合是通过以下步骤获得的:
获取所述机台的原始样本数据,其中,每个原始样本数据中均包括所述机台的样本特征因子集合和所述样本特征因子集合对应的运行状态;
根据所述原始样本数据进行建模,生成所述监督学习模型,其中,以所述原始样本数据中的所述样本特征因子集合为模型输入数据,以所述原始样本数据中的所述样本特征因子集合对应的运行状态为模型预期输出数据;
根据所述监督学习模型分别计算所述机台的各个特征因子的基尼系数;
选取基尼系数小于预设的系数阈值的特征因子构造成所述关键因子集合。进一步地,所述监督学习模型包括随机森林模型和XGBoost模型的至少之一。
进一步地,所述无监督学习模型包括评估阈值,所述运行状态包括发生断PIN和未发生断PIN,且所述无监督学习模型是通过以下步骤获得的:
对所述样本数据进行主成分分析,得到与所述样本数据对应的PCA模型;
使用所述PCA模型分别计算正样本的平方预测误差值和负样本的平方预测误差值,所述正样本为未发生断PIN的样本数据,所述负样本为发生断PIN的样本数据;
根据所述正样本的平方预测误差值和所述负样本的平方预测误差值确定所述评估阈值。
进一步地,所述无监督学习模型包括评估阈值,所述运行状态包括发生断PIN和未发生断PIN,且所述无监督学习模型是通过以下步骤获得的:
计算所述样本数据中的正样本的中心点,所述正样本为未发生断PIN的样本数据;
分别计算所述正样本与所述中心点之间的距离,以及负样本与所述中心点之间的距离,所述负样本为发生断PIN的样本数据;
根据所述正样本与所述中心点之间的距离,以及所述负样本与所述中心点之间的距离确定所述评估阈值。
进一步地,所述根据所述评估值确定所述机台的运行状态,包括:
若所述评估值小于或等于预设的评估阈值,则判定所述机台未发生断PIN;
若所述评估值大于所述评估阈值,则判定所述机台发生断PIN。
本申请实施例的第二方面提供了一种机台监测装置,包括:
关键因子采集模块,用于从机台的若干工序中采集关键因子集合;
关键因子处理模块,用于使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值,其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,所述样本数据中包括所述机台的样本关键因子集合和所述样本关键因子集合对应的运行状态;
运行状态确定模块,用于根据所述评估值确定所述机台的运行状态。
本申请实施例的第三方面提供了一种机台,所述机台包括:机台本体,所述机台本体具有腔室;升举针,所述升举针设置在所述腔室中;前面描述的机台监测装置,所述机台监测装置用于监测所述机台中的升举针的运行状态。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种机台监测方法的步骤。
本申请实施例的第五方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种机台监测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:在本申请实施例中,从机台的若干工序中采集关键因子集合,以该关键因子集合作为评估机台的运行状态的数据基础,并根据所述机台的样本数据(包括机台的样本关键因子集合和该样本关键因子集合对应的运行状态)来建模生成无监督学习模型,以此作为评估机台的运行状态的判定标准,通过实时采集机台在运行过程中的关键因子集合,并经由建模后的模型处理得到其评估值,利用这一评估值即可反映出机台实时的运行状态。通过这样的方式,即可实时地对机台的运行状态进行监测,当出现运行状态异常时,可以及时地进行停机修复,提高了整体的生产合格率,极大降低了生产成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1为本申请实施例中一种机台监测方法的一个实施例流程图;
图2为从机台的特征因子集合中选取出关键因子集合的示意流程图;
图3为本申请实施例中的机台监测机制的整体框架示意图;
图4为本申请实施例中一种机台监测装置的一个实施例结构图;
图5为本申请实施例中一种终端设备的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请实施例中一种机台监测方法的一个实施例可以包括:
步骤S101、从机台的若干工序中采集关键因子集合。
