JP2019135638A - 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 - Google Patents
生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 Download PDFInfo
- Publication number
- JP2019135638A JP2019135638A JP2018220292A JP2018220292A JP2019135638A JP 2019135638 A JP2019135638 A JP 2019135638A JP 2018220292 A JP2018220292 A JP 2018220292A JP 2018220292 A JP2018220292 A JP 2018220292A JP 2019135638 A JP2019135638 A JP 2019135638A
- Authority
- JP
- Japan
- Prior art keywords
- data
- production process
- process step
- workpiece
- data signal
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 65
- 230000005856 abnormality Effects 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000013499 data model Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003908 quality control method Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000003326 Quality management system Methods 0.000 claims description 17
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 238000003754 machining Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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]
- G05B19/41875—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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G05B2219/32193—Ann, neural base quality management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- General Factory Administration (AREA)
Abstract
Description
生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録してある基準データ信号を基準として、対象ワークピースの対象データ信号に関する少なくとも1つの偏差データ信号を計算し、その偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップt又はパス長ステップlに関する偏差データサンプルを多数含んでおり、
学習(訓練)後の異常検出データモデルを使い、計算した少なくとも1つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップt又はパス長ステップl毎に、時間ステップt又はパス長ステップlのそれぞれが異常であることを表す異常確率pを計算し、
生産プロセスステップの時間ステップt又はパス長ステップlの計算した異常確率pに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類する、ことを含む。
生産機械によって生産プロセスで加工される対象ワークピースの対象データ信号を受信するように構成された入力インターフェースと、
生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録されている基準データ信号を基準として、受信した対象データ信号に関する偏差データ信号を少なくとも1つ計算するように構成され、その偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップt又はパス長ステップlに関する偏差データサンプルを多数含んでいる、データ前処理部と、
学習後の異常検出データモデルを使い、少なくとも1つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップt及びパス長ステップlの少なくとも一方毎に、時間ステップt及びパス長ステップlの少なくとも一方のそれぞれが異常となる異常確率pを計算するように構成された異常検出部と、
生産プロセスステップの時間ステップt及びパス長ステップlの少なくとも一方の計算済み異常確率pに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類するように構成された分類部と、
対象ワークピース及び生産プロセスステップの少なくとも一方が分類部によって異常と分類された場合に、少なくとも警告信号又は制御信号を発生するように構成された出力インターフェースとを備える。
式中、Xはプロセスステップの軌跡上のすべての三次元座標を記述し、xi,Aは軸A上の時間ステップi上である。パス長Lを考慮すると、例えば2mmのパス長Lに対応する例えば0.05刻みで、値間を線形補間し線形補間の値を計算することによって、測定チャネル毎に固定長のシーケンスを生成することが可能である。プロセスステップは、全体のパス長Lをわずかに変化させ得るので、一例において、基準値セットから最短パス長Lを有するプロセスステップを使用し、このパス長Lのデータを生成することにより、すべてのシーケンスが正確に同じ長さとなる。
式中、xw,c,tは、ステップ(パス長)t,lにおけるセンサ信号チャネルc用のワークピースwのプロセスステップにおける信号を記述するものである。
式(3)はローカル信号の平均値である。
式(4)は、すべての基準ワークピースのセンサ信号チャネルc[t−k,t+k]が同じプロセスステップのみからである場合、区間中のローカル信号標準偏差である。例えば、kは、2×25+1=51のウインドウサイズに対応するk=25となる。
式中、Xは入力データであり、yは2進ラベルのベクトルであり、fθはθによってパラメータ化されたモデル関数であり、λは正則化強度である。一例としてλは0.001に設定することができる。
