TWI625615B - 預測模型建立方法及其相關預測方法與電腦程式產品 - Google Patents
預測模型建立方法及其相關預測方法與電腦程式產品 Download PDFInfo
- Publication number
- TWI625615B TWI625615B TW105139288A TW105139288A TWI625615B TW I625615 B TWI625615 B TW I625615B TW 105139288 A TW105139288 A TW 105139288A TW 105139288 A TW105139288 A TW 105139288A TW I625615 B TWI625615 B TW I625615B
- Authority
- TW
- Taiwan
- Prior art keywords
- workpiece
- processing machine
- state
- prediction model
- workpiece quality
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 148
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 102000010410 Nogo Proteins Human genes 0.000 description 7
- 108010077641 Nogo Proteins Proteins 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32201—Build statistical model of past normal proces, compare with actual process
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- General Factory Administration (AREA)
Abstract
一種預測模型建立方法係應用於加工機台製造一工件。此預測模型建立方法包括下列步驟:於製造該工件的期間,產生一加工機台參數組;於製造該工件後,量測該工件以產生一工件品質參數組;由該加工機台參數組決定一關鍵零件狀態;以及根據該加工機台參數組、該工件品質參數組與該關鍵零件狀態來產生對應的一關鍵零件狀態下的工件品質預測模型。
Description
本揭露是有關於一種預測模型建立方法及其相關預測方法與電腦程式產品。
在日趨複雜的加工應用中,工件的合格與否(Go/NoGo)往往是要綜合多種工件品質(quality)判斷的結果。以軸承的加工機台為例,軸承的加工機台的工件品質包括:軸承的高、入口徑、內徑與溝徑。當工件(軸承)製造(manufacture)完成後,需進一步量測軸承的高、入口徑、內徑與溝徑,而量測這些工件品質的結果即可用來判斷工件合格與否。
當一個或一個以上的工件品質被判定為品質不佳,則該工件被視為不合格(NoGo)。例如,當軸承的入口徑或內徑或溝徑被判定為不合格時,則該工件(軸承)被視為不合格(NoGo)。
再者,將加工機台製造的所有工件都拿來量測其工件品質會有成本上的考量。因此,現今僅能以抽檢的方式來對抽檢的工件進行工件品質的量測,並據以推斷其他未抽檢的工件是
否合格。然而,此方式無法達成全方位品管的目的。
虛擬量測(virtual metrology,簡稱VM)系統的發展可用來對工件品質進行即時預測(prediction)、加工機台效能監控以及生產製程的改善。由於虛擬量測系統可以即時預測出工件品質是否異常,因此可以避免加工機台持續生產不合格(NoGo)的工件,並造成重大損失。
舉例來說,為了讓軸承的加工機台不間斷地運轉並維持高良率。虛擬量測系統在加工機台的運作過程,持續地根據即時的加工機台參數組來預測製造出之工件的工件品質。當一個工件品質(例如,軸承的入口徑)被預測為品質不佳而造成工件不合格(NoGo)時,工作人員即可據以調整或更換刀具以避免加工機台持續運作而造成重大損失。
再者,習知的虛擬量測系統係根據加工機台參數組來建立每一個工作工件品質的預測模型(prediction model)。基本上,習知的虛擬量測系統係利用特定的一種演算法來獲得預測模型,例如拉索回歸(Lasso Regression)。以下以軸承的加工機台為例來作說明習知的虛擬量測系統。
一般來說,軸承的加工機台上會設置機台監控模組,用以即時監控加工機台上所有零組件的狀態。亦即,機台監控模組中包括多個感測器(sensor),用以感測加工機台以及零組件,並產生加工機台參數組。
舉例來說,機台監控模組可產生n個加工機台參數
x1~xn,集合這些加工機台參數x1~xn即成為一加工機台參數組,用以代表此加工機台以及零組件的狀態。而加工機台參數組可為環境溫度參數、機台震動參數、切削力參數、刀具狀態參數、刀具磨耗參數、刀具使用次數參數....等等。
再者,軸承的加工機台的工件品質為軸承的高、入口徑、內徑與溝徑。亦即,軸承的加工機台的四個工件品質參數分別代表軸承之高的誤差y1、入口徑的誤差y2、內徑的誤差y3與溝徑的誤差y4。而集合這些工件品質參數y1~y4即成為一工件品質參數組,代表該工件的工件品質。以下係以四個工件品質參數所組成一個工件品質參數組為例來進行說明。當然,工件品質參數組並不限定於只有四個工件品質參數,也可以包括更多的工件品質參數,例如軸承之厚度誤差...等等。
於虛擬量測系統的訓練階段,係根據加工機台參數組與一工件品質參數,並搭配特定演算法來建立單一個工件品質的預測模型。以軸承的加工機台為例,共需要建立四個預測模型來分別預測四個工件品質參數y1~y4。
當四個預測模型建立完成後。於虛擬量測系統的預測階段,就可以即時的根據加工機台所產生的加工機台參數組以及四個預測模型來分別預測工件的四個工件品質參數y1~y4。亦即,利用加工機台參數組x1~xn搭配第一預測模型來預測高的誤差y1;利用加工機台參數組x1~xn搭配第二預測模型來預測入口徑的誤差y2;利用加工機台參數組x1~xn搭配第三預測模型來預
測內徑的誤差y3;以及,利用加工機台參數組x1~xn搭配第四預測模型來預測溝徑的誤差y4。
另外,當其中一個工件品質的預測結果與實際的工件品質差異過大時,需要修正對應的預測模型。舉例來說,當預測入口徑的誤差y2與實際入口徑的誤差之間差異過大時,即需要調整第二預測模型。
由以上的說明可知,習知的虛擬量測系統都是針對單一工件品質來建立其預測模型。每個預測模型僅預測一個工件品質,且不同工件品質的預測模型需要各自進行調整。
本揭露係關於一種虛擬量測系統的預測模型建立方法及其相關預測方法。其中,預測模型建立方法係應用於加工機台製造一工件。此預測模型建立方法包括下列步驟:於製造該工件的期間,產生一加工機台參數組;於製造該工件後,量測該工件以產生一工件品質參數組;由該加工機台參數組決定一關鍵零件狀態;以及根據該加工機台參數組、該工件品質參數組與該關鍵零件狀態來產生對應的一關鍵零件狀態下的工件品質預測模型。
本揭露提供一種電腦程式產品,其上儲存有一軟體程式,該軟體程式執行時將使具有一控制器之一電子裝置進行一預測模型建立方法,該預測模型建立方法包括下列步驟:於一加工機台製造多個工件的期間,對應地產生多個加工機台參數組;
於製造為該些工件後,量測該些工件以對應地產生多個工件品質參數組;由該些加工機台參數組決定複數個關鍵零件狀態,其中該些關鍵零件狀態包括一第一關鍵零件狀態與一第二關鍵零件狀態;以及選擇屬於該第一關鍵零件狀態所對應的該些加工機台參數組、該些工件品質參數組,搭配一演算法來產生一第一關鍵零件狀態下的工件品質預測模型。
本揭露係關於一種虛擬量測系統的預測模型建立方法及其相關預測方法。其中,該預測方法,應用於一加工機台製造一工件,包括下列步驟:於製造該工件的期間,產生一加工機台參數組;由該加工機台參數組決定一關鍵零件狀態;根據該關鍵零件狀態決定對應的一關鍵零件狀態下的工件品質預測模型;以及根據該關鍵零件狀態下的工件品質預測模型與該加工機台參數組預測該工件的一工件品質參數組。
