TW202123033A - 人工智慧技術估測產品良率的系統與方法 - Google Patents
人工智慧技術估測產品良率的系統與方法 Download PDFInfo
- Publication number
- TW202123033A TW202123033A TW108144593A TW108144593A TW202123033A TW 202123033 A TW202123033 A TW 202123033A TW 108144593 A TW108144593 A TW 108144593A TW 108144593 A TW108144593 A TW 108144593A TW 202123033 A TW202123033 A TW 202123033A
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- module
- database
- unit
- artificial intelligence
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
一種人工智慧技術估測產品良率的系統,其中包括:一資訊設定模組,該資訊設定模組用於設定機台的複數資訊;一量測模組,該量測模組用於量測一產品進而獲得一產品資訊;一智慧分析資料庫,該智慧分析資料庫連接該資訊設定模組,並用於接收該複數資訊,根據該複數資訊進行分析進而獲得一決策資訊;以及一比對模組,該比對模組用於根據該決策資訊與該產品資訊進行比對從而獲得該產品的一分析資訊,並將該比對後的該分析資訊回傳於該該智慧分析資料庫。
Description
本發明係關於一種估測產品良率的系統與方法,特別是關於一種人工智慧技術估測產品良率的系統與方法。
針對傳統將機台收集到的參數使用統計方法,配合產品量測的方式,找出影響產品最大因子,並利用此因子進行產品估測;考慮產品最大因子時,亦為單機考慮,並沒有串聯整條產線,忽略了整條產線彼此間的關聯性,當環境變化較大時,亦沒有收整相關環境數據,因此並不能輕易找出重要因子進行產品估測。
隨著深度學習的發展演進,亦有人利用增強學習(Reinforcement Learning)的方式,企圖使機器模仿人類的一系列行為,其主要概念為根據目前的「環境」(environment)的「狀態」(state)執行「動作」(action),執行動作會得到報酬(reward),接著因報酬及動作,會去改變環境與狀態,試圖極大化自己的長期報酬,然而,增強學習技術僅限於使用於單機複製,並無考慮多感測器及異質機台情況。
先前考慮產品最大因子時,皆為單機考慮,並沒
有串聯整條產線,忽略了整條產線彼此間的關聯性,當環境變化較大時,亦沒有收整相關環境數據,因此並不能輕易找出重要因子進行產品估測,且先前方法考量之產品最大因子,並沒有隨著機台老化進行即時的模型參數更新,進而產生產品良劣的誤差。
鑒於上述習知技術之缺點並同時改善上述忽略了整條產線彼此間的關聯性,本發明提出使用人工智慧技術估測產品良率的系統,可透過監督式學習方法來解決上述的缺點。
為了達到上述目的,根據本發明所提出之一種人工智慧技術估測產品良率的系統,其中包括:一資訊設定模組,該資訊設定模組用於設定機台的複數資訊;一量測模組,該量測模組用於量測一產品進而獲得一產品資訊;一智慧分析資料庫,該智慧分析資料庫連接該資訊設定模組,並用於接收該複數資訊,根據該複數資訊進行分析進而獲得一決策資訊;以及一比對模組,該比對模組用於根據該決策資訊與該產品資訊進行比對從而獲得該產品的一分析資訊,並將該比對後的該分析資訊回傳於該智慧分析資料庫。
本發明的該人工智慧技術估測產品良率的系統,其中該該智慧分析資料庫又包括:一資料庫模組,該資料庫模組是用於接收該複數資訊,並將該複數資訊進行儲存;
一監督式學習模組,該監督式學習模組連接該資料庫模組,並接收該資料庫模組儲存的該複數資訊,並根據該複數資訊用於模型訓練進而獲得複數估測數值;以及一決策單元模組,該決策單元模組連接該監督式學習模組,並接收該監督式學習模組獲得該複數估測數值,並根據該複數估測數值進行交叉分析重而獲得該決策資訊。
本發明的該人工智慧技術估測產品良率的系統,其中該複數資訊又包括:一進料參數、一產線機台資訊與一環境資訊。
本發明的該人工智慧技術估測產品良率的系統,其中該資料庫模組又包括分:一關聯性資料庫及一非關聯性資料庫,該關聯性資料庫適合明確的資料定義,該非關聯資料庫則較適合無固定格式之資料。
本發明的該人工智慧技術估測產品良率的系統,其中該監督式學習模組又包括:一選擇產線模型單元、一訓練模型單元與一重新訓練時間設定單元。
本發明的該人工智慧技術估測產品良率的系統,其中該選擇產線模型單元又包括:一資料前處理單元、一損失函數單元、一學習率單元、一處理器單元、一模型選擇單元與一信心指數計算單元。