式中、P(x)は、分類モデルによって生成された異常クラスの分類確率を示す。P(xi)は、軌跡上のステップiで異常クラスが発生する確率である。言い換えれば、適用規則は、ステップ毎分類モデルが、例えば、いずれかステップにおいて(>0.95)の高い確度を有する異常を予測した場合、ワークピース全体を異常と分類することができることを示している。あるいは、十分な例があれば、この分類を実行する機能を学習することも可能である。
Claims (15)
- 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法であって、
(a) 生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録してある基準データ信号を基準として、対象ワークピースの対象データ信号に関する少なくとも1つの偏差データ信号を計算し(S1)、該偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップt又はパス長ステップlに関する偏差データサンプルを多数含んでおり、
(b) 学習後の異常検出データモデルを使い、前記計算した少なくとも1つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップt又はパス長ステップl毎に、該時間ステップt又はパス長ステップlのそれぞれが異常であることを表す異常確率pを計算し、
(c) 生産プロセスステップの時間ステップt又はパス長ステップlの前記計算した異常確率pに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類する(S3)、ことを含む、データ駆動方法。 - 生産プロセスステップの測定データが、対象ワークピース及び生産プロセスステップの少なくとも一方につき様々な数のデータサンプルをもつ、時間ステップt及びパス長ステップlの少なくとも一方に依拠した測定データとして、記録される、請求項1に記載のデータ駆動方法。
- 前記記録した時間ステップ又はパス長依拠の測定データは、生産プロセスステップ中のすべてのワークピースに共通する軌跡に沿うパス長Lに前記時間ステップ依拠の測定データを投影することによって、三次元パス長に依拠したデータに変換する、請求項2に記載のデータ駆動方法。
- 前記三次元パス長依拠のデータをデータフィルタによって平滑化することで、対象ワークピースの対象データ信号及び基準ワークピースの基準データ信号を提供する、請求項3に記載のデータ駆動方法。
- 前記データフィルタによって出力される平滑化後の対象ワークピースの対象データ信号と、所定のウインドウサイズを有する移動ウィンドウに対応した記録済み基準データ信号の信号平均及び標準偏差との間で、正規化ユークリッド距離を計算することによって、前記偏差データ信号を計算する、請求項4に記載のデータ駆動方法。
- 計算した2値クロスエントロピー損失を用いて前記異常検出データモデルのネットワークパラメータを最適化することによって、計算する前記異常確率pの誤差を最小化する、請求項1〜5のいずれか1項に記載のデータ駆動方法。
- 異常なワークピース及び異常な生産プロセスステップの少なくとも一方の自動検出を、プロセスステップを含む稼働中の生産プロセス中にリアルタイムで実行する、請求項1〜6のいずれか1項に記載のデータ駆動方法。
- 前記異常検出データモデルは、拡張畳み込みに依拠したデータモデルを用いる、請求項1〜7のいずれか1項に記載のデータ駆動方法。
- 前記異常検出データモデルは、再帰型ニューラルネットワーク、特に、長期短期LSTMネットワーク又はゲート付き回帰型ユニットGRUネットワークを用いる、請求項1〜7のいずれか1項に記載のデータ駆動方法。
- 対象ワークピース及び生産プロセスステップの少なくとも一方を異常と分類した場合、少なくともユーザに対する警告信号又は生産機械の制御信号を自動的に発生する、請求項1〜9のいずれか1項に記載のデータ駆動方法。
- 生産機械によって生産プロセスで加工される対象ワークピースの対象データ信号を受信するように構成された入力インターフェースと、
生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録されている基準データ信号を基準として、前記受信した対象データ信号に関する偏差データ信号を少なくとも1つ計算するように構成され、該偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップt又はパス長ステップlに関する偏差データサンプルを多数含んでいる、データ前処理部(2)と、
学習後の異常検出データモデルを使い、前記少なくとも1つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップt又はパス長ステップl毎に、該時間ステップt又はパス長ステップlのそれぞれが異常となる異常確率pを計算するように構成された異常検出部(3)と、
生産プロセスステップの時間ステップt又はパス長ステップlの前記計算済み異常確率pに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類するように構成された分類部(4)と、
対象ワークピース及び生産プロセスステップの少なくとも一方が前記分類部(4)によって異常と分類された場合に、少なくとも警告信号又は制御信号を発生するように構成された出力インターフェースと
を備える品質管理システム。 - 基準ワークピースセットの対応する生産プロセスステップに関して記録されている前記基準データ信号は、前記異常検出部(3)へ供給する前記少なくとも1つの偏差データ信号を生産プロセスの生産プロセスステップ毎に計算するべく、前記データ前処理部(2)が読み出すメモリに記憶される、請求項11に記載の品質管理システム。
- 生産プロセスで加工された対象ワークピースの対象データ信号は、生産機械のセンサによって生成される測定データを含む、請求項11又は12に記載の品質管理システム。
- 前記測定データは、生産機械のデータ抽出パイプラインによって提供され、ワークピース毎及び生産プロセスのプロセスステップ毎の時間依拠スケールで記録される、請求項13に記載の品質管理システム。
- 前記データ前処理部(2)は、生産プロセスの生産プロセスステップ中のすべてのワークピースに共通の軌跡に沿うパス長Lに時間ステップに依拠した測定データを投影することによって、録済みの前記時間ステップ依拠の測定データを三次元パス長に依拠したデータに変換するように構成されている、請求項11〜14のいずれか1項に記載の品質管理システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17206972.6A EP3499329A1 (en) | 2017-12-13 | 2017-12-13 | A data driven method for automated detection of anomalous work pieces during a production process |