本揭露提供一種電腦程式產品,其上儲存有一軟體程式,該軟體程式執行時將使具有一控制器之一電子裝置進行一預測方法,該預測方法包括下列步驟:於一加工機台製造多個工件的期間,產生對應的多個加工機台參數組;由該些加工機台參數組中決定一第一部分的加工機台參數組屬於一第一關鍵零件狀態,且一第二部分的加工機台參數組屬於一第二關鍵零件狀態;提供一第一關鍵零件狀態下的工件品質預測模型,接收該第一部分的加工機台參數組,預測對應工件的多個工件品質參數組;以及提供一第二關鍵零件狀態下的工件品質預測模型,接收
該第一部分的加工機台參數組,預測對應工件的多個工件品質參數組。
為了對本揭露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:
102‧‧‧工件品質量測模組
104‧‧‧任務資料庫
106‧‧‧多任務資料篩選模組
108‧‧‧預測模型訓練模組
110‧‧‧機台監控模組
112‧‧‧關鍵零件狀態分析模組
114‧‧‧關鍵零件狀態資料庫
121‧‧‧第一關鍵零件狀態下的工件品質預測模型
122‧‧‧第二關鍵零件狀態下的工件品質預測模型
123‧‧‧第三關鍵零件狀態下的工件品質預測模型
124‧‧‧第四關鍵零件狀態下的工件品質預測模型
210‧‧‧預測模組
220‧‧‧預測模型資料庫
S130~S136‧‧‧步驟流程
S230~S238‧‧‧步驟流程
第1A圖至第1D圖所繪示為虛擬量測系統於訓練階段產生的任務資料庫(task database)以及建立預測模型的示意圖。
第2A圖至第2D圖所繪示為為虛擬量測系統於預測階段利用加工機台參數組以及多個關鍵零件狀態下的工件品質預測模型來預測工件品質參數組的示意圖。
本揭露為一種多任務學習為基礎的虛擬量測(multitask learning based VM)系統。於虛擬量測系統的訓練階段時,運用多任務資料篩選(multitask data selection)機制,於任務資料庫(task database)中依照關鍵零件狀態(component status)來挑選適合的任務資料來進行訓練(train),並對應的建立多個預測模型。而本揭露的虛擬量測系統係利用多任務學習演算法(Multitask Learning Algorithm),並以拉索(Lasso)迴歸來建立預測模型。當然,本發明並不限定於利用拉索迴歸來建立預測模型之外,也可以利用例如脊狀回歸(Ridge-regression)來建立預測模型。
於虛擬量測系統的預測階段時,根據加工機台參數
組來決定一關鍵零件狀態,並據以決定一選定預測模型運用於加工機台,而該選定預測模型即根據加工機台參數組來預測一工件品質參數組。換言之,本揭露的選定預測模型可以根據一加工機台參數組來預測出多個工件品質參數。
以下係以軸承的加工機台為例來介紹本揭露的虛擬量測系統,預測模型建立方法以及工件品質的預測方法。當然,本揭露並不僅限於軸承的加工機台,且工件亦不限於軸承。因此其他加工機台,例如半導體研磨機台、半導體蝕刻機台...等等,也可以運用本揭露的虛擬量測系統、預測模型建立方法及其相關預測方法來達成工件品質的預測,有效地提高工件製造的良率。
請參照第1A圖至第1D圖,其所繪示為虛擬量測系統於訓練階段產生的任務資料庫(task database)以及建立預測模型的示意圖。
由於軸承的加工機台上的機台監控模組可監控加工機台上所有零組件的狀態。假設機台監控模組可產生一加工機台參數組,包括n個加工機台參數組x1~xn,用以代表加工機台以及零組件的狀態;以及,軸承的加工機台的工件品質參數組,包括四個工件品質參數y1~y4,分別代表軸承的高、入口徑、內徑與溝徑的誤差。其中,機台參數x1為刀具磨耗參數,機台參數x2為崩刀參數,且機台參數x1與機台參數x2定義為關鍵零件狀態。
另外,當機台參數x1(刀具磨耗參數)為a時,代表低度磨耗刀具;當機台參數x1(刀具磨耗參數)為b時,代表中度
磨耗刀具;當機台參數x1(刀具磨耗參數)為c時,代表高度磨耗刀具。再者,當機台參數x2(崩刀參數)為i時,代表正常刀具;當機台參數x2(崩刀參數)為ii時,代表崩刀刀具。
舉例來說,於訓練階段,需要取樣5000個工件,而製造5000個工件的過程中,所有加工機台參數組x1~xn以及實際量測的工件品質參數組y1~y4皆被記錄,並成為於任務資料庫(task database)。因此,如第1A圖即為任務資料庫示意圖。
如第1A圖所示,於製造第1個工件時,加工機台參數組x1~xn以及工件品質參數組y1~y4為:a、ii、x3_1~xn_1、y1_1、y2_1、y3_1、y4_1。於製造第1000個工件時,加工機台參數組x1~xn以及工件品質參數組y1~y4為:a、ii、x3_1000~xn_1000、y1_1000、y2_1000、y3_1000、y4_1000。同理,其他工件的加工機台參數組x1~xn以及工件品質參數組y1~y4不再贅述。
再者,如第1B圖所示,根據關鍵零件狀態(亦即,機台參數x1與機台參數x2)可知,製造第1個工件至第1000個工件被定義為第一關鍵零件狀態,代表低度磨耗(x1=a)與崩刀刀具(x2=ii)狀態。而第1000個工件製造完成後,更換新的刀具。
再者,製造第1001個工件至第3000個工件被定義為第二關鍵零件狀態,代表低度磨耗(x1=a)與正常刀具(x2=i)狀態。製造第3001個工件至第4500個工件被定義為第三關鍵零件狀態,代表中度磨耗(x1=b)與正常刀具(x2=i)狀態。製造第4501個工件至第5000個工件被定義為第四關鍵零件狀態,代表高度
磨耗(x1=c)與正常刀具(x2=i)狀態。
本揭露僅以四個關鍵零件狀態來進行說明,但本揭露並不限於此。在此領域的技術人員也可以定義更多的關鍵零件狀態來實現本揭露的技術。例如,本揭露的關鍵零件狀態定義更可包括:低度磨耗(x1=b)與崩刀刀具(x2=ii)狀態、與高度磨耗(x1=c)與崩刀刀具(x2=ii)狀態。
請參照第1C圖,其為預測模型的建立流程示意圖。該建立流程可運用軟體程式來完成。於製造5000個工件的過程中,工件品質量測模組(module)102會實際量測所有工件的工件品質並產生工件品質參數組y1~y4。因此,機台監控模組110產生的所有加工機台參數組x1~xn,以及工件品質量測模組102產生的工件品質參數組y1~y4皆被記錄於任務資料庫104。
再者,關鍵零件狀態分析模組112僅根據機台參數x1(刀具磨耗參數)與機台參數x2(崩刀參數)來判斷製造該次工件時的關鍵零件狀態,並記錄於關鍵零件狀態資料庫114。由第1A圖可知,製造第1個工件至第1000個工件為第一關鍵零件狀態S1。製造第1001個工件至第3000個工件為第二關鍵零件狀態S2。製造第3001個工件至第4500個工件為第三關鍵零件狀態S3。製造第4501個工件至第5000個工件為第四關鍵零件狀態S4。而這些關鍵零件狀態S1~S4會被記錄於關鍵零件狀態資料庫(component status database)114。
當任務資料庫104與關鍵零件狀態資料庫114記錄
完成後,關鍵零件狀態資料庫114會依序產生四個關鍵零件狀態S1~S4至多任務模資料篩選模組(multitask data selection module)106。而多任務模資料篩選模組106會在於任務資料庫104中依照關鍵零件狀態S1~S4來挑選適合的任務資料T至預測模型訓練模組108來進行訓練(train),並建立對應的關鍵零件狀態下的工件品質預測模型121~124。
