JP6920378B2 - 再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体 - Google Patents

Description

本発明は、産業用のインターネット技術分野に関し、特に再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体に関するものである。

電子通信技術の発展に伴い、通信機器の出荷量は依然として増加している。通常、通信機器が故障した場合、ユーザーはこの通信機器をメーカーに返却して修理する。しかし、サーバーのマザーボードを例にすると、ユーザーが返却した再修理用マザーボードにおいて、実際に修理する必要がある故障マザーボードは全体の約５０％〜６０％であり、残りの再修理用マザーボードは修理する必要がない。従来の方法としては、返却された全ての再修理用マザーボードに対してテストを行って、修理が必要な故障マザーボードを見つけ出すという方法がとられているが、この方法は、修理後に再度ユーザーに送り返さなければならず、しかもこの中には修理する必要のない再修理用マザーボードも多いため、労力や、テスト費用、配送料等がかかってしまう。

以上の問題点に鑑みて、本発明は、再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体を提供して、再修理用基板に対して修理が必要かどうかを決定し、不必要なコストを低減させることを目的とする。

本発明の一実施形態において、再修理用基板の検出方法を提供する。この方法は、複数の再修理用基板の修理情報を取得するステップと、修理情報から所定の特徴情報を抽出するステップと、抽出して取得された所定の特徴情報に対して解析処理を行って、トレーニング特徴を取得するステップと、トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得するステップと、検出待ちの再修理用基板の修理情報を受信して、再修理用基板の検出モデルに伝送して、検出待ちの再修理用基板の検出結果を取得するステップと、を含む。

複数の再修理用基板の修理情報を取得するステップは、各再修理用基板の基板管理コントローラから修理情報を取得するステップを含むのが好ましい。

所定の特徴情報は、システム情報カタログコード（Ａｇｅｎｔ ＩＤ）、システム情報カタログ（Ｃａｔｅｇｏｒｙ）、情報分類（Ｓｅｖｅｒｉｔｙ）、状態情報発生時間（Ｔｉｍｅｓｔａｍｐ）、状態情報（Ｍｅｓｓａｇｅ）、状態情報コード（Ｍｅｓｓａｇｅ ＩＤ）、ハードウェア位置情報（ＦＱＤＤ）、ハードウェア名称（Ａｒｇ）、ハードウェアアドレスデータ（Ｒａｗ Ｅｖｅｎｔ Ｄａｔａ）のうちの一種または多種を含むのが好ましい。

抽出して取得された所定の特徴情報に対して解析処理を行って、トレーニング特徴を取得するステップは、所定の特徴情報に対応する特徴値リストを取得するステップと、特徴値リスト中の各特徴値をコーディングして、所定の真理値の変換規則に基づいて、所定の特徴情報に含まれている特徴値を真理値に変換して、特徴真理値表を確立して取得するステップと、特徴真理値表と所定の特徴情報に対応する再修理用基板の検出結果をトレーニング特徴とするステップと、を含むことが好ましい。

トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得するステップは、機械学習モデルを確立し、並びにトレーニング特徴を利用して機械学習モデルに対してトレーニングを行って、再修理用基板の検出モデルを取得するステップを含み、再修理用基板の検出モデルにおいて、各特徴値は一つの重み付け値をトレーニングして取得することができ、再修理用基板の検出モデルは各特徴値の重み付け値に基づいて検出待ちの再修理用基板の検出結果を取得することが好ましい。

所定の真理値の変換規則は、特徴値リスト中の一つの特徴値が所定の特徴情報において出現したことがある場合、当該特徴値は真理値「１」に変換され、特徴値リスト中の一つの特徴値が所定の特徴情報において出現したことがない場合、当該特徴値は真理値「０」に変換されることを含むのが好ましい。

トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得するステップは、トレーニング特徴をトレーニングセットとバリデーションセットとに分けるステップと、入力層、複数の隠れ層および出力層を含む機械学習モデルを確立し、並びにトレーニングセットを利用して機械学習モデルに対してトレーニングを行うステップと、バリデーションセットを利用してトレーニング後の機械学習モデルに対してバリデーションを行い、各バリデーション結果に基づいてモデル予測正確率を取得するステップと、モデル予測正確率が所定の閾値より小さいかどうかを判断するステップと、モデル予測正確率が所定の閾値より大きい場合、トレーニングが完了した機械学習モデルを、再修理用基板を検出モデルとするステップを含むのが好ましい。