其中,所述关键因子为根据预设的监督学习模型从所述机台在全部工序中或者至少一部分工序中的各个特征因子中选取的特征因子,选取出的若干个关键因子所组成的集合即为所述关键因子集合,用于对所述机台的运行状态是否发生异常进行评估,例如,可以对所述机台是否发生断PIN(PIN发生磨损或断裂)进行评估。所述特征因子为对机台上报的参数值进行计算处理得到的物理量;其中,机台上报的参数值的具体类型不受特别限制,例如可以是执行某道工序时的各个状态值,如电压值、腔内温度、腔外温度、腔内某种气体的浓度等。每片液晶玻璃面板在机台的腔室内要经过多步工序的加工,有的甚至需要超过十步以上的工序。每步工序一般会历时数秒到数十秒甚至更多,其中不同的工序所需的时间是不同的。但机台上报参数值的频率一般固定不变,所以对于一片玻璃面板,不同的工序对应的参数值数量是不同的。比如在1Hz的参数采集设定下,10秒的工序会得到10次上报的参数值,而更长的工序会得到更多的参数值。另外机台每次上报的参数类别是不变的,如电压值、腔内温度、腔外温度等,但各个具体参数的值一直处在波动的状态。因此,即便是同一步的工序,连续两次上报的某个参数的值也会有轻微的变化。
面对这样零散的原始参数记录,本申请实施例中可以通过特征工程生成用以表征机台状态的特征因子,通过特征工程可以对机台上报的原始参数值处理(特征筛选)得到机台状态的特征因子,即根据参数类别和工序步骤对这些参数值做聚合分析,从而得到所述机台在各步工序中的各个特征因子。具体而言,可以对每一步工序中每个参数类别所有的值求平均值、最大值和最小值。比如第一步预热的工序需要10秒,假设采样频率为1Hz,则可以对这一步工序上报的10个电压值求平均值、最大值和最小值来刻画这步工序的电压参数。类似地,可以对这一步工序上报的10个腔内温度值也求平均值、最大值和最小值。于是可知,假设机台对玻璃面板完成n步工序,每次上报的参数类别共有p个,那么最终可得n*p*3个特征因子。
需要注意的是,以上所述的平均值、最大值和最小值仅为举例说明,在实际的分析过程中,还可以求得中位数、振幅(即最大值减去最小值)、百分位(可刻画同步工序中参数的变化趋势)以及其它的量来作为特征因子。
通过上述对原始参数值的聚合分析,可以得到用于刻画机台状态的特征因子。一个基于业界经验的合理假设是断PIN发生后机台的某些特征因子会表现出异常。在本申请实施例中,可以通过如图2所示的过程从众多的特征因子中寻找受断PIN影响出现变化最大的若干个关键因子:
步骤S1011、获取所述机台的原始样本数据。
其中,每个原始样本数据中均包括所述机台的样本特征因子集合和所述样本特征因子集合对应的运行状态。其中,一个样本特征因子集合包括若干特征因子,且一个样本特征因子集合对应一个运行状态,该运行状态即为标签,包括发生断PIN和未发生断PIN这两种情况,该运行状态可以由抽检工程师根据当时生成出的玻璃面板是否合格而给出,若当时生成出的玻璃面板合格,则将运行状态标记为未发生断PIN,若当时生成出的玻璃面板不合格,则将运行状态标记为发生断PIN。容易理解地,以上所述即为一个对机台的原始样本数据人工打标签的过程。为了保证后续结果的有效性,在所述原始样本数据中,即要包括断PIN发生前生产合规玻璃面板的机台特征因子数据,也要包括断PIN发生后生产风险批次玻璃面板的机台特征因子数据。
步骤S1012、根据所述原始样本数据进行建模,生成所述监督学习模型。
所述监督学习模型即为由所述原始样本数据训练得到的一个分类器,在训练时,以所述原始样本数据中的样本特征因子集合作为模型输入数据,以所述原始样本数据中的所述样本特征因子集合对应的运行状态作为模型预期输出数据,该分类器可根据机台的特征因子集合将合格面板与风险批次区分开来。
优选地,所述监督学习模型可以为随机森林模型,随机森林作为一个简单的分类模型,已被很多工业界的分类场景证实有效,其性能不受工业大数据和缺失值的约束。所以本申请实施例中可用获取的有标签的机台特征因子数据作为训练样本,训练一个随机森林模型,将玻璃面板二分为合格批次与风险批次,等价于区分出断PIN前后的机台状态。
需要注意的是,以上的随机森林模型仅为示例,在实际应用中,还可以根据具体情况选择其它的监督学习模型,例如XGBoost模型等,本申请实施例对此不作具体限定。
步骤S1013、根据所述监督学习模型分别计算所述机台的各个特征因子的基尼系数。
以所述随机森林模型为例,其本身还可给出每个属性(即所述特征因子)对于分类任务的贡献程度,这个贡献程度一般由基尼系数表示。需要注意的是,对于任意一个特征因子而言,其对分类任务的贡献程度与其基尼系数之间是负相关的,即若某一特征因子的基尼系数越大,则说明其对分类任务的贡献程度越小,反之,若某一特征因子的基尼系数越小,则说明其对分类任务的贡献程度越大。
步骤S1014、选取基尼系数小于预设的系数阈值的特征因子构造成所述关键因子集合。
所述系数阈值可以根据实际情况进行设置,其作用是滤除掉大量无用或用处较小的特征因子,从多达上百甚至更多的特征因子中找到断PIN导致出现明显差异的几个最重要的因子,将这些最重要的因子构造成关键因子集合,以便于后续根据该关键因子集合对机台是否发生断PIN进行评估。
步骤S102、使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值。