舉例來說,當關鍵零件狀態資料庫114提供第一關鍵零件狀態S1至多任務資料篩選模組106時,多任務模資料篩選模組106即於任務資料庫104中選擇屬於第一關鍵零件狀態S1的所有加工機台參數組x1~xn與加工機台的工件品質參數組y1~y4作為任務資料T。根據第1A圖中任務資料庫104的內容可知,任務資料為工件編號1至工件編號1000所對應的加工機台參數組x1~xn與加工機台的工件品質參數組y1~y4作為任務資料T。當預測模型訓練模組108接收任務資料T,並以多任務拉索回歸來建立對應的第一關鍵零件狀態下的工件品質預測模型121。
同理,當關鍵零件狀態資料庫114提供第二關鍵零件狀態S2至多任務資料篩選模組106時,多任務模資料篩選模組106即於任務資料庫104中選擇屬於第二關鍵零件狀態S2的所有加工機台參數組x1~xn與加工機台的工件品質參數組y1~y4作為任務資料T。根據第1A圖中任務資料庫104的內容可知,任務資料為工件編號1001至工件編號3000所對應的加工機台參數組x1~xn與加工機台的工件品質參數組y1~y4作為任務資料T。當預
測模型訓練模組108接收任務資料T並以多任務拉索回歸來建立對應的第二關鍵零件狀態下的工件品質預測模型122。
再者,第三關鍵零件狀態下的工件品質預測模型123與第四關鍵零件狀態下的工件品質預測模型124也是以相同的方式來建立,此處不再贅述。
請參照第1D圖,其為本揭露的預測模型的建立方法。當訓練階段開始後,於製造一工件的期間,產生一加工機台參數組(步驟S130)。於製造該工件後,量測該工件以產生一工件品質參數組(步驟S132)。由該加工機台參數組決定一關鍵零件狀態(步驟S134)。接著,根據該加工機台參數組、該工件品質參數組與該關鍵零件狀態來產生對應的一關鍵零件狀態下的工件品質預測模型(步驟S136)。
再者,上述的預測模型的建立方法可運用於電腦程式產品,儲存一軟體程式。而利用電子裝置所具有的控制器來執行此軟體程式即可建立該預測模型。
第1D圖所示之預測模型建立方法中,係介紹製造1個取樣工件時,利用其加工機台參數組、工件品質參數組與關鍵零件狀態來產生關鍵零件狀態所對應的一關鍵零件狀態下的工件品質預測模型。
相同的原理也可以運用至製造5000個取樣工件。亦即,如第1C圖接揭露之內容,將對應的5000個加工機台參數組與工件品質參數組,以及決定的多個關鍵零件狀態來產生對應於
關鍵零件狀態的多個預測模型。
相較於習知的虛擬量測系統,僅利用加工機台參數組來進行訓練並產生單一工件品質參數的預測模型。本揭露係結合加工機台參數組與工件品質參數組來進行訓練並可產生所有工件品質參數的預測模型。因此,在加工機台運作時,僅需利用一個預測模型即可預測工件的所有工件品質。
由於工件品質(軸承的高、入口徑、溝徑、內徑)都與刀具的狀態有關。因此,本揭露將刀具相關的參數定義為關鍵零件狀態,將不同的工件品質視為不同的任務。再者,利用本揭露的多任務學習來獲得多個任務之間的共通性(commonality),於訓練的過程可降低回歸誤差(mean absolute error),以獲得更準確的預測模型,以提升工件合格與否(Go/NoGo)判斷的準確度。
另外,當訓練階段完成並建立各種關鍵零件狀態下的工件品質預測模型之後,即進入預測階段。於進入預測階段,即不需要利用工件品質量測模組102來量測工件品質,而是利用狀態預測模型來預測工件品質。
請參照第2A圖至第2D圖,其所繪示為為虛擬量測系統於預測階段利用加工機台參數組以及多個關鍵零件狀態下的工件品質預測模型來預測工件品質參數組的示意圖。
於訓練階段後,四個關鍵零件狀態下的工件品質預測模型121~124已建立完成。之後,即進入預測階段用以預測工件的工件品質。以下的說明係以製造第5001個工件開始進入預
測階段。
相同地,於預測階段,加工機台製造的所有工件(例如工件編號5001~9500)的過程中,所有加工機台參數組x1~xn皆被記錄並儲存於任務資料庫(task database)。因此,如第2A圖即為任務資料庫示意圖。相較於訓練階段,於預測階段時,不需要量測工件品質參數組,所以任務資料庫(task database)並未儲存工件品質參數組。
如第2A圖所示,於製造第5001個工件時,加工機台參數組x1~xn:a、ii、x3_5001~xn_5001。於製造第5795個工件時,加工機台參數組x1~xn為:a、ii、x3_5795~xn_5795。同理,其他工件的加工機台參數組x1~xn不再贅述。
再者,如第2B圖所示,根據關鍵零件狀態(亦即,機台參數x1與機台參數x2)可知,製造第5001個工件至第5795個工件時為第一關鍵零件狀態,代表低度磨耗(x1=a)與崩刀刀具(x2=ii)狀態。而第5795個工件製造完成後,更換新的刀具。
再者,製造第5796個工件至第7800個工件時為第二關鍵零件狀態,代表低度磨耗(x1=a)與正常刀具(x2=i)狀態。製造第7801個工件至第9000個工件時為第三關鍵零件狀態,代表中度磨耗(x1=b)與正常刀具(x2=i)狀態。製造第9001個工件至第9500個工件時為第四關鍵零件狀態,代表高度磨耗(x1=c)與正常刀具(x2=i)狀態。
請參照第2C圖,其為預測工件品質參數組的流程
示意圖。該預測流程可運用軟體程式來完成。於預測階段,機台監控模組110會產生的所有工件所對應的加工機台參數組x1~xn記錄於任務資料庫104。
再者,關鍵零件狀態分析模組112僅根據機台參數x1(刀具磨耗參數)與機台參數x2(崩刀參數)來判斷製造該次工件時的關鍵零件狀態,並記錄於關鍵零件狀態資料庫114。
由第2A圖可知,製造第5001個工件至第5795個工件為第一關鍵零件狀態S1。製造第5796個工件至第7800個工件為第二關鍵零件狀態S2。製造第7801個工件至第9000個工件為第三關鍵零件狀態S3。製造第9001個工件至第9500個工件為第四關鍵零件狀態S4。而這些關鍵零件狀態S1~S4會被記錄於關鍵零件狀態資料庫114。
當任務資料庫104與關鍵零件狀態資料庫114記錄完成後,關鍵零件狀態資料庫114會依序產生四個關鍵零件狀態S1~S4至多任務模資料篩選模組(multitask data selection module)106以及預測模型資料庫220。
再者,多任務模資料篩選模組106會在於任務資料庫104中依照關鍵零件狀態S1~S4來挑選適合的任務資料T至預測模組210,並且預測模型資料庫220提供對應的關鍵零件狀態下的工件品質預測模型至預測模組210。因此,預測模組210根據接收到的關鍵零件狀態下的工件品質預測模型以及任務資料T,並預測工件品質參數組y1~y4。
舉例來說,當關鍵零件狀態資料庫114提供第一關鍵零件狀態S1至多任務資料篩選模組106以及預測模型資料庫220時,多任務模資料篩選模組106即於任務資料庫104中選擇屬於第一關鍵零件狀態S1的所有加工機台參數組x1~xn作為任務資料T。而預測模型資料庫220提供第一關鍵零件狀態下的工件品質預測模型121至預測模組210。
根據第2A圖中任務資料庫104的內容可知,任務資料為工件編號5001至工件編號5795所對應的加工機台參數組作為任務資料T。而預測模組210接收任務資料T,並根據第一關鍵零件狀態下的工件品質預測模型121來預測工件編號5001至工件編號5795所對應的工件品質參數組。
同理,當關鍵零件狀態資料庫114提供第二關鍵零件狀態S2至多任務資料篩選模組106以及預測模型資料庫220時,多任務模資料篩選模組106即於任務資料庫104中選擇屬於第二關鍵零件狀態S2的所有加工機台參數組作為任務資料T。而預測模型資料庫220提供第二關鍵零件狀態下的工件品質預測模型122至預測模組210。
根據第2A圖中任務資料庫104的內容可知,任務資料為工件編號5796至工件編號7800所對應的加工機台參數組作為任務資料T。而預測模組210接收任務資料T,並根據第二關鍵零件狀態下的工件品質預測模型122來預測工件編號5796至工件編號7800所對應的工件品質參數組。
同理,第三關鍵零件狀態下的工件品質預測模型123可預測工件編號7801至工件編號9000所對應的工件品質參數組;且第四關鍵零件狀態下的工件品質預測模型124可預測工件編號9001至工件編號9500所對應的工件品質參數組。此處不再贅述。
請參照第2D圖,其為本揭露的工件品質參數的預測方法。當預測階段開始後,於製造一工件的期間,產生一加工機台參數組(步驟S320)。由該加工機台參數組決定一關鍵零件狀態(步驟S234)。接著,根據該關鍵零件狀態來決定對應的一關鍵零件狀態下的工件品質預測模型(步驟S236)。根據該關鍵零件狀態下的工件品質預測模型與該加工機台參數組預測該工件的一工件品質參數組(步驟S238)。
再者,上述的工件品質參數的預測方法可運用於電腦程式產品,儲存一軟體程式。而利用電子裝置所具有的控制器來執行此軟體程式即可預測該工件的工件品質。
第2D圖所示之工件品質參數的預測方法,係介紹製造1個取樣工件時,利用其加工機台參數組與關鍵零件狀態下的工件品質預測模型來產生關鍵零件狀態所對應的一工件品質參數組。
相同的原理也可以運用至製造多個工件。亦即,如第2C圖接揭露之內容,將對應的多個加工機台參數組對應至不同的關鍵零件狀態下的工件品質預測模型,並據以產生每個工件
的工件品質參數組。
由以上的說明可之,本揭露的虛擬量測系統,在加工機台運作的預測階段,僅需利用加工機台參數組與對應的關鍵零件狀態下的工件品質預測模型,即可預測該工件的工件品質參數組。
以下表a係為本揭露虛擬量測系統,搭配不同關鍵零件狀態下的工件品質預測模型後所預測的工件品質參數組。
取樣工件編號1~1000的加工機台參數組與工件品質參數組所建立的第一關鍵零件狀態下的工件品質預測模型121係運用於預測工件編號5000~5790。由預測的結果可知,工件品質參數y1(高的誤差)為1.44條、工件品質參數y2(入口徑的誤差)為2.11條、工件品質參數y3(內徑的誤差)為1.86條、工件品質參數y4(溝徑的誤差)為3.44條。其中1條代表0.01mm。
同理,取樣工件編號1001~3000的加工機台參數組與工件品質參數組所建立的第二關鍵零件狀態下的工件品質預測模型122係運用於預測工件編號5795~7800。取樣工件編號
3001~4500的加工機台參數組與工件品質參數組所建立的第三關鍵零件狀態下的工件品質預測模型123係運用於預測工件編號7801~9000。取樣工件編號4501~5000的加工機台參數組與工件品質參數組所建立的第四關鍵零件狀態下的工件品質預測模型124係運用於預測工件編號9001~9500。
另外,以下表b係為不考慮關鍵零件狀態所建立的單一預測模型後所預測的工件品質參數組。
利用取樣工件編號1~5000的加工機台參數組與工件品質參數組來建立單一的預測模組。而利用此預測模組來預測工件編號5000~5795、5796~7800、7801~9000、9001~9500。
明顯地,由表a的內容可知,本揭露的虛擬量測系統具備有較佳的預測結果。
以下表c係比較本揭露的虛擬量測系統與習知虛擬量測系統對於預測工件品質的結果。
以表c中,軸承的高為例來作說明。利用習知虛擬量測系統以拉索迴歸建立的預測模型,其預測軸承的高與實際量測的結果之間會有0.71條的誤差。利用本揭露虛擬量測系統以多任務拉索回歸建立的預測模型,其預測軸承的高與實際量測的結果之間會有0.58條的誤差。明顯地,本揭露的虛擬量測系統可以改善18.3%。同理,其他工件品質的預測結果也可以獲得改善。
另外,於第2C圖所示的預測階段,更可包括一更新模組。當本揭露虛擬量測系統中的一關鍵零件狀態下的工件品質預測模型所預測的一工件品質參數組與實際的工件品質參數組之間的差異超過一門檻值(threshold)時,該更新模組會進行更新動作,用來修正該關鍵零件狀態下的工件品質預測模型。
舉例來說,第四關鍵零件狀態下的工件品質預測模型124所預測的一工件品質參數組與實際的工件品質參數組之間的差異超過門檻值時,該更新模組會進行更新動作,用來修正該第四關鍵零件狀態下的工件品質預測模型124。
綜上所述,本揭露的優點在於提出一種虛擬量測系統的預測模型建立方法及其相關預測方法。利用多任務學習來獲得多個任務之間的共通性,而於訓練的過程可降低回歸誤差,以獲得更準確的預測模型,以提升工件合格與否(Go/NoGo)判斷的
準確度。
綜上所述,雖然本揭露已以較佳實施例揭露如上,然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者,在不脫離本揭露之精神和範圍內,當可作各種之更動與潤飾。因此,本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
Claims (19)
- 一種預測模型建立方法,應用於一加工機台製造一工件,包括下列步驟:於製造該工件的期間,產生一加工機台參數組;於製造該工件後,量測該工件以產生一工件品質參數組;由該加工機台參數組決定一關鍵零件狀態;以及根據該加工機台參數組、該工件品質參數組與該關鍵零件狀態來產生對應的一關鍵零件狀態下的工件品質預測模型。
- 如申請專利範圍第1項所述之預測模型建立方法,其中該加工機台的一機台監控模組產生複數個加工機台參數,並結合成為該加工機台參數組。
- 如申請專利範圍第2項所述之預測模型建立方法,其中一工件品質量測模組,對該工件的複數個工件品質進行量測,以產生複數個工件品質參數,並結合成為該工件品質參數組。
- 如申請專利範圍第1項所述之預測模型建立方法,其中更包括:根據該加工機台參數組與該工件品質參數,並搭配一演算法來產生該關鍵零件狀態下的工件品質預測模型。
- 一種電腦程式產品,其上儲存有一軟體程式,該軟體程式執行時將使具有一控制器之一電子裝置進行一預測模型建立方法,該預測模型建立方法包括下列步驟:於一加工機台製造多個工件的期間,對應地產生多個加工機台參數組;於製造為該些工件後,量測該些工件以對應地產生多個工件品質參數組;由該些加工機台參數組決定複數個關鍵零件狀態,其中該些關鍵零件狀態包括一第一關鍵零件狀態與一第二關鍵零件狀態;以及選擇屬於該第一關鍵零件狀態所對應的該些加工機台參數組、該些工件品質參數組,搭配一演算法來產生一第一關鍵零件狀態下的工件品質預測模型。
- 如申請專利範圍第5項所述之電腦程式產品,其中該預測模型建立方法更包括:選擇屬於該第二關鍵零件狀態所對應的該些加工機台參數組、該些工件品質參數組,搭配該演算法來產生一第二關鍵零件狀態下的工件品質預測模型。
- 如申請專利範圍第5項所述之電腦程式產品,更包括一機台監控模組,其中於製造一第一工件時,該加工機台的該機台監控模組產生複數個加工機台參數,並結合成為該第一工件所對應的該加工機台參數組。
- 如申請專利範圍第7項所述之電腦程式產品,更包括一工件品質量測模組,其中該工件品質量測模組對該第一工件的複數個工件品質進行量測,以產生複數個工件品質參數,並結合成為該第一工件所對應的該工件品質參數組。
- 如申請專利範圍第5項所述之電腦程式產品,更包括一任務資料庫,儲存該些加工機台參數組與該些工件品質參數組。
- 如申請專利範圍第9項所述之電腦程式產品,更包括一關鍵零件狀態分析模組,接收該些加工機台參數組,並決定為該第一關鍵零件狀態或該第二關鍵零件狀態。
- 如申請專利範圍第10項所述之電腦程式產品,更包括:一多任務資料篩選模組,根據該第一關鍵零件狀態,由該任務資料庫中選擇屬於該第一關鍵零件狀態所對應的該些加工機台參數組、該些工件品質參數組;以及一預測模型訓練模組,搭配該演算法來產生該第一關鍵零件狀態下的工件品質預測模型。
- 一種預測方法,應用於一加工機台製造一工件,包括下列步驟:於製造該工件的期間,產生一加工機台參數組;由該加工機台參數組決定一關鍵零件狀態;根據該關鍵零件狀態來決定對應的一關鍵零件狀態下的工件品質預測模型;以及根據該關鍵零件狀態下的工件品質預測模型與該加工機台參數組預測該工件的一工件品質參數組。
- 如申請專利範圍第12項所述之預測方法,其中該加工機台的一機台監控模組產生複數個加工機台參數,並結合成為該加工機台參數組。