本發明的該人工智慧技術估測產品良率的系統,其中該處理器單元是由複數處理器來進行同時的訓練及
測試。
本發明提出一種人工智慧技術估測產品良率方法,其包含:利用一資訊設定模組用於設定機台的複數資訊;將該複數資訊傳遞至一資料庫模組,並將該複數資訊進行儲存,而該複數資訊透過一監督式學習模組用於模型訓練進而獲得複數估測數值,該複數估測數值並利用一決策單元模組根據該複數估測數值進行交叉分析重而獲得一決策資訊;以及利用一量測模組用於量測一產品進而獲得一產品資訊,並透過一比對模組根據該決策資訊與該產品資訊進行比對從而獲得該產品的一分析資訊。
本發明的該人工智慧技術估測產品良率方法,其中該資料庫模組又包括分:一關聯性資料庫及一非關聯性資料庫,該關聯性資料庫適合明確的資料定義,該非關聯資料庫則較適合無固定格式之資料。
本發明的該人工智慧技術估測產品良率方法,其中該監督式學習模組又包括:一選擇產線模型單元、一訓練模型單元與一重新訓練時間設定單元。
傳統技術中由於忽略了整條製程產線彼此間的關聯性與環境的變化,使得傳統的方法無法有效地找出影響產品品質之重要因子進行產品估測,因此,本發明使用監督式學習方法於產品估測,不同於傳統方法使用增強學習來選取重要因子,監督式方法利用整條製程產線串聯所收集到的
機台參數,對模型進行訓練;並且本發明透過監控機台製程時的電流、電壓等機台實際製程參數與設定參數與環境中溫度、溼度等環境變化參數,在模型訓練前,將收集到的各種與產品或生產相關的有用訊息進行正規化,避免有用訊息因數值過小被其他特徵所遮蓋住,為了解決機台隨時間的增長製程參數的變異,本發明將訓練好的模型視為預訓練模型,而後當資料筆數達到設定值時,透過需要重新訓練時間的設定及訓練模型功能中的處理器單元,採取雙軌並行制,一個處理器進行訓練,一個處理器則是進行測試,當模型經過訓練處理器訓練完成後,將通知測試處理器更換模型,達到即時的更換模型並避免產線因機台老化原因而產生預測誤差問題。
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本創作達到預定目的所採取的方式、手段及功效。而有關本創作的其他目的及優點,將在後續的說明及圖式中加以闡述。
1‧‧‧資訊設定模組
2‧‧‧量測模組
3‧‧‧智慧分析資料庫
4‧‧‧比對模組
31‧‧‧資料庫模組
32‧‧‧監督式學習模組
33‧‧‧決策單元模組
321‧‧‧選擇產線模型單元
322‧‧‧訓練模型單元
323‧‧‧重新訓練時間設定單元
第一圖係為本發明人工智慧技術估測產品良率的系統之示意圖;
第二圖係為本發明智慧分析資料庫之示意圖。
以下係藉由特定的具體實例說明本創作之實施
方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地了解本創作之優點及功效。
請參閱第一圖所示,發明人工智慧技術估測產品良率的系統之示意圖,一種人工智慧技術估測產品良率的系統,其中人工智慧技術估測產品良率的系統包含資訊設定模組1、量測模組2、智慧分析資料庫3與比對模組4所組成;再進行產品製程前可先透過資訊設定模組1用於設定機台的複數資訊,例如:進行電阻焊接時將橋絲電阻焊接之載體,經研磨、清洗與烘乾等過程後,再進行橋絲電阻焊接,再送至下個製程,而在進行橋絲電阻焊接的產品製程前可透過資訊設定模組1用於設定機台的複數資訊,其中該複數資訊包含進料參數、產線機台資訊與環境資訊,其中該進料參數包含:焊接之橋絲樣號與粗細、須橋絲電阻焊接之載體材質資訊等參數,該電阻焊接產線機台資訊包含:電阻值、電流、電壓、功率、焊接位置、馬達轉速、線拉力、焊頭壓力等參數,以及環境資訊包含:溫度、濕度等參數;而當該當產品製程後可透過量測模組2對該製程後的產品進行量測,進而獲得一產品資訊,其中該產品資訊包含拉力、震動測試、電性測試值等資訊
接著,該人工智慧技術估測產品良率的系統的智慧分析資料庫3是連接該資訊設定模組1,並用於接收該複數資訊,根據該複數資訊進行分析進而獲得決策資訊;以及人
工智慧技術估測產品良率的系統的比對模組4用於根據該決策資訊與該產品資訊進行比對從而獲得該產品的分析資訊,最後並將該比對後的分析資訊回傳於該智慧分析資料庫3,以此根據該分析資訊來達到即時的更換模型並避免產線因機台老化原因而產生預測誤差問題。
再一較佳實施例中,該智慧分析資料庫3包含資料庫模組31、監督式學習模組32與決策單元模組33所組成,其中該資料庫模組31是用於接收該複數資訊,並將該複數資訊進行儲存;該監督式學習模組32連接該資料庫模組31,並接收該資料庫模組31儲存的該複數資訊,並根據該複數資訊用於模型訓練進而獲得複數估測數值;以及決策單元模組33連接該監督式學習模組32,並接收該監督式學習模組32獲得該複數估測數值,並根據該複數估測數值進行交叉分析重而獲得該決策資訊。
其中,該資料庫模組31用以紀錄整條產線即時變化以及用於接收該複數資訊並儲存起來,該資料庫模組31可分為關聯性資料庫及非關聯性資料庫,該關聯性資料庫適合明確的資料定義,而該非關聯資料庫則較適合無固定格式之資料,通常以物件表示法(JavaScript Object Notation,JSON)文件存放,因此兩種資料庫的使用可依使用情境需求選擇相對應資料庫使用。
再接著,請參閱第二圖所示,而第二圖是根據第
一圖的人工智慧技術估測產品良率的系統之示意圖再進一步說明智慧分析資料庫3示意圖。當複數資訊存放完畢後,將資料庫模組31存放的複數資訊送至監督式學習模組32中進行分析,其中,該監督式學習模組32包含一選擇產線模型單元321、一訓練模型單元322與一重新訓練時間設定單元323所組成;重新訓練時間設定單元323可以根據使用者想要設定之模型訓練時段(例如:1天、15天、30天等)、使用者想要設定之筆數多寡(例如:100筆、1000筆、10000筆等)或依實際量測與模型預測正確率低於某個門檻值後(例如:正確率低於90%、95%、99%等),因此當複數資訊送至監督式學習模組32中進行分析前可先進行模型訓練時段的天數、訓練筆數多寡以及預測正確率低於某個門檻值後的比例。
接著,使用者可透過該訓練模型單元322進行分析,而該訓練模型單元322包含資料前處理單元、損失函數單元、學習率單元、處理器單元、模型選擇單元與信心指數計算單元所組成,該資料前處理單元將資料庫模組31的複數資訊進行正規化,該正規化的方式可利用如min-max標準化或z-score標準化等方式,當min-max標準化是對原始數據做線性變換,藉此將數據落入[0,1]區間,例如:當焊頭壓力機器可設定範圍為0g至650g,而回饋電流值為0~1A,兩者相差比例太大,於機器學習中給予兩者的權重雖有差距,亦無法平衡此差距,故須先行進行正規化將焊頭壓力從0g至650g
等比例壓縮至[0,1]區間,而後才將所有數值丟入機器學習進行學習,其中min為樣本數據的最小值,max為樣本數據的最大值;另外,該z-score標準化是將數據經過處理符合標準常態分佈,即均值為0,標準差為1的數據。此兩種方法有效避免有用訊息因數值過小被其他特徵所遮蓋住。
接著,複數資訊進行正規化後,利用損失函數單元選擇損失函數來評估模型,如均方誤差(Mean square error,MSE)或交叉熵(Cross-entropy)等方式,藉由不同的損失函數找尋更好的預測準確率;而學習率單元可選擇學習率,藉由設定學習率,來迅速的訓練模型,學習率較大,訓練速度較快,但易陷入反覆震盪,學習率較小則網路易陷入局部最優且訓練速度較慢,常使用之學習率如Adam、AdaGrad或Momentum等方式。
再接著,處理器單元可依使用者自行選用GPU、CPU或TPU等硬體設備,其中處理器單元由至少兩顆處理器來進行同時的訓練及測試,採取雙軌並行制,一個處理器進行訓練,一個處理器則是進行測試,當模型經過訓練處理器訓練完成後,會產生模型檔如.tfrecords或.pkl等,並透過全球資訊網應用程序編程接口(World Wide Web Application Programming Interface,WebAPI)重啟測試處理器程式並告知模型檔位置,並透過中央處理器(Central Processing Unit,CPU)可於1秒內更換模型完畢又或者利用使用圖形處理器
(Graphics Processing Unit,GPU)硬體設備則可於10秒內更換模型完畢,以此達到即時的更換模型並避免產線因機台老化原因而產生預測誤差問題,另外,處理器單元亦有監控程式管理,當監控程式發現處理器單元可使用之處理器僅剩一顆處理器,會優先將此處理器設定為測試處理器,並可由使用者進行相關調整,例如僅剩一顆處理器時優先設定為訓練或測試處理器、多處理器分配等功能。
接著,模型選擇單元可選擇想要應用之監督式學習模型進行評估,如CNN、RNN、XGBoost…等模型皆可選擇;信心指數計算單元可利用使用者選擇之多模型進行信心指數評估,提供給使用者參考;選擇產線模型功能為因應現有產線生產之產品,使用者可選擇最新的或者過往預測中正確率最高的模型進行應用,並含有刪除、存檔與備份等小功能;因此該監督式學習模組32接收該資料庫模組31儲存的該複數資訊後,該複數資訊透過監督式學習模的資料前處理單元、損失函數單元、學習率單元、處理器單元、模型選擇單元與信心指數計算單元等單元進行模型訓練進而獲得複數估測數值,該複數估測數值包含信心指數單元數值、模型估測數值;該決策單元模組33接收該監督式學習模組32獲得該複數估測數值,並根據該複數估測數值進行交叉分析重而獲得該決策資訊;最後,比對模組4用於根據該決策資訊與該產品資訊進行比對從而獲得該產品的一分析資訊,並將該比