其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,每个所述样本数据中均包括所述机台的样本关键因子集合和样本关键因子集合对应的运行状态。其中,一个样本关键因子集合包括若干关键因子,且一个样本关键因子集合对应一个运行状态,该运行状态包括发生断PIN和未发生断PIN。
在实际的生产活动中,为了不影响产能和增大成本,不能总是等到获得经抽检工程师打标签得到的数据样本再进行监督学习,因为这时断PIN发生已经过去一段时间。在本申请实施例中,可以仅使用对断PIN敏感的那些关键因子建立一个无监督学习模型,利用该模型实时对机台的特征参数进行判断,这样就能及时发现断PIN异常。
在本申请实施例中,所述无监督学习模型包括评估阈值,对于不同的无监督学习模型,其获得的方式也不相同。
在本申请实施例的一种具体实现中,所述无监督学习模型可以为主成分分析(Principal Component Analysis,PCA)模型,则其可以通过以下步骤获得:通过对所述样本数据进行主成分分析,可以得到与所述样本数据对应的PCA模型,然后使用所述PCA模型分别计算正样本的平方预测误差值(Squared Prediction Error,SPE)和负样本的平方预测误差值,其中,所述正样本为未发生断PIN的样本数据,所述负样本为发生断PIN的样本数据,最后则可以根据所述正样本的平方预测误差值和所述负样本的平方预测误差值确定所述评估阈值。
其中,PCA是将原始的高维度数据通过坐标变换映射到一个低维的空间中,变换的过程中尽量保留原始高维数据的信息。SPE作为PCA的衍生物,反映的是原始高维样本点与其投影到低维空间坐标构成的超平面上的投影点之间的距离。一般地,正样本的SPE会处于某个范围以内,而负样本的SPE则会表现出较大的差异,处于这个范围之外,因此可以通过设置一个阈值对这两者进行区分,也即所述评估阈值。在本申请的一种具体实现中,可以去除正样本中SPE的离群值,然后选取剩余的正样本中SPE的最大值,将其记为第一SPE,类似地,可以去除负样本中SPE的离群值,然后选取剩余的负样本中SPE的最小值,将其记为第二SPE,则可以选择任意一个大于所述第一SPE且小于所述第二SPE的取值来作为所述评估阈值,优选地,可以将两者的平均值作为所述评估阈值。
在本申请实施例的另一种具体实现中,所述无监督学习模型可以为聚类模型,假设共有d个关键因子,则在由这d个关键因子所构成的d维空间中可以将样本点聚为两个类,一类为未发生断PIN的正样本,一类为发生断PIN的负样本。一般地,在这一d维空间中,同一类样本之间的距离会处于某个范围以内,而不同类的样本之间的距离则会表现出较大的差异,处于这个范围之外,因此可以通过设置一个阈值对这两者进行区分,也即所述评估阈值。在本申请的一种具体实现中,该模型可以通过以下步骤获得:首先计算所述正样本的中心点,然后分别计算所述正样本与所述中心点之间的距离,以及负样本与所述中心点之间的距离,则可以根据所述正样本与所述中心点之间的距离,以及所述负样本与所述中心点之间的距离确定评估阈值。例如可以去除正样本中距离值的离群值,然后选取剩余的正样本中距离值的最大值,将其记为第一距离值,类似地,可以去除负样本中距离值的离群值,然后选取剩余的负样本中距离值的最小值,将其记为第二距离值,则可以选择任意一个大于所述第一距离值且小于所述第二距离值的取值来作为所述评估阈值,优选地,可以将两者的平均值作为所述评估阈值。
需要注意的是,以上的PCA模型以及聚类模型仅为示例,在实际应用中,还可以根据具体情况选择其它的无监督学习模型,本申请实施例对此不作具体限定。
在建模完成之后,即可使用生成的无监督学习模型对采集的所述关键因子进行处理,得到所述机台运行状态的评估值。
具体地,若所述无监督学习模型为PCA模型,则可以使用所述PCA模型对采集的所述关键因子进行处理,将计算得到的SPE作为所述机台运行状态的评估值;
若所述无监督学习模型为聚类模型,则可以计算采集的所述关键因子与所述聚类模型中的正样本的中心点之间的距离,并将这一距离作为所述机台运行状态的评估值。
步骤S103、根据所述评估值确定所述机台的运行状态。
具体地,若所述评估值小于或等于所述评估阈值,则判定所述机台未发生断PIN;若所述评估值大于所述评估阈值,则判定所述机台发生断PIN。
进一步地,在本申请实施例中,还可以对建模生成的无监督学习模型进行更新,以保证评估结果的准确性。
假定机台开始的状态为正常生产玻璃面板的状态,先取前m片合格玻璃生产过程中的机台关键因子进行无监督学习模型建模,并进一步计算得到相应的评估阈值。接着对随后生产玻璃面板的机台特征使用刚才训练的模型计算其评估值。然而在实际生产过程中,机台即便未发生断PIN异常,其参数值也会逐渐发生改变。这样一来,用一批过时的正常批次面板的机台特征训练出的模型对后续的机台特征分析计算出的评估值很有可能也会超过设定的阈值,于是造成假报警的发生。