- 一種電腦程式產品,其上儲存有一軟體程式,該軟體程式執行時將使具有一控制器之一電子裝置進行一預測方法,該預測方法包括下列步驟:於一加工機台製造多個工件的期間,產生對應的多個加工機台參數組;由該些加工機台參數組中決定一第一部分的加工機台參數組屬於一第一關鍵零件狀態,且一第二部分的加工機台參數組屬於一第二關鍵零件狀態;提供一第一關鍵零件狀態下的工件品質預測模型,接收該第一部分的加工機台參數組,預測對應工件的多個工件品質參數組;以及提供一第二關鍵零件狀態下的工件品質預測模型,接收該第一部分的加工機台參數組,預測對應工件的多個工件品質參數組。
- 如申請專利範圍第14項所述之電腦程式產品,更包括一機台監控模組,其中於製造一第一工件時,該加工機台的該機台監控模組產生複數個加工機台參數,並結合成為該第一工件所對應的該加工機台參數組。
- 如申請專利範圍第14項所述之電腦程式產品,更包括一任務資料庫,儲存該些加工機台參數組。
- 如申請專利範圍第15項所述之電腦程式產品,更包括一關鍵零件狀態分析模組,接收該些加工機台參數組,並將該第一部分的加工機台參數組決定為該第一關鍵零件狀態,以及將該第二部分的加工機台參數組決定為該第二關鍵零件狀態。
- 如申請專利範圍第16項所述之電腦程式產品,更包括:一多任務資料篩選模組,根據該第一關鍵零件狀態,由該任務資料庫中選擇該第一部分的加工機台參數組;一預測模型資料庫,儲存該第一關鍵零件狀態下的工件品質預測模型與該第二關鍵零件狀態下的工件品質預測模型,且該預測模型資料庫根據該第一關鍵零件狀態提供該第一關鍵零件狀態下的工件品質預測模型;以及一預測模組,根據該預測模型資料庫提供的該第一關鍵零件狀態下的工件品質預測模型,以及該第一部分的加工機台參數組,來產生多個工件品質參數組。
- 如申請專利範圍第18項所述之電腦程式產品,更包括:一更新模組,其中當該第一關鍵零件狀態下的工件品質預測模型產生的該工件品質參數組與實際的一工件品質參數組之間的差異超過一門檻值時,該更新模組會進行更新動作以修正該第一關鍵零件狀態下的工件品質預測模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105139288A TWI625615B (zh) | 2016-11-29 | 2016-11-29 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
CN201611189666.1A CN108121295B (zh) | 2016-11-29 | 2016-12-20 | 预测模型建立方法及其相关预测方法与计算机程序产品 |
US15/392,280 US10579026B2 (en) | 2016-11-29 | 2016-12-28 | Building a workpiece quality prediction model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105139288A TWI625615B (zh) | 2016-11-29 | 2016-11-29 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201820064A TW201820064A (zh) | 2018-06-01 |
TWI625615B true TWI625615B (zh) | 2018-06-01 |
Family
ID=62190746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105139288A TWI625615B (zh) | 2016-11-29 | 2016-11-29 | 預測模型建立方法及其相關預測方法與電腦程式產品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10579026B2 (zh) |
CN (1) | CN108121295B (zh) |
TW (1) | TWI625615B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI684839B (zh) * | 2018-11-30 | 2020-02-11 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
TWI704978B (zh) * | 2018-09-26 | 2020-09-21 | 禾璟科技有限公司 | 可應用於硏磨機的電腦程式產品 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10275565B2 (en) | 2015-11-06 | 2019-04-30 | The Boeing Company | Advanced automated process for the wing-to-body join of an aircraft with predictive surface scanning |
TWI614699B (zh) * | 2016-12-30 | 2018-02-11 | 國立成功大學 | 大量客製化產品的品質預測方法 |
EP3358431A1 (de) * | 2017-02-07 | 2018-08-08 | Primetals Technologies Austria GmbH | Ganzheitliche planung von produktions- und/oder wartungsplänen |
US11029359B2 (en) * | 2018-03-09 | 2021-06-08 | Pdf Solutions, Inc. | Failure detection and classsification using sensor data and/or measurement data |
US10712730B2 (en) * | 2018-10-04 | 2020-07-14 | The Boeing Company | Methods of synchronizing manufacturing of a shimless assembly |
KR102606104B1 (ko) | 2019-01-29 | 2023-11-29 | 에이에스엠엘 네델란즈 비.브이. | 반도체 제조 공정에서의 의사 결정 방법 |
JP7274330B2 (ja) * | 2019-03-29 | 2023-05-16 | 株式会社カネカ | 製造システム、情報処理方法、および製造方法 |
CN113646714A (zh) * | 2019-04-29 | 2021-11-12 | 西门子股份公司 | 生产设备的加工参数设置方法、装置和计算机可读介质 |
WO2021014804A1 (ja) * | 2019-07-22 | 2021-01-28 | Jfeスチール株式会社 | 品質予測モデル生成方法、品質予測モデル、品質予測方法、金属材料の製造方法、品質予測モデル生成装置および品質予測装置 |
FR3101712B1 (fr) * | 2019-10-07 | 2021-10-22 | Safran Aircraft Engines | Procédé et dispositif de contrôle de conformité d’une pièce |
TWI700566B (zh) * | 2019-11-29 | 2020-08-01 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具異常診斷方法及其電腦程式產品 |
FR3106906A1 (fr) | 2020-02-03 | 2021-08-06 | Airbus Operations | Systeme d’estimation de l’état d’usure d’un outil coupant pendant l’usinage |
FR3106770B1 (fr) | 2020-02-03 | 2022-02-11 | Airbus | Systeme d’estimation indirecte de l’état d’usure d’un outil coupant |
WO2022149344A1 (ja) * | 2021-01-06 | 2022-07-14 | Jfeスチール株式会社 | 品質異常解析方法、金属材料の製造方法および品質異常解析装置 |
CN112884081B (zh) * | 2021-03-31 | 2023-07-14 | 福州大学 | 一种多品种小批量生产的工件质量在线智能预测方法 |
WO2023017165A1 (en) * | 2021-08-13 | 2023-02-16 | Basf Se | Automated multi-objective optimization of materials |
CN114488950B (zh) * | 2022-02-09 | 2023-02-28 | 无锡微茗智能科技有限公司 | 机床机械部件动态保护方法及数控机床设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200622526A (en) * | 2004-12-30 | 2006-07-01 | Ind Tech Res Inst | System and method for real-time quality detection |
TW200638171A (en) * | 2005-04-26 | 2006-11-01 | Powerchip Semiconductor Corp | Real-time management systems and methods for manufacture management and yield rate analysis integration |
TW200832243A (en) * | 2007-01-19 | 2008-08-01 | Ming-Shyan Huang | Method for finding robust processing parameters using regression model |
TW201019137A (en) * | 2008-11-13 | 2010-05-16 | Univ Nat Kaohsiung 1St Univ Sc | Multi-target robust manufacturing parameter searching method |
CN101908495A (zh) * | 2009-06-05 | 2010-12-08 | 台湾积体电路制造股份有限公司 | 虚拟测量先进工艺控制系统和设置方法 |
US20140107824A1 (en) * | 2012-10-15 | 2014-04-17 | International Business Machines Corporation | Method and System for Wafer Quality Predictive Modeling based on Multi-Source Information with Heterogeneous Relatedness |
US20140129503A1 (en) * | 2012-11-05 | 2014-05-08 | National Cheng Kung University | Method for predicting machining quality of machine tool |
CN103177180B (zh) * | 2011-12-20 | 2016-06-22 | 郑芳田 | 预测模型的建模样本的筛选方法 |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9729639B2 (en) * | 2001-08-10 | 2017-08-08 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
US20040176929A1 (en) * | 2003-03-07 | 2004-09-09 | Dirk Joubert | Monitoring and maintaining equipment and machinery |
US20050096772A1 (en) * | 2003-10-31 | 2005-05-05 | Cox David N. | Transformer performance prediction |
TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
US20070150254A1 (en) * | 2005-12-23 | 2007-06-28 | Choi Cathy Y | Simulation engine for a performance validation system |
TWI315054B (en) * | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
US7974728B2 (en) * | 2007-05-04 | 2011-07-05 | Taiwan Semiconductor Manufacturing Company, Ltd. | System for extraction of key process parameters from fault detection classification to enable wafer prediction |
US8145337B2 (en) * | 2007-05-04 | 2012-03-27 | Taiwan Semiconductor Manufacturing Company, Ltd. | Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment |
TWI338916B (en) * | 2007-06-08 | 2011-03-11 | Univ Nat Cheng Kung | Dual-phase virtual metrology method |
US7979380B2 (en) * | 2008-02-22 | 2011-07-12 | Applied Materials, Inc. | Dynamically updated predictive model |
US7974723B2 (en) * | 2008-03-06 | 2011-07-05 | Applied Materials, Inc. | Yield prediction feedback for controlling an equipment engineering system |
TWI349867B (en) * | 2008-05-20 | 2011-10-01 | Univ Nat Cheng Kung | Server and system and method for automatic virtual metrology |
US8396870B2 (en) * | 2009-06-25 | 2013-03-12 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