EP17206972.6 | 2017-12-13 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019135638A true JP2019135638A (ja) | 2019-08-15 |
JP6832327B2 JP6832327B2 (ja) | 2021-02-24 |
Family
ID=60923197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018220292A Active JP6832327B2 (ja) | 2017-12-13 | 2018-11-26 | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11468274B2 (ja) |
EP (1) | EP3499329A1 (ja) |
JP (1) | JP6832327B2 (ja) |
CN (1) | CN109947072B (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320894B (zh) * | 2019-08-01 | 2022-04-15 | 陕西工业职业技术学院 | 一种准确划分混叠区域数据类别的火电厂制粉系统故障检测方法 |
CN114286931B (zh) * | 2019-08-28 | 2022-12-30 | 三菱电机株式会社 | 异常部分检测装置、异常部分检测方法及计算机可读取的记录介质 |
EP3805883A1 (de) * | 2019-10-08 | 2021-04-14 | Siemens Aktiengesellschaft | Verfahren und vorrichtungen zum bestimmen einer produktgüte |
CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
CN113191678B (zh) * | 2021-05-21 | 2023-01-10 | 联洋国融(北京)科技有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN116630319B (zh) * | 2023-07-24 | 2023-10-10 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
CN117148775B (zh) * | 2023-10-31 | 2024-01-23 | 中国电建集团山东电力管道工程有限公司 | 管道生产过程远程监控方法、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002324109A (ja) * | 2001-04-26 | 2002-11-08 | Semiconductor Leading Edge Technologies Inc | 装置稼働率向上システム、モニタ装置、部品供給装置、装置稼働率向上方法、記録媒体およびプログラム |
JP2006302096A (ja) * | 2005-04-22 | 2006-11-02 | Omron Corp | 工程異常検知システム |
JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
JP2014115714A (ja) * | 2012-12-06 | 2014-06-26 | Mitsubishi Electric Corp | 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム |
JP2016075663A (ja) * | 2014-10-06 | 2016-05-12 | ザ・ボーイング・カンパニーThe Boeing Company | 製造中の複合部品を検査するためのシステムおよび方法 |
JP2016201088A (ja) * | 2015-04-10 | 2016-12-01 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
JP2017123170A (ja) * | 2016-01-06 | 2017-07-13 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 心電図認証方法及び装置並びに学習方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456899B1 (en) * | 1999-12-07 | 2002-09-24 | Ut-Battelle, Llc | Context-based automated defect classification system using multiple morphological masks |
JP4323475B2 (ja) * | 2005-09-26 | 2009-09-02 | アドバンスド・マスク・インスペクション・テクノロジー株式会社 | 試料検査装置、試料検査方法及びプログラム |
JP4859941B2 (ja) | 2009-02-27 | 2012-01-25 | 三菱重工業株式会社 | 加工装置及び加工方法 |
CN101943896B (zh) | 2010-07-16 | 2012-02-29 | 浙江大学 | 数控机床误差的轨迹再生补偿方法 |
CN103810374B (zh) | 2013-12-09 | 2017-04-05 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
CN104394405B (zh) | 2014-11-19 | 2017-01-04 | 同济大学 | 一种基于全参考图像的客观质量评价方法 |
CA2993824A1 (en) * | 2015-07-29 | 2017-02-02 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
US9753968B1 (en) * | 2016-03-06 | 2017-09-05 | SparkBeyond Ltd. | Systems and methods for detection of anomalous entities |
-
2017
- 2017-12-13 EP EP17206972.6A patent/EP3499329A1/en not_active Withdrawn
-
2018
- 2018-11-26 JP JP2018220292A patent/JP6832327B2/ja active Active
- 2018-12-06 US US16/211,370 patent/US11468274B2/en active Active