對後的該分析資訊回傳於該智慧分析資料庫3,以此根據該分析資訊來達到即時的更換模型並避免產線因機台老化原因而產生預測誤差問題。
需陳明者,以上所述僅為本案之較佳實施例,並非用以限制本創作,若依本創作之構想所作之改變,在不脫離本創作精神範圍內,例如:對於構型或佈置型態加以變換,對於各種變化,修飾與應用,所產生等效作用,均應包含於本案之權利範圍內,合予陳明。
1‧‧‧資訊設定模組
2‧‧‧量測模組
3‧‧‧智慧分析資料庫
4‧‧‧比對模組
31‧‧‧資料庫模組
32‧‧‧監督式學習模組
33‧‧‧決策單元模組
Claims (10)
- 一種人工智慧技術估測產品良率的系統,其中包括:一資訊設定模組,該資訊設定模組用於設定機台的複數資訊;一量測模組,該量測模組用於量測一產品進而獲得一產品資訊;一智慧分析資料庫,該智慧分析資料庫連接該資訊設定模組,並用於接收該複數資訊,根據該複數資訊進行分析進而獲得一決策資訊;以及一比對模組,該比對模組用於根據該決策資訊與該產品資訊進行比對從而獲得該產品的一分析資訊,並將比對後的該分析資訊回傳於該智慧分析資料庫。
- 如申請專利範圍第1項人工智慧技術估測產品良率的系統,其中該智慧分析資料庫又包括:一資料庫模組,該資料庫模組是用於接收該複數資訊,並將該複數資訊進行儲存;一監督式學習模組,該監督式學習模組連接該資料庫模組,並接收該資料庫模組儲存的該複數資訊,並根據該複數資訊用於模型訓練進而獲得複數估測數值;以及一決策單元模組,該決策單元模組連接該監督式學習模組,並接收該監督式學習模組獲得該複數估測數值,並根據該複數估測數值進行交叉分析重而獲得該決策資訊。
- 如申請專利範圍第1項人工智慧技術估測產品良率的系統,其中該複數資訊又包括:一進料參數、一產線機台資訊與一環境資訊。
- 如申請專利範圍第2項人工智慧技術估測產品良率的系統,其中該資料庫模組又包括分:一關聯性資料庫及一非關聯性資料庫,該關聯性資料庫適合明確的資料定義,該非關聯資料庫則較適合無固定格式之資料。
- 如申請專利範圍第2項人工智慧技術估測產品良率的系統,其中該監督式學習模組又包括:一選擇產線模型單元、一訓練模型單元與一重新訓練時間設定單元。
- 如申請專利範圍第5項人工智慧技術估測產品良率的系統,其中該選擇產線模型單元又包括:一資料前處理單元、一損失函數單元、一學習率單元、一處理器單元、一模型選擇單元與一信心指數計算單元。
- 如申請專利範圍第6項人工智慧技術估測產品良率的系統,其中該處理器單元是由複數處理器來進行同時的訓練及測試。
- 一種人工智慧技術估測產品良率方法,其包含:利用一資訊設定模組用於設定機台的複數資訊;將該複數資訊傳遞至一資料庫模組,並將該複數資訊進行儲存,而該複數資訊透過一監督式學習模組用於模型訓練進而獲得複數估測數值,該複數估測數值並利用一決策單 元模組根據該複數估測數值進行交叉分析重而獲得一決策資訊;以及利用一量測模組用於量測一產品進而獲得一產品資訊,並透過一比對模組根據該決策資訊與該產品資訊進行比對從而獲得該產品的一分析資訊。
- 如申請專利範圍第8項一種人工智慧技術估測產品良率方法,其中該資料庫模組又包括分:一關聯性資料庫及一非關聯性資料庫,該關聯性資料庫適合明確的資料定義,該非關聯資料庫則較適合無固定格式之資料。
- 如申請專利範圍第8項一種人工智慧技術估測產品良率方法,其中該監督式學習模組又包括:一選擇產線模型單元、一訓練模型單元與一重新訓練時間設定單元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108144593A TWI710920B (zh) | 2019-12-03 | 2019-12-03 | 人工智慧技術估測產品良率的系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108144593A TWI710920B (zh) | 2019-12-03 | 2019-12-03 | 人工智慧技術估測產品良率的系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI710920B TWI710920B (zh) | 2020-11-21 |
TW202123033A true TW202123033A (zh) | 2021-06-16 |
Family