モデル予測正確率が所定の閾値より小さいかどうかを判断するステップの後、さらに、モデル予測正確率が所定の閾値より小さい場合、機械学習モデルのパラメータを調節し、かつ、トレーニングセットを利用して、新たに調節後の機械学習モデルに対してトレーニングを行うステップと、バリデーションセットを利用して新たにトレーニングされた機械学習モデルに対してバリデーションを行って、各バリデーション結果に基づいて新たにモデル予測正確率を統計して取得し、かつ、新たに統計して取得されたモデル予測正確率が所定の閾値より小さいかどうかを判断するステップと、新たに統計して取得されたモデル予測正確率が所定の閾値以上である場合、新たにトレーニングして取得された機械学習モデルを再修理用基板の検出モデルとするステップと、新たに統計して取得されたモデル予測正確率が依然として所定の閾値より小さい場合、バリデーションセットにより取得されたモデル予測正確率が所定の閾値以上になるまで上記ステップを繰り返すステップと、を含むのが好ましい。

検出待ちの再修理用基板の修理情報を受信し、かつ、再修理用基板の検出モデルに伝送して、検出待ちの再修理用基板の検出結果を取得するステップは、検出待ちの再修理用基板の修理情報を受信するステップと、検出待ちの再修理用基板の修理情報を再修理用基板の検出モデルに伝送して、検出待ちの再修理用基板が正常の再修理用基板である確率値を取得するか、または、検出待ちの再修理用基板が異常の再修理用基板である確率値を取得するステップと、確率値が所定の確率値以上であるかどうかを判断するステップと、判断結果に基づいて、検出待ちの再修理用基板の検出結果を取得するステップと、を含むのが好ましい。

本発明はさらに一実施形態において、再修理用基板の検出装置を提供する。この再修理用基板の検出装置は、プロセッサとメモリを備え、メモリには複数のコンピュータプログラムが記憶されており、プロセッサはメモリに記憶されたコンピュータプログラムを実行する際に、上記の再修理用基板の検出方法のステップを実現する。

本発明は一実施形態において、さらにコンピュータ読み取り可能な記憶媒体を提供する。このコンピュータ読み取り可能な記憶媒体には複数の命令が記憶されており、複数の命令は一つまたは複数のプロセッサによって実行されて、上記の再修理用基板の検出方法のステップを実現する。

従来の技術と比較して、本発明の再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体は、機械学習アルゴリズムに基づいて複数の再修理用基板のサンプルから抽出して取得したトレーニング特徴により、再修理用基板の検出モデルを確立して、並びにトレーニングして取得し、かつ、この再修理用基板の検出を利用して、目的再修理用基板を修理する必要があるかどうかを識別するため、不必要なロスを低減させることができ、使用者に送り返さなければならない場合の必要な配送料、時間および労力等を効果的に抑えることができる。

本発明の一実施形態に係る再修理用基板の検出装置の動作構成を示す図である。 本発明の一実施形態に係る再修理用基板の検出システムの機能モジュール図である。 本発明の一実施形態に係る再修理用基板の検出方法のフローチャートである。

以下、具体的な実施形態を図面と合わせて詳細に説明する。

本発明の目的、技術的構成および有利な効果を明確にするために、以下図面と実施例を組み合わせて本発明について詳細に説明する。ここで説明されている具体的な実施例は本発明を説明するためのものであり、限定するものではない。本発明の実施例に基づき、当業者が創造的な労働をしない前提下で得られた全てのその他の実施例は、何れも本発明が保護する範囲に属する。

また、本文おいて、用語の「含む」、「備える」またはその任意の類似する用語は非排他的に含むことを意味する。したがって、一連の要素を含む過程、方法および物または装置はそれらの要素を含むだけでなく、明確に列挙されていないその他の要素も含むか、或いはさらにこのような過程、方法および物または装置に固有する要素を含む。より多くの限定がなされていない場合、語句の「一つの・・・を含む」により限定された要素は、上記要素を含む過程、方法および物または装置にさらに別の同じ要素が存在することを含む。

