CN114648186A - 工件品质分析方法及工件品质分析系统 - Google Patents
工件品质分析方法及工件品质分析系统 Download PDFInfo
- Publication number
- CN114648186A CN114648186A CN202011501582.3A CN202011501582A CN114648186A CN 114648186 A CN114648186 A CN 114648186A CN 202011501582 A CN202011501582 A CN 202011501582A CN 114648186 A CN114648186 A CN 114648186A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- model
- initial
- workpiece
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003070 Statistical process control Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000002699 waste material Substances 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]
- G05B19/41875—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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]
- G05B19/4183—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 data acquisition, e.g. workpiece identification
-
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G05B2219/32177—Computer assisted quality surveyance, caq
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Factory Administration (AREA)
Abstract
一种工件品质分析方法,包括:从复数个预设演算法中选择一初始演算法及对应的一演算法参数组合;依据该初始演算法及该演算法参数组合将一工件数据进行分群,以得到该初始演算法的一初始模型及一对应的分群结果;根据该分群结果以得到对应的一初始模型评估指标值;选择该初始演算法对应的至少一另一演算法参数组合;依据该初始演算法对应的该至少一另一演算法参数组合将该工件数据进行分群,以得到至少一另一模型及至少一另一分群结果。本发明还涉及一种工件品质分析系统。
Description
技术领域
本发明涉及一种分析方法分析系统,特别涉及一种工件品质分析方法及工件品质分析系统。
背景技术
现行常见的品质管制方法,例如为统计工艺控制图法(SPC,Statistical ProcessControl)、工艺能力指标(Process Capability Index,CP/CPK)等等,其中,统计工艺控制图法是许多国际性企业广泛采用的品质管制方法,通过设置管制规则,对生产过程的测量数值、统计量进行实时监控,当违反管制规则时提出预警,然而,统计工艺控制图法高度依赖专家知识与经验来定义合适的管制规则,过于宽松的管制规则会放任潜在不良品流出,而过于严格的管制规格则会造成不必要的生产浪费;另外,工艺能力指标描述工序在一定时间里,处于控制状态下的实际工艺能力,工艺能力指标的合理性亦受限于管制规格定义的可靠度,其限制为:当规格定义不合适、偏差时,此指标无法确实地反应工艺能力与问题。
此些方法高度依赖人工定义管制规则、规格,合适的管制方法需通过权衡品质和生产成本反复叠代修正,因此即便有系统化的管制工具、报表,往往仍依赖人工进行重复判断;除此之外,高维度的异常现象难使用传统管制图、工艺能力指标进行描述,以致潜在不良品无法及时检测,造成更多的处理成本及客户退货等负面影响。
因此,如何有效地检测到传统品质管制方法难以描述的高维度异常、变异,已成为本领域需解决的问题之一。
发明内容
