TW202040410A - 生產制程管控裝置、方法及電腦可讀取存儲介質 - Google Patents
生產制程管控裝置、方法及電腦可讀取存儲介質 Download PDFInfo
- Publication number
- TW202040410A TW202040410A TW108114899A TW108114899A TW202040410A TW 202040410 A TW202040410 A TW 202040410A TW 108114899 A TW108114899 A TW 108114899A TW 108114899 A TW108114899 A TW 108114899A TW 202040410 A TW202040410 A TW 202040410A
- Authority
- TW
- Taiwan
- Prior art keywords
- parameter
- preset
- production
- value
- production stage
- Prior art date
Links
Images
Classifications
-
- 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
- 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
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0426—Programming the control sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種生產制程管控方法,包括:獲取預設產品之歷史生產階段之生產制程資訊;從生產制程資訊中提取符合預設規則之制程資訊並基於該制程資訊訓練得到第一參數關聯第二參數之匹配模型及制程能力預測模型;將當前生產階段配置之第一參數值輸入至匹配模型得到與第一參數值最優匹配之第二參數值;將第一參數值及最優匹配之第二參數值輸入至制程能力預測模型得到制程能力指標;判斷制程能力指標是否達到預設標準;若達到,則根據第一參數值及最優匹配之第二參數值調整當前生產階段之制程。本發明還提供一種生產制程管控裝置及電腦可讀取存儲介質。
Description
本發明涉及工業大資料技術領域,尤其涉及一種生產制程管控裝置、方法及電腦可讀取存儲介質。
隨著工業4.0技術之興起,智慧製造技術越來越得到實體工廠之重視,智慧製造技術是基於新一代資訊通信技術與先進製造技術深度融合,可貫穿於產品設計、生產、管理等製造活動之各個環節,但目前製造業尚處於機械化、電氣化、自動化、數位化,其智慧化尚於啟蒙階段。習知之車間制程管理一般均是於生產前按照制程管控人員之設定導入至產品生產階段,不具有生產制程AI管控能力,無法實現制程智慧化設定與智慧調控。
有鑑於此,有必要提供一種生產制程管控裝置、方法及電腦可讀取存儲介質,可實現智慧化制程管控,降低生產不良與人工檢測成本。
本發明一實施方式提供一種生產制程管控方法,所述方法包括:獲取預設產品之歷史生產階段之第一生產制程資訊,其中所述第一生產制程資訊包括第一參數及第二參數;從所述第一生產制程資訊中提取符合預設規則之第二生產制程資訊,其中所述預設規則為所述預設產品之品質測試結果符合預設品質要求;根據所述第二生產制程資訊中包含之第一參數與第二參數建立並訓練得到第一參數關聯第二參數之匹配模型及基於所述第一參數與所述第二參數進行制程能力預測之制程能力預測模型;將所述預設產品之當前生產階段計畫配置之第一參數值輸入至所述匹配模型,以得到與所述第一參數值最優匹配之第二參數值;將所述第一參數值及與所述第一參數值最優匹配之第二參數值輸入至所述制程能力預測模型,以計算得到一制程能力指標;判斷所述制程能力指標是否達到預設制程能力標準;及當所述制程能力指標達到所述預設制程能力標準時,根據所述第一參數值及與所述第一參數值最優匹配之第二參數值調整所述預設產品之當前生產階段計畫配置之制程參數。
優選地,所述第一參數為以下參數中之任意一種或多種組合:生產環境參數、產品物料參數、產品測試參數,所述第二參數為生產設備運行參數。
優選地,所述獲取預設產品之歷史生產階段之第一生產制程資訊之步驟包括:從預設資料庫中獲取所述預設產品之歷史生產階段之第一生產制程資訊。
優選地,所述匹配模型及所述制程能力預測模型均基於BP神經網路模型訓練得到。
優選地,所述方法還包括:監測所述預設產品之當前生產階段之品質測試結果是否符合所述預設品質要求;及當所述預設產品之當前生產階段之品質測試結果不符合所述預設品質要求,輸出品質異常提醒資訊,以根據所述品質異常提醒資訊調整所述預設產品之當前生產階段之制程參數。
優選地,所述方法還包括:監測所述預設產品之當前生產階段之制程參數是否發生異常變動;當所述預設產品之當前生產階段之制程參數發生異動時,獲取所述第一參數之當前值及所述第二參數之當前值;將所述第一參數之當前值及與所述第二參數之當前值輸入至所述制程能力預測模型,以重新計算得到一制程能力指標;判斷重新計算得到之制程能力指標是否達到所述預設制程能力標準;及當所述重新計算得到之制程能力指標未達到所述預設制程能力標準時,輸出制程參數異常變動之提醒資訊,以根據所述制程參數異常變動之提醒資訊調整所述預設產品之當前生產階段之制程參數。
優選地,所述監測所述預設產品之當前生產階段之制程參數是否發生異常變動之步驟包括:監測並判斷所述預設產品之當前生產階段之制程參數之變化值是否超過預設變化範圍;及當所述預設產品之當前生產階段之制程參數之變化值超過所述預設變化範圍時,判定所述預設產品之當前生產階段之制程參數發生異常變動。
優選地,所述判斷所述制程能力指標是否達到預設制程能力標準之步驟之後還包括:當所述制程能力指標未達到所述預設制程能力標準時,輸出參數配置異常之提醒資訊,以根據所述參數配置異常之提醒資訊調整所述預設產品之當前生產階段計畫配置之第一參數值與/或第二參數值。