図１は、本発明の再修理用基板の検出装置の好ましい実施例を示す図である。

再修理用基板装置１００は、メモリ１０、プロセッサ２０およびメモリ１０に記憶され、かつ、プロセッサ２０において実行される、例えば再修理用基板の検出プログラムのような、コンピュータプログラム３０を備える。プロセッサ２０はコンピュータプログラム３０を実行する時に、再修理用基板の検出方法の実施例におけるステップ、例えば図３に示すステップＳ３００〜Ｓ３０８を実現する。或いは、プロセッサ２０はコンピュータプログラム３０を実行する時に、再修理用基板の検出システムの実施例における各モジュールの機能、例えば、図２に示すモジュール１０１〜１０５を実現する。

コンピュータプログラム３０は一つまたは複数のモジュール／ユニットに分けることができる。この一つのまたは複数のモジュール／ユニットはメモリ１０に記憶されると共に、プロセッサ２０により実行され、本発明の目的を達成する。一つまたは複数のモジュール／ユニットは特定の機能を達成できる一連のコンピュータプログラム命令セグメントであってもよい。この命令セグメントはコンピュータプログラム３０の再修理用基板の検出装置１００における実行過程を説明するためのものである。例えば、コンピュータプログラム３０は図２中の取得モジュール１０１、抽出モジュール１０２、解析モジュール１０３、トレーニングモジュール１０４および検出モジュール１０５に分けることができる。各モジュールの具体的な機能は再修理用基板の検出システムの実施例における各モジュールの機能を参照されたい。

再修理用基板の検出装置１００はデスクトップコンピュータ、タブレットパソコン、サーバー等のコンピュータ装置であってもよい。当業者は理解できるであろうが、前記図面は、ただ再修理用基板の検出装置１００の例示であり、これを限定するものではなく、図面よりもさらに多くの部材またはさらに少ない部材、或いはある部材の組み合わせ、或いは異なる部材を含んでいてもよい。例えば、再修理用基板の検出装置１００はさらに入出力装置、インターネット接続装置、バスライン等を含むことができる。

プロセッサ２０は中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ，ＣＰＵ）であってもよいし、その他の汎用プロセッサ、デジタル信号プロセッサ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ，ＤＳＰ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ，ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ，ＦＰＧＡ）またはその他のプログラマブルロジックデバイス、ディスクリートゲートまたはトランジスタロジック、ディスクリートハードウェアのコンポーネント等であってもよい。汎用プロセッサはマイクロプロセッサであってもよく、プロセッサ２０は任意の一般的なプロセッサ等であってもよい。プロセッサ２０は各種インターフェイスや回線を利用して再修理用基板の検出装置１００全体の各部分に接続される。

メモリ１０はコンピュータプログラム３０および／またはモジュール／ユニットを記憶するのに用いられる。プロセッサ２０は、メモリ１０内に記憶されたコンピュータプログラムおよび／またはモジュール／ユニットを動作させるまたは実行させることで、およびメモリ１０内に記憶されているデータを呼び出すことで、再修理用基板の検出装置１００の各種機能を実現する。メモリ１０は高速ランダムアクセスメモリを含んでもよいし、不揮発性メモリ、例えば、ハードディスク、メモリ、外付ハードディスク、スマートメディアカード（Ｓｍａｒｔ Ｍｅｄｉａ(登録商標) Ｃａｒｄ，ＳＭＣ）、ＳＤカード（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ，ＳＤ）、フラッシュカード（Ｆｌａｓｈ Ｃａｒｄ）、少なくとも一つの磁気ディスク記憶装置、フラッシュメモリ、またはその他の揮発性ソリッドステートストレージを備えていてもよい。

図２は本発明の再修理用基板の検出システムの好ましい実施例の機能モジュール図である。

図２に示すように、再修理用基板の検出システム４０は取得モジュール１０１、抽出モジュール１０２、解析モジュール１０３、トレーニングモジュール１０４および検出モジュール１０５を備える。一実施形態において、モジュールはメモリ１０に記憶され、かつ、プロセッサ２０によって呼び出されて実行可能なコンピュータ命令であってもよい。その他の実施形態において、モジュールはプロセッサ２０に書き込まれているプログラム命令またはファームウェア（ｆｉｒｍｗａｒｅ）であってもよい。

取得モジュール１０１は複数の再修理用基板の修理情報を取得するのに用いられる。

一実施形態において、再修理用基板は、ユーザーにより返却されたサーバーのマザーボード、コンピュータマザーボード等であってもよい。まず予め一つのサンプルデータベースを確立すればよい。このサンプルデータベースには複数の再修理用基板の修理情報が保存されている。尚、各再修理用基板は、既に正常の再修理用基板であるのか異常な再修理用基板であるのか確定されている。正常な再修理用基板は修理が不要な基板であってもよく、異常な再修理用基板は修理が必要な基板であってもよい。