因此,在本申请实施例中可以使用滑窗式的策略不断更换训练模型的样本数据,在对一个批次的生产任务完成上述机台监测后,根据该批次中的样本数据重新进行建模,生成更新后的无监督学习模型,然后使用所述更新后的无监督学习模型对下一个批次的生产任务进行机台监测。
例如,每次都选用最近m片面板(序号为[i*m+1,(i+1)*m],i>=0)生产过程中的机台特征进行建模,再用此模型对随后的m片面板(序号为[(i+1)*m+1,(i+2)*m],i>=0)生产时的机台状态做出判断。下一轮再使用后面m片(序号为[(i+1)*m+1,(i+2)*m],i>=0)的机台特征建模对其后的(序号为[(i+2)*m+1,(i+3)*m],i>=0)机台状态做出判断,m的值可以根据实际情况进行设置,例如,可以将其设置为10,50或其它取值。
使用滑窗式的策略重新选择最新的机台特征样本点重新建模可避免由于机台状态本身也会发生偏移导致的断PIN误判问题。
进一步地,考虑到在实际的产线上,经常根据需要改变玻璃面板生产的配方,经验表明配方的改变会导致机台特征值的变化。当使用之前训练的模型对改变配方的机台特征值计算评估值时,会可能发生断PIN误判,此时则可以根据当前的机台特征重新建模。
图3所示即为本申请实施例中的机台监测机制的整体框架示意图,该框架主要由特征工程、监督学习、无监督学习和实时监测这几部分组成。
在特征工程部分,对原始的机台上报参数(原始样本数据)进行特征筛选,处理得到刻画机台状态的特征因子集合。无论是使用带有标签的历史记录进行监督学习,还是使用滑窗式批量数据更新模型,抑或实时判定机台状态,都使用相同的特征工程对机台上报数据做处理。
在监督学习部分,使用带有标签的历史数据,即由抽检工程师已打上“正常”或“风险”的玻璃生成时的机台特征参数,学习一个分类器。此分类器给出的重要程度高的特征作为判定断PIN发生的关键因子集合。在实际生产中,最好由产线工程师对找到的关键因子集合做进一步判断解释,这会使得找到的关键因子更令人信服。
在无监督学习部分,基于监督学习找到的关键因子集合建模得到一个可供实时判定断PIN发生的监测器。每次选取相同数量的样本数据(包括样本关键因子集合和对应的运行状态)进行学习,即机台生产相同片数的玻璃面板时的特征数据。
在实时监测部分:使用滑窗式的方法选取最近一批玻璃面板生产时的机台特征不断进行无监督学习更新监测模型。更新的模型在线实时判定后续的机台状态是否出现断PIN。若几次连续判定为断PIN,便发出警报。
上述整个流程可部署在存储分析机台参数值的大数据平台上,其中监督学习的部分为离线处理,而无监督学习和实时监测的部分为在线处理。
综上所述,在本申请实施例中,从机台的若干工序中采集关键因子集合,以该关键因子集合作为评估机台的运行状态的数据基础,并根据所述机台的样本数据(包括机台的样本关键因子集合和该样本关键因子集合对应的运行状态)来建模生成无监督学习模型,以此作为评估机台的运行状态的判定标准,通过实时采集机台在运行过程中的关键因子集合,并经由建模后的模型处理得到其评估值,利用这一评估值即可反映出机台实时的运行状态。通过这样的方式,即可实时地对机台的运行状态进行监测,当出现运行状态异常时,可以及时地进行停机修复,提高了整体的生产合格率,极大降低了生产成本。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种机台监测方法,图4示出了本申请实施例提供的一种机台监测装置的一个实施例结构图。
本实施例中,一种机台监测装置可以包括:
关键因子采集模块401,用于从机台的若干工序中采集关键因子集合;
关键因子处理模块402,用于使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值,其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,所述样本数据中包括所述机台的样本关键因子集合和所述样本关键因子集合对应的运行状态;
运行状态确定模块403,用于根据所述评估值确定所述机台的运行状态。
进一步地,所述机台监测装置还可以包括:
模型更新模块,用于在对一个批次的生产任务完成所述机台监测后,根据该批次中的样本数据重新进行建模,生成更新后的无监督学习模型,并使用所述更新后的无监督学习模型对下一个批次的生产任务进行机台监测。
进一步地,所述机台监测装置还可以包括:
原始样本数据获取模块,用于获取所述机台的原始样本数据,其中,每个原始样本数据中均包括所述机台的样本特征因子集合和所述样本特征因子集合对应的运行状态;
建模模块,用于根据所述原始样本数据进行建模,生成所述监督学习模型,其中,以所述原始样本数据中的样本特征因子集合为模型输入数据,以所述原始样本数据中的运行状态为模型预期输出数据;
基尼系数计算模块,用于根据所述监督学习模型分别计算所述机台的各个特征因子的基尼系数;