本發明一實施方式還提供一種生產制程管控裝置,所述生產制程管控裝置包括處理器及記憶體,所述記憶體上存儲有生產制程管控程式,所述處理器用於執行所述記憶體中存儲之生產制程管控程式時實現上述之生產制程管控方法之步驟。
本發明一實施方式還提供一種電腦可讀取存儲介質,所述電腦可讀取存儲介質存儲有多條指令,多條所述指令可被一個或者多個處理器執行,以實現上述之生產制程管控方法之步驟。
與習知技術相比,上述生產制程管控裝置、方法及電腦可讀取存儲介質,藉由採集並提取出高品質制程樣本資訊來進行模型訓練得到制程內部參數關聯之匹配模型及制程能力預測模型,使得制程管理人員可根據該些模型評估當前生產階段配置之制程資訊是否可滿足生產要求,並且於生產過程中會持續監測與調適當前生產階段配置之制程資訊,以實現穩定高品質產出,降低生產不良與人工檢測成本。
請參閱圖1,為本發明生產制程管控裝置較佳實施例之運行環境示意圖。
生產制程管控裝置100可藉由網路來與一個或者多個生產設備200進行通信,比如藉由工廠內部之區域網與來與一個或者多個生產設備200通信,所述生產設備200可是車間之產品加工設備,用以生產預設產品,所述預設產品比如可是塑膠產品、金屬產品、電子產品等等。所述生產制程管控裝置100還可藉由網路將所述生產設備200之制程管控資訊及異常資訊回饋至監控設備300,以實現即時通知制程監管人員。所述生產制程管控裝置100可是電腦、伺服器等計算設備。所述監控設備300可是制程監管人員所使用之辦公電腦、手機等設備。所述資料庫400可存儲有所述生產設備200之制程相關資訊,所述生產制程管控裝置100可與所述資料庫400進行通信來讀取存儲於所述資料庫400中之制程相關資訊,並進行運算分析以實現對所述生產設備200進行制程管控。
請參閱圖2,為本發明生產制程管控裝置較佳實施例之結構示意圖。
所述生產制程管控裝置100包括記憶體10、處理器20、存儲於所述記憶體10中並可於所述處理器20上運行之生產制程管控系統30,所述生產制程管控系統30優選為電腦程式。所述處理器20執行所述電腦程式時可實現生產制程管控方法實施例中之步驟,例如圖5所示之步驟S500~S512。或者,所述處理器20執行所述電腦程式時實現生產制程管控系統30實施例中各模組之功能,例如圖3中之模組101~107或者圖4中之模組101~109。
所述生產制程管控系統30可被分割成一個或多個模組,所述一個或者多個模組被存儲於所述記憶體10中,並由所述處理器20執行,以完成本發明。所述一個或多個模組可是能夠完成特定功能之一系列電腦程式指令段,所述指令段用於描述所述生產制程管控系統30於所述生產制程管控裝置100中之執行過程。例如,所述生產制程管控系統30可被分割成圖3中之獲取模組101、提取模組102、建立模組103、第一計算模組104、第二計算模組105、判斷模組106及調整模組107或者可被分割成圖4中之獲取模組101、提取模組102、建立模組103、第一計算模組104、第二計算模組105、判斷模組106、調整模組107、監測模組108及輸出模組109。各模組具體功能參見生產制程管控系統實施例中各模組之功能。
可理解所述示意圖僅是生產制程管控裝置100之示例,並不構成對生產制程管控裝置100之限定,可包括比圖示更多或更少之部件,或者組合某些部件,或者不同之部件,例如所述生產制程管控裝置100還可包括網路接入設備(圖未示)、通信匯流排(圖未示)等。
所稱處理器20可是中央處理單元(Central Processing Unit,CPU),還可是其他通用處理器、數位訊號處理器 (Digital Signal Processor,DSP)、專用積體電路 (Application Specific Integrated Circuit,ASIC)、現成可程式設計閘陣列 (Field-Programmable Gate Array,FPGA) 或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可是微處理器或者所述處理器20亦可是任何常規之處理器等,所述處理器20可利用各種介面與線路連接生產制程管控裝置100之其他各個部分。
所述記憶體10可用於存儲所述生產制程管控系統30與/或模組,所述處理器20藉由運行或執行存儲於所述記憶體10內之生產制程管控系統30與/或模組,以及調用存儲於記憶體10內之資料,實現所述生產制程管控裝置100之各種功能。所述記憶體10可包括高速隨機存取記憶體,還可包括非易失性記憶體,例如硬碟機、記憶體、插接式硬碟機,智慧存儲卡(Smart Media Card, SMC),安全數位(Secure Digital, SD)卡,快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他易失性固態記憶體件。
圖3為本發明生產制程管控系統較佳實施例之功能模組圖。
參閱圖3所示,所述生產制程管控系統30可包括獲取模組101、提取模組102、建立模組103、第一計算模組104、第二計算模組105、判斷模組106及調整模組107。可理解之是,於其他實施方式中,上述模組亦可為固化於所述處理器20中之程式指令或固件(firmware)。
所述獲取模組101用於獲取預設產品之歷史生產階段之第一生產制程資訊,其中所述第一生產制程資訊包括第一參數及第二參數。
於一實施方式中,所述第一生產制程資訊可是所述生產設備200於歷史生產階段生產所述預設產品之生產制程資訊,所述歷史生產階段之起始時間與終止時間之選取可根據實際使用情況進行確定,比如所述歷史生產階段可設定為2018年1月1日至2018年12月31日。所述生產制程資訊可包括生產環境參數、產品物料參數、產品測試參數及生產設備運行參數。所述生產環境參數可是所述生產設備200所處之環境資訊,比如車間溫度、車間濕度等。所述產品物料參數可是用於生產所述預設產品之物料資訊,比如該物料之材質參數(材質熱傳導係數、密度、比熱等)。所述產品測試參數可是所述預設產品之品質測試資料。所述生產設備運行參數可是所述生產設備200之運行參數,比如工作電壓、工作電流、壓力、刀具切割角度、內部溫度等。