为了解决上述的问题,本公开内容的一实施方式提供了一种一种工件品质分析方法,包括:从复数个预设演算法中选择一初始演算法及对应的一演算法参数组合;依据该初始演算法及该演算法参数组合将一工件数据进行分群,以得到该初始演算法的一初始模型及一对应的分群结果;根据该分群结果以得到对应的一初始模型评估指标值;选择该初始演算法对应的至少一另一演算法参数组合;依据该初始演算法对应的该至少一另一演算法参数组合将该工件数据进行分群,以得到至少一另一模型及至少一另一分群结果;根据该至少一另一分群结果以得到对应的至少一另一模型评估指标值;根据该初始模型评估指标值与该至少一另一模型评估指标值,选出对应该初始演算法的一最佳模型;以及根据该最佳模型判断该工件数据中是否具有一异常数据。
本发明的又一实施方式是提供一种工件品质分析系统,包括一存储装置以及一处理器。存储装置用以存储一工件数据。处理器用以读取工件数据,并执行以下操作:从复数个预设演算法中选择一初始演算法及对应的一演算法参数组合;依据该初始演算法及该演算法参数组合将一工件数据进行分群,以得到该初始演算法的一初始模型及一对应的分群结果;根据该分群结果以得到对应的一初始模型评估指标值;选择该初始演算法对应的至少一另一演算法参数组合;依据该初始演算法对应的该至少一另一演算法参数组合将该工件数据进行分群,以得到至少一另一模型及至少一另一分群结果;根据该至少一另一分群结果以得到对应的至少一另一模型评估指标值;根据该初始模型评估指标值与该至少一另一模型评估指标值,选出对应该初始演算法的一最佳模型;以及根据该最佳模型判断该工件数据中是否具有一异常数据。
本发明所示的工件品质分析方法及工件品质分析系统,通过设计模型评估指标值,可从内建多种演算法中自动选出最适演算法及对应的参数组合,以产生最佳模型,应用模型,可以达到检测不服从多变量单峰分布的传统品质工具难以描述的生产变异的效果。
附图说明
图1是依照本发明一实施例示出工件品质分析系统的方框图。
图2是依照本发明一实施例示出工件品质分析方法的流程图。
图3是依照本发明一实施例示出工件数据的示意图。
图4A~4C是依照本发明一实施例示出工件品质分析方法的流程图。
附图标记说明:
100:工件品质分析系统
200、400:工件品质分析方法
X1:测项名称
350、210~280、411~440:步骤
DT:工件数据
MD:最佳模型
具体实施方式
以下说明为完成发明的优选实现方式,其目的在于描述本发明的基本构思,但并不用以限定本发明。实际的发明内容必须参考之后的权利要求范围。
必须了解的是,使用于本说明书中的”包含”、”包括”等词,是用以表示存在特定的技术特征、数值、方法步骤、作业处理、元件以及/或组件,但并不排除可加上更多的技术特征、数值、方法步骤、作业处理、元件、组件,或以上的任意组合。
于权利要求中使用如”第一”、"第二"、"第三"等词是用来修饰权利要求中的元件,并非用来表示之间具有优先权顺序,先行关系,或者是一个元件先于另一个元件,或者是执行方法步骤时的时间先后顺序,仅用来区别具有相同名字的元件。
请一并参照第1~2图,图1是依照本发明一实施例示出工件品质分析系统100的方框图。图2是依照本发明一实施例示出工件品质分析方法200的流程图。
请参阅图1,于图1中,工件品质分析系统100包含一存储装置10及一处理器20。于一实施例中,存储装置10可被实作为只读存储器、快闪存储器、软碟、硬盘、光盘、U盘、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的存储媒体。于一实施例中,处理器20用以进行运算,处理器PC亦可为微控制单元(microcontroller)、微处理器(microprocessor)、数字信号处理器(digital signal processor)、特殊应用集成电路(application specific integrated circuit,ASIC)或逻辑电路实现的,但并不限于此。
于一实施例中,工件品质分析系统100可以以有线或无线方式与各种感测器或测量器连接。例如,工件品质分析系统100与电压测量器连接,以取得工件的电压数据。例如,工件品质分析系统100与重力感测器(g-sensor)连接,以取得工件的加速度数据。例如,工件品质分析系统100与陀螺仪(gyro meter)连接,以取得工件的方位角(heading)数据。
于一实施例中,工件例如为马达、风扇、面板、手机及/或半导体等装置。
于一实施例中,存储装置10用以存储工件数据。
于一实施例中,工件数据包含复数个工件各自对应的复数个测量项目数据。请参照图3,图3是依照本发明一实施例示出工件数据的示意图。于图3中,横轴为样本编号,为方便说明,于此例中,有10个样本(例如为面板),于一些实施例中,样本的数量不限于此(例如可以是1000个样本),另外,纵轴为测试数值,单位例如为公分,此工件数据的测项名称为X1。举例而言,图3可以表示通过一测试仪器测试10个面板的厚度(在图3中的测项名称X1是指面板厚度)。
于一些实施例中,可事先预设最高厚度门限值与最低厚度门限值做为参考用的规格。
于一实施例中,工件数据是指产品的测量项目数据;通过各种测试仪器或测试方法针对产品的功能性、电性进行测试,所得到的测量项目数据,相同产品的测量项目必须相同,且测量项目的目标数值亦必须一致,此些测量项目数据为符合可数字化格式且可转换为结构化的量化数据。
于一实施例中,工件数据例如为马达转速、风扇转速、面板长度、面板宽度、面板厚度、手机长度、手机宽度、手机厚度或半导体相关测试数据等等。于一实施例中,马达控制器产品的测量项目数据中包含电压值测项(例如以测项名称X1表示之)、电阻值测项(例如以测项名称X2表示之)、晶体管电性表现测项(例如以测项名称X3表示之)…等等。然,本领域具通常知识者应可理解,工件数据不限于此,于一些实施例中,只要是能够测量或收集且能反应产品品质的测试数据,都可以视为本方法所定义的工件数据范畴。
于一实施例中,工件品质分析方法是在演算法候选群中各自通过叠代搜索最佳的演算法参数组合,最后由每个演算法的最佳组合进行比较,选择出最佳的模型。为方便解释,以下先选定初始演算法与演算法参数组合进行说明,本领域具通常知识者应可理解初始演算法与演算法参数组合包含于演算法候选群中。
以下通过图2,叙述工件品质分析方法200的流程。于一实施例中,工件品质分析方法200是应用非监督式学习,即处理器20得到的工件数据中没有任何标记数据(Groundtruth),只有工件数据本身,处理器20无法从工件数据中直接得知是否存在异常的数据。工件品质分析方法200的目标是在没有任何标记数据(Ground truth)的情况下,自动分析出工件数据中是否存在异常的数据。
于步骤210中,处理器20从复数个预设演算法中选择一初始演算法及对应的一演算法参数组合。
于一实施例中,多个预设演算法包含一k-means演算法、一最大期望(EMclustering)演算法及一阶层式分群(hierarchical clustering)演算法。此些演算法为已知,此处不赘述之。然,本领域具通常知识者应可理解,预设演算法不限于此,于一些实施例中,只要是能够将数据进行分群的演算法,都可以应用之。
于一实施例中,初始演算法的初始演算法参数组合包含一或多个参数。
例如,处理器20取得工件数据后,从多个预设演算法中选出k-means演算法及其对应的演算法参数组合。由于k-means演算法的初始参数k为一个值(例如,初始参数k=1代表将工件数据分成1群,又例如,初始参数k=2代表将工件数据分成2群,依此类推),因此,处理器20选择将初始参数k代入步骤220。
在一些例子中,预设演算法所对应的初始参数可能是一个组合,例如需要输入多个数值(例如数值x、数值y),此些数值视为一个组合(例如表示为(x,y)),当处理器20选到此类的预设演算法时,则将演算法参数组合(x,y)代入步骤220。
因此,处理器20要代入步骤220的演算法参数组合(或可能是一个参数值)会依据其选择的预设演算法所对应的参数形态调整。
于步骤220中,处理器20依据初始演算法及演算法参数组合将一工件数据进行分群,以得到初始演算法的一初始模型及一对应的分群结果。于一实施例中,在k-means演算法(例如初始演算法)中,是使用参数组合或根据参数组合进行分类,例如,初始参数k设为1,代表将工件数据分成1群,初始参数k设为2,代表将工件数据分成2群。于此例中,处理器20依据k-means演算法及演算法参数组合(初始参数k设为1)将一工件数据进行分群,以得到k-means演算法的一初始模型。于一实施例中,对应的分群结果是指输入的数据通过分群演算法产生的结果,例如工件数据有100笔,通过分群演算法产生的结果是分为50笔与50笔两群。于一实施例中,初始模型可以是初始演算法的其中之一种演算法架构。借此,可以由分群结果得到对应的初始模型评估指标值来判断此初始模型的精准度。
例如,处理器20将1000笔工件数据(例如:测项X1、测项X2、测项X3…)且初始参数k(预设为1)代入k-means演算法(即初始演算法)后,得到k-means演算法的一初始模型。于一实施例中,工件数据可以是多变量数据,多变量表示多个测项的数据,并非多笔数据。
于步骤230中,处理器20根据分群结果以得到对应的一初始模型评估指标值。
于一实施例中,初始模型评估标准可以是贝叶斯信息准则(BayesianInformation Criterion,BIC),BIC是在取得不完整信息的情况下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策,借此可评估模型的精准度。BIC在机器学习领域为常用的最优模型选择准则(可以视为已知函数)。
于一实施例中,处理器20计算初始模型对应的初始BIC分数(即初始模型评估指标值)。
于步骤240中,处理器20选择初始演算法对应的至少一另一演算法参数组合。
例如,处理器20选择k-means演算法的初始参数k,此时的k设为2,代表将工件数据分成2群。
于步骤250中,处理器20依据至少一另一演算法参数组合将工件数据进行分群,以得到至少一另一模型及至少一另一分群结果。
例如,处理器20将1000笔工件数据且初始参数k(此次设为2)代入k-means演算法后,得到k-means演算法的一另一模型。
于步骤260中,处理器20根据至少一另一分群结果以得到对应的至少一另一模型评估指标值。
于一实施例中,处理器20计算另一模型对应的另一BIC分数(即另一模型评估指标值)。
于步骤270中,处理器20根据初始模型评估指标值与该至少一另一模型评估指标值,选出对应初始演算法的一最佳模型。
于一实施例中,步骤270中所述的选择最适者,代表选择模型评估指标值最大值者。更具体而言,处理器20从初始BIC分数与另一BIC分数中选出分数最大值者,假设另一BIC分数是两者中的最大值,则得到k-means演算法的最佳演算法参数组合为2的结果,即参数k=2时(将工件数据分成2群时),k-means演算法具有最佳模型。
于步骤270中,处理器20选择此些预设演算法中的至少一其他演算法,应用至少一其他演算法以计算至少一最佳其他演算法参数组合。
于步骤280中,处理器20根据最佳模型判断工件数据中是否具有一异常数据。
例如,处理器20选择最大期望演算法以计算至少一最佳其他演算法参数组合。
于一实施例中,当k-means演算法为初始演算法时,处理器20更用以选择一其他至少一演算法(例如最大期望演算法)及对应演算法参数组合;依据其他至少一演算法(例如最大期望演算法)的演算法参数组合将工件数据进行分群,以得到一其他至少一演算法(例如最大期望演算法)的初始模型及一对应的分群结果(例如将工件分成3群),计算对应的分群结果以得到对应的初始模型评估指标值(例如0.5);选择其他至少一演算法的至少一另一参数组合;依据其他至少一演算法的至少一另一参数组合将工件数据进行分群,以得到一其他至少一演算法的至少一其他至少一另一模型及至少一另一分群结果(例如将工件分成4群),计算至少一另一分群结果以得到对应的至少一另一模型评估指标值(例如0.7);由初始模型评估指标值(例如0.5)与至少一另一模型评估指标值(例如0.7)中选择最适者(指的是模型评估指标值例如BIC越大越好,模型评估指标值越大越符合最适者),选出其他至少一演算法(例如最大期望演算法)的一最佳模型,选择其他至少一演算法(例如最大期望演算法)的最佳模型及至少一候选模型(例如k-means演算法、阶层式分群演算法各自对应的模型)中最适者(例如最大期望演算法的模型评估指标值较小则为最适者),并依据最适者,以判断该工件数据中是否具有异常数据。
例如,处理器20最后选择最大期望演算法的最佳演算法参数组合为3,即,将工件数据分成3群时,最大期望演算法具有最佳模型。于一实施例中,处理器20选择最佳演算法参数组合的方法类似于步骤210~260,差别在于采用不同的演算法,及依据不同演算法所选用的演算法参数组合及下一演算法参数组合可能有所调整。
于一实施例中,处理器20选择此些预设演算法中的至少一其他演算法,配合至少一其他演算法参数组合,以产生至少一候选模型,并选择最佳模型及至少一候选模型中最适者,并依据最适者,以判断工件数据中是否具有一异常数据。候选模型是指初始演算法之外,采用多种演算法运算后,依据BIC选出比较好的模型。于一实施例中,预设演算法例如采用k-means演算法、最大期望演算法及阶层式分群演算法,例如,当处理器20选择预设演算法中的最大期望演算法,配合最大期望演算法,以产生至少一候选模型,并选择最佳模型(于步骤270所产生的,例如参数k=2时,k-means演算法具有最佳模型)及至少一候选模型(例如阶层式分群演算法、最大期望演算法各自所对应的模型)中最适者,并依据最适者,以判断工件数据中是否具有一异常数据。
于一实施例中,处理器20选择k-means演算法(初始演算法)的最佳演算法参数组合为2,以及最大期望演算法的最佳其他演算法参数组合为3中所各自对应的BIC分数最大者。例如,k-means演算法(初始演算法)的最佳演算法参数组合为2时所对应的BIC分数最大,则处理器20依此条件,将k-means演算法的演算法参数组合为2时所产生的模型视为最适者。
于一实施例中,处理器20依据模型中的最适者,以判断工件数据中是否具有异常数据。
于一实施例中,多笔工件数据正常会落在一定的范围内。例如,显示器的厚度可能落在2.5~2.6公分的范围内,因此整批工件数据在正常状况下,应该会符合多变量的单峰分布(multi-variate unimodal distributions),即数据分布中只有一个明显的峰值。换言之,正常状况下,整批工件数据应该是被模型判定分在同一群聚。因此,当模型判定整批工件数据有多个群聚时,则处理器20判断工件数据中具有异常数据。换言之,工件数据都会进行分群,判断异常的决策条件是分成几群,当分成一群表示没有异常,分成多群表示异常。
由上述可知,工件品质分析方法200是应用非监督式学习,即处理器20得到的工件数据中没有任何标记数据,经由上述步骤210~280以自动分析出工件数据中是否存在异常的数据,且工件品质分析方法200可以应用于分析不同测项的工件数据。因此,工件品质分析方法200可支持多变量分析,能描述多个项目间的交互关系,分析出传统品质管制方法无法检测的高维度异常、变异。此外,由于工件品质分析方法200无需预先定义异常界线或规格,因此也不受人为定义的不适当管制规则、规格的干扰,并且能自动找到最适合的最佳演算法参数组合及其对应的演算法,以产生模型。
图4A~4C是依照本发明一实施例示出工件品质分析方法400的流程图。于一实施例中,当处理器20接收到工件数据DT后,通过已知的正规化或数据转置等方法,将工件数据DT进行前处理(步骤350),再应用完成前处理的工件数据DT进行工件品质分析方法400。其中,步骤411~419用以选择模型。
于步骤411中,处理器20从复数个预设演算法中选择一演算法及对应的一演算法参数组合。
于一实施例中,处理器20选择k-means演算法并选择参数k=1为演算法参数组合。
于步骤412中,处理器20依据被选择的演算法及其对应的演算法参数组合将一工件数据DT进行分群,以得到被选择的演算法的一模型。
于一实施例中,处理器20依据k-means演算法及参数k=1将工件数据DT进行分群,以得到k-means演算法的一模型。
于步骤413中,处理器20计算模型对应的一模型评估指标值。
于一实施例中,处理器20计算模型对应的BIC分数(即模型评估指标值)。
于步骤414中,处理器20判断目前叠代状况是否满足一停止门限值(包含但不限于,叠代次数限制上限)。若处理器20判断未满足停止门限值,则进入步骤415,若处理器20判断满足停止门限值,则进入步骤416。
于一实施例中,k-means演算法及其对应的叠代次数预设的上限为10,在每次叠代的参数k调整量为1,则处理器20判断演算法参数组合是否满足参数k=10的条件。
于一实施例中,预设k-means演算法的叠代会进行10次,即步骤412~414可以视为一个执行10次的环路,每次执行时所采用的参数不同。当步骤412~414执行1~9次时,处理器20判断叠代次数未满足停止门限值(叠代次数上限),则进入步骤415。当步骤412~414执行10次时,处理器20判断满足停止门限值,进入步骤416。
于步骤415中,处理器20调整演算法参数组合。
于一实施例中,处理器20将参数k加1,变成参数k=2(当前参数)。接着返回步骤412,此时,处理器20依据被选择的演算法及此当前参数将一工件数据进行分群,以得到被选择的演算法的另一模型。当步骤412~414的形成的环路执行到第10次时,处理器20在步骤414中,判断参数k=10,满足停止门限值,进入步骤416。
换言之,处理器20在步骤415中产生下一个要代入步骤412的当前参数。
于步骤416中,处理器20选择所有演算法参数组合中,具有最大值的BIC分数的演算法参数组合。
于一实施例中,处理器20选择参数k=1~10中,具有最大值的BIC分数的参数。例如,参数k=3时,具有最大值的BIC分数,则处理器20选择参数k=3,并将k-means演算法在参数k=3时,所对应的BIC分数等信息存储到存储装置10。
于步骤417中,处理器20判断是否所有预设演算法都计算完成。若处理器20判断所有预设演算法都计算完成,则进入步骤418。若处理器20判断并非所有预设演算法都计算完成,则进入步骤411。
于一实施例中,假设一共有三个预设演算法需要进行比较,此三个演算法的执行顺序为k-means演算法、最大期望演算法及阶层式分群演算法。此时,当返回步骤411后(第二次执行步骤411),处理器20会选择最大期望演算法进行上述步骤412~416,当再次进入步骤416时,处理器20选择最大期望演算法的演算法参数组合中,具有最大值的BIC分数的演算法参数组合(例如当参数k=4时,具有最大值的BIC分数),并记录最大期望演算法相关的信息于存储装置20。接着,再次进入步骤417。此次,于步骤417中,处理器20判断并非所有预设演算法都计算完成,因此又再次返回步骤411(第三次执行步骤411),处理器20会选择阶层式分群演算法进行上述步骤412~416,当再次进入步骤416时,处理器20选择阶层式分群演算法的演算法参数组合中,具有最大值的BIC分数的演算法参数组合(例如当参数k=5时,具有最大值的BIC分数),并记录阶层式分群演算法相关的信息于存储装置20。
