KR20220107118A - 제품 결함의 원인을 분석하는 시스템 및 방법, 컴퓨터 판독가능 매체 - Google Patents
제품 결함의 원인을 분석하는 시스템 및 방법, 컴퓨터 판독가능 매체 Download PDFInfo
- Publication number
- KR20220107118A KR20220107118A KR1020217037714A KR20217037714A KR20220107118A KR 20220107118 A KR20220107118 A KR 20220107118A KR 1020217037714 A KR1020217037714 A KR 1020217037714A KR 20217037714 A KR20217037714 A KR 20217037714A KR 20220107118 A KR20220107118 A KR 20220107118A
- Authority
- KR
- South Korea
- Prior art keywords
- analyzed
- correlation
- defect
- processing device
- group
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 210
- 238000012545 processing Methods 0.000 claims abstract description 256
- 238000004519 manufacturing process Methods 0.000 claims abstract description 139
- 238000003860 storage Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims description 103
- 230000002950 deficient Effects 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 151
- 230000000875 corresponding effect Effects 0.000 description 24
- 230000015654 memory Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000035987 intoxication Effects 0.000 description 2
- 231100000566 intoxication Toxicity 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- G05B23/0237—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 based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
- G06F3/147—Digital output to display device ; Cooperation and interconnection of the display device with other functional units using display panels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G06N5/003—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31314—Store in workpiece detected defects
-
- 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
- G05B2219/32221—Correlation between defect and measured parameters to find origin of defect
-
- 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
- G05B2219/32222—Fault, defect detection of origin of fault, defect of product
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
제품 결함의 원인을 분석하는 시스템으로서, 공장 디바이스에 의해 생성되는 생산 데이터를 저장하도록 구성되는 분산 저장 디바이스; 상관관계를 결정하기 위해 다음의 동작들을 수행하도록 구성되는 하나 이상의 프로세서를 포함하는 분석 디바이스- 이러한 동작들은, 분산 저장 디바이스에 저장되는 생산 데이터로부터 생산 기록을 취득하는 단계- 생산 기록은 제품들을 생산하는 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함들의 정보를 포함하고, 각각의 제품은 생산 절차에서 다수의 처리 디바이스들에 의해 처리되고, 각각의 처리 디바이스는 제품들의 일부의 생산 절차들에만 참여함 -; 생산 기록에 따라 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함함 -; 분석 디바이스의 분석 결과를 디스플레이하도록 구성되는 디스플레이 디바이스를 포함한다.
Description
본 개시내용의 실시예들은 디스플레이 패널들을 제조하는 분야에, 특히 제품 결함의 원인을 분석하는 시스템 및 방법과 컴퓨터 판독가능 매체에 관련된다.
디스플레이 패널을 제조하는 절차 동안 프로세스들을 순차적으로 수행하기 위해 다수의 처리 디바이스들이 일반적으로 요구된다. 한편, 최종적으로 획득되는 디스플레이 패널은 불가피하게 특정 확률로 다양한 결함들을 갖고, 이러한 결함들은 근본적으로 처리 디바이스들에 의해 야기된다.
따라서, 처리 디바이스와 결함 사이의 상관관계를 결정하는 방법은 결함의 위치결정, 생산 절차의 조정 등에 중요한 의의를 갖는다.
본 개시내용의 실시예들은 제품 결함의 원인을 분석하는 시스템 및 방법과 컴퓨터 판독가능 매체를 제공한다.
제1 양태에서, 본 개시내용의 실시예는 제품 결함의 원인을 분석하는 시스템을 제공하고, 이는, 분산 저장 디바이스, 분석 디바이스, 및 디스플레이 디바이스를 포함하고,
분산 저장 디바이스는 공장 디바이스에 의해 생성되는 생산 데이터를 저장하도록 구성되고;
분석 디바이스는 상관관계를 결정하기 위해 다음의 동작들을 수행하도록 구성되는 하나 이상의 프로세서를 포함하고, 동작들은,
분산 저장 디바이스에 의해 저장되는 생산 데이터로부터 생산 기록을 취득하는 단계- 생산 기록은 제품들을 생산하는 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함들의 정보를 포함하고, 제품들 각각은 생산 절차들 동안 처리 디바이스들 중 다수의 것들에 의해 처리되고, 처리 디바이스들 각각은 제품들의 일부를 생산하는 생산 절차들에만 참여함 -;
생산 기록에 따라 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하고;
디스플레이 디바이스는 분석 디바이스의 분석 결과를 디스플레이하도록 구성된다.
일부 구현들에서, 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취하는 단계; 및
분석될 처리 디바이스 각각에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치를 결정하는 단계를 포함한다.
일부 구현들에서, i번째 그룹의 하위-상관관계 가중치 Qi는 다음의 공식에 의해 계산되고:
여기서, i는 1 또는 2이고, Gi는 i번째 그룹에서 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고, Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수이다.
일부 구현들에서, 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 제1 그룹의 하위-상관관계 가중치와 제2 그룹의 하위-상관관계 가중치의 합에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함한다.
일부 구현들에서, 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치에 따라 값 파라미터를 결정하는 단계, 및 값 파라미터에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함한다.
일부 구현들에서, 값 파라미터 J는 다음의 공식에 의해 계산되고:
Qi는 i번째 그룹의 하위-상관관계 가중치이고, i는 1 또는 2이고, DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율이다.
일부 구현들에서, 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계는,
미리 설정된 대응 관계에 따라 처리 디바이스들의 적어도 일부를 분석될 결함에 대응하는 분석될 처리 디바이스들로서 결정하는 단계를 포함한다.
일부 구현들에서, 생산 기록은, 제품을 처리하기 위해, 생산 절차들 동안 제품이 처리되는, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부의 파라미터 값들을 추가로 포함하고;
분산 저장 디바이스에 저장되는 생산 데이터로부터 생산 기록을 취득하는 단계 후에, 미리 설정된 머신 학습 모델이, 생산 기록에 따라, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계를 수행하도록 구성된다.
일부 구현들에서, 머신 학습 모델은 랜덤 포레스트 모델(random forest model), 그래디언트-부스팅된 트리 모델(gradient-boosted tree model), 및 XGboost 모델 중 어느 하나를 포함한다.
일부 구현들에서, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계는 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 동안 수행되고;
처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계는, 제1 미리 설정된 값보다 더 큰 또는 제1 미리 설정된 위치 이전에 순위화되는 분석될 결함과의 상관관계를 갖는, 분석될 처리 디바이스를 분석될 핵심 처리 디바이스로서 결정하는 단계, 및 분석될 핵심 처리 디바이스의 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계만을 결정하는 단계를 포함한다.
일부 구현들에서, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계 후에, 프로세스 파라미터들과 분석될 결함 사이의 상관관계에 따라 프로세스 파라미터들의 적어도 일부에 대한 권장 파라미터 값 범위를 결정하는 단계를 포함한다.
일부 구현들에서, 프로세스 파라미터들의 적어도 일부에 대한 권장 파라미터 값 범위를 결정하는 단계는,
제2 미리 설정된 값보다 더 큰 또는 제2 미리 설정된 위치 이전에 순위화되는 분석될 결함과의 상관관계를 갖는 프로세스 파라미터를, 분석될 핵심 프로세스 파라미터로서 결정하는 단계, 및 분석될 핵심 프로세스 파라미터의 권장 파라미터 값 범위만을 결정하는 단계를 포함한다.
일부 구현들에서, 이러한 제품은 디스플레이 패널이다.
제2 양태에서, 본 개시내용의 실시예는 제품 결함의 원인을 분석하는 방법을 제공하고, 이는,
생산 기록에 따라 분석될 결함에 대응하는 복수의 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하고; 생산 기록은 제품들을 생산하는 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함들의 정보를 포함하고, 제품들 각각은 생산 절차들 동안 처리 디바이스들 중 다수의 것들에 의해 처리되고, 처리 디바이스들 각각은 제품들의 일부를 생산하는 생산 절차들에만 참여한다.
일부 구현들에서, 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취하는 단계;
분석될 처리 디바이스 각각에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치를 결정하는 단계;
분석될 각각의 처리 디바이스에 대해, 제1 그룹의 하위-상관관계 가중치와 제2 그룹의 하위-상관관계 가중치의 합에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함한다.
일부 구현들에서, i번째 그룹의 하위-상관관계 가중치 Qi는 다음의 공식에 의해 계산되고:
여기서, i는 1 또는 2이고, Gi는 i번째 그룹에서 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고, Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수이다.
일부 구현들에서, 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취하는 단계;
분석될 처리 디바이스 각각에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치를 결정하는 단계;
분석될 각각의 처리 디바이스에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치에 따라 값 파라미터를 결정하는 단계, 및 값 파라미터에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하고;
값 파라미터 J는 다음의 공식에 의해 계산되고:
Qi는 i번째 그룹의 하위-상관관계 가중치이고, i는 1 또는 2이고, DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율이다.
일부 구현들에서, 생산 기록은, 제품을 처리하기 위해, 생산 절차들 동안 제품이 처리되는, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부의 파라미터 값들을 추가로 포함하고;
이러한 방법은 추가로,
미리 설정된 머신 학습 모델에 의해, 생산 기록에 따라, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계를 포함한다.
일부 구현들에서, 이러한 방법은 추가로, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계 후에, 프로세스 파라미터들과 분석될 결함 사이의 상관관계에 따라 프로세스 파라미터들의 적어도 일부에 대한 권장 파라미터 값 범위를 결정하는 단계를 포함한다.
제3 양태에서, 본 개시내용의 실시예는, 프로세서에 의해 실행될 때, 위에 설명된 제품 결함의 원인을 분석하는 방법을 구현하는, 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 매체를 제공한다.
첨부 도면들은 본 개시내용의 실시예들의 추가의 이해를 제공하기 위해 포함되고, 본 명세서의 일부를 구성하며, 본 개시내용의 원리들을 본 개시내용의 실시예들과 함께 설명하는 역할을 하지만 본 개시내용을 제한하는 것은 아니다. 위의 그리고 다른 특징들 및 장점들은 첨부 도면을 참조하여 예시적인 실시예를 상세히 설명하는 것에 의해 해당 분야에서의 기술자들에게 더 명백해질 것이다.
도 1은 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템을 예시하는 블록도이다.
도 2는 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서의 분석 디바이스의 블록도이다.
도 3은 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서의 데이터 흐름 방향을 예시하는 개략도이다.
도 4는 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서 분석 디바이스에 의해 수행되는 동작들을 예시하는 흐름도이다.
도 5는 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서 분석 디바이스에 의해 수행되는 동작들을 예시하는 흐름도이다.
도 6은 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서 분석 디바이스에 의해 수행되는 동작들을 예시하는 흐름도이다.
도 7은 본 개시내용의 실시예에서의 처리 디바이스들의 일부의 값 파라미터들의 개략도이다.
도 8은 본 개시내용의 실시예에 따른 프로세스 파라미터들의 일부와 분석될 결함 사이의 상관관계를 예시하는 개략도이다.
도 9는 본 개시내용의 실시예에 따른 상이한 미리 결정된 범위들 내의 프로세스 파라미터에 대한 통계적 확률들을 예시하는 개략도이다.
도 10은 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 방법의 흐름도이다.
도 11은 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 방법의 흐름도이다.
도 12는 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 방법의 흐름도이다.
도 13은 본 개시내용의 실시예에 따른 컴퓨터 저장 매체의 블록도이다.
도 1은 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템을 예시하는 블록도이다.
도 2는 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서의 분석 디바이스의 블록도이다.
도 3은 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서의 데이터 흐름 방향을 예시하는 개략도이다.
도 4는 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서 분석 디바이스에 의해 수행되는 동작들을 예시하는 흐름도이다.
도 5는 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서 분석 디바이스에 의해 수행되는 동작들을 예시하는 흐름도이다.
도 6은 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 시스템에서 분석 디바이스에 의해 수행되는 동작들을 예시하는 흐름도이다.
도 7은 본 개시내용의 실시예에서의 처리 디바이스들의 일부의 값 파라미터들의 개략도이다.
도 8은 본 개시내용의 실시예에 따른 프로세스 파라미터들의 일부와 분석될 결함 사이의 상관관계를 예시하는 개략도이다.
도 9는 본 개시내용의 실시예에 따른 상이한 미리 결정된 범위들 내의 프로세스 파라미터에 대한 통계적 확률들을 예시하는 개략도이다.
도 10은 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 방법의 흐름도이다.
도 11은 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 방법의 흐름도이다.
도 12는 본 개시내용의 다른 실시예에 따른 제품 결함의 원인을 분석하는 방법의 흐름도이다.
도 13은 본 개시내용의 실시예에 따른 컴퓨터 저장 매체의 블록도이다.
해당 분야에서의 기술자들이 본 개시내용의 실시예들의 기술적 해결책들을 더 잘 이해하게 하기 위해, 다음은 첨부 도면들을 참조하여 본 개시내용의 실시예들에 따른 제품 결함의 원인을 분석하는 시스템, 방법 및 컴퓨터 판독가능 매체를 상세히 설명한다.
본 개시내용의 실시예들은 첨부 도면들을 참조하여 이하에서 더 완전히 설명될 것이지만, 실시예들은 상이한 형태들로 구체화될 수 있고, 본 명세서에 제시되는 것들로 제한되는 것으로서 해석되지 않아야 한다. 오히려, 실시예들은 본 개시내용이 철저하고 완전하게 되고 본 개시내용의 범위를 해당 분야에서의 기술자들에게 완전히 전달하게 되도록 제공된다.
본 개시내용의 실시예들은 본 개시내용의 이상화된 개략적 예시들에 의해 평면도들 및/또는 단면도들을 참조하여 설명될 수 있다. 따라서, 예시적인 예시들은 제조 기술들 및/또는 공차들에 따라 수정될 수 있다.
본 개시내용의 실시예들 및 이러한 실시예들의 특징들은 충돌 없이 서로 조합될 수 있다.
본 개시내용에서 사용되는 용어들은 특정 실시예들만을 설명하는 목적을 위한 것이며, 본 개시내용을 제한하는 것으로 의도되는 것은 아니다. 본 개시내용에서 사용되는 바와 같이, "및/또는(and/or)"이라는 용어는 연관된 열거된 항목들 중 하나 이상의 임의의 그리고 모든 조합들을 포함한다. 본 개시내용에서 사용되는 바와 같이, 단수 형태들("a", "an" 및 "the")은, 맥락이 명확하게 달리 표시하지 않는 한, 복수 형태들을 마찬가지로 포함하는 것으로 의도된다. 본 개시내용에서 사용되는 바와 같은 용어들 "포함하다(include)", "함유하다(contain)" 및 이들의 변형들은, 언급된 특징들, 정수들, 단계들, 동작들, 엘리먼트들, 및/또는 컴포넌트들의 존재를 명시하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 엘리먼트, 컴포넌트, 및/또는 이들의 그룹의 존재 또는 추가를 배제하는 것은 아니다.
달리 정의되지 않는 한, 본 개시내용에서 사용되는 모든 용어들(기술적 및 과학적 용어들을 포함함)은 해당 분야에서의 통상의 기술자들에 의해 공통적으로 이해되는 것과 동일한 의미를 갖는다. 공통적으로 사용되는 사전들에서 정의되는 것들과 같은, 용어들은 본 개시내용 및 관련 기술 분야의 맥락에서 그들의 의미와 일치하는 의미를 갖는 것으로서 해석되어야 하고, 본 명세서에 명확하게 그렇게 정의되지 않는 한 이상화된 또는 과도하게 형식적인 의미로 해석되지 않을 것이라는 점이 추가로 이해될 것이다.
본 개시내용의 실시예들은 도면들에서 도시되는 실시예들에 제한되는 것이 아니고, 제조 프로세스에 기초하여 형성되는 구성 수정들을 포함한다. 따라서, 도면들에서 예시되는 영역들은 개략적인 특성들을 가지며, 도면들에서 도시되는 영역들의 형상들은 엘리먼트들의 영역들의 구체적인 형상을 예시하지만, 제한적인 것으로 의도되는 것은 아니다.
디스플레이 패널들과 같은 많은 제품들이 생산 라인들을 통해 생산되고, 생산 라인들 각각은 복수의 프로세스 스테이션들을 포함하고, 프로세스 스테이션들 각각은, 반-완성 제품들을 포함하는, 제품들에 대해 특정 처리(예를 들어, 세정, 퇴적, 노출, 에칭, 카트리지 로딩, 검사 등)를 수행하기 위해 사용된다. 한편, 각각의 처리 스테이션은 일반적으로 동일한 처리를 수행하는 복수의 처리 디바이스들을 갖고; 물론, 처리가 이론적으로 동일하더라도, 실제 처리 효과들은 상이한 처리 디바이스들 사이의 모델, 상태 등에서의 차이들로 인해 완전히 동일하지는 않다.
각각의 제품은 생산 절차들 동안 복수의 프로세스 스테이션들을 통과할 필요가 있고, 생산 절차들에서 상이한 제품들에 의해 통과되는 프로세스 스테이션들은 상이할 수 있고; 추가로, 동일한 처리 스테이션을 통과하는 제품들은 그 안의 상이한 처리 디바이스들에 의해 처리될 수 있다. 따라서, 하나의 생산 라인에서, 각각의 처리 디바이스는 제품들의 일부의 생산 절차들에 참여하지만, 제품들의 전부의 생산 절차들에 참여하지는 않는다, 즉, 각각의 처리 디바이스는 제품들의 일부의 생산 절차들에만 참여할 것이다.
제1 양태에서, 본 개시내용의 실시예는 제품 결함의 원인을 분석하는 시스템을 제공한다.
본 개시내용의 실시예에 따른 시스템은 생산 라인에서의 처리 디바이스들과 제품의 다양한 결함들 사이의 상관관계를 결정할 수 있다, 즉, 제품 결함의 원인을 결정하여, 결함을 위치결정하고 생산 절차 등을 조정할 수 있다.
"결함"이라는 용어는 제품의 품질에서의 감소로 이어질 수 있거나 또는 심지어 제품이 거부되게 할 수 있거나, 또는 제품이 재작업 또는 수리될 필요가 있게 할 수 있는 제품의 품질 결함을 지칭한다.
결함들은 요구되는 바에 따라 다양한 타입들로 분류될 수 있다. 예를 들어, 결함들은, 밝은 라인 결함들, 어두운 라인 결함들, 핫 스폿 결함들 등과 같은, 제품들의 성능들에 대한 그들의 직접적인 효과들에 따라 분류될 수 있고; 대안적으로, 결함들은, 게이트 라인과 데이터 라인 사이의 단락의 결함들, 정렬 결함들 등과 같은, 결함들의 특정 원인들에 따라 분류될 수 있고; 대안적으로, 결함들은, 어레이 프로세스에 의해 야기되는 결함들 등과 같은, 결함들의 일반적인 원인들에 따라 분류될 수 있고; 대안적으로, 결함들은, 스크랩으로 이어지는 결함들, 감소된 품질로 이어지는 결함들 등과 같은, 결함들의 심각성들에 따라 분류될 수 있고; 대안적으로, 결함들은 분류되지 않을 수 있다, 즉, 제품은 임의의 결함이 존재하면 결함을 갖는 것으로 고려되고, 어떠한 결함도 존재하지 않으면 결함이 없는 것으로 고려된다.
물론, 위 상관관계는 "하나의(one)" 타입의 결함들에 대한 것이다, 즉, 동일한 처리 디바이스는 상이한 타입들의 결함들에 관하여 상이한 상관관계들을 갖는다.
"처리 디바이스와 결함 사이의 상관관계(a correlation between a processing device and a defect)"라는 용어는 제품에서의 결함의 발생 확률에 대한 처리 디바이스의 참여의 영향의 정도를 의미한다.
도 1을 참조하면, 본 개시내용의 실시예에 따른 제품 결함의 원인을 분석하는 시스템은 분산 저장 디바이스, 분석 디바이스, 및 디스플레이 디바이스를 포함한다.
분산 저장 디바이스는 공장 디바이스에 의해 생성되는 생산 데이터를 저장하도록 구성된다.
분석 디바이스는 상관관계를 결정하는 동작들을 수행하도록 구성되는 하나 이상의 프로세서를 포함한다.
디스플레이 디바이스는 분석 디바이스의 분석 결과를 디스플레이하도록 구성된다.
분산 저장 디바이스는 공장 디바이스로부터 획득되는 생산 데이터를 저장한다. 공장 디바이스는 각각의 공장에서의 임의의 디바이스를 지칭하고, 프로세스 스테이션들에서의 처리 디바이스들, 공장에서의 생산 라인을 관리하는 관리 디바이스 등을 포함할 수 있고; 생산 데이터는, 제품들의 어느 생산 라인들이 각각의 처리 디바이스에 의해 참여되는지, 및 각각의 제품에 결함들의 타입들이 존재하는지 및 어떤 타입들이 존재하는지를 포함하는, 생산에 관련된 임의의 정보를 지칭한다.
도 2를 참조하면, 분석 디바이스는 데이터 처리 능력을 갖는 프로세서(예를 들어, CPU)를 포함하고, 원하는 프로그램을 저장하는 메모리(예를 들어, 하드 디스크)를 추가로 포함할 수 있고, 프로세서는 I/O 인터페이스를 통해 메모리에 연결되어 정보 상호작용을 가능하게 하고, 이에 의해 프로세서는 메모리에 저장되는 프로그램에 따라 원하는 동작을 수행하여 상관관계를 결정하는 동작을 구현할 수 있다.
디스플레이 디바이스는 분석 디바이스에 의해 계산되는 (상관관계와 같은) 분석 결과를 디스플레이하는 디스플레이 기능을 갖는다.
분산 저장 디바이스는 (데이터베이스와 같은) 비교적 완전한 데이터를 저장하고, 분산 저장 디바이스는 복수의 하드웨어 메모리들을 포함하고, 상이한 하드웨어 메모리들이 (상이한 공장들 또는 상이한 생산 라인들과 같은) 상이한 물리적 위치들에 분산되고, 네트워크를 통해 정보를 상호 송신하여, 데이터가 분산 관계에 있지만, 빅 데이터 기술에 기초하여 데이터베이스를 논리적으로 형성한다.
도 3을 참조하면, 상이한 공장 디바이스들의 대량의 원시 데이터가, YMS(Yield Management System), FDC(Fault Detection and Classification), MES(Manufacturing Execution System) 등의 (Oracle, Mysql 등과 같은) 관계형 데이터베이스와 같은, 대응하는 제조 시스템들에 저장되고, 원시 데이터에 대해 (Sqoop, keyle 등과 같은) 데이터 추출 툴에 의해 원시 테이블 추출이 수행되어 원시 데이터를 (Hadoop Distributed File System, HDFSHadoop Distributed File System, HDFS와 같은) 분산 저장 디바이스에 송신하여, 공장 디바이스들 및 제조 시스템들에 대한 부하를 감소시키고, 분석 디바이스의 후속 데이터 판독을 용이하게 할 수 있다.
분산 저장 디바이스에서의 데이터는 Hive 툴에 의해 저장되거나 또는 Hbase 데이터베이스 포맷으로 저장될 수 있다. 예를 들어, Hive 툴에 따르면, 위 원시 데이터는 데이터 레이크에 먼저 저장되고; 다음으로, 데이터의 애플리케이션 테마, 장면 등에 따라 Hive 툴에서 데이터 클렌징 및 데이터 변환과 같은 전처리가 수행될 수 있어서, (생산 기록 테마, 검출 데이터 테마 및 디바이스 데이터 테마와 같은) 상이한 테마들을 갖는 데이터 웨어하우스 및 (디바이스 분석 장면 및 파라미터 분석 장면과 같은) 상이한 장면을 갖는 데이터 마트가 획득된다. 데이터 마트는 상이한 API 인터페이스들을 통해 디스플레이 디바이스, 분석 디바이스 등에 연결되어, 이들 사이의 데이터 상호작용을 실현할 수 있다.
복수의 공장들에서의 복수의 공장 디바이스들이 관련되기 때문에, 위 원시 데이터의 데이터량은 비교적 크다. 예를 들어, 모든 공장 디바이스들은 하루 당 수백 기가바이트의 원시 데이터 및 시간 당 수십 기가바이트의 데이터를 생산할 수 있다.
대규모 구조화 데이터의 저장 및 계산을 실현하는 2개의 스킴들: RDBMS (Relational Database Management System, RDBMS)에 대한 그리드 컴퓨팅 스킴; DFS(Distributed File management System)의 빅 데이터 스킴이 주로 존재한다.
RDBMS에 대한 그리드 컴퓨팅 스킴은 거대한 컴퓨팅 파워를 요구하는 문제를 복수의 작은 부분들로 분할하고, 이러한 작은 부분들을 각각 처리를 위해 복수의 컴퓨터들에 분산하고, 최종적으로 컴퓨팅 결과들을 통합한다. 예를 들어, 구체적인 예로서, Oracle RAC(real application cluster)는 Oracle 데이터베이스에 의해 지원되는 그리드 컴퓨팅 스킴의 핵심 기술이고, 여기서 모든 서버들은 데이터베이스에서의 모든 데이터에 직접 액세스할 수 있다. 그러나, RDBMS에 대한 그리드 컴퓨팅 스킴의 애플리케이션 시스템은, 예를 들어, 하드웨어의 제한된 확장 공간으로 인해, 데이터량이 비교적 클 때 사용자의 요건들을 충족시킬 수 없고, 데이터가 충분히 큰 정도로 증가된 후에 하드 디스크의 입력/출력의 병목으로 인해 데이터를 처리하는 효율이 매우 낮을 것이다.
분산 파일 관리는 기본적인 빅 데이터 기술이며, 이는 대용량 데이터를 처리하기 위해 복수의 저렴한 하드웨어 디바이스들을 채택하는 것에 의해 큰 클러스터가 구성되는 것을 허용한다. 예를 들어, Hive 툴은 Hadoop에 기초하는 데이터 웨어하우스 툴이고, 데이터 추출, 변환 및 로딩(ETL)을 위해 사용될 수 있으며, Hive 툴은 간단한 SQL과 같은 쿼리 언어를 정의하고, 맞춤화된 MapReduce의 맵퍼 및 리듀서를 통해 디폴트 툴들에 의해 완료될 수 없는 복잡한 분석 작업을 허용한다. Hive 툴은 저장될 데이터 포맷에 대한 특별한 제한을 갖지 않고 데이터에 대한 인덱스를 갖지 않으며, 사용자는 데이터베이스에서의 데이터를 처리하기 위해 Hive 툴에서의 테이블을 자유롭게 조직할 수 있다. 따라서, 분산 파일 관리의 병렬 처리는 대용량 데이터의 저장 및 처리 요건들을 충족시킬 수 있고, 사용자는 SQL을 통해 간단한 데이터를 쿼리 및 처리할 수 있으며, 복잡한 처리를 위해 사용자-정의 기능이 채택될 수 있다. 따라서, 공장의 대용량 데이터를 분석할 때, 공장의 데이터베이스의 데이터는 분산 파일 시스템으로 추출될 필요가 있어서, 한편으로는, 원시 데이터가 손상될 수 없고, 다른 한편으로는, 데이터 분석의 효율이 향상된다.
디스플레이 디바이스는 하나 이상의 디스플레이를 포함할 수 있고, 예를 들어, 디스플레이 기능을 갖는 하나 이상의 단말을 포함할 수 있어서, 분석 디바이스는 분석 디바이스에 의해 획득되는 상관관계를 디스플레이 디바이스에 송신할 수 있고, 디스플레이 디바이스는 이러한 상관관계를 디스플레이할 수 있다.
일부 구현들에서, 디스플레이 디바이스는, 분석 결과들(예를 들어, 상관관계)을 디스플레이하는 하위-인터페이스, 제품 결함의 원인을 분석하여 요구되는 작업들(예를 들어, 태스크 설정)을 수행하는 시스템을 제어하는 하위-인터페이스, 및 각각의 처리 디바이스를 제어하는 (예를 들어, 처리 디바이스의 프로세스 파라미터들을 설정하는) 하위-인터페이스를 포함할 수 있는, "상호작용 인터페이스(interactive interface)"를 디스플레이하기 위해 추가로 사용될 수 있다.
즉, 디스플레이 디바이스의 "상호작용 인터페이스(interactive interface)"를 통해, 제품 결함의 원인을 분석하는 시스템과 사용자 사이의 완전한 상호작용(결과들의 제어 및 수신)을 달성하는 것이 가능하다.
본 개시내용의 실시예에서, 분산 저장 디바이스는 빅 데이터 모드에서 복수의 공장 디바이스들의 원시 데이터의 수집 및 예비 처리를 효율적으로 실현할 수 있고, 분석 디바이스는 요구된 데이터를 분산 저장 디바이스로부터 편리하게 취득하여 처리 디바이스와 결함 사이의 상관관계를 계산하고 디스플레이 디바이스에 의해 상관관계를 디스플레이할 수 있다. 따라서, 본 개시내용의 실시예는 제품 결함의 원인을 자동으로 분석하여 결함을 위치결정하고, 생산 절차를 조정하는 등을 할 수 있다.
일부 구현들에서, 이러한 제품은 디스플레이 패널이다.
본 개시내용의 실시예는 (액정 디스플레이 패널, 유기 발광 다이오드 디스플레이 패널 등과 같은) 디스플레이 패널을 생산하는 생산 라인에서의 각각의 처리 디바이스와 디스플레이 패널의 생산 절차들 동안의 결함 사이의 상관관계를 결정하기 위해 사용될 수 있다.
물론, 본 개시내용의 실시예는 다른 제품들에 대해 마찬가지로 사용될 수 있다.
도 4를 참조하면, 일부 구현들에서, 상관관계를 결정하기 위해 위 분석 디바이스의 하나 이상의 프로세서에 의해 수행되는 동작들은 다음의 단계들 S101 및 S102를 포함할 수 있다.
S101, 분산 저장 디바이스에 저장되는 생산 데이터로부터 생산 기록을 취득함.
이러한 생산 기록은 제품들을 생산하는 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함의 정보를 포함하고, 각각의 제품은 생산 절차 동안 다수의 처리 디바이스들을 통과하고, 처리 디바이스들 각각은 제품들의 일부를 생산하는 생산 절차에만 참여한다.
분산 저장 디바이스에 저장되는 생산 데이터의 일부가 생산 기록으로서 취득된다. 생산 기록은 생산 절차 동안 제품들(예를 들어, 단일 생산 라인에서 생산되는 제품들)이 어느 처리 디바이스를 통과했는지에 관한 정보(생산 절차 동안 제품들이 통과한 처리 디바이스에 관한 정보), 및 제품들이 결함을 갖는지 여부 및 제품들이 어떤 결함을 갖는지에 관한 정보(제품들의 결함에 관한 정보)를 포함한다.
위와 같이, 생산 라인의 특성들에 기초하여, 위의 생산 기록에서의 각각의 처리 디바이스는 제품들의 일부의 생산에 참여할 것이지만, 제품들의 전부의 생산에는 참여하지 않을 것이다.
예를 들어, 생산 기록의 정보의 일부는 다음의 표 1에 도시되는 바와 같을 수 있다.
각각의 제품에 대응하는 특정 처리 디바이스의 표 엔트리가 "1"인 것은 제품이 생산 절차에서 처리 디바이스를 통과한다는 점을 표시하고, "0"인 것은 제품이 생산 절차에서 처리 디바이스에 의해 처리되지 않는다는 점을 표시하고; 각각의 제품에 대응하는 특정 결함의 표 엔트리가 "1"인 것은 제품이 결함을 갖는다는 점을 표시하고, "0"인 것은 제품이 결함을 갖지 않는다는 점을 표시한다.
일부 구현들에서, 생산 기록은 사전 데이터 클리닝될 수 있다.
데이터 클렌징에 의해, 관련 알고리즘의 입력 데이터의 무결성 및 정확도가 보장될 수 있어, 후속 계산 프로세스가 용이하게 된다. 예시적으로, 이에 제한되는 것은 아니지만 누락 값 처리, 무효 열 삭제 등을 포함하는 데이터 클렌징은 데이터에 존재하는 누락, 중복 등의 문제들을 해결하기 위해 사용될 수 있다.
구체적으로, 위 데이터 클렌징은 분석 디바이스가 데이터를 추출한 후에 수행될 수 있거나, 또는 데이터 마트에서의 데이터에 대해 분산 저장 디바이스에 의해 또한 수행될 수 있다.
일부 구현들에서, 생산 기록은, 제품을 처리하기 위해, 생산 절차들 동안 제품이 통과하는, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부의 파라미터 값들을 추가로 포함한다.
즉, 온도 파라미터의 온도 값, 기압 파라미터의 압력 값, 및 파워 파라미터의 파워 값과 같은, 각각의 제품을 처리하기 위해 각각의 처리 디바이스에 의해 사용되는 프로세스 파라미터들의 파라미터 값들이 기록될 수 있다.
예를 들어, 생산 기록의 정보의 일부는 다음의 표 2에 도시되는 바와 같을 수 있다.
S102, 생산 기록에 따라 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하고, 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정함.
생산 기록이 취득된 후에, 처리 디바이스들의 적어도 일부가 분석될 처리 디바이스들로서 선택되고, 그 상관관계들이 결정될 필요가 있고, 분석될 결함들의 구체적인 타입들에 대응하는 분석될 처리 디바이스들의 상관관계 가중치들이 계산되고, 최종적으로, 분석될 처리 디바이스들과 분석될 결함들 사이의 상관관계들이 획득된다.
이러한 단계에서, 처리 디바이스와 분석될 특정 결함 사이의 상관관계가 매번 계산되고, 분석될 특정 결함에 대응하는 상관관계가 계산될 때, 데이터에서의 "결함(defect)"은 분석될 결함을 지칭한다(즉, 다른 타입들의 결함들은 결함들로서 고려되지 않는다). 따라서, 처리 디바이스와 다수의 타입들의 결함들 사이의 상관관계들을 계산하는 것이 요망되면, 각각, 다수의 타입들의 결함들에 대한 데이터를 사용하여 본 단계를 복수 회 실행할 필요가 있다.
"분석될 결함에 대응하는 분석될 처리 디바이스의 상관관계 가중치(correlation weight of the processing device to be analyzed corresponding to the defect to be analyzed)"라는 용어는 처리 디바이스에 의해 생산 절차들이 참여되는 또는 참여되지 않은 제품들 중에서 결함이 있는 또는 없는 제품들의 수에 따라 계산되고, 분석될 결함의 발생 확률에 대한 분석될 처리 디바이스의 영향의 가중치 속성을 나타낼 수 있고, 분석될 처리 디바이스와 분석될 결함 사이의 상관관계에 관련된다.
"분석될 처리 디바이스와 분석될 결함 사이의 상관관계(correlation between the processing device to be analyzed and the defect to be analyzed)"라는 용어는 분석될 결함이 제품에서 발생할 확률에 대한 분석될 처리 디바이스의 참여의 영향의 정도를 지칭한다.
일부 구현들에서, 도 5 및 6을 참조하면, 단계 S102는 단계들 S1021 및 S1022를 포함할 수 있다.
S1021, 분석될 각각의 처리 디바이스에 대해, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취함.
분석될 각각의 처리 디바이스에 대해, 모든 제품들은 처리 디바이스가 제품들의 생산 절차들에 참여하는지에 따라 2개의 그룹들로 분할되고, 제1 그룹의 제품들은 분석될 처리 디바이스에 의해 처리되고, 제2 그룹의 제품들은 분석될 처리 디바이스에 의해 처리되지 않는다.
S1022, 분석될 처리 디바이스 각각에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치를 결정함.
2개의 그룹들의 하위-상관관계 가중치들은 2개의 그룹들의 데이터에 따라 계산된다.
일부 구현들에서, i번째 그룹의 하위-상관관계 가중치 Qi는 다음의 공식에 의해 계산되고:
여기서 i는 그룹의 수를 나타내고, 1 또는 2이고, 즉 제1 그룹 또는 제2 그룹에 대응하고; DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율이고; Gi는 i번째 그룹에서 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고; Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수이다.
상관관계 가중치는 위의 하위-상관관계 가중치들 Qi에 따라 계산될 수 있고, (제품이 결함을 갖는지와 같은) 결과에 대한 (처리 디바이스가 제품의 생산 절차에 참여하는지와 같은) 변수의 영향 능력을 나타낼 수 있고, 구체적으로, 상관관계 가중치의 절대값(상관관계 가중치는 양 또는 음일 수 있음)이 더 클수록, 영향 능력은 더 크다.