於一實施方式中,所述獲取模組101可從所述資料庫400中獲取預設產品之歷史生產階段之第一生產制程資訊。所述第一參數優選為生產環境參數、產品物料參數、產品測試參數中之一種或多種,所述第二參數優選為生產設備運行參數。
所述提取模組102用於從所述第一生產制程資訊中提取符合預設規則之第二生產制程資訊,其中所述預設規則為所述預設產品之品質測試結果符合預設品質要求。
於一實施方式中,由於所述第一生產制程資訊是一歷史生產階段之生產制程資訊,可能包括出現不良品較多之生產制程資訊,該些不符合品質要求之生產制程資訊不適合做模型之訓練樣本資料,需剔除。所述預設規則優選為所述預設產品之品質測試結果符合預設品質要求,進而可使得所述提取模組102提取之第二生產制程資訊均是產品品質符合要求之制程資訊,以實現基於生產高品質產品之制程樣本資料進行後續之模型訓練。
可理解所述第二生產制程資訊同樣包括有第一參數及第二參數。
所述建立模組103用於根據所述第二生產制程資訊中包含之第一參數與第二參數建立並訓練得到第一參數關聯第二參數之匹配模型及基於所述第一參數與所述第二參數進行制程能力預測之制程能力預測模型。
於一實施方式中,所述匹配模型及所述制程能力預測模型優選是基於BP(Back propagation,反向傳播)神經網路模型訓練得到。所述BP神經網路模型包括輸入層、多個隱藏層及輸出層。所述輸入層可用於接收多個訓練特徵,每一隱藏層包括多個節點(神經元),每一隱藏層中之每一節點被配置成對來自該模型中之相鄰下層之至少一個節點之輸出執行線性或非線性變換。其中,上層隱藏層之節點之輸入可基於相鄰下層中之一個節點或複數節點之輸出,每個隱藏層具有對應之權值。於對模型進行訓練時,可藉由利用有監督之學習過程來進行模型之訓練,得到各個隱藏層之初始權值。可藉由BP演算法來對各隱藏層之權值之進行調節,所述輸出層用於接收來自最後一層隱藏層之輸出信號。
於一實施方式中,所述建立模組103可根據所述第二生產制程資訊中包含之第一參數與第二參數來建立並訓練得到第一參數關聯第二參數之匹配模型,當模型訓練完成後,輸入第一參數至所述匹配模型時,可輸出得到與該第一參數最佳匹配之第二參數。
可理解之是,所述第二生產制程資訊可包括多個生產批次之制程資訊,每個生產批次之制程資訊均包括第一參數與第二參數,每個生產批次生產之預設產品可統計得到一產品良率。當輸入第一參數至所述匹配模型時,可輸出得到與該第一參數最佳匹配之第二參數。即於該第一參數固定之情況下,為得到最優之產品良率,藉由該匹配模型計算得出與該第一參數最佳匹配之第二參數。
以SMT(表面貼裝技術)生產制程為例,所述第一參數包括車間溫度、車間濕度、焊劑含量、焊劑熔點。所述第二參數為刮刀角度、刮刀速度、刮刀壓力及基板與鋼板間距。當匹配模型訓練完成後,輸入第一參數之值,可輸出得到與當前第一參數值最優匹配之刮刀角度值、刮刀速度值、刮刀壓力值及基板與鋼板間距值。
於一實施方式中,可預先計算得到每個生產批次之CPK(Complex Process Capability index,製造過程能力指標)值,即於歷史生產階段,每個生產批次之CPK值對應有一組第一參數與第二參數。所述建立模組103可根據所述第一參數與所述第二參數訓練得到制程能力預測模型。所述制程能力預測模型可基於所述第一參數與所述第二參數進行制程能力預測。比如,當制程能力預測模型訓練完成後,可輸入當前之車間溫度、車間濕度、焊劑含量、焊劑熔點、刮刀角度、刮刀速度、刮刀壓力、基板與鋼板間距至所述制程能力預測模型,進而可得到一CPK值。
所述第一計算模組104用於將所述預設產品之當前生產階段計畫配置之第一參數值輸入至所述匹配模型,以得到與所述第一參數值最優匹配之第二參數值。
於一實施方式中,當根據歷史生產階段之生產制程資訊建立並訓練得到所述匹配模型後,可將所述預設產品之當前生產階段配置之第一參數值輸入至所述匹配模型,進而可得到與所述第一參數值最優匹配之第二參數值。比如所述第一參數為生產環境參數,當前生產階段計畫配置之第一參數值即可是當前車間溫度及當前車間之濕度。所述第二參數為生產設備運行參數,當前生產階段計畫配置之第二參數可是生產該預設產品設備使用人員根據歷史經驗對生產設備200配置之運行參數或者客戶所要求之運行參數。為得到與所述第一參數值最優匹配之第二參數值,可將當前生產階段之車間溫度、車間濕度輸入至所述匹配模型,該匹配模型之輸出即是與當前車間溫度、車間濕度最優匹配之生產設備運行參數。
於一實施方式中,若第一參數包括多個子參數,且每個子參數之值是已知第二參數包括多個子參數,但存於一個或多個子參數值未知,可藉由所述第一計算模組104實現將第二參數中未知之子參數值補充完整。舉例而言,第一參數包括車間溫度及車間濕度,所述車間溫度為23度,所述車間濕度為45%,第二參數包括刮刀角度、刮刀速度、壓力、基板與鋼板間距。其中,刮刀角度、刮刀速度未知,壓力為0.04Mpa,基板與鋼板間距為400um。輸入第一參數至所述第一計算模組104可計算得到刮刀角度、刮刀速度。比如,藉由所述第一計算模組104計算得到刮刀角度為45度、刮刀速度為5rpm。
可理解之是,所述建立模組103還可根據所述第二生產制程資訊中包含之第一參數與第二參數建立並訓練得到第二參數關聯第一參數之匹配模型,進而可藉由所述第一計算模組104實現將第一參數中未知之子參數值補充完整(第二參數中之每個子參數均已知)。
所述第二計算模組105用於將所述第一參數值及與所述第一參數值最優匹配之第二參數值輸入至所述制程能力預測模型,以計算得到一制程能力指標。
於一實施方式中,當根據歷史生產階段之生產制程資訊建立並訓練得到所述制程能力預測模型後,可將所述第一參數值及與所述第一參數值最優匹配之第二參數值輸入至所述制程能力預測模,進而可計算得到一CPK值。比如輸入當前之車間溫度值、車間濕度值、焊劑含量、焊劑熔點值、刮刀角度值、刮刀速度值、刮刀壓力值、基板與鋼板間距值至所述制程能力預測模型,進而所述制程能力預測模型可輸出一CPK值。根據該CPK值可得知,於當前生產階段且所述第一參數之值為所述第一參數值、所述第二參數之值為與所述第一參數值最優匹配之第二參數值時之制程能力。