当处理器20于步骤417中,判断所有预设演算法都计算完成时,代表存储装置20中存有k-means演算法在参数k=3时所对应的BIC分数、最大期望演算法在参数k=4时所对应的BIC分数及阶层式分群演算法在参数k=5时所对应的BIC分数。
于步骤418中,处理器20比较所有预设演算法各自对应的最大值的BIC分数。
于步骤419中,处理器20选择具有最大值的BIC分数所对应的预设演算法。
于一实施例中,假设k-means演算法在参数k=3时所对应的BIC分数为8100,最大期望演算法在参数k=4时所对应的BIC分数为9500,阶层式分群演算法在参数k=5时所对应的BIC分数为9000,则处理器选择具有最大值的初始BIC分数9500所对应模型,亦即由最大期望演算法且参数k=4建立的模型。
于一实施例中,假设k-means演算法在参数k=3、最大期望演算法在参数k=4及阶层式分群演算法在参数k=5时所对应的BIC分数都相同,则依据预设的演算法选用顺序,例如优先选用k-means演算法。
于一实施例中,处理器20将最大期望演算法在参数k=4的调制视为一最佳模型MD。在单一演算法的情况下,这里使用最佳模型判断是否有异常数据。两个以上演算法的情况下,这里是指“最适者”。
于步骤420中,处理器20依据最佳模型MD中的最佳演算法参数组合(如参数k=4),以判断工件数据中是否具有异常数据。若处理器20依据最佳模型MD中的最佳演算法参数组合(如参数k=4),当参数k>1表示工件数据非服从多变量单峰分布,则判断工件数据中具有异常数据,则进入步骤430。若处理器20依据最佳模型MD中的最佳演算法参数组合(如参数k=1),当参数k=1则表示工件数据服从多变量单峰分布,判断工件数据中不具有异常数据,则进入步骤440。
于一实施例中,多笔工件数据正常会落在一定的范围内。例如,显示器的厚度可能落在2.5~2.6公分的范围内,因此整批工件数据在正常状况下,应该会符合多变量的单峰分布,即数据分布中只有一个明显的峰值。换言之,正常状况下,整批工件数据应该被模型判定为同一群聚。因此,最佳演算法参数组合(如参数=4)代表将工件数据有多个群聚,表示分布有复数个明显的峰值,不符合多变量单峰分布,则处理器20判断工件数据中具有异常数据。
在另一实施例中,假设最佳演算法参数组合(如参数k=1)代表工件数据的分布中只有一个明显的峰值,工件数据的值都在一定的范围内,并没有明显分群,则处理器20判断工件数据中不具有异常数据。
于步骤430中,处理器20输出工件数据中具有异常数据的判断结果。
于步骤440中,处理器20输出工件数据中不具有异常数据的判断结果。
本发明所示的工件品质分析方法及工件品质分析系统,通过设计模型评估指标值,可从内建多种演算法中自动选出最适演算法及对应的参数,以产生模型,应用分析模型换言之,本发明先在单一演算法中,利用始模型评估指标值,选出较好的参数组合,再从多个演算法中选出最适合的演算法,使用最适合的演算法及其参数组合可以达到检测不服从多变量单峰分布的传统品质工具难以描述的生产变异的效果。
本发明的方法,或特定形态或其部分,可以以程序码的形态存在。程序码可以包含于实体媒体,如软碟、光盘片、硬盘、或是任何其他机器可读取(如电脑可读取)存储媒体,亦或不限于外在形式的电脑程序产品,其中,当程序码被机器,如电脑载入且执行时,此机器变成用以参与本发明的装置。程序码也可以通过一些传送媒体,如电线或电缆、光纤、或是任何传输形态进行传送,其中,当程序码被机器,如电脑接收、载入且执行时,此机器变成用以参与本发明的装置。当在一般用途处理单元实作时,程序码结合处理单元提供一操作类似于应用特定逻辑电路的独特装置。
虽然本发明已以实施方式公开如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的构思和范围内,当可作各种的变动与润饰,因此本发明的保护范围当视权利要求所界定者为准。
Claims (10)
1.一种工件品质分析方法,包括:
从复数个预设演算法中选择一初始演算法及对应的一演算法参数组合;
依据该初始演算法及该演算法参数组合将一工件数据进行分群,以得到该初始演算法的一初始模型及一对应的分群结果;
根据该分群结果以得到对应的一初始模型评估指标值;
选择该初始演算法对应的至少一另一演算法参数组合;
依据该初始演算法对应的该至少一另一演算法参数组合将该工件数据进行分群,以得到至少一另一模型及至少一另一分群结果;
根据该至少一另一分群结果以得到对应的至少一另一模型评估指标值;
根据该初始模型评估指标值与该至少一另一模型评估指标值,选出对应该初始演算法的一最佳模型;以及
根据该最佳模型判断该工件数据中是否具有一异常数据。
2.如权利要求1所述的工件品质分析方法,还包含:
由该最佳模型及至少一候选模型中选出最适者,并依据该最适者,以判断该工件数据中是否具有一异常数据。
3.如权利要求2所述的工件品质分析方法,还包含:
由该些预设演算法中选择至少一其他演算法,配合至少一其他演算法参数组合,以产生该至少一候选模型。
4.如权利要求2所述的工件品质分析方法,根据该最佳模型所对应的模型评估指标值,与该至少一候选模型对应的模型评估指标值中较大者,选出该最适者。
5.如权利要求1或2所述的工件品质分析方法,其中,当该工件数据有发生分群,则判断该工件数据中具有该异常数据。
6.一种工件品质分析系统,包括:
一存储装置,用以存储一工件数据;
一处理器,用以读取该工件数据,并执行以下操作:
从复数个预设演算法中选择一初始演算法及对应的一演算法参数组合;
依据该初始演算法及该演算法参数组合将一工件数据进行分群,以得到该初始演算法的一初始模型及一对应的分群结果;
根据该初始模型分群结果,以得到对应的一初始模型评估指标值;
选择该初始演算法对应的至少一另一演算法参数组合;
依据该初始演算法对应的该至少一另一演算法参数组合将该工件数据进行分群,以得到至少一另一模型及至少一另一分群结果;
根据该至少一另一分群结果以得到对应的至少一另一模型评估指标值;
根据该初始模型评估指标值与该至少一另一模型评估指标值,选出对应该初始演算法的一最佳模型;以及
根据该最佳模型判断该工件数据中是否具有一异常数据。
7.如权利要求6所述的工件品质分析系统,其中该处理器更用以执行以下步骤:
由该最佳模型及至少一候选模型中选出最适者,并依据该最适者,以判断该工件数据中是否具有一异常数据。
8.如权利要求7所述的工件品质分析系统,其中该处理器更用以执行以下步骤:
由该些预设演算法中选择至少一其他演算法,配合至少一其他演算法参数组合,以产生该至少一候选模型。
9.如权利要求6所述的工件品质分析系统,其中该处理器更用以执行以下步骤:
根据该最佳模型所对应的模型评估指标值,与该至少一候选模型对应的模型评估指标值中较大者,选出该最适者。
10.如权利要求6或7所述的工件品质分析系统,其中,当该工件数据有发生分群,则判断该工件数据中具有该异常数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501582.3A CN114648186A (zh) | 2020-12-18 | 2020-12-18 | 工件品质分析方法及工件品质分析系统 |
US17/378,187 US20220197261A1 (en) | 2020-12-18 | 2021-07-16 | Workpiece quality analysis method and workpiece quality analysis system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011501582.3A CN114648186A (zh) | 2020-12-18 | 2020-12-18 | 工件品质分析方法及工件品质分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648186A true CN114648186A (zh) | 2022-06-21 |
Family
ID=81989665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011501582.3A Pending CN114648186A (zh) | 2020-12-18 | 2020-12-18 | 工件品质分析方法及工件品质分析系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220197261A1 (zh) |
CN (1) | CN114648186A (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10134440B2 (en) * | 2011-05-03 | 2018-11-20 | Kodak Alaris Inc. | Video summarization using audio and visual cues |
