TWI537848B - 連續性製程的預測系統及方法 - Google Patents

Description

連續性製程的預測系統及方法

本申請是有關於一種預測系統及方法，且特別是有關於一種連續性製程的預測系統及方法。

連續性製程於生產過程中不會中斷停止，只能監測製程上的可觀察參數，並視情況調整製程上的可控制參數之設定以維持最佳生產條件，同時抽樣檢測或監測成品品質，亦或監測某重要觀測指標，隨時避免超標。若在製程發生問題時，才從監測的觀測指標上被偵測到，對連續性製程來說可能太慢，缺陷產品已經不間斷的被生產出來，且可能須要長時間的調整才能讓製程重新回到穩定、觀測指標不超標的狀態。

在連續性製程上，若能提前知道重要的監測參數，或成品品質指標未來的數值，將能對調度的排程提供更有價值的調度依據；或是若能提前知道以當下的製程參數設定，生產出來的成品之品質指標，則可提早調整製程參數並減少調整參數過程 中的不良品之產生，降低生產成本。

目前業界希冀技術導入，不僅即時監測各項數據，更期望能預測成品品質或重要觀測指標的未來數值與變化趨勢。

本申請係有關於一種連續性製程的預測系統及方法。

根據本申請之第一方面，提出一種連續性製程的預測系統。連續性製程的預測系統包括至少一第一感測器、一變化分析模組、一動態彈性取樣模組、一模型建立模組及一跳躍預測模組。第一感測器用以感測不同時間點之數個輸入值。變化分析模組用以在不同時間點之數個輸出值中，分析出間隔k個單位時間之數個輸出變化值。動態彈性取樣模組用以間隔k個單位時間取樣部份之此些輸入值。模型建立模組用以依據取樣之部份此些輸入值及此些輸出變化值，建立或訓練一預測模型。跳躍預測模組用以依據預測模型，跳躍預測k個單位時間後之一預測值。

根據本申請之第二方面，提出一種連續性製程的預測方法。預測方法包括以下步驟。以至少一第一感測器感測不同時間點之數個輸入值。在不同時間點之數個輸出值中，分析出間隔k個單位時間之數個輸出變化值。間隔k個單位時間取樣部份之輸入值。依據取樣之部分輸入值及輸出變化值，建立或訓練一預測模型。依據預測模型，跳躍預測k個單位時間後之一預測值。