所述判斷模組106判斷所述制程能力指標是否達到預設制程能力標準。
於一實施方式中,所述預設制程能力標準可根據實際使用需求進行設定,比如所述預設制程能力標準可設定為CPK值大於1.3。所述判斷模組106可將所述第二計算模組105計算得到之CPK值與預設制程能力標準進行比較,來判斷所述制程能力指標是否達到預設制程能力標準。舉例而言,若所述第二計算模組105計算得到CPK值等於1.34,由於第二計算模組105計算得到CPK值大於1.3,進而所述判斷模組106可判斷所述制程能力指標達到所述預設制程能力標準。若所述第二計算模組105計算得到CPK值等於1.25,由於第二計算模組105計算得到CPK值小於1.3,進而所述判斷模組106可判斷所述制程能力指標未達到所述預設制程能力標準。
所述調整模組107用在於所述制程能力指標達到所述預設制程能力標準時,根據所述第一參數值及與所述第一參數值最優匹配之第二參數值調整所述預設產品之當前生產階段計畫配置之制程參數。
於一實施方式中,當所述制程能力指標達到所述預設制程能力標準時,表明可以所述第一參數值及與所述第一參數值最優匹配之第二參數值來設定當前生產階段之第一參數及第二參數。即可將當前生產階段配置之第二參數調整為與所述第一參數值最優匹配之第二參數值,進而進行預設產品之生產。
舉例而言,於進行所述預設產品之生產前,生產人員根據歷史生產經驗(或者客戶要求)於當前生產階段預先配置有第一參數值及第二參數值,當藉由所述第一計算模組104得到與所述第一參數值最優匹配之第二參數值後,且基於所述第一參數值及與所述第一參數值最優匹配之第二參數值得到制程能力指標達到預設制程能力標準時,表明調整後之第二參數值符合生產需求,可將當前生產階段預先配置之第二參數值調整為與所述第一參數值最優匹配之第二參數值,再進行所述預設產品生產。
於一實施方式中,當所述制程能力指標未達到所述預設制程能力標準時,表明當前之第一參數值及與第一參數值最優匹配之第二參數值不符合生產要求,所述生產制程管控裝置100可輸出一參數配置異常之提醒資訊,以提醒生產管控人員,進而生產管控人員可根據所述參數配置異常之提醒資訊調整準備對當前生產階段配置之第一參數值與/或第二參數值。所述參數配置異常之提醒資訊可是以短消息、郵件、或者直接以燈光之形式輸出。
請同時參閱圖4,圖4示出了生產制程管控系統於另一較佳實施例之功能模組圖。圖4示出之生產制程管控系統30與圖3所示之基本相同,不同之處在於,生產制程管控系統30還包括監測模組108及輸出模組109。
所述監測模組108用於監測所述預設產品之當前生產階段之品質測試結果是否符合所述預設品質要求。
於一實施方式中,當所述當前生產階段完成生產制程資訊設定並於進行所述預設產品之生產時,所述監測模組108用於監測所述預設產品之當前生產階段之品質測試結果是否符合所述預設品質要求,進行實現今生產過程中持續監測產品生產。
於一實施方式中,當於對所述預設產品進行生產之過程中,可統計得到當前生產階段之品質測試結果,所述監測模組108可將當前生產階段之品質測試結果與所述預設品質要求進行比對來判斷當前生產階段生產之預設產品之品質測試結果是否符合所述預設品質要求。
所述輸出模組109用在於所述預設產品之當前生產階段之品質測試結果不符合所述預設品質要求,輸出品質異常提醒資訊,以根據所述品質異常提醒資訊調整所述預設產品之當前生產階段之制程參數。
於一實施方式中,當所述預設產品之當前生產階段之品質測試結果不符合所述預設品質要求時,表明當前生產制程需要進行改善,所述輸出模組109輸出品質異常提醒資訊,以提醒生產管控人員,進而生產管控人員可根據所述品質異常提醒資訊調整所述預設產品之當前生產階段之制程參數。比如調整於所述預設產品本次生產過程中所配置之第一參數與/或第二參數。可理解之是,所述品質異常提醒資訊可是以短消息、郵件、或者直接以燈光之形式輸出。
當所述監測模組108監測到所述預設產品之當前生產階段之品質測試結果符合所述預設品質要求時,表明當前生產制程無需進行改善,可繼續進行預設產品之生產。
於一實施方式中,於完成當前生產階段之制程資訊配置並進行所述預設產品之生產後,所述制程資訊亦可能發生異動而導致後續之產品生產品質發生變動。所述監測模組108還用於監測所述預設產品之當前生產階段之制程參數是否發生異常變動,當所述預設產品之當前生產階段之制程參數發生異動時,所述獲取模組101獲取所述第一參數之當前值及所述第二參數之當前值,所述第二計算模組105將所述第一參數之當前值及與所述第二參數之當前值輸入至所述制程能力預測模型,以重新計算得到一制程能力指標。所述判斷模組106判斷重新計算得到之制程能力指標是否達到所述預設制程能力標準,當所述重新計算得到之制程能力指標未達到所述預設制程能力標準時,所述輸出模組109輸出制程參數異常變動之提醒資訊,以提醒生產管控人員,進而生產管控人員可根據所述制程參數異常變動之提醒資訊調整所述預設產品之當前生產階段之制程參數。可理解之是,所述參數異常變動之提醒資訊同樣可是以短消息、郵件、或者直接以燈光之形式輸出。
舉例而言,所述預設產品於當前生產階段進行生產時之第一參數包括車間溫度24~26度,濕度為45%~50%,若於生產該預設產品3小時後,所述監測模組108監測到車間溫度為30度,濕度為48%,第二參數無變化,即所述監測模組108監測所述預設產品之當前生產階段之制程參數中之第一參數發生異常變動,所述第二計算模組105將所述第一參數之當前值(車間溫度30度,濕度為48%)及第二參數值輸入至所述制程能力預測模型重新計算得到一制程能力指標。所述判斷模組106判斷重新計算得到之制程能力指標是否達到所述預設制程能力標準,當所述重新計算得到之制程能力指標未達到所述預設制程能力標準時,所述輸出模組109輸出制程參數異常變動之提醒資訊。當所述重新計算得到之制程能力指標達到所述預設制程能力標準時,可繼續進行預設產品之生產,忽略本次異常變動。