US8620468B2 (en) * | 2010-01-29 | 2013-12-31 | Applied Materials, Inc. | Method and apparatus for developing, improving and verifying virtual metrology models in a manufacturing system |
US9002492B2 (en) * | 2010-02-16 | 2015-04-07 | Applied Materials, Inc. | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology |
TWI412906B (zh) * | 2010-04-13 | 2013-10-21 | Univ Nat Cheng Kung | 具有虛擬量測功能的製造執行系統與製造系統 |
TWI407325B (zh) * | 2010-05-17 | 2013-09-01 | Nat Univ Tsing Hua | 製程品質預測系統及其方法 |
CN102254788B (zh) * | 2010-05-19 | 2014-08-20 | 国立成功大学 | 具有虚拟测量功能的制造执行系统与制造系统 |
CN101963802B (zh) * | 2010-08-25 | 2012-08-15 | 江苏大学 | 批次制程的虚拟量测方法与系统 |
US8855959B2 (en) * | 2010-08-30 | 2014-10-07 | International Business Machines Corporation | Integrated cross-tester analysis and real-time adaptive test |
US8899350B2 (en) * | 2010-12-16 | 2014-12-02 | Caterpillar Inc. | Method and apparatus for detection of drill bit wear |
US8923999B2 (en) * | 2011-09-07 | 2014-12-30 | Siemens Product Lifecycle Management Software Inc. | Volumetric cut planning |
US9275334B2 (en) * | 2012-04-06 | 2016-03-01 | Applied Materials, Inc. | Increasing signal to noise ratio for creation of generalized and robust prediction models |
US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
US10474774B2 (en) * | 2013-09-04 | 2019-11-12 | International Business Machines Corporation | Power and performance sorting of microprocessors from first interconnect layer to wafer final test |
CN104657526B (zh) * | 2013-11-21 | 2017-09-29 | 郑芳田 | 工具机的加工品质的预测方法 |
US10048676B2 (en) * | 2014-01-22 | 2018-08-14 | Omax Corporation | Generating optimized tool paths and machine commands for beam cutting tools |
TWI521360B (zh) | 2014-03-26 | 2016-02-11 | 國立成功大學 | 量測抽樣方法與其電腦程式產品 |
US10558924B2 (en) * | 2014-05-23 | 2020-02-11 | DataRobot, Inc. | Systems for second-order predictive data analytics, and related methods and apparatus |
US10366346B2 (en) * | 2014-05-23 | 2019-07-30 | DataRobot, Inc. | Systems and techniques for determining the predictive value of a feature |
US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
US20160162779A1 (en) * | 2014-12-05 | 2016-06-09 | RealMatch, Inc. | Device, system and method for generating a predictive model by machine learning |
CN104932431A (zh) * | 2015-06-29 | 2015-09-23 | 遵义宏港机械有限公司 | 一种外加式数控铣床智能编码控制方法 |
TWI594835B (zh) | 2015-11-06 | 2017-08-11 | 財團法人工業技術研究院 | 加工設備的健康評估方法與健康評估裝置 |
CN105571645A (zh) * | 2016-01-25 | 2016-05-11 | 潘祖国 | 一种大坝自动化监测方法 |
TWM531354U (zh) * | 2016-05-04 | 2016-11-01 | Factory Automation Technology | 加工裝置 |
TWM531604U (zh) * | 2016-05-04 | 2016-11-01 | Factory Automation Technology | 加工裝置 |
TWM531347U (zh) * | 2016-05-04 | 2016-11-01 | Factory Automation Technology | 加工裝置 |
TWM531349U (zh) * | 2016-05-04 | 2016-11-01 | Factory Automation Technology | 具有視覺量測之加工裝置 |
WO2018005489A1 (en) * | 2016-06-27 | 2018-01-04 | Purepredictive, Inc. | Data quality detection and compensation for machine learning |
-
2016
- 2016-11-29 TW TW105139288A patent/TWI625615B/zh active
- 2016-12-20 CN CN201611189666.1A patent/CN108121295B/zh active Active
- 2016-12-28 US US15/392,280 patent/US10579026B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200622526A (en) * | 2004-12-30 | 2006-07-01 | Ind Tech Res Inst | System and method for real-time quality detection |
TW200638171A (en) * | 2005-04-26 | 2006-11-01 | Powerchip Semiconductor Corp | Real-time management systems and methods for manufacture management and yield rate analysis integration |