一実施形態において、取得モジュール１０１はサンプルデータベースと通信を行って、複数の再修理用基板の修理情報を取得することができる。複数の再修理用基板の具体的な数量は、後続のモデルトレーニングのニーズに基づいて確定され、ここでは限定しない。

取得モジュール１０１が取得する複数の再修理用基板の修理情報には、複数の正常の再修理用基板および複数の異常の再修理用基板の修理情報が含まれており、さらにはモデルトレーニングの正確性を向上できることは理解できるであろう。

一実施形態において、再修理用基板の修理情報は、好ましくはこの再修理用基板の基板管理コントローラ（ＢＭＣ）に保存される。

抽出モジュール１０２は修理情報から所定の特徴情報を抽出するのに用いられる。

一実施形態において、再修理用基板の修理情報には再修理用基板の各種のデータが含まれているので、これらのデータは基板管理コントローラに保存されている全てのデータであってもよい。但し、モデルトレーニングを行う場合、全てのデータを使用する必要はない。抽出モジュール１０２は修理情報から所定の特徴情報を抽出してもよい。

一実施形態において、所定の特徴情報は、システム情報カタログコード（Ａｇｅｎｔ ＩＤ）、システム情報カタログ（Ｃａｔｅｇｏｒｙ）、情報分類（Ｓｅｖｅｒｉｔｙ）、状態情報発生時間（Ｔｉｍｅｓｔａｍｐ）、状態情報（Ｍｅｓｓａｇｅ）、状態情報コード（Ｍｅｓｓａｇｅ ＩＤ）、ハードウェア位置情報（ＦＱＤＤ）、ハードウェア名称（Ａｒｇ）、ハードウェアアドレスデータ（Ｒａｗ Ｅｖｅｎｔ Ｄａｔａ）のうちの一種または多種を含む。

各再修理用基板は何れも一つの所定の特徴情報を抽出して取得することができるが、異なる再修理用基板の所定の特徴情報の具体的な内容は異なる可能性がある。

解析モジュール１０３は抽出して取得された所定の特徴情報に対して解析処理を行ってトレーニング特徴を取得するのに用いられる。

一実施形態において、所定の特徴情報を抽出して取得した後、さらに所定の特徴情報に対して解析処理を行って、所定の特徴情報をモデルトレーニングに用いられるトレーニング特徴に変換する必要がある。さらに、複数の再修理用基板は複数のトレーニング特徴を取得することができる。

一実施形態において、解析モジュール１０３は次の方法によって抽出して取得された所定の特徴情報に対して解析処理を行うことができる。先ず、所定の特徴情報に対応する特徴値リストを取得する。次いで、この特徴値リスト中の各特徴値をコーディングし、所定の真理値の変換規則に基づいて、所定の特徴情報に含まれている特徴値を真理値に変換して、特徴真理値表を確立して取得する。そして、特徴真理値表と所定の特徴情報に対応する再修理用基板の検出結果をトレーニング特徴とする。

特徴値リストには、所定の特徴情報が出現する可能性がある全ての特徴値の集合が集約されている。所定の特徴情報に含まれている特徴値は特徴値リストの一部の特徴値または全ての特徴値であってもよい。

一実施形態において、所定の真理値の変換規則は次のような変換規則であってもよい。即ち、特徴値リスト中の一つの特徴値が所定の特徴情報に出現したことがある場合、当該特徴値は真理値「１」に変換される。また、特徴値リスト中の一つの特徴値が所定の特徴情報に出現したことがない場合、当該特徴値は真理値「０」に変換される。

例えば、３００枚の再修理用基板を例にすると、再修理用基板の番号はＰＰＩＤ１、ＰＰＩＤ２、ＰＰＩＤ３、．．．、ＰＰＩＤ３００である。所定の特徴情報は状態情報であり、この状態情報に対応する特徴値リストには４０００種の特徴値（仮に、４０００種の特徴値をそれぞれＮＦＯ１、ＩＮＦＯ２、ＩＮＦＯ３、ＩＮＦＯ４、．．．、ＩＮＦＯ４０００とする）が含まれており、各特徴値はコーディングする必要がある。例えば、コードは１、２、３、４、・・・、４０００であり、各コードは一つの特徴値に対応している。仮に再修理用基板ＰＰＩＤ１（正常の再修理用基板）の状態情報に含まれる特徴値は、ＩＮＦＯ１、ＩＮＦＯ４、ＩＮＦＯ５．．．、ＩＮＦＯ４０００とされ、再修理用基板ＰＰＩＤ２（異常の再修理用基板）の状態情報に含まれる特徴値はＩＮＦＯ２、ＩＮＦＯ４、ＩＮＦＯ５．．．、ＩＮＦＯ４０００とされ、再修理用基板ＰＰＩＤ３（異常の再修理用基板）の状態情報に含まれる特徴値はＩＮＦＯ２、ＩＮＦＯ３、．．．、ＩＮＦＯ４０００とされ、再修理用基板ＰＰＩＤ４（正常な再修理用基板）の状態情報に含まれる特徴値はＩＮＦＯ２、ＩＮＦＯ３、ＩＮＦＯ４、．．．、ＩＮＦＯ４０００とされ、再修理用基板ＰＰＩＤ３００（異常の再修理用基板）の状態情報に含まれる特徴値はＩＮＦＯ１、ＩＮＦＯ４、ＩＮＦＯ５．．．、ＩＮＦＯ４０００とされる。

次いで、特徴値リスト中の一つの特徴値が各再修理用基板の状態情報において出現したことがあるかどうかを判断する。特徴値リスト中の一つの特徴値が状態情報において出現したことがある場合、当該特徴値は真理値「１」に変換され、特徴値リスト中の一つの特徴値が状態情報において出現したことがない場合、当該特徴値は真理値「０」に変換される。さらに、以下の表１に示す特徴真理値表を取得することができる。

当該特徴真理値表にはさらに一つのフィールドを追加して各再修理用基板の検出結果を記録することができる。またさらに、以下の表２に示すトレーニング特徴を取得することができる。

上記表２において、「Ｙ」は当該再修理用基板が正常な再修理用基板であることを示している。「Ｎ」は当該再修理用基板が異常な再修理用基板であることを示している。

所定の特徴情報が状態情報コードまたはその他の一つの情報または複数の情報である場合、同様に、上記方法によって状態情報コードに基づくトレーニング特徴を取得することができ、ここでは詳細な説明を省略する。

トレーニングモジュール１０４はトレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得することに用いられる。

一実施形態において、再修理用基板の検出モデルは機械学習モデル（例えば、ニューラルネットワークモデル）と複数のトレーニング特徴に基づいてトレーニングされたモデルであってもよい。具体的には、トレーニングモジュール１０４はまず入力層、複数の隠れ層および出力層を含む一つの機械学習モデルを確立し、次いで、複数のトレーニング特徴を利用して、機械学習モデルに対してトレーニングを行って、再修理用基板の検出モデルを取得することができる。

機械学習モデルの入力層は複数のトレーニング特徴を受信するのに用いられる。各隠れ層は複数のノード（ニューロン）を含み、各隠れ層中の各ノードは当該モデル層中の隣り合う下位層の少なくとも一つのノードからの出力が、線形変換または非線形変換を実行するように配置されている。上位層の隠れ層のノードの入力は隣り合う下位層中の一つのノードまたは複数のノードの出力に基づいてもよく、各隠れ層は対応する重み付け値を有する。当該モデルに対してトレーニングを行う場合、教師あり学習プロセスを利用してモデルのトレーニングを行って、各隠れ層の初期重み付け値を取得する。誤差逆伝播法（Ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）により、各隠れ層の重み付け値を調節することができる。機械学習モデルの入力層は最後の一つの隠れ層からの出力信号を受信するのに用いられる。

一実施形態において、トレーニングモジュール１０４がトレーニング特徴に基づいて再修理用検出モデルを確立し、並びにトレーニングして取得する方法は、具体的に以下の内容を含むことができる。

ａ１：トレーニング特徴をトレーニングセットとバリデーションセット（Ｖａｌｉｄａｔｉｏｎ ｓｅｔ）とに分ける（例えば、トレーニング特徴の８０％をトレーニングセットに分け、トレーニング特徴の２０％をバリデーションセットに分ける）。

ａ２：機械学習モデルを確立し、並びにトレーニングセットを利用して機械学習モデルに対してトレーニングを行う。

ａ３：バリデーションセットを利用してトレーニング後の機械学習モデルに対してバリデーションを行い、各バリデーション結果の統計に基づいて一つのモデル予測正確率を取得する。

ａ４：モデル予測正確率が所定の閾値より小さいかどうかを判断する。

ａ５：モデル予測正確率が所定の閾値以上である場合、トレーニングが完了した機械学習モデルを再修理用基板の検出モデルとする。

ａ６：モデル予測正確率が所定の閾値より小さい場合、機械学習モデルのパラメータを調節し、かつ、トレーニングセットを利用して、新たに調節後の機械学習モデルに対して、バリデーションセットがバリデーションを行って取得されたモデル予測正確率が所定の閾値以上になるまでトレーニングする。ニューラルネットワークモデルのパラメータは総層数、各層のニューロン数等を含んでもよい。

一実施形態において、機械学習モデルを調節するパラメータは、機械学習モデルの総層数および／または各層を調節するニューロン数であってもよい。トレーニングセットは機械学習モデルに対してトレーニングを行うのに用いられ、バリデーションセットはトレーニング後の機械学習モデルに対してバリデーションを行うのに用いられる。

一実施形態において、トレーニングモジュール１０４はバリデーションセット中の各トレーニング特徴をトレーニング後の機械学習モデルに入力してバリデーションを行い、かつ、各バリデーションの結果に基づいて一つのモデル予測正確率を統計して取得し、再度このモデル予測正確率が所定の閾値より小さいかどうかを判断し、中間モデル予測正確率が所定の閾値以上である場合、トレーニング後の機械学習モデルは使用者の要求を満たしていることを意味し、直接このトレーニング後の機械学習モデルを再修理用基板の検出モデルとすることができる。モデル予測正確率が所定の閾値より小さい場合、トレーニング後の機械学習モデルはさらに改善する必要があることを意味する。この場合、機械学習モデルのパラメータを調節し、かつ、トレーニングセットを利用して新たに調節後の機械学習モデルに対してトレーニングを行い、その後に再度バリデーションセットを利用して新たにトレーニング後の機械学習モデルに対してバリデーションを行って、一つの新しいモデル予測正確率を取得し、再び新しいモデル予測正確率が所定の閾値より小さいかどうかを判断し、この新しいモデル予測正確率が所定の閾値以上である場合、新たにトレーニングされて取得されたモデルは使用者の要求を満たしていることを意味し、再修理用基板の検出モデルとすることができる。新しいモデル予測正確率が依然として所定の閾値より小さい場合、再度バリデーションセットにより取得されたモデル予測正確率が所定の閾値以上になるまで上記ステップを繰り返す。

一実施形態において、所定の閾値は実際の要求に応じて設定することができる。例えば、所定の閾値が９０％に設定されている場合、モデル予測正確率は９０％以上にならなければならない。

検出モジュール１０５は検出待ちの再修理用基板の修理情報を受信し、かつ、再修理用基板の検出モデルに伝送して、検出待ちの再修理用基板の検出結果を取得する。

一実施形態において、再修理用基板モデルのトレーニングが完了すると、この再修理用基板の検出モデルを利用して検出待ちの再修理用基板に対して検査を行い、検出待ちの再修理用基板が正常な再修理用基板であるのか、あるいは、異常な再修理用基板であるのかを判断して、受信した検出待ちの再修理用基板の修理情報を直接再修理用基板の検出モデルに伝送し、再修理用基板の検出モデルの出力を取得して、検出待ちの再修理用基板の検出結果を取得することができる。この検出結果は検出待ちの再修理用基板が正常の再修理用基板であるか、または異常の再修理用基板であるという検出結果である。

一実施形態において、検出モジュール１０５は次の方法によって、検出待ちの再修理用基板の検出結果を取得することができる。まず、検出待ちの再修理用基板の修理情報を受信する。次いで、この検出待ちの再修理用基板の修理情報を再修理用基板の検出モデルに伝送して、検出待ちの再修理用基板が正常な再修理用基板である確率値を取得する。または、検出待ちの再修理用基板が異常な再修理用基板である確率値を取得する。次いで、確率値が所定の確率値以上であるかどうかを判断すると共に、この判断結果に基づいて、検出待ちの再修理用基板の検出結果を取得する。

例えば、検出待ちの再修理用基板が正常の再修理用基板である確率値が９８％以上であると、検出待ちの再修理用基板が正常な再修理用基板であることを意味し、修理は必要ない。また、検出待ちの再修理用基板が正常な再修理用基板である確率値が９８％未満であると、当該検出待ちの再修理用基板が異常な再修理用基板であると判断し、検出して修理する必要がある。

一実施形態において、トレーニングモジュール１０４は、トレーニング特徴を利用して、再修理用基板の検出モデルに対してトレーニングを行う過程で、特徴真理値表中の各特徴値の重み付け値を取得することができる。検出モジュール１０５は再修理用基板の検出モデル中の所定の計算アルゴリズムおよび各特徴値の重み付け値に基づいて、検出待ちの再修理用基板が正常な再修理用基板である確率値を計算して取得するか、または検出待ちの再修理用基板が異常な再修理用基板である確率値を計算して取得する。

図３は本発明の実施形態における再修理用基板の検出方法のフローチャートである。異なる要求に基づき、このフローチャートにおけるステップの順序は変更可能であり、幾つかのステップを省略することもできる。

ステップＳ３００：複数の再修理用基板の修理情報を取得する。

ステップＳ３０２：修理情報から所定の特徴情報を抽出する。

ステップＳ３０４：抽出して取得された所定の特徴情報に対して解析処理を行って、トレーニング特徴を取得する。

ステップＳ３０６：トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得する。

ステップＳ３０８：検出待ちの再修理用基板の修理情報を受信して、再修理用基板の検出モデルに伝送して、検出待ちの再修理用基板の検出結果を取得する。

上記再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体は、機械学習の演算方法および複数の再修理用基板のサンプルの中から抽出して取得されたトレーニング特徴に基づいて、再修理用基板の検出モデルを確立して取得する。並びに、再修理用基板の検出を利用して、目的再修理用基板を修理する必要があるかどうかを識別するため、不要なロスを削減でき、送り返す際に必要とする輸送費、時間および労力等を効果的に低減することができる。

当業者は、本発明の構成および発明の思想の組み合わせにより生成された実際の要求に基づいてその他の対応する変更または調節を行うことができる。これらの変更および調節はいずれも本発明に開示されている範囲に属する。

１０ メモリ
２０ プロセッサ
３０ コンピュータプログラム
４０ 再修理用基板の検出システム
１００ 再修理用基板の検出装置
１０１ 取得モジュール
１０２ 抽出モジュール
１０３ 解析モジュール
１０４ トレーニングモジュール
１０５ 検出モジュール

Claims (10)