於一實施方式中,所述監測模組108可藉由以下方式來實現監測並判斷所述預設產品之當前生產階段之制程參數是否發生異常變動:所述監測模組108監測並判斷所述預設產品之當前生產階段之制程參數之變化值是否超過預設變化範圍,當所述預設產品之當前生產階段之制程參數之變化值超過所述預設變化範圍時,所述監測模組108判定所述預設產品之當前生產階段之制程參數發生異常變動。生產制程管控裝置100藉由上述模組101~109可實現自感知、自學習、自決策、自執行、自我調整之AI制程管控方式。
圖5為本發明一實施方式中生產制程管控方法之流程圖。根據不同之需求,所述流程圖中步驟之順序可改變,某些步驟可省略。
步驟S500,所述獲取模組101獲取預設產品之歷史生產階段之第一生產制程資訊,其中所述第一生產制程資訊包括第一參數及第二參數。
步驟S502,所述提取模組102從所述第一生產制程資訊中提取符合預設規則之第二生產制程資訊,其中所述預設規則為所述預設產品之品質測試結果符合預設品質要求。
步驟S504,所述建立模組103根據所述第二生產制程資訊中包含之第一參數與第二參數建立並訓練得到第一參數關聯第二參數之匹配模型及基於所述第一參數與所述第二參數進行制程能力預測之制程能力預測模型。
步驟S506,所述第一計算模組104將所述預設產品之當前生產階段配置之第一參數值輸入至所述匹配模型,以得到與所述第一參數值最優匹配之第二參數值。
步驟S508,所述第二計算模組105將所述第一參數值及與所述第一參數值最優匹配之第二參數值輸入至所述制程能力預測模型,以計算得到一制程能力指標。
步驟S510,所述判斷模組106判斷所述制程能力指標是否達到預設制程能力標準。
步驟S512,當所述制程能力指標達到所述預設制程能力標準時,所述調整模組107根據所述第一參數值及與所述第一參數值最優匹配之第二參數值調整所述預設產品之當前生產階段之制程參數。
步驟S514,當所述制程能力指標未達到所述預設制程能力標準時,所述輸出模組109輸出參數配置異常之提醒資訊。
上述生產制程管控裝置、方法及電腦可讀取存儲介質,藉由採集並提取出高品質制程樣本資訊來進行模型訓練得到制程內部參數關聯之匹配模型及制程能力預測模型,使得制程管理人員可根據該些模型評估當前生產階段配置之制程資訊是否可滿足生產要求,並且於生產過程中會持續監測與調適當前生產階段配置之制程資訊,以實現穩定高品質產出,降低生產不良與人工檢測成本。
綜上所述,本發明符合發明專利要件,爰依法提出專利申請。惟,以上所述者僅為本發明之較佳實施方式,本發明之範圍並不以上述實施方式為限,舉凡熟悉本案技藝之人士爰依本發明之精神所作之等效修飾或變化,皆應涵蓋於以下申請專利範圍內。
10:記憶體
20:處理器
30:生產制程管控系統
100:生產制程管控裝置
200:生產設備
300:監控設備
400:資料庫
101:獲取模組
102:提取模組
103:建立模組
104:第一計算模組
105:第二計算模組
106:判斷模組
107:調整模組
108:監測模組
109:輸出模組
圖1是本發明一實施方式之生產制程管控裝置之運用環境圖。
圖2是本發明一實施方式之生產制程管控裝置之架構示意圖。
圖3是本發明一實施方式之生產制程管控系統之功能模組圖。
圖4是本發明另一實施方式之生產制程管控系統之功能模組圖。
圖5是本發明一實施方式之生產制程管控方法之流程圖。
Claims (10)
- 一種生產制程管控方法,所述方法包括: 獲取預設產品之歷史生產階段之第一生產制程資訊,其中所述第一生產制程資訊包括第一參數及第二參數; 從所述第一生產制程資訊中提取符合預設規則之第二生產制程資訊,其中所述預設規則為所述預設產品之品質測試結果符合預設品質要求; 根據所述第二生產制程資訊中包含之第一參數與第二參數建立並訓練得到第一參數關聯第二參數之匹配模型及基於所述第一參數與所述第二參數進行制程能力預測之制程能力預測模型; 將所述預設產品之當前生產階段計畫配置之第一參數值輸入至所述匹配模型,以得到與所述第一參數值最優匹配之第二參數值; 將所述第一參數值及與所述第一參數值最優匹配之第二參數值輸入至所述制程能力預測模型,以計算得到一制程能力指標; 判斷所述制程能力指標是否達到預設制程能力標準;及 當所述制程能力指標達到所述預設制程能力標準時,根據所述第一參數值及與所述第一參數值最優匹配之第二參數值調整所述預設產品之當前生產階段計畫配置之制程參數。
- 如申請專利範圍第1項所述之方法,其中所述第一參數為以下參數中之任意一種或多種組合:生產環境參數、產品物料參數、產品測試參數,所述第二參數為生產設備運行參數。
- 如申請專利範圍第1項所述之方法,其中所述獲取預設產品之歷史生產階段之第一生產制程資訊之步驟包括: 從預設資料庫中獲取所述預設產品之歷史生產階段之第一生產制程資訊。
- 如申請專利範圍第1項所述之方法,其中所述匹配模型及所述制程能力預測模型均基於BP神經網路模型訓練得到。
- 如申請專利範圍第1~4任意一項所述之方法,還包括: 監測所述預設產品之當前生產階段之品質測試結果是否符合所述預設品質要求;及 當所述預設產品之當前生產階段之品質測試結果不符合所述預設品質要求,輸出品質異常提醒資訊,以根據所述品質異常提醒資訊調整所述預設產品之當前生產階段之制程參數。
- 如申請專利範圍第1~4任意一項所述之方法,還包括: 監測所述預設產品之當前生產階段之制程參數是否發生異常變動; 當所述預設產品之當前生產階段之制程參數發生異動時,獲取所述第一參數之當前值及所述第二參數之當前值; 將所述第一參數之當前值及與所述第二參數之當前值輸入至所述制程能力預測模型,以重新計算得到一制程能力指標; 判斷重新計算得到之制程能力指標是否達到所述預設制程能力標準;及 當所述重新計算得到之制程能力指標未達到所述預設制程能力標準時,輸出制程參數異常變動之提醒資訊,以根據所述制程參數異常變動之提醒資訊調整所述預設產品之當前生產階段之制程參數。