TW200832243A (en) * | 2007-01-19 | 2008-08-01 | Ming-Shyan Huang | Method for finding robust processing parameters using regression model |
TW201019137A (en) * | 2008-11-13 | 2010-05-16 | Univ Nat Kaohsiung 1St Univ Sc | Multi-target robust manufacturing parameter searching method |
CN101908495A (zh) * | 2009-06-05 | 2010-12-08 | 台湾积体电路制造股份有限公司 | 虚拟测量先进工艺控制系统和设置方法 |
CN103177180B (zh) * | 2011-12-20 | 2016-06-22 | 郑芳田 | 预测模型的建模样本的筛选方法 |
US20140107824A1 (en) * | 2012-10-15 | 2014-04-17 | International Business Machines Corporation | Method and System for Wafer Quality Predictive Modeling based on Multi-Source Information with Heterogeneous Relatedness |
US20140129503A1 (en) * | 2012-11-05 | 2014-05-08 | National Cheng Kung University | Method for predicting machining quality of machine tool |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI704978B (zh) * | 2018-09-26 | 2020-09-21 | 禾璟科技有限公司 | 可應用於硏磨機的電腦程式產品 |
TWI684839B (zh) * | 2018-11-30 | 2020-02-11 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
Also Published As
Publication number | Publication date |
---|---|
CN108121295A (zh) | 2018-06-05 |
US20180150038A1 (en) | 2018-05-31 |
CN108121295B (zh) | 2020-08-11 |
US10579026B2 (en) | 2020-03-03 |
TW201820064A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI625615B (zh) | 預測模型建立方法及其相關預測方法與電腦程式產品 | |
Zhang et al. | Digital twin enhanced dynamic job-shop scheduling | |
KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
JP6530779B2 (ja) | 加工不良要因推定装置 | |
US8983644B2 (en) | Manufacturing execution system with virtual-metrology capabilities and manufacturing system including the same | |
TWI443776B (zh) | 用於叢集工具之自動化狀態估計系統以及操作該系統之方法 | |
Nduhura-Munga et al. | A literature review on sampling techniques in semiconductor manufacturing | |
US20150026107A1 (en) | System and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the methods therefor | |
JP2007165721A (ja) | プロセス異常分析装置及びプログラム | |
JP2019139755A (ja) | 研磨工具摩耗量予測装置、機械学習装置及びシステム | |
CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
KR102373655B1 (ko) | 공작기계의 고장 진단 장치 및 진단 방법 | |
Quintana et al. | Prediction, monitoring and control of surface roughness in high-torque milling machine operations | |
TWI649649B (zh) | 用於改進製造產量之基於事件處理的系統 | |
Zhengcai et al. | Bottleneck prediction method based on improved adaptive network-based fuzzy inference system (ANFIS) in semiconductor manufacturing system | |
TW201824100A (zh) | 大量客製化產品的品質預測方法 | |
US7257502B1 (en) | Determining metrology sampling decisions based on fabrication simulation | |
Shi et al. | Tool life prediction of dicing saw based on PSO-BP neural network | |
Jourdan et al. | Machine learning for intelligent maintenance and quality control: A review of existing datasets and corresponding use cases | |
CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与系统 | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
Wenzel et al. | Improving the accuracy of cycle time estimation for simulation in volatile manufacturing execution environments | |
TWI297506B (en) | Method and system for virtual metrology prediction for quality control in semiconductor manufacture | |
TW202147161A (zh) | 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品 | |
Cosin et al. | Bearing failure prognostics using recurrent neural networks: a spectral data based architecture |