為了對本申請之上述及其他方面有更佳的瞭解，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下：

110‧‧‧第一感測器

120‧‧‧第二感測器

130‧‧‧資料庫

140‧‧‧變化分析模組

150‧‧‧動態彈性取樣模組

160‧‧‧模型建立模組

170‧‧‧跳躍預測模組

180‧‧‧非穩態訊息處理模組

190‧‧‧顯示模組

901、902‧‧‧煉焦爐

903‧‧‧燒結工廠

904‧‧‧高爐

905‧‧‧煉鋼爐

906‧‧‧熱軋爐

907‧‧‧鋼板工廠

908‧‧‧條鋼工廠

909‧‧‧線材工廠

910‧‧‧小鋼胚廠

911、912‧‧‧氣體儲存槽

913‧‧‧動力工廠

1000‧‧‧連續性製程的預測系統

G00‧‧‧焦爐氣

k‧‧‧間隔數

M‧‧‧預測模型

S110、S120、S130、S140、S150‧‧‧流程步驟

t-4k、t-3k、t-2k、t-k、(t+1)-k、t、t+1、t+2、t+3、t+15、t+k‧‧‧時間點

X_i‧‧‧輸入值

Y、Y_j、Y_t-4k、Y_t-3k、Y_t-2k、Y_t-k、Y_t‧‧‧輸出值

Y_t+k’‧‧‧預測值

△Y、△Y_t-4k、△Y_t-3k、△Y_t-2k、△Y_t-k、△Y_t’‧‧‧一階微分變化值

△²Y、△²Y_t-4k、△²Y_t-3k、△²Y_t-2k、△²Y_t-k’‧‧‧二階微分變化值

第1圖繪示連續性製程的預測系統之示意圖。

第2圖繪示連續性製程的預測方法的流程圖。

第3圖繪示輸出變化值的關係。

第4圖繪示煉鋼產業應用本實施例之連續性製程的預測系統及方法的示例圖。

第5A圖繪示依照本發明一實施例之輸入值在訊息處理前的訊號圖。

第5B圖繪示第5A圖之輸入值在訊息處理後的訊號圖

第6圖繪示依照本發明另一實施例之對輸入值訊息處理前的示意圖。

第7圖繪示廠區應用本實施例之連續性製程的預測系統及方法的示例圖。

請參照第1圖，其繪示連續性製程的預測系統1000之示意圖。連續性製程的預測系統1000例如是一連續性生產線上的監控設備。連續性製程的預測系統1000包括至少一第一感測器110、一第二感測器120、一資料庫130、一變化分析模組140、 一動態彈性取樣模組150、一模型建立模組160、一跳躍預測模組170、一非穩態訊息處理模組180及一顯示模組190。第一感測器110及第二感測器120用以進行各種製程數值之量測，例如是流量感測器、溫度感測器、重量感測器、振動感測器、轉速感測器、或壓力感測器。資料庫130用以記錄各種資料，例如是一硬碟、一記憶體、或一雲端儲存空間。變化分析模組140用以分析資料的變化。動態彈性取樣模組150用以進行取樣。模型建立模組160用以依據所收集的資料進行學習，以建立一預測模型M。跳躍預測模組170用以進行資料的預測。非穩態訊息處理模組180用以對資訊進行前端處理。變化分析模組140、動態彈性取樣模組150、模型建立模組160、跳躍預測模組170及非穩態訊息處理模組180例如皆可以是一晶片、一電路板、一電路、一電腦、或儲存數組程式碼之一記錄媒體，也可以合為例如一晶片、一電路板、一電路、一電腦、或儲存數組程式碼之一記錄媒體。顯示模組190用以顯示各種資訊，例如是一顯示器、一螢幕或一或多個指示燈號。

請同時參照第1圖及第2圖，第2圖繪示連續性製程的預測方法的流程圖。在第2圖中，各個步驟的順序並非用以限制本申請之範圍，部份步驟之順序係可交換或者同時進行。

在步驟S110中，以第一感測器110感測不同時間點之數個輸入值X_i(i≦t)，並以第二感測器120感測不同時間點之數個輸出值Y_j(j≦t)。在連續製程中，輸入值X_i是生產線上的 各種生產狀態，這些生產狀態將會影響到輸出值Y_j。在本實施例中，在時間點t時，時間點t+k的輸出值Y_j(j=t+k)是本實施例所欲預測的目標。時間點t以前的輸入值X_i(i<t)及輸出值Y_j(j<t)均被儲存於資料庫130中，其中，k為大於0的實數。在一實施例中，輸出值Y_j的取得可不經由第二感測器120感測，而由輸入值X_i處理或運算得到。

在步驟S120中，變化分析模組140從此些輸出值Y_j中，分析出間隔k個單位時間之數個輸出變化值。舉例來說，輸出變化值可以是一階微分變化值△Y。請參照第3圖，其繪示輸出變化值的關係。一階微分變化值△Y是鄰近兩個輸出值Y_j的差值。以下面幾式為例：一階微分變化值△Y_t-2k=輸出值Y_t-k-輸出值Y_t-2k；一階微分變化值△Y_t-3k=輸出值Y_t-2k-輸出值Y_t-3k；一階微分變化值△Y_t-4k=輸出值Y_t-3k-輸出值Y_t-4k；依此類推。

在另一實施例中，輸出變化值可以二階微分變化值△²Y。二階微分變化值△²Y是鄰近兩個一階微分變化值△Y的差值。以下面幾式為例：二階微分變化值△²Y_t-3k=一階微分變化值△Y_t-2k-一階微分變化值△Y_t-3k =(輸出值Y_t-k-輸出值Y_t-2k)-(輸出值Y_t-2k-輸出值Y_t-3k)；二階微分變化值△²Y_t-4k=一階微分變化值△Y_t-3k-一階微分變化值△Y_t-4k=(輸出值Y_t-2k-輸出值Y_t-3k)-(輸出值Y_t-3k-輸出值Y_t-4k)；依此類推。

在步驟S130中，動態彈性取樣模組150可根據要跳躍預測的時間量值k，於當下的時間點t往回在歷史資料中，每隔k個單位時間動態地彈性取樣部份之輸入值X_i。在此步驟中，動態彈性取樣模組150間隔k個單位時間進行取樣，例如是取樣輸入值X_t-k、X_t-2k、X_t-3k、X_t-4k、…，依此類推。本實施例訓練一預測模型M用的資料採用彈性動態取樣技術，意即每次訓練資料都是從目前時間點t往回，且依照要跳躍預測的k時間單位，等間隔地往回選取輸入值X_t-k、X_t-2k、X_t-3k、X_t-4k、…作為訓練之用。一方面是採用最新的資料重新訓練預測模型M，確保預測模型符合目前的製程狀態，二方面等間隔k個單位時間取樣的方式，如同降低取樣頻率(down sampling)，讓訊號的變化趨勢更符合要跳躍k個單位時間預測值Y_t+k’。

在步驟S130中，在取樣前，非穩態訊息處理模組180可對此些輸入值X_i進行一非穩態訊息處理程序，以降低此些輸入值X_i之雜訊。舉例來說，非穩態訊息處理程序包括一低通濾波程序(low pass filtering)及一狀態分群程序(clustering)。

例如，請參照第5A及5B圖所示，第5A圖繪示依 照本發明一實施例之輸入值在訊息處理前的訊號圖，而第5B圖繪示第5A圖之輸入值在訊息處理後的訊號圖。針對週期性較強的訊號而言，可採用低通濾波器做前處理，以保留主要變化趨勢(如第5B圖所示)，不讓快速變化的數值影響影響模型的準確度。

又例如，請參照第6圖所示，其繪示依照本發明另一實施例之對輸入值訊息處理前的示意圖。針對屬位階式變化的訊號(如圖示虛線)而言，可採用如k-means的非監督式歸群演算法，並以群集的平均數值為該時間區段中該輸入訊號的數值。如第6圖所示，圖示中粗線是歸群後輸出的群體平均值。

上述輸入值X_i係採用重要維度挑選，來選出與輸出值Y_j有關的主要維度(參數)，以使輸入值X_i與輸出值Y_j之一相關度高於一預定標準，其可用相關係數(correlation coefficients)、相互熵(mutual information)等計算方式挑選，或由領域專家直接選定，亦或兩種方式一起使用。選出來的重要參數，再視各參數不同變化特性，經由非穩態訊息處理程序。低通濾波程序可直接以移動平均(moving average)達成，套用在高週期性變化的參數上，可過濾出訊號的主要變化趨勢，避免高頻訊號成份對預測核心的影響。狀態分群則可以採用k-means演算法，自動將位階式變化的訊號，歸群得到訊號的主要位階，並以該小群的平均值作為該位階的輸出值，再代入預測核心，去除在同一位階上因為訊號數值上的小變化，而對預測核心產生雜訊干擾。

在步驟S140中，模型建立模組160依據此些取樣值X_i及此些輸出變化值(例如是一階微分變化值△Y及/或二階微分變化值△²Y)，建立或訓練預測模型M。預測模型M可以是非線性模型，例如是支持向量迴歸機(Support Vector Regression，SVR)、支持最小平方向量迴歸機(Least Squared-Support Vector Regression，LS-SVR)、人工類神經網路(Artificial Neural Networks，ANN)或可適性神經模糊推論系統(Adaptive Neuro Fuzzy Inference System，ANFIS)。預測模型M也可以是線性模型，例如是最小平方估計法(Partial Least Square，PLS)。預測模型M可以包含一或多個模型參數。

在步驟S150中，跳躍預測模組170依據預測模型M，跳躍預測k個單位時間後之一預測值Y_t+k’，並將預測值Y_t+k’顯示於顯示模組190，也可以將警訊(例如過高或過低等)顯示於顯示模組190。在此步驟中，時間點t的輸入值X_t經過非穩態處理程序後提供給預測模型M，並將時間點t的輸出值Y_t提供給預測模型M，則可以預測出時間點t的一階微分變化值△Y_t’及二階微分變化值△²Y_t-k’。預測值Y_t+k’可以透過式(1)或式(2)預測出來：預測值Y_t+k’=輸出值Y_t+一階微分變化值△Y_t’……………………(1)

預測值Y_t+k’=輸出值Y_t+一階微分變化值△Y_t’ +0.5*二階微分變化值△²Y_t-k’…………………………(2)

在本實施例中，式(1)為考慮一階微分變化值△Y_t以預測出預測值Y_t+k’之公式，而式(2)則為考慮一階微分變化值△Y_t與二階微分變化值△²Y_t-k’以預測出預測值Y_t+k’之公式。在公式中，原本為一階微分變化值△Y_t’*時間差，以及0.5*二階微分變化值△²Y_t-k’*時間差²，但時間差項因為動態彈性取樣後，都是一個k的時間差，數值都是1，僅是時間單位不同，故在公式上捨棄，簡化為一階微分變化值△Y_t’以及0.5*二階微分變化值△²Y_t-k’。

預測出預測值Y_t+k’後，可再進一步與輸出值Y_j比較，若是誤差值收斂，則輸出預測結果，若是誤差值未收斂，則可再回到步驟S140，訓練預測模型M。也可以先輸出預測結果，在時間點t+k時，將輸出值Y_t+k與預測值Y_t+k’比較，再訓練預測模型M。

請參照第4圖，其繪示煉鋼產業應用本實施例之連續性製程的預測系統1000及方法的示例圖。以煉鋼產業為例，煉焦爐901、902在煉製焦炭的過程中會產生焦爐氣G00，焦爐氣G00是可燃氣體，可燃燒作為能源的來源，或直接用於焰切燒除等製程步驟。焦爐氣G00經由管路輸送到後段各式各樣的廠房，例如燒結工廠903、高爐904、煉鋼廠905、熱軋廠906、鋼板工廠907、條鋼工廠908、線材工廠909及小鋼胚廠910。氣體儲存槽911、912作為緩衝用途，一來於焦爐氣G00產量大，下游無 法全部用完的時候可儲存剩餘的焦爐氣G00，也可以在焦爐氣G00產量少的時候，由氣體儲存槽911、912輸出預存的焦爐氣G00供後段製程使用。又或者當用電量快要超過供電契約的上限時，由動力工廠913將焦爐氣G00轉換為電力使用。當氣體儲存槽911、912儲存的焦爐氣G00接近儲存上限時，為了保護整體管路系統，會選擇以燃燒的方式排放掉。當儲存的焦爐氣G00過少時，也需發出警訊，要求下游廠房不得繼續使用，避免容量過低後，氣體管路系統難以恢復。若僅有容量過高或過低時的警訊，通常是問題已經發生，對於用量調度的幫助不大，故可採用本實施例之連續性製程的預測系統1000及方法，來預測一定時間後氣體儲存槽911、912之液位高度。

本實施例固定在每一個時間點t，要預測15分鐘後的氣體儲槽液位，以氣體儲存槽912為目標；於步驟S110，以第一感測器110感測每分鐘的煉焦爐901流量，並依序以其他感測器感測煉焦爐902、燒結工廠903，…氣體儲槽911，以及動力工廠913的流量為輸入值X_i，並以每分鐘的氣體儲槽912的液位為輸出值Y_j。時間點t以前的輸入值X_i(i<t)及輸出值Y_j(j<t)均被儲存於資料庫130中。

在步驟S120中，變化分析模組140從此些輸出值Y_j中，分析出間隔k(k=15)個單位時間之數個輸出變化值。舉例來說，目前的時間點為t，變化分析模組140可計算出△Y_t-15=Y_t-Y_t-15、△Y_t-30=Y_t-15-Y_t-30，依此類推。

在步驟S130中，動態彈性取樣模組150取樣部分之此些輸入值X_i。在此步驟中，動態彈性取樣模組150間格k(k=15)的單位時間進行取樣，例如是取樣輸入值X_t-k、X_t-2k、X_t-3k、X_t-4k，依此類推。本實施例訓練一預測模型M用的資料採用動態彈性取樣技術，意即每次訓練資料都是從目前時間點t往回，且依照要跳躍預測的k時間單位，等間隔地往回選取輸入值X_t-k、X_t-2k、X_t-3k、X_t-4k作為訓練之用。一方面是採用最新的資料重新訓練預測模型M，確保預測模型符合目前的製程狀態，二方面等間隔k個單位時間取樣的方式，如同降低取樣頻率(down sampling)，讓訊號的變化趨勢更符合要跳躍k個單位時間預測值Y_t+k’。

在步驟S140中，模型建立模組160依據此些取樣值X_i及此些輸出變化值(例如是一階微分變化值△Y及/或二階微分變化值△²Y)，建立預測模型M。預測模型M可以是非線性模型，例如是支持向量迴歸機(Support Vector Regression，SVR)、支持最小平方向量迴歸機(Least Squared-Support Vector Regression，LS-SVR)、人工類神經網路(Artificial Neural Networks，ANN)或可適性神經模糊推論系統(Adaptive Neuro Fuzzy Inference System，ANFIS)。預測模型M也可以是線性模型，例如是最小平方估計法(Partial Least Square，PLS)。

在步驟S150中，跳躍預測模組170依據預測模型M，跳躍預測k個單位時間後之一預測值Y_t+k’。在此步驟中，時間點t的輸入值X_t經過非穩態處理程序後提供給預測模型M， 並將時間點t的輸出值Y_t提供給預測模型M，則可以預測出時間點t的一階微分變化值△Y_t’及二階微分變化值△²Y_t-k’。預測值Y_t+k’可以透過式(3)或式(4)預測出來：預測值Y_t+k’=輸出值Y_t+一階微分變化值△Y_t’……………………(3)

預測值Y_t+k’=輸出值Y_t+一階微分變化值△Y_t’+0.5*二階微分變化值△²Y_t-k’…………………………(4)

例如，於時間點t要預測的對象Y_t+15，採用一階微分變化值的預測方式，預測得△Y_t’，則對於要預測的對象Y_t+15’可以用右式求得：Y_t+15’=Y_t+△Y_t’；於時間點第t+1分鐘時，採用一階微分變化值的預測方式，預測得△Y_t+1’，對於要預測的對象同樣為Y_t+16’可以用右式求得：Y_t+16’=Y_t+1+△Y_t+1’。

另一實施例中，本發明實施例之連續性製程的預測方法亦可應用於廠區用電需量預測。如下表一所示，一廠區的用電隨時間之記錄是統計每15分鐘總用電量，以配合電力供應商的供電契約。廠區用電可包含空調用電、照明用電、廠區A用電量、廠區B用電量，或甚至針對耗能較高的重要產線個別監控，如重要產線1與重要產線2，合計用電量是每15分鐘的間隔內的累積量。例如，時間為第101分鐘時，合計用電量為8.97百萬瓦，第102分鐘時，合計用電量達到17.26百萬瓦，直到時間為第115分鐘時，合計用電量為140.23百萬瓦，而當時間為第116分鐘時， 又重新計算為8.24百萬瓦。

於步驟S110，以第一感測器110感測每分鐘的空調用電量，以另一第一感測器110感測每分鐘的照明用電量，並依序以其它感測器感測廠區A、廠區B、重要產線1及重要產線2等每分鐘用電量為輸入值X_i，並以每分鐘的合計用電量為輸出值Y_j。時間點t以前的輸入值X_i(i<t)及輸出值Y_j(j<t)均被儲存於資料庫130中。

在步驟S120中，請同時參照第7圖，其繪示廠區應用本實施例之連續性製程的預測系統及方法的示例圖。變化分析模組140從此些輸出值Y_j中，分析出間隔k個單位時間之數個輸出變化值。舉例來說，如第7圖所示，要預測的標的則是每15分鐘的合計用電總量，意即時間為第101分鐘時(如第7圖的時間點t+1)，要預測的是時間為第115分鐘時(如第7圖的時間點t+15)的合計用電量；時間為第102分鐘時(如第7圖的時間點t+2)，要預測的仍為第115分鐘的合計用電量。所以k值會從第101分鐘時為14，到了第102分鐘時為13，以此類推，到了第115分鐘時，要預測的是第130分鐘的合計用電量，所以k值為15，以此為一個循環。如第7圖所示，在不同k值的條件下，動態彈性取樣模組會依照k值往回重新取樣，同樣的要預測的合計用電量，也會以變化分析模組，依序轉換成：△Y₁₀₁=Y₁₁₅-Y₁₀₁、△Y₁₀₂=Y₁₁₅-Y₁₀₂、△Y₁₀₃=Y₁₁₅-Y₁₀₃…△Y₁₁₄=Y₁₁₅-Y₁₁₄、△ Y₁₁₅=Y₁₃₀-Y₁₁₅…。

在步驟S130中，動態彈性取樣模組150取樣部份之此些輸入值X_i。在此步驟中，動態彈性取樣模組150間隔k個單位時間進行取樣，例如是取樣輸入值X_t-k、X_t-2k、X_t-3k、X_t-4k，依此類推。本實施例訓練一預測模型M用的資料採用動態彈性取樣技術，意即每次訓練資料都是從目前時間點t往回，且依照要跳躍預測的k時間單位，等間隔地往回選取輸入值X_t-k、X_t-2k、X_t-3k、X_t-4k作為訓練之用。一方面是採用最新的資料重新訓練預測模型M，確保預測模型符合目前的製程狀態，二方面等間隔k個單位時間取樣的方式，如同降低取樣頻率(down sampling)，讓訊號的變化趨勢更符合要跳躍k個單位時間預測值Y_t+k’。

在步驟S140中，模型建立模組160依據此些取樣值X_i及此些輸出變化值(例如是一階微分變化值△Y及/或二階微分變化值△²Y)，建立預測模型M。預測模型M可以是非線性模型，例如是支持向量迴歸機(Support Vector Regression，SVR)、支持最小平方向量迴歸機(Least Squared-Support Vector Regression，LS-SVR)、人工類神經網路(Artificial Neural Networks，ANN)或可適性神經模糊推論系統(Adaptive Neuro Fuzzy Inference System，ANFIS)。預測模型M也可以是線性模型，例如是最小平方估計法(Partial Least Square，PLS)。

在步驟S150中，跳躍預測模組170依據預測模型M，跳躍預測k個單位時間後之一預測值Y_1+k’。在此步驟中， 時間點t的輸入值X_t經過非穩態處理程序後提供給預測模型M，並將時間點t的輸出值Y_t提供給預測模型M，則可以預測出時間點t的一階微分變化值△Y_t’及二階微分變化值△²Y_t-k’。預測值Y_t+k’可以透過式(5)或式(6)預測出來：預測值Y_t+k’=輸出值Y_t+一階微分變化值△Y_t’……………………(5)

預測值Y_t+k’=輸出值Y_t+一階微分變化值△Y_t’+0.5*二階微分變化值△²Y_t-k’……………………………(6)

例如，於時間點第101分鐘時，採用一階微分變化值的預測方式，預測得△Y₁₀₁’，則對於要預測的對象Y₁₁₅’可以用右式求得：Y₁₁₅’=Y₁₀₁+△Y₁₀₁’；於時間點第102分鐘時，採用一階微分變化值的預測方式，預測得△Y₁₀₂’，對於要預測的對象同樣為Y₁₁₅’可以用右式求得：Y₁₁₅’=Y₁₀₂+△Y₁₀₂’。

綜上所述，雖然本申請已以較佳實施例揭露如上，然其並非用以限定本申請。本申請所屬技術領域中具有通常知識者，在不脫離本申請之精神和範圍內，當可作各種之更動與潤飾。因此，本申請之保護範圍當視後附之申請專利範圍所界定者為準。

110‧‧‧第一感測器

120‧‧‧第二感測器

130‧‧‧資料庫

140‧‧‧變化分析模組

150‧‧‧動態彈性取樣模組

160‧‧‧模型建立模組

170‧‧‧跳躍預測模組

180‧‧‧非穩態訊息處理模組

190‧‧‧顯示模組

1000‧‧‧連續性製程的預測系統

k‧‧‧間隔數

M‧‧‧預測模型

X_i‧‧‧輸入值

Y_j‧‧‧輸出值

Y_t+k’‧‧‧預測值

△Y_j‧‧‧一階微分變化值

Claims (16)

1. 一種連續性製程的預測系統，包括：至少一第一感測器，用以感測不同時間點之複數個輸入值；一變化分析模組，用以在不同時間點之複數個輸出值中，分析出間隔k個單位時間之複數個輸出變化值，其中k為大於0的實數；一動態彈性取樣模組，用以間隔k個單位時間取樣部份之該些輸入值；一模型建立模組，用以依據取樣之部份該些輸入值及該些輸出變化值，建立或訓練一預測模型；以及一跳躍預測模組，用以依據該預測模型，跳躍預測k個單位時間後之一預測值。
2. 如申請專利範圍第1項所述之連續性製程的預測系統，更包括一第二感測器，用以感測不同時間點之該些輸出值。
3. 如申請專利範圍第1項所述之連續性製程的預測系統，其中該些輸出變化值係為複數個一階微分變化值。
4. 如申請專利範圍第1項所述之連續性製程的預測系統，其中該些輸出變化值係為複數個二階微分變化值。
5. 如申請專利範圍第1項所述之連續性製程的預測系統，更包括：一非穩態訊息處理模組，用以對該些輸入值進行一非穩態訊息處理程序，以降低該些輸入值之雜訊。
6. 如申請專利範圍第5項所述之連續性製程的預測系統，其中該非穩態訊息處理程序包括一低通濾波程序(low pass filtering)。
7. 如申請專利範圍第5項所述之連續性製程的預測系統，其中該非穩態訊息處理程序包括一狀態分群程序(clustering)。
8. 如申請專利範圍第1項所述之連續製程的預測系統，其中該些輸入值與該些輸出值之一相關度高於一預定標準。
9. 一種連續性製程的預測方法，包括：以至少一第一感測器，感測不同時間點之複數個輸入值；在不同時間點之複數個輸出值中，分析出間隔k個單位時間之複數個輸出變化值，其中k為大於0的實數；間隔k個單位時間取樣部份之該些輸入值；依據取樣之部分該些輸入值及該些輸出變化值，建立一預測模型；以及依據該預測模型，跳躍預測k個單位時間後之一預測值。
10. 如申請專利範圍第9項所述之連續性製程的預測方法，更包括：以一第二感測器，感測不同時間點之該些輸出值。
11. 如申請專利範圍第9項所述之連續性製程的預測方法，其中在分析出間隔k個單位時間之該些輸出變化值之步驟中，該些輸出變化值係為複數個一階微分變化值。
12. 如申請專利範圍第9項所述之連續性製程的預測方法， 其中在分析間隔k個單位時間之該些輸出變化值之步驟中，該些輸出變化值係為複數個二階微分變化值。
13. 如申請專利範圍第9項所述之連續性製程的預測方法，更包括：對該些輸入值進行一非穩態訊息處理程序，以降低該些輸入值之雜訊。
14. 如申請專利範圍第13項所述之連續性製程的預測方法，其中該非穩態訊息處理程序包括一低通濾波程序(low pass filtering)。
15. 如申請專利範圍第13項所述之連續性製程的預測方法，其中該非穩態訊息處理程序包括一狀態分群程序(clustering)。
16. 如申請專利範圍第9項所述之連續製程的預測方法，其中該些輸入值與該些輸出值之一相關度高於一預定標準。