- 如申請專利範圍第6項所述之方法,其中所述監測所述預設產品之當前生產階段之制程參數是否發生異常變動之步驟包括: 監測並判斷所述預設產品之當前生產階段之制程參數之變化值是否超過預設變化範圍;及 當所述預設產品之當前生產階段之制程參數之變化值超過所述預設變化範圍時,判定所述預設產品之當前生產階段之制程參數發生異常變動。
- 如申請專利範圍第1項所述之方法,其中所述判斷所述制程能力指標是否達到預設制程能力標準之步驟之後還包括: 當所述制程能力指標未達到所述預設制程能力標準時,輸出參數配置異常之提醒資訊,以根據所述參數配置異常之提醒資訊調整所述預設產品之當前生產階段計畫配置之第一參數值與/或第二參數值。
- 一種生產制程管控裝置,所述生產制程管控裝置包括處理器及記憶體,所述記憶體上存儲有生產制程管控程式,所述處理器用於執行所述記憶體中存儲之生產制程管控程式時實現如請求項1-8任一項所述之生產制程管控方法之步驟。
- 一種電腦可讀取存儲介質,所述電腦可讀取存儲介質存儲有多條指令,多條所述指令可被一個或者多個處理器執行,以實現如請求項1-8任一項所述之生產制程管控方法之步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340297.9A CN111861050B (zh) | 2019-04-25 | 2019-04-25 | 生产制程管控装置、方法及计算机可读存储介质 |
CN201910340297.9 | 2019-04-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202040410A true TW202040410A (zh) | 2020-11-01 |
TWI721408B TWI721408B (zh) | 2021-03-11 |
Family
ID=72921725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108114899A TWI721408B (zh) | 2019-04-25 | 2019-04-29 | 生產製程管控裝置、方法及電腦可讀取存儲介質 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11243527B2 (zh) |
CN (1) | CN111861050B (zh) |
TW (1) | TWI721408B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11128937B2 (en) * | 2019-08-20 | 2021-09-21 | Blackberry Limited | Apparatus and method for maintaining parameter ranges for remote sensing devices |
CN112582034A (zh) * | 2020-11-24 | 2021-03-30 | 包头钢铁(集团)有限责任公司 | 一种热轧q235a、q235b、ss400集约柔性化生产方法 |
CN112544949B (zh) * | 2020-12-10 | 2022-10-11 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN112613686A (zh) * | 2020-12-31 | 2021-04-06 | 广州兴森快捷电路科技有限公司 | 制程能力预测方法、系统、电子设备及存储介质 |
CN113221390B (zh) * | 2021-06-24 | 2024-06-18 | 北京京东方技术开发有限公司 | 一种排产模型的训练方法和装置 |
CN113419585B (zh) * | 2021-07-22 | 2022-10-18 | 江阴市欧莱特彩印有限公司 | 印刷车间温湿度动态调整生产工艺参数的方法、系统以及设备 |
CN113721568B (zh) * | 2021-08-19 | 2022-04-15 | 扬州美德莱医疗用品有限公司 | 一种注射针加工流程的多重智能报警方法及系统 |
CN114201905B (zh) * | 2021-11-19 | 2022-12-09 | 苏州美昱高分子材料有限公司 | 一种改性粒子的生产方法和装置 |
CN114326620B (zh) * | 2021-12-25 | 2022-09-27 | 北京国控天成科技有限公司 | 一种全流程自动控制方法、装置及电子设备 |
CN114997605B (zh) * | 2022-05-16 | 2023-09-12 | 南京惠若化工科技有限公司 | 一种可降解树脂生产路线的智能规划方法及系统 |
CN115239227B (zh) * | 2022-06-23 | 2023-06-30 | 深圳市宇航软件股份有限公司 | 一种生产工位监测方法及系统 |
CN116125928A (zh) * | 2023-02-15 | 2023-05-16 | 中建材创新科技研究院有限公司 | 一种纸面石膏板下料系统和主线系统的匹配控制方法 |
Family Cites Families (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539597B2 (en) * | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US20030036933A1 (en) * | 2001-06-27 | 2003-02-20 | Honeywell International Inc. | System and method for business goal-optimization when customer demand cannot be satisfied |