US10063406B2 (en) * | 2015-07-15 | 2018-08-28 | TUPL, Inc. | Automatic customer complaint resolution |
CA2993824A1 (en) * | 2015-07-29 | 2017-02-02 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
CN110909507A (zh) * | 2018-09-12 | 2020-03-24 | 台达电子工业股份有限公司 | 焊锡制程参数建议方法 |
-
2020
- 2020-12-18 CN CN202011501582.3A patent/CN114648186A/zh active Pending
-
2021
- 2021-07-16 US US17/378,187 patent/US20220197261A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20220197261A1 (en) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
US7783510B1 (en) | Computer storage capacity forecasting system using cluster-based seasonality analysis | |
JP3940718B2 (ja) | 試験装置、良否判定基準設定装置、試験方法及び試験プログラム | |
US7640126B2 (en) | Combine-information processing apparatus, method for processing combine-information, program, and recording medium | |
EP2166422B1 (en) | Method of alarm mask generation and condition monitoring of wind turbines | |
CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
US7957821B2 (en) | Systems and methods for statistical process control | |
US20060047457A1 (en) | Part measurement prioritization system and method | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
CN101738991A (zh) | 检测产品品质超规与评估产品实际测量值的方法 | |
JP5229631B2 (ja) | 製造条件調整装置 | |
JP2006148070A (ja) | センサデータの補正方法及びインターロックシステムのインターロック評価方法 | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
CN103714191A (zh) | 用于异常工具和阶段诊断的2d/3d分析 | |
KR102470763B1 (ko) | 데이터 이상치 탐색 장치 및 방법 | |
JP2022040964A (ja) | 製造条件設定自動化装置及び方法 | |
CN116113942A (zh) | 依据工艺踪迹预测装备故障模式 | |
JP2020047078A (ja) | データ処理方法、データ処理装置、およびデータ処理プログラム | |
KR101945131B1 (ko) | 비정규분포 공정에서의 극소불량률 관리 방법 및 장치 | |
CN114648186A (zh) | 工件品质分析方法及工件品质分析系统 | |
US11244235B2 (en) | Data analysis device and analysis method | |
CN110928264A (zh) | 数据处理、数据处理装置以及计算机可读取记录介质 | |
JP7491118B2 (ja) | 検査システム、検査方法、及び検査プログラム | |
TW202226080A (zh) | 工件品質分析方法及工件品質分析系統 | |
CN114764550A (zh) | 失效检测与分类模型的运作方法与运作装置 |
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 |