1. 再修理用基板の検出方法であって、
   既に正常の再修理用基板であるのか異常な再修理用基板であるのかが確定された複数の再修理用基板の修理情報が保存されているサンプルデータベースを予め確立するステップと、
   複数の再修理用基板の修理情報を取得するステップと、
   前記修理情報から所定の特徴情報を抽出するステップと、
   前記所定の特徴情報に対応する特徴値リストを取得するステップと、
   前記特徴値リスト中の各特徴値をコーディングして、所定の真理値の変換規則に基づいて、所定の特徴情報に含まれている特徴値を真理値に変換して、特徴真理値表を確立して取得するステップと、
   前記特徴真理値表と所定の特徴情報に対応する再修理用基板の検出結果をトレーニング特徴とするステップと、
   前記トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得するステップと、
   検出待ちの再修理用基板の修理情報を受信して、前記再修理用基板の検出モデルに伝送して、前記検出待ちの再修理用基板の検出結果を取得するステップと、を含み、
   前記再修理用基板の検出モデルにおいて、各特徴値は一つの重み付け値をトレーニングして取得して、前記再修理用基板の検出モデルは、各特徴値の重み付け値に基づいて検出待ちの再修理用基板の検出結果を取得することを特徴とする再修理用基板の検出方法。
2. 前記複数の再修理用基板の修理情報を取得するステップは、
   各前記再修理用基板の基板管理コントローラから前記修理情報を取得するステップを含むことを特徴とする請求項１に記載の再修理用基板の検出方法。
3. 前記所定の特徴情報は、システム情報カタログコード、システム情報カタログ、情報分類、状態情報発生時間、状態情報、状態情報コード、ハードウェア位置情報、ハードウェア名称、ハードウェアアドレスデータのうちの一種または多種を含むことを特徴とする請求項１に記載の再修理用基板の検出方法。
4. 前記トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得するステップは、
   機械学習モデルを確立し、並びに前記トレーニング特徴を利用して前記機械学習モデルに対してトレーニングを行って、前記再修理用基板の検出モデルを取得することを特徴とする請求項１に記載の再修理用基板の検出方法。
5. 前記所定の真理値の変換規則は、前記特徴値リスト中の一つの特徴値が前記所定の特徴情報において出現したことがある場合、前記特徴値は真理値「１」に変換され、前記特徴値リスト中の一つの特徴値が前記所定の特徴情報において出現したことがない場合、前記特徴値は真理値「０」に変換されることを含むことを特徴とする請求項１に記載の再修理用基板の検出方法。
6. 前記トレーニング特徴に基づいて、再修理用基板の検出モデルを確立し、並びにトレーニングして取得するステップは、
   前記トレーニング特徴をトレーニングセットとバリデーションセットとに分けるステップと、
   入力層、複数の隠れ層および出力層を含む機械学習モデルを確立し、並びに前記トレーニングセットを利用して前記機械学習モデルに対してトレーニングを行うステップと、
   前記バリデーションセットを利用してトレーニング後の機械学習モデルに対してバリデーションを行い、各バリデーション結果に基づいてモデル予測正確率を取得するステップと、
   前記モデル予測正確率が所定の閾値より小さいかどうかを判断するステップと、
   前記モデル予測正確率が前記所定の閾値より大きい場合、トレーニングが完了した前記機械学習モデルを、前記再修理用基板を検出モデルとするステップを含むことを特徴とする請求項１〜３の何れか一項に記載の再修理用基板の検出方法。
7. 前記モデル予測正確率が所定の閾値より小さいかどうかを判断するステップの後、さらに、
   前記モデル予測正確率が前記所定の閾値より小さい場合、前記機械学習モデルのパラメータを調節し、かつ、前記トレーニングセットを利用して、新たに調節後の機械学習モデルに対してトレーニングを行うステップと、
   前記バリデーションセットを利用して新たにトレーニングされた機械学習モデルに対してバリデーションを行って、各バリデーション結果に基づいて新たにモデル予測正確率を統計して取得し、かつ、新たに統計して取得されたモデル予測正確率が所定の閾値より小さいかどうかを判断するステップと、
   前記新たに統計して取得されたモデル予測正確率が前記所定の閾値以上である場合、前記新たにトレーニングして取得された機械学習モデルを前記再修理用基板の検出モデルとするステップと、
   前記新たに統計して取得されたモデル予測正確率が依然として前記所定の閾値より小さい場合、前記バリデーションセットにより取得されたモデル予測正確率が前記所定の閾値以上になるまで前記ステップを繰り返すステップと、を含むことを特徴とする請求項６に記載の再修理用基板の検出方法。
8. 検出待ちの再修理用基板の修理情報を受信し、かつ、前記再修理用基板の検出モデルに伝送して、前記検出待ちの再修理用基板の検出結果を取得するステップは、
   検出待ちの再修理用基板の修理情報を受信するステップと、
   前記検出待ちの再修理用基板の修理情報を前記再修理用基板の検出モデルに伝送して、前記検出待ちの再修理用基板が正常の再修理用基板である確率値を取得するか、または、前記検出待ちの再修理用基板が異常の再修理用基板である確率値を取得するステップと、
   前記確率値が所定の確率値以上であるかどうかを判断するステップと、
   判断結果に基づいて、前記検出待ちの再修理用基板の検出結果を取得するステップと、を含むことを特徴とする請求項１に記載の再修理用基板の検出方法。
9. プロセッサとメモリを備え、前記メモリには複数のコンピュータプログラムが記憶されている再修理用基板の検出装置であって、
   前記プロセッサはメモリに記憶されたコンピュータプログラムを実行する際に、請求項１〜８の何れか一項に記載の再修理用基板の検出方法のステップを実現するのに用いられることを特徴とする再修理用基板の検出装置。
10. コンピュータ読み取り可能な記憶媒体であって、前記コンピュータ読み取り可能な記憶媒体には複数の命令が記憶されており、複数の前記命令は一つまたは複数のプロセッサによって実行されて、請求項１〜８の何れか一項に記載の再修理用基板の検出方法のステップを実現することに用いられることを特徴とするコンピュータ読み取り可能な記憶媒体。

Images