关键因子选取模块,用于选取基尼系数小于预设的系数阈值的特征因子构造成所述关键因子集合。
进一步地,所述监督学习模型包括随机森林模型和XGBoost模型的至少之一。
可选地,所述机台监测装置还可以包括:
主成分分析模块,用于对所述样本数据进行主成分分析,得到与所述样本数据对应的PCA模型;
误差值计算模块,用于使用所述PCA模型分别计算正样本的平方预测误差值和负样本的平方预测误差值,所述正样本为未发生断PIN的样本数据,所述负样本为发生断PIN的样本数据;
评估阈值确定模块,用于根据所述正样本的平方预测误差值和所述负样本的平方预测误差值确定评估阈值。
可选地,所述机台监测装置还可以包括:
聚类中心点计算模块,用于计算所述样本数据中的正样本的中心点,所述正样本为未发生断PIN的样本数据;
距离计算模块,用于分别计算所述正样本与所述中心点之间的距离,以及负样本与所述中心点之间的距离,所述负样本为发生断PIN的样本数据;
评估阈值确定模块,用于根据所述正样本与所述中心点之间的距离,以及所述负样本与所述中心点之间的距离确定评估阈值。
进一步地,所述运行状态确定模块可以包括:
第一判定单元,用于若所述评估值小于或等于预设的评估阈值,则判定所述机台未发生断PIN;
第二判定单元,用于若所述评估值大于所述评估阈值,则判定所述机台发生断PIN。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例的机台可以包括:机台本体,所述机台本体具有腔室;升举针,所述升举针设置在所述腔室中;所述机台监测装置,通过所述机台监测装置可以监测所述机台中的升举针的运行状态,例如是否发生断PIN。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
图5示出了本申请实施例提供的一种终端设备的示意框图,为了便于说明,仅示出了与本申请实施例相关的部分。
如图5所示,该实施例的终端设备5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个机台监测方法实施例中的步骤,例如图1所示的步骤S101至步骤S103。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块401至模块403的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,图5仅仅是终端设备5的示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备5所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种机台监测方法,其特征在于,包括:
从机台的若干工序中采集关键因子集合;所述关键因子集合是通过以下步骤获得的:获取所述机台的原始样本数据,其中,每个原始样本数据中均包括所述机台的样本特征因子集合和所述样本特征因子集合对应的运行状态;根据所述原始样本数据进行建模,生成监督学习模型,其中,以所述原始样本数据中的所述样本特征因子集合为模型输入数据,以所述原始样本数据中的所述样本特征因子集合对应的运行状态为模型预期输出数据;根据所述监督学习模型分别计算所述机台的各个特征因子的基尼系数;选取基尼系数小于预设的系数阈值的特征因子构造成所述关键因子集合;
使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值,其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,所述样本数据中包括所述机台的样本关键因子集合和所述样本关键因子集合对应的运行状态;所述无监督学习模型包括评估阈值,所述运行状态包括发生断PIN和未发生断PIN,且所述无监督学习模型是通过以下步骤获得的:对所述样本数据进行主成分分析,得到与所述样本数据对应的PCA模型;使用所述PCA模型分别计算正样本的平方预测误差值和负样本的平方预测误差值,所述正样本为未发生断PIN的样本数据,所述负样本为发生断PIN的样本数据;根据所述正样本的平方预测误差值和所述负样本的平方预测误差值确定所述评估阈值;
根据所述评估值确定所述机台的运行状态。
2.根据权利要求1所述的机台监测方法,其特征在于,还包括:
在对一个批次的生产任务完成所述机台监测后,根据该批次中的样本数据重新进行建模,生成更新后的无监督学习模型;
使用所述更新后的无监督学习模型对下一个批次的生产任务进行所述机台监测。
3.根据权利要求1所述的机台监测方法,其特征在于,所述监督学习模型包括随机森林模型和XGBoost模型的至少之一。
4.根据权利要求1所述的机台监测方法,其特征在于,所述根据所述评估值确定所述机台的运行状态,包括:
若所述评估值小于或等于预设的评估阈值,则判定所述机台未发生断PIN;
若所述评估值大于所述评估阈值,则判定所述机台发生断PIN。