- 2018-12-13 CN CN201811524434.6A patent/CN109947072B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002324109A (ja) * | 2001-04-26 | 2002-11-08 | Semiconductor Leading Edge Technologies Inc | 装置稼働率向上システム、モニタ装置、部品供給装置、装置稼働率向上方法、記録媒体およびプログラム |
JP2006302096A (ja) * | 2005-04-22 | 2006-11-02 | Omron Corp | 工程異常検知システム |
JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
JP2014115714A (ja) * | 2012-12-06 | 2014-06-26 | Mitsubishi Electric Corp | 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム |
JP2016075663A (ja) * | 2014-10-06 | 2016-05-12 | ザ・ボーイング・カンパニーThe Boeing Company | 製造中の複合部品を検査するためのシステムおよび方法 |
JP2016201088A (ja) * | 2015-04-10 | 2016-12-01 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
JP2017123170A (ja) * | 2016-01-06 | 2017-07-13 | 三星電子株式会社Samsung Electronics Co.,Ltd. | 心電図認証方法及び装置並びに学習方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6832327B2 (ja) | 2021-02-24 |
CN109947072B (zh) | 2023-01-24 |
EP3499329A1 (en) | 2019-06-19 |
US11468274B2 (en) | 2022-10-11 |
CN109947072A (zh) | 2019-06-28 |
US20190180152A1 (en) | 2019-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
US20180307198A1 (en) | Machined surface quality evaluation device | |
US20180281091A1 (en) | Control device of wire electric discharge machine and machine learning device | |
US20150026107A1 (en) | System and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the methods therefor | |
EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
JP2002525757A (ja) | 統計的プロセス管理のための多次元的方法及びシステム | |
WO2002031613A9 (en) | System and method for monitoring process quality control | |
US7239737B2 (en) | User interface for quantifying wafer non-uniformities and graphically explore significance | |
JP2017161991A (ja) | 品質評価システム、品質評価方法及びプログラム | |
Kim et al. | Wafer edge yield prediction using a combined long short-term memory and feed-forward neural network model for semiconductor manufacturing | |
CN112183919A (zh) | 质量预测系统和质量预测方法 | |
CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
CN117542169A (zh) | 基于大数据分析的自动化设备温度异常预警方法 | |
CN112236798A (zh) | 用于在生产产品的情形中的质量保证的方法以及计算设备和计算机程序 | |
Yang et al. | Streaming data analysis framework for cyber-physical system of metal machining processes | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
Sikder et al. | A synergic multivariate statistical process control framework for monitoring, diagnosis, and adjustment of multiple response abrasive machining processes | |
EP3969230A1 (en) | Artificial intelligence in discrete manufacturing | |
CN114971599B (zh) | 食品制造加工工艺参数设置方法、装置、设备及介质 | |
KR102550417B1 (ko) | 공작기계용 공구의 보정 알람 장치 및 방법 | |
JP2020154849A (ja) | コントローラ、システム、方法及びプログラム | |
US20170322547A1 (en) | Processing Apparatus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190412 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200414 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200512 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200716 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210201 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6832327 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |