TW201812586A - 機台保養預測系統及其方法 - Google Patents
機台保養預測系統及其方法 Download PDFInfo
- Publication number
- TW201812586A TW201812586A TW105129641A TW105129641A TW201812586A TW 201812586 A TW201812586 A TW 201812586A TW 105129641 A TW105129641 A TW 105129641A TW 105129641 A TW105129641 A TW 105129641A TW 201812586 A TW201812586 A TW 201812586A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- prediction
- maintenance
- machine
- detection
- Prior art date
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
一種機台保養預測系統,適用於預測至少一機台之保養時間,並包含一檢測裝置、一數據運算裝置,及一儲存裝置。該檢測裝置對該機台進行檢測以取得一檢測數據。該數據運算裝置包括一資訊儲存單元、一數據預測單元,及一保養警示單元。該儲存裝置用以儲存數位資訊,該資訊儲存單元將該檢測數據儲存於該儲存裝置。該數據預測單元取得該檢測數據,以計算出一預測數據並儲存於該儲存裝置,該預測數據為預測該檢測裝置未來檢測該機台所得之數據。該保養警示單元取得該預測數據,以判斷該機台是否到達保養的時間。
Description
本發明是有關於一種預測系統,尤其是一種機台保養預測系統,及其方法。
我們處在一個前所未見的高度互聯時代,從資料蒐集、搜尋引擎,到電子商務和網路社群,網路就像一片無所不在的雲,連結你我的日常生活,這樣的技術重新定義了我們的社會、文化及溝通方式,這樣的現象也使得雲端產業日漸壯大。
但要走到今天的這一步,最重要的幕後功臣就是半導體,半導體是人類史上應用最廣、功能最強大的發明,美國著名科學家、歷史學家、技術專家曾經為輪子問世之後的重大發明進行排名,半導體名列第四位,前三名分別是印刷機、電力、盤尼西林。
半導體工業的製造方式是在矽半導體上製造電子元件,後由精密複雜的積體電路所組成,半導體業主要區分為材料製造、積體電路晶圓製造及積體電路封裝等三大類,而目前國內半導體業業務主要包括了晶圓製造及積體電路封裝,至於材料仍仰賴外國進口。
參閱圖1,為積體電路封裝中壓模機製模流程示意圖,封膠是在於固定保護、定型,避免外力造成短路或斷路的情況,此站所使用的機台為壓模機,製程開始為防止因加熱溫度與室溫相差過大造成的翹曲現象,會先將導線架放到預熱板上預熱,預熱後放置於壓模機的封裝模具上,啟動機器後,壓模機會以氣壓方式封閉上下模的模穴,接著抽真空,以免空氣導致的氣泡產生,再將加熱 成融溶狀的環氧樹脂倒至模具中,填滿導線間的間隙與覆蓋晶粒,因環氧樹脂不可逆的化學特性,待膠體冷卻後即可開模取出成品。
在封裝過程中,機器部件的狀況會誠實地反映在產品的品質上,以目前封膠壓模機之保養機制來說,設備維修人員都會設定一定的壓模次數後進行機台的保養,避免降低產品的良率,舉例來說,當封膠壓模機之壓模次數大於1萬次後,雖然產品外觀看起來差不多,但是在產品檢測時卻會提高不良品的數量。
但是,封膠壓模機所使用之模具會因產品的不同進行更換,只壓模大的產品可能必須壓模次數達到1千就必須進行保養,而壓模小的產品卻可能於壓模次數達到1萬還能進行使用,以目前封膠壓模機之保養機制在1千進行保養將大幅提高保養成本。
因此,如何預測於正確的保養時機,可於最經濟之成本,及最大之產能下進行保養工作,是相關技術人員亟需努力的目標,
有鑑於此,本發明之一目的是在提供一種機台保養預測系統,適用於預測至少一機台之保養時間,該機台保養預測系統包含一檢測模組、一數據運算模組、一儲存模組,及一操控模組。
該檢測模組包括一檢測裝置,以於固定的間隔時間對該機台之狀態進行檢測,並取得一檢測數據。
該數據運算模組包括一與該檢測裝置資訊連接之數據運算裝置,該數據運算裝置具有一資訊儲存單元、一數據預測單元,及一保養警示單元。
該儲存模組包括一與該數據運算裝置資訊連接之儲存裝置,用以儲存數位資訊,該資訊儲存單元取得該檢測裝置所產生之檢測數據,並將該檢測數據儲存於 該儲存裝置。
該操控模組包括一與該數據運算裝置資訊連接之操控裝置,以操控該數據運算裝置並取得所儲存的資訊。
該數據預測單元取得該檢測數據,以計算出一預測數據並儲存於該儲存裝置,該預測數據為預測該檢測裝置未來檢測該機台所得之數據。
該保養警示單元取得該預測數據,以判斷該機台是否到達保養的時間。
本發明的又一技術手段,是在於上述之數據運算裝置之數據預測單元是利用灰色預測法、移動平均法、線性回歸法、一次指數平滑法、二次指數平滑法,及三次指數平滑法其中之一來產生該預測數據。
本發明的另一技術手段,是在於上述之數據運算裝置更包括一報表產生單元,以將該檢測數據及該預測數據建立成一視覺化分析報表,並儲存於該儲存裝置。
本發明的再一技術手段,是在於上述之機台保養預測系統,更包含一外部監看模組,包括一與該數據運算裝置資訊連接之外部伺服裝置,及一與該外部伺服裝置資訊連接之外部電腦裝置,該外部電腦裝置透過該外部伺服裝置及該數據運算裝置讀取該儲存裝置中儲存的資料。
本發明的又一技術手段,是在於上述之數據運算模組更包括一防火牆單元,用以過濾與該外部伺服裝置的傳輸資訊。
本發明之另一目的是在提供一種機台保養預測方法,適用於請求項1~5任一項之機台保養預測系統,該機台保養預測方法包含一數據收集步驟、一數據預測步驟,及一保養判斷步驟。
首先執行該數據收集步驟,以固定之間隔 時間對該機台之狀態進行檢測,並取得該檢測數據。
接著執行該數據預測步驟,將該檢測數據帶入一預測方法,以取得該預測數據。
最後執行該保養判斷步驟,設定一保養數值,並將該預測數據與該保養數值進行比對,以確認該機台是否需要保養。
本發明的又一技術手段,是在於上述之數據預測步驟中,該預測方法為灰色預測法、移動平均法、線性回歸法、一次指數平滑法、二次指數平滑法,及三次指數平滑法其中之一。
本發明的另一技術手段,是在於上述之數據預測步驟中,該預測方法使用灰色預測法時,該數據預測步驟包含下列子步驟。
(a)匯入原始數列x (0)。
(b)對原始數列作一次累加生成,求出:
(c)建立微分方程式,x (0)(k)+az (1)(k)=b。
(d)由微分方程中,帶入數值k,轉換成矩陣方程式Y=B ,並利用公式=(B T B)-1 B T Y求解數值a,b,建立基礎的灰色GM(1,1)預測模型。
(e)GM(1,1)模型的白化響應式,x (0)(1)=x (1)(1),由一般常微分方程式,可得離散化的x (1)響應式:
(f)對計算結果進行逆累加還原運算,計算(k+1),即可推算預測結果。
本發明的再一技術手段,是在於上述之機台保養預測方法,更包含一於該數據預測步驟後之數據整 理步驟,將該預測數據與該保養數值加以整理,以建立該視覺化分析報表。
本發明之有益功效在於設定一個固定的時間,持續對使用中之機台進行量測,在取得複數量測數值之檢測數據後,以該預測之方法來預測該檢測裝置可能量測的數值,並以該保養警示單元加以判斷該機台是否需要進行保養,以避免該機台產出不量的產品。
A‧‧‧機台
3‧‧‧檢測模組
31‧‧‧檢測裝置
4‧‧‧數據運算模組
41‧‧‧數據運算裝置
411‧‧‧資訊儲存單元
412‧‧‧數據預測單元
413‧‧‧保養警示單元
414‧‧‧報表產生單元
415‧‧‧防火牆單元
5‧‧‧儲存模組
51‧‧‧儲存裝置
6‧‧‧操控模組
61‧‧‧操控裝置
7‧‧‧外部監看模組
71‧‧‧外部伺服裝置
72‧‧‧外部電腦裝置
901~904‧‧‧步驟
圖1是一流程示意圖,說明目前積體電路封裝中壓模機製模流程示意圖;圖2是一方塊示意圖,說明本發明機台保養預測系統之一較佳實施例;圖3是一系統示意圖,說明該較佳實施例之設置態樣;及圖4是一步驟示意圖,說明較佳實施例之機台保養預測方法。
有關本發明之相關申請專利特色與技術內容,在以下配合參考圖式之較佳實施例的詳細說明中,將可清楚地呈現。
參閱圖2、3,為本發明機台保養預測系統之較佳實施例,該較佳實施例適用於預測至少一機台A之保養時間,並包含一檢測模組3、一數據運算模組4、一儲存模組5、一操控模組6,及一外部監看模組7。
於該較佳實施例中,該機台A是使用半導體封裝製程中之封膠壓模機作為舉例,其封膠壓模機必需以產品之種類來設定合適之鎖模力將模具進行壓合,並以較佳之推力將樹脂灌入模具之中,當壓模與灌模之次數過多時,其封膠壓模機之氣壓系統、電氣系統、機械系統等 都會因為磨損而使產生產品產生誤差,此時雖然壓模製成所產出之產品外觀或許相同,但內部之晶體或導線則可能遭受破壞,而降低產品之良率,如果沒有馬上發現而進行大量生產,將導致工廠遭受莫大的損失。因此必需藉由保養工程,來維護封膠壓模機的良好工作狀態,確保每一顆生產之產品都是良好的。
一般來說,設備維修人員會以壓模次數來設定保養封膠壓模機的時機,但封膠壓模機則會因為產品的不同而使用不同的壓模設定,當不同之產品進行不同之壓合及不同之灌膠,對封膠壓模機的損耗程度都會不相同,如當其封膠壓模機之損耗狀態未達保養時機就進行保樣,不僅造成消耗品的浪費,當產線因保養而停止生產更對半導體之產能造成非常大的影響。
發明人要強調的是,該較佳實施例中所使用之機台A為半導體封裝製程中的封膠壓模機,實際實施時,可以使用其他製程設備或機台,只需要可檢測或取得相關前後之檢測數據即可,不應以此為限。
該檢測模組3包括一檢測裝置31,以於固定的時間,間隔地對該機台A之狀態進行檢測,並取得一檢測數據。較佳地,該檢測裝置31是使用電壓檢測器(電子式電表),以取得該機台A之工作電壓,並於固定的時間,間隔地檢測工作電壓值,以使取得之複數電壓值成為該檢測數據,當設置複數機台A時,每一機台A都必須量測專屬的檢測數據。於該較佳實施例中,間格時間是設定一天檢測該機台A一次,以取得連續且具有關聯性之檢測數據,實際實施時,間格時間可以設定一周,或是一個小時,不應以此為限。
該數據運算模組4包括一與該檢測裝置31資訊連接之數據運算裝置41,該數據運算裝置41具有一資訊儲存單元411、一數據預測單元412、一保養警示單元 413、一報表產生單元414,及一防火牆單元415。在該較佳實施例中,該數據運算裝置41為公司內部的小型伺服器,該資訊儲存單元411、該數據預測單元412、該保養警示單元413、該報表產生單元414,及該防火牆單元415則為儲存於小型伺服器中的應用服務程式,以進行不同功能的數位計算及數位儲存。
該儲存模組5包括一與該數據運算裝置41資訊連接之儲存裝置51,用以儲存數位資訊。於該較佳實施例中,該儲存裝置51為公司內部之小型資料庫,以儲存公司產線設備的相關檢測數據,且該儲存裝置51可以是複數小型資料庫,用來儲存相同之資料,避免其中之一小型資料庫損壞而將資料遺失。
每次當該檢測裝置31進行機台A狀態檢測時,該資訊儲存單元411將機台A的檢測數值,存入該儲存裝置51中,該儲存裝置51記錄不同時間的檢測數值,以成為檢測數據。
該操控模組6包括一與該數據運算裝置41資訊連接之操控裝置61,以操控該數據運算裝置41並取得所儲存的資訊。較佳地,該操控裝置61為設置於公司內部的複數電腦裝置,可以是設備部門的電腦,是資訊部門的電腦、維修技術人員所攜帶的電腦,或是為鍵盤、滑鼠,及螢幕,用來連接該數據運算裝置41,並選擇該數據運算裝置41中的應用服務程式進行運作,以取得公司中產線設備的狀況。
該數據運算裝置41之數據預測單元412由該儲存裝置51取得所儲存之檢測數據以計算出一預測數據,再將該預測數據儲存於該儲存裝置,該預測數據為預測該檢測裝置31未來檢測該機台A所得之數據,也就是預測該機台A損耗的狀況。
該保養警示單元413由該儲存裝置51取得 該預測數據,以判斷該機台A是否到達保養的時間,一般來說,維修保養人員必需知道該機台A損壞時之檢測裝置31所檢測的數值,維修保養人再制定一個保養數值,以於該機台A生產出不良之產品前進行保養,避免該機台A進入損壞的狀況。當該數據預測單元412以歷史的檢測數據,計算出該預測數據時,維修保養人員可以知道該機台A於什麼時候到達保養的時機。舉例來說,該數據預測單元412預測該機台A於30天後會到達保養的時機,維修技術人員可向上呈報維修時段,並結合多數到達保養時機的機台A於同一時段進行維修保養,可以減少產線停機的時間。
其中,該數據運算裝置41之數據預測單元412是利用灰色預測法、移動平均法、線性回歸法、一次指數平滑法、二次指數平滑法,及三次指數平滑法其中之一來產生該預測數據,其技術內容會於後續方法加以敘述。
該數據運算裝置41更包括一報表產生單元414,以將該檢測數據及該預測數據建立成一視覺化分析報表,並儲存於該儲存裝置51。一般來說,該儲存裝置51中所儲存之檢測數據及預測數據為複數檢測的數值,一整串聚合的數據實在很難使人看懂,該數據運算裝置41可以整理儲存於該儲存裝置51的資料,製作成該視覺化分析報表,以使查閱者、維修技術人員,或客戶容易了解內容。
該外部監看模組7包括一與該數據運算裝置41資訊連接之外部伺服裝置71,及一與該外部伺服裝置71資訊連接之外部電腦裝置72,該外部電腦裝置72透過該外部伺服裝置71及該數據運算裝置41讀取該儲存裝置51中儲存的資料,該外部電腦裝置72可以是複數客戶端的電腦,以連結該外部伺服裝置71取得視覺化分析報表的資訊。
該數據運算模組4之防火牆單元415可以過濾與該外部伺服裝置71的傳輸資訊,一般公司的網路 建構,通常必須有效管制與外界的網路的傳輸資訊,避免公司內部的資訊外流,資訊管理人員必須確認該數據運算裝置41中的服務程式,與該外部伺服裝置71的傳輸資訊是被有效管制,避免該數據運算裝置41中遭木馬程式的移植,讓公司內部網路的資訊暴露於危險中。
該外部伺服裝置71是客戶端的伺服器,與該數據運算裝置41具有網路連結的安全協定,避免與該外部電腦裝置72中不當之城市,或其他未進行協定之伺服器進行連結,以提高公司內部網路的安全。該數據運算裝置41必需限定該外部伺服裝置71使用程式的權限,只提供客戶端必要的專用服務程式,以提供受管制的資訊。較佳地,該外部電腦裝置72可以透過該數據運算模組4取得儲存於該儲存裝置51中的視覺化分析報表,以利公司業務人員或相關主管,於客戶端進行產品生產的報告。由於以防火牆之技術進行有效資訊之管控,已為業界所知悉,在此不再詳加贅述。
配合參閱圖4,為該較佳實施例之機台保養預測方法,包含一數據收集步驟901、一數據預測步驟902、一保養判斷步驟903,及一數據整理步驟904。
首先執行該數據收集步驟901,以固定之時間,間隔地對該機台A之狀態進行檢測,並取得該檢測數據,該檢測裝置31每次進行該機台A之檢測,就將檢測之數值傳輸至該資訊儲存單元411,以將該檢測數據儲存在該儲存裝置51中。
接著執行該數據預測步驟902,將該檢測數據帶入一預測方法,以取得該預測數據。其中,該預測方法為灰色預測法、移動平均法、線性回歸法、一次指數平滑法、二次指數平滑法,及三次指數平滑法其中之一或其組合。於該較佳實施例中,該檢測數據必須先有至少四筆歷史數值,才能進行該預測方法。
其中,灰色模型系統是通過對原始數據的處理來尋找數值的規律,灰色模型系統儘管客觀看來,運算的表象十分複雜,數據變化毫無章法,但還是具有整體功能,因此必然潛藏著某種內在規律,關鍵是該如何去發現它,並利用此規律。
其灰色模型系統所建立之灰色預測法的思想,是直接將序列轉化為微分方程,從而建立一個抽象系統發展變化的動態模型,當該預測方法使用灰色預測法時,該數據預測步驟包含下列子步驟:(a)匯入原始數列x (0)。
(b)對原始數列作一次累加生成,求出:
(c)建立微分方程式,x (0)(k)+az (1)(k)=b。
(d)由微分方程中,帶入數值k,轉換成矩陣方程式Y=B ,並利用公式=(B T B)-1 B T Y求解數值a,b,建立基礎的灰色GM(1,1)預測模型。
(e)GM(1,1)模型的白化響應式,x (0)(1)=x (1)(1),由一般常微分方程式,可得離散化的x (1)響應式:
其中,x (0)=(x (0)(1),x (0)(2),x (0)(3),…x (0)(k))
x (1)=(x (1)(1),x (1)(2),x (1)(3),…x (1)(k))
簡化後可得:
(f)對計算結果進行逆累加還原運算,計算(k+1),即可以灰色預測法推算預測結果。
此外,所使用之移動平均法(Simple Moving Average,SMA)適用於即期預測,原理是使用最近一組實際數據值來預測未來一期的數據值變化,一般可以應用在預測產品的需求量、產能等等。
該移動平均法的基本思想是:根據時間序列資料、逐項推移,依次計算包含一定項數的序時平均值,以反映長期趨勢的方法,因此,此方法必須是在產品需求不快速增長或下降,且不存在季節性因素的前提下,才能有效地消除預測中的隨機波動。
該移動平均法計算公式如下:
其中:SMA t =對第t期的預測值n=原始數列的數量P t-n =前n期的實際值
簡化後可得:
此外,所使用之線性回歸分析法(Simple Linear Regression,SLR),又稱為一元線性回歸分析預測 法,是對客觀事物數量依存關係的分析是數理統計中的一個常用的方法,根據自變數x和因變數Y的相關關係,建立回歸方程來進行預測。
利用該線性回歸法預測的結果不會只受一個因素的影響,因此必須對影響預測值的多種因素做全面分析,除非在這些因素中,存在一個對因變數影響作用明顯高於其他因素的變數,才能將它作為自變數來進行預測。
該線性回歸法的預測模型為:Y t =a+bx t
其中:Y t =對第t期的因變數xt=對第t期的自變數a=截距b=斜率
本發明預期使用之線性回歸法中較常使用的最小平方法(Ordinary Least Squares,OLS)來求解a,b的最佳數值,其公式為:
其中:X i =常數
此外,所使用之指數平滑法(Exponential Smoothing,ES)是在移動平均法基礎上發展起來的一種時間序列分析預測法,通過計算指數平滑值,配合一定的時間序列預測模型對現象的未來進行預測,是生產預測中常用的一種方法,適合在預測無明顯變化的時間序列,一般用於中短期經濟發展趨勢預測,是十分常見的一種預測方式。
該指數平滑法在預測時不會捨棄過去的數據,其思想是給予逐漸減弱的影響程度,即隨著數據的遠離,權數將逐漸收斂為零,也就是說,任一期的指數平滑值都是本期實際觀察值與前一期指數平滑值的加權平均,根據平滑次數不同,指數平滑法又分為:一次指數平滑法、二次指數平滑法和三次指數平滑法。
指數平滑法的基本計算公式即為一次指數平滑法之公式:S (1) t =aY t +(1-a)S (1) t-1
其中;S t =時間t的平滑值S t-1=時間t-1的平滑值Y t =時間t的實際值a=平滑常數(0 a 1)
該二次指數平滑是對一次指數平滑的再平滑,其公式如下:S (2) t =aS (1) t +(1-a)S (2) t-1
該三次指數平滑預測是二次平滑基礎上的再平滑,其公式如下:S (3) t =aS (2) t +(1-a)S (3) t-1
然後執行該保養判斷步驟903,設定一保養數值,並將該預測數據與該保養數值進行比對,以確認該機台A是否需要保養。較佳地,該數據運算裝置41之保養警示單元413可以於每次量測時,自動進行該機台A是否即將到達保養的標準。當該機台A之預測數據已到達保養之標準時,該數據運算裝置41對設備維修人員發出警示資訊,以使設備維修人員進行維修之準備,並向上呈報維修時間以進行設備之保養。
最後執行該數據整理步驟904,將該預測數據與該保養數值加以整理,以建立該視覺化分析報表。該視覺化分析報表不僅可以使設備維修人員快速取得該機台A的歷史資訊,也可清楚瞭解預測數據,以判斷該機台A是否即將到達維修的時間。
發明人於實驗中比較基準參照之公式採用神經網路之相關研究中,在預測良率時比較常用的幾個公式,其中包含絕對誤差平均值、絕對誤差平均值百分比、平方和誤差、均方根誤差以及均方根誤差百分比,如表1所示,其中n為預測年份,T j 為真實數據,Y j 為預測值。
絕對誤差平均值:依照上述章節之預測方式推演之數據,將過程中推導出之預測值與實際值的偏差值取絕對值,加總後,再依預測組數做相除,取其平均值。
絕對誤差平均值百分比:將過程中推導出的預測值與實際值的偏差值除以實際值,取絕對值後將數值轉換成百分比後,的數值做加總後,再依預測組數做相除,計算後可得平均百分比。
平方和誤差:表示實驗誤差大小的偏差值平方和,將預測值與實際值的偏差值平方後,再做加總。
均方根誤差:表示實驗誤差大小的偏差值平方與預測次數的比值平方根,將預測值與實際值的偏差值平方後,再做加總,加總後的數值與預測組數做相除,再開根號,即可計算出均方根誤差。
均方根誤差百分比:表示實驗誤差大小的偏差值平方百分比與預測次數的比值,將預測值與實際值的偏差值除以實際值,將平方後的數值轉換成百分比並開根號,最後與預測組數做相除。
請配合參閱表2,為各誤差檢驗法之計算結果,發明人於實驗中以已知的A~F組實驗數據進行運算,其中是利用較早之前四個數值,來進行後續預測數值的運算,並將運算後之預測數值,與實際數值相比較,以確認各種預測方法與實際數值的誤差,由實驗結果可以得知灰色預測法所計算之預測數據與實際檢測之數據誤差較小,實際實施時,該數據運算裝置41之數據預測單元412可以將灰色預測法所得之預測數據為主,其他之預測方法所得之預測數據為為輔,來判斷該機台A保養之時機。
由上述說明可知,本發明確實具有下列功效:
一、增加產線之產能
本發明可以預測該機台A之保養時間,避免損傷之機台A繼續產出,避免產出之產品視為不良,有效增加產線之產能。
二、減少產線停機的時間
當取得該預測數據或收到保養警示資訊時,維修保養人員可以知道該機台A於什麼時候到達保養的時機,可向上呈報維修時段,並結合多數機台A於同一時段進行維修保養,可以減少產線停機的時間。
三、提供視覺化分析報表
一般來說,該儲存裝置51中所儲存之檢測數據及預測數據複數的數值,很難使人看懂,該數據運算裝置41可以整理儲存於該儲存裝置51的資料,製作成該視覺化分析報表,以使查閱者容易了解內容。
綜上所述,本發明有效預測該機台A的損耗狀況,並設定保養標準,以提供設備維修人員於正確的時機進行設備的保養,避免太早保養所造成浪費,也避免太晚保養造成公司的損失,故確實可以達成本發明之目的。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍,即大凡依本發 明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾,皆仍屬本發明專利涵蓋之範圍內。
Claims (9)
- 一種機台保養預測系統,適用於預測至少一機台之保養時間,並包含:一檢測模組,包括一檢測裝置,以於固定的間隔時間對該機台之狀態進行檢測,並取得一檢測數據;一數據運算模組,包括一與該檢測裝置資訊連接之數據運算裝置,該數據運算裝置具有一資訊儲存單元、一數據預測單元,及一保養警示單元;一儲存模組,包括一與該數據運算裝置資訊連接之儲存裝置,用以儲存數位資訊,該資訊儲存單元取得該檢測裝置所產生之檢測數據,並將該檢測數據儲存於該儲存裝置;及一操控模組,包括一與該數據運算裝置資訊連接之操控裝置,以操控該數據運算裝置並取得所儲存的資訊;該數據預測單元取得該檢測數據,以計算出一預測數據並儲存於該儲存裝置,該預測數據為預測該檢測裝置未來檢測該機台所得之數據;該保養警示單元取得該預測數據,以判斷該機台是否到達保養的時間。
- 依據申請專利範圍第1項所述之機台保養預測系統,其中,該數據運算裝置之數據預測單元是利用灰色預測法、移動平均法、線性回歸法、一次指數平滑法、二次 指數平滑法,及三次指數平滑法其中之一或其組合,來產生該預測數據。
- 依據申請專利範圍第2項所述之機台保養預測系統,其中,該數據運算裝置更包括一報表產生單元,以將該檢測數據及該預測數據建立成一視覺化分析報表,並儲存於該儲存裝置。
- 依據申請專利範圍第3項所述之機台保養預測系統,更包含一外部監看模組,包括一與該數據運算裝置資訊連接之外部伺服裝置,及一與該外部伺服裝置資訊連接之外部電腦裝置,該外部電腦裝置透過該外部伺服裝置及該數據運算裝置讀取該儲存裝置中儲存的資料。
- 依據申請專利範圍第4項所述之機台保養預測系統,其中,該數據運算模組更包括一防火牆單元,用以過濾與該外部伺服裝置的傳輸資訊。
- 一種機台保養預測方法,適用於請求項1~5任一項之機台保養預測系統,該機台保養預測方法包含下列步驟:一數據收集步驟,以固定之間隔時間對該機台之狀態進行檢測,並取得該檢測數據;一數據預測步驟,將該檢測數據帶入一預測方法,以取得該預測數據;及一保養判斷步驟,設定一保養數值,並將該預測數據與該保養數值進行比對,以確認該機台是否需要保養。
- 依據申請專利範圍第5項所述之機台保養預測方法,其中,於該數據預測步驟中,該預測方法為灰色預測法、移動平均法、線性回歸法、一次指數平滑法、二次指數平滑法,及三次指數平滑法其中之一或其組合。
- 依據申請專利範圍第6項所述之機台保養預測方法,其中,於該數據預測步驟中,該預測方法使用灰色預測法時,該數據預測步驟包含下列子步驟:(a)匯入原始數列 x (0);(b)對原始數列作一次累加生成,求出:
- 依據申請專利範圍第7項所述之機台保養預測方法,更包含一於該數據預測步驟後之數據整理步驟,將該預測 數據與該保養數值加以整理,以建立該視覺化分析報表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105129641A TW201812586A (zh) | 2016-09-12 | 2016-09-12 | 機台保養預測系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105129641A TW201812586A (zh) | 2016-09-12 | 2016-09-12 | 機台保養預測系統及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201812586A true TW201812586A (zh) | 2018-04-01 |
Family
ID=62639069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105129641A TW201812586A (zh) | 2016-09-12 | 2016-09-12 | 機台保養預測系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW201812586A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667111A (zh) * | 2020-06-02 | 2020-09-15 | 上海哥瑞利软件有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
CN114217106A (zh) * | 2021-12-14 | 2022-03-22 | 青岛理工大学 | 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法 |
-
2016
- 2016-09-12 TW TW105129641A patent/TW201812586A/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667111A (zh) * | 2020-06-02 | 2020-09-15 | 上海哥瑞利软件有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
CN111667111B (zh) * | 2020-06-02 | 2023-04-07 | 上海哥瑞利软件股份有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
CN114217106A (zh) * | 2021-12-14 | 2022-03-22 | 青岛理工大学 | 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI721408B (zh) | 生產製程管控裝置、方法及電腦可讀取存儲介質 | |
CN103268069B (zh) | 基于Hammerstein模型的自适应预测控制方法 | |
KR20180101815A (ko) | 빅데이터 플랫폼을 이용한 스마트 공장 운영 관리 솔루션 서비스 시스템 및 방법 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
TW201615844A (zh) | 異因分析與校正方法與系統 | |
Shi et al. | Melt index prediction by weighted least squares support vector machines | |
CN109902931A (zh) | 一种基于运行数据融合的多态制造系统运行风险建模方法 | |
CN106383916A (zh) | 基于工业设备预测性维护的数据处理方法 | |
Li et al. | A soft sensing scheme of gas utilization ratio prediction for blast furnace via improved extreme learning machine | |
CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
TW201812586A (zh) | 機台保養預測系統及其方法 | |
Oberoi et al. | SPC (statistical process control): a quality control technique for confirmation to ability of process | |
CN117389236A (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
Lenz et al. | Virtual metrology in semiconductor manufacturing by means of predictive machine learning models | |
Yoo et al. | A Clustering-Based Equipment Condition Model of Chemical Vapor Deposition Process | |
TW200928843A (en) | Virtual metrology system applied on chemical vapor deposition process | |
Cakmakci et al. | Performance measurement of SMED improved plastic injection molding production by using process capability analysis for attribute data | |
Łukasik et al. | Intelligent management in the age of Industry 4.0–An example of a polymer processing company | |
Cupek et al. | Estimation of the number of energy consumption profiles in the case of discreet multi-variant production | |
Pellegrini et al. | Successful use case applications of artificial intelligence in the steel industry | |
Lin et al. | Forecasting rare faults of critical components in LED epitaxy plants using a hybrid grey forecasting and harmony search approach | |
Filatova et al. | Production process balancing: A two-level optimization approach | |
Hung et al. | Data mining for delamination diagnosis in the semiconductor assembly process | |
TWM563108U (zh) | 智慧型電力管理及自我品質管控系統 | |
Huang et al. | Power Material Demand Forecasting Method Based on Support Vector Regression Machine |