5.一种机台监测装置,其特征在于,包括:
关键因子采集模块,用于从机台的若干工序中采集关键因子集合;所述关键因子集合是通过以下步骤获得的:获取所述机台的原始样本数据,其中,每个原始样本数据中均包括所述机台的样本特征因子集合和所述样本特征因子集合对应的运行状态;根据所述原始样本数据进行建模,生成监督学习模型,其中,以所述原始样本数据中的所述样本特征因子集合为模型输入数据,以所述原始样本数据中的所述样本特征因子集合对应的运行状态为模型预期输出数据;根据所述监督学习模型分别计算所述机台的各个特征因子的基尼系数;选取基尼系数小于预设的系数阈值的特征因子构造成所述关键因子集合;
关键因子处理模块,用于使用预设的无监督学习模型对所述关键因子集合进行处理,得到所述机台运行状态的评估值;其中,所述无监督学习模型为根据所述机台的样本数据建模生成的模型,所述样本数据中包括所述机台的样本关键因子集合和所述样本关键因子集合对应的运行状态;所述无监督学习模型包括评估阈值,所述运行状态包括发生断PIN和未发生断PIN,且所述无监督学习模型是通过以下步骤获得的:对所述样本数据进行主成分分析,得到与所述样本数据对应的PCA模型;使用所述PCA模型分别计算正样本的平方预测误差值和负样本的平方预测误差值,所述正样本为未发生断PIN的样本数据,所述负样本为发生断PIN的样本数据;根据所述正样本的平方预测误差值和所述负样本的平方预测误差值确定所述评估阈值;
运行状态确定模块,用于根据所述评估值确定所述机台的运行状态。
6.一种机台,其特征在于,包括:
机台本体,所述机台本体具有腔室;
升举针,所述升举针设置在所述腔室中;
如权利要求5所述的机台监测装置,所述机台监测装置用于监测所述升举针的运行状态。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的机台监测方法的步骤。
8.一种终端设备,其特征在于,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的机台监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400383.7A CN113671904B (zh) | 2020-05-13 | 2020-05-13 | 机台监测方法、装置、机台、可读存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400383.7A CN113671904B (zh) | 2020-05-13 | 2020-05-13 | 机台监测方法、装置、机台、可读存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113671904A CN113671904A (zh) | 2021-11-19 |
CN113671904B true CN113671904B (zh) | 2022-09-06 |
Family
ID=78536719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400383.7A Active CN113671904B (zh) | 2020-05-13 | 2020-05-13 | 机台监测方法、装置、机台、可读存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671904B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9128995B1 (en) * | 2014-10-09 | 2015-09-08 | Splunk, Inc. | Defining a graphical visualization along a time-based graph lane using key performance indicators derived from machine data |
CN105762100A (zh) * | 2014-12-17 | 2016-07-13 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 用于真空加工设备的基片传输方法 |
CN105827200A (zh) * | 2016-03-01 | 2016-08-03 | 华为技术有限公司 | 光电系统中电池组串故障的识别方法、装置和设备 |
CN109635010A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市梦网百科信息技术有限公司 | 一种用户特征及特征因子抽取、查询方法和系统 |
CN110969185A (zh) * | 2019-10-16 | 2020-04-07 | 清华大学 | 基于数据重构的设备异常状态检测方法 |
-
2020
- 2020-05-13 CN CN202010400383.7A patent/CN113671904B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9128995B1 (en) * | 2014-10-09 | 2015-09-08 | Splunk, Inc. | Defining a graphical visualization along a time-based graph lane using key performance indicators derived from machine data |
CN105762100A (zh) * | 2014-12-17 | 2016-07-13 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 用于真空加工设备的基片传输方法 |
CN105827200A (zh) * | 2016-03-01 | 2016-08-03 | 华为技术有限公司 | 光电系统中电池组串故障的识别方法、装置和设备 |
CN109635010A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市梦网百科信息技术有限公司 | 一种用户特征及特征因子抽取、查询方法和系统 |
CN110969185A (zh) * | 2019-10-16 | 2020-04-07 | 清华大学 | 基于数据重构的设备异常状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113671904A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108228377B (zh) | 一种面向磁盘故障检测的smart阈值优化方法 | |
TWI721358B (zh) | 設備檢修裝置、方法及電腦可讀取存儲介質 | |
JP2017194967A (ja) | 保守有効性推定に基づく保守推奨システム | |
US10747212B2 (en) | Management system and non-transitory computer-readable recording medium | |
US20180259944A1 (en) | Management system and non-transitory computer-readable recording medium | |
WO2014145977A1 (en) | System and methods for automated plant asset failure detection | |
CN110940875B (zh) | 设备异常检测方法、装置、存储介质及电子设备 | |
JP2001256480A (ja) | 画像自動分類方法及び装置 | |
CN113614758A (zh) | 设备指标优良性等级预测模型训练方法、监控系统和方法 | |
US20220035356A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
JP2015162140A (ja) | プラントと制御装置の診断装置 | |
CN116245256B (zh) | 一种结合多因素的电容器质量预测方法、系统及存储介质 | |
US11829125B2 (en) | Augmenting reliability models for manufactured products | |
CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
CN114202256A (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN113671904B (zh) | 机台监测方法、装置、机台、可读存储介质及终端设备 | |
JP2022049395A (ja) | 異常スコア算出装置、異常スコア算出方法およびプログラム | |
CN112416896A (zh) | 数据异常的报警方法和装置、存储介质、电子装置 | |
JP2002251212A (ja) | 品質管理方法、同システム、および同プログラムを記録した記録媒体 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
CN115187026A (zh) | 一种产业风险监控方法、系统和可读存储介质 |
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 |