TWI729500B - 電腦可讀取紀錄媒體、資料處理方法及資料處理系統 - Google Patents

電腦可讀取紀錄媒體、資料處理方法及資料處理系統 Download PDF

Info

Publication number
TWI729500B
TWI729500B TW108133671A TW108133671A TWI729500B TW I729500 B TWI729500 B TW I729500B TW 108133671 A TW108133671 A TW 108133671A TW 108133671 A TW108133671 A TW 108133671A TW I729500 B TWI729500 B TW I729500B
Authority
TW
Taiwan
Prior art keywords
target
data processing
information
target device
item
Prior art date
Application number
TW108133671A
Other languages
English (en)
Other versions
TW202113629A (zh
Inventor
許銘翔
王俊傑
吳鴻材
Original Assignee
財團法人工業技術研究院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW108133671A priority Critical patent/TWI729500B/zh
Priority to CN202010000590.3A priority patent/CN112529238A/zh
Priority to US16/793,020 priority patent/US11454243B2/en
Publication of TW202113629A publication Critical patent/TW202113629A/zh
Application granted granted Critical
Publication of TWI729500B publication Critical patent/TWI729500B/zh

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D19/00—Axial-flow pumps
    • F04D19/02—Multi-stage pumps
    • F04D19/04—Multi-stage pumps specially adapted to the production of a high vacuum, e.g. molecular pumps
    • 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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/81—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/82—Forecasts
    • F05D2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/94—Functionality given by mechanical stress related aspects such as low cycle fatigue [LCF] of high cycle fatigue [HCF]
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • F05D2270/807—Accelerometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一種資料處理方法，係包括：藉由至少一感測部感測一目標裝置之目標資訊；藉由一電子裝置接收該感測部之目標資訊並處理該目標資訊以形成特徵資訊；藉由該電子裝置將該特徵資訊處理成標示矩陣，並利用人工智慧訓練方式將該標示矩陣建立成目標模型；以及當該電子裝置擷取該目標裝置之即時資訊後，藉由該目標模型預測該目標裝置之使用期限，其中，該目標資訊之內容係對應該即時資訊之內容。因此，藉由將該特徵資訊處理成標示矩陣之設計，以利於人工智慧訓練而建構出良好之目標模型。

Description

電腦可讀取紀錄媒體、資料處理方法及資料處理系統
本發明有關於一種資料處理方法，尤指一種用於預測真空泵壽命之資料處理方法及資料處理系統。
半導體晶圓於製作時，係藉由真空泵吸取工作腔室之粉塵，但真空泵之損耗程度會影響吸取效果，故需即時更換效果不佳之真空泵。
然而，目前之做法係依據作業員之經驗更換真空泵，然如此容易判斷錯誤，導致汰換掉品質尚可之真空泵或未能即時更換已無效之真空泵。
為此，業界發展出自動偵測方式，如第WO/2006/064990號專利，但其於進行預測真空泵壽命之作業時，演算過程過於繁雜，致使演算時程冗長，且預測之準確度有限，已不足以滿足現階段半導體晶圓製程對於真空泵即時更換之需求。
因此，如何即時更換效果不佳之真空泵，實已成為目前業界亟待克服之課題。
鑑於上述習知技術之種種缺失，本發明提供一種真空泵之資料處理方法，係包括：藉由至少一感測部感測一目標裝置之目標資訊；藉由一電子裝置接收並處理該感測部之目標資訊以形成特徵資訊；藉由該電子裝置將該特徵資訊處理成標示矩陣，並利用人工智慧訓練方式將該標示矩陣建立成目標模型；以及於該電子裝置擷取該目標裝置之即時資訊後，藉由該目標模型預測該目標裝置之使用期限，其中，該目標資訊之內容係對應該即時資訊之內容。
本發明亦提供一種真空泵之資料處理系統，係包括：感測部，係感測一目標裝置之目標資訊；接收部，係通訊連接該感測部，以接收並處理該目標資訊而形成特徵資訊；標示部，係通訊連接該接收部，以將該特徵資訊處理成標示矩陣，並藉由人工智慧訓練方式將該標示矩陣建立成目標模型；以及預測部，係通訊連接該接收部與該標示部，以於擷取該目標裝置之即時資訊後，藉由該目標模型預測該目標裝置之使用期限，其中，該目標資訊之內容係對應該即時資訊之內容。
前述之資料處理方法及其系統中，該電子裝置係以累加方法與主成份分析法標示該特徵資訊。例如，該累加方法係將累加前之特徵資訊轉變成累加後之累加特徵。進一步，該標示矩陣係藉由將該累加後之累加特徵以該主成份分析法演算及最小值最大值正規化的方式獲取者。
前述之資料處理方法及其系統中，該特徵資訊係包含該目標裝置於工作階段之資料，但未包含該目標裝置於空轉、維修及/或停機之機台無負載情況之階段之資料。
前述之資料處理方法及其系統中，該感測部係為加速度感測器，其連接該目標裝置。
前述之資料處理方法及其系統中，該目標裝置係為真空泵，其連通一半導體晶圓製程之工作腔室。
前述之資料處理方法及其系統中，該目標模型係為藉由神經網路演算機制所構成之深度學習模型。
前述之資料處理方法及其系統中，該即時資訊係經由該電子裝置之處理，再輸入該目標模型，以令該電子裝置獲取該目標裝置之使用期限之預測資訊。
本發明可提供一種內儲程式之電腦可讀取紀錄媒體，以當電腦載入該程式並執行後，完成前述之資料處理方法。
由上可知，本發明之資料處理方法及其系統中，主要藉由該標示部將該特徵資訊處理成標示矩陣之設計，以利於人工智慧之訓練而建構出良好之目標模型，故相較於習知技術，本發明於進行預測真空泵壽命之作業時，該目標模型之演算過程簡易，以令演算時程快，且預測之準確度高，滿足現階段半導體晶圓製程對於真空泵即時更換之需求。
以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如「上」及「一」等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當視為本發明可實施之範疇。
第1A及1B圖為本發明之資料處理系統1之應用與架構配置示意圖。如第1A及1B圖所示，該資料處理系統1例如包括相互通訊連接之感測部10以及電子裝置1a，其中，該感測部10係用於感測一目標裝置9之目標資訊，且該電子裝置1a係配置有一接收部11、一標示部12以及一預測部13，惟本發明並不限制上述架構配置之各組成之可能整合、替換或增減配置。
於本實施例中，該電子裝置1a係為電腦，且該目標裝置9係包含加速器(booster)及/或真空泵(如乾式幫浦)，其中，該真空泵連通一半導體晶圓製程之工作腔室S。
所述之感測部10係為加速度感測器(如加速規)，其設於該目標裝置9上。
於本實施例中，於如該加速器(booster) 之目標裝置9上針對軸向與徑向各安裝一顆加速規（感測部10），且於如乾式幫浦組合之高壓機組(HP)及低壓機組(LP）之目標裝置9上分別安裝一顆加速規（感測部10）。
所述之接收部11係通訊連接該感測部10以接收該目標資訊，並處理該目標資訊以形成特徵資訊。
於本實施例中，該特徵資訊係包含該目標裝置9於工作階段之資料而不包含該目標裝置9於空轉、維修及/或停機之機台無負載情況之階段之資料。
所述之標示部12係通訊連接該接收部11，以將該特徵資訊處理成標示矩陣(Label Matrix)，並藉由人工智慧訓練方式將該標示矩陣建立成目標模型。
於本實施例中，該標示部12係以累加(cumulative)方法與主成份分析法（Principal components analysis，簡稱PCA）處理該特徵資訊。例如，該累加方法係將累加前之特徵資訊轉變成累加後之累加特徵。具體地，該標示部12係將該累加特徵以該主成份分析法演算及最小值最大值正規化(Min-Max Normalization)的方式獲取該標示矩陣。
再者，該目標模型係為藉由神經網路演算機制所構成之深度學習模型。
所述之預測部13係通訊連接該接收部11與該標示部12，以於擷取該目標裝置9之即時資訊後，藉由該目標模型預測該目標裝置9之使用期限，其中，該目標資訊之內容係對應該即時資訊之內容。
於本實施例中，該即時資訊係經由該接收部11與該標示部12之處理，再輸入該目標模型，以令該預測部13獲取該目標裝置9之使用期限之預測資訊。
再者，該目標資訊之內容之單位與該即時資訊之內容之單位相同，且該目標資訊之內容之數值不同於該即時資訊之內容之數值。
第2圖係為本發明之資料處理方法之流程示意圖。如第2圖所示，所述之資料處理方法係採用該資料處理系統1依序進行前置作業2a、建模作業2b及預測作業2c，其中，該前置作業2a包括步驟S20~S22，該建模作業2b包括步驟S23~S25，該預測作業2c包括步驟S26~S27，詳述如下。
於步驟S20中，藉由該感測部10感測該目標裝置9之目標資訊。
於本實施例中，該目標資訊係包含該目標裝置9於工作階段與如空轉(idle)之機台無負載情況之階段之資料，即該電子裝置1a尚未進行資料處理（如第3A圖所示之過濾前之數據），其中，工作階段係為該工作腔室S正進行半導體晶圓製程，且該空轉階段係為該工作腔室S未進行半導體晶圓製程。具體地，該目標資訊係基於原始數據(raw data)，如現場偵測該目標裝置9之振動數據、及/或來自廠商提供之中央管理系統(Central Management System, CMS)資料(如真空泵之電流數據)。
於步驟S21中，藉由該電子裝置1a之接收部11接收該感測部10之目標資訊。
於本實施例中，該電子裝置1a係先篩選所需之資料（如子步驟S210），再進行過濾(Filter)（如子步驟S211），即第3B圖所示之過濾後之數據，且該接收部11之過濾規則如下列條件：
第一條件：資料集(recipe)具有多組數據，如520組數據，其定義為前段、中段及後段，其中，該前段係包含60組，該中段係包含10組，且該後段係包含450組；而後，過濾掉中段數據，擷取前段及後段的數據。
第二條件：前段數據之標準差需小於前段數據閾值，後段數據之標準差需小於後段數據閾值。其中，該前段數據閾值與該後段數據閾值係透過收集長時間數據，藉由類神經網路所訓練出來的權重值。例如，前段數據之標準差需＜ 0.25，後段數據之標準差需＜ 0.14。另外，該後段超過基準線(Base Line)之數據(點數)需＞30組，該基準線= Lmean + Lstd ，其中，Lmean 為該後段之平均值，Lstd 為該後段之標準差。
於步驟S22中，藉由該電子裝置1a之接收部11處理該目標資訊以形成特徵資訊。
於本實施例中，該特徵資訊係包含該目標裝置9於工作階段之資料而不包含該目標裝置9於空轉、維修及/或停機之機台無負載情況之階段之資料。例如，該電子裝置1a將過濾後之數據（如第3B圖所示）轉換成如第3C圖所示之特徵列表(Feature Table)，以作為該特徵資訊。
再者，該特徵資訊包含各測點數據之以下特徵： 第一、時域訊號均方根：
Figure 02_image001
； 第二、振動速度：配合ISO-10816振動檢測規範計算振動總量； 第三、轉速1~10倍頻總和：從機械結構上發現與構造相關之頻率。
於步驟S23中，藉由該電子裝置1a之標示部12將該特徵資訊處理成標示矩陣。
於本實施例中，該標示部12係以標示(Labeling)機制標示該特徵資訊。具體地，該標示機制係包含累加(cumulative)方法與主成份分析法（Principal components analysis，簡稱PCA）。
再者，為使特徵資訊之趨勢更為顯著，故採用累加概念之處理手法對特徵進行處理，將所述之累加方法係將累加前之特徵資訊（如第4A或3B圖所示）轉變成累加後之累加特徵(cumulative features)（如第4B圖所示），其中，該累加方法係採用以下公式：
Figure 02_image003
，其中，F係代表特徵資訊之特徵列表，FC 係代表累加特徵。
又，該標示矩陣係藉由將該累加特徵以該主成份分析法演算及最小值最大值正規化(極值正規化)的方式獲取者，亦即，將[FC ] 轉換成[L]，其中，L係代表標示矩陣。具體地，求得該標示矩陣之方法如第4C圖所示之演算機制M，其過程如下所述。
於步驟M41中，將
Figure 02_image005
之多個特徵透過matlab軟體先進行平滑化處理，如採用rloess方法，以取得取得新的特徵資訊(Feature table)
Figure 02_image007
。
於步驟M42中，進行PCA演算。具體地，將該
Figure 02_image009
之多個特徵透過該matlab軟體進行主成份分析(PCA)，並利用PCA將12個維度的特徵降低維度以擷取PCA_1(1階)。
於步驟M43中，將PCA_1進行極值正規化，如下所示之公式：
Figure 02_image011
，其中，
Figure 02_image013
為特徵向量，下標min、max分別代表該特徵向量之最小值與最大值，
Figure 02_image015
為正規化後之結果。藉此，取得標示矩陣L，如第4D-1及4D-2圖所示。
於步驟S24~S25中，藉由人工智慧訓練方式將該標示矩陣建立成目標模型。
於本實施例中，該目標模型係為藉由神經網路（Neural Network，簡稱NN）演算機制（如第5圖所示）所構成之深度學習模型，其透過該matlab軟體建構，過程如下：
Figure 02_image017
，其中，該目標模型係可採用激活函數（Activation Function）表示，如下所列公式： 函數f = 輸入值a • 輸入權重W +偏差權重b = 輸出值 ，其中，第5A及5B圖係為偏差權重(Bias_weighting)之參數，且第5A’及5B’圖係分別為對應第5A及5B圖之輸入權重(input_weighting)之參數。
於步驟S26中，該電子裝置1a之接收部11擷取該目標裝置9之即時資訊。
於本實施例中，該即時資訊係針對即時訊號進行處理。具體地，經由該電子裝置1a之處理（如步驟S20~S23），再輸入該目標模型。
於步驟S27中，藉由該目標模型之運作，使該預測部13預測該目標裝置9之使用期限之預測資訊（如第6圖所示），其中，該目標資訊之內容係對應該即時資訊之內容。
於本實施例中，該目標資訊之內容之單位(如振動數據)與該即時資訊之內容之單位（如振動數據）相同，且該目標資訊之內容之數值（如振動數據）不同於該即時資訊之內容之數值（如振動數據）。
再者，使用自動回歸滑動平均模型（Autoregressive moving average model，簡稱ARMA模型），以呈現設備健康指數（Equipment Health Index，以下簡稱EHI）時間表（如第6圖所示），使該電子裝置1a之預測部13藉此圖表獲取該目標裝置9之使用期限（使用壽命）之預測資訊（如第6圖所示），其中，第6圖之曲線圖係包含即時資訊線段L1、目標模型線段L2及預測線段L3。
又，所述之自動回歸滑動平均模型係為一種研究時間序列的重要方法，其由自動回歸模型（簡稱AR模型）與移動平均模型（簡稱MA模型）為基礎「混合」構成，如下： ARMA(p,q )模型 :
Figure 02_image019
，其中
Figure 02_image021
為自迴歸模型參數，
Figure 02_image023
為移動平均模型參數，
Figure 02_image025
為常數項，
Figure 02_image027
為白噪音訊號。
因此，於實際預測作業中，如第7A圖所示，係利用該目標裝置9於第一次運作時之數據建立該目標模型，以該目標裝置9於第三次運作時之數據進行預測，透過EHI建立流程，將收取之振動特徵進行分析，可得到所需之結果資料。例如，該結果資料係包括振動擷取資料之總次數之目標模型之訓練結果P1為第96次，該目標裝置9之生命週期之總次數之預測結果P2為第128次（即預測使用壽命），而實際換機係於第106次，因而並非異常換機狀態。
於另一實際預測作業中，如第7B圖所示，係利用該目標裝置9於第一次運作時之數據建立該目標模型，以該目標裝置9於第六次運作時之數據進行預測，透過EHI建立流程，將收取之振動特徵進行分析，可得到所需之結果資料。例如，振動擷取資料之總次數之目標模型之訓練結果P1為第95次，該目標裝置9之生命週期之總次數之預測結果P2為第103次（即預測使用壽命），而實際換機係於第98次，因而並非異常換機狀態。
於另一實際預測作業中，如第7C圖所示，係利用該目標裝置9於第一次運作時之數據建立該目標模型，以該目標裝置9於第三次運作時之數據進行預測，透過EHI建立流程，將收取之振動特徵進行分析，可得到所需之結果資料。例如，振動擷取資料之總次數之目標模型之訓練結果P1為第60次，該目標裝置9之生命週期之總次數之預測結果P2為第70次（即預測使用壽命），而實際換機係於第60次，因而並非異常換機狀態。
於另一實際預測作業中，如第7D圖所示，係利用該目標裝置9於第一次運作時之數據建立該目標模型，以該目標裝置9於第一次運作時之數據進行預測，透過EHI建立流程，將收取之振動特徵進行分析，可得到所需之結果資料。例如，振動擷取資料之總次數之目標模型之訓練結果P1為第36次，該目標裝置9之生命週期之總次數之預測結果P2為第51次（即預測使用壽命），而實際換機係於第36次，因而並非異常換機狀態。
綜上所述，本發明之資料處理方法及資料處理系統，係利用電子裝置之標示部將接收部處理目標資訊所形成之特徵資訊進行處理形成標示矩陣之設計，以利於人工智慧之訓練而建構出良好之目標模型，故相較於習知技術，本發明於進行預測真空泵壽命之作業時，該目標模型之演算過程簡易，以令演算時程快，且預測之準確度高，滿足現階段半導體晶圓製程對於真空泵即時更換之需求。
另外，本發明可提供一種內儲程式之電腦可讀取紀錄媒體，如製成軟體之光碟片，以當電腦載入該程式並執行後，完成前述之資料處理方法。
上述實施例用以例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施例進行修改。因此本發明之權利保護範圍，應如後述之申請專利範圍所列。
1:資料處理系統 1a:電子裝置 10:感測部 11:接收部 12:標示部 13:預測部 2a:前置作業 2b:建模作業 2c:預測作業 9:目標裝置 L1:即時資訊線段 L2:目標模型線段 L3:預測線段 M:演算機制 M41~M43:步驟 P1:訓練結果 P2:預測結果 S:工作腔室 S21~S27:步驟 S210~S211:子步驟
第1A圖為本發明之資料處理系統之應用之配置示意圖。
第1B圖為本發明之資料處理系統之架構配置示意圖。
第2圖為本發明之資料處理方法之流程示意圖。
第3A及3B圖為本發明之資料處理方法之過濾作業之圖表。
第3C圖為本發明之特徵資訊之列表。
第4A及4B圖為本發明之資料處理方法之累加作業之圖表。
第4C圖為本發明之資料處理方法之標示矩陣之取得方法之過程示意圖。
第4D-1及4D-2圖為本發明之資料處理方法之極值正規化作業之圖表。
第5圖為本發明之資料處理方法之神經網路演算機制之示意圖。
第5A及5B圖係為本發明之資料處理方法於建構目標模型之偏差權重之參數表。
第5A’及5B’圖係分別為對應第5A及5B圖之輸入權重之參數表。
第6圖為本發明之資料處理方法於運作目標模型所產生之設備健康指數與時間之對應表。
第7A至7D圖為本發明之資料處理方法於進行實際預測時所產生之不同實施例之設備健康指數與時間之對應表。
1:資料處理系統
1a:電子裝置
10:感測部
11:接收部
12:標示部
13:預測部

Claims (17)

  1. 一種資料處理方法，係包括：藉由至少一感測部感測一目標裝置之目標資訊；藉由一電子裝置接收並處理該感測部之目標資訊以形成特徵資訊；藉由該電子裝置採用累加方法與主成份分析法標示該特徵資訊，以將該特徵資訊處理成標示矩陣，並利用人工智慧訓練方式將該標示矩陣建立成目標模型；以及於該電子裝置擷取該目標裝置之即時資訊後，藉由該目標模型預測該目標裝置之使用期限，其中，該目標資訊之內容係對應該即時資訊之內容。
  2. 如申請專利範圍第1項所述之資料處理方法，其中，該累加方法係將累加前之特徵資訊轉變成累加後之累加特徵。
  3. 如申請專利範圍第2項所述之資料處理方法，其中，該標示矩陣係藉由將該累加後之累加特徵以該主成份分析法演算及最小值最大值正規化的方式獲取者。
  4. 如申請專利範圍第1項所述之資料處理方法，其中，該特徵資訊係包含該目標裝置於工作階段之資料，但未包含該目標裝置於空轉、維修及/或停機之機台無負載情況之階段之資料。
  5. 如申請專利範圍第1項所述之資料處理方法，其中，該感測部係為連接該目標裝置之加速度感測器。
  6. 如申請專利範圍第1項所述之資料處理方法，其中，該目標裝置係為真空泵，其連通一半導體晶圓製程之工作腔室。
  7. 如申請專利範圍第1項所述之資料處理方法，其中，該目標模型係為藉由神經網路演算機制所構成之深度學習模型。
  8. 如申請專利範圍第1項所述之資料處理方法，其中，該即時資訊係經由該電子裝置之處理，再輸入該目標模型，以令該電子裝置獲取該目標裝置之使用期限之預測資訊。
  9. 一種資料處理系統，係包括：感測部，係感測一目標裝置之目標資訊；接收部，係通訊連接該感測部，以接收並處理該目標資訊而形成特徵資訊；標示部，係通訊連接該接收部並以累加方法與主成份分析法處理該特徵資訊，以將該特徵資訊處理成標示矩陣，並藉由人工智慧訓練方式將該標示矩陣建立成目標模型；以及預測部，係通訊連接該接收部與該標示部，以於擷取該目標裝置之即時資訊後，藉由該目標模型預測該目標裝置之使用期限，其中，該目標資訊之內容係對應該即時資訊之內容。
  10. 如申請專利範圍第9項所述之資料處理系統，其中，該累加方法係將累加前之特徵資訊轉變成累加後之累加特徵。
  11. 如申請專利範圍第10項所述之資料處理系統，其中，該標示部係將該累加後之累加特徵以該主成份分析法演算及最小值最大值正規化的方式獲取該標示矩陣。
  12. 如申請專利範圍第9項所述之資料處理系統，其中，該特徵資訊係包含該目標裝置於工作階段之資料，但未包含該目標裝置於空轉、維修及/或停機之機台無負載情況之階段之資料。
  13. 如申請專利範圍第9項所述之資料處理系統，其中，該感測部係為連接該目標裝置之加速度感測器。
  14. 如申請專利範圍第9項所述之資料處理系統，其中，該目標裝置係為真空泵，其連通一半導體晶圓製程之工作腔室。
  15. 如申請專利範圍第9項所述之資料處理系統，其中，該目標模型係為藉由神經網路演算機制所構成之深度學習模型。
  16. 如申請專利範圍第9項所述之資料處理系統，其中，該即時資訊係經由該接收部與該標示部之處理，再輸入該目標模型，以令該預測部獲取該目標裝置之使用期限之預測資訊。
  17. 一種內儲程式之電腦可讀取紀錄媒體，以當電腦載入該程式並執行後，完成如申請專利範圍第1項所述之資料處理方法。
TW108133671A 2019-09-18 2019-09-18 電腦可讀取紀錄媒體、資料處理方法及資料處理系統 TWI729500B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108133671A TWI729500B (zh) 2019-09-18 2019-09-18 電腦可讀取紀錄媒體、資料處理方法及資料處理系統
CN202010000590.3A CN112529238A (zh) 2019-09-18 2020-01-02 电脑可读取记录介质、数据处理方法及数据处理系统
US16/793,020 US11454243B2 (en) 2019-09-18 2020-02-18 Artificial intelligence training method for a target model based on the label matrix

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108133671A TWI729500B (zh) 2019-09-18 2019-09-18 電腦可讀取紀錄媒體、資料處理方法及資料處理系統

Publications (2)

Publication Number Publication Date
TW202113629A TW202113629A (zh) 2021-04-01
TWI729500B true TWI729500B (zh) 2021-06-01

Family

ID=74868423

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108133671A TWI729500B (zh) 2019-09-18 2019-09-18 電腦可讀取紀錄媒體、資料處理方法及資料處理系統

Country Status (3)

Country Link
US (1) US11454243B2 (zh)
CN (1) CN112529238A (zh)
TW (1) TWI729500B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828482B (zh) * 2024-03-04 2024-05-07 北京航空航天大学 基于鸡群算法和马尔科夫法的灰色模型芯片寿命预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6865513B2 (en) * 2001-03-23 2005-03-08 Kabushiki Kaisha Toshiba Method for predicting life of rotary machine and determining repair timing of rotary machine
CN101080700A (zh) * 2004-12-17 2007-11-28 韩国标准科学研究院 用于真空泵的故障保护和预知维护的精确诊断方法及精确诊断系统
CN100476663C (zh) * 2001-08-31 2009-04-08 株式会社东芝 生产装置的故障诊断方法和故障诊断系统
US20150134271A1 (en) * 2013-11-08 2015-05-14 Seiko Epson Corporation Life expiration predicting method, life expiration predicting apparatus, life expiration predicting system, life expiration calculating apparatus, and rotary machine

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5997998A (en) 1998-03-31 1999-12-07 Tdk Corporation Resistance element
US6289735B1 (en) 1998-09-29 2001-09-18 Reliance Electric Technologies, Llc Machine diagnostic system and method for vibration analysis
US6301572B1 (en) 1998-12-02 2001-10-09 Lockheed Martin Corporation Neural network based analysis system for vibration analysis and condition monitoring
JP4149691B2 (ja) 2001-08-31 2008-09-10 株式会社東芝 半導体製造装置用回転機の寿命予測方法及び半導体製造装置
JP3692106B2 (ja) 2002-09-27 2005-09-07 株式会社東芝 製造装置及び回転機の寿命予測方法
JP3967245B2 (ja) 2002-09-30 2007-08-29 株式会社東芝 回転機の寿命予測方法及び回転機を有する製造装置
WO2006064990A1 (en) 2004-12-17 2006-06-22 Korea Research Institute Of Standards And Science A trend monitoring and diagnostic analysis method for a vacuum pump and a trend monitoring and diagnostic analysis system therefor and computer-readable storage media including a computer program which performs the method
TWI348659B (en) * 2007-10-29 2011-09-11 Ind Tech Res Inst Method and system for object detection and tracking
US8493216B2 (en) * 2008-12-16 2013-07-23 International Business Machines Corporation Generating deportment and comportment cohorts
US8542252B2 (en) * 2009-05-29 2013-09-24 Microsoft Corporation Target digitization, extraction, and tracking
US8811687B2 (en) * 2011-08-22 2014-08-19 International Business Machines Corporation Natural media in digital representations
CN102402727A (zh) 2011-11-10 2012-04-04 中联重科股份有限公司 工程机械的部件剩余寿命预测系统及方法
TWI447302B (zh) 2011-12-26 2014-08-01 Ind Tech Res Inst 泵浦系統的診斷裝置及其性能診斷方法
CN102693450B (zh) 2012-05-16 2014-11-12 北京理工大学 一种基于遗传神经网络的曲轴疲劳寿命预测方法
GB2535456A (en) 2015-02-12 2016-08-24 Edwards Ltd Processing tool monitoring
CN106089753B (zh) 2016-07-01 2018-01-19 太原理工大学 一种离心泵剩余寿命预测方法
CN106528975B (zh) * 2016-11-01 2019-10-01 电子科技大学 一种应用于电路与系统的故障预测与健康管理方法
JP6629815B2 (ja) * 2017-10-23 2020-01-15 ファナック株式会社 寿命推定装置及び機械学習装置
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN110222371B (zh) * 2019-05-05 2020-12-22 北京大学 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6865513B2 (en) * 2001-03-23 2005-03-08 Kabushiki Kaisha Toshiba Method for predicting life of rotary machine and determining repair timing of rotary machine
CN100476663C (zh) * 2001-08-31 2009-04-08 株式会社东芝 生产装置的故障诊断方法和故障诊断系统
CN101080700A (zh) * 2004-12-17 2007-11-28 韩国标准科学研究院 用于真空泵的故障保护和预知维护的精确诊断方法及精确诊断系统
US20150134271A1 (en) * 2013-11-08 2015-05-14 Seiko Epson Corporation Life expiration predicting method, life expiration predicting apparatus, life expiration predicting system, life expiration calculating apparatus, and rotary machine

Also Published As

Publication number Publication date
US11454243B2 (en) 2022-09-27
US20210079925A1 (en) 2021-03-18
CN112529238A (zh) 2021-03-19
TW202113629A (zh) 2021-04-01

Similar Documents

Publication Publication Date Title
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN108959778B (zh) 一种基于退化模式一致性的航空发动机剩余寿命预测方法
US20110219327A1 (en) Selectively presenting timestamped time-series data values for retrieved supervisory control and manufacturing/production parameters
CN113927371A (zh) 一种基于多传感器特征融合的刀具磨损预测方法
TWI662424B (zh) 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法
CN116434372B (zh) 用于变工况设备的智能化数据采集系统、工况识别系统
TWI729500B (zh) 電腦可讀取紀錄媒體、資料處理方法及資料處理系統
CN117407700A (zh) 一种带电作业过程中作业环境的监测方法
CN116028887B (zh) 一种连续性工业生产数据的分析方法
WO2023005976A1 (zh) 一种基于深度学习的电力设备识别方法及其装置
CN110308339B (zh) 基于证据推理规则的变频器直流母线电容故障诊断法
CN116934162A (zh) 一种基于数据分析的农机设备运行管控系统
CN117782198B (zh) 一种基于云边端架构的公路机电设备运行监测方法及系统
CN116629843B (zh) 智能化柴油发电机组的远程预警与维护决策支持系统
CN113095540A (zh) 数据整合方法及数据整合系统
CN108009514B (zh) 球磨机料位预测方法
WO2023029382A1 (zh) 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法
CN112861957A (zh) 一种油井运行状态检测方法及装置
CN110109974B (zh) 一种基于功率信息的压铸机生产数据智能获取系统
CN111198060A (zh) 一种基于局部特征尺度分解的斜拉索时变索力识别方法
CN115907202B (zh) 一种双碳背景下的数据中心pue计算分析方法及系统
CN117869278B (zh) 一种空气压缩机组的节能控制方法及系统
CN117312780B (zh) 一种空压站数据增强方法、装置、存储介质及计算机设备
CN117870779B (zh) 一种自动化设备远程无线智能监控方法及系统
CN116756619B (zh) 一种基于大数据的设备智能诊断方法及系统