US8417360B2 (en) * | 2001-08-10 | 2013-04-09 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
AT412678B (de) * | 2002-09-30 | 2005-05-25 | Gerhard Dr Kranner | Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme |
US6915177B2 (en) * | 2002-09-30 | 2005-07-05 | Advanced Micro Devices, Inc. | Comprehensive integrated lithographic process control system based on product design and yield feedback system |
CN1279600C (zh) * | 2003-01-28 | 2006-10-11 | 力晶半导体股份有限公司 | 在线品质检测参数分析方法 |
CA2535356A1 (en) * | 2003-08-13 | 2005-03-03 | Cargill, Incorporated | Computer-aided modeling and manufacture of products |
US7356377B2 (en) * | 2004-01-29 | 2008-04-08 | Applied Materials, Inc. | System, method, and medium for monitoring performance of an advanced process control system |
TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
US7505949B2 (en) * | 2006-01-31 | 2009-03-17 | Caterpillar Inc. | Process model error correction method and system |
US7937177B2 (en) * | 2007-06-27 | 2011-05-03 | International Business Machines Corporation | Manufacturing work in process management system |
US8594828B2 (en) * | 2008-09-30 | 2013-11-26 | Rockwell Automation Technologies, Inc. | System and method for optimizing a paper manufacturing process |
TWI385492B (zh) * | 2008-12-16 | 2013-02-11 | Ind Tech Res Inst | 機台設備的維護分析系統及其方法 |
TWI427722B (zh) * | 2010-08-02 | 2014-02-21 | Univ Nat Cheng Kung | 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品 |
US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
CN103543719B (zh) * | 2013-10-17 | 2015-10-07 | 中国科学院软件研究所 | 一种基于工况的流程行业操作模式自适应调整方法 |
CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
CN105223914B (zh) * | 2014-06-30 | 2018-09-07 | 中芯国际集成电路制造(上海)有限公司 | 管控机台生产数据的系统及其方法 |
TW201605602A (zh) * | 2014-08-12 | 2016-02-16 | Nat Univ Chin Yi Technology | 以類神經網路結合基因演算法建構逆向模型處理系統 |
TWI537848B (zh) * | 2014-12-26 | 2016-06-11 | 財團法人工業技術研究院 | 連續性製程的預測系統及方法 |
US10152879B2 (en) * | 2015-11-10 | 2018-12-11 | Industrial Technology Research Institute | Method, apparatus, and system for monitoring manufacturing equipment |
CN106295995A (zh) * | 2016-08-10 | 2017-01-04 | 曼威网络科技(上海)有限公司 | 一种用于确定生产计划的数据分析方法与设备 |
KR101917006B1 (ko) * | 2016-11-30 | 2018-11-08 | 에스케이 주식회사 | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 |
JP6962539B2 (ja) * | 2017-02-24 | 2021-11-05 | 株式会社レクサー・リサーチ | 業務計画最適化方法 |
CN108734368A (zh) * | 2017-04-25 | 2018-11-02 | 鸿富锦精密电子(天津)有限公司 | 风险预警管控系统及方法 |
CN107909204A (zh) * | 2017-11-14 | 2018-04-13 | 中铝视拓智能科技有限公司 | 一种生产工艺参数优化方法及装置 |