구체적으로, 본 개시내용의 실시예에서의 상관관계 가중치는 분석될 결함에 대한 분석될 처리 디바이스의 영향 능력을 나타낼 수 있다. 따라서, 분석될 처리 디바이스들의 상관관계 가중치들의 절대값들을 시퀀싱하는 것에 의해, 분석될 어느 처리 디바이스가 분석될 결함을 야기할 가능성이 더 많은지가 결정될 수 있어서, 결함의 위치결정, 생산 절차의 조정 등이 용이하게 된다.
하위-상관관계 가중치들을 계산할 때, 상황들에 따라 원시 데이터를 그룹화하고, 다음으로 각각의 그룹의 하위-상관관계 가중치를 계산하는 것이 필요하다.
일부 구현들에서, 도 5를 참조하면, 단계 S1023은 단계 S1022 후에 추가로 수행된다.
S1023, 분석될 각각의 처리 디바이스에 대해, 제1 그룹의 하위-상관관계 가중치와 제2 그룹의 하위-상관관계 가중치의 합에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정함.
즉, 위 2개의 그룹들의 하위-상관관계 가중치들의 합은, 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 나타내는 파라미터로서 사용되는, 총 상관관계 가중치로서 후속하여 계산될 수 있고, 디스플레이 디바이스에 출력된다.
일부 구현들에서, 대안적으로, 도 6을 참조하면, 단계 1024는 단계 S1022 후에 수행된다.
S1024, 분석될 각각의 처리 디바이스에 대해, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치에 따라 값 파라미터를 결정하는 단계, 및 값 파라미터에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정함.
즉, 분석될 결함에 대한 분석될 처리 디바이스의 영향을 나타내는 값 파라미터는 하위-상관관계 가중치들에 따라 추가로 계산될 수 있고, 이러한 값 파라미터는 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 나타내는 파라미터로서 취해지고, 디스플레이 디바이스에 출력된다.
일부 구현들에서, 값 파라미터 J는 다음의 공식에 의해 계산되고:
여기서, Qi는 i번째 그룹의 하위-상관관계 가중치이고, i는 1 또는 2이고, DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율이고, Gi는 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고, Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수이다.
위 값 파라미터는 그룹들의 하위-상관관계 가중치들 Qi에 따라 추가로 계산될 수 있다 (물론, Gi, Gtotal, Bi, Btotal로부터 실질적으로 또한 획득될 수 있다).
값 파라미터는 결과(예를 들어, 제품이 결함이 있는지)에 대한 변수의 영향 능력(예를 들어, 처리 디바이스가 제품의 생산 절차에 참여하는지)을 또한 나타낼 수 있고, 구체적으로, 값 파라미터가 더 클수록, 영향 능력이 더 크다.
공장의 실제 생산 환경에서, 제품들의 수는 수천에서 수십만까지 변할 수 있고, 공장의 필요에 대해, 제품들의 실제 수가 어떤 크기인지에 관계없이, 결함의 원인을 분석하는 것이 매우 중요하고, 따라서 많은 경우들에서, 상관관계를 나타내기 위해 상관관계 가중치가 사용될 수 있다.
상관관계 가중치에 관하여, 값 파라미터는 상이한 데이터 볼륨들에 더 잘 적응할 수 있고, 상관관계 가중치에 대한 보충으로서 사용될 수 있다.
예를 들어, 값 파라미터는 분석될 2개의 처리 디바이스의 상관관계 가중치들이 동일하거나 또는 서로 매우 가까울 때 분석될 처리 디바이스가 비교적 더 큰 상관관계를 갖는지를 결정하는 추가의 기초로서 사용될 수 있다.
예를 들어, 분석될 처리 디바이스의 일부의 값 파라미터들은 도 7에 도시되는 바와 같을 수 있다.
일부 구현들에서, 본 단계 S102는, 미리 설정된 대응 관계에 따라 처리 디바이스들의 적어도 일부를 분석될 결함에 대응하는 분석될 처리 디바이스들로서 결정하는 단계를 포함한다.
분명히, 특정 타입의 결함은 일부 처리 디바이스들에 의해서만 야기될 수 있지만, 다른 처리 디바이스들과는 독립적이거나 또는 낮은 상관관계를 갖는다, 예를 들어, 디스플레이 패널의 컬러 필터 프로세스 결함은 (데이터 라인들을 에칭하는 처리 디바이스와 같은) 어레이 프로세스들에 대한 처리 디바이스들에 의해 야기될 수 없다. 즉, 일부 처리 디바이스들과 일부 결함들 사이의 상관관계가 존재하지 않고(즉, 그들 사이의 상관관계가 0임), 따라서 이러한 처리 디바이스들과 이러한 결함들 사이의 상관관계를 분석하는 것은 의미가 없다는 점이 고려된다.
위의 관점에서, 대응하는 관계는 (예를 들어, 전문가 의견들에 기초하여) 미리 결정될 수 있고, 복수의 타입들의 결함들 및 이러한 결함들과 연관된 처리 디바이스들을 포함한다. 따라서, 특정 결함이 분석되어야 할 때, 분석될 결함에 관련될 가능성이 있는 처리 디바이스들은 대응하는 관계에 따라 분석될 처리 디바이스들이라고 결정될 수 있고, 계산량을 감소시키기 위해 분석될 처리 디바이스들만이 분석된다.
도 5 및 도 6을 참조하면, 일부 구현들에서, 분산 저장 디바이스에 저장되는 생산 데이터로부터 생산 기록을 취득하는 단계 S101 후에 단계 S103이 추가로 수행된다.
S103, 미리 설정된 머신 학습 모델에 의해, 생산 기록에 따라 처리 디바이스들의 적어도 일부의 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정함.
생산 기록이 프로세스 파라미터를 포함할 때, 처리 디바이스의 프로세스 파라미터와 분석될 결함 사이의 상관관계가 머신 학습 모델을 통해 분석될 수 있다, 즉, 프로세스 파라미터를 변수들로서 취하는 것에 의해, 변수들의 값들(파라미터 값들)의 변화로 인한 분석될 결함을 갖는 제품의 확률에 대한 영향의 정도가 분석되고; 프로세스 파라미터들과 분석될 결함 사이의 상관관계가 디스플레이 디바이스에 추가로 송신된다.
예시적으로, 프로세스 파라미터들의 일부의 상관관계는 도 8에 도시되는 바와 같을 수 있다. 도면에서 "상관관계를 나타내는 수치 값(numerical value representing the correlation)"은 머신 학습 모델에 의해 계산되는 그리고 상관관계의 비교적인 크기를 나타내는 결과일 뿐이며, 반드시 실제 확률 등은 아니라는 점이 이해되어야 한다.
"머신 학습(Machine Learning)"은, 초기 미리 설정된 모델에 대해 머신 학습(트레이닝)을 수행하는 것에 의해 머신 학습 모델을 획득하는, 인공 지능 기술들 중 하나이고, 이러한 머신 학습 모델은 구체적인 문제를 처리한다.
일부 구현들에서, 머신 학습 모델을 획득하는 프로세스는 특징 엔지니어링, 모델 선택, 모델 파라미터 조정, 모델 평가 등을 포함할 수 있다.
특징 엔지니어링은 초기 데이터를 모델에 맞추기 위해 전처리하는 프로세스이며, 이는 예시적으로 그리고 특히, 이에 제한되는 것은 아니지만, Dummy(중복) 코딩, 수치 타입 데이터 정규화, Pearson 상관관계 분석 등을 포함하는 알고리즘들을 사용할 수 있다.
모델 선택은 적절한 타입의 모델을 선택하는 것을 지칭하고, 일부 구현들에서, 머신 학습 모델은 랜덤 포레스트 모델(random forest model), GBDT(gradient boost tree model), 및 XGBoost(eXtreme Gradient boost) 모델 중 어느 하나를 포함한다.
모델 파라미터 조정은 "트레이닝(training)"이라고 또한 불리며, 이는 처리를 위해 모델에 기존 데이터를 입력하는, 그리고 처리의 결과에 따라 모델에서 파라미터들을 조정하는 프로세스를 지칭한다. 파라미터들을 조정하는 예시적인 알고리즘들은 구체적으로, 이에 제한되는 것은 아니지만, 그리드 검색(Grid Search), 랜덤 검색(Random Search) 등과 같은 자동화된 파라미터 검색 방법들을 포함한다.
모델 평가는 실제 애플리케이션에 대한 요건들을 충족시켰는지를 결정하기 위해 트레이닝된 모델을 평가하는 프로세스이다.
본 단계 S103은 생산 기록을 취득하는 단계 S101 후에 수행될 수 있고, 단계 S102와 단계 S103 사이에 필요한 순서 관계는 존재하지 않는다는 점이 이해되어야 한다.
일부 구현들에서, 본 단계 S103은, 분석될 핵심 처리 디바이스로서, 제1 미리 설정된 값보다 더 큰 또는 제1 미리 설정된 위치 이전에 순위화되는 분석될 결함과의 상관관계를 갖는, 분석될 처리 디바이스를 결정하는 단계, 및 분석될 핵심 처리 디바이스의 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계만을 결정하는 단계를 포함한다.
분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계 S102 후에, 분석될 결함과 비교적 더 높은 상관관계를 갖는 분석될 처리 디바이스들의 일부(예를 들어, 분석될 처리 디바이스들이 미리 결정된 값보다 더 큰 값 파라미터들을 갖거나 또는 상위 미리 결정된 위치들에 순위화됨)가 분석될 핵심 처리 디바이스들로서 선택될 수 있어서, 분석될 핵심 처리 디바이스와 분석될 결함 사이의 상관관계만이 계산량을 감소시키기 위해 분석된다.
본 개시내용의 실시예는, 도 5 및 도 6을 참조하면, 단계 S103 후에, 다음을 추가로 포함한다:
S104, 프로세스 파라미터들과 분석될 결함 사이의 상관관계에 따라 프로세스 파라미터들의 적어도 일부에 대한 권장 파라미터 값 범위를 결정함.
일부 구현들에서, 프로세스 파라미터와 분석될 결함 사이의 상관관계를 결정한 후에, 결함이 분석되게 할 비교적 낮은 확률을 초래하는 프로세스 파라미터의 값의 범위가 추가로 분석될 수 있고, 이러한 범위는 권장 파라미터 값 범위로서 취해지고, 이러한 권장 파라미터 값 범위는 디스플레이 디바이스에 제공되어, 사용자는 프로세스 파라미터를 최적화할 수 있다.
일부 구현들에서, 본 단계 S104는, 제2 미리 설정된 값보다 더 큰 또는 제2 미리 설정된 위치 이전에 순위화되는 분석될 결함과의 상관관계를 갖는 프로세스 파라미터를, 핵심 프로세스 파라미터로서 결정하는 단계, 및 핵심 프로세스 파라미터의 권장 파라미터 값 범위만을 결정하는 단계를 포함한다.
즉, 프로세스 파라미터들과 분석될 결함 사이의 상관관계에 따라, 분석될 결함과의 비교적 더 높은 상관관계가 있는 프로세스 파라미터들(예를 들어, 미리 결정된 값보다 더 큰 또는 미리 결정된 위치에 순위화되는 상관관계가 있는 프로세스 파라미터)의 일부가 핵심 프로세스 파라미터들로서 선택될 수 있어서, 핵심 프로세스 파라미터들과 분석될 결함 사이의 상관관계만이 계산량을 감소시키기 위해 분석될 수 있다.
일부 구현들에서, 본 단계 S104는, 권장 파라미터 값 범위가 결정될 필요가 있는 각각의 프로세스 파라미터에 대해, 프로세스 파라미터의 파라미터 값이 복수의 미리 설정된 범위 내에 각각 있을 때 생산 절차에서 프로세스 파라미터에 대응하는 처리 디바이스에 의해 처리되는 제품이 분석될 결함이 있는 통계적 확률들을 각각 카운트하는 단계, 및 최소 통계적 확률에 대응하는 미리 설정된 범위를 프로세스 파라미터의 권장 파라미터 값 범위로서 결정하는 단계를 포함한다.
권장 파라미터 값 범위를 결정하기 위해, 각각의 프로세스 파라미터의 가능한 값 범위들로부터 복수의 미리 설정된 범위들이 선택될 수 있고, 프로세스 파라미터의 값이 각각 미리 설정된 범위들 내에 있을 때 처리 디바이스에 의해 처리되는 제품이 분석될 결함을 갖는 확률들(통계적 확률들)이 각각 카운트되고, 가장 낮은 통계적 확률을 초래하는 미리 설정된 범위가 프로세스 파라미터의 권장 파라미터 값 범위로서 사용된다.
일부 구현들에서, 각각의 프로세스 파라미터의 미리 설정된 범위들은 중첩하지 않을 수 있지만, 미리 설정된 범위들의 합집합은 프로세스 파라미터의 가능한 값 범위와 동일하다. 예를 들어, 특정 프로세스 파라미터의 가능한 값 범위가 [A, C]이면(단위는 도시되지 않음), 가능한 값 범위에 대응하는 미리 설정된 범위들은 [A, B1), [B1, B2), [B2, B3) ... ... [Bn, C]일 수 있다. 예를 들어, 위 미리 설정된 범위들은 프로세스 파라미터의 가능한 값 범위를 균등하게 분할하는 것에 의해 획득될 수 있거나, 또는 수동으로 설정될 수 있다.
예를 들어, 도 9를 참조하면, 프로세스 파라미터의 파라미터 값이 각각 미리 설정된 범위들 내에 있을 때 처리 디바이스에 의해 처리되는 제품이 분석될 결함을 가질 통계적 확률이 도시된다. 도 9로부터, 프로세스 파라미터의 파라미터 값이 [43, 46] 내에 있을 때(단위는 도시되지 않음), 통계적 확률이 가장 낮고, 따라서 범위 [43, 46]이 권장 파라미터 값 범위로서 사용될 수 있다는 것을 알 수 있다.
물론, 권장 파라미터 값 범위를 결정하는 다른 방식들이 사용될 수 있다. 예를 들어, 권장 파라미터 값 범위가 머신 학습 모델에 의해 직접 주어지도록 특정 머신 학습 모델이 선택될 수 있다.
제2 양태에서, 도 10을 참조하면, 본 개시내용의 실시예는 제품 결함의 원인을 분석하는 방법을 제공하고, 이는 다음을 포함한다:
S201, 생산 기록에 따라 분석될 결함에 대응하는 복수의 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하고, 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정함. 생산 기록은 제품을 생산하는 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함들의 정보를 포함하고, 각각의 제품은 생산 절차에서 다수의 처리 디바이스들에 의해 처리되고, 각각의 처리 디바이스는 제품들의 일부를 생산하는 생산 절차들에만 참여한다.
일부 구현들에서, 도 11을 참조하면, 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계 S201는 다음을 포함한다:
S2011, 분석될 각각의 처리 디바이스에 대해, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취함;
S2012, 분석될 각각의 처리 디바이스에 대해 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치를 결정함;
S2013, 분석될 각각의 처리 디바이스에 대해 제1 그룹의 하위-상관관계 가중치와 제2 그룹의 하위-상관관계 가중치의 합에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정함.
일부 구현들에서, i번째 그룹의 하위-상관관계 가중치 Qi는 다음의 공식에 의해 계산되고:
여기서, i는 1 또는 2이고, Gi는 i번째 그룹에서 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고, Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수이다.
일부 구현들에서, 도 12를 참조하면, 본 개시내용의 실시예의 다른 구현으로서, 분석될 결함에 대응하는 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상관관계 가중치에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정하는 단계 S201는 다음을 포함한다:
S2014, 분석될 각각의 처리 디바이스에 대해, 생산 절차들에서 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 생산 절차에서 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취함;
S2015, 분석될 각각의 처리 디바이스에 대해 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치를 결정함;
S2016, 제1 그룹의 하위-상관관계 가중치 및 제2 그룹의 하위-상관관계 가중치에 따라 분석될 각각의 처리 디바이스의 값 파라미터를 결정하고, 값 파라미터에 따라 분석될 처리 디바이스와 분석될 결함 사이의 상관관계를 결정함;
값 파라미터 J는 다음의 공식에 의해 계산되고:
여기서, Qi는 i번째 그룹의 하위-상관관계 가중치이고, i는 1 또는 2이고, DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율이다.
일부 구현들에서, 생산 기록은, 제품을 처리하기 위해, 생산 절차들에서 제품이 처리되는, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부의 파라미터 값들을 추가로 포함한다.
일부 구현들에서, 도 11 및 12를 참조하면, 이러한 방법은 추가로 다음을 포함한다:
S202, 미리 설정된 머신 학습 모델에 의해, 생산 기록에 따라 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정함.
일부 구현들에서, 도 11 및 도 12를 참조하면, 일부 구현들에서, 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 분석될 결함 사이의 상관관계를 결정하는 단계 S202 후에, 이러한 방법은 추가로 다음을 포함한다:
S203, 프로세스 파라미터들과 분석될 결함 사이의 상관관계에 따라 프로세스 파라미터들의 적어도 일부의 권장 파라미터 값 범위를 결정함.
제3 양태에서, 도 13을 참조하면, 본 개시내용의 실시예는, 프로세서에 의해 실행될 때, 위에 설명된 제품 결함의 원인을 분석하는 방법을 구현하는, 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 매체를 제공한다.
해당 분야에서의 통상의 기술자들은 위에 개시된 단계들, 시스템에서의 기능 모듈들/유닛들, 디바이스의 전부 또는 일부가 소프트웨어, 펌웨어, 하드웨어, 및 이들의 적절한 조합들로서 구현될 수 있다는 점을 이해할 것이다.
하드웨어 구현에서, 위 설명에서 언급된 기능 모듈들/유닛들 사이의 분할이 반드시 물리적 컴포넌트들의 분할에 대응하는 것은 아니고; 예를 들어, 하나의 물리적 컴포넌트가 다수의 기능들을 가질 수 있거나, 또는 협력하여 여러 물리적 컴포넌트들에 의해 하나의 기능 또는 단계가 수행될 수 있다.
이러한 물리적 컴포넌트들의 일부 또는 전부는, CPU(Central Processing Unit), 디지털 신호 프로세서, 또는 마이크로프로세서와 같은 프로세서에 의해 실행되는 소프트웨어로서, 또는 하드웨어로서, 또는, 주문형 집적 회로와 같은, 집적 회로로서 구현될 수 있다. 이러한 소프트웨어는, 컴퓨터 저장 매체(또는 비-일시적 매체) 및 통신 매체(또는 일시적 매체)를 포함할 수 있는, 컴퓨터 판독가능 매체 상에 분산될 수 있다. 컴퓨터 저장 매체라는 용어는, 해당 분야에서의 기술자들에게 잘 알려진 바와 같이, 컴퓨터 판독가능 명령어들, 데이터 구조들, 프로그램 모듈들 또는 다른 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성, 이동식 및 비-이동식 매체를 포함한다. 이러한 컴퓨터 저장 매체는, 이에 제한되는 것은 아니지만, 랜덤 액세스 메모리(RAM, 보다 구체적으로는 SDRAM, DDR 등), ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read Only Memory), 플래시 메모리(FLASH), 또는 다른 디스크 저장소; CD-ROM(compact disk read only memory), DVD(Digital Versatile Disk), 또는 다른 광 디스크 저장소; 자기 카세트들, 자기 테이프, 자기 디스크 저장소 또는 다른 자기 저장소; 원하는 정보를 저장하기 위해 사용될 수 있는 그리고 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함한다. 또한, 통신 매체는 반송파 또는 다른 전송 메커니즘에서와 같이 변조된 데이터 신호에 컴퓨터 판독가능 명령어들, 데이터 구조들, 프로그램 모듈들 또는 다른 데이터를 전형적으로 포함하고, 해당 분야에서의 기술자들에게 잘 알려진 바와 같은 임의의 정보 전달 매체를 포함한다.
본 개시내용은 예시적인 실시예들을 개시하였고, 구체적인 용어들이 이용되더라도, 이들은 제한의 목적들을 위해서가 아니라 일반적이고 설명적인 의미로만 사용되고 해석되어야 한다. 일부 예들에서, 특정 실시예와 관련하여 설명되는 특징들, 특성들 및/또는 엘리먼트들은, 해당 분야에서의 기술자들에게 명백한 바와 같이, 달리 명확하게 언급되지 않는 한, 단독으로 또는 다른 실시예들과 관련하여 설명되는 특징들, 특성들 및/또는 엘리먼트들과 조합하여 사용될 수 있다. 따라서, 해당 분야에서의 기술자들에 의하면, 첨부된 청구항들에서 제시되는 본 개시내용의 범위로부터 벗어나지 않고 형태 및 상세사항들에서의 다양한 변경들이 이루어질 수 있다는 점이 이해될 것이다.
Claims (20)
- 제품 결함의 원인을 분석하는 시스템으로서, 분산 저장 디바이스, 분석 디바이스, 및 디스플레이 디바이스를 포함하고,
상기 분산 저장 디바이스는 공장 디바이스에 의해 생성되는 생산 데이터를 저장하도록 구성되고;
상기 분석 디바이스는 상관관계를 결정하기 위해 다음의 동작들을 수행하도록 구성되는 하나 이상의 프로세서를 포함하고, 상기 동작들은,
상기 분산 저장 디바이스에 의해 저장되는 상기 생산 데이터로부터 생산 기록을 취득하는 단계- 상기 생산 기록은 제품들을 생산하는 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함들의 정보를 포함하고, 상기 제품들 각각은 상기 생산 절차들 동안 상기 처리 디바이스들 중 다수의 것들에 의해 처리되고, 상기 처리 디바이스들 각각은 상기 제품들의 일부를 생산하는 생산 절차들에만 참여함 -;
상기 생산 기록에 따라 분석될 결함에 대응하는 상기 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하고;
상기 디스플레이 디바이스는 상기 분석 디바이스의 분석 결과를 디스플레이하도록 구성되는 시스템. - 제1항에 있어서, 상기 분석될 결함에 대응하는 상기 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 상기 생산 절차에서 상기 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 상기 생산 절차에서 상기 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취하는 단계;
상기 분석될 처리 디바이스 각각에 대해, 상기 제1 그룹의 하위-상관관계 가중치 및 상기 제2 그룹의 하위-상관관계 가중치를 결정하는 단계를 포함하는 시스템. - 제2항에 있어서, i번째 그룹의 하위-상관관계 가중치 Qi는 다음의 공식에 의해 계산되고:
;
여기서, i는 1 또는 2이고, Gi는 i번째 그룹에서 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고, Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수인 시스템. - 제2항에 있어서, 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 상기 제1 그룹의 하위-상관관계 가중치와 상기 제2 그룹의 하위-상관관계 가중치의 합에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하는 시스템. - 제2항에 있어서, 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 상기 제1 그룹의 하위-상관관계 가중치 및 상기 제2 그룹의 하위-상관관계 가중치에 따라 값 파라미터를 결정하는 단계, 및 상기 값 파라미터에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하는 시스템. - 제5항에 있어서, 상기 값 파라미터 J는 다음의 공식에 의해 계산되고:
, 및
;
여기서, Qi는 i번째 그룹의 하위-상관관계 가중치이고, i는 1 또는 2이고, DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율인 시스템. - 제1항에 있어서, 상기 분석될 결함에 대응하는 상기 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계는,
미리 설정된 대응 관계에 따라 상기 처리 디바이스들의 적어도 일부를 상기 분석될 결함에 대응하는 상기 분석될 처리 디바이스들로서 결정하는 단계를 포함하는 시스템. - 제1항에 있어서, 상기 생산 기록은, 상기 제품을 처리하기 위해, 상기 생산 절차들 동안 상기 제품이 처리되는, 상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부의 파라미터 값들을 추가로 포함하고;
상기 분산 저장 디바이스에 저장되는 상기 생산 데이터로부터 상기 생산 기록을 취득하는 단계 후에, 미리 설정된 머신 학습 모델이, 상기 생산 기록에 따라, 상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 수행하도록 구성되는 시스템. - 제8항에 있어서, 상기 머신 학습 모델은 랜덤 포레스트 모델(random forest model), 그래디언트 리프팅 트리 모델(gradient lifting tree model) 및 XGboost 모델 중 어느 하나를 포함하는 시스템.
- 제8항에 있어서, 상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계를 결정하는 단계는 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 동안 수행되고;
상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계를 결정하는 단계는, 제1 미리 설정된 값보다 더 큰 또는 제1 미리 설정된 위치 이전에 순위화되는 상기 분석될 결함과의 상관관계를 갖는, 상기 분석될 처리 디바이스를 분석될 핵심 처리 디바이스로서 결정하는 단계, 및 상기 분석될 핵심 처리 디바이스의 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계만을 결정하는 단계를 포함하는 시스템. - 제8항에 있어서, 상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계를 결정하는 단계 후에, 상기 프로세스 파라미터들과 상기 분석될 결함 사이의 상관관계에 따라 프로세스 파라미터들의 적어도 일부의 권장 파라미터 값 범위를 결정하는 단계를 포함하는 시스템.
- 제11항에 있어서, 상기 프로세스 파라미터들의 적어도 일부의 권장 파라미터 값 범위를 결정하는 단계는,
제2 미리 설정된 값보다 더 큰 또는 제2 미리 설정된 위치 이전에 순위화되는 상기 분석될 결함과의 상관관계를 갖는 프로세스 파라미터를, 핵심 프로세스 파라미터로서 결정하는 단계, 및 상기 핵심 프로세스 파라미터의 권장 파라미터 값 범위만을 결정하는 단계를 포함하는 시스템. - 제1항에 있어서, 상기 제품은 디스플레이 패널인 시스템.
- 제품 결함의 원인을 분석하는 방법으로서,
생산 기록에 따라 분석될 결함에 대응하는 복수의 처리 디바이스들에서 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하고; 상기 생산 기록은 생산 절차들 동안 복수의 제품들이 처리되는 처리 디바이스들의 정보 및 발생하는 결함들의 정보를 포함하고, 상기 제품들 각각은 상기 생산 절차들 동안 상기 처리 디바이스들 중 다수의 것들에 의해 처리되고, 상기 처리 디바이스들 각각은 상기 제품들의 일부를 생산하는 생산 절차들에만 참여하는 방법. - 제14항에 있어서, 상기 분석될 결함에 대응하는 상기 처리 디바이스들에서 상기 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 상기 생산 절차들에서 상기 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 상기 생산 절차들에서 상기 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취하는 단계;
상기 분석될 처리 디바이스 각각에 대해, 상기 제1 그룹의 하위-상관관계 가중치 및 상기 제2 그룹의 하위-상관관계 가중치를 결정하는 단계;
분석될 각각의 처리 디바이스에 대해, 상기 제1 그룹의 하위-상관관계 가중치와 상기 제2 그룹의 하위-상관관계 가중치의 합에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하는 방법. - 제15항에 있어서, i번째 그룹의 하위-상관관계 가중치 Qi는 다음의 공식에 의해 계산되고:
;
여기서, i는 1 또는 2이고, Gi는 i번째 그룹에서 분석될 결함이 있는 제품들의 수이고, Gtotal는 분석될 결함이 있는 모든 제품들의 수이고, Bi는 i번째 그룹에서 분석될 결함이 없는 제품들의 수이고, Btotal는 분석될 결함이 없는 모든 제품들의 수인 방법. - 제14항에 있어서, 상기 분석될 결함에 대응하는 상기 처리 디바이스들에서 상기 분석될 처리 디바이스의 상관관계 가중치를 결정하는 단계, 및 상기 상관관계 가중치에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계는,
분석될 각각의 처리 디바이스에 대해, 상기 생산 절차들에서 상기 분석될 처리 디바이스에 의해 처리되는 제품들을 제1 그룹으로서 취하고, 상기 생산 절차들에서 상기 분석될 처리 디바이스에 의해 처리되지 않는 제품들을 제2 그룹으로서 취하는 단계;
상기 분석될 처리 디바이스 각각에 대해, 상기 제1 그룹의 하위-상관관계 가중치 및 상기 제2 그룹의 하위-상관관계 가중치를 결정하는 단계;
분석될 각각의 처리 디바이스에 대해, 상기 제1 그룹의 하위-상관관계 가중치 및 상기 제2 그룹의 하위-상관관계 가중치에 따라 값 파라미터를 결정하는 단계, 및 상기 값 파라미터에 따라 상기 분석될 처리 디바이스와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하고;
상기 값 파라미터 J는 다음의 공식에 의해 계산되고:
, 및
;
여기서, Qi는 i번째 그룹의 하위-상관관계 가중치이고, i는 1 또는 2이고, DGi는 분석될 결함이 있는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 있는 제품들의 비율이고, DBi는 분석될 결함이 없는 모든 제품들에 대한 i번째 그룹에서 분석될 결함이 없는 제품들의 비율인 방법. - 제14항에 있어서, 상기 생산 기록은, 상기 제품을 처리하기 위해, 상기 생산 절차들 동안 상기 제품이 처리되는, 상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부의 파라미터 값들을 추가로 포함하고;
상기 방법은 추가로,
미리 설정된 머신 학습 모델에 의해, 상기 생산 기록에 따라, 상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계를 결정하는 단계를 포함하는 방법. - 제18항에 있어서,
상기 처리 디바이스들의 적어도 일부에 의해 사용되는 프로세스 파라미터들의 적어도 일부와 상기 분석될 결함 사이의 상관관계를 결정하는 단계 후에, 상기 프로세스 파라미터들과 상기 분석될 결함 사이의 상관관계에 따라 프로세스 파라미터들의 적어도 일부의 권장 파라미터 값 범위를 결정하는 단계를 포함하는 방법. - 컴퓨터 판독가능 매체로서, 프로세서에 의해 실행될 때, 제14항 내지 제19항 중 어느 한 항에 따른 제품 결함의 원인을 분석하는 방법을 구현하는, 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 매체.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/121907 WO2021102891A1 (zh) | 2019-11-29 | 2019-11-29 | 产品不良成因分析的系统和方法、计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220107118A true KR20220107118A (ko) | 2022-08-02 |
Family
ID=76129770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217037714A KR20220107118A (ko) | 2019-11-29 | 2019-11-29 | 제품 결함의 원인을 분석하는 시스템 및 방법, 컴퓨터 판독가능 매체 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20210364999A1 (ko) |
| EP (1) | EP4068173A4 (ko) |
| JP (1) | JP7502345B2 (ko) |
| KR (1) | KR20220107118A (ko) |
| CN (1) | CN113454661A (ko) |
| WO (1) | WO2021102891A1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537751B (zh) * | 2021-07-09 | 2024-05-17 | 联通(浙江)产业互联网有限公司 | 影响磨加工产品质量要素的确定方法和装置 |
| WO2023130304A1 (zh) * | 2022-01-06 | 2023-07-13 | 京东方科技集团股份有限公司 | 数据处理方法、系统、计算机可读存储介质 |
| CN114418011B (zh) * | 2022-01-21 | 2023-05-12 | 京东方科技集团股份有限公司 | 一种产品不良成因分析的方法、设备及系统、存储介质 |
| CN114444986B (zh) * | 2022-04-11 | 2022-06-03 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
| US20240020105A1 (en) * | 2022-07-12 | 2024-01-18 | At&T Intellectual Property I, L.P. | Targeted software and hardware updates for user equipment based on specific user profiles related to their usage |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060048010A1 (en) * | 2004-08-30 | 2006-03-02 | Hung-En Tai | Data analyzing method for a fault detection and classification system |
| JP4633084B2 (ja) | 2007-05-08 | 2011-02-16 | シャープ株式会社 | 不良要因推定方法、不良要因推定装置、プログラム、および、記録媒体 |
| WO2012115819A1 (en) * | 2011-02-24 | 2012-08-30 | 3M Innovative Properties Company | System for detection of non-uniformities in web-based materials |
| CN104123298B (zh) * | 2013-04-26 | 2017-09-29 | 华为技术有限公司 | 产品缺陷的分析方法和设备 |
| CN103530467B (zh) * | 2013-10-23 | 2016-08-17 | 中国兵器科学研究院 | 一种基于缺陷概率的工艺分析与优化设计方法 |
| EP3329433A1 (en) * | 2015-07-29 | 2018-06-06 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
| TWI584134B (zh) * | 2015-11-03 | 2017-05-21 | 財團法人工業技術研究院 | 製程異因分析方法與製程異因分析系統 |
| CN110036351B (zh) | 2016-12-07 | 2022-06-14 | 株式会社日立制作所 | 质量管理装置及质量管理方法 |
| CN107295068A (zh) * | 2017-05-27 | 2017-10-24 | 镇江苏仪德科技有限公司 | 一种基于以太网的产品质量监测系统 |
| CN109711659B (zh) * | 2018-11-09 | 2021-04-13 | 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 |
| WO2020110224A1 (ja) * | 2018-11-28 | 2020-06-04 | Eizo株式会社 | 情報処理方法及びコンピュータプログラム |
| TWI759669B (zh) * | 2019-12-23 | 2022-04-01 | 中強光電股份有限公司 | 顯示畫面檢測方法與顯示畫面檢測系統 |
-
2019
- 2019-11-29 KR KR1020217037714A patent/KR20220107118A/ko unknown
- 2019-11-29 JP JP2021572044A patent/JP7502345B2/ja active Active
- 2019-11-29 CN CN201980002712.8A patent/CN113454661A/zh active Pending
- 2019-11-29 US US16/972,402 patent/US20210364999A1/en active Pending
- 2019-11-29 EP EP19945404.2A patent/EP4068173A4/en not_active Withdrawn
- 2019-11-29 WO PCT/CN2019/121907 patent/WO2021102891A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP4068173A4 (en) | 2022-11-16 |
| WO2021102891A1 (zh) | 2021-06-03 |
| JP7502345B2 (ja) | 2024-06-18 |
| JP2023511464A (ja) | 2023-03-20 |
| US20210364999A1 (en) | 2021-11-25 |
| EP4068173A1 (en) | 2022-10-05 |
| CN113454661A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20220107118A (ko) | 제품 결함의 원인을 분석하는 시스템 및 방법, 컴퓨터 판독가능 매체 | |
| US20210365305A1 (en) | Systems and methods for quickly searching datasets by indexing synthetic data generating models | |
| US11537635B2 (en) | Hadoop OLAP engine | |
| US9256665B2 (en) | Creation of inverted index system, and data processing method and apparatus | |
| US10223388B2 (en) | Avoid double counting of mapped database data | |
| US11875408B2 (en) | Techniques for accurate evaluation of a financial portfolio | |
| CN114868092B (zh) | 数据管理平台、缺陷分析系统、缺陷分析方法、计算机存储介质和用于缺陷分析的方法 | |
| CN107679104B (zh) | 大表流式并行高速数据比对方法 | |
| WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
| US20210182293A1 (en) | Candidate projection enumeration based query response generation | |
| WO2023226259A1 (zh) | 超参数搜索方法、装置、计算机设备和存储介质 | |
| WO2021142622A1 (zh) | 确定不良原因的方法、电子设备、存储介质及系统 | |
| CN116737681A (zh) | 一种实时异常日志检测方法、装置、计算机设备和存储介质 | |
| CN113661510A (zh) | 基于非线性规划模型的投产规划系统，投产规划方法和计算机可读存储介质 | |
| CN115599871A (zh) | 基于湖仓一体的数据处理系统和方法 | |
| CN113869423A (zh) | 一种营销响应模型构建方法、设备及介质 | |
| US20240104436A1 (en) | Chained feature synthesis and dimensional reduction | |
| US20240104421A1 (en) | Correlation-based dimensional reduction of synthesized features | |
| WO2021102902A1 (zh) | 在制产品数量上限推荐的系统和方法、计算机可读介质 | |
| Shah et al. | Prediction query language | |
| CN114766023B (zh) | 数据处理方法、装置及系统、电子设备 | |
| US20240086495A1 (en) | Auto-Triage Failures In A/B Testing | |
| WO2024055281A1 (zh) | 异常根因分析方法及装置 | |
| CN118195379A (zh) | 指标模型构建方法、装置、设备、存储介质和程序产品 | |
| CN116523016A (zh) | 训练的方法和装置 |