TWI773539B - 依據離群值篩選資料以預測測試時間之系統及方法 - Google Patents

Abstract

一種依據離群值篩選資料以預測測試時間之系統及方法，其透過整合與各測試機種對應之零部件資料與測試歷史資料以產生測試機台對應被測機種的機台測試時間資料，並對機台測試時間資料進行統計分析以取得機台測試時間資料之離群值，並由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料後，依據訓練資料建立時間預測模型以預測目標機種的測試時間之技術手段，可以提高預估整機測試時間的精準度，並達成降低預估整機測試時間之複雜度與工作量的技術功效。

Description

依據離群值篩選資料以預測測試時間之系統及方法

一種時間預測系統及其方法，特別係指一種依據離群值篩選資料以預測測試時間之系統及方法。

工業4.0（Industry 4.0），又稱為第四次工業革命，其並不是單單創造新的工業技術，而是著重於將現有的工業技術、銷售流程與產品體驗統合，透過人工智慧技術建立具有適應性、資源效率和人因工程學的智慧工廠，並在商業流程及價值流程中整合客戶以及商業夥伴，以提供完善的售後服務，進而建構出一個有感知意識的新型智慧型工業世界。

隨著工業4.0的浪潮襲捲全球，製造業者無不以智能製造優化生產轉型，提升競爭力。智慧製造是架構在感測技術、網路技術、自動化技術、與人工智慧的基礎上，透過感知、人機互動、決策、執行、與回饋的過程，來實現產品設計與製造、企業管理與服務的智慧化。

而電子組裝業薄利多銷、產品價格競爭激烈的特性，讓業者追求對原物料及生產工具更有效的管控與最佳化，促使工廠生產資源效益最大化。其中，在電子組裝業的生產線中，排產環節十分重要，整個排產過程需要考慮包括人員、設備、物料、生產工序與方法、環境在內等多種複雜因素。同時，生產線上的每個機台都是由成百上千個零部件構成，再加上有些產品的生產效率有較高的要求，導致在排產中，預估產品的整機測試時間成為十分重要的一項工作。

目前傳統的生產方式，所有整機測試時間依賴人工經驗或試產進行預估，工作量大且繁瑣，導致整機測試時間並不精確，難以解決複雜的業務問題。

綜上所述，可知先前技術中長期以來一直存在依照人工經驗或試產所預估之整機測試時間並不精確的問題，因此有必要提出改進的技術手段，來解決此一問題。

有鑒於先前技術存在依照人工經驗或試產所預估之整機測試時間並不精確的問題，本發明遂揭露一種依據離群值篩選資料以預測測試時間之系統及方法，其中：

本發明所揭露之依據離群值篩選資料以預測測試時間之系統，至少包含：資料取得模組，用以取得與各測試機種對應之零部件資料及測試歷史資料；資料整合模組，用以整合零部件資料及測試歷史資料以產生機台測試時間資料；資料分析模組，用以對機台測試時間資料進行統計分析以取得離群值；資料篩選模組，用以由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料；模型建立模組，用以依據訓練資料建立時間預測模型；時間預測模組，用以使用時間預測模型判斷測試機台對目標機種之預期測試時間。

本發明所揭露之依據離群值篩選資料以預測測試時間之方法，其步驟至少包括：取得與各測試機種對應之零部件資料及測試歷史資料；整合零部件資料及測試歷史資料以產生機台測試時間資料；對機台測試時間資料進行統計分析以取得離群值；由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料；依據訓練資料建立時間預測模型；使用時間預測模型判斷測試機台對目標機種之預期測試時間。

本發明所揭露之系統與方法如上，與先前技術之間的差異在於本發明透過整合與各測試機種對應之零部件資料與測試歷史資料以產生測試機台對應被測機種的機台測試時間資料，並對機台測試時間資料進行統計分析以取得機台測試時間資料之離群值，並由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料後，依據訓練資料建立時間預測模型以預測測試機台對目標機種的測試時間，藉以解決先前技術所存在的問題，並可以達成降低預估整機測試時間之複雜度與工作量的技術功效。

以下將配合圖式及實施例來詳細說明本發明之特徵與實施方式，內容足以使任何熟習相關技藝者能夠輕易地充分理解本發明解決技術問題所應用的技術手段並據以實施，藉此實現本發明可達成的功效。

本發明可以對各種測試機台測試各種目標機種所產生的機台測試時間資料進行統計分析，並依據統計分析所產生之結果建立各種測試機台對各種目標機種的時間預測模型，藉以使用時間預測模型估計測試機台對目標機種的測試時間。

以下先以「第1圖」本發明所提之依據離群值篩選資料以預測測試時間之系統架構圖來說明本發明的系統運作。如「第1圖」所示，本發明之系統應用於計算設備中，含有資料取得模組110、資料整合模組120、資料分析模組130、資料篩選模組140、模型建立模組150、時間預測模組160，及可附加的誤差評估模組170。

資料取得模組110負責取得測試歷史資料。資料取得模組110所取得的測試歷史資料可以包含一筆或多筆測試結果資料，每一筆測試結果資料可以包含測試機台的機台識別資料、被測機種的機種識別資料、測試起始時間、實際測試時間（或測試結束時間）等資料項目，但測試歷史資料並不以上述為限。

資料取得模組110也負責取得與各被測機種對應之零部件資料。資料取得模組110所取得的每一筆零部件資料可以包含被測機種的機種識別資料、被測機種所包含之零部件的部件識別資料與數量等資料項目，但零部件資料並不以上述為限，在部分的實施例中，零部件資料還可以包含被測機種所包含之各個零部件在被測機種中的配置訊息，例如，設置在被測機種中的位置、連接的介面等。其中，部件識別資料與零部件為一對一對應，可以表示相對應的零部件，部件識別資料可以由一定數量的文字、字母、數字、符號任意排列產生。

一般而言，資料取得模組110可以由應用本發明之計算設備或由與應用本發明之計算設備連接的外部裝置的儲存媒體中讀出或下載各測試機台的測試歷史資料與與各測試機種對應之零部件資料，但資料取得模組110取得零部件資料與測試歷史資料的方式亦不以上述為限。

資料整合模組120負責整合資料取得模組110所取得之與各測試機種對應之零部件資料及各測試機台之測試歷史資料以產生機台測試時間資料。舉例來說，資料整合模組120可以依據零部件資料與測試歷史資料都具有的被測機種的機種識別資料關聯零部件資料與測試歷史資料以產生機台測試時間資料，使得機台測試時間資料所包含的每一筆記錄都可以包含測試機台的機台識別資料、被測機種的機種識別資料、被測機種所包含之零部件的部件識別資料與數量（及配置訊息）、測試起始時間、實際測試時間（或測試結束時間）等資料項目，但本發明並不以上述為限。

資料分析模組130負責對資料整合模組120所產生之機台測試時間資料進行統計分析以取得一個或多個離群值。其中，資料分析模組130是依據被測機種的機種識別資料分別判斷與各個機種識別資料對應的離群值。

更詳細的，資料分析模組130可以分別計算機台測試時間資料中同一測試機台測試同一種被測機種之實際測試時間的上四分位數（Q3）及下四分位數（Q1），並依據上四分位數與下四分位數計算四分位距（IQR），及依據上四分位數與四分位距計算與各種測試機台測試各種被測機種之實際測試時間對應的上離群值及依據下四分位數與四分位距計算與各種測試機台測試各種被測機種之實際測試時間對應的下離群值，例如，資料分析模組130可以計算下四分位數與上四分位數的差值作為四分位距，並以Q1-1.5*IQR的計算式計算下離群值及以Q3+1.5*IQR的計算式計算上離群值。

資料篩選模組140負責由資料整合模組120所產生之機台測試時間資料中刪除實際測試時間超出資料分析模組130所判斷出之離群值的資料記錄以產生訓練資料。也就是說，資料篩選模組140可以由機台測試時間資料中刪除實際測試時間小於資料分析模組130所計算出之下離群值的資料記錄及實際測試時間大於資料分析模組130所計算出之上離群值的資料記錄，剩下來未被刪除的資料記錄即成為訓練資料。

模型建立模組150負責依據資料篩選模組140所產生的訓練資料建立時間預測模型。舉例而言，模型建立模組150可以依據訓練資料中之測試機台之機台識別資料、被測機種之機種識別資料、被測機種所包含之零部件的部件識別資料與數量、及實際測試時間使用決策樹演算法進行回歸訓練以建立時間預測模型。一般而言，決策樹演算法可以對訓練資料的每一維特徵進行排序後使用各維特徵產生相對應的直方圖，並使用所產生之直方圖建立決策樹，例如LightGBM（Light Gradient Boosting Machine）演算法等，但本發明所提之決策樹演算法並不以上述為限。

模型建立模組150也可以在誤差評估模組170所產生之誤差率符合重置門檻值時，再次依據訓練資料以不同的決策樹演算法重新建立另一個時間預測模型。其中，重置門檻值例如95%，但本發明並不以此為限；另外，不同的決策樹演算法可能是不同演算方式的演算法或使用不同參數的相同演算法。

時間預測模組160負責使用模型建立模組150所建立之時間預測模型判斷預期測試時間。更詳細的說，時間預測模組160可以將測試機台之機台識別資料、目標機種（即需要預測之機種）之機種識別資料、目標機種所包含之零部件的部件識別資料與對應的數量作為輸入資料提供給時間預測模型，使得時間預測模型在運算後輸出測試機台對目標機種進行測試的預期測試時間。

需要說明的是，由於模型建立模組150在建立時間預測模型時，所使用的訓練資料包含被測機種所包含之零部件的部件識別資料與數量，因此，時間預測模組160在透過時間預測模型預測預期測試時間時，時間預測模型並不限於只能預測現有被測機種的預期測試時間，也可以預測未被做為訓練資料之機種或新生產的機種，也就是說，即使時間預測模組160提供給時間預測模型的輸入資料包含與所有訓練資料都不同之零部件的部件識別資料與數量，時間預測模型也可以依據輸入資料所包含之零部件的部件識別資料與數量預測預期測試時間。

誤差評估模組170可以計算時間預測模組160所判斷出之預期測試時間與實際測試時間的差值，並在所計算出之差值超出誤差門檻值時統計超出誤差門檻值的誤差率。其中，誤差門檻值例如20分鐘、半小時等預定的時間，但本發明並不以此為限。

接著以一個實施例來解說本發明的運作系統與方法，並請參照「第2A圖」本發明所提之依據離群值篩選資料以預測測試時間之方法流程圖。在本實施例中，假設本發明應用在設置於生產線上的伺服器等計算設備中。

當生產線的管理人員使用本發明來預測目標機種的測試時間時，資料取得模組110可以取得與各測試機種對應之零部件資料與各測試機台之測試歷史資料（步驟210）。在本實施例中，假設資料取得模組110可以連線到儲存各個測試機台所上傳之測試結果資料的伺服器中，並可以在由伺服器所儲存之零部件配置表中讀出如「第3A圖」所示之與各種測試機種對應的零部件資料310及由伺服器所儲存之歷史測試資料表中查詢出如「第3B圖」所示之各測試機台所產生的測試歷史資料320後，由伺服器下載所讀出或查詢到的零部件資料310及測試歷史資料320。

在資料取得模組110取得與各測試機種對應之零部件資料與各測試機台之測試歷史資料（步驟210）後，資料整合模組120可以整合資料取得模組110所取得之零部件資料與測試歷史資料（步驟220）。在本實施例中，假設資料整合模組120可以依據零部件資料310與測試歷史資料320中共同擁有的資料項目（也就是機種識別資料311、321）關聯零部件資料310與測試歷史資料320以產生如「第3C圖」所示之機台測試時間資料330。

在資料整合模組120產生機台測試時間資料（步驟220）後，資料分析模組130可以對機台測試時間資料進行統計分析以取得離群值（步驟230）。在本實施例中，假設資料分析模組130可以針對機台測試時間資料330中每一個不同的機種識別資料與機台識別資料的組合分別計算相對應的離群值，也就是分別對包含同一機種識別資料與機台識別資料的資料記錄計算對應機種在對應機台上之實際測試時間的上四分位數與下四分位數，並依據所計算出之上四分位數與下四分位數計算與各種機種在各種基台上之實際測試時間對應的四分位距，及依據所計算出之上四分位數/下四分位數與四分位距計算與各種機種在各種基台上之實際測試時間對應的上離群值/下離群值。

在資料分析模組130判斷出資料整合模組120所產生之機台測試時間資料的離群值後，資料篩選模組140可以由機台測試時間資料中刪除超出離群值的資料記錄以產生訓練資料（步驟240）。在本實施例中，資料篩選模組140可以由機台測試時間資料330中刪除實際測試時間大於上離群值或小於下離群值的資料記錄，使得機台測試時間資料330中之實際測試時間介於上離群值與下離群值之間的資料記錄成為訓練資料。

在資料篩選模組140產生訓練資料後，模型建立模組150可以依據訓練資料建立時間預測模型（步驟250）。在本實施例中，假設模型建立模組150可以使用LightGBM回歸演算法對訓練資料中的各個測試機台的機台識別資料（資料項目332）、各個被測機種的機種識別資料（資料項目331）、各被測機種所包含之零部件的部件識別資料與數量（資料項目333~336）、及各個被測機種在各個測試機台上的實際測試時間（資料項目338）等資料項目進行特徵排序，並依據排序後的特徵建構決策樹以分類訓練資料，藉以依據訓練資料中所包含之各種資料項目建立時間預測模型。

在模型建立模組150建立時間預測模型後，時間預測模組160可以依據模型建立模組150所建立之時間預測模型判斷各測試機台對目標機種的預期測試時間（步驟260）。在本實施例中，假設時間預測模型160可以提供管理人員輸入測試機台的機台識別資料、目標機種的機種識別資料、目標機種所包含之零部件的部件識別資料與數量等資料項目輸入介面，並可以將被管理人員輸入的機台識別資料、機種識別資料、部件識別資料與對應的數量作為輸入資料提供給時間預測模型，使得時間預測模型依據被輸入的機台識別資料、機種識別資料、部件識別資料與對應的數量輸出對應的預期測試時間。其中，不論被輸入之部件識別資料與對應的數量是否與某一筆訓練資料相同或與所有訓練資料都不相同，時間預測模型都可以輸出對應的預期測試時間。

如此，透過本發明，可以依據機台測試時間資料有效的評估特定測試機台測試目標機種所需的測試時間。

上述實施例中，若伺服器還包含誤差評估模組170，則可以如「第2B圖」之流程所示，在時間預測模組160依據模型建立模組150所產生之時間預測模型判斷出各測試機台對目標機種的預期測試時間（步驟260）後，誤差評估模組170可以提供管理人員輸入目標機種的實際測試時間以計算每一個目標機種之預測測試時間與實際測試時間的差值（步驟271），並可以統計所計算出之差值超出誤差門檻值的誤差率（步驟273），及判斷所統計出之誤差率是否超出重置門檻值（步驟275）。

若否，則表示模型建立模組150所產生之時間預測模型符合預期，可以結束本次之作業流程；而若誤差評估模組170所統計出之誤差率超出重置門檻值，則模型建立模組150可以再次依據訓練資料重新建立時間預測模型（步驟250），直到所產生之時間預測模型所判斷出之預期測試時間的誤差率小於重置門檻值為止。

綜上所述，可知本發明與先前技術之間的差異在於具有整合與各測試機種對應之零部件資料與測試歷史資料以產生各測試機台對應各被測機種的機台測試時間資料，並對機台測試時間資料進行統計分析以取得機台測試時間資料之離群值，及由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料後，依據訓練資料建立時間預測模型以預測目標機種的測試時間之技術手段，藉由此一技術手段可以來解決先前技術所存在依照人工經驗或試產所預估之整機測試時間並不精確的問題，進而達成降低預估整機測試時間之複雜度與工作量的技術功效。

再者，本發明之依據離群值篩選資料以預測測試時間之方法，可實現於硬體、軟體或硬體與軟體之組合中，亦可在電腦系統中以集中方式實現或以不同元件散佈於若干互連之電腦系統的分散方式實現。

雖然本發明所揭露之實施方式如上，惟所述之內容並非用以直接限定本發明之專利保護範圍。任何本發明所屬技術領域中具有通常知識者，在不脫離本發明所揭露之精神和範圍的前提下，對本發明之實施的形式上及細節上作些許之更動潤飾，均屬於本發明之專利保護範圍。本發明之專利保護範圍，仍須以所附之申請專利範圍所界定者為準。

110:資料取得模組 120:資料整合模組 130:資料分析模組 140:資料篩選模組 150:模型建立模組 160:時間預測模組 170:誤差評估模組 310:零部件資料 311:機種識別資料 320:測試歷史資料 321:機種識別資料 330:機台測試時間資料 331~338:資料項目 步驟210:取得與各測試機種對應之零部件資料及各測試機台之測試歷史資料 步驟220:整合零部件資料及測試歷史資料以產生機台測試時間資料 步驟230:對機台測試時間資料進行統計分析以取得離群值 步驟240:由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料 步驟250:依據訓練資料建立時間預測模型 步驟260:使用時間預測模型判斷測試機台對目標機種之預期測試時間 步驟271:計算預期測試時間及實際測試時間之差值 步驟273:統計差值超出誤差門檻值之誤差率 步驟275:判斷誤差率是否符合重置門檻值

第1圖為本發明所提之依據離群值篩選資料以預測測試時間之系統架構圖。 第2A圖為本發明所提之依據離群值篩選資料以預測測試時間之方法流程圖。 第2B圖為本發明所提之重新建立時間預測模型之方法流程圖。 第3A圖為本發明實施例所提之與各測試機種對應之零部件資料之示意圖。 第3B圖為本發明實施例所提之測試歷史資料之示意圖。 第3C圖為本發明實施例所提之機台測試時間資料之示意圖。

步驟210:取得與各測試機種對應之零部件資料及各測試機台測試歷史資料

步驟220:整合零部件資料及測試歷史資料以產生機台測試時間資料

步驟230:對機台測試時間資料進行統計分析以取得離群值

步驟240:由機台測試時間資料中刪除超出離群值之資料記錄以產生訓練資料

步驟250:依據訓練資料建立時間預測模型

步驟260:使用時間預測模型判斷測試機台對目標機種之預期測試時間

Claims (10)

1. 一種依據離群值篩選資料以預測測試時間之方法，係應用於一計算設備，該方法至少包含下列步驟：取得與各測試機種對應之一零部件資料及各測試機台之一測試歷史資料，其中，該零部件資料包含各該測試機種之各零部件之部件識別資料與數量；整合該零部件資料及該測試歷史資料以產生一機台測試時間資料；對該機台測試時間資料進行統計分析以取得至少一離群值；由該機台測試時間資料中刪除超出該至少一離群值之資料記錄以產生一訓練資料；依據該訓練資料建立一時間預測模型；及使用該時間預測模型判斷各該測試機台對一目標機種之一預期測試時間，其中，該時間預測模型至少依據該目標機種所包含之各該零部件之部件識別資料與數量判斷該預期測試時間。
2. 如請求項1所述之依據離群值篩選資料以預測測試時間之方法，其中整合該零部件資料及該測試歷史資料以產生該機台測試時間資料之步驟為依據被測機種之機種識別資料關聯該零部件資料與該測試歷史資料零部件資料測試歷史資料以產生該機台測試時間資料。
3. 如請求項1所述之依據離群值篩選資料以預測測試時間之方法，其中依據該訓練資料建立該時間預測模型之步驟為依據該訓練資料所包含之該測試機台之機台識別資料、被測機種之機種識別資料、被測機種所包含之 零部件的部件識別資料與數量、及實際測試時間使用決策樹演算法進行回歸訓練以建立該時間預測模型。
4. 如請求項1所述之依據離群值篩選資料以預測測試時間之方法，其中對該機台測試時間資料進行統計分析以取得該至少一離群值之步驟為分別計算該機台測試時間資料中同一被測機種之測試時間的一上四分位數及一下四分位數，依據該上四分位數與該下四分位數計算一四分位距，並依據該上四分位數與該四分位距計算一上離群值及依據該下四分位數與該四分位距計算一下離群值。
5. 如請求項1所述之依據離群值篩選資料以預測測試時間之方法，其中該方法於使用該時間預測模型判斷該預期測試時間之步驟後，更包含計算該預期測試時間及實際測試時間之一差值，並於該差值超出一誤差門檻值時統計超出該誤差門檻值之一誤差率，當該誤差率符合重置門檻值時再次依據該訓練資料建立該時間預測模型之步驟。
6. 一種依據離群值篩選資料以預測測試時間之系統，該系統至少包含：一資料取得模組，用以取得與各測試機種對應之一零部件資料及各測試機台之一測試歷史資料，其中，該零部件資料包含各該測試機種之各零部件之部件識別資料與數量；一資料整合模組，用以整合該零部件資料及該測試時間資料以產生一機台測試時間資料；一資料分析模組，用以對該機台測試時間資料進行統計分析以取得至少一離群值； 一資料篩選模組，用以由該機台測試時間資料中刪除超出該至少一離群值之資料記錄以產生一訓練資料；一模型建立模組，用以依據該訓練資料建立一時間預測模型；及一時間預測模組，用以使用該時間預測模型判斷各該測試機台對一目標機種之一預期測試時間，其中，該時間預測模型至少依據該目標機種所包含之各該零部件之部件識別資料與數量判斷該預期測試時間。
7. 如請求項6所述之依據離群值篩選資料以預測測試時間之系統，其中該資料取得模組是依據被測機種之機種識別資料關聯該零部件資料與該測試歷史資料以產生該機台測試時間資料。
8. 如請求項6所述之依據離群值篩選資料以預測測試時間之系統，其中該模型建立模組是依據該訓練資料所包含之該測試機台之機台識別資料、被測機種之機種識別資料、被測機種所包含之零部件的部件識別資料與數量、及實際測試時間使用決策樹演算法進行回歸訓練以建立該時間預測模型。
9. 如請求項6所述之依據離群值篩選資料以預測測試時間之系統，其中該資料分析模組是分別計算該機台測試時間資料中同一被測機種之測試時間的一上四分位數及一下四分位數，依據該上四分位數與該下四分位數計算一四分位距，並依據該上四分位數與該四分位距計算一上離群值及依據該下四分位數與該四分位距計算一下離群值。
10. 如請求項6所述之依據離群值篩選資料以預測測試時間之系統，其中該系統更包含一誤差評估模組，用以計算該預期測試時間及實際測試時間之一差值，並於該差值超出一誤差門檻值時統計超出該誤差門檻值之一誤 差率，該模型建立模組更用以於該誤差率符合重置門檻值時再次依據該訓練資料建立該時間預測模型。

Images