ID=74202442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108144593A TWI710920B (zh) | 2019-12-03 | 2019-12-03 | 人工智慧技術估測產品良率的系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI710920B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810602B (zh) * | 2021-07-07 | 2023-08-01 | 友達光電股份有限公司 | 基於機械學習的關鍵因子自動尋找方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI499880B (zh) * | 2013-12-04 | 2015-09-11 | Metal Ind Res & Dev Ct | 製造執行系統及其調校製程參數的方法 |
TWI642126B (zh) * | 2017-06-30 | 2018-11-21 | 中華大學 | 半導體晶圓檢測系統及其方法 |
TWI663569B (zh) * | 2017-11-20 | 2019-06-21 | 財團法人資訊工業策進會 | 多工作站系統的品質預測方法及其系統 |
-
2019
- 2019-12-03 TW TW108144593A patent/TWI710920B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810602B (zh) * | 2021-07-07 | 2023-08-01 | 友達光電股份有限公司 | 基於機械學習的關鍵因子自動尋找方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI710920B (zh) | 2020-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
TWI682257B (zh) | 控制系統的設備及方法 | |
US10562217B2 (en) | Abrasion amount estimation device and abrasion amount estimation method for check valve of injection molding machine | |
CN107967485B (zh) | 用电计量设备故障分析方法及装置 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
US11403535B2 (en) | Model-based machine learning system | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN106909756A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN110737732A (zh) | 一种机电设备故障预警方法 | |
CN111179591B (zh) | 一种路网交通时序特征数据质量诊断与修复方法 | |
CN109787979A (zh) | 一种电力网络事件和入侵的检测方法 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
Zhang et al. | Prediction on the highest price of the stock based on PSO-LSTM neural network | |
TWI710920B (zh) | 人工智慧技術估測產品良率的系統與方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN116522241A (zh) | 基于生存分析的智能电能表可靠性评估方法 | |
CN116433218A (zh) | 基于自组织映射聚类的矿井机械设备在线健康评估方法 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
Tsai | An adaptive diagnosis system for copper wire bonding process control and quality assessment in integrated circuit assembly | |
Zheng et al. | Research on predicting remaining useful life of equipment based on health index | |
KR102469229B1 (ko) | 인공지능 기반의 피쉬본 다이어그램 관리 시스템 및 그 방법 | |
CN117976081B (zh) | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |