TW202226080A

TW202226080A - 工件品質分析方法及工件品質分析系統

Info

Publication number: TW202226080A
Application number: TW109144826A
Authority: TW
Inventors: 張晉維; 陳薇如; 莊雋雍
Original assignee: 台達電子工業股份有限公司
Priority date: 2020-12-18
Filing date: 2020-12-18
Publication date: 2022-07-01

Abstract

一種工件品質分析方法，包括：從複數個預設演算法中選擇一初始演算法及對應之一演算法參數組合；依據該初始演算法及該演算法參數組合將一工件資料進行分群，以得到該初始演算法之一初始模型及一對應的分群結果；根據該分群結果以得到對應的一初始模型評估指標值；選擇該初始演算法對應之至少一另一演算法參數組合；依據該初始演算法對應之該至少一另一演算法參數組合將該工件資料進行分群，以得到至少一另一模型及至少一另一分群結果。。

Description

工件品質分析方法及工件品質分析系統

本發明是關於一種分析方法分析系統，特別是關於一種工件品質分析方法及工件品質分析系統。

現行常見的品質管制方法，例如為統計製程控制圖法 (SPC, Statistical Process Control)、製程能力指標 (Process Capability Index, CP/CPK)等等，其中，統計製程控制圖法是許多國際性企業廣泛採用的品質管制方法，透過設置管制規則，對生產過程的量測數值、統計量進行實時監控，當違反管制規則時提出預警，然而，統計製程控制圖法高度依賴專家知識與經驗來定義合適的管制規則，過於寬鬆的管制規則會放任潛在不良品流出，而過於嚴格的管制規格則會造成不必要的生產浪費；另外，製程能力指標描述工序在一定時間裡，處於控制狀態下的實際製程能力，製程能力指標的合理性亦受限於管制規格定義的可靠度，其限制為：當規格定義不合適、偏差時，此指標無法確實地反應製程能力與問題。

此些方法高度依賴人工定義管制規則、規格，合適的管制方法需藉由權衡品質和生產成本反覆迭代修正，因此即便有系統化的管制工具、報表，往往仍依賴人工進行重複判斷；除此之外，高維度的異常現象難使用傳統管制圖、製程能力指標進行描述，以致潛在不良品無法及時偵測，造成更多的處理成本及客戶退貨等負面影響。

因此，如何有效地偵測到傳統品質管制方法難以描述之高維度異常、變異，已成為本領域需解決的問題之一。

為了解決上述的問題，本揭露內容之一態樣提供了一種一種工件品質分析方法，包括：從複數個預設演算法中選擇一初始演算法及對應之一演算法參數組合；依據該初始演算法及該演算法參數組合將一工件資料進行分群，以得到該初始演算法之一初始模型及一對應的分群結果；根據該分群結果以得到對應的一初始模型評估指標值；選擇該初始演算法對應之至少一另一演算法參數組合；依據該初始演算法對應之該至少一另一演算法參數組合將該工件資料進行分群，以得到至少一另一模型及至少一另一分群結果；根據該至少一另一分群結果以得到對應的至少一另一模型評估指標值；根據該初始模型評估指標值與該至少一另一模型評估指標值，選出對應該初始演算法之一最佳模型；以及根據該最佳模型判斷該工件資料中是否具有一異常資料。

本發明之又一態樣係於提供一種工件品質分析系統，包括一儲存裝置以及一處理器。儲存裝置用以儲存一工件資料。處理器用以讀取工件資料，並執行以下操作：從複數個預設演算法中選擇一初始演算法及對應之一演算法參數組合；依據該初始演算法及該演算法參數組合將一工件資料進行分群，以得到該初始演算法之一初始模型及一對應的分群結果；根據該分群結果以得到對應的一初始模型評估指標值；選擇該初始演算法對應之至少一另一演算法參數組合；依據該初始演算法對應之該至少一另一演算法參數組合將該工件資料進行分群，以得到至少一另一模型及至少一另一分群結果；根據該至少一另一分群結果以得到對應的至少一另一模型評估指標值；根據該初始模型評估指標值與該至少一另一模型評估指標值，選出對應該初始演算法之一最佳模型；以及根據該最佳模型判斷該工件資料中是否具有一異常資料。

本發明所示之工件品質分析方法及工件品質分析系統，藉由設計模型評估指標值，可從內建多種演算法中自動選出最適演算法及對應的參數組合，以產生最佳模型，應用模型，可以達到偵測不服從多變量單峰分佈之傳統品質工具難以描述之生產變異的效果。

以下說明係為完成發明的較佳實現方式，其目的在於描述本發明的基本精神，但並不用以限定本發明。實際的發明內容必須參考之後的權利要求範圍。

必須了解的是，使用於本說明書中的”包含”、”包括”等詞，係用以表示存在特定的技術特徵、數值、方法步驟、作業處理、元件以及/或組件，但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、元件、組件，或以上的任意組合。

於權利要求中使用如”第一”、"第二"、"第三"等詞係用來修飾權利要求中的元件，並非用來表示之間具有優先權順序，先行關係，或者是一個元件先於另一個元件，或者是執行方法步驟時的時間先後順序，僅用來區別具有相同名字的元件。

請一併參照第1~2圖，第1圖係依照本發明一實施例繪示工件品質分析系統100之方塊圖。第2圖係依照本發明一實施例繪示工件品質分析方法200之流程圖。

請參閱第1圖，於第1圖中，工件品質分析系統100包含一儲存裝置10及一處理器20。於一實施例中，儲存裝置10可被實作為唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之儲存媒體。於一實施例中，處理器20用以進行運算，處理器PC亦可為微控制單元(microcontroller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)或邏輯電路實現之，但並不限於此。

於一實施例中，工件品質分析系統100可以以有線或無線方式與各種感測器或量測器連接。例如，工件品質分析系統100與電壓量測器連接，以取得工件的電壓資料。例如，工件品質分析系統100與重力感測器(g-sensor)連接，以取得工件的加速度資料。例如，工件品質分析系統100與陀螺儀(gyro meter)連接，以取得工件的方位角(heading)資料。

於一實施例中，工件例如為馬達、風扇、面板、手機及/或半導體等裝置。

於一實施例中，儲存裝置10用以儲存工件資料。

於一實施例中，工件資料包含複數個工件各自對應的複數個量測項目資料。請參照第3圖，第3圖係依照本發明一實施例繪示工件資料之示意圖。於第3圖中，橫軸為樣本編號，為方便說明，於此例中，有10個樣本(例如為面板)，於一些實施例中，樣本的數量不限於此(例如可以是1000個樣本)，另外，縱軸為測試數值，單位例如為公分，此工件資料的測項名稱為X1。舉例而言，第3圖可以表示藉由一測試儀器測試10個面板的厚度(在第3圖中的測項名稱X1是指面板厚度)。

於一些實施例中，可事先預設最高厚度門檻值與最低厚度門檻值做為參考用的規格。

於一實施例中，工件資料是指產品的量測項目資料；藉由各種測試儀器或測試方法針對產品的功能性、電性進行測試，所得到的量測項目資料，相同產品之量測項目必須相同，且量測項目之目標數值亦必須一致，此些量測項目資料為符合可數位化格式且可轉換為結構化之量化資料。

於一實施例中，工件資料例如為馬達轉速、風扇轉速、面板長度、面板寬度、面板厚度、手機長度、手機寬度、手機厚度或半導體相關測試資料等等。於一實施例中，馬達控制器產品的量測項目資料中包含電壓值測項(例如以測項名稱X1表示之)、電阻值測項(例如以測項名稱X2表示之)、電晶體電性表現測項(例如以測項名稱X3表示之)…等等。然，本領域具通常知識者應可理解，工件資料不限於此，於一些實施例中，只要是能夠量測或收集且能反應產品品質之測試資料，都可以視為本方法所定義之工件資料範疇。

於一實施例中，工件品質分析方法是在演算法候選群中各自透過迭代搜尋最佳的演算法參數組合，最後由每個演算法的最佳組合進行比較，選擇出最佳的模型。為方便解釋，以下先選定初始演算法與演算法參數組合進行說明，本領域具通常知識者應可理解初始演算法與演算法參數組合包含於演算法候選群中。

以下透過第2圖，敘述工件品質分析方法200的流程。於一實施例中，工件品質分析方法200是應用非監督式學習，即處理器20得到的工件資料中沒有任何標記資料(Ground truth)，只有工件資料本身，處理器20無法從工件資料中直接得知是否存在異常的資料。工件品質分析方法200的目標是在沒有任何標記資料(Ground truth)的情況下，自動分析出工件資料中是否存在異常的資料。

於步驟210中，處理器20從複數個預設演算法中選擇一初始演算法及對應之一演算法參數組合。

於一實施例中，多個預設演算法包含一k-means演算法、一最大期望(EM clustering)演算法及一階層式分群(hierarchical clustering)演算法。此些演算法為已知，此處不贅述之。然，本領域具通常知識者應可理解，預設演算法不限於此，於一些實施例中，只要是能夠將資料進行分群的演算法，都可以應用之。

於一實施例中，初始演算法之初始演算法參數組合包含一或多個參數。

例如，處理器20取得工件資料後，從多個預設演算法中選出k-means演算法及其對應的演算法參數組合。由於k-means演算法的初始參數k為一個值(例如，初始參數k=1代表將工件資料分成1群，又例如，初始參數k=2代表將工件資料分成2群，依此類推)，因此，處理器20選擇將初始參數k代入步驟220。

在一些例子中，預設演算法所對應的初始參數可能是一個組合，例如需要輸入多個數值(例如數值x、數值y)，此些數值視為一個組合(例如表示為(x,y))，當處理器20選到此類的預設演算法時，則將演算法參數組合(x,y)代入步驟220。

因此，處理器20要代入步驟220的演算法參數組合(或可能是一個參數值)會依據其選擇的預設演算法所對應的參數型態調整。

於步驟220中，處理器20依據初始演算法及演算法參數組合將一工件資料進行分群，以得到初始演算法之一初始模型及一對應的分群結果。於一實施例中，在k-means演算法(例如初始演算法)中，是使用參數組合或根據參數組合進行分類，例如，初始參數k設為1，代表將工件資料分成1群，初始參數k設為2，代表將工件資料分成2群。於此例中，處理器20依據k-means演算法及演算法參數組合(初始參數k設為1)將一工件資料進行分群，以得到k-means演算法之一初始模型。於一實施例中，對應的分群結果是指輸入的資料透過分群演算法產生的結果，例如工件資料有100筆，透過分群演算法產生的結果是分為50筆與50筆兩群。於一實施例中，初始模型可以是初始演算法的其中之一種演算法架構。藉此，可以由分群結果得到對應的初始模型評估指標值來判斷此初始模型的精準度。

例如，處理器20將1000筆工件資料(例如：測項X1、測項X2、測項X3…)且初始參數k(預設為1)代入k-means演算法(即初始演算法)後，得到k-means演算法之一初始模型。於一實施例中，工件資料可以是多變量資料，多變量表示多個測項的資料，並非多筆資料。

於步驟230中，處理器20根據分群結果以得到對應的一初始模型評估指標值。

於一實施例中，初始模型評估標準可以是貝葉斯資訊準則（Bayesian Information Criterion，BIC），BIC是在取得不完整資訊的情況下，對部分未知的狀態用主觀概率估計，然後用貝葉斯公式對發生概率進行修正，最後再利用期望值和修正概率做出最優決策，藉此可評估模型的精準度。BIC在機器學習領域為常用的最優模型選擇準則(可以視為已知函數)。

於一實施例中，處理器20計算初始模型對應的初始BIC分數(即初始模型評估指標值)。

於步驟240中，處理器20選擇初始演算法對應之至少一另一演算法參數組合。

例如，處理器20選擇k-means演算法的初始參數k，此時的k設為2，代表將工件資料分成2群。

於步驟250中，處理器20依據至少一另一演算法參數組合將工件資料進行分群，以得到至少一另一模型及至少一另一分群結果。

例如，處理器20將1000筆工件資料且初始參數k(此次設為2)代入k-means演算法後，得到k-means演算法之一另一模型。

於步驟260中，處理器20根據至少一另一分群結果以得到對應的至少一另一模型評估指標值。

於一實施例中，處理器20計算另一模型對應的另一BIC分數(即另一模型評估指標值)。

於步驟270中，處理器20根據初始模型評估指標值與該至少一另一模型評估指標值，選出對應初始演算法之一最佳模型。

於一實施例中，步驟270中所述的選擇最適者，代表選擇模型評估指標值最大值者。更具體而言，處理器20從初始BIC分數與另一BIC分數中選出分數最大值者，假設另一BIC分數是兩者中的最大值，則得到k-means演算法的最佳演算法參數組合為2的結果，即參數k=2時(將工件資料分成2群時)，k-means演算法具有最佳模型。

於步驟270中，處理器20選擇此些預設演算法中的至少一其他演算法，應用至少一其他演算法以計算至少一最佳其他演算法參數組合。

於步驟280中，處理器20根據最佳模型判斷工件資料中是否具有一異常資料。

例如，處理器20選擇最大期望演算法以計算至少一最佳其他演算法參數組合。

於一實施例中，當k-means演算法為初始演算法時，處理器20更用以選擇一其他至少一演算法(例如最大期望演算法) 及對應演算法參數組合；依據其他至少一演算法(例如最大期望演算法)之演算法參數組合將工件資料進行分群，以得到一其他至少一演算法(例如最大期望演算法)之初始模型及一對應的分群結果(例如將工件分成3群)，計算對應的分群結果以得到對應的初始模型評估指標值(例如0.5)；選擇其他至少一演算法之至少一另一參數組合；依據其他至少一演算法之至少一另一參數組合將工件資料進行分群，以得到一其他至少一演算法之至少一其他至少一另一模型及至少一另一分群結果(例如將工件分成4群)，計算至少一另一分群結果以得到對應的至少一另一模型評估指標值(例如0.7)；由初始模型評估指標值(例如0.5)與至少一另一模型評估指標值(例如0.7)中選擇最適者(指的是模型評估指標值例如BIC越大越好，模型評估指標值越大越符合最適者)，選出其他至少一演算法(例如最大期望演算法)之一最佳模型，選擇其他至少一演算法(例如最大期望演算法)之最佳模型及至少一候選模型(例如k-means演算法、階層式分群演算法各自對應的模型)中最適者(例如最大期望演算法的模型評估指標值較小則為最適者)，並依據最適者，以判斷該工件資料中是否具有異常資料。

例如，處理器20最後選擇最大期望演算法的最佳演算法參數組合為3，即，將工件資料分成3群時，最大期望演算法具有最佳模型。於一實施例中，處理器20選擇最佳演算法參數組合的方法類似於步驟210~260，差別在於採用不同的演算法，及依據不同演算法所選用的演算法參數組合及下一演算法參數組合可能有所調整。

於一實施例中，處理器20選擇此些預設演算法中的至少一其他演算法，配合至少一其他演算法參數組合，以產生至少一候選模型，並選擇最佳模型及至少一候選模型中最適者，並依據最適者，以判斷工件資料中是否具有一異常資料。候選模型是指初始演算法之外，採用多種演算法運算後，依據BIC選出比較好的模型。於一實施例中，預設演算法例如採用k-means演算法、最大期望演算法及階層式分群演算法，例如，當處理器20選擇預設演算法中的最大期望演算法，配合最大期望演算法，以產生至少一候選模型，並選擇最佳模型(於步驟270所產生的，例如參數k=2時，k-means演算法具有最佳模型)及至少一候選模型(例如階層式分群演算法、最大期望演算法各自所對應的模型)中最適者，並依據最適者，以判斷工件資料中是否具有一異常資料。

於一實施例中，處理器20選擇k-means演算法(初始演算法)之最佳演算法參數組合為2，以及最大期望演算法之最佳其他演算法參數組合為3中所各自對應的BIC分數最大者。例如，k-means演算法(初始演算法)之最佳演算法參數組合為2時所對應的BIC分數最大，則處理器20依此條件，將k-means演算法之演算法參數組合為2時所產生的模型視為最適者。

於一實施例中，處理器20依據模型中的最適者，以判斷工件資料中是否具有異常資料。

於一實施例中，多筆工件資料正常會落在一定的範圍內。例如，顯示器的厚度可能落在2.5~2.6公分的範圍內，因此整批工件資料在正常狀況下，應該會符合多變量的單峰分布(multi-variate unimodal distributions)，即資料分佈中只有一個明顯的峰值。換言之，正常狀況下，整批工件資料應該是被模型判定分在同一群聚。因此，當模型判定整批工件資料有多個群聚時，則處理器20判斷工件資料中具有異常資料。換言之，工件資料都會進行分群，判斷異常的決策條件是分成幾群，當分成一群表示沒有異常，分成多群表示異常。

由上述可知，工件品質分析方法200是應用非監督式學習，即處理器20得到的工件資料中沒有任何標記資料，經由上述步驟210~280以自動分析出工件資料中是否存在異常的資料，且工件品質分析方法200可以應用於分析不同測項的工件資料。因此，工件品質分析方法200可支持多變量分析，能描述多個項目間的交互關係，分析出傳統品質管制方法無法偵測之高維度異常、變異。此外，由於工件品質分析方法200無需預先定義異常界線或規格，因此也不受人為定義的不適當管制規則、規格之干擾，並且能自動找到最適合的最佳演算法參數組合及其對應的演算法，以產生模型。

第4A~4C圖係依照本發明一實施例繪示工件品質分析方法400之流程圖。於一實施例中，當處理器20接收到工件資料DT後，透過已知的正規化或資料轉置等方法，將工件資料DT進行前處理(步驟350)，再應用完成前處理的工件資料DT進行工件品質分析方法400。其中，步驟411~419用以選擇模型。

於步驟411中，處理器20從複數個預設演算法中選擇一演算法及對應之一演算法參數組合。

於一實施例中，處理器20選擇k-means演算法並選擇參數k=1為演算法參數組合。

於步驟412中，處理器20依據被選擇的演算法及其對應之演算法參數組合將一工件資料DT進行分群，以得到被選擇的演算法之一模型。

於一實施例中，處理器20依據k-means演算法及參數k=1將工件資料DT進行分群，以得到k-means演算法之一模型。

於步驟413中，處理器20計算模型對應的一模型評估指標值。

於一實施例中，處理器20計算模型對應的BIC分數(即模型評估指標值)。

於步驟414中，處理器20判斷目前迭代狀況是否滿足一停止門檻值(包含但不限於，迭代次數限制上限)。若處理器20判斷未滿足停止門檻值，則進入步驟415，若處理器20判斷滿足停止門檻值，則進入步驟416。

於一實施例中，k-means演算法及其對應的迭代次數預設的上限為10，在每次迭代的參數k調整量為1，則處理器20判斷演算法參數組合是否滿足參數k=10的條件。

於一實施例中，預設k-means演算法的迭代會進行10次，即步驟412~414可以視為一個執行10次的迴圈，每次執行時所採用的參數不同。當步驟412~414執行1~9次時，處理器20判斷迭代次數未滿足停止門檻值(迭代次數上限)，則進入步驟415。當步驟412~414執行10次時，處理器20判斷滿足停止門檻值，進入步驟416。

於步驟415中，處理器20調整演算法參數組合。

於一實施例中，處理器20將參數k加1，變成參數k=2(當前參數)。接著返回步驟412，此時，處理器20依據被選擇的演算法及此當前參數將一工件資料進行分群，以得到被選擇的演算法之另一模型。當步驟412~414的形成的迴圈執行到第10次時，處理器20在步驟414中，判斷參數k=10，滿足停止門檻值，進入步驟416。

換言之，處理器20在步驟415中產生下一個要代入步驟412的當前參數。

於步驟416中，處理器20選擇所有演算法參數組合中，具有最大值的BIC分數的演算法參數組合。

於一實施例中，處理器20選擇參數k=1~10中，具有最大值的BIC分數的參數。例如，參數k=3時，具有最大值的BIC分數，則處理器20選擇參數k=3，並將k-means演算法在參數k=3時，所對應的BIC分數等資訊儲存到儲存裝置10。

於步驟417中，處理器20判斷是否所有預設演算法都計算完成。若處理器20判斷所有預設演算法都計算完成，則進入步驟418。若處理器20判斷並非所有預設演算法都計算完成，則進入步驟411。

於一實施例中，假設一共有三個預設演算法需要進行比較，此三個演算法的執行順序為k-means演算法、最大期望演算法及階層式分群演算法。此時，當返回步驟411後(第二次執行步驟411)，處理器20會選擇最大期望演算法進行上述步驟412~416，當再次進入步驟416時，處理器20選擇最大期望演算法的演算法參數組合中，具有最大值的BIC分數的演算法參數組合(例如當參數k=4時，具有最大值的BIC分數)，並記錄最大期望演算法相關的資訊於儲存裝置20。接著，再次進入步驟417。此次，於步驟417中，處理器20判斷並非所有預設演算法都計算完成，因此又再次返回步驟411(第三次執行步驟411)，處理器20會選擇階層式分群演算法進行上述步驟412~416，當再次進入步驟416時，處理器20選擇階層式分群演算法的演算法參數組合中，具有最大值的BIC分數的演算法參數組合(例如當參數k=5時，具有最大值的BIC分數)，並記錄階層式分群演算法相關的資訊於儲存裝置20。

當處理器20於步驟417中，判斷所有預設演算法都計算完成時，代表儲存裝置20中存有k-means演算法在參數k=3時所對應的BIC分數、最大期望演算法在參數k=4時所對應的BIC分數及階層式分群演算法在參數k=5時所對應的BIC分數。

於步驟418中，處理器20比較所有預設演算法各自對應的最大值的BIC分數。

於步驟419中，處理器20選擇具有最大值的BIC分數所對應的預設演算法。

於一實施例中，假設k-means演算法在參數k=3時所對應的BIC分數為8100，最大期望演算法在參數k=4時所對應的BIC分數為9500，階層式分群演算法在參數k=5時所對應的BIC分數為9000，則處理器選擇具有最大值的初始BIC分數9500所對應模型，亦即由最大期望演算法且參數k=4建立之模型。

於一實施例中，假設k-means演算法在參數k=3、最大期望演算法在參數k=4及階層式分群演算法在參數k=5時所對應的BIC分數都相同，則依據預設的演算法選用順序，例如優先選用k-means演算法。

於一實施例中，處理器20將最大期望演算法在參數k=4的調製視為一最佳模型MD。在單一演算法的情況下，這裡使用最佳模型判斷是否有異常資料。兩個以上演算法的情況下，這裡是指「最適者」。

於步驟420中，處理器20依據最佳模型MD中的最佳演算法參數組合(如參數k=4)，以判斷工件資料中是否具有異常資料。若處理器20依據最佳模型MD中的最佳演算法參數組合(如參數k=4)，當參數k＞1表示工件資料非服從多變量單峰分佈，則判斷工件資料中具有異常資料，則進入步驟430。若處理器20依據最佳模型MD中的最佳演算法參數組合(如參數k=1)，當參數k=1則表示工件資料服從多變量單峰分佈，判斷工件資料中不具有異常資料，則進入步驟440。

於一實施例中，多筆工件資料正常會落在一定的範圍內。例如，顯示器的厚度可能落在2.5~2.6公分的範圍內，因此整批工件資料在正常狀況下，應該會符合多變量的單峰分布，即資料分佈中只有一個明顯的峰值。換言之，正常狀況下，整批工件資料應該被模型判定為同一群聚。因此，最佳演算法參數組合(如參數=4)代表將工件資料有多個群聚，表示分佈有複數個明顯的峰值，不符合多變量單峰分佈，則處理器20判斷工件資料中具有異常資料。

在另一實施例中，假設最佳演算法參數組合(如參數k=1)代表工件資料的分佈中只有一個明顯的峰值，工件資料的值都在一定的範圍內，並沒有明顯分群，則處理器20判斷工件資料中不具有異常資料。

於步驟430中，處理器20輸出工件資料中具有異常資料的判斷結果。

於步驟440中，處理器20輸出工件資料中不具有異常資料的判斷結果。

本發明所示之工件品質分析方法及工件品質分析系統，藉由設計模型評估指標值，可從內建多種演算法中自動選出最適演算法及對應的參數，以產生模型，應用分析模型換言之，本發明先在單一演算法中，利用始模型評估指標值，選出較好的參數組合，再從多個演算法中選出最適合的演算法，使用最適合的演算法及其參數組合可以達到偵測不服從多變量單峰分佈之傳統品質工具難以描述之生產變異的效果。

本發明之方法，或特定型態或其部份，可以以程式碼的型態存在。程式碼可以包含於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，亦或不限於外在形式之電腦程式產品，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之裝置。程式碼也可以透過一些傳送媒體，如電線或電纜、光纖、或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之裝置。當在一般用途處理單元實作時，程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100:工件品質分析系統 200、400:工件品質分析方法 X1:測項名稱 350、210~280、411~440:步驟 DT:工件資料 MD:最佳模型

第1圖係依照本發明一實施例繪示工件品質分析系統之方塊圖。第2圖係依照本發明一實施例繪示工件品質分析方法之流程圖。第3圖係依照本發明一實施例繪示工件資料之示意圖。第4A~4C圖係依照本發明一實施例繪示工件品質分析方法之流程圖。

200:工件品質分析方法

210~280:步驟

Claims

一種工件品質分析方法，包括：從複數個預設演算法中選擇一初始演算法及對應之一演算法參數組合；依據該初始演算法及該演算法參數組合將一工件資料進行分群，以得到該初始演算法之一初始模型及一對應的分群結果；根據該分群結果以得到對應的一初始模型評估指標值；選擇該初始演算法對應之至少一另一演算法參數組合；依據該初始演算法對應之該至少一另一演算法參數組合將該工件資料進行分群，以得到至少一另一模型及至少一另一分群結果；根據該至少一另一分群結果以得到對應的至少一另一模型評估指標值；根據該初始模型評估指標值與該至少一另一模型評估指標值，選出對應該初始演算法之一最佳模型；以及根據該最佳模型判斷該工件資料中是否具有一異常資料。
如請求項1所述之工件品質分析方法，更包含：由該最佳模型及至少一候選模型中選出最適者，並依據該最適者，以判斷該工件資料中是否具有一異常資料。
如請求項2所述之工件品質分析方法，更包含：由該些預設演算法中選擇至少一其他演算法，配合至少一其他演算法參數組合，以產生該至少一候選模型。
如請求項2所述之工件品質分析方法，根據該最佳模型所對應之模型評估指標值，與該至少一候選模型對應之模型評估指標值中較大者，選出該最適者。
如請求項1或2所述之工件品質分析方法，其中，當該工件資料有發生分群，則判斷該工件資料中具有該異常資料。
一種工件品質分析系統，包括：一儲存裝置，用以儲存一工件資料；一處理器，用以讀取該工件資料，並執行以下操作：從複數個預設演算法中選擇一初始演算法及對應之一演算法參數組合；依據該初始演算法及該演算法參數組合將一工件資料進行分群，以得到該初始演算法之一初始模型及一對應的分群結果；根據該初始模型分群結果，以得到對應的一初始模型評估指標值；選擇該初始演算法對應之至少該一另一演算法參數組合；依據該初始演算法對應之該至少一另一演算法參數組合將該工件資料進行分群，以得到至少一另一模型及至少一另一分群結果；根據該至少一另一分群結果以得到對應的至少一另一模型評估指標值；根據該初始模型評估指標值與該至少一另一模型評估指標值，選出對應該初始演算法之一最佳模型；以及根據該最佳模型判斷該工件資料中是否具有一異常資料。
如請求項6所述之工件品質分析系統，其中該處理器更用以執行以下步驟：由該最佳模型及至少一候選模型中選出最適者，並依據該最適者，以判斷該工件資料中是否具有一異常資料。
如請求項7所述之工件品質分析系統，其中該處理器更用以執行以下步驟：由該些預設演算法中選擇至少一其他演算法，配合至少一其他演算法參數組合，以產生該至少一候選模型。
如請求項6所述之工件品質分析系統，其中該處理器更用以執行以下步驟：根據該最佳模型所對應之模型評估指標值，與該至少一候選模型對應之模型評估指標值中較大者，選出該最適者。
如請求項6或7所述之工件品質分析系統，其中，當該工件資料有發生分群，則判斷該工件資料中具有該異常資料。