CN108090620A (zh) * | 2017-12-27 | 2018-05-29 | 国网北京市电力公司 | 充电设施市场需求预测方法及装置 |
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
CN109472397B (zh) * | 2018-10-19 | 2021-12-14 | 东华大学 | 基于粘度变化的聚合工艺参数调节方法 |
CN109222208B (zh) * | 2018-10-30 | 2021-07-06 | 杭州安脉盛智能技术有限公司 | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 |
CN109523086B (zh) * | 2018-11-26 | 2021-08-24 | 浙江蓝卓工业互联网信息技术有限公司 | 基于随机森林的化工产品的质量预测方法及系统 |
-
2019
- 2019-04-25 CN CN201910340297.9A patent/CN111861050B/zh active Active
- 2019-04-29 TW TW108114899A patent/TWI721408B/zh active
- 2019-07-16 US US16/512,757 patent/US11243527B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20200341460A1 (en) | 2020-10-29 |
TWI721408B (zh) | 2021-03-11 |
CN111861050A (zh) | 2020-10-30 |
CN111861050B (zh) | 2024-02-20 |
US11243527B2 (en) | 2022-02-08 |
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 | |
Caggiano | Cloud-based manufacturing process monitoring for smart diagnosis services | |
Ghosh et al. | Data mining driven DMAIC framework for improving foundry quality–a case study | |
KR20110115168A (ko) | 실제 제조 타겟을 모니터링하는데 있어 예측 데이터의 이용 | |
SA523442435B1 (ar) | توأم رقمي متكامل لإنشاء بنية تحتية | |
WO2015021751A1 (zh) | 一种数据驱动的集成电路工艺设备异常预警技术方法 | |
CN106572186B (zh) | 一种生产监管方法及系统 | |
US20190198405A1 (en) | Statistical framework for tool chamber matching in semiconductor manufacturing processes | |
Pang et al. | PDF and breakdown time prediction for unobservable wear using enhanced particle filters in precognitive maintenance | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
Tsarouhas et al. | Yogurt production line: reliability analysis | |
JP2023518055A (ja) | 製造プロセスを最適化するためのシステム、方法、及びコンピュータ・プログラム製品 | |
CN107491821B (zh) | 工厂现场巡查方法及系统 | |
Markatos et al. | Manufacturing quality assessment in the industry 4.0 era: a review | |
Dalal | The Smart Analysis of Poisson Distribution Pattern Based Industrial Automation in Industry 4.0 | |
CN110175648B (zh) | 应用人工智能云计算对设备进行非侵入性的信息连通方法 | |
Kee et al. | Universal cyber physical system, a prototype for predictive maintenance | |
Xiao et al. | Edge computing-based unified condition monitoring system for process manufacturing | |
CN113640024A (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及存储介质 | |
CN105785932A (zh) | 基于物联网的缝纫机系统 | |
Sheng et al. | Digital twin driven intelligent manufacturing for FPCB etching production line | |
CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
TW201903686A (zh) | 晶圓製造管理方法以及晶圓製造管理系統 | |
TW201812586A (zh) | 機台保養預測系統及其方法 | |
CN112231127A (zh) | 电子装置及用于分析设备可